• 學位論文

結合句子為基礎的中文新聞分析與技術指標之股票趨勢預測技術

長久以來股票趨勢預測都是個熱門的議題，也吸引了大量的學者跟專業人士熱絡的討論與研究。現有文獻的研究顯示，使用對財經新聞之情緒分析，以及技術性指標所預測股票的準確度，會比只使用情緒分析或技術性指標來的更高。雖然已有許多研究被提出，透過整篇新聞的關鍵字建立的模型進行股票趨勢預測，但是在中文新聞裡的效果並不如預期。故本論文嘗試使用關鍵句子的方式來進行新聞文件分析建立模型，並且搭配技術性指標預測股票的趨勢。所提的方法首先從新聞中產生所有的句子。接著，使用TextRank與word2vec，可計算出每一句子的分數，進而產生Top-k關鍵句子。關鍵句子進一步透過財經情緒字典產生每一句子的情緒分數。具情緒分數的關鍵句子與技術指標形成分類屬性，而股價之開收盤價則用於決定此筆訓練之趨勢。根據句子情緒分數，我們進一步將資料分成正負面新聞資料集，並用來建立正負面新聞趨勢預測模型。最後，在預測階段則可透過這兩個預測模型的結果與布林通道所發出的訊號，進行股票趨勢預測並進行買賣。實驗部分使用了一家台灣股票公司近五年的相關新聞以及股票資訊，透過不同的參數進行實驗評估。結果顯示所提的方法是有效的。

• 學位論文

以生成對抗網路為基礎之音樂風格判斷研究

特定曲風的音樂生成是一項很重要的研究課題，對音樂廣泛使用上的需求，有很大的幫助。近年來，由於人工智慧技術的快速演進，多位研究者將人工智慧技術應用至音樂生成上，獲得不錯的成果。然而，所生成的音樂在評分上，常使用人工盲測方式進行聆聽與判斷，如此一來，除了帶有主觀感受與非音樂專業外，也容易獲得不穩定的判斷結果。 本研究提出使用生成對抗網路判斷評估樂曲風格的方法，首先由Kaggle的爵士樂資料集訓練對抗網路，再由GTZAN的爵士樂與搖滾樂資料集，依其在已訓練完成的對抗網路中，產生多次迭代後的收斂與梅爾頻譜圖的MSE值，判斷其樂曲風格。實驗結果顯示，爵士樂的收斂與MSE值預期結果如預期所示，而搖滾樂也因風格有所差距使得MSE值與模型之間差異較大。

• 學位論文

基於深度學習之Q&A機器人自動生成問題技術

近年來，問答機器人的發展蒸蒸日上，已有大量產品與平台實際應用於協助人們自動回答使用者所詢問的事情。問答機器人可分為兩類機器人，一為工具性的服務機器人，其主要針對客戶的問題回應適當的答案，二為聊天型機器人，以有趣的回答與客戶進行溝通。在問答機器人之中，機器人正確回答出使用者的問題是一件不容易的事情，因為人們的問法有多樣化的方式，故問答機器人無法準確瞭解使用者的提問，因此問答機器人需要有能力辨識多樣化的問法，在問答機器人訓練時，將多樣化的問題且人們會提問的方式，放入問答機器人的問題集內。然而，問答機器人建立多樣化的問題集時，需透過員工自行填寫問題對應至答案來建立訓練模型，而員工造出的問題數量有限，且可能不是一般人會詢問的方式，更可能因問法接近而對訓練機器人沒有效果，導致問答機器人回答出的答案與使用者的問題不符合。在過去的問答機器人中，可能會面臨兩大問題，一為人工生成的問題資料不夠多元化，二為自動生成出的問題集句型不夠完整。 有鑑於近年來深度學習相關技術的成熟，本論文基於深度學習之技術，擬發展智慧化生成問題集系統的設計與實作，解決上述的兩大問題。 本論文所提出的「設計及實作基於深度學習之Q&A機器人自動生成問題技術」大致可分為三大部份，一為收集多樣化的問句，二為自動生成問題技術，三為修正訓練問答機器人。其一，因人們的問法多樣化，因此本論文透過網路爬蟲方式，提取多樣式問題的資料；其二，為了生成多樣化問題且是人會提問的方式，本論文針對從網路爬蟲下的多樣式問題進行分析，將問題剖析進行分類為「人、事情、時間、地點、物品」，透過此分類可將相似的問句提取出來，並對使用者問題的內容與相似的問句進行替換，而問句的內容進行替換，可能會發生問句不完整的情況下，因此本論文透過GPT-2技術將問題進行完整化，延伸出完好的問題句子，進而達到協助員工自動化延伸問題集的資料，以自動化及智慧化的方式，減少人事成本、人員負擔，提升問題多樣性與問答機器人的準確性，讓企業管理營運成本時更有效率。

