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

Search Results

Now showing 1 - 5 of 5
  • Item
    運用機器學習分析珊瑚礁魚類聲音多樣性
    (2023) 徐子妍; Hsu, Tzu-Yen
    近年來,聆聽水下聲音逐漸被視為一種監測魚類群聚生態的新興技術,但受限於資料庫的匱乏與缺乏能夠有效降低噪音干擾的聲音分析工具,魚類聲音的研究仍有許多挑戰。本研究透過兩個方面探討被動式聲學監測魚類群聚生態的可行性。首先,透過國內外的聲音資料庫蒐集魚類聲音資料,並針對可能會出現在台灣東北海域的礁岩性物種進行聲音特徵分析,並以流形學習探討聲音多樣性與物種多樣性之間的關係。結果顯示,礁岩性魚類的聲音在時序和頻率特徵上有很大的變化,可以透過聲音特徵的種間差異將各科魚類區分成不同的聲音功能群,顯示種間差異是貢獻礁岩性魚類聲音多樣性的主要來源之一。為了實際觀察魚類聲音多樣性在礁岩生態系的長期變化趨勢,本研究於基隆市望海巷潮境海灣資源保育區內設置水下錄音測站,透過聲源分離模型自動化偵測魚類聲音,分析魚類聲音豐度的季節性變化模式,並透過頻率和時序特徵在降維後的分布密度變化量測聲音多樣性。結果顯示魚類發聲活動與聲音多樣性的高峰集中在春夏兩季,但同時也受到極端海溫、颱風以及人為活動等因子影響,因而導致在2020至2022三年間觀察到的季節性變化趨勢略有不同。本研究結果證明運用機器學習分析長時間水下錄音可以有效評估魚類聲音多樣性,是了解礁岩性魚類群聚組成變化和探討其受到環境、人為變動影響的關鍵指標。此技術的後續應用將有助於保育主管機關與研究人員長期監測礁岩性魚類群聚生態,並為魚類多樣性的保育管理提供重要參考依據。未來建議擴充聲音資料庫並增加長期錄音樣點,探討魚類聲音多樣性在不同棲地、時間的變化,更進一步了解魚類群聚面對環境變遷和人為干擾的反應。
  • 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
    強健性語音辨識上關於特徵正規化與其它改良技術的研究
    (2005) 劉成韋; Liu Cheng-Wei
    人類在幾千年的演化過程中,生活上的智慧不斷的累積傳承,因此過去文明變遷和人類演化的步伐是一致的。而如今科技進化的速度,卻早已大大的超越了人類演化的速度,並且日常生活中可以使用的多媒體影音資訊也越來越多,例如廣播電視節目、語音信件、演講錄影和數位典藏等,基於這個因素,可以隨時隨地的存取上述多媒體資訊的手持式行動裝置,也越來越受到重視。很明顯地,在上述的絕大部份多媒體中,語音可以說是最具語意的主要內涵之一。除此之外,語音自古以來一直都是人類最自然也最直接的溝通方式,若能利用語音來做為人類和科技產品之間的溝通橋樑,除了具備友善且有效的優點之外,更能省去繁雜的操作手續。現今市面上所見的科技產品,普遍的來說體積已越來越小,因此觸控的方式已漸漸地不再便利。此外傳統的人機介面如滑鼠和鍵盤,並非在所有的環境下都能適當的被使用,例如在行動的汽車環境下就顯得不夠方便。所以若能利用語音來做為人機介面,將會大大的提升便利性,使得科技和生活能夠更緊密的融合。然而語音辨識通常會遭受到一些複雜的因素干擾,諸如背景噪音,通道效應,以及語者和語言上的差異等諸多因素,使得辨識系統始終無法發揮最佳的效用,而辨識率往往也差強人意。 而本篇論文的主旨,在於針對目前許多語音強健技術進行研究比較並加以改良,最後整合出一套新的技術。而本論文主要的研究方法,是以查表式統計圖等化法為主,並和其它相關的技術結合來提升語音的強健性,最後將查表式統計圖等化法加以改良為改良式統計圖等化法,也就是將參考分佈依據音框的種類,分為靜音和語音。甚至根據中文特性,再將語音細分為聲母和韻母。而吾人所提出的改良式統計圖等化法,辨識率比傳統的查表示統計圖等化法相對提升了4.04% ; 對於原始辨識率也相對提升了至少5.75%。此外吾人也嘗試對語音訊號所擷取出的頻譜熵特徵與線性鑑別分析的技術結合,再與傳統的語音特徵參數合併來作為新的語音特徵參數,而辨識率也相對提升了近1.00%。若將新的特徵參數和本論文另一個研究主題(THEQ)作結合,更可以達到加成性的效果,平均相對辨識率提升至5.19%。