مطالعه فن آوری در حوزه انرژی
توسعه مهندسی ارزش در طرح ها وپروژه های اجرایی
آموزش و ارتقای متخصصان صنعت نفت وگاز
تعامل با مراکز علمی- پژوهشی در داخل و خارج برای انجام پروژه های مشترک

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

برگزاری همایش ها و سخنرانی های تخصصی در زمینه انرژی در سطوح ملی و بین المللی
برگزاری دوره های فوق لیسانس و تامین مالی پروژه های فوق لیسانس و دکتری در زمینه انرژی
تهیه بانک های اطلاعاتی در زمینه انرژی
بررسی مسایل بهداشت، ایمنی، محیط زیست و کیفیت در صنعت نفت
توسعه مدیریت و بهره وری و بررسی مسایل نیروی انسانی
مطالعات اجتماعی مرتبط با صنعت نفت (http://www.iies.ac.ir)
به علاوه موسسه سعی می نماید در برگزاری همایش های بین المللی، دوره های آموزشی و طراحی و انجام بخشی از مطالعات خود از همکاری متخصصین و کارشناسان بین المللی بهره بگیرد.
۳) دانشگاه صنعت نفت:
با توجه به اهمیت صیانت منابع عظیم نفت و گاز در کشور، تربیت نیروی انسانی متخصص جهت توسعه و بهره‌برداری بهینه از این منابع در زمره اولویت‌ها و اهداف راهبردی وزارت نفت قرار دارد. جهت نیل به این هدف، دانشگاه صنعت نفت مأموریت دارد تا با بسیج تمامی امکانات در مقاطع کارشناسی، کارشناسی ارشد و دکتری، این نیاز مهم را برآورده سازد. لذا دانشگاه صنعت نفت علاوه بر ارائه دوره‌های تخصصی در مقاطع مختلف، با ایجاد زمینه همکاری با دانشگاه‌های داخل و خارج از کشور، به این امر مهم اهتمام ورزیده گام‌های اساسی برداشته است.
از آن میان می توان به اعزام دانشجو به خارج از کشور در مقاطع کارشناسی ارشد و همکاری با دانشگاه‌های داخل کشور جهت راه‌اندازی رشته‌های بالادستی نفت اشاره نمود. از سوی دیگر، دانشگاه صنعت نفت در کنار انجام امور آموزشی، از پیشرفته‌ترین امکانات پژوهشی نیز برخوردار بوده با یجاد رابطه نزدیک با صنعت نفت کشور و مراکز علمی تحقیقاتی خارج از کشور، به سطح توانمندی نیروهای تربیت شده هرچه بیشتر افزوده است.
در حال حاضر این دانشگاه با مجموع فضای بیش از ۳۷۰ هزار متر مربع و با بیش از ۷۰ عضو هیئت علمی، فعالیت گسترده‌ای را برای تربیت نیروهای متخصص جهت رفع نیازهای صنعت نفت کشور انجام داده است. در حال حاضر دانشگاه صنعت نفت در سه دانشکده خود در شهرهای اهواز، آبادان و تهران در رشته‌های بالادستی نفت در مقاطع کارشناسی و کارشناسی ارشد اقدام به پذیرش دانشجو می کند و کلیه دروس تخصصی، به زبان انگلیسی ارائه می شود. همچنین این دانشگاه در دانشکده علوم دریایی خود در شهرستان محمودآباد، به آموزش دانشجو در رشته‌های دریانوردی می‌پردازد.
آرمان دانشگاه صنعت نفت، تبدیل شدن به دانشگاه پیشتاز در منطقه در زمینه مهندسی نفت و رشته های وابسته و حفظ این پیشتازی است.
