• 學位論文

基於ARM 平台之強健性標頭壓縮設計與實作

強健性標頭壓縮 (RObust Header Compression; ROHC) 為 IETF (Internet Engineering Task Force) 國際標準組織於2001 年所制定之網路協定標準。主要是為了降低語音資料流於 IP (Internet Protocol) 網路中，過大之標頭開銷，進而改善語音服務於無線網路中之資源使用率。長程演進系統 (Long Term Evolution; LTE) 為 3GPP 組織所主導之第四代寬頻移動網路候選者之一，其目的旨在提供使用者更高速且高寬帶之移動網路體驗。為了提昇下層通訊之頻寬使用率，LTE 採用 ROHC 為其標頭壓縮技術之唯一支援方案，此舉更突顯 ROHC 於標頭壓縮領域之重要性。但針對 LTE 系統中嚴苛之通訊需求，對於運算能力較低落之嵌入式系統，使用 ROHC 之標頭壓縮技術則顯得過於奢侈。故本論文則是根據此種情況，在多個關鍵耗時部份採用最佳化之設計，並依此建構出一個適合嵌入式系統之 ROHC 實作。最後，則是對本論文之實作和其他相關之實作，予以分析與量測。

• 學位論文

用於交通預測之二層資料分群法

現代城市的運輸系統幾乎已資訊化，而具備交通路網資訊的資料庫經常累積了相當豐富的歷史交通資料。在目前的系統中，即時的交通資料常被用於估算當時路況以及預測短期未來的交通路況；然而，隨時間累積的歷史資料實際上隱含 了其路段上路況變化的習性與特徵。若能發掘出這些資訊，我們便能用於推測未來長期的交通路況，進而增進許多交通資訊服務系統的效率與準確性。我們在此研究中提出一個二層資料分群方法，從一路段的歷史交通資料探勘出其道路速度的變化習性。 我們的方法是，首先估算該道路速度變化的基礎樣式，稱之為巨觀估算，接著再針對交通尖峰時刻的速度樣式做細部估算，我們稱為微觀估算。其中，此方法的輸入資料格式為時間序列資料，每條序列是連續具時間值的道路速度紀錄。為了將眾多條時間序列資料分群，我們採用了專門用於量測時間序列資料間相似度的方法。因此，在本研究實驗部分，我們分析了當使用不同的時間序列量測法於本二層分群法中效能之差異，以及當使用不同分群演算法所帶來效能的差異。另外，我們還提出了三種基於二層分群結果之交通預測函式，並分析了這三種函式的預測效果。最後，在實驗中，我們的二層分群方法與統計領域中回歸式的預測方法做比較，數據顯示我們的方法確實能帶來更好的準確度。

• 學位論文

無線網路中機會主義群播排程的研究

近年來，隨著人們無線上網型態的改變，發展更高效能無線存取技術的研究刻不容緩。特別是機會主義群播排程（OMS），它是一個利用多用戶分集提昇無線網路群播效能的技術。在本論文中，我們考慮在無線網路中群播一份資料給所有用戶的問題，並針對無線網路群播的兩個議題進行了研究和調查：i）減少機會主義群播排程所需的反饋，和ii）針對異構無線終端設備發展多媒體群播系統。 在減少機會主義群播排程所需的反饋方面，雖然反饋允許排程演算法能更有效利用多用戶分集，但這可能會干擾系統的上行流量。我們提出一個弱一致機會主義群播排程方法，它能夠降低系統反饋負載，同時保持系統能提供與全反饋情況下相當的群播效能。 另一方面，針對我們提出的弱一致機會主義群播排程方法，我們進一步提出一個公式讓網路運作商設定最佳的反饋間隔大小。我們的分析顯示，透過我們的公式設定的反饋間隔可以顯著減少系統中反饋的負載，同時提供媲美於全反饋的效能。

• 學位論文

適用於無比率無線網路廣播的H.264可調式視訊編碼分層擷取與非均等抹除保護碼之共同設計

此研究的目的在於針對可調式視訊編碼提供適當的分層擷取策略以及與其擷取層相對應的無比率非均等抹除保護碼的傳輸系統。由此產生的位元流無須重新壓縮即可用於損耗性廣播環境並可達到近似位元率-失真最佳化的效能。 在無線網路廣播環境中傳輸可調式視訊編碼位元流需要在網路傳輸層中實現非均等抹除保護來應付廣泛的畫面錯誤率，以確保在撥放影像畫面時能達到優雅化降級。 此篇論文中，我們提出了一個新的可調式視訊編碼位元率-失真最佳化的分層擷取與無比率非均等抹除保護碼之共同設計系統，用以實現可調式視訊編碼之無線廣播。透過分析可調式視訊編碼位元流實驗的結果，歸納出無比率非均等抹除保護碼的設計需求。同時我們建立一個以圖像群組為基底的位元率-失真最佳化之分層擷取模型。透過此模型，在給定某一非均等抹除保護碼效能下找出最佳的視訊分層擷取結果。

