Zgodnie z proponowaną przez Downsa klasyfikacją [5], w studiach nad wyobrażeniami przestrzennymi można wyróżnić dwa główne podejścia - strukturalne i preferencyjne. Pierwsze, zapoczątkowane przez Lyncha w 1960 r. [15], a kontynuowane przede wszystkim przez Appleyarda [ 1 ], [2], polega na interpretowaniu uzyskanych od respondentów szkiców wyobrażeniowych, mają-cych formę rysunków lub "map". Podejście preferencyjne zaś sprowadza się do analizowania postaw i preferencji przestrzennych uzyskanych od respondentów drogą wywiadu. Obraz, który w procesie percepcji powstaje w umyśle człowieka pod wpływem bodźców przestrzennych jako wyobrażenie określonej przestrzeni, służy dokonywaniu ocen wybranych jej fragmentów. Percepcja i waloryzacja przestrzeni miejskiej prowadzą w efekcie do kształtowania się preferencji, które najczęściej są podstawą do podejmowania decyzji o charakterze przestrzennym [22]. Miejsce procesu waloryzacji w ramach interakcji przestrzeń-człowiek przedstawiono na rycinie. Cechy elementów przestrzeni miejskiej, takie jak wygląd zewnętrzny, złożoność, funkcjonalność, dostępność komunikacyjna, jakość środowiska naturalnego stanowią pewnego rodzaju przekaz adresowany do mieszkańców. Codzienne "odczytywanie" miasta, tzn. reakcja mieszkańców na wspomniane bodźce, prowadzi do powstania w ich umysłach obrazów, przekonań i stereotypów. W powyższym procesie szczególnie istotne jest zajmowane przez człowieka miejsce, ponieważ to o nim będzie on miał największą wiedzę i do niego będzie porównywał inne, bardziej odległe fragmenty otaczającej go przestrzeni. Prze-strzeń miejska stale jest poddawana ocenie ze strony mieszkańców, którzy każdego dnia podejmują decyzje przestrzenne.
EN
According to the classification of R.M. Downs, two main approaches within the research of spatial images are taken into consideration - the structural approach and the preferential one. The structure of people's images of the environment has been a subject of interest for geographers since 1960 when Kevin Lynch wrote his famous book "The image of the city". It focuses on the interpretation of mental maps received from respondents. The preferential approach analyzes the attitude, opinions and spatial preferences of people as images of the environment emerging in the minds during the process of perception, leadnig to its evaluation. This complicated process is believed to be a background for the decisions and spatial behaviour of people. Features of urban space such as its external appearance, complexity, functionality, conditions of the environment form a kind of "a message" for its inhabitants. Being constantly "read" it results with images and stereotypes of the city. The aim of this article is to present opinions about certain fragments of the city of Lodz carried out by its inhabitants - men and women, which lead to their spatial preferences.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Bayesian networks have many practical applications due to their capability to represent joint probability distribution in many variables in a compact way. Though there exist many algorithms for learning Bayesian networks from data, they are not satisfactory because the learned networks usually are not suitable for reasoning. So far only for tree-like and poly-tree Bayesian networks and also for so-called Structured Bayesian networks a satisfactory reasoning algorithms applicable directly for Bayesian networks have been invented. This radically increases the need for efficient learning algorithms for these classes of Bayesian networks. In fact, algorithms learning tree-like Bayesian networks have been created allowing for learning in case of large numbers of variables. The fastest algorithm, however, relies on the assumption of special node similarity measure properties. This paper defines and explores a definition of such a similarity measure. It is also demonstrated that this measure facilitates development of algorithms for learning Structured Bayesian Networks from data.
