• 會議論文

高效能低成本的2-D DCT架構設計和FPGA實作

離散餘弦轉換在影音訊號壓縮應用扮演著非常重要的角色。本文設計了一個高效能的二維DCT/IDCT電路架構。我們採用NEDA架構進行無乘法器的DCT電路設計，並以FPGA完成硬體驗證。在效能方面，此一DCT硬體的系統時脈可達58MHZ；在管線架構下，每8個時脈週期就可完成一筆8x8二維離散餘弦轉換，具有極高的效率，可應用在各種即時影音壓縮／解壓縮系統；在精確度方面，透過實際JPEG壓縮流程驗證，使用浮點數軟體DCT與本文所設計的硬體DCT比較，其PSNR相差僅約0.33db。

• 會議論文

應用EMM於資料串流分群之研究

由於現今資訊科技發達，再加以Internet網路的興起，資料流探勘(data stream mining)已逐漸受到重視。隨著各種新興應用的崛起，例如網路流量分析、網頁點選串流探勘、網路入侵偵測、以及線上交易分析等，我們所要探勘的資料不再是靜態的資料，而是需要建立一個可以依即時且連續的動態資料流來調整探勘模型的機制。 可擴張的馬爾可夫模型(Extensible Markov Model)是一個依資料流時間及空間特性可動態調整的馬爾可夫鏈(Markov Chain)，它可以改善傳統馬爾可夫鏈(Markov Chain)因靜態性質導致所建構出來的模型在真實環境應用時，分群能力不如預期等問題。 本文以EMM撘配不同的相似度分群方法，並針對不同資料集來做分析，並找出一個可適用於不同串流資料的EMM分析方法。

• 會議論文

Studies on Neighbor-Connected Graphs

欲建構可靠的通聯網路時，經由鄰近連通性的研究，可掌握有關不能通聯的重大網路問題。在分析網路結構圖形的可靠性時，重大網路問題的成因係取決於其組成部分，這是指連接線或節點，但兩者互不混用。當網路上一個特定組成部分失去功能，會連帶損害其相鄰的組成部分時，我們稱之為重大網路問題。在網路上，若有數個組成部分同時發生重大網路問題，導致整個網路因不能通聯而失效，則其最小個數即稱為鄰近連通值。當以圖形表示網路結構時，增加連接線即可加強其一般連通性，提高其一般連通值，但是對鄰近連通性而言，可能正好相反，所以鄰近連通性的性質與一般連通性並不完全一致。在這篇文章上，研究鄰近連通性，導出連接線已飽和的網路結構圖形之特性，這類網路若增加連接線，反而更易發生全網不能通聯的重大網路問題。

• 會議論文

TCP Vegas於長距離網路傳輸公平性之研究

網路流量的公平性，是目前現行所用的各種TCP壅塞控制演算法所常見的問題，在其他論文的探討中[1, 2]，已發現使用TCP Tahoe、TCP Reno在長距離且多條連線共用同一頻寬時，會有流量分配的不公平性問題。在本論文中，我們探討TCP Vegas壅塞控制演算法在長距離傳輸的環境中，Vegas參數對多連線公平性影響的研究。由於TCP Vegas的特性為計算封包的延遲時間(Round-Trip Time, RTT)、預期與實際封包傳送速度的比較，以調整壅塞視窗(Congestion window, cwnd)的大小，來提升網路傳送的效能。我們在TCP Vegas預設的壅塞視窗調整門檻值α=1、β=3,更改α與β設為相同數值3，以及在長距離的資料傳輸調整適當的壅塞視窗上限(window size)，可達到長距離的多連線共用頻寬的最佳TCP公平性，並探討最佳的方法在平均與比例分配公平性問題。

• 會議論文

應用於有線與無線網路之不同TCP Vegas版本的研究與比較

TCP Vegas的壅塞控制(congestion control)機制相較於傳統的TCP Reno，TCP Vegas明顯地可以達到較高的吞吐量(throughput)。因為TCP Vegas可以在較早階段發現網路擁塞的狀況，並且可以成功地預防在TCP Reno經常發生的定期性封包遺失(packet loss)。但是TCP Vegas的壅塞控制無論是在有線或是無線的網路環境上，實行上仍然有許多缺失。本論文主要將近年來已被提出的某些TCP Vegas修改版本做一個簡單的介紹，針對這些TCP Vegas修改版本所修改的演算法部分、欲改善的方向和實行的網路環境上做一整理比較。