• 學位論文

最小化任務完成時間之多無人機動態充電排程技術

無人機的應用非常廣泛，由於其靈活性與機動性，因此能夠適用於各種大型區域中，如軍事應用、工業控制與環境監測等。通常無人機在執行任務時，需要長距離飛行，由於其電池容量有限，往往需要依靠充電站補充其電量。在充電站數量有限的情況下，若無良好的充電排程，可能因多台無人機待在同一個充電站，而造成多無人機發生壅塞的情形，產生長久的等待充電時間及增加整體工作時間的問題。因此，如何針對無人機的充電需求，發展一個良好的排程，使無人機能即早完成充電且能盡早到達目的地，一直是學者共同努力的目標。本論文提出四種多樣化之動態充電排程模型，分別為單一充電站不可搶先不可換充電站、單一充電站可搶先不可換充電站、多充電站不可搶先可換充電站與多充電站可搶先且可換充電站，採用漸進式地優化，減少多無人機於充電站發生雍塞的問題，並且，進一步縮短整體無人機之瓶頸，以期達到任務完成時間最小化的目標。 根據實驗數據顯示，透過本論文所提出的四種多樣化充電排程技術，相較於CBDN演算法而言，能有效的解決無人機網路的壅塞情況，並且，縮短無人機網路在飛行時的移動、充電與等待時間，降低無人機到達目地的時間。

• 學位論文

雙支架構應用區塊圖片於零次學習

本篇論文以VGG19為Backbone基礎模型下，加入Squeeze-and-Excitation net以及加入PatchNet成為雙支網路。其中Squeeze-and-Excitation主要加強channel-wise 的特徵，而PatchNet主要用意為，藉由Patch可以在圖片上各個不同地方都提取到不一樣的特徵，像是取出物件的區塊特徵，可能有耳朵、鼻子、嘴巴、身體...，利用這些特徵在與VGG19取出特徵進行雙線性(Bilinear)的運算，且經過此運算能夠讓這兩個網路取出的特徵相互比較他們的關係性，進而可以提取出更加完整的物件本體，而非只有頭或是身體的特徵。最後本文在AwA2、CUB、SUN資料庫去進行測試，整體上雖然只有AwA2效果能夠與其他論文比較，且稍微的超過它文的結果，但我們主要的想法是提升物件特徵的完整性，也於本文最後使用熱圖(heat map)視覺化本文取出的特徵證實本文提出的方法有效。

• 學位論文

物聯網即時感測技術應用於公車及職場環境的空氣品質分析

目前的公車業作業場所，與其他的傳統作業場所一樣，沒有有效的手段可以隨時獲得作業場所環境的相關數據，以至於業者想改善作業環境時卻無從下手。 本論文透過物聯網技術結合空氣有害物感測設備，建置空氣有害物感測系統，安裝於公車業作業場所及大眾交通工具等場域，用以收集CO2、TVOC、PM2.5等環境有害物數據資料，透過網路傳送到物聯網資訊平台進行分析，以了解各場域的空氣品質，進行探討及分析。 此外，本論文將收集到的作業場所環境有害物數據資料，進行分析後，將環境有害物超標原因及改善建議，提供給公車業者作為改善作業場所環境空氣品質的參考，期望藉此改善作業場所避免勞工造成的潛在職業災害。

• 學位論文

多人影像之隱私保護研究

本論文提出一個基於布林函數且具還原順序性之(t, n)秘密影像分享技術。本論文使用布林函數進行互斥或運算產生中間影像，每組的中間影像彼此之間具有關聯性，因此還原的時須依照順序還原中間影像，才能還原秘密影像。先將秘密影像分割，將分割後的子影像使用重排函數產生亂數子影像，將亂數子影像做(t, n)秘密影像分享，當中每一組有n個分享影像，且還原回秘密影像時，需收集t個分享影像，其中分享影像包括指定的分享影像，且指定的分享影像經雜湊函數產生出的中間影像，與其餘分享影像進行互斥或運算產生各組的分享影像。在此技術中還原具有順序性，必需從第一組還原，如果還原缺少指定的分享影像或無順序性，則無法還原後面組數。

