淡江大學資訊工程學系碩士班學位論文
淡江大學,正常發行
選擇卷期
- 學位論文
本論文提出針對智慧交通系統所需要之車輛流量評估的跟車理論改良，LCM跟車理論，由於傳統跟車模型提出之理論只探討單車道中車輛的跟車行為，但本論文認為傳統之環境定義與實際現實環境狀況不符，因此本論文提出以傳統跟車模型之Krauss Model為基礎，加入考慮車輛變換車道的情況，來建立以運動學分析車輛行駛之行車安全的數學模型。 並且本論文將利用交通模擬軟體SUMO來驗證所提出之LCM跟車理論，模擬的分析數據可以證明車輛能夠用比Krauss Model更短的時間以及更快速度到達目的地。
- 學位論文
防禦線覆蓋問題(barrier coverage problem)在無線感測網路中是一項非常重要的課題。在本論文中，我們將探討一個新形態的防禦線覆蓋問題，其名稱為強化防禦線覆蓋問題(reinforced barrier coverage problem)。強化防禦線覆蓋與過往的防禦線覆蓋之差別在於過往的防禦線覆蓋只能偵測單一邊界的突破，並無法偵測多邊界的突破。由於過往僅有少數研究針對強化防禦線覆蓋問題做探討，並且都是探討在矩形場景之中。因此在本計畫中我們將放寬此環境假設，探討強化式防禦線覆蓋問題於任意形狀之場景。
- 學位論文
近年來，推薦系統(Recommendation system)的需求與應用日漸增加，不管在哪個平台，諸如網路購物、影音平台、社群軟體，甚至是網路新聞，用戶所面對能選擇的東西越來越多，可能用戶只有幾十萬但是商品項目卻高達幾千幾億，因此在面對龐大的可選擇資訊量當中，該如何減少選擇時間與提高推薦給顧客喜歡東西的準確率已然成為一門重要的課題。在本論文中我們將在電影平台，透過協同過濾、基於內容、矩陣分解等的方式，根據使用者的興趣或過去行為去分析用戶的習慣，以及用戶對電影的評分，系統便會進一步把其他跟你相似的人所喜歡的物品推薦給你，並去找出用戶所喜歡的電影，達到個人化的推薦效果。 在本論文中使用了增強式學習(Reinforcement Learning, RL)的推薦方法，在過去傳統的推薦方法是使用item-based與user-based，但用戶的行為模式不單單只有對電影的評分而已，用戶可能受到很多隱藏、次要因素影響評分標準，諸如導演、演員、劇情等等，相較於過去傳統單純比較使用者與其他用戶的評分相似度來作比較並推薦，使用增強式學習來讓模型學習並預測用戶的未來的行為習慣能為系統帶來更好、更長遠的效益，並且利用矩陣分解(Matrix Factorization, MF)技術中相當成熟的奇異值分解(Singular Value Decomposition, SVD)去做先前的處理，矩陣分解可以將用戶對項目的評分矩陣（User-item Matrix）拆解成維度較小的矩陣來作運算，並試圖找出用戶與電影之間的特徵矩陣，因為通常諸如各電商平台、電影平台抑或是電子書平台，User-item Matrix會是一個非常稀疏的矩陣，因為item 相對於user是較多的，在item數量過多的情下，用戶可能只對龐大item中少數的item作過評分，因此，矩陣分解將Rating矩陣與Item矩陣拆解並投射到較低維度的矩陣，並藉由用戶所評分過的電影中找出影響評分的主要因素，另外在推薦電影的這個領域，電影之間存在相關性，當電影數量增加，所含的訊息量則不會隨著電影數增加而線性增加，可以有效的降低計算複雜度與訓練時間，並結合主題模型(Topic Model, TM)去應用在SVD中的特徵矩陣來做特徵分析，讓SVD中被多個特徵結和在一起的特徵向量能有個明確的標籤分類，最後透過增強式學習來去模擬用戶的行為模式，讓模型去模仿用戶可能有的行為及評分習慣，並透過模型去了解用戶時間性的動態變化，來提供更好的預測準確度，這種方法能有效地處理資料稀疏、個人化、冷啟動等的問題。
