關於EATD 核心人物 成立宗旨 研發創造 皆以四大宗旨為依歸

本文以深度類神經網路法(Deep Neural Network, DNN)建立一螺桿聲音分類的自動化檢測系統用以提升螺桿的檢測品質。而本研究所針對的螺桿聲音資料庫，由於各類別的數量分佈不均導致了傳統機械學習判別不準確的問題，因此本文針對此問題提出了損失函數靈敏方法，其中包含三種改善方法，損失函數加權法、資料量複製法，以及合成少量樣本法(Synthetic Minority Over-sampling Technique, SMOTE)，針對資料樣本數做擴張改善DNN的迭代學習收斂性。

林佑錫
基於損失函數靈敏方法的深度卷積類神經網絡應用於滾珠螺桿聲音識別

本論文以10張常見應用於微型揚聲器之通氣材料為研究目標，並以直徑分別為20 mm與40 mm的微型揚聲器單體為載具，利用所建構的材料流阻測試系統，完成通氣材料的定性與定量；過程中並將透過掃描電子顯微鏡探討應用馬大猷多孔板搭配毛細管理論於通氣材料的適用性，最後建構一個適用於考慮通氣材料之微型揚聲器等效電路模擬系統。

翁睿楚
通氣材料對於微型揚聲器聲學特性探討

本論文將採用商用有限元素分析軟體-COMSOL Multiphysics，以四顆市售的微型揚聲器單體為標的，搭配-KLIPPEL與SoundCheck 系統，從T-S參數出發，建構微型揚聲器單體等效電路模擬，進一步搭配COMSOL Multiphysics建構符合物理特性與意義之2D與3D有限元素模擬架構與流程；對於振膜高頻模態分裂，採用SmartDO之遞迴式共軛合理導向法成功結合COMSOL Multiphysics完成機械參數之優化，使得整體模擬系統更為完整。

張恩慈
採用遞迴式共軛合理導向法優化微型揚聲器有限元素模擬之研究

本文針對現今最常見的兩種麥克風：動圈式和電容式麥克風，依國內廠商之產品設計，分別建立等效電路數學模型，並嘗試諸多量測方法來估算其機電聲參數，最後模擬出麥克風的重要性能表現，如：頻率響應曲線、阻抗曲線、指向性等，並同時分析探討一些聲學上的現象和理論所造成的影響。

彭子桓
動圈式和電容式麥克風之電聲分析與逆運算法估測參數之探討

本文提出基於深度卷積神經網路(Deep Convolutional neural network, DCNN) 的系統，用於學習HDD的輸出訊號，達到模擬HDD特性的目的。利用卷積神經網路的模型來探討合成訊號與使用符合IEC60318-4 標準之耦合器所量測到的訊號之間的共同特徵。透過學習演算法，DCNN可藉由迭代調整與HDD響應所對應的參數，建立HDD模型，結果顯示與傳統建模相比提高了 23% 的準確率，未來可應用於協助聲學工程師找出HDD的設計模式和對應的模型，縮短開發時間與聲音品質調整。

江彥達
基於深度卷積神經網絡的入耳式耳機時域信號合成系統