4.1 資料的取得和處理
TFT-LCD 測試區接收自製造區來的成批(每一批稱一 Recipe)的玻璃，直接以機械手 臂移至測試機櫃(Cassette)中。測試開始前，測試工程師需將準備好的邏輯模具組送到測 試機台上，測試機台再依指示送要求訊息給機械手臂。機械手臂依訊息自機櫃移出待測 液晶玻璃至探測機台(Probe)後，Probe 向測試機台送出 ready 的訊息，經測試機台及探 測機台彼此協調(handshaking)完成 Setup 的動作後，測試首先執行自我測試(Self-Test)，
然後開始一連串的測試[2]。
本研究的範圍是 TFT-LCD 的生產製程中 Array 製程的測試項目，包括電器性能的 測試、點和線造成的開路和短路、點和線的距離和密度的缺點數。其測試的數據包括了 計量值(阻抗、電壓、電流)和計數值(點和線相關缺點數)。
在測試區的製程中多數是複雜繁瑣的，愈有製程經驗的工程師愈能掌握產品測試的 精準性，而且多半在液晶玻璃切割前的電測外，另外有切割後經組合後的實際成品測試 過程，廠方會將二者的測試結果，作一比較看是否有誤判率過高的情況，如果誤判率過 高會要求工程師調加測試項目或是調整允收範圍．．．等方式。然而，下列所述二個問 題，一般沒有使用一套有效的系統來全面審查所增加的測試項目和時間是否能同時符合 經濟性和測試有效性[3]。
(1.) 加上驗證新功能的測試項在原有一般的測試項目上，對於新的測試項目是否已能 取代原有一些的測試項目，沒有進行整體的審查，因此增加很多測試項目和時間。
(2.) 當製程日漸成熟後，一些測試項目是否可以精簡？但是希望精簡後仍能對於測試 的結果和不良品的檢出能力與原有的結果必需要很接近。
所搜集到的檢測資料需要經過處理才能做進一步的分析，其處理的步驟如下:
1.確定資料的屬性和類別
(1.) 資料筆數：儘可能取得 100 筆以上(含計數值和計量值)資料，並希望是在 不同的批量中獲得，其中要記錄批號、投入和產出時間。
(2.) 檢測項目(x)：測試項目包括電器測試和目視檢驗項目。
(3.) 輸出結果(y)：測試良率。
2.資料處理
(1.) 去除離群值和屬性有問題的筆數。
(2.) 去除敏感度不高或對輸出結果沒任何影響的項目。
(3.) 選擇可用屬性的量測項目。
3.資料分類
測試良率的分類：不同等級產品都經過相同的測試流程，雖然等級不同但是測 試成本卻是相同的，然而售價有差別。因此，可將數據區分為若干等級，例如 等級A、B 與 C。
4.2 類神經網路模式的建立
本 研 究 建 議 使 用 所 有 的 檢 測 項 目 應 用 倒 傳 遞類 神 經 網 路 建 立 完 整 模 型 （Full Model），流程如圖 4.1 所示。首先決定類神經網路的參數，然後進行訓練學習。檢驗，
建構需選擇較低的 RMSE 較高的 Correlation 以決定η(Learning rate 學習率)，α (Momentum 慣性)和隱藏層的結點數，建立後這個模型就是一個參考的標準，包括訓練 和測試樣本的正確分類率和訓練和測試樣本的平均數和標準差。
建立簡化的倒傳遞類神經網路模型：
將輸入變數的貢獻度做一排序，加上工程專業的判斷，修剪輸入結點數(即測試項 目)，之後再建構一個倒傳遞的類神經網路，這個模型要和完整模型一樣有高的訓練和 測試樣本的正確分類率和較低的誤差平均數。 如果這個簡化模型有跟完整模型一樣的
分類率，且有較低的平均誤差，那麼我們就有信心採用這個模型。流程如圖4.2 所示，
詳細的步驟如以下說明。
輸入變數的貢獻度的計算步驟如下[5]：
步驟一：對每一輸入結點計算權重值的總和，加總W1(輸入層-隱藏層) x W2 (隱藏層-輸出層)。
步驟二：對步驟一的值做由大至小的排序，並刪除極小值的項目。
步驟三：由步驟二找到重要的輸入結點，當輸入的結點變少，再由這些輸入結點重新 訓練一個類神經的網路模型。如果新模型的成效可以被接受，則停止。否則，
應該重新考慮步驟二的演算。
圖4.1 建立完整的倒傳遞類神經網路模型之流程
圖4.2 建立簡化的倒傳遞類神經網路模型之流程
當測試資料處理完畢之後，我們要先決定構建倒傳遞類神網路模型的相關參數
(1.) 已知參數：輸入層結點的個數與輸出層結點的個數。
(2.) 自訂參數：隱藏層的層數與結點個數，以及 Epoch 數。
(3.) 學習參數：使用試誤法學習決定 Learning rate（η）與 Momentum（α）。
本研究建議訓練樣本對測試樣本的比例為 75%：25%，以這樣的比例去建構類神經 網路模型。測試樣本由原始數據的 A，B，C 等級內取訓練和測試筆數，這樣測試完整 性較好。經過訓練和學習後可以找到倒傳遞類神網路模型的合理參數，包括隱藏層的層 數，學習率(η）和 Momentum（α）。
在應用倒傳遞類神網路時，較大的學習率(η）會有較大的權重改變，然而大的學 習率會引起振盪和不穩定的結果，以下的方程式可以提供一個方法去變動學習率而不會
導致振盪的現象。∆
w
ij(n
+1)=ηδ
pia
pi +α
∆w
ij(n
)，其中，n是指重覆的次數，α是一個 固定值(momentum 係數) 它決定舊的權重在現有權重改變的效果，η和α由倒傳遞類神 網路的使用者決定。根據經驗，η值剛開始可以被設定為較低的值，慢慢的增加η的值，我們可以找到一個較合適的學習率(η）；此外，α剛開始可以被設定成較高的值，慢慢 的減少α的值，我們可以找到一個較合適的Momentum（α）。
網路輸出值與目標值的誤差可以被拿來當做訓練網路的指標，如果誤差達到一個穩 定的值(或是低於一個標準值)的時後，我們就可以停止訓練。接著檢查訓練結果，包括 重複訓練樣本的MSE(Mean Squared Error)和相關性、重複測試樣本的 MSE 和相關性、
目標值與輸出值標準化後的散佈圖，檢視其是否符合常態分佈的型態。
根據各個輸入結點(測試項目)相對輸出值(即測試良率 AT2)的貢獻度，做一排序，
如此可以了解那些測試項目重要的程度。根據上述的貢獻度和工程專業的判斷去刪除相 對不重要的測試項目，最後，觀察這些測試項目對輸出結果的正確性。