• 學位論文

基於區塊鏈的物聯網分組式再生碼

摘要隱藏中

• 學位論文

基於 NLP 對惡意 VBA Macro 之 P-­Code 指令檢測與分析

摘要隱藏中

• 學位論文

第五代行動通訊混合參數集網路之資源分配與中繼裝置選擇

摘要隱藏中

• 學位論文

一個考慮到過濾器重複特性的二值化神經網路卷積結果靈活共享方法的研究

摘要隱藏中

• 學位論文

快取系統之可靠性、性能與穩定性研究

現今電腦晶片系統當中，快取記憶體已經成為了必要的元件之一。在使用快取記憶體之前設計者必須先行考量快取機制的可靠度、效能、以及穩定度，以此評估並且採用不同快取記憶體之設置。在這個博士論文中，我們將會探討三個快取系統重要的主題，分別為可靠度、效能、以及穩定度。首先我們提出使用7T/14T的快取單元，並且發展一個有效的即時控制機制使得整個系統維持在一個可靠的狀態，實驗的結果顯示，我們的方法可以千倍幅度的降低錯誤發生頻率，並且我們所提出的機制，並不會造成效能或是能源的損失；第二個部分，我們提出針對具有不同存取時間的快取記憶體架構中，存在有些存取模式的效能降低情況，這些存取模式存在於許多重要的應用軟體當中，例如最近熱門的人工智慧應用，我們針對這些重要的存取模式，提出有效的模式偵測機制以及快取控制機制，實驗顯示我們的偵測機制，不只是硬體成本非常的小，並且有效的偵測出目標存取模式，而所提出的快取控制機制則可以緊接在偵測機制之後，有效的避免效能降低，以達到高效能目的；最後我們將會針對快取控制機制進行多方面分析考量，以達到選擇最佳快取機制的目的，過去研究主要針對的是平均命中率進行快取的評估，但是我們注意到穩定度也是一個重的考量，我們提出一個穩定度評估衡量標準，並且配合其他的評估機制進行完整的快取控制機制評估，經過完整並且通盤的分析實驗，實驗分析結果顯示隨機存取機制是最適合給通用型處理器的快取機制。

• 學位論文

改善學生英文習作中之動詞

本論文提出一個英文動詞改善建議的方法，自動針對句子內的動詞提供一些更適當的動詞使用建議。我們採取利用語言模型（Language Model, LM）和分類器所構成的管線（Pipeline）技術來建立系統。此方法涉及利用語言模型生成動詞候選詞，及利用分類器過濾不恰當的動詞後選詞。實驗結果顯示，我們的方法跟基準（Baseline）比起，獲得較佳的結果。

• 學位論文

分散式無人機群在動態環境中任務重新分配的競標演算法

分散式無人機群的分配已經被討論許多年了。因為缺少隊長分配任務給其他隊員，無人機需要透過彼此溝通來決定誰會去執行任務。然而，在一個未知且不斷改變的環境中，任務有可能會動態的出現或是消失，所以無人機需要能夠快速地重新分配任務。因此我們修改了CBAA(Consensus based Auction Algorithm)，讓它可以解決這類重新分配任務的問題。為了能夠更快速的重新分配任務，我們提出了一個有效率的拍賣機制策略，這個策略可以減少重新參與拍賣的無人機以減少任務分配的協調時間。在沒有隊長的情況下，無人機群可以透過交換訊息，有效率的達成任務重新分配。

• 學位論文

根據QR分解計算特徵值

QR 分解是數值線性代數中使用最廣泛的矩陣分解方法之一。它將矩陣 A 分解為A = QR，其中 Q 是正交矩陣，R 是上三角矩陣。 QR 分解有很多應用，例如用來計算矩陣的特徵值。 在本論文中，我們首先回顧了三種 QR 分解方法。 接下來，我們實作如何用QR分解計算特徵值。 我們透過將原始矩陣轉換為 Hessenberg 矩陣來降低之後每一次QR分解所花費的時間。再來，我們通過對 Hessenberg 矩陣使用Rayleigh shift來加快收斂速度。 但是我們發現有些矩陣最後不會收斂到上三角矩陣。 所以我們應用另一個Wilkinson shift來解決這個問題。

• 學位論文

基於絕熱量子通量超導電路之分離器和緩衝器最佳插入算法

絕熱量子通量超導電路(AQFP) 是新興的超導電路之一，擁有低功耗和資料快速切換等優良特性。為了能快速切換資料，AQFP的邏輯閘對其輸入延遲有嚴格要求，因此需要額外的緩衝器來同步延遲。同時，為了保持邏輯閘的對稱佈局並減少不需要的寄生電容以及磁耦合，AQFP 單元庫採用極簡設計方法，其中有多個扇出的邏輯閘必須使用分離器。因此，AQFP 電路可能需要大量的分離器和緩衝器，從而導致大量的功耗和延遲。這使得為AQFP 電路提出有效的分離器和緩衝器插入算法成為我們的動機。在本論文中，我們提出了一種基於動態規劃的算法，該算法為輸入電路的每條線提供了最佳分離器和緩衝器插入。實驗結果表明，我們的方法擁有高效率，與最新方法相比，較為複雜電路中額外的約瑟夫森結(JJ) 減少了10%。

• 學位論文

初探非監督式學習SOM

本篇論文將探討非監督式學習 Self-Organizing Map (SOM) 演算法以下簡稱SOM，SOM跟其他 Artificial Neural Network (ANN)一樣是模仿人體神經網路的數學模型，但在設計上卻又跟其他ANN模型有所區別，SOM演算法使得與輸入向量相似的神經元彼此群聚以達到學習的成效，其中相似度是根據歐氏距離來計算，與輸入向量最靠近的神經元被稱作獲勝神經元或最佳匹配單元(BMU)，SOM中的BMU將根據輸入向量進行調整並靠近，直至SOM找不到任何可被更新的神經元，細節部份會在之後的章節進行討論，實驗結果將使用 8OX、Iris、Breast cancer Wisconsin (diagnostic) 以及HIV-1 protease cleavage data sets當作訓練集與其他傳統非監督式學習像是K-means、Agglomerative Hierar-chical Clustering及AdaBoost、Random Forest等監督式學習進行比較。