中正大學資訊工程學系學位論文
國立中正大學,正常發行
選擇卷期
- 學位論文
次世代定序技術讓基因定序的準確率更高，產生更大量的定序資訊，提供品質更好的基因體組裝(GenomeAssembly)材料。然而這些大量的基因序列中，含有不少冗餘的(Redundant)序列，導致之後的基因組裝軟體浪費大量時間在處理冗餘的資訊。本論文提出一種新方法，在轉換成對序列(Paired-EndReads)至長序列的演算法過程中，同步利用雜湊表(Hashtable)來提前過濾冗餘序列資訊，以節省轉換出冗餘序列後又過濾掉所浪費之時間，進而達到加速效果。我們將新方法套用在真實資料中，結果指出新的方法確實會比之前的演算法更加快速。 關鍵字：次世代定序、長序列、雜湊表、冗餘、基因體組裝
- 學位論文
由於物聯網的興起，人們經由網路與伺服器交換的資料量越來越龐大，隨著大數據的演進，如何從巨量資料中挖掘出有價值的資訊，是現今的重要課題。因此資料探勘演算法被廣泛使用在各個領域上。而如何處理這些海量的資料以及分析不同的資料型態成為大數據會面臨到的問題。 為了解決儲存設備與運算能力的限制，分散式系統和雲端運算近年也越來越普及，透過多個伺服器叢集執行平行化的運算，克服CPU運算速度的瓶頸；此外，藉由多個伺服器的串聯來增加儲存的容量，彌補單一設備空間不足的問題。為了提升運算的效能，在處理任務的時候，可以藉由硬體加速平台來分擔運算的負載。硬體加速平台最常見的有圖形處理加速器(GPU)和可程式邏輯陣列(FPGA)，通常擁有數量眾多的運算單元，用來執行高密度且獨立的運算並達到運算平行化。 本論文針對巨量資料的儲存平台與運算能力的增進，提出一個軟硬體整合的方案，在Hadoop系統串聯以FPGA為基礎的硬體加速平台，利用Hadoop叢集的分散式檔案系統(HDFS)以及MapRdeuce的平行運算優勢，再藉由網路分享器提升擴充性，建構一個用於資料探勘演算法的Hadoop與FPGA整合的加速平台。我們使用在資料探勘中最常見的K-means分群演算法以及KNN最近鄰居分類演算法來呈現此整合加速平台的優勢。
- 學位論文
廣告充斥在我們的生活中，我們每天都在接觸各式各樣的廣告。自從人類有市場交易制度以來，廣告就在人類的商業活動中扮演重要的角色。因此，透過研究廣告，我們可以瞭解一些關於歷史與社會科學，甚至是一些關於商業策略的資訊。 在本篇論文中，我們提出一個對報紙影像及網站快照做廣告偵測，切割及分類的架構。首先，我們利用連通元件法(connected components)從影像中擷取廣告候選區塊。接者，我們設計了兩個過濾器過濾非廣告的候選區塊。首先是利用規則法過濾掉明顯不是廣告的候選區塊。在規則法過濾之後，我們提出利用機器學習的方法進一步的分辨出非廣告的候選區塊並加以濾除。對於剩下來的廣告候選區塊，我們利用機器學習透過視覺特徵將他們分類到各個預先定義好的類別。我們統計各種廣告類別在報紙頭版以及網站快照中的分布，發現了一些跟廣告與社會環境相關的有趣資訊。
- 學位論文
現今可攜帶式的醫療裝置隨著人口老化的情況加劇而有了快速的發展，一般而言，像是藍芽或紅外線此類無線傳輸的方式是透過無線射頻來傳輸資料，但是這種傳輸方式只能提供低速的資料傳輸，而且通常伴隨著較大的功率消耗。除此之外，如果附近有相近的頻段在使用的話也會影響無線射頻的傳輸。因此，另一種人體區域網路的概念開始被重視，也就是人體通道傳輸，此種傳輸方式是利用人體的皮膚當作傳遞的介質，相較於無線射頻的傳輸方式，這種方式傳輸更加穩定而且功率消耗也比較低，同時對於環境周遭的干擾比較無感。 在本篇論文中，我們先探討了人體通道傳輸的特性，為了要設計出合適的人體通道送收器，我們做了很多的人體量測，根據不同頻率以及傳輸距離的測量結果建立了人體通道模型。另一方面，當訊號經過人體後會產生衰減的情況，因此我們設計了一張AFE PCB板子來處理這個問題，利用前端的放大電路來放大衰減後的訊號，再使用Schmitt trigger來將訊號切回原來的方波。 在我們提出的人體通道送收器的架構中，主要包含了一個傳送器、一個人體通道、一個AFE PCB板子以及一個接收器。為了將人體通道送收器實現在FPGA的平台上，傳送器和接收器的電路都會燒錄到FPGA中。在傳送端的部分，外部的訊號會先透過UART介面傳送到FPGA中，接著訊號再經過NRZI編碼後，以封包的格式一個一個傳出。在接收端的部分，經過人體後衰減的信號會使用AFE PCB板子來還原。之後接收器再回復成原本的資料以及時脈，最後用UART介面將資料回傳給電腦。總結來看，我們成功的將人體通道傳收器實現在FPGA的平台上，並且可以順利的進行資料傳輸。
