1.

曾咨維-改良式最鄰近特徵空間演算法應用於高光譜影像分類(2016)

<<

2.

史昇永-基於GPU架構之局部自適應Kriging應用於重建無同調性區域之雷達觀測方向地表變形圖(2016)

<<

3.

林建發-基於遞移皮爾森積差相關係數粒子群優演算法應用於高光譜影像降維 (2016)

<<

4.

洪崇綸-實現動態平面規劃與設計於互動式高效能計算平台(2016)

<<

5.

許銘修-於混合粒子群優與引力搜尋演算的多數決非純度優先權法應用於高維度資料特徵抽取(2016)

<<

6.

潘俊桂-以基於互訊息的二維非純度波段優先權方法評估高光譜影像波段選取在不同分佈下的影響(2016)

<<

<<

 

 

曾咨維-改良式最鄰近特徵空間演算法應用於高光譜影像分類(2016)
摘要:
    近年來,由於「大數據」的崛起,使得資料分析與處理日漸受到重視,而資料分類又是其中極重要的一環,進而有各種分類演算法被發展出來作資料分類,其中像是「最鄰近特徵空間演算法」(Nearest Feature Space, NFS)就曾被用於高光譜資料分類上,NFS演算法是找出點到特徵面(Feature Surface , FS)的最短距離,並依此分類測試樣本點,其中透過組成FS的三個特徵點之類別資訊來提高分類準確率,但若是不同類別分佈過於接近時,則會導致資料分類錯誤。
為了改善前述的問題,本論文提出一個新方法「改良式最鄰近特徵空間演算法」(Modified Nearest Feature Space, MNFS),透過加入訓練樣本作為事前測試點,對各個FS的涵蓋範圍進行預判分析,並依據預判分析的結果來對FS的涵蓋範圍進行修正與限制,藉此來改善NFS對於不同類別分佈過於接近所造成的誤判影響,進而獲得更好的分類正確率;本論文最後由實驗結果證明MNFS能獲得比NFS還要好的分類正確率。

Top

史昇永-基於GPU架構之局部自適應Kriging應用於重建無同調性區域之雷達觀測方向地表變形圖(2016)
摘要:
    隨著遙測技術的進步,雷達之應用也愈來愈廣泛,其中合成孔徑雷達能夠提供高解析度的雷達影像,且不易受天氣影響,是觀測地表之利器。合成孔徑雷達取得之雷達影像,可利用DInSAR(Differential Interferometric Synthetic Aperture Radar)技術來獲取地表的變形量,應用於地震相關研究。然而,當強烈的地震發生時,地表產生斷裂,降低了震前與震後斷層附近SAR(Synthetic Aperture Radar)資料之同調性,因此無法使用DInSAR技術來取得斷層附近的地表變形量,必須藉由局部自適應Kriging,經過插值計算後重建地表變形圖,以應用於斷層活動之相關研究。而由於局部自適應Kriging之計算量極大,且如果欲重建之圖資區域很大,其計算時間將會更久,因此本研究提出平行化之局部自適應Kriging演算法,用CUDA實作局部自適應Kriging,以達到加快計算速度之目的。實驗結果顯示,本研究平行版本程式碼,較未平行之局部自適應Kriging,最高可提供約121倍之加速,且計算結果與原始資料之相關性非常高,證明其插值結果提供非常足夠之保真度。

Top

林建發-基於遞移皮爾森積差相關係數粒子群優演算法應用於高光譜影像降維 (2016)
摘要:
     近年來衛星遙測廣泛的應用及技術的進步,能獲取的高光譜影像波段數與資料量也越來越龐大,所以在高光譜影像處理上,會對光譜波段進行波段選取,萃取波段中具代表性波段,避免因包含了錯誤資訊或者是雜訊波段,造成最後分類正確率下降,所以降低資料複雜度是一個重要不可或缺的步驟。
先前有學者提出以粒子群優法(Particle Swarm Optimization, PSO)對高光譜影像進行波段選取,將原始高光譜影像產生的相關係數矩陣(Correlation Coefficient Matrix),透過PSO演算法群聚成一組群聚模組特徵空間,再從中挑選出代表性波段,達到波段降維(Reduction Dimension, RD)的效果。但在處理類別數較多的影像時,相關係數矩陣無法有效率地聚合各類別波段,容易受到其他波段的干擾,無法找出合適通用的相關係數矩陣。因此本論文提出使用「Transitive Pearson Product-Moment Correlation Coefficient, TPMCC」,透過符合指定條件的鄰近相似波段,改善兩波段間相關係數,提升對高光譜影像波段選取,有效達到降維的效果。
本論文採用Salinas的AVIRIS遙測影像及Washington DC Mall的HYDICE遙測影像為實驗圖資,由最後實驗結果可以得知,本文所使用的TPMCC比傳統皮爾森積差相關係數,更能有效的提升降維率,減少對於波段的選取,並達到良好的分類結果。

