走在汽車革命的路上論文書籍站
元智大學 電機工程學系甲組 劉建宏所指導 鄭捷升的 一種新型用於區域風電系統之最佳無效功率調度策略 （2019），提出 ninet關鍵因素是什麼，來自於虛功補償、無效功率調度、相消性、無效功率-電壓靈敏度。
而第二篇論文國立臺南大學 資訊工程學系碩士班 林朝興所指導 熊浩程的 植基於頻道狀態資訊與卷積神經網路之室內定位 （2019），提出因為有 室內定位、卷積神經網路、通道狀態資訊、適地性服務的重點而找出了 ninet的解答。
ninet進入發燒排行的影片
一種新型用於區域風電系統之最佳無效功率調度策略
為了解決 ninet 的問題，作者鄭捷升 這樣論述：
書名頁……………………………………………………………………………………i審定書…………………………………………………………………………………ii中文摘要…………………………………………………………………………iii英文摘要……………………………………………………………………………iv誌謝……………………………………………………………………………………vi目錄……………………………………………………………………………………vii表目錄……………………………………………………………………………………ix圖目錄……………………………………………………………………………………x第一章、緒論……………
………………………………………………………………………11.1研究動機……………………………………………………………………………………11.2相關文獻回顧……………………………………………………………………………………21.3研究貢獻……………………………………………………………………………………4第二章、常見之無效功率補償元件……………………………………………………………………………………52.1.靜態虛功補償器(Static Var Compensator, SVC)………………………………………………………………………52.2.靜態同步虛功補償器(Static Synchronous C
ompensator，STATCOM)………………………………62.3.閘控串聯電容器(Thyristor Controlled Series Capacitor，TCSC)………………………………8第三章、無效功率調度規劃問題………………………………………………103.1 限制條件……………………………………………………………………………………103.2 無效功率最佳潮流問題………………………………………………………103.3 最佳潮流數學模型…………………………………………………………………113.4 無效功率之非線性規劃最佳化問題…………………………………133.5 凸優化問題之轉換……
……………………………………………………………143.6 基於電壓靈敏度之規劃問題轉換………………………………………163.7 風電系統之無效功率調度規劃問題…………………………………203.8 風電無效功率調度規劃問題描述………………………………………213.9 不可靠的風電無效功率調度…………………………………………………22第四章、具抵銷性區域無效風電調度策略………………………………264.1 具抵銷性之無效功率調度問題……………………………………………264.2 具抵銷性區域無效風電調度演算法……………………………………30第五章、模擬結果……………………………………………………………
……………………335.1 ieee-57bus模擬…………………………………………………………………………335.2 模擬結果CASE 1……………………………………………………………………………355.3 模擬結果CASE 2……………………………………………………………………………385.4 模擬結果CASE 3……………………………………………………………………………42第六章、結論與未來研究方向……………………………………………………………466.1 結論………………………………………………………………………………………………………466.2 未來研究方向……………………………………
………………………………………………46參考文獻…………………………………………………………………………………………………………48
植基於頻道狀態資訊與卷積神經網路之室內定位
為了解決 ninet 的問題，作者熊浩程 這樣論述：
近年來，越來越多的應用仰賴精確且穩定的室內定位技術，人們在日常活動的各種室內環境內大量佈設Wi-Fi裝置，使得無線電波成為室內定位技術首選。過去的研究表示，Wi-Fi訊號強度容易受到室內環境干擾出現多路徑效應，而影響利用接收訊號強度(Received Signal Strength, RSS)的室內定位準確度。為了改善這個議題，在本論文中我們提出以基於頻道狀態資訊(Channel State Information, CSI)及卷積神經網路(Convolutional Neural Networks, CNN)的室內定位方法。一般而言，CSI提供比接收訊號強度更豐富的位置資訊相關訊息，而收集
多筆CSI Data組合成的CSI影像可成為一個位置的特徵，輸入CNN進行指模(Fingerprinting)訓練。我們提出的CNN架構包含3層convolutional layer、1層pooling layer和3層fully connected layer，改善一般的CNN在大量分類問題成功率低落的問題。我們的CNN架構分為訓練及測試階段，在訓練階段，每一個參考點(Reference Point, RP)產生的CSI影像輸入CNN訓練，直到權重模型高於特定門檻並且收斂為止；而在測試階段，將相同RP不同時間產生的CSI影像輸入已訓練的CNN權重模型，輸出每一個RP的準確率。最後，我們依照準
確率高低，挑選多點的RP來估算可能的位置座標。我們的方法在483個位置預測達到正確率62.83%，平均誤差為0.139m。