TWI827411B - 微控制電路及處理方法 - Google Patents

Abstract

一種微控制電路，包括一感測電路、一處理電路、一儲存電路以及一調整電路。感測電路感測一物理參數，用以產生一感測資訊。處理電路對感測資訊進行一特定操作，用以產生一處理信號。儲存電路儲存處理信號以及一預設資訊。調整電路利用一機器學習方法，處理儲存電路所儲存的處理信號，用以產生一學習結果。當學習結果不符合預設資訊時，調整電路調整預設資訊。

Description

微控制電路及處理方法

本發明是關於一種微控制電路，特別是關於一種利用機器學習方法，動態調整門檻值的微控制電路。

在接收多感測資訊時，大部分的研究都在討論感測資訊融合(data alignment)。藉由感測資訊所提供的空間資訊作最佳化組合處理。當感測資訊超出一門檻值(threshold)時，後續的電路將進行一特定操作。然而，固定的門檻值無法適應於不同的環境。因此，後續電路很有可能頻繁地被啟動，增加功率損耗。

本發明之一實施例提供一種微控制電路，包括一感測電路、一處理電路、一儲存電路以及一調整電路。感測電路感測一物理參數，用以產生一感測資訊。處理電路對感測資訊進行一特定操作，用以產生一處理信號。儲存電路儲存處理信號以及一預設資訊。調整電路利用一機器學習方法，處理儲存電路所儲存的處理信號，用以產生一學習結果。當學習結果不符合預設資訊時，調整電路調整預設資訊。

本發明另提供一種處理方法，包括感測一物理參數，用以產生一感測資訊；對感測資訊進行一特定操作，用以產生一處理信號；利用一機器學習方法，處理處理信號，用以產生一學習結果；以及判斷學習結果是否符合預設資訊。當學習結果不符合預設資訊時，調整預設資訊。

本發明之處理方法可經由本發明之微控制電路來實作，其為可執行特定功能之硬體或韌體，亦可以透過程式碼方式收錄於一紀錄媒體中，並結合特定硬體來實作。當程式碼被電子裝置、處理器、電腦或機器載入且執行時，電子裝置、處理器、電腦或機器變成用以實行本發明之微控制電路。

為讓本發明之目的、特徵和優點能更明顯易懂，下文特舉出實施例，並配合所附圖式，做詳細之說明。本發明說明書提供不同的實施例來說明本發明不同實施方式的技術特徵。其中，實施例中的各元件之配置係為說明之用，並非用以限制本發明。另外，實施例中圖式標號之部分重覆，係為了簡化說明，並非意指不同實施例之間的關聯性。

第1圖為本發明之微控制電路的示意圖。如圖所示，微控制電路100包括一感測電路110A、一處理電路120A、儲存電路130A以及一調整電路140A。感測電路110A感測一物理參數，用以產生一感測資訊IS_A。本發明並不限定物理參數的種類。在一可能實施例中，物理參數係為溫度參數、亮度參數、距離參數以及濕度參數之至少一者。本發明並不限定感測電路110A的架構。在一可能實施例中，感測電路110A至少包括一感測器(sensor)。感測器可能是一溫度感測器、一光敏電阻(photo resistor)、一慣性感測器(inertial measurement unit；IMU)、一飛時測距感測器(time of flight；TOF)。

處理電路120A對感測資訊IS_A進行一特定操作，用以產生一處理信號SP_A。在一可能實施例中，處理電路120A所進行特定操作係為一傳輸操作。處理電路120A可能以一串列方式或是一並列方式接收並輸出資料。在另一可能實施例中，處理電路120A以一串列方式接收資料，並以一並列方式輸出資料。在一些實施例中，處理電路120A可能以一並列方式接收資料，並以一串列方式輸出資料。本發明並不限定處理電路120A的架構。在一可能實施例中，處理電路120A係為一通訊介面，如一串列週邊介面(Serial Peripheral Interface；SPI)或是一通用非同步收發傳輸器(Universal Asynchronous Receiver/Transmitter；UART)。

