科技與工程學院
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/5
沿革
科技與工程學院（原名為科技學院）於87學年度成立，其目標除致力於科技與工程教育師資培育外，亦積極培育與科技產業有關之工程及管理專業人才。學院成立之初在原有之工業教育學系、工業科技教育學系、圖文傳播學系等三系下，自91學年度增設「機電科技研究所」，該所於93學年度起設立學士班並更名為「機電科技學系」。本學院於93學年度亦增設「應用電子科技研究所」，並於96學年度合併工教系電機電子組成立「應用電子科技學系」。此外，「工業科技教育學系」於98學年度更名為「科技應用與人力資源發展學系」朝向培育科技產業之人力資源專才。之後，本院為配合本校轉型之規劃，增加學生於科技與工程產業職場的競爭，本院之「機電科技學系」與「應用電子科技學系」逐漸朝工程技術發展，兩系並於103學年度起分別更名為「機電工程學系」及「電機工程學系」。同年，本學院名稱亦由原「科技學院」更名為「科技與工程學院」。至此，本院發展之重點涵蓋教育（技職教育/科技教育/工程教育）、科技及工程等三大領域，並定位為以技術為本位之應用型學院。
107學年度，為配合本校轉型規劃，「光電科技研究所」由原隸屬於理學院改為隸屬本（科技與工程）學院，另增設2學程，分別為「車輛與能源工程學士學位學程」及「光電工程學士學位學程」。
News
Browse
11 results
Search Results
Item 以優勢約略集合、形式概念分析與流量圖探勘影響主機板維修成本之因素(2024) 陳翊誠; Chen, Yi-Cheng主機板為個人電腦系統之核心，近年來，全球個人電腦主機板產業已逐漸成熟，為因應全球市場成長趨緩、競爭激烈、且產品毛利率逐年下滑之趨勢，各廠商極力降低成本，以求提昇競爭力。雖然分析造成主機板故障原因，並且進一步提昇毛利，為重要議題，但相關研究甚少，為跨越研究缺口，本研究將探討影響售後維修成本之因素。為推衍影響維修成本之因素，本研究將導入優勢約略集合法 (Dominance-based rough set approach，DRSA) 進行資料探勘，並以全球前三大某主機板製造商過去十年之售後服務維修紀錄，歸納出造成主機板故障，並影響維修成本之決策規則，再使用形式概念分析 (Formal concepts analysis) 與流量圖 (Flow Graph)，討影響維修成本之因素，並加以視覺化。實證研究以產品設計、維修用料、維修結果、返修天數等因素為條件屬性，維修成本為決策屬性，推衍出影響維修費用之決策規則與因素，進而有訂定降低維修成本之策略。研究結果顯示，造成較高維修成本的主要因素，分別為使用後返修的天數、產品銷售價格、電路板材大小、最終修復成功率。當產品使用一定的時間，且主機板的價格與電路板材屬高階時，產品不良返修容易使整體維修成本提升。若最終無法順利修復，更造成產品報廢，必須賠償客戶新品，成本極高。本研究方法可作為電子業售後維修成本分析之用，並可分析設計或品質不良，降低維修成本之用，分析架構與研究結果亦可與其他產業提升產品品質之用。Item 基於深度學習與技術分析指標預測股市買賣點(2023) 鄭邦廷; Cheng, Pan-Ting股票交易市場是由各種金融機構和投資者組成，用於買賣股票和其他金融產品的交易活動。市場的主要目的是提供一個公平、透明和有保障的交易環境，促進股票和其他金融產品的流通。而參與者包括投資者、證券公司、投資銀行、基金、保險公司、政府機構等。投資者可以通過股票交易市場進行交易，包括股票、債券、期貨等各種金融產品。證券公司、投資銀行等機構則負責為投資者提供證券交易相關的服務和產品。然而投資並不是穩賺不賠，以股票來說，其價值可能伴隨著公司業績表現、總體經濟變化，乃至各種政治因素而有波動。