y型過濾器英文的問題,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

明志科技大學 工業工程與管理系碩士班 陳思翰所指導 汪晉安的 U-Net於發光二極體薄膜陶瓷基板之瑕疵分割 (2021),提出y型過濾器英文關鍵因素是什麼,來自於薄膜陶瓷基板、瑕疵分割、U-Net、語義分割。

而第二篇論文國立勤益科技大學 資訊管理系 張定原所指導 陳靖沅的 應用深度神經網路(DNN)於COVID-19死亡風險預測 (2021),提出因為有 機器學習、多層感知器、深度學習、深層神經網路、特徵篩選、COVID-19的重點而找出了 y型過濾器英文的解答。

接下來讓我們看這些論文和書籍都說些什麼吧:

除了y型過濾器英文,大家也想知道這些:

U-Net於發光二極體薄膜陶瓷基板之瑕疵分割

為了解決y型過濾器英文的問題,作者汪晉安 這樣論述:

發光二極體 (Light emitting Diode, LED)藉由其小巧且高功率的優勢,逐漸取代傳統照明設備的地位,並成為當前主流照明元件,但因其體積小與高功率的緣故,使得熱量不易散失,而直接影響產品壽命,因此基板材質的選用與 其 生產良率也成了照明產品品質是否優異的關鍵。然而,由許多細小單元所組成的基板難以藉由傳統的目視檢測法(Visual Inspection, VI)進行瑕疵檢測, 原因在於 該方法不僅耗時費力,且存在漏偵測比例過高的風險,因此本研究發展U-Net語義分割(Sematic Segmentation)模型進行瑕疵分割,以VGG16為骨幹(Backbone)萃取瑕疵特徵

,並藉由訓練模型中的訓練次數凍結 (Freeze Epoch)、學習率 (Learning Rate)、最小學習率、資料讀取批量、優化器、學習率衰減 等超調整下,配合損失函數中的 Focal Loss與Dice Loss功能開啟與關閉的選擇來獲得不同的模型訓練結果。在完成上述的超參數蒐集以及超參數對語 義 分割模型的影響程度分析後,利用因子設計(Factorial Design)實驗模型對各項超參數進行敏感度分析 以獲得最佳化瑕疵分割模型。實驗最終本文對實驗所獲得的語義分割模型進行瑕疵影像分割以及效能評估,不僅獲得了0.916的瑕疵分割交聯比(Intersection over Union,

IoU)以及0.958的平均交聯比(Mean Intersection over Union),也確實將本研究期望達到的瑕疵影像分割任務順利達成,因此充分證實了語義分割技術不僅能夠改善傳統檢測所衍生的職業傷害之外,也達到大幅節省工時以及漏檢缺失的避免,進而提升薄膜陶瓷基板的產品良率。

應用深度神經網路(DNN)於COVID-19死亡風險預測

為了解決y型過濾器英文的問題,作者陳靖沅 這樣論述:

2019年底中國湖北省首次出現COVID-19案例,因COVID-19傳播的速度相當快,造成全球病例數持續攀升,在被感染的確診者迅速暴增的情況下,醫療資源已遠遠超過負荷。深度神經網路是大數據時代最流行的演算法,本研究運用深度神經網路演算法建構一個COVID-19死亡風險預測模型,並使用10折交叉驗證、ROC曲線、PR曲線及混淆矩陣等指標來做比較,呈現深度神經網路(DNN)演算法之優勢。再利用特徵篩選的方式來過濾特徵,並比較特徵篩選前後之模型效能。本研究實驗發現,深度神經網路(DNN)擁有非常好的預測效能,在評量指標方面,Accuracy(91.31%), TPR(97.47%), F-Mea

sure(91.81%)及PRC面積(92.75%)皆優於Pourhomayoun & Shakibi (2021)學者所提出的人工神經網路(NN);在以國家分組的模型中也能發現,DNN模型效能明顯優於NN。本研究還使用特徵篩選方式,減少訓練模型所需的特徵數,且模型效能並未有所降低,減少了模型訓練的時間及電腦軟硬體的耗能。本研究期望能幫助醫院或醫療機構在醫療資源缺乏時,將病患進行分類,並幫助醫生預測患者的死亡率,進而讓高風險病患能優先使用醫療資源,避免重症患者因醫療資源缺乏而延誤就醫,也使醫療資源利用最大化。