電腦科學與資訊工程

Monte Carlo methods are non-parametric algorithms that use random numbers and theorems of probability theory to approximate values that are not random. The purpose of my research was to approximate the surface of different geographical areas that can be easily approximated to polygons (e.g. lakes, glaciers, deserts) with Monte Carlo simulations starting from either Cartesian coordinates or pictures. Computer science would not exist without math, and this research project showed me the importance of a deep understanding of probability theory in the world of simulations and, more generally, the importance of developing new theorems and algorithms. The results of my research could be developed in different ways: it would be interesting to produce software that allows one to approximate areas from pictures taken from a smartphone; as well, the theorem I found has to be proven, and also Monte Carlo methods as a means of random number generation can always be improved. There are still many possibilities.

我們每天的生活都離不開手機、電腦、電視等產品，因此藍光對眼睛造成的影響是所有人都會遇到的問題。本計劃希望能利用人眼對於不同顏色的敏感度，在人眼感知範圍內減少螢幕的藍光強度，以降低電子產品對眼睛帶來的負擔及傷害，同時維持螢幕畫面的正常顯色。市面上現有的方法除了成本較高，也都會使螢幕畫面變得昏暗; 若為了維持顯色的自然，則成效便會受到限制。本專題根據人眼對於色度的最小可覺差，參考基於麥克亞當橢圓的顏色差異計算方式，分別算出不同色彩空間上看起來相同的顏色關係表，並將螢幕上的顏色換為色差無法察覺且藍色強度較低的顏色，最後以手持式光譜儀量測螢幕輸 出的藍光強度驗證成效。與現行市面上的抗藍光方法相比，除了成本大幅降低以外，也能維持顯示器的正常顯色。未來希望能推廣至所有 LED 螢幕電子產品，並為色盲色弱患者設計不同色度感知能力的最佳調整方式。

量子計算的效率相較傳統計算有指數級成長。然而此領域中多數研究皆專注於量子計算的性質本身，鮮少討論如何將傳統環境中的既有資訊轉換至量子環境下。一旦量子電腦實現，受量子效應限制，傳統資料多半不能相容於量子環境中。因此，本研究的目的是發想出一種系統性的演算法以確實跨越量子資訊與傳統資訊之間資料結構的藩籬。我們選擇的計算機模型是確定有限狀態自動機（Deterministic Finite Automaton，簡稱DFA）。 本研究由自動機的轉移矩陣（Transition Matrix）及量子環境要求的可逆性（Reversibility）出發，自傳統DFA一步步轉換至量子有限狀態自動機（Quantum Finite Automaton，簡稱QFA）並進行優化。最終，我們定義出一種新的QFA模型（QDFA）能在量子環境下運行，具有增大的字母表（Alphabet Set）但功能完全等價於DFA（能辨認正則語言）。本研究獨創的演算法的時間複雜度為O(C×N2)。

Millions of people worldwide suffer from aphasia, a disorder that severely inhibits language comprehension. Medical professionals suggest that individuals with aphasia have a noticeably greater understanding of pictures than of the written or spoken word. Accordingly, we design a text-to-image converter that augments lingual communication, overcoming the highly constrained input strings and predefined output templates of previous work. This project offers four primary contributions. First, we develop an image processing algorithm that finds a simple graphical representation for each noun in the input text by analyzing Hu mo-ments of contours in images from The Noun Project and Bing Images. Next, we construct a da-taset of 700 human-centric action verbs annotated with corresponding body positions. We train support vector machines to match verbs outside the dataset with appropriate body positions. Our system illustrates body positions and emotions with a generic human representation created using iOS’s Core Animation framework. Third, we design an algorithm that maps abstract nouns to concrete ones that can be illustrated easily. To accomplish this, we use spectral clustering to iden-tify 175 abstract noun classes and annotate these classes with representative concrete nouns. Fi-nally, our system parses two datasets of pre-segmented and pre-captioned real-world images (Im-ageClef and Microsoft COCO) to identify graphical patterns that accurately represent semantic relationships between the words in a sentence. Our tests on human subjects establish the system’s effectiveness in communicating text using im-ages. Beyond people with aphasia, our system can assist individuals with Alzheimer’s or Parkin-son’s, travelers located in foreign countries, and children learning how to read.

