• 期刊
• OpenAccess

Correct the Venturi - Meter Equation Using a Differential Volume Approach

A differential varied piping- volume approach, in this study, is developed to calibrate the measurement of venture manometer. Unlike the traditional venturi - meter formula on Bernoulli’s equation as well as mass conservation used to predict piping flow rate, the significant deviation of estimated head loss, arisen from the flow in contracted region or divergent portion of venture tube, is usually experienced and which could be effectively improved by present model proposed with the variable of pipeline diameter has been taken into account seriously. Consequently, the relative errors, compared to experimental result, has been further reduced from 50 % to 25 % during the working conditions of inlet flow velocity with 5.2m/s ~12.2 m/s. In other words, both the vortex and turbulent jet evolve from the throat of venturi tube might be well corrected in present formula developed and which also avoids unreasonable outcomes accessed from the measurement used by hot wire meter or overestimation from previous empirical model with uncertain discharging coefficients.

• 期刊
• OpenAccess

基於資料擴增之行為辨識

由於科技的進步，現在許多硬體設備有著非常好的運算能力，而深度學習也因此有著突破性的發展，成為目前熱門的研究與發展方向，因為使用深度學習架構，只需要足夠的資料量，和良好的網路架構，與傳統的機器學習方法相比，往往都有較好的結果。若深度學習模型缺乏資料量，則其效能就不會那麼理想。本文以行為辨識為基礎，結合感測器資料與深度學習方法，利用感測器資料去進行資料擴增改善辨識結果。由於一般的影像資料擴增方法，並不適用於感測器資料，所以我們親自蒐集部份資料進行實驗，並且提出了五種方法做資料擴增︰混入雜訊、時間序列置換、感測器的資料旋轉以及兩種深度學習生成模型，使用少量的訓練資料，建立更高效能的模型。本研究所使用的方法針對UCI數據集其準確率可以達到98.32%，與過去未使用資料擴增方式的行為辨識相同分類器比起來，最高可以提升1.5%。

• 期刊
• OpenAccess

應用注意力機制於深度學習之行為辨識

近年來，人工神經網路取得突破性的發展，許多研究利用循環神經網路來對序列資料進行編碼，取得上下文的關聯。本研究以行為辨識為主軸，利用長短期記憶網路加上注意力機制，讓模型能聚焦在重要的輸入上，使得編碼後的上下文向量更具代表性。本文提出的方法和未使用注意力機制的模型相比，提升了3.8%的辨識率。

• 期刊
• OpenAccess

3D列印對積層材料之研究

積層製造（Additive Manufacturing, AM）正迅速地發展，但是其列印材料的機械性能尚未能完全被掌握。在本研究中，我們使用PolyJet系統的UV固化光敏聚合物，分別依據ASTM D256-10和ASTM D4060-10測試了光敏聚合物的衝擊強度和磨耗特性。研究結果顯示，當衝擊試片擺放方向為橫向時，具有最佳的衝擊強度，其衝擊強度為27.25 J/m。當磨耗試片擺放角度呈45度時，其磨耗損失重量為0.0268 g，具有良好的磨耗特性。

• 期刊
• OpenAccess

基於注意力模型神經網路之行為辨識

近年來各種行動感測器的應用蓬勃發展，尤其是在生活紀錄、健身追蹤及健康監測等領域。這些應用功能有賴於智慧型裝置中的嵌入式行動感測器來辨識人們的行為，雖然最近的研究有很大的進展，但因為人類活動行為廣泛以及變化性高，所以行為辨識仍然是一項具有挑戰性的任務，如何明確區分行為的功能就變得非常重要。在行為辨識領域，傳統上使用人工定義特徵的方式來解決問題，近期的研究使用深度卷積神經網路來提取特徵，但是人類行為是由複雜的時間序列組成，若能提取這種時間動態特徵，更能夠讓行為辨識的準確率提高，本研究應用注意力模型導入至行為辨識的研究當中，藉由最新的行為辨識深度學習模型（DeepConvLSTM）的架構中加入注意力機制（Transformer Encoder），並使用公開的數據集PAMAP2來評估此模型，研究結果顯示，比較其他現行的方法，辨識準確率可以提升至84.1%。