Learning Probabilistic Models for State Tracking of Mobile Robots

Learning Probabilistic Models for

State Tracking of Mobile Robots

Daniel Nikovski and Illah Nourbakhsh

The Robotics Institute,Carnegie Mellon University,Pittsburgh,USA,danieln,illah@https://www.wendangku.net/doc/5716344045.html,

Abstract

We propose a learning algorithm for acquiring a stochas-tic model of the behavior of a mobile robot,which allows the robot to localize itself along the outer boundary of its environment while traversing https://www.wendangku.net/doc/5716344045.html,pared to previously suggested solutions based on learning self-organizing neural nets,our approach achieves much higher spatial resolution which is limited only by the control time-step of the robot.We demonstrate the successful work of the algorithm on a small robot with only three infrared range sensors and a digital compass,and suggest how this al-gorithm can be extended to learn probabilistic models for full decision-theoretic reasoning and planning.

1Introduction

One of the primary objectives of mobile robots is to be able to navigate safely and reliably in their environments, in spite of the signi?cant uncertainty usually accompany-ing their sensing and action.In this paper,we are con-sidering a well-established robotic task—mobile robot localization and state tracking,while following walls in an unknown environment[4,3],and propose a solution based on learning a probabilistic dynamic model in the form of a Hidden Markov Model(HMM).The traditional approach to mobile robot navigation is to supply the robot with a full and detailed model of its problem domain,and use this model for localization,state tracking,and plan-ning.As of recently,the use of probabilistic models and decision-theoretic planning and state tracking meth-ods is becoming increasingly popular,and has resulted in several successful mobile robot architectures[5,2].Con-sequently,our choice of representation has also been a probabilistic model.

The practical downside to providing a full and detailed world model to the robot is the signi?cant expense of time and effort on the part of a human designer.Ma-chine learning algorithms for acquiring autonomously a world model are very appealing and likely to result in huge savings of time and effort,and many mobile robot architectures include a learning component.Both known studies on the task we are considering—position track-ing while following walls—have used a learning algo-rithm.However,the representation these studies used(a spreading-activation neural network)has resulted in very limited spatial resolution—a shortcoming that we have aimed to eliminate by the use of probabilistic models.

2Position tracking during wall following by a mobile robot

Some of the basic competencies of a mobile robot are obstacle avoidance and boundary tracing,which collec-tively result in a wall-following behavior.Implementing these competencies on a mobile robot is relatively easy —infrared range(IR)sensors can be used as“whiskers”in a fast control loop.In our experiments,we used a sim-ple mobile robot with two differential-drive wheels and a passive caster,three IR sensors,and a digital compass (Fig.1).The?rst IR sensor(IR1)points forward,while IR2points to the right and is placed in front of the right wheel,and IR3also points to the right,but is placed be-hind the right wheel.These three IR sensors were suf?-cient to implement wall following behavior.

The robot is controlled by a Palm Pilot III hand-held com-puter with a DragonBall CPU(clock rate16MHz),run-ning PalmOS3.1.The control step,including the time to record the sensor readings in a log?le,is.The robot is also supplied with a Dinsmore digital compass, which senses the local magnetic?eld and has a resolution of(eight directions).

Nehmzow and Smithers[4]and Matari′c[3]used simi-lar robots and considered the task of self-localization of the robot along the outer contour of its environment.The objective of the robot is to build an internal representa-tion of this contour and be able to determine its posi-tion by means of this internal representation.It is desir-able to have as high spatial resolution as possible,while at the same time maintaining high accuracy of localiza-tion.These two requirements are contradictory,because increasing the number of distinguishable states also in-creases the chance of erroneous localization.

Figure1:The robot,Mr.Spoon,equipped with two differential-drive servo motors,three IR sensors,and a Dinsmore digital compass placed on a mast to reduce magnetic interference from the motors.

Nehmzow and Smithers used a spreading-activation Ko-honen neural network with a?xed number of nodes(neu-rons)as a world model.The weights of this network were updated in the process of learning a model of the environ-ment.They used the output of the motors of the robot,in-stead of sensory input,to train the neural net.The biggest limitation of their approach is the?xed number of nodes in the model,and thus the resulting limited spatial resolu-tion during localization.In fact,even though they started with a neural net of nodes,the robot could ultimately distinguish only locations,mostly corners of the outer boundary of the robot’s environment[4].

The limited spatial resolution is the main problem with Matari′c’s approach too[3].She chose three large,stable, and reliably detectable landmark types:left walls,right walls,and corridors,along with a default landmark type for irregular boundaries.While the chosen set of land-marks resulted in reliable position tracking,the robot was inherently incapable of determining where it was along a particular wall or a corridor,for example.We have sought to eliminate the limited spatial resolution resulting from the approaches described above by means of learn-ing probabilistic models of the environment in the form of Hidden Markov Models(HMMs).

Probabilistic models of mobile robot environments have emerged as an alternative to those based on neural net-works,and successful applications of probabilistic oc-cupancy grids have been reported[8].However,such methods typically build full two-dimensional probabilis-tic maps,which is not possible with the limited sensors of our experimental robot and no odometric information at all.Still,the essential ideas of learning probabilistic models for robot navigation can be applied on our robot as well,as discussed below.

3State tracking with HMMs

An HMM has a set of states which are not directly observable—instead,only observation symbols from the set are perceived.In HMMs,the dependency of the emitted symbols on the state is not deterministic,but speci?ed by a probabilistic emission function which maps states in on probability distributions over. Likewise,the transition function of an HMM is not deter-ministic either—transitions between states are speci?ed by a stochastic transition function which maps prede-cessor states in onto probabilistic distributions over all successor states,also in.In addition,an initial prob-ability distribution over speci?es how likely it is for the HMM to start out in each of its states.

The structure,transition,and emission functions of an HMM employed by a mobile robot represent the laws, according to which the state of the robot evolves as a re-sult of its actions.The states of the HMM correspond to all possible locations of the robot—these states,how-ever,are not directly observable by the robot due to its limited and noisy perceptual abilities.When the robot is in a particular state,it will observe one or more sets of readings from.The observations are derived from the actual reading of the physical sensors the robot is equipped with:IR readings,sonars,compass direc-tions,etc.

The relationship between states and observations is nei-ther repeatable,nor unambiguous:the robot might per-ceive different sensor readings even when staying at ex-actly the same state,and it can also perceive the exact same readings at completely different states(for example, in two different corners).The former effect is a result of the inherently noisy sensors of mobile robots,while the latter effect,also known as perceptual aliasing,is due to the limited range and resolution of most sensors used on practical robotic systems.

In spite of the high uncertainty present in the operation of mobile robots,a number of algorithms exist,which allow successful localization,state tracking,and plan-ning based on probabilistic models of the robot and its environment[2,5].These algorithms maintain a be-lief distribution over all possible states and up-date it by means of the transition and emission matri-ces of a probabilistic model in a well-known prediction-

estimation loop.During prediction,the agent estimates how the belief state at time will change if the system advances to the next stage at time,based on the general knowledge about how actions affect states encoded in the transition probability function of the HMM:

where is the estimated belief state at time for all states in,is the belief state at time, are transition probabilities of the HMM,and the sum runs over all states in.During the estimation phase,the newly observed percept is used to update the estimated belief vector:

where are the emission probabilities of the HMM and is a normalization coef?cient.The most likely state at each step is the one whose correspond-ing element of the belief vector is largest.Within this prediction-estimation mechanism,localization and state tracking are only slightly different tasks:while for state tracking the initial state is assumed to be known(a single peak in the initial distribution of the HMM),for the lo-calization task is assumed to be uniform(the robot is equally likely to be in all possible states).

Multiple real-world robotic systems exist,which use sim-ilar belief updating schemes to handle navigation in large environments[5,2].The practical obstacle to their widespread use is the necessity to supply the robot with a detailed probabilistic model of its environment.The fol-lowing section proposes one algorithm for autonomously learning such probabilistic models for the task of mobile robot localization while following walls.

4Learning HMMs for Mobile Robot Localiza-tion

The objective of the learning algorithm is to acquire an HMM from an observation trace recorded while the robot is following the outer boundaries of its environment,con-trolled by the set of rules described above.Raw sensory readings are recorded at each control step()and include the ranges of the three IR sensors(in centime-ters),the current compass direction(discretized internally by the digital compass into eight principal directions), and the chosen action(left,right,straight).

