نوع فایل : Word
تعداد صفحات : 35 صفحه
چکیده :
با توجه به تاکیدی که در سالهای اخیر بر مدیریت مبتنی بر شواهد شده است و یکی از روشهای نوین مدیریتی، مدیریت مبتنی بر عملکرد است، هدف این مطالعه برقراری سیستمی اولیه از مدیریت مبتنی بر عملکرد در بخش اورژانس بیمارستان ضیائیان بود.
روش اجرا :
استقرار نظام مدیریت مبتنی بر علمکرد در اورژانس بیمارستان ضیاییان شامل گامها 6 گانه است: 1) تعیین رسالت و اهداف سازمان، 2) نظام یکپارچه سنجش عملکرد:
3) پاسخگویی در مقابل عملکرد، 4) جمع آوری داده های عملکرد، 5) تحلیل، بررسی و گزارش دهی داده ها عملکرد، 6) استفاده از اطلاعات عملکرد در بهبود سازمان.
نتایج : تاخیر در ارائه خدمات نوارقلب، عکسبرداری، آزمایشات و مشاوره تخصصی در ساعات شلوغ اورژانس (20 الی 24) وجود داشت. میزان رضایت بیماران از ارائه خدمات در ساعات خلوت اورژانس (14 الی 20) کمتر بود. 70% بیماران اظهار بهبودی نمودند و حدود 70% نیز اعلام نمودند که دفعه بعد نیز به بیمارستان مراجعه می نمایند.
نتیجه گیری :
در اجرای سیستم مدیریت مبتنی بر عملکرد در بیمارستانهای کشور که فاقد زیرساختهای لازم هستند باید به نکات بسیاری توجه و زمان و انرژی بسیاری را در این زمینه هزینه نمود...
عنوان مقاله : سیستم های مبتنی بر شبکه عصبی
قالب بندی : Word
شرح مختصر : شبکههای عصبی مصنوعی Artificial Neural Network – ANN) ) یا به زبان سادهتر شبکههای عصبی سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده. ایده اصلی این گونه شبکهها (تا حدودی) الهامگرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش دادهها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد میگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصلاح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند. توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکهای از عناصر پردازش ساده (نورونها) است، که میتواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخههای متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفتهاست، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکهای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکههای عصبی” اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامهنویسی رایانه میتوان ساختار دادهای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکهای از این نورونهای مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکهها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان دادهاند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع میباشد که به عنوان چند نمونه کوچک میتوان استفاده از این ابزار ریاضی در پردازش سیگنالهای بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :
مقدمه ای بر شبکههای عصبی مصنوعی
تاریخچه شبکههای عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکههای عصبی
قواعد یادگیری در شبکههای عصبی
آموزش شبکههای عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوتهای شبکههای عصبی با روشهای محاسباتی متداول و سیستمهای خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیتهای سیستمهای خبره
کاربرد سیستمهای خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
سایر حوزه های تجاری
کاربرد مدلهای شبکه عصبی در پیشبینی ورشکستگی اقتصادی شرکتهای بازار بورس
کاربرد مدل شبکه عصبی در پیشبینی ورشکستگی شرکتهای بازار بورس
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیشبینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیشبینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیشبینی ورشکستگی اقتصادی
پیشبینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمعبندی و نتیجهگیری
منابع
مقدمه ای بر شبکههای عصبی مصنوعی
تاریخچه شبکههای عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکههای عصبی
قواعد یادگیری در شبکههای عصبی
آموزش شبکههای عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوتهای شبکههای عصبی با روشهای محاسباتی متداول و سیستمهای خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیتهای سیستمهای خبره
کاربرد سیستمهای خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
سایر حوزه های تجاری
کاربرد مدلهای شبکه عصبی در پیشبینی ورشکستگی اقتصادی شرکتهای بازار بورس
