第二章、 相關研究
2.3 知識整合的技術
2.3.2 多專家知識整合法
就無法進行知識的整合工作，為了解決這種問題，另一種方法被提出，那就是多 專家知識整合法（FINE）它可以處理專家對談中語意強度的問題，本論文將會 在下一節中解釋這種演進後的方法。
以下我們將介紹機台堆貨成因運用至多專家知識整合法的範例：
（1） 建立概念表格：從專家群中利用知識表格來收集每一位專家的元素集以及 屬性集。而概念表格中包含了幾個欄位，分別是概念名稱、單位、語意型 態、臨界值等。我們以分析機台堆貨原因為例，擷取兩位專家的知識，如 表 2.14 及表 2.15 所示。
表 2. 14 機台堆貨原因之概念表格（專家一）
概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19~21 不足/正常/足夠 維修保養時間 時/日 0.3~0.5 良好/正常/過久
表 2. 15 機台堆貨原因之概念表格（專家二）
概念名稱 單位 臨界值 語意型態 維修保養時間 時/日 0.5~0.7 良好/正常/過久 維修保養週期 次/週 1/大於 2 正常/不正常
（2） 建立共同概念表格：在上一步驟時我們讓專家依照自身的專業知識完成概 念表格的填製工作，接下來我們要將上一步驟中所設定的概念，經由協調 過程取得共同結論後，填入共通概念表格當中。因為上一步是由多位專家 各自提供的概念表格，所以其中的概念可能會發生重複的現象，或是因為 個人的文字概念理解不同而產生兩個專家對於同一個概念卻以不同的概 念名稱加以命名，雖然在名稱上面所用的文字不盡相同但是實際上兩位專 家卻是指著同一個概念。譬如維修保養時間的概念，專家一定義臨界值為 0.3~0.5，專家二定義為 0.5~0.7，經由協調決定新的臨界值為（0.3+0.5/2）
~ （0.5+0.7/2），所以協調結果更新為 0.4~0.6，其他的部分則以聯集方 式，將每位專家所訂定的未重複概念合而為一。利用此協調過程的方式產
表 2. 16 二位專家協調後產生的共通概念表格 概念名稱 單位 臨界值 語意型態 一天運作時間 時/日 19~21 不足/正常/足夠 維修保養時間 時/日 0.4~0.6 不足/正常/過久 維修保養週期 次/週 1/大於 2 正常/不正常
（3） 專家權重評等：每一位專家有其不同的背景、專長與經歷，所以我們要計 算每一個參予知識擷取的專家在各領域中的權數，評等專家權重的步驟如 下：
A. 根據所要研究的問題，訂定所要計算的領域，並訂定每一個領域所佔 之百分比。我們需要對於專家的領域加以評等，以下我們假設，參予 知識擷取的專家有兩位，分別針對經驗、背景、名聲等三樣項目進行 評等，兩位專家的自我評等如表 3.17 所示。
表 2. 17 二位專家之權重評等
評等
項目 專家一 專家二
經驗（50﹪） 0.7 0.4
背景（30﹪） 0.8 0.7
名聲（20﹪） 0.3 0.6
B. 完成所有專家權重評等之後，接下來將所有數據進行矩陣計算，假設 cj為項目的權重，sij為專家評等的分數，ei為專家所得到的權數，
列出以下之公式
[e1 e2… ej… en ]=
[ ]
⎥⎥
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎣
⎡
×
mn mj
m
in ij
i
n j
m i
s s
s
s s
s
s s
s
c c
c
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
1 1
1 1
11
1 ………
我們以表 3.17 為例，公式（2.1）的計算過程為
（0.5 0.3 0.2） ×
⎥⎥
⎥
⎦
⎤
⎢⎢
⎢
⎣
⎡
6 . 0 3 . 0
7 . 0 6 . 0
4 . 0 7 . 0
= （0.52 0.47）
所以專家 E1的權數為 0.52，專家 E2的權數為 0.47，計算完專家權重 之後，下面步驟中我們會用到權數計算的結果。
（4） 評等概念表格並計算概念權重：經由協調之後我們已經得到共同的概念表 格，接下來就要將利用模糊變量成對比較矩陣（Pair-Wise Comparison Matrix with fuzzy items）它增了模糊變量用以清楚地表達專家內心對概念 的評等，利用它來計算各概念之間的幾何平均數與權數，藉此也能夠了解 各概念之間的相對重要性。