這代表著投資者必須去注意這些市場上的各種外在條件去對自己手中的投資標的去做調整，並無一精準的判斷條件。縱使在許多的外在條件影響之下，歷年仍有許多研究希望能藉由各種方式來判斷進場買進和獲利了結的方法甚至到未來股價的判斷。股票交易的獲利方式在於買進及賣出所產生的價差，但每個投資者所買進及賣出的位置不同，即代表各項因素不同，因此買的價格過高則會有套牢的風險，或者買進後遲遲沒有往上漲，因而賠上交易和時間成本。因此，如果可以藉由調整進出場條件及發動策略去預測未來走向，使我們可以更敏銳的判斷價格變化，就可以在價格即將變化時進場，並且賺取其中價差。在各種因素影響的情況之下，股票的進出場訊號可視為一非線性的時序訊號。而人工智慧在非線性模型的表現相當優秀，尤其是在處理大量複雜的數據時更顯突出。本論文希望配合著股票的技術分析及回測過的數據結合人工智慧達到預測未來買賣點位之目的，以強化並優化進出條件，進而增進投資報酬率。Item 基於長短期記憶網路的疲勞檢測(2022) 高國瑋; Gao, Guo-Wei本論文重點介紹即時疲勞檢測流程。該系統將在 Python 內部完成這一切，並逐步構建它，以便能夠檢測到不同的姿勢，特別是困倦的跡象。 為了做到這一點，我們使用一些關鍵模型並使用 MediaPipe Holistic 來提取關鍵點。 這將使我們能夠從臉部提取關鍵點。 該系統使用 Tensorflow 和 Keras，並建立了一個長短期記憶模型 long short-term memory（LSTM），能夠預測螢幕上顯示的動作。我們需要做的是收集關於我們所有不同關鍵點的一些數據，所以我們收集我們臉上的數據並將它們保存為 Numpy 數據，以便處理多維的陣列或矩陣。人臉檢測方法基於一個深度神經網絡，使用 Sklearn 進行評估和測試，並使用 Matplotlib 幫助進行圖像可視化。能夠從臉部檢測到 468個地標，提取臉部的重要特徵並對數據進行變換，以便將數據導入 LSTM 模型。使用 LSTM 層繼續並預測時間分量，它能夠從多個幀預測動作，而不僅僅是單個幀。使用 Opencv 進行集成，然後使用網路攝影機進行即時預測。本研究成功使用 MediaPipe 與 LSTM 模型相結合，提出一套疲勞檢測的系統。實驗結果顯示，經機器學習後其檢測平均準確率能達到 90%。Item 遠端操控自動駕駛車輛系統中支援向量機之研究(2023) 高御圻; Kao, Yu-Chi遠端駕駛是一種嚴重依賴遠程操作員與車輛自動駕駛系統 之間可靠通信鏈來運作的系統。雖然變道和加速/減速等細節的操作（低級動作）由 ADS 執行，但路線規劃（高級指令）是通過使用從沿路的攝像頭或傳感器收集的信息來遠程完成的。在論文中，討論了支持向量機的理論，它在中有著核心的作用。作為一種基於機器學習的技術， 必須經過訓練才能用於執行分類任務。因此，我們將說明如何在中找到優化的支持超平面的推導，包括如何使用序列最小優化。Item 基於卷積神經網路及疊層長短期記憶神經網路結合短路連結架構的股價預測模型(2021) 徐嘉擇; Hsu, Chia-Tze股票交易市場係針對已發行之股票進行買賣、轉讓與流通的場所，在現今資本集中的社會中已是一個不可或缺的制度。股份公司發起人為了完成公司設立、公司決策者為了集眾人之力，往往會透過公開發行股票向公眾募集資本以用於公司營運，這些募集而來的資本分為股票交由應募人或買進股票人持有，此稱為股東，股東享有公司資產與營運收益的權利。然而，股票的價值有其變動性，並非歸於一定，可能會隨著公司的業績表現、盈利狀況、總體市場變化，甚至是政治、媒體、公眾情緒而波動，這表示各該股東所持有的股票之價值是變動的，且沒有精準的公式可供計算，因此很難精準預測該如何處理手中持有的股票。雖然股票市場的起伏以及股票交易價格的變動是難以預測且不停變化，但歷年來已有許多研究希望可以藉由某種方法預測股價變化以達到一定精準度的未來股價判斷。