臺灣大學電信工程學研究所學位論文
國立臺灣大學,正常發行
選擇卷期
- 學位論文
本論文整合環形陣列天線之射頻收發器設計，環形陣列天線由23個子陣列和波束成形網路組合而成，每個子陣列由八個韋瓦第天線和一個一分八路T型功率分配器組成，工作頻率操作於10 GHz，每個子陣列增益為11.43 dBi，而波束成形網路由二維龍伯透鏡實現，環型陣列天線的增益為19.2 dBi，可產生36°、24°、12°、0°、-12°、-24°、-36°的掃瞄角度。 射頻收發器可分為升降頻電路、切換電路和鎖相迴路振盪器所構成，升降頻電路由混頻器、可變增益放大器、中頻放大器、功率放大器和低雜訊放大器構成，射頻端操作頻率為8 GHz到12 GHz，中頻端操作頻率為3 GHz到4.5 GHz，訊號從中頻升到射頻提供32dB的增益，訊號從射頻降到中頻提供30dB的增益；切換電路由兩個單刀雙擲開關和兩個單刀四擲開關組成，可以使用微控制器或是指撥開關控制傳輸路徑，於10GHz的損耗為5.8dB；鎖相迴路振盪器輸出頻率從3.4GHz到6.8GHz，內部共有13個暫存器，可透過為控制器修改暫存器內容，設定輸出頻率。 將環形陣列天線和射頻收發器整合量測，驗證電子式水平掃描的功能，確認升降頻電路能給予環形陣列天線額外增益，並使用軟體無線電驗證數位通訊傳輸的可行性。
- 學位論文
由於5G和物聯網時代的發展，歐洲電信標準協會提出的行動邊緣運算，行動上網裝置透過異質性網路如智慧工廠網路和車載網路等可以低延遲的存取服務，此外，影音串流和線上遊戲的普及以及消耗網際網路半數以上的流量，因此，會有更多的邊緣運算伺服器部署在邊際網路以便卸載核心網路的流量，然而邊緣運算的伺服器因靠近接取裝置而更容易遭受攻擊，攻擊者可輕易透過多個受感染的物聯網裝置發動分散式阻斷服務攻擊，在此篇論文中，為了解決邊緣伺服器遇到的資安和資源管理的議題，我們提出邊緣計算的資源管理系統。首先，在行動運算的服務中加入安全防護、影音串流和線上遊戲的應用，透過入侵偵測和防禦系統緩解分散式阻斷服務攻擊，並設計資源分配的演算法去分配邊緣應用程式的資源，比較不同使用者情境和攻擊種類，去分析和探討在有限資源狀況下的不同模型的結果，實驗結果顯示在攻擊的狀態下，我們的系統透過邊緣運算的資源管理可以有效的改善使用者體驗。
- 學位論文
第五代無線通訊系統提升了頻寬和傳輸品質，無線通訊網路技術的進步也使行動連網裝置數量急速增加，由於連網裝置的增加，現有的無線網路資源也逐漸無法應付如此龐大的資料量，因此有學者就轉向非授權頻譜的無線網路資源來解決網路擁塞問題。在非授權頻譜中，公平使用一直是很重要的考量，在使用頻譜之前都需要探測頻譜，確認頻譜沒有被佔用後才能使用，然而當頻譜無法使用時，裝置不斷的探測是很耗電的。非連續接收省電機制是不可或缺的省電技術，運營商從第三代無線通訊系統就已經採用非連續省電機制，在該機制下，手機裝置可以進入休眠模式，並且不連續的監聽封包，如此一來手機裝置就可以達到省電的效果。本篇論文中，我們提出一個數學模型來計算非連續省電機制在非授權頻譜下手機省電的效果。我們將第五世代非授權頻譜的頻譜接入程序考量到我們的數學模型來捕捉頻譜接入延遲，我們的模型可以算出省電因子和實際消耗的電量，最後結果顯示在非授權頻譜下使用非連續接收機制可以讓手機省下44到80%的電量。
- 學位論文
現有的等振幅序列旨在正交分頻多工系統中建構頻譜緊密的訓練波形以實現準確的通道估測、穩定的初始時間和頻率同步並提供緊密的頻譜。而目前已設計過的等振幅序列是基於具有無限大功率頻譜的類比矩形脈沖多載波波形設計的。所以直接使用離散傅立葉轉換將目前設計的等振幅序列所產生的類比波形轉換為數位波形是無法契合實際使用基於離散傅立葉轉換的發射端。因此，希望在基於離散傅立葉轉換的正交分頻多工系統中調整這些現有的等振幅序列，使這些序列適用於此系統。在本論文中，針對使用過取樣的離散傅立葉轉換正交分頻多工系統，發展出對現有等振幅序列的條件以得到基於離散傅立葉轉換訓練波形提供的功率頻譜旁波帶包絡邊界漸近衰減為 𝑓−2𝐽−2。結果證明，透過使用適當的對角相位旋轉矩陣轉換適用於以類比多載波波形而設計的等振幅序列可以獲得適用基於離散傅立葉轉換波形的序列。
