拉曼光譜儀(Raman Microscope Spectrometry)是一種能快速分析化學樣品的儀器，相較於本研究中個案公司的其他分析儀器如氣相層析質譜儀(Gas chromatography-mass spectrometry,GC-MS)或液相層析質譜儀 (Liquid chromatography-mass spectrometry,LC-MS)等，GC-MS與LC-MS分析樣品前需耗費時間將樣品進行前處理後才能分析，而使用拉曼光譜儀能縮短分析的時間及減少耗材的成本，本研究將利用拉曼光譜儀分析彩色光阻劑後的數據進行分類，目的是為了建立一套能依不同溶劑之類型將彩色光阻劑進行分類的模型，期望此分類模型能夠加速個案公司彩色光阻劑的開發研究。
本研究為了能減少拉曼光譜儀分析後數據的維度使用了兩種縮減變數的方法:一、從化學分析角度剔除過多的變數；二、再利用主成分分析來縮減變數，接著將經過維度縮減後的資料製作成訓練資料集來建立分類模型，使用兩種分類法來建立分類模型，第一種分類法是K最鄰近法，並測試不同的K值對分類正確率的影響；第二種分類法是支援向量機，並測試不同Kernel對分類正確率的影響。本研究最後的結果發現拉曼光譜的分析資料使用縮減維度的資料前處理方法並搭配K最鄰近法能建立一個有效的分類模型。

Raman Microscope Spectrometry is an instrument that can analyze quickly chemical samples, compared with other analytical instruments in this study such as Gas Chromatography-Mass Spectrometry (GC-MS) or Liquid Chromatography-Mass Spectrometry (LC-MS), etc,in the case company.Before analyzing samples by GC-MS and LC-MS, it takes time to preprocess the samples before they can be analyzed, and using Raman spectrometers can shorten the analysis time. In order to reduce the cost of consumables, this research will classify color-photoresists by using data which analyzing from Raman spectrometer.the purpose is to establish a classification model which can classify color photoresist according to different types of solvents. It is expected that this classification model can accelerate the development and research of color photoresist of case company.
In order to reduce the dimension of the data which analyzed by Raman spectrometer, two methods can be used.First, to eliminate a lot of variables by chemical structure; second, to reduce the variables by Principal Component Analysis.The later data is made into a training data set to establish a classification model, and two classification methods are used to establish a classification model. The first classification method is the K nearest neighbor(KNN) method, and the influence of different K values on the classification accuracy rate is tested; the second classification method is Support Vector Machine(SVM) and tests the effect of different Kernels on the classification accuracy. The final result of this study found that the analysis data of Raman spectroscopy can establish an effective classification model by using the data preprocessing method of reduced dimension and the KNN method.

尹韻慈, 蘇鼎元, 王鐘凰, 陳素月, 董志宏, & 朱燕華（2016）。台灣市售植物油之特
性分析與特徵指標評估。Taiwanese Journal of Agricultural Chemistry & Food Science， 54（3）。
方建能, 余炳盛, & 譚立平（2015）。古銅錢的孔雀石拉曼光譜特性。臺灣鑛業， 67（4），頁 33-45。
朱晏嬅（2008）。應用最鄰近區域分類法於慢性病分類預警準則之研究。元智大學工業工程與管理研究所學位論文。
林振男（2018）。以微量元素與氫, 氧, 碳, 氮同位素區分大蒜地理來源。中興大學土壤環境科學系所學位論文。
邱琬雯（2017）。全球面板產業投資概況及發展趨勢。機械工業雜誌（406），頁 45-56。
施秀鶴, & 皮亦雄（2007）。拉曼光譜在食品科學上的應用。科儀新知（157），頁 89-96。
胡登凱. (2015). 旋轉塗佈光阻減量實驗之研究. 中原大學機械工程研究所學位論文, 1-61.
