Hassan Ghasemzadeh و همکاران [۵۵]

جدول ۲-۷: لیست کارهای انجام شده
۲-۸ نتیجه ­گیری
در این فصل تحقیقات انجام شده در زمینه تحمل خطا برای سیستم­های پوشیدنی مورد بحث و بررسی قرار گرفت. متأسفانه با توجه به اهمیت موضوع، مشخص شد که در این زمینه تحقیقات اندکی صورت گرفته است. این درحالیست که در محاسبات پوشیدنی نیاز به یک چارچوب تحمل خطا ضروری است. لذا در فصل سه یک چارچوب تحمل خطا برای محاسبات پوشیدنی ارائه می­ شود.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

فصل سوم
معماری پیشنهادی
۳-۱ مقدمه
عملکرد صحیح سیستم­هایی که بر مبنای آنها تصمیم ­گیری­های حیاتی صورت می­گیرد ضروری است. محاسبات پوشیدنی گونه ­ای از این سیستم­ها هستند که امروزه نقش بسیار مهمی را در کاربردهای گوناگون و حساس از قبیل حوزه سلامت ایفا می­ کنند. به عنوان مثال خطای این سیستم برای سالمندی که به علت کهولت سن تنها زندگی می­ کند، غیر قابل جبران است به حدی که این خطا می ­تواند منجر به وقوع حوادث ناگواری شود. در فصل دوم مشخص شد که با وجود اهمیت موضوع تحمل­پذیری محاسبات پوشیدنی در برابر خطا، در این زمینه تحقیق زیادی صورت نگرفته است. از اینرو با مطالعه­ کارهای دیگران و بررسی معماری­های موجود، در این فصل یک معماری ارائه می­ شود. محاسبات پوشیدنی با محدودیت­های فراوانی از قبیل محدودیت­های منبع، مواجه هستند. بنابراین در معماری ارائه شده به منظور غلبه بر محدودیت­های مذکور، از محاسبات موبایل و محاسبات ابری استفاده می­ شود. عملکرد صحیح سیستم­های استفاده کننده از این معماری، یک چالش است. برای حل چالش ذکر شده نیاز به یک چارچوب تحمل خطا برای این معماری است، که این چارچوب تحمل خطا در این فصل ارائه می­ شود.
۳-۲ معماری پیشنهادی
با مطالعه­ کارهای انجام شده و بررسی معماری­های ارائه شده در رابطه با محاسبات پوشیدنی نیاز به وجود یک معماری جامع، احساس می­ شود. معماری که بتواند نواقص معماری­های پیشین را برطرف سازد. همچنین بتواند تمام معماری­های پیشین را پشتیبانی کند، به بیانی قادر به انجام وظایف معماری­های پیشین باشد. از اینرو با توجه به نقاط ضعف و قدرت معماری­های ارائه شده، در این بخش یک معماری تحمل­پذیر در برابر خطا برای محاسبات پوشیدنی ارائه می­ شود. این معماری از سه فناوری محاسبات ابری، محاسبات سیار و محاسبات پوشیدنی بهره می­برد. شکل ۳-۱ معماری پیشنهادی را نشان می­دهد، که ترتیب لایه ­ها در این معماری بیانگر این است که هر لایه خدماتی را از لایه­ی پایینی خود می­گیرد.

محاسبات پوشیدنی^[۴۳]

محاسبات موبایل^[۴۴]

محاسبات ابری^[۴۵]

