本研究重点着重于具多重属性之大量数据高效能查询算法，透过算法实现压缩数据、快速查询等功能。高效能的查询模式如Bloom filter、CMAC，主要原理是将原始数据转换为低维度型态以利提高运算效率。然而此类型查询模式原始的设计重点在于简单的二元查询，如存在属性。对于多重属性查询必须设计出更复杂的结构，效能也相对地降低。本研究结合Bloom Filter 及CMAC 神经网络，开发多属性编码及反馈修正训练算法，实现多属性查询架构。本研究将以台湾自用车牌作为训练样本，实现多属性编码、数据压缩及快速搜寻等功能。 This research focuses on developing a high-speed query algorithm for multi-attribute large-volume data, in which data compression and fast querying can be simultaneously achieved. In the past decade, this type of problem is usually resolved by storing the
