auto tune麥克風的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

非監督式學習於風扇不良品辨別之應用

為了解決auto tune麥克風的問題，作者郭晉豪 這樣論述：

在聲音傳達中，每個人聽到的特徵都不相同，除了非常明顯的噪音外，有些高低頻的微小異音，很難由人耳定義好壞。不僅如此，因為聲音沒有標準的答案，更沒辦法藉由異音直接判定不良，也有可能是每個人所聽到的結果不同，造成結果上的不同。尤其是在生產線上要由聲音判定好壞的產品，專業人員在長時間使用耳朵後，聽覺疲乏所判定的結果更可能有誤判的情況，若能由機器取代人耳，不但能提高產品品質並明確既定聲音的標準，還能增加生產之效率。本篇論文針對上述問題進行研究，設計了一台能模仿專業人員測試風扇過程的機構，並將聲音使用麥克風記錄下來，最後將所有聲音經由MFCC演算法處理，轉換成梅爾頻譜圖，再由程式做判斷。機構錄製與運轉上

的參數調整使用了田口方法來挑選，首先針對機構運作的可控參數挑選幾個並進行實驗，能調整的參數有電壓、錄製開始的時間、風扇夾具旋轉速度、風扇夾具來回時間、濾波器。將風扇錄製的陣列結果總和並重複三次實驗，觀察三次實驗的標準差，目的使其越小越好，挑出標準差最小的一組，使用此組參數當作實驗最佳參數。針對聲音沒有標準答案的部分，本篇論文使用了非監督式學習，並使用k-means與DBSCAN演算法，對風扇進行分類，並以PCA、t-SNE、AutoEncoder三種演算法對圖片進行降維與特徵提取，不只加快測試速度，還比較了三種結果的差異。最後使用t-SNE降維+DBSCAN分群結果準確率高達95%以上的正確分

類，此準確率以降維過後的圖片來說具有非常高的參考價值。