1.

丁維鍾-超大型積體電路之多層級平面規劃搭配序列對(2011)

<<

2.

李俊安-自動搜尋條碼及辨識商品之平台(2011)

<<

3.

陳國偉-動態非正規基因演算法應用於多目標最佳化平面規劃(2011)

<<

4.

樓景-TCL應用於嵌入式系統之交談介面開發 – 以馬達伺服驗證環境為例(2011)

<<

5.

徐斌峰-一個維度優先權方法應用於粒子群優法在高維度影像特徵抽取(2011)

<<

 

 

丁維鍾-超大型積體電路之多層級平面規劃搭配序列對(2011)

摘要:
在傳統積體電路設計流程中,實體設計裡所處理的平面規劃結果,會影響晶片的面積大小與總線長,面積越小、線長越短表示成本降低,故平面規劃問題在積體電路設計中是相對重要性的一環。

    隨著技術的進步,晶片內的模組數量也急遽的增加,而晶片內部線路過多,可能會導致整個系統在運作上造成延遲,故縮短線長在現代的平面規劃裡極為重要。有別於一般的平面規劃,多層級平面規劃(Multilevel Floorplanning)會以線長作為分割依據,把模組分到許多子區塊內,再考慮面積及與外部模組所形成的線長,來對於各個子區塊做平面規劃。對於初期的分割動作,是為了在最終結果能取得較短的線長。

    我們以運用多層級平面規劃搭配序列對(Sequence Pair)表示法,使用快速計算最長共同子序列(Longest Common Subsequence)方法來執行模擬退火演算法,期許能縮短整個流程的計算時間。

    本實驗結果以GSRC Benchmark做為測試電路,最後會分析各Benchmark在不同的分層下,所得到的執行結果。

Top

 

李俊安-自動搜尋條碼及辨識商品之平台(2011)

摘要:
現在市面上的商品幾乎都有條碼,這是為了讓製造商方便蒐集商品情報和了解消費趨勢,可以讓銷售業者有快速、精確地庫存管理和節省大量的櫃檯人員,便利於消費者迅速地結帳和減少計算商品金額的錯誤等。

    視障者在日常生活的食、衣、住、行上都有很多不方便的地方;例如在食的部份,視障者無法像一般人一樣輕易取用食物,通常需要他人協助,若無人協助便須靠觸覺、嗅覺來推斷所取用的食品是否正確。本論文嘗試透過商品上的條碼讓視障者在無人協助的情況下確知商品的資訊。因此,製作出置放商品的平台,以影像處理的技術自動搜尋條碼的平台,並且判斷條碼內容,經遠端連線資料庫後,再以語音的方式告知視障者所放置在平台上的商品,這樣視障者就可以輕易地分辨出外型雷同的商品內容。

Top

 

陳國偉-動態非正規基因演算法應用於多目標最佳化平面規劃(2011)

摘要:
和一般單一目標平面規劃最佳化問題比較起來,考量多目標平面規劃最佳化問題的差異之處是在於解空間的定義。在做單一目標最佳化問題時只會有全域單一最佳解,但是在多目標最佳化問題中則會有一個解集合,我們稱它為派瑞托最佳解集合(Pareto-Optimal set),    這個解集合是由許多的全域最佳解所組成,在這個解集合裡面的解彼此互為未被支配(non-dominated),分不出高下優劣。

    在此篇論文當中我們所使用的最佳化演算法為基因演算法,使用序列對表示法(sequence pair)來當作染色體的資料結構並加入archive的概念來處理多目標最佳化問題。有別於一般傳統的基因演算法流程,我們捨棄掉交配運算,著重在突變運算部分,加入直交實驗設計於交換(swap)突變運算子中,並結合模擬退火演算法在執行初期接受較差解的概念,期望能跳脫區域最佳解,達到全域最佳解。

    傳統基因演算法是先產生固定數量的初始族群,然後去執行接下來的交配以及突變運算。為了增加初始族群解的多樣性,我們產生大量的染色體,從中挑選一小部分的染色體當作初始族群,執行接下來的突變運算。為了提升基因演算法執行效率,隨著世代數的上升,動態調整每世代的突變次數,並根據每次突變後的結果再執行突變次數的微調,以期能減少在不理想的解空間做過多的突變運算。

Top

 

樓景-TCL應用於嵌入式系統之交談介面開發 – 以馬達伺服驗證環境為例(2011)

摘要:
本論文描述以Tcl語言做為人機交談命令界面,並在嵌入式系統上的實作馬達伺服器系統,以控制與實驗直流馬達控制特性為說明實例。實作中,以Tcl所實踐出的控制命令提供了應用程式與硬體之間控制的管道,此命令界面允許動態改變裝置設定、擷取感測器狀態、檢視測試結果、產生統計數據、以及修改馬達控制器參數。此外,藉由Tcl的彈性與擴充性,實作之命令界面可藉由兩種方式建立額外之命令:在執行時期使用命令腳本,或在編譯時期直接結合到韌體之中。

Top

 

徐斌峰-一個維度優先權方法應用於粒子群優法在高維度影像特徵抽取(2011)

摘要:
 從過去的文獻可以發現「粒子群優法(Particle Swarm Optimization, PSO)」應用於「貪婪模組特徵空間法(Greedy Modular Eigenspace method)」趨近最佳解的方法中,在選取具代表性波段的步驟,沒有一個有效、低運算量的維度優先權方法。因此,本論文提出「非純度維度優先權(Impurity Function Band Prioritization, IFBP」方法:先使用PSO演算法,對高光譜影像資料的相關係數矩陣聚合多個高相關度模組,形成一組群聚特徵空間;再藉由IFBP公式,計算出類別覆蓋率,而得到各波段的優先權,最後在每一個高相關度模組中,挑出該模組最優先的波段作為最具代表性波段,將這些最具代表性波段交由分類器進行分類。本文使用
Northwest Tippecanoe County 的AVIRIS 遙測影像以及鰲鼓溼地的 MASTER 遙測影像作為實驗所使用的圖資。從實驗結果可以得知,相對於現有文獻提出的維度優先權法而言,運用本文提出的IFBP方法可以挑選同一模組內對分類最有貢獻的波段,獲得高正確率的降維品質;並解決過去使用PSO波段選取法,在選取具代表性維度時沒有一個可靠依據的問題,此為本論文最大貢獻。

Top