在一些實施例中，處理電路120A係為一轉換電路，如一類比數位轉換器(ADC)。在此例中，處理電路120A所進行的特定操作係為一轉換操作，用以將感測資訊IS_A由一類比格式轉換成一數位格式。在其它實施例中，處理電路120A係為一比較電路。在此例中，處理電路120A所進行的特定操作係為一比較操作，用以將感測資訊IS_A與一預設資料進行比較，再將比較結果作為處理信號SP_A。

儲存電路130A儲存處理信號SP_A以及一預設資訊IP_A。預設資訊IP_A可能包括至少一門檻值(threshold value)。舉例而言，預設資訊IP_A可能包括一高門檻值以及一低門檻值，分別代表溫度的上限值及下限值。在其它實施例中，預設資訊IP_A可能包括六門檻值，分別代表三軸(x軸、y軸、z軸)的角速度門檻值及三軸的加速度門檻值。在一些實施例中，預設資訊IP_A係事先儲存於儲存電路130A之中。在其它實施例中，儲存電路130A收集並儲存處理電路120A在不同時間點所產生的處理信號SP_A 。在一可能實施例中，儲存電路130A係為一直接記憶體存取緩衝器(Direct Memory Access buffer)。

調整電路140A利用一機器學習方法，處理儲存電路130A所儲存的處理信號SP_A，用以產生一學習結果RS_A。在本實施例中，調整電路140A利用機器學習方法，對儲存電路130A所儲存的處理信號SP_A執行大量資訊的學習(learning)、訓練(training)，並根據學習結果RS_A，決定是否調整預設資訊IP_A。

在一可能實施例中，當學習結果RS_A符合預設資訊IP_A時，調整電路140A不調整預設資訊IP_A。然而，當學習結果RS_A不符合預設資訊IP_A時，調整電路140A調整儲存電路130A裡的預設資訊IP_A。在一可能實施例中，調整電路140A調整預設資訊IP_A的至少一門檻值。

本發明並不限定調整電路140A如何調整儲存電路130A裡的預設資訊IP_A。在一可能實施例中，調整電路140A寫入學習結果RS_A至儲存電路130A，用以取代儲存電路130A裡的預設資訊IP_A。

本發明並不限定機器學習方法的種類。在一可能實施例中，調整電路140A對儲存電路130A所儲存的處理信號SP_A進行一特徵轉換(Extraction Models)，如一神經網路法(Neural Network)，或是一深度學習法(Deep Learning)。神經網路法利用神經元進行非線性的特徵轉換。深度學習法利用多層神經元，進行多次的非線性特徵轉換。在一些實施例中，調整電路140A使用一反向傳播神經網路法(Backpropagation Neural Network)、一支持向量機方法(Support Vector Machine；SVM)、一自適應增強法(adaptive boosting)或是一決策樹(Decision Tree)，對儲存電路130A所儲存的處理信號SP_A進行特徵轉換。本發明並不限定調整電路140A的架構。在一可能實施例中，調整電路140A係為一神經網路處理器(Neural network Processing Unit；NPU)。

在其它實施例中，微控制電路100更包括一計時電路(timer)150A、一監控電路160A以及一中央處理器(CPU)170。當中央處理器170操作於正常工作模式時，中央處理器170執行一特定程式碼。當中央處理器170執行特定程式碼的一休眠指令時，中央處理器170離開正常工作模式，並進入一低功耗(low power)模式。在低功耗模式下，中央處理器170為睡眠(sleep)狀態。

當中央處理器170進入低功耗模式時，感測電路110A正常動作。此時，計時電路150A可能每隔一時間間隔，命令處理電路120A處理感測資訊IS_A，用以產生處理信號SP_A。儲存電路130A收集處理電路120A於不同時間點所產生的處理信號SP_A。監控電路160A判斷存電路130A裡的處理信號SP_A是否符合預設資訊IP_A。當處理信號SP_A不符合預設資訊IP_A時，監控電路160A喚醒中央處理器170。因此，中央處理器170離開低功耗模式，並進入正常工作模式。在本實施例中，由於調整電路140A在中央處理器170進入低功耗模式前，已更新過預設資訊IP_A，故中央處理器170不會頻繁地被喚醒，進而達到省電節能的效果。