کاربرد مدل شبکه عصبی در پیشبینی ورشکستگی شرکتهای بازار بورس
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیشبینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیشبینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیشبینی ورشکستگی اقتصادی
پیشبینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمعبندی و نتیجهگیری
منابع
دانلود پایان نامه رتبه بندی پیمانکاران فضای سبز شهرداری مبتنی بر روش های تصمیم گیری چند معیاره فازی
چکیده
نحوه و چگونگی انتخاب از دیرباز موضوع بحث فلاسفه و دانشمندان بوده است، لذا حصول نتایج رضایت بخش نیازمند طی کردن یک مسیر عقلایی و منطقی در فرایند انتخاب است.روند رشد و توسعه در چند دهه اخیر و همچنین رقابتی تر شدن بازار کسب و کار، باعث گشته است تا سازمانها و شرکتهای بزرگ نگرشی تخصصی و علمی به فرایند انتخاب پیمانکار و نیز اجرای پروژه ها پیدا کنند. آنچه مسلم است این است که انتخاب پیمانکار مناسب و واجد شرایط تضمین کننده موفقیت در اجرای پروژه خواهد بود و بالعکس عدم توانایی در شناسایی و انتخاب پیمانکار مناسب عدم اثربخشی و ضرر و زیان را در پیخواهد داشت.
با توجه به سیاست شهرداری مبنی بر برونسپاری فعالیتها هر روز شرکتهای پیمانکاری بیشتری برای مشارکت در پروژههای گوناگون شهرداری و از جمله پروژه های مربوط به فضای سبز اقدام میکنند؛ و این تعدد شرکت های پیمانکاری باعث گشته تا انتخاب پیمانکار شایسته به عنوان امری خطیر و تعیینکننده برای شهرداری به عنوان کارفرما رخ نماید. لذا انتخاب صحیح پیمانکاران اولین گام در راه رسیدن به هدف مطلوب کارفرمایان یعنی اجرای پروژه در محدوده زمانی دلخواه با هزینه مشخص و کیفیت مورد نظر است.
به همین منظور بعد از مرور ادبیات مربوط به شناسایی معیارها و مصاحبه با کارشناسان و مدیران شهرداری، 33 معیار اولیه انتخاب و ارزیابی پیمانکار شناسایی شد و با بکارگیری آزمون فرض فازی، 15 معیار به عنوان مهمترین معیارهای تاثیرگذار بر انتخاب پیمانکاران در نظر گرفته شد. سپس از تکنیک تحلیل سلسله مراتبی فازی برای وزن دهی به معیارها استفاده شد و در نهایت با استفاده از روش TOPSIS فازی فاصلهای، 5 پیمانکار فضای سبز شهرداری ارزیابی و رتبه بندی شدند.
فهرست مطالب
عنوان شماره صفحه
فصل اول: کلیات تحقیق
مقدمه...................................................................................................................................................................................... 3
1-3-1. معیارهای انتخاب پیمانکار................................................................................................................. 7
1-3-2. مدلهای انتخاب پیمانکار.................................................................................................................. 8
1-6-1. نوع تحقیق براساس هدف.............................................................................................................. 11
1-6-2. نوع تحقیق براساس روش............................................................................................................... 11
1-6-3. روش گردآوری اطلاعات و دادهها................................................................................................. 11
1-6-4. جامعه آماری، روش نمونه گیری، حجم نمونه......................................................................... 11
1-6-5. روش تجزیه و تحلیل دادهها.......................................................................................................... 12
فصل دوم: ادبیات و پیشینه تحقیق
مقدمه .................................................................................................................................................................................. 17
سازمان پروژه...................................................................................................................................................... 18
دوره زمانی یک پروژه از آغاز تا پایان........................................................................................................... 19
کلیاتی از اهداف و وظایف پیمانکاران عمومی........................................................................................... 21
