國立虎尾科技大學 |

登入

回首頁

基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 = ...

蔡佳祐

基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 = = Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO /

紀錄類型:	書目-語言資料,印刷品 : Monograph/item
正題名/作者:	基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 =/ 蔡佳祐.
其他題名:	Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO /
其他題名:	Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO.
作者:	蔡佳祐
出版者:	雲林縣 :國立虎尾科技大學 , : 民113.06.,
面頁冊數:	[11], 133面 :圖, 表 ; : 30公分.;
附註:	指導教授: 鄭佳炘.
標題:	室內定位. -
電子資源:	電子資源

基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 = = Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO /
蔡佳祐

基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 =Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO /Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO.蔡佳祐. - 初版. - 雲林縣 :國立虎尾科技大學 ,民113.06. - [11], 133面 :圖, 表 ;30公分.

指導教授: 鄭佳炘.

碩士論文--國立虎尾科技大學電機工程系碩士班.

含參考書目.

隨著科技的不斷發展，專注度已經成為提升個人效率和企業生產力的關鍵因素。人們常常面臨許多分心的誘因，這可能對工作、學習和日常生活產生負面影響。為了應對這個挑戰，一個能夠有效監控專注度的系統變得至關重要。在這個背景下，生成對抗網路（Generative Adversarial Networks , GANs）是一個引人注目的工具，特別是在醫學領域的資料庫擴充中。透過將真實樣本與生成的偽裝樣本結合，GANs能夠增強資料集的多樣性，從而提高模型的泛化能力和性能。本篇論文將充分展示生成對抗網路在資料庫增強中的潛力，並且將其應用於室內定位與專注度監控系統中。本論文旨在建立一個創新的腦波燈控系統，透過結合腦波與定位資訊，實現智慧化的燈光調控。主要利用生成對抗網路進行腦波和定位資料集的增強，同時運用主成分分析（Principal Components Analysis , PCA）方法對資料進行維度檢測，以提高數據處理效能。透過機器學習（Machine Learning）與深度學習（Deep Learning）技術，將增強後的資料集訓練成分類模型。此系統將能夠根據用戶的腦波狀態和位置，動態調整燈光的範圍、照度與色溫，以提供更舒適、個性化的照明體驗。本篇論文將使用改良後的GANs （Generative Adversarial Networks）來增強腦波與定位資料集，分別將原資料集與增強後資料集丟入機器學習模型中學習並比較最後的評估指標（Evaluation Metrics），透過增強資料集任務來對GANs進行參數微調，增強資料集任務完成後再分別使用NN（Neural Network）、KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）和LSTM（Long Short-Term Memory）進行專注度與定位分類比較。其中我們將引入灰狼演算法（Grey Wolf Optimizer, GWO）、模糊邏輯（Fuzzy Logic）與Fuzzy-PD來進一步提升定位和燈控系統的穩定性。最後再將訓練好的模型結合Raspberry Pi4等硬體完成一套「基於灰狼演算法的室內定位深度學習專注度監控系統」。最後實驗結果顯示，本系統在定位誤差方面可以達到15公分的公分級定位精度，並且專注度有顯著提升。.

(平裝)Subjects--Topical Terms:

997488
室內定位.

