Zoekresultaten

A modification of two graph-decomposition theorems based on a vertex-removing synchronised graph product

Recently, we have introduced two graph-decomposition theorems based on a new graph product, motivated by applications in the context of synchronising periodic real-time processes. This vertex-removing synchronised product (VRSP) is based on modifications of the well-known Cartesian product and is closely related to the synchronised product due to Wöhrle and Thomas. Here, we recall the definition of the VRSP and the two graph-decomposition theorems, we relax the requirements of these two graph-decomposition theorems and prove these two (relaxed) graph-decomposition theorems.

Q-sort. Een rangordening

De Q-sort is een manier om objecten (bv. stimuli, uitspraken, attitudes, woorden, foto's, opstelkenmerken, persoonlijkheidstrekken, etc. etc.) door één of meer personen te laten rangordenen. De resultaten van één of meer Q-sorteringen kunnen objectief geanalyseerd worden. Een onderzoeker vraagt zich bijvoorbeeld af: a) op welke opstelkenmerken letten docenten vooral wanneer zij opstellen nakijken? b) welke typen opstelbeoordelaars kan men onderscheiden? Teneinde deze vragen te beantwoorden, verzamelt de onderzoeker (bv. via literatuurstudie, via interviews, etc.) een groot aantal opstelkenmerken. Een aantal voorbeelden van opstelkenmerken zijn: 1) Ik let op "grammaticale fouten" 2) Ik let op "foutieve samentrekkingen" 3) Ik let er op "of zinnen voor tweeërlei uitleg vatbaar zijn 4) Ik let op "de originaliteit van het opstel" 5) Ik let op de "leesbaarheid van het opstel" 6) Ik let op de "overredingskracht van het opstel"

Balanceren tussen veiligheid en zorg

Ruim twee eeuwen geleden (in 1821) is het Nederlandse gevangenisstelsel ingevoerd. Het doel van vrijheidsbeneming lag aanvankelijk vooral in vergelding en zedelijke verbetering of, zoals Molleman1 het beschrijft, in ‘beleren en bekeren’. Doel en vorm van het gevangeniswezen maakten in de loop der tijd veel veranderingen door: van lijfstraffen naar inzetten op opvoeding en gedragsverandering; van eenzame opsluiting naar meerpersoonscellen; van het verdienen van privileges om te luchten/sporten naar het recht op bezoek en geloofsbeoefening; van inzetten op zwaardere beveiligingsmaatregelen naar het voorkomen van detentieschade. Niet alleen doel en vorm veranderden in de loop der tijd, ook de gevangenispopulatie veranderde; bij de huidige doelgroep die in een penitentiaire inrichting (PI) verblijft, is steeds meer sprake van meervoudige en complexe problematiek. Zo kampt een substantieel deel met problematisch middelengebruik, velen hebben last van psychische klachten of stoornissen, en bij veel gedetineerden is sprake van een licht verstandelijke beperking. De hiervoor geschetste veranderingen van doel, vorm en doelgroep vragen andere (nieuwe) vaardigheden van penitentiair inrichtingswerkers (piw’ers). Mede vanwege toenemende zorg om gedetineerden met een complexe problematiek zijn er naast piw’ers ook zorg- en behandelinrichtingswerker (zbiw’er)5 werkzaam in de PI’s. Op dit moment werken er circa 3500 piw’ers en zbiw’ers in een Nederlandse PI. Hoewel verschillend opgeleid, werkzaam in verschillende regimes en met verschillende doelgroepen staan zij allemaal min of meer voor dezelfde opdracht: het realiseren van een goed leefklimaat dat detentieschade kan voorkomen en kan bijdragen aan re-integratie van gedetineerden. Daarin is in toenemende mate ook aandacht voor herstelgericht werken met oog voor slachtoffer en samenleving. Dat vraagt een hybride manier van werken. Dat is het bewaken en bewaren van de veiligheid van gedetineerden en personeel combineren met het bieden van zorg aan gedetineerden en hen motiveren voor en voorbereiden op een delictsvrije toekomst na detentie. Het is belangrijk dat inrichtingswerkers geschoold en begeleid worden in het ontwikkelen van deze meer hybride werkwijze. Om dat adequaat te doen is het belangrijk aan te sluiten bij hun opvattingen. Die bepalen immers een deel van het handelen. Opvattingen van inrichtingswerkers kennen en daarop aansluiten in scholing en begeleiding kan effect hebben op de aard van de begeleiding van gedetineerden. Er is nog betrekkelijk weinig onderzoek gedaan naar opvattingen van inrichtingswerkers over hun werk, enkele (kleinschalige) uitzonderingen daargelaten. Dit artikel beschrijft een onderzoek naar opvattingen van inrichtingswerkers over hybride werken, uitgevoerd in PI Vught. Resultaten bieden richting voor coaching en scholing van inrichtingswerkers, zowel voor de PI’s zelf als voor de Dienst Justitiële Inrichtingen (DJI) en andere opleidingsinstituten.

Onderzoeksintegratie en de Intentie tot Onderzoeksgedrag van Studenten in Hoger Beroepsonderwijs

Cigarete waste : questions & action.

Questions & Action (multiple days) with the music industry on the topic of cigarete waste.

Deep Reinforcement Learning Applied to a Robotic Pick-and-Place Application

Industrial robot manipulators are widely used for repetitive applications that require high precision, like pick-and-place. In many cases, the movements of industrial robot manipulators are hard-coded or manually defined, and need to be adjusted if the objects being manipulated change position. To increase flexibility, an industrial robot should be able to adjust its configuration in order to grasp objects in variable/unknown positions. This can be achieved by off-the-shelf vision-based solutions, but most require prior knowledge about each object tobe manipulated. To address this issue, this work presents a ROS-based deep reinforcement learning solution to robotic grasping for a Collaborative Robot (Cobot) using a depth camera. The solution uses deep Q-learning to process the color and depth images and generate a greedy policy used to define the robot action. The Q-values are estimated using Convolutional Neural Network (CNN) based on pre-trained models for feature extraction. Experiments were carried out in a simulated environment to compare the performance of four different pre-trained CNNmodels (RexNext, MobileNet, MNASNet and DenseNet). Results showthat the best performance in our application was reached by MobileNet,with an average of 84 % accuracy after training in simulated environment.