舉例而言，假設感測電路110A係為一溫度感測器，並且微控制電路100的製造商設定預設資訊IP_A的一高門檻值以及一低門檻值為0。在微控制電路100出廠並被安裝在相對應的裝置中後，當微控制電路100操作於一正常工作(normal)模式時，計時電路150A定時(每隔3秒)觸發處理電路120A。處理電路120A讀取並處理感測資訊IS_A。儲存電路130A收集處理信號SP_A。調整電路140A對儲存電路130A裡的處理信號SP_A進行特徵轉換，並根據轉換結果更新預設資訊IP_A。在一可能實施例中，調整電路140A根據儲存電路130A裡的處理信號SP_A，推測出微控制電路100所在的環境的溫度大約落在37.5°C ~40°C。因此，調整電路140A設定預設資訊IP_A的高門檻值為40，並設定預設資訊IP_A的低門檻值為37.5。

當中央處理器170進入低功耗模式時，感測電路110A持續感測物理參數，用以產生感測資訊IS_A。處理電路120A處理感測資訊IS_A，用以產生處理信號SP_A。儲存電路130A儲存處理信號SP_A。監控電路160A讀取儲存電路130A所儲存的處理信號SP_A。如果處理信號SP_A所對應的溫度落於37.5°C ~40°C之間時，表示處理信號SP_A符合預設資訊IP_A。因此，監控電路160A不喚醒中央處理器170，中央處理器170維持於低功耗模式。然而，當處理信號SP_A所對應的溫度未落於37.5°C ~40°C之間時，表示微控制電路100所在環境的溫度異常。此時，由於處理信號SP_A不符合預設資訊IP_A，故監控電路160A喚醒中央處理器170。中央處理器170離開低功耗模式，並進入正常工作模式。在一可能實施例中，中央處理器170發出一警示訊息，通知使用者環境溫度發生異常。

當中央處理器170操作於正常工作模式(不論是否被監控電路160A喚醒)時，調整電路140A透過機器學習的技術，適當地調整預設資訊IP_A ，用以配合不同環境。因此，在中央處理器170進入低功耗模式後，只有在處理信號SP_A不符合預設資訊IP_A時，中央處理器170才會被喚醒。由於中央處理器170不會頻繁地被喚醒，故可節省微控制電路100的功率損耗。在一些實施例中，當中央處理器170被喚醒時，調整電路140A適當地調整預設資訊IP_A。然而，當中央處理器170進入低功耗模式時，調整電路140A停止調整預設資訊IP_A。

在其它實施例中，當中央處理器170進入低功耗模式時，計時電路150A正常動作。此時，感測電路110A、處理電路120A、儲存電路130A以及監控電路160A可能正常動作。在另一可能施例中，當中央處理器170進入低功耗模式時，感測電路110A、處理電路120A、儲存電路130A以及監控電路160A均暫停動作。在此例中，計時電路150A每隔一時間間隔，喚醒感測電路110A、處理電路120A、儲存電路130A以及監控電路160A。

在其它實施例中，處理電路120A可省略。在此例中，儲存電路130A直接接收來自感測電路110A的感測資訊IS_A。調整電路140A根據儲存電路130A所儲存的感測資訊IS_A，決定是否調整預設資訊IP_A。在中央處理器170進入低功耗模式時，計時電路150A每隔一時間間隔觸發感測電路110A。儲存電路130A儲存感測資訊IS_A。當感測資訊IS_A不符合感測資訊IS_A時，監控電路160A喚醒中央處理器170。

在一可能實施例中，微控制電路100更包括一感測電路110B、一處理電路120B、一儲存電路130B以及一調整電路140B。感測電路110B感測另一物理參數，用以產生一感測資訊IS_B。在一些實施例中，感測電路110B所感測的物理參數不同於感測電路110A所感測的物理參數。

處理電路120B對感測資訊IS_B進行一特定操作，用以產生一處理信號SP_B。處理電路120B所進行的特定操作與處理電路120B的種類有關。舉例而言，如果處理電路120B係為一轉換電路，則處理電路120B對感測資訊IS_B進行一轉換操作，如由一類比格式轉換至一數位格式。由於處理電路120B的特性相同於處理電路120A的特性，故不再贅述。在一可能實施例中，處理電路120B的種類不同於處理電路120A的種類。在此例中，處理電路120B所進行的特定操作不同於處理電路120A所進行的特定操作。