• 學位論文

利用類神經網路評估中文使用者通行碼強度之研究

透過通行碼鑑別使用者身分是目前許多系統或網站的重要技術，雖然這幾年來人臉辨識、指紋辨識或虹膜辨識等生物特徵技術或OTP簡訊碼也逐步被採用來進行身分鑑別，但這些較新的技術有些只用在特殊環境或雙因子認證之一，通行碼還是目前採用最廣泛的身分鑑別技術，因此通行碼的強度對網路安全或資訊系統安全是非常重要的議題，而目前評估通行碼強度的方法與技術多以英文使用者為主要對象，本論文以研究評估華人使用者通行碼強度的技術為主要目標。本論文利用LSTM類神經網路模型技術建立猜測通行碼模型，並提升其猜測華人使用者通行碼的準確度，以華人為母語的使用者可以透過本論文設計的模型瞭解自己通行碼的強度。經多方的探索與分析評估，本論文提出以LSTM融合轉移學習訓練出來通行碼產生模型，可以藉以評估通行碼的強度。提供系統或使用者了解使用者設定之通行碼的強度。

• 學位論文

以相關性為基礎之配對交易最佳化技術

金融市場中充斥著眾多影響投資獲利程度的因素，故許多交易策略與組合最佳化技術不斷被提出。其中，配對交易策略是廣泛應用的交易策略之一，因其符合市場中性且容易使用。傳統配對交易策略是利用兩個相關性較高的股票或其它證券，一旦兩者之間出現了背離的走勢且此背離在未來是會得到糾正的，則可產生套利的機會。然而，負相關性較高的股票亦可形成配對交易，故本論文利用此特性，為使交易策略獲利，我們提出三個演算法來達成此目標，分別為：(1)相關係數為基礎之配對交易演算法（Correlation-coefficient based pairs trading algorithm, CPT)；(2)布林通道為基礎的配對交易演算法(Bollinger-band based correlation-coefficient based pairs trading Algorithm, BBCPT)；(3)遺傳為基礎的的配對交易演算法(Genetic bollinger-band based correlation-coefficient based pairs trading algorithm, GBBCPT) 在CPT方法中，首先計算標的中任兩公司的相關係數，如其相關性為負值且小於預設之門檻值，則形成一交易配對。接著，利用公司開盤與收盤股價漲(跌)幅度判定進場訊號後，做多預期上漲並放空預期下跌標的，達到停利或停損條件時則結束該組交易配對。此方法中之進出場訊號判定方式易導致獲利波動大，故提出方法二改善此問題。 在BBCPT方法中，其結合布林通道(Bollinger band)強化所提之配對交易策略，即利用歷史股價計算移動平均值、股價壓力值、股價支撐值等數值作為進出場訊號。雖然方法二強化了CPT的進出場訊號，但相關係數門檻值、進場通道寬度與出場通道寬度的設定會影響此方法的獲利，因此，我們進一步利用遺傳演算法進行參數的最佳化。 在GBBCPT方法中，每個染色體表示一組可能的相關係數門檻值、進場通道寬度與出場通道寬度，且使用染色體之累計獲利為適合度評估函數衡量其優劣，之後透過演化程序找出近似最佳的參數設定。 最後，實驗使用了台灣50成分股中共44家公司歷史股價資料，透過不同的實驗分析來驗證本文提出的三個方法的有效性，包含：(1)不同限制與參數設定對CPT的影響；(2) 不同限制與參數設定對BBCPT的影響與(3)不同訓練區間與參數設定對GBBCPT影響。

• 學位論文

基於人工智慧特徵處理技術之分析與研究

隨著網際網路、手機行動上網及社交軟體(如Facebook、Instagram等)的盛行，數據產生正在以前所未有的方式增加。然而，由於數據量龐大、格式多樣化、維度(變數)過多，對機器學習而言不利，過多的變量會妨礙模型找出預期之規律，而計算量較大、訓練時間長等問題，亦導致訓練後的結果產生不如預期的效果。因此在機器學習項目中，特徵處理是通常會先進行的前處理程序。本論文分析及比較現有的特徵處理相關技術，包括從原有的特徵建構新的特徵提取方法，如：主成分分析(PCA)與線性判斷分析(LDA)，以及保留原始數據之訊息且做出篩選的特徵選擇方法，如：過濾法(Filter)與包裝法(wrapper)，以期達到有效地利用特徵處理方法來實現高性能的學習算法。 本論文所分析及整理的多種特徵處理方法，更能了解特徵處理之流程內容，且提供使用者清晰的參數設定與運作模式，進一步提升資料之可用性。