ماموریت های دانشگاه صنعت نفت عبارتند از:
۱-جذب اعضای هیئت علمی مجرب در رشته های مورد نظر و ایجاد شرایط مناسب برای پیشرفت و ارتقای آنان
۲-جذب دانشجویان ممتاز از طریق آزمون ورودی
۳-برقراری ارتباط با دانشگاه های تراز اول جهان در زمینه های بالا دستی نفت و گاز به منظور همکاری های مشترک
۴-تربیت نیروی انسانی در رشته های مورد نیاز صنعت نفت در مقاطع کارسناسی ،کارشناسی ارشد و دکتری
۵-گسترش و تعمیق فعالیت های پژوهشی دانشگاه با صنعت نفت
۶- گسترش و تعمیق ارتباط دانشگاه با صنعت برای پاسخگویی به نیازهای آن
۷-ایجاد و توسعه فضاهای آموزشی ،پژوهشی ، ورزشی و رفاهی
۸- ایجاد و توسعه مراکز کتابخانه ای ، مراکز کامپیوتر و ارتباطات اینترنتی
دانشگاه صنعت نفت با تربیت مناسب دانشجویان در زمینه های مرتبط با صنعت نفت توانسته است مهندسان و متخصصان زبده ای به صنعت تحویل دهد که نقش مؤثری در رشد و گسترش آن در سراسر جهان داشته اند. آوازه چشمگیر متخصصان ایرانی ،پرورش یافته در این دانشگاه در اکثر دانشگاه ها و شرکت های معتبر جهان همواره به گوش می رسد.
پر واضح است که این اراده و پشتکار در دانشگاه صنعت نفت هر روز بیش از پیش عمق و شتاب خواهد گرفت و صنعت نفت می تواند همچنان چشم امید به ایجاد تحولاتی شگرف ، توسط متخصصان و کارشناسان این دانشگاه داشته باشد .
مزیت های دانشگاه صنعت نفت عبارتند از:
۱-دانشگاه صنعت نفت،جهت ارتقای سطح کمی و کیفی اساتید و اعضای هیآت علمی و تکنولوژی،فرصت های مطالعاتی را با همکاری مراکز معتبر تحقیقاتی و صنعتی جهان در دستور کار خود دارد.
۲-این دانشگاه فرصت را برای دانشجویان خویش مهیا نموده است، تا علاوه بر استفاده از امکانات آموزشی و رفاهی مناسب در طول تحصیل پس از فارغ التحصیلی از این دانشگاه بتوانند در بهترین مراکز تحقیقاتی و صنعتی کشور مشغول به فعالیت شوند.
۳-دانشجویان این دانشگاه پس از فارغ التحصیلی در صورت داشتن شرایط مشخص از بورس تحصیلی وزارت نفت بهره مند بوده و از شرایط و امتیازات خاص کاری و شغلی مناسب برخوردار می شوند.
۴-این دانشگاه با توجه به ارتباط تنگاتنگ با انجمن های علمی، دانشگاه ها و شرکت های معتبر نفتی جهان، دانشجویان و اعضای هیئت علمی خود را تشویق به عضویت در انجمن ها و مراکز مختلف تخصصی و صنعتی نظیر انجمن بین المللی وزارت نفت SPE می نماید.
۵-دانشجویان این دانشگاه پس از فارغ التحصیلی به عضویت انجمن های فارغ التحصیلی دانشگاه در می آیند که ارتباط و ارتقای سطح کیفی آنان را همچنان تقویت می نمایند.
۶-دانشجویان این دانشگاه در طول تحصیل از مزیت حضور در صنعت نفت و امکان تجربه علمی آموخته های خود در صنعت نفت برخوردار می باشند.
۷-ارائه متون دانشگاهی به زبان انگلیسی از ویژگی های تحصیل در این دانشگاه می باشد.
۸-۹٫ اهداف شبکه دانش در صنعت نفت
شبکه دانشی مفهوم سازی شده در این تحقیق از ورای مطالعات اکتشافی کیفی (در مرحله اول با استراتژی مورد کاوی و افق زمانی طولی) در سطح کل صنعت نفت ارائه شده است و چیزی فراتر از بالادست (تامین کنندگان تکنولوژی، مواد، قطعات و…) یا پایین دست (توزیع کنندگان، فروشندگان محصولات نهایی و فراوری و …) صنعت می باشد و در واقع کل صنعت نفت را باید بتواند پوشش دهد. متفاوت بودن حوزه های دانشی تکنولوژیکی و راهبردی سازمان های مطالعه موردی (پژوهشگاه صنعت نفت، دانشگاه صنعت نفت، موسسه مطالعات بین المللی انرژی) نیز به منظور ایجاد امکان پوشش شبکه های دانش برای زنجیره ارزش صنعت نفت بوده است.
