工業和商業黃頁資訊網論文書籍站
國立高雄科技大學 企業管理系 黃義俊所指導 蔡明樹的 知覺價值、企業信譽、從眾行為與使用意圖關聯性之研究-以智慧瓦斯雲的消費者為例 （2019），提出台灣地震預測2023關鍵因素是什麼，來自於知覺價值、企業信譽、從眾行為、使用意圖。
而第二篇論文國立雲林科技大學 電機工程系 紀光輝所指導 施博翔的 基於卷積神經網路的高樓外牆磁磚檢測 （2017），提出因為有 卷積神經網路、缺陷檢測、影像處理的重點而找出了 台灣地震預測2023的解答。
知覺價值、企業信譽、從眾行為與使用意圖關聯性之研究-以智慧瓦斯雲的消費者為例
為了解決台灣地震預測2023 的問題，作者蔡明樹 這樣論述：
過去影響使用意圖的文章很多，但是將企業信譽做為自變數以及從眾行為做為調節變數來探討的研究是較少的。因此，本研究將探討影響使用意圖之因素，並以知覺價值、企業信譽、從眾行為為前因變數。另外，本研究加入從眾行為為調節變數，來探討其對上述關係之影響。本研究共計回收有效問卷為280份，分析發現：1. 知覺價值與使用意圖具有顯著正向影響。2. 企業信譽與使用意圖具有顯著正向影響。3. 從眾行為與使用意圖具有顯著正向影響。4. 從眾行為對知覺價值與使用意圖有負向調節效果。5. 從眾行為對企業信譽與使用意圖不具調節效果。根據研究結果，本研究提出相關建議。關鍵詞：知覺價值、企業信譽、從眾行為、使用意圖
基於卷積神經網路的高樓外牆磁磚檢測
為了解決台灣地震預測2023 的問題，作者施博翔 這樣論述：
建築物的外牆因日久而逐漸老化，牆縫吸收水分濕氣，經歷日夜溫差變化、熱脹冷縮，加上台灣地震頻仍，導致外牆磁磚易被破壞、龜裂，甚與牆面分離，磁磚剝落而造成意外。然，高樓外牆的巡檢有若干技術上的困難，成本是另一負擔，經常實施不易。鑒於此，本論文以「機器學習」(machine learning)作為解決問題的主要手段，且以「深度學習」(deep learning)為核心，將辨識功能實施在嵌入式開發板上，讓使用者易於攜帶，令住戶管理委員會或維修人員能夠以簡便的方式識別大樓的磁磚破裂程度，助益高牆巡檢的工作能有效地執行，有助於及早發現壁磚損壞嚴重區域並得以即時施工補強，避免壁磚剝落對戶外民眾造成危害。本
論文透過空拍機到校內外多處把實地蒐集到的影像資料依牆面劣化的程度分成數個類別並可透過前置處理(preprocessing)程序，製作裨益機器學習特徵的圖像樣本，提升受制於樣本量有限的學習品質。為此，我們在嵌入式開發板Jetson TX2與電腦主機同時建立Tensorflow的環境並且使用Keras作為架設模塊的基礎，利用Keras設立卷積神經網路的模型且以Tensorflow作為後端進行訓練。整個網路的模型以AlexNet為基礎，並在訓練階段使用不同型態的樣本，分別為原始圖像、經過前置處理的圖像、分成兩類與三類劣化程度的資料、同種類的壁磚與不同種類的磁磚等，進行實驗、檢視效能差異。透過輸入不同
類型的測試資料來進行測試，最後測試完成後再將最適模型儲存於嵌入式開發板以利直接利用。使用者利用空拍機可將蒐集到的圖像資料輸入到我們研發的系統，即能自動快速地辨識磁磚劣化情形，並能顯示損害的狀況屬於哪種程度。透過簡易的操作讓一般的民眾也能快速上手，大幅減少工人攀爬高樓的危險。實驗結果顯示，所研製的系統之辨識率在兩類與三類皆能達到高度的正確率，分別達到97%與86%的辨識率，具備實用價值。