۰.۹۸۶

مواجهه خدمت

۸

۰.۹۰۱

۳-۱۰- روش تجزیه و تحلیل
در این پژوهش داده ها با بهره گرفتن از تکنیک شبکه عصبی مصنوعی و تحلیل رگرسیون در نرم افزار SPSS مورد تجزیه و تحلیل قرار گرفته است.
۳-۱۰-۱- شبکه عصبی مصنوعی
شبکه‌های عصبی مصنوعی الگویی برای پردازش اطلاعات می‌باشند که با تقلید از شبکه های عصبی بیولوژیکی مثل مغز انسان ساخته شده‌اند.

(( 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. ))

تاکنون در تلاش برای ارزیابی کیفیت خدمات ورضایت مشتری ازتحلیل های آماری استفاده شده است .یعنی استفاده ازابزاری خطی برای مدلسازی روابط غیرخطی.اماپیشرفت های صورت گرفته دردیگررشته های دانشگاهی واستفاده ازوشهای فراابتکاری مانندروش های مبتنی برهوش مصنوعی برای حل مسائل پیچیده،پژوهشگران رابرای استفاده ازاین روش ها در مدلسازی فرایند تصمیم گیری ترغیب کرده است.یکی ازپیشرفت ها درزمینه هوش مصنوعی،شبکه های عصبی مصنوعی هستند(میرغفوری ودیگران ،۱۳۸۸،۶۶).شبکه عصبی مصنوعی (Artificial Neural Network) یا به اختصار شبکه عصبی،یک ابزارمحاسباتی الهام گرفته از مغز انسان است.الهام از مغز انسان ،شبکه های عصبی مصنوعی را به مجموعه ای ازروشهای ساده ودر عین حال قدرتمندمحاسباتی تبدیل نموده است.ویژگیهایی همچون قدرت یادگیری وانطباق،قدرت تعمیم،پردازش زمینه ای اطلاعات،تحمل خطاویکنواختی تحلیل وطراحی (راعی،۱۳۸۰،۱۴۶) باعث می شودشبکه هاتوان پردازش بالایی داشته وقادر به انجام موفقیت آمیز اعمالی مانند تخمین توابع پیچیده غیرخطی وتشخیص وطبقه بندی الگوها باشند. عنصر کلیدی این الگو ساختار جدید سیستم پردازش اطلاعات آن می‌باشد و از تعداد زیادی عناصر (نرون) با ارتباطات قوی داخلی که هماهنگ با هم برای حل مسائل مخصوص کار می‌کنند تشکیل شده‌اند. انسانها از زمان های بسیار دور سعی بر آن داشتند که بیوفیزیولوژی مغز را دریابند، چون همواره مسئله هوشمندی انسان و قابلیت یادگیری، تعمیم، خلاقیت، انعطاف‌پذیری و پردازش موازی در مغز برای بشر جالب بوده و بکارگیری این قابلیت‌ها در ماشینها بسیار مطلوب می نمود.روش های الگوریتمیک برای پیاده سازی این خصایص در ماشینها مناسب نمی‌باشند. در نتیجه می‌بایست روشها مبتنی بر همان مدلهای بیولوژیکی باشد.ANN درست مثل انسانها با بهره گرفتن از مثالها آموزش می بیند، همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد. ساختارشبکه عصبی معمولا یک شبکه یا گراف چندلایه باارتباطهای ساده بین لایه هاست.درهرلایه یک یاچندین واحدمحاسباتی به نام گره یانرون مصنوعی وجودداردکه درحقیقت الگویی ساده ازنرونهای عصبی مغزانسان هستند.نقش نرونها درشبکه عصبی،پردازش اطلاعات است واین امردرشبکه های عصبی مصنوعی به وسیله یک پردازشگرریاضی که همان تابع فعالسازی است،انجام می شود.تابع فعالسازی یاتابع عملیاتی،باتوجه به مسئله ای که قراراست به وسیله شبکه عصبی حل شودوازسوی طراح انتخاب می شود.یک شبکه عصبی مصنوعی درساده ترین حالت دارای یک لایه ورودی ویک لایه خروجی است.اماشبکه بالایه های پنهان،دارای توانایی های بیشتری است.می توان ثابت کرد که یک شبکه عصبی پیشخور با یک لایه پنهان، تابع فعالسازی سیگموئید در لایه پنهان ،تابع فعالسازی خطی درلایه خروجی وتعداد نرونهای کافی درلایه پنهان ،قادر است هرتابعی را با دقت دلخواه تخریب بزند. شبکه شبیه یک سیستم ورودی- خروجی عمل می کندوارزش نرونهای ورودی را برای محاسبه ارزش نرونهای خروجی مورداستفاده قرار می دهد.