نقطه تقسیم بهینه جایی است که بیشترین مقدار را در بین تمام نقاط تقسیم در گره t داشته باشد. به طور کلی CART به صورت بازگشتی تمام نقاط تقسیم باقی مانده را ملاقات کرده و تابع فوق را برای یافتن نقطه تقسیم بهینه در هر گره اجرا می نماید. در نهایت هیچ گره تصمیمی باقی نمی ماند و درخت به طور کامل توسعه می یابد. البته ممکن است تمامی گره ها همگن نباشد که منجر به نوع خاصی از خطای طبقه بندی خواهد شد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

هم چنین در الگوریتم CART عملیات هرس کردن گره ها و شاخه ها انجام می گردد تا قابلیت تعمیم نتایج طبقه بندی افزایش یابد. هر چند که درخت کاملا توسعه یافته پایین ترین نرخ خطا را در مجموعه آموزشی دارد ولی مدل نهایی ساخته شده بر اساس آن ممکن است بسیار پیچیده شود. با توسعه هر گره تصمیم، زیر مجموعه رکوردهای موجود برای تجزیه و تحلیل کوچکتر شده و محدوده کمتری از جمعیت را شامل می شود. بنابراین هرس نمودن درخت، باعث عمومیت یافتن نتایج خواهد شد(Larsed 2003).
الگوریتم درخت تصمیم C4.5
الگوریتم C_4.5 از نسل الگوریتم ID3 برای تولید درخت تصمیم است که از قانون هرس استفاده می کند. دقیقا مشابه الگوریتم CART، الگوریتم C_4.5 نیز به صورت بازگشتی هر گره تصمیم را ملاقات کرده و نقطه تقسیم بهینه را انتخاب می کند تا جایی که دیگر انشعاب امکان پذیر نباشد. با این حال، تفاوت های جالبی بین CART و C_4.5 وجود دارد(Larsed 2003).
الگوریتم C_4.5 به تقسیم های دودویی محدود نمی باشد و قادر است درخت های با شاخه های بیشتر را تولید نماید. در این الگوریتم به طور پیش فرض برای هر یک از مقادیر صفات یک شاخه تولید می شود. از آن جا که ممکن است تعداد تکرار برخی از مقادیر کم باشد، در مواردی منجر به ایجاد درختی انبوه و بزرگتر از آن چه مورد نظر بوده می گردد که با بهره گرفتن از هرس سعی می شود درخت کوچکتر شده و این مشکل برطرف گردد. حتی اگر هیچ خطایی در داده های آموزشی وجود نداشته باشد باز هم هرس انجام می شود که این امر باعث
می شود درخت عام تر شده و وابستگی کمتری به مجموعه آموزشی داشته باشد.
الگوریتم C_4.5 توانایی کار با داده ها و صفات پیوسته، گسسته، صفات فاقد مقدار و داده های نویزی را دارد. این الگوریتم بهترین صفت را با بهره گرفتن از معیار بی نظمی انتخاب می کند و به دلیل استفاده از عامل Gain Ratio قادر به بکارگیری صفات با مقادیر بسیار زیاد می باشد(Wu, Kumar 2006).
کلید ساختن درخت تصمیم در الگوریتم C_4.5 این است که کدام صفت برای تقسیم استفاده شود. اکتشاف و ابتکار در این الگوریتم برای انتخاب صفت به صورت حداکثر بهره اطلاعات است. الگوریتم C_4.5 از مفهوم دستیابی اطلاعاتGain Information یا کاهش آنتروپی ( بی نظمی) برای انتخاب تقسیم بهینه استفاده می نماید. آنتروپی آندازه گیری ناخالصی یا بی نظمی مجموعه داده D است. هرچه داده ها خالص تر و خاص تر باشد آنتروپی کوچک تر بوده و در واقع آنتروپی زیاد به معنی اطلاعات کم است. در آنتروپی، بیت واحد اطلاعات است. در واقع بیت ها نمادهای حامل اطلاعات هستند، نه خود اطلاعات.
m
Entropy (D) = -å P_i log₂(P_i )
i=1
