交通大學資訊科學與工程研究所學位論文
國立交通大學,正常發行
選擇卷期
- 學位論文
在本論文中，提出一種前處理協同模糊群聚（Preprocessed Collaborative Fuzzy Clustering, PCFC）之技術來完善從模糊C均值群聚和捲入協作流程前所獲得的原型和分割矩陣的不一致性。前處理協同模糊群聚對協同模糊群聚和提供較佳的數據可視化間產生的問題提供了一種解決方案。因為基於隱私和安全問題，一般在協同的過程中一個組織不能直接與其他組織共享數據資訊。但是前處理協同模糊群聚卻幫助分割矩陣和原型之形式的不同組織間分享數據資訊，並在維持數據的隱私和安全的同時依然可以得到一個滿意的結果。 本論文亦針對類神經模糊和模糊推論系統提出了一種新穎協同模糊規則轉移機制。首先使用模糊C-均值產模糊規則生，然後使用前處理協同模糊群聚來適應和更新。第二步，更新規則常被用來決定類神經模糊系統的結構學習面向和模糊推論系統的知識庫子系統。第三步，在參數學習的表現上則透過不用選擇類神經模糊系統的初始化參數來更新模糊規則和使用If-Then型式的模糊規則將模糊輸入轉換至模糊輪出的模糊推論子系統。本論文提出的方法能夠處理巨大的數據集，並同時保留數據集的隱私和安全。完整的數據集被分割成幾個相等的數據集的子集給前處理協同模糊群聚這步驟，其中每個數據集的子集都是單獨群聚。針對本文提出的方法，最初完整數據集被組織成兩個獨立的數據集的子集並且透過協同技術來決定原型（聚類中心）的知識和數據集的子集之分區矩陣。本論文提出的方法可以實現在前處理協同模糊群聚的集體知識出現的一致性，並且透由神經模糊推理網絡的參數學習能力來提昇系統建模過程。在進行時間序列預測問題上，本論文提出的方法也優於其它現有的方法。 更進一步，本論文展現一種使用前處理協同模糊群聚來結合Mamdani型式與TSK(Tagaki-Sugeno-Kang)型式模糊推論系統的新系統建模範例。在本論文提出的方法中，前處理協同模糊群聚通常用提取一組規則去取代Mamdani型式模糊推論系統中模糊C-均值分群的使用和TSK型式模糊推論系統中刪減分群法的使用來模組化資料行為。本論文提出的方法結合了前處理協同模糊群聚的知識學習能力與含有Mamdani型式與TSK型式模糊推論系統建模實力的模糊C-均值之規則學習能力來對於給定的問題集合提供精確的系統模型。 本論文所提出的方法幫助了解與想像系統結構建模的資料分析。 此外，本論文展現一種改進過的自我建構類神經模糊推論網路(Self-constructing neural fuzzy inference network, SONFIN)，稱之為溫和提昇(Soft-boosted) 自我建構類神經模糊推論網路 (SB-SONFIN)。該網路輕輕地提昇自我建構類神經模糊推論網路的學習過程來達到較低錯誤率的高速學習。因為模糊規則的數目和初始化權重是自我建構類神經模糊推論網路兩個重要的因素，溫和提昇自我建構類神經模糊推論網路透過兩種方式增強自我建構類神經模糊推論網路的學習能力： (1)用模糊集合的寬度而採用隨機數值來初始化權重； (2) 使用學習過的模糊規則數量來溫和地提昇參數學習率。本論文提出的溫和提昇方案的有效性已在各種現實世界和基準數據集進行驗證。實驗結果顯示在給定的數據集中溫和提昇自我建構類神經模糊推論網路優於其它已知方法.
