電子智能系統被廣泛應用在現代人的日常生活中，但是使用任何電子系統都必須面對系統失效的風險，就像我使用電腦可能會當機一樣。在智能車輛的應用中，電子系統的可靠性與我們的人身安全直接相關。一旦發生系統失效的狀況，恢復系統正常運行的最後一個手段是重新啟動系統，藉由系統重啟來恢復系統的正常功能。因此系統重啟的耗時，對系統的可靠性至為重要。 LS1043A晶片是多核心高階處理器，能夠運行完整的Linux操作系統。由於LS1043A架構及功能的複雜性，它的開機程序需要遵守嚴格的步驟，耗時也比一般的微控制器更長。在這個實驗中，我將了解LS1043A處理器的架構著手，由此設計一個計時器，能做到精準量測開機時間達千分之一秒，使開機時間成為能夠量化的指標。本實驗的計時方案是一個通用的設計概念，可用來量測不同類型高階處理器的開機耗時及系統可靠性評估之參考指標。

隊員的外婆在台灣獨居，曾因跌倒而未能及時求救，引發家人擔憂，高齡化與獨居老人數量增加，導致安全照護挑戰，需改善意外求助系統。本研究目的是使用OpenCV和YOLO技術辨識人體動作，檢測跌倒情況及其影響發送郵件通知家人。本研究使用Pexels和Google收集圖片進行訓練，Roboflow工具加快標註過程。過程中整合偵測、影像擷取及郵件發送功能，設計時間間隔機制避免重複發送郵件。訓練結果顯示模型在辨識「躺下」動作上準確率高，對其他動作表現尚可，而系統運行時CPU負擔輕，確保穩定性與擴展性。本系統對人物重複辨識和跌倒檢測準確性有改進空間，考慮增加資料量及調整標註類別。未來計畫開發專用APP以提升訊息傳送功能，增強用戶體驗。

本研究提出一款結合生成式AI能進行場景分析，進而綜合情緒、語氣、文化禮節給予最佳回覆的人工智慧眼鏡。目的希望使用者不需要透過手機即可實現即時語音翻譯、情境分析與天氣資訊抓取功能。系統以ESP32為主要控制核心，搭配Android Studio開發之應用程式，透過WiFi採用UDP通訊協定進行無線通訊，提供精簡的翻譯與應答建議。每次翻譯處理後，GPT根據語境與提示詞再將翻譯結果與應答建議，傳送回並顯示於智慧眼鏡的OLED螢幕，將即時資訊呈現在使用者眼前，實現流暢的跨語言互動體驗。

在高度數位化的社會，存在大量的數位影像資料，在不影響視覺品質之前提下如何標記持有者或資料來源是一重要課題，而不可視浮水印機制是可行的解決之道，本研究運用對抗性機器學習技術的概念及深度學習技術研發設計數位影像之浮水印機制，研製偵測器與註冊器。本研究設計研製之偵測器與註冊器可以處理任意大小的影像，經實驗分析具高度的保真性，並具可以承受 JPEG 中度品質(qlt=50)的失真壓縮攻擊，解壓縮還原之已嵌浮水印影像偵測器仍舊可以有效判定具浮水印。本機制可以結合網站、伺服器或影像設備為其提供的數位影像嵌入浮水印，在不影響視覺感官的前提下標記來源或持有者。

本研究提出了一種基於毫米波FMCW雷達的即時居家健康監測系統，與RGB攝影機感測器方案相比，該系統更具成本效益並保護用戶隱私。對於居家健康監測系統來說，除了走、站、坐、臥四種常見的身體動作外，及時發現緊急情況也至關重要。因此，我們支持跌倒偵測以及兩種手勢的識別，一種用於頭痛，另一種用於緊急事件。然而，由於雷達點雲的稀疏和不規律特性，我們提出一種新的身體動作波形表示方式和一套處理程序用來平滑動作波形，利用雷達點雲的三度空間座標和速度在時間序列上的變化波形來表示動作特徵並作為神經網路的輸入，再搭配一輕量級的1D-CNN+LSTM神經網路來實現即時動作辨識。根據實驗結果，此方法可以達到30FPS的輸出效率和94%的辨識準確率。

本研究旨在開發一款能自動跟隨人的AI智慧運輸車，應用在 醫院、商場等環境，能減輕工作人員的負擔。本系統融合YOLOv8影像辨識技術和物聯網，使運輸車具備跟隨人體的能力。該系統通過物聯網，將車上攝影機接收的影像傳送至電腦，進行即時運算，不必在車上配備高階的微型電腦或GPU以降低成本。使用YOLOv8模型辨識人體與手勢，以arduino ESP32開發板作為主控單元控制減速馬達，使運輸車能自動跟隨人員。本研究不像傳統自動導引車（AGV），因為依賴固定路徑，而無法用在多變的場景，且不適合與人協同工作。將本系統應用於醫療院所或零售業商場等 ，經常出現 變障礙物的場所時，能與人員配合執行任務，例如當作病人的點滴架、輔助護理師工作的醫務車，以及賣場中協助工作人員上貨的籠車，能有效降低勞力負擔。

