車用連接器連接器應用於車輛電子系統中的RF高頻連接器。其小巧的設計和高效的性能，被廣泛運用於自動駕駛輔助系統、攝像頭、傳感器和導航源等設備中。產品尺寸縮小的過程中，增加了空間利用率與提升傳輸穩定性。
  國際汽車工作組(IATF)針對車用連接器設有規範，在車內高溫、震動、潮溼等惡劣環境之餘，同時能持續穩定訊號，並使回波及接觸損耗處於限制區間中，此時設計和組裝過程尤為重要，當中又以鐵殼為影響組抗值最重要因素。
  本研究之目的為透過支撐向量回歸法(SVR)在車用連接器鐵殼設計上獲得最佳化製程參數。針對車用連接器鐵殼之組裝及設計變化，透過ANOVA分析獲取個別因子權重並利用支撐向量回歸法進行訓練和測試得到最佳化設計方程式，後續應用RBF高斯核函數進行3D建模，以驗證最佳化製程參數設計。

  Automotive connectors are RF high-frequency connectors used in vehicle electronic systems. Their compact design and high performance make them widely applied in advanced driver-assistance systems, cameras, sensors, and navigation modules. As product dimensions continue to shrink, space utilization increases and signal transmission stability improves.
  
  The International Automotive Task Force (IATF) has established standards for automotive connectors, requiring stable signal transmission even under harsh in-vehicle conditions such as high temperature, vibration, and humidity. It is also critical that return loss and contact loss remain within specified limits. In this context, the design and assembly process play the very important role, with the metal shell being the most significant factor affecting impedance.
  
  The purpose of this study is to optimize the process parameters for the design of the metal shell in automotive connectors using Support Vector Regression (SVR). Design and assembly variations of the connector shell are analyzed using ANOVA to determine the weight of each factor. SVR is then applied for training and testing to derive an optimal design equation. Subsequently, an RBF (Radial Basis Function) Gaussian kernel function is employed to build a 3D model to validate the optimized process parameter design.

目錄

致謝	i
摘　　要	iii
Abstract	iv
目錄	vi
圖目錄	viii
表目錄	x
第1章	緒論	1
1.1 研究背景	1
1.2 研究動機	2
1.3 研究目的	2
第2章	文獻探討	3
2.1 Mini Fakra車用連接器	3
2.2 支援向量機 (SVM)	4
2.3 支撐向量回歸法 (SVR)	5
2.4 核函數	6
2.5 機械學習發展	7
第3章	研究方法	8
3.1 研究工具	9
3.2  Google Colaboratory	17
3.3  CST Studio Suite	18
3.4 實驗設計	19
3.5 決定控制因子及水準	19
第4章	實驗結果與討論	23
4.1 實驗數據	23
4.2 實驗結果	34
4.3 最佳參數分析(ANOVA)	35
4.4 變異數分析	36
4.5 最佳化製程分析	37
4.6 最佳化製程參數分析程式	39
4.7  RBF 最佳化參數3D建模	41
第5章	結論與未來展望	43
5.1 結論	43
5.2 未來展望	44
第6章	參考文獻	45
6.1 參考文獻	45

圖目錄
圖 1  Mini Fakra車用連接器 示意圖	3
圖 2 最近之樣本點與超平面距離Max. 圖	4
圖 3 最遠之樣本點與超平面距離 Min. 圖	5
圖 4  SVR空間3維構建示意圖	6
圖 5  Google Colaboratory介面圖	17
圖 6  CST模擬視窗	18
圖 7  實驗器械示意圖	20
圖 8 車用連接器3D爆炸圖	21
圖 9 繪製FAKRA  PLUG的金相剖面圖	21
圖 10  TDR曲線/ Return & Insertion Loss圖(實驗一)	24
圖 11  TDR / Insertion & Return Loss圖 (實驗二)	25
圖 12  TDR / Insertion & Return Loss圖 (實驗三)	26
圖 13  TDR / Insertion & Return Loss圖 (實驗四)	27
圖 14  TDR / Insertion & Return Loss圖 (實驗五)	28
圖 15  TDR / Insertion & Return Loss圖 (實驗六)	29
圖 16  TDR / Insertion & Return Loss圖 (實驗七)	30
圖 17  TDR / Insertion & Return Loss圖 (實驗八)	31
圖 18  TDR / Insertion & Return Loss圖 (實驗九)	32
圖 19 測試數據之Insertion / Return Loss進行SVM建模表	37
圖 20 測試數據之Insertion / Return Loss進行SVR建模表	38
圖 21  RBF 3D建模成品圖	42

表目錄
 
表 1  L9正交表範例表	10
表 2 控制因子與水準配置表	22
表 3  L9直交表9次試驗數據表	22
表4 每500 Ω / ms 實際數據表	33
表5  L9正交表之S/N值	34
表6  最佳參數分析表	35
表7  變異數分析表	36

[1]Machine Learning Methods and Applications to Brain Disorders 2020, 
pp. 123-140.

[2]A Comparative Analysis on Linear Regression and Support Vector Regression, pp. 221-234.

[3]Accurate On-line Support Vector Regression, pp. 117-123.

[4]Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1992). A training algorithm for optimal margin classifiers. In Proceedings of the fifth annual workshop on computational learning theory (pp. 144e152). New York, NY, USA: ACM.

[5]S. Iplikci. 2006. Online trained support vector machines-based generalized predictive control of non-linear systems. International Journal of Adaptive Control and Signal Processing 20:10, pp. 599-621.

[6] Galit Shmueli, Otto R. Koppius, “Predictive Analytics in Information Systems Research”, Mis Quarterly, Vol. 35, No. 3, pp. 553-572, September 2011.

[7] S. B. Kotsiantis, “Supervised Machine Learning: A Review of Classification Techniques”, J. of Informatica, Vol. 31, pp. 249 268, 2007.

[8] Olufemi A. Omitaomu, Myong K. Jeong, Adedeji B. Badiru. 2011. Online Support Vector Regression With Varying Parameters for Time-Dependent Data. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans 41:1, pp. 191-197.

[9] Arjan Gijsberts, Giorgio Metta. 2013. Real-time model learning using Incremental Sparse Spectrum Gaussian Process Regression. Neural Networks 41, pp. 59-69.
[10] Zbigniew R. Struzik. 2006. A few remarks on the analysis of physiological data for ubiquitous medicine. International Congress Series 1287, pp. 219-224. 

[11] Jian Zhang, Tadanobu Sato. 2008. Experimental verification of the support vector regression based structural identification method by using shaking table test data. Structural Control and Health Monitoring 15:4, pp. 505-517.

[12] J ZHANG, T SATO, S IAI. 2006. Support vector regression for on-line health monitoring of large-scale structures. Structural Safety 28:4, pp. 392-406.
[13] 李桔萍，運用SVR智慧型分類器改善工程粗估之研究，國立中央
大學營建管理系，2016。
[14] Bill Lubanovic，精通 Python：運用簡單的套件進行現代運算（第二版），歐萊禮出版社，2020。

[15] 林明麟，支持向量迴歸對鋁合金輪圈的加工參數研究，淡江
大學機械系，2020。

[16] 曾威翔，機器學習對銑削加工在全面生產維修最佳化之預測，淡江大學機械系，2023。

[17] 熊浩丞，連接器量測校準適配器研發，淡江大學機械系，2023。

[18] 楊博崴，連接器訊號量測之適配器最佳化設計，淡江大學機械系，2024。