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 - 10 of 43
  • Item
    基於臉部偵測及CNN模型之硬體臉部辨識系統
    (2019) 謝斯宇; Xie, Si-Yu
    本論文透過FPGA(Field Programmable Gate Array)的特性,如運算速度快、功率消耗低以及可攜性高等,來實現基於簡單CNN Model LeNet-5的人臉即時辨識系統。 LeNet-5是簡單的CNN Model,對於複雜背景的影像有著極低的辨識率,為了改善其缺點,有兩種作法。第一,使用較為複雜的CNN Model如VGG-Net16等,第二,新增額外的前處理人臉偵測方式來改善。 如果使用較為複雜的CNN,在現有基於複雜的CNN電路絕大多數是使用PE (Process Element)Array的架構,每層電路共享相同的運算單元,而這種方法會造成一些問題,硬體資源消耗高、硬體設計複雜以及Latency長等問題。所以本論文是使用較為簡單的CNN來設計電路,根據軟體模型不同層的特性去做不同的設計,藉由改善電路的架構,使得每一層電路部分重疊的方式,提升電路平行計算的能力,進而提高電路的運算速度。 本論文使用簡單的CNN電路搭配人臉偵測的方式,來實現即時人臉辨識系統,不僅辨識率足以跟複雜的CNN匹敵之外,更重要的是我們只需花成本低的硬體規格就能實現實際的應用,如手機上的APP人臉解鎖功能以及家庭人臉辨識等應用,符合普及計算(Pervasive Computing)的概念。
  • Item
    低面積BWNN積體電路設計及應用於人臉辨識之研究
    (2019) 張茗雅; Chang, Ming-Ya
    人工智慧議題在近幾年來竄起,以及類神經網路的快速發展,使得我們的生活逐漸加入了類神經網路的應用,例如:股價預測、語音辨識、人臉辨識,尤其在APPLE公司推出了加入臉部辨識的手機機型後,帶給人們更多的便利性,也讓人臉辨識議題得到更多的關注。 然而裝載在行動裝置上勢必需要低功率且不能使用太多的硬體資源,因此本論文的研究目的是設計低面積電路於FPGA上實作人臉辨識。不過利於圖像辨識的摺積神經網路是利用浮點數做運算,這會造成硬體的消耗資源上升,為此本論文使用二元化類神經網路來實現人臉辨識,藉由量化模型的方式下降硬體面積,二元化類神經網路相較於摺積神經網路辨識率是較低的,於是本論文捨棄使用量化活化函數只保留量化參數,簡稱BWNN(Binarized Weights Neural Networks),以此可以達到與摺積神經網路相匹敵的辨識效能。 本論文亦設計Partial output架構,此能更加降低硬體的消耗資源,依實驗結果顯示,本論文能兼具低面積、低消耗功率且又有著高辨識率的優點,因此可以在更小的晶片上實現人臉辨識系統,使得在生活中能更被廣泛應用。
  • Item
    以GHA實現快速主成分分析之硬體設計
    (2012) 林秀菊; Shiow-Jyu Lin
    本論文為實現快速主成分分析之硬體,提出三種GHA的硬體架構,分別為達成高速計算及最少的硬體資源消耗為目的。在高速計算的架構,所有主成分值計算與突觸權重值之更新,皆使用專屬的電路作並行之運算。對於高維度訓練資料之適用架構,以所有主成分值計算共用一個主成分計算電路輪流完成計算,並將訓練資料區塊化方式逐步更新每個神經元的突觸權重值。所有實現的硬體架構訓練取得之權重向量,應用在紋理的分類。
  • Item
    以Kernel為基礎之模糊分群演算法硬體架構實現
    (2012) 歐浩聲; Ou, Hao-Sheng