شکل ۳-۱: یک معماری پیشنهادی برای محاسبات پوشیدنی
این معماری سه لایه­ای در ادامه توضیح داده می­ شود. لایه­ی محاسبات پوشیدنی بالا­ترین لایه در این معماری است. این لایه شامل گره­های بدن^[۴۶] و ارباب^[۴۷] است. Body Node اطلاعات بدست آمده از بدن جاندار را می­گیرد و به Master Node می­فرستد. ممکن است سنسورهای تعبیه شده در Body Node پردازشی جزئی را بر روی اطلاعات حس شده انجام دهند، از طرفی هم ممکن است این سنسورها اصلاً پردازشی را انجام ندهند. برای مثال یک سنسور دما، پردازشی را انجام نمی­دهد اما برخی از سنسورهای حرکتی از قبیل سنسور mpu-9150، دارای یک واحد پردازش حرکت دیجیتال^[۴۸] است که برخی محاسبات پایه را انجام می­دهد. به هرحال لایه محاسبات پوشیدنی به منظور گرفتن خدمات بیشتر، اطلاعاتی را که دارد به لایه­ی پایینی خود می­دهد.
لایه­ی محاسبات سیار به علت داشتن سخت­افزار و نرم­افزار پیچیده­تر نسبت به لایه­ی بالایی خود، اطلاعاتِ ارسالی توسط لایه­ی بالایی را می­گیرد و بر روی آنها پردازش­هایی را در حد توان خود انجام می­دهد، سپس می ­تواند این اطلاعات را یا در حافظه خود یا در ابر ذخیره کند. به هرحال این لایه برای گرفتن خدمات بیشتر، اطلاعاتش را ممکن است به ابر بفرستد.
لایه­ی رایانش ابری پایین­ترین لایه در این معماری می­باشد، این لایه اطلاعاتِ ارسالی را از لایه­ی محاسبات سیار یا Master Node می­گیرد و با توجه به مزایای منحصربفرد ابر، می ­تواند خدمات ِزیادی را به لایه­ های بالایی خود بدهد. محاسباتِ سنگین، ذخیره­سازی داده ­های حجیم، ارتباط با پزشکانِ دوردست و بسیاری از خدماتِ دیگر، همگی از خدمات این لایه می­باشند.
نتایج فصل بعد نشان می­دهد که این معماری با فراهم کردن یک محیط محاسباتی قدرتمند می ­تواند در زمینه ­های حساس و گوناگونی از جمله حوزه سلامت و درمان از راه دور بیماران مورد استفاده قرار گیرد. یک پیکر­بندی ممکن است به این صورت باشد که شبکه­ ای متشکل از رایانه­های پوشیدنی^[۴۹] بر بدن جاندار پوشیده می­ شود که این رایانه ­ها بسیار کوچک و کم حجم­اند؛ وظیفه آنها جمع­آوری اطلاعاتی راجع به علائم حیاتی بدن است، سپس آنها این اطلاعات را به یک گره سیار ارسال می­ کنند، این کامپیوتر سیار می ­تواند این اطلاعات را ذخیره و پردازش کند و همچنین می ­تواند با محیط ابری ارتباط برقرار کند و از مزایای منحصربفرد ابرها استفاده کند. شکل ۳-۲ عناصر تشکیل دهنده این معماری را بصورت شماتیک نشان می­دهد.
شکل ۳-۲: طرح کلی معماری پیشنهادی
این شبکه­ حسگر بدنی از تعدادی گره سخت­افزاری تشکیل شده است که هر کدام از این گره­ها به وسیله­ جاندار پوشیده یا بر روی ماشین نصب می­شوند. در این تحقیق، گره­های پوشیدنی به دو دسته­یBody Node و Master Node تقسیم شده ­اند.
گره­های Body Node دارای اجزای سخت­افزاری بسیار ساده­ای هستند. مطابق شکل ۳-۳ هرBody Node شامل پنج قسمتِ حسگر^[۵۰]، واحد ریزکنترل کننده^[۵۱](MCU)، فرستنده^[۵۲] ، گیرنده^[۵۳] و باتری است.

• حسگر:طبق وظیفه از پیش تعیین شده­ا­ش اطلاعات را از بدن جاندار می­گیرد.

• MCU: کنترل عملیات، مدار و راه ­اندازی سخت­افزارها را در یک Body Node بر عهده دارد.

• فرستنده: اطلاعات محیطی دریافتی بوسیله حسگرها را، به مقصد مورد نظر که می­تواندMaster Node یا Mobile Node باشد، ارسال می­ کند.

• گیرنده: برای برقراری ارتباط، تشخیص سلامت گره­های Master Node یا Mobile Node و همچنین گرفتن فرمان از آنها می ­تواند مورد استفاده قرار گیرد.

• باتری: انرژی تمام ماژول­های Body Node را تأمین می­ کند.