儲存電路130B儲存處理信號SP_B以及一預設資訊IP_B。由於儲存電路130B的特性與儲存電路130A的特性相似，故不再贅述。在一可能實施例中，儲存電路130A與130B係為且同一記憶元件裡的不同記憶區塊。舉例而言，一記憶體具有第一至第四記憶區塊，其中第一記憶區塊用以儲存處理信號SP_A、第二記憶區塊用以儲存預設資訊IP_A、第三記憶區塊用以儲存處理信號SP_B、第四記憶區塊用以儲存預設資訊IP_B。

調整電路140B利用一機器學習方法，處理儲存電路130B所儲存的處理信號SP_B，用以產生一學習結果RS_B，當學習結果RS_B不符合預設資訊IP_B時，調整電路140B調整預設資訊IP_B。由於調整電路140B的特性與調整電路140A的特性相似，故不再贅述。在一可能實施例中，調整電路140B所使用的機器學習方法相同或不同於調整電路140A所使用的機器學習方法。

在其它實施例中，微控制電路100更包括一計時電路150B。在中央處理器170進入低功耗模式時，計時電路150B每隔一時間間隔，觸發處理電路120B，用以命令處理電路120B對感測資訊IS_B進行特定操作。由於計時電路150B的特性相似於計時電路150A的特性，故不再贅述。在一可能實施例中，計時電路150B觸發處理電路120B的時間間隔相同或不同於計時電路150A觸發處理電路120A的時間間隔。

在一些實施例中，微控制電路100更包括一監控電路160B。當中央處理器170進入低功耗模式時，監控電路160B判斷處理信號SP_B是否符合預設資訊IP_B。當處理信號SP_B不符合預設資訊IP_B時，監控電路160B喚醒中央處理器170。然而，當處理信號SP_B符合預設資訊IP_B時，監控電路160B不喚醒中央處理器170。因此，中央處理器170維持於睡眠狀態。

在其它實施例中，當中央處理器170進入低功耗模式時，感測電路110A及110B分別提供感測資訊IS_A及IS_B。處理電路120A及120B分別處理感測資訊IS_A及IS_B，用以產生處理信號SP_A及SP_B。監控電路160A及160B判斷處理信號SP_A及SP_B是否不符合預設資訊IP_A及IP_B。假設，處理信號SP_A不符合預設資訊IP_A。在此例中，監控電路160A喚醒中央處理器170。因此，中央處理器170進入正常工作模式。

本發明並不限定感測電路110A及110B提供感測資訊IS_A及IS_B的時間點。感測電路110A提供感測資訊IS_A的時間點可能相同或不同於感測電路110B提供感測資訊IS_B的時間點。同樣地，處理電路120A產生處理信號SP_A的時間點可能相同或不同於處理電路120B產生處理信號SP_B的時間點。監控電路160A判斷處理信號SP_A的時間點可能相同或不同於監控電路160B判斷處理信號SP_B的時間點。

當中央處理器170操作於正常工作模式時，調整電路140A及140B利用機器學習法，分別產生兩學習結果。調整電路140A及140B根據相對應的學習結果，決定是否調整預設資訊IP_A及IP_B。假設，調整電路140A調整了預設資訊IP_A。在此例中，當中央處理器170進入低功耗模式時，監控電路160A判斷處理信號SP_A是否符合調整後的預設資訊IP_A。當處理信號SP_A不符合調整後的預設資訊IP_A時，監控電路160A喚醒中央處理器170。在一可能實施例中，在調整電路140A調整預設資訊IP_A後，調整電路140A致能一完成信號。中央處理器170根據致能的完成信號，進入低功耗模式。

第2圖為本發明之處理方法的流程示意圖。本發明的處理方法可以透過程式碼存在。當程式碼被機器載入且執行時，機器變成用以實行本發明之微控制電路。首先，感測一物理參數，用以產生一感測資訊(步驟S211)。在一可能實施例中，物理參數係為溫度參數、亮度參數、距離參數、濕度參數之至少一者。

接著，對感測資訊進行一特定操作，用以產生一處理信號(步驟S212)。在一可能實施例中，特定操作係為一傳輸操作，如以串列或並列方式，接收感測資訊，並利用串列或並列方式，輸出感測資訊。在另一可能實施例，特定操作係為一轉換操作，用以轉換感測資訊，如由一類比格式轉換成一數位格式。在其它實施例中，特定操作係為一比較操作，用以將感測資訊與一參考值作比較。