- 學位論文
過去許多研究發現壓部後皮質在空間認知活動中扮演很重要的角色,其功能 包含提供「他物中心」空間定向時必要的資訊。然而這些研究大多是核磁共振的 腦造影研究為主,而後壓皮質在空間定向時的腦波變化,以及相關的腦波聯結網 路尚未明瞭。因此,本研究探討以「自我中心」和「他物中心」參考坐標系在空 間定向時,後壓皮質以及其他腦區的腦波變化及腦聯結網路狀態。 本研究以虛擬實境模擬的空間場景,讓實驗者進行路徑整合的空間活動,並 在實驗中,量測及觀察實驗者的腦波反應。在實驗中所量測到的腦波訊號,透過 獨立成份分析,以及時域頻域轉換來觀察不同頻帶不同腦區的腦波變化。此外, 本研究也以格蘭傑因果分析法來觀察大腦腦區之間的互動與聯結狀態。研究結果 顯示出,在進行路徑整合時,額葉皮質的θ腦波能量會上升,而腦前區的前扣帶 皮質、背外側前額葉皮質的θ腦波相互聯結成有效性網路。另外在腦後區的運動 區皮質、頂葉皮質、視覺區皮質、壓後皮質都觀察到α波的變化和聯結網路。當 受試者使用自我中心參考坐標系時,額葉皮質的θ波能量會顯著性的更為增加。 而他物中心者在後壓皮質,和視覺區皮質,頂葉皮質會發現α波的連結網路。不 僅如此,壓後皮質的α波能量還能預測,他物中心受試者的行表現好壞。 本研究的結果明確的指出,後壓皮質在的空間導航中扮演重要的功能。並進 一步發現後壓皮質在他物中心機制的大腦聯結網路和腦波變化。未來的研究,能 以此結果,衡量他物中心者的表現,並進一步協助實驗者訓練並增進空間導航能 力,減少迷向的發生。
- 學位論文
本論文主旨是在Xilinx Zynq 7020 FPGA平台上建構H.264/AVC移動量偵測電路的設計，透過AXI bus protocol，將H.264影片的raw data檔案從DDR SDRAM搬運到實作的電路上，以Hexagonal Search為策略進行block的移動量偵測。本論文分別以軟體以及硬體實作影像中移動量偵測的部份，並將所需計算的時間進行比較，預期能支援3張參考影像進行畫面間的移動偵測。主要的架構包含將block的searching area從DDR SDRAM中利用burst mode搬移到Block RAM之中，之後block進行interpolation時所需的sliding window的pixel來源的讀取就可從Block RAM中獲得，而無需再從DDR SDRAM中搬入，大大的降低傳輸的時間，最後設計出來的移動量偵測電路可以以100MHz在Zynq 7020 FPGA下運行。
- 學位論文
在臺灣全民健保已經行之有年，至今累積了大量的醫療紀錄與病歷資料，使得Electronic Medical Record(EMR)走上檯面。儘管EMR的出現降低了管理成本以及減少錯誤率，但是這些EMR都是由各自的醫療機構所保存管理，病人的病歷資訊因此四散各地而缺乏完整性，因此如何整合、管理EMR使得病人可以獲得更好的醫療服務是一個重要的議題。隨著雲端科技的興起，將醫療資料統一儲存到雲端系統，不僅可以降低管理成本，也可以達到便於交流的目標。但將EMR上傳到雲端儲存系統，我們必須考慮到如何保障EMR的隱私性以及如何整控EMR的存取控制。 針對上述的議題，我們提出了一個醫療資料庫系統的架構，以MIT CSAIL團隊開發的CryptDB[1]。為基礎，CryptDB的洋蔥式加密法不僅保障了EMR的隱私性還支援一般資料庫的操作，例如新增、查詢、排序、比對等功能，讓EMR在使用上更加方便；而利用Yang et al.[13]所提出的MA-ABE來作為存取控制機制，讓病人能夠彈性地管理他的EMR，使得授權的使用者可以取用EMR而非授權的使用者便無法取用，達成在雲端儲存服務上，對EMR安全的存取控制與共享的目標。最後，我們實作了這個系統來證明我們的架構是可行的。
