دانلود پایان نامه

مربوط به سلول ها به طور يکنواخت در فضاي چگالي احتمال ورودي توزيع مي شوند و بدين ترتيب شبکه با پراکندن سلول هاي خود در فضاي ورودي پگالي احتمال آن را تخمين مي زند .پراکندگي سلول ها در فضاي احتمال ورودي به نوعي مي تواند فشرده سازي اطلاعات محسوب شود، زيرا اکنون هر سلول مبين تقريبي از يک محدوده مشخص در فضاي است .

شکل 2-12- مدل فيزيکي کوهنن
2-16-5- شبکه عصبي تأ خير زماني
نوعي از شبکه هاي عصبي چند لايه هستند که توانايي رويارويي با طبيعت ديناميکي داده هاي نمونه اي و سيگنال هاي ورودي را دارا مي باشد.شبکه هاي عصبي چند لايه داراي ويژکي هاي زير مي باشند:
داراي چندين لايه بوده ودر هر لايه به تعداد کافي اتصال بين نرون ها موجود است، به طوري که شبکه توانايي يادگيري سطوح تصميم گيري غير خطي پيچيده داراست
رفتار شبکه نسبت به انتقال زماني ويزگي هاي نمونه ها حساس مي باشد .
روش يادگيري در شبکه نسبت به تطبيق زماني دقيق نمونه هاي ورودي حساس است .
شبکه تأخير زماني (TDNN) اولين بار در سال 1988 توسط ويبل استفاده شد و تا کنون نيز کماکان به همان صورت باقيمانده است ، شامل سه لايه است که وزن هاي آن با سلول هاي تأخير زماني جفت شده اند.تابع محرک هر سلول TDNN تابع زيگموويداست و داراي ورودي وزن داده شده هستند .

شکل 2-13- ساختار نرون I ام در شبکه TDNN
در طراحي شبکه هاي عصبي و بخصوص شبکه عصبي تأخير زماني ، طراح با مسئله انتخاب شبکه اي مناسب براي طرح خود مواجه است . به طور کلي شبکه اي که با کمترين پيچيدگي و حداقل پارامتر ، بيشترين دقت را در شناسايي الگو هاي ورودي داشته باشد شبکه مناسب ناميده مي شود . در تئوري اگر مسئله اي توسط شبکه اي خاص قابل حل باشد ، توسط شبکه هاي با اندازه بزرگتر نيزقابل حل است . ولي به خاطر عدم وجود جواب يگانه براي وزن هاي بهينه الگريتم هاي يادگيري براي شبکه بزرگتر معمولاً وزنهاي مخالف0 را نتيجه مي دهند از اينرو براي تشخيص آن يک شبکه با اندازه کوچکتر براي حل مسئله مورد نظر وجود دارد با اشکال مواجه مي کند .اگر تعداد نرون هاي لايه هاي شبکه مورد استفاده در يک مسئله خاص را کم بگيريم شبکه قادر به يادگيري نخواهد بود زيرا تعداد فوق صفحات و در نتيجه فوق حجم هاي لازم براي تقسيم بندي فضاي ورودي به کلاس هاي مختلف کافي نخواهد بود از طرف ديگر تعداد زياد نرون هاي لايه هاي پنهان نيز به خاطر بالا رفتن حجم محاسبات ودر نتيجه طولاني شدن زمان تربيت شبکه مناسب نمي باشد علاوه بر اين با توجه به آنکه تربيت شبکه بر اساس مجموعه محدودي از الگو هاي تربيتي صورت مي گيرد اگر شبکه خيلي بزرگ باشد سعي در حفظ کردن دقيق الگو هاي تربيتي مي نمايد و اين امر موجب کاسته شدن از قدرت تعميم و درون يابي شبکه جهت تشخيص الگوهاي جديد و خارج از مجموعه تربيتي مي گردد از اينرو يک تعداد بحراني براي لايه هاي پنهان وجود دارد که براي هر کاربرد خاص بايد پيدا شود.تعداد نرون هاي لايه پنهانبا شبيه سازي شبکه هاي مختلف و اندازه گيري ميزان دقت و درون يابي اين شبکه ها روي الگو هايي که درمجموعه تربيتي آنها نبوده است.تعداد نرون هاي لايه خروجي شبکه ويا به عبارت ديگر نوع کدينگ در خروجي نيز بايستي براي حل يک مسئله خاص مناسب باشند.بهترين روش کدينگ کردن کلاس هاي خروجي استفاده از بردار هاي مقدماتي است . ]24[