Learning in HMMs with a known structure can be per-formed by means of the Baum-Welch algorithm,a form of the general Expectation Maximization algorithm[6], or by gradient-based optimization[7].When the structure of the HMM is not known,the algorithm must addition-ally search the space of all structures[1],which is compu-tationally very expensive.We have pursued an alternative approach to learning probabilistic models with hidden state,which is very different from the methods described above.The rationale behind it comes from the engineer-ing?eld of system identi?cation which deals with the almost identical problem of acquiring state-space mod-els of dynamic systems from observations,even though the mathematical formalism most often employed there is that of linear differential or difference equations involv-ing continuous variables.A large number of algorithms in that?eld use the fact that although states might not be directly identi?able by the immediate observations,a long enough sequence of past observations is suf?cient to distinguish states.Likewise,if perceptual aliasing pre-vents us from determining unambiguously that the sys-tem has visited the same state at two different moments in time by simply looking at the emitted observations at these times,it might still be possible to make a de?nite determination by comparing the two sequences of obser-vations before these two moments.Furthermore,if the whole observation trace is available,we can also com-pare the sequences after the two moments as well. When the algorithm?nds out by comparing trajectories that the system must have visited the same state(position) at two different moments in time,it establishes an equiv-alence class between these two moments.By?nding the correct disjoint equivalence classes for each moment in time,the algorithm in effect introduces a set of states for the HMM and determines the sequence of states visited for each time step of the sequence by labeling it with its equivalence class.

Once it has been determined which state of the HMM was visited at each step in time,computing the probabil-ities in the transition and emission tables of the HMM is trivial and reduces to counting frequencies of occurrence, because at this point there are no more hidden variables in the model.

The current learning problem has signi?cant constraints, which can be exploited to search exhaustively all pos-sible models in a reasonable time.Such a constraint is the fact that the robot is always tracing the same bound-ary over and over in a loop,and if we determine that the period of the loop is time steps,then we should merge together the states at times,then the states at times,and so on all the way up to merging the states at times

.Consequently,we have to search only among all possible periods,computing a matching score for each of them,and then choose the period with the highest matching score.

When computing the score for a particular period,

though,the algorithm would have to match all possi-ble pairs of states which appear at this period through-out the whole sequence of observations.So,if the robot has done circles,where is the largest integer such that,the algorithm would have to compare or matches,depending on whether or candidate states are compared.So,the overall complexity of the matching process is.

We found that the sequence of compass outputs alone was enough to serve as an indicator of the location of the robot,for the purpose of matching trajectories. Hence forward we will designate this sequence of com-pass outputs as,,where

.We de?ned the local distance between time steps and to be the cir-cular distance between the directions at these times;this distance is always within the interval.Then,the global matching score for a period can be computed as:

is computed for every integer in the interval

,and the best estimate for the period is taken to be,since is a discrep-ancy measure(global distance).The obvious choice of and results in a lot of wasted computation;instead,these two bounds can be easily im-proved by determining how many loops the robot has per-formed while collecting the observation data.To this end,we set a counter at the start of the se-quence and increment it by one any time when the com-pass reading changes counter-clockwise(e.g.from north to northwest),and decrement it by one if the reading changes clockwise(e.g.,from south to southwest).When there is no change in compass direction,the counter re-mains unchanged too.After all readings in the se-quence have been processed,the integer part of the ratio is a reliable estimate of how many complete loops the robot circled.Hence,the limits can be modi?ed as and.Note,however, that attempting to?nd the period itself as results in a very imprecise estimate,and leads to the creation of unusable HMMs.

5Experimental Environment and Results

We tested our algorithm in the experimental world shown in Fig.2,which consists of walls in a regular of?ce-building corridor and pieces of cardboard to close off the contour.The control loop and data trace acquisition part of the algorithm were implemented in C++under Pal-mOS and ran on the robot,while the algorithm for build-ing the HMM was implemented in Matlab on a UNIX workstation,due to the low speed of the CPU on-board the robot

(16MHz).

Figure2:Experimental world.Approximate sizes are by.The initial location of the robot is shown along with its direction of motion.

We collected an observation trace of time points while the robot was following the contour of the environ-ment.We split these data into a training set(

data points),and testing set()points.The points in the training set were used by our algorithm to build an HMM,and the sequence in the testing set was used to evaluate the ability of the robot to localize itself and track its state by means of the learned HMM.The training data is shown in Fig.3.

The cumulative number of direction changes over the training steps was found to be,or the equivalent of circles around the contour.As noted above,this does not necessarily mean that the true period is exactly time steps;this estimate only helps the algorithm narrow down the possible search in-terval for the period,so that

and.The global trajectory mis-match was computed for the remaining values; the results are shown in Fig.4.The minimal mismatch between the trajectories of multiple loops was found to be at.This is close to the rough initial esti-

Figure3:Training data.Encoding of directions: ,,,,.

mate of obtained from the direction-change counter, but still suf?ciently different so that the initial estimate would have led to erroneous

models.

Figure4:Mismatch(inter-trajectory distance)as a func-tion of the period.The minimum mismatch is at. Once the period has been determined,the number of hidden states can be?xed to,and the positions along the contour can be labeled with the number of the cor-responding state.Estimating the emission probabilities

of the HMM for a particular state amounts to recording how often each observation sym-bol(in this case,compass direction)was output by the compass,while the robot was at state.Note that even when the robot is at a straight segment of the contour(a long wall),the emission probabilities for the correspond-ing states are often not deterministic—the reason is

well-known high-frequency wavering component of wall following behavior,which sometimes results in

switching of compass directions even along straight

Since the phase of this high-frequency component

general,different between consecutive circles,the

often observes different compass directions at the

position along the contour.

transition probabilities are similar for all states and be determined from the basic physical constraint that time step,the robot advances to the next state in circular ring formed by all states and closed between and.The transition can be determinis-which forces the prediction part of the belief track-algorithm to simply shift the belief distribution along the ring of states;alternatively,the transition function can have a stochastic element,allowing for the HMM to stay at the previous state(position),or even advance past the next state.There are several justi?cations for such a stochastic transition matrix.The exact period of the robot’s motion along the contour is not an integer number, and the rounding error would accumulate,if the transi-tion matrices do not account for it.Furthermore,the way the robot’s wall-following behavior negotiates corners is visibly different at each circle,and the traveled distance, hence the exact progression along the state chain,differs too.

Fig.5shows a graph of the most likely state as deter-mined by the localization algorithm,which performs the prediction-estimation cycle for belief updating by means of the learned HMM and the observations in the testing sequence.The localization algorithm starts with a uni-form belief distribution,i.e.the robot has no prior knowl-edge as to where it is.Since we do not have the ground truth about exactly where the robot was during each con-trol step of the testing period,as a reference we have pro-vided the labeling of states in the testing sequence that would have resulted if the labeling of the training se-quence had continued past the boundaries of the training set into the testing one.

The results show that the prediction-estimation algorithm initially cannot resolve a perceptual ambiguity and it takes more than control steps(seconds)to recover the true position of the robot.It is also visible that for the most part the algorithm is able to track the most-likely robot state correctly,even though the robot gets lost six times.This is due to encountering an observation,for which the emission probability is zero and hence should not have been encountered.In such a case,the algorithm for belief updating realizes that it has gotten lost,resets the belief distribution to uniform,and starts the localiza-tion process again.It should be noted,though,that lo-calization always succeeds in these re-localization cases, which is a further evidence that the learned HMM can

Figure5:Experimental results.The localization algo-rithm uses the learned HMM to determine the most-likely state of the robot based on observations,starting with an initially uniform belief distribution.The projected label-ing of states from the training set is given for comparison, too.

be used for robust robot localization while following the outer contour of the environment.

6Conclusions and Future Work

We described an algorithm for learning an HMM from a sequence of directions output by a digital compass on-board a mobile robot,and used this HMM for state local-ization and tracking by means of updating belief distri-butions.The algorithm was able to perfectly localize the robot several times,and maintain(track)the correct be-lief distribution most of the time.The spatial resolution that the robot can achieve was much higher than compet-ing approaches based on neural nets,and is limited only by the control hardware of the robot.

A problem for our method,however,are percepts,which have never been encountered during training and are thus considered impossible.Observing such a percept imme-diately causes the robot to lose track of its position and reset its belief distribution back to uniform.Several so-lutions to this problem are possible.First,some small prior probability for observing each percept in each state can be added to the emission tables,so that the belief dis-tribution would not be reset when unknown percepts are seen.Second,the eight compass directions can be mod-eled not as independent discrete symbols,but as contin-uous values,and the distance between these values can be exploited while learning the HMM:for example,if the

direction north has been observed in a particu-state,the probability of also observing northwest and in that state could increase too.

promising direction for extension of the current sys-

is to try to learn a full planar model of the whole

of the mobile robot by adding shortcuts be-sections of the outer boundary.So far,the robot only traverse the outer contour using the wall follow-

behavior,and has no choice of actions.The robot

can,however,turn away from the wall and follow a line until it hits a boundary again.Because the abilities have been shown above to be very the robot could conceivably backtrack the local-

state to the point when the boundary was encoun-

and thus establish a new transition in the HMM,

corresponds to a shortcut in the environment.If

is possible,the robot would have a choice of follow-ing the wall or taking a shortcut,and would be able to use the learned probabilistic model for decision-theoretic planning.

