金融機構為了滿足新版巴塞爾協定必須每年對不動產抵押擔保品進行重新鑑價的規定，採用房價指數來進行資產重新估計。然而，觀察現今發佈的國泰與信義房價指數，發現兩指數走勢及變動幅度上，皆存在相當大的分歧。 因此，本研究採用西元2005年至2007年間台北市十二行政區房屋之實際成交價格為研究範圍，建立特徵價格模型，並結合市場比較法中期日修正概念，利用房價指數進行調整，再依Hit Rate 及MAPE準則評估整體表現。為了避免樣本誤差對於實證結果的干擾，透過隨機抽樣三十次進行重複實驗，測試模型穩定性及估計精確度，最後，採用兩成對樣本T檢定，檢定房價指數是否有助於不動產標的重新估計，並分析兩房價指數何者較能確切的反應當前市價。 實證結果發現:(1)使用房價指數調整之估值正負誤差在10%及20%以內的命中率以及MAPE皆有顯著改善，這說明現今發佈之房價指數具備反映市場實際價值的能力，仍有繼續編制及發佈的必要。(2)經由比較並分析兩房價指數結果可知，以國泰房價指數調整之估值在10%及20%以內的命中率，以及MAPE指標上，皆通過顯著性檢定。而使用信義房價指數調整之估值表現僅在10%及20%以內的命中率通過成對T檢定，故可知國泰房價指數較能充分地扮演著揭露不動產市場訊息的角色。

企業營運之成敗，長期資金能否順利取得是一關鍵因素，許多上市公司更跨出台灣市場至國外發行海外存託憑證(DR)或海外可轉換公司債(ECB)，以滿足企業長期資金需求。近年來可轉換公司債成為頗受上市公司與投資人青睞的籌資與投資工具，發行的種類與數量年年增加，發行可轉換公司債公司往往具有某些財務特徵，本研究以多項Logit模型為研究方法，採用代表財務結構、償債能力、、、等八大類共十八項主要財務比率為解釋變數，研究期間為2000年至2004年間，探討發行國內可轉換公司債、海外可轉換公司債與未以可轉換公司債進行籌資之公司的財務特徵，實證分析結果如下： 1､2000年至2004年上市電子公司，超過三分之二之電子公司採用可轉換公司債進行籌資，可見可轉換公司債受青睞之程度，因電子業是高成長及高風險的公司，此印證了Jensen & Meckling(1976)，Brennan & Schwartz(1988)之風險綜效，主張高成長及高風險的公司傾向採用可轉換公司債進行籌資。 2､上市電子公司發行國內或海外可轉換公司債之主要財務特徵為代表經營能力的總資產週轉次數與獲利能力之每股盈餘。 3､未以可轉換公司債進行籌資之上市電子公司之主要財務特徵為股東權益報酬率。 4､發行海外可轉換公司債之上市電子公司之主要財務特徵，如長期負債占資產比率，現金再投資比率與營業額等，驗證了Jeff Madura之低融資成本假說。 5､槓桿度與R&D費用率非影響上市電子公司發行可轉換公司債之財務特徵。

商用不動產在國外已經成為近年來不動產市場的新興研究主題，由於過去研究主要著重於商用不動產租金之波動，對於影響租金折價空間比率因素少有研究者探討。本研究以台北市內主要辦公大樓為研究樣本，運用特徵價格理論，探討影響租金折價空間比率之變數，並以迴歸分析方法探討影響租金折價空間比率之因數，實證分析發現，影響租金折價空間比率顯著變數如下： 一、辦公大樓個別屬性變數有：管理費、是否為A級大樓、是否產權單一等三項變數，呈正相關。屋齡、成交前一季空置率等二項變數，呈負相關。 二、總體經濟變數有：成交前一季消費者物價指數呈負相關。 期望藉由本研究實證結果，做為出租方在辦公大樓招租時擬定出租策略之參考、承租方在選擇租賃標的做為出價策略參考、投資人進行投資決策之參考、以及估價師案例比較時的租金調整率之參考指標。

