應用無線射頻辨識技術與倉儲揀貨定位之研究 摘...
TRANSCRIPT
1
應用無線射頻辨識技術與倉儲揀貨定位之研究
陳詩旻
國立台北科技大學 工業工程與管理研究所 研究生
摘 要
根據 Hwang(1988)的研究，揀貨直接相關的人力佔物流作業的 50％以上，而揀貨作
業時間佔整個物流作業時間比例約為 30-40％。在成本上，揀貨人工作業成本佔物流中
心總成本的 15-20％。由此可見規劃一個好的揀貨作業方法，對於物流中心的運作效率
之提昇將有決定性影響。隨著 RFID 技術逐漸成熟，以 RFID 技術為基礎用在定位系統
之研究也逐漸受到重視。而將 RFID 技術用在定位上，不僅可以用來提供方位辨識、追
蹤移動的軌跡及最佳路徑分析等，也可以提供使用者所在位置的相關資訊。
因此，本研究利用 RFID 技術為基礎來建置一個實際的揀貨環境，此系統是使用倒
傳遞網路(Back-Propagation Network)與支援向量機(Support Vector Machine)方法將所收
集到的訊號強度(Received Signal Strength Indicator, RSSI)進行分析，以得到揀貨人員所在
之位置。另外，本研究也將此定位裝置應用在揀貨活動中，並探討定位裝置對於不同揀
貨情境所帶來的影響。
關鍵詞：無線射頻辨識技術、倒傳遞網路、支援向量機、揀貨定位
壹、導論
1.1 研究背景與動機
在過去，盤點貨物時多是以人工方式來處理，並將貨品資訊以人工方式輸入資料庫
中，在此過程中常常耗費過多的人力及造成資料輸入錯誤之情況；再加上，倉儲管理一
向是在各企業中屬於較為浪費成本與時間的一環，其包含入庫、揀貨及包裝與運送等作
業，且根據過去的文獻顯示，揀貨作業是倉儲管理中最花費成本的作業之一
(Hwang,1988)，其成本占了整個倉儲操作成本的 55％。然而，從 2000 年起，RFID 被廣
泛用在運輸管理、物流管理、家畜管理與個人身分辨識等方面。加上隨著 RFID 技術逐
漸成熟，以 RFID 技術為基礎用在定位系統之研究也逐漸受到重視。而將 RFID 技術用
在定位上，不僅可以用來提供方位辨識、追蹤移動的軌跡及最佳路徑分析等，甚至可以
提供使用者所在位置的相關資訊。
因此，為了減少在揀貨中所花費之多餘的人力成本及為了達到最大的效益，本研究
利用無線射頻辨識技術來建置一個實際的應用環境，並利用所讀取到的訊號強度，即時
2
判斷揀貨人員所在的位置，另外，本研究也將此定位裝置應用在揀貨活動中，以探討定
位裝置對於揀貨活動中所能帶來的整體效益，並減少無謂的紙張作業，且對臨時訂單的
產生或變更也能快速做回應。
1.2 研究目的
根據上述的研究背景和動機，為了使在倉儲管理上，減少過多建置成本及達到最大
的效益，本研究以 RFID 技術為基礎來建置一個實際的揀貨環境，利用 Matlab 軟體為
程式工具，並使用倒傳遞網路(Back-Propagation Network)與支援向量機(Support Vector
Machine)方法將所收集到的訊號強度進行預測分析，以達到準確的定位效果。其研究目
的可歸納如下：
1. 利用 RFID 的技術，模擬建置一個實際的揀貨環境。
2. 利用現有的架構(ex：貨架上已裝有 Tag)，來佈置讀取器和天線，再藉由 RFID 技術將
所讀取到的接收訊號強度(Receive Signal Strength Indicator, RSSI)，經由讀取器傳回後
端的應用系統，以用來判斷揀貨人員所在的位置。
3. 使用 Matlab 軟體為程式工具來建構倒傳遞網路及支援向量機方法，以用來分析所收集
到的訊號強度，使其定位的準確性及可信度提高，期望在揀貨作業中有更大的應用價
值。
貳、文獻探討
2.1 無線射頻辨識(RFID)介紹
RFID 主要起源於 1940 年第二次世界大戰中，用於作戰中辨識敵我飛機身份的軍事
用途技術。但真正引起 RFID 浪潮者，是美國最大的百貨公司 Wal-Mart，於 2003 年芝
加哥所舉辦的零售業展覽會議中宣布，要求其前 100 大供貨商必需在 2005 年前於各家
的棧板和包裝貨箱上安置 RFID 的標籤[3]。
RFID 是一種「非接觸式」的自動辨識技術，主要是由感應器(Transponder)、讀取器
(Reader)及中介軟體系統整合(Middleware＆System Integration)三者所串連而成的架構。
其自動辨識技術不需人工操作即可完成管理作業，主要是利用無線電波來傳送識別資
料，以固定式或手持式讀取器(Reader)自動接收標籤(Tag)晶片中的辨識資料，以達到身
分辨識的目的，並將即時(Real Time)接收到的資料過濾篩選，傳送到後端的應用系統，
經整理後產生具有附加價值的資料。並可結合生產、物流、行銷、財務等多項管理資訊
的組合應用。
RFID 讀取器會依照「頻率」與「功率」的不同，而影響到所讀取的距離。目前 RFID
電子標籤使用的頻率大致可分為四個頻段，分別為低頻(Low Frequency)、高頻(High
3
Frequency)、超高頻(Ultra-high Frequency)及微波(Microwave)，本研究將其整理成如下列