- 學位論文
本論文包含三個部分。第一部份是應用於短距離無線通訊的V頻段極低功耗的低雜訊放大器，使用90奈米金氧半場效電晶體製程設計。第二部分是應用在16到53 GHz 高線性度降頻器，使用65奈米金氧半場效電晶體製程設計。最後一部分是應用於毫米波第五代無線通訊系統的38-GHz 可變增益降頻器，使用65奈米金氧半場效電晶體製程設計。 論文的第一部分提出了一個應用在V頻段極低功耗的低雜訊放大器。此電路使用雙重變壓器耦和技術在輸入級提供足夠增益及低雜訊表現。除此之外，在輸出級使用單端中和技術和自諧振變壓器匹配技術。量測結果顯示本文提出的低雜訊放大器在64.3 GHz的頻率下有16.8 dB的小訊號增益和17-GHz的3-dB頻寬，且在操作頻率內有7 dB平均雜訊指數在5.7-mW的功耗下。 第二部分提出應用在16到53 GHz 高線性度降頻器。為了提高降頻器的線性度，在降頻器輸出端加入線性化巴倫器。量測結果顯示此降頻器在操作頻率內有0.5±2 dB的轉換增益，直流功率損耗為5.9-mW。而雙頻量測則顯示明顯的三階交互調變訊號抑制，且在28-GHz 及38-GHz的輸入三階截點功率分別為20及21 dBm。在調變量測使用256-QAM的訊號下，電路輸出功率可以受三階交互調變訊號抑制而改善。 最後一部分提出了一個在混頻級使用主動和被動結合混頻核技術降頻器，來達到可變增益及輸出功率1 dB壓縮點控制功能。我們可以透過討論降頻器輸入及輸出阜阻抗來分析電路工作原理。量測結果顯示此降頻器在38 GHz頻率點此可變增益降頻器增益控制範圍達到5.8 dB，輸出功率1 dB壓縮點變化為1.2 dB，另外直流功率損耗為10.4-mW。
- 學位論文
全景影片已經被廣泛應用於沈浸式內容、虛擬導覽和監控系統等許多領域，相較於平面影片，全景影片涵蓋了更多的資訊，要在資訊爆炸的全景影像中預測出顯著性區域更為困難。本文中，我們提出了一個視覺顯著性預測模型，它可以直接預測等距長方投影影片中的顯著性區域。過去的方法採用循環神經網路的架構作為視覺顯著性預測模型，不同於過去的方法，我們使用三維卷積於編碼器並泛化SphereNet卷積核以構建解碼器。我們進一步分析存在於不同全景影片資料集以及不同類型全景影片中視覺偏差的資料統計性，這為我們提供了對融合機制設計的見解，該融合機制以自適應方式將預測的顯著圖與視覺偏差相融合。我們提出的模型在各個資料集（例如：Salient360!，PVS，Sport360）都有最佳的結果。
- 學位論文
在陣列信號處理領域，有多個擺放於不同位置的傳感器接收環境中訊號源發出的信號，我們可以藉由適當的演算法從接收到的信號中估計感興趣的訊號源資訊，例如到達方向。陣列信號處理領域中，到達方向估計的應用十分廣泛，在雷達、天文學、聲納、通信等諸多領域受到普遍關注。傳統的等間距線性陣列在給定 N 個傳感器下最多只能解析 N-1 個不相關源的到達方向，而稀疏陣列可以使用 O(N) 量級個傳感器分辨 O(N^2) 量級個不相關源的到達方向。然而傳感器之間的非理想效應，互耦合，會導致到達方向估計的表現變差。雖然我們可以透過去耦合來減輕耦合效應，但該方法需要很高的計算複雜度，且對耦合模型不匹配很敏感。反之，與等間距線性陣列相比，使用稀疏陣列可以有效地減緩耦合效應，並於到達方向估計提供滿意的表現。 本論文的主要貢獻可分為三個部分。第一部分中，由於大多數的已知一維稀疏陣列在考慮互耦合的情況下仍有自己的缺點，因此我們提出了可擴展陣列，它滿足良好的特性，使得其擴展後的陣列，稱 M 次擴展陣列，成為一個能有效對抗互耦合的稀疏陣列。數值模擬說明，從均勻自由度、權重函數及考慮互耦合效應的到達方向估計實驗來看，M 次擴展陣列均擁有優秀的表現。 