• 會議論文

學習向量量化神經網路拓璞於網路醫療診斷問題之分析

由於目前醫院管理已經逐漸資訊化，而且醫療資料庫的引用也相當的普及，資料量的累積可說是與日遽增，相較之下傳統的人工方式並不適用於處理如此大量的資料，另外在於傳統的醫學診斷的過程中，大多也只能依靠著醫師以往的經驗來作出醫療的診斷。但由於現今疾病因素的多元化，如果能配合類神經網路的預測分類技術則可以輔助醫生來提高醫療診斷的正確率。本研究將針對網路醫療相關資料庫進行分類問題之研究，未來可應用於診斷的問題上，並可從龐大的醫療資料庫中，運用學習向量量化網路來建立預測分類器，並且在前置作業中選擇有意義的屬性，再進一步以田口實驗設計的方式來調整學習向量量化網路的核心參數，以得到較佳的分類正確率和運算效率，因此可以利用學習向量量化網路來輔助醫師診斷，以達到及早發現及早治療的目的。然而以往傳統的方式在於選擇與設計參數組合時，常依靠有經驗的技術人員，或利用試誤法的方式來找出較佳的參數組合，但這通常需耗費大量的時間與成本，因此需反覆的測試來找出較佳的參數組合，可以想像於實驗階段中需耗費相當多的時間及成本。所以本研究提出以學習向量量化網路建立分類預測器，並應用田口實驗設計，來找出類神經應用於網路醫療型資料庫之最佳參數組合，實驗結果顯示在於多種疾病分類上正確率皆可逹到九成以上，也可得知分類的效果優於其它分類系統。本研究所提出的最佳參數組合，能客觀的應用於多種的疾病分類上有效逹到不同品質特性的要求，並且也能有效的減少實驗中，重複測試的次數，使得在應用上更有效率。

• 會議論文

自組織映射圖網路於無監督式網路集群績效問題之比較分析

自組織映射圖網路是一個優質的資料探勘工具，可以將高維度的輸入資料圖樣映射到低維度的輸出拓樸上面，而且能提供給使用者目視或是查詢資料的集群性質，在資料不斷的更新過程中，研究者可以透過學習過程的步驟，來更新輸入與輸出連結權重值，以因應日後資料更新動作。本研究中，所針對的資料欄位內，資料屬性具有多元特性的，而其他大多數資料探勘只侷限探討單一屬性的資料欄位數值形態，在產、官、學界經常使用無監督分群方式作資料上的集群分析，但是在集群過程中某些參數的設計顯然會影響其收斂績效。因此本研究探討，主要在探討自組織映射圖網路中它所使用的參數設計對於這些資料欄位內的不同數值型態，是否影響集群效果的品質及效率。此外，本研究利用田口方法探討出一組數值，該數值可在不同資料型態之集群分析過程中獲取最佳的品質及效率，並與傳統統計學K-Means法的集群分析作為集群錯誤率的比較，進而衍生出一組對於集群績效優於傳統集群方式的參數值。實驗結果可以看出自組織映射圖網路加入實驗設計應用在集群績效的問題更勝過於統計學上的K-Means法所提出的集群效果。本研究的實驗參數設定值應用於所選取之實驗資料庫，可作為日後相關實驗過程中的構思及參數設定的參考。

• 會議論文

TWIN-QPSK正交時空編碼之半盲目等化器

利用Twin-QPSK調制的正交時空編碼已被提出，我們利用盲目等化器結合Twin-QPSK正交時空編碼，在傳輸通道未知的情況下，以半盲目等化器(semi-blind equalization)求解。

• 會議論文

ZigBee無線感測網路之節點連結自我提升機制

ZigBee網路乃基於IEEE 802.15.4所發展出之無線感測網路標準，其應用可從小規模之家庭或工業自動化控制，至大規模之生態環境或軍事戰場之感測監控與通訊等等，相當多元廣泛。而ZigBee網路的運作乃仰賴無線感測裝置之佈署以及裝置間自我組建之網路連結，在一些應用情況下，尤其是隨機或大量佈署感測裝置時，極可能出現某些節點無法順利連結至所欲參與運作的網路中，這些被孤立的節點將無法進行資料的傳輸運作，而形成此情形之一大部分原因，極可能是由於和ZigBee分散式位址分配機制有關的網路參數限制所造成，在此情況下，除了勢必影響原本所期望之網路運作外，也平白浪費了此部分孤立裝置之佈建成本。本文針對此一問題，提出一個能夠提升ZigBee網路自我組建連結率之解決機制，有效減少孤立節點的產生與成本浪費，增加網路節點裝置可用率，以使網路更能發揮其運作效用。網路模擬的結果顯示本文所提出之機制設計將有效減少孤立節點的形成，提升整體ZigBee網路節點連結率。

• 會議論文

使用輕量讀取器之離線式RFID認證協定

隨著無線射頻技術(Radio Frequency IDentification, RFID)的蓬勃發展，RFID正廣泛地被使用在生活環境周遭的應用中，然而在這些應用當中，RFID讀取器幾乎都必須與後端伺服器保持連線的狀態，此類的認證機制我們稱之為連線式(On-line)RFID認證協定。但是，在許多真實環境中，並不是每種應用在讀取器與後端伺服器之間都需要或都能夠提供安全可靠且持續的連線，這時候就必須單獨依賴讀取器來認證RFID標籤；當讀取器不需要後端伺服器就能獨自對標籤進行認證，此類的認證機制我們稱之為離線式(Off-line)RFID認證協定。在本文中，我們提出新的離線式RFID認證協定OLRAP(Off-Line RFID Authentication Protocol)。OLRAP輕量讀取器不需要後端伺服器就能獨自對標籤進行認證，並且具有高認證效率、高安全性及低運算量、低成本等特性。