表 1 所示。
表 1 RFID 不同頻率的特性與應用
頻率 射頻頻率 傳輸距離 基本應用
低頻 (LF) 125~135KHZ 約 10 公分 門禁管理
動物晶片
高頻 (HF) 13.56MHz <1m
悠遊卡
識別證
超高頻 (UHF) 868~930MHz 約 3m~5m 物流管理
行李管理
微波 (Microwave) 2.45GHz
5.8GHz
高讀取範圍 道路車輛監測系統
道路電子收費
2.1.1 RFID 用於定位技術
SpotON 定位系統是第一個運用 RFID 技術做室內定位的系統，是由學者 Jeffery
Hightower 等人[21]提出的，採用自行研發的 RFID 設備來達到室內定位的功能。主要利
用 RFID 讀取器與數個感應標籤來建構一個有一定涵蓋範圍的室內無限感測網路環境。
LANDMARC (Location Identification based on dynamic Active RFID Calibration)是近
期使用 RFID 技術做定位的一個系統，是由學者 Lionel 等人[22]所提出的。此系統主要
是沿襲 SpotON 定位系統方法中，運用相對訊號強度估算距離的方式來預測未知物件的
位置。主要的想法是利用額外的固定位置的參考標籤(Reference Tag)使得 LANDMARC
大幅提升判斷位置的正確率。
Huang 等學者[23]利用 RFID 來追蹤精神病患之定位，主要是以動態校正訊號範圍
之定位演算法來定位精神病患所在的位置以便管理、照護。
吳宜軒[4]提出運用特殊標籤(SRefTage)方法，主要是在固定的傳輸範圍內建置一些
特殊標籤，目的為轉發讀取器指令給傳輸範圍內之參考標籤，並利用不同佈局與 Reader
的實際距離、訊號存取動作流程及所接收到的訊號，估測所預定位的 RFID 電子標籤的
距離與方向，達到定位的目的。
楊智超[7]針對 LANDMARC 系統中指引標籤數目不能明確指示部分，提出一個新
的定位機制，利用二階段分群演算法的代入，將數據依參考性的高低分為不同的集群，
作為最終定位的指引點。
4
由於上述討論各類的定位技術，皆可應用於室內環境之定位系統的種類與相關特
性，超音波系統雖然具有較高的準確度，但其基礎的設定成本過高，無法普及；IEEE
802.11 無線區域網路用於定位系統時，其精確度有待加強，且容易受到干擾；相較於紅
外線與 RFID 定位技術而言，具有良好的靜確定為效果，但以紅外線而言，其必頇直接
可視、易受到障礙物的阻擋及傳輸距離較短等缺點，因此，本研究希望藉由使用 RFID
技術，再配合 Matlab 軟體所建構的倒傳遞網路方法來做預測，使其建置成本較小及提
高定位之準確性。
2.2 類神經網路(Neural Network)
類神經網路最早是由 McCulloch＆Pitts 共同提出的數學模式，其是一種模仿生物與
神經網路系統所建構出來的資訊處理系統，能夠對外界所輸入的訊號具備儲存、學習、
回想等一系列的動作。且類神經在解決問題上擁有高度處理訊息的能力更有優越的非線
性映射能力來進行非線性的運算[5]。
目前常用之類神經網路模式約有十多種，主要可分為四大類，分別為監督式學習網
路、非監督式學習網路、聯想式學習網路與最適化應用網路。依網路連結架構來區分，
可分為前饋式類神經網路 (Feed-Forward Network)與回饋式類神經網路 (Feedback
Network)兩種，如下圖 1、2 所示。
(a) 前饋式類神經網路 (b) 回饋式類神經網路
圖 1、2 類神經網路連結架構
近幾年，類神經網路(artificial neural networks)已經被成功的應用在預測問題的建模
上(Cheng et al,1996、Sharda and Patil,1992、Van and Robert,1997)，它是一種泛用型的函
數逼近器(universal function approximators)，縱使對於資料的性質沒有任何事前的認知
下，它也能映射任何的非線性函數(Haykin,1999)，不同於傳統的統計模型，類神經網路
是種資料驅動、無母數弱模型且它能讓「資料能自己說話」。相較於一般參數模型，類
神經網路較不容易掉入需確認模型種類的問題中，且類神經網路也較具有對雜訊的容忍
力，在資料具有不完整或錯誤資料的環境下，也較有能力去學習此種較複雜的系統。此
外類神經網路還甚具彈性，在不斷的使用新資料的情況下，它能透過不斷的重複學習而
5
具有學習動態系統的能力，因此，和傳統的統計模型比較起來，在描述動態的時間序列
方面，類神經網路更具威力(Kaastra and Milton, 1995、Chiang et al,1996)。
2.3 支援向量機(Support Vector Machine)
支援向量機(Support Vector Machine, SVM)是用 Vapnik(1995)等人所提出的一種類神
經網路演算法，它不像大部分傳統的類神經網路模型去遵循經驗風險最小化法則
(empirical risk minimization principle)，它是一種以統計學習理論為基礎之 VC 維理論