大數據時代促成運動賽事分析更加蓬勃發展，一般來說數據分析需要三個要素：資料、分析演算法和應用領域知識；隨著開放資料分享的普遍化，人們可以更輕易的取得資料並運用各式分析演算方法來針對有興趣的應用問題做出更精準的預測。 本研究以kaggle平台上所提供之歐洲職業足球比賽之公開資料集為基礎，使用目前最具分析潛力的深度學習技術─結合卷積神經網路（CNN）和全連接型神經網路的設計出一個五層的學習架構，建置出足球比賽結果的預測模型。此模型可直接預測主隊勝、負以及平手等三種結果，實驗結果亦展示出本研究所建置的SoccerNet預測模型優於過往的研究，有著更佳的預測能力；同時也驗證了使用公開資料集與CNN技術在球賽分析的可能性。而本研究所提的SoccerNet模型不僅可以運用於賽前的結果預測，亦可運用於球隊經營管理等決策，頗具有商業價值。

在這個智慧型裝置普及的時代，觸控螢幕已經深入人們的生活。隨著手寫輸入法、滑行輸入法等筆跡輸入系統的完善，其也成為人們與裝置互動最重要的工具，卻也常因為搖晃造成輸入的筆跡變形。為了改善人們在不穩定環境下的輸入體驗，本研究提出了“筆跡變形修正系統”。 通過結合內置感應器的資訊，系統估計裝置的運動軌跡，並以提出的屏幕-手指互動模型恢復失真的筆跡。 研究中使用了一種不需要額外儀器的校準方法校正感應器誤差，再套用本研究所開發之變形修正演算法，成功在生活中恢復失真筆跡並證明了其有效性及必要性。經過數代的改進與實驗參數優化，修正效果已大幅提升。

深度學習透過迭代的訓練，如沿著梯度反方向更新權重的梯度下降法，旨在找出損失函數建構出的多維函數圖形中，其全局最小解的變數組合。我們受到在睡眠中的快速動眼期啟發，此時期腦中的高頻率γ波可以強化學習效果。本研究模擬此現象，提出一使原損失函數擁有自適應的增幅功能的演算法（稱之為REM方法），且其中的超參數能夠根據其應用調整。 本研究將REM方法應用於三種經典的優化法，並且以五種異質的資料集測試。實驗結果指出，在搭配隨機梯度下降法（SGD）與自適應學習率優化法（Adagrad）時，REM有顯著的優化效果。REM方法不僅能大幅加速訓練進程，亦能避免特定的訓練問題。

本研究利用回饋機制修剪人工神經元的方式，可在較短時間內達到較高的目標行為學習正確次數。這樣的系統設計源於生物行為的啟發，因為回饋機制能直接影響決策中樞的神經元，而非只是影響動作本身， 在達成目標學習上會更直接、快速。以傳統強化學習 （Reinforcement Learning）系統為例，本研究模擬結果顯示，若回饋機制影響動作本身，目標達成正確率只有 19.14％。而若獎勵回饋到神經元的修剪上，則相較強化學習提高超過 2 倍的正確率。甚至，隨機修剪神經元也可相較強化學習提高 1 倍的正確率。顯然地，本系統能確實提高正確次數並縮短目標達成時程。利用回饋機制修剪人工神經元，可為強化學習在目標學習上遇到的困境，提供一個新的思考方向，實務應用上，可彌補強化學習在學習行為上無法一般化的缺點。

EmerApp+ is software designed for intelligent devices as a personal security database manager. In case of emergencies, it is an application which integrates location, tracking, and communication tools. It is triangulated between a database to a communication server as well as a second which is NASA server that offers climate and seismic information for Mexico. This application has two sources of communication, SMS messages and a newly created social network. In case of natural disasters, an extension for drones has been developed for this application, enabling rescue teams to delimit the land boundary where the disaster struck. In order to speed up the search and rescue operations a triangulation of network-drone- smartphone is completed.

近年來中醫在慢性病的治療上已獲得很大的進展，許多中草藥的功能與特性皆是利用人體實驗來找出其效用，中藥內含的成分極為複雜，其功能與毒性測試常依賴於過去經驗醫學，許多中藥仍有待探討與實證，其對人體細胞和基因的影響仍不如西醫。因此目前國內外紛紛開始建置中草藥、成分、化合物相關數據庫供查詢，然而如何讓中醫的功能與毒性科學化變得是很重要的議題。本研究利用化學結構的數據分析來探討中藥成分與人體臟器與毒性的關係性。我們採用深度學習模型以中草藥的化學性質作為輸入，透過化學結構的圖像傳播，來預測中草藥相對應之臟器有效功能與毒性預測，希望透過本研究可以提供中藥對健康影響的依據並作為未來輔助中醫的工具，讓人們可更加了解食用中藥對人體可能有的正面與負面影響。