جدول فوق آلفای کرونباخ و تعداد سؤالات مربوط به کل پرسشنامه و متغیرهای پرسشنامه را ارائه میدهد. از آنجایی که مقدار آلفای کرونباخ کل پرسشنامه و متغیرها بزرگتر از۷/۰ است ، لذا آزمون از پایایی قابل قبولی برخوردار می باشد.
۳٫۸٫ روش تجزیه و تحلیل داده ها
در این پژوهش توصیف داده های دموگرافیک تحقیق با بهره گرفتن از آمار توصیفی، جداول فراوانی و نمودارهای دایرهای ، میلهای انجام شده که در فصل پیوستها آورده شده و داده ها با بهره گرفتن از نرمافزار spss18 تجزیه و تحلیل شده و بررسی تأیید روابط بین متغیرها و عوامل از طریق تحلیل عاملی تأییدی و تکنیک معادلات ساختاری با بهره گرفتن از نرم افزار LISREL 8.72 که یکی از مشهورترین نرم افزارها جهت اجرای اینگونه مدلها است، به منظور آزمون فرضیه ها با هدف سنجش روابط همزمان، مستقیم یا غیرمستقیم میان متغیرها استفاده شده است.
۳٫۹٫ آزمونهای بهکار رفته در تحقیق
۳٫۹٫۱٫ تحلیل عاملی تأییدی
در تحلیلهای عاملی تأییدی، که هدف پژوهشگر تأیید ساختار عاملی ویژهای میباشد، درباره تعداد عاملها به طور آشکار فرضیه های بیان می‌شود و برازش ساختار عاملی مورد نظر در فرضیه با ساختار کواریانس متغیرهای اندازه گیری شده مورد آزمون قرار می‌گیرد. در تحلیل عاملی تأییدی، پژوهشگر به دنبال تهیه مدلی است که فرض میشود داده های تجربی را برپایهی چند پارامتر نسبتاً اندک، توصیف، تبیین یا توجیه میکند. این مدل مبتنی بر اطلاعات پیش تجربی درباره ساختار دادههاست که میتواند به شکل: ۱) یک تئوری یا فرضیه ۲) یک طرح طبقهبندی کننده معین برای گویه ها در انطباق با ویژگیهای عینی شکل و محتوا ۳) شرایط معلوم تجربی و یا ۴) دانش حاصل از مطالعات قبلی درباره داده های وسیع باشد. لذا تمایز مهم روش های تحلیل اکتشافی و تأییدی در این است که روش اکتشافی با صرفهترین روش تبیین واریانس مشترک زیر بنایی یک ماتریس همبستگی را مشخص میکند. در حالیکه روش های تأییدی (آزمون فرضیه) تعیین میکنند که داده ها با یک ساختار عاملی معین (که در فرضیه آمده) هماهنگ هستند یا نه .برای انجام تحلیل عامل تأییدی از نرم افزار Lisrel استفاده میشود. این نرمافزار به منظور برآورد و آزمون مدلهای معادلات ساختاری طراحی و از سوی شرکت بین المللی نرم افزارعلمی (SSI) به بازار عرضه شده است. این نرم افزار با بهره گرفتن از همبستگی و کوواریانس بین متغیرهای اندازه گیری شده، می‌تواند مقادیر بارهای عاملی، واریانسها و خطاهای متغیرهای مکنون را برآورد یا استنباط کند (سرمد و همکاران، ۱۳۷۶، ۱۸۲).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۳٫۹٫۲٫ لیزرل یا مدل یابی معادلات ساختاری^[۲۹]
یک تکنیک تحلیل چند متغیری بسیار کلی و نیرومند از خانواده رگرسیون چند متغیری و به بیان دقیقتر بسط مدل خطی کلی است که به پژوهشگر امکان میدهد مجموعههایی از معادلات رگرسیون را به گونه همزمان مورد آزمون قرار دهد. مدلیابی معادلهی ساختاری یک رویکرد جامع برای آزمون فرضیههایی دربارهی روابط متغیرهای مشاهده شده و مکنون است که گاه تحلیل ساختاری کوواریانس، مدلیابی علی و گاه نیز لیزرل نامیده شده است اما اصطلاح غالب دراین روزها، مدلیابی معادله ساختاری یا به گونهی خلاصه SEM است (هومن، ۱۳۸۴، ۲۳۸).
۳٫۹٫۳٫ آزمونهای برازندگی مدل کلی
با آنکه انواع گوناگون آزمونها که به گونه کلی شاخصهای برازندگی^[۳۰] نامیده میشوند پیوسته در حال مقایسه، توسعه و تکامل میباشند اما هنوز درباره حتی یک آزمون بهینه نیز توافق همگانی وجود ندارد. نتیجه آن است که مقاله های مختلف، شاخصهای مختلفی را ارائه کردهاند و حتی نگارشهای مشهور برنامههای SEM مانند نرمافزارهای Lisrel, Amos, EQS نیز تعداد زیادی از شاخصهای برازندگی به دست میدهند (هومن، ۱۳۸۴، ۲۴۴).
برخی از این شاخصها عبارتنداز:
شاخصهای^[۳۱]GFI
شاخص GFI مقدار نسبی واریانسها و کوواریانسها را به گونهی مشترک از طریق مدل ارزیابی میکند. دامنه تغییرات GFI بین صفر و یک میباشد. مقدار GFI باید برابر یا بزرگتر از ۹/. باشد تا مدل پذیرفته شود (همان، ۲۴۸).