m تعداد کلاس های موجود است و p_i احتمال آن است که یک متغیر دلخواه در D متعلق به کلاس C_i باشد که این احتمال به صورت |C_i,D|/|D| تخمین زده می شود. ( |D|و |C_i,D| تعداد رخداد در D و C_i,D را نشان می دهد)
فرض می کنیم صفت A دارای v مقدار متمایز به صورت {a₁, a₂, … ,a_v} باشد یا به عبارت دیگر A یک صفت گسسته است. اگر بخواهیم D را برحسب صفت A تقسیم کنیم v بخش یا زیرمجموعه مانند {D₁,D₂,….D_v} حاصل می شود. آنتروپی مورد انتظار اگر Ai به عنوان ریشه به کاربرده شود برابر است با:
Entropy_A (D)=|D_j|/|D|* Entropy(D_j )
اطلاعات حاصل از انشعاب بر حسب صفت A را به صورت زیر تعریف می کنیم:
[Gain(A) = Entropy(D)-Entropy_A(D))]
هرچه مقدار بهره صفت A یعنی (GainA) بیشتر باشد یا به عبارت دیگر هرچه (Entropy D) کمتر باشد، صفتA گزینه مناسب تری برای انتخاب به عنوان صفت تقسیم می شود.
الگوریتم های شبکه های بیزین
در برخی از الگوریتم های طبقه بندی تعدادی شی موجود است که همگی دارای یک بردار از خصیصه ها می باشند. مدل شبکه بیزین یک مدل بر مبنای احتمال است که رویدادهای مشاهده شده و ذخیره شده را بررسی کرده و مشابهت رویدادها را با بهره گرفتن از خصیصه های به ظاهر نامشابه تعیین می کند. شبکه بیزین یک مدل گرافیکی است که متغیرها در یک مجموعه داده^[۴۴] را به صورت گره^[۴۵] نشان داده و احتمال یا شرط استقلال بین آن ها را بیان می کند. ارتباط سببی ( علی) بین گره ها هم می تواند توسط شبکه بیزین نمایش داده شود.
هم چنین خطوط^[۴۶] شبکه لزوماً ارتباط یا تاثیرهای مستقیم بین متغیرها را نشان نمی دهد. در صورتی که مقادیر گم شده^[۴۷] در داده ها زیاد باشد، این نوع شبکه بسیار بزرگ و گسترده شده و بهترین پیش بنی ممکن را با بهره گرفتن از اطلاعات موجود ارائه می دهد(Wu, Kumar 2006).
در این مدل ابتدا فرض می شود که هر شی به یکی از کلاس های مشخص متعلق است. سپس احتمال درست بودن این فرضیه محاسبه می شود. برای این کار تمامی اشیا یک بار پویش شده و با توجه به داده های آموزشی صحت احتمال منظور شده به طور قابل توجهی افزایش یا کاهش می یابد. هدف استخراج قواعدی است که بر اساس ن ها بتوان با دادن خصیصه های یک شی کلاس آن را تعیین نمود.
الگوریتم بیزین با توجه به سادگی پیاده سازی وعدم نیاز به روش های پیچیده برای تخمین پارامترهای تکراری مورد توجه می باشد. این ویژگی ها بدین معنی است که به راحتی بر روی داده های بسیار بزرگ اعمال می شود و به دلیل امکان تفسیر و تحلیل ساده، کاربران غیر متخصص نیز می توانند دلایل طبقه بندی انجام شده توسط این کاربر را درک نماید.
در این الگوریتم C_i کلاس های تعریف شده و X شی مورد نظر است که تعدادی خصیصه دارد.
احتمال های زیر برای اجرای مدل محاسبه می گردد:
P(c_i|x): احتمال این که شی x متعلق به کلاس c_i باشد.
P(x|c_i): احتمال این که در صورتی که شی x متعلق به کلاس c_i باشد، مقادیر خصیصه های آن برای ساخت قواعدی انتخاب شود.
P(c_i ): احتمال این که هر شی متعلق به کلاس ci باشد.
P(x): احتمال این که مقادیر خصیصه های شی x بدون توجه به کلاس آن برای ساخت قواعد انتخاب شود.
فرضیه الگوریتم بیزین بر اساس فرمول زیر می باشد:
P(c_i|x)=P(x|c_i) P(c_i) / P(x)

