本研究開發出一套數理化的解題模式，以類神經網路對萃智效應資料庫中解答模型進行辨識，取代單純倚賴人為邏輯思考與專家經驗的傳統效應資料庫搜尋方式。透過量化過程，使用者得以根據資料庫中現有效應、案例的特徵，藉由來自不同專家間的知識累積而非個人主觀判斷，較以往更快得出更客觀、且具有排序的解答模型，本研究系統為萃智提供一種典範轉移的全新解題工具，由於運用類神經學習模型，自動分析出較適合當前問題的效應解法並排序，因此與傳統萃智解題相比，更具效率、客觀性、可重複性，並且多了排序可供使用者參考。
本研究之貢獻包括：(1) 使用類神經網路辨識並排序合適效應解的解題模式，與傳統萃智效應資料庫解題相比，具備更優良的解題速度、效率、客觀性、可重複性、以及累積前人專家經驗以幫助解題的能力；(2) 開創出以數理化方法與機器學習工具取代傳統質化以改良各種萃智解題工具（如：演化趨勢、標準問題解、發明原則等）之研究方向與機會。

Instead of purely relying on logical reasoning and expert’s knowledge in the traditional TRIZ problem solving using effect database, this research developed a mathematical approach to identify TRIZ effect solution models using neural network. Using quantitative methods allows users to quickly and objectively obtain solution models with priorities based on the existing effects’ characteristics and solved cases in the database, which is accumulated judgements from many experts’ knowledge instead of an individual expert’s judgments. This is a paradigm-shift new problem-solving approach for TRIZ-based scientific research. The computer-based system uses the neural network learning model to automatically analyze which effects are suitable for the current problem with priorities. The results are more effective, more objective, more repetable, and have priorities compared to traditional TRIZ problem solving.
The contributions of this research include: (1) Using neural network to identify suitable effects with priority, which is faster, more effective, objective, repeatable, and is capable of accumulating TRIZ experts’ experiences in problem solving using effect database compared to the traditional TRIZ problem solving. (2) Implying and opening up many research opportunities for using various mathematical classifiers and machine learning approaches to identify various TRIZ problem solving tools, such as trends, effects, standards, inventive principles, etc.

摘 要...1
Abstract...2
目 錄...3
圖 目 錄...5
表 目 錄...6
第一章 緒論...7
1.1 研究背景與動機...7
1.2 研究目標...7
1.3 研究成果與貢獻...8
1.4 研究架構...9
第二章 文獻探討...11
2.1 萃智概論...11
2.2 效應資料庫傳統解題工具...13
2.3 效應資料庫量化解題研究...14
2.4 類神經網路...15
2.3.1 類神經網路基本結構...16
2.3.2 類神經網路模型種類...20
2.3.3 倒傳遞類神經網路...22
2.3.4 倒傳遞類神經網路範例...32
2.5 K疊交叉驗證法...38
第三章 研究方法...40
3.1 效應資料庫問題量化方法...40
3.1.1 問題特徵陣列...40
3.1.2 解答特徵陣列...44
3.1.3 案例特徵陣列...45
3.1.4 效應特徵陣列...46
3.2 建立效應分析類神經網路模型...48
3.3 模型效果評估...55
3.4 模型實際應用...56
3.5 小結...58
第四章 軟體架構設計...60
4.1 軟體編程與設計...60
4.2 軟體介面簡介...61
4.3 軟體操作流程...63
第五章 研究結果與驗證...68
5.1 效應解答數敏感度實驗...68
5.2 模型穩健性檢定...70
5.3 不同特徵值定義方法間差異檢定...77
5.4 模型最終表現測試...79
第六章 結論...82
參考文獻...84
附錄一、通稱屬性列表...86
附錄二、通稱功能列表...94
附錄三、效應列表...98
附錄四、案例列表...110

【中文參考文獻】
1. 邱聖家（2013），使用相似性指標辨識萃智解答模型以相關趨勢辨識為例，國立清華大學工業工程與工程管理系碩士論文。
2. 鄧乃誠（2015），基於功能屬性相似性具優先序的萃智趨勢解答辨識，國立清華大學工業工程與工程管理系碩士論文。
3. 許棟樑（2015），萃智創新工具精通第四版，亞卓國際顧問股份有限公司。
4. 洪柏璿（2018），基於相似性計算具優先序的效應辨識萃智解題方法，國立清華大學工業工程與工程管理系博士論文。
5. 張家瑋（2012），功能-屬性-效應知識庫之研究，國立清華大學，工業工程與工程管理系博士論文。
6. 許棟樑（2018），萃智系統性創新課程教材，國立清華大學工業工程與工程管理學系。
7. 陳家傑（2007），集群分析於二元變數上的研究，銘傳大學，應用統計資訊學系碩士論文。
8. Darrell Mann著，許棟樑（2010）譯，萃智系統性創新上手，臺北市：鼎茂圖書出版股份有限公司。
9. 簡禎富（2018），大資料分析與資料挖礦，中華卓越經營決策協會。
10. 張翔、廖崇智（2016），提綱挈領學統計（第六版），鼎茂圖書出版股份有限公司。

【英文參考文獻】
1. Quality Engineering: Off-Line Methods and Applications (2013). Chao-Ton Su. Taylor & Francis Group LLC.
2. Chen, S. M., Yeh, M. S., & Hsiao, P. Y. (1995). A comparison of similarity measures of fuzzy values. Fuzzy sets and systems, 72(1), 79-89.
3. George J, K. L. I. R., & Bo, Y. (2008). Fuzzy sets and fuzzy logic, theory and applications.
4. Mann, D. (2001). An introduction to TRIZ: The theory of inventive problem solving. Creativity and Innovation Management, 10(2), 123-125.
5. Mann, D. L. (2003). Better technology forecasting using systematic innovation methods. Technological Forecasting and Social Change, 70(8), 779-795.
6. Shulyak, L., & Rodman, S. (1997). 40 Principles: TRIZ Keys to Technical Innovation, Technical Innovation Center, Worcester, MA.
7. Becattini, Niccolò, Y. Borgianni, G. Cascini, and F. Rotini. (2012). Model and Algorithm for Computer-aided Inventive Problem Analysis. Computer-Aided Design vol.44, pp. 961-986.
8. Cao, Guozhong, H. Guo, J. Yu, and R. Tan. (2009). Computer Aided Product Innovation Software Based on Extended-Effect and Its Application”. World Congress on Software Engineering IEEE, VOL 2, PROCEEDINGS, pp. 63-67.
9. D. Daniel. Sheu, and H. K. Lee. (2011). A Proposed Process for Systematic Innovation. International Journal of Production Research. Vol. 49, No. 3, 1 February, pp. 847-868.
10. Tong, L. H., H. Cong, and S. Lixiang. (2006). Automatic Classification of Patent Documents for TRIZ Users. World Patent Information vol.28, pp. 6–13.