شاخص AGFI^[32]
برازندگی دیگر AGFI یا همان مقدار تعدیل یافته شاخص GFI برای درجه آزادی میباشد. مقدار این شاخص نیز بین صفر و یک میباشد. شاخصهای GFI و AGFI را که جارزک اگوس و ربوم (۱۹۸۹) پیشنهاد کردهاند بستگی به حجم نمونه ندارد (همان،۲۴۹).
شاخص^[۳۳] RMSEA
این شاخص، ریشهی میانگین مجذورات تقریب میباشد. شاخص RMSEA هرچقدر به صفر نزدیکتر باشد بهتر است (همان، ۲۶۱).
مجذور کای (  )
آزمون مجذور کای (خی دو) این فرضیه را که مدل مورد نظر هماهنگ با الگوی همپراشی بین متغیرهای مشاهده شده است را میآزماید، کمیت خی دو بسیار به حجم نمونه وابسته میباشد و نمونه بزرگ کمیت خی دو را بیش از آنچه که بتوان آن را به غلط بودن مدل نسبت داد، افزایش میدهد (همان،۲۶۴).
شاخصNFI و CFI
شاخصNFI که شاخص بنتلر- بونتهم نامیده میشود، برای مقادیر بالای ۹/. قابل قبول و نشانه برازندگی مدل است. شاخص CFIبزرگتر از ۹/. قابل قبول و نشانهی برازندگی مدل است. این شاخص از طریق مقایسه یک مدل به اصطلاح مستقل که در آن بین متغیرها هیچ رابطهای نیست با مدل پیشنهادی موردنظر، مقدار بهبود را نیز میآزماید. شاخص CFIاز لحاظ معنا مانند NFI است با این تفاوت که برای حجم
گروه نمونه جریمه میدهد (همان، ۲۶۸).
در تحلیل تائیدی با بهره گرفتن از نرم افزار لیزرل یک سری شاخصهای قراردادی وجود دارند که در صورتی که مقدار آنها در حد قابل قبولی باشد، اجرای مدل را معنی دار و مسیر پیشنهادی را مناسب میسازد. تحلیل عاملی تأییدی به منظور بررسی روایی مقیاس مورد استفاده قرار میگیرد. چنانچه اشاره شد، ابتدا بایستی میزان انطباق پذیری مدل ارزیابی، مورد آزمون قرارگیرد. ادبیات موجود پیشنهاد میکند که برای برازندگی و تناسب یک مدل خوب باید:
درجه کای دو تقسیم بر درجه آزادی (  )کمتر از ۳ باشد.
شاخص میزان انطباقپذیری (GFI) باید بزرگتر از ۸/۰ باشد.
شاخص میزان انطباق پذیری تنظیمی (AGFI)، شاخص (NFI) و شاخص (NNFI) باید بزرگتر از ۹/۰ باشد.
شاخص (RMSEA) باید کمتر از ۱/۰ باشد (Henry and Stone, 1994, 27).
یک اندازهی جزئی دیگر برازندگی، مجذور همبستگی چند متغیری است که برای هر معادله و برای متغیرهای اندازه گیری شده در یک مدل کامل معادلهی ساختاری بدست میآید. مجذور همبستگی چند متغیری (R²)، معرف نسبت واریانس تبیین شده به وسیلهی متغیر مکنون است (آزمون اینکه یک نشانگر تا چه حد دقیق است)، و باید (تاحد ممکن) نزدیک به ۱ باشد (هومن،۱۳۸۴ ، ۲۷۱).
نرم افزار لیزرل، برای هر پارامتر آزاد (برآورد شده) در مدل یک مقدار t محاسبه میکند. این آزمون نشان میدهد که کدام یک از پارامترها میتواند از مدل حذف شود، بدون آنکه مقدار  افزایش یابد. ایدهآل آن است که این مقادیر کوچکتر از ۹۶/۱ باشند تا بی معنا در نظر گرفته شوند (همان، ۲۷۸).
فصل چهارم
تجزیه
و
تحلیل داده ها
۴٫۱٫مقدمه
برای جمعآوری اطلاعات در این تحقیق با توجه به اینکه سؤالهای اصلی پرسشنامه بهصورت طیف لیکرت ۵ گزینهای است، در این پژوهش از کدهای عددی ۱، ۲، ۳، ۴ و ۵ برای دیدگاه های پاسخگویان استفاده شده است. پس از جمعآوری اطلاعات ابتدا میبایست داده ها را تلخیص و طبقهبندی کرده و جهت آزمون فرضیه های تحقیق آماده نمود. بدین منظور از آمار توصیفی شامل فراوانی و درصد به همراه رسم نمودار دایرهای استفاده و با توجه به فرضیه و شاخصهای مورد بررسی، سؤالهای اصلی و تخصصی ویژهی تحقیق، ترکیب و بر حسب میانگین و انحراف معیار معرفی میگردند. در آزمون فرضیه ها از آزمون t یک نمونهای و سطح معنیداری به منظور بررسی فروض اصلی پژوهش استفاده شده است.
۴٫۲٫ آمار توصیفی
در این بخش از تجزیه و تحلیل آماری به بررسی چگونگی توزیع نمونه‌های آماری از حیث متغیرهایی چون جنسیت، سن و میزان تحصیلات پرداخته می‌شود. همچنین جداول و نمودار های مربوطه در پیوست آورده شده است.
جدول ۴٫۲٫۱٫مشخصات دموگرافیک برای نمونه مورد بررسی