夏峪霖, & 鄭泗東（2009）。利用高分子光阻流變特性的控制以縮短彩色濾光片固烤製程週期。國立交通大學平面顯示技術碩士學位學程學位論文。
翁慈宗（2009）。資料探勘的發展與挑戰。Featuer Report 專題報導資訊與生活科技, 科學發展（442）。
袁梅宇. (2017). 王者歸來: WEKA 機器學習與大數據聖經: 佳魁資訊.
陳志華, 楊子緯, 張訓楨, & 賴永崧（2016）。特徵分析和機器學習方法應用於肝臟疾病檢測。福祉科技與服務管理學刊， 4（3），頁 417-429。
陳威同（2014）。利用高光譜影像與螢光影像偵測稻米表面酯質殘留。臺灣大學生物產業機電工程學研究所學位論文。
陳逸民（2019）。南韓顯示器產業現況與未來動向。光連: 光電產業與技術情報（140），頁 52-55。
陳嘉銘（2016）。呼吸器脫離的預測-以資料探勘分析和呼吸器脫離參數比較。中興大學資訊管理學系所學位論文。
游慈卉（2011）。使用顯微拉曼光譜儀研究多層石墨烯之氫化反應。清華大學物理學系學位論文。
廖育偉（2017）。拉曼散射光譜於臺灣烏龍茶葉產地判別模型之應用。臺灣大學生物產業機電工程學研究所學位論文。
鐘偉菖（2013）。應用高光譜影像技術於青江菜黑斑病與草莓葉部炭疽病之偵測與分析。臺灣大學生物產業機電工程學研究所學位論文。
Backhaus, A., & Seiffert, U. (2014). Classification in high-dimensional spectral data:
Accuracy vs. interpretability vs. model size. Neurocomputing, 131, 15-22.
Boyacı, I. H., Temiz, H. T., Uysal, R. S., Velioğlu, H. M., Yadegari, R. J., & Rishkan, M. M.
(2014). A novel method for discrimination of beef and horsemeat using Raman
spectroscopy. Food chemistry, 148, 37-41.
Chan, K., Wong, A., Piatesky–Shapiro, G., & Frawley, W. (1991). Knowledge Discovery in Databases: AAAI/MIT Press Menlo Park, CA:/Cambridge, MA.
Christou, C., Agapiou, A.,& Kokkinofta, R. (2018). Use of FTIR spectroscopy and
chemometrics for the classification of carobs origin. Journal of advanced research, 10, 1-8.
Crawford, L., & Morrison, J. D. (1968). Computer methods in analytical mass spectrometry. Identification of an unknown compound in a catalog. Analytical chemistry, 40(10), 1464-1469.
Glavin, F. G., & Madden, M. G. (2018). Analysis of the Effect of Unexpected Outliers in the Classification of Spectroscopy Data.
González‐Vidal, J., Pérez‐Pueyo, R., & Soneira, M. J. (2016). Automatic classification system of Raman spectra applied to pigments analysis. Journal of Raman Spectroscopy, 47(12), 1408-1414.
Ishikawa, S. T., & Gulick, V. C. (2013). An automated mineral classifier using Raman spectra. Computers & geosciences, 54, 259-268.
Ledinský, M., Löper, P., Niesen, B., Holovský, J., Moon, S.-J., Yum, J.-H., . . . Ballif, C. (2015). Raman spectroscopy of organic–inorganic halide perovskites. The journal of physical chemistry letters, 6(3), 401-406.
McCreery, R. L. (2005). Raman spectroscopy for chemical analysis (Vol. 225):
John Wiley & Sons.Moore, G. (1965). Moore’s law. Electronics Magazine, 38(8), 114.
Shipp, D. W., Sinjab, F., & Notingher, I. (2017). Raman spectroscopy: techniques and
applications in the life sciences. Advances in Optics and Photonics, 9(2), 315-428.
Stöckel, S., Kirchhoff, J., Neugebauer, U., Rösch, P., & Popp, J. (2016). The application of Raman spectroscopy for the detection and identification of microorganisms. Journal of Raman Spectroscopy, 47(1), 89-109.
Varmuza, K., & Filzmoser, P. (2016). Introduction to multivariate statistical analysis in
chemometrics: CRC press.