本研究旨在探討以調適性類神經模糊推論系統 (Adaptive Neuro Fuzzy Inference System, ANFIS) 進行訓練，需多少數量的資料能建立出較準確的類神經網路模型，並以不同函數來 測試。本章節緒論中，包含研究動機、研究目的、文獻探討。
1.1 研究動機
在工業界及製造業常常需要使用大量的自動化設備，這些設備通常都需要高度的精密設 定及調整，然而設備中複雜的參數及變數因子往往都是透過現場工程師的經驗法則以及嘗試 錯誤法則來進行校正，可以發現的是，經驗法則與嘗試錯誤法則的執行過程中，是相當耗時、
低效率、耗成本且容易受到許多因素影響的。舉例來說，當工程師使用嘗試錯誤法進行設備 調整時，機器無法承受那麼多次的運作，每次執行都需要耗費很長的時間，而且無法確定找 出參數是較佳的，因此需要以有效率的資訊化方式進行預測。
人工類神經網路是一套模仿人類思考模式的計算系統，McCulloch and Pitts (1943)提出 MP 模型，已有超過五十年的歷史了，從此之後，越來越多研究人員投入此一領域的研究。
Rosenblatt (1958) 創造一種感知器，這個演算法模式使用簡單的加法和減法構成，且建立在 一個雙層的學習網路上。Odom and Sharda (1990) 使用類神經網路 (Artificial Neural Networks, ANN) 於風險預測的推測上，其擁有錯誤容忍性 (Fault Tolerance)、調適性 (Adaptive) 與自 主學習能力 (Learning) 等優點，至此之後被廣泛應用在各領域。在類神經網路建立模型的過 程，需要數據資料作為基礎。Jang (1993) 提出結合函數型 Sugeno 模糊規則與倒傳遞類神經 網路 (Back-Propagation Network, BPN) 基礎架構的調適性模糊類神經網路，隨後受到許多學 者運用於各個領域的預測。以往有很多研究皆以少量數據做為建模基礎，Chen and Ma (2009) 使用 ANFIS 於高速公路車流量的短期流量(少於 5 分鐘) 預測，研究人員使用鐘型隸屬函數，
前 100 筆為 ANFIS 的主要學習過程，當 100 代之後發現，訓練跟測試的 RMSE ( Root of Mean Square Error) 開始縮小，最小達到可以被接受的 0.0018。研究表示結合 ANFIS 的交通預測領
口直交表的實驗數據 18 筆做為訓練數據，再加上一組預測的數據做驗證，以此進行人工類神 經網路的模組建立；Avci and Boyacioglu (2010) 研究中使用了 ANFIS 對股票回報率的預測。
以 ANFIS 類神經網路對伊斯坦布爾證券交易所的股票交易進行預測，根據實驗結果，通過使 用 ANFIS 分別獲 RMSE 值 0.0068 和 R 值 0.9827，得其結果準確率達 98.3%，並且強調 ANFIS 是一個快速、容易操作而且不貴的預測系統；Basari et al. (2011) 實現一種使用 ANFIS 預測 刀背鈦鋁亞硝酸鹽塗層磨損程度的新方法。輸入層變數 3 個、輸出層 1 個、隸屬函數分別為 [2 3 5] 並分別使用 4 種不同的隸屬函數型，以 20 筆數據訓練 100 代。結果顯示，鐘型函數時，
其精準度高達 98.09%，證明 ANFIS 是一個可以預測刀背磨損程度的良好工具；Er et al. (2012) 使用 ANFIS 與支持向量機 (Support Vector Machines, SVM) 進行金屬切割過程中，刀具磨損 的預測，收集 320 筆數據以高斯函數建模並隨機選擇 50%訓練 300 代，50%作為測試，隸屬 函數設定為 2，結果顯示，ANFIS 所預測出的精準度通常都優於 SVM，說明 ANFIS 適合使 用於高預測精度的工作領域；Jaya (2013) 以 17 筆數據做為訓練模組用，3 筆數據作為測試用，
並以 ANFIS 建模；Tan (2014) 收集 30 筆數據，以 18 筆做訓練用，12 筆做測試用建立 ANFIS 模型，並與多元線性回歸 (Multivariate Linear Regression, MLR) 和偏最小二乘回歸法 (Partial Least Squares Regression, PLSR) 做 比 較 ， 相 較 之 下 ANFIS 較 為 準 確 ； Mathiyazhagan and Schechter (2014) 表示葡萄糖管理在人體是一個控制系統，其運用數學函數式結合 ANFIS 對血液中的血糖濃度進行預測，並測量預測的平均誤差來評估 ANFIS 模型的精準度，數據收 集以 2 小時為周期間隔 5 分鐘共 24 週期，所以有 576 筆，以三角隸屬函數、隸屬函數設定為 5、輸入變數 3 個建立模組，其結果證明了 ANFIS 建模成功預測了 120 分鐘內的血糖變化。
在各文獻建模中，可以發現建模的數據有多有少，數據越多訓練出的模型就越精確，但以少 數資料量建立的類神經網路模型，是否可以準確預測出較佳的數據，最少要以多少數據建模 才能見出較為準確的模型，是本研究欲探討的問題。
1.2 研究目的
在工業界及製造業有許多複雜的程序，本研究將以四組數學函數模擬工業及製造製程中 的複雜程序，並以隨機產生、全因子實驗、及田口實驗的方式收集相關實驗數據，以 ANFIS
作為訓練的模式，探討到底多少數量的數據及何種隸屬函數的組合可以建立出較為準確的類 神經網路模型，以提供給工業及製造業工作現場參考。最後再與倒傳遞網路比較，分析何種 方法較為有效。