………………………………………………………..۸۷
۳-۱۰) جمع بندی………………………………………………………………………………………………………………………………………………………………………………………………………..۸۹
فصل چهارم:
۴-۱) مقدمه……………………………………………………………………………………………………………………………………………………………………………………………………………………۹۱
۴-۲) بررسی مانایی بازده­های لگاریتمی……………………………………………………………………………………………………………………………………………………………………….. ۹۲
۴-۳)محاسبه­ی معیار میانگین مجذور خطا………………………………………………………………………………………………………………………………………………………………….. ۹۳
۴-۴) محاسبه­ی تابع زیان قدر مطلق درصد خطا…………………………………………………………………………………………………………………………………………………………. ۹۶
۴-۵) آزمون فرضیه ­های تحقیق……………………………………………………………………………………………………………………………………………………………………………… ۱۰۰
فصل پنجم:
۵-۱) نتیجه ­گیری…………………………………………………………………………………………………………………………………………………………………………………… ۱۱۶
۵-۲) پیشنهادات برای تحقیقات آتی………………………………………………………………………………………………………………………………………………………. ۱۱۸

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

منابع و مآخذ
منابع داخلی…………………………………………………………………………………………………………………………………………………………………………………………… ۱۱۹
منابع خارجی…………………………………………………………………………………………………………………………………………………………………………………………… ۱۲۱
فهرست اشکال
شکل ۲-۱) ساختار پایه­ای شبکه­ عصبی…………………………………………………………………………………………………………………………………………………………………. ۳۸
شکل ۲-۲) نرون با یک ورودی عددی………………………………………………………………………………………………………………………………………………………………………. ۴۰
شکل ۲-۳) شبکه تک لایه با چندین نرون و بردار ورودی…………………………………………………………………………………………………….. ……………………………….. ۴۳
شکل ۲-۴) شبکه ­های عصبی با چندین لایه و چندین نرون……………………………………………………………………………………………………………………………………. ۴۳
شکل ۲-۵) شبکه­ عصبی پیش­خور با تابع فعال سازی تانژانت هیپربولیک………………………………………………………………………………………………………….. ۴۵
شکل۲-۶) طبقه بندی کلاس داده ها توسط ماشین بردار پشتیبان……………………………………………………………………………………………………………………………۵۳
شکل ۲-۷) طبقه بندی بهینه کلاس داده ها توسط ماشین بردار پشتیبان……………………………………………. …………………………………………………………………۵۴
شکل۲-۸) ماشین بردار پشتیبان با حاشیه ثابت…………………………………………………………………… …………………………………………………………………………………..۵۵
شکل۲-۹) فرایند ماشین بردار پشتیبان……………………………………………………………………………………………… …………………………………………………………………….۵۷
شکل ۲-۱۰) ماشین بردار پشتیبان با حاشیه نرم…………………………………………………………… ………………………………………………………………………………………..۵۹
شکل ۲-۱۱) طبقه بندی غیر خطی ماشین بردارپشتیبان………………………………………….. ……………………………………………………………………………………………۶۰
شکل ۲-۱۲) تابع ضرر وپنیک و متغیرهای slack………………………………………….. ……………………………………………………………………………………………………….64
فهرست جداول
جدول ۴-۱) آزمون دیکی و فولر برای بازده لگاریتمی سری زمانی شاخص کل……………………………………………………………………………………………………… …۹۴
جدول ۴-۲) قدرمطلق خطا برای مقایسه مدل ترکیبی آریما و شبکه عصبی با هر یک از اجزای تشکیل دهنده…………………………………………………… ۹۵
جدول ۴-۳) قدر مطلق خطا برای مقایسه مدل ترکیبی آریما و رگرسیون بردار پشتیبان با هریک از اجزای تشکیل دهنده………………………………… ۹۷
جدول ۴-۴)قدرمطلق درصد خطا برای مقایسه مدل ترکیبی آریما و شبکه عصبی با هر یک از اجزای تشکیل دهنده………………………………………….. ۹۹
جدول ۴-۵) قدرمطلق درصدخطا برای مقایسه مدل ترکیبی آریماورگرسیون بردار پشتیبان با هریک ازاجزای تشکیل دهنده……………………………..۱۰۰
جدول ۴-۶) آزمون مقایسه زوجی مدل ترکیبی آریما و شبکه عصبی با آریما(قدرمطلق خطا) ………………………………………………………………………….. ۱۰۲
جدول ۴-۷) آزمون مقایسه زوجی مدل ترکیبی آریما و شبکه عصبی با شبکه عصبی(قدرمطلق خطا) ……………………………………………………………. ۱۰۵
جدول ۴-۸) آزمون دایبولد-ماریانو و آماره تعدیل شده برای مقایسه مدل ترکیبی آریما و شبکه عصبی با هر یک بطور مجزا(قدر مطلق خطا) ۱۰۴
جدول ۴-۹) آزمون مقایسه زوجی مدل ترکیبی آریما و شبکه عصبی با آریما (قدرمطلق درصد خطا) ………………………………………..
…………………….. ۱۰۵
جدول ۴-۱۰) آزمون مقایسه زوجی مدل ترکیبی آریما و شبکه عصبی با شبکه عصبی(قدرمطلق درصدخطا)………………………………….. ۱۰۶
جدول ۴-۱۱) آزمون دایبولد-ماریانو و آماره تعدیل شده برای مقایسه مدل ترکیبی آریما و شبکه عصبی با هر یک بطور مجزا(قدر مطلق درصد خطا)………………………… ………………………………………. ………………………….. …………………………………………………………………………………………………………….. ۱۰۷
جدول ۴-۱۲) آزمون مقایسه زوجی مدل ترکیبی آریما و رگرسیون بردار پشتیبان با آریما( قدر مطلق خطا)……………………………………………………………………………………………………………………………………………………………………………………………………۱۰۸
جدول۴-۱۳) آزمون مقایسه زوجی مدل ترکیبی آریما و رگرسیون بردار پشتیبان با SVR( قدر مطلق خطا)………………………………….۱۰۸
جدول۴-۱۴) آزمون دایبولد-ماریانو و آماره تعدیل شده برای مقایسه مدل ترکیبی آریما و SVR با هر یک بطور مجزا(قدر مطلق خطا)………………………………………………………………………………………………………………………………………………………………………………………………….۱۰۹
جدول ۴-۱۵) آزمون مقایسه زوجی مدل ترکیبی آریما و رگرسیون بردار پشتیبان با آریما( قدر مطلق درصد خطا)……………………..۱۱۲
جدول ۴-۱۶) آزمون مقایسه زوجی مدل ترکیبی آریما و شبکه عصبی با شبکه عصبی( قدر مطلق خطا)……………………………………..۱۱۲
جدول۴-۱۷) آزمون دایبولد-ماریانو و آماره تعدیل شده برای مقایسه مدل ترکیبی آریما و SVR با هر یک بطور مجزا(قدر مطلق
درصد خطا)………………………………………………………………………………………………………………………………………………………………………………………..۱۱۲
جدول ۴-۱۸) آزمون مقایسه زوجی دو مدل ترکیبی(قدر مطلق خطا)…………………………………………………………………………………………….۱۱۳

