Browsing by Author "吳宇翔"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    基於單類別分類之構造長微震偵測架構設計
    (2021) 吳宇翔; Wu, Yu-Siang
    在臺灣，自發型構造長微震（以下簡稱「長微震」）之好發區域為中央山脈南段，具有(1)持續時間長，可達數分鐘至數小時、(2)不具明顯可見之體波、(3)能量富集於2至8 Hz間，並可在數十公里遠的測站有幾乎一致的到時特性，而偵測手段仰賴多測站的包絡化波形進行互相關係數與測站間到時差。前人研究也發現，在臺灣進行長微震偵測時，較吵雜的背景噪訊與短時間密集發生的區域地震（震央距50-200公里）容易與長微震波形混淆，使最終的長微震目錄底定必須經過人工目視，較為耗時且涉及主觀成分。為探索以機器學習進行地震與長微震自動分類的可能，本研究以k-最近鄰居法搭配29項特徵對2016年間5,796筆區域地震與6,746筆長微震事件進行分類，搭配循序向前特徵選取法（Sequential Forward Feature Selection）達到96.4至99.1 %分類率，初步證明運用機器學習於長微震分類上之可行性。然而訓練多類別分類器必須針對所有類別進行定義、抽樣與標籤化，難以實現於連續偵測。本研究進一步以單類別分類器支援向量資料描述（Support Vector Data Description），設計長微震連續偵測架構，其優勢在於只需要長微震資料進行訓練，而不需針對大量類別進行處理。藉由設立多測站投票制度與持續時間門檻以及使用2016年1月1日至7月18日長微震事件進行訓練，本研究成功於2016年7月19日至9月10日，使用三個測站偵測出共132,240秒長微震。當提升測站數至九站，只使用水平分量於單站決策並在多站投票時以各站訊噪比為權重，偵測出總計10,620秒的長微震事件，但經目視後保留之事件比例，從使用三站的5.8 %提升至九站的31.6 %，證實了應用單類別分類於多站長微震偵測的可行性。
  • No Thumbnail Available
    Item
    好萊塢動作片票房預測之研究-以電影產業鏈為分析觀點
    (2021) 吳宇翔; Wu, Yu-Hsiang
    從過去到現在動作片一直是好萊塢電影產業熱門的片種之一，也不斷著刷新戲院 票房收入的歷史佳績，隨著近十幾年來科技不斷的進步，特效也越做越真實，觀眾 也越來越喜愛逼真的動作場景以及精彩的聲光特效，因此觀眾也更有意願買票進 戲院消遣放鬆，也促進票房收益的增長，然而票房收益的果實需要靠完整緊密的電 影產業鏈來完成，在生產者這端，需要專業的水平分工以及垂直下放，並且透過宣 傳造勢活動以及部門間互相協調統整來推動整個電影產業鏈。但是在消費者這端， 伴隨著行動網路的普及以及新網路時代的來臨，社群媒體快速竄起並且引領著時 下潮流，其中，越來越多網友會觀看專業的電影評論家以及其他網友在知名電影評 論平台給的評分以及觀賞心得，所以口碑效果的傳遞是否會影響觀眾進戲院支持 電影是個值得探討的重點。 因此本研究收集近十年的好萊塢動作片中每年前二十大動作片票房、資金、卡司陣 容、MPAA評級、上映院數、上映天數以及美國知名電影評分網站的評分以及評論 資料並透過最小平方法迴歸來分析影響票房有哪些可能因素。另外，透過續集以及 非續集類別動作片的分類，分別使用迴歸來探究不同型態的的動作片票房分別對 哪些可能因素產生偏好影響。期望可以幫助製片商在製作動作片前，可以將這些策 略因素分析納入拍攝考量。 研究結果顯示，續集相較於非續集電影有助於票房收益更加的成長，另外口碑效果 對票房對票房收益有顯著正向關係，由此可見，網路聲量對票房至關重要，而資金 和卡司指數對票房收益沒有顯著影響。希冀本研究的實證結果可以有助於電影產 業鏈來達到有效的資源配置，並且能讓該產業的經營持續蓬勃發展。