- 學位論文
無線感測器網路受電池能量的限制。因此，有限的網絡生存期被廣泛視為基本性能瓶頸。如今無線功率傳輸領域的最新突破提供了消除此性能瓶頸的潛力，即使感測器網絡永遠保持運行。在本文中，我們研究了在這種新的能量傳輸技術下傳感器網路的運行情況。我們考慮一種場景，即移動充電車定期在感測器網絡內行駛，並對每個感測器節點的電池進行無線充電。 我們研究了充電車的路徑規劃，目的是盡可能減少充電車的移動路徑。對於這個問題，我們證明充電車的最佳行進路徑是最短的哈密頓循環，並提供了許多重要的特性。隨後，我們透過使用多台充電車分擔負責區域，以保證區域內的感測器都能被充到電，不會因為等待過久而需要進入休眠造成覆蓋損失。
- 學位論文
無人機是一種通過無線控制或預設好的路徑來進行控制，具有攜帶多種功能設備執行各種任務的能力，並且能夠多次利用無人機，因結構簡單、尺寸小、造價低、生存率高、使用靈活、適應力強、零傷亡等等優勢，而被廣泛應用在各種領域。但是，由於蓄電池技術和傳統供電技術的限制，使無人機續航力、靈活性、便利性等方面的發展受到了限制，如何靈活、便利地為無人機補充電力無人機的發展過程中一個重要的發展方向和需要解決的問題。為了解決這個問題，本論文將無線充電傳輸技術應用到無人機充電技術上，提出基於無線充電傳輸模式的無人機無線充電技術，並擬設計多台充電車對無人機進行充電與選擇最佳行走路徑的方法。 本研究的環境是多台無人機對少台充電站，在完成同一個任務中，每台無人機都會有自己的出發位置與目的地位置，而充電站的位置是固定。在這個環境中，可以透過 5G 將數據上傳到雲端進行計算。本論文主要解決的目標是縮短無人機在任務中的所花費的時間，進而縮短全局的任務時間。我們所提出的主要方法包含先進行運算無人機是否有足夠電量可以到達充電站進行充電，再進行無人機路徑規劃階段。因此，透過本論文的演算法可以達到在有限的區域內花費的時間最少，以便快速完成任務，達到最短時間的完成目標。
- 學位論文
隨著網際網路普及，大部分人們的專注從傳統媒體如：報紙、傳單、電視，轉向網際網路的社群媒體，各類廣告也跟隨潮流從傳統媒體轉向可以帶來大量點閱的社群媒體如：Google、Facebook、Yahoo，因為社群媒體的即時性，這些廣告也帶來了問題，一則廣告如果含有不當內容，也就是法律規定不允許出現的廣告用語等，這類型的廣告稱為違規廣告，這些違規廣告經過網際網路的傳播，可能對人們造成影響，例如：食品廣告從過去傳統媒體轉換到社群媒體，變得更容易接觸到大眾，而食品廣告中不乏有廣告內容宣稱吃了廣告內的食品，就可以達到治療氣喘、癌症、美白等醫療效果，誘使消費者購買，不但該食品除了沒有醫療效果，也可能含有不明成分導致消費者身體受損，而廣告所宣稱的醫療效果依法律規定也不應該出現在食品廣告。 研究[1]總結兩種常用的違規識別方法，一種是收集大量詞彙形成一部字典，並使用比對演算法將文字內容與字典進行比對；另一個是透過詞向量技術，將字典轉為詞向量，製作可用的訓練資料，並使用機器學習或深度學習，如：貝葉斯分類器或卷積神經網路等方法進行分類模型訓練，將內容中的違規詞識別出來。