نمودار(۵-۴) درصد فراوانی نمونه مورد مطالعه برحسب دانشکده محل خدمت
۳-۴٫ پیش­فرض استفاده از آزمون­های آماری پارامتریک^[۱۵۵]

آزمون­هایی را که بر طبیعی بودن توزیع متغیر در جامعه استوار هستند، آزمون های پارامتریک گویند. برای استفاده از این روش­ها پژوهشگر باید مفروضه­هایی را رعایت کند. برخی از این مفروضه­ها عبارتند از: ۱)داده های مورد استفاده پیوسته و منظم باشد یا به عبارت دیگر، مقیاس اندازه ­گیری فاصله­ای یا نسبی باشد. بر اساس این فرض، آزمون­های پارامتریک به مقیاس فاصله­ای یا نسبی محدود هستند.۲) متغیر مورد پژوهش در جامعه دارای توزیع طبیعی باشد (دلاور، ۱۳۸۸ :۴۸۲-۴۸۱). داده‌های مورد استفاده در این پژوهش به صورت پیوسته و منظم می­باشد. به عبارت دیگر شرط مقیاس اندازه ­گیری لازم برقرار می­باشد. از آنجا که یکی دیگر از شروط استفاده از آزمون­های پارامتریک، نرمال بودن توزیع داده‌ ها است، لذا برای بررسی این پیش­فرض در جدول (۶-۴)، از آزمون کالموگروف– اسمیرونوف استفاده شده است، تا مشخص شود آیا داده ­ها از وضعیت نرمال برخور هستند یا نه. نتایج این آزمون در جدول(۶-۴) ارائه شده است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در این پژوهش همچنین از رگرسیون گام به گام به منظور پیش بینی متغیرهای وابسته پژوهش(کار تیمی و توسعه حرفه­ای کارکنان) از روی مؤلفه­ های متغیرهای ملاک (مسؤلیت پذیری اجتماعی سازمان) استفاده شده است. برای نرمال بودن شاخص های هم­خطی بودن متغیرها از آزمون دوربین واتسون استفاده گردید (مقدار ۵/۱تا ۵/۲)، و همچنین از آزمون تولرنس(مقدار۰تا ۱) که معیار دیگری برای نرمال بودن داده ها است و آزمون تورم واریانس(مقدار ۲) استفاده شده است که نرمال بودن داده ­ها و هم شاخص هم خطی بودن متغیرها را نشان می دهد. نتایج به ترتیب در جدول، (۱۲-۴)،(۱۱-۴) ارائه شده است.

