1.

吳禎賢-高光譜影像細菌覓食優化多屬性決策波段選取 使用自適應最鄰近特徵空間法分類(2015)

<<

2.

謝裕豐-以GPU實現物理光學法應用於雷達散射截面積預測(2015)

<<

3.

徐崇倫-實現半監督式支持向量機於平行嵌入式裝置TK1 (2015)

<<

4.

黃俊期-用於大量模組之新型平面規劃法(2015)

<<

5.

蔡屹勳-基於部分細化之多層級平面規劃(2015)

<<

6.

熊育德-2D/3D衛星軌道模擬地理資訊平台(2015)

<<

7.

李明隆-一個新穎的淨相關與複相關粒子群優演算法應用於高光譜影像降維(2015)

<<

8.

紀孟佐-基於CUDA的多階層平面規劃(2015)

<<

9.

詹力峯-應用三維梯度直方圖與費雪準則主成份分析於嵌入式GPU實現行人偵測 (2015)

<<

 

 

吳禎賢-高光譜影像細菌覓食優化多屬性決策波段選取 使用自適應最鄰近特徵空間法分類(2015)
摘要:
    高光譜影像(Hyperspectral Imaging, HSI)是利用可見光與可見光外的光譜波段(Bands)來收集物質資訊,光譜波段越多越可以代表特定物質對於光譜的特性,而資料維度的增加對於高光譜影像分類而言,可能導致資料受到維度的詛咒(Curse of Dimensionality)進而產生Hughes phenomena影響高光譜在於分類階段的正確率。
    傳統上降維與特徵萃取方法常將資料高維度資料映射至低維空間中,然而這些方法在空間轉換時對於資料的失真是不可避免的,且無法保留原始資料特性,因此在過去高光譜影像波段選取方法被提出,本論文期望透由細菌覓食優化演算法(Bacterial Foraging Optimized, BFO)將其用於波段間的相關係數矩陣 (Correlation Coefficient Matrix)透過貪婪模組特徵空間法(Greedy Modular Eigenspace Method, GME)對於相關係數矩陣的行列互換,將高相關度的波段進行聚合,再將各類別聚合後的相關係數矩陣利用非純度波段優先權法 (Impurity Function Band Prioritization, IFBP)與多屬性決策(Multiple Attribute Decision Making, MADM)之層次分析法 (Analytic Hierarchy Process, AHP)挑選出各類別貪婪模組特徵空間內各群聚模組較具代表性之波段,然而選取後的波段所產生的新高光譜資料每類別分布情況上仍會有所不同,降維後的資料可能因維度的減少造成資料分散度(Separability)下降,產生資料類別交疊的情況,造成分類器的分類正確率降低,因此本研究於後端分類將使用自適應特徵空間法 (Adaptive Nearest Feature Space, ANFS),藉由ANFS可以適應不同資料型態分布之特性,藉此提高波選取後之分類正確率。

Top

謝裕豐-以GPU實現物理光學法應用於雷達散射截面積預測(2015)
摘要:
    過去雷達散射截面積預測研究中,物理光學法(Physical Optics, PO)是一簡單且快速的雷達散射截面積預測方法,藉由利用目標物體對於入射輻射產生的表面感應電流,預測雷達接收端所獲得目標物體的遠場散射場。但隨著目標模型的複雜度與精密度的提高,在許多應用上散射場的計算將會耗費大量時間。
    因此本論文提出以CUDA(Compute Unified Device Architecture)技術實現平行架構的物理光學法,利用圖形處理器(Graphics Processing Units, GPU) 提升高精密度模型的散射場運算速度。

Top

徐崇倫-實現半監督式支持向量機於平行嵌入式裝置TK1 (2015)
摘要:
     本文提倡一個使用半監督式學習的支持向量機(Semi-Supervised Support Vector Machine)進行圖形識別中資料分析,並使用NVIDIA企業的CUDA技術,降低過程中消耗時間比例較大的運算部分,達到加速整體運算時間的目標。過程中經支持向量機分類的測試樣本,將依據分類器決策函數的計算結果,判斷是否獲得從測試樣本空間放入訓練樣本空間之資格,這些挑選後的樣本再經過最近鄰分類器篩選樣本,藉此達到半監督式學習中,擴展訓練樣本資料使分類資訊得以逐步更新,並且提升整體之分類正確率。
    此平行化的半監督式支持向量機能在NVIDIA企業最新研發的平行化運算嵌入式裝置- Jetson Tegra K1(TK1)上進行應用,藉由現今最新的統一記憶體架構,大幅縮短平行化過程資料傳輸時間使效率更進一步上升。

