win10解析度無法調整的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

多重足球機器人系統之發展

為了解決win10解析度無法調整的問題，作者梁兆鈞 這樣論述：

多重足球機器人系統之發展 摘要 對單一機器人是相當困難或甚至不可能達成的工作，多重機器人可藉由分工合作的方式而以較高的效率、較大的彈性、較強的穩定性及較低的成本來完成。多重機器人之間的協同運作可增加系統的彈性與強靭性，但執行工作的複雜度也會同時提高。經過長時間的改良，多重機器人系統可在已知且靜態的環境中完成極為複雜的協同工作，但是對於一未知與變動的環境，則無法有效地完成工作。本論文針對上述問題，發展一智慧型多重足球機器人系統NTU-Formosa，以進行多重機器人足球競賽之相關研究，目的在於使多重機器人系統能在未知與變動的環境中有效

率地進行工作。本論文研究的重點在於足球動力學的推導與分析、足球機器人運動控制系統之建構、足球競賽策略之設計以及決策系統之發展。 為能深入了解球與機器人在足球競賽中的行為，以利電腦模擬、策略設計、以及足球機器人機構與控制器設計，本論文有系統地推導並分析球與機器人在自由運動與碰撞時的運動學與動力學。且本論文提出「攻擊角」的概念描述足球競賽的動力學，以有效地掌握足球競賽的狀況。大多數的足球策略可利用本論文所提的攻擊角為基礎，來理解、設計以及轉成電腦程式。 針對足球機器人的運動控制，本論文在小腦模式關節控制器（CMAC，Cerebellar Model Arti

culation Controller）的架構上發展自組模糊CMAC，用以在未知與動態的環境中，控制足球機器人循著所規劃的軌跡進行足球競賽。在眾多神經網路的模型中，最具即時運算與學習能力的可說是CMAC，它是模仿人類小腦結構與功能所發展出來的控制器，CMAC快速學習與收斂的特性使其具備即時控制的能力，並早已在多軸機器人的即時控制上應用成功。CMAC因其結構的關係，在輸入空間中會有解析度上的限制，而其減少所需記憶體的方法，也會導至學習上的障礙而影響其性能。本論文所發展的模糊CMAC，在輸入端以模糊化的方法解決解析度受限的問題，並同時對輸入空間進行有效地壓縮，如此可降低所需的記憶體並減少學習障礙。

傳統的CMAC的學習法則是監督式的，但在足球機器人的控制及許多其它應用中，並無法事先得知CMAC所需的輸出值，因此有必要將CMAC的學習法則推展成為非監督式的。針對這項需求，本論文提出一自組模糊CMAC：以模型為基礎的自組模糊CMAC（MFCMAC，Model-base Fuzzy CMAC）。MFCMAC是根據線上估測所得的系統模型來計算其輸出所須的修正量，並進而調整MFCMAC中的權值使其不斷地趨進所要的解答。本論文將所發展MFCMAC應用於足球機器人的軌跡追蹤上，在各種軌路追蹤的實驗中，MFCMAC所得的結果皆遠勝於傳統的PID控制器。 為使NTU-Formosa能處

理足球競賽中的各種狀況，本論文發展一套以足球競賽動力學為基礎的智慧型足球競賽策略，以及一以策略為基礎的智慧型彈性決策系統。決策系統根據足球場上的狀況來決定所要採行的策略，並根據該策略以集中式協同控制來協調多重足球機器人進行足球競賽。經由電腦模擬與各項實驗的驗證，NTU-Formosa的多重足球機器人能在足球競賽中進行令人滿意的協同與競爭式工作。本論文所發展的足球競賽策略是以攻擊角為基礎來設計的，以便充份掌握足球競賽中的情勢與時機；而決策系統則是以決策樹的理論與技巧來實現的，以便能快速且彈性地決策出有效的足球策略。傳統決策樹的優點，在於具備簡單透明的架構以及快速的推論能力。由於傳統的決策樹在其產

生階段，必須在每個非末端節點儲存相當數量的訓練資料，因此需要不少記憶空間與計算時間。本論文先針對傳統決策樹的缺點提出一模糊決策樹，它是在決策樹的架構下，以模糊統計將訓練資料有效地壓縮成模糊集合組，以節省記憶空間並增加學習速度，再利用聚類分析與次佳化分割準則將所得的模糊集合組展開成一模糊決策樹。本論文所發展的模糊決策樹不但保有傳統決策樹的優點，更具備快速學習的能力。傳統決策樹的另一特性是「批次學習：一次學習所有的訓練資料以產生決策樹」，而這也是傳統決策樹的另一項缺點。本論文針對此項缺點，在所發展模糊決策樹的基礎上，再行發展出自組模糊決策樹，它是根據線上辨識或分類的結果，即時地調整模糊決策樹的參數

與架構以因應訓練資料的變更。為進行性能的分析，本論文將所發展的決策樹轉換為功能對等的法則庫系統以及類神經網路，並進行性能上的分析與比較，結果證實本論文所發展的決策樹確有其優越之處。