هرکدام ازارتباطهای بین نرونها درلایه های مختلف وزن مخصوص به خودرادارندکه شبکه درحقیقت باتعدیل این اوزان درطی مرحله آموزش ،الگوی بین متغیرهای خروجی وورودی رایادمی گیرد.به طورکلی،شبکه های عصبی رامی توان برحسب روش های یادگیری،به دونوع یادگیری با ناظر(supervised learning) و یادگیری بدون ناظر (unsupervised learning) تقسیم بندی کرد. دریادگیری باناظرپاسخ(خروجی)صحیح برای هرالگوی ورودی به شبکه داده می شود.وزنها به گونه ای تعیین می شوندکه شبکه،جوابهایی نزدیک به جوابهای صحیح شناخته شده راایجاد کند.درجریان اصلاح مکرر وزنها،یک شبکه آموزش می بیند. باتکرارفرآیند یادگیری،شبکه مقادیرصحیح برای هرالگوی ورودی به شبکه داده می شود.وزنها به گونه ای تعیین می شوند که شبکه،جوابهایی نزدیک به جوابهای صحیح شناخته شده را ایجادکند.درجریان اصلاح مکرر وزنها،یک شبکه آموزش می بیند.با تکرارفرآیند یادگیری، شبکه مقادیرصحیح وزنها راشناسایی می کندوخطا راکاهش می دهد.برای مجموعه مشخصی ازورودیها،خطا عبارت است از تفاضل بین مقدارواقعی وخروجی شبکه.به طورکلی عملکرد یک شبکه عصبی با سه شاخص نمایش داده می شود. نرخ پیش بینی، میزان انطباق و میانگین درصد خطای مطلق.نرخ پیش بینی رامی توان بوسیله معادله زیرمدلسازی کرد:
Prediction rate =
که در آنF میزان خروجی است که به درستی پیش بینی شده است وN کل خروجیهایی است که پیش بینی شده اند.
میزان انطباق، که آن را با نماد R² نمایش می دهند نیز،به وسیله معادله زیرمدلسازی می شود:
RMS جذر میانگین مجذور خطا است و به وسیله معادله زیر نشان داده می شود:
Oⁱ_a خروجی شبکه برای نمونه i و Oⁱ_m خروجی واقعی برای نمونه مذکور است. نیز نشان دهنده واریانس خروجی واقعی است. معادله R² نشان می دهد که هرچه مقدار جذر میانگین مجذور خطا کاهش پیدا کند، R² افزایش می یابد و میزان بالاتر R² به معنی برازندگی بهتر شبکه است.
میانگین درصد خطای مطلق (MAPE) نیز که به وسیله تعداد زیادی محقق برای ارزیابی پیش بینی انتخاب شده است به صورت زیر تعریف می شود:
که n تعداد داده ها، داده های واقعی و داده های پیش بینی شده می باشند. هر چقدر این شاخص به صفر نزدیکتر باشد بیانگر کارایی بهتر مدل است.
دریادگیری،بدون ناظر،برای هرالگوی ورودی موجوددرمجموعه آموزشی،نیازی به پاسخ واقعی نیست.دراین یادگیری،شبکه ساختاراساسی داده هاوهمبستگی بین الگوهای موجوددرداده ها راکشف والگوهارادرطبقاتی مناسب سازماندهی می کند. برحسب ساختارنیزشبکه های عصبی مصنوعی به دونوع شبکه پیشخور
(feed fo…)وشبکه بازگشتی (recurrent)تقسیم بندی می شوند.شبکه های پیشخورکه درآنها حلقه بازخوروجودنداردوشبکه های بازگشتی که دارای حلقه بازخور بوده ونرونها درهرلایه اطلاعات راهم ازلایه های ماقبل وهم لایه های بعدی می گیرند. شکل ۳-۱،یک شبکه عصبی نوعی را نمایش می دهد.
شکل۳-۱- نمایش یک نوع شبکه عصبی
X1
X2
……
Xn
مفروضات زیر درشبکه های عصبی مصنوعی مورد توجه قرارمی گیرد:
فرآیندپردازش اطلاعات درواحدهای ساده ای به نام نرون صورت می گیرد.این نرونهای مصنوعی یا به اختصارنرون،درحقیقت نمونه ای بسیارساده ازنرونهای مغزی اند.
اطلاعات درمسیرهای ارتباطی بین نرونهارد وبدل می شوند.
هرکدام ازخطوط ارتباطی بین نرونها دارای وزن هستند.
