第三章 研究方法
3.1 整合田口方法與倒傳遞類神經網路演算法
本研究使用此方法分為兩個階段。第一階段採用最佳化兩段步驟分析資料，第二 階段使用倒傳遞類神經網路得到輸入參數值與輸出反應值之間的關係。藉由訓練出來 的網路可以精確的預估各種可能的參數組合，故我們可藉由訓練輸入的參數值來獲得 與反應值之間的關係。最後利用望想函數及指數望想函數將多重品質特性轉換為單一 品質特性。綜合執行步驟如下：
步驟一：定義輸入參數與相關的反應值。
步驟二：規劃並執行田口實驗，以取得實驗數據資料。
步驟三：發展倒傳遞類神經網路獲知輸入參數值與輸出反應值之間的關係。
步驟四：透過田口方法及變異數分析法，確認重要的控制因子及其水準。
步驟五：利用倒傳遞訓練參數值與反應值之間的關係。
步驟六：經由輸入目標反應值至訓練完成的類神經網路獲得最佳參數設定。
步驟七：執行確認實驗並產生實驗結果。
步驟八：將結果代入實際案例中執行。
3.2 整合倒傳遞類神經網路與分散式搜尋法
本研究使用此方法分為兩個階段。第一階段使用倒傳遞類神經網路得到輸入參數 值與輸出反應值之間的關係，藉由訓練出來的網路產生各種可能的參數組合。最後利 用望想函數及指數望想函數將多重品質特性轉換為單一品質特性。第二階段利用分散 式搜尋法獲得滿意度(degree of satisfaction; λ )的最佳值。綜合執行步驟如下，執行流 程如圖 3-1 所示：
步驟一：定義輸入參數與相關的反應值。
步驟二：規劃並執行田口實驗，以取得實驗數據資料。
步驟三：發展倒傳遞類神經網路獲知輸入參數值與輸出反應值之間的關係。
步驟四：利用望想函數及指數望想函數將多重品質特性轉換為單一品質特性。
步驟五：設定分散式搜尋法的起始參數。
步驟六：多樣化解產生器從初始解開始製造儲存在 P 集合裡的 Psize 個初始多樣化 解，這個步驟使用了分散式搜尋法的第一個特定方法。
步驟七：將步驟六所產生出來的每一個初始多樣化解交由「改進方法」處理，以鄰近 搜尋機制產生品質較佳的解。
步驟八：利用「參考解集合更新方法」對 Psize 個品質被提升後的解進行進入參考解 集合的資格檢定，從中選出 b1 個高品質解和 b2個高相異解來成為參考解集 合的成員。
步驟九：將參考解集合中的解以「子集合產生方法」組成子集合，以提供「新解合成 方法」步驟的取用。
步驟十：利用「新解合成方法」將步驟九所組成的每一個子集合轉換成一個或多個新 解。
步驟十一：將「新解合成方法」所產生的新解交由「改進方法」處理之後，才進行檢 定，考慮是否放入參考解集合。
步驟十二：利用「參考解集合更新方法」將具有資格放入參考解集合的新解，替換原 有參考解集合裡相對最差的解。
步驟十三：重複執行步驟九至步驟十二，直到符合迴圈停止條件。最常被選用的迴圈 停止條件是反覆次數達一特定值或當最佳解收斂時。
圖 3-1 整合倒傳遞類神經網路與分散式搜尋法流程圖
3.3 整合倒傳遞類神經網路與基因演算法
本研究使用此方法分為兩個階段。第一階段採用倒傳遞類神經網路來建立田口方 法中品質特性和實驗因子之間函數的關係，訓練出來的網路產生可能的參數組合。利 用望想函數及指數望想函數將多重品質特性轉換為單一品質特性，第二階段利用基因 演算法獲得滿意度(degree of satisfaction; λ )的最佳值。染色體代表可能的各種解，染 色體中的每個基因代表輸入的參數值。執行步驟綜合如下，執行流程如圖 3-2 所示：
步驟一：蒐集輸入參數值與各反應值數據。
步驟二：發展倒傳遞類神經網路獲知輸入參數值與輸出反應值之間的關係。
倒傳遞類神經網路 反應值
信號因子 控制因子
子集合產生方法
參考解集合更新方法
改進方法
參考解集合更新方法 關連集合更新方法
多樣化解產生方法
使否滿足 停止條件？
停止 是 否
改進方法 參數初始化
步驟三：利用望想函數及指數望想函數將多重品質特性轉換為單一品質特性。
步驟四：設定基因演算法的執行條件，例如族群(population)個數、基因個數、參數個 數、交配率及突變率等。
步驟五：從輸入參數值中隨機選擇初始族群。
步驟六：不斷重複步驟七至步驟十一直到符合停止條件為止。
步驟七：由輸入參數值至配適函數(fitness funciton)計算出配適值。
步驟八：根據計算出的反應值選擇參數值。
步驟九：進行配適參數值的交配。首先計算交配的個數，其值是由群體個數乘以 交配率而得，決定個數後從母代中隨機選取成對的染色體出來交配。
步驟十：突變參數值以改進下一代基因。首先設定突變率參數，計算母代要進行 突變的個數，其值由族群個數乘以突變率而得，然後從母體中隨機產生要突變的 染色體。
