power density公式的問題，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

類神經網路(第四版)(附範例光碟)

為了解決power density公式的問題，作者黃國源 這樣論述：

　　人類的頭腦約由1011個神經元所組成，所有的訊息就在神經元與神經元間靠著軸突及樹突的發送與接收來傳遞。在這樣的一個過程中，所接收進來的各種訊息被分類或辨認，進而形成了人類的認知與思維。現在我們利用數學的計算來模擬神經元的運作，進而模擬神經網路的傳送，以期達到分類或辨認。類神經網路的特點為學習，學習的目的是要調整神經腱的大小，即調整加權係數，我們要探討各種就是學習法則。的類神經網路的模型及其加權係數的調整公式，也本書著重於利用類神經網路的方法於圖形辨識與最佳化問題之解決，因此將先介紹傳統的識別方法，再介紹類神經網路的各種理論及模型。本書提供基本的例子讓讀者容易了解，容易進入類神經網路的領域，

在探討的多個模型中，均有自己提出的見解。 本書特色 　　1.本書著重於利用類神經網路的方法於模式辨別與最佳化問題之解決。 　　2.提供基礎範例讓讀者容易了解，容易進入類神經網路的領域。 　　3.在何普菲模型應用於解銷售員旅行問題(TSP)走最短距離的迴旋距離的優化，有詳細的分析；在何普菲類神經網路及一般化的蜂窩神經網絡也有做基本的介紹。 第一章 簡介 1.1 圖型的定義與圖型識別的方法 1.2 Decision-theoretic Approach的圖形識別與空間分割 1.3 Pattern Recognition Systems 1.4 Non-parametric & Para

metric Methods 1.5 人類頭腦的Neuron與模擬的Perceptron 1.6 Two Class Data分佈的複雜性 1.7 Activation Function 1.8 Development History of Neural Networks 1.9 Neural Network Applications 第二章 DECISION-THEORETIC PATTERN RECOGNITION 決策理論的圖形識別Decision-theoretic Approach的圖形識別與Discriminant Functions 2.2 Nonparametric Patt

ern Recognition非參數式之圖形識別：Using Discriminant Functions 2.2.1 Linear discriminant functions for pattern recognition 2.2.2 Nonlinear discriminant functions for pattern recognition 2.2.3 Perpendicular bisector 2.2.4 Minimum-distance classifier 2.2.5 Minimum-distance classifier with respect to point sets

(Piecewise-linear discriminant functions, Nearest-neighbor classification) 2.2.6 N-nearest neighbor classification rule 2.3 Parametric Pattern Recognition 參數式之圖形識別 2.3.1 Bayes theorem (貝氏定理) and probability density function (pdf) 2.3.2 Bayes (Parametric) classification rule (貝氏分類法則) 2.3.3 Sequentia

l classification 2.3.4 Neyman-Pearson test 2.3.5 Linear Classifier Design 2.3.6 Feature selection 2.3.7 Error estimation 2.4 Unsupervised Pattern Recognition 2.4.1 Minimum spanning tree (MST) clustering 2.4.2 K-means clustering 2.4.3 Hierarchical Clustering Using Dendrogram (Unsupervised Clustering)

2 第三章 PERCEPTRON 認知器數學上解Decision Boundary之困難 3.2 Perceptron 3.3 Classification 3.4 Training (Learning) 3.5 Flowcharts of Perceptron 3.6 Convergence Proof of Perceptron for Fixed Increment Training Procedure 3.7 Perceptron for Logic Operation 3.8 Layered Machine (Committee Machine/Voting Machine) 3

.9 Multiclass Perceptrons 3.10 Perceptron with Sigmoidal Activation Function and Learning by Gradient Descent Method 3.11 Modified Fixed-increment Training Procedure 3.12 Multiclass Perceptron with Delta Learning Rule 3.13 Widrow-Hoff Learning Rule 3.14 Correlation Learning Rule 第四章 MULTILAYER PERC

EPTRON 多層認知器 Introduction 4.2 設計Multilayer Perceptron with 1 Hidden Layer 解XOR的分類問題 4.3 Gradient and Gradient Descent Method in Optimization 4.4 Multilayer Perceptron (MLP) and Forward Computation 4.5 Back-propagation Learning Rule (BP) 4.5.1 Analysis 4.5.2 Back-propagation learning algorithm of one

