資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
7 results
Search Results
Item 基於分類錯誤之線性鑑別式特徵轉換應用於大詞彙連續語音辨識(2009) 李鴻欣; Hung-Shin Lee線性鑑別分析(linear discriminant analysis, LDA)的目標在於尋找一個線性轉換，能將原始資料投射到較低維度的特徵空間，同時又能保留類別間的幾何分離度(geometric separability)。然而，LDA並不能總是保證在分類過程中產生較高的分類正確率。其中一個可能的原因在於LDA的目標函式並非直接與分類錯誤率連接，因此它也就未必適合在某特定分類器控制下的分類規則，自動語音辨識(automatic speech recognition, ASR)就是一個很好的例子。在本篇論文中，我們藉著探索每一對容易混淆之音素類別間的經驗分類錯誤率(empirical classification error rate)與馬氏距離(Mahalanobis distance)的關係，擴展了傳統的LDA，並且將原來的類別間散佈矩陣(between-class scatter)，從每一對類別間的歐式距離(Euclidean distance)估算，修改為它們的成對經驗分類正確率。這個新方法不僅保留了原本LDA就具有的輕省可解性，同時無須預設資料是為何種機率分佈。 另一方面，我們更進一步提出一種嶄新的線性鑑別式特徵擷取方法，稱之為普遍化相似度比率鑑別分析(generalized likelihood ratio discriminant analysis, GLRDA)，其旨在利用相似度比率檢驗(likelihood ratio test)的概念尋求一個較低維度的特徵空間。GLRDA不僅考慮了全體資料的異方差性(heteroscedasticity)，即所有類別之共變異矩陣可被彈性地視為相異；並且在分類上，能藉由最小化類別間最混淆之情況（由虛無假設(null hypothesis)所描述）的發生機率，而求得有助於分類效果提升的較低維度特徵子空間。同時，我們也證明了LDA與異方差性線性鑑別分析(heteroscedastic linear discriminant analysis, HLDA)可被視為GLRDA的兩種特例。再者，為了增進語音特徵的強健性，GLRDA更可進一步地與辨識器所提供的經驗混淆資訊結合。 實驗結果顯示，在中文大詞彙連續語音辨識系統中，我們提出的方法都比LDA或其它現有的改進方法，如HLDA等，有較佳的表現。Item 多通道棘波分類系統之低功率ASIC電路設計(2014) 柯奇恩; KE,Chi-En本論文針對目前現有的棘波分類系統設計架構，並使用ASIC電路設計方式來實現此架構。本論文採用Nonlinear Energy Operator (NEO) 來偵測棘波，並搭配Generalized Hebbian Algorithm (GHA)演算法將偵測到的棘波進行特徵擷取。為了減少硬體資源的消耗，GHA架構中在計算調整不同組權重值時皆共享相同一塊計算電路。因此，本論文所提出的架構同時擁有較低的晶片面積，以即使用了台積電90奈米製程和對於功率消耗優化之技術，使得在功率消耗的這部分也有良好的表現。最後由於使用了多通道的訊號輸入，本論文在棘波分類系統的吞吐量能有大幅的提升。Item 特徵選擇與擷取對辨識娃娃臉之研究(2014) 蔡尹廷在社交場合中，娃娃臉這種臉部特徵在外表上會具有吸引力而且給人友善的感覺。人們可以很簡單的去判斷一個人是否有娃娃臉，然而，構成娃娃臉的特質十分模糊。在我們的論文中，將去分析人臉上的特徵，並挑選出哪些特徵對於判斷一個人是否具有娃娃臉是有幫助的。我們使用特徵選擇(Feature selection)方法去挑選出最佳的特徵組合以及使用卷積神經網路(Convolutional Neural Network)去自動的學習出特徵來判斷是否為娃娃臉。在實驗當中，我們比較使用心理學的特徵、特徵選擇以及卷積神經網路三種方法的差別，在使用卷積神經網路方法的結果會比其他兩種方法來得更好。Item 以競爭性學習法則為基礎之多通道棘波分類電路設計(2017) 陳志昌; Chen, Chih-Chang本論文研究的目的在於設計並合成出可以植入於腦部內的植入式多通道棘波分類電路，提出的電路架構能夠處理多通道的腦波資料，所支援的功能包含棘波偵測、特徵擷取以及棘波分類，並具有低面積、低功耗的優勢以及良好的分類效果。