Top

洪崇綸-實現動態平面規劃與設計於互動式高效能計算平台(2016)
摘要:
    在傳統的積體電路設計,平面規劃的成果會直接影響實體晶片的外觀面積與繞線長度,進而影響晶片的產值。晶片內模組數量急遽增加,平面規劃的議題被受重視,因此考驗著傳統平面規劃是否能有效的處理如此龐大的數據。
本篇論文主要對於即時平面規劃提出一套新的思維,加入圖像視覺化與高效能平行計算的概念,讓積體電路(Integrated Circuit,IC)佈局開發者能有更快的選擇而非限制在單一種類的佈局平台。本研究利用Qt Creator開發直覺式操作介面建立平台,並以既有的平面規劃演算法做為測試對象,建構人性化介面,讓使用者直接在介面上選擇各項參數設定及面積資訊,透過高效能平行運算架構(Compute Unified Device Architecture,CUDA)計算,縮短平面規劃時間達到加速效果,快速地將結果以圖像化展示於平台並加入互動式效果,讓使用者可直接點選模組拉移,有助於特定晶片的位置擺放。為了資訊交叉傳遞的安全性,伺服器端與使用者端則是利用SSH(Secure Shell)連線。
論文研究結果確實改善平面規劃所需時間,電路測試檔Bench5其擁有385,488個模組,分別透過Intel i7-3770做未平行運算與GeForce GTX 670做平行運算,發現GeForce GTX 670平行運算可提供162倍之加速,計算結果與原始資料之相關性非常高,證明透過此方法可節省大量時間。

Top

許銘修-於混合粒子群優與引力搜尋演算的多數決非純度優先權法應用於高維度資料特徵抽取(2016)
摘要:
     隨著衛星遙測技術進步,高光譜影像(Hyperspectral Imaging)的波段數與資料量日趨龐大,在維度越來越高下計算量也隨之提高,可能使資料受到維度詛咒(Curse of Dimensionality)的影響,進而影響分類正確率,因此,需藉由波段選取來降低資料複雜度並抽取具代表性的波段。
過去已有學者提出以粒子群優(Particle Swarm Optimization, PSO)演算法應用於高光譜波段抽取,其參數設定影響粒子全域和區域搜尋甚大,在演算早期因無法搜尋較大的解空間,將使得降維效過不彰。而引力搜尋(Gravitational Search Algorithm, GSA)演算法在前期可以探索較大的解空間,但在後期因為粒子移動速度趨緩,導致無法收斂至最佳解。因此,本論文提出混合「粒子群優」的探索(Exploration) 能力和「引力搜尋」的開發(Exploitation)能力應用於高維度資料抽取,使得演算法在早期藉由引力搜尋的優點探索大範圍的解空間,後期保有粒子群優的全域最佳記憶特性而收斂至最佳解,以達高維度資料降為效果。
本論文採用Washington DC mall的HYDICE遙測影像及Northwest Tippecanoe County的AVIRIS遙測影像維實驗圖資。最後由實驗結果可以得知,本文所提出的混合粒子群優與引力搜尋演算法能夠有效的挑選出具代表性的波段降低資料為度,並透過分類器獲得良好的分類結果。

Top

潘俊桂-以基於互訊息的二維非純度波段優先權方法評估高光譜影像波段選取在不同分佈下的影響(2016)
摘要:
    在衛星遙測技術逐年進步下,使得近年來衛星遙測影像的波段跟資料量不
斷地增加,為解決高光譜影像之波段與資料量過於龐大的問題,可利用波段選
取的方式來降低影像的維度,避免波段數量過多導致 Hughes 現象發生,以及
減少大量的運算時間。
以往有學者提出二維的非純度維度優先權法(2D – Impurity Function Band
Prioritization, IFBP),由二維平面上來看類別之間的覆蓋率,並運用互訊息(Mutual
Information, MI)之中的機率概念,套入二維常態分佈來計算兩個維度類別間的覆
蓋程度,再透過計算出來的 2D-IFBP 去修正 IFBP 的波段順序,並獲得極佳的降
維結果。因此本論文將架構在此成果之上,加入更多不同的二維機率分佈,包括
均勻分佈、指數分佈和 T 分佈,並進行綜合地探討,嘗試找出不同的資料分佈在
應用互訊息降維上的影響。
本論文使用 Salinas、Washington DC mall 以及 Pavia University 等三套遙測
影像作為實驗的圖資,由實驗結果得知前兩套圖資都是呈現常態分佈,但是在
Pavia University 圖資上使用常態分佈的結果並非最為理想。取而代之的是 T 分
佈,在與常態分佈相同降維率的情況下,其能夠擁有更高的正確率。因此若能
針對不同的圖資,予以採用適當的分佈,將會比任何一套圖資都使用常態分佈
來的適切。

Top

-
摘要:

Top