-hidden layer perceptron (I) 4.5.3 Back-propagation learning algorithm of one-hidden layer perceptron (II) 4.6 Experiment of XOR Classification & Discussions 4.7 On Hidden Nodes for Neural Nets 4.8 Application - NETtalk：A Parallel Network That Learns to Read Aloud 4.9 Functional-Link Net 第五章 RADIAL

BASIS FUNCTION NETWORK (RBF) 輻射基底函數網路 Introduction 5.2 RBF Network 第一層的Learning Algorithm 5.3 RBF Network 第二層的Learning Algorithm 5.4 設計RBF Model to Classify XOR Patterns 第六章 SUPPORT VECTOR MACHINE (SVM) 支持向量的分類器Introduction 6.2 點到Hyperplane之距離 6.3 Role of Support Vectors in Optimal Margin Classifi

er for Linearly Separable Case 6.4 Find Optimal Margin Classifier for Linearly Separable Case 6.5 SVM for Nonseparable Patterns 6.5.1 Primal Problem 6.5.2 Dual Problem 6.6 Feature Transformation and Support Vector Machine (SVM) – Kernel SVM 6.6.1 Primal Problem and Optimal Separating Hyperplane之建立 6

.6.2 在Dual Problem上求解新的Feature Space上的Support Vector Machine 6.6.3 Gradient Ascent的調適性的方法求 Lagrange Multipliers 6.7 Multiclss Classification Using Support Vector Machine 6.7.1 Maximum Selection Classification System Using SVMs 6.7.2 利用SVM 於數字辨識的樹狀分類系統 (Tree Classification System) 6.7.3 Multi-class C

lassification Using Many Binary SVMs 6.8 SVM Examples 6.8.1 直接利用Lagrange method (沒有利用KKT conditions 的Lagrange method) 6.8.2 利用加入KKT 的Lagrange method 6.8.3 Support Vector Machine (SVM) Using Feature Transformation – Kernel SVM 6.8 Exercise 第七章 KOHONEN’S SELF-ORGANIZING NEURAL NET 自我組織的類神經網路 Winner-T

ake-All Learning Rule 7.2 Kohonen’s Self-organizing Feature Maps 7.3 Self-organizing Feature Maps於TSP 第八章 PRINCIPAL COMPONENT NEURAL NET 主分量類神經網路Introduction 8.2 Hebbian Learning Rule 8.3 Oja的學習法則 8.4 Neural Network of Generalized Hebbian Learning Rule 8.5 Data Compression 8.6 Effect of Adding One

Extra Point along the Direction of Existing Eigenvector 8.7 Neural network的PCA的應用 第九章 HOPFIELD NEURAL NET 9.1 Lyapunov Function 9.2 Discrete Hopfield Model 9.3 Analog Hopfield Model 9.3.1 Circuits and Power 9.3.2 Analog Hopfield Model 9.4 Optimization Application of Hopfield Model to TSP 9.5 與Hopfi

eld Neural Net有關的研究與應用 第十章 CELLULAR NEURAL NETWORK 蜂巢式類神經網路 10.1 簡介 10.2 蜂巢式類神經網路架構 10.3 蜂巢式類神經網路的穩定性分析 10.4 蜂巢式類神經網路與Hopfield神經網路的比較 10.5 離散蜂巢式類神經網路 第十一章 HAMMING NET 11.1 Introduction 11.2 Hamming Distance and Matching Score 11.3 Hamming Net Algorithm 11.4 Comparator 第十二章 ADAPTIVE RESONANCE THEO

RY NET (ART) 12.1 Introduction 12.2 ART1 Neural Model 12.3 Carpenter/Grossberg ART1 Net的Algorithm 12.4 Revised ART algorithm 第十三章 FUZZY, CLUSTERING, AND NEURAL NETWORKS 13.1 Fuzzy C-means Clustering Algorithm 13.2 Fuzzy Perceptron 13.3 Pocket Learning Algorithm 13.4 Fuzzy Pocket 參考文獻 附錄 Appendix

