由於電腦與 網路科技的發達，認證 (Authentication) 的需求與應用層次也越來越廣泛。近年來，更由於sensor technology的進步，帶動了生物認證 (Biometric identification) 的實用化，這是學術界及工商界甚為重視的一種安全認證方式，其認證所用到的生物特徵包含指紋、掌紋、語音、人臉、虹膜、手型、耳型、嘴唇運動模式等，此種認證的優點為偽造及破解困難、使用方便（不擔心遺失）、適用性廣泛（可依安全性需求來調整）。而缺點則在於技術層次較高、需要較多的軟硬體支援，且需要和善的人機介面，以充分發揮其功能。

本計畫預計研究開發以聲紋與人臉為基礎的生物認證系統，希望能應用現有的軟硬體技術，開發出穩固、可用的軟體系統原型，以為生物認證的實用化、普及化與商品化進行先導研究與探勘。

直流變頻空調機是一個典型的非線性時變系統，其特性隨著壓縮頻率的不同而有不同的變化，因此在系統辨識及控制策略方面造成較高的困難度。然而，直流變頻空調機的控制一直是一個很重要的課題，此可由一般日系家電產品（特別是冷氣機）所強調的「智慧型控制」或「Neuro-fuzzy control」而略窺一二。

本計畫將以漸進方式循序嘗試直流變頻空調機的系統辨識與控制策略。初期將以傳統的線性系統辨識及PID控制為主，待累積夠多經驗後，將進一步嘗試以Gain scheduling的方式來進行非線性控制，最後再以Fuzzy控制來達到整個系統的最佳化。

1. 以遞迴式最小平方法（Recursive least-squares estimator，簡稱RLSE) 為基礎，發展出計算 leave-one-out error 的 incremental formula，可用於 neuro-fuzzy modeling 的結構辨識（Structure identification）及歧異點的偵測（Outlier detection）
2. 以 leave-one-out error 為基礎，再引用 sequential forward input selection 或 exhaustive input selection，來進行客觀且迅速的輸入選取及結構辨識。

有關於leave-one-out error的 incremental formula以及相關的輸入變數選取方法，已發表在1998年5月的IEEE International Conference on Fuzzy Systems [Jang98fuzz]，類似的方法亦可用於歧異點的偵測（Outlier detection），已發表在1998年10月的International Joint Conference on Information Science [Jang98jcis]。完整的推導與相關的應用則已交付 IEEE Transactions on Fuzzy Systems 審查中[Jang98itfs]。本年度之國科會計畫乃在延續上年度之計畫，其目的有三：

1. 延續並應用上年度之研究心得，進一步使用平方根版（Square-root version）的遞迴式最小平方法來進行神經模糊模型（Neuro-fuzzy models）的leave-one-out error 的計算，以盡量降低大量數值運算及電腦內部有限精準度所帶來的捨去（Truncation）及進位（Round-off）誤差。
2. 進一步嘗試各種結構辨識的方法，包含GMDH (Group Method of Data Handling) [] 的方法，以及使用於建構式學習（Constructive learning）及破壞式學習（Destructive learning）的Incremental formulas。（此類formulas 可視為recursive least-squares estimator in the number of parameters，因此相當迅速。若再加上前述 square-root version of LSE，則計算可說是又快又準。）
3. 繼續維護Working Group on Data Modeling的首頁（此為在IEEE Neural Networks Council Standards Committee之下的Subcommittee，由 Texas A & M University 資訊系的Prof. John Yen委託我本人於1996年底開始建置），並加強其內容與服務。

軟式計算（Soft computing）是近年來Professor Lotfi Zadeh（模糊邏輯之父，U.C. Berkeley的榮譽退休教授）提倡的新方向，其精神乃是結合類神經網路（Artificial neural networks）及模糊邏輯（Fuzzy logic）的優點，並輔以不須導式的最佳化（Derivative-free optimization）方法，來針對取樣資料（Sample data）及既有的專家知識（Expert knowledge）進行模型的分析及微調（Fine tuning），以建立一個具有學習能力的智慧型系統，並可對於時變（Time-varying）的環境進行自我即時調適（On-line adaptation），以獲取最佳的效能。

在模型的選取上，軟式計算是偏向於使用類神經網路或模糊推演系統這兩類模型。由於類神經網路是具有學習或調適能力（Learning or adaptation capability）的黑箱模型（Black-box model），而模糊推演系統（Fuzzy inference systems）則是能表示專家知識的模糊規則庫系統（Fuzzy rule-based systems），因此軟式計算特別強調這兩者的結合，形成兼具兩者之長的神經模糊推演系統（Neuro-fuzzy inference systems），其應用範圍相當廣泛，舉凡對於資料或專家知識的模型化（Modeling），均可用得上。然而在實際的應用上，仍有許多問題亟待克服，例如輸入變數的選取（Input selection）和變形（Transformation）、輸入空間的分割（Input space partitioning）、模糊規則數目的選定、破壞式及建構式的學習（Destructive and constructive learning）等等，這些問題都是在進行結構辨識（Structure identification）時所需解決的問題，也都是本計畫的研究重點。（這些問題在前一年度的計畫已有初步成果，但仍有許多 potential approaches 尚未探討，用於計算 leave-one-out error 的平方根版的遞迴式最小平方法也尚未推導完全。）

