理學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3
學院概況
理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系（均含學士、碩士及博士課程），及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所，另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人，陣容十分堅強，無論師資、學術長現、社會貢獻與影響力均居全國之首。
特色理學院位在國立臺灣師範大學分部校區內，座落於臺北市公館，佔地約10公頃，是個小而美的校園，內含國際會議廳、圖書館、實驗室、天文臺等完善設施。
理學院創院已逾六十年，在此堅固基礎上，理學院不僅在基礎科學上有豐碩的表現，更在臺灣許多研究中獨占鰲頭，曾孕育出五位中研院院士。近年來，更致力於跨領域研究，並在應用科技上加強與業界合作，院內教師每年均取得多項專利，所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。
在科學教育研究上，臺灣師大理學院之排名更高居世界第一，此外更有獨步全臺的科學教育中心，該中心就中學科學課程、科學教與學等方面從事研究與推廣服務；是全國人力最充足，設備最完善，具有良好服務品質的中心。
在理學院紮實、多元的研究基礎下，學生可依其性向、興趣做出寬廣之選擇，無論對其未來進入學術研究領域、教育界或工業界工作，均是絕佳選擇。
Browse
14 results
Search Results
Item Explainable Anomaly Detection in Surveillance Videos: Autoencoder-based Reconstruction and Error Map Visualization(2024) Littek, Alina Raffaella Giulia; Littek, Alina Raffaella GiulianoneItem 利用 Radius Neighbors Regressor 模型預測台灣股市加權指數並賦予強弱指標(2024) 黃昱凱; Huang, Yu-Kai股票投資是現代人在累積資產上不可或缺的工具，雖然投資理財有賺有賠，但是若能夠找到一套良好的交易策略，以及善用各種分析工具，達到長期穩定獲利也是一件可以期盼的事情。本論文使用Radius Neighbor Regressor之機器學習方法並結合個人之股票交易經驗，在特定時間窗口之大盤強弱指標以及大盤中長期的多空頭判斷上取得了良好的結果。在實作上，我們使用Radius Neighbor Regressor與個人交易經驗所挑選出的特徵值作為產生強弱指標的依據。資料收集樣本時間為2013/1/25~2023/12/21，總共2668個交易日。主要資料來源取自XQ全球贏家之資料庫，並且使用所經加權後的強弱指標分別在幾種預測時間的長短進行比較與分析。從實驗結果驗證，我們發現使用Radius Neighbor Regressor搭配個人交易經驗所挑選出的特徵值，在以60個交易日預測後20個交易日的結果準確率高達73%，且在傳統多空頭的分析上也得到了良好的結果。另外，還證明了在特徵值選擇上以個人交易經驗做選擇的優勢，最後也彌補了單純使用Radius Neighbor Regressor機器學習方法的缺點，得出最佳的一種大盤強弱指標之模型。Item 隨機森林與機器學習方法預測能力比較-以混凝土抗壓能力為例(2024) 曹崴智; Tsao, Wei-Chih本研究旨在探討隨機森林與其他機器學習方法在預測混凝土抗壓能力方面的相對效能。混凝土抗壓能力是評估混凝土品質和結構強度的重要指標。研究以隨機森林為主要預測模型，並與其他機器學習方法進行對比，包括梯度提升技術、決策樹等。在研究中，我們首先收集了具有多樣性混凝土特性的數據集，包括不同成分、製程和時間點的數據。接著，我們利用這些數據進行模型訓練和測試，評估各模型在預測混凝土抗壓能力方面的性能。隨機森林模型以其擬合能力和抗過擬合特性而聞名，我們將進一步分析其與其他方法的比較優勢。研究結果將有助於深入了解隨機森林在混凝土抗壓能力預測中的表現，並提供選擇最適合的模型以改進混凝土品質預測的參考。這項研究對於擴展機器學習在建築材料領域的應用具有重要意義。Item 以注意力模塊、殘差連接建構之雨量深度學習超解析度模型(2023) 江家浩; Chiang, Chia-Hao人口的過度增長、土地的開發以及化石能源的消耗在近百年來造成地球氣候的變遷。