基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 = = Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO /
LDR:04941cam a2200241 i 4500 001 1129714
008 241015s2024 ch ak erm 000 0 chi d
035 $a (THES)112NYPI0441005
040 $a NFU $b chi $c NFU $e CCR
041 0 # $a chi $b chi $b eng
084 $a 008.165M $b 4423:3 113 $2 ncsclt
100 1 $a 蔡佳祐 $3 1448772
245 1 0 $a 基於灰狼優化演算法的室內定位深度學習專注度監控系統之資料庫增強研究 = $b Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO / $c 蔡佳祐.
246 1 1 $a Research on Database Augmentation for Indoor Positioning Deep Learning Attention Monitoring System Based on GWO.
250 $a 初版.
260 # $a 雲林縣 : $b 國立虎尾科技大學 , $c 民113.06.
300 $a [11], 133面 : $b 圖, 表 ; $c 30公分.
500 $a 指導教授: 鄭佳炘.
500 $a 學年度: 112.
502 $a 碩士論文--國立虎尾科技大學電機工程系碩士班.
504 $a 含參考書目.
520 3 $a 隨著科技的不斷發展，專注度已經成為提升個人效率和企業生產力的關鍵因素。人們常常面臨許多分心的誘因，這可能對工作、學習和日常生活產生負面影響。為了應對這個挑戰，一個能夠有效監控專注度的系統變得至關重要。在這個背景下，生成對抗網路（Generative Adversarial Networks , GANs）是一個引人注目的工具，特別是在醫學領域的資料庫擴充中。透過將真實樣本與生成的偽裝樣本結合，GANs能夠增強資料集的多樣性，從而提高模型的泛化能力和性能。本篇論文將充分展示生成對抗網路在資料庫增強中的潛力，並且將其應用於室內定位與專注度監控系統中。本論文旨在建立一個創新的腦波燈控系統，透過結合腦波與定位資訊，實現智慧化的燈光調控。主要利用生成對抗網路進行腦波和定位資料集的增強，同時運用主成分分析（Principal Components Analysis , PCA）方法對資料進行維度檢測，以提高數據處理效能。透過機器學習（Machine Learning）與深度學習（Deep Learning）技術，將增強後的資料集訓練成分類模型。此系統將能夠根據用戶的腦波狀態和位置，動態調整燈光的範圍、照度與色溫，以提供更舒適、個性化的照明體驗。本篇論文將使用改良後的GANs （Generative Adversarial Networks）來增強腦波與定位資料集，分別將原資料集與增強後資料集丟入機器學習模型中學習並比較最後的評估指標（Evaluation Metrics），透過增強資料集任務來對GANs進行參數微調，增強資料集任務完成後再分別使用NN（Neural Network）、KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）和LSTM（Long Short-Term Memory）進行專注度與定位分類比較。其中我們將引入灰狼演算法（Grey Wolf Optimizer, GWO）、模糊邏輯（Fuzzy Logic）與Fuzzy-PD來進一步提升定位和燈控系統的穩定性。最後再將訓練好的模型結合Raspberry Pi4等硬體完成一套「基於灰狼演算法的室內定位深度學習專注度監控系統」。最後實驗結果顯示，本系統在定位誤差方面可以達到15公分的公分級定位精度，並且專注度有顯著提升。.
520 3 $a In the age of technological advancement, attention is pivotal for individual productivity and organizational efficiency. However, distractions pose significant challenges. An effective attention monitoring system is crucial. GANs (Generative Adversarial Networks) augment medical databases by synthesizing diverse data samples. This paper explores GANs' potential in enhancing datasets for indoor positioning and attention monitoring. The primary aim is to develop a brainwave-controlled lighting system adjusting settings based on users' brainwave states and positions. GANs enhance brainwave and positioning datasets, followed by dimensionality reduction via Principal Components Analysis for improved data processing efficiency. Machine learning and deep learning techniques train classification models on augmented datasets. The system dynamically adjusts lighting parameters, offering a personalized experience. Improved GANs augment datasets, fine-tuned through parameter adjustments. Various machine learning models including NN (Neural Networks), KNN (K-Nearest Neighbors), SVM (Support Vector Machines), and LSTM (Long Short-Term Memory) classify attention and positioning. Fuzzy Logic enhances system stability. Finally, the trained models will be integrated with hardware components such as Raspberry Pi 4 to complete an "Indoor Positioning Deep Learning Attention Monitoring System based on the Grey Wolf Optimizer Algorithm." The experimental results show that this system can achieve a positioning accuracy of 15 centimeters and significantly improve attention monitoring..
563 $a (平裝)
650 # 4 $a 室內定位. $3 997488
650 # 4 $a 腦波監測. $3 1451961
650 # 4 $a 資料庫增強. $3 1451962
650 # 4 $a Indoor Positioning. $3 1151214
650 # 4 $a Brainwave Monitoring. $3 1451963
650 # 4 $a Database Augmentation. $3 1451964
856 7 # $u https://handle.ncl.edu.tw/11296/4f27pd $z 電子資源 $2 http