• 한국생산제조학회지
• /
• 제6권2호
• /
• pp.7-9
• /
• 1997

• 열병합발전
• /
• 통권27호
• /
• pp.10-25
• /
• 2002

• 한국관개배수논문집
• /
• 제11권1호
• /
• pp.106-112
• /
• 2004

• 기술사
• /
• 제30권6호
• /
• pp.77-90
• /
• 1997

• 대한치과마취과학회:학술대회논문집
• /
• 대한치과마취과학회 2001년도 제1차 학술대회
• /
• pp.51-51
• /
• 2001

• 물과 미래
• /
• 제43권6호
• /
• pp.38-43
• /
• 2010

• 전자진흥
• /
• 제4권4호
• /
• pp.97-105
• /
• 1984

• 지열에너지저널
• /
• 제7권3호
• /
• pp.4-9
• /
• 2011

• 한국실내디자인학회논문집
• /
• 제40호
• /
• pp.109-116
• /
• 2003

The space planning and interior layout of recovery unit should be determined carefully for patient's nursing and observation which is considered to prevent infection and to cope quickly with emergency situation after surgical operation. Recently, the recovery unit in medical facilities is planned and managed without consideration of operating system, sanitary facilities and prior condition of space. Therefore, there is required to the logical criterion of architectural planning for patient's recovery unit which is concerned about opinion of medical team, anesthetist, sanitarian, architect and patient as a user. As the result, this study would apply to design guideline for the architectural planning of patient's recovery unit.

• 한국음향학회:학술대회논문집
• /
• 한국음향학회 1999년도 학술발표대회 논문집 제18권 2호
• /
• pp.71-76
• /
• 1999

본 논문에서 제안한 예측형 RBFN(Radial Basis Function Network)은 HMM과 신경망을 결합한 하이브리드 구조이다. 이 신경망은 HMM으로 추정한 확률분포 파라미터를 사용하여 중간층의 활성화 함수의 출력을 결정하고, 중간층과 출력층의 연결강도만 네트워크 내에서 학습한다. 그리고 HMM으로 추정한 확률분포 파라미터는 두 가지 방법으로 예측형 RBFN에 이용하였다. 첫 번째는 HMM의 각 상태의 혼합수 만큼의 중간층 유니트를 주는 방법이고, 두 번째는 HMM의 혼합수$\times$출력분포수 만큼의 중간층 유니트를 주는 방법이다. 실험결과, 예측형 RBFN은 다른 방법들의 결과보다 $4.5\~6.5\%$ 저하된 결과를 보였지만 다른 신경망에 비해서 학습 반복 횟수를 작게할 수 있었으며 전체 학습시간을 대폭 단축할 수 있었다.