第二部分中，因平面陣列可以同時估計訊號源的方位與仰角，在實際陣列信號處理中比線性陣列更為通用。因此，半開盒陣列、雙層半開盒陣列及沙漏陣列這些基於直角網格的平面稀疏陣列在2017年被其他學者研發出來，以有效減緩互耦合效應。然而，由於六邊形取樣對於在圓形區域中的有限頻帶信號為最佳取樣方案，因此我們提出了基於三角形網格的新型二維稀疏陣列，稱縮減六邊形陣列。數值模擬說明，以考量互耦合效應的到達角度估計來看，縮減六邊形陣列很大可能優於那些基於直角網格的平面稀疏陣列。 在第三部分中，由於到達方向估計的模擬結果可能會受限於所使用的估計器其準確性與兼容性，我們研究了利用二維稀疏陣列估計到達方向的克拉馬-羅限。我們在現有論文的基礎上提出了基於二維陣列的克拉馬-羅限表達式、二維秩條件及其充分條件，並進一步研究考量互耦合的數據模型其克拉馬-羅限的存在性與表達式。
- 學位論文
在本論文中，我們設計使用了基於信息傳遞技術的分佈式模型，以解決全多工正交分頻多重進接系統下的資源分配問題。首先，在這個由全多工接入點和使用者構成的系統中，存在着使用者之間的干擾，以及下鏈使用者產生的對上鏈使用者的殘餘自干擾。接入點和使用者都存在各自的傳輸功率限制，在此限制下，我們希望最大化系統的總體傳輸效率。在我們提出的方法中，原資源分配問題被重規劃成可以使用信息傳遞工具的符合因式圖的形式，之後信息將在圖上的各個點之間傳遞，得到趨近最佳化的無線資源分配結果。因此，通過將計算量分佈到各個計算單元上，避開了原問題的NP-hard難度。我們的方法更加符合實際，更加高效率，而且當使用者數量顯著上升時，效能比其他的基於使用者配對的方法表現要更好。
- 學位論文
本研究之主旨，即在於一無線網狀網路 (Wireless Mesh Network) 組態環境中，組成該網狀網路之各節點 (Node) 位置可各別大略測得但無基準真相 (Ground Truth)、且各節點成對兩兩之間的距離可以更佳精準測得之條件下，如何運用該額外之測距資訊，改善目標節點之定位準確度。為此，本研究提出一優化的方法與目標函數，透過目標節點與鄰近節點間所測得之距離，將各節點組成一相對之邏輯幾何結構；再將該結構中各節點之位置與距離資訊代入目標函數，使得該結構內各節點、含目標節點在內之定位誤差達到最小化。 為驗證本方法之有效性，除理論推導與模擬外，本研究並選擇Wi-Fi以免基站（Infrastructure-less）之K-近鄰（K-Nearest-Neighbor, KNN）指紋定位法作為定位演算法之基準，同時運用超寬頻 (Ultra-wideband, UWB）將空間中散佈的裝置節點組成網狀網路，並作為測量節點間測距之手段，據以實驗驗證本研究所提目標優化函數。以模擬至100個裝置節點並透過量測實際場域中的Wi-Fi KNN定位與UWB節點間距離結果與模擬交叉比對，結果顯示本研究所提方法與目標優化函數對原定位準度之改善幅度，可將原有誤差縮減至與所選擇之鄰近優化用節點個數成平方根反比。
- 學位論文
近年來，轉換器在各領域已幾乎取代傳統方法以及機器學習中的遞歸式類神經網路，成為當前最熱門、表現最傑出的類神經網路架構。但在傑出表現的背後，我們往往需要付出大量的運算成本，一般來說訓練轉換器時，最大訓練瓶頸會是在自注意力機制的部份，本論文嘗試整理、分析、實作、並比較現有的各式演算法，這些演算法當中，有些是被用理論的方式提出，有的則是只有被實作在推薦系統或電腦視覺領域。將這些方法實作在語音處理以及自然語言處理領域會有何種成效，是此處想探討的重點之一。本論文提出數種轉換器中自注意力機制優化的方法，優化包含時間複雜度層面及記憶體層面。我們嘗試從不同角度切入問題，有的是直接透過壓縮中間層矩陣大小來達到加速的目的，而為了達到最大的加速效果，我們試著對矩陣不同維度進行壓縮；有的則是基於現有、已被提出的輕量模型架構，透過直接修改模型架構的方式，再搭配特殊的初始化方法來加速。這些方法在加速的同時，並不會顯著降低模型表現。