    本論文根據文獻[12]以及文獻[17],以此兩則文獻中提到的FCM-SC分群演算法的硬體架構和KFCM演算法的硬體架構為基礎,實作以非線性高斯核函式為核距離計算之KFCM[12] 再加上空間資訊[17] 後的分群演算法硬體電路,具有管線化以及可以同時計算所有分群之權重係數的能力。此架構改良了以往KFCM分群演算法對於有雜訊的資料做分群的問題,並且配合KFCM本身可以對非線性資料分群效果較好的能力,所以能夠廣泛地使用在許多的分群資料上,並且都有良好的辨識率。本論文使用FPGA實現我們提出的硬體架構,並使用人工雜訊圖片作為實驗測試資料。實驗結果顯示本架構對於有雜訊的非線性資料分群效果確實較KFCM佳,且架構簡單提供了日後高度的延伸性。
  • Item
    以菲涅耳轉換及相位展開為基礎之數位全像顯微鏡在FPGA上之實現
    (2012) 莊子昕
    本論文旨在提出一硬體架構可以將數位全像片還原成原始影像相位圖,此硬體架構適用於嵌入式的數位全像顯微鏡(Digital Holographic Microscopy, DHM)系統,能夠加快運算來即時取得正確的還原全像影像。 本硬體架構採用皆以快速傅立葉轉換(FFT)為基礎的菲涅耳轉換搭配相位展開法則演算法來達到全像圖重建的目的。其中快速傅立葉轉換為高複雜度計算,對於一些需要即時顯示還原影像的應用往往會遇到很大的困難,因此本論文使用硬體電路架構來執行相關運算,以克服一般嵌入式系統上運算能力的限制,以縮短相位重建影像運算所需要花費的時間。另外,為克服硬體常見精確度不足問題,本硬體電路中大多使用IEEE 754浮點數格式來提升計算的精確度。 最後我們以現場可程式化邏輯閘陣列(Field Programmable Gate Array ,FPGA)為開發平台實現並實際測量硬體電路的資源消耗以及運算時間;實驗的結果顯示了本論文所提出的相位展開法則硬體架構能夠得到正確的還原結果,並且有效的降低還原相位圖運算所需要花費的時間以及擁有低硬體資源消耗的優點,因此適合使用於嵌入式的DHM 系統。
  • Item
    基於RBF實現紋理辨識之硬體架構
    (2012) 范哲誠; Zhe-Cheng Fan
    本論文提出以Recursive Least Mean Square為基礎,結合Fuzzy c-Means分群演算法實作出Radial Basis Function類神經網路之紋理圖辨識系統。在本論文中,Fuzzy c-Means計算紋理圖的質量中心點,Recursive Least Mean Square計算類神經網中的權重係數,希望利用硬體的特性來實現快速運算、低資源消耗、低功率消耗以及擁有良好的效能之硬體架構。 最後我們所提出的硬體架構會在以FPGA為基礎的可程式化系統晶片設計(System On a Programmable Chip,SOPC)之平台上作實際的效能測試。根據使用不同的紋理圖作為測試資料,實驗結果顯示本架構對於紋理圖辨識有良好的分類正確率,且此硬體架構提供了日後高度的延伸性。
  • Item
    應用於棘波分類之硬體架構實現
    (2012) 李偉豪
    本論文針對快速棘波分類設計了一套專用的架構,並於硬體中實現此架構。本論文採用Generalized Hebbian Algorithm (GHA) 來擷取棘波的特徵值,搭配Fuzzy C-Means (FCM) 演算法將擷取到的棘波特徵值進行分類。GHA演算法可高速計算主成分特徵值供後續分群演算法進行運算,同時利用FCM演算法對於初始質心選取好壞不敏感的特性可獲得較佳的分類結果。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,而FCM採用逐步增量計算權重係數與質量中心點,這可以避免原本需要大量儲存空間儲存權重係數矩陣所造成的空間消耗。因此,本論文所提出的架構同時擁有低area cost與高輸出產量的優點。為了驗證本論文所提出的架構有效性,我們於現場可程式邏輯閘陣列 (Field Programmable Gate Array , FPGA) 中實作出本架構,並於嵌入式System-On-Programmable-Chip (SOPC) 平台中進行實際效能量測。實驗結果證明針對棘波分類本論文所提出的架構同時具有低判斷錯誤率、低area cost與高速計算的優點。
