شبکه پرسپترون چند لایه

امروزه در برخی محیط های تولیدی یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصه های کیفی متغیر و وصفی همبسته توصیف می گردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیت های خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصه های عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص درست مشخصه /مشخصه های کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصه های کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان می دهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیت های مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است.

بحران مالی شرکت های بزرگ در دهه اخیر سبب گرایش اکثریت گروه های ذی نفع به مدل های پیش بینی ورشکستگی شده است. هدف اصلی این پژوهش ارزیابی محتوای اطلاعاتی نسبت های صورت جریان وجه نقد در تشخیص ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی است. جامعه آماری این پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران در دوره زمانی از سال های 1384 تا 1392 است. برای این منظور 84 شرکت شامل 42 شرکت ورشکسته و 42 شرکت سالم انتخاب شدند. شبکه عصبی این پژوهش پرسپترون سه لایه است که با روش الگوریتم پس انتشار خطا آموزش دیده است. براساس نتایج پژوهش، مدل شبکه عصبی با نسبت جریان نقدی عملیاتی به بدهی های جاری، نسبت پوشش جریان نقدی عملیاتی به بهره، نسبت بازده نقدی دارایی ها، نسبت کیفیت سود و نسبت آنی بیشترین قدرت پیش بینی را نسبت به ورشکستگی شرکت ها در ایران دارد. همچنین، یافته ها نشان می دهند که دقت پیش بینی مدل برای سال ورشکستگی 99 درصد و در مجموع مراحل ورشکستگی در یک، دو و سه سال قبل از ورشکستگی به ترتیب با دقت 91، 85 و 70 درصد است.

مقدمه: زنجیره های تامین تجهیزات و ملزومات پزشکی در مراکز بهداشتی و درمانی بسیار پیچیده، متنوع و پویا هستند و این پیچیدگی، انتخاب و خرید بهینه را به امری تخصصی و چالش برانگیز تبدیل نموده است. لذا این پژوهش به طراحی سیستم تصمیم یار هوشمندی جهت پشتیبانی از فرایند کارشناسی خرید ملزومات پزشکی پرداخته است. روش ها: مطالعه حاضر توسعه ای-کاربردی و با روش توصیفی-پیمایشی است. در این پژوهش، بر مبنای هوش مصنوعی و با مجموعه های فازی و شبکه های عصبی، نحوه تصمیم گیری کارشناسان خرید ملزومات پزشکی در نرم افزار متلب الگوسازی شد. به نحوی که با اخذ اطلاعات، امتیاز ملزومات پزشکی را پیش بینی نماید. داده های لازم، در سال 1401 از وبگاه اداره کل تجهیزات پزشکی و دانش متخصصین این حوزه استخراج شد. یافته ها: بنا بر نتایج، استفاده از شبکه عصبی پرسپترون سه لایه، با میانگین مربعات خطای 0/0011 و همبستگی کلی 0/97، می تواند تصمیم یار مناسبی در ارزیابی و انتخاب ملزومات پزشکی باشد. نتیجه گیری: استفاده از ابزاری که منجر به بهبود فرایند کارشناسی خرید ملزومات پزشکی گردد، کمک شایانی به نظام سلامت در حفظ منابع و ارتقاء کیفیت خدمات بهداشتی و درمانی می نماید. شبکه های عصبی یکی از مؤثرترین روش ها با قابلیت یادگیری و تعمیم است که می تواند به عنوان پشتیبانی هوشمند با سرعت و دقت بالا، کارشناسان حوزه خرید ملزومات پزشکی را در پردازش داده یاری رساند و منجر به تصمیم گیری و انتخاب ملزومات پزشکی بهینه گردد.