جدول(۶-۴) نتیجه آزمون کالموگروف – ­اسمیرونوف برای نرمال بودن توزیع داده ها

در شکل ۲-۲ حالت دو بعدی چنین شبکه ای نشان داده شده است. در یک میدان متناوب خارجی، پتانسیل الکترواستاتیکی توسط این مدار تعیین می­­شود و این پتانسیل به نوبه­ی خود جریان­های بارهای آزاد را که از طریق مقاومت­ها حرکت می­ کنند، مشخص می­ کند. واضح است که خازن­ها منجر به­ وابستگی رسانش ظاهری کل مدار به فرکانس شده و وابستگی جریان بارهای آزاد به فرکانس تنها به علت اثر غیر مستقیم خازن­ها، بدلیل تأثیری که آنها روی پتانسیل گره­ها می­گذارند، خواهد بود. در یک جامد واقعی بارهای آزاد در مکان­های معینی تجمع می­ کنند. نقش خازن­ها در شکل ۲-۲ دقیقاً جبران کننده­ این تجمع بارهای آزاد است، بطوریکه هیچ تجمع باری در گره­ها وجود نداشته باشد.
شکل ‏۲‑۲: مدارRC معادل، حاصل از گسسته سازی معادله­ ۲-۱۲٫ همگی خازن­ها یکسان و متناسب با ثابت دی الکتریک بارهای مقید می­باشند. در حالیکه هر مقاومت­، با معکوس رسانندگی موضعی بارهای آزاد، که وابسته به مکان­ است، متناسب می­باشد[۶۲].

۲-۲-۱ بدست آوردن رسانندگی مؤثر وابسته به فرکانس بارهای آزاد

رسانندگی ماکروسکوپیک وابسته به فرکانس بارهای آزاد، ، را می­توان از طریق رسانش ظاهری کل مدار، ، بدست آورد.
برای حالت بعدی، تعداد نقاط شبکه­ مکعبی، و طول آن است. چنانچه دو وجه مقابل شبکه را به الکترودهایی متصل ­کنیم و به آنها اختلاف پتانسیل معین اعمال کنیم، جریان حاصل بین الکترود­ها با رابطه­ زیر داده می­ شود:

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

(۲-۱۹)
برای محاسبه­ی رسانندگی مؤثر بارهای آزاد، باید سهم مربوط به جریان­های خازنی را از کم کنیم. بین الکترودها، لایه­ی خازن-مقاومت داریم که جریان کل ، در همه این لایه ­ها یکسان می­باشد. بنابراین جمع جریان­های خازن و مقاومت در جهت عمود بر الکترودها بصورت زیر می­­شود.
(۲-۲۰)
جمع جریان­های خازنی را می­توان بشکل جمله، که هر جمله­ آن یک جمع یک بعدی در راستای میدان است، نوشت:
(۲-۲۱)
بنابراین معادله­ (۲-۱۵) بصورت زیر باز نویسی می­ شود:
(۲-۲۲)
رسانندگی مؤثر بارهای آزاد بصورت میانگین چگالی بارهای آزاد،
(۲-۲۳)
به میانگین میدان الکتریکی،
(۲-۲۴)
تعریف می­ شود. بنابراین با بهره گرفتن از معادله­ (۲-۲۲) خواهیم داشت:
(۲-۲۵)
که در حالت حدی ، معادله­ بالا بصورت زیر درمی­آید:
(۲-۲۶)

۲-۳ گسسته سازی معادله­ رسانش با بهره گرفتن از روش حجم محدود^[۶۱]