神經模糊系統的基本學習方法為逆傳導法（Back-propagation），即為簡單的梯度下降法（Gradient descent）或是最速下降法（Steepest descent），更複雜先進的方法則是在統計或非線性迴歸（Nonlinear regression）中常用到的Gauss-Newton Method或是Levenberg-Marquardt Method。但是這些方法都須要用到梯度向量（Gradient vectors）而梯度向量在複雜系統中並不容易計算，因此對於較複雜的大型系統，軟式計算偏向於使用不須導式的最佳化方法（Derivative-free optimization）[Jang97book]，例如遺傳演算法（Genetic algorithms）、模擬退火法（Simulated annealing）、下坡式Simplex搜尋（Downhill simplex search）、雜亂搜尋（Random search）、它布搜尋（Tabu search）等。在我們的研究中，是固定非線性參數，而盡量採用最小平方法來辨識線性參數，其好處為計算迅速，且 mathematically tractable。若計算資源豐富，則亦可考慮以上述非線性的方法或不需導數的方法來進行非線性參數的微調。

為提高台灣在此方面研究的知名度，並促進技術及資料的交流，本計畫將繼續維護Working Group on Data Modeling的首頁，此為在IEEE Neural Networks Council Standards Committee之下的Subcommittee，由Prof. John Yen委託本人於1996年底開始建置，URL地址為：http://www.cs.nthu.edu.tw/~jang/benchmark。本計畫研究開發的成果，也希望能夠以 CGI (Common Gate Interface) 的方式，置於此網頁上，以供有興趣之研究同好上傳 Training data 及 Test data，由伺服器執行誤差預估及結構辨識後，在立刻將結果傳回 Client 端，以供研究同好進行比較與測試。

太一新聞目前所提供的網路新聞服務是擷取多個網站的新聞資料，並將其分門 別類，除了方便讀者根據類別來閱讀，同時也可以比較多家新聞網站對同一事件的報導。針對新聞分類這一項工作，如果能夠增加電腦分類的精確度使其達到我們預期的分類結果，且過程中不需要人員介入協助，將可大量地節省此項工作所花的時間。

而網際網路的發展一日千里，網站上的文章資訊也多如繁星。當使用者面對網路上與日俱增的文章時，常有不知從何找起之憾。雖然目前已經有許多搜尋引擎來讓使用者容易在網際網路上搜尋適用的文件，但搜尋引擎所提供的簡介或是過短，甚者有誤導之疑。因此需要為網路上文件製作正確的摘要，有效地為使用者提供所需的資訊。

本計畫預計研究開發一系列的網路資源探勘、文字分析、網頁程式設計，以及多種分類及摘要技巧，以便於提供文件摘要和新聞分類的完善解決方案。

無線電網台分析器（Radio Network Analyzer）的任務是從截收到的無線電訊號中，逐一辨識出相對映之無線電通信機之發話、無線電通信機，以及無線電網。在此提及的各項名詞存在一個階層式的關係：

1. 無線電網是由數個無線電通信機所組成
2. 無線電通信機可進行不限定次數之發話
3. 每一個發話是由一連串的hop所組成

截收器記錄下來的無線電訊號即是一連串的hop，而無線網台分析器的功能即是將hop歸類至可能之發話，並進而分析計算出此發話可能源自某一無線電通信機，以及此無線電通信機可能隸屬的無線電網。因此無線電網台分析可分為三步驟：

1. 發話分析：將hop 歸類到某一發話
2. 無線電通信機分析：將發話歸類到某一無線電通信機
3. 無線電網分析：將無線電通信機歸到某一無線電網

在這三個步驟中，有一個共同的分析方法，就是必須將資料加以聚集及分類，因此本計畫的首要目標即是嘗試以各種群聚分析(Clustering Analysis) 及圖形辨識(Pattern Recognition)的方法，來進行無線電網台分析。

在前一年的計畫（無線電通信之網台分析）中，我們已經完成了一個基本軟體（無線電網台分析工具箱, Radio Network Analysis Toolbox)，可對無線電通信網進行基本的網台辨識與定位。此工具箱可在兩網三台的情況下，針對兩個截收器的資料，進行下列各種網台分析，最後得到各個通訊機的位置資訊。在本年度的計畫中，希望能改進此工具箱，使其功能更為強大，主要目標有下列各點：

1. 可適用於多網多台（第一年預期目標為五網五台，第二年預期目標為八網八台）
2. 可自動化地辨識通訊機變換位置
3. 可自動化地辨識具有不同跳頻速率之跳頻通信機
4. 可自動化地及時辨識敵我無線電信號

若能及時完成上述主要目標，則可進行下列次要目標：

1. 可適用於不同之偵測環境（雜訊、定頻訊號、廣播電台等）
2. 可自動化地辨識無線電網變換頻率（或跳頻頻率組）
3. 可自動化地調整分析規則及分析參數
4. 可適用於多個訊號截收器

本計畫預計完成一套MATLAB的程式庫，將包含進行無線電網台分析所須的各種圖形辨識、群聚分析、及軟式計算的各種方法。