مدیریت شهری و شهرداری
چالش شهری در هیچ جای دنیا به اندازه ی آسیا مشهود نمی‌باشد. امروزه ۳۸ درصد از جمعیت این ناحیه در شهرها زندگی می‌کنند، این نسبت اکنون در ایران حدود ۷۰ درصد می‌باشد و پیش‌بینی می‌شود تا سال ۲۰۲۰ این مقدار از ۸۰ درصد فراتر رود. متخصصان شهری اکنون پدیده ی جدیدی را در بین این کلان‌شهرها شناسایی کرده‌اند؛ انباشت و تراکم انبوهی از شهرها با اندازه‌های مختلف که قبلاً به صورت مجزا بوده‌اند ولی هم چنان هویت فیزیکی خود را حفظ نموده‌اند، روی‌هم انبوهی از جمعیت ۲۰ و حتی ۳۰ میلیون نفری را به صورت شبکه‌ای به‌وجود می‌آورند؛ به عنوان مثال منطقه ی شهری تهران که شامل شهرهای تهران، ری، اسلام‌شهر، شمیرانات، شهریار، رباط‌کریم و کرج می‌باشد، همگی با وجود حفظ بافت کهن خود به هم‌دیگر چسبیده‌اند. در تعدادی از این شهرها، پیش‌بینی می‌شود که مسائلی از قبیل عرضه ی خدمات پایه، طی مسافت از خانه تا محل کار و دفع ضایعات و زباله‌ها که تا کنون بسیار معضل‌آفرین بوده‌اند در دهه‌ های آتی چندین برابر افزایش یابند(وست فال و دویلا،۱۳۸۶، صص۱و۲).
گستردگی و پیچیدگی مسائل شهری و رشد و توسعه ی روزافزون شهرها، مدیریت امور شهر را به وظیفه ­ای دشوار تبدیل نموده ­است. علاوه بر موضوعاتی هم چون محیط زیست، حمل و نقل، ایمنی و برنامه ریزی شهری، یکی از عوامل مهمی که تأثیر فزاینده و تعیین کننده ­ای بر عوامل سازنده ی شهری دارد، مدیریت شهری است. اگر شهر هم چون سازمانی در نظر گرفته شود، لازم است که در رأس آن عنصری برای برنامه­ ریزی آینده و اداره ی امور کنونی قرار گیرد. این عنصر را می­توان مدیریت شهر نامید. مسائل بسیاری در شهرها وجود دارد که برای حل آن ها و پاسخ به درخواست­های موجود در عرصه ­های زندگی جمعی، وجود مدیریت شهری را ضروری می­نماید. این موضوع به خصوص در مسائل خدماتی و عمرانی عمومی، جنبه ی ویژه پیدا می­ کند. لذا اموری مانند تأمین بهداشت و نظافت محیط شهر، ایجاد و حفظ فضای سبز، تأمین ایمنی شهر و شهروندان، نیازمند وجود سازمانی با تشکیلات مشخص است تا مدیریت شهر به نحو مطلوب صورت گیرد. بدین­سان مدیریت شهری به معنای سازماندهی عوامل و منابع برای پاسخ­گوئی به نیازهای ساکنان شهر است و شامل کارکردهای برنامه­ ریزی، اجرا، نظارت، کنترل و هدایت است که برای اعمال قدرت باید برآمده از اراده ی شهروندان و قراردادهای اجتماعی باشد (نظریان آزاد، ۱۳۸۸، ص۴).
همان طور که بیان شد، امروزه شهرنشینی و توسعه ی شهری یکی از پدیده ­های ویژه است. رشد سریع شهرها و پیشی گرفتن آن از توانائی­ها و منابع مدیران شهری، ارائه ی خدمات شهری مناسب را برای مدیران شهری به یک چالش عظیم تبدیل نموده است. تراکم جمعیت، دشواری رفت و آمد در محیط­های شهری، آلودگی­های هوا و ناامنی­های اجتماعی، برخی از مشکلاتی است که ذهن کارشناسان و صاحب­نظران در حوزه ­های مختلف را به خود مشغول نموده است. در این خصوص، به منظور کاهش و برطرف نمودن مشکلات یاد شده، توسعه ی فن آوری اطلاعات و ارتباطات مدنظر قرار گرفته است. (نظریان آزاد، ۱۳۸۸، ص۱).
ترادف مفهوم مدیریت شهری به رغم ماهیت آن با مفهوم شهرداری به عنوان سازمان مدیریت شهری، ناگزیر می­سازد تا به مفهوم شهرداری نیز پرداخته شود.
برابر ماده ۵ قانون محاسبات عمومی کشور نیز «شهرداری سازمانی است عمومی و غیردولتی که دارای شخصیت و استقلال حقوقی بوده و تحت نظارت شورای شهر که منتخب مردم است و نظارت دولت از طریق وزارت کشور برای انجام وظایفی که در قانون شهرداری ­ها آمده است، تأسیس شده است. » با توجه به تعاریف ذکر شده می­توان گفت تعریف مدیریت شهری( با توجه به دیدگاهی که آن را مساوی با شهرداری می­گیرد) عبارت است از اداره سازمانی غیردولتی که برای برآورده کردن نیازهای مشترک شهروندان در سطح شهر از طرف آن ها و مطابق با قانون تأسیس می­گردد و در محدوده فعالیت خود استقلال سازمانی دارد(خانزاده، ۱۳۸۶، ص ۷۶).
نقش فن آوری اطلاعات در توسعه ی مدیریت شهری
در دو دهه اخیر، واژه فن آوری اطلاعات یا فن آوری اطلاعات و ارتباطات به عنوان یک پدیده ی نوظهور و قدرتمند، جایگاه جهانی خود را پیدا کرده است و به نظر می­رسد به زودی کاربردهای مختلف آن، تمام امور روزمره جوامع را- به صورت مستقیم و یا غیر مستقیم _ تحت تأثیر خود قرار دهد. سرعت تأثیرگذاری و گسترش این پدیده بسیار زیاد است به طوری که از هم ­اکنون انتظار می­رود در ساختارهای فرهنگی، اقتصادی، اجتماعی و سیاسی و هم چنین در بنیان­های سنتی اداره جوامع، تحولات اساسی رخ دهد و سیستم جدیدی از مدیریت معرفی گردد..
بیشتر کشورهای توسعه یافته منافع و خطرهای احتمالی فن آوری اطلاعات و ارتباطات و کاربردهای آن را پذیرفته­اند و از آن استفاده می­ کنند. بعضی از کشورهای در حال توسعه و یا فقیر نیز که در خصوص مزایا و فرصت­های این فن آوری اطلاعات کافی ندارند و یا از امکانات اقتصادی لازم برای به­ کارگیری این پدیده بی­بهره هستند، در این زمینه دچار عقب­ماندگی شده ­اند. کشورهائی نیز وجود دارند که از نظر مالی مشکل خاصی ندارند، اما با رویکردی ایدوئولوژیک به این پدیده ی نوظهور نگاه می­ کنند و باعث تأخیر و یا مانع استفاده مردم کشور خود می­شوند. متأسفانه این رویکرد موجب می­ شود خسارات جبران­ناپذیری به جامعه تحمیل گردد. از آنجا که تمام ابعاد این پدیده ( و به خصوص بعضی از کاربردهای آن مانند شهر الکترونیکی) حتی در بعضی از کشورهای توسعه یافته نیز شناخته شده نیست. بنابراین، فرهنگ­سازی و آسیب شناسی در زمینه معرفی فن آوری اطلاعات و ارتباطات و کاربردهای آن اقدام موثّری محسوب می­ شود(جلالی، ۱۳۸۴).
به کارگیری فن آوری اطلاعات و ارتباطات در اداره ی امور شهر هم از دیدگاه شهروندان و هم از دیدگاه مدیران شهری دارای مزایای فراوانی است که برخی از آن ها عبارتند از(محکی، ۱۳۸۶، ص ۷۷):