(Vapnik – Chervonenkis dimension) 和 遵 循 結 構 風 險 最 小 化 原 則 (structural risk
minimization principle)的新型學習機器。這法則試圖最小化預測誤差的上界(結構化風
險)，而不是最小化訓練誤差(經驗風險)。由此，支援向量機能藉著經驗誤差及 VC 維之
信賴區間的權衡(trade-off)而完成最佳化的網路結構。而其最後結果將比其他的類神經網
路模型具有更好的預測結果。
另一個支援向量機的優點為：訓練支援向量機的過程等價於解一個線性且具限制式
的二次規劃問題(quadratic programming)，其所隱含的意義為支援向量機的解是唯一的、
最佳化的且跳脫了所得到的解為區域最小解的可能性，而不像其他的網路訓練，在解非
線性問題之最佳化過程中仍跳脫不了得到區域最小解的風險。
參、研究方法
3.1 研究架構
本研究主要是利用 RFID 技術為基礎來建置一個實際的揀貨定位環境，由於不需要
使用過多的 RFID 讀取器，且實驗架構之環境設備較為簡單，再加上 RFID 有內建晶片
可以儲存物品的資訊，因此可以兼容倉儲管理與定位系統，藉此可省下不少的建置成
本。並且將所讀取到的接收訊號強度(RSSI)，經由讀取器傳回後端的應用系統，再利用
倒傳遞網路方法來分析其結果，以達到定位的效果。其研究架構如下圖 3 所示。
6
圖 3 研究架構圖
3.1.1 實驗設備
本研究主要是使用 ORMON 所開發的 RFID 讀取器和天線，以及數個 RFID 標籤，
來實際建置倉儲揀貨的定位環境，如圖所示。。其所使用的讀取器的型號為 OMRON
V750-series UHF RFID System，通訊頻率為 922~928MHz，且符合 EPCglobal Class 1 Gen2
的標準，該設備顯示之 RSSI 值的單位是用功率絕對值(dBm)，範圍在- 70 ~ - 40dBm 之
間，其值越接近 0 表示距離愈近，適合用在製造現場之製程管理、物流單位之出貨及進
料檢查作業等用途。
(a) V750-series 讀取器 (b) 天線 (c)UHF 標籤
圖 4、5、6 RFID 設備
7
3.1.2 實驗情境
本研究之實驗情境是假設將環境建置在一個空曠的環境中，且在該環境放置數個貨
架，將標籤貼於貨架上，並劃分揀貨人員所在位置之標示號碼，其實驗情境示意圖如下
圖所示。。並且使用一台 RFID Reader 及數個接收天線，將天線分別固定在不同的地方，
且根據天線與人員位置距離的不同，在定位時，一次定位就可以讀取到 K 筆不同的 RSSI
值。透過 Reader 所接收到的 RSSI 值來計算揀貨員所在可能的位置，下面將說明實驗蒐
集資料的步驟：
步驟一：在空曠的環境中擺放數個貨架，並在貨架上放置數個 RFID Tag，架設一台
RFID Reader 與數個天線。
步驟二：在貨架上擺放不同之影響物品(例如：水、金屬…等)，並在地板上畫分數個
揀貨人員所站之位置。
步驟三：依揀貨人員所站之位置不同，蒐集並記錄不同實驗情境所讀取到的 RSSI 值。
圖 7 本研究之實驗情境示意圖
3.2 系統軟體及方法
本研究利用 Matlab 軟體為程式工具來建構倒傳遞網路方法，其具有學習精度高、
回想速度快、具有容錯特性，且能處理複雜的樣本識別與高度非線性函數合成問題等特
點，因此，利用倒傳遞網路來分析所蒐集到的訊號強度，使其定位的準確性及可信度提
高。
3.2.1 倒傳遞網路(Back-propagation Network)
倒傳遞網路在學習過程中，會給予類神經網路訓練範例，每一個訓練範例同時包含
輸入項和目標輸出值，且目標輸出值會不斷督促網路修正連結傳遞的權重值，並藉由訓
8
練一次又一次地調整網路連結的強弱，來降低網路輸出值與目標輸出值之間的差距，直
到差距小於一定的臨界值才會停止。其架構圖如下圖所示。
圖 8 倒傳遞網路架構圖
本研究的網路架構包含了三個網路層：輸入層(Input Layer)、隱藏層(Hidden Layer)
及輸出層(Output Layer)，如圖所示。下面將對這三層網路架構做一簡單的說明。
輸入層：其神經元的個數由對應的輸入向量個數而決定。本研究的實驗設計有 12~24
個特徵，因此，其輸入層的神經元個數設為 12~24 個神經元。
輸出層：本研究的輸出值為人員的所在位置，其實驗假設揀貨人員所在位置有五種
情形，Position 0 為揀貨人員不在倉儲揀貨現場，Position 1~ Position 4 為揀貨人員在 1
號揀貨位置、2 號揀貨位置…，以此類推。因此，本實驗的輸出層神經元個數設為 5 個。
隱藏層：根據葉怡成[5]所提到，一般設定隱藏層單元數為(輸入層單元數+輸出層單
元數)÷2。但為了增加實驗之準確性，本實驗將隱藏層單元數設為 5~9 個，以便找到最
佳的單元個數。
9
圖 9 類神經網路架構
倒傳遞網路具有學習精度高、回想速度快、輸出值可為連續值，且能處理複雜的樣
本識別與高度非線性函數合成問題等特點。因此，本研究利用倒傳遞網路法，將所讀取
到的 RSSI 值當成輸入資料，輸出值為人員的所在位置。