References

[1]Nir Friedman.The Bayesian structural EM algorithm.In

Gregory F.Cooper and Seraf′?n Moral,editors,Proceedings of the14th Conference on Uncertainty in Arti?cial Intelli-gence(UAI-98),pages129–138,San Francisco,July24–26 1998.Morgan Kaufmann.

[2]Sven Koenig and Reid Simmons.Xavier:a robot naviga-

tion architecture based on partially observable Markov de-cision process models.In D.Kortenkamp,R.P.Bonasso, and R.Murphy,editors,Arti?cial Intelligence and Mobile Robots,pages91–122.MIT Press,Cambridge,1998.

[3]M.J.Matari′c.Integration of representation into goal-driven

behavior-based robots.IEEE Trans.Robotics and Automa-tion,8(3):304–312,June1992.

[4]U.Nehmzow and https://www.wendangku.net/doc/5716344045.html,ing motor actions for lo-

cation recognition.In F.J.Varela and P.Bourgine,editors, Toward a Practice of Autonomous Systems.Proc.First Eu-ropean Conf.on Arti?cial Life,pages96–104,Cambridge, MA,USA,1992.MIT Press.

[5]Illah Nourbakhsh.Dervish:an of?ce navigating robot.In

D.Kortenkamp,R.P.Bonasso,and R.Murphy,editors,Ar-

ti?cial Intelligence and Mobile Robots,pages73–90.MIT Press,Cambridge,1998.

[6]L.R.Rabiner and B.H.Juang.An introduction to hidden

Markov models.IEEE ASSP Magazine,page4,January 1986.

[7]Stuart Russell,John Binder,and Daphne Koller.Adaptive

probabilistic networks.Technical Report CSD-94-824,Uni-versity of California,Berkeley,July1994.

[8]S.Thrun,D.Fox,and W.Burgard.Probabilistic mapping

of an environment by a mobile robot.In Proceedings of the IEEE International Conference on Robotics and Automation (ICRA-98),pages1546–1551,Piscataway,May16–201998.

IEEE Computer Society.

知识管理和信息管理之间的联系和区别_[全文]

引言：明确知识管理和信息管理之间的关系对两者的理论研究和实际应用都有重要意义。从本质上看,知识管理既是在信息管理基础上的继承和进一步发展,也是对信息管理的扬弃,两者虽有一定区别,但更重要的是两者之间的联系。 知识管理和信息管理之间的联系和区别 By AMT 宋亮 相对知识管理而言,信息管理已有了较长的发展历史,尽管人们对信息管理的理解各异,定义多样,至今尚未取得共识,但由于信息对科学研究、管理和决策的重要作用,信息管理一词一度成为研究的热点。知识管理这一概念最近几年才提出,而今知识管理与创新已成为企业、国家和社会发展的核心,重要原因就在于知识已取代资本成为企业成长的根本动力和竞争力的主要源泉。 信息管理与知识管理的关系如何?有人将知识管理与信息管理对立起来,强调将两者区分开;也有不少人认为知识管理就是信息管理;多数人则认为,信息管理与知识管理虽然存在较大的差异,但两者关系密切,正是因为知识和信息本身的密切关系。明确这两者的关系对两者的理论研究和实际应用都有重要意义。从本质上看,知识管理既是在信息管理基础上的继承和进一步发展,也是对信息管理的扬弃,两者虽有一定区别,但更重要的是两者之间的联系。 一、信息管理与知识管理之概念 1、信息管理 “信息管理”这个术语自本世纪70年代在国外提出以来,使用频率越来越高。关于“信息管理”的概念,国外也存在多种不同的解释。1>.人们公认的信息管理概念可以总结如下:信息管理是实观组织目录、满足组织的要求,解决组织的环境问题而对信息资源进行开发、规划、控制、集成、利用的一种战略管理。同时认为信息管理的发展分为三个时期:以图书馆工作为基础的传统管理时期,以信息系统为特征的技术管理时期和以信息资源管理为特征的资源管理时期。 2、知识管理 由于知识管理是管理领域的新生事物，所以目前还没有一个被大家广泛认可的定义。Karl E Sverby从认识论的角度对知识管理进行了定义，认为知识管理是“利用组织的无形资产创造价值的艺术”。日本东京一桥大学著名知识学教授野中郁次郎认为知识分为显性知识和隐性知识，显性知识是已经总结好的被基本接受的正式知识，以数字化形式存在或者可直接数字化，易于传播；隐性知识是尚未从员工头脑中总结出来或者未被基本接受的非正式知识，是基于直觉、主观认识、和信仰的经验性知识。显性知识比较容易共享，但是创新的根本来源是隐性知识。野中郁次郎在此基础上提出了知识创新的SECI模型:其中社会化(Socialization)，即通过共享经验产生新的意会性知识的过程；外化(Externalization)，即把隐性知识表达出来成为显性知识的过程；组合（Combination），即显性知识组合形成更复杂更系统的显性知识体系的过程；内化（Internalization），即把显性知识转变为隐性知识，成为企业的个人与团体的实际能力的过程。

家乡的一处景物作文150字_作文150字

家乡的一处景物作文150字 家乡的一处景物我的家乡可美丽了！不信，我就当个向导，带你去看看吧！ 我家门前是一条清澈见底的小河。小鱼、小虾在河里快快乐乐地生活着。岩石上长满了苔藓。小河上有一座拱形桥，夏天，小桥上天天坐满乘凉的人。左边是一个小庭院，庭院里有几箱小蜂房，里面充满了蜂蜜味。香气喷喷，那是蜜蜂用辛苦地劳动换取的蜜。里面蜜蜂非常多，有的在勤劳地采蜜，有的懒懒地沉睡，还有的欢乐地跳起了“团舞”。看，它们有繁忙也有悠闲，真有趣！后面是片竹林，那里竹林连成一片，象一条绿色的海洋。春天走进竹林，你会见到地上长满了竹笋。它们像小宝宝躺在地上一样迎接着我们。右边是一个健身房。早晨健身房里挤满了许多人。 我的家乡美吗？ 家乡的一处景物王瑀晗我的家乡在天津。天津的四季都很美丽。 春天来了，万物复苏，小草偷偷的探出头来，好像一个个害羞的小姑娘，躲躲藏藏，柳树披着一身碧绿的衣裳，一条条细细的柳条，随风舞动，真美啊！花儿清香，吸引着翩翩起舞的蝴蝶，它们把春天的大门打开了。 夏天到了。荷叶挨挨挤挤的，像一个个碧绿的大圆盘，之间冒出来的荷花像亭亭玉立小姑娘一样。荷花上可爱的蜻蜓，飞飞停停。荷叶下活泼的小鱼在我眼前游过，快乐的吐着泡泡。还有蝉在树上不停地告诉我们“知了，知了”。夏天真好啊！ 秋天，既是一个丰收的季节，还是一个万物改装的季节。秋姑娘带着果实和各种色彩来到世界。把枫树的树叶染成橘色，把苹果染成红色，鲜红色的像宝石，深红色的像玛瑙，而且吃起来香甜可口。 冬天。雪花飘落下来，为城市披上一件雪白色的大衣。孩子们扬着冻红了的小手，尽情的嬉戏。 这就是家乡的景色，我爱我的家乡——天津。 :家乡的一处景物我的家乡在宁围，听父母说，我的家乡是全国有名的强镇，经济发达。如果来过我们家乡的人，肯定会说我们的家乡更是一个美丽的、整洁的乐园。 说说我家对面的集镇吧！宽宽的柏油马路旁，种着许多桂花树。直挺挺的象一个个士兵，树下长着一株株迎春花，春风一吹，迎春花就绽开了笑脸，仿佛在告诉我们：春天来了！两边的高楼大厦鳞次栉比，似乎在比谁高。 再说说我家对面的那一片田地吧！看，春天来了！一大片桂花树抽出了新的枝条，长出了嫩绿的叶子。邻家伯伯种的豌豆已经迫不及待的钻了出来，想看看世界是什么样子的……一片生机勃勃的景象，肯定会让你流连忘返。 我爱我的家乡，欢迎您来我的家乡作客。 :家乡的小池塘吕尧外婆家的门前有一个小池塘。每天早上，鸭子们都排着队伍，摇摇摆摆地往池塘走去，小池就成了鸭子们的乐园。 小池塘是无私的。在池塘前面，有一片稻田，小池塘一次一次的浇灌着禾苗，它看着稻田里的禾苗发芽，长大，被收割…… 小池还是一道风景线，每当我站在外婆家的门口时，远看是山，近看是稻田，还有小池塘，山是那样青，稻田是那样黄，而小池塘水又是那样绿，多美啊！

e-Learning 分享：2015年elearning发展趋势

2015年elearning发展趋势 1.大数据 elearning涉及的数据量越来越大，而传统的数据处理方式也变得越来越难以支撑。 仅在美国就有46%的大学生参加在线课程，而这也仅仅是一部分elearning用户而已。虽然大数据的处理是一个难题，但同时也是改善elearning的一个良好的契机。 下面是大数据改善elearning的一些案例。 大数据能够使人们更深入的了解学习过程。例如：对于（课程）完成时间及完成率的数据记录。 大数据能够有效跟踪学习者以及学习小组。例如：记录学习者点击及阅读材料的过程。 大数据有利于课程的个性化。例如：了解不同的学习者学习行为的不同之处。 通过大数据可以分析相关的学习反馈情况。例如：学习者在哪儿花费了多少时间，学习者觉得那部分内容更加有难度。 2.游戏化 游戏化是将游戏机制及游戏设计添加到elearning中，以吸引学习者，并帮助他们实现自己