• 學位論文

結合樣板及區塊動作補償之雙動作向量預測方法

本篇論文介紹了一種基於結合樣板比對預測(TMP)和區塊動作補償(BMC)的雙動作向量預測方法。由於本技術採用交疊動作區塊動作補償(OBMC)方法所產生的像素可適性權重係數表來結合兩個分別來自樣板比預測(TMP)和區塊動作補償(BMC)之預測區塊中的每個像素，因此如何設計這些權重係數值以達到最佳的預測效果，便成了本技術的關鍵部份。為了決定這些權重係數，本論文採用了一種參數化的理論模型來推導產生最佳的權重係數，同時也據此修正了原本傳統動作向量的預測方式，在動作向量預測階段即導入這些權重係數以達到更精確的預測效果。為了要驗證本論文所提出來的雙動作向量預測方法的可靠性及壓縮效能，本論文設計了一系列的實驗，企圖在壓縮效能及運算複雜度上面取得平衡。實驗結果顯示在最佳權衡之下，壓縮效能可以達到1.1%到4.1%的範圍內平均2.2％的BD-Rate節省，複雜度方面在合理程度上編碼端上升了46％的壓縮時間，解碼端則是上升了33%.

• 學位論文

利用調適性集合組態架構減少單晶片多處理器變相化末級快取之衝突失誤

隨著處理器晶片中運算核心的數目增加，末級快取在運算核心與主要記憶體之間的延遲斷層中扮演了很重要的角色。運算核心的數目依摩爾定律成長，而晶片外部主要記憶體頻寬的成長幅度不如核心數目成長的速率，因此頻寬限制已成為阻礙大量核心規模成長的瓶頸。除此之外，階層式快取架構消耗的功率亦佔了整顆處理器總功耗的一大部分。對大量核心系統的末級快取而言，非揮發性記憶體技術擁有幾項優點，例如高儲存密度、低漏電流及其非揮發性。此論文中，我們研究變相化記憶體，它是目前新興非揮發性隨機存取記憶體技術中前景最被看好的技術之一，並將其應用於大量核心架構的末級快取。 我們考慮到把儲存密度較靜態隨機存取記憶體高的變相化記憶體當作末級快取的資料矩陣會遭遇的問題。首先，利用較密集的記憶體技術帶來更多的儲存欄位，同時也會產生大量的標籤矩陣代價。再者，較大的快取容量會解決部分由位址對照產生的衝突性失誤，但非完全解決。第三，變向化記憶體的使用壽命比靜態以及動態隨機存取記憶體都短很多，所以耐久性的議題更為重要。本論文提出“調適性集合組態架構”，藉由觀察各集合的狀況並動態地聯合或分開集合中的欄位，以降低末級快取的衝突性失誤。

• 學位論文

利用單位元轉換加速決策模式與運動評估

近幾十年來，數位視訊科技已被廣泛地使用並成為生活中不可或缺的一部分。隨著數位訊號處理的發展，以及對較佳編碼效能的要求，H.264/AVC被認為是次世代的國際視訊編碼標準。。它不僅可有效節省儲存媒體所需的空間，同時也可在現行的通訊環境下允許傳輸更高解析的畫面。伴隨著種種好處而來的就是極之龐大的運算量，而大量的快速演算法也因此應運而生。如何兼顧畫質和運算速度成了當前最重要的課題，而這也是本篇論文的主旨。因此，如何減少複雜度並設計一個高效能的框內編碼器或解碼器，而不會造成太多的效能衰減，是個重要的課題。 根據已出版的文獻，位移估測與模式決策是整個壓縮過程中最為費時的。而單位元轉換的方法被用來減少移動評估的複雜度，我們提出的這篇論文將會把單位元轉換用在模式決策上，進一步去減少計算複雜度，而且不會使的壓縮品質下降。

