在面對市場強力競爭之下，許多企業為了達到永續經營的目的，往往藉由改善產品品質、降低生產成本以及加強產品的彈性與效能，以便創造出符合顧客需求的優良產品，進而提升市場競爭力。 本研究主要的對象為電源轉換器(Switch Power Supply)。該電源轉換器在運轉的過程中時常會有溫度過高的情況發生，進而影響顧客對於產品的滿意程度，因此希望藉由降低電源轉換器的溫升以及溫升變異，來提升產品的品質以增加顧客的滿意度。在本研究中利用田口方法以及實驗設計去規劃出適當的實驗流程與實驗方法，並且經由實驗來收集實驗數據，分別採用灰關聯分析、主成分灰關聯分析、模糊評估分析和倒傳遞類神經網路等四種方法進行實驗分析，以決定出最適因子水準組合。 根據工程經驗與實驗結果得知，電源轉換器內主要發熱零件為IC、T1、LF1和D7。最適組合之確認實驗與現況比較發現，雖然LF1的平均溫升約比現況高2℃左右，但是IC、T1和D7的平均溫升卻可以降低2∼4℃，而且這四個主要發熱零件的溫升標準差也都有大幅降低的現象，由於降低產品變異也會提昇產品品質，一旦產品品質提升了便能夠增加市場競爭力，並且增加顧客的購買意願，因此本研究所找出的最適外殼鑽孔形狀與矽膠片厚度組合的改善效果良好。

隨著資訊科技的發展，筆記型電腦已經愈來愈普及，且價格不再高不可攀，消費者在選購電腦時，會以筆記型電腦取代桌上型電腦，因此消費者的購買意願增加，如何吸引消費者的購買意願，是目前許多企業所面臨的問題。消費者在購買產品前所考慮因素以品質最為重要。電腦公司若能提供品質保證，勢必能增加消費者購買的意願。 筆記型電腦為高精密與高價值的產品，攜帶方便為此產品的特色。由於攜帶方便的特性，顧客可以攜帶著筆記型電腦工作，因此一時的疏忽常對筆記型電腦造成損害，其中以外力所造成之損害最為嚴重，包括衝擊碰撞與摔落碰撞。 本研究以北縣某筆記型電腦製造公司之客戶維修資料與公司摔落測試之統計，以液晶螢幕燈管和玻璃損壞之成本最高。所以本論文主要目的希望能研究出筆記型電腦摔落之最佳保護設計，減低摔落所造成之損壞。針對研究之筆記型電腦抗摔落問題規劃防摔角墊實驗以收集相關數據，並利用以下六種不同的分析方法，(1)變異數分析結合迴歸分析方法、(2)田口方法、(3)田口損失函數法、(4)倒傳遞類神經網路法、(5)模糊結合TOPSIS法與(6)模糊結合類神經網路法，分別決定最適防摔角墊組合，並比較其最適防摔角墊組合之異同。倘若這六種分析方法結果不盡相同，則再規劃實驗以求得最適角墊硬度與面積，得到最適防摔角墊組合。

長久以來，信用風險一直是各銀行經營風險中最主要的來源，而就信用風險的衡量部份，巴塞爾委員會希望國際性銀行最低限度必須採用中等複雜程度的風險計算方法。也就是希望銀行能以新巴塞爾協定中信用風險的內部評等法為基本精神建置一套內部自有的信用風險模型來評估交易對手的信用風險。 同時，由於目前國內對於自有信用風險模型的建置和效力驗證的相關研究付之闕如，故本研究以新巴塞爾協定中信用風險的內部評等基礎法為基本精神，並且應用倒傳遞類神經網路方法，建構一套有效的信用風險模型並加以驗證以期能應用於銀行授信決策系統之中，也擬扮演一拋磚引玉的角色，以期未來有更多資源投入相關研究。 首先，本研究藉由文獻探討的方式，決定模型的輸入變數，接著利用ROE來做為評斷企業總體財務表現的指標，同時使用來對上市/櫃公司進行評分，根據評分的結果，再使用K-Means方法來針對所有ROE值為正的上市/櫃公司進行評等等級的切割，以計算所有上市/櫃公司各年度的評等。 研究結果發現： (1) 利用建模資料帶入模型，分別計算每一筆資料的違約機率，也就是該公司當年度的違約機率，再將每一個等級的所有資料的PD值求平均數，即可得到代表該等級的違約機率，而此估計出的違約機率也的確能隨著評等等級的遞增而增加。 因此，當我們要判斷一間公司的違約等級時，可利用本研究所建構出的信用評等模型，估計出該公司違約機率，以判斷該公司的違約等級，以為決策者提供重要的參考依據。 (2) 信用風險預警模型在預測公司下一年度違約與否的能力上，也有不錯的預測準確率；同時，本研究利用預測結果的型I誤差、型II誤差、模型區別率和模型預測率分析來分析預警模型的效度，經實證結果得知，預警模型在效度驗證方面也能有效滿足要求。 由以上的結果得知，本研究所自行發展的信用風險評等模型與信用預警模型相關建構流程、架構與方法論，可有效應用於銀行授信決策系統之中。