  • Item
    以FPGA實現非監督式Fuzzy c-means分群演算法之硬體架構設計
    (2011) 沈宗懋
    Fuzzy c-means演算法是一個非常常見的分群演算法,但是因在計算分群之前必須給定分群數,然而我們不能知道哪個分群結果是最好的,是屬於一種監督式的演算法。基於這個理由本論文提出了一個完全非監督式的Fuzzy c-means分群演算法(Unsupervised Fuzzy c-means Clustering Algorithm)並且實現其硬體電路架構,當Fuzzy c-means運算收斂結束,利用Xie和Beni所提出的群集有效性指標(Cluster Validity Index)來驗證分群的有效性,並且選擇出最佳的分群數目。在對於分群演算法的更新計算質量中心以及更新權重矩陣這兩個步驟在本電路裡整合為單一個更新步驟,來減少使用的儲存空間。並且藉由管線化來實現運作,可利用較低的資源得到更快的計算速度。 最後我們所提出的架構會在以FPGA(Field Programmable Gate Array)為基礎的可程式化晶片設計(System On a Programmable Chip , SOPC)之平台上做實際的驗證測試,經由數據結果的測試與比對可以發現本論文中的架構可以辨認出最適合的分群結果,達到非監督化。
  • Item
    建構於FPGA的網路影像顯示系統
    (2011) 陳俊傑; Chun-Chieh Chen
    DE2開發板為全球百所大學所使用的多媒體開發平台,包含了許多多媒體裝置及週邊設備,提供了教學及研究開發上的需求。本研究是在DE2開發板上作開發,外接小型的液晶顯示器,透過開發板上所提供的各種裝置,自行開發出一套網路影像顯示系統。 液晶顯示器在現今生活中已隨處可見,對於各種不同的需求,提供不同的顯示功能。本研究所開發的網路影像顯示系統,整合了顯示器的軟硬體驅動設計,加入了網路的功能,並且自行編譯一套µClinux作業系統,最後將所有設計一同移植至DE2開發板中做執行。系統的功能,主要是可以自動的透過網路,遠端的抓取圖片後,自動在開發板的顯示器上做顯示,以達成網路影像的顯示功能。 整個系統的設計,不僅是開發一套網路影像顯示系統,還可透過本研究的驅動開發過程,做為開發其他驅動設計的一個重要依據。軟硬體整合及系統建置,也可做為開發的重要範例,自行增減µClinux系統的功能,亦或利用本研究做延伸,新增更多的功能在系統中,作為應用系統開發的基礎平台。
  • Item
    以非監督式類神經網路實現高維度平行計算之主成分分析的硬體架構實現
    (2011) 林坤宏; Kun-Hong Lin
    本論文針對主成分分析(Principle Components Analysis, PCA)提出一個以Generalized Hebbian Algorithm (GHA)為基礎的高維度平行計算之硬體架構。 我們希望利用硬體的特性來達到平行計算能力,進而加速運算效能,同時希望透過擷取高維度的特徵向量來取得較好的分類成功率,在突觸權重向量更新單元,將原本m筆的資料切割成b等分,重複利用q份硬體電路來運算b次,即m=q×b,m指的是訓練資料的維度,b指的是我們將資料切割成幾等分,q指的是每一等分的資料量,如此一來就可達到硬體共享的機制,也將記憶單元共享給不同的計算元件使用,因此可以降低面積成本(Area Cost),也能實現較高維度的硬體架構。 我們將硬體電路實作在可程式化系統晶片(System on a Programmable Chip,SOPC)的平台中,並且利用此平台來測試與驗證實驗數據,根據實驗結果來證明我們所提出的硬體架構,是具有較好的分類成功率及較低的硬體資源消耗,也與軟體做時間測量比較,來驗證硬體的加速效能。