清華大學資訊系統與應用研究所學位論文
國立清華大學,正常發行
選擇卷期
已選擇0筆
- 學位論文
中文自動更正拼字或打字錯誤在文書處理、網路搜尋及自動作文評分都是很重要的議題。然而，中文改錯不同於一般拼音語言的拼寫改錯，中文沒有詞間的分隔符號，而且不同的中文輸入法可能會產生不同的錯字類型，所以使得中文改錯更加困難。本篇論文針對音似形似的錯誤提出了一個利用雜訊通道模型（Noisy Channel Model）改錯，首先利用網路語料庫產生混淆字集（Confusion Set）和對應的機率生成通道模型（Channel Model），接著透過雜訊通道模型中的通道模型和語言模型（Language Model）改錯。本系統的組成包含訓練階段和執行階段，在訓練階段我們利用網路語料中 n 連詞（ngrams）的頻率估計每一個字對應混淆字的機率，在執行階段，系統會根據輸入的句子產生多個候選字，最後利用通道模型和語言模型選出最合適的字。實驗結果顯示，本論文提出的方法所製作的雛形系統，有不錯的改錯精確率與召回率。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
大部分的大學校園之中都擁有各式美麗的公共藝術作品。然而，校園公共藝術作品往往缺乏足夠的相關藝術品資訊，以致大眾也經常無法欣賞這些藝術作品。此外，影像式虛擬實境應用於藝術鑑賞教學至今仍不多。因此，本研究基於學習科技實驗室已建置的行動學習系統-OhMyArt!之上，建構一個結合影像式虛擬實境科技的校園公共藝術鑑賞系統-VArt，以幫助學習者鑑賞公共藝術作品。VArt的影像式虛擬實境也結合了方向控制、雷達地圖、視點切換等功能。 本研究以台灣北部一所大學中的38名學生為研究對象，實驗組為21人，控制組則為17人。實驗組使用影像式虛擬實境呈現公共藝術作品；而控制組則使用傳統照片的方式進行鑑賞。本研究的資料分析方式包括質性資料與量化資料的分析，使用方法包括：描述性統計、成對樣本T檢定、獨立樣本T檢定、實驗觀察紀錄分析。 研究結果顯示，VArt能夠讓使用者更投入於藝術鑑賞學習的活動之中，並且能幫助學習者體驗到藝術作品與環境整體之氣氛與情境。影像式虛擬實境也能夠幫助學習者更深入的觀察公共藝術作品。而照片組別則具有簡單、可快速瀏覽等特點，但較無法深入觀察作品細節與體驗作品整體環境氣氛。在操作功能方面，視點的設置能輔助學習者找尋到較佳與較符合特定作品擺設方式的視點。而多視點的切換，則能觀察作品的不同面向。系統鏡頭的操控功能，則能有效幫助學習者觀察作品的細節以及選擇觀看的位置。最後，本研究針對未來的VArt的功能開發提出建議，以供後續相關研究之參考。
- 學位論文
過去對介面代理人擬真的研究多著重在外在的展現，如容貌、表情及肢體動作對於使用者感受所產生的影響，雖然另外有少數討論語言行為與非語言行為的搭配，然而擬真的呈現不僅於表面的言行與面貌，更透過隱晦的角色特質改變使用者感受，而除此之外，過往的擬真代理人也研究鮮少提及擬真對於使用者執行任務的輔助成效。 本研究欲探討角色特質的擬真對使用者是否有其正負面影響，並且討論不同任務情境之下角色特質的呈現對使用者是否會有不同的感受。實驗設計受測者在面對角色擬真有無的兩種代理人時，於兩種複雜度需求不同的任務中，對任務效率與受測者感受會產生何種影響。 研究結果顯示，當受測者在高複雜度任務場合下，擬真代理人能另受測者在執行任務時保有正面感受，同時降低各方面認知的突兀感。但在高複雜度壓力下，受測者易疏忽代理人的擬真表現甚至影響任務執行，此時無擬真代理人反而能營造專業感，進而提升受測者的信任度，只是在高複雜度下，受測者若面對無擬真代理人也會快速累積疲勞感等負面情緒。 受測者在低複雜度任務場合時，擬真代理人能夠帶給受測者更高度的任務專注度、提升任務資訊的理解力，以及正面影響受測者的情緒。雖然部分受測者因接受擬真而忽略任務資訊，但大多數的受測者在低任務複雜度且有擬真代理人的場合下，普遍展現了正面的情緒反應及任務效率。低複雜度下，無擬真的代理人同樣帶給受測者專業感以及較快速的疲勞累積，此時受測者對於再互動意願同樣多半偏低。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
音訊指紋辨識是一種快速的音樂檢索方式，透過麥克風收音，將錄製的歌曲傳送到辨識系統進行運算，最後將最符合的結果回傳給使用者。但在現實生活當中，使用者所在的環境可能是餐廳、超市等嘈雜的環境，使原本音樂被噪音汙染，導致辨識率下降。本論文將針對被噪音污染的辨識情況進行提升辨識率的改良。 我們建立一個兩階段的辨識系統，針對第一階段結果建立重新排序門檻判斷條件，將不符合條件的辨識歌曲進行第二階段辨識。第二階段進行聲音頻率和時間的比對，比較辨識片段和歌曲的頻率及時間相似度，將第一階段辨識結果的前十名歌曲進行重新排序，並使用排序學習演算法的3種方法，分別為逐點式、成對式和序列式方法。實驗結果顯示我們的改良方法確實可以讓辨識率達到提升的效果。
- 學位論文