2-17- مدل ترکيبي شبکه هاي عصبي مصنوعي و تحليل پوششي داده ها (NEURO/DEA )
2-17-1- مقدمه
ايده ي ترکيب شبکه هاي عصبي و DEA را اولين بار در سال 1996 کانن و آتونوسوپوليس74 مطرح کرده اند . آن ها DEA را با ANNs مقايسه کرده اند و در شبيه سازي صورت گرفته اين نتيجه حاصل شد که DEA در اندازه گيري اهداف بهتر از ANNs عمل مي کند و ANNs در رتبه بندي واحدها براساس امتياز کارايي به دست آمده همانند DEA است .
در سال 1997 کارايي متروي لندن با داده هاي سري هاي زماني تحليل شد و اين نتيجه به دست آمد که نتايج حاصل از ANNs با حداقل مربعات معمولي تصحيح شده75 و DEA بسيار به هم شبيه هستند . 76 در سال 2000 شبکه هاي عصبي براي تخمين توابع هزينه به کار گرفته شد 77 و در سال 2004 نيز سانتين از يک شبکه عصبي براي شبيه سازي تابع توليد غير خطي استفاده کرد و نتايج آن را با روش هاي متداول تري مثل مرزهاي تصادفي و DEA با مشاهدات مختلف و اغتشاش مقايسه کرد و نشان داد شبکه هاي عصبي در مقايسه با روش هاي فوق از ثبات بيشتري برخوردار است .78
در اين تحقيق سعي بر آن است که از شبکه هاي عصبي و DEA و تلفيق آن ها ( Neuro-DEA ) در اندازه گيري کارايي پالايشگاه کشور استفاده شود . پس از محاسبه کارايي ، نتايج حاصله با DEA معمولي مقايسه مي شود ، زيرا با توجه به کم بودن تعداد پالايشگاه هاي گاز در مقايسه با تعداد ورودي ها و خروجي ها ، مدل پايه اي DEA قادر به رتبه بندي واحد ها نمي باشد . بنابر اين از قدرت تفکيک پذيري و تخمين روايط غير خطي شبکه هاي عصبي براي رفع اين مسأله استفاده مي شود .
تحليل مرز کارايي يک رويکرد با اهميت جهت ارزيابي عملکرد شرکت ها در بخش عمومي و خصوصي است . بهره وري و کارايي در منابع تبديلي ( ورودي ها ) به کالا و خدمات ( خروجي ها ) از مقوله هاي ( موضوعات ) کليدي ( اصلي ) در بخش هاي خصوصي و عمومي مي باشد 79.
دو نمونه ي رقابتي در تحليل کارايي وجود دارد .نمونه اول تکنيک هاي برنامه ريزي رياضي يا رويکرد تحليل پوششي داده ها (DEA ) را به کار مي گيرد که عمومأ در زمينه پژوهش عملياتي (OR ) مي باشد . نمونه هاي ديگر رويکرد
رگرسيون يا روش تابع مرز قطعي (SFF ) مي باشد که به طور گسترده اي ( وسيعي ) در زمينه هاي اقتصادي کاربرد دارد . هر يک از اين دو متدولوژي ويژگي هايي دارد و به صورت زير بحث شده است . در مطالعه اصلي DEA توسط چارنز و همکارانش ( CCR ) ، روش DEA را به عنوان يک مدل برنامه ريزي رياضي که روش برآورد تجربي ( غير عملي – آزمايشي ) از رويه هاي ( سطح هاي ) امکان پذير محصول ( توليد 9 کارا فراهم مي کند ، مطرح شده است . به جاي سعي کردن مبني بر متناسب کردن يک سطح رگرسيون از طريق مرکز داده مشاهده اي ، DEA به سطح خطي هدايت مي شود که پوشش يالايي از مجموعه داده مشاهده اي مي باشد . کارايي نسبي با نقطه داده ديگري ارائه مي شود که از طريق برنامه ريزي رياضي تحليل مي شود . در مقايسه با رويکرد SFF ( تابع مرز قطعي ) ، DEA به هيچ گونه فرضي در شکل هاي کاربردي ( تابعي ) نسبت به تقعر ( فرورفتگي ) توابع مرزي ، نياز ندارد . چالش اصلي مواجه شده در DEA اين واقعيت است که اگر به داده ها اغتشاش آماري سرايت کند ، مرزهاي محاسبه شده به وسيله DEA ممکن است منحرف شود80 .
به عنوان مثال در مسائل پيش بيني معين خيلي طبيعي و عادي است که فرض کنيم تابع پيش بيني خصوصيات يکنواختي خواهد داشت . براي مثال در مدل هاي پيش بيني مالي ، تقاضاي شخصي با درآمد افزايش يافته است . در صنايع ليزر و حمل و نقل ، قيمت کالاهاي فاسد شدني نظير اتاق هاي هتل ها و جايگاه هواپيماه به طور يکنواختي با تقاضاي مصرف کننده افزايش مي يابد81 .
ANN يک روش پيش بيني غير خطي عمومي است . ANN براي پيش بيني بارهاي الکتريکي با جزء کوتاه ، نظير فروش روزانه ، تلاش هاي نرم افزاري و پيش بيني هزينه عرضه هاي عمومي اوليه به کار مي رود . از آنجايي که شکل تابع ANN بستگي به آموزش داده ها دارد براي آموزش تابع پيش بيني يکنواخت با استفاده از ANN ، آموزش داده ممکن است خصوصيات يکنواختي داشته باشد82 .
شبکه هاي عصبي براساس رويکرد غير پارامتريک مزاياي مشخصي دارد . و آن اين است که هيچ گونه فرضيه اي در مورد توزيع احتمالي يا ساختارهاي تابع محصول نياز ندارد . فرضيه هاي استفاده شده براي اين روش ، قضيه جهاني پذيرفته شده مرزهاي کارايي مي باشند . يعني مرز کارايي تقعر مي يابد ، انحراف خارجي در داده ها يک توزيع يک طرفه دارد و انحراف داخلي در داده ها يک توزيع دو طرفه دارد . در واقع آن روش مي تواند اطلاعات زيادي در مورد حالت نامعين و انحراف داخلي و خارجي براي تصميم گيري آشکار کند83 .
با توجه به اينکه مدل DEA يک مدل خطي است و از طرفي شبکه هاي عصبي توانايي بالايي در تقريب توابع غيرخطي دارند ، ANNs ابزار خوبي براي استفاده در چنين مسائلي است . لذا امکان به کارگيري ANNs در اندازه گيري کارايي شرکت ها مناسب مي باشد . هم چنين مطالعات نشان مي دهد که شباهت هاي زيادي بين DEA و ANNs در ارزيابي عملکرد وجود دارد 84 که دو مورد زير نمونه اي از اين موارد است :
هيچ کدام از مدل هاي DEA و ANNs هيچ پيش فرض اوليه اي در مورد نوع ارتباط بين ورودي ها و خروجي ها ندارد .
در DEA ، به دنبال مجموعه اي از وزن ها هستيم ، به طوري که کارايي فني حداکثر شود . در حالي که ANNs به دنبال يافتن مجموعه اي از آن ها به طوري است که اختلاف بين خروجي واقعي و خروجي مطلوب را حداقل کند و اين کار را نيز با حداقل داده هاي يادگيري انجام مي دهد . ]2[