在全球經貿體系自由化下，國際資金流通快速，匯率變動也非常頻繁，廠商的產銷決策與營運，面對匯率風險更加難以掌控。如何掌握匯率的變動，並採取有效的避險措施，是廠商從事貿易必須面臨之重要課題。本研究採用自我迴歸整合移動平均模式、倒傳遞類神經網路及混合式自我迴歸整合移動平均模式及倒傳遞類神經網路模型進行未來即期匯率報酬率之預測。試圖找出合適的新台幣兌美元即期匯率之預測模型，並將其應用於外匯避險操作。 研究結果顯示，關於預測誤差的績效表現，整體來說，以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最佳，顯示傳統時間序列模型捕捉匯率報酬率走勢之能力，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。考慮預測方向的正確性，在兩個不同的準則下(SR、PT)，皆以自我迴歸整合移動平均模型表現最差，代表其在進行匯率報酬率之預測時正確率較為不足。而在PT檢定當中，倒傳遞類神經網路模型及混合式模型皆達到顯著。因此利用人工智慧模型對報酬率之方向進行預測是有效的，又以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最好。總結來說，利用倒傳遞類神經網路模型針對自我迴歸整合移動平均模型做非線性的調整，同時涵蓋未來匯率報酬率線性與非線性的部分，使得自我迴歸整合移動平均模型之預測誤差、方向準確性皆得到改善，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。

迴歸分析與類神經網路此兩種方法皆是預測領域上的主要工具。本論文嘗試在線性迴歸模式及非線性迴歸模式的條件下，隨機產生不同特性的資料以完整探討資料特性對迴歸分析與類神經網路之預測效果的影響。這些特性包括常態分配、偏態分配、不等變異、Michaelis-Menten關係模式及指數迴歸模式。 再者，我們使用區域搜尋法(local search methods)中的演化策略法(evolution strategies，ES)作為類神經網路的學習(learning)方法以提高其預測功能。我們稱這種類型的類神經網路為ESNN。 模擬結果顯示，ESNN確實可以取代常用來與迴歸分析做比較的倒傳遞類神經網路(back-propagation neural network，BPNN)，成為類神經網路的新選擇。針對不同特性的資料，我們建議：如果原始的資料適合以常態線性迴歸模式配適，則使用者可考慮使用迴歸方法做預測。如果原始的資料經由圖形分析或由檢定方法得知違反誤差項為均等變異之假設時，若能找到合適的權數，可使用加權最小平方法，但若權數難以決定時，則使用ESNN做預測。如果資料呈現韋伯偏態分佈時，可考慮使用ESNN或韋伯迴歸方法。資料適合以非線性迴歸模式做配適時，則選擇以ESNN做預測。 關鍵詞：迴歸分析，類神經網路，區域搜尋法，演化策略法類神經網路，倒傳遞類神經網路 / Both regression analysis and artificial neural networks are the main techniques for prediction. In this research, we tried to randomly generate different types of data, so as to completely explore the effect of data characteristics on the predictive performance of regression analysis and artificial neural networks. The data characteristics include normal distribution, skew distribution, unequal variances, Michaelis-Menten relationship model and exponential regression model. In addition, we used the evolution strategies, which is one of the local search methods for training artificial neural networks, to further improve its predictive performance. We name this type of artificial neural networks ESNN. Simulation studies indicate that ESNN could indeed replace BPNN to be the new choice of artificial neural networks. For different types of data, we commend that users can use regression analysis for their prediction if the original data is fit for linear regression model. When the residuals of the data are unequal variances, users can use weighted least squares if the optimal weights could be found. Otherwise, users can use ESNN. If the data is fit for weibull distribution, users can use ESNN or weibull regression. If the data is fit for nonlinear regression model, users can choose ESNN for the prediction. Keywords: Regression Analysis, Artificial Neural Networks, Local Search Methods, Evolution Strategies Neural Network (ESNN), Back-propagation Neural Network (BPNN)