• • از دیدگاه مدیران شهری

• • شناسایی بهتر مشکلات و نقاط ضعف شهر.

• • افزایش قدرت کنترل و نظارت بر شهر.

• • تقویت رقابت تجاری شهر و ایجاد فرصت­های تجاری بیشتر توسط تجارت الکترونیک.

• ارتباط بهتر سازمان­ها و ارگان­های مختلف شهری.

برای کاهش خطر خرابی پیشرونده در هنگام از دست رفتن المان های سازه ای خواص سازه ای زیر باید در طراحی مشارکت داده شوند که مجموعا تنومندی^[۳۵] را تولید می‌کند که سازه ها را قادر به محدود نمودن گسترش خسارت بخاطر شروع یک حادثه می‌کند[۵].

( 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. )

اضافه مقاومت چند وجهی
ایجاد مسیر های باربر اضافی در سیستم باربر قائم، کمک به تضمین مسیر های بار جایگزین قابل دسترس در هنگام خرابی موضعی المان های سازه ای می‌کند[۵].
مقید کردن^[۳۶]
از دست رفتن المان های سازه ای اصلی، منتج به باز توزیع بار و تغییر شکل اعضا می شود. این فرایند لازم به انتقال بارها از میان سازه بطور عمودی و افقی در مسیرهای باربر دارد. شکل ۲-۸
بخش زیادی از توانایی سازه در باز توزیع یا انتقال بارها در امتداد این مسیرها بر اساس پیوستگی داخلی بین اعضای مجاور هم است[۳۲].
شکل۲-۸ انواع مختلف قیدهای سهیم در سالم ماندن سازه (یکپارچگی^[۳۷]) [ ۳۲ ]
مقاومت برشی مناسب
المان های سازه ای در موقعیت های آسیب پذیر، مثل تیر های محیطی یا دالها باید طوری طراحی شوند که در برابر بار برشی متناظر با لنگر خمشی نهایی در هنگام از دست دادن یک المان ایستادگی کنند. شکست برشی یک حالت خرابی ترد است و نباید در مکانیزم خرابی کنترل کننده باشد. ظرفیت برشی باید همیشه از ظرفیت خمشی تجاوز کند تا یک پاسخ انعطاف پذیر را نتیجه دهد [۲۲].
شکل پذیری
در یک حادثه فاجعه بار، اعضا و اتصالات آن ممکن است مقاومتشان را در تغییر شکل های بزرگ (تغییر مکان یا دوران) حفظ کنند و بازتوزیع بار متناظر با از دست رفتن المانهای سازه ای کلیدی را انجام دهند.
ظرفیت مناسب جهت مقابله با بارگذاری متناوب^[۳۸]
المان سازه ای اولیه شامل (ستونها، تیرها و سیستم باربر جانبی) و المان های ثانویه همچون (دال ها) باید بر اساس تکنیک های قابل قبولی برای مقابله با بارگذاری متناوب در نقاط آسیب پذیر طراحی شوند. و بعلاوه معیارهای طراحی زیر برای دستیابی تنومندی کلی سازه پیشنهاد شده است :
در سازه های قابی دهانه ستون ها باید محدود شود، دهانه زیاد ستون ها احتمال اینکه سازه بتواند قادر به باز توزیع بار در هنگام خرابی ستون باشد را کاهش می دهد.
دهانه های بیرونی اغلب نسبت به خسارت آسیب پذیرترند. بخصوص برای ساختمان هایی که نزدیک به خیابان های عمومی هستند. همچنین توانایی کمتری در باز توزیع بارها در هنگام حذف عضو دارند بنابراین مطلوب است که دهانه کوچکتری در مجاورت بیرونی ساختمان وجود داشته باشد تا محدوده خسارت کاهش یابد.
از دست رفتن شاهتیر انتقالی^[۳۹] یا ستونی که آن را نگه می دارد بخش بزرگی از ساختمان را ناپایدار کند. این تیرها در قسمت بیرونی ساختمان اغلب برای فضای ورودی بزرگ تعبیه می شوند و اثرات آسیب پذیری نسبت به انفجار را افزایش می دهند. مطلوب تر این است که از این سیستم پرهیز شود و در عوض از سیستم های انتقال دهنده نامعین تری بجای آن استفاده شود [۲و۲۳].
۲-۸- روش های ارزیابی شاخص تنومندی
بعد از انهدام ساختمان رونان پوینت محققان زیادی مقالاتی درباره خرابی پیشرونده ارائه و استانداردها تشویق به طراحی و ساخت ساختمان های تنومند­تر می کنند.
ترکیبی از مفاهیم زیر، برای دستیابی به تنومندی لازم است :
ایجاد یک پلان خوب که حتی زمانی که یک مولفه کلیدی خراب می شود به مقاومت در برابر بارهای جانبی دست می یابد.
ایجاد یک سیستم با نامعینی بالا طوری که مسیر های باربری ثانویه زمانی که المان های کلیدی حذف می شوند وجود داشته باشند.
یک سیستم مقید کننده در میان المان های سازه ای و دور تا دور ساختمان در کل فراهم شود تا کل سازه به یکدیگر نگه داشته شود.
جزئیات را شکل پذیر کنیم طوری که بتوانند کرنش های زیاد را بدون خرابی کلی تجربه کنند [۲۲و۳۴].
تحقیقات زیادی درباره تنومندی^[۴۰] انجام شده است و پیشنهاداتی برای چگونگی کمی سازی آن ارائه گردیده است. تنومندی می تواند به سه روش مختلف ارزیابی گردد :
روش غیراحتمالاتی
روش احتمالاتی
روش بر اساس ریسک
که در اینجا تنها توضیحی کوتاه در مورد روش غیر احتمالاتی آورده شده است.
اگر بار طراحی در سازه سالم و آسیب دیده یکسان باشد، R می تواند به کمک کمیتهای مختلف از جمله نیروی برشی مقاوم­سازی، بصورت زیر نوشته شود :

