台灣廠商在全球的無線網路設備的生產製造及設計領域中，一直扮演著極重要的角色，但是規格演進迅速與市場競爭激烈，因此如何縮短生產時間以提高效率與降低成本，都是各家廠商急欲努力的目標。
本研究以台灣一家無線網路設備廠實際生產過程所取得測試數據，應用倒傳遞類神經網路的方法以預估產品的傳輸效能，期望因此而簡化測試站別以降低生產時間與成本。另外在研究過程中，應用相關係數來修剪網路架構，也能獲得有效的預估結果。

In the worldwide WLAN device maker and design’s area, Taiwan plays an important role in the market. The development of WLAN standard is rapid and the market is competitive. For all WLAN device companies, how to shorten production time to increase efficiency and to reduce cost is an important target.
In this study, according to the test data of the production process at one WLAN device maker, we apply Back-Propagation Neural Networks to forecast WLAN transmission efficiency. It is expected to eliminate the test procedure to reduce the production time and cost. In this study, we used the Coefficient of Correlation to prune the structure of the trained network and obtained an effective forecasting result.

目 錄
誌謝 .................................................... Ⅰ
摘要 .................................................... Ⅱ
Abstract ................................................ Ⅲ
目錄 .................................................... Ⅳ
圖目錄 .................................................. Ⅵ
表目錄 .................................................. Ⅷ
第一章 緒論 ............................................ 1
第一節 研究背景與動機 .................................... 1
第二節 研究目的 .......................................... 1
第三節 研究方法與步驟 .................................... 2
第四節 研究範圍 .......................................... 3
第二章 相關文獻 ........................................ 4
第一節 無線區域網路 ...................................... 4
第二節 IEEE 802.11b/g相關技術說明 ........................ 5
第三節 類神經網路 ....................................... 10
第三章 研究方法 ....................................... 15
第一節 無線網路卡製造測試程序與測試架構 ................. 15
第二節 倒傳遞類神經網路 ................................. 19
第三節 網路模式建構 ..................................... 25
第四節 網路架構的輸入單元的修剪方法 ..................... 29
第四章 案例分析 ....................................... 31
第一節 資料蒐集與網路架構 ............................... 32
第二節 完整輸入單元的網路參數評估 ....................... 33
第三節 比較輸入單元間之相關係數 ......................... 38
第四節 比較輸入與輸出單元之相關係數 ..................... 44
第五節 結果比較與實際效益 ............................... 49
第五章 結論 .......................................... 50
參考文獻 ................................................ 52

圖目錄
圖1.1 研究流程 ........................................... 2
圖2.1 無線通訊產品的種類與特徵 ........................... 4
圖2.2 IEEE 802.11b/g的操作頻道，(a)北美，(b)歐洲 ......... 6
圖2.3 OFDM子載波示意圖 ................................... 7
圖2.4 IEEE 802.11b/g發射頻譜遮罩 ......................... 9
圖2.5 監督式學習演算法 .................................. 11
圖2.6 非監督式學習演算法 ................................ 11
圖3.1無線網卡測試流程圖 ................................. 15
圖3.2初測架構 ........................................... 16
圖3.3 DC Offset過程 ..................................... 17
圖3.4 傳輸量測試架構圖 .................................. 18
圖3.5 PER測試架構 ....................................... 19
圖3.6 倒傳遞類神經網路架構 .............................. 20
圖3.7 常用活化函數 ...................................... 21
圖3.8 倒傳遞演算流程 .................................... 25
圖3.9 輸入單元修剪流程圖 ................................ 30
圖4.1 案例之分析流程 .................................... 31
圖4.2 完整輸入單元之網路架構 ............................ 33
圖4.3 Full model之訓練樣本的RMSE變化 .................... 36
圖4.4 Full model之訓練樣本的Correlation變化 ............. 36
圖4.5 Full model之測試樣本的RMSE變化 .................... 37
圖4.6 Full model之測試樣本的Correlation變化 ............. 37
圖4.7 比較輸入單元間相關係數後之類神經網路架構 .......... 39
圖4.8 七個輸入單元之訓練樣本的RMSE變化 .................. 42
圖4.9 七個輸入單元之訓練樣本的Correlation變化 ........... 42
圖4.10 七個輸入單元之測試樣本的RMSE變化 ................. 43
圖4.11 七個輸入單元之測試樣本的Correlation變化 .......... 43
圖4.12 比較輸入及輸出單元間相關係數後之類神經網路架構 ... 44
圖4.13 五個輸入單元之訓練樣本的RMSE變化 ................. 47
圖4.14 五個輸入單元之訓練樣本的Correlation變化 .......... 47
圖4.15 五個輸入單元之測試樣本的RMSE變化 ................. 48
圖4.16 五個輸入單元之測試樣本的Correlation變化 .......... 48

