在這段期間，儘管COVID-19在全球範圍內傳播，但阿格德爾大學（UiA）仍然歡迎來自陽明交通大學（NYCU）的交換生來挪威學習。對於某些學生來說，這可能是一生一次可以在挪威這樣的國家長期居住的機會。國立陽明交通大學（NYCU）AI學院研究生劉昱廷同學受到歐盟Erasmus + Global Mobility計劃的資助，並在UiA學習了一個學期。
儘管由於COVID-19而有很多限制，但昱廷仍然可以享受混合教學模式下的許多課程，這意味著教授仍在教室裡進行講座，但它們也通過Zoom實時轉播。因此，由每個學生自行決定到教室還是線上上課。它給學生提供了認識挪威和來自世界各地的其他交換生的機會。這些學生之間仍通過許多方式進行文化交流。
挪威以其令人讚嘆的自然風光而聞名。 COVID-19並未嚴重破壞探索其奇妙景觀的機會。儘管政府禁止許多室內活動，但只要保持社交距離，仍允許戶外活動。因此，劉昱廷同學有機會享受野外滑雪和溜冰等冬季運動，還去了獨特的峽灣遠足，並觀看了挪威的北極光。

然而，研究活動沒有障礙地繼續進行，UiA和NYCU之間的聯合研究繼續蓬勃發展。在逗留期間，劉昱廷同學參與了一個名為StaySafe的研究項目，該項目由挪威研究委員會資助，且NYCU為其內部合作夥伴。該項目旨在通過結合物聯網和機器學習技術為精神健康患者找到可行的狀態感測方案。同時，兩校合作發表了兩篇出色的無線系統研究論文[1] [2]。在工作[1]中，提出了兩種新穎的基於散列的方案，以實現無線傳感器網絡中由接收方發起的數據收集的無衝突數據傳輸。由於要實現物聯網（IoT）網絡的超低能耗和長達十年的電池壽命，喚醒無線電（WuR）是一種出色的解決方案。在大多數時間使設備保持深度睡眠的同時，可以通過喚醒呼叫（WuC）隨時喚醒啟用WuR的IoT設備以進行數據傳輸。但是，在發射器啟動的數據報告中的WuC以及接收器啟動的數據收集中的數據包會發生衝突。本文首先考慮一個簡單的場景，其中感興趣的區域中的所有設備都被數據收集器覆蓋，並提出了一種方案，該方案可以方便地安排每個設備的數據上載時間。然後，本文將方案擴展到更現實的場景，其中物聯網設備分佈在一個更大的區域，而單個數據收集器無法覆蓋該區域。在這種情況下，提出了一種用於跨多個分區的數據收集的分區算法。進行分析和模擬以證明所提出的方案的有效性。

圖 1、本文提出的喚醒協議，用於接收機啟動的數據收集。

在工作[2]中，提出了一種新穎的深度學習模型，該模型將自動編碼器與長短時記憶（LSTM）網絡連接起來，用於WiFi指紋定位。儘管長期以來已經通過各種手段研究了室內定位，但是其準確性仍然令人關注。最近的一些研究已將機器學習算法應用於探索基於無線訊號（WiFi）的定位。本文首先採用一種自動編碼器來提取具有代表性的指紋潛在代碼。事實證明，這種特徵提取比簡單地使用深度神經網絡提取代表性特徵更為可靠，因為特徵代碼可以還原為原始輸入。然後，將一系列特徵代碼注入LSTM網絡以識別位置。為了評估我們模型的準確性和有效性，本文進行了廣泛的實際實驗。

圖 2、所提出的結合自動編碼器和LSTM模型的分步說明。我們的模型中分別有五個編碼器和解碼器。所有編碼器均具有相同的權重，所有解碼器也具有相同的權重。

儘管發生了COVID-19大流行，但該交流計劃在學術和社交方面都非常成功。

[1] Chia-An Hsu, Chung-Hsiang Tsai, Frank Y. Li, Chiuyuan Chen, and Yu-Chee Tseng, “Achieving Ultra Energy-efficient and Collision-free Data Collection in Wake-up Radio Enabled mIoT”, IEEE Trans. on Green Communications and Networking, early access article, Feb. 2021.
[2] Yu-Ting Liu, Jen-Jee Chen, Yu-Chee Tseng, and Frank Y. Li, “Combining Auto-Encoder with LSTM for WiFi-Based Fingerprint Positioning”, ICCCN 2021.

科技部全球事務與發展中心
發報日期：2021.04.14

資料來源：https://gase.most.ntu.edu.tw/focus/952?locale=zh-TW