本研究以台灣50與中型100成分股為對象，運用資料探勘特徵選取技術，分析影響股票完全填權息成功之關鍵因素，並依此關鍵因素建構一個完全填權息預測模型，最後比較研究結果與過去研究之異同。本研究完全填權息預測模型的建構過程分為五階段：(1)定義完全填權息之股票：運用TEJ資料庫抓到的歷史股價資料與股利資訊，計算除權息前與除權息後股價，標註完全填權息和未完全填權息二個類別。(2)影響填權息相關因素：根據過去文獻所發現，影響短期填權息行情超額報酬的因素，以及影響股價的基本面因素，蒐集與股利相關的指標與基本分析中所用的公開財務報表資料。(3)特徵選取分析：利用循序前進搜尋（SFS）結合分類演算法，整合與計算所有影響因素資料，藉此找出關鍵的影響因素。(4)預測模型建立：根據特徵選取之結果資料，使用Weka軟體進行資料探勘支持向量機和決策樹分類模型訓練。(5)模型準確性比較與分析：本研究所建構之模型可協助存股型投資者，判斷可領取高股息且無股價損失之股票，提供投資人選股參考。 / In this study, we use the Feature Selection Method for Data Mining to analyze the key factors that may affect the rate of the stock price successfully remaining previous price after dividend payment among stocks of 50 largest companies and 100 medium-sized companies in Taiwan. Based on these key factors, we construct a forecasting model for stocks with the 100% flat stock price. Finally, We try to find out the similarities and differences between the current study and past research. In this study, the construction of a forecasting model for stocks with the 100% flat stock price is divided into five stages: (1) Defining stocks with the 100% flat stock price: Marking stocks with the 100% flat stock price and the non-100% flat stock price on historical stock data and dividend information captured by the TEJ database; (2) Relevant Factors Affecting increase in the stock price after dividend payment: According to the factors found in the past literature that may affect excess returns from short-term increase in the stock price after dividend payment and the fundamental factors affecting the stock price, we are able to collect indexes related to dividends and public financial statements for basic analysis. (3) Feature Selection Analysis: By using the Sequential Forward Selection (SFS) method and the classification algorithm, all influencing factors are integrated and calculated to find out the key influencing factors; (4) The Establishment of the Prediction Model: According to the results of feature selection, we use the Weka software to conduct data mining and train the classification model based on support vector machines and decision trees. (5) Comparison and Analysis on Accuracy of the Model: The model constructed in this study can help stock-holding investors determine stocks with high dividends without loss of the stock price and provide reference for investors in stock selection.

英語學習者如何能在普及的網路環境中，挑選難易度符合自身英文閱讀能力的文章，便是一個值得探討的議題。為了提升文章難易度分類的準確度，近代研究選取許多難易度特徵去分類。本研究希望能夠藉由英文語文難易度特徵、文字特徵，各自歸類和綜合歸類後與原先官方文章類別比較，檢驗是否可以利用語文特徵與文字特徵結合後的歸類結果，來提高準度。 本研究以GEPT的模擬試題文章作為歸類的依據。研究架構主要分成三部分：語文難易度特徵歸類、文字特徵歸類與綜合前兩者歸類。先以語文難易度特徵組成特徵向量的維度，並算出各語文特徵值後，再使用kNN將文章歸類成初級、中級或中高級，並做為比較準確度的依據；再以GEPT文章斷詞，並選取特徵詞作為特徵向量維度、TF-IDF作特徵值進行文字特徵歸類；最後則是將前面兩種特徵結合作為歸類標準。分別的F-measure為0.61、0.47，最後一個、也是表現最好的結果是以兩者結合後歸類，F-measure有0.68。 如何從大量的英文文章當中找到適合自己程度循序漸進的學習，是本論文期望未來可以藉由最後語文難易度特徵加上文字特徵的結果來達到的目的。未來可以結合語文難易度特徵以及文字特徵來幫助英文文章做分類，並可以從中分類出不同類別且不同程度的英文文章，讓使用者自行選擇並閱讀，使學習成效進而提升。 / It is rather an important issue that how to grasp the difficulty of the articles in order to efficiently choose the English articles that match our proficiency in the popularity of Internet. Recently, researchers have selected many characteristics of difficulty degrees in order to enhance the accuracy of the classification. The study aims to simplify the former complicated procedures of article classification by using the classification results of linguistic difficulty characteristics, text characteristics respectively, and the combination of the both; in the hope to raise the accuracy of the classification through the comparison of the results. The article classification of the study is based on GEPT official practicing exams. There are three parts of this study: the characteristics of the linguistic difficulty and the text, and the combination of the both. First, the dimensions of the linguistic vectors will be the linguistic characteristics. The articles will be classified into primary, intermediate, or intermediate-high levels by kNN method, considered the comparison basis for the classification of the articles’ difficulty. Second, after GEPT articles are broken into words, the dimensions of the text vectors will be the selected words; the TF-IDF will be the values of the text vectors. The third part is to classify articles by using the combination of the former two results. After comparing the three, the best method is the third, the accuracy is 0.68. The study hopes the result could help people choose proper English articles to learn English step by step. In the future, we could classify the articles by the combination of the both of linguistic difficulty characteristics and text characteristics. Not only classified as the different levels, but also classified as the different categories. The learners could choose what they like and the articles could correspond their degree in order to promote the effect of learning.