前者方法，通常用於專業領域，不僅可以為特定領域量身打造比對演算法，在比較特定領域的準確率，也因為比對演算法可以根據專業知識進行分析，在違規識別的準確率也贏過後者方法，但缺點是設計比對演算法具有一定門檻，必須懂特定領域的知識；後者方法則是使用機器學習或深度學習從大量文字與標籤中分析出違規詞的特徵。由於透過詞向量的特徵進行違規識別，在應用領域方面不再局限於專業領域，在使用方面，通用性較高。 雖然上述方法可以有效進行食品廣告違規識別，但仍面臨下列挑戰，違規食品廣告與正規食品廣告的數量相比懸殊，違規廣告數量與正規食品廣告的數量相比過少，而深度學習是一種仰賴大量資料來解決問題的方法，如果使用深度學習來解決食品廣告違規識別的問題，勢必面臨正規食品廣告多、違規食品廣告少，這種資料不均衡的困境，這種情況可能導致深度學習學到的違規詞數量太少，仍有違規詞無法識別出來；食品廣告的違規詞有前後文關聯，例如：「增加體力」與「增加免疫力」這兩種廣告用語，一樣都有「增加」一詞，前者的是合法，而後者卻是違規，原因是「體力」泛指人的動力來源，就像車與汽油，越多汽油，車就可以行駛越遠，同理，人的體力越多就能做越多事，而食品廣告中是不允許出現任何有關生理與醫療方面的用語，所以「免疫力」因為涉及生理功能而認定是違規，因為免疫力代表著可以預防疾病。從上述例子可以得知前後文的搭配，可以影響違規的認定。 為了解決上述面臨的挑戰，以下將針對各個挑戰提出應對的解決方法。 挑戰一：違規食品廣告與正規食品廣告的數量相比懸殊 為了解決違規廣告數遠低於正規廣告數的問題，透過同義詞庫將將違規廣告的廣告用語進行替換，透過這個方式可以大量產出違規廣告以平衡違規與正規廣告的數量。 挑戰二：食品廣告的違規詞有前後文關聯 食品廣告的違規詞有前後文關聯，例如：「增加體力」與「增加免疫力」這兩種廣告用語，一樣都有「增加」一詞，前者的是合法，而後者卻是違規，原因是「體力」泛指人的動力來源，就像車與汽油，越多汽油，車就可以行駛越遠，同理，人的體力越多就能做越多事，而食品廣告中是不允許出現任何有關生理與醫療方面的用語，因為免疫力代表著可以預防疾病，所以「免疫力」會因為涉及生理功能而被認定是違規。為了解決上述前後文關聯的問題，本論文提出的方法選用BERT模型，因為BERT模型可以透過詞性標註，學習詞與詞之間的前後文關係是否造成違規。 本論文將透過爬蟲收集食品廣告違規案例，建立食品相關的違規詞庫與食品違規詞相關的同義詞庫，並查詢同義詞庫為食品違規案例中的違規詞與組合型違規詞進行BIO詞性標注，形成食品廣告違規識別的訓練資料。隨後將訓練資料匯入BERT進行實體辨識訓練，透過以上方法完成實體辨識訓練的BERT模型可以有效識別食品廣告中的違規詞。
- 學位論文
本研究使用IU X-Ray以及PEIR Gross醫療影像資料庫，利用影像描述 (Image Captioning) 技術，建立了醫療影像報告生成系統，其中使用卷積神經網路架構VGG以及ResNet做為影像特徵擷取模型，並使用Conditional Layer Normalization來控制自然語言模型BERT (Bidirectional Encoder Representations from Transformers) 將影像特徵做為條件控制文字的生成，最後使用集束搜尋 (Beam Search) 來增加輸出文字的準確度。本研究使用了BLEU以及Rouge-L兩個自然語言評測指標，研究結果顯示使用BERT結合VGG以及ResNet，其表現皆優於其他使用循環神經網路的模型，證明了BERT在影像描述中比起循環神經網路能有更優異的表現。