هرنرون ازیک تابع عملیاتی (معمولا غیرخطی)استفاده میکند،تابااعمال آن روی ورودی نرون(مجموع اطلاعات وزن دارشده)،خروجی مشخصی ایجادکند(Fausett,1994,243).
شبکه عصبی توسط الگوی ارتباطی بین لایه های مختلف شبکه،تعدادنرونها ،تعداد لایه ها،الگوریتم یادگیری وتابع عملیاتی نرون،شناسایی وتعریف می شود.امایک قانون کلی درباره اندازه استاندارداین مولفه هابرای هرشبکه ودرهرکاربردی وجودندارد.دربیشترموارد یک روش ابتکاری است که درآن شبکه های چندلایه باتعدادنرونهای متفاوت درهرلایه،نرخهای یادگیری متفاوت وتوابع فعال سازی گوناگون آموزش می بینندوسپس بهترین شبکه انتخاب می شود.درمرحله یادگیری،شبکه ازطریق تعدیل وزنها،آموزش می بیند تاقادربه پیش بینی یاطبقه بندی صحیح خروجی های هدف براساس مجموعه ای ازورودی های باشد(Thawornwong,2003,318) .شبکه های عصبی تا حد زیادی به عنوان جعبه سیاهی دیده شده اند که الگوی پیچیده در داده ها را مشخص می کنند و یادگیری از طریق آموزش از ویژگی های اساسی آن ها است (Walczac,1999,114).
شبکه های عصبی مصنوعی اغلب با تکنیک های چند متغیره سنتی (مثل رگرسیون خطی چندگانه)، به عنوان ابزاری جهت الگوبرداری از خطی یا غیر خطی بودن مجموعه ای از داده ها مقایسه می شوند. به طور عام، شبکه های عصبی از نظر صحت از تکنیک های خطی برتر هستند. هر چند شبکه های عصبی مصنوعی محدودیت های خاص خود را دارند، اما آن ها دارای محاسن ویژه ای، همچون قدرت یادگیری، انعطاف پذیری، انطباق و کشف دانش هستند(Goonatilake,1995,14).
شبکه های عصبی به طور فزاینده در مدیریت بازاریابی و خرده فروشی مورد استفاده قرار گرفته اند.نمونه هایی از این کاربردها عبارتند از: پیش بینی پاسخ بازار، پیش بینی انتخاب مصرف کننده، بازایابی توریسم ، تجزیه و تحلیل ارتباط خریدار و فروشندگان و تجزیه و تحلیل بخش بندی بازار.
۳-۱۰-۲- تاریخچه شبکه عصبی
ازقرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با بهره گرفتن از یک مدل منطقی توسط مک کلوک^۱ و والتر پیتز^۲ انجام شد که امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR و AND بود.
Ernest McCulloch
Walter Pitts

• نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. در ۱۹۵۸ شبکه پرسپترون توسط روزنبلات^۱معرفی گردید. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد است. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند. سیستم دیگر مدل خطی تطبیقی نرون یا(Adalaline Adaptive linear element) می‌باشد که در ۱۹۶۰ توسط ویدرو و هاف ( دانشگاه استنفورد ) بوجود آمد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بوده‌اند. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

• در ۱۹۶۹ مینسکی^۲و پاپرت^۳کتابی نوشتند که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

• با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند . از جمله گراسبرگ^۴که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر^۵شبکه های ( Adaptive resonance theory ) ART را بنا نهادند که با مدلهای طبیعی تفاوت داشت. اندرسون^۶ و کوهونن^۷ نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند. ورباس در ۱۹۷۴ شیوه آموزش پس انتشار خطا یا Back Propagation را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.

Rosenbluth
Minsky
Papert
Gerasberg
Carpenter
Anderson
Kohonen