BP dividend的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

整合技術分析指標建構類神經網路－台灣股市投資決策與分析

為了解決BP dividend的問題，作者歐曜綸 這樣論述：

由於人工智慧的高度發展，因此實務界逐漸採取相關人工智慧處理複雜的巨量數據(big data)。本研究運用了也在人工智慧範疇類的類神經網路，並結合了技術分析指標數據做為類神經網路的預測變數，而類神經網路擁有優秀的容錯能力，即使有雜訊資料也能產生較為精確的預測結果，已有許多研究及文獻採用類神經網路為研究工具，進而提升預測能力。本文首先比較不同隱含層與不同神經元數組合之預測績效，接著比較加入GARCH波動度作為類神經網路預測變數後的績效，並採用摩根台灣指數作為預測標的，使用其2014年至2018年之歷史股價資料探討預測績效。最後結果顯示，類神經網路設定為2×2在預測5天期時，已具有良好的預測績效。

本研究可供使用類神經網路預測價格、波動等等研究為參考依據，特別是以技術分析指標作為變數進行價格預測之研究。

以多種波長之LED偵測於手腕與手指之光體積變化描記法之波形分析與血壓估算

為了解決BP dividend的問題，作者楊博翔 這樣論述：

近年來，隨著人口老化比例上升與人口肥胖比例的上升，因此心血管疾病(Cardiovascular Disease, CVD)罹患人口比例有日益漸增並且年齡層呈現下降的趨勢。因此若能有更即時、更便利的對血壓做出監控的方法，即能有效地對心血管疾病做出預防。此外，隨著穿戴式裝置的興起，若能透過穿戴式裝置監控即時的生理訊號無疑是一個預防心血管疾病的一種方法。因此，本篇將探討適合使用穿戴式裝置的部位，與其取得的訊號與生理資訊的準確性與比較。本論文利用反射式光體積變化描記法(Photoplethysmography, PPG),去探討人體內的血管動脈運作時反映出來的生理訊號。並應用以白努力定律（Berno

ulli's principle）為計算基礎，所推導出的生理指標參數ΔRI (Delta Reflection Index, ΔRI)量測法，去作血壓(Blood Pressure, BP)估算。並應用四種單波長(530nm,650nm,850nm,940nm) 之LED(Light-Emitting Diode)，量測手指近端指節(proximal part of finger)與手腕的橈動脈(radial artery)處，對其做出波形穩定性分析後，再以530nm與940nm之LED燈泡為光源做血壓估算實驗，並與手指指尖(fingertip)部分之實驗比較。實驗結果顯示，在指尖處以535n

m為光源量測進行血壓估算，收縮壓誤差為4.7±1.5%以及舒張壓誤差為5±1.5%；在手腕處以940nm為光源之量測具有較高的波形穩定度，以及較低的血壓量測誤差。其收縮壓誤差值為5±0.5%以及舒張壓誤差值為5±1%；而在手指近端指節部分，其波形的穩定度與血壓的誤差值在以530nm與940nm兩者為光源之量測下具有差不多之效果，兩者收縮壓誤差範圍為7±2%，舒張壓誤差範圍為9±2%。其血壓估算可靠性較低。