傳統上，使用交叉驗證法來決定 FRBF 核函數參數會遇到參數過多、各參數 範圍不一、決定參數時間耗時等困難，故鮮少文獻使用支撐向量機搭配 FRBF 核 函數。本研究首先應用 Li 等人（2010）提出的核函數參數自動挑選法來自動決定 FRBF 核函數的最佳參數，解決了上述問題。
除此之外，本研究亦提出一個基於核化特徵選取法（kernel-based feature selection, KFS），藉由 FRBF 核函數的最佳參數大小，來挑選出較重要之特徵，使 研究者更為清楚哪些特徵是他們所需要且有助於進行分類。因此，本研究不僅改 善了使用傳統方法費時又無法得到最佳參數的問題，也透過 KFS 來決定維度的 重要性。
由實驗結果顯示，在 UCI 資料庫之資料集、教育測驗資料集和高光譜影像資 料集等高維度資料的實驗中，使用 KFS+SVM_RBF 所得到的分類正確率，皆高於 使用 SVM_FRBF 與使用 SVM_RBF 所得到的分類正確率；使用 SVM_FRBF 的正 確 率 也 高 於 或 近 似 於 SVM_RBF 。 因 此 ，若 無 訓 練時 間 的 限制 ， 建 議使 用 SVM_FRBF 取代 SVM_RBF。此外，實驗結果也顯示，本研究提出之 KFS 不僅 能能有效的挑選出較重要之特徵，也能提高分類之正確率。
最後，本研究已經完成將核函數參數自動挑選法應用到 FRBF 核函數上。未 來，此方法亦可應用到其他與 RBF 核函數具備相同性質的核函數上，例如：廣義 RBF 核函數等核函數，來自動決定其核函數參數。
參考文獻
中文部分
王驥魁、朱宏杰、林志交、曾義星（2012）。全波形光達與高光譜影像融合於地物 分類應用。行政院災害防救應用科技方案暨國家災害防救科技中心成果聯合 發表會（編號﹕66），內政部地政司。
林俊宏（譯）（2014a）。大數據：教育篇：教學與學習的未來趨勢（原作者：Viktor Mayer-Schönberger,Kenneth Cukier）。臺北市：天下文化。（原著出版年：2014）
林俊宏（譯）（2014b）。大數據（原作者：Viktor Mayer-Schönberger,Kenneth Cukier）。 臺北市：天下文化。（原著出版年：2014）
林建智（2002）。基因演算法與類神經網路整合應用之探討－以流程式工廠訂單排 程為例（未出版之碩士論文）。國立台灣科技大學，臺北市。
林楨家（1999）。都市計畫草圖替選方案分析模式（未出版之博士論文）。國立交 通大學，新竹市。
施明倫、林唐煌、洪志豪、蔡廣叡（2013）。可攜式高光譜影像儀應用於遙測空氣 品質指標。航測及遙測學刊，4（16），229-243。
張光佑（2005）。探討特徵萃取要素於小樣本分類問題（未出版之碩士論文）。國 立臺中教育大學，臺中市。
張偉民（2012）。一個基於相關矩陣之特徵萃取法（未出版之碩士論文）。國立臺 中教育大學，臺中市。
陳天來、陳用佛（2014）。以高光譜影像分析紅色印泥之評估。2014 年鑑識科學 研討會，桃園縣中央警察大學。
陳柏榮（2002）。以限制規劃程式構建投資組合決策支援系統之研究（未出版之碩 士論文）。國立交通大學，新竹市。
博士論文）。國立中央大學，桃園縣。
黃乙哲（2009）。紋理特徵分析用於偵測乳房攝影微小鈣化群（未出版之碩士論 文）。中國醫藥大學，臺中市。
黃承龍、陳穆臻、王界人（2004）。支援向量機於信用評等之應用。計量管理期刊，
1（2），155-172。
黃福居（2001）。全三維軸流風扇的葉片最佳化設計（未出版之碩士論文）。國立 成功大學，台南市。
葉育惠、鐘偉菖、廖睿瑜、鍾嘉綾、郭彥甫、林達德（2014）。高光譜與多光譜影 像技術應用於植物病害檢測之研究。2014 年科技部生科司農業環境科學學門 成果發表會（編號﹕C-O2），國立中興大學。
詹正維、廖學華、郭伯臣、紀明宏（2005）。高維度資料辨識系統。台灣地理資訊 學會年會暨學術研討會，臺中市：逢甲大學。
蔡爾逸（2012）。應用支撐向量機(SVM)於都市不動產價格預測之研究（未出版之 鄭俊彥（2011）。大學微積分電腦化建構反應題及自動分析機制研發（未出版之碩
士論文）。國立臺中教育大學，臺中市。
簡卉伶（2008）。中文郵件過濾系統特徵選取之效度探討（未出版之碩士論文）。
東吳大學，臺北市。
英文部分
Bache, K. & Lichman, M. (2013). UCI Machine Learning Repository, from http://archive.ics.uci.edu/ml/
Benediktsson, J. A., Palmason, A. J. & Sveinsson, J. R. (2005). Classification of hyperspectral data from urban areas based on extended morphological profiles.
