• 學位論文

結合類電磁與倒傳遞演算法設計遞迴式模糊類神經系統

本論文基於類電磁演算法 (Electromagnetism-like algorithm, EM) 提出兩種混合式演算法IEMBP (improved EM algorithm with back-propagation) 與IEMGA (improved EM algorithm with genetic algorithm) 解決最佳化問題。類電磁演算法起源於電磁理論為一種以電荷群組為基礎的啟發式演算法，其主要應用電磁理論中電荷相吸與相斥原理來修正參數。提出之混合式學習演算法IEMBP與IEMGA主要流程包含初始設定、局部搜尋、計算合力、更新移動及評估階段所組成；IEMBP與IEMGA主要是針對類電磁演算法流程中的局部搜尋步驟做修改，其一是與倒傳遞演算法結合而以梯度坡降技術取代，其二是與遺傳基因演算法且採用競爭式觀念取代，取代在局部搜尋步驟之隨機逐項更新方式。此修正皆可改善性能並降低計算複雜度、也具有多點搜尋及全域最佳解之能力；其中與倒傳遞演算法結合使IEMBP有快速收斂能力，與遺傳基因演算法結合使IEMGA不需要任何梯度訊息即可處理最佳化問題，適用於未知系統之控制。因此，使用本文提出新型混合式學習演算法去訓練遞迴式模糊類神經網路(recurrent fuzzy neural network, RFNN)，並應用至非線性系統鑑別與控制以說明IEMBP與IEMGA之性能與優點。

• 學位論文

車牌偵測與辨識之嵌入系統實現

本論文研製之影像車牌偵測與辨識系統是開發於硬體系統平台上。有鑒於目前影像處理技術大多在個人電腦平台上的發展。無法使系統小型化、輕便化以及節省成本。不論是現在或是將來會有越來越多的產品朝向嵌入式系統發展。其目的就是使系統簡單並縮小體積。所以本研究選用以DSP處理器的硬體平台來實現車牌偵測與辨識的系統開發。 車牌偵測與辨識原理是：系統先將影像擷取，影像經過前置處理後，再利用Ada-Boosting技術來偵測車牌位置，然後將區塊內的車牌字元與資料庫進行相似度比較，比對結果越接近則為車牌字元，最後將影像經過後置處理後，再輸出到顯示裝置。

• 學位論文

多視角環境下之行為分析與辨識

近年來行為分析在多媒體影像處理的問題中，扮演著很重要的角色，同時有許多實際應用於生活之中，例如：社區監控、視訊監控、遠距醫療監控、異常行為偵測…等。一般的行為分析研究限制於固定視角，但於現實環境當中，人類行為不會只在預設的視角下被察覺。因此，本篇論文著重於多視角環境下使用單一攝影機之人類行為的分析與辨識。 　　本系統將多視角之行為分析轉換至單一視角下處理。先使用姿勢樣板比對找出最相似的姿勢樣板，再將樣板比對結果轉換至指定視角當中同姿勢的樣板。利用樣板之間的相關性與樣版轉換機率的輔助，使得指定視角中的樣板轉換有準確的結果。將此連續的樣板存入統計陣列之中，將此陣列與資料庫之行為陣列進行辨識，可分析出此視訊之中發生的行為。 　　由實驗結果得知，我們的系統可以適用於多視角環境下之行為分析系統，並且有良好的表現。

• 學位論文

具有溫度補償效應之新型循環式時間至數位轉換器

此論文提出具有溫度補償效應之新型循環式時間至數位轉換器。此次提出的時間至數位轉換器使用二極體連接形式的N型電晶體在延遲單元中做為補償元件，以補償因溫度變化而產生的誤差。並且使用餘數編碼器取出各延遲單元中數位邏輯，以增加此電路之解析度。所有區塊包括溫度補償環形震盪器，閘陣列，12位元漣波計數器與餘數編碼器皆設計為符合3.3伏特電壓源以及TSMC 0.35μm CMOS 2P4M標準製程。當溫度從0。C變化至100。C，解析度則在81ps至85ps之間。而其變化在±2ps之間。整體時間至數位轉換器的功率消耗為1.88mW，核心面積為270μm X 360μm。

• 學位論文

遮蔽人體分析與其行為辨識

行為辨識在許多影像處理的問題中，扮演著相當重要的角色，也有許多的應用，例如:視訊監控、影像搜尋、人機互動….等。然而現有的行為辨識方法，如遭遇到疊合情況，多是不可行的。因此，本篇論文針對兩個疊合的行人進行切割，並利用切割的結果做行為辨識。 本系統建立在靜止的攝影機下，透過背景相減取出前景物。接著運用三角化的技術，將前景物切割成許多小區塊，再抽取肢體資訊。在兩人未疊合前，建立樣板模型跟彩色模型；當行人疊合時，在區塊的基礎下，套入已建好的模型，計算小區塊屬於哪一個行人的機率。最後透過切割完的結果，進行行為辨識。 由實驗結果得知，我們所提出的方法，對於切割以及行為辨識，有相當不錯的效果。

• 學位論文

可應用於感測器之超高頻的無線射頻辨識系統標籤設計

此論文提出可搭配感測器的超高頻925MHz無線射頻辨識系統標籤，此次提出的射頻辨識系統主要包含整流器、編碼器、解碼器、Power-On-Reset和邏輯控制內的暫存器。標籤所需電源完全由天線所接收到的功率經由整流器轉換提供。標籤的天線在距離讀取機5公尺處，最多能接收到180uW。其晶片消耗功率約為57uW，本設計皆符合Gen-2的規格。使用的製程為TSMC 0.35um CMOS 2P4M標準製程，晶片大小為0.7*0.57um2。