PL
Sieci bayesowskie mają wiele praktycznych zastosowań związanych z ich zdolnością do zwartej reprezentacji rozkładów prawdopodobieństwa w wielu zmiennych. Choć znanych jest wiele algorytmów uczących sieci bayesowskie z danych, nie są one satysfakcjonujące, ponieważ wynikowe struktury sieci na ogół nie nadają się do celów wnioskowania eksperckiego, z wyjątkiem sieci drzewiastych, polidrzewiastych oraz strukturalnych. Szybkie metody uczenia dla sieci drzewiastych opierają się na postulacie specjalnej postaci funkcji podobieństaw między zmiennymi. Niniejszy artykół pokazuje, że w istocie istnieje postulowana miara podobieństwa. Demonstruje również implikacje wynikające dla uczenia sieci strukturalnych z danych.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Bayesian networks have many practical applications due to their capability to represent joint probability distribution in many variables in a compact way. Though there exist many algorithms for learning Bayesian networks from data, they are not satisfactory because the learned networks usually are not suitable for reasoning. So far only a restricted class of very simple Bayesian networks: trees and poly-trees are directly applicable in reasoning. This paper defines and explores a new class of networks: the Structured Bayesian Networks. Two methods of reasoning are outlined for this type of networks. Possible methods of learning from data are indicated. Similarity to hierarchical networks is pointed at.
PL
Sieci bayesowskie maja wiele praktycznych zastosowań związanych z ich zdolnością do zwartej reprezentacji rozkładów prawdopodobieństwa w wielu zmiennych. Choć znanych jest wiele algorytmów uczących sieci bayesowskie z danych, nie są one satysfakcjonujące, ponieważ wynikowe struktury sieci na ogół nie nadają się do celów wnioskowania eksperckiego, z wyjątkiem bardzo prostych struktur drzew i polidrzew. Niniejszy artykuł definiuje i bada nową klasę sieci bayesowskich: tzw. strukturalne sieci bayesowskie. Przedstawiono dwie metody wnioskowania dla tych sieci. Wskazano na możliwość uczenia się tych sieci z danych. Sieci te można uważać za interesujący szczególny przypadek sieci hierarchicznych.
4
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Tradycyjna funkcja zestawienia materiałów (Bill-of-Material- BOM) polega na określaniu struktury produktu z punktu widzenia jego konstrukcji. W przypadku stosowania systemów MRP II (Manufacturing Resource Planning) zestawienia materiałów winny przedstawiać strukturą produktu, także z punktu widzenia procesu jego wytwarzania oraz planowania produkcji i zbytu. W wielu przypadkach konstrukcyjne zestawienia materiałów nie są w stanie wspomagać takich krytycznych funkcji systemu MRP II, jak planowanie potrzeb materiałowych, czy operatywne planowanie produkcji. Zagadnienie określania struktur produktów dla celów zarządzania, określane jako strukturalizacja zestawień materiałowych, ma szczególne znaczenie dla przedsiębiorstw, oferujących szeroki asortyment produktów finalnych, montowanych stosownie do zamówień poszczególnych klientów. W artykule przedstawiono dwa podejścia do strukturalizacji zestawień materiałowych w produkcji montowanej na zamówienie, a mianowicie zestawienia modułowe oraz ogólne. Modulowanie polega na przekształceniu zestawień materiałowych rodziny produktów w moduły planistyczne, które w różnych kombinacjach określają konkretne konfiguracje wyrobu finalnego. Koncepcja zestawień ogólnych daje możliwość bardziej logicznego tworzenia zestawień dla wszystkich wariantów określonej rodziny wyrobów.
EN
Traditional function of a bill-of-material is the definition of a product from the design point of view only. When enterprise want to used MRP II system bill-of material must represent product structure not only from design point of view, but also include bill of material structures based on the way the product is make and sold. The traditional engineering bill of material can't support some critical management activities such material requirements planning and master production scheduling. The objective of the paper is provide insight into the problem structuring bill of materials in assembly to order environments and present two solutions for representing bill of material in these kind of production environments; modular and generic bills of material. Modularizing the bill-of- material involves breaking down products into "modules", which in various combinations, determine the final product. A generic bill of material concept provide more possibilities to model product date in comprehensible way for all for all variants of a product family.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.