倒傳遞網路的訓練過程是將訓練範例輸入網路中，讓網路慢慢地調整加權值矩陣及
偏權值向量，使其網路的加權值矩陣及偏權值向量符合訓練範例目標值 T 的要求。下圖
為倒傳遞網路的學習流程圖。
圖 10 倒傳遞網路學習流程圖
10
3.2.2 支援向量機(Support Vector Machine)
當資料為線性可分割的情況下進行分類，如需將非線性資料分類可採用核心函數來
改變資料型態，其主要的概念是將輸入資料由原先的低維度空間(low dimensional)藉由
函數(φ )的轉換對映到高維度空間(highdimensional)中，在高維度空間中就可將原本線
性不可分割的資料使用線性的方式一分為二，最早是由 Aizerman([3])等人提出，而其轉
換示意圖如下圖 11 所示。
圖 11 最佳化超平面的圖形判斷
我們在選取分析資料時都要擷取資料的特徵(feature)，這些特徵主要用來表達被描
述的主題，高維空間又稱為特徵空間(feature space)，選擇適當能代表該主題的特徵將使
資料呈現更加清楚，如此加速分類的進行和減低操作的複雜度。我們藉由核心函數來完
成將輸入資料轉換到特徵空間中的工作，不同的核心函數對應不同的輸入資料會有不同
程度的分類效果，所以核心函數的選擇是 SVM 中重要的一個環節。基本的核心函數類
型有：
在本研究中，放射型函數(Radial basis function)將被用來當做支援向量迴歸的核函
數，因為如果對資料的性質沒有任何事先的認知時，使用放射型(高斯)函數將可得到較
好的預測結果(Smola,1998)，這概念也曾被以實驗的方式比較放射型(高斯)核函數和多項
式核函數所得的結果，也證明了使用放射型(高斯)核函數可以得到較好的預測結果，而
11
且若使用多項式核函數時，除了得到較差的預測結果外，其所花費在訓練支援向量迴歸
模型的時間也比較長。本實驗使用支援向量機用來作預測之建構步驟如下圖 12 所示。
圖 12 支援向量機學習流程圖
肆、實驗設計與分析
4.1 實驗情境設計
本研究主要是利用 RFID 來對倉儲揀貨定位做研究，藉由不同情境之 RSSI 值
的蒐集與分析，來判斷揀貨人員所在之位置，以便快速達到揀貨之效率。並將此實
驗環境架設在科技大樓 639 之教室中，並使用一個 RFID Reader、兩個天線及數個
RFID Tag 來架設此實驗環境。
由於 RFID 在運作及定位時，會受到一些外在環境的影響，例如：物品的屬性、
屏蔽作用、多路徑、散射…等因素。因此，本研究將實驗情境之設計分為三種，針
對空的貨架及不同屬性的物品來做測試，以便模擬實際的揀貨環境定位之測試。
本研究將實驗情境設計分為三種情境，情境一為貨架上沒有擺任何的物品、情
境二為貨架上擺放液體類之物品及情境三為貨架上擺放金屬類物品。並將這四個實
驗情境所蒐集到的 RSSI 值經過處理後，再分別代入倒傳遞網路及支援向量機模型
中進行預測，以判斷人員所在的位置。下列將針對這三個實驗情境之設計做描述：
12
4.1.1 實驗情境一：貨架上沒有擺任何物品
本研究之實驗情境一為貨架上沒擺任何的物品，一開始先對貨架上沒擺任何物
品之情境來做研究，並針對 Position 0~ Position 4 此五種位置，蒐集人員站在不同
位置所讀取到的訊號強度(RSSI)值，以便分析之研究。 下圖為實驗情境一的實驗環
境實際照片，(a)為實驗情境一的側面照片，(b)為實驗情境一的正面照片。
(a)側面 (b)正面
圖 13、14 實驗情境一之環境實照
4.1.2 實驗情境二：貨架上擺液體類物品
本研究之實驗情境二為貨架上擺放液體類的物品，將貨架上擺上液體類物品，
並將物品之放置對準於標籤中間，每個位置共有六瓶的液體類罐子，針對 Position
0~Position 4 此五種位置，蒐集人員站在不同位置所讀取到的訊號強度(RSSI)值，以
便分析之研究。下圖為實驗情境二的實驗環境實際照片，(a)為實驗情境二的側面照
片，(b)為實驗情境二的正面照片。
(a)側面 (b)正面
圖 15、16 實驗情境三之環境實照
13
4.1.3 實驗情境三：貨架上擺金屬類物品
本研究之實驗情境三為貨架上擺放金屬類的物品，將貨架上擺上金屬類物品，
並將物品之放置對準於標籤中間，每個位置共有六瓶的金屬罐，針對 Position
0~Position 4 此五種位置，蒐集人員站在不同位置所讀取到的訊號強度(RSSI)值，以
便分析之研究。下圖為實驗情境三的實驗環境實際照片，(a)為實驗情境三的側面照
片，(b)為實驗情境三的正面照片。
(a)側面 (b)正面
圖 17、18 實驗情境四之環境實照
4.2 資料前處理
要將所讀取到之 RSSI 值進行分析前，必頇先將資料做處理，本研究將資料前
處理之步驟整理如下列所示：
步驟一：將相同號碼之 Tag 所讀取到的 RSSI 值排到同一欄
由於 OMRON 的讀取器每次所讀取到的 RSSI 值並非照順序排列，因此，本研
究將每一筆所讀取到的 RSSI 值，一筆一筆整理，使同一個 Tag 的 RSSI 值排到同一
欄，以利分析之用。其說明如下圖所示：
資料
筆數
Tag
No.
