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 - 3 of 3
  • Item
    調變頻譜特徵正規化於強健語音辨識 之研究
    (2011) 朱紋儀; Wen-Yi Chu
    在自動語音辨識技術的發展上,語音強健性一直都是一門重要的研究議題。在眾多的強健性技術中,針對語音特徵參數進行強化與補償為其中之一大主要派別。其中,近年來已有為數不少的新方法,藉由更新語音特徵時間序列及其調變頻譜來提昇語音特徵的強健性。綜觀這些技術,絕大多皆是藉由正規化時間序列或調變頻譜之統計特性,以降低語句間不匹配的程度,進而提昇語音辨識系統之強健性。然而本論文嘗試以一個嶄新的觀點切入,以對調變頻譜進行分解與成分分析為目標,提出兩種調變頻譜正規化法。首先,本論文嘗試藉由非負矩陣分解(Nonnegative Matrix Factorization, NMF)擷取調變頻譜中重要的基底向量,並且藉此更新調變頻譜以求取更具強健性的語音特徵。其次,本論文進一步賦予調變頻譜機率的意義,採用機率式潛藏語意分析(Probabilistic Latent Semantic Analysis, PLSA)之概念,對調變頻譜施以機率式成分分析、進而擷取出較重要的成分以求得更具強健性的語音特徵。本論文之所有實驗皆於國際通用的Aurora-2連續數字資料庫進行。相較於使用梅爾倒頻譜特徵之基礎實驗,本論文的方法皆能顯著低降低詞錯誤率。此外,本論文也嘗試將所提方法跟一些知名的特徵強健技術做結合;實驗顯示,相對於單一方法而言,結合法皆可進一步提昇辨識精確率,代表所提之新方法與許多特徵強健技術有良好的加成性。
  • Item
    運用調變頻譜分解技術於強健語音特徵擷取之研究
    (2014) 汪逸婷
    近年來,語音特徵調變頻譜的研究,由於其簡單又能針對語音特徵提供整體變化分析的特性,在強健性自動語音辨識的領域獲得了廣大的迴響;本論文著重於二個部分:其一為非負矩陣分解法之延伸,非負矩陣分解法由於能有效擷取調變頻譜中關鍵且不受雜訊影響的資訊,而得到許多關注,本論文將延續這個領域的研究,提出對語音進行分群處理的分群式非負矩陣分解法,以及加上稀疏性之條件的稀疏化非負矩陣分解法。其二為壓縮感知法之延伸,壓縮感知法為一種用較相關之資訊以較精簡的方式來還原訊號,本論文提出一個展新的想法,將壓縮感知法應用在語音特徵調變頻譜。分群式非負矩陣分解法為運用分群處理的技術將不同特性的語句分開處理,使非負矩陣分解法能夠更精準地擷取語音中的重要資訊,而不受語句之間的變異性干擾;稀疏化非負矩陣分解法為探索非負矩陣分解法中稀疏性帶來的影響,以期取得較集中且不重覆的基底調變頻譜。本論文所有的實驗皆使用常見的Aurora-2語料庫進行驗證,並進一步在大詞彙語料庫Aurora-4進行驗證。實驗的結果說明了:本論文所提出的兩種延伸方法,確實能在改進語音辨識的強健性上發揮其效力,並得到比其他調變頻譜應用技術更佳的辨識正確率。
  • Item
    調變頻譜分解之改良於強健性語音辨識
    (2015) 張庭豪; Chang, Ting-Hao
    自動語音辨識(Automatic Speech Recognition, ASR)系統常因環境變異而導致效能嚴重地受影響;所以長久以來語音強健(Robustness)技術的發展是一個極為重要且熱門的研究領域。本論文旨在探究語音強健性技術,希望能透過有效的語音特徵調變頻譜處理來求取較具強健性的語音特徵。為此,我們使用非負矩陣分解(Nonnegative Matrix Factorization, NMF)以及一些改進方法來分解調變頻譜強度成分,以獲得較具強健性的語音特徵。本論文有下列幾項貢獻。首先,結合稀疏性的概念,期望能夠求取到具調變頻譜局部性的資訊以及重疊較少的NMF基底向量表示。其次,基於局部不變性的概念,希望發音內容相似的語句之調變頻譜強度成分,在NMF空間有越相近的向量表示以維持語句間的關連程度。再者,在測試階段經由正規化NMF之編碼向量,更進一步提升語音特徵之強健性。最後,我們也結合上述NMF的改進方法。本論文的所有實驗皆於國際通用的Aurora-2連續數字資料庫進行;實驗結果顯示相較於僅使用梅爾倒頻譜特徵之基礎實驗,我們所提出的改進方法皆能顯著地降低語音辨識錯誤率。此外,也嘗試將我們所提出的改進方法與一些知名的特徵強健技術做比較和結合,以驗證這些改進方法之實用性。實驗平台使用HTK與KALDI兩種語音辨識系統。前者用來實驗上述所提出NMF改良之效能;後者用來實驗類神經網路(Neural Network)技術於語音辨識之聲學模型的效能,並探討調變頻譜正規化法與其結合之效果。