constrained中文的問題，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

貝氏最佳化的小樣本採集函數學習

為了解決constrained中文的問題，作者謝秉瑾 這樣論述：

貝氏最佳化 (Bayesian optimization, BO) 通常依賴於手工製作的採集函數 (acqui- sition function, AF) 來決定採集樣本點順序。然而已經廣泛觀察到，在不同類型的黑 盒函數 (black-box function) 下，在後悔 (regret) 方面表現最好的採集函數可能會有很 大差異。 設計一種能夠在各種黑盒函數中獲得最佳性能的採集函數仍然是一個挑戰。 本文目標在通過強化學習與少樣本學習來製作採集函數(few-shot acquisition function, FSAF)來應對這一挑戰。 具體來說，我們首先將採集函數的概念與 Q 函數 (Q

-function) 聯繫起來，並將深度 Q 網路 (DQN) 視為採集函數。 雖然將 DQN 和現有的小樣本 學習方法相結合是一個自然的想法，但我們發現這種直接組合由於嚴重的過度擬合(overfitting) 而表現不佳，這在 BO 中尤其重要，因為我們需要一個通用的採樣策略。 為了解決這個問題，我們提出了一個 DQN 的貝氏變體，它具有以下三個特徵: (i) 它 基於 Kullback-Leibler 正則化 (Kullback-Leibler regularization) 框架學習 Q 網絡的分佈(distribution) 作為採集函數這本質上提供了 BO 採樣所需的不確定性並減輕了

過度擬 合。 (ii) 對於貝氏 DQN 的先驗 (prior)，我們使用由現有被廣泛使用的採集函數誘導 學習的演示策略 (demonstration policy)，以獲得更好的訓練穩定性。 (iii) 在元 (meta) 級別，我們利用貝氏模型不可知元學習 (Bayesian model-agnostic meta-learning) 的元 損失 (meta loss) 作為 FSAF 的損失函數 (loss function)。 此外，通過適當設計 Q 網 路，FSAF 是通用的，因為它與輸入域的維度 (input dimension) 和基數 (cardinality) 無 關。通過廣

泛的實驗，我們驗證 FSAF 在各種合成和現實世界的測試函數上實現了與 最先進的基準相當或更好的表現。

應用於移動式 UHF 射頻充電的高效率且寬輸入範圍之電源管理晶片採用自適應負載/輸入功率匹配技術

為了解決constrained中文的問題，作者郭浩毅 這樣論述：

近年來由於物聯網的興起，使得環境中佈建的無線感測器之需求快速上升。傳統的無線感測器之能量來源主要藉由化學電池提供，因此要具有較長的生命週期與較小的體積是相當困難的。無線能量擷取技術為透過環境中的能量來驅動電子電路的相關技術，提供無線感測節點所需的能量並且延長電池壽命。RF功率擷取方法是目前最常使用於短距離(數十公尺內)能量傳遞的方法之一，但由於目前的RF能量管理電路的高效率受限於窄小的輸入功率範圍，因此相關的應用依舊十分受限。本論文以應用於物聯網之無線能量擷取系統為出發點，除了使用可重構式技術來改善傳統交直流轉換架構之窄小輸入範圍的能量轉換曲線達成具有大動態輸入範圍之交直流轉換電路外，更藉由

後端包含負載調變電路的MPPT技術與低壓降穩壓器穩定輸出電壓值來提高高輸入功率時整體系統之效率。整體系統以CMOS 0.18μm製程製作，為一個全整合式之積體電路，其寬輸入動態範圍之交直流轉換電路具有54.2%之最佳轉換效率、-19.6dBm之靈敏度與20dB大輸入範圍且高轉換效率(Efficiency > 20%)。高轉換效率的能量擷取與高整合晶片將可以有效地解決過去RF能量擷取的效率不佳及能量浪費等問題，並且可以應用於更多功率以及體積限制的植入式生物感測器系統、智慧感測系統、自動電子收費系統貼片及無線充電等需要無線能量傳輸及穩定輸出電壓值的電路中。