Tag
No.
Tag
No.
Tag
No.
資料
筆數
Tag
No.
Tag
No.
Tag
No.
Tag
No.
1 Tag1 Tag3 Tag8 … 1 Tag1 Tag2 Tag3 …
2 Tag4 Tag6 Tag1 … 2 Tag1 Tag2 Tag3 …
3 Tag5 Tag7 Tag10 … 3 Tag1 Tag2 Tag3 …
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
〃
圖 19 資料轉換說明圖
步驟二：將遺漏值補上接收水平(Receiving level)之最小值
14
由於實驗進行時，會因阻礙物不同而受到不同之影響，導致有些 Tag 的 RSSI
值在讀取時受到阻擋而無法讀取到。加上本研究所使用的 RFID Reader 是 ORMON
開發的 V750-series UHF RFID System，該設備顯示之 RSSI 值的接收水平(Receiving
level)範圍介於 - 70 ~ - 40dBm 之間，其值越接近 0 表示距離愈近。因此，本研究將
資料中有遺漏資之部分，將其值補上最小值-70，以利分析之用。
步驟三：設定每個位置之目標輸出向量( T )
由於本研究的輸出值即代表揀貨人員所在之位置，而本實驗假設揀貨人員所在
位置共有五種情形─Position0 到 Position4，其目標向量如下表所示：
表 2 目標輸出向量之設定
位置 說明 目標向量(T)
Position 0 揀貨人員不在倉儲揀貨現場 1 0 0 0 0
Position 1 揀貨人員在 1 號揀貨位置 0 1 0 0 0
Position 2 揀貨人員在 2 號揀貨位置 0 0 1 0 0
Position 3 揀貨人員在 3 號揀貨位置 0 0 0 1 0
Position 4 揀貨人員在 4 號揀貨位置 0 0 0 0 1
步驟四：資料正規化
經過步驟一及步驟三之後，要將整理好的 RSSI 值代入倒傳遞網路進行分析之
前，頇先將資料做正規化，使其值介於 0~1 之間，主要目的是為了提高網路模型訓
練速率及避免網路有提早收斂至局部及小值得情況發生。
其轉換公式如下所示：
m i nm a x
m i n
XX
XXR i
j
(1)
其中 iX 為資料 X 中第 i 筆資料。
m i nX 為資料 X 中的最小值。
m a nX 為資料 X 中的最大值。
4.3 倒傳遞網路參數設定
為了提高定位之準確性，本研究將針對不同的學習速率、慣性因子、隱藏層單
元數…等參數之間的相互比較，透過網路測試後的正確率及 MSE 值來找出最佳的
網路參數設定。
15
由於類神經網路架構的選擇與相關參數設定並無一定的標準，只能採取試誤
法，因此，本研究將探討不同的參數設定對於網路精確度的影響，說明如下所示：
一、 隱藏層數
一般而言，倒傳遞網路的隱藏層層數可以彈性選擇，而依據經驗隱藏層層數為
一層到兩層時有最好的收斂性質，假如沒有隱藏層的精確度比有隱藏層的還要佳，
則該問題不適用於倒傳遞類神經網路。而隱藏層數過多會造成網路過度複雜，增加
網路計算的負擔，並且會產生過多的局部解，在加權值修正時，更容易掉入局部最
佳解，而無法達到收斂。一般來說，使用一層隱藏層的網路架構就足以描述大部分
的問題，因此，本研究隱藏層層數之使用為一層。
二、 隱藏層單元數
隱藏層單元數目之決定並無標準方法可以決定，根據經驗法則，隱藏層的神經
單元個數越多，在訓練的過程中，收斂速率較慢，但卻可達到較小的誤差值。但過
多的神經元個數會造成訓練範例過度地描述，導致收斂時間增長，浪費訓練的時
間；反之，過少的神經元個數是無法適當的建構函數來描述問題。因此，本研究參
考葉怡[5]成所提出之方法，將輸入層單元數加上輸出成單元數再除以 2，來決定隱
藏層之單元數。且為了增加實驗之準確性，本研究將隱藏層單元數擴大到 5~9 個來
做比較，以便找出最佳的單元個數。根據分析的結果可知隱藏層單元數為 7 個之正
確率及 MSE 為最佳，因此，本研究將隱藏層之神經元數設為 7 個。
三、 學習速率
學習速率的快慢對於網路收斂有很大的影響，若學習速率太大，則會使網路有
較大的加權值修正速度，能夠較快逼近函數的最小值，但太大的學習速率將會導致
使網路修正過量，造成振盪而無法快速收斂；若學習速率太小，則會使網路收斂較
慢，浪費訓練計算時間。根據葉怡成[5]所述，一般學習速率通常取 0.5 或 0.1~1.0
之間的值大都可達到良好的收斂性。因此，本研究將學習速率設定為 0.3、0.5、0.7、
0.9，來比較這四種學習速率代入網路訓練後的結果，以找出最佳的網路學習速率。
四、 慣性因子
慣性因子是這次加權值的改變量和上次加權值的改變量之間存在的一種比
例，也就是說，此次的修正量和上次的修正量有關。而在學習過程中，適當的加上
某比例的上次加權值改變量，可以改善收斂過程中的震盪現象加速收斂。且一般慣
性因子之範圍通常介於 0~1 之間，因此，本研究將慣性因子設定為 0.3、0.5、0.7、
0.9，來比較這四種慣性因子代入網路訓練後的結果，以找出最佳的慣性因子。
五、 學習次數
本研究的網路學習次數一開始先設定為 1000 次，但在網路訓練後，由於網路
16
無法收斂，因此，經由試誤法則，本研究將網路之學習次數設定為 2000 次。
六、 衡量評估指標
類神經網路模型是否準確，其精確度需靠指標來衡量，而本研究將使用正確率
(Accuracy)及平均方誤差(Mean Square Error, MSE)這兩種評估指標，來衡量網路之
準確性。
在主要參數設定完成後，本研究將學習率與慣性因子兩種因素做不同之組合，
並對不同組合建立之倒傳遞網路以訓練樣本與測試樣本予以測試，找出正確率及
MSE 兩項評估指標之最佳的學習速率與慣性因子之組合，以決定倒傳遞網路最佳
的網路參數設定值。根據實驗之結果顯示，其學習速率在 0.3、慣性因子在 0.7 時，
