رسول خوانچه مهر

رسول خوانچه مهر

مدرک تحصیلی: دانش آموخته کارشناسی ارشد،

مطالب

فیلتر های جستجو: فیلتری انتخاب نشده است.
نمایش ۱ تا ۲ مورد از کل ۲ مورد.
۱.

یافتن مناسب ترین ساختار شبکه عصبی مصنوعی با استفاده از روش طراحی آزمایشات تاگوچی(مقاله علمی وزارت علوم)

کلید واژه ها: پیش‎بینی نفتگاز شبکه‏های عصبی مصنوعی روش طراحی آزمایشات تاگوچی

حوزه های تخصصی:
تعداد بازدید : ۹۶۵ تعداد دانلود : ۲۸۴
تأخیر در تأمین نفت گاز، پیامدهای سیاسی، اجتماعی و اقتصادی وسیعی را به دنبال دارد؛ بنابراین پیش بینی دقیق تقاضای نفت گاز بسیار مهم است. استفاده از شبکه های عصبی مصنوعی در پیش بینی کاربرد زیادی دارد. طراحی مناسب پارامترهای (ساختار) شبکه موجب می شود دقت و عملکرد شبکه های عصبی مصنوعی افزایش یابد. در بیشتر مطالعات از روش سعی و خطا برای تنظیم پارامترهای شبکه های عصبی مصنوعی استفاده می شود که برای رسیدن به مناسب ترین ساختار شبکه های عصبی مصنوعی راه حل مطمئنی نیست. در مطالعه حاضر، با استفاده از روش طراحی آزمایشات تاگوچی، مناسب ترین ساختار شبکه های عصبی مصنوعی به منظور پیش بینی تقاضای نفت گاز در استان هرمزگان مشخص می شود. تجزیه و تحلیل واریانس پارامترهای شبکه های عصبی مصنوعی نشان می دهد که سهم مشارکت تعداد نرون در لایه پنهان اول در تغییر میانگین مربع خطای شبکه حدود 41% و سهم مشارکت الگوریتم یادگیری نیز حدود 27% است. همچنین نتایج نشان می دهد که شبکه های عصبی مصنوعی که با استفاده از روش طراحی آزمایشات تاگوچی طراحی شده اند، نسبت به سایر شبکه ها عملکرد بهتری دارند. Asbstract The delay in the supply of gasoil has wide Consequences of political, social and economic. Therefore, the gasoil demand forecasting is very important. The use of artificial neural networks in forecasting has many applications. Appropriate design of ANN parameters enhances performance and accuracy of the neural network model. Trial and error method is used to setting the ANN parameters in the most of studies. Trial and error method is not a reliable solution to achieve the best ANN structure. In the present study, the optimum structure of ANN to forecasting the demand of gasoil in the province of Hormozgan determined by Taguchi experimental design method. Analysis of variance (ANOVA) of the ANN parameters indicates that contribution of the number of neurons in first hidden layer to the changes in the network mean square error (MSE) is about 41% and contribution of the learning algorithm is about 27%. Also, the results of this study show that artificial neural networks are designed using Taguchi experimental design method have better performance than other Networks. Keywords: Forecasting; Gasoil; Artificial Neural Networks; Taguchi Experimental Design Method
۲.

ارائه چارچوبی برای تشخیص ساختار مناسب سازمان های صنعتی در راستای عملکرد بهتر با استفاده از روش طراحی آزمایش های تاگوچی(مقاله علمی وزارت علوم)

کلید واژه ها: بنگاه های کوچک و متوسط مزیت رقابتی طراحی آزمایشات تاگوچی عملکرد برتر

حوزه های تخصصی:
  1. حوزه‌های تخصصی مدیریت مدیریت سازمانی و منابع انسانی ارتباطات سازمانی
  2. حوزه‌های تخصصی مدیریت مدیریت صنعتی تحقیق در عملیات پژوهش عملیاتی
تعداد بازدید : ۸۷۵ تعداد دانلود : ۵۷۳
تحولات سال های اخیر و تشدید رقابت در عرصه صنعت، سازمان ها را بر آن داشته است تا تلاش های خود را در جهت کسب مزیت رقابتی معطوف سازند. به طور کلی بسیاری از صاحب نظران بر این باورند که بهبود سطح عملکرد سازمان، افزایش سودآوری را به دنبال دارد که همین امر موجب می شود تا جایگاه رقابتی سازمان نسبت به دیگر رقبا به طور چشمگیری ارتقاء پیدا کند. در این صورت می توان گفت که تحقق این امر به شرایط محیطی، منابع و اقداماتی نیاز دارد که به واسطه آن سازمان بتواند برای خلق ارزش و رسیدن به سودآوری، توانایی های خود را ارتقا دهد. بنابراین با توجه به این که منابع سازمان در تحقق ارتقای سطح عملکرد، نقش مهمی را ایفا می کنند، در مطالعه حاضر تلاش شده است تا با بررسی نتایج حاصل از پژوهش های گذشته و نیز با توجه به نظر خبرگان، منابع کلیدی اثرگذار بر عملکرد سازمان ها استخراج شده و سپس با استفاده از روش طراحی آزمایش های تاگوچی، چارچوب مناسبی از عوامل در نظر گرفته شده، ارائه شود. نتایج حاصل از تجزیه و تحلیل داده ها در این مطالعه نشان می دهد که سهم مشارکت هر یک از عوامل تعداد کل شاغلان، میزان موجودی انبار، ارزش اموال سرمایه ای، نسبت شاغلان تولیدی به کل شاغلان و هزینه تبلیغات در عملکرد بنگاه، به ترتیب برابر 373/39، 699/11، 891/16، 848/27 و 441/3 درصد می باشد.

کلیدواژه‌های مرتبط

پدیدآورندگان همکار

تبلیغات

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان