科技與工程學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5

沿革

科技與工程學院（原名為科技學院）於87學年度成立，其目標除致力於科技與工程教育師資培育外，亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下，自91學年度增設「機電科技研究所」，該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」，並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外，「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後，本院為配合本校轉型之規劃，增加學生於科技與工程產業職場的競爭，本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展，兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年，本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此，本院發展之重點涵蓋教育（技職教育/科技教育/工程教育）、科技及工程等三大領域，並定位為以技術為本位之應用型學院。

107學年度，為配合本校轉型規劃，「光電科技研究所」由原隸屬於理學院改為隸屬本（科技與工程）學院，另增設2學程，分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。

News

學院網址：http://www.cot.ntnu.edu.tw/

Browse

Subject: search.filters.subject.LSTM

Search Results

Now showing 1 - 7 of 7
  • No Thumbnail Available
    Item
    基於深度學習之光流法應用於全天空影像之日射量估計與預測
    (2023) 陳家豪; Chen, Chia-Hao
    因應太陽能發電日益重要，又因太陽能發電量受制於日射量的影響，同時考量太陽能發電是間歇性的能源，故提出一種基於深度學習光流應用於全天空影像之日射量估計與預測的方法。由於日射量變化容易受到天氣狀況影響，本文藉由全天空影像，建立一個以影像特徵為基礎之日射量估計與預測系統，其影像特徵包括，利用紅藍比例法計算影像中雲層比例、雲層厚度，及藉太陽位置演算法得到影像中太陽位置，分析太陽附近雲層特徵，萃取全域與局部的雲層權重。同時用基於深度學習的光流法推算雲層移動的狀態，並製作未來數分鐘之天空預測圖像，將這些預測圖像作長短期記憶(LSTM)之輸入特徵，日射量作為訓練輸出，其深度學習光流法是透過卷積神經網路來實現。本文將資料集區分為月、季、半年與一年，分別進行10分鐘至60分鐘的日射量預測。同時，本文使用多個效能指標評估效果，包括平均絕對誤差(Mean Absolute Error)、均方根誤差(Root Mean Square Error)與判定係數(R^2)。最後，與文獻的方法進行比較，本文所提的方法具有較好的結果。
  • No Thumbnail Available
    Item
    基於Transformer之全天空影像進行估計與預測日射量之系統
    (2023) 謝濟元; Hsieh, Chi-Yuan
    近年來再生能源發展日益興旺，太陽能作為可持續性發展能源。其發電量與日射量成正關，如能建立一穩定且準確的日射量預測，可加強對緊急狀況之應變能力。在眾多類神經網路類型當中循環神經網路(RNN)已發展多年，其中長短期記憶網路(LSTM)更是被大量使用於具時間序列特性之日射量預測。近年來有學者提出新型態類神經網路模型Transformer，雖其最初目的為語言辨識但因與RNN相似之特性也被大量使用於時間序列之預測。過往之日射量研究多以LSTM為主，然而Transformer模型具有不會梯度爆炸且可同時從多個序列獲取資訊等優點，故本論文嘗試提出一基於Transformer網路為架構之日射量預測模型並以多種效能評估指標與LSTM進行比較。此外，從過往研究可知天氣狀況對日射量有顯著之影響，因此本論文輔以隨機森林(random forest)對數據先進行分類以加強訓練精確度。實驗結果顯示Transformer有不亞於LSTM的預測準確率，在某些指標甚至更勝LSTM。
  • No Thumbnail Available
    Item
    基於超像素分割之衛星雲圖進行預測與估計日射量之系統
    (2022) 郭家宏; Guo, Jia-Hong
    由於日射量容易受天氣因素影響而容易產生變化，進而造成太陽能發電量不穩定，因此，難以將其整合入區域電網當中。本文建立一個以超像素分割衛星雲圖為基礎之日射量估計與預測系統。分析衛星雲圖並萃取其雲層特徵，採用光流法，分析雲層運動，生成預測的衛星雲圖。再將這些影像特徵與一些天氣預報特徵作為長短期記憶(LSTM)之輸入，進行日射量的估計與預測。本文使用幾個效能指標來評估估計與預測的效果，包括平均絕對誤差(MAE)、均方根誤差(RMSE)以及判定係數(R^2)；並設計數個實驗方法進行比較，實驗結果顯示，本文所提出方法有達到預期的成果。
  • No Thumbnail Available
    Item
    基於卷積神經網路及疊層長短期記憶神經網路結合短路連結架構的股價預測模型
    (2021) 徐嘉擇; Hsu, Chia-Tze
    股票交易市場係針對已發行之股票進行買賣、轉讓與流通的場所，在現今資本集中的社會中已是一個不可或缺的制度。股份公司發起人為了完成公司設立、公司決策者為了集眾人之力，往往會透過公開發行股票向公眾募集資本以用於公司營運，這些募集而來的資本分為股票交由應募人或買進股票人持有，此稱為股東，股東享有公司資產與營運收益的權利。然而，股票的價值有其變動性，並非歸於一定，可能會隨著公司的業績表現、盈利狀況、總體市場變化，甚至是政治、媒體、公眾情緒而波動，這表示各該股東所持有的股票之價值是變動的，且沒有精準的公式可供計算，因此很難精準預測該如何處理手中持有的股票。雖然股票市場的起伏以及股票交易價格的變動是難以預測且不停變化，但歷年來已有許多研究希望可以藉由某種方法預測股價變化以達到一定精準度的未來股價判斷。因為股票交易價格的變動會使股票持有人在不同時間點買進、賣出產生價差，而這些價差的存在即為短期股票交易者獲利的入手處。如果改善預測股價的方法，使我們能夠精準預測股票交易價格的變化，就可以做到在低價買入，待到高價賣出，以此來賺取股票交易的價差。股票的價格可以視為一個時序的訊號，以下簡稱股票訊號。股票訊號是一維非線性且時變的系統。在預測非線性的訊號時，人工智慧領域裡的機器學習對於非線性的模型表現十分優秀。其中卷積神經網路的長處是特徵抽取，而疊層長短期記憶神經網路的優點是時序記憶，本篇論文希望可以結合這兩個神經網路的優點，並用來預測股票訊號。然而研究成果指出直接結合兩個神經網路，其表現比單純使用疊層長短期記憶神經網路還差。本論文其中一項亮點就在於結合兩者的「短路連結架構」，能夠成功合併兩者優點。使用短路連結的架構不只解決退化問題，使結合後的模型表現的比單純使用疊層長短期記憶神經網路更為精準。
  • No Thumbnail Available
    Item
    結合序列學習與動作狀態估測技術應用於自駕車行駛周圍之即時物件軌跡預測
    (2022) 許珮筠; Hsu, Pei-Yun
    隨著車輛智慧化的發展，開發自駕車各種功能也成為現代熱門研究方向，目前自駕車環周感知技術已大幅提升，在行駛於複雜車流環境時若能進一步了解其他用路人（例如行人與車輛）的意圖，便能採取更安全的因應策略，因此自駕車環周感知能力具備用路人的軌跡預測功能，對於自動駕駛安全性與可靠度扮演重要的角色。因此，本論文針對用路者移動軌跡預測提出一種混合式預測架構，此架構結合長短期記憶(Long Short-Term Memory, LSTM)編碼-解碼器網路與卡爾曼濾波器(Kalman Filter, KF)，其中KF可以穩定的預測用路人直行與轉彎移動的軌跡，LSTM編碼-解碼器能夠依據軌跡的資訊提早判斷用路人轉彎的趨勢，為了加強所提出的架構於不同移動軌跡的適應力，本論文設計適應性即時權重機制，根據兩個模型的預測誤差調整輸出權重加乘的比例，除此之外也使用LSTM編碼-解碼器的部分預測結果來強化KF針對用路人轉彎移動的預測精準度。目前本論文所開發的軌跡預測技術能夠應用於車輛、摩托車、及行人三種類別的用路人，為了驗證所提出方法的有效性與正確性，本論文除了透過Waymo開放資料集來訓練與測試模型之外，並在校園環境及一般市區道路行駛的自駕巴士平台進行資料蒐集與預測效能驗證。
  • No Thumbnail Available
    Item
    利用全天空影像分析進行日射量及太陽能發電量之估算與預測
    (2021) 朱財平; Chu, Tsai-Ping
    日射量容易受天氣因素影響而產生突坡事件，並造成太陽能發電量不穩定，以致難以將其整合入區域電網當中。本研究以全天空影像儀捕獲白晝之全天空影像，並建立一以影像特徵為基礎之日射量及太陽能發電量估算與預測系統。分析當前空影像以萃取全域及局部雲層之權重；利用光流法推算雲層移動狀態，並製作一分鐘之天空預測圖像。將雲層權重作為長短期記憶(LSTM)之輸入，以進行日射量估算與預測。並且，製作功率曲線，以進一步估算太陽能之發電量。本研究使用多個效能指標評估效果，包括平均絕對誤差(MAE)、均方根誤差(RMSE)、正歸化均方根誤差(nRMSE)以及判定係數(R^2)；並設計數個實驗方法進行比較，實驗結果顯示，本研究所提出方法具有較佳的性能。
  • No Thumbnail Available
    Item
    語意分類及其應用於兩輪機器人控制
    (2020) 唐凡; Tang, Fan
    本論文目的在建構一語意分類系統，使指令不單局限在單一詞彙或單一描述，例如指令旋轉之後前進及前進之前旋轉視為同樣意思，使機器人不是單純的判斷關鍵詞的順序而是使機器人能夠自行判斷語意後執行動作，讓所接受的指令更為靈活且多樣。語意分類系統建構是先以文字語句作為訓練資料，將詞彙透過詞嵌入的方式轉為數據。接著，使用神經網路進行分類訓練，主要以卷積類神經網路(Convolutional Neural Network, CNN)、長短期記憶(Long Short-Term Memory, LSTM)這兩種神經網路進行建模，CNN 具有優秀的特徵擷取及處理能力，LSTM 則在序列表現異，透過實驗比較這兩種方法，並選擇結果較好的架構應用於兩輪機器人。