自然災害發生的頻率也因此增加，並造成許多人類的傷亡以及產業的經濟損失。為了減緩自然的衝擊與資源的消耗，各國政府機關制定了相關政策，以減緩消耗；科學家們研發全新的、乾淨的替代能源，另一方面，氣象學家們則是藉由模型的建構，來模擬並預測這些極端事件的發生，以利人們在災害來臨之前做好準備，減少損失。其中，以水資源的影響最為深遠，它是地球中最基本也是重要的循環之一，同時也是占比最重的溫室氣體，且與人類活動息息相關。我們以台灣為例，台灣雖然年降雨平均高達2,500毫米，然而人均水資源卻是低於全球平均值。這是因為台灣的崎嶇地形特色所致，再加上季風與洋流的作用，使得降水的時空間分布不均。若能預測雨量的分布，則可訂定相關的防洪或者儲水建設，以降低災害並最大化水資源的利用，故一個準確且高解析度的預測模型一直是科學家們努力研究的方向之一。現今普遍的做法是將氣象模型的模擬資料做降尺度來提升解析度以供區域性的參考。然而這些預測模型所消耗的計算資源甚鉅，且解析度有限，很難提供疆域小且地形交互作用複雜的地區有準確的預測結果。我們提出了一個以深度學習為基礎，並結合殘差連接、注意力模塊的超解析度模型，可望提升現有的氣象模型所產出之低解析度的結果之準確性和解析度。文末，我們也比較了其他氣象降尺度的方法和其他機器學習為基礎的模型，並在四種指標(平均絕對誤差、方均根誤差、皮爾森係數、結構相似性)、定量降雨預報檢測中優於其他氣象降尺度的方法。Item 腳底壓力辨識系統對於穿著不同鞋種的機器學習與特徵組合之研究(2023) 許家維; Hsu, Chia-Wei物聯網應用在近年生活中越來越廣泛，像是智慧型手機、智慧手錶與電腦等，皆讓人類的生活更加便利，為了快速且更安全的身分認證來解鎖相關設備，生物辨識技術扮演了非常重要的角色，此技術相較於傳統文字密碼而言，不易被偽造且安全度較高。在過去的腳底壓力分析的研究中，大多皆以赤腳為主要實驗條件，對於在多鞋種相關的條件下研究較少，其使用成本較高的設備進行研究，因設備成本較高對於腳底壓力辨識技術廣泛的應用較為困難。本論文主要在探討受測者穿著多鞋種的情況下，使用腳底壓力辨識技術搭配機器學習與特徵進行身分辨識，最終分析不同機器學習與多特徵組合之辨識率、訓練時間和鞋種。實驗結果顯示使用隨機森林 (Random Forest, RF)在多鞋種實驗中可以達到最佳辨識率77%，訓練時間為2.83秒是所有機器學習中訓練時間最快；其在單一鞋種實驗中可以達到86%辨識率並發現慣用鞋能有更高辨識率。Item 平行處理和CPU頻率縮放對於腳底壓力辨識系統之省電研究(2023) 陳君三; Chen, Chun-San由於近年來生物辨識技術的興起，讓簽名認證方式不限於以往的帳號密碼，不僅讓生活更為便利且其安全程度也更為可靠。其中，步態辨識在醫療、運動、安全等等領域都有相關研究，我們可以從每個人的腳底獲取許多隱私資訊，根據每個個體不同的運動規律、踩踏重心以及個體大小來進行個體識別。在步態辨識領域中的腳底壓力分析的相關文獻裡，實驗或實作方式大多是以室內插座對電腦進行供電，因此省電方面的研究無人著墨。但當在無插座電源供電的情形下進行應用或實作時，腳底壓力辨識系統就會受到耗電量方面上的限制。因此我們的研究是針對嵌入式系統搭配腳底壓力辨識平台，在沒有室內插座供電的情形下進行省電的研究。我們對部分程式進行平行處理，並從機器學習演算法、CPU頻率模式、和變更核心數的角度對省電比例的影響進行分析，最後針對耗電量進行觀察與解析，並列出了最佳省電和最低耗電量兩種組合。實驗結果顯示，我們所使用的省電方法在四核心訓練階段省電比例可以達到7.02%，辨識階段的省電比例可以達到30.12%。Item 基於斑馬魚運動軌跡之行為分類系統(2023) 唐黛玲; Tarng, Dai-Ling有關人類疾病的研究長久以來被人們所重視，由於斑馬魚基因與人類相近且可以被快速繁殖，斑馬魚在相關研究上扮演著重要的角色。斑馬魚經常被用來研究藥物與毒物對神經系統與行為的影響，斑馬魚已經被用來模擬過阿茲海默症、腦癌、癲癇、焦慮症以及肝臟疾病。然而目前研究斑馬魚的實驗經常需要仰賴肉眼或是昂貴商用軟體器材紀錄斑馬魚的運動軌跡，並做簡單的分析。因此進行斑馬魚實驗所需的時間、人力與金錢成本，使斑馬魚實驗變得複雜。本研究提出了一套斑馬魚行為模式分類系統Zebrafish Behavior Classification (ZBC) System，該系統能以軌跡資料對斑馬魚的行為進行分類。