• 學位論文

機器人監控之使用區塊比對與同中心特徵進行異常事件分析

在視覺影像處理的領域中，以智慧型監控系統來代替人力資源是相當熱門的應用，包括在室內環境中的異常物件監控，例如一幅名畫或古董的遺失。一般的方法是建立背景的模組，透過背景相減的觀念偵測異常的前景資訊，但是此方法只能應用在靜態攝影中，導致監控範圍受到限制，因此，本篇論文提出一個應用在智慧型機器人上的異常物件監控系統。 　　在本篇論文中，異常物件可包括物件的遺失或出現，整個監控系統以兩個部分完成之。首先是機器人的學習功能，機器人必須在所監控的場所內先行走過一次，抽取場景影像並記錄場景內所出現過的特徵點資訊，不須建立3D背景的模組，可以減少運算以及記憶體空間的浪費。其次是機器人的偵測功能，利用場景的比對判斷出機器人所在的位置，並根據場景內所記錄的特徵資訊，透過圖形比對來判斷是否有異常特徵點，當某個區域內有大量的異常特徵點，即有可能為物件的遺失或出現。 　　由實驗結果得知，我們的系統可以適用於不同環境底下，並且有很好的表現。

• 學位論文

非重疊多相機監控環境下之多物件追蹤與驗證

物件分析與追蹤於許多視覺影像處理的問題中，扮演著極重要的角色，當然亦可做為許多延伸應用的前處理部份，例如：行為分析於大型監控環境系統下、行人異常事件抽取之監控分析系統…等。 於多監視器之監控環境下，可以利用監視器監控環境彼此間重疊的區域，給予校正並獲得彼此特徵對應關係，藉此即可進行移動物的追蹤與特徵校正，然而於非重疊之多相機監控環境下，並無法套用上述方法順利進行移動物於多監視器之間的追蹤，因此，本篇論文將針對上述問題設計出一套系統，藉以達成於非重疊多相機之監控環境下進行移動物的特徵分析與追蹤，並會針對提出的演算法與系統進行驗證與系統的測試實驗。 由實驗結果得知，我們的系統可以有效的適用於不同環境底下，並且有很好的表現。

• 學位論文

多輸入多輸出非線性系統之適應性遞迴步階控制器設計:使用遞迴類神經網路

本論文針對多輸入多輸出(multiple-input-multiple-output, MIMO)非線性非仿射(non-affine)系統，提出基於遞迴式小波類神經網路(output recurrent wavelet neural network, ORWNN)之適應性控制機制:改良型適應性遞迴步階控制(improved adaptive backstepping control, IABC)與直接式適應性遞迴步階控制(direct adaptive backstepping control, DABC)。本文所提出的ORWNN結合小波類神經網路(wavelet neural network, WNN)及模糊類神經網路(fuzzy neural network, FNN)和輸出遞迴層之優點建構而成。本文考慮受控系統之系統動態函數為未知，且存在外部干擾或系統參數擾動;控制器設計中，我們首先將非線性非仿射系統，轉換成類似嚴格迴授(strict-feedback)型態，並透過ORWNN來估測未知函數，透過遞迴步階的技術，逐一設計子系統之虛擬控制器與實際之適應控制器。在IABC控制器設計中，本文結合動態滑面控制(dynamic surface control, DSC)的技巧以解決傳統遞迴步階控制的劇增變動複雜度(explosion of complexity)問題；根據ORWNN估測的結果， IABC 的控制輸入可藉由遞迴步階控制的概念設計，且藉由李亞普諾夫定理推導，可獲得網路參數的適應法則，並保證系統閉迴路穩定且追蹤誤差為全域最終均勻有界(UUB)。在DABC 控制器設計中，理想的虛擬控制器及實際控制器以ORWNN近似，並設計強健控制器補償近似誤差，並基於李亞普諾夫定理推導，並保證系統閉迴路穩定。最後，我們將提出的IABC與DABC，應用於二階、三階多輸入多輸出非仿射非三角系統、雙單擺(double-pendulums)、雙台車型倒單擺 (inverted double pendulums on cars)、二自由度直昇機(2-DOF-helicopter) 、機械臂控制 (robot arm control) 系統上，由模擬結果可驗證所提出的控制系統，均能達到令人滿意的控制性能。

• 學位論文

結合區間第二型模糊非對稱歸屬函數及遞迴類神經網路系統之研究與應用

本論文提出一個具有非對稱歸屬函數之第二型模糊遞迴類神經網路(recurrent interval type-2 fuzzy neural network with asymmetric membership functions, RT2FNN-A)，網路架構主要有五層，分別是由四層前饋式網路(feedforward network)與遞迴層連結至歸屬函數層所組成，每一個第二型模糊非對稱歸屬函數，是由四個高斯函數所建構而成，並透過李亞普諾夫穩定定理與梯度坡降原理推導參數更新法則。配合非對稱參數調整方式，可增加參數調整效率與網路近似能力。RT2FNN-A系統可藉由其遞迴結構來獲得系統動態特性並加強網路的學習性能。本文將RT2FNN-A應用於非線性系統鑑別、控制及Mackey-Glass時間序列預測與非線性通道等化器。經由模擬結果可知，本文所提出之RT2FNN-A系統，由於具有遞迴架構，與一般前饋式網路在應用上，能夠使用較簡單之網路架構與較少之規則數與調整參數來獲得相同的性能指標，證實了第二型模糊遞迴類神經網路有不錯的效果。