IEEE Transactions on Geoscience and Remote Sensing, 55, 229-243.
Benediktsson, J. A., Palmason, A. J., & Sveinsson, J. R. (2005). Classification of hyperspectral data from urban areas based on extended morphological profiles, IEEE Transactions on Geoscience and Remote Sensing, 55, 229-243.
Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. Proceedings of the Fifth Annual Workshop on Computational Learning Theory, 144-152.
Bruzzone, L., & Persello, C. (2009). A novel context-sensitive semisupervised SVM classifier robust to mislabeled training samples. IEEE Transactions on Geoscience and Remote Sensing, 47(7), 2142-2154.
Camps, V. G., & Bruzzone, L. (2005). Kernel-based methods for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 43(6), 1351-1362.
Camps-Valls, G., Gomez-Chova, L., Calpe, J., Soria, E., Martín, J. D., Alonso, L., &
Moreno, J. (2004). Robust support vector method for hyperspectral data classification and knowledge discovery. IEEE Transactions on Geoscience and Remote Sensing, 42(7), 1530-1542.
Camps-Valls, G., Gomez-Chova, L., Munoz-Mari, J., Vila-Frances, J., & Calpe-Maravilla, J. (2006). Composite kernels for hyperspectral image classification.
IEEE Transactions on Geoscience and Remote Sensing Letters, 3(1), 93-97.
Cariou, C., Chehdi, K., & Moan, S. L. (2011). BandClust: an unsupervised band reduction method for hyperspectral remote sensing. IEEE Geoscience and Remote Sensing Letters, 8(3), 565-569.
Chang, C. C., & Lin, C. J. (2001). LIBSVM: A Library for Support Vector Machines.
Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm
Chang, C. I., Wu, C. C., Liu, W. M., & Ouyang, Y. C. (2006). A new growing method for simplex-based endmember extraction algorithm. IEEE Transactions on Geoscience and Remote Sensing, 44(10), 2804-2819.
Chapelle, O., Vapnik, V., Bousquet, O., & Mukherjee, S. (2002). Choosing multiple parameters for support vector machines. Machine Learning, 46, 131-159.
Chen, Y. W. & Lin, C. J. (2006). Combining SVMs with various feature selection strategies. Available from http://www.csie.ntu.edu.tw/~cjlin/papers/features.pdf.
Conn, A. R., Gould, N. I. M., & Toint, Ph. L. (1991). A Globally Convergent Augmented Lagrangian Algorithm for Optimization with General Constraints and Simple Bounds. SIAM Journal on Numerical Analysis, 28(2), 545-572.
Conn, A. R., Gould, N. I. M., & Toint, Ph. L. (1997). A Globally Convergent Augmented Lagrangian Barrier Algorithm for Optimization with General Inequality Constraints and Simple Bounds. Mathematics of Computation, 66(217), 261-288.
Dell’Acqua, F., Gamba, P., & Ferrari, A. (2003). Exploiting spectral and spatial information for classifying hyperspectral data in urban areas. Proceedings of IGARSS, 1, 464-466. Toulouse, France.
Dhir, C. S., Iqbal, N., & Lee, S. C. (2007). Efficient feature selection based on information gain criterion for face recognition. Proceedings of the 2007 International Conference on Information Acquisition, Jeju City, Korea.
Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Evaluation of kernels for multiclass classification of hyperspectral remote sensing data. In Proc. ICASSP, II-813–II-816.
Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Kernel Principal Component Analysis for Feature Reduction in Hyperspectrale Images Analysis. Proceedings of the Nordic Signal Processing Symposium, 7, 238-241.
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179-188.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization & Machine Learning. Addison-Wesley.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization & Machine Learning. Boston：Addison-Wesley
Holland, J. H. (1992). Adaptation in Natural and Artificial System (2th Ed). Cambridge, MA: MIT Press.
Hsu, C. W., Chang, C. C., & Lin, C. J. (2003). A practical guide to support vector classification. http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf
Hughes, G. F. (1968). On the mean accuracy of statistical pattern recognizers. IEEE Transactions on Information Theory, 14(1), 55-63.
Jia, X., & Richards, J. A. (1994). Efficient maximum likelihood classification for imaging spectrometer data sets. IEEE Transactions on Geoscience and Remote Sensing, 32, 274-281.
Kuncheva, L. I. & Vetrov, D. P. (2006). Evaluation of stability of k-means cluster ensembles with respect to random initialization. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(11), 1798-1808.
Kuo, B. C., & Chang, K. Y. (2007). Feature extractions for small sample size
classification problem. IEEE Transactions on Geoscience and Remote Sensing, 45(3), 756-764.
Kuo, B. C., Li, C. H., & Yang, J. M. (2009). Kernel nonparametric weighted feature extraction for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 47(4), 1139-1155.
Kwon, H., & Gurram, P. (2010). Optimal kernel bandwidth estimation for hyperspectral kernel-based anomaly detection. Proceedings of International Geosciences and Remote Sensing Symposium (IGARSS), 2812-2815.
Landgrebe, D. A. (2003). Signal Theory Methods in Multispectral Remote Sensing. John Wiley and Sons, Hoboken, NJ: Chichester.
Li, C. H., Ho, H. H., Liu, Y. L. Lin, C. T., Kuo, B. C., & Taur, J. S. (2012). An automatic method for selecting the parameter of the normalized kernel function to support vector machines. Journal of Information Science and Engineering, 28(1), 1-15.
Li, C. H., Lin, C. T., Kuo, B. C., & Chu, H. S. (2010). An automatic method for selecting the parameter of the RBF kernel function to support vector machines. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 836-839.
Liu, H. M. (1998). Feature Selection for Knowledge Discovery and DataMining. Boston:
Kluwer Academic Publishers.
Manolakis, D., Marden, D., & Shaw, G. A. (2003). Hyperspectral Image Processing for Automatic Target Detection Applications. LINCOLN LABORATORY JOURNAL, 14(1), 79-116.
Melgani, F., & Bruzzone, L. (2004). Classification of hyperspectral remote sensing images with support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 42(8), 1778-1790.
Schölkopf, B., & Smola, A. J. (2001). Learning with Kernels. MIT Press, Cambridge,
MA.
Shawe-Taylor, J., & Cristianini, N. (2004). Kernel Methods for Pattern Analysis.
Cambridge University Press, New York, NY.
Vapnik, V. N. (2001). The Nature of Statistical Learning Theory (2th ed.). New York:
Springer-Verlag.
Xu, Y., Liu, J., Hu, Q., Chen, Z., Du, X., & Heng, P. A. (2008). F-score Feature Selection Method May Improve Texture-based Liver Segmentation Strategies. Proceedings of 2008 IEEE International Symposium on IT in Medicine and Education, 697-702.
Yu, S. & Guan, L. (2000). A CAD system for the automatic detection of clustered microcalcifications in digitized mammogram films. IEEE Transactions Medical Imaging, 19(2), 115-126.
McKinney, D. C. & Lin, M. D. (1994). Genetic Algorithm Solution of Groundwater Management Models. Water Resources Res, 30(6), 1897-1906.
Chen, Y. M. (1997). Management of Water Resources Using Improved Genetic Algorithms. Computers and electronics in agriculture, 18, 117-127.
Harrouni, K. EI., Ouazar, D., Walters, G. A., & Cheng, A. H.-D. (1997).Groundwater Optimization and Parameter Estimation by Genetic Algorithm and Dual Reciprocity Boundary Element Method. Engineering Analysis with Boundary Elements, 18(4), 287-296.