的学习目标。 不过，游戏化的elearning课程并不是游戏。 elearning的游戏化只是将游戏中的元素应用于学习环境中。游戏化只是利用了学习者获得成功的欲望及需求。 那么，游戏化何以这么重要？ 学习者能够回忆起阅读内容的10%，听讲内容的20%。如果在口头讲述过程中能够添加画面元素，该回忆比例上升到30%，而如果通过动作行为对该学习内容进行演绎，那么回忆比例则高达50%。但是，如果学习者能够自己解决问题，即使是在虚拟的情况中，那么他们的回忆比例则能够达到90%！（美国科学家联合会2006年教育游戏峰会上的报告）。近80%的学习者表示，如果他们的课业或者工作能够更游戏化一些，他们的效率会更高。（Talent LMS 调查） 3.个性化 每位学习者都有不同的学习需求及期望，这就是个性化的elearning如此重要的原因。个性化不仅仅是个体化，或差异化，而是使学习者能够自由选择学习内容，学习时间以及学习方式。 相关案例： 调整教学进度使教学更加个性化； 调整教学方式使教学更加与众不同； 让学习者自己选择适合的学习方式； 调整教学内容的呈现模式（文本、音频、视频）。

关于砍树的作文150字

关于砍树的作文150字 导读：本文关于砍树的作文150字，仅供参考，如果觉得很不错，欢迎点评和分享。 关于砍树的作文150字 篇一：熊爸爸要砍树 熊爸爸早上起床发现门前的一棵大树很影响美观，于是就想把这棵大树砍掉。 小兔小松鼠都吓坏了，小熊知道了便对爸爸说："爸爸，请你不要砍树！"熊爸爸问："为什么？你看这棵大树多影响美观啊！"小熊说："那么，小兔小松鼠住哪？大千世界哪都是美丽的，只要你有一双善于发现美的眼睛！"熊爸爸说："好的我不砍树了！"小熊说："树还可以吸收二氧化碳，有利于健康！"熊爸爸说："太好了！" 小熊告诉了小兔小松鼠爸爸不砍树了！小兔小松鼠都可高兴啦！ 篇二：砍树根 今天，姥爷在门口砍树根，我和表弟也凑过去。 砍柴可是姥爷的一项绝活。首先要将树根倾斜15度，最后在下面垫上一个较小的木头，然后要找树根天然形成的缝隙，如果没有，就朝树根中间劈去，劈到一半时，再用斧头后面的锤子用力一敲，便成。 姥爷就是遵循这个规律的。只见姥爷用一块儿小木头垫着，再用脚踩着，抡起斧头，斧头在空中形成一道美丽的弧线，犹如一道闪电

似的劈下去，一下子就将树根劈了一半，再用后面锤子用力一凿，树根就成了两半。 篇三：砍树枝 今天，哥哥要和我去砍树枝。我拿着锯子，哥哥拿着一把刀。我锯树枝的上面，哥哥砍下面，因为树枝太粗了没能成功。 第二天，我们继续去干活。我想快点锯完树枝就可以休息了，所以我和哥哥交换了一下位置。我自言自语的说："像一个大盘子一样粗的树枝就是不好砍呀。"因为太累了，所以又没能成功，我和哥哥只好回家了。 第三天，在我们很努力的情况下，终于把那枝树枝砍了下来。当时我想要是有光头强的电锯该多好啊！ 我和哥哥拖着我们的战利品高高兴兴的回家了。 篇四：不许砍树 一天，小明和小林写完作业跑到树林玩儿，突然他们听到了电锯的声音，于是小明拉着小林的手来到了树林的深处。 他们看到有个人在砍树，就在这时候，他们立即阻止了哪个人，哪个大人说："小孩子一边玩儿去。小明说："不管你说什么我们都不让开，我们吸来的新鲜空气都是花草树木造成的，要是每个中国人都拿电锯或者斧头来树林砍一棵树的话我还不知道能不能活到现在。 那个人听了把电锯放了下来对大树说："大树对不起以后我在也不砍树了。 篇五：砍树

信息管理与知识管理典型例题讲解

信息管理与知识管理典型例题讲解 1.（）就是从事信息分析，运用专门的专业或技术去解决问题、提出想法，以及创造新产品和服务的工作。 2.共享行为的产生与行为的效果取决于多种因素乃至人们的心理活动过程，（）可以解决分享行为中的许多心理因素及社会影响。 3.从总体来看，目前的信息管理正处（）阶段。 4.知识员工最主要的特点是（）。 5.从数量上来讲，是知识员工的主体，从职业发展角度来看，这是知识员工职业发展的起点的知识员工类型是（）。 6.人类在经历了原始经济、农业经济和工业经济三个阶段后，目前正进入第四个阶段——（），一种全新的经济形态时代。 1.对信息管理而言，( )是人类信息活动产生和发展的源动力，信息需求的不断 变化和增长与社会信息稀缺的矛盾是信息管理产生的内在机制，这是信息管理的实质所在。 2.（）就是从事信息分析，运用专门的专业或技术去解决问题、提出想法，以及创造新产品和服务的工作。 3.下列不属于信息收集的特点（） 4.信息管理的核心技术是（） 5.下列不属于信息的空间状态（） 6.从网络信息服务的深度来看，网络信息服务可以分 1.知识管理与信息管理的关系的（）观点是指，知识管理在历史上曾被视为信息管理的一个阶段，近年来才从信息管理中孵化出来，成为一个新的管理领域。 2.著名的Delicious就是一项叫做社会化书签的网络服务。截至2008年8月，美味书签已经拥有（）万注册用户和160万的URL书签。 3.激励的最终目的是（）

4.经济的全球一体化是知识管理出现的（） 5.存储介质看，磁介质和光介质出现之后，信息的记录和传播越来越（） 6.下列不属于信息的作用的选项（） 1.社会的信息化和社会化信息网络的发展从几方面影响着各类用户的信息需求。（） 2.个性化信息服务的根本就是“（）”，根据不同用户的行为、兴趣、爱好和习惯，为用户搜索、组织、选择、推荐更具针对性的信息服务。 3.丰田的案例表明：加入( )的供应商确实能够更快地获取知识和信息，从而促动了生产水平和能力的提高。 4.不属于信息资源管理的形成与发展需具备三个条件（） 5.下列不属于文献性的信息是（） 6.下列不属于（）职业特点划分的

三年级写景作文150字大全_作文

三年级写景作文150字大全 1、秋天写景作文150字 秋天随处可见，马路上、公园里、果园里……不管哪里都有秋天的气息。 我走在马路上，看见小鸟飞过，它们叽叽喳喳的，仿佛告诉我们：“秋天来了！秋天来了！”一片片金黄色的叶子落下，仿佛是一只翩翩起舞的蝴蝶，说多美，有多美。我也好似像一只蝴蝶，飘向远方。 公园里，好像来到的金色的天堂，我不禁赞叹：“真美哇。”我和朋友去放风筝，他告诉我他的身体也飘了起来，秋天真美。 果园里，有：梨、苹果、葡萄、柿子、橘子、柚子、香蕉、甘蔗……说的我垂涎欲滴。 我爱秋天。 2、美丽的大海 我的家乡有一片美丽的大海，哪里风景优美，空气清新，是游泳胜地。每到夏天，那里人山人海，还有很多人在游泳，热热闹闹的。 中午，阳光照在海水上，还水金灿灿的，美丽极了！最有趣的是那些躲在岩石后的小螃蟹啦！黄黄的身子，10只脚，一对强壮的钳子，一对横着走的脚，其他的脚都是用来捕捉食物用的。 傍晚，夕阳照在沙滩上，沙子像一个个黄金似的。还有沙滩上的贝壳，贝壳，贝壳形状各异，颜色不一，像天上掉下来的仙贝似的，沙滩上的沙子软软的，如果有人踩上去，就会有踩在白