然後，利用一機器學習方法，對處理信號進行處理，用以產生一學習結果(步驟S213)。在一可能實施例中，機器學習方法係為一神經網路法或是一深度學習法。神經網路法可能是一反向傳播神經網路法、一支持向量機方法、一自適應增強法或是一決策樹法。

接著，判斷學習結果是否符合一預設資訊(步驟S214)。當學習結果不符合預設資訊時，調整預設資訊(步驟S215)。在一可能實施例中，當學習結果不符合預設資訊時，利用學習結果取代預設資訊。然而，當學習結果符合預設資訊時，不調整預設資訊(步驟S216)。

在其它實施例中，在步驟S212產生處理信號後，步驟S212將處理信號儲存於一直接記憶體存取緩衝器中。待收集多個處理信號後，步驟S213再處理暫存器裡的處理信號。在此例中，步驟S212每隔一時間間隔(如每隔3秒)，對感測資訊進行特定操作。

第3圖為本發明之微控制電路的動作示意圖。首先，微控制電路操作於一低功耗模式(步驟S311)。在一可能實施例中，微控制電路裡的一中央處理器根據一休眠指令，進入一低功耗模式。在低功耗模式下，中央處理器暫不動作，但微控制電路裡的計時電路定時驅動感測電路。因此，感測電路感測一物理參數，用以產生一感測資訊。在一些實施例中，微控制電路裡的一處理電路對感測資訊進行一特定操作，用以產生一處理信號。在此例中，處理電路每隔一時間間隔，便對感測資訊進行一特定操作。微控制電路裡的一調整電路讀取處理信號。

接著，判斷處理信號是否不符合一預設資訊(步驟S312)。當處理信號符合預設資訊時，回到步驟S311，微控制電路繼續維持在低功耗模式。然而，當處理信號不符合預設資訊時，微控制電路離開低功耗模式，並進入一正常工作模式(步驟S313)。在正常工作模式下，微控制電路執行第2圖的處理方法，動態地調整預設資訊。

然後，當中央處理器執行一休眠指令時，中央處理器再次進入低功耗模式(步驟S311)。在一可能實施例中，在進入低功耗模式前，如果預設資訊已被調整，則在中央處理器再次進入低功耗模式後，當處理信號不符合調整後的新預設資訊時，中央處理器離開低功耗模式。在其它實施例中，當中央處理器進入低功耗模式時，停止判斷處理信號是否符合預設資訊。

由於微控制電路根據環境的物理參數變化，動態地調整預設資訊，故在進入低功耗模式時，微控制電路內部的中央處理器不會頻繁地被喚醒。由於中央處理器操作於低功耗模式的時間變長，故可達到省電的結果。

本發明之處理方法，或特定型態或其部份，可以以程式碼的型態存在。程式碼可儲存於實體媒體，如軟碟、光碟片、硬碟、或是任何其他機器可讀取(如電腦可讀取)儲存媒體，亦或不限於外在形式之電腦程式產品，其中，當程式碼被機器，如電腦載入且執行時，此機器變成用以參與本發明之微控制電路。程式碼也可透過一些傳送媒體，如電線或電纜、光纖、或是任何傳輸型態進行傳送，其中，當程式碼被機器，如電腦接收、載入且執行時，此機器變成用以參與本發明之微控制電路。當在一般用途處理單元實作時，程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。

除非另作定義，在此所有詞彙(包含技術與科學詞彙)均屬本發明所屬技術領域中具有通常知識者之一般理解。此外，除非明白表示，詞彙於一般字典中之定義應解釋為與其相關技術領域之文章中意義一致，而不應解釋為理想狀態或過分正式之語態。雖然“第一”、“第二”等術語可用於描述各種元件，但這些元件不應受這些術語的限制。這些術語只是用以區分一個元件和另一個元件。

雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾。舉例來說，本發明實施例所述之系統、裝置或是方法可以硬體、軟體或硬體以及軟體的組合的實體實施例加以實現。因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:微控制電路 110A、110B:感測電路 120A、120B:處理電路 130A、130B:儲存電路 140A、140B:調整電路 150A、150B:計時電路 160A、160B:監控電路 170:中央處理器 IS_A、IS_B:感測資訊 SP_A、SP_B:處理信號 RS_A、RS_B:學習結果 IP_A、IP_B:預設資訊 S211~S215、S311~S313:步驟