根據斑馬魚的啃咬、追逐、展示和正常等四種行為模式，我們提出了七種軌跡特徵的計算方法。這七種軌跡特徵包括軌跡相似度、總移動距離、平均幀間移動距離、最大和最小幀間移動距離、移動向量加總、最大和最小幀間移動距離向量，以及移動方向同方向的時間佔比。本系統會在計算七種軌跡特徵前先運用三種濾波方式清理軌跡資料，而七種軌跡特徵將用來訓練斑馬魚行為自動分類模型。 本研究比較了支持向量機 (Support Vector Machine, SVM)、隨機森林 (Random Forest, RF) 和極限梯度提升 (eXtreme Gradient Boosting, XGBoost) 等三種模型在斑馬魚行為自動分類模型上的準確度表現，同時我們也比較了均值濾波、中值濾波與卡爾曼濾波等三種資料清理方法運用在模型上的準確度表現。實驗結果顯示出ZBC在分類高度、中度和低度攻擊性的行為上能達到76%的準確度。另外，我們的研究發現不同資料清理方法和模型的搭配會影響分類的準確度，隨機森林在分類效果整體上有最高的準確度，而資料清理方法則須依照情況選擇。Item 腳底壓力辨識系統對於受測者在不同負重支撐點與重量之分析與研究(2021) 楊瑀婕; Yang, Yu-Chieh近年來，隨著物聯網應用的興起，網絡通訊不只侷限在手機與電腦間，除了帶來人類生活的便利外，資訊安全的議題也逐漸被重視，因而延伸出具唯一性的生物識別技術，生物辨識的簽名認證有別於傳統的文字或圖像式的帳號與密碼，其不易被偽造的特性也使得安全程度變得更為可靠。在過去的腳底壓力分析的研究中，比較少有提及與探討受測者在身體不同位置處攜帶負重，對於受測者攜帶不同重量的負重的研究也較無著墨。本論文主要在於探討受測者在赤腳情況下於，右側攜帶不同重量的負重與後側攜帶不同重量的負重對於搭配機器學習的腳底壓力感測技術的辨識度和模型訓練時間的影響的分析與研究。實驗結果顯示使用平均腳底壓力資料與攜帶大負重量會提升腳底壓力的辨識率。Item LSTM 法則應用於連續手勢辨識之研究──手勢辨識系統軟體與硬體於 FPGA 實作(2020) 鄧凱中; Teng, Kai-Chung本論文考量現實應用的方便性與實際應用，選擇現場可程式邏輯門陣列(Field Programmable Gate Array, FPGA)來硬體電路實現，並對電路運算單元參數化，以應變需求的變化。而演算法使用長短期記憶(Long Short-Term Memory,LSTM) [1]來訓練模型與手勢辨識。 LSTM 作為設計電路之模型，跟傳統遞歸神經網路(Recurrent Neural Networks, RNN) [2]不同的是，RNN 同一時間點 t 的輸入都在同一層面，將上一層的輸出當作下一層的輸入，但時間點 t 產生的梯度在往後傳遞幾層後就消失為一大難題。而 LSTM 使用 Input Gate、Output Gate 與 Forget Gate 三個控制閘成功的解決時間軸上梯度消失的問題，因此選擇 LSTM 為本論文的演算法則。 LSTM 模型以 Keras [3]平台來訓練與驗證，辨識率高達 98%。本論文的訓練與辨識資料庫使用擁有陀螺儀跟加速器的手機做為 Sensor 來收集手勢資料，並收集本實驗室多人的動作為資料庫，並對資料做圖形化來篩選優良的訓練資料。圖形或者影像辨識需要瞭解艱深且複雜的公式，還必須有能力編碼將公式實踐出來，對手勢的辨識如果使用傳統影像辨識的方法將會增加運算的時間、大量的運算資源消耗與記憶體儲存空間的需求。本論文分別使用手機陀螺儀與加速器的 X、Y、Z 軸數據為訓練資料，與傳統的影像辨識相比，差別為輸入資料每一筆的維度變成一維，節省硬體儲存資源與運算的複雜度。Item 腳底壓力辨識系統結合機器學習之分析與研究(2019) 陳建翰; Chen, Chien-Han由於近年來生物辨識技術的興起，讓認證方式不再同於以往的帳號密碼，不僅使生活更為便利且其安全程度也更為可靠，不過在廣大的生物辨識市場之中，系統成本與辨識度考量下要如何達成平衡一直都是辨識系統難以普及化的重點議題之一，在過去研究發現，系統在特徵提取的結果與系統著重於機器學習效果的比例較少，在訓練時所耗費的成本也較無研究。本論文主要在於研究探討分析腳底壓力資訊取出特徵，並與機器學習搭配組合，創造出快速取得腳底壓力資訊且快速訓練且擁有高準確率的系統模組，接著並進一步根據系統辨識率與感測器感測狀況來調整數量達到節省成本的目的。實驗結果顯示我們所開發的系統不僅在辨識結果上有不錯的成績，在訓練處理時時間與辨識時間上也能達到良好的效果，成本上也比先前的便宜，並獲得對此系統普及化與實作上有助的資訊。