Full range speaker 中的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

應用於物件偵測與關鍵字辨識之強健記憶體內運算設計

為了解決Full range speaker 中的問題，作者江宇翔 這樣論述：

近年來，由於不同的應用都能夠藉由和深度學習的結合而達到更好的結果，像是物件偵測、自然語言處理以及圖像辨識，深度學習在終端設備上的發展越來越廣泛。為了應付深度學習模型的龐大資料搬移量，記憶體內運算的技術也在近年來蓬勃發展，不同於傳統的范紐曼架構，記憶體內運算使用類比域的計算使儲存設備也同樣具備運算的能力。儘管記憶體內運算具有降低資料搬移量的優點，比起純數位的設計，在類比域進行計算容易受到非理想效應的影響，包括元件本身或是周邊電路的誤差，這會造成模型災難性的失敗。此篇論文在兩種不同的應用領域針對記憶體內運算進行強健的模型設計及硬體實現。在電阻式記憶體內運算的物件偵測應用當中，我們將重點放在改善模

型對於非理想效應的容忍度。首先，為了降低元件誤差的影響，我們將原本的二值化權重網路改變為三值化權重網路以提高電阻式記憶體中高阻態元件的數量，同時能夠直接使用正權重及負權重位元線上的電流值進行比較而不使用參考位元線作為基準。其次，為了避免使用高精度的正規化偏差值以及所導致的大量低阻態元件佈署，我們選擇將網路中的批次正規化層移除。最後，我們將運算從分次的電流累加運算改為一次性的運算，這能夠將電路中非線性的影響降到最低同時避免使用類比域的累加器。相較於之前的模型會受到這些非理想效應的嚴重影響導致模型無法運作，我們在考慮完整的元件特性誤差，周邊電路誤差以及硬體限制之下，於IVS 3cls中做測試，能夠

將平均精確度下降控制在7.06\%，在重新訓練模型後能更進一步將平均精確度下降的值降低到3.85\%。在靜態隨機存取記憶體內運算的關鍵字辨識應用當中，雖然非理想效應的影響相對較小，但是仍然需要針對周邊電路的誤差進行偏壓佈署補償，在經過補償及微調訓練後，在Google Speech Command Dataset上能夠將準確率下降控制在1.07\%。另外，由於語音訊號會因為不同使用者的資料而有大量的差異，我們提出了在終端設備上進行模型的個人化訓練以提高模型在小部分使用者的準確率，在終端設備的模型訓練需要考量到硬體精度的問題，我們針對這些問題進行誤差縮放和小梯度累積以達到和理想的模型訓練相當的結果

。在後佈局模擬的結果中，這個設計在推論方面相較於現有的成果能夠有更高的能源效率，達到68TOPS/W，同時也因為模型個人化的功能而有更廣泛的應用。

Onken揚聲器系統分析與製作

為了解決Full range speaker 中的問題，作者洪棨翔 這樣論述：

音箱及揚聲器是結合了音樂、聲音美學、電學、機械學與聲學的綜合科技領域，它最主要的特性是將電能轉換為聲能。揚聲器系統有許多不同的種類對於音樂的呈現效果有所差異。 本研究設計分析並實際研製Onken低音反射式揚聲器系統，揚聲器使用 JBL D130 全音域15吋揚聲器單元，板材使用25mm多層夾板實際製作Onken低音反射式音箱，並在音箱前障板左右方設置矩形低音反射孔，並於反射孔處設置聲導管。本研究藉由LEAP模擬軟體研究JBL C38 (JBL D130原始音箱) 低音反射式音箱尺寸、吸音棉數量及矩形聲導管長度對低音反射式音箱中低音頻率響應影響。本研究設計適當Onken音箱尺寸，並實際研製完成

Onken低音反射式揚聲器系統，實際以音樂對揚聲器系統測試具良好效果。關鍵詞：全音域揚聲器、低音反射式音箱、矩形聲導管、頻率響應