因為股票交易價格的變動會使股票持有人在不同時間點買進、賣出產生價差，而這些價差的存在即為短期股票交易者獲利的入手處。如果改善預測股價的方法，使我們能夠精準預測股票交易價格的變化，就可以做到在低價買入，待到高價賣出，以此來賺取股票交易的價差。股票的價格可以視為一個時序的訊號，以下簡稱股票訊號。股票訊號是一維非線性且時變的系統。在預測非線性的訊號時，人工智慧領域裡的機器學習對於非線性的模型表現十分優秀。其中卷積神經網路的長處是特徵抽取，而疊層長短期記憶神經網路的優點是時序記憶，本篇論文希望可以結合這兩個神經網路的優點，並用來預測股票訊號。然而研究成果指出直接結合兩個神經網路，其表現比單純使用疊層長短期記憶神經網路還差。本論文其中一項亮點就在於結合兩者的「短路連結架構」，能夠成功合併兩者優點。使用短路連結的架構不只解決退化問題，使結合後的模型表現的比單純使用疊層長短期記憶神經網路更為精準。Item 基於A2C結合LSTM之D2D通訊於蜂巢式網路功率調整演算法(2021) 詹震浩; Chan, Jen-Hau我們考慮到裝置對裝置之通訊(Device-to-Device communication, D2D)有可能在非理想情況下被建立，我們提出一個下行鏈路干擾緩解機制，在保障蜂巢式用戶的鏈路品質前提下，提升整體系統容量，我們模擬多個D2D用戶時採用抑制干擾範圍與正交資源分配，接著使用本實驗室學長先前所撰寫之位置推薦的結果，並稱之為傳統方法，本篇研究接續著傳統方法，搭配人工智慧的方法針對D2D提出功率調整演算法(Location Recommendation and Power Adjustment using A2C with LSTM, LR&PA_A2C+LSTM)，管理D2D複用蜂巢鏈路的資源時，基地台對D2D的干擾及D2D對MUE的干擾。我們比較LR的兩種策略，並且證明以最短移動距離作為唯一考量的策略較為實際，因此在我們的演算法中將採取此策略。模擬結果證明， 我們所提出的方法在提升D2D容量方面優於傳統方法，而蜂巢式用戶容量的減少相較於D2D容量的提升是非常小的，因此整體系統容量可以明顯地有所改善。Item 大學生使用經驗學習環於影像辨識平台上學習人工智慧應用程式之學習成效(2021) 林羿婷; Lin, Yi-Ting本研究發展一個人工智慧影像辨識課程，適合無運算思維及人工智慧基礎之大學生，培養學生運算思維能力與認識人工智慧，使用準實驗研究方法，對於大學生使用經驗學習環進行人工智慧影像辨識課程之學習成效進行研究。研究結果顯示採用不同的教學方式皆可以增加學生的運算思維與人工智慧概念，經驗學習環較適合初始具有較低運算思維能力與較低自我效能的學生，因為經驗學習環具有反思、抽象化及主動驗證歷程，能夠讓學生產生討論、合作與直接操作的行為，這些行為的出現能夠提升初始運算思維能力與自我效能較低的學生運算思維能力與自我效能程度。而主題式導向學習較適合初始具有一定運算思維能力及高自我效能的學生，因為其過去的學習經驗已經習慣講述式的示範教學方法，延續習慣的且表現不錯的學習方法較能夠維持良好的運算思維感知程度。Item 桌上型中場核磁共振系統開發與組織檢測分析最佳化應用研究(2022) 劉威辰; Liu, Wei-Chen本研究使用自行開發之中場核磁共振系統以及ez-SQUID公司開發的中場核磁共振系統，進行肝臟切片生檢法與細針抽吸之組織重量模擬量測，量測20管的正常組織(Normal Tissue)與20管的腫瘤組織(Tumor Tissue)。測量肝臟切片生檢法檢體重量約0.075 g~0.125 g、細針抽吸檢體重量約0.009 g~0.012 g，不經任何組織染色處理直接測量，量測完訊號使用快速傅立葉轉換法(FFT頻譜)以及本研究提出的強度法(Power)來分析擬合出T1弛豫時間(Relaxation time)，並比較使用這兩種分析方法所測量正常組織與腫瘤組織之T1弛豫時間的差異。