本篇論文旨在分析神經網路學習績效，並提出一套學習演算法，結合倒傳遞網路(BP)與理解神經網路(RN)，命名為RNBP，這套學習演算法將與傳統的BP做比較，以兩個不同的財務金融領域的應用，一個是選擇權上Black-Scholes訂價模式的模擬，一個是金融交換上利率的預測。主要績效的評估準則是以學習的效率與模擬、預測的準確度為依據。 此外，本論文的另一個重點是提出一套對於神經網路系統進一步分析的方法與工具，敏感度分析(Sensitivity Analysis)與滯留區(Dead Region)分析，藉以瞭解神經網路系統是否具有效地良好學習或被一般化的能力，從神經網路的角度來說，這也是BP與RNBP的另一個績效比較標準。本研究的結果顯示RNBP在預測準確度上較BP為優良，但是在學習效率與預測能力的穩定性上並沒有呈現一致性的結論；此外，敏感度分析與滯留區分析的結果也幫助神經網路在應用領域上有更深入的瞭解。 在過去，神經網路的應用者往往忽略了進一步瞭解神經網路的重要性與可行性，本論文的貢獻在於藉由分析神經網路所學習的知識，幫助應用者進一步瞭解神經網路表達的訊息在應用領域上所隱含的實質意義。 / The study attempts to analyze the learning performance of neural networks in applications, and propose a new learning procedure for the layered feedforward neural network systems, named KNBP, which binds RN and BP learning algorithms. Two artificial neural networks, BP and KNBP, here are both applied to two financial fields, the simulation of Black-Scholes pricing model for the call options and the midrates forecasting in financial swaps. The explicit performance comparison between the two artificial neural network systems is mainly based on two criteria, which are learning efficiency and forecasting effectiveness. Then we propound a mathematical methodology of sensitivity analysis and the dead regions to deeply explore inside the network structures to see whether the models of ANNS are actually well trained or valid, and thus setup an alternative comparable criterion. The results from this study show that RNBP performs better than BP in forecasting effectiveness, but RNBP obtains neither a consistent learning efficiency in cases nor a stable forecasting ability. Furthermore, the sensitivity analysis and the dead region analysis provide a deeper view of the ANNs in the applied fields. In the past, most studies applying neural networks ignored the importance that it is feasible and advantageous to obtain more useful information via analyzing neural networks. The purpose of the research is to help further understanding to the information discovery resulted from neural networks in practical applications.

此篇論文，主要是討論遞迴式神經網路。在文中，我們將架構一個單層的神經網路結構。並利用三種不同的學習法則來套用此架構。我們也做了圓軌跡和圖形８的模擬，以及討論了此架構的收斂性。 / Our task in this paper is to discuss the Recurrent Neural Network. We construct a singal layer neural network and apply three different learning rules to simulate circular trajectory and figure eight. Also, we present the proof of convergence.

學界間廣泛地認為一般金融資產報酬具有的特性是:線型不可預測性,條件 異質變異數,非條件尖峰態 ... 等特性o 固然金融資產報酬具有線型不可 預測之特性,可是並不能否決其間可能有非線型依存關係的存在o目前大部 份經濟計量分析方法中的模式建構問題均是在假設模式的結構訊息已知的 條件下求解,然若真實體系的結構訊息未知或不明朗時,貿然地假設為某種 特定的模式結構,則可能又難於避免模式設定錯誤的困擾,因而對於真實體 系行為的描述亦將可能是誤導且不合理的,這意味著:除非該特定的模式結 構正是真實體系的表徵, 否則無論該特定模式的結構特性多完美,均難以 建構一令人信服的數理化模式來表徵真實體系之行為o 不幸地,此一問題 在高度非線型的動態隨機體系中尤其嚴重, 甚至是否存在一 ``真實'' 模式來據以表徵體系之行為,亦是相當值得懷疑, 故考慮一種無需特定結 構訊息假設的無母數方法或函數逼近法實屬必要o 類神經網路中的倒傳遞 網路模式即是符合此種特性的方法之一o然而學界間仍無法確定的是金融 資產報酬序列資料所產生的 ARCH 效果本身是否為真實序列資料產生機制 特性之顯現, 還是應歸咎於被忽略掉條件均數方面之非線性所衍生模式設 定錯誤情況下的代用模式, 並不得而知;另一方面, ARCH 模式的顯著成就 及其價值亦不能予以輕易地漠視, 因此, 試圖將 ARCH 模式所能提供的攸 關訊息納入倒傳遞網路模式的考量之中而形成倒傳遞網路-自迴歸條件異 質變異數 (BPN-ARCH) 模式以增進樣本外預測能力的精度便是本論文最 主要的嘗試重點與目的o