表目錄
表2.1無線區域網路各項技術比較 ....................................................... 5
表2.2 DSSS傳輸速率與調變參數對照表 ....................... 7
表2.3 OFDM資料傳輸速率與調變參數對照表 ................... 8
表2.4 IEEE 802.11g OFDM資料傳輸速率與靈敏度對照表 ........ 8
表2.5 傳輸速率與星圖訊號誤差 ............................ 10
表3.1 一個隱藏層之單元數案例整理 ........................ 27
表4.1 網卡製程參數 ...................................... 32
表4.2 網卡效能參數 ...................................... 32
表4.3 九個輸入單元數下之不同隱藏單元個數比較(Full model)..34
表4.4 九個輸入單元數下之不同學習率比較(Full model) ...... 35
表4.5 九個輸入單元數下之不同慣性項比較(Full model) ...... 35
表4.6 G mode參數之相關係數表 ............................ 38
表4.7 B mode參數之相關係數表 ............................ 39
表4.8 七個輸入單元數下之不同隱藏單元個數比較 ............ 40
表4.9 七個輸入單元數下之不同學習率比較 .................. 40
表4.10 七個輸入單元數下之不同慣性項比較 ................. 41
表4.11 七個輸入單元與三輸出單元間之相關係數表 ........... 44
表4.12 五個輸入單元數下之不同隱藏單元個數比較 ........... 45
表4.13 五個輸入單元數下之不同學習率比較 ................. 45
表4.14 五個輸入單元數下之不同慣性項比較 ................. 46
表4.15 輸入單元修剪結果比較 ............................. 49
表4.16 各站平均測試時間 ................................. 49

[1]張斐章、張麗秋(2005)，類神經網路，東華書局。
[2]張盛富、張嘉展(2007)，無線通訊射頻晶片模組設計，全華圖書。
[3]白賜清(1991)，品質管制之相關與迴歸分析，中華民國品質學會。
[4]陳丞璽(2003)，應用類神經網路於晶粒表面銲墊變色辨識之研究，國立交通大學工業工程與管理學程碩士班碩士論文。
[5]孔祥竹(2007)，應用類神經網路減少TFT-LCD產品測試項目之研究，國立交通大學管理學院碩士在職專班工業工程與管理組碩士論文。
[6]葉俊吾(2001)，運用類神經網路建構SMT錫膏印刷製程品質管制系統，國立成功大學製造工程研究所碩士論文。
[7]周湘蘭(2001)，類神經網路在多重產品需求預測上之應用，元智大學工業工程與管理學系碩士論文。
[8]潘永浤(2003)，應用田口方法於類神經網路輸入參數設計-零售商快速回應系統模式，義守大學工業工程與管理研究所碩士論文。
[9]林東賦(2001)，應用影像處理技術與類神經網路理論於非織物瑕疵辨識，國立台灣科技大學纖維及高分子工程系碩士論文。
[10]蔡英男(2002)，應用影像處理與類神經網路於偏光膜瑕疵辨識，國立台灣科技大學纖維及高分子工程系碩士論文。
[11]劉近興(2003)，以類神經網路研究半導體封裝廠銲線機台選擇問題，中原大學工業工程研究所碩士論文。
[12]郭秀敏(2004)，模糊倒傳遞網路於印刷電路板生產預測之應用，元智大學工業工程與管理學系碩士論文。
[13]吳幸儒(2006)，應用模糊整合類神經網路於疾病診斷之研究─以肝病為例，國立交通大學工業工程與管理系碩士論文。
[14]郭長祐(2008/02/04)，再創Wi-Fi市場高峰的802.11n（一）、（二），電子時報。
[15]陳慧玲(2007/11/05)，360°科技－OFDM，電子時報。
[16]劉文程(2004/06/25)，網路設備多功能時代來臨─802.11g無線網路設定要訣入門，電子時報。
[17]Kecman ,V. (2001), Learning and soft computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models, Cambridge, MA: MIT press.
[18]Abrahart, R. J., See L. and Kneale, P. E. (1998), “New Tools for Neurohydrologists: Using Network Pruning and Model Breeding Algorithms to Discover Optimum Inputs and Architectures,” In Proceedings of 3rd International Conference on Geocomputation, University of Bristol.
[19]Kwok, T. Y. and Yeung, D. Y. (1997), Constructive Algorithms for Structure Learning in Feedforward Neural Networks for Regression Problems, IEEE Transactions on Neural Networks, 3, pp. 630-645.
[20]Ramanujam, J. and Sadayappan, P. (1988), Optimization by Neural Networks, ICNN-88, Ⅱ, pp. 325-332.
[21]Widrow, B., Winter, R. G. and Baxter, R. A.(1987), “Learning Phenomena in Layered Neural Networks,” Proceedings of the First IEEE International Conference on Neural Networks, San Diego
[22]Chiu, C. C., Su, C. T., Yang, G. S., Huang, J. S., Chen, S. C. and Cheng, T. N. (1997), “Selection of optimal parameters in gas-assisted injection moulding using neural network model and the Taguchi methods,” International Journal of Quality Science, 2(2), 106-120.
[23]IEEE Std 802.11b (1999), Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications: High-speed Physical Layer Extension in the 2.4GHz Band.
[24]IEEE Std P802.11g/D8.2 (2003), Part 11: Wireless LAN Medium Access Control (MAC) and Physical Layer (PHY) Specifications: Further Higher Data Rate Extension in the 2.4GHz Band