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
本篇論文利用將感測器配置於右手臂、右大腿和右腳踝，收集三軸加速度及角速度數值，以達到健身房長時間動作分析的功能。資料會先以Window Size 2秒，Overlap 1秒進行資料切割，從中計算出108個特徵，再利用主成分分析(PCA)和Relief Feature Selection兩種方法達到降維的功能。 此系統分為三階段，第一階段會先分開收集各個動作的資料，透過隨機森林訓練出辨識動作的模型。由於長時間會包含一些原先不在訓練資料裡的其他動作，無法直接透過此模型中分辨出。所以第二階段會先進行分群，將類似的資料、動作先分在一起。第三階段依照前面分群的結果以群為單位帶進訓練好的模型，判斷該群是模型中哪種動作或新動作。 實驗證明透過上述的系統架構，長時間動作分析的準確率可以達到80\%。這個系統特點在於可以找出動作與動作之間的轉換及不在此訓練資料裡的動作，不同於單純套模型辨識動作。其二，透過此系統可以得知使用者在甚麼時間做了甚麼事情。
- 學位論文
本篇論文利用穿戴於右手臂、右大腿及右腳踝感測器所收集的三軸加速度和角速度資料，目標是建置出一個包含兩種模型的系統，最後達到能在一段健身房內的資料中識別出使用者是誰，同時也知道使用者在做什麼運動的功能。 研究的方法分成三個主要階段，首先第一階段藉由收集各種不同健身房動作資料加以處理並擷取特徵，建立出動作辨識模型。第二階段則是使用不同人走路的資料，切割出步態循環後使用步態對時間上的變化當作特徵建立出身份辨識模型。而為了解決不能分辨不屬於模型中的人，提出了另外一種分法，僅使用屬於本人的資料，透過將特徵轉換成距離的方式建立身份識別模型。 最後透過代入實際上的健身房長時間資料，證實這樣的系統在長時間的健身房資料中可以準確達到前面所說的功能。
- 學位論文
多年來股價預測不管在學術界或是業界都是十分重要的議題，過去已有許多研究利用歷史交易資料以及各種技術指標搭配深度學習的技術來提高股價預測的準確率，而近年來有一些研究發現，利用自然語言處理的方法來分析網路上大量的文字資料(財經新聞、網路社群等等)後作為輸入特徵加以預測能夠讓預測的準確率更加提升。 在台灣最大的網路論壇PTT上的Stock版，討論版上除了相關的新聞和股市資訊之外，也會有網友在板上尋求意見或參考他人看法。其中還有特殊的「標的」類文章，網友會針對個股提出自己的分析讓其他網友參考，當中不乏有勝率不錯的網友，其言論甚至比電視上的投顧老師或是證券分析師更加具有影響力，在這些網友發表文章後，對於成交量較低或是價格較低的個股(小型股)其股價可能會被影響，這個現象不禁令人好奇，若是利用這些文章來預測股市是否會有更好的成效。 結果發現，相較於只使用歷史交易資料來預測，加入文章後確實可以使得預測的結果更好，但是股本較小的個股相較於股本較大的個股，其預測結果的提升並沒有顯著的差異。
- 學位論文
揀選編譯器最佳化組合除了是一件非常實務的經驗，更需要系統性與統計性的分析。過去的研究已經證明了，若是能夠針對每個編譯模組施加更適當的最佳化組合，能夠得到良好的效能改善。本篇論文提出了稱為ABC 的框架，將編譯粒度從模組提高至函數，並提出一個藉由考量最佳化演算法語意控制流的全新程式特徵提取方式，搭配強化學習框架，以預測程式內每一個函數的最佳化演算法組合及順序。有了ABC，我們將能標準化的訓練預測模型的流程，藉此提升執行效能。實驗顯示，ABC 框架，對於用以訓練程式，能使大約73% 的程式效能優於“-O3”，整體而言，得到了比“-O3”提升幾何平均1.9% 的執行效能；對於未曾訓練的程式，能使大約64% 的程式效能更勝於“-O3”，整體而言，得到了比“-O3” 提升幾何平均1.5%的執行效能；然而不可避免的會有編譯時期的時間成本，相較於“-O3”的編譯時間，平均帶來了7.4 倍至91.0 倍的編譯時間，但我們依然認為這是可以被普遍接受的成本。
- 學位論文
