최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.43 no.2, 2020년, pp.120 - 125
Supply chain managers seek to achieve global optimization by solving problems in the supply chain's business process. However, companies in the supply chain hide the adverse information and inform only the beneficial information, so the information is distorted and cannot be the information that des...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
데이터의 특성 및 구조 또는 다른 요인이 결과에 영향을 미친다고 판단한 이유는 무엇인가? | 각 모델에 대해 실험을 하기 전에는 LSTM-RNN 또는 Conv1D-LSTM이 가장 우수한 결과를 줄 것으로 예측하였으나 기본형 딥러닝 모델인 Seq-DNN이 동일한 조건에서 가장 우수한 결과를 보여주었다. 이러한 결과는 적용하는 딥러닝 모델뿐만 아니라 데이터의 특성 및 구조 또는 다른 요인이 결과에 영향을 줄 수 있음을 설명하고 있다. | |
RNN이란 무엇인가? | RNN은 신경망의 꽃이라 불리고 시퀀스(sequence) 데이터를 다루는 신경망이다. 예를 들면, 언어(말)는 단순히 한 개의 단어를 통해서는 이해될 수 없고 전체 문장 으로 구성되는 시퀀스 데이터에 의해서 이해될 수 있다. | |
CNN은 무엇을 참조하여 만들어지는가? | CNN은 동물의 시각피질(visual cortex) 구조에서 영감을 얻어 만들어진 딥러닝 신경망 모델로 동물의 계층적 특징추출과 시각인식 체계를 참조하여 만들어졌다[11]. CNN은컴퓨터 비전, 음성인식, 영상인식 등의 분야에서 많이 사용되며, 종류는 AlexNet, GoogleNet, VGGNet, ResNet 등이 있다. |
Althelaya, K.A., Alfy, E.M., and Mohammed, S., Evaluation of bidirectional LSTM for short-and long-term stock market prediction, Proceedings of the 2018 9th International Conference on Information and Communication Systems(ICICS), Irbid, Jordan, 2018, pp. 151-156.
Brownlee, J., Gentle Introduction to the Adam Optimization Algorithm for Deep Learning, https://machinelearningmastery.com/adam-optimization-algorithm-fordeep-learning/.
Chen, Y.H., Krishna, T., Emer, J.S., and Sze, V., Eyeriss : An energy-efficient reconfigurable accelerator for deep convolutional neural networks, IEEE Journal of Solid-State Circuits, 2017, Vol. 52, No. 1, pp. 127-138.
Cho, K.H., Merrienboer, B.V., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y., Learning phrase representations using RNN encoder-decoder for statistical machine translation, Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing, Doha, Qatar, 2014, pp. 1-15.
FukuoKa, R., Suzuki, H., Kitajima, T., Kuwahara, A., and Yasuno, T., Wind speed prediction model using LSTM and 1D-CNN, J-STAGE, 2018, Vol. 22, No. 4, pp. 207-210.
Jung, H.C., Sun, Y.G., Lee, D.G., Kim, S.H., Hwang, Y.M., Sim, I., Oh, S.K., Song, S.H., and Kim, J.Y., Prediction for energy demand using 1D-CNN and bidirectional LSTM in internet of energy, Journal of Institute of Korean Electrical and Electronics Engineers, 2019, Vol. 23, No. 1, pp. 134-142.
MathWorks Korea, https://m.blog.naver.com/matlablove/220928458225.
Park, K.J., Effect of customer demand on total inventory cost and order fill rate in a supply chain, Journal of Society of Korea Industrial and Systems Engineering, 2009, Vol. 32, No. 3, pp. 93-98.
Park, K.J., Effect of information quality level and customer demand on performance measures in a supply chain, Journal of Society of Korea Industrial and Systems Engineering, 2012, Vol. 35, No. 2, pp. 136- 144.
Park, K.J., Performance evaluation of LSTM network through supply chain tier prediction, Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, 2019, Vol. 9, No. 8, pp. 799-808.
Sallehuddin, R., Shamsuddin, S.M., Hashim, S.Z.M., and Abraham, A., Forecasting time series data using hubrid greay relational artificial neural network and auto regressive integrated moving average model, Neural Network World, 2007, Vol. 17, No. 6, pp. 573-605.
Strozzi, F., Bosch, J., and Zaldivar, J.M., Beer game order policy optimization under changing customer demand, Decision Support Systems, 2007, Vol. 42, pp. 2153-2163.
Zhang, C. and Zhang, C., Design and simulation of demand information sharing in a supply chain, Simulation Modelling Practice and Theory, 2007, Vol. 15, No. 1, pp. 32-46.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.