問題的答案無所不包論文書籍站
中原大學 電機工程學系 李俊耀所指導 謝昀展的 特徵選取基於組合對稱不確定性SU值及基因演算法之感應電動機故障分類 （2021），提出hybridisation中文關鍵因素是什麼，來自於電動機故障、希爾伯特黃-轉換、基因演算法、對稱不確定性SU值、支撐向量機。
而第二篇論文國立臺灣大學 生物機電工程學系 郭彥甫所指導 許皓鈞的 苦苣苔科大岩桐亞族的三維花冠形狀與二維蜜標樣式分析 （2021），提出因為有 花冠筒形狀、花瓣蜜標樣式、花瓣輪廓、花瓣維管束系統、三維幾何形態學分析、二維幾何變換、傳粉者類型的重點而找出了 hybridisation中文的解答。
特徵選取基於組合對稱不確定性SU值及基因演算法之感應電動機故障分類
為了解決hybridisation中文 的問題，作者謝昀展 這樣論述：
本研究提出一種基於組合對稱不確定性SU值(symmetrical uncertainty, SU)及基因演算法(genetic algorithm, GA)的特徵選取方法(combined symmetrical uncertainty with genetic algorithm for feature selection, SU-GA)。本方法藉由對稱不確定性SU值對特徵進行排序，並去除冗餘特徵來提高基因演算法選取最佳特徵子集的能力。本研究首先使用希爾伯特-黃轉換(Hilbert-Huang transform, HHT)對感應電動機之正常(normal)、軸承破壞(bearing da
mage)、轉子鑽孔(broken rotor bar)及定子線圈繞組短路(short circuit in stator windings)之電流訊號進行訊號分析(signal analysis)，接著擷取其特徵，使用對稱不確定性SU值、基因演算法及SU-GA特徵選取方法進行特徵選取(feature selection)；最後，以支撐向量機(support vector machine, SVM)作為分類器對被選取出之特徵進行分類。透過研究顯示，SU-GA特徵選取方法可使用較少之特徵數，得出較佳的辨識率。此外，本研究分別加入訊雜比(signal-to-noise ratio, SNR)：40
dB、30dB及20dB之高斯白雜訊進行分析。結果顯示在無雜訊、SNR=40dB、SNR=30dB及SNR=20dB環境下，本研究所提出之方法仍具有較佳之辨識率。
苦苣苔科大岩桐亞族的三維花冠形狀與二維蜜標樣式分析
為了解決hybridisation中文 的問題，作者許皓鈞 這樣論述：
花冠形狀和蜜標樣式的多樣性，在導引傳粉者的訪花行為和吸引傳粉者視覺偏好中扮演重要角色。傳統上，花冠形狀與蜜標樣式的量化仰賴生物學家的觀察經驗與主觀判斷；近十年，已有許多影像分析工具得以協助生物學家精準地量化花冠形狀與蜜標樣式的變異。然而，大多數影像分析工具未考慮花冠組織特徵的同源性，使得在花冠大小與形狀差異明顯的物種之間難以進行比較分析，進而造成分析結果高估或低估花冠形狀與蜜標樣式的變異。在開花植物中，花冠維管束的形態發生具有同源性，且在近緣物種之間擁有近似的脈型。因此，花冠維管束的脈型能提供花冠組織上同源區域的空間資訊，使得不同花冠大小與形狀的近緣物種間的比較更為客觀。本論文結合影像處理技
術與植物組織學技術，提出以花冠維管束為基礎的量化花冠形狀與蜜標樣式方法，應用於苦苣苔科大岩桐亞族的物種。花冠形狀方面，首先以微米級電腦斷層掃取得花冠之三維影像，接著定義花冠輪廓與維管束系統的特徵點，並擷取其三維座標。透過三維幾何形態學析量化特徵點在空間中的主成分變異，進而以視覺化之主成分變異定義與花冠形狀相關的性狀。花瓣蜜標樣式方面，以彩色平板式掃描器分別取得腹側花瓣之新鮮影像及經透明化處理之組織學影像，接著定義花瓣輪廓與維管束系統的軌跡，並擷取其二維座標。透過二維幾何變換將新鮮花瓣影像之蜜標樣式轉換至同源感興趣區域，進而以主成分分析與視覺化之變異定義與蜜標樣式相關的性狀。進一步以量化之變異檢
驗花冠形狀與蜜標樣式的種間差異、傳粉者類型關聯性、以及親緣訊息。結果表明，形狀性狀與蜜標樣式性狀在物種間存在顯著差異。在量化的性狀中，花冠管狀區域的曲率與擴張度、蜜標樣式的遠端著色與近端著色與傳粉者類型的相關性顯著。其中，花冠管狀區域的曲率與擴張度在親緣關係中亦呈現顯著的親緣訊息，而蜜標樣式的遠端著色與近端著色在親緣關係中則未偵測到顯著的親緣訊息。此結果暗示花冠管狀區域形狀的變異與傳粉者類型的關聯性反應在大岩桐亞族物種的演化。