- 學位論文
停車對於一個現代化的城市而言是一件相當棘手的問題，往往停車位的增加遠不及車輛掛牌的數目，造成在使用效率的控管和停車位的增建就相當重要。在停車位增建不易的情況下，就需要以既有的停車位加以管理，許多縣市仍然依靠收費員來巡查路邊停車格並發放繳費單，這樣會造成過度仰賴人力的調度和資訊的不夠即時進而衍生出一些問題。 為了解決停車管理問題，一些研究提出了使用無線感測網路的路邊停車系統或是封閉式停車場的管理系統。不過這些研究當中都只注重在檢測車輛是否正確停放在區域內，並無法獲取停車格內車輛的詳細訊息，對於完整路邊停車管理系統來說還需要更近一步的改善。 在本論文中，我們提出基於藍牙信標技術與卡爾曼濾波器結合的路邊停車管理系統，綜合以上兩個目標，舉例來說當配有 iBeacon 訊號的車輛停進了停車格內，由路邊的裝置掃描並識別車輛資訊後穩定的估算出相關位置，之後將估算出的資料傳送給閘道器進行整合運算，再將計算後的結果傳送給遠端的資料庫存放，並開發網頁串接資料庫進行顯示。本系統可以快速得知路邊停車格的即時狀態，並提供停車格內車輛的詳細訊息給管理員，達到使用者和管理者都能夠滿足需求。我們也在最後一章提出了幾點可以在未來運用更新的技術讓本系統的功能更加完善。
- 學位論文
本文以無線感測器網路（Wireless Sensors Network，簡稱WSN）在自然環境下的應用為研究背景，根據自然能耗監測系統中的WSN節點位置固定等特性，在節點規模較大時按區域將整個網路劃分成多個子網路，透過限定節點區域來減少網路通訊的開銷。透過多台充電車合作的模式劃分後的不同區域內的節點充電。本論文設計了演算法來控制充電車的初始路徑、多台充電車動態的區域劃分和充電車如何選擇貢獻較大的節點。實驗結果顯示，本論文所提出的技術，可以有效的延長感測器節點的生命。
- 學位論文
無線感測網路中的感測器多由電池供應電量，由於電池更換不易，容易導致感測器電量一旦消耗殆盡，感測器節點將無法運作，只能視同死亡，整體網路覆蓋面積範圍將逐漸縮小，使得監控品質很差，而死亡節點無法接收及傳遞資料，也將導致網路斷路，無法將監控的資料傳回，因此，如何維持感測器的電量，使其運作正常，一直是學者們所共同努力的目標。 本研究考慮在一個已佈署多個感測器的無線感測網路中，散佈多台行動充電車，行動充電車彼此之間可以互相通信。由於每一個感測器有不同的耗電率，以及不同的覆蓋面積，行動充電車將考慮感測器的覆蓋貢獻與距離去判斷如何移動，由於在網路當中散步多台行動充電車，因此感測器需要判斷應該向哪一台行動充電車發送充電請求，可以使其本身等待時間最短。本論文著重於最大化無線感測網路中所有感測器累積的覆蓋效益，探討感測器在有限的電量下，透過增強式學習的應用，規劃行動充電車充電路徑，以達到感測器覆蓋目標最大化。我們將增強式學習分為兩部分，第一，透過行動充電車的學習，可以學習如何移動將會獲得最大效益；第二，透過感測器的學習，得知向哪一台行動充電車發送請求將獲的最大效益。 本論文之貢獻為提升整體無線網路的感測器覆蓋面積，使行動充電車在判斷充電對象時，以獨立覆蓋面積較大的感測器優先進行充電，此舉可使整體的覆蓋面積維持大範圍的覆蓋，使整個網路不會因為某些區域的感測器死亡無法傳輸以及接收資料，使用增強式學習讓行動充電車與感測器分別學習應該如何規劃自身排程。