影像辨識一直是電腦視覺中很重要的技術，且伴隨著行動裝置與相機的普及，人們更加重視辨識的準確度與效能，以區域梯度分佈及直方圖表示方法為基礎的影像特徵描述子，如SIFT與SURF，是近十多年來的物件辨識技術中所採用的主流演算法，然而此類特徵表示法，常需要為多維度的資訊提供大量的儲存空間與複雜的距離計算流程，因此，近年來有學者提出了另一種形式的區域二元特徵描述子 ( Local Binary Descriptor, LBD)，以二元架構建立描述子，使得LBD能在較少空間之下提供可相抗衡的辨識率。 本論文提出以多元編碼機制之區域特徵描述子(LMLED)，乃基於LBD的基本架構，但改以多元編碼取代LBD的二元編碼方法，利用緩衝區的架構達到更強的抗噪性，並提出降維方法以承襲二元編碼在儲存空間的優勢，使得多元編碼機制之區域特徵描述子能在不影響匹配能力與儲存空間的情況下，得到更佳的影像辨識能力。 / Efficient and robust object recognition is an important yet challenging task in computer vision. With the popularity of mobile equipment and digital camera, the demand for effectiveness and efficiency in image recognition has become increasingly pressing. In the past decade, local feature descriptors based on the distribution of local gradients and histogram representation such as SIFT and SURF have achieved a certain level of success. However, these descriptors require a large amount of storage and computing resources for high dimensional feature vectors. Hence, local binary descriptor (LBD) arises and becomes popular in recent years, providing comparable performance with binary structure that needs dramatically lower storage cost. In this thesis, we propose to employ multi-level encoding scheme to replace binary encoding of LBD. The resultant descriptor is named local multi-level encoding descriptor (LMLED). LMLED takes advantage of multiple decision intervals and thus can achieve better noise resistivity. Methods to reduce the dimension have been devised to maintain low storage cost. Extensive experiments have been performed and the results validate that LMLED can achieve superior performance under noisy condition while maintaining comparable matching efficacy and storage requirement.

