本研究旨在透過DCT-SVD演算法，即時對動態影像，嵌入人眼幾乎不可見的浮水印。經過測試，該演算法具有一定的抗攻擊性，可以保障影像受到他人壓縮、裁剪等操作後，能還原嵌入的浮水印資料。 嵌入的浮水印有多種用途。舉例來說，版權方可以在動態影像中，嵌入可辨識被授權者資訊的資料。當被授權者私自將影像給予未授權者，版權方可以透過還原浮水印的方式，追蹤違反授權的被授權者，並採取必要的法律行動，以保障版權方的權益。或者反過來思考，對於監視器畫面之類需要做為證物的影像，當偵測到浮水印遭到破壞時，就代表該影像經過人為修改，可能不具有法律效力。

BERT近年來在各式NLP任務中可說是無處不見、無所不在，其中使用fine-tuning的訓練方式更是可以幫助研究者省下大量的時間及運算成本，且結果都有不錯的表現。本研究探討在結合不同條件的文本訓練下，基於對BERT模型做fine-tuning且讓其進行文本分類，觀察其對於預測及分類中文句子通順程度的成效，並且根據訓練出來的模型設計修正方式嘗試使其對預測中不通順之文本進行自我修正，並分析其成效與結果。

騎士過城堡是一款棋盤模式的電腦遊戲，棋盤是由14格棋盤格組成之圖形，以騎士棋的斜日式走法，選擇棋盤格上的任意棋盤格作起點，跳完棋盤格上的14格棋盤格，每個棋盤格子僅能跳一次，跳完全部棋盤格回到起點即過過關。研究動機是希望能找出符合過關條件的其他棋盤格圖形以增加遊戲樂趣。研究目的在5X5與6X6的棋盤格範圍內，探討以「基礎圖形擴張法」找出其延伸的棋盤格圖形，與圖形中具多條可解路徑之規律性。研究過程中下指令Chatgpt生成Python程式碼，跑出基礎圖形延伸之棋盤格路徑。研究結果在5X5以8格基礎圖形其延伸圖形有14個、5X5與6X6以6格基礎圖形其延伸圖形分別有306與14535個，而圖形的中多條可解路徑由1-多條主迴圈與1-2條次迴圈所構成之規律性。

本研究企圖建構一個運用邊緣運算技術(Edge Computing)之人工智能機器人代理人(AI Agent)，並將之運用於實體人型格鬥用機器人的研究開發中。 在此以人型格鬥機器人做為場景需求使用設定目標，運用彈性化模組，加上分散式、嵌入式即時網路技術來降低系統設計的複雜度，整合通訊協議與深度學習YOLO影像演算法，進一步運用ZMP運動控制理論，以及多維感測器融合技術(sensor fusion)，融合陀螺儀(GYRO)、加速儀(accelerometer)、CMOS Sensors、FSR(Force sensing resistor)作為人形機器人智慧平衡基礎，再藉由圖形識別做為預測辨識以及智慧姿態ZMP控制技術作為攻防策略判斷。 整體系統藉由AI 晶片與嵌入式系統網路作為整合。透過網路即時傳輸環境資訊與指令，使機器人可以知道高層的指令目的資訊。值得一提的是本系統網路設計建構依照仿生哺乳類動物的分層式架構。神經系統將反射以及即時控制交由智慧代理人軟體作為即時演算與控制來達到高性能與彈性發展的需要，未來可用在高等擴充性的人形機器人使用，包括格鬥機器人，人形機器人工地建材搬運、具自平衡醫療外骨骼機器人......等，使人與機器人能並肩工作，提升人與機器人整合互動。

本研究旨在探討層雲結構產生上的一些物理機制，一般情況為地表附近空氣經由日照加熱而對流上升，而後與冷空氣混和凝結，我們藉由建立一些相關的模型來探討此一現象，利用水中紊流模擬大氣，設計密度界面模擬大氣中密度層變界面，透過染劑以及雷射誘導螢光等技術來觀察，而後探討紊流穿透界面或與界面上溶液混和時的相關現象，並利用一些計算，例如達西-魏斯巴赫方程或渦量方程式等，去解釋這樣的模型，配合電腦程式輔助分析紊流的速度及形狀等特性的關係,，再用不確定度去評估實驗精確性，連結這個紊流模式與大氣流體中的現象，並可推廣至諸如海底火山噴泉或是工廠汙染物排放。

本研究旨在應用立體思維解決循環式的最大流量問題，於教師介聘中，可提出擁有品質保證之方法，並求得介聘成功人數之區間。教師介聘應為一限制的網路流（每個節點至少一入一出），試著求出最大循環流量。 教師介聘為學校間之教師調換作業，透過志願選填與其他參與者進行交換。以110年的介聘規則而言，介聘順序為單調→五角調→四角調→三角調→互調，相同者以積分高為優先。現有制度受限於作業期程、業務人員能力，約略簡化問題原型，但即使如此，介聘處理的結果仍不提供數據分析，導致無從分析其品質及過程，因此介聘的結果、數量和方法皆仍有很大的研究空間。 此研究除了可使媒合數量最大化外，進而由原模型衍伸出多種策略，可以透過調整參數並於結果與時間中取得平衡。單志願介聘中，透過使用不同模型使準確率（介聘成功人數/最多成功人數）介於88～100%，運算時間與準確率成正相關。多志願介聘以自訂規則作為範例，套用單志願介聘模型呈現效果。