همچنین همانطور که در فصل دوم رساله توضیح داده شده است، صاحبنظران مختلف اشاره کرده اند که معیارها و شاخص های سنجش متغیر ها در سطح یک صنعت از الگوهای مختلفی مانند الگوی PEST استفاده می شود که در تمامی این الگوها، عوامل سازمانی به عنوان بخشی از اجزای تشکیل دهنده محیط بایستی در این معیارها و شاخص ها در نظر گرفته شوند.
همچنین در پاسخ به تذکر به جای استاد محترم داور خارجی در خصوص تبیین هدف از شبکه دانش در تحقیق حاضر، لازم به توضیح است که طبق نظرات خبرگان و مدیران ارشد صنعت نفت هدف اصلی از شبکه های دانش تسهیم و به اشتراک گذاری دانش بین بخش های مختلف صنعت نفت می باشد و سایر اهداف این شبکه در صورت طراحی و پیاده سازی پلت فرم انفورماتیک و استقرار کامل باید بتواند به اهداف ذکر شده در نظام جامع پژوهش و فناوری صنعت نفت (که در فصل دوم رساله بیان شده) دست یابد که اهم این اهداف از قرار زیر می باشد:
تسهیم و به اشتراک گذاری دانش بین کلیه بازیگران هاب ها، نهادها، بنگاه ها و … تابعه صنعت نفت
برقراری انسجام و یکپارچگی در سطح کل صنعت نفت و اجتناب از دوباره کاری ها، اضافه کاری ها و صرف هزینه های بی مورد برای فعالیت های جزیره ای
بسترسازی جهت تحقق اهداف تعیین شده برای نظام جامع پژوهش و فناوری صنعت نفت که اهم آنها به شرح زیر می باشد:
الف- پایش و رصد هوشمندانه تحولات علم و فناوری و آینده نگاری در صنعت نفتبه منظور افزایش بهره وری (کارایی+اثربخشی)
ب- یکپارچه سازی و همسوسازی اولویت های پژوهش و فناوری صنعت نفت با سیاستها و برنامه های ملی در حوزه علم و فناوری
پ- افزایش مزیت رقابتی صنعت نفت در عرصه مدیریت دانش و کارکردهای خلق، انتقال، انتشار، بکارگیری وبهره برداری از دانش و فناوری
ت- افزایش توانمندی های نقش آفرینان پژوهش، فناوری و نوآوری صنعت نفت و جهت گیری یکپارچه در عرصه های پژوهش، آموزشو توسعه فناوری
ث- مستندسازی تجربیات فنی و دانش مدیریتی و علمی موجود در صنعت نفت
ج- تغییر در نحوه شکل گیری توانمندی های پژوهش و فناوری صنعت نفت از رویکرد مبتنی بر خرید فناوری به رویکرد یادگیری فناوری، توسعه درون زا و ارتقای توان فناوری داخلی
چ- تقویت تقاضامحوری و پاسخگویی پژوهش و فناوری به نیازهای عملیاتی و طرح های توسعه ای صنعت نفت
ح- توسعه همکاری های همه جانبه با نهادهای صنعتی و علمی و فنی کشور و بین المللی به منظور کاهش تهدیدها و چالش های بالقوه و بالفعل صنعت نفت
خ- تقسیم کار و واگذاری نقش های مناسب به نقش آفرینان پژوهش و فناوری صنعت نفت

بعد
مالی
سطح سوم
درونی سازی
دانش
به کار گیری
دانش
تسهیم
دانش
ذخیره
دانش
خلق
دانش
سطح چهارم
رقیب ۲
رقیب ۳
رقیب ۱
سازمان مورد نظر
شکل۲-۳-مدل اولیه تحقیق (چن و همکاران، ۲۰۰۹)
با وجود اینکه ابزار­های استفاده شده در مدل در قسمت قبل معرفی شده ­اند ولی در اینجا هم اشاره مختصری به آن­ها در زمینه پژوهش حاضر می­ شود و در ادامه تکنیک فرایند تحلیل شبکه­ ای نیز تشریح می­گردد:
۲-۴-۱-کارت امتیازی متوازن:
کارت امتیازی متوازن یک چهارچوب ارزیابی عملکرد است که با مجموعه ­ای از مقیاس­های مالی و غیر مالی، یک نگاه کامل به عملکرد شرکت می­ اندازد (کاپلان ونورتون ،۱۹۹۶). کارت امتیازی متوازن به مدیران اجازه می­دهد تا به تجارت از چهار بُعد مهم نگاه کنند:
-بُعد مالی: این بُعد، نوعاً حاوی مقیاس­های سنتی عملکرد مالی است که معمولاً به سودآوری مربوط می­ شود. معیارهای ارزیابی معمولاً سود، جریان نقدینگی، بازگشت سرمایه صرف شده و ارزش اقتصادی می­باشند.
