Yellowgreen的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

Yellowgreen進入發燒排行的影片

具新穎性之穩定電致變色與多顏色聚醯胺

為了解決Yellowgreen的問題，作者林鈺筌 這樣論述：

本研究成功合成新的主鏈型多三苯胺電致變色材料，由新的二胺單體分別與不同二酸進行聚縮合反應合成4系列聚醯胺。這些新合成的聚醯胺可溶於大部分有機溶劑，例如N-methyl-2-prrolidinone(NMP)與N,N-dimethyl-acetamide(DMAC)等。此外這些聚醯胺具有好的熱穩定性，軟化溫度介於203~217℃之間，在空氣與氮氣下的10% 熱重量損失皆高於400℃，且在800℃的殘餘率超過53%以上。這些聚醯胺呈現非常好的電致變色特性，以4b為例，在第一階氧化態，有高的對比(△T% = 50.4%)與高的著色效率(168 cm2/C) ，在經過30000次的開關測試後，其著色

效率只衰減4.5%。4b也呈現多色階的特性，在電壓從0.0 V到1.15 V 間，顏色從中性態的無色依序氧化到不同氧化態呈現綠黃色、黃綠色、森林綠、暗青色及深藍色。

基於超定線性方程式觀點之光譜重建研究

為了解決Yellowgreen的問題，作者蔡佩璇 這樣論述：

在近年來，為了使光譜儀成為可以方便攜帶並能廣泛運用的檢測儀器，許多人都朝著微型光譜儀的方向來做研究。在本篇論文中，我們探討在光感測器陣列上實現微型光譜儀之性能，並透過將此系統表示成一組線性方程式來重建光譜；由於所得之線性方程式的條件數(condition number)非常大，導致系統方程式為病態(ill-condition)，為了能夠有效且精確地重建光譜，在此提出樣板選取以及樣板優化設計的概念，大幅降低系統之條件數，使得系統經過降維後能正確的解回目標光譜。另外，在本文中我們提出以非負最小平方演算法(Non-negative least square, NNLS)搭配廣義交叉驗證法(gene

ralized cross validation, GCV)實現參數自適應性來解光譜重建的問題。此外，我們亦利用常見於求解最小平方之演算法如：虛擬反矩陣(pseudo inverse)、NNLS、Tikhonov正規化非負最小平方(TNNLS)、NNLS搭配停止規範(NNLSSC)以及多輸入多輸出(MIMO)系統中常見的偵測信號法如：最小均方差估計(MMSE)和MMSE搭配V-Blast演算法，來求解光譜重建之超定線性方程式，並驗證低成本光感測器重建光譜的能力，使其能達到與一般傳統光譜儀之性能。實驗數據顯示，使用TNNLS演算法搭配優化設計之樣板可達到相關誤差(correlation erro

r)小於0.005之光譜重建效能。