- 學位論文
物聯網被視為是繼電腦、網際網路之後新一波的資訊革命。隨著智慧型手機和平板電腦的普及，它們儼然成為了物聯網裝置的操控中樞，各種不同領域的物聯網的應用也紛紛被創建出來。物聯網核心的商業模式都是圍繞著資料轉。這些透過各種物聯網裝置感測而來的數據會被收集起來加以分析提供物聯網應用進一步的使用。為了達成這個目的，需要整合物聯網結構中的的感測層、網路層以及應用層。物聯網共同服務平台的觀念正在慢慢成形以達到整合這三個架構的目的並提供應用層及感測層的開發者更有效率的開發各自的應用及服務。 一個理想的物聯網共同服務平台是要能夠讓各種不同的裝置都可以互相溝通並讓資料可以被有用的應用共享。在未來將有大量的物聯網應用和設備產生大量的數據，並產生繁重的工作負載給物聯網的網路及平台。因此，物聯網平台要有能夠應付瞬間湧進大量流量的壅塞機制及對這些資料做優先級分類。然而，到目前為止現有的研究很少有此效能管理的機制。 本論文提出了一個具備有效能管控機制的物聯網平台。它允許用戶在向物聯網平台註冊時設定其優先級。除此之外，平台可以透過壅塞管控機制來達到平台效能管理的能力。在我們提出的架構中，當有突發的大流量湧入系統時，節流調度機制就會被觸發並開始拒絕進入平台的請求從而維持平台的效能及穩定性。 為了比較我們提出的方法對原有架構的改進，我們設計了三個實驗來評估我們的架構。我們比較了突發性大流量之下兩個架構的效能表現、評估緩衝器大小對新架構的影響以及新架構對於多個不同優先權應用的效能表現。結果證實，我們提出的架構不僅可以有效地增進系統的效能更達到保證不同優先級應用的效能。
- 學位論文
隨著社群媒體的熱門興起（如Facebook, Flickr），使用者可以輕易地分享他們在旅行中的打卡資訊以及照片等等。從大量的打卡資料以及照片資訊的角度來看，我們希望能夠透過這些旅遊經驗來讓旅行規劃變得更容易。先前的研究探討了如何透過打卡資料來對既有的旅遊軌跡進行探勘以及排序。我們發現當使用者在進行旅行規劃時，使用者會使用一些與他們的旅行偏好相關的關鍵字，而且他們也會需要一個多元化的旅遊軌跡推薦結果。為了要提供一個多元的旅遊軌跡集合，我們認為需要從景點資料中萃取出更多的特徵資料。因此，在這篇論文中我們提出了一個關鍵字感知天際線旅遊規劃(KSTR)框架，可以從歷史紀錄的行動資料以及使用者的社交行為來進行有效的知識萃取。更進一步的說，我們從地理相關的mobility pattern、拜訪時間的影響以及社群的影響上取得特徵資訊，來解決Where、When、Who這三個議題。接著我們提出了一個關鍵字萃取模組，透過自動的將景點相關的關鍵字分類成不同的種類，來有效的與query輸入的關鍵字進行配對。接著我們設計了一個路徑重組的演算法來建立符合條件的旅遊路徑。為了要能提供一個多元化的結果，我們使用了天際線(Skyline)的概念來挑出最後的旅遊路徑。我們也使用了真實的地理相關的社群資料來進行實驗來驗證我們提出的演算法的效用以及效率，而實驗結果也顯現出KSTR良好的效能表現。
- 學位論文
固態硬碟擁有比傳統硬碟更快速的存取速度、較低的功率消耗與更好的抗震能力，隨著目前固態硬碟技術逐漸成熟而價格下跌，固態硬碟顯然已經成為儲存設備的主流。在固態硬碟的技術中，會使用映射快取的技術，透過將映射表以快取的形式，快取較常用的映射資訊，不常用的映射資訊存在快閃記憶體中，以減少映射表過大的問題，並且利用多通道架構，以多個獨立的通道服務要求，增加系統的效能。然而在隨機寫入的工作負荷下，映射快取與通道之間的相依性會造成嚴重的通道閒置問題，使得固態硬碟的效能提升受到限制。最佳化映射快取的相關文獻沒有考量到多通道架構下所產生的通道閒置問題，因此本篇論文提出最佳化映射快取演算法(Optimizing Mapping Cache, OMC)，透過預先讀取與區分工作的優先權方式，消除映射快取在多通道架構下因為資料相依性而產生通道閒置而造成效能衰減的問題。