جاییکه V_damaged ظرفیت برش پایه ساختمان بعد از حذف المان صدمه دیده و V_intact ظرفیت برشی پایه ساختمان سالم و R شاخص تنومندی است. اگر سازه سالم و آسیب دیده ظرفیت یکسانی داشته باشند، این مقدار ۱ است. و اگر سازه خسارت دیده هیچ ظرفیتی نداشته باشد صفر است [۲۲].
۲-۹- روش های طراحی در برابر خرابی پیشرونده
در طراحی سازه­هابوسیله سه روش می توان احتمال ایجاد خرابی پیشرونده را کاهش داد :
کنترل حادثه : که به حفاظت در برابر حادثه ای که ممکن است اتفاق افتد و باعث خرابی پیشرونده گرددد برمی گردد و بطور کلی ملاحظه عملی برای مهندس طراح نیست.
۲) طراحی غیر مستقیم : برای جلوگیری از خرابی پیشرونده، بوسیله تعیین حداقل الزامات در مقاومت، پیوستگی و توسعه کافی مسیر باربری جایگزین در صورت خرابی بخشی از سازه استفاده می شود.
طراحی مستقیم : این روش مقاومت در برابر خرابی پیشرونده و توانایی جذب خسارت را بعنوان بخشی از طراحی در نظر می گیرد. روش مقاومت موضعی مشخص و روش مسیر باربری جایگزین بعنوان دو روش اصلی در روش طراحی مستقیم شناخته می شوند [۲۲].
روش مقاومت موضعی مشخص^[۴۱] (SLRM) :
یک راه برای اعمال این روش اعمال ضرایب به بارهای معمول است. اما باید اعتراف کرد که افزایش ضریب اطمینان در یک حالت حدی نمی تواند خیلی موثر باشد. طوریکه بارگذاری نامتعارف می تواند سبب تغییر مود خرابی شود. در نتیجه مدل تحلیلی را برای مود خرابی واقعی نا مناسب می سازد. بنابراین موثرتر است که یک بار نا متعارف مشخص تعیین شود و به یک حالت حدی ویژه ارجاع داده شود. این معیار مستقیما برای المان های سازه ای بکار می رود که از دست رفتن آن عملکرد باقیمانده سازه را بخطر می اندازد و ما آن را المان کلیدی^[۴۲] می نامیم.
روش مسیر باربری جایگزین^[۴۳] (APM) :
این روش روی حالتی از سازه بعد از از دست رفتن بعضی از المان ها بدون در نظر گرفتن دلیل آن تمرکز می‌کند. این روش می تواند با فرض اینکه در بین المان های اولیه سازه، تنها یک المان در یک زمان قادر به تحمل بار نباشد انجام می شود و رفتار سازه ارزیابی می گردد [۸و۱۵].
۲-۱۰- تحلیل خرابی پیشرونده
یک تحلیل خرابی پیشرونده لازم است تا توانایی یک سازه برای مقابله با بارگذاری های غیر معمول تعیین شود.چندین روش وجود دارد که می تواند استفاده شود: تحلیل­استاتیکی­خطی، تحلیل­استاتیکی­غیرخطی، تحلیل­دینامیکی خطی وتحلیل دینامیکی غیر خطی. هر یک از آنها مزایا و معایبی دارند. خلاصه کوتاهی از روش های مختلف تحلیل در اینجا ارائه شده است.
تحلیل استاتیکی خطی: سریع ترین و آسان ترین روش برای اجراست اما اثرات دینامیکی و غیر خطی بودن هندسی و مصالح را در نظر نمی گیرد.همچنین این تحلیل تنها برای تحلیل سازه های با شکل منظم و ساده قابل کاربرد است.
تحلیل استاتیکی غیر خطی: که اثرات غیر خطی بودن هندسی و مصالح را در نظر می گیرد ولی اثرات دینامیکی را بطور مستقیم در تحلیل در نظر نمی گیرد. این روش نسبتا ساده است و اطلاعات مهمی درباره رفتار سازه می دهد.
تحلیل دینامیکی خطی: شامل رفتار دینامیکی پاسخ سازه می شود اما اثرات غیر خطی هندسی و مصالح را در نظر نمی گیرد بنابراین زمانی که سازه تغییر شکل های پلاستیک بزرگی را تجربه کند ممکن است نتایج خوبی ندهد.
تحلیل دینامیکی غیر خطی: دقیق ترین نتایج را می دهد. و هم اثرات غیر خطی هندسی و مصالح و هم اثرات دینامیکی را شامل می شود. اما این کار پیچیده و وقت گیر است [۳۰].