本研究主要整合實驗測量、田口實驗與人工智慧機器學習等方法，發展優化泵浦旋葉技術。首先以3D列印開發多種相異外型族群與不同葉片數目共計82種設計，以實驗探討旋葉構造形狀與泵浦之流量、揚程及效率，進而找出效率較佳的旋葉並作為基底，過程中應用電腦輔助分析軟體進行旋葉內部流場與應力場分析驗證，搭配透明運轉泵浦觀察不同轉速下旋葉內部流體流動狀態，田口法研究結果發現由信躁比與均值分析結果顯示入口斜率為最重要的影響參數、其次分別為旋葉數與出口斜率，影響最小則是上蓋厚度，且優化設計旋葉T3C-10-2-4-4最佳。機器學習方面，經由多元線性回歸訓練模型預測出未知的旋葉效率(Y值)，訓練完成後得到平均絕對誤差Mean Absolute Error (MAE)皆小於1.5。

近年來，名為生成對抗網路的非監督式學習方法蓬勃發展，透過使產生假資料的生成器與辨別資料真偽的辨別器互相學習，只要提供資料集便可學習其特徵而生成出能以假亂真的資料。本研究提出一套針對現有生成圖像的生成對抗網路模型的改良方法，透過進行實驗探討不同變因對生成品質與效率的影響，調整原有的優化器設置、卷積層參數、模型架構等，並以客觀指標評估實驗結果，證實經過本研究提出的方法改良有更好的效果。另外改進的方式應用在各種資料集訓練的模型及更高解析度的模型，數據表明也有不錯的成果。而本研究希望能提供更明確的模型改進方向給研究人員，並減少嘗試改良模型所花費的時間與能源成本，以此減少訓練龐大的模型所造成的環境影響。

1920年代和1930年代，攝影設備剛剛起步，攝影設備只能拍攝黑白圖像的照片或影片，但仍有許多經典電影被記錄下來。如今，隨著科技的進步，攝影設備也在不斷迭代，彩色成像技術和高品質成像技術不斷被更好的技術所取代。因此，如何將黑白圖像轉換為彩色圖像成為一個重要的研究課題。本研究的目的是將黑白影片轉換成彩色影片。我們的方法可以分為兩部分：彩色化模型設計和影片連續性優化。在顏色轉換模型設計部分，我們使用了生成對抗網絡（GANs）技術，基於U-Net設計了5個模型，並使用COCO數據集訓練顏色生成模型。在電影連續性優化部分，我們首先使用景觀數據集中微調的前五個模型中最好的模型。在這個過程中，我們發現模型生成的影片存在顏色不連續的問題。因此，我們設計了三套方案來解決，比如使用H.264重新編碼生成電影，使用平均像素的色調值提高電影的色調穩定性，使用ORB預測個別幀。結果表明，影片的色彩轉換效果表現優異。

自2020年受到新冠肺炎疫情的影響，許多原有的生活、工作與學習型態都受到了影響。為了控制疫情，減少面對面接觸是其中一種方法，學習模式亦從實體轉變成線上。因學習都是面對鏡頭進行，老師很難掌握學生實際的學習狀況，也不易確認學習的品質。 沒有專注就沒有辨識、學習記憶。鄭朝明（2006）提到專注力與學習有密切關係，線上學習容易受到許多外在環境的誘惑導致專注力下降。本作品提出利用人工智慧中的深度學習，透過學生學習時的鏡頭畫面進行臉部特徵擷取，作為深度學習之分類器的輸入進行辨識，並將辨識出的狀態分析後得到結果。教師可利用分析出的結果進行教學模式的調整，以提升學生學習的狀態與品質。

地球自轉一周，需要24小時，因此地球一面處於白天，另一面則是夜晚，從外太空看地球越先進的國家的夜晚，燈火通明點亮整個城市。當愛迪生發明第一個燈泡時，讓世界夜晝變白晝，照明設備的演進，也照亮人類的文明，各式照明設備有相對的使用壽命，當路燈或照明設備故障時，需要專業維修人員或水電師傅進行更換，有時也讓照明設備久久未能即時修護。本作品設計概念，用於路燈或照明設備，路燈發生故障不亮時，系統偵測故障時並進行自動修護，將不亮的燈泡變成會亮的燈泡，達到即時修護的目的。作品以單晶片微電腦為主控制，LED驅動電路、霍爾電流感測器、使用Zigbee建構區域網路、步進馬達控制，結合IOT物聯網概念，設計具有故障自動修護及回報功能系統。

According to CNN Indonesia 2020, the demand for e-Commerce in Indonesia has nearly doubled during this pandemic. This surge in demand calls for a time-efficient method for warehouse order-picking. One approach to achieve that goal is by incorporating automation in their warehouse systems. Globally, the market of warehouse robotics is expected to reach 12.6 billion USD by 2027 (Data Bridge Market Research, 2020). In this research, the warehouse system studied would utilize AMR (Autonomous Mobile Robots) to lift and deliver movable shelf units to the packing station where workers are at. This research designed a heuristic algorithm called A.N.T.s (Algorithm for Navigating Traffic System) to conduct task assigning and pathfinding for AMR in the automated warehouse. The warehouse layout was drawn as a two-dimensional map in grids. When an order is placed, A.N.T.s would assign the task to a robot that would require the least amount of time to reach the target shelf. A.N.T.s then conducted pathfinding heuristically using Manhattan Distance. A.N.T.s would help the robot to navigate its way to the target shelf unit, lift the shelf and bring it to the designated packing station. A.N.T.s algorithm was tested in various warehouse layouts and with a varying number of AMRs. Comparison against the commonly used Djikstra’s algorithm was also conducted (Shaikh and Dhale, 2013). Results show that the proposed A.N.T.s algorithm could execute 100 orders in a 27x23 layout with five robots 9.96 times faster than Dijkstra with no collisions. The algorithm is also shown to be able to help assign tasks to robots and help them find short paths to navigate their ways to the shelf units and packing stations. A.N.T.s could navigate traffic to avoid deadlocks and collisions in the warehouse with the aid of lanes and directions.