云上的感觉。 还有很多人在沙滩山玩耍，有的在堆沙堡，有的在堆沙球，有的在挖沙子，有的在游泳…… 这就是美丽的大海，我家乡的大海。 3、三年级写景作文睡莲 奶奶家的后面是一个菜园，菜园里有一块爷爷亲手挖出来的小池塘。 爸爸把一些睡莲的种子种在了池塘里。不久，池塘里就有看睡莲的身影。睡莲是洁白无瑕的，她出淤泥而不染，真让人喜爱，她早上开花，下午就合了，像个小懒虫。 睡莲的花瓣是白色的，花心是金黄的，宛如几位穿着白裙的公主顶着王冠在水中嬉戏。荷叶围绕着睡莲，就像是她们的舞台。 婀娜的她们一会儿摆动作，一会儿看着水面上的自己，一会儿比谁开的艳……无忧无虑的。 花儿合了，我想，明天的睡莲一定更美！ 4、美丽的家乡 我的家乡位于武安市，那里有很多风景优美的风景区，其中有美丽的京娘湖、七步沟、古武当山、长寿村等，美丽极了！ 春天，小燕子从南方唧唧喳喳地飞回来，好像在说：“我们终于回来了！”它们从空中掠过，青的草，绿的叶，各色鲜艳的花儿，象赶集似的聚拢来，形成了光彩夺目的春天。 盛夏，绿绿的水果压弯了树枝。再往池塘中看，接天莲叶无穷碧，映日荷花别样红，荷花美的就像一大幅活动的画，要是画家能画出这幅活的画，那么，画家的本领可真了不起。

elearning时代：企业培训大公司先行

e-learning时代：企业培训大公司先行 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 从个人到企业，从企业到市场，e-learning有着无限的生长空间，跃上时代的浪尖是必然，也是必须。 企业培训:e-learning时代已经来临 约翰-钱伯斯曾经预言“互联网应用的第三次浪潮是e-learning”，现在，这个预言正在变为现实。 美国培训与发展协会(ASTD)对2005年美国企业培训情况的调查结果显示，美国企业对员工的培训投入增长了16.4%，e-learning培训比例则从24%增长到28%，通过网络进行学习的人数正以每年300%的速度增长，60%的企业已使用网络形式培训员工;在西欧，e-learning市场已达到39亿美元规模;在亚太地区,越来越多的企业已经开始使用e-learning…… 据ASTD预测，到2010年，雇员人数超过500人的公司，90%都将采用e-learning。 e-learning:学习的革命 正如印刷书籍造就16世纪后的现代大学教育，互联网的普及，将使学习再次发生革命性的变化。 按照ASTD给出的定义,e-learning是指由网络电子技术支撑或主导实施的教学内容或学习。它以网络为基础、具有极大化的交互作用，以开放式的学习空间带来前所未有的学习体验。 在企业培训中，e-learning以硬件平台为依托，以多媒体技术和网上社区技术为支撑，将专业知识、技术经验等通过网络传送到员工面前。通过e-learning，员工可以随时随地利用网络进行学习或接受培训，并将之转化为个人能力的核心竞争力，继而提高企业的竞争力。 据IDC统计，自1998年e-learning概念提出以来，美国e-learning市场的年增长率几乎保持在80%以上。增长速度如此之快，除了跟企业培训本身被重视度日益提高有关，更重要的是e-learning本身的特性: 它大幅度降低了培训费用，并且使个性化学习、终生学习、交互式学习成为可能。而互联网及相关产品的开发、普及和商业化是e-learning升温最强悍的推动力。 数据表明，采用e-learning模式较之传统模式至少可节约15%-50%的费用，多则可达

家乡的景色作文150字

家乡的景色作文150字 本文是关于作文大全的，仅供参考，如果觉得很不错，欢迎点评和分享。 家乡的景色作文150字（一） 大家好，我向你们介绍我的家乡。我的家在温州乐清市的乡镇里，那里很美丽。不仅风景优美。而且物产丰富，这是不是很美丽。 乡镇里有一座座高高的大楼，很多的汽车，还有家具城，我在向你们介绍我家，有最好喝的乌龙茶，有我家最好吃的清蒸牛肉，而且那里有好玩的地方前岸公园。 每次回家我都和我家人一起去公园玩，一走进公园看到一排排的柳树，小河里有一群群红色的鱼儿，里面还有碰碰车，太空球，恐怖城…… 我的家乡是不是很美啊，有空来我家乡玩哦。 家乡的景色作文150字（二） 我的家乡在江西。那里风景优美，树木茂盛，而且江西还是革命起义的地方。江西有个地方叫东山岭。那里景色迷人，树木茂盛，山顶还有一块石碑，石碑上写着革命烈士永垂不朽，意思就是纪念解放战争牺牲的解放军。东山岭可不是只有树木，而是从山脚到山头都有娱乐设施，比如说夏天是打气球，冬天时放火花。我觉得打气球最好玩，因为打破十个气球还能得到一个小礼物呢！还有东山岭也是鸟的天堂。夏天的清早，鸟儿们就在枝头歌唱和做游戏。还有些鸟儿在石

碑做窝。东山岭的下边是一个名叫休闲的广场。广场每天都很热闹，这我不知道这是为什么。我感到我的家乡很美，我很开心。 家乡的景色作文150字（三） 今天，我和爸爸妈妈来到了邯郸市老家。我们刚到那里，那里的景色色彩鲜艳，有一片绿色的玉米苗，犹如一片绿色的森林。还有一片洁白无瑕的棉花。 我们顺着老家的水泥地慢慢地走向我奶奶的家，我刚刚差不多的时候，爷爷已近在门口接我们了，我看见爷爷立马大婶喊道：“爷爷好”！爷爷说：“孙子啊！几年没见张着么高了”。总结，今年我去了家乡，家乡很美。 家乡的景色作文150字（四） 我的家乡在四川，那里风景优美，十分迷人。特别是家乡的果园和大海更让人难忘。 到了秋天，黄澄澄的橘子、红通通的苹果、弯弯的香蕉挂满枝头，到处都是丰收的景象。 除了累累果实外，我的家乡还有青的草、绿的叶，蓝蓝的天空、朗朗明月，更让人向往的是大海。一大早就有很多小孩来到海边捡贝壳，到了下午，很多人都会来到这里游泳，我则喜欢坐在海边欣赏迷人的晚霞。 瞧，我的家乡很美吧，欢迎你到四川来做客。 感谢阅读，希望能帮助您！

知识管理系统：目标与策略

知识管理：目标与策略 摘要：知识管理是社会经济发展的主要驱动力和提高组织竞争力的重要手段。其基本内容是运用集体的智慧提高应变和创新能力。本文旨在界定知识经济的概念，探讨知识管理的目标，比较分析知识管理的两种策略之异同，以促进我国管理的创新，有利于引导我国企业步入知识经济时代。 关键词：管理；组织；创新 在人类社会的发展进程中，管理创新和技术进步可以说是推动经济增长的两个基本动力源。随着知识社会的到来，知识将成为核心和具有柔性特点的生产要素，而对知识的管理更是社会经济发展的主要驱动力和提高组织竞争力的重要手段。对组织而言，知识和信息正在取代资本和能源成为最主要的资源，知识经济迫切要求管理创新。适应此要求，近几年来，一种新的企业管理理念——知识管理（Knowledge management）正在国外一些大公司中形成并不断完善。其中心内容便是通过知识共享、运用集体的智慧提高应变和创新能力。知识管理的实施在于建立激励雇员参与知识共享的机制，设立知识总监，培养组织创新和集体创造力。总结和研究知识管理的做法和成功经验将有利于我国企业管理的创新，有利于引导我国企业步入知识经济时代。 一、概念的界定 什么是知识管理？一个定义说：“知识管理是当企业面对日益增

长着的非连续性的环境变化时，针对组织的适应性、组织的生存及组织的能力等重要方面的一种迎合性措施。本质上，它嵌涵了组织的发展过程，并寻求将信息技术所提供的对数据和信息的处理能力以及人的发明和创新能力这两者进行有机的结合。”笔者认为，知识管理虽然广泛运用于企业管理的实践，但作为具有一般管理的共同性质的公共管理同样也面临着知识管理的问题。对于公共部门而言，知识管理的目标与核心就是通过提高人的发明和创新能力来实现组织创新。 知识管理为组织实现显性和隐性知识共享提供了新的途径。显性知识易于整理和进行计算机存储，而隐性知识是则难以掌握，它集中存储在雇员的脑海里，是雇员所取得经验的体现。知识型组织能够对外部需求作出快速反应、明智地运用内部资源并预测外部环境的发展方向及其变化。虽然要做到这一点需要从根本上改变组织的发展方向和领导方式，但是其潜在回报是巨大的。要了解知识管理，首先要把它同信息管理区分开来。制定一个有效的信息管理战略并不意味着实现了知识管理，这正如不能单纯从一个组织的设备硬件层面来衡量其办公自动化水平一样。要想在知识经济中求得生存，就必须把信息与信息、信息与人、信息与过程联系起来，以进行大量创新。库珀认为：“正是由于信息与人类认知能力的结合才导致了知识的产生。它是一个运用信息创造某种行为对象的过程。这正是知识管理的目标。”实行有效知识管理所要求的远不止仅仅拥有合适的软件系统和充分的培训。它要求组织的领导层把集体知识共享和创新视为赢得竞争优势的支柱。如果组织中的雇员为了保住自己的工作而隐瞒信息，如果组