Haupt, R. L. & Haupt. S. E. (1998). Practical genetic algorithms. New York : Wiley.
Garrard, A. & Fraga, E. S. (1998). Mass exchange network synthesis using genetic algorithms. Computers & Chemical Engineering, 22(12), 1837-1850.
附錄一 教育測驗資料試題
1. (𝑥7)′ =
（A） 7𝑥6 （B） 6𝑥6 （C） 𝑥6 （D） 7𝑥7 2. (𝑥−52)
′
=
（A） −5
2𝑥 （B） −7
2𝑥−72 （C） −5
2𝑥−52 （D） −5
2𝑥−72 3. (𝑥√3)′ =
（A） √3𝑥√3 （B） √3𝑥√3−1 （C） √3x√2 （D） √3𝑥 4. (53)′ =
（A） 3‧52 （B） （C） 0 （D） 125 5. (𝑥)′ =
（A） （B） （C） 𝑥−1 （D） −𝑥−1
6. 若已知𝑓(𝑥)與𝑔(𝑥)均為可微函數，則(𝑓(𝑥)𝑔(𝑥))′ =
（A） 𝑓′(𝑥)‧𝑔′(𝑥)
（B） 𝑓′(𝑥) + 𝑔′(𝑥)
（C） 𝑓′(𝑥)‧𝑔(𝑥) + 𝑓(𝑥)‧𝑔′(𝑥)
（D） 𝑓′(𝑥) + 𝑔(𝑥)𝑓(𝑥) + 𝑔′(𝑥)
7. 若已知𝑓(𝑥)為可微函數且𝑔(𝑥) = 𝑥2，則(𝑓(𝑥)𝑔(𝑥))′ =
（A） 𝑓′(𝑥)‧(𝑥2)′ （B） 𝑓′(𝑥) + (𝑥2)′
（C） 𝑓′(𝑥)‧𝑥2 （D） 𝑓′(𝑥)‧𝑥2+ 𝑓(𝑥)‧2𝑥
8. 若已知𝑓(𝑥)與𝑔(𝑥)均為可微函數，則 (𝑓(𝑥)
𝑔(𝑥))′ =
（A） 𝑓′(𝑥)𝑔(𝑥)−𝑓(𝑥)𝑔′(𝑥)
𝑔2(𝑥) （B） 𝑓
′(𝑥) 𝑔′(𝑥)
（C） 𝑓′(𝑥)𝑔(𝑥)+𝑓(𝑥)𝑔′(𝑥)
𝑔2(𝑥) （D） 𝑓′(𝑥)𝑔(𝑥) − 𝑓(𝑥)𝑔′(𝑥) 9. 若已知𝑓(𝑥)為可微函數且𝑔(𝑥) = 𝑥2，則(𝑓(𝑥)
𝑔(𝑥))′ =
（此題為建構反應題）
10. 若已知𝑓(𝑔(𝑥))與𝑔(𝑥)均為可微函數，則 (𝑓(𝑔(𝑥)))′ =
（A） 𝑓′(𝑔′(𝑥)) （B） 𝑓′(𝑔(𝑥))‧𝑔′(𝑥)
（C） 𝑓′‧𝑔(𝑥) + 𝑓‧𝑔′(𝑥) （D） 𝑓(𝑔(𝑥))‧𝑔′(𝑥) 11. 若已知𝑓(𝑔(𝑥))為可微函數且𝑔(𝑥) = 𝑥2，則(𝑓(𝑔(𝑥)))′ =
（此題為建構反應題）
12. 若已知𝑓(𝑥)，𝑔(𝑥)，ℎ(𝑥)均為可微函數，則(𝑓(𝑥) + 𝑔(𝑥)‧ℎ(𝑥))′=
（A） 𝑓′(𝑥) + 𝑔′(𝑥)‧ℎ′(𝑥)
（B） 𝑓(𝑥) + 𝑔′(𝑥)‧ℎ(𝑥) + 𝑔(𝑥)‧ℎ′(𝑥)