根據植入生物體內的需求，電路的面積及功耗都是需要著重考量的部分，因為完成後的晶片會接觸到大腦，面積如果過大會壓迫到腦部，而功耗如果太高會導致晶片溫度過高而傷害到大腦，造成腦神經或是細胞組織受損。 本研究所提出的架構是基於NEO演算法則做為棘波偵測器和Peak Detection and Area Computation(PDAC)演算法做為特徵擷取器，並使用非監督式學習演算法Competitive Learning透過特徵資料做學習，學習完之後交給Nearest Neighbor Classifier做棘波分類使用。在架構設計上透過運算單元的共享，並將64通道的棘波分類系統電路架構於ASIC Flow上實作，使用90nm製程做電路的實現，並於電路設計中導入Clock Gating技術來降低電路動態功耗，完成低面積、低功耗的多通道棘波分類電路。 最後於論文後方與其他現有的架構做比較，證明以競爭性學習法則為基礎的棘波分類系統有著良好的面積及功耗表現，且具有不錯的分類效果。Item 可執行快速特徵擷取之多通道低功率棘波分類電路設計(2016) 張元俊; Chang, Yuan-Jyun本研究旨在於設計與合成一可植入於腦部之棘波分類晶片。根據植入於腦部的需求，晶片體積過大則會壓迫腦部，晶片功耗太高則會提高晶片溫度，如此必然會傷害到腦內細胞，因為以上兩個原因，此晶片設計將會著重於其面積以及功耗。 本研究提出以NEO運算法則為基底的棘波偵測器和以本論文提出之特徵擷取法則為基底的特徵擷取器，並藉由共享架構上的運算單元，進而設計出低功率、低面積的電路架構。本研究亦將電路實作於ASIC流程上，相較FPGA開發，ASIC在調整晶片的面積及功耗顯得更有彈性。為了降低功耗，本研究亦導入clock gating技術，進一步降低晶片的耗電量。 本論文於最後提出電路架構之分析，根據分析結果，選出數組參數進行面積及功耗分析。證明本研究設計之晶片比起其他現有的架構，有著非常突出的面積及功耗表現，並有著與現有架構差不多的分類效果。本論文也會簡單討論使用本架構之特徵擷取法與現有之PCA演算法、GHA演算法與Zero crossing演算法比較。Item 基於RANSAC篩選之書籍封面辨識研究(2016) 許峻瑋; Hsu, Chiung-Wei本研究提出一個使用手機鏡頭拍攝的書籍封面影像做為辨識對象，透過比對不同於資料庫內的一定範圍角度之書籍封面影像，建構一個根據書籍封面來進行書籍辨識的方法，取代現行使用OCR來辨識書籍的方法。本研究提出的方法是採用SURF特徵點偵測建立資料庫中書籍封面的特徵點資訊後，使用KNN做特徵點的匹配，再透過本研究利用書本特性提出一個根據RANSAC所改良的特徵點篩選方法來改善RANSAC在篩選特徵點匹配的盲點。最後配合本研究基於RANSAC的改良法，提出一個根據Miksik的重複率的判別方法來做為準確率的依據。 本研究將實驗分成兩部分，實驗的第一部份，是影像縮小對於實驗的速度成效驗證和基於RANSAC改良法所制定的閾值範圍實驗；實驗的第二部分，則是測試本研究提出之方法在實際場景的準確度，在使用者將書本拿起進行拍攝的情況下，驗證本研究提出之方法和實驗第一部分中閾值對於本研究方法的準確率影響程度。Item NEO 與 GHA 多通道棘波分類系統之低功率電路設計(2015) 陳映綸; Chen, Ying-Lun本研究旨在完成一可植入式棘波分類晶片之電路設計與合成。由於植入式晶片與大腦緊密接觸，晶片面積太大會壓迫腦部，功耗太大可能會導致腦細胞受損，不可不慎。因此在設計時，晶片的面積與功耗會成為重要考量。 本研究提出基於NEO演算法的棘波偵測器以及基於GHA演算法的特徵擷取器，配合架構上的運算單元共享，設計出高效能、低功耗、低面積的電路架構。本研究並且將電路實作於ASIC流程上，相對於FPGA開發，可更有彈性的調整晶片的面積與功耗。本研究也導入了clock gating技術，透過抑制記憶體單元的動態功耗，進一步降低晶片的耗電量。 本論文最後提出電路架構的瓶頸分析，並根據分析結果，選出數組最佳參數進行進一步的面積、功耗分析。我們證明所設計出來的晶片比起其他現有的架構，有更好的面積、功耗表現，並證明clock gating在節省功耗上起了關鍵作用。本論文也簡短討論並說明GHA作為特徵擷取演算法，與在此領域常用的PCA演算法的擷取效果相去不遠，實為一有效率之替代方案。