A：Inner Product (內積) Appendix B：Line Property and Distance from Point to Line Appendix C：Covariance Matrix Appendix D：Gram–Schmidt Orthonormal Procedure Appendix E：Lagrange Multipliers Method Appendix F：Gradient, Gradient Descent and Ascent Methods in Optimization Appendix G：Derivation of Oja’s lear

ning rule Appendix H：類神經網路程式實驗報告範例 Appendix I：實驗報告範例之電腦程式 Appendix J：MATLAB Program of Perceptron Appendix K：MATLAB Program of Multilayer Perceptron Appendix L：FORTRAN Program for Perceptron Appendix M：畫aX+bY+cZ+常數= 0的平面的Matlab電腦程式 Appendix N：Support Vector Machine的數學推導 Appendix O：Projects Appendix

P：Project #1的部份Matlab程式

類神經網路(第二版)(附範例光碟)

為了解決power density公式的問題，作者黃國源 這樣論述：

　　人類的頭腦約由1011 個神經元所組成，所有的訊息就在神經元與神經元間靠著軸突及樹突的發送與接收來傳遞。在這樣的一個過程中，所接收進來的各種訊息被分類或辨認，進而形成了人類的認知與思維。現在我們利用數學的計算來模擬神經元的運作，進而模擬神經網路的傳送，以期達到分類或辨認。類神經網路的特點為學習，學習的目的是要調整神經腱的大小，即調整加權係數，我們要探討各種就是學習法則。的類神經網路的模型及其加權係數的調整公式，也本書著重於利用類神經網路的方法於圖形辨識與最佳化問題之解決，因此將先介紹傳統的識別方法，再介紹類神經網路的各種理論及模型。本書提供基本的例子讓讀者容易了解，容易進入類神經網路的領域

，在探討的多個模型中，均有自己提出的見解。 本書特色 　　1.本書著重於利用類神經網路的方法於模式辨別與最佳化問題之解決。 　　2.提供基礎範例讓讀者容易了解，容易進入類神經網路的領域。 　　3.在何普菲模型應用於解銷售員旅行問題(TSP) 走最短距離的迴旋距離的優化，有詳細的分析；在何普菲類神經網路及一般化的蜂窩神經網絡也有做基本的介紹。   第一章 簡介 1.1 圖型的定義與圖型識別的方法 1.2 Decision-theoretic Approach的圖形識別與空間分割 1.3 Pattern Recognition Systems 1.4 Non-parametric &

Parametric Methods 1.5 人類頭腦的Neuron與模擬的Perceptron 1.6 Two Class Data分佈的複雜性 1.7 Activation Function 1.8 Development History of Neural Networks 1.9 Neural Network Applications 第二章 DECISION-THEORETIC PATTERN RECOGNITION 決策理論的圖形識別 Decision-theoretic Approach的圖形識別與Discriminant Functions 2.2 Nonparametric

Pattern Recognition非參數式之圖形識別： Using Discriminant Functions 2.2.1 Linear discriminant functions for pattern recognition 2.2.2 Nonlinear discriminant functions for pattern recognition 2.2.3 Perpendicular bisector 2.2.4 Minimum-distance classifier 2.2.5 Minimum-distance classifier with respect to poin

t sets (Piecewise-linear discriminant functions, Nearest-neighbor classification) 2.2.6 N-nearest neighbor classification rule 2.3 Parametric Pattern Recognition 參數式之圖形識別 2.3.1 Bayes theorem (貝氏定理) and probability density function (pdf) 2.3.2 Bayes (Parametric) classification rule (貝氏分類法則) 2.3.3 Seq

uential classification 2.3.4 Neyman-Pearson test 2.3.5 Linear Classifier Design 2.3.6 Feature selection 2.3.7 Error estimation 2.4 Unsupervised Pattern Recognition 2.4.1 Minimum spanning tree (MST) clustering 2.4.2 K-means clustering 2.4.3 Hierarchical Clustering Using Dendrogram (Unsupervised Clust

ering) 2 第三章 PERCEPTRON 認知器數學上解Decision Boundary之困難 3.2 Perceptron 3.3 Classification 3.4 Training (Learning) 3.5 Flowcharts of Perceptron 3.6 Convergence Proof of Perceptron for Fixed Increment Training Procedure 3.7 Perceptron for Logic Operation 3.8 Layered Machine (Committee Machine/Voting Mach

ine) 3.9 Multiclass Perceptrons 3.10 Perceptron with Sigmoidal Activation Function and Learning by Gradient Descent Method 3.11 Modified Fixed-increment Training Procedure 3.12 Multiclass Perceptron with Delta Learning Rule 3.13 Widrow-Hoff Learning Rule 3.14 Correlation Learning Rule 第四章 MULTILAYE