(完整版)信息管理与知识管理

信息管理与知识管理 （）是第一生产力,科学技术 （）是物质系统运动的本质特征，是物质系统运动的方式、运动的状态和运动的有序性信息按信息的加工和集约程度分（）N次信息源 不是阻碍企业技术创新的主要因素主要包括（）市场需求薄弱 不属于 E.M.Trauth博士在20世纪70年代首次提出信息管理的概念，他将信息管理分内容为（）网络信息管理 不属于W.Jones将个人信息分为三类（）个人思考的 不属于信息的经济价值的特点（）永久性 不属于信息的社会价值特征的实（）广泛性 不属于信息资源管理的形成与发展需具备三个条件（）信息内容 存储介质看，磁介质和光介质出现之后，信息的记录和传播越来越（）方便快捷 国外信息管理诞生的源头主要有（）个1个 即信息是否帮助个人获得更好的发展，指的是（）个人发展 社会的信息化和社会化信息网络的发展从几方面影响着各类用户的信息需求。（）2个 社会价值的来源不包括（）社会观念 图书馆层面的障碍因素不去包括：（）书籍复杂无法分类 下列不属于信息收集的过程的（）不提供信息收集的成果 下列不属于信息收集的特点（）不定性

下列不属于用户在信息获取过程中的模糊性主要表现（）用户无法准确表达需求 下列哪种方式不能做出信息商品（）口口相传 下列现象不是五官感知信息为（）电波 下列属于个人价值的来源（）个人需求 信息information”一词来源于哪里（）拉丁 信息管理的核心技术是（）信息的存储与处理 技术信息管理观念是专业技术人员的（基本要素 信息认知能力是专业技术人员的（基本素质） 信息是通信的内容。控制论的创始人之一维纳认为，信息是人们在适应（外部） 世界并且使之反作用于世界的过程中信息收集的对象是（信息源）由于（）是一种主体形式的经济成分，它们发展必将会导致社会运行的信息化。（信息经济） 在网络环境下，用户信息需求的存在形式有（）4种 判断题 “效益”一词在经济领域内出现，效益递增或效益递减也是经济学领域的常用词。（对） “知识经济”是一个“直接建立在知识和信息的生产、分配和使用之上的经济”，是相对于“以物质为基础的经济”而言的一种新型的富有生命力的经济形态。（对） 百度知道模块是统计百度知道中标题包含该关键词的问题，然后由问

景物描写的作文150字_作文专题

景物描写的作文150字 景物描写的作文篇一：日落 今天，我去欣赏美丽的日落，有点欣喜若狂，欢乐的心情涌上心头!好开心啊!一路上，我们欢声笑语。 到了目的地：山坡，野花儿盛开在草地上，旁边潺潺的溪流清澈见底，哇!好一片生机。 终于，太阳公公回家了，湛蓝的天空布满了红色的朝霞，起初，太阳露出了半边，像一把镰刀，最后，它完全不见了，旁边的云霞还在，紫的，红的，粉的，好不美丽。 美丽的的日出让我至今历历在目，因为它好美! 景物描写的作文篇二：春天的景物 春姑娘害羞的来到人间，原来白色的冬天变成了五光十色的春天。柳树也开始长叶了，那叶子嫩嫩的，可爱极了，春风又吹过柳树，它摇摆着柳枝。像是向人招手。湖面也融化了，静静的，像是一面镜子，清澈见底，鱼儿欢快的游着，春风再次吹过湖面，把鱼儿又吓跑了，过了一会儿，湖面平静下来了。又见鱼儿自由自在的游着。 小燕子唱着歌从南方飞回来了，在屋檐下建起了属于自己的家园。 春天多美好呀! 景物描写的作文篇三：观看日落 为了观看日落，我早早的吃完晚饭，来到操场边上。 1 / 3

劳累了一天的太阳，拖着疲惫的身子，收起了耀眼的光芒。太阳慢慢地往下落，把一条条，一束束五彩带撒满天空，使人觉得像一座座五彩天桥。太阳落到树林里，显示出难分难舍的样子，过了一会，太阳又像一位害羞的小姑娘，躲进了山峦里。太阳快要消失了，渐渐的、渐渐的……太阳终于消失了，给天边留下了一道红霞。 景物描写的作文篇四：秋天的景物 秋天来了，秋高气爽，瓜果飘香。在果园里有苹果、橘子、梨子、菠萝发出一阵阵的香味，这些香味的都迷到了人们，人们闻到了这些香味都想吃一口。田野里，那金黄的稻谷，就像一片金色的海洋。农民伯伯在开开心心的在田野里收着金黄的稻谷，大雁从北方飞回南方了。蚂蚁、乌龟、蛇、还有青蛙都在加进挖洞准备过冬了。 这个秋天真美丽啊!我爱秋天! 景物描写的作文篇五：秋天 秋天是个美好的季节，也是个丰收的季节。 秋高气爽，天高云淡。果园了瓜果飘香，芬芳迷人。香香的梨，红彤彤的苹果，你碰我，我挤你的，争着要人们去采呢!稻田里，金黄黄的稻子随风飘动。农民伯伯笑呵呵地说：“今年的稻子又要丰收拉” 秋天，一片片黄黄的书也落下来，告诉我们：“秋天来了!”同时也告诉我们：“冬天快要来了，要注意保暖啦。”大雁挣着往南飞，蛇，青蛙都在加紧挖洞，他们在准备过冬了。 2 / 3

知识管理

知识管理?技术平台构建_建立知识管理系统时应该 注意的几个方面 著者:于涛部门:泛微大连项目管理部 实施知识管理，不但需要推行知识管理的理念，建立知识管理组织及创建知识共享的文化，还要通过知识管理系统来使之变为现实。但在利用知识管理系统的时候一定要注意以下几个方面： 1、服从知识管理目标 构建知识管理系统，首先要服从知识管理的整体目标，即能够“将最恰当的知识在最恰当的时间传给最恰当的人”，使他们能够做出最好的决策，只有达到了这个目标，才能成为真正的知识管理系统。其次要清楚知识管理的具体目标，究竟是为了更快地解答客户的咨询，是避免公司一旦因员工流失而出现青黄不解，还是为了降低运作成本？在知识管理系统实施的每一步开始前，都应该十分清楚该阶段预期达到的成效和项目的成果是什么。 2、尊重“以人为本” 知识管理系统的规划必须“以人为本”，而不要以文字知识为核心。实施时应当清楚的定义企业使用知识管理系统的用户是谁，他们的具体要求是什么，用户应当能够通过知识管理系统定义知识、发现知识、整合企业内外众多的知识源，并对其分类和组织。 3、鼓励知识共享行为 一般，鼓励知识共享更多地依赖于组织的内部管理，但知识管理系统能够为组织实施各种知识共享措施提供支持。例如：提供意见反馈、评分与建议等用户之间交互的工具，增加用户参与感。从系统提供的机制中，管理层可以清楚地得知用户的参与及贡献度，并能由用户反馈、使用频率明确地判别其知识价值。 4、符合知识创新和转化的需求 知识管理系统能够将企业每个成员纳入管理范围之内，为其提供创新所必须的知识库，通过规定的知识创新步骤、设计好的知识表达的规范格式来引导成员将其隐性知识显性化。 5、注意系统安全问题 由于知识管理系统可能涉及到组织的核心知识资产，所以系统要有一定的技术手段保护核心知识的流失，例如对相关的分析数据或文档信息有一套权限管理机制，并满足用户个性化需求。 案例： 埃森哲的知识管理系统被誉为“全球知识共享网络”（lotus notes），系统利用KX（knowledge xchange）黄页提供多种查询途径。全球47个国家110个办事处共有75000个用户。员工通过黄页可以迅速找到所需资料库加入到个人的工作站中。资料库种类繁多、内容丰富，全球同步随时更新。资料库包括图书库/实务帮助、论坛、行业分析等，可以按照不同市场/行业/或服务领域分门别类。

