• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 46
  • 30
  • 20
  • 10
  • 8
  • Tagged with
  • 84
  • 84
  • 18
  • 18
  • 17
  • 16
  • 15
  • 15
  • 15
  • 14
  • 13
  • 13
  • 13
  • 12
  • 11
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
21

固体高分解能NMR Magic Angle Spinning 法の高度化

松永, 達弥 23 May 2017 (has links)
京都大学 / 0048 / 新制・課程博士 / 博士(理学) / 甲第20550号 / 理博第4308号 / 新制||理||1618(附属図書館) / 京都大学大学院理学研究科化学専攻 / (主査)教授 竹腰 清乃理, 教授 吉村 一良, 教授 松本 吉泰 / 学位規則第4条第1項該当 / Doctor of Science / Kyoto University / DGAM
22

π電子物質の光学応答に関する研究

田中, 駿介 24 November 2017 (has links)
京都大学 / 0048 / 新制・課程博士 / 博士(理学) / 甲第20751号 / 理博第4327号 / 新制||理||1621(附属図書館) / 京都大学大学院理学研究科化学専攻 / (主査)准教授 渡邊 一也, 教授 林 重彦, 教授 寺嶋 正秀 / 学位規則第4条第1項該当 / Doctor of Science / Kyoto University / DGAM
23

MPP6によるヒト核内エキソソーム複合体の活性および基質特異性の制御機構

藤原, 奈央子 23 March 2023 (has links)
京都大学 / 新制・論文博士 / 博士(生命科学) / 乙第13551号 / 論生博第28号 / 新制||生||67(附属図書館) / 京都大学生命科学研究科統合生命科学専攻 / (主査)教授 片山 高嶺, 教授 鈴木 淳, 教授 永尾 雅哉 / 学位規則第4条第2項該当 / Doctor of Philosophy in Life Sciences / Kyoto University / DFAM
24

ポリブチレンサクシネート・アジペート(PBSA)のコアバック式発泡射出成形プロセスによる発泡体作製とその気泡構造の制御

キム, ドンホ 23 March 2022 (has links)
京都大学 / 新制・課程博士 / 博士(工学) / 甲第23931号 / 工博第5018号 / 新制||工||1783(附属図書館) / 京都大学大学院工学研究科化学工学専攻 / (主査)教授 大嶋 正裕, 教授 宮原 稔, 教授 佐野 紀彰 / 学位規則第4条第1項該当 / Doctor of Philosophy (Engineering) / Kyoto University / DGAM
25

メダカにおける飢餓誘導性脂肪肝発症ならびにレトロトランスロコン構成因子欠失による発症促進の分子機構解析

池田, 知世 25 March 2024 (has links)
京都大学 / 新制・課程博士 / 博士(理学) / 甲第25146号 / 理博第5053号 / 新制||理||1720(附属図書館) / 京都大学大学院理学研究科生物科学専攻 / (主査)教授 森 和俊, 教授 川口 真也, 教授 杤尾 豪人 / 学位規則第4条第1項該当 / Doctor of Agricultural Science / Kyoto University / DGAM
26

カイコのインスリン様ペプチド(ボンビキシン)の生理的機能に関する研究

溝口, 明 03 1900 (has links)
科学研究費補助金 研究種目:一般研究(C) 課題番号:04640655 研究代表者:溝口 明 研究期間:1992-1994年度
27

Co-movement in Market Liquidity Measures / 市場流動性指標之共動性

劉鴻耀, Liu, Hung-Yao Unknown Date (has links)
Abstract Undoubtedly, liquidity is one of the most popular topics of research among the academia for decades. However intuitively-clear it is, scholars and experts have always found it not only hard but vague to define and measure. Moreover, researches or methods concerning commonality in liquidity are proposed one after another. Most of these works attempt to document what lies beneath the commonality by offering industry-wide or market-wide explanations. Nevertheless, this paper adopts an exact multivariate model-based structural decomposition methodology developed by Casals, Jerez and Sotoca (2002) to analyze the co-movement in market liquidity measures in a totally different manner. Except for decomposing three well-known market liquidity measures, share volume, dollar volume and turnover rate, of the Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX) into trend, cycle, seasonal and irregular components, we conduct advanced bivariate analysis to extract common components, visualize them, and make a comparison among them at last. Evidence suggests that not only do these three liquidity proxies highly co-move with one another, but dollar volume seems to co-move slightly closer with share volume than with turnover rate. In the end, where this phenomenon, co-movement in market liquidity measures, accrues from is another long story and needs some further work not covered in this study.
28