其正確率及 MSE 值為最佳，因此，本研究將網路之學習速率設定為 0.3，慣性因子
設定為 0.7。
由於本研究的實驗設計有 12~24 個特徵，因此，為了決定最佳的輸入向量，本
研究將輸入向量為 12 個 Tag 與 24 個 Tag 做一比較，透過訓練後的正確率及 MSE
值來找出最佳的輸入層神經元個數。根據實驗分析結果可知道輸入向量為 12 個 Tag
的正確率為 99.8％、MSE 為 0.00040916；輸入向量為 24 個 Tag 的正確率為 99.6％、
MSE 為 0.0012015。
一般來說，Tag 數目越多其正確率應該越高，而經過本研究測試之後，其兩個
實驗結果之正確率都很高，但可能會因一些阻礙物的影響(如：散射、多重路徑或
衰落效應、屏蔽作用…等)或是受到環境因子之干擾，而造成不一樣之結果。而根
據本研究之測試結果，輸入向量為 12 個 Tag 的正確率較 24 個 Tag 來的佳，且為了
減少實驗成本之耗費，本研究將輸入層之神經元個數設為 12 個。
根據本研究分別將不同之學習率、慣性因子及隱藏層單元數等參數做網路測試
結果，其倒傳遞網路之最佳網路參數設定如下表所示：
表 3 倒傳遞網路之參數設定
Parameters Value
輸入層神經元個數 (Input node) 12 個
隱藏層神經元個數 (Hidden node) 7 個
輸出層神經元個數 (Output node) 5 個
學習率 (Learning rate) 0.3
慣性因子 (Momentum) 0.7
學習次數 (Epoch) 2000
17
4.4 支援向量機參數設定
在建構支援向量迴歸模型的過程中，尚有三個參數需要由研究者自行決定，這
三個參數分別是：C、σ2 和ε。C 為懲罰常數、σ2 為高斯核函數的頻寬、ε為
不敏感區域的寬度。任意的選取這些參數，雖然也可以很容易的經由計算而得到訓
練資料的訓練誤差，但是它隱含著具有過度配適的風險。為了避免過度配適的現象
發生，可使用交叉驗證技術，但是交叉驗證的過程則是相當耗時的。Duan,Keerthi,
and Poo(2001)曾運用了 k-fold 交叉驗證技術於分類辨識的領域，得到了不錯的效
果，且該技術能於計算的時間成本和參數估計的可信度間取得適當的平衡。Duan 同
時也建議 k 取 5，因為在他的實驗裡使用 5-fold 交叉驗證技術來訓練樣本資料時，
能很適當的估計出支援向量迴歸模型的預測誤差。在此，所謂 5-fold 交叉驗證技術，
即是將訓練資料集分成 5 等份，每等份具有相同個數的輸入資料，且無任何交集，
然後利用其中的 4 等份以某一參數組合{C,s 2 , e}來訓練支援向量迴歸模型，訓練完
成後所得到的模型再用來測試剩餘的另一等份，並評估其預測誤差，重複此類實驗
共 5 次，最後求得這 5 次預測的平均誤差，並以這平均誤差當作在該特定參數組
合下所建構之模型的交叉驗證誤差，依參數組合之不同進行多次實驗，並分別紀錄
各不同參數組合下所得到的交叉驗證誤差，取具有最小交叉驗證誤差時的參數組
合，做為未來建構支援向量迴歸模型的最佳參數組合。
根據 Tay and Cao(2001)，σ2 的取值範圍在 1 到 100 之間，而 C 的取值範圍
在 10 到 100 之間時，所建構的支援向量迴歸模型將得到較佳的預測結果。為能更
廣泛的尋找最佳狀態時的參數，在此將使用格子點法搜尋最佳參數組合，最佳參數
組合的搜尋範圍如表 4。實驗將利用各格子點上三個參數之組合，以 5-fold 交叉驗
證技術訓練支援向量迴歸模型，最後求取各格子點上的交叉驗證 MAPE。
根據 Tay and Cao(2001)的實驗，當支援向量個數佔訓練樣本個數之比例太大
時，容易產生過度配適(over-fitting)或不足配適(under-fitting)的問題。因此本研究將
先篩選出比例小於 90％的ε值。
表 4 倒傳遞網路之參數設定
參數 取值範圍 增量
σ2 σ2 *2
C 1∼100 1
ε
ε*2
18
4.5 實驗結果分析
本研究是根據三種不同之實驗情境的設計與不同的資料訓練筆數來做揀貨定
位之分析，其訓練筆數分為 1000 筆訓練資料與 2000 筆訓練資料做比較，並將所讀
取到的訊號強度代入倒傳遞網路及支援向量機網路進行分析後，依據每個情境所分
析出來的正確率及 MSE 值來預測揀貨人員所在之位置是否正確，並且在最後將三
個實驗情境做一個整合分析之研究。本研究之實驗分析結果如下所示：
4.5.1 分析五：整合分析
透過上列將三種情境做個別分析後，本研究將貨架上沒擺任何物品及擺放液體
類、金屬類此三種實驗情境，依照不同的情境與訓練筆數整理成如下列所示：
表 5 使用導傳遞網路訓練資料為 1000 筆之結果整合分析
Conditions Value
Tag 數目 12 12 12
訓練筆數 1000 1000 1000
實驗情境 空的貨架 液體類 金屬類
正確率 99.7％ 98.22％ 92％
MSE 值 0.00080418 0.0060043 0.025204
表 6 使用支援向量機訓練資料為 1000 筆之結果整合分析
Conditions Value
Tag 數目 12 12 12
訓練筆數 1000 1000 1000
實驗情境 空的貨架 液體類 金屬類
正確率 99.7％ 98.32％ 92.35％
NMSE 值 0.00071438 0.0059906 0.024932
表 7 使用導傳遞網路訓練資料為 2000 筆之結果整合分析
Conditions Value
Tag 數目 12 12 12
訓練筆數 2000 2000 2000
19
實驗情境 空的貨架 液體類 金屬類
正確率 99.8％ 98.95％ 95.5％
MSE 值 0.00061076 0.0033974 0.012437