一件有趣的事作文150字优秀作文

一件有趣的事作文150字 篇一：一件有趣的事 今年，我和爸爸妈妈回老家过年。 今年的年过的特别开心，因为我们和奶奶家、大伯伯家、姨妈家一起过的，人多热闹。我们准备了很多菜，每一道菜，奶奶都能对上吉祥的意思，比如鱼表示年年有余、年糕表示步步高升、葱表示聪明、蒜表示计算好、菱表示脑袋灵光、包肉丸子表示团团圆圆哈哈，这真是一顿丰盛而有趣的年夜饭，我还收到了很多红包哦，真期待明年的年夜饭快点到来啊！ 篇二：一件有趣的事娄齐杨 我最喜欢玩的游戏是贴鼻子。 首先，老师在黑板上画了一张可爱的笑脸，大大的眼睛，弯弯的眉毛就少了鼻子。老师把我的眼睛蒙住，我拿起鼻子，左量一下，右量一下，把它贴了下去，结果我把鼻子贴到了嘴巴旁，大家笑得前仰后合。 我决定再来一次，这次，我拿起鼻子，信心十足地贴了下去，结果，不但把鼻子贴倒了，还把它贴到了头顶上，成了一个十足的怪物。大家笑得肚子都疼了。 我看到自己的杰作，也笑弯了腰。 篇三：一件有趣的事叶竞遥 上课了，我们班上的同学徐苡晨带来了盐水、清水和两个鸡蛋。我们的好奇心一下子上来了，我们心里想着：这是干什么呢？ 她分别把两个鸡蛋放在不同的水里。然后，她问我们：你们觉得鸡蛋放在哪个瓶子里会浮起来呢？我们东猜西想，像一群小麻雀一样叽叽喳喳讨论开了。后来，周老师说：盐水是有浮力的，可以把鸡蛋托起来。这节科技课激发了我们很大的好奇心，我爱上了学科学。篇四：一件有趣的事 秋天，秋高气爽，我们今天上午要去清远故乡里游玩。 早上8：00，我到了学校。早上8：00，我坐上了车，车开了一个多小时，沿途经过了许多地方下车后，我发觉这里我们来过。我们解散了，解散后，我们组到处游玩了一通。 我们组走着走着，看见了野战场。我进了去，我们的武器是红外线发射器，样子怪怪的，我打着打着，不知怎么，我被打中了时光飞逝，13：00到了，我希望我有更多时间玩！ 篇五：一件有趣的事 今天的晚上，我和爸爸妈妈去门前的树林里捉蝉。我们拿着手电筒一棵一棵树慢慢地找，蝉刚刚出来的时候是蛹，等它爬上树，它脱下外衣就成了蝉，蛹爬上树可快了，我找到的是皮，而父母找到的是蝉，我们找的时候蛹爬得很高，我们抅不到用棍子来抅。 回到家的时候我数了数一共有43只蝉。我捉了9只，剩下的是爸爸妈妈捉的，猜猜我的爸爸妈妈一共有几只？这真是个有趣的晚上。

2019年温州一般公需科目《信息管理与知识管理》模拟题

2019年温州一般公需科目《信息管理与知识管理》模拟题 一、单项选择题(共30小题，每小题2分) 2.知识产权的时间起点就是从科研成果正式发表和公布的时间，但有期限，就是当事人去世（）周年以内权利是保全的。 A、三十 B、四十 C、五十 D、六十 3.（）国务院发布《中华人民共和国计算机信息系统安全保护条例》。 A、2005年 B、2000年 C、1997年 D、1994年 4.专利申请时，如果审察员认为人类现有的技术手段不可能实现申请者所描述的结果而不给予授权，这体现了（）。 A、技术性 B、实用性 C、创造性 D、新颖性 5.根据本讲，参加课题的研究策略不包括（）。 A、量力而行 B、逐步击破 C、整体推进 D、有限目标 6.本讲认为，传阅保密文件一律采取（）。 A、横向传递 B、纵向传递 C、登记方式 D、直传方式 7.本讲提到，高达（）的终端安全事件是由于配置不当造成。 A、15% B、35% C、65% D、95% 8.本讲认为知识产权制度本质特征是（）。 A、反对垄断 B、带动创业 C、激励竞争 D、鼓励创新 9.本讲指出，以下不是促进基本 公共服务均等化的是（）。 A、互联网+教育 B、互联网+医 疗 C、互联网+文化 D、互联网+工 业 10.根据（）的不同，实验可以分 为定性实验、定量实验、结构分析实 验。 A、实验方式 B、实验在科研中 所起作用C、实验结果性质D、实验 场所 11.本讲认为，大数据的门槛包含 两个方面，首先是数量，其次是（）。 A、实时性 B、复杂性 C、结构化 D、非结构化 12.2007年9月首届()在葡萄牙里 斯本召开。大会由作为欧盟轮值主席 国葡萄牙的科学技术及高等教育部 主办，由欧洲科学基金会和美国研究 诚信办公室共同组织。 A、世界科研诚信大会 B、世界学术诚信大会 C、世界科研技术大会 D、诺贝尔颁奖大会 13.（）是2001年7月15日发现 的网络蠕虫病毒，感染非常厉害，能 够将网络蠕虫、计算机病毒、木马程 序合为一体，控制你的计算机权限， 为所欲为。 A、求职信病毒 B、熊猫烧香病 毒 C、红色代码病毒 D、逻辑炸弹 14.本讲提到，（）是创新的基础。 A、技术 B、资本 C、人才 D、知 识 15.知识产权保护中需要多方协 作，（）除外。 A、普通老百姓 B、国家 C、单位 D、科研人员 17.世界知识产权日是每年的（）。 A、4月23日 B、4月24日 C、4月25日 D、4月26日 18.2009年教育部在《关于严肃 处理高等学校学术不端行为的通知》 中采用列举的方式将学术不端行为 细化为针对所有研究领域的()大类行 为。 A、3 B、5 C、7 D、9 19.美国公民没有以下哪个证件 （）。 A、护照 B、驾驶证 C、身份证 D、社会保障号 20.关于学术期刊下列说法正确 的是（）。 A、学术期刊要求刊发的都是第 一手资料B、学术期刊不要求原发 C、在选择期刊时没有固定的套 式 D、对论文的专业性没有限制 22.知识产权的经济价值（），其 遭遇的侵权程度（）。 A、越大，越低 B、越大，越高 C、越小，越高 D、越大，不变 23.（）是一项用来表述课题研究 进展及结果的报告形式。 A、开题报告 B、文献综述 C、课题报告 D、序论 25.1998年，（）发布《电子出版 物管理暂行规定》。

草原(150字)作文

精选作文:草原(150字)作文 这次我看到了草原，那里的天比别处更可爱，空气是那么清新，天空是那么明朗，使我总想高歌一曲，表示我满心的愉快。在天地下一碧千里，而并不茫茫，四面都有小丘，平地是绿的，小丘也是绿的，羊群一会儿，上了小丘又一会儿下来，走到哪里都给无边的绿毯绣上白色的大花。六年级:浮生梦天 篇一：描写大草原的作文 描写大草原的作文1 我的家乡在内蒙古大草原，那里一年四季风景如画，美丽迷人。 春天冰雪融化，万物复苏。这时我们来到草原上，在暖暖的阳光下，草地披上绿色的新装，地上长满了嫩绿的小草，五颜六色的野花在和煦的春风吹拂下竞相开放。远远望去，白蘑菇般的蒙古包点缀在绿茵如毯的草原上，格外醒目。成群的牛羊想朵朵棉花镶嵌在草地上，远处牧羊姑娘那动听的歌声在草原上回荡……。 草原的夏天是一个水草茂盛的季节。这是，你在来到草原，仿佛置身于渌色的海洋。微风偶尔轻轻吹过，才能看见草原上成群的牛羊，让我们体会到了诗人笔下的“风吹低见牛羊”的情景。远处蒙古包里升起的袅袅炊烟，有位这绿色的草原平添了一种恬淡的气息。秋天，草原的天，是那么高，那么蓝。蓝天上飘着朵朵白云，有的像绵绵的羊群；有的像雪白的棉花；还有的像高高的群山。蓝天下一眼望不到边的草原变成了金色的海洋。草籽成熟了，沉甸甸的穗头把草秆压垮了。这些优良的牧草把马牛羊喂得膘肥体壮。 寒冷的冬天悄悄的来到了草原。北风呼啸，大雪漫天飞舞，像鹅毛，像柳絮，纷纷扬扬地飘洒在草原上，草原像盖上了一层棉被，到处都是白雪皑皑。 这就是我的家乡——美丽的内蒙古大草原。 描写大草原的作文2 暑假，我去了那拉提，看到了一望无际的草原。那里的天比别处更可爱，空气是那么清新，天空是那么晴朗，我总想高歌一曲，表达我满心的愉快。 那拉提草原真绿啊，绿的仿佛那是一块闪闪发光的绿宝石；那拉提草原真静啊，静得可以让你听到牛羊的叫声；那拉提草原真大啊，大的让你找不到边际。羊群一会上了小丘，一会又下来，走到哪里都像给天边的绿毯绣了大花，举目望去，是连绵起伏的山，这些山与天相连，犹如一幅水墨画，几匹骏马的嘶鸣，打破了草原的宁静，连大牛也会抬起头，好像回味草原的无限乐趣。 初入草原，听不见一点声音，也看不见什么东西，除了一些忽飞忽落的小鸟。过了许久，远远看见了一顶白色的蒙古包，热情的哈萨克族阿姨，对我们很热情，特为我们倒上了热腾腾的奶茶。 当我们要离开那拉提大草原时，我又忍不住回头深情看了一眼一望无际的大草原，然后才恋恋不舍的上了车。 再见了，那拉提大草原，我还会来看你的。 描写大草原的作文3