2-17-2- الگوريتم تحليل کارايي
گام اول : اولين گام جمع آوري اطلاعات مربوز به ورودي ها و خروجي هاي هر DMU است . در تحليل کارايي شرکت ها تعيين ورودي ها و خروجي ها اهميت ويژه اي دارد ، زيرا هر شرکت داراي ورودي ها و خروجي هاي بسيار متعددي است که در نظر گرفتن تمامي يا تعداد زيادي از آن مشکلاتي را ايجاد مي کند . هم چنين در صورت ناديده گرفتن تعدادي از اين ورودي ها و خروجي ها موجب کاهش اعتماد به نتايج مي گردد . بعد از تعيين ورودي ها و خروجي ها هر DMU براي مقايسه و اندازه گيري کارايي DMU ها ، اطلاعات مربوطه با روش زير نرمال مي شود .

2-17-3- نرمال سازي 85داده ها
پس از پيش پردازش داده ها ، مسأله مهم ديگري که بايد به آن توجه داشت نرمال سازي يا هم مقياس کردن داده هاست . مقياس هاي متفاوت در متغيرهاي مختلف نتايج را از جنبه هاي مختلف تحت تأثير قرار خواهند داد . به اين منظور بايد همه ي داده ها را هم مقياس نموده و آن ها را تغيير شکل داد . بنابراين براي استاندارد سازي ميزان تدثير هر متغير بر روي نتيجه بايد متغيرهاي عددي را نرمال سازي نمود . روش هاي متعددي براي نرمال سازي داده ها وجود دارد . در اين تحقيق از روشي که لاروش در کتاب مقدمه اي بر داده کاوي آورده است استفاده مي نماييم .با استفاده از روش فوق مي توان داده ها را در هر فاصله دلخواه مانند [L , H ] مرتب نمود . اين امر به صورت زير انجام مي شود :