本篇論文旨在利用多種演算法來對人體的肺部電腦斷層掃描圖進行自動 分析，理解其中內部構造並且期望從中取得數據，甚至以更高的正確率來分辨出肺部結節。使用的工具包括區域生長、侵蝕擴張、海森矩陣、距離變換與支持向量機。未來只要將斷層掃描圖進行初步取得肺部輪廓後放入支持向量機訓練好之模組後，能得到分類好後之結果。 研究方法首先必須先確立好能夠進行測試之模組，先將肺部的圖像從病 人的斷層掃描圖中利用區域生長演算法取出後，使用擴張後侵蝕的方法將內部孔洞填補，再來利用海森矩陣分析其內部結構，先粗略將內部分為肺外緣與血管氣管，之後再將這兩類分開，加上手選之肺葉間隙與結節，最後將這五類資料之特徵放入支持向量機中進行訓練以得到可以進行肺部內部構造分析分類之模組。使用的特徵包括該點之灰度、周遭平均灰度、平均灰度差異、海森矩陣特徵值、基於特徵值代入之公式解。 此系統最大的特點在於，訓練好後之模組可以幾乎自動化所有的流程， 只要將取得的肺部電腦斷層掃瞄圖做過簡單的前置處理後，都可以使用此模組進行自動分類。其二，交由支持向量機分類的結果可以清楚辨別出一些肉眼難以分別的部分。其三，透過多種特徵下去建立分析模型，確保結果之精確度。
- 學位論文
在邊緣計算環境下，當物聯網裝置或霧運算裝置需要卸載運算至邊緣伺服器時，邊緣服務提供者能夠提供物聯網裝置及霧裝置較低的延遲。然而，當有大量的物聯網裝置請求運算卸載時，對於服務提供者而言，如何分配請求至有限容量的邊緣伺服器並且同時滿足低延遲的需求會是個重要的問題。而當考慮到不同服務提供者間的資源分配時，與哪個服務提供者形成聯盟並且決定金錢交易的多寡亦是個重要的問題。配對賽局很適合用於分配這些請求至邊緣伺服器，特別是在分散式的環境底下。我們提出了兩種使用配對賽局的資源分配方法，單一邊緣與霧系統服務提供者內的卸載方法與不同邊緣與霧系統服務提供者間的卸載方法。在單一邊緣與霧系統服務提供者內的卸載方法中，我們使用無金錢轉移的配對賽局；而在不同邊緣與霧系統服務提供者間的卸載方法中，我們使用有金錢轉移的配對賽局。並且我們將裝置的請求構成虛擬機器。配對賽局能夠提供一個穩定的配對結果，即是不會有任何一組請求與伺服器的配對會相互地更喜歡自己本身目前的配對結果。我們模擬了我們提出的方法，並且顯示出我們的方法對每個邊緣伺服器而言平均可以服務較多的裝置請求並同時滿足延遲限制，而在有金錢轉移的方法下，我們可以得到較高的收入。
- 學位論文
在這個資訊科技發展迅速的時代裡，生活中滿了各式各樣的數位產品，每個數位產品的設計幾乎都需要用到運算的概念，數位產品就是運算工具，藉著有效地運用運算工具可以解決生活中遇到的許多問題，每個人都需要具備一定的運算思維能力來使用運算工具以因應數位時代的潮流，因此本研究欲探討能夠提升運算思維能力的方法及其影響程度。 本研究透過視覺化程式教學來培養學生的運算思維，採取準實驗設計法，以普通高中二年級的學生為研究對象，依不同的教學方法將兩個班級分成兩組，進行為期五週，每週兩節課之Scratch教學，其中一組以講述投影片的方式進行教學，另一組則是讓學生參考Scratch網站上提供的範例專案來進行自學。藉由前測與後測國際運算思維挑賽與Dr. Scratch的結果，分析兩種教學方法對於各項運算思維能力的提升與Scratch的學習成效。 結果顯示，學生以範例自學的方式能有效提升其樣式辨識的能力，講述教學的學生其Dr. Scratch的平均分數顯著高於範例自學的學生，但各項運算思維元素之分數與Dr. Scratch分數無顯著相關，表示運算思維能力與擅長Scratch並無直接關聯。最後本研究根據教學時間、方法、檢測運算思維的標準提出建議，以作為未來後續研究之參考依據。
- 學位論文
多維度集合經驗模態拆解 (MEEMD) 常用於拆解影像，但其時間複雜度較高，在這裡介紹一個新方法：「空間頻率擷取使用類梯度運算子」，將運算時間減少十倍以上，且很適合平行化運算，在GPGPU版本中，將近有500 倍的效能提升！我們的新穎方法使用類梯度運算子評估不同半徑下的空間頻率，並且將梯度運算的結果積分到空間幀，其結果很類似於MEEMD 的成果。
- 學位論文
時序上的動作檢測指的是在一段包含多個動作的視頻中，除了要偵測出當中包含哪些動作類別外，還要精確地定位出每個動作發生的時間，包括起始和結束的時間。隨著深度學習技術的發展，很多研究從使用傳統電腦視覺的方法，改成利用深度學習的方式，這使得時序上的動作檢測這個研究領域也有了很大的進展。時序上的動作檢測有許多應用，像是視頻監控和視頻檢索等。 在本論文中，我們認為圖片中出現的物體資訊對於動作的檢測有很大幫助。因此，我們不使用三維的卷積網絡來生成影片的特徵，而是提出了一種使用兩層物體偵測網絡的架構:第一層網絡用於偵測每個幀中出現的物體，第二層網路則是用於動作的檢測。其中，我們提出了一種資料轉換的方法，將第一層的偵測結果沿著時序堆疊起來，形成一種具六通道的新型態資料，兼具空間和時間的資訊，作為第二層網絡的輸入資料。透過實驗證實了我們的方法能得到不錯的結果。