表 8 使用支援向量機訓練資料為 2000 筆之結果整合分析
Conditions Value
Tag 數目 12 12 12
訓練筆數 2000 2000 2000
實驗情境 空的貨架 液體類 金屬類
正確率 99.8％ 99.05％ 97％
MSE 值 0.00059920 0.0030213 0.010231
透過上列整理可知，訓練筆數為 2000 筆的正確率及 MSE 值都比訓練筆數為
1000 筆的要來的佳，且不論訓練資料為 1000 筆或 2000 筆，實驗情境為貨架上沒擺
任何物品的正確率及 MSE 都較高，而貨架上擺上金屬類物品的正確率及 MES 值為
最低。
由於 RFID 在讀取時，常會受到一些環境因素的干擾與阻擋，例如：金屬、水
或實體物…等，雖然 RFID 具有穿透性，碰到紙張、木材、塑膠…等材質也能穿透
遮蔽物來達到讀取效果，但當 RFID 碰到水或金屬類物品所干擾時，其所發射出的
電波會被吸收，而造成訊息無法傳回，尤其受到金屬類物品的阻擋，其訊息幾乎讀
取不到。
根據本研究分析的結果，不論是 1000 筆或 2000 筆的訓練資料，可發現其四種
實驗情境的正確率由空的貨架→液體類→金屬類逐漸降低，而 MSE 值由空的貨架
→液體類→金屬類逐漸偏高。因此，根據實驗結果可知道，此四種之實驗情境在受
到金屬類物品阻擋時，其訊號強度受到干擾較大，且正確率與 MSE 值也較其他實
驗情境要來的差。
且一般無線電波訊號在傳送時，常會因為物品材質或不規則表面的訊號反射而
導致室內散射、衰弱效應、多重路徑、屏蔽…等作用。且在定位時受到這些環境因
子的影響，常會造成訊號強度之間的干擾，漸而影響到定位時的準確性及穩定性。
從實驗結果也可得知支援向量迴歸實作了結構風險最小化原則，它最小化了預
測誤差的上界而不是最小化了訓練誤差。這個重要的本質導致了支援向量迴歸的預
測誤差較以實作經驗風險最小化的類神經網路的結果要來得好。而類神經網路較無
法收斂於全域解。然而在支援向量迴歸中，訓練支援向量迴歸的過程等同於求解一
20
連串的線性且具限制式的二次規劃過程，且支援向量迴歸的解是獨立的、最佳的、
全域的。
伍、結論
由於倉儲管理一向是在各企業中屬於較為浪費成本與時間的一環，加上揀貨作
業是倉儲管理中最花費成本的作業之一。因此，本論文主要是利用 RFID 技術為基
礎來建置一個實際的揀貨環境，此系統是使用倒傳遞網路 (Back-Propagation
Network)及支援向量機(Support Vector Machine)方法將所收集到的訊號強度(RSSI)
進行分析，以得到揀貨人員所在之位置。且將此定位系統應用在揀貨活動中，並探
討貨架上沒擺任何物品、擺紙類、液體類及金屬類此三種不同的揀貨情境，對揀貨
定位時所帶來的影響。
根據本研究的實驗結果，訓練筆數越多其正確率及 MSE 值也越佳，且在三種
揀貨情境之正確率及 MSE 值以金屬類為最差，也就是說，在定位讀取時，其訊號
強度的接收程度受到金屬類物品阻擋的影響要較其他物品類阻擋要來的大。而本研
究也有將所預測出來之位置與原始資料做比對，得到之結果能夠有效預測到揀貨人
員之位置。
因此，希望能藉由本研究之揀貨定位系統，能夠在揀貨活動中減少所花費之多
於的人力與設備成本及達到最大的效益，且對於臨時訂單或緊急訂單的產生也能夠
快速做回應，以便增加揀貨之效率。
參考文獻
[1] 葉清江，賴明政，2007 年 9 月，「物流與供應鏈管理」，全華圖書股份有限公
司
[2] 王立志，1999 年，「系統化運籌與供應鏈管理」，滄海書局
[3] 陳瑞順，2007 年 8 月，「RFID 概論與應用」，全華圖書股份有限公司
[4] 吳宜軒，2007，「無線射頻辨識系統二維平面定位演算法之研究」，碩士論文，
國立台北科技大學資訊工程系研究所
[5] 葉怡成，2004 年，「類神經網路模式應用與實作」，儒林出版社。
[6] 黃裕峰，2007，「無線射頻技術於倉儲系統揀貨流程之研究」，碩士論文，國
立台北科技大學工業工程與管理碩士班
[7] 楊智超，「一個以 RFID 為基礎的定位機制」，碩士論文，國立交通大學資訊
管理研究所，2006
21
[8] 陳寬裕，蕭宏誠，何嘉惠，2004，「應用支援向量迴歸於國際旅遊需求之預測」，
旅遊 管理研究期刋，4 卷 1 期：頁 8 1 ~ 頁 9 7
[9] Chang, C.C. ＆ Lin, C.J., LIBSVM : a library for support vector machines,
Technical Report, Department of Computer Science and Information Engineering,
NationTaiwan University, Available at
http://www.csie.edu.tw/~cjlin/papers/libsvm.pdf, 2001.
[10] Agrawl, R., Ghosh, S., Imielinski, T., Iyer, B. and Swami, A. (1992) , An Interval
Classier for Database Mining Applications. Proceeding of the 18th
International
Conference on Very Large Data Bases, pp.560~573
[11] Brynzer, H. ＆ Johansson, M. I., (1995), “Design and Performance of Kitting and
Order Picking Systems,” International Journal of Production Economics, Vol. 41,
pp.115-125.