利用T1弛豫時間來驗證細針抽吸在微量的狀態下是否也能進行腫瘤分辨的可行性。最後測量結果發現使用強度法分析，穩定度以及準確度最好，也發現腫瘤組織的T1值大於正常組織，顯示確實能利用T1值來區分腫瘤組織。而在測量肝臟切片生檢法以及細針抽吸的靈敏度與特異度都相同，分別為85 %、100 %。說明了肝臟細針抽吸檢測上，能夠與肝臟切片生檢法有相同的檢測結果，因此證明本系統應用在細針抽吸也能清楚區分出腫瘤組織，可提供醫師們一個參考資訊。並利用AI機器學習邏輯回歸(Logistic Regression)模型將T1值用來分類並預測出正常與腫瘤組織可能的機率，提供一個區分腫瘤組織依據。關鍵字：中場核磁共振、肝臟切片生檢、細針抽吸、T1弛豫時間、靈敏度、特異度、機器學習、邏輯回歸Item 鐵電電晶體以等脈衝編程之神經網路與極化輔助脫陷阱(2021) 張劭華; Chang, Shao-Hua近幾年來半導體的領域中，鐵電材料與現今CMOS 製程相容，是非常熱門的研究主題，而鐵電氧化鉿鋯(HfZrO2, HZO)也已被廣泛的利用。本論文系統地研究了用於增強（Potentiation）/ 抑制（Depression）機器學習的等脈衝編程，以使用5nm厚的HZO鐵電電晶體實現非線性度（α_P= 1.25和α_D = -3.69）和高電導比率（> 103x）。顯示出電導比率和線性之間的權衡特性。記憶窗（memory window, MW）增強的較高剩餘極化（Pr）將導致電導比率增加，但會降低訓練曲線的線性度。對於HZO厚度從15nm到5nm的HZO，以50ns的脈衝寬度和較低的脈衝電壓執行等脈衝的優化學習條件。這些突出的優點為將來記憶體內計算（computing-in-memory, CIM）應用程序等新興應用提供了機會。 而記憶窗作為主要決定因子，我們也嘗試透過介電層（dielectric, DE）與鐵電層相對位置調變，由量測結果發現上層的DE與下層DE相比有較大的記憶窗，且2階的資料保存能力達103秒無衰退現象，可重複操作次數超過105個cycles。在確立了其元件的特性後，我們嘗試以不同的脈衝條件，令元件達成機器學習的效果。鐵電電晶體的學習曲線具有良好的線性與對稱性。 雙層鐵電電晶體（double-layer ferroelectric, DFE），以改善機器學習中權重更新的非線性。雙層非對稱之FeFET（HZO 5nm / Al2O3 0.5nm / HZO 10nm）具有2.3 V的記憶窗，可操作 >105的耐久性，並可保持 >104秒。FeFET新型極化輔助脫陷阱（polarization assisted de-trapping, PAD）方法，增強型學習曲線的非線性度（αp）可以降低到0.07。Item 以卷積神經網路為基礎之軸承故障診斷系統(2019) 郭柏賢; Guo, Bo-Xain軸承在所有機械設備中，是最重要的機械部件之一，而軸承運行時之健 康狀況，除了直接影響整台設備的機能性，亦係造成設備故障的主要因素; 因此，對於設備診斷、維護時能夠精確評估軸承的健康狀況極為重要。 傳統軸承故障診斷方式仍存在許多改進空間，例如:僅限於同轉速下才 可進行軸承故障診斷，為解決此問題，本研究針對高低不同轉速之軸承設計 軸承故障診斷系統。該系統以卷積神經網路為基礎，將不同轉速之資料作為 資料集以建置神經網路模型，透過深度學習神經網路實現一跨轉速之軸承故 障診斷系統，為證明該方法的可信度，本研究資料來自具公信力的 Case WesternReserve 大學軸承資料中心，該資料中心網站有提供之軸承振動故障 訊號，且利用該網站提供的軸承訊號驗證本研究提出的方法，證實本研究之 故障診斷系統功效卓越。 本研究達成高低不同轉速之軸承資料進行同時分類，及利用神經網路模 型，成功分類未參與建模的轉速資料，且正確率高達 99.66%。