- 學位論文
息肉狀脈絡膜血管病變 (Polypoidal Choroidal Vasculopathy, PCV)是好發於亞洲人身上的一種眼科疾病，嚴重會導致失明。 PCV 是屬於AMD (Age-Related Macular Degeneration，老年性黃斑部病變)的一種類型，目前診斷用的方式有 FA (Fluorescein Angiography，眼底螢光血管攝影)及 ICGA (IndoCyanine Green Angiography，眼底循血綠血管攝影)，通常一開始醫生會以 FA 檢查病人是否患有 AMD，但FA 由於穿透力不足因難以發現位於患部位於較深層的 PCV，因此臨床診斷上醫生懷疑病人有 PCV時會施以 ICG檢查 我們的系統使用卷積神經網路進行 PCV偵測，其最主要的優點在於不需設計影像特徵，而是通過大量的資料由電腦自動學習具代表性的特徵，我們的主要目標是以 ICG 影像訓練我們的神經網路架構並偵測 PCV，次要目標則是於 FA 影像上偵測 PCV，由於 FA影像上有大量的螢光劑滲漏使偵測病變區域的難度極高，因此在本論文中只進行嘗試性的實驗。我們採用EVEREST的資料庫進行實驗，並且系統在PCV病變中的其中一個病徵(polyps)上取得比現有方法更好的偵測準確度。
- 學位論文
基因體組裝(Genome Assembly)過程，首先會將短序列組裝成較長的連續序列(Contig)。為了進一步改善組裝完整度，這些長序列可利用長距離之成對序列(Mate Pair)，拼接成更完整之單元稱為結構(Scaffold)。現有的結構拼接方法是基於組合最佳化或啟發式模型，其速度及正確性仍有改善空間。在這篇論文中，我們提出一個基因體結構拼接方法，利用FM-index資料結構將成對序列有效率的映射到長序列上，產生並簡化結構拼接圖。我們利用五組真實資料驗證我們的方法，並且與其他先進的基因體結構拼接軟體進行比較。
- 學位論文
- 學位論文
本篇論文提出一個自動化酵母菌細胞切割及分類的方法來幫助生物學家處理分析大量的酵母菌細胞影像。我們的方法分成兩個部分，細胞切割及細胞分類。在細胞切割這部分我們首先結合 HOG (Histogram of Oriented Gradients) 和頂帽轉換兩種方法來對細胞做種子點偵測，再以此種子點為基礎做分水嶺切割。在分類的部分，我們使用通用傅立葉描述元作為形狀特徵來區分不同酵母菌細胞形狀之間的差異，並透過支持向量機器 (Support vector machine) 將酵母菌分成五類。我們的實驗資料是由 Iona 大學生物學系 Eric Muller 教授所提供的 34 張變異酵母菌細胞影像。本論文的細胞切割結果的 F1-score 達到 0.8976。雖然在整體系統的實驗中 (以本論文的切割結果所做的細胞分類)，五類細胞的分類結果受到切割效果及異常細胞的影響效果較差。但若改以 ground truth 來做四類細胞 (不包含異常細胞) 的分類就會有較好的分類準確度。
- 學位論文
隨著影片串流服務爆炸性的成長，顯著增加網路頻寬的消耗和使用者的延遲。為了舒緩這樣的情況，一個可行的替代方案是在使用者周遭佈署代理伺服器快取。代理伺服器快取明顯的在內容伺服器和使用者之間扮演一個關鍵性的角色，而且可以顯著減少回覆的時間以及網路流量的消耗。 因此在代理伺服器快取中應該要執行一個有效率的快取演算法以達到更好的效能。但是目前的傳統快取演算法並不適合用於這樣的環境，因為它們並沒有考量影片的連續性。本篇論文提出一個快取演算法，以熱門程度附加區塊強化之區段快取演算法(Interval Caching with Popularity-dependent Extra Blocks; ICPE)。ICPE利用隨著熱門程度變動的附加區塊(Extra Blocks)來達成增加快取擊中率和降低快取替換之區塊數量。我們也有和其他的快取演算法做比較以評估ICPE快取演算法的效能。實驗結果顯示ICPE在快取替換之區塊數量上有傑出的效能。