晶圓在製造過程中難免會有一些缺陷，造成晶圓上的缺陷原因有很多種，因此，工程師透過晶圓針測結果產生的晶圓圖，觀察其錯誤晶粒分佈，進而分析製造過程中錯誤原因。以往總是由工程師以肉眼觀察晶圓圖找出特定的錯誤樣式，雖然人工偵測的方式可保證其正確率，但是卻非常缺乏效率。 本論文的目的即是透過機器學習的技術，讓電腦進行自動錯誤樣式分類，希望能藉此降低人力成本及晶圓分析的錯誤率。傳統方法是以原始晶圓圖上的位置進行資料分類，然而隨著晶圓資料集越來越大，此法可能會降低分類過程的效率。本論文所提出之方法著重於特徵擷取（feature extraction）的創新，我們根據晶圓圖的特性，找出幾何、Radon和其他等三大類的特徵值，大部分的特徵值皆具有旋轉不變（rotation-invariant）、尺度不變（scale-invariant）的特性，透過特徵擷取的方式，以一組特徵向量代表一張晶圓圖，分類器使用支撐向量機（support vector machine）。本論文共定義四種錯誤樣式，並將分類過程分為二個階段，第一階段辨別晶圓圖是否為錯誤樣式（pattern 或none），第二階段則辨別錯誤樣式的晶圓圖為四種特定錯誤樣式中的哪一類。 在實驗分析上，我們比較不同特徵對於系統分類辨識率變化，接著透過降維實驗自306維的特徵資料投影90維，其系統辨識率可高達91.1%。由實驗結果顯示，本論文提出的特徵值組合，對於大型資料集擁有良好的效率及辨識率結果，同時也證實我們提出的方法比起前人更能有效的區分不同晶圓圖的錯誤樣式。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
我們時常將標點符號視為語句上可呼吸停頓的位址，然而，並不是所有停頓都發生在標點符號的位址，也不是所有標點符號都會停頓。本篇論文中，我們介紹一個可以針對英文語言學習者輸入的演講文稿自動推薦適當的停頓點的系統。在使用的方法中，我們必須將演講文稿裡面的標點符號去除，並且產生適當的特徵。其中包括自動產生標記停頓點的訓練資料、自動針對訓練資料產生文字上的特徵值，並且自動訓練分類器協助判斷停頓點。最終的評估顯示我們提出的方法在針對標記停頓點上有相當不錯表現。
- 學位論文
在本論文中我們提出一種結合了腦波電位和啟發式演算法的協同控制策略，開發一套系統讓受測者能利用腦波進行在二維平面的迷宮遊戲。 腦機介面應用最主要的問題之一是腦電波分類準確度不高，一般而言我們很難去定義所有的腦波種類。為了讓人們利用自己的意志去精準的操作移動方向，近年有來許多關於協同控制策略的研究成果發表，這些研究方法透過結合腦波發出的訊號和預先設計好的執行命令，讓系統的執行結果能夠更接近使用者真正的選擇。我們設計一套協同控制系統，此系統中有一球體在迷宮中移動，每一次球體移動後受測者觀察移動方向並且評估球體是否正確往終點前進，受測者在評估時產生的腦波會被記錄下來，作為回饋傳回協同控制系統，系統根據受測者不同的評估結果和我們提出的啟發式演算法決定球體下一步的移動方向。依據實驗結果，我們提出的方法能夠有效的修正方向，讓球體往受測者評估的正確路徑移動，並且明顯地比之前的找尋迷宮路徑演算法花費更少的步數即可到達終點。我們證明在腦波分類無法準確傳達受測者意志的狀況下，透過協同控制策略依然能讓球體移動到受測者所想的位置並且為腦波控制移動方向的應用提供新的觀點。
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
- 學位論文
近年來，許多科學家對於人類腦波的分析與研究越來越感興趣，他們利用一種量測腦波的方法，稱作腦電波圖(Electroencephalogram, EEG)去觀測人類的腦波變化，並且建立許多實際的應用，像是遊戲控制以及物理治療上。人腦電腦介面 (Brain computer interfaces, BCIs)可以抓取受測者的腦波訊號，並且傳到後端的系統進行一系列的訊號分析，由此可以對使用者的想法進行推論。 在本篇論文中，我們使用一種新的EEG分析方法，稱作錯誤相關電位(Error-related potential, ErrP)來提升人腦電腦介面的性能，錯誤相關電位是透過受測者對於錯誤的警覺的認知狀態所蒐集到的腦波訊號，它是屬於事件相關電位的一種(Event-related potential, ERP)。並且為了克服人腦電腦介面所擁有的資訊量不確定這項缺點，我們也使用了協同控制策略(shared-control strategy)的概念來提升我們提出的模型健全性。因此我們結合了受測者端的錯誤相關電位以及協同控制策略的概念去提出一個新的模型:繪圖模型(Drawing model)，以及利用我們提出的移動方法:減少與說服搜尋法(Reduce and convince search) (RAC搜尋法)讓系統在接受受測者的反應訊號時，繪圖模型上的物件能根據RAC 搜尋法的規則做移動。並且因為每個受測者訓練出來的分類器不是百分百正確，因此在物件移動過程中，可能會受到分類器誤判的影響導致物件偏離原有的軌道，所以加入了一個機率機制，系統在累積足夠的信心時，就會將偏離軌道的物件退回正常的軌道。我們的目的是希望提出的繪圖模型能夠讓受測者透過自己的腦波操控來順利並且快速地完成object在drawing model上的移動任務，最後我們會建立一系列的實驗，實驗結果顯示我們提出的drawing model比起不加入受測者腦波影響，完全無背景知識的try and error模型來說，整體效能提升了約16%
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。