Top

黃俊期-用於大量模組之新型平面規劃法(2015)
摘要:
    隨著近代科技的發展,積體電路內模組的數量也快速地成長,然而過去的佈局規劃演算法應用於大量模組的佈局規劃上難以保有過往的成效。因此本論文針對大量模組的佈局規劃提出一種新的佈局方法,除了考慮如何降低設計複雜度之外,面積大小、功率分佈平衡、以及繞線長度也是考量的項目。
    本論文提出階段式的佈局方法來達成上述之要求。最初先以波蘭表示式的切割結構將模組組合為大型模組,再來以模擬退火法對大型模組進行整體之平面規劃,最後再將模組進行最佳交換來達到繞線長度之優化。整體過程中除了降低設計複雜度,也考量到面積、繞線長度以及功率分佈之平衡,同時避免降低面積時所產生的高寬落差與解空間大小之問題。實驗結果顯示出本研究可以確實地降低設計複雜度達成整體之平面規劃,並且得到較佳的功率密度分佈與繞線長度。

Top

蔡屹勳-基於部分細化之多層級平面規劃(2015)
摘要:
     在傳統積體電路設計流程中,平面規劃的結果會影響實體晶片的外觀面積與繞線長度,而隨著時代的演進,晶片內模塊的數量也隨著增加,導致晶片內部線路過多,導致聯線延遲,故如何降低繞線長度與外觀面積是一重要的課題,而因此平面規劃問題在積體電路設計中也變得更加重要。
    在平面規劃中,經常使用模擬退火法做為擾動的方法,而在傳統模擬退火法流程中,需耗費太多時間才能收斂解的集合,故非常耗時,而本論提出之成本函數,可在擾動初始時,可以依據模組之長寬比例,快速並且有效的收斂解的集合,可有效提升演算法之效率,並搭配模擬退火法原始的特性,跳脫區域較佳解,找到全域最佳解,且找到理想的解。
    本研究在多層級平面規劃架構下,將模組分組過後,配合模擬退火法,檢查空白空間並拆解模組,等一系列方案,在面積平衡的前提下,可以有效的降低線長,經研究結果顯示,將模組分組過後搭配模擬退火法再加上我們提出三種參考因素下(線長、面積、長寬比)的成本函數,不僅能大幅降低線長,且在面積方面不僅可符合外框限制且可使模組排列更加緊密。

Top

熊育德-2D/3D衛星軌道模擬地理資訊平台(2015)
摘要:
     衛星星曆經常用來計算衛星的軌道、追蹤、位置與速率,其中包含六種基本預 測衛星軌道的參數,使用 SGP4(Simplified General Perturbations model 4)數學演算 法可以準確的預測衛星位置,衛星軌道參數會因為時間而有所變化,所以必須要 定期更新才能確保計算的正確性。
    本篇論文提出一套 2D/3D 模擬衛星軌道之地理資訊平台,使用 Qt Creator 開 發操作介面,參照北美防空司令部(North American Aerospace Defense Command, NORAD)所提供的衛星星曆作為模擬衛星軌道的依據,使用 Cesium 展示地圖與 衛星軌道模擬,結合 Threejs 模型瀏覽與 COLLADA 轉 GLTF 功能。平台開啟會 立即讀取衛星星曆,並由使用者選擇欲模擬的衛星、模擬的區段及區間點的數量, 點選模擬之後,即可快速地展示衛星的模擬位置。可以搭配 KML 做圖層套疊, 展示特定區域的圖層資訊,以利達到更精確的分析與判斷。除此之外,透過 COLLADA 轉換成 GLTF 的功能,可以搭配模型展示於軌道上。因此能讓使用者 在實際進行決策之前,預先模擬出衛星在地球上的運行軌道。