- 學位論文
隨著適地性社群網路(LBSNs)的蓬勃發展，使用者可以在這些平台上與朋友們分享打卡資訊。而從這些適地性社群網路平台所取得的打卡資料不單表示使用者所在的時間與空間，更重要的是使用者在此時空狀態下所從事的行為。藉由分析這些打卡資料，我們可以提供使用者個人化的適地性服務。此篇論文主要有兩個目標，分別為：1) 針對使用者打卡資訊中的時間與地點資訊，推測該使用者當前所從事的活動(activity)。2) 針對使用者當前所從事的活動，推測該使用者可能出現的地點(location)。我們將面臨使用者打卡筆數不足的挑戰，為解決此問題，我們利用個人化的貝氏網絡(Bayesian Network)來描述打卡資料中時間、空間，與活動這三項因素。接著，將主要問題分成兩部分，分別探討時間與活動的關係(time-activity correlation)，和地點與活動的關係(location-activity correlation)。針對時間與活動關係的部分，我們提出行為轉換模組(Activity Transition Model)來計算在特定的時間區塊中，從事每項活動的機率。針對地點與活動關係的部分，採用高斯混合模組(Gaussian Mixture Model)，為每位使用者的每項行為來建構。本篇論文中，採用一組實驗資料來驗證我們的方法，並與傳統的貝氏機率、支持向量機、非負矩陣分解等方法進行比較，針對空間的部分則是與核密度估計法(Kernel Density Estimation)比較。實驗結果證實，不論是預測使用者活動或移動行為，我們的方法都優於其他。
- 學位論文
隨著社群網路的盛行，有越來越多的社群媒體提供豐富多樣的互動方式供使用者間做交流。透過發表文章、照片，甚至在拜訪過的地方打卡，讓使用者能夠輕易地分享日常動態。其中，打卡資料包含了時間與地點的資訊，讓我們能夠進一步探討使用者的移動行為。另一方面，我們也發現：社群網站上使用者之間的連結關係常與他們的移動行為有著密不可分的關聯。越常共同出現在同一個地點的人們，常隱含著他們之間具有朋友關係的可能性。因此，本論文旨在透過分析使用者的移動行為，探討他們在社群網站上的連結關係。在解決社會連結關係推論問題時，一種常見的方式即為分析使用者之間共同出現在同一個地點的頻率。共同出現在相同地點的頻率越高，在社群網站上具有朋友關係的機率也越高。然而這樣的推論模型常隱藏著錯誤估計湊巧出現在同一個地點的風險。 為了有效區別巧合以及朋友間的真實聚會，本論文提出一個基於時空資料的社會連結關係推論模型：SoC（ Social Connection Inference Model）。在此模型的第一階段，SoC會萃取出三個描述共同出現行為的特徵值：地點多樣性（diversity）、地點熱門度（popularity）、時間關聯性（temporal）。其中，時間關聯性包含了兩個衡量指標：穩定性（stability），以及持續性（duration）。特別值得注意的是：在我們的實驗中，相較於其他特徵值，「穩定性」以及「持續性」在推論社會連結關係的模型中具有相當的指標性。 在此推論模型的第二階段，SoC藉由隨機森林分類器（Random Forest）整合第一階段所產生的特徵值，並進一步訓練出分類模型，推論使用者之間的社會連結關係。為了評估本論文所提出的方法，在實驗上我們使用了一組真實世界的dataset：Gowalla。實驗結果說明，本論文所提出的社會連結關係推論模型能夠比其他現有方法有更好的準確度。