أ
2-10-1. تفکر فازی......................................................................................................................................... 45
2-10-2. تاریخچه شکلگیری منطق فازی............................................................................................... 46
2-10-3. مفاهیم اساسی مجموعههای فازی............................................................................................ 48
2-10-4. اعداد فازی....................................................................................................................................... 49
2-10-5. ماتریس فازی................................................................................................................................... 50
2-12-1. ارزیابی و بررسی مدلهای MADM ................................................................................... 53
2-12-2. مراحل روش AHP فازی........................................................................................................... 57
2-12-3. مراحل روش TOPSIS فازی.................................................................................................. 61
فصل سوم: روش شناسی تحقیق
مقدمه .................................................................................................................................................................................. 71
3-6-1. استفاده از منابع علمی کتابخانهای............................................................................................... 74
3-6-2. استفاده از پایگاهها و نشریات علمی و شبکه جهانی اینترنت............................................... 74
ب
3-6-3. استفاده از پرسشنامه........................................................................................................................ 74
3-6-4. مصاحبه با اساتید دانشکده............................................................................................................. 74
3-9-1. استخراج معیارهای اولیه................................................................................................................. 76
فصل چهارم: تجزیه و تحلیل دادهها
مقدمه .................................................................................................................................................................................. 85
4-1-1. معیارهای پیشنهادی اولیه.............................................................................................................................. 86
4-1-2. معیارهای نهایی انتخاب پیمانکار.................................................................................................................. 99
فصل پنجم: نتیجه گیری و پیشنهادات
مقدمه ............................................................................................................................................................................... 113
5-1-1. شناسایی و تعیین معیارهای انتخاب پیمانکار........................................................................................ 114
5-1-2. تعیین اهمیت وزن معیارها......................................................................................................................... 115
5-1-3. رتبه بندی شرکتهای پیمانکاری.............................................................................................................. 116
5-2-1. پیشنهادهای کاربردی.................................................................................................................... 117
5-2-2. پیشنهادها برای تحقیقات آتی.................................................................................................... 117