步驟十一：經由交配與突變步驟產生的新染色體取代母體的染色體，獲得新一代 的染色體，即最佳參數值條件。
步驟十二：獲得最佳參數值設定。
為了結束基因演算法的演化循環，必須事先設定終止規則，當基因演算過程中滿 足所設定的終止規則時，能夠停止演化循環。常見的終止條件包括 (黃寶賢，民 91)：
一、設定誤差範圍：即到達使用者可以容許與接受的誤差範圍內而終止。
二、根據統計資料：如果適應函數的分布已達某統計特性即終止，如達到高斯分 布即終止。
三、設定最大運算時間：當達到所設定之最大運算時間及宣告終止。
四、設定最大世代：利用程式計算合理的觀察出最大世代數，達到所設定的最大 世
代數則宣告終止。
本研究是採用設定最大演化世代數的方式來做為測試收斂性的依據。
圖 3-2 整合倒傳遞類神經網路與基因演算法流程圖
倒傳遞類神經網路 反應值
信號因子 控制因子
使用望想函數及指數望想函數將 多重反應值轉換為單一反應值
設定執行條件
由訓練完成的倒傳遞類 神經網路估求回應值
估求配適值
是否達到停 止條件？
複製
交配
突變
獲得最佳條件 是
否
3.4 整合倒傳遞類神經網路與模擬退火法
本研究使用此方法分為兩個階段。第一階段採用到傳遞類神經網路來建立田口方 法中品質特性和實驗因子之間函數的關係，訓練出來的網路可以精確的預測出可能的 參數組合，故我們可藉由訓練輸入的參數值來獲得與反應值之間的關係。利用望想函 數及指數望想函數將多重品質特性轉換為單一品質特性後，第二階段利用模擬退火法 獲得最佳解。執行步驟與參數設定如下，執行流程如圖 3-3 所示：
步驟一：隨機由直交表中選擇資料以獲得倒傳遞的訓練及測試組合值。
步驟二：發展倒傳遞類神經網路預測控制因子、信號因子及反應值之間的關係。
步驟三：將能階函數(energy function)公式化。
步驟四：根據問題的品質特性將關係函數轉換成能階函數。
步驟五：隨機選取候選值 x。
步驟六：設定起始條件，首先要決定起始溫度 T 和終止溫度 T*，其中 T>T*，一般起 始溫度設定隨問題而變，不過一般都設較高一點可以比溫度設低更容易找到 最佳解，Kirkpatrick 等建議 T 的設定最好可以使初期鄰近解被接受機率 0.8 以上，而 T*一般都設接近 0。
步驟七：先定義每個溫度搜尋次數 M，一般都設固定值也有學者採用不同溫度不同 M， Kirkpatrick 建議為決策變數的倍數，不過實際上還是必須看問題大小 而定。然後設定降溫梯度α，一般α越大越好最好在 0.5 以上，如果設太小 容易陷入區域最佳中，建議值為 0.8~0.99。
步驟八：重複步驟九到步驟十四直到搜尋溫度 T 小於停止溫度 T*。
步驟九：重複步驟十到步驟十三直到在溫度 T 下搜尋次數大於 M。
步驟十：由電腦在鄰近解中產生一個新解x'。 步驟十一：計算ΔE= f(x)− f(x')
步驟十二：由電腦隨機產生一個均勻分布於 0~1 的值 r。
步驟十三：如果ΔE<0 表示新解比就解好以新解取代舊解，如果ΔE>0 如果 r<e∆E/T， 我們以新解取代舊解。
步驟十四：降低搜尋溫度 T，T=αT。
步驟十五：求得最佳解x*。
圖 3-3 整合倒傳遞類神經網路與模擬退火法流程圖
倒傳遞類神經網路 反應值
信號因子 控制因子
否
是
是 是
否
否 設定 T 值
產生 x1 令 x* = x1
產生 x2
減少 T x*= x2
停止 是否接受?
是否收斂？
是否平衡？
使用望想函數及指數望想函數將 多重反應值轉換為單一反應值
停止準則為用來判定是否結束模擬退火演算法的最主要依據。Johonson(1989)提 出，計數值在鄰近解沒有取代現行解時應加 1，當現行解被取代時，計數值應歸零重 新計算，模擬退火法在計數值達到預定上限時應停止。Van Larrhoven(1992)等人認 為，模擬退火法應在溫度下降到預設的最後溫度時停止。常見的停止準則有(盧研伯，
民 92)：
一、當溫度已達到每一溫度 Tk時，則停止此演算法。
二、當連續降溫 t 次，始終無法達到較佳解時，停止演算法。
三、當所求之解已達到下限值之某個比例，則停止演算法。
在本文中所採用的停止準則，考慮上述的前兩項，以增加演算法的效率。若單純考慮 停止溫度時，當系統達到最佳解後或許已經失去向上爬升的能力，限制降溫的次數，
將有助於演算法的求解效率。
第四章 室內無線區域網路傳輸品質評估系統之實證分析
為了驗證第三章所建構模式的可行性，本章節提出「室內無線區域網路傳輸品質
為了驗證第三章所建構模式的可行性，本章節提出「室內無線區域網路傳輸品質