機電工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/84

系所沿革

為迎合產業機電整合人才之需求,本校於民國 91年成立機電科技研究所,招收碩士班學生;隨後並於民國93年設立大學部,系所整合為「機電科技學系」,更於101學年度起招收博士班學生。103學年度本系更名為「機電工程學系」,本系所之發展方向與目標,係配合國家政策、產業需求與技術發展趨勢而制定。本系規劃專業領域包含「精密機械」及「光機電整合」 為兩大核心領域, 使學生不但學有專精,並具跨領域的知識,期能強化學生之應變能力,以適應多元變化的明日社會。

教學目標主要希望教導學生機電工程相關之基本原理與實務應用的專業知能,並訓練學生如何運用工具進行設計、執行、實作與驗證各項實驗,以培養解決機電工程上各種問題所需要的獨立思考與創新能力。

基於建立系統性的機電工程整合教學與研究目標,本系學士班及研究所之教育目標如下:

一、學士班

1.培育具備理論與實作能力之機電工程人才。

2.培育符合產業需求或教育專業之機電工程人才。

3.培育具備人文素養、專業倫理及終身學習能力之機電工程人才。

二、研究所

1.培育具備機電工程整合實務能力之專業工程師或研發人才。

2.培育機電工程相關研究創新與產業應用之專業工程師或研發人才。

3.培育具備人文素養、專業倫理及終身學習能力之專業工程師或研發人才。

News

Browse

Search Results

Now showing 1 - 3 of 3
  • Item
    基於K-means 演算法、小波轉換及支持向量機之心電訊號辨識系統
    (2011) 張家熏
    本論文利用小波轉換(Wavelet transform) 、K-means分群法(K-means clustering)及支持向量機(Support vector machine)等方法,建立一個辨識各種心律不整的心電辨識系統。本論文所提的方法可以大致區分為三個階段;第一階段使用K-means分群法把屬於同一類別但相異性卻很大的心律不整訊號分成數個次類別,在每一個次類別,各樣本會有較高的相似性。第二階段則把各次類別裡的每一個心搏樣本利用小波轉換擷取時頻特徵向量。第三階段以每一個心搏樣本的時頻特徵以及形態特徵為訓練資料,並運用支持向量機來建立本辨識系統的模型。為了驗證本系統的有效性以及可靠性,本論文利用MIT-BIH心律不整資料庫進行了三個實驗。實驗的結果本論文所提的方法具有相當高的辨識率達98.2%,最後與各相關辨識系統文獻比較差異。
  • Item
    膚色偵測器應用於即時臉部擷取系統
    (2007) 鄔誌仁; Zhi-Ren Wu
    人臉偵測系統在人臉辨識、人機介面裝置以及影像監視器的應用上扮演非常重要的角色。本篇論文提出一套針對不同亮度做補償之膚色偵測器,由於膚色極容易受光線影響,因此,必須做一些適當的光線補償。首先,本篇先對輸入影像做光線補償來做亮度校正。隨後,我們利用訓練出的CbCr值來做膚色分割。在訓練過程中,採用「主軸k-means」演算法將膚色訓練資料做分群處理。在特徵擷取部分,利用眼睛、嘴巴,以及比較少見的頭髮等三個特徵來定義人臉區域。實驗結果顯示出,本篇論文所提出的方法已改善光線所產生的問題,而且系統可以即時工作,在膚色偵測率高達95.02%;針對較複雜背景情況的靜態人臉偵測率高達91.67%;動態人臉偵測率高達97.78%。在此,我們主要是針對正臉以及接近正臉的人臉來做實驗,對於背景太複雜的情形下,仍然有偵測不到的現象。
  • Item
    基於深度學習之心律不整輔助診斷系統
    (2017) 游凱翔
    心臟病一直以來都是人類健康殺手,一旦病發有極高的致命性。而現行心臟病的醫療十分被動,多數情況下於病人發病後,才在緊急狀況下進行治療,容易造成遺憾。因此,近年來心臟病的長期監控逐漸受到重視,藉由攜帶式或居家式心電圖量測儀器,病患可以自行量測心電圖並即時傳送到醫院,使醫生更確實地掌握病患的近況,並在出現異常徵兆時,及時進行治療。 但長期監控同時也會造成資料量上升以及資料品質穩定度下降的問題,本研究針對其提出一套結合深度學習領域中的卷積神經網路架構與k-means演算法的心律不整輔助診斷系統,並在最後對分類結果進行離群資料處理。該系統能對心電圖資料進行初步分析與分類,在診斷時可提供資訊給醫療人員,並標註出危險度較高的區段,減少醫療人員的負擔,並提升診察效率。 本研究提出之系統分為兩個部分,第一部分以k-means演算法對原始資料進行分子類動作,透過此步驟可以使資料特徵更容易被捕捉。第二部分以卷積神經網路為基礎,建構心電圖波形分類器,對分完子類之資料進行分類並將結果進行離群資料處理。有別於傳統類神經網路,卷積神經網路的特點在於該網路能自動提取資料中價值較高的特徵,並運用於資料的辨識,同時卷積神經網路架構還能有效減少網路之參數數量,減少神經網路的訓練時間與消耗資源,提升整體效率。 本研究使用MITBIH心律不整資料庫進行測試,準確度平均可達99.41%,漏診率僅1.23%。整體而言,為一兼具穩定及高效之智慧型診斷輔助系統。