شبکههای عصبی مصنوعی Artificial Neural Network – ANN) ) یا به زبان سادهتر شبکههای عصبی سیستمها و روشهای محاسباتی نوینی هستند برای یادگیری ماشینی، نمایش دانش، و در انتها اعمال دانش به دست آمده در جهت بیشبینی پاسخهای خروجی از سامانههای پیچیده. ایده اصلی این گونه شبکهها (تا حدودی) الهامگرفته از شیوه کارکرد سیستم عصبی زیستی، برای پردازش دادهها، و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهمپیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم هماهنگ عمل میکنند و توسط سیناپسها(ارتباطات الکترومغناطیسی) اطلاعات را منتقل میکنند. در این شبکهها اگر یک سلول آسیب ببیند بقیه سلولها میتوانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکهها قادر به یادگیریاند. مثلا با اعمال سوزش به سلولهای عصبی لامسه، سلولها یاد میگیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم میآموزد که خطای خود را اصلاح کند. یادگیری در این سیستمها به صورت تطبیقی صورت میگیرد، یعنی با استفاده ازمثالها وزن سیناپسها به گونهای تغییر میکند که در صورت دادن ورودیهای جدید، سیستم پاسخ درستی تولید کند. توافق دقیقی بر تعریف شبکه عصبی در میان محققان وجود ندارد؛ اما اغلب آنها موافقند که شبکه عصبی شامل شبکهای از عناصر پردازش ساده (نورونها) است، که میتواند رفتار پیچیده کلی تعیین شدهای از ارتباط بین عناصر پردازش و پارامترهای عنصر را نمایش دهد. منبع اصلی و الهام بخش برای این تکنیک، از آزمایش سیستم مرکزی عصبی و نورونها (آکسونها، شاخههای متعدد سلولهای عصبی و محلهای تماس دو عصب)نشأت گرفتهاست، که یکی از قابل توجهترین عناصر پردازش اطلاعات سیستم عصبی را تشکیل میدهد. در یک مدل شبکه عصبی، گرههای ساده (بطور گسترده نورون، نئورونها، “PE” ها (عناصر پردازش) یا واحدها) برای تشکیل شبکهای از گرهها، به هم متصل شده اند،به همین دلیل به آن، اصطلاح”شبکههای عصبی” اطلاق میشود. در حالی که یک شبکه عصبی نباید به خودی خود سازگارپذیر باشد، استفاده عملی از آن بواسطه الگوریتمهایی امکان پذیر است، که جهت تغییر وزن ارتباطات در شبکه (به منظور تولید سیگنال موردنظر) طراحی شده باشد. با استفاده از دانش برنامهنویسی رایانه میتوان ساختار دادهای طراحی کرد که همانند یک نرون عمل نماید. سپس با ایجاد شبکهای از این نورونهای مصنوعی به هم پیوسته، ایجاد یک الگوریتم آموزشی برای شبکه و اعمال این الگوریتم به شبکه آن را آموزش داد. این شبکهها برای تخمین (Estimation) و تقریب (Approximation)کارایی بسیار بالایی از خود نشان دادهاند. گستره کاربرد این مدلهای ریاضی بر گرفته از عملکرد مغز انسان، بسیار وسیع میباشد که به عنوان چند نمونه کوچک میتوان استفاده از این ابزار ریاضی در پردازش سیگنالهای بیولوییکی، مخابراتی و الکترونیکی تا کمک در نجوم و فضا نوردی را نام برد.
فهرست :
مقدمه ای بر شبکههای عصبی مصنوعی
تاریخچه شبکههای عصبی مصنوعی
شبکه عصبی چیست؟
شبکه عصبی چه قابلیتهائی دارد؟
الهام از طبیعت
شبکه های عصبی در مقایسه با کامپیوترهای سنتی
مسائل مناسب برای یادگیری شبکه های عصبی
پرسپترون
الگوریتم یادگیری پرسپترون
الگوریتم gradient descent
مشکلات روش gradient descent
تقریب افزایشی gradient descent
الگوریتم Back propagation
قدرت نمایش توابع
انواع آموزش شبکه
برخی زمینه های شبکه های عصبی
سبکهای معماری شبکههای عصبی
قواعد یادگیری در شبکههای عصبی
آموزش شبکههای عصبی
آموزش unsupervised یا تطبیقی (Adaptive)
تفاوتهای شبکههای عصبی با روشهای محاسباتی متداول و سیستمهای خبره
انواع یادگیری برای شبکه های عصبی
یادگیری با ناظر
یادگیری تشدیدی
یادگیری بدون ناظر
معایب شبکه های عصبی
مزیتهای شبکه های عصبی
سیستم خبره
سیستم خبره چیست؟
ساختار یک سیستم خبره
استفاده از منطق فازی
مزایا و محدودیتهای سیستمهای خبره
کاربرد سیستمهای خبره
چند سیستم خبره مشهور
مروری بر کاربردهای تجاری
بازاریابی
بانکداری و حوزه های مالی
پیش بینی
سایر حوزه های تجاری
کاربرد مدلهای شبکه عصبی در پیشبینی ورشکستگی اقتصادی شرکتهای بازار بورس
کاربرد مدل شبکه عصبی در پیشبینی ورشکستگی شرکتهای بازار بورس
تبیین مفهوم ورشکستگی
متغیرهای مدل تحقیق
اطلاعات شرکتهای نمونه تحقیق
تعیین مدل شبکه عصبی سه لایه برای پیشبینی ورشکستگی شرکتها
تعیین مدل بهینه شبکه عصبی چهار لایه برای پیشبینی ورشکستگی شرکتها
مقایسه مدلهای شبکه عصبی سه و چهار لایه برای پیشبینی ورشکستگی اقتصادی
پیشبینی ورشکستگی اقتصادی شرکتها در سالهای و
روند ورشکستگی اقتصادی شرکتهای بازار بورس در دوره ـ
جمعبندی و نتیجهگیری
منابع