fcm中文的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括賽程、直播線上看和比分戰績懶人包

收縮城市的多維度識別、演變特性、驅動因素之分析-以台灣為例

為了解決fcm中文的問題，作者胡迪 這樣論述：

20世紀末以人口流失為核心特徵的城市收縮現象獲得了普遍的關注。2020年台灣人口進入負成長，且面臨少子化與高齡化危機。本研究依據常住人口與戶籍人口數據，運用探索性空間數據分析方法，對於台灣人口收縮的縣市與鄉鎮市區進行識別。對於人口收縮縣市，進行經濟、建成環境、城市活力之多維度收縮再識別。分析收縮之各類特性，探討導致人口收縮之影響因素，最終為收縮治理之可行性提供參考。台灣本島存在11個人口收縮縣市、202個人口收縮鄉鎮市區。最早的城市收縮始1980年，從郊區化階段至再都市化階段都有城市發生收縮。在11個人口收縮縣市呈現出5類空間格局。在大多數人口收縮縣市，人口密度高的鄉鎮市區也不能避免收縮。全

局空間自相關分析表明2000至2020年的戶籍人口變化存在空間正相關性。2005年以後在鄉鎮市區層級，收縮與非收縮的趨勢越來越明顯。在這11個人口收縮縣市中，2個人口收縮縣市出現建成環境收縮；3個人口收縮縣市出現城市活力收縮；6個人口收縣市出現建成環境、城市活力收縮。兩階段集群分析依據鄉鎮市區之發展現況將全部鄉鎮市區分為4類。各個類型的區域都存在收縮鄉鎮市區，但是收縮鄉鎮市區的比例大不相同。集群分析結合空間分析，最終本研究發現都市化與郊區化都導致了台灣的收縮，但是作用的區域不一樣。大部分收縮縣市的空間格局與都市化有關。基隆市和嘉義市最有可能逆轉收縮。在縣市人口收縮驅動因素分析中，兩組縱橫資料模

型最終都以固定效應模型作為最終解釋模型。縣市戶籍登記人口縱橫資料模型之調整R²為0.643，優於縣市人口總增加率縱橫資料模型的0.272。縣市戶籍登記人口縱橫資料模型分析表明，離婚結婚登記對數、公司登記現有家數、平均每戶可支配所得、道路里程密度，對於戶籍登記人口數產生正向影響。老年人口比率、刑案發生數對於戶籍登記人口數產生負向影響。工業服務業發展對於鄉鎮市區人口收縮影響之空間異質性分析結果如下。採用逐步法之最小二乘估計表明，在鄉鎮市區，場所單位數變化率、平均每員工全年薪資變化率對鎮市區戶籍人口變化率產生正向影響；從業員工人數變化率對鄉鎮市區戶籍人口變化率產生負向影響。地理加權迴歸模、多尺度地理

加權迴歸模型表明各個自變數在不同鄉鎮市區不僅影響大小不同，甚至可能會產生相反的作用。影響因素的空間異質性給收縮治理帶來巨大挑戰。面對收縮的態度、收縮治理策略都應該依據城市收縮的維度決定，並且必須考量影響因素的空間差異。

太陽光電系統直流側故障智慧型診斷技術研究

為了解決fcm中文的問題，作者高偉 這樣論述：

太陽光電系統運行在環境多變的戶外，容易出現各種類型的故障，若不及時排除，就會出現發電功率損失、元件損壞、熱斑等問題甚至火災事故。在太陽光電系統大規模建設的背景下，及時發現並處置元件故障，提高元件的使用壽命，保持元件的正常運行效率顯得相對重要。本論文在分析太陽光電陣列電流-電壓(I-V)曲線在不同故障狀態下的差異性的基礎上，以I-V曲線波形、溫度和輻照度為輸入量，提出一種融合卷積神經網路和殘差-門控迴圈單元的太陽光電系統故障識別方法。該方法包括1個有4層結構的一維卷積神經網路單元和1個有殘差的門控迴圈單元。該方法具有端到端故障診斷的特點，不需要人工進行特徵提取，抗幹擾能力強。該方法不僅能識別出

單一故障類型，如短路、遮陰、老化等，而且能有效識別出多故障同時存在的情況。該方法對實測資料的診斷準確率達到98.61%，優於人工神經網路、帶核函數的極限學習機、模糊C均值聚類、深度殘差網路模型和SAMME-CART模型。此外，當沒有溫度和輻照度資訊的情況下，準確率依然達到95.23%，所提方法在老舊太陽光電電廠中應用也將具有廣闊的前景。為解決在併網運行階段的太陽光電系統診斷問題，通過對光電陣列在故障瞬間時序波形變化規律的研究，本文進一步提出一種新型基於時序波形的太陽光電系統故障診斷方法。首先採集故障發生前後的電壓和電流時序波形，通過標準化操作將標準化後的電壓、電流和功率波形作為輸入信號。接著透

過堆疊自動編碼器實現故障特徵提取，並提出一種改進的多顆細微性級聯森林(IgcForest)對光電陣列的線-線、開路、遮陰等故障進行診斷。所提方法的優點是利用堆疊自動編碼器自動提取出具有較高辨識度的特徵。利用多顆細微性級聯森林實現故障特徵的增強和挖掘，特別是所提的改進方法在降低特徵向量維度的同時，增強各級森林間資訊連通性，提高診斷的準確率。數值模擬和實測資料對方法的有效性進行了進一步驗證，所提方法對單一類型故障診斷精度分別達到了99.33%和98.61%，優於傳統softmax、支持向量機、隨機森林、多顆細微性級聯森林、層自我調整級聯森林等方法。進一步，當其面對混合故障資料集時，精度依然達到98

.83%.串聯電弧故障是太陽光電發電系統在運行過程中遭遇的危害性最大的故障之一。及時發現串聯電弧故障，避免火災事故的發生，是一項具有挑戰性的工作。針對不同工況下所發生的串聯電弧故障，本文更提出一種結合漢克爾-奇異值分解(Hankel-SVD)降噪和改進經驗小波分解-孿生支持向量機(IEWT-TWSVM)的檢測演算法。該演算法利用漢克爾-奇異值分解演算法對直流母線電流進行去噪，有效避免了開關頻率與無關背景雜訊的影響。隨後將去噪後的電流進行改進經驗小波分解分解，然後將各頻帶的複合多尺度排列熵放入樽海鞘尋優的孿生支持向量機分類器完成故障的檢測。該演算法不僅能夠檢測出不同故障位置的電弧故障，同時還能抵

抗動態遮陰、並網、強風等幹擾現象。最後，本研究驗證了模型在電弧暫態過程、長線路故障、單串列系統以及不同取樣速率四種情況下的檢測效果，結果比較理想。實驗表明，所提方法對實測資料的檢測準確率高達98.10%，優於傳統的小波分解、經驗模態分解和統計學(均值、標準差、熵值)等方法。