Finding the Number of Hidden Units in Neural Network Yield Prediction of Hard Disk Drive Process(การหาจำนวนยูนิตซ่อนที่เหมาะสมของโครงข่ยประสาทเทียมในการพยากรณ์ผลิตภาพการผลิตของกระบวนการผลิตฮาร์ดดิสก์ไดร์ฟ)

Abstract

บทความนี้ได้นำเสนอวิธีการหาจำนวนยุนิตซ่อนที่เหมาะสมของโครงข่ายประสาทเทียมที่ใช้ในการพยากรณ์ผลิตภาพการผลิตของกระบวนการผลิตชิ้นส่วนาร์ดดิสก์ไดร์ฟ โคงข่ายประสาทเทียมนี้มีข้อมูลป้อนเข้า 8 ตัว และมีผลลัพธ์ 1 ตัว คือ ค่าผลิตภาพการผลิตของกระบวนการผลิตฮาร์ดดิสก์ไดร์ฟ และทดลองหาจำนวนยูนิตซ่อนที่แตกต่างกันตั้งแต่ 5,10,15 และ 2 ตามลำดับ เพื่อให้ได้ค่าความผิดพลาดในการพยากรณ์ผลิตภาพการผลิตของกระบวนการผลิตฮาร์ดดิกส์ไดร์ฟให้น้อยที่สุด ในการทดลองครั้งนี้ผู้จดทำได้เพิ่ม Noise ลงในข้อมูลและกำหนดให้ 10% เอหาโครงสร้างและค่าความผิดพลาดที่ต่ำที่สุดเพื่อใช้ในการพยากรณ์ค่าผลิตภาพการผลิตกระบวนการผลิตฮาร์ดิกส์ไดร์ฟ การเรียนรู้ของโครงข่ายประสาทเทียมใช้วิธี Backpropagation algorithm เพื่อทำการปรับเปลี่ยนคาน้ำหนักของโครงข่ายประสาทเทียมผลการทดลองแสดงให้เห็นว่าเมือใช้วิธีดังกล่าวร่วมกับจำนวนยูนิตซ่อนเท่ากับ 15 หน่วย และจำนวนรอบในการเรียนรู้ 50,000 รอบ ทำให้ความสมารถในการพยากรณ์ของโครงข่ายประสาทเทียมเหมาะสมที่สุด

This paper presents a finding number of hidden units in neural network prediction for hard disk drive process. This architecture of neural networks has 8 inputs and 1 output. These inputs are the yield and number of drive in each work stations and output are the cumulative yield. In experimentation presents the error of 5, 10, 15 and 20 hidden units and finding the number of hidden units that take minimize error of the network. This paper also uses the Noise Injection approach in conjunction and noise constant at 10% and trained by backpropagation algorithm. The experiment shows the number of hidden unit is 15 and learning cycles is 50,000 cycles that such approaches the minimization of error.