本研究主要應用基於總體經驗模態分解法(EEMD)之倒傳遞類神經網路(BPNN)預測兩種不同的非線性時間序列數據，包括政大逐時用電量以及逐日歷史黃金價格。透過EEMD，這兩種資料會分別被拆解為數條具有不同物理意義的本徵模態函數(IMF)，而這讓我們可以將這些IMF視為各種影響資料的重要因子，並且可將拆解過後的IMF放入倒傳遞類神經網路中做訓練。 另外在本文中，我們也採用移動視窗法作為預測過程中的策略，另外也應用內插法和外插法於逐時用電量的預測。內插法主要是用於補點以及讓我們的數據變平滑，外插法則可以在某個範圍內準確預測後續的趨勢，此兩種方法皆對提升預測準確度占有重要的影響。 利用本文的方法，可在預測的結果上得到不錯的準確性，但為了進一步提升精確度，我們利用多次預測的結果加總平均，然後和只做一次預測的結果比較，結果發現多次加總平均後的精確度的確大幅提升，這是因為倒傳遞類神經網路訓練過程中其目標為尋找最小誤差函數的關係所致。 / In this paper, we applied the Ensemble Empirical Mode Decomposition (EEMD) based Back-propagation Neural Network (BPNN) learning paradigm to two different topics for forecasting: the hourly electricity consumption in NCCU and the historical daily gold price. The two data series are both non-linear and non-stationary. By applying EEMD, they were decomposed into a finite, small number of meaningful Intrinsic Mode Functions (IMFs). Depending on the physical meaning of IMFs, they can be regarded as important variables which are input into BPNN for training. We also use moving-window method in the prediction process. In addition, cubic spline interpolation as well as extrapolation as our strategy is applied to electricity consumption forecasting, these two methods are used for smoothing the data and finding local trend to improve accuracy of results. The prediction results using our methods and strategy resulted in good accuracy. However, for further accuracy, we used the ensemble average method, and compared the results with the data produced without applying the ensemble average method. By using the ensemble average, the outcome was more precise with a smaller error, it results from the procedure of finding minimum error function in the BPNN training.

