http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
전자문서교환(EDI)이 조직문화에 미치는 영향에 관한 연구
이성준,정인영,오희국 우송대학교 1997 우송대학교 논문집 Vol.2 No.-
This research paper will summarize about EDI and will explore the impacts that EDI has on the organizational culture. There are a few difficulties when an organization adapts EDI such as the fears and anxieties of adapting a new technology. Therefore, this paper will recommend an education and training for overcoming thefears and anxieties that the members of organization have toward adapting EDI. However, such an educational method must be within the boundary of an organizational culture, and it must be accepted by the members of organization without any resistance. This is only possible through communication skills. The important point is that the justification and stronger foundation of an organization must be based on the communication.
오희국(Heekuck Oh) 한국정보과학회 1995 정보과학회논문지 Vol.22 No.7
본 논문은 릴랙세이션 기법이라 불리는 반복 학습 기법과 홉필드 모델에의 적용을 기술한다. 릴랙세이션 기법은 오차 수정 알고리즘으로 원하는 응답과 주어진 입력에 대한 실제 응답을 비교하여 전체 시스템의 성능을 향상시키는 방향으로 신경회로망내의 파라미터를 반복적으로 수정해 가는 기법이다. 이 기법은 기존의 많은 다른 학습 기법과는 달리 몇 가지 흥미로운 특징을 갖고 있다. 첫째로 이 기법은 선형 부등식의 해를 직접 구하는 결정론적 알고리즘에 속한다. 둘째, 함수 극소의 개념이 포함되어 있지 않다. 셋째, 학습율의 선택에 있어 능동적으로 변환하는 조정 기법을 사용하는데, 이는 결과적으로 신속하고 보장된 수렴에 기여하는 특징을 갖고 있다. 릴랙세이션 기법의 응용 예로 홉필드 모델의 작고 제한된 저장 용량을 해결하기 위한 반복 학습 기술을 개발하는데 이 기법을 적용하였다. 그 결과 홉필드 모델의 릴랙세이션 학습 기법은 모든 훈련된 패턴의 되부름을 보장하고 상호 관계가 있는 패턴을 특별한 코딩 기술 없이도 잘 처리하였다. 그 밖에 알고리즘의 학습 속도는 광범위한 학습 매개 변수의 값에 대해 일정하게 높은 수준을 유지하였으며 그들의 선택은 성능에 별다른 영향을 미치지 않았다. This paper presents an iterative learning technique, called the relaxation method, and its application to the Hopfield model. The relaxation method is an error-correction algorithm that iteratively adapts neural network parameters by comparing the response to a given input with the desired response to improve performance. Unlike many existing iterative learning algorithms, the relaxation method has several interesting properties. First, it is a deterministic algorithm that directly solves a system of linear inequalities. Second, no concept of function minimization is introduced. Third, it utilizes a dynamically varying adjustment technique for selecting the learning rate, which, in turn, contributes to fast and guaranteed convergence. The relaxation method is applied to the Hopfield model by developing an iterative learning technique that solves the problem of small and restrictive storage capacity. The relaxation learning algorithm for the Hopfield model provides guaranteed recall of all training patterns and handles correlated patterns without special encoding. In addition, the learning speed of the new technique remains uniformly high over a broad range of learning parameter values and their selection is not an issue.