[Uusia kirjoja]

Kirjallisuusarvostelu

Yritystoiminnan kehittäminen organisaationäkökulmien avulla

Markkinatalouden heikentyminen ja kilpailijoiden merkitys tekevät nykyaikaisesta yritystoiminnasta haastavaa. Menestyäkseen yritysten täytyy jatkuvasti kehittää toimintaansa monin eri keinoin. Yksi pitkän tähtäimen kehitystyökalu on organisaatiomuutos. Työn tavoitteena selvitetään, mitä organisaatio tarkoittaa käsitteenä ja mitä kaikkea sen ympärille liittyy. Tutkimuksen kautta selvitetään erilaiset vaiheet organisaatiomuutoksessa, mikä helpottaa työskentelyä tulevaisuuden organisaatiomuutosprosesseissa. Organisaatiokäsitettä tutkitaan teoriassa monissa tieteenaloissa, mikä tekee siitä sen parissa työskentelevälle monialaisen ja laajan työkentän. Organisaatioita on tutkittu tarkemmin viimeiset sata vuotta ja siihen on vaikuttanut eri vuosikymmenten ajattelumallit. Organisaatiotyöskentelyssä tarvitaan monialaista ymmärrystä, jossa tärkeiksi ominaisuuksiksi muodostuvat oman liiketoiminnan tuntemisen lisäksi psykologian ja kulttuurin huomioiminen. Työssä tuodaan esille näkö-kulmia organisaatiokehitystyöhön sekä kuvataan organisaatiorakenteita ja siihen kuuluvia eri vaiheita teorioista. Tutkimuksen kautta selvitetään soveltuva mallinnus organisaatiomuutokseen tutkimuksen kohteena olevalle yritykselle. Yrityksen lähtökohdat organisaatiomuutokselle selvennetään ja etsitään epäkohdat, joita halutaan muutoksella parantaa. Työn tutkimuksessa saadaan yritykselle käsitys siitä, mitä organisaatiomuutos käsittää, mitä siinä täytyy huomioida, ketä kaikkia se koskee ja miten muutos otetaan käyttöön sekä mitä tulee muutoksen jälkeen tehdä. Tuloksena esitetään uusi tiiviimpi ja yhteistyökykyisempi organisaatiomalli ja sen tuomat etuudet yrityksen toiminnalle. Tutkimustyö mahdollistaa ja herättää ajatuksia parempaan organisaatiotyöskentelyyn eri mallinnusten avulla.

Radioverkon mallintaminen nurba-pintaa hyödyntäen

Tässä työssä perehdytaan erilaisiin tapoihin mallintaa radioverkon kuuluvuutta verkon suunnittelua ja erilaisia palveluja varten. Tämän tarkastelun perusteella muodostetaan ongelmaan NURBS-pintaan perustuva ratkaisu, jolla radioverkon kuuluvuutta voidaan tarkastella kolmiulotteisesti. Radioverkon kuuluvuutta mallinnettaessa työssä kehitetty malli ottaa syötteenään tietoja rakennuksesta ja mitattuja signaalivoimakkuuksia ja luo näiden perusteella kolmiulotteisen pinnan, jonka avulla pystytään tarkastelemaan kuuluvuusaluetta. Kehitetyn mallin perusteella työssä toteutettiin radioverkon kuuluvuutta mallintava sovellus, joka pystyy tarjoamaan tietoa signaalin voimakkuudesta myös muiden sovellusten tarpeisiin.

Comparison Structure Analysis

This study presents an automatic, computer-aided analytical method called Comparison Structure Analysis (CSA), which can be applied to different dimensions of music. The aim of CSA is first and foremost practical: to produce dynamic and understandable representations of musical properties by evaluating the prevalence of a chosen musical data structure through a musical piece. Such a comparison structure may refer to a mathematical vector, a set, a matrix or another type of data structure and even a combination of data structures. CSA depends on an abstract systematic segmentation that allows for a statistical or mathematical survey of the data. To choose a comparison structure is to tune the apparatus to be sensitive to an exclusive set of musical properties. CSA settles somewhere between traditional music analysis and computer aided music information retrieval (MIR). Theoretically defined musical entities, such as pitch-class sets, set-classes and particular rhythm patterns are detected in compositions using pattern extraction and pattern comparison algorithms that are typical within the field of MIR. In principle, the idea of comparison structure analysis can be applied to any time-series type data and, in the music analytical context, to polyphonic as well as homophonic music. Tonal trends, set-class similarities, invertible counterpoints, voice-leading similarities, short-term modulations, rhythmic similarities and multiparametric changes in musical texture were studied. Since CSA allows for a highly accurate classification of compositions, its methods may be applicable to symbolic music information retrieval as well. The strength of CSA relies especially on the possibility to make comparisons between the observations concerning different musical parameters and to combine it with statistical and perhaps other music analytical methods. The results of CSA are dependent on the competence of the similarity measure. New similarity measures for tonal stability, rhythmic and set-class similarity measurements were proposed. The most advanced results were attained by employing the automated function generation – comparable with the so-called genetic programming – to search for an optimal model for set-class similarity measurements. However, the results of CSA seem to agree strongly, independent of the type of similarity function employed in the analysis.