برای گسسته سازی معادله­ ، از روش حجم محدود استفاده می­کنیم. این روش بر اساس قوانین پایستگی و انتگرال گیری از معادلات پیوستگی قرار دارد. برای این کار ابتدا از دو طرف معادله­ مذکور، (۲-۱۲)، روی حجم سیستم انتگرال گرفته و سپس با بهره گرفتن از قضیه­ی دیورژانس، انتگرال حجمی را به انتگرال سطحی تبدیل می­کنیم.
برای هر بلوک اولیه مربعی داریم:
(۲-۲۷)
که در یک شبکه­ دو بعدی ، سطح مربع اولیه و محیط آن می­باشد. معادله­ دوم در رابطه (۲-۲۷) بیانگر این مطلب است که، مجموع جریان خالص هر بلوک شبکه برابر صفر است. یعنی شار کل ورودی به هر بلوک برابر با شار کل خروجی از آن خواهد بود.
شار خالص هر بلوک شبکه برابر است با جمع انتگرال­ها روی هر چهار وجه آن:
(۲-۲۸)
که بردار شار در جهت عمود بر وجه می­باشد . با توجه به قانون پیوستگی جریان، برای هر بلوک از شبکه داریم:
(۲-۲۹)
بنابراین با توجه به رابطه ۲-۲۹ و شکل (۲-۳) خواهیم داشت :
(۲-۳۰)
شکل ‏۲‑۳: نمایی از گسسته سازی شبکه به بلوک­های مربعی و ارتباط هر بلوک با همسایه­های مجاورش.
که جملات این رابطه بصورت زیر می­باشد.
(۲-۳۱)
که در این روابط است و رسانش بین بلوک ها با روابط زیر داده می­ شود:
(۲-۳۲)
برای حل معادله­ بدست آمده می­توان هر شرایط مرزی استانداردی را در نظر گرفت. به این صورت که برای هر وجه مقابل شبکه، در یک راستا اختلاف پتانسیل ثابت و در راستای دیگر شرایط مرزی تناوبی در نظر گرفته می­ شود. شرایط مرزی که ما در اینجا در نظر گرفته­ایم به این صورت می­باشد که، در امتداد طول سطح شرایط مرزی تناوبی در نظر گرفته شده و در راستای رشد سطح (رشد ارتفاع) اختلاف پتانسیل ثابت را به صورت زیر اعمال کرده­ایم:
(۲-۳۳)
که در آن پتانسیل زیر لایه، با مقدار صفر و پتانسیل الکترود متصل به بیشینه ارتفاع سطوح رشد یافته، با مقدار ۱۰۰ است. همچنین مقادیر رسانندگی موضعی هر بلوک از شبکه، ها، به این صورت در نظر گرفته شده است که به خانه­های حاوی ذره مقدار و به خانه­های فاقد ذره مقدار را نسبت داده­ایم. با در نظر گرفتن این شرایط و نوشتن معادله­ (۲-۳۰) برای تک تک بلوک­های شبکه، یک دستگاه معادلات خطی برای پتانسیل شبکه بدست می ­آید که بصورت زیر بیان می­ شود:
(۲-۳۴)
که در آن یک ماتریس ستونی است که عناصر آن پتانسیل در تمام نقاط شبکه می­باشد و ماتریس مجهولات معادلات است. ماتریس ستونی است که به شرایط مرزی و در واقع نیروی محرکه­ی^[۶۲] مربوط بوده و یک ماتریس اسپارس^[۶۳] است که به هندسه شبکه بستگی داشته و در واقع ماتریس ضرایب است. برای حل دستگاه معادلات خطی روش­های متعددی وجود دارد. در اینجا ما از یک روش تکرار که برای حل معادلات اسپارس از کارایی و سرعت بسیار بالایی برخوردار است استفاده می­کنیم. در ادامه، قبل از حل معادلات، ابتدا توضیح مختصری پیرامون دستگاه معادلات خطی اسپارس ارائه شده است.

۲-۴ دستگاه های خطی اسپارس

اگر در یک دستگاه معادلات خطی تنها تعداد نسبتاً کمی از عناصر ماتریس ضرایب غیر صفر باشند، دستگاه معادلات خطی اسپارس نامیده می­ شود. استفاده از روش­های معمولی جبر خطی در حل اینگونه مسائل، بی فایده است. چرا که بیشتر عملیات جبری که به حل مجموعه معادلات یا معکوس کردن ماتریس می پردازند، شامل عملوند^[۶۴]های صفر هستند. گذشته از این، ممکن است بخواهیم روی مسائل بزرگی کار کنیم که به تمام حافظه رایانه احتیاج داشته باشند، که در این صورت اختصاص حافظه به عناصر صفر باعث تلف شدن آن خواهد شد. بنابراین در این گونه از مسائل، دو دلیل مجزا برای استفاده از ماتریس اسپارس وجود دارد: صرفه جویی در زمان و صرفه جویی در حافظه. روش های حل مستقیم معادلات اسپارس به الگوی دقیق پراکندگی عناصر ماتریس بستگی دارد. الگوهایی که معمولاً اتفاق می­افتند یا به عنوان میانجی برای اختصار فرم های عمومی­تر به کار می­روند، نام­های خاص و روش­های حل مخصوص به خود دارند. مانند ماتریس اسپارس قطری نواری^[۶۵] ، بلوک مثلثی^[۶۶] و بلوک سه قطری^[۶۷] که می­توانند در یک فرمت فشرده که بیشتر فضا را فقط به عناصر غیر صفر اختصاص می دهد، ذخیره شوند ( شکل۲-۴).
برای یک ماتریس اسپارس کلی با سایز که فقط چند برابر مقدار ، عناصر غیر صفر دارد، معمولا به صورت فیزیکی غیر ممکن یا بی فایده است که فضایی را به تمام عنصر اختصاص دهیم. پس به طرح­های ذخیره سازی اندیس^[۶۸] نیازمندیم تا بتوانیم عناصر غیر صفر را به همراه اطلاعات کافی برای مشخص کردن مکان عناصر در داخل ماتریس اسپارس، ذخیره کنیم[۶۴].
ماتریس اسپارسی که در این رساله تولید شده دارای طرح نشان داده شده در شکل ۲-۵ است و برای ذخیره سازی مقدار و مکان عناصر غیر صفر از سه آرایه یک بعدی که هر کدام به ترتیب مقدار، شماره سطر و شماره ستون عناصر غیر صفر را ذخیره می کنند، استفاده شده است. همچنین برای حل دستگاه معادلات خطی از روش گرادیان مزدوج دوگانه^[۶۹]استفاده شده است.
(الف)
(ج)
(ب)
شکل ‏۲‑۴: ماتریس اسپارس (الف) قطری نواری، (ب) بلوک مثلثی و (ج) بلوک سه قطری.