第1圖為本發明之微控制電路的示意圖。 第2圖為本發明之處理方法的流程示意圖。 第3圖為本發明之微控制電路的動作示意圖。

100:微控制電路

110A、110B:感測電路

120A、120B:處理電路

130A、130B:儲存電路

140A、140B:調整電路

150A、150B:計時電路

160A、160B:監控電路

170:中央處理器

IS_A、IS_B:感測資訊

SP_A、SP_B:處理信號

RS_A、RS_B:學習結果

IP_A、IP_B:預設資訊

Claims (10)

1. 一種微控制電路，包括：一第一感測電路，感測一第一物理參數，用以產生一第一感測資訊；一第一處理電路，對該第一感測資訊進行一第一操作，用以產生一第一處理信號；一第一儲存電路，儲存該第一處理信號以及一第一預設資訊；一第一調整電路，利用一機器學習方法，處理該第一儲存電路所儲存的該第一處理信號，用以產生一第一學習結果；一中央處理器，根據一休眠指令，進入一低功耗模式；以及一第一計時電路；其中：當該第一學習結果不符合該第一預設資訊時，該第一調整電路調整該第一預設資訊；當該中央處理器進入該低功耗模式時，該第一感測電路、該第一處理電路、該第一儲存電路均暫停動作，且該第一計時電路每隔一時間間隔，喚醒該第一感測電路、該第一處理電路以及該第一儲存電路。
2. 如請求項1之微控制電路，其中當該第一學習結果不符合該第一預設資訊時，該第一調整電路寫入該第一學習結果至該第一儲存電路，用以取代該第一預設資訊。
3. 如請求項1之微控制電路，其中該第一計時電路每隔一時間間隔，觸發該第一處理電路，用以命令該第一處理電路對 該第一感測資訊進行該第一操作。
4. 如請求項1之微控制電路，其中該第一調整電路係為一神經網路處理器。
5. 如請求項1之微控制電路，更包括：一第一監控電路，當該中央處理器進入該低功耗模式時，判斷該第一處理信號是否符合該第一預設資訊，當該第一處理信號不符合該第一預設資訊時，喚醒該中央處理器。
6. 如請求項5之微控制電路，其中當該中央處理器被喚醒時，該第一調整電路處理該第一儲存電路所儲存的該第一處理信號，當該中央處理器進入該低功耗模式時，該第一調整電路停止處理該第一儲存電路所儲存的該第一處理信號。
7. 如請求項1之微控制電路，更包括：一第二感測電路，感測一第二物理參數，用以產生一第二感測資訊；一第二處理電路，對該第二感測資訊進行一第二操作，用以產生一第二處理信號；一第二儲存電路，儲存該第二處理信以及一第二預設資訊；以及一第二調整電路，利用該機器學習方法，處理該第二儲存電路所儲存的該第二處理信號，用以產生一第二學習結果，當該第二學習結果不符合該第二預設資訊時，該第二調整電路調整該第二預設資訊。
8. 如請求項7之微控制電路，更包括：一第二監控電路，當該中央處理器進入該低功耗模式時，判斷該 第二處理信號是否符合該第二預設資訊，當該第二處理信號不符合該第二預設資訊時，喚醒該中央處理器。
9. 一種處理方法，包括：感測一物理參數，用以產生一感測資訊；對該感測資訊進行一特定操作，用以產生一處理信號；利用一機器學習方法，處理該處理信號，用以產生一學習結果；判斷該學習結果是否符合該預設資訊；當該學習結果不符合該預設資訊時，調整該預設資訊；當一中央處理器進入一低功耗模式時：暫停感測該物理參數；暫停對該感測資訊進行該特定操作；每隔一時間間隔，重新感測該物理參數並重新對該感測資訊進行該特定操作；當該感測資訊不符合該預設資訊時，喚醒該中央處理器離開該低功耗模式。
10. 如請求項9之處理方法，其中該機器學習方法係為一反向傳播神經網路方法、一支持向量機方法、一自適應增強方法或是一決策樹方法。

Images