R PERCEPTRON 多層認知器 Introduction 4.2 設計Multilayer Perceptron with 1 Hidden Layer 解XOR的分類問題 4.3 Gradient and Gradient Descent Method in Optimization 4.4 Multilayer Perceptron (MLP) and Forward Computation 4.5 Back-propagation Learning Rule (BP) 4.5.1 Analysis 4.5.2 Back-propagation learning algorithm

of one-hidden layer perceptron (I) 4.5.3 Back-propagation learning algorithm of one-hidden layer perceptron (II) 4.6 Experiment of XOR Classification & Discussions 4.7 On Hidden Nodes for Neural Nets 4.8 Application - NETtalk：A Parallel Network That Learns to Read Aloud 4.9 Functional-Link Net 第五章

RADIAL BASIS FUNCTION NETWORK (RBF) 輻射基底函數網路 Introduction 5.2 RBF Network 第一層的Learning Algorithm 5.3 RBF Network 第二層的Learning Algorithm 5.4 設計RBF Model to Classify XOR Patterns 第六章 SUPPORT VECTOR MACHINE (SVM) 支持向量的分類器Introduction 6.2 點到Hyperplane之距離 6.3 Role of Support Vectors in Optimal Margin Cl

assifier for Linearly Separable Case 6.4 Find Optimal Margin Classifier for Linearly Separable Case 6.5 SVM for Nonseparable Patterns 6.5.1 Primal Problem 6.5.2 Dual Problem 6.6 Feature Transformation and Support Vector Machine (SVM) – Kernel SVM 6.6.1 Primal Problem and Optimal Separating Hyperplan

e之建立 6.6.2 在Dual Problem上求解新的Feature Space上的Support Vector Machine 6.6.3 Gradient Ascent的調適性的方法求 Lagrange Multipliers 6.7 Multiclss Classification Using Support Vector Machine 6.7.1 Maximum Selection Classification System Using SVMs 6.7.2 利用SVM 於數字辨識的樹狀分類系統 (Tree Classification System) 6.7.3 Multi-c

lass Classification Using Many Binary SVMs 6.8 SVM Examples 6.8.1 直接利用Lagrange method (沒有利用KKT conditions 的Lagrange method) 6.8.2 利用加入KKT 的Lagrange method 6.8.3 Support Vector Machine (SVM) Using Feature Transformation – Kernel SVM 6.8 Exercise 第七章 KOHONEN’S SELF-ORGANIZING NEURAL NET 自我組織的類神經網路 Wi

nner-Take-All Learning Rule 7.2 Kohonen’s Self-organizing Feature Maps 7.3 Self-organizing Feature Maps於TSP 第八章 PRINCIPAL COMPONENT NEURAL NET 主分量類神經網路Introduction 8.2 Hebbian Learning Rule 8.3 Oja的學習法則 8.4 Neural Network of Generalized Hebbian Learning Rule 8.5 Data Compression 8.6 Effect of Addin

g One Extra Point along the Direction of Existing Eigenvector 8.7 Neural network的PCA的應用 第九章 HOPFIELD NEURAL NET 9.1 Lyapunov Function 9.2 Discrete Hopfield Model 9.3 Analog Hopfield Model 9.3.1 Circuits and Power 9.3.2 Analog Hopfield Model 9.4 Optimization Application of Hopfield Model to TSP 9.5

