東元馬達目錄的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

車道辨識之卷積神經網路架構設計

為了解決東元馬達目錄的問題，作者黃孟涵 這樣論述：

本論文設計並實作一款應用於車道辨識之卷積神經網路 (Convolutional neural network, CNN) 模型。首先，製作了一台架設160度廣角相機之輪型機器人，並分別使用手動及無線搖桿二種方式，控制輪型機器人在車道場地上行走在不同的位置上同時拍攝照片，蒐集到的照片作為卷積神經網路之訓練及測試資料集。接下來，使用PyTorch作為深度學習框架，包含定義CNN架構、訓練及測試模型。經過數個不同的模型參數的測試，包含隱藏層層數、全連接層之神經元數量、學習率和兩種不同的優化器等。最後設計完成之CNN模型包括：輸入層為3×220×220的三維矩陣，輸出層為5個類別的分類節點，隱藏層由

2層卷積層、2層池化層及2層全連接層所組成。此模型在車道辨識的準確率可達到99.6%。訓練完成之CNN模型被實現在輪型機器人的微控制器中，並在實驗車道場地上進行測試。實驗結果顯示在整體的測試例中，CNN模型的判斷準確率為92.5%，但在輪型機器人處於道路右側進行右轉的條件下，CNN模型準確率僅82.5%，還需進一步研究及改善。

運用田口最佳化探討頸動脈超音波影像品質

為了解決東元馬達目錄的問題，作者卓妤庭 這樣論述：

本研究運用田口分析方法探討頸動脈超音波之血管狹窄的最佳影像品質。設定影響影像品質的七個因子，並帶入田口方法L18 (2^1×3^6)直交表中，利用望小特性及優點圖(figure of merit, FOM)進行數據分析並比較兩者結果。以自製擬人血管假體模擬正常頸動脈、輕度狹窄頸動脈及重度狹窄頸動脈，利用超音波儀器(Philips Affiniti 70)及探頭(Philips L12-3)進行掃描，七個因子分別擬定為(A)探頭與測量物角度 (Angle)：30° 、0°。 (B)訊號增益(Gain)：50、55、60。 (C)Res/Spd：R1、RS、S1。 (D)動態範圍(Dynamic

range)：40、50、60。 (E)XRES：1、2、3。 (F)放大率(Zoom)：0.8、1.0、1.2。 (G)時間增益補償(TGC)：-1、0、1，並分別測量狹窄的直徑及面積。結果顯示最佳的影像參數組合為在直徑組：Angle 0°、Gain 50、Res/Spd RS、Dynamic range 40、XRES 1、Zoom 1.2、TGC 1；而面積組為：Angle 0°、Gain 55、Res/Spd RS、Dynamic range 50、XRES 2、Zoom 0.8、TGC -1。其重要因子在直徑組為：Angle和Gain；而面積組為：Res/Spd和TGC。後續在做變

異數分析(ANOVA)時，發現A因子太過於顯著，導致無法顯現其他因子之重要性，因此使用FOM來做最後的數據分析，再將其參數組合做驗證，得到的誤差結果分別在管徑10、8及4mm時，在直徑組為：0、0及0 mm；而面積組為：0.07、0.03及0.02 mm^2。所以本次的研究結果有助於改善臨床頸動脈超音波影像的品質。