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
本論文提出了一個適用於交大資工系計中Postfix電子郵件系統的應用開發框架。一般而言，電子郵件系統的使用者所收到的信件，都會統一經由伺服器所維護的內容過濾器所處理，最後投遞到使用者信箱中。在最後階段，使用者才有機會介入、撰寫腳本、處理信件，但因為安全與運算資源的問題，這個處理能力本身是被限制住的、彈性不高。SendSwitch框架即是為了輔助現有系統、彌補缺陷，並且提供給雙方－不論是管理端或是使用端，方便、快速開發多元應用的機會。 SendSwitch的特點在於：部署時對現存伺服器架構影響小、全框架會以插件的形式存在於伺服器中；部署環境並不僅適用於單一的伺服器架構，只要擁有支援SMTP協議的基礎系統即可部署使用；客戶端SDK的運行環境限制較少，完成設定後即可選擇、使用自己熟悉的環境開發；客戶端SDK開發功能齊全，並不會對開發者使用任何外部程式功能做限制；不限制客戶端的運行平台，只需要能連上網、從伺服器端接收訊息。如何達成這些目標，將在之後設計與實作章節中進行說明與探討。
- 學位論文
本論文發展三維場景的行人監控系統，能夠整合攝影機影像的即時畫面至三維模型上，並擷取影像中移動的行人加以立體化，呈現一個具空間感且可以即時互動的監控畫面。相較於傳統的監控系統僅能使用分割式的方式來顯示所有攝影機的畫面，導致監控人員無法即時認知每個畫面之間的空間對應關係，容易造成混淆，在緊急狀況時，可能無法做出最好的判斷。進而發展出三維場景的監控系統，並以影像投影技術將攝影機畫面呈現於三維場景模型，但往往因為三維場景模型中不保有即時行人的立體模型，然而任意切換觀看視點時會造成畫面中行人顯示變形的情況發生。透過我們的系統，任意視角下行人皆可以正常的顯示，讓監控人員可以正確的認知場景與行人之間的相對空間，達到完善三維場景監控的感受。 本論文主要分為兩大部分，第一部分為透過空拍場景照片建置場景的三維模型，接續使用相機校正及相機定位技術計算攝影機畫面與三維場景的相對方位，並且透過投射的紋理方式將即時攝影機畫面投影至對應的三維場景上達到動態的即時貼圖，同時預先建立監控影像座標與三維場景座標的轉換關係有效加速後續行人平面告示板的建置，第二部分為透過結合深度學習模型的物件偵測與目標追蹤的技術有效達到畫面行人偵測的即時性與穩定度，再基於背景相減法提取行人的輪廓資訊，使額外背景資訊加以透明柔化，建立場景紋理貼圖，最後再使用三維平面告示板模型使影像中移動的行人以立體化的方式呈現，達到任意切換觀看視點下，行人皆可以正確地顯示其相對位置與輪廓，使得本系統可以更完善地整合即時畫面至三維模型上。
- 學位論文
過去數十年以來，紡織產業一直是台灣重要的傳統產業。不過近年來，對於功能性紡織品的需求不斷地增加，而絲餅是這些紡織品的原料，所以絲餅的品質將會直接影響紡織產品的品質，因此，絲餅瑕疵檢測可以說是紡織製造過程中的關鍵步驟。雖然大多數紡織產業已經轉型為高自動化製造產業，但是瑕疵檢測卻仍然依賴人工檢測，在大量生產之下，人工檢測顯得既耗時又費力並且不穩定。本論文提出了一個基於影像分析之絲餅瑕疵檢測，將自動光學檢測應用於絲餅的瑕疵檢測。檢測流程中，我們首先架設了一個標準化且可控制的取像環境，然後我們對屬於外型類別中的絲餅瑕疵設計了一個高效能且高準確率的自動光學檢測演算法。本論文將會針對五種絲餅瑕疵進行瑕疵檢測，分別為凸肩、側凸、分層，蛛網、外型變異。我們的演算法主要是利用瑕疵特徵和絲餅資訊再利用電腦視覺和影像處理的技術來進行瑕疵絲餅與正常絲餅的分類。經由實驗，我們的檢測演算法在擁有高準確率之外也能夠提供額外的瑕疵資訊並且可用來建立未來研究使用的資料庫。