A. 首先將級數分別使用十個級別，如果等級大於 1 則呈正向的屬性，等 級小於 1 則呈負向的屬性，等級如果等於 1 則屬性等於中性，代表兩 個屬向強度平均，其等級刻度分別為"5"代表絕對重要；"4"代表相當重 要；"3"代表較為重要；"2"代表有點重要；"1"代表一樣重要；"1/2"代 表有點不重要；"1/3"代表較為不重要；"1/4"代表相當不重要；"1/5"代 表絕對不重要。
B. 利用模糊變量評等概念：在做模糊變量評等時，對角線兩端，相同的 概念其模糊變量皆為 1，因為概念是相同的所以評得為 1，其他對角線 概念之間的模糊變量則為倒數。專家依步驟一中所訂定的模糊變量，
再依照自我的專業評等繼而將評等值填入模糊變量成對比較矩陣中。
表 3.18、表 3.19 為第二步驟後所得到的結果。
表 2. 18 專家一之成對比較矩陣
一天運作時間維修保養時間維修保養週期
一天運作時間 1 3 2
維修保養時間 1/4 1 1/2
維修保養週期 1/2 3 1
表 2. 19 專家二之成對比較矩陣
一天運作時間維修保養時間維修保養週期
一天運作時間 1 4 5
維修保養時間 1/3 1 1/3
維修保養週期 1/5 3 1
C. 我們假設概念為 Cii，GMi為幾何平均數，Wi為權數，則模糊變量成對 比較矩陣的幾何平均數及權數的計算公式分別為：
幾何平均數：
GM
i =nC
i1×C
i2×...C
ii×...×C
in ， for Cii = 1 and i = 1 to n …… （2.2）權數：
W
i = GMi/ （GM
1 + GM2 + … + GMn） ………（2.3）我們以表 3.19 的第一個概念：一天運作時間為例進行計算。
GM1=3 1
x
3x
2=1.817W1=1.817 /（1.817 ＋0.5 ＋ 1.144）＝ 0.524，經過幾何平均數及權數 的計算後，再利用先前所計算出的專家權數進行矩陣計算，假設ej為專 家的權重，Wjk（j=1，2…，n 和 k=1 ，…，o）為權重，Zk為各概念 的權重，完成後即得出各概念的權重，完成後即得出各概念的權重，
它的計算公式為
[Z1…Zk…Z0]=[e1´e2´…ej´…en´]×
⎥⎥
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎣
⎡
ο ο ο
n nk
n
j jk
j
k
W W
W
W W
W
W W
W
' ...
' ...
'
...
...
...
...
...
' ...
' ...
'
...
...
...
...
...
' ...
' ...
'
1 1
1 1
11
………（2.4）
我們以表3.19和表3.20為例子繼續概念的權重計算，兩位專家所評等過 的模糊變量成對比較矩陣經由計算之後，所有概念權數的結果就得出 了
[0.52 0.47]
⎥
⎦
⎢ ⎤
⎣
× ⎡
208 . 0 118 . 0 672 . 0
417 . 0 144 . 0 524 .
0
=[
0.587 0.327 0.313]
所以一天運作時間，維修保養時間，維修保養週期分別為 0.587、0.327、
0.313。
（5） 評等目標/概念表格：我們將概念的權數求出之後，接下來要開始進行目 標/概念表格的評等工作，我們將先前所使用的共通概念放置於第一列，
繼而訂定目標放置於表頭的部分，接下來要求參予知識擷取的專家們在表 格中填入關係值（certain factor ，（CFij））以及確定程度（fuzzy value，
（FVij）），由這兩個值來描述概念i與目標j之間的關係，如表 2.20 所示。
表 2. 20 目標/概念表格
目標 1 目標 2 … 概念名稱 1 CF11/FV11 CF12/FV12 … 概念名稱 2 CF21/FV21 CF22/FV22 …
… … … …
A. 關係值與訂定確定度：我們將關係值從 0.1~1 分為十級，隨著級數越高 關係之間的影響也就越強烈。另外又將語意模糊等級訂為七級，分別 代表七種不同的模糊語意強度，其分級為"3"代表非常長或是非常高；
"-1"代表有點短或有點低；"-2"代表短或低；"-3"代表非常短或是非常 低。
B. 進行目標/概念表格評等：完成了語意模糊級數的訂定後，接下來我們 請專家們各自將關係值與確定度填入目標/概念表格當中，用這兩個值 來評定目標與概念之間的關聯度。如表 3.21、表 3.22 所示。