近年來隨著資訊科技發展，詐騙行為日益猖獗。儘管政府已建置防詐網站與專線提供人工審查，但面對大量詐騙資訊，其效率仍顯不足。為降低人工審查負擔，本研究探討提示工程技術（Prompt engineering），評估其是否可提升GPT模型對圖像與語音詐騙內容的辨識準確率。研究設計採用三種不同提示策略，分別應用於圖像與語音資料中，並比較其判斷正確數以分析準確率差異。結果顯示Chain-of-Thought Prompting在兩種媒介資料中表現皆優於其餘提示工程模型，顯示良好判斷效果。本研究基於Chain-of-Thought Prompting模型開發互動式網頁程式讓民眾可立馬使用網頁判別可疑的圖片、音訊，展現應用於基礎防詐之可行性，亦可為後續防詐系統提供設計參考。

對稱與密鋪圖形是數學美學的表現，廣泛應用於藝術與工程設計中，本研究利用 Python 語言及其套件，依據平面設計的法則，撰寫十七種平面對稱圖形的程式碼，程式碼可透過Replit 平台的雲端共享功能促進跨領域專業人士之間的合作與改良。此外，針對一般群眾本研究透過定義函數和變數開發出｢幾何設計｣專案讓使用者能夠透過座標設計，輕鬆原創出具有對稱性和密鋪性的幾何圖案。本研究在幾何教學、平面設計和 3D 建模等方面都展現了其應用和優勢。我們也收集了使用者測試的反饋和數據，並提供了將平面圖形轉換成 3D 模型的過程和示例。

本研究探討 Instruction-Tuning 對法律領域語言模型的影響，我們使用 ChatGLM-2 6B 作為基礎模型,先以台灣法律文本進行 Continual Pre-training，再以和律師的 Q&A 數據集，分別採用 Supervised Fine-Tuning(SFT)、Reward Model 及 Proximal Policy Optimization(PPO)等 Instruction-Tuning 方法進行微調。結果顯示,僅經過 Pre-training 及 SFT 的模型,其產生的回覆較符合法律專業風格;但考量模型對法律知識的掌握,則以 Pre-training、SFT 及 PPO 整套 Instruction-Tuning 的結合效果最佳。本研究證明, 針對單一領域的語言模型, 不同的 Instruction-Tuning 方式會對其回覆風格及知識掌握造成不同影響。我們的研究為未來單一領域語言模型訓練提供了參考。

本研究旨在運用自然語言處理技術，建立辨識惡意程式的模型。首先在資料集方面，分為 PE資料集與 ELF資料集，均包含良性及惡意執行檔，且蒐集惡意程式時採用多種不同之惡意程式家族。接著對資料集進行反組譯及前處理。使用反組譯後的組合語言檔作為文本，訓練模型以區分良性和惡意程式。研究比較詞袋模型、序列模型、BERT 以及不同 n-gram對模型的影響。 研究結果顯示。詞袋模型以使用multi-hot編碼表現最佳，PE資料集之F1-score為96.87%；序列模型則是有位置編碼的 Transformerencoder 表現最優。在不同 n-gram 的比較，multi-hot詞袋模型與 TF-IDF 詞袋模型，分別在 2-gram 及 5-gram 有最高的 F1-score。

本研究聚焦於籃球員的慣用動作分析，透過深度學習技術開發了一套籃球動作分析系統，旨在準確分析籃球員在籃球運動中的個人動作特徵來進行動作辨識。我們透過自行蒐集籃球動作的影片，並使用MMAction2這個資源庫來進行動作辨識模型的訓練，將訓練好的動作辨識模型用開發慣用動作分析系統。系統流程首先使用滑動視窗（Sliding Window）的機制將即時拍攝的影像變成有序列的連續影像片段，再即時傳送至進攻動作辨識的深度學習模型中，來辨識出連續影像片段中的動作序列屬於何種特定動作，藉此將多個連續影像片段中的動作序列各自轉換為單一動作單元並依次輸出。最終，系統基於前述單一動作資料進行綜合分析，以統計使用者的籃球慣用動作。此分析系統能為籃球愛好者提供清晰的動作偏好資料，具有提升訓練成效的潛力，同時為籃球技術分析與訓練提供了一個精確的數據分析工具。

隨著氣候變遷對人類生活帶來越來越大的的影響，CO2 為氣候變遷的主要驅動因素之一，準確預測二氧化碳（CO2）排放量變得至關重要。 本研究深入探討了各種先進的單變量和多變量時間序列模型，並提出一種新穎的混合集成模型，旨在提升台灣CO2 排放的預測準確性。 我們採用了自1965 年至2022 年的年均數據集，涵蓋CO2 排放量以及天然氣、煤炭和石油的消耗數據，利用標準評估指標來評估模型表現。在多次實驗中，我們選定了三個表現最佳的模型，並通過疊加泛化技術將其預測結果整合至一個元模型。所提出的混合集成模型達到了1.398% 的MAPE 分數，顯示出相較於傳統模型更優越且穩定的性能。 經過全面優化後，本模型可為政策制定者和產業領袖在制定減少CO2排放的決策時提供了可靠的依據。