بر اساس نتایج ازآنجاییکه تعداد متغیرهای آشکار کمتر از ۴ متغیر است مقدار شاخص­ های برازش قابل محاسبه نیستند. در ادامه به بررسی مدل پژوهش در حالت استاندارد و معناداری پرداخته می شود.
شکل۴-۳: نتایج تحلیل عاملی تأییدی عامل الزامات قانوتی در حالت استاندارد
در شکل فوق نتایج مربوط به تحلیل عاملی تأییدی سه شاخص مربوط به عامل در حالت استاندارد ارائه شده است که به منظور مقایسه‌ی بین متغیرهای مشاهده گر می‌باشد. در این شکل به دلیل این که واحدهای اندازه گیری متغیرها یکسان است امکان مقایسه بین متغیرهای مشاهده گر به یک متغیر پنهان فراهم می‌شود.
.
شکل۴-۴ : نتایج تحلیل عاملی تأییدی الزامات قانونی در حالت معنا داری
شکل فوق، معناداری تک تک پارامترها و ضرایب خطای مدل را مورد بررسی قرار می‌دهد. برای این که پارامتری معنادار شود عدد معناداری یا مقدار t باید از عدد ۹۶/۱- کوچک‌تر و از عدد ۹۶/۱ بزرگ‌تر باشد. در مدل فوق همان طور که ملاحظه می‌شود تمام پارامترهای مربوط به ارتباط متغیرها از ۹۶/۱ بزرگ‌تر بوده و بنابراین معنادار است.

(( 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. ))

۴-۴-۳ سنجش مدل اندازه گیری مسئولیت پذیری
در پژوهش حاضر متغیر مسئولیت پذیری با ۷ سؤال در مقیاس لیکرت ۵ گزینه ای (۱: خیلی کم تا ۵: خیلی زیاد) طراحی شد. نتایج تحلیل عاملی انجام شده برای تعیین صحت مدل سنجش در جدول زیر مشاهده می‌شود.
جدول ۴-۱۳: شاخص‌های برازش مدل اندازه گیری مسئولیت پذیری

شاخص برازش

NC

RMSEA

NFI

NNFI

GFI

RMR

۴۸/۲

۰۷۲/۰

۹۲/۰

۹۱/۰

۹۱/۰

۰۲۸/۰

جدول فوق شاخص‌های برازندگی مدل اندازه گیری متغیر را نشان می‌دهد. بر اساس جدول آشکار می‌شود که مدل اندازه گیری متغیر، مدل مناسبی است زیرا مقدار کای دو به هنجار در بازه‌ی مطلوب بین یک تا پنج قرار دارد. مقدار RMSEA زیر ۱/۰ و RMR زیر ۰۵/۰ بوده و مقادیر سایر شاخص‌ها بالاتر از ۹۰/۰ می‌باشد که همگی مقدار مطلوبی هستند.
شکل۴-۵ : نتایج تحلیل عاملی تأییدی عامل مسئولیت پذیری در حالت استاندارد
در شکل فوق نتایج مربوط به تحلیل عاملی تأییدی هفت شاخص مربوط به عامل در حالت استاندارد ارائه شده است که به منظور مقایسه‌ی بین متغیرهای مشاهده گر می‌باشد. در این شکل به دلیل این که واحدهای اندازه گیری متغیرها یکسان است امکان مقایسه بین متغیرهای مشاهده گر به یک متغیر پنهان فراهم می‌شود.
.
شکل۴-۶ : نتایج تحلیل عاملی تأییدی مسئولیت پذیری در حالت معنا داری
شکل فوق، معناداری تک تک پارامترها و ضرایب خطای مدل را مورد بررسی قرار می‌دهد. برای این که پارامتری معنادار شود عدد معناداری یا مقدار t باید از عدد ۹۶/۱- کوچک‌تر و از عدد ۹۶/۱ بزرگ‌تر باشد. در مدل فوق همان طور که ملاحظه می‌شود تمام پارامترهای مربوط به ارتباط متغیرها از ۹۶/۱ بزرگ‌تر بوده و بنابراین معنادار است.
۴-۴-۴ سنجش مدل اندازه گیری رازداری و بیطرفی
در پژوهش حاضر متغیر رازداری و بیطرفی با ۹ سؤال در مقیاس لیکرت ۵ گزینه ای (۱: خیلی کم تا ۵: خیلی زیاد) طراحی شد. نتایج تحلیل عاملی انجام شده برای تعیین صحت مدل سنجش در جدول زیر مشاهده می‌شود.
جدول۴-۱۴: شاخص‌های برازش مدل اندازه گیری رازداری و بیطرفی