- 學位論文
在智能家居/工廠、增強現實和虛擬現實等新興應用當中，我們需要客戶的位置信息，以實現人與環境的互動或個性化服務。隨著當今無線設備中所配備的天線越來越多，最近的研究顯示僅基於WiFi信號的入射角（AoA）進行次米級定位的可能性。然而，我們發現AoA估計並不總是可靠的！在一些關鍵區域，信號的信道狀態信息的微小變化可能引入極大的AoA估計誤差。因此，這項工作的第一個目標是找出造成這種不平等可靠性問題的根本原因。我們進行了一些實驗測量以探討不同位置的AoA誤差分佈。有趣的是，我們發現造成這種不等可靠性的關鍵原因是無線信道的相位與信號的AoA之間的非線性關係。通過這種觀察，我們提出了UAT（Unequal AoA Tracking），一種基於可信度的AoA定位系統。我們主張AoA估計的可靠性可以在數學上進行量化，允許系統根據其置信度權衡不同AP的決策。根據我們的實驗驗證結果顯示，UAT的可信度設計可為大約90％的位置提供可靠的次米級定位水準。而其中UAT對於風險區域特別有效，與一般沒有信心度概念的AoA定位相比，我們的UAT方法可以將定位誤差減少27.5％。
- 學位論文
在智慧交通系統的發展與應用中，準確預測旅行時間是不可或缺的應用，使大眾在旅行開始前做出更好的規劃以及旅行方式的選擇，有助於減少旅客焦慮跟運輸成本。旅行時間估計和預測是個複雜且具有挑戰性的任務，由於不同車輛組合以及天氣、事件等外部因素往往會造成預測準確度的下降。本研究目的是針對在高速公路上的短期國道交通預測，利用現有可蒐集到的國道交通資訊來做預測，整理出我們所需要的預測目標(旅行時間、壅塞排除時間)及變量(車速、車輛數、道路佔有率…等)，做前置的資料處理與產生新的特徵。使用梯度提升決策樹(GBRT)來預測，我們提出一個調整GBRT參數與特徵挑選的方法來提高短期國道交通路況預測準確度。觀測皮爾森相關係數找出鄰近VD的影響設定基礎模型，並使用分位損失而不是最小平方差損失函數，在所選路段預測TT降低平均2.44% MAPE誤差，預測TTF降低平均0.21 MAE誤差。調整GBRT超參數提高模型的準確度。透過影響目標路段預測TT準確度找出最佳鄰近VD組合，上下游交通對目標的影響並不平衡。透過特徵工程產生的路段壅塞長度(congestion length)，在三條選取的路段預測TTF時有助於模型降低預測誤差。對所選路段作特徵轉換，使得96路段預測TT降低0.5% MAPE。最後，比較深度學習預測誤差與分析四月份預測的結果，在較常發生壅塞的路段以及壅塞將要解除的時刻，GBRT擁有較低的預測誤差(壅塞路段最多降低0.32%)以及錯誤統計量(L2:壅塞解除時的錯誤預測次數少於NN平均29.5次、FC:壅塞時預測順暢的次數少於NN平均12.25次)。本研究訓練完的GBRT模型最後在路段96獲得了比NN低1.08%的MAPE誤差。
- 學位論文