近年來，臺灣高階經營管理（EMBA）學程市場逐漸飽和，預計就讀EMBA的企業經理人比例趨緩，再加上兩岸三地EMBA學程崛起，都將影響臺灣EMBA的發展。因此，本研究認為可根據供應面與需求面來進行檢視，分析出目前臺灣EMBA供需兩大層面，由各校教師與學生所嶄露的特徵輪廓，使臺灣的EMBA邁向具有各校特色的適性化學程。 在第一階段研究過程中，選取臺灣九校國立頂尖大學所設立的EMBA，作為研究對象。利用Python撰寫爬蟲程式，蒐集九校EMBA教師與學生的文章標題與概要，其中教師文本總計23033篇，學生文本總計7342篇。運用Jieba對文本斷詞後，以14個管理學別視為供應面，需求面則是根據政府訂立的12個職業別，來做為目標字詞，透過Word2Vec模型計算管理學別與教師、職業別與學生文本兩大目標字詞的關聯詞，最後獲得各目標字詞20個關聯詞的詞集。而第二階段透過第一階段所呈現的關聯詞，進一步計算與教師和學生文本字詞的Cosine相似度，來辨別各校教師與學生間所呈現的供需面之共同特徵，代表該EMBA之特質。 第一階段研究結果顯示，Word2Vec模型透過特徵向量辨別關聯詞時，可準確辨別出與目標字詞具有相同涵義或相互關聯的字詞，且所找出的20個關聯字詞與目標字詞的Cosine相似度也多大於0.7，因此透過Word2Vec模型建立目標字詞之擴增詞集具有相當高的準確性。而第二階段透過第一階段所呈現的關聯詞所計算的供需面Cosine相似度之排序，可發現各校EMBA由教師與學生成員文本與各目標字詞的相似度排序皆有所不同，因此各學程可透過其差異性作為特色指標，發展出適性化學程，提高臺灣企業經理人就讀EMBA之意願。

本文以李宗焜《甲骨文字編》蒐集甲骨字目為範圍，篩選所有包含人形的227個可釋字，分為側立人形（100字）、正立大形（38字）、跪坐卩形（44字）、斂手跪坐女形（45字）四部字進行甲骨構形與歷世演變分析。分析發現甲骨人形字構形特徵為：側立人部字占人形字四成構字量、增形構字占一半、頭部增形占三分之一、兩構件組成占一半、人形構件主要作為表形構件、唯女形構件作為表義構件、人部與大部各有若干變形構字等。甲骨人形構件有45%為後世保留，其中女部字保留比例最高，拼合構字最易保留人形構件。歸究人形構件得以保留主因為其具人形構件重要、構件離析、構件關係清楚、構形明確等特質。而55%失落甲骨人形構件者，以卩部字最嚴重，以增形構字方式最易失落人形。失落主因為該甲骨文構件太多、構件交疊、構形不尋常、構意不明、區辨性目的等特質。甲骨人形構件後世因配置位置演變為不同部件，側立人形在上為「 」，在左為「亻」，在中為「人」，在下為「儿」；正立大形以「大」及「亣」居中配置；跪坐卩形以「卩」形置右配置；女形則以「女」形置左配置；其它訛變部件亦相應於配置位置而變化。人形字是漢字的入門字目，有利初學者以圖象的方式開啟對漢字字符的認識，後續配合其它古文字以先習得基礎部件，再配合楷書筆順原則、組字邏輯、字頻篩選，則可以協助學習者在有系統、有感覺、有意義、有畫面的狀況下有效學會漢字，以符應漢字所具備的完形特質。

No description available.

第一章 緒論 第一節 研究動機與目的 經由理論與過去學者之實證研究，歸納出公司特徵與財務結構之具體假設；並蒐集台 灣地區製造業之實際資料，以驗證這些假設；期獲得結論，以提供業者規劃財務結構 之參考。 第二節 研究範圍及對象 本研究以台灣地區製造業中之食品、塑膠、紡織、化工、機電等五行業，一一六家公 開發行公司為對象，涵蓋期間為民國六八年至民國七一年。 第三節 研究之操作性定義 本節旨於對本研究之相關重要名詞給予操作性定義。 第二章 公司特徵與財務結構 第一節 財務結構理論 本節旨於說明財務結構在財務管理上之意義與重要性，並探討相關性理論。 第二節 公司特徵與財務結構之關係 探討以往學者專家相關之研究，並根據前節相關理論歸納出本研究之具體假設。 第三章 研究構想及方法 第一節 研究構想與步驟 第二節 資料來源與研究變數之衡量 第四章 實證研究 第一節 資料一致性與穩定性之檢定 第二節 各個假設之驗證 第三節 綜合性分析 第五章 結論與建議