شکل ۲-۹: مدل چند ورودی یک نرون

باید خاطر نشان ساخت که در نمایش ماتریس­ها دومین اندیس، مبدأ سیگنال ورودی نرون را نشان می­دهد و اندیس اول به شماره خود نرون اشاره می­ کند.
فرم خلاصه شده نرون چندورودی را در شکل۲-۵ نشان داده شده است. همان­گونه که در شکل مشاهده می­ شود. بردار ورودی P با یک ستون عمومی در منتها الیه سمت چپ نمایش داده می شود. ابعاد P در زیر آن R×۱ مشخص شده است. این نماد نشان دهنده آن است که بردار ورودی P دارای R عنصر است. بردار P در یک ماتریس W با R ستون ضرب می­ شود. مقدار ثابت ۱ به عنون یک ورودی به نرون اضافه شده و در جمله اسکالر بایاس b ضرب می­ شود ورودی n به تابع f اعمال شده و خروجی مربوطه به وجود می ­آید. a عملا نشان­دهنده شبکه تک­نرونی است و در این حالت یک اسکالر با ابعا د ۱×۱ است .

شکل ۲-۱۰: فرم ساده شده نرون با R ورودی

۲-۱۰-۲- ساختار شبکه ­های عصبی
باید توجه داشت که معمولا حتی یک نرون با تعداد ورودی­های زیاد نیز به تنهایی برای حل مسائل فنی مهندسی کفایت نمی­کند مثلاً برای مدل­سازی نگاشت­هایی که دارای دو خروجی هستند احتیاج به دو نرون داریم که به طور موازی عمل کنند. دراین حالت یک لایه خواهیم داشت که از اجتماع چند نرون تشکیل شده است.

(( 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. ))

۲-۱۰-۲-۱- شبکه تک لایه
یک شبکه تک لایه با S نرون درشکل ۲-۶ نشان داده شده است. توجه داریم که هر یک از ورودی­ ها به همه نرون­ها متصل شده است ماتریس W در این حالت دارای S سطر و R ستون می­باشد. همان­گونه که از شکل پیداست لایه ­ها شامل ماتریس وزن، جمع­کننده­ها، بردار بایاس b (دارای S عنصر ) و تابع تبدیل f هستند.

شکل ۲-۱۱: شبکه تک لایه با S نرون

۲-۱۰-۲-۳- شبکه ­های چند لایه
یک شبکه می ­تواند شامل چندین لایه باشد که هر لایه دارای یک ماتریس وزن W ، یک بردار بایاس b و یک بردار خروجیa می­باشد. جهت تمایز متغیرهای فوق و اینکه کدام متغیر به کدام لایه تعلق دارد نیاز داریم که علامت دیگری را هم به متغیرهای فوق تخصیص دهیم. از این رو از بالانویس برای مشخص نمودن لایه استفاده می­کنیم. بنابراین ماتریس وزن برای لایه اول را با W1 مشخص می­کنیم. با به خاطر سپردن این نماد، یک شبکه پیش­خور سه لایه را می­توان به شکل ۳-۷ ترسیم نمود. همان­گونه که از این شکل پیداست تعداد R ورودی، تعداد S1 نرون در لایه اول، تعداد S2 نرون در لایه دوم و تعداد S3 نرون در لایه سوم موجود است. همچنین در لایه­ های مختلف توابع محرک مختلف داریم.