• 學位論文

高效能視訊壓縮之先進動態補償預估方法

動態補償預估方法(Motion-Compensated Prediction)能移除視訊訊號在時間軸上的重複性，因此是許多視訊壓縮標準中常見的壓縮技術。本論文將從理論、應用與實作等不同面向來重新探討動態補償預估方法。我們首先會將動態補償預估方法視為兩個步驟；第一個步驟為動態向量取樣，第二個步驟則為利用取樣所得之動態向量作預估值的估算。從此觀點出發，我們接著提出參數化交疊區塊動作補償(Parametric Overlapped Block Motion Compensation，POBMC)的技術來加強MCP的效率。藉由提出的參數化交疊區塊動作補償架構，我們進一步發展出一套特殊的雙向預估方法(Bi-Prediction)結合樣板比對(Template Matching)之運動向量與傳統的方塊運動向量來增加預估的效率。以下分別對本論文所提出之方法作簡介。 首先，我們以新的觀點重新解讀動作補償預測機制的運作，將MCP的結構視為動態向量取樣及亮度場(intensity field)重建兩個部份。在這新觀點中，我們也發現方塊運動向量可以近似為方塊重心點的真實運動向量。我們同時提出理論的分析來支持我們提出之新觀點並用以驗證現存常見之不同動態補償預估方法例如方塊動態補償、SKIP預估方法與樣板比對預估方法等等。實驗結果也證明提出之架構能準確並分析動態補償預估方法。 在此觀點下我們提出了參數化交疊區塊動作補償(Parametric Overlapped Block Motion Compensation，POBMC)的技術來加強MCP的效率。傳統的區塊動作補償(OBMC)是用來解決區塊動作補償(BMC)所具有之動作不確定性(Motion Uncertainty)的問題，藉由考慮鄰近區塊動作估測(Block Motion Estimation，BME)的結果，來做亮度的LMMSE估測。OBMC已被證實能夠提供較BMC為佳的編碼效率。然而在H.264/AVC採用了可變區塊大小動作補償(VBSMC)的技術下，OBMC與VSBMC的結合，變成了一大挑戰。我們透過亮度與動作自相關係數的理論模型，以及將BME產生的動作向量(Motion Vector)近似為區塊中心點動作向量的假設，提出了POBMC技術。此技術根據每個像素點各自所有的鄰近動作向量以及此像素點到各動作向量對應的區塊中心點距離，來分配最佳的權重以達到最佳的MCP效能。 最後，我們利用提出之參數化交疊區塊動作補償架構來結合樣版比對預估以及方塊動量補償預估。由於樣板比對所產生的運動向量是不需耗費位元傳送，因此所以提出之雙向預估模式只需要傳送一個方塊運動向量即可達到利用兩個運動向量作雙向預估之效果。由於樣板比對預估有運算複雜度的問題，所提出的特殊雙向預估架構更可彈性地利用任何解碼端可推導出之運動向量來取代樣版比對運動向量以達到降低複雜度的目的。實驗結果最終也證明所提出之雙向預估模式可以有效增進現行視訊壓縮效能。

• 學位論文

在HappyGO上應用模擬棋局平衡

這篇論文的目的是應用模擬棋局平衡(Simulation Balancing)於HappyGO上，並且藉由調整參數以及不同的訓練資料等等期望能找到更好的結果。HappyGO曾獲得2010年中華民國人工智慧學會9x9電腦圍棋組的銀牌。 根據我們的實驗分析，模擬棋局平衡能讓程式的勝率從原本訓練前(特徵權重皆為0)的9.3%，提升到48.7%，我們的勝率算法是讓HappyGO以一步500場模擬棋局對Gnu GO 3.8等級十。

• 學位論文

基於遊戲式學習之釣魚網站防範訓練模式

根據APWG 統計，釣魚網站的數量不斷在迅速增加，而釣魚網站的手法也不斷在更 新，造成大眾財產的損失，即便有工具可以偵測釣魚網站，但是他們仍然會有誤判的機 會。所以教會使用者如何防範釣魚網站是一件很重要的事。然而一般使用者對於傳統以 文件主的教學沒有興趣也未必看得懂，所以可以利用遊戲的方式來教使用者防範釣魚， 但是要將這些日新月異的釣魚手法加入遊戲式的教材非常曠日費時。在這篇研究中，我 們利用專家系統的技術來跟釣魚網頁的專家擷取這些釣魚的知識，以及WIKI 的方式讓 大眾可以提供網頁的情境，最後利用推論引擎根據使用者的學習狀態以及擷取來的知識 以及情境來產出適合使用者學習的教材。實驗結果顯示，我們所提出的方法跟傳統文件 的教學可以提昇使用者的學習效率。