（C） 𝑓′(𝑥) + 𝑔′(𝑥)‧ℎ(𝑥) + 𝑔(𝑥)‧ℎ′(𝑥)
（D） 𝑓′(𝑥)𝑔(𝑥)ℎ(𝑥) + 𝑓(𝑥)𝑔′(𝑥)ℎ′(𝑥)
13. 若已知𝑓(𝑥)，𝑔(𝑥)，ℎ(𝑥)均為可微函數，則 (𝑓(𝑥)‧𝑔(𝑥)
ℎ(𝑥) )
′
=
（A） 𝑓′(𝑥)𝑔(𝑥)ℎ(𝑥)+𝑓(𝑥)𝑔′(𝑥)ℎ(𝑥)−𝑓(𝑥)𝑔(𝑥)ℎ′(𝑥) ℎ2(𝑥)
（B） (𝑓
′(𝑥)‧𝑔′(𝑥))ℎ(𝑥)−(𝑓(𝑥)‧𝑔(𝑥))ℎ′(𝑥) ℎ2(𝑥)
（C） 𝑓′(𝑥)𝑔(𝑥)−𝑓(𝑥)𝑔′(𝑥)
ℎ(𝑥)
（D） 𝑓′(𝑥)𝑔(𝑥)+𝑓(𝑥)𝑔′(𝑥) ℎ2(𝑥)
14. (𝑥−2+ 𝑥2− 𝑥4)′ =
（A） −4𝑥3
（B） −2𝑥−3+ 2 − 4𝑥3
（C） (−2𝑥−3)(𝑥2− 𝑥4) + (𝑥−2)(2𝑥 − 4𝑥3)
（D） −2𝑥−3+ 2𝑥 − 4𝑥3 15. (1−𝑥
𝑥+3)′ =（此題為建構反應題）
16. (𝑥
2+1
𝑥−2 + 𝑥3− 𝑥2)′ =
（A） 𝑥2−4𝑥−1
(𝑥−2)2 + 3𝑥2− 2𝑥 （B） 3𝑥2−4𝑥+1
(𝑥−2)2 + 3𝑥2− 2𝑥
（C） 3𝑥2 （D） −𝑥
3+2𝑥2−5𝑥
(𝑥−2)2 + 3𝑥2− 2𝑥 17. (𝑥 − 𝑥2+ (𝑥2− 1)43)′ =
（A） −2𝑥 +4
3(𝑥2− 1)13‧2𝑥 （B） 1 − 2𝑥 +4
3(𝑥2− 1)13‧2𝑥
（C） −𝑥 +4
3(𝑥2− 1)13‧2𝑥
（D） (1 − 2𝑥)(𝑥2− 1)43+ (𝑥 − 𝑥2) (4
3(𝑥2− 1)‧2𝑥) 18. (𝑥2‧(𝑥2+ 1)10)′ =
（A） 4𝑥2‧10(𝑥2+ 1)9
（B） 𝑥‧(𝑥2+ 1)10+ 10𝑥3‧(𝑥2 + 1)9
（C） 2𝑥‧(𝑥2+ 1)10+ 20𝑥3‧(𝑥2+ 1)9
（D） 2𝑥‧(𝑥2+ 1)10+ 10𝑥2‧(2𝑥)9
19. ((𝑥
2−𝑥)10 𝑥3 )
′
=（此題為建構反應題）
20. ((𝑥2+ 1)10)′ =
（A） 10(𝑥2+ 1)9 （B） 20(𝑥2+ 1)9
（C） 10(2𝑥)9 （D） 20𝑥‧(𝑥2+ 1)9
21. 若已知(𝑒𝑥)′ = 𝑒𝑥，則(𝑒𝑥‧𝑥2)′ =
（A） 𝑒𝑥‧2𝑥 （B） 𝑒𝑥‧𝑥2+ 2𝑒𝑥
（C） 𝑒𝑥‧𝑥2+𝑒𝑥‧2𝑥
(𝑥2)2 （D） 𝑒𝑥‧𝑥2+ 𝑒𝑥‧2𝑥 22. 若已知(𝑒𝑥)′ = 𝑒𝑥，則(𝑒𝑥‧𝑥2
𝑥+1 )
′
=（此題為建構反應題）
23. 若已知𝑓(3) = 4，𝑔(3) = 2，𝑓′(3) = 5，𝑔′(3) = 3，且ℎ(𝑥) = 𝑓(𝑥)‧𝑔(𝑥)，則 ℎ′(3) =
（A） 15 （B） （C） 22 （D） 23