Elearning平台未来发展新趋势

Elearning 平台未来发展新趋势

随着e-Learning概念被大众逐渐所接受，如今许多e-Learning公司纷纷涌现，现基本形成三大氛围趋势。一类提供技术（提供学习管理平台，如上海久隆信息jite公司、Saba公司、Lotus公司）、一类侧重内容提供（如北大在线、SkillSoft公司、Smartforce公司、Netg公司）、一类专做服务提供（如Allen Interactions公司）。不过随着e-Learning发展，提供端到端解决方案的公司将越来越多，或者并不局限于一个领域，如目前北大在线除提供职业规划与商务网上培训课件外，还提供相应的网络培训服务，e-Learning作为企业发展的添加剂，必将成为知识经济时代的正确抉择。 e-Learning的兴起本身与互联网的发展应用有着密切关联，它更偏重于与传统教育培训行业相结合，有着扎实的基础及发展前景，因而在大部分互联网公司不景气之时，e-Learning公司仍然被许多公司所看好。 权威的Taylor Nelson Sofresd对北美的市场调查表明，有94%的机构认识到了e-Learning的重要性，雇员在10000人以上的公司62.7%都实施了e-Learning，有85%的公司准备在今后继续增加对e-Learning的投入。而54%的公司已经或预备应用e-Learning来学习职业规划与商务应用技能。 面对如此庞大的e-Learning市场，全世界e-Learning公司将面临巨大机遇，但竞争也更加激烈。优胜劣汰成为必然。将来只有更适应市场需求，确保质量，树立信誉，建设自有品牌的公司才更具备有竞争力。那么未来e-Learning到底将走向何方？ 如今很多平台开发厂商以及用户都很关心这个问题。其实从e-Learning诞生到现在，如今大家有目共睹，移动终端上的3-D让我们的体验飘飘欲仙，该技术放大了我们的舒适度；云计算使得软件的访问轻而易举；全息图像为学习环境提供了逼真的效果；个性化的LMS使得用户可以学会更多专业人员的从业经验；更多的终端、更低廉的带宽连接为现实向世界提供解决方案的能力。 个性化学习是e-Learning平台共同追求的目标，力求解决单个群体的日常需求，将成为elearning平台下一阶段发展的新追求。那么个性化的学习将为何物呢？它又将通过何途径来实现呢？ 移动学习 移动学习（M-learning）是中国远程教育本阶段发展的目标方向，特点是实现“Anyone、Anytime、Anywhere、Any style”（4A）下进行自由地学习。移动学习依托目前比较成熟的无线移动网络、国际互联网以及多媒体技术，学生和教师使用移动设备（如无线上网的便携式计算机、PDA、手机等），通 模板版次：2.0 I COPYRIGHT? 2000- JITE SHANGHAI

知识管理制度通用

[ 蓝凌管理咨询报告之三] ****集团基于LKS4.0知识管理 实施推进制度 （建议稿） 目录 一、知识管理的目标和策略 二、知识管理组织架构和岗位主要职责 三、知识贡献管理 四、知识内容的推进管理 五、系统内知识的安全管理 六、知识管理的绩效考评 七、附则 附件1：知识需求贡献表（样表） 附件2：内部专家名单表(含专家背景调查表)附件3：常用资料需求表

附件4：定期检查的知识表 附件5：模块的权限分配 深圳市蓝凌管理咨询支持系统有限公司 地址：深圳高新区中区麻雀岭工业区7栋五楼A区 电话：（0755）26710066-1808、1708 传真：（0755）26710099 邮编：518057 ****集团知识管理制度（建议稿） 一、知识管理的目标和策略 1.1目标 1.1.1****集团的知识管理目标，就是要把支持企业各方面工作的信息、知识管理起来，提高工作效率、保证工作质量、降低工作成本。通过“将最恰当的知识在最恰当的时间传递给最恰

当的人”，使集团全体员工掌握好企业知识，建立和强化企业的核心利润源，谋取企业长期的、稳定的、增长的利润。 1.1.2 较具体地, 要在这次知识管理的推动中，建立起集团的知识体系架构；整理出全集团各岗位工作所产生的知识、员工贡献的知识、员工所需求的知识、常用的知识、基础知识、专家知识、员工的工作经验和总结等知识内容；确定这些知识内容的管理方式；通过工具平台、组织和制度逐步使知识管理工作走向正规化。 1.2 策略 1.2.1 根据****集团业务和工作特点，进行知识管理信息化办公平台和知识管理组织和机制的建设，在专业咨询机构的指导下，分阶段稳步推进实施。 1.2.2 知识管理信息化办公平台选用蓝凌公司的LKS4.0系统。该系统以IBM/LOTUS 的DOMINO协作平台为基础，它是基于知识管理的工作平台，可以满足****集团的知识管理需求。

快乐的植树节作文150字

快乐的植树节作文150字 今天天气暖洋洋，我和爸爸妈妈乡下植树。到了乡下，乡下美丽极了，绿绿的草地青青的山水。我们到山上去植树。爸爸挖好坑， 我们把小树苗栽进坑里。爸爸填好土，我去河里提水。河里有小鱼 小虾水草，很美丽。 我提完水就给小树苗浇水，浇完水小树苗长大了点点，这真是一天快乐的植树节。明年的这一天我还要来，看看我的小树苗，看它 是不是比我长得还快。 春天来了，一年一度的植树节也来了。小明、小红、小花相约来到郊外植树。他们先找了一片空地挖下树坑，然后把树苗放到坑里，最后把树苗扶正把树坑填满。小红到小河边提来了水，小明和小花 给刚栽好的树苗浇了水。 他们高兴地看着小树苗说："小树，小树，请你快快长大!" 春天来了，天气变暖和了。 早上，我和小刚来到了山坡上种树。看，这里的风景多美呀!红 红的太阳高高的挂在天上，绿油油的大树、五颜六色的鲜花、还有 两只小鸟在天空中自由的飞翔。“我们就在这种树吧。”小刚说着，就开始挖坑，我把小树苗种进去，扶正，然后给小树苗浇水。到了 晚上我做了一个梦，我梦见我种的小树苗长成了绿油油的大树，我 心里乐开了花。 春天来了，植树节到了。 我们班的全体同学高高兴兴地到公园里去植树。到了公园，同学们开始种树。先挖好坑，把树苗放到坑里，扶正树干，再将土填回 到树坑里，最后给树苗浇水。这样树就种好了。 同学们个个累得满头大汗，但是看着自己亲手种的树，同学们心里非常高兴。

今天是3月12日植树节，天气晴朗，雪白雪白的云朵挂在蓝天上。两只黄溜溜的小鸟张开翅膀快快乐乐地飞翔着，两只小白兔在 青草地上开开心心地做游戏，小白鸽们正在看着小朋友们种树。 亮亮栽树，明明培土，欢欢提水，他们齐心协力地在草地上种了许多高大的树。这时候小白鸽们开始唱歌了，好像在唱：“小朋友们，你们真棒!欢迎你们每年的植树节都来种树。” 今天是植树节，小明和小红去山坡上植树。 植树首先要挖一个坑，小明拿着铲子，左一铲右一铲地挖了起来，一会儿坑就挖好了，但小明已经累得满头大汗了。接下来要开始种 树了，小红把树苗栽到小明挖的坑里。小明又一铲一铲地把土给填 了起来，他们看土很松，就用脚把土踩得严严实实的。小红又拿来 一壶水浇到土里，这样就大功告成了。小红说：“小树，小树，你 快快长大吧。”小明说：“明年我们再来植树。”他们看着自己新 手种得小树都开心地笑了。 今天是植树节，在我国今天大家都要种植一棵小树。小朋友们也不甘示弱，一个个拿着工具来植树了。 开始种树了，大家早已经分好了工。有的挖坑，有的栽树，有的浇水，有的封土。大家热火朝天的干着。不一会儿就种好了一行行 小树。像一个个绿色的小卫兵在保卫家园。望着自己的劳动成果， 小朋友们开心的笑了。连小鸟也在枝头唧唧喳喳的歌唱，好像在感 谢小朋友给了自己一个绿色的家园。植树节真快乐呀! 昨天是植树节，因为我要上学，所以我没有种树，我很后悔。妈妈说：“我们今天就在姥姥家的院子里种两棵小树苗吧!”我们先用 小铲子挖了两个坑，把一棵小树苗放进去，填上土，又把另一棵树 苗种进土里。妈妈提来一桶水，浇在两个树坑里，我想让小树苗快 点长大。我种的是花椒树和石榴树。 多种树的好处有很多。树可以吸收二氧化碳，还可以释放氧气，保护大自然，提高空气质量。树可以防止土地沙漠化，树还可以防 止水土流失。