urda評價的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

藥用植物叢立孔雀椰子,印度崖豆,和哈哼花的生物活性成分

為了解決urda評價的問題，作者Vo Thanh Hoa 這樣論述：

三種藥用植物的生物活性和植物化學成分，包括兩種越南 Caryota mitis Lour。和Millettia pulchra Kurz，以及台灣Staurogyne concinnula (Hance) Kuntze 的一名博士生進行了研究。論文。為了從自然資源中開發抗炎和抗免疫抑製劑，我們發現 M. pulchra radix 提取物對 LPS 刺激的 RAW264.7 細胞中的 NO 產生具有潛在抑製作用。通過柱層析和製備型 HPLC 進一步純化，五種未描述的黃酮類衍生物 (1-5)、三種未描述的齊墩果型皂苷 (33-35)、四種未描述的環肽 (36-39) 以及 28 種已知的成功隔

離。化合物 1-13 的生物學評價表明，化合物 1、4、pongamol (7) 和 2'',2''-二甲基吡喃-[5'',6'':7,8]-黃酮 (8) 顯示顯著抑制炎性細胞因子 IL-6 的產生和 8 還表明 RAW264.7 鼠巨噬細胞中 TNF-α 的產生受到抑制。此外，EtOAc層的主要成分化合物4和8在BV2小膠質細胞中具有顯著的抗NO產生活性。而化合物 33 具有預防百草枯誘導的細胞毒性的前景。在抗血管生成活性測定後，進行了從 Staurogyne concinnula 的乙醇提取物中分離的潛在正丁醇層。通過 Diaion HP20 柱和反相製備型 HPLC 色譜進一步純化，從正

丁醇中分離並表徵了四種未描述的三萜皂苷衍生物 (41-43, 45)、已知的 baptisiasaponin I (44) 以及五種已知的苯丙醇苷層。生物學評估顯示 baptisiasaponin I 具有顯著的抗血管生成作用 (IC50 4.0 ± 0.2 µM)。還介紹了 baptisiasaponin I 通過抑制整聯蛋白/FAK/樁蛋白信號通路及其下游效應物如 MMP2 和 MMP9 的進一步作用機制。基於來自 Caryota mitis 的正丁醇層的神經保護作用，進一步分離了八種已知化合物，包括兩種肽、兩種黃酮類化合物和四種咖啡酸衍生物。然而，只有化合物 57（一種肽）具有防止百草枯

引起的神經毒性的溫和能力。此外，由於最具潛在的生物效應，M. pulchra 和 S. concinnula 被研究以量化主要成分並優化提取過程。因此，根據國際協調會議 (ICH) 指南，開發並驗證了一種簡單而準確的高效液相色譜 - 光電二極管陣列 (HPLC-PDA) 方法，具有顯著的統計影響。此外，響應面方法 (RSM)、人工神經網絡 (ANN) 模型用於預測性能和提取過程優化。 RSM 和 ANN 建模都證明了出色的預測質量。然而，人工神經網絡模型提供了較高的決定係數值和較低的均方根誤差值，表明人工神經網絡模型可以有效地預測反應。因此，本研究提出了一種有效的定量方法和最佳提取條件，這將有

助於這些物種藥物開發中的質量控制。

基於K-mer圖像特徵生成影像資料擴增

為了解決urda評價的問題，作者張皓崴 這樣論述：

隨著機器學習及人工智慧的快速發展，機器視覺中關於數位影像處理的技術被廣泛運用於各項領域，在工業4.0的進展中，自動化光學檢測更是不可或缺的系統之一，透過電腦設備對各類影像進行分析與辨識，達到自動化無人生產流程。然而，要訓練出良好的影像辨識模型，需要提供大量的資料數據；惟於產線研發初期，不一定有足夠的影像資料，即使有，也需要花費人力與時間對影像進行標註和整理。因此，若以現有的資料集進行擴增，獲得足夠數量的資料提供給模型訓練，便能增加建立影像辨識模型的效率和其效能。對圖像進行辨識分類過程中，通常需要提取影像特徵再經由分類器進行分類，而K-mer圖像特徵即是一種能良好表現圖像形貌的特徵。本研究以此

特徵為基礎，研發一套相對應的資料擴增方法，在特徵維度中進行擴增，再經由生成網路模型將擴增資料擴展至影像維度，除了增加其多變性，同時也能創造出更多特徵提供給辨識模型進行學習訓練。本研究亦將此K-mer圖像特徵生成影像擴增方法應用於EMNIST手寫資料集，並針對不同的資料集狀況進行擴增，將資料集各類別資料量平均擴增其數量，應用在較少數量之訓練資料集，能提升約2%的準確率；隨著訓練資料及數量增加，雖然數值相對較不明顯，依然能提升準確率。在各類別資料量不平均的情況下，因為部分類別資料量缺失，造成訓練模型分類準確率下降，透過本研究之方法將較少數量的類別資料補齊，提升其模型下降的準確率，甚至在擴增某些類別

的情況下，訓練出的模型能優於未缺失數據資料所訓練之模型。另外，與條件對抗生成網路的擴增方法進行比較，本研究應用於多類別的資料集上，能生成出有效的影像資料。對較少類別的資料集進行擴增後，於各種數量的資料集皆能對所訓練出的分類模型大幅提升其準確率。