簡易檢索 / 詳目顯示
| 研究生： |
施明賢 Shih, Ming Shang |
|---|---|
| 論文名稱： |
智慧型重要屬性篩選器之研究：以現場排程系統屬性篩選為例 The research on the development of an intelligent attribute filter - A study to screen the important attributes of a shop floor scheduling system |
| 指導教授： |
林我聰
Lin, Woo Tsong |
| 學位類別： |
碩士
Master |
| 系所名稱： |
商學院 - 資訊管理學系 Department of Management Information System |
| 論文出版年： | 1995 |
| 畢業學年度： | 83 |
| 語文別： | 中文 |
| 論文頁數： | 116 |
| 中文關鍵詞： | 資訊篩選 、類神經網路 、逆傳遞模式 |
| 外文關鍵詞： | Information filter, Neural network, Back propagation model |
| 相關次數： | 點閱：131 下載：0 |
| 分享至: |
| 查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報 |
在資訊來源日趨複雜化及多樣化之下，過多不必要的資訊反而造成決策上的困擾，因此資訊的篩選(Information Filtering)便成為設計資訊系統時所要考量的重要因素之一。資訊的有效篩選不僅使得決策的不確定性降低，同時讓決策人員能夠專注於對決策有重要影響的因素上，提高了決策的效率與品質。本研究即是以逆傳遞(Back Propagation)類神經網路模式(Artificial Neural Network Model)為基礎，設計一個能夠篩選出重要屬性的通用演算法；此演算法能夠幫助使用者去除一些對決策較無影響的屬性，讓使用者能夠減少資訊收集成本，並針對重要屬性做決策上的考量。同時在本研究中，我們還將此演算法應用在生產現場的屬性篩選上，幫助排程人員找出對於排程法則選取有重要影響的屬性；並藉此驗證篩選演算法的正確性及完整性。
To screen the mformation effectively can improve the efficiency and quality of decision making dramatically. Since it does not only decrease the uncertainty of decision maldng, but also let decision makers can emphasize on the important factors which can significantly affect the result of decision. In this thesis we present an algorithm to find the important factors out based on the technique of back propagation neural network model. This algorithm can help users to remove some attributes which do not or seldom affect the result of decision, and let them can reduce the cost of data collection and emphasize on consideration of the remaining important attributes. And in this thesis, we also apply the algorithm to filter out the important production attributes of shop floor scheduling system which can significantly affect the selection of shop floor scheduling rules, and use the result of this experiment to verify the correctness and completeness of the algorithm.
致謝
中文摘要
Abstract
目錄
圖目錄
表目錄
第一章 緒論
1.1 研究背景與動機-----1
1.2 研究目的-----3
1.3 研究方法與步驟-----4
1.4 研究範圍與限制-----6
1.5 論文架構-----7
第二章 文獻探討
2.1 資訊篩選的重要性-----8
2.1.1 資訊的定義-----9
2.1.2 資訊過量-----9
2.2 統計方法於資訊篩選上的應用-----11
2.3 類神經網路理論與權位刪除方法-----14
2.3.1 類神經網路理論-----14
2.3.1.1 類神經網路的定義-----15
2.3.1.2 類神經網路架構及原理-----16
2.3.1.3 逆傳遞網路的原理-----18
2.3.2 類神經網路與專家系統的比較-----21
2.3.3 網路權位刪除方法-----23
2.3.3.1 敏感度計算方法-----23
2.3.3.2 懲罰項方法-----26
2.4 現場排程理論-----31
2.4.1 排程的定義-----31
2.4.2 現場排程法則的分類-----32
2.4.3 類神經網路在排程的應用-----36
第三章 智慧型重要屬性篩選器之發展
3.1 網路學習目標-----40
3.2 網路輸入節點刪除演算法-----41
第四章 實例驗證
4.1 XOR實驗-----48
4.2 現場排程實驗-----59
第五章 結論
5.1 結論-----97
5.2 未來研究方向建議-----98
參考文獻-----100
圖目錄
圖2.1：處理單元-----16
圖2.2：逆傳遞網路架構-----19
表目錄
表2.1：專家系統與類神經網路的比較-----23
表2.2：現場排程法則分類-----35
表4.1：XOR的輸入輸出值對應關係-----48
表4.2：XOR實驗一訓練範例-----50
表4.3：XOR實驗一使用刪除演算法的網路訓練結果-----51
表4.4：刪除網路輸入結點後的網路輸出比較-----52
表4.5：XOR實驗二訓練範例-----53
表4.6：XOR實驗二使用刪除演算法的網路訓練結果-----54
表4.7：XOR實驗三訓練範例-----56
表4.8：XOR實驗三使用刪除演算法的網路訓練結果-----57
表4.9：XOR實驗四訓練範例-----58
表4.10：XOR實驗四使用刪除演算法的網路訓練結果-----59
表4.11：製令標準途程-----62
表4.12：工作中心內機器數-----62
表4.13：原始訓練範例-----67
表4.14：正規化後的網路學習範例-----68
表4.15：訓練後的網路實際輸出值-----69
表4.16：網路完整性測試範例（已正規化）-----70
表4.17：網路完整性測試範例的實際輸出值-----71
表4.18：訓練後的網路權位值-----72
表4.19：刪除輸入結點X<sub>6</sub>後的網路訓練範例（已正規化）-----73
表4.20：網路相同性測試範例的實際輸出值-----74
表4.21：刪除輸入結點X<sub>6</sub>後的網路訓練範例（另外25組）-----75
表4.22：網路相同性測試範例的實際輸出值（另外25組）-----76
表4.23：刪除輸入結點（X<sub>6</sub>、X<sub>5</sub>）後的網路訓練範例〈已正規化〉-----77
表4.24：網路相同性測試範例的實際輸出值-----78
表4.25：刪除輸入結點（X<sub>6</sub>、X<sub>1</sub>）後的網路訓練範例〈已正規化〉-----80
表4.26：網路相同性測試範例的實際輸出值-----81
表4.27：正規化後的網路學習範例-----83
表4.28：訓練後的網路實際輸出值-----85
表4.29：網路完整性測試範例（已正規化）-----87
表4.30：網路完整性測試範例的實際輸出值-----88
表4.31：訓練後的網路權位值-----88
表4.32：刪除輸入結點X<sub>6</sub>後的網路訓練範例（已正規化）-----90
表4.33：網路相同性測試範例的實際輸出值-----92
表4.34：刪除輸入結點X<sub>6</sub>後的網路測試範例（另外50組）-----94
表4.35：網路完整性測試範例的實際輸出值（另外50組）-----95
(限達賢圖書館四樓資訊教室A單機使用)