[12] Liu, C.G., (1999), “Clustering Techniques for Stock Location and Order-Picking in
a DC,” Computers ＆ Operations Research, Vol. 26, pp.989-1002.
[13] Pan, J.C.H. and Shih P.H.(2008). Evaluation of the throughput of a multiple-pickers
order picking system with congestion consideration. Computers & Industrial
Engineering, article in press.
[14] Hightower, J., Boriello, G. (2001). A survey and taxonomy of location systems for
ubiquitous computing. Technical Report, UW-CSE 01-08-03..
[15] Ken Hinckley and Mike Sinclair. "Touch-sensing input devices." In Proceedings
of the 1999 Conference on Human Factors in Computing Systems (CHI 1999).
ACM, 1999.
[16] R. Want, Andy Hopper, Veronica Falcao, and Jon Gibbons., (1992) “The Active
Badge Location System,” ACM Transactions on Information Systems, pp. 91-102.
[17] A. Ward, A. Jones, A. Hopper, (1997),“A New Location Technique for the Active
Office,”Vol. 4, IEEE Wireless Communications, pp. 42-47.
[18] Harter, A., Hopper, A., Steggles, P., Ward, A., and Webster, P. (2002),“The
Anatomy of a Context-Aware Application,Wireless Networks, Vol. 8, pp. 187-197.
[19] Pryantha, N. B., Chakraborty, A. and Balakrishnan, H, (2000), “The Cricket
Location-Support System,”ACM International Conference on Mobile Computing
and Networking (ACM MOBICOM), PP. 32-43.
[20] Bahl, P., Padmanabhan, V. N., (2000), “RADAR : An In-Building RF-based User
Location and Tracking System,”In Proc. of Joint Conference of the IEEE Computer
22
and Communications Societies (IEEE INFOCOM), Vol. 2, pp. 775-784.
[21] J. Hightower, C. Vakili, G. Borriello, R. Want, (2001), “Design and Calibration of
the SpotON Ad-Hoc Location Sensing System,” University of Washington,
Department of Computer Science and Engineering, Box352350, Seattle, WA98195
[22] Lionel M. Ni, Yunhao Liu, Yiu Cholau Lau and Abhishek P. Patil,
(2004)“LANDMARC : Indoor Location Sensing Using Active RFID,”Wireless
Network, Vol. 10, pp. 701-710.
[23] Huang, C.L. Chung, P. C., Tsai, M. H., Yang, Y. K., Hsu, Y. C. (2008), “Reliability
Improvement for an RFID-Based Psychiatric Patient Location System,”Computer
Communications, Vol.31, pp. 2039-2048.
[24] I.A. Basheer, M. Hajmeer, (2000) “Artificial neural networks : fundamentals,
computing, design, and application,” Journal of Microbiological Methods, Vol. 43,
pp.3-31
[25] W.C. Cheng,“The Study of Using Artificial Neural Network to Inspect The
Insurance of Insured Unit,” Thesis for Master of Science, Department of Computer
Science and Engineering, Tatung University, Jan 2009.