與Hopfield Neural Net有關的研究與應用 第十章 CELLULAR NEURAL NETWORK 蜂巢式類神經網路 10.1 簡介 10.2 蜂巢式類神經網路架構 10.3 蜂巢式類神經網路的穩定性分析 10.4 蜂巢式類神經網路與Hopfield神經網路的比較 10.5 離散蜂巢式類神經網路 第十一章 HAMMING NET 11.1 Introduction 11.2 Hamming Distance and Matching Score 11.3 Hamming Net Algorithm 11.4 Comparator 第十二章 ADAPTIVE RESONANC

E THEORY NET (ART) 12.1 Introduction 12.2 ART1 Neural Model 12.3 Carpenter/Grossberg ART1 Net的Algorithm 12.4 Revised ART algorithm 第十三章 FUZZY, CLUSTERING, AND NEURAL NETWORKS 13.1 Fuzzy C-means Clustering Algorithm 13.2 Fuzzy Perceptron 13.3 Pocket Learning Algorithm 13.4 Fuzzy Pocket 參考文獻 附錄 Appe

ndix A：Inner Product (內積) Appendix B：Line Property and Distance from Point to Line Appendix C：Covariance Matrix Appendix D：Gram–Schmidt Orthonormal Procedure Appendix E：Lagrange Multipliers Method Appendix F：Gradient, Gradient Descent and Ascent Methods in Optimization Appendix G：Derivation of Oja’s

learning rule Appendix H：類神經網路程式實驗報告範例 Appendix I：實驗報告範例之電腦程式 Appendix J：MATLAB Program of Perceptron Appendix K：MATLAB Program of Multilayer Perceptron Appendix L：FORTRAN Program for Perceptron Appendix M：畫aX+bY+cZ+常數= 0的平面的Matlab電腦程式 Appendix N：Support Vector Machine的數學推導  

研究穩定抗生物分子沾黏材料之分子結構設計、改質程序建構及生物醫學應用

為了解決power density公式的問題，作者唐碩禧 這樣論述：

　　自二戰時期到現在，生物惰性材料已發展超過80個年頭，科學家們已了解到利用氫鍵受體或是雙離子結構，可產生厚實的水合層來屏蔽生物分子。然而，進行生物惰性的改質時，由於表面自由能與粗糙度的影響，會讓改質劑難以良好地附著在材料表面上，並在乾燥過程中產生皺縮甚至龜裂的現象。此外，目前的化學接枝方式不但程序繁瑣又耗時，使用藥劑又對環境不友善。而更令人煩惱的是，目前絕大多數的改質劑都是使用具有酯類或是醯胺類官能基的壓克力材料，對於長時間在生物環境中使用會有水解的疑慮，進而導致使用壽命減少的風險產生。　　因此，本論文將分別著重在－改質物的附著性提升、快速化學接枝、抗水解之生物惰性結構設計等三部份進行探討

。以期望未來的生醫材料之設計與生產，能夠朝向穩定而快速的改質以及耐用來發展。　　本論文第一部份使用常壓空氣電漿進行5分鐘的表面活化，使表面氧元素增加24倍，並大幅降低改質物PS-co-PEGMA的聚集現象。而超音波微粒噴塗技術不但可精確控制改質密度達0.01 mg/cm2，且當達到0.3 mg/cm2時，表面即被改質物完整覆蓋。以此技術進行生化檢測盤改質，可提升8倍的檢測靈敏度，使試劑即便稀釋128倍，仍具有高度辨識性。　　本論文第二部份使用親水性雙離子環氧樹脂Poly(GMA-co-SBMA)搭配UV光固化技術，可使每平方公尺的PET不織布纖維薄膜僅需11.5 g的高分子，並照光不到30分鐘

，即可降低近8成的血液貼附及9成的細胞貼附。未來對於PU及PEEK的改質，或是應用在微流道及微型晶片實驗室之領域，這種一步驟快速化學接枝的清潔製程，具有相當大的應用潛力。　　本論文第三部份使用非壓克力型雙離子高分子zP(S-co-4VP)，對材料進行快速的自組裝塗佈改質。不但可降低98%的細菌與血液貼附量，且經過高溫濕式滅菌後的細菌貼附量僅上升74%，而壓克力型雙離子高分子P(S-co-SBMA)卻增加192%。這對於未來在發酵產業、反覆滅菌、長時間使用等需求來說，具有相當大的應用潛力。