شکل ۲-۱۲: شبکه پیش­خور سه لایه

لایه­ای که خروجی آن خروجی شبکه عصبی پیش­خور باشد به لایه خروجی موسوم است. لایه­ های دیگر به لایه­ های میانی^[۳۱] موسوم­اند. شبکه موجود در شکل ۲-۷ دارای دو لایه میانی است. در اینجا لایه خروجی با ماتریس وزن W3 ، بردار بایاس b3 و تابع محرک f3 مشخص می­ شود. لایه میانی اول با ماتریس وزن W1، بردار بایاس b1و تابع محرک f1 و لایه میانی دوم با ماتریس وزن W2 بردار بایاس b2و تابع محرک f2 مشخص می­شوند. به چنین شبکه­ ای شبکه پیش­خور^[۳۲] گفته می­ شود.
شبکه ­های عصبی چند لایه دارای توانایی بیشتری نسبت به شبکه ­های عصبی تک­لایه هستند. می­توان ثابت کرد که شبکه ­های عصبی پیش­خور دو لایه با توابع زیگموئید در لایه اول قادرند هر تابعی را با دقت دلخواه تقریب بزنند. در حالی که شبکه ­های عصبی تک­لایه از چنین توانایی برخوردار نیستند.
توپولوژی­های شبکه­ ها و چگونگی ارتباط آن­ها با هم شبکه ­های مختلف را ایجاد کرده است. در ادامه چند نوع از شبکه ­های معمول را بیان می­کنیم.
۲-۱۰-۲-۳- شبکه پرسپترون
شکل ۲-۱۳ یک نرون پرسپترون را نشان می­دهدکه دارای تابع Hard limit است. شبکه ­های پرسپترون پایه معمولا یک لایه هستند. روش آموزشی که در این ساختار استفاده می­ شود، به قانون یادگیری پرسپترون معروف می­باشد. شبکه ­های پرسپترون مخصوصا برای مسائلی چون دسته­بندی الگوها مناسب است و معمولا شبکه­ هایی سریع و مناسب در این زمینه­اند. این شبکه­ ها از نوع شبکه ­های پیش­خور هستند.

۰٫۰۲۲

-۰٫۷۰۴

تایید فرضیه

همان ‌طور که در جدول (۴-۳) دیده می­ شود با انجام آزمون پیرسون در سطح اطمینان ۹۵% ، مقدار Prob= 0.022 به دست آمد . از آنجایی که مقدار ۰٫۰۵ Prob< می‌باشد ، لذا شواهد کافی برای پذیرفتن فرض صفر وجود ندارد . بنابراین فرض مقابل تحقیق پذیرفته می­ شود . یعنی در سطح اطمینان ۹۵% رابطه‌ی معناداری بینحقوق صاحبان سهام به سپرده ها با نوسان قیمت سهام در طی سال مالی وجوددارد. از آنجایی که مقدار این رابطه برابر با ۷۰۴٫ R= – می­باشد لذا نوع رابطه بین حقوق صاحبان سهام به سپرده ها با نوسان قیمت سهام در طی سال مالی منفی می­باشد.

( اینجا فقط تکه ای از متن پایان نامه 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. )

۴-۳-۳ فرضیه فرعی سوم
فرضیه فرعی سوم تحقیق به صورت زیر بیان شده است:
بین نرخ کفایت سرمایه با نوسان قیمت سهام در طی سال مالی رابطه معناداری وجود دارد .
شکل ریاضی فرض آماری به صورت زیر است:
بین نرخ کفایت سرمایه با نوسان قیمت سهام در طی سال مالی رابطه معناداری وجود ندارد.
H₀: ρ = ۰
H₁ : ρ≠ ۰
بین نرخ کفایت سرمایه با نوسان قیمت سهام در طی سال مالی رابطه معناداری وجود دارد.
آزمون فرضیه
در جدول (۴-۴) نتایج محاسبه ضریب همبستگی بین نرخ کفایت سرمایه با نوسان قیمت سهام در طی سال مالی ارائه گردیده است:
جدول(۴-۴): مقادیر ضریب همبستگی دو متغیر نرخ کفایت سرمایه با نوسان قیمت سهام

فرضیه فرعی سوم

تعداد

Prob

ضریب همبستگی

نتیجه آزمون

رابطه بین نرخ کفایت سرمایه با نوسان قیمت سهام

۳۶

۰٫۰۲۶

-۰٫۶۹۱

تایید فرضیه

همان‌ طور که در جدول (۴-۴) دیده می­ شود با انجام آزمون پیرسون در سطح اطمینان ۹۵% ، مقدار Prob = 0.026 به دست آمد. از آن جایی که مقدار ۰٫۰۵ Prob< می‌باشد ، لذا شواهد کافی برای پذیرش فرض صفر وجود ندارد در نتیجه فرض مقابل پذیرفته می شود . یعنی در سطح اطمینان ۹۵% رابطه‌ی معناداری بین نرخ کفایت سرمایه با نوسان قیمت سهام وجود دارد.
۴-۳-۴ فرضیه فرعی چهارم
فرضیه فرعی چهارم تحقیق به صورت زیر بیان شده است:
بین نسبت دارایی های ثابت به کل دارایی ها با نوسان قیمت سهام در طی سال مالی رابطه معناداری وجود دارد .
شکل ریاضی فرض آماری به صورت زیر است:
بین نسبت دارایی های ثابت به کل دارایی ها با نوسان قیمت سهام رابطه معناداری وجود ندارد.
H₀: ρ = ۰
H₁ : ρ≠ ۰
بین نسبت دارایی های ثابت به کل دارایی ها با نوسان قیمت سهام رابطه معناداری وجود دارد.
آزمون فرضیه
در جدول(۴-۵) نتایج محاسبه ضریب همبستگی بین نسبت دارایی های ثابت به کل دارایی ها با نوسان قیمت سهام ارائه گردیده است:
جدول(۴-۵): مقادیر ضریب همبستگی دو متغیر نسبت دارایی های ثابت به کل دارایی ها با نوسان قیمت سهام