電腦科學與資訊工程

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。

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。

CNC machines use vector graphics or vector image programs that take time and effort on hobbyists. Therefore, it is important to provide accurate techniques for converting ordinary images available on the Internet or can be designed with easy programs. In order to have precise drill paths read by CNC machines directly and produce a product that does not contain rattles at the edges. This depends on the accuracy of processing the extracted paths. The development of algorithms has been completed Transforms Pixel image into Paths with XYZ extension, which is used to drill material and cut it through CNC machines. And the algorithms are based on transfer images with low quality. And Its Advantage that it can create high Paths with as few points as possible. The program can convert the pixel image into paths, and then converted into g-code, and use it in CNC machines directly.

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。

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。

本研究基於擴充實境設置出一套全新的視覺里程計，並以此為基礎建立出一套創新之定位系統。藉由電腦視覺領域的計算方法，本研究藉由計算以參考影像設置的世界座標系與相機座標系之間的轉移矩陣，將其旋轉矩陣與平移向量得出，便可得知相機與參考影像中心再三維世界下xyz軸的距離差，以及相機所面向的方向，同時利用擴充實境進行虛擬物件的投射，達到提供使用者資訊的效果。此定位系統有別於傳統的定位方法，不需要參考點，僅需得知一影像與其尺寸大小便可建立，無需任何發信器，可被定義為一種全新的定位方式，因此在設置上極為簡易。同時，本研界之定位系統在選用30cm x 20cm的參考影像時期量測誤差僅於2公分以內，每0.067秒可完成一張影像的計算，經本研究之評估，可與感測網路、機器人、以及美術館導覽的廣泛領域的未來應用結合，兼具實用性與未來發展性。

影像擷取是進行影像處理中最常用的技巧之一，但是要將有毛髮的影像進行背景去除較不容易，影像處理軟體的操作方法也頗為繁複，因此，提升毛髮邊框的背景去除效果及簡化其操作方法十分重要。本研究以貝氏定理為基礎，透過機率計算估計原合成影像中前景和背景的透明度與顏色值，嘗試使之與原圖數值差距最小，藉此估計影像未知區域的透明度，使邊框附近的細節能清楚呈現。後續嘗試利用權重的概念，提高邊框毛髮處理的效果，並透過修改演算法，提高演算效率。本研究技術未來可能可應用於電視電影等影視工業，或廣泛運用於繪圖排版軟體、圖文書中，讓使用者得到更好的影像擷取效果。

許多疾病與自主神經活性息息相關，例如睡眠呼吸中止症。現有的分析方法，例如頻率分析法，將心律變異訊號(HRV)訊號假定為平穩過程，使得我們只能得到這段訊號內的平均值，無法知道其即時資訊。本研究成功以短時距時頻分析轉換(Short-time Fourier transform)配合重新分佈方法(reassignment method)來分析自主神經系統的活性。藉由觀察隨時間變化的頻率，我們可以得知即時的交感神經與副交感神經活動。本研究可延伸應用於睡眠呼吸中止症的診斷。

象棋程式主要都是使用評估函數搜索，但是搜索有一定的不穩定性。因此，它們大多會使用開局庫，避免在開局時搜索出不好的棋步，進而影響勝負。不過，一個完整、強大的開局庫通常會佔用很大的空間，而且在檢查、維護與修改上，均有一定的難度。 本研究分別運用靜態和動態結構兩種不同的方式來表示象棋盤面，藉此減少表示一個象棋局面所需要的空間。減少它的空間後，一個相同大小的開局庫中不但可以放入更多資料，增強棋力，而且在搜尋、檢查與修改上，都能夠顯著的增加效率。 使用這兩種新的編碼方法，可以把含有超過十萬局棋(上千萬個局面)的開局庫編碼成6MB的大小。而這個開局庫，不像傳統的開局庫，只要檢查到一個不好的著法，就可以迅速的把包含這個著法的局面全部刪除。另外，從這個開局庫也可以直接取得開局的棋譜。