under dash symbol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

鈦介層對鍍覆於矽基板之氮化鋯/鈦雙層薄膜殘留應力釋放之影響

為了解決under dash symbol的問題，作者鄭廷尉 這樣論述：

純金屬介層廣泛地被應用於硬質鍍層以改善其附著性與降低殘留應力。然而，對應力釋放之介層厚度設計大多依經驗而定，而並無定量的依循基礎。本研究的目的是探討金屬介層對硬膜應力釋放之影響，並建立物理模型以連結介層塑性變形與應力釋放之關係。本研究以氮化鋯/鈦雙層薄膜鍍覆於矽基板作為模型系統，並以非平衡磁控濺鍍系統製備試片。試片種類包括具有不同鈦介層厚度及使用不同基板偏壓於氮化鋯製程之氮化鋯/鈦雙層薄膜。試片整體與單一薄膜層之殘留應力值以曲率量測法與平均X光應變搭配奈米壓痕法精準量測之。實驗結果顯示應力釋放比例介於59.7到80.4%之間，其數值隨介層厚度增厚而上升，但隨氮化鋯層之應力增加而下降。應力釋放

效率則隨介層厚度增加而下降，然而不同氮化鋯之應力條件對釋放效率並無顯著趨勢存在。在本研究中，我們使用氮化鋯硬膜彈性儲存能與金屬介層塑變功間之能量平衡的觀點建立物理模型，藉此說明介層塑變與應力釋放的關聯，並以等軸平面應力狀態下頸縮時之塑性應變作為介層釋放應力之上限。此模型後續以實驗結果進一步驗證。藉此模型，我們可以量化估計在特定介層厚度條件下可容許之應力釋放值，或是釋放特定應力時所需之介層厚度。此外，驗證實驗結果顯示，此模型所提供之金屬介層應力釋放值為保守估計值。此模型也顯示應力釋放主要來自於鈦介層之塑性變形。

符號判別函數連結類神經網路適應性通道等化器之設計

為了解決under dash symbol的問題，作者鍾焜源 這樣論述：

在本論文中，我們主要採用三角多項式基底函數(trigonometric polynomial basis functions)連結類神經網路 (functional link artificial neural network，FLANN) 架構並應用符號判別演算法(signed-regressor algorithm, SRA)稱為FLANN(SRA)，設計通道等化器用來消除信號傳輸過程所造成的失真現象。SRA演算法在FLANN架構下，比起最小均方演算法(least mean square algorithm, LMS)，不管在網路訓練模式下的MSE與資料傳輸模式的BER皆有較為優秀的效能

。由實驗結果顯示，網路訓練期間FLANN(SRA)及FLANN(LMS)在相同通道下，FLANN-SRA於收斂速度不僅較FLANN-LMS快，在嚴重非線性失真與符際干擾(inter-symbol interference, ISI)的通道環境與與學習因子u =0.008下，以訊噪比(signal to noise ratio, SNR)於13dB位元錯誤率(bit error rate, BER)觀察FLANN(SRA)錯誤率約為10e-5，而FLANN(LMS)錯誤率則約2.5*10e-5，但是u值太大會發散，太小收斂會太慢，所以FLANN(SRA)可以適用在較不理想的環境之下，擁有比FLA

NN(LMS)更加廣泛的使用範圍。SRA演算法主要是將函數展開後的項式經過sign函數轉換成±1 ，然後執行權重值更新；LMS演算法則是將項式直接代入更新式，一般被展開之項式之數值較為複雜；在硬體層面而言，乘法器要乘上±1比要乘上複雜的實數來的簡易的多，由此可知，SRA演算法減少了不少的運算量，加快了系統的執行速度，也降低了系統的硬體成本。