詞彙向量的理論與評估基於矩陣分解與神經網絡 / Theory and evaluation of word embedding based on matrix factorization and neural network

張文嘉, Jhang, Wun Jia Unknown Date (has links)
隨著機器學習在越來越多任務中有突破性的發展,特別是在自然語言處理問題上,得到越來越多的關注,近年來,詞向量是自然語言處理研究中最令人興奮的部分之一。在這篇論文中,我們討論了兩種主要的詞向量學習方法。一種是傳統的矩陣分解,如奇異值分解,另一種是基於神經網絡模型(具有負採樣的Skip-gram模型(Mikolov等人提出,2013),它是一種迭代演算法。我們提出一種方法來挑選初始值,透過使用奇異值分解得到的詞向量當作是Skip-gram模型的初始直,結果發現替換較佳的初始值,在某些自然語言處理的任務中得到明顯的提升。 / Recently, word embedding is one of the most exciting part of research in natural language processing. In this thesis, we discuss the two major learning approaches for word embedding. One is traditional matrix factorization like singular value decomposition, the other is based on neural network model (e.g. the Skip-gram model with negative sampling (Mikolov et al., 2013b)) which is an iterative algorithm. It is known that an iterative process is sensitive to initial starting values. We present an approach for implementing the Skip-gram model with negative sampling from a given initial value that is using singular value decomposition. Furthermore, we show that refined initial starting points improve the analogy task and succeed in capturing fine-gained semantic and syntactic regularities using vector arithmetic.
29

重設型選擇權評價效率之加速方法-分解結合法

張龍福 Unknown Date (has links)
選擇權的評價方式,一般可分封閉解(Closed-Form Solution)與數值方法(Numerical Method)兩大類。封閉解如Black-Sholes公式,其計算速度快,但缺乏彈性,例如無法評價美式選擇權及大部分的新奇選擇權;相反的,數值方法則是相當具有彈性,但卻會比較耗時。本文結合數值方法中的樹網模型,再輔以封閉解維持應有的彈性,加快計算速度,吾人將此方法稱之為分解結合法。 Ritchken(1995)的三元樹模型在評價重設型選擇權時,能解決由重設界限所導致非線性誤差之問題,故本文以Ritchken的三元樹模型結合歐式或美式公式解成為分解結合法,對多種的歐式以及美式重設型選擇權進行評價。本文首先,針對單期單價式與整段期間單價式的重設型選擇權,來推導適用於分解結合法之方法。再以這兩種基本的重設型選擇權為基礎,將相同概念推廣至其他更複雜的歐式重設型選擇權以及美式的重設型選擇權,並且將分解結合法和單純Ritchken三元樹網模型在評價重設型選擇權的效率,做一詳細的比較。 本文的結果顯示,無論是評價何種歐式或是美式的重設型選擇權,利用分解結合法不但能夠提高計算的速度,同時在某些條件下的選擇權,還能增加評價的正確性。
30

圖之和弦圖數與樹寬 / The Chordality and Treewidth of a Graph

游朝凱 Unknown Date (has links)
對於任何一個圖G = (V;E) ,如果我們可以找到最少的k 個弦圖(V;Ei),使得E = E1 \ \ Ek ,則我們定義此圖G = (V;E) 的chordality為k ;而一個圖G = (V;E) 的樹寬則被定義為此圖所有的樹分解的寬的最小值。在這篇論文中,最主要的結論是所有圖的chordality 會小於或等於它的樹寬;更特別的是,有一些平面圖的chordality 為3,而所有系列平行圖的chordality 頂多為2。 / The chordality of a graph G = (V;E) is dened as the minimum k such that we can write E = E1 \ \ Ek, where each (V;Ei) is a chordal graph. The treewidth of a graph G = (V;E) is dened to be the minimum width over all tree decompositions of G. In this thesis, the principal result is that the chordality of a graph is at most its treewidth. In particular, there are planar graphs with chordality 3, and series-parallel graphs have chordality at most 2.

Page generated in 0.1118 seconds