Top

李明隆-一個新穎的淨相關與複相關粒子群優演算法應用於高光譜影像降維(2015)
摘要:
     隨著衛星遙測技術近年來廣泛的發展,高光譜影像的波段數與資料量也越趨龐大,使計算複雜度大幅提高,波段中也可能包含雜訊或是錯誤的資訊導致分類正確率降低。因此,在高光譜影像處理中,進行波段選取降低資料複雜度並萃取具代表性的波段,是不可或缺的一個步驟。
    過去已有學者以粒子群優法(Particle Swarm Optimization, PSO)進行高光譜影像的波段選取。利用PSO演算法將高光譜影像的相關係數矩陣(Correlation Coefficient Matrix)聚合成一組群聚模組特徵空間,挑選出具代表性的波段,達到降維(Reduction Dimension, RD)的效果。
然而處理類別數較多的高光譜影像時,相關係數矩陣無法有效的將高相關度波段做聚合找出各類別一致通用的相關係數矩陣。因此本論文應用『淨相關係數』(partial correlation coefficient)與『複相關係數』(multiple correlation coefficient)增加對於相關的定義,利用多維的角度更進一步提升高光譜影像波段選取的整體效果。
    本文採用Salinas以及Northwest Tippecanoe County的AVIRIS 遙測影像為實驗圖資。最後由實驗結果可以得知,本文所提出的『淨相關係數』與『複相關係數』對於波段選取能夠有效地增加降維率,並透過分類器得到良好的分類效果。

Top

紀孟佐-基於CUDA的多階層平面規劃(2015)
摘要:
     由於科技的進步,超大型積體電路之實體設計的複雜度也隨者模組數量 的增加而日漸繁雜,平面規劃的複雜度也相對提升,不但設計時須滿足最小總 面積、最短繞線總長,還必須考量是否會影響設計流程或製程等種種因素。
    過去有學者提出模擬退火法(Simulated Annealing, SA)來解決平面規劃的 問題,然而,當模組數量增加時,SA需要相當長的計算時間。有鑑於此,本篇 論文提出「基於CUDA的多階層平面規劃」方法,應用「模擬退火法」與「統 一計算架構(Compute Unified Device Architecture, CUDA)」,可有效率的克服平 面規劃的問題。
    在本論文中提出了分群的方法可以有效的降低模擬退火法解空間過大的 問題,並且提出分區細化的方法可以透過序列隊表示法將合成過後模組分成 四個區塊的模組,再利用CUDA執行緒多的特點,將資料丟給GPU去執行,可 以再進一步的加快程式的執行時間。

Top

詹力峯-基於CUDA的多階層平面規劃(2015)
摘要:
     隨著經濟科技的成長,車輛越來越多,行車安全越來越受到重視,開發各項主動式安全系統也成為產業界與學界重要的目標;因此本論文將開發一套行人偵測系統,並建構於 NVIDIA TK1嵌入式系統上,並使用晶片中192 CUDA 核心來提高運算速度,與準確性。
    本論文在行人偵測中,先計算影像中每個像素的梯度,利用內插的方式將各種同的梯度向量量化為七個固定方向的向量,將其累積以形成Histogram of orientedgradients(HOG)特徵,為了加強特徵,此論文使用HOG 3D概念,並針對前後向量進行內插運算強化整體特徵強度。為了降低SVM分類器之負載,引用降維方法Fisher Criterion Principal component analysis(FCPCA)來選取重要之主成分並達成降維之目標。然後使用速度較快的 Sodia-ml分類器來進行分類判斷是否為行人。
    本論文將系統移植至 NVIDIA TK1 嵌入式系統平台, CPU 是由 4 個 ARM Cortex-A15 core 與 192 CUDA core,並且使用 CUDA 之平行技術,並針對程式做最佳化平行運算調教來提高運算速度,與準確性,本論文之演算法在 PC 上執行 1 張 frame 的時間平均為 58 ms,偵測率達到 93.2%,準確率也達 93.1%以上。證明該演算法與平行運算是適用於實際情境中且可提高運算速度與準確性。

Top