資料不平衡的問題發生在許多不同的應用領域，並且在機器學習和數據探勘中被認為是一項艱難並具有挑戰性的問題。常見的方法有過採樣與降採樣，過採樣可能導致過擬合，而降採樣可能會失去具有代表性的數據樣本。此外，大多數的人造資料重採樣方法都只學習了少數類別的資訊，而沒有考慮大類別的資料分佈與特性。我們設計並提出了一個新的演算法架構，該演算法結合了深度學習中的特徵嵌入學習和可判別型式的損失函數，結合以上概念生成出人造合成數據。與以往的研究相比，我們所提出的新方法同時考慮了多數類別和少數類別並且進行特徵嵌入學習，並使用適當的損失函數使特徵嵌入盡可能具有區分性。因我們所提出的方法是一個架構，可以使用不同的特徵擷取方式因此可以用於不同的領域，甚至不同的資料型態。我們的實驗使用了在八個數值型資料集在二分類的問題和一個影像型資料型在多分類的問題中。這些實驗結果表明，我們提出的方法跟以往的方法比較有顯著的提升和更穩定的結果。此外，我們也對我們所提出的架構進行了完整的實驗研究，並使用可視化技術來探討我們提出的方法，為何能夠生成較好的人造資料樣本的原因。
- 學位論文
許多機器學習及深度學習的應⽤都需要對於模型預測結果的解釋來讓專家相信這些模型。此研究專注於多變量時間序列的早期分類問題，並且使⽤注意⼒機制來讓模型產⽣可解釋的分類結果。我們提出的⽅法使⽤深度學習的技術來萃取多變量時間序列中不同變量之間的關係以及時序上的關係。此外，我們也使⽤注意⼒機制來找出時間序列中重要的⽚段，提供了⼀個可以讓使⽤者參考以及做進⼀步決定的的依據。我們相信我們出的⽅法可以應⽤於各個領域。我們在三個資料集上測試我們的⽅法並且與其他⽅法做⽐較，實驗結果顯⽰我們的⽅法在準確度及提早度上可以與其他⽅法抗衡。更重要的是，我們的⽅法所提供的可解釋性可以幫助使⽤者更加了解模型是如何做出最後的預測結果。
- 學位論文
心室顫動是最致命的一種心律不整，如果沒有及時治療，患者將可能在很短時間内死亡。病人的存活率與能否及時進行除顫有極大的關連，然而目前的臨床運用中，除顫通常在人工偵測到心室顫動發生後才會進行，而心臟驟停往往沒有明顯徵兆也是導致目前無法及時除顫的主要原因。此外，導致心室顫動的原因也是多種多樣的，而同時對所有病人進行全面的監測並不現實，所以如果能通過分析心電圖來預測將要發生的心室顫動，爲部署除顫裝置爭取時間，可以挽救更多生命。 目前有關預測心室顫動病症的研究，主要集中於對心室顫動病人心電圖資料和正常人心電圖資料進行分類的研究，而鮮有對心室顫動病人的發病進行預測的相關研究，這在臨床醫學上非常有意義。而今深度學習在諸多研究領域獲得了不同程度的突破，包括在心電圖等時間序列資料的分析上，也有一些建樹。有鑑於此，本研究提出一個可預測心室顫動發病的架構，著重整合應用了Convolutional Neural Network和Long Short-Term Memory等深度學習方法，並包含完整之資料前處理、資料轉換、分類學習及預測、參數調教等程序。同時，我們並仔細評估了架構中各項參數及設定對預測心室顫動發病的影響，以驗証本架構之可行性。
- 學位論文
由於在室內環境收不到GPS訊號，因此有許多室內定位的技術被發展出來。這些定位技術如基於慣性感測元件、聲音訊號、可見光、無線訊號等等。在我們的實作中，我們使用地磁場搭配深度學習之類神經網路來學習與位置相關的特徵。現有的文獻大多還是需要花費人力來收集這些地磁場的資料並利用線性內插來增加資料集。然而，我們的實驗顯示出用內插產生的資料與真實量測之資料量存在著差異性，因為地球磁場值並不總是線性的。因此，我們使用機器人搭載著手機在室內空間收集較精細的地磁場資料。我們使用這些資料集來訓練我們系統的兩個定位模型:深度類神經網路以及循環類神經網路。除此之外，我們也利用單點磁力資料來合成數條的磁力軌跡，藉此增加循環類神經網路模型的資料量。從實驗結果顯示，我們提出之方法的定位誤差比先前的研究來得更加提升。