表 2. 21 專家一之評定目標/概念表格 平衡指
數不佳
產品週 期過長
超過材 料時效
出貨時 間過久 一天運作時間 0.4/2 0.3/1 0.5/1 0.2/2 維修保養時間 0.2/2 0.3/-1 0.1/2 0.1/-2 維修保養週期 0.1/3 0.4/-1 0.2/-2 0.1/-3
表 2. 22 專家二之評定目標/概念表格 平衡指
數不佳
產品週 期過長
超過材 料時效
出貨時 間過久 一天運作時間 0.3/1 0.4/2 0.1/1 0.5/2 維修保養時間 0.2/1 0.5/2 0.1/2 0.1/2 維修保養週期 0.1/2 0.3/1 0.1/1 0.1/2
在參予知識擷取的專家完成了目標/概念表格的評等之後，接下來 將表格中專家所評定的數值進行計算，並且將多位參與知識擷取的專家 所釋出的知識予以整合，以求得管理的規則。
（6） 整合模糊知識及產生規則：在這個階段當中，我們利用模糊演算法來整合 所有參與知識擷取專家們所評等的關係值與確定度，其公式為：
[
d
1g/f
1gd
2g/f
2g …d /
kgf …
kgd
0g/f
0g]=[e´1 e´2 …e´j…e´n] ×
⎥⎥
⎥⎥
⎥⎥
⎥⎥
⎦
⎤
⎢⎢
⎢⎢
⎢⎢
⎢⎢
⎣
⎡
g no g no g
nk g nk g
n g n
g jo g jo g
jk g jk g
j g j
g o g
o g
g
g o g o g
k g
k g
g g g
f d f
d f
d
f d f
d f
d
f d f
d
f d f
d f
d f d
/ ...
/ ...
...
/
. ...
...
...
...
.
/ ...
/ ...
...
/
. ...
...
...
...
.
/ ...
...
...
...
/
/ ...
/ ...
/ /
1 1
1 1
2 2 21
21
1 1 1
1 12
12 11 11
…………
…………（2.5）
CF = [ d
1gd
2g …d …
kgd
0g] × [Z1 Z 2 …Z k …Z 0] ………（2.6）FV = Round [ f
1gf
2g ...f ...
kgf
0g] ………（2.7）dgjk/ fjkg分別代表第 j 個專家針對第 k 個概念所提出的關係值與 確定度，我們透過這些數值用來評定第 k 個概念與第 g 個目標之間的因果 關係，而
d /
kgf 則用來表示整合後的關係值與確定度，透過它我們可以評
kg 定與第 g 個可能的目標之間的關係，CF 則用來表示對所產生規則的信賴 度，而 FV 代表了最後的確定度，藉由調整f 值，將其代換為最接近的
kg 整數值以利識別。我們現在以表 3.21 及表 3.22 中的週轉率太低這項目標為例，進行計 算產生規則的工作。第一步是將三位專家用來評定週轉率過低的關係值與 確定度列為矩陣，並與專家權數做相乘的動作，所得到的關係值要與概念 權數做相乘如此就得到了週轉率太低的信賴度（CF），另外所求出的確定 度經由四捨五入的過程，將確定度逼近為最符合模糊語意的整數，計算如 下：
[0.52 0.47] × ⎥
⎦
⎢ ⎤
⎣
⎡
0.3/1 02/1 0.1/2 3 / 1 . 0 2 / 2 . 0 2 / 4 .0 =[0.349/1.51， 0.198/1.51， 0.204/2.5]
FV = Round [1.51 1.51 2.5] = [2 2 3]
藉由以上的計算所求取出的整合關係值與整合確定度之後，我們可以 得到平衡指數不佳的模糊規則。模糊規則表示如下：
平衡指數不佳的原因：
IF 一天運作時間有點不足 and
維修保養時間有點久 and 維修保養週期非常不正常THEN 系統狀態 = ‘平衡指數不佳’
信賴度（CF） =0.349
關於多專家知識擷取法（FINE）不但可以從多專家環境下擷取並整合知識，
它可以依照不同的專家因擅長不同的領域而對專家有不同的評等，而且增加了利 用模糊變量用以清楚地表達專家內心對概念的評等，藉此能夠了解各概念之間的 相對重要性，另外它也可以處理專家對談中語意強度的問題，將語意強度轉換成 確定值。既然多專家知識擷取法（FINE）有如此多優點，本論文將利用它來擷 取並整合機台堆貨原因的知識。