در اين رابطه X* متغير نرمال سازي شده و Xi متغير اصلي مي باشد .
براي نرمال سازي داده ها ترجيح داده شد که داده ها در بازه [0 , 1 ] نرمال گردند . اين امر بدان علت است که بتوان اختلاف بين متغيرها را بهتر نشان داد و هم چنين شبکه هاي عصبي با متغيرهاي باينري و دو قطبي بهتر آموزش مي بينند .
گام دوم : با استفاده از داده هاي جمع آوري شده کارايي تمام DMU ها از طريق مدل CCR محاسبه مي شود . در اين مرحله داده هاي لازم براي آموزش شبکه فراهم مي شود . اگر تعداد DMU ها زياد باشد ، مي توان با استفاده از نمونه گيري کارايي تعدادي از آن ها را محاسبه کرد .
گام سوم : انتخاب يک زير مجموعه از اطلاعات جمع آوري شده براي آموزش شبکه تحقيقات نشان مي دهد که براي آموزش
شبکه بهتر است از مجموعه داده هاي واحد هاي کارا استفاده شود 86.
استفاده از داده هاي واحدهاي کارا براي آموزش باعث مي شود تا شبکه الگوي کارايي را بهتر ياد بگيرد . براي مشخص کردن واحدهاي کارا از نظر خبرگان و کارشناسان و کارشناسان استفاده مي شود . اين مرحله حساس ترين مرحله الگوريتم است . زيرا اساس آموزش شبکه مي باشد . در اين مرحله مي توان از روش هاي ديگري مثل مدل هاي تصميم گيري چند معياره و ساير روش هاي ترکيبي نيز استفاده کرد تا واحد هايي را که به نظر الگويي بهتر از کارايي را دارند انتخاب کرد .
گام جهارم : آموزش شبکه . در اين مرحله شبکه عصبي با استفاده اط داده هاي واحدهايي که در گام قبل انتخاب شدند آموزش داده مي شود . وزن هاي شبکه طبق معادلات (1) و (2) تغيير مي کنند .

گام پنجم : اگر با اراده داده هاي آموزشي نتيجه ي مورد نظر حاصل شد ( معيار خطا به ميزان مورد نظر کاهش يافت ) به گام بعد مي رويم و در غير اين صورت به گام سوم بر مي گرديم تا الگوي آموزش شبکه کامل شود .
گام ششم : محاسبه کارايي تمامي DMU ها با استفاده از شبکه هاي عصبي آموزش يافته .
گام هفتم : مقايسه بين نتايج حاصل از مدل DEA و Neuro – DEA : در صورت لزوم مي توان از تحليل رگرسيوني و همبستگي بين نتايج دو روش استفاده کرد که در اينجا چون DEA نتايج معتبري نمي دهد از آن صرف نظر مي کنيم .
فلوچارت الگوريتم فوق به شکل زير مي باشد :

شکل 2-14- الگوريتم تحليل کارايي

2-18- مفاهيم کارايي ، بهره وري و اثربخشي
کوشش هاي اقتصادي انسان همواره معطوف در اين جهت بوده است که حداکثر نتيجه را با کمترين امکانات و عوامل موجود به دست آورد .اين تمايل را مي توان دستيابي به کارايي ، بهره وري و اثربخشي بالا ناميد . کارايي ، بهره وري و اثربخشي مفاهيمي اقتصادي هستند که گاه در ادبيات اقتصادي تعبير يکساني از آن ها مي شود .بهره وري مفهومي جامع و در برگيرنده ي کارايي و اثر بخشي است و افزايش آن با هدف ارتقاي سطح زندگي ، رفاه ، آرامش و آسايش انسان ها ، همواره مدنظر دست اندرکاران سياست و اقتصاد بوده است .
حال آنکه اثربخشي ،درجه و ميزان نيل به اهداف تعيين شده است . به بيان ديگر اثر بخشي نشان مي دهد که در پي تلاش هاي انجام شده تا چه حد نتايج مورد نظر حاصل شده است . در واقع اثربخشي با عملکرد و فرآهم آمدن رضايت انسان از تلاش هاي انجام شده ارتباط دارد .در حالي که کارايي مربوط به بهره برداري صحيح از منابع مي شود . براي مثال ممکن است موسسه اي کالا و خدماتي را به طور کارا توليد نمايد ، اما اثربخش نباشد و همچنين کارآمدترين موسسه مي تواند به بقاء خود ادامه دهد حتي اگر اثربخش هم نباشد .ملاحظه مي شود که کارايي جنبه کمي دارد ، ولي اثربخشي جنبه کيفي دارد .
بهره وري مقدار توليد شده يا ستانده نيست ، بلکه اندازه اي است که نشان دهنده ي نحوه ي ترکيب و بکارگيري منابع مصرفي با يکديگر براي بدست آوردن يک نتيجه ي مورد انتظار خاص و يا تعادل بين تمام عوامل توليدي است به نحوي که بيشترين نتايج را با کمترين هزينه به دست دهد ، بيان مي کند . بهره وري به صورت نسبت ستانده


دیدگاهتان را بنویسید