本研究考慮重要且對台股大盤指數走勢有連動影響的因素，主要納入對台股有領頭作用的美國三大股市，那斯達克(NASDAQ)指數、道瓊工業(Dow Jones)指數、標準普爾500(S&P500)指數;其他對台股緊密連動效果的國際股票市場，香港恆生指數、上海證券綜合指數、深圳證券綜合指數、日經225指數;以及納入左右國際經濟表現的國際原油價格走勢，美國西德州原油、中東杜拜原油和歐洲北海布蘭特原油;在宏觀經濟因素方面則考量失業率、消費者物價指數、匯率、無風險利率、美國製造業重要指標的存貨/銷貨比率、影響貨幣數量甚鉅的M1B;在技術分析方面則納入多種重要的指標，心理線 (PSY) 指標、相對強弱(RSI) 指標、威廉(WMS%R) 指標、未成熟隨機(RSV) 指標、K-D隨機指標、移動平均線(MA)、乖離率(BIAS)、包寧傑%b和包寧傑帶狀寬度(BandWidth%);所有考量因素共計35項，因為納入重要因子比較多，所以完備性較高。 本研究先採用的贏者全拿(Winner-Take-All) 競爭學習策略的自組織映射網路(Self-Organizing Feature Maps, SOM)，藉由將相似資料歸屬到已身的神經元萃取出關聯分類且以計算距離來衡量神經元的離散特徵，對於探索大量且高維度的非線性複雜特徵俱有優良的因素相依性投射效果，將有利於提高預測模式精準度。在線性擬合部分則結合倒傳遞(Back-Propagation, BP)、Elman反饋式和徑向基底函數類網路(Radial-Basis-Function Network, RBF)模式為指數預測輸出，並對台股加權指數隔日收盤指數進行預測和評量。而在傳統的Elman反饋式網路只在隱藏層存在反饋機制，本研究則在輸入層和隱藏層皆建立反饋機制，將儲存在輸入層和隱藏層的過去時間資訊回饋給網路未來參考。在徑向基底函數網路方面，一般選取中心聚類點採用隨機選取方式，若能有效降低中心點個數，可降低網路複雜度，本研究導入垂直最小平方法以求取誤差最小的方式強化非監督式學習選取中心點的能力，以達到網路快速收斂，提昇網路學習品質。 研究資料為台股指數交易收盤價，日期自2001/1/2，至2011/10/31共2676筆資料。訓練資料自2001/1/2至2009/12/31，共2223筆;實證測試資料自2010/1/4至2011/10/31，計453個日數。主要評估指標採用平均相對誤差(AMRE)和平均絕對誤差 (AAE)。在考慮因子較多的狀況下，實證結果顯示，在先透過SOM進行因子聚類分析之後，預測因子被分成四個組別，分別再透過BP、Elman recurrent和RBF方法進行線性擬合，平均表現方面，以RBF模式下的四個群組因子表現最佳，其中RBF模式之下的群組4，其AMRE可達到0.63%，最差的AMRE則是群組1，約為1.05%;而Elman recurrent模式下的四組群組因子之ARME則介於1.01%和1.47%之間;其中預測效果表現最差則是BP模式的預測結果。顯示RBF具有絕佳的股價預測能力。最後，在未來研究建議可以運用本文獻所探討之其他數種類神經網路模式進行股價預測。 / In this study, we considering the impact factors for TWSE index tendency, mainly aimed at the three major American stock markets, NASDAQ index, Dow Jones index, S&P 500, which leading the Taiwan stock market trend; the other international stock markets, such as the Hong Kong Hang-Seng Index, Shanghai Stock Exchange Composite Index, Shenzhen Stock Exchange Composite Index, NIKKEI 225 index, which have close relationship with Taiwan stock market; we also adopt the international oil price trend, such as the West Texas Intermediate Crude Oil in American, the Dubai crude oil in Middle Eastern, North Sea Brent crude oil in European, which affects international economic performance widely; On the side of macroeconomic factors, we considering the Unemployed rate, Consumer Price Index, exchange rate, riskless rate, the Inventory to Sales ratio which it is important index of American manufacturing industry, and the M1b factor which did greatly affect to currency amounts; In the part of Technical Analysis index, we adopt several important indices, such as the Psychology Line Index (PSY), Relative Strength Index (RSI), the Wechsler Memory Scale—Revised Index (WMS%R), Row Stochastic Value Index (RSV), K-D Stochastics Index, Moving Average Line (MA), BIAS, Bollinger %b (%b), Bollinger Band Width (Band Width%);All factors total of 35 which we have considered the important factor is numerous, so the integrity is high. In this study, at first we adopt the Self-Organizing Feature Maps Network which based on the Winner-Take-All competition learning strategy, Similar information by the attribution to the body of the neuron has been extracted related categories and to calculate the distance to measure the discrete characteristics of neurons, it has excellent projection effect by exploring large and complex high-dimensional non-linear characteristics for all the dependency factors , would help to improve the accuracy of prediction models, would be able to help to improve the accuracy of prediction models. The part of the curve fitting combine with the back-propagation (Back-Propagation, BP), Elman recurrent model and radial basis function network (Radial-Basis-Function Network, RBF) model for the index prediction outputs, forecast and assessment the next close price of Taiwan stocks weighted index. In the traditional Elman recurrent network exists only one feedback mechanism in the hidden layer, in this study in the input and hidden layer feedback mechanisms are established, the previous information will be stored in the input and hidden layer and will be back to the network for future reference. In the radial basis function network, the general method is to selecting cluster center points by random selection, if we have the effectively way to reduce the number of the center points, which can reduces network complexity, in this study introduce the Orthogonal Least Squares method in order to obtain the smallest way to strengthen unsupervised learning center points selecting ability, in order to achieve convergence of the network fast, and improve network learning quality. Research data for the Trading close price of Taiwan Stock Index, the date since January 2, 2001 until September 30, 2011, total data number of 2656. since January 2, 2001 to December 31, 2009 a total number of 2223 trading close price as training data; empirical testing data, from January 4, 2010 to September 30, 2011, a total number of 433. The primary evaluation criteria adopt the Average Mean Relative Error (AMRE) and the Average Absolute Error (AAE). In the condition for consider more factors, the empirical results show that, by first through SOM for factor clustering analysis, the prediction factors were divided into four categories and then through BP, Elman recurrent and RBF methods for curve fitting, at the average performance , the four group factors of the RBF models get the best performance, the group 4 of the RBF model, the AMRE can reach 0.63%, the worst AMRE is group 1, about 1.05%; and the four groups of Elman recurrent model of ARME is between 1.01% and 1.47%; the worst prediction model is BP method. RBF has shown excellent predictive ability for stocks index. Finally, the proposal can be used in future studies of the literatures that we have explore several other methods of neural network model for stock trend forecasting.