本論文主要以高斯過程模型（Gaussian Process Model）應用在電腦實驗的研究方向上，主要探討的問題同時包含連續型因子（Quantitative Factors）及類別型因子（Qualitative Factors），並依反應變數含有噪聲（noise）與否分為兩種不同的案例進行研究。而整個實驗流程基本上涵?有兩步驟：應用高斯過程模型建模再依填充標準（Infill Criteria）進行序列設計（Sequential Design），整個算法為這兩個步驟依序疊代，直到停止條件滿足為止。 其中不具噪聲的案例為電子元件散熱鰭片之散熱效果分析。此類資料的反應變數不具有噪聲，因此我們選用定量及定性型之高斯過程（QQGP）為替代輔助模型，透過以QQGP建模結合最大期望改進量準則（Expected Improvement Criterion）進行序列設計，得以在控制成本的情況下，從少?實驗樣本找出電子元件散熱鰭片散熱效果較優的配置。 而具有噪聲的案例則應用在卷積神經網路（CNN）的參數優化上。因一般訓練卷積神經網路辨識影像需耗費大量的時間，本論文以樹狀高斯過程模型（tGP）結合期望改進量準則進行最佳化程序，得以在進行迭代的過程中逐步提升模型準確率並優於原作所建議的參數預設值。
Surrogate-Assisted Tuning for Gaussian Process with Qualitative and Quantitative Factors
純瑩, 蘇. (Author). 2020
學生論文: Doctoral Thesis