-بُعد مشتری: مشتریان منبع سود­آوری کسب و کارند؛ بنابراین ارضای نیاز­های مشتری هدفی است که شرکت­ها دنبال می­ کنند. در این بُعد، مدیریت، مشتریان هدف مورد انتظار و اجزای بازار هدف را برای واحد­های عملیاتی تعیین می­ کند و به عملکرد واحدهای عملیاتی در این اجزای بازار هدف نظارت می­ کند. نمونه­هایی از این مقیاس­های اصلی و ذاتی شامل: رضایت مشتری، حفظ مشتری، کسب مشتری جدید، موقعیت بازار و سهم هدف می­باشد.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

-بُعد فرایند­های داخلی: هدف از این بُعد این است که با برتری یافتن در برخی فرایند­های کسب ­وکار که عظیم­ترین اثر را دارند، رضایت مشتریان و ذینفعان جلب گردد. در تعیین اهداف و مقیاس­ها، اولین مرحله‌ می‌بایست تحلیل زنجیره ارزش باشد. یک فرایند عملیاتی قدیمی، می­بایست برای درک اهداف بعد مالی و مشتری تعدیل شود. بنابراین باید یک زنجیره ارزش فرایند کسب ­و کار که قادر به برآوردن نیاز­های فعلی و آتی است، ایجاد شود. یک زنجیره ارزش داخلی شرکت شامل سه فرایند، نوآوری، عملیات و خدمات پس­ از ­فروش می­باشد.
-بُعد نوآوری و یادگیری: هدف اولیه این بُعد فراهم کردن زیر بنایی جهت دست‌یابی به اهداف سه بُعد دیگر و ایجاد رشد بلند مدت و بهبود از طریق افراد، سیستم­ها و رویه­های سازمانی می­باشد. از آن جایی که کارکنان برای شرکت­ها یک سرمایه غیر محسوس است که رشد کسب و کار سهیم می­باشند، این بُعد به مقیاس عملکرد کارکنان مثل رضایت کارکنان، تداوم آموزش و مهارت ­ها تاکید می­ کند. (کاپلان و نورتون،۱۹۹۶).
ارتباط بین کارت امتیازی متوازن و مدیریت دانش را می­توان در (شکل۲ -۴) نمایش داد. چهار وجه کارت امتیازی متوازن در قالب زنجیره علت و معلولی با هم در ارتباط هستند. در این زنجیره وجه رشد و یادگیری به مدیریت دانش مرتبط می­ شود (آلیا^[۱۰۲]،۲۰۰۲).
شکل۲-۴- ارتباط کارت امتیازی متوازن و مدیریت دانش
اگرچه کارت امتیازی متوازن در بخش صنعت به خوبی بکارگرفته شده و مدارک زیادی در این زمینه وجود دارد ولی تحقیقات بسیار اندکی در زمینه به­ کارگیری و انطباق کارت امتیازی در بخش آموزش، انجام شده است. لذا در این تحقیق از شاخص‌های مدل کارت امتیازی که مهرگان (۱۳۸۸) برای دانشگاه­ها طراحی کرده، استفاده شده است. جدول زیر مدل کارت امتیازی توسعه داده شده را نشان می­دهد:
جدول۲-۱۰ : مدل کارت امتیازی متوازن برای دانشگاه

بُعد	سازه
بُعد مالی	بودجه امکانات
بُعد مشتری	دانشجو شهرت و اعتبار
بعد فرآیندهای داخلی	ظرفیت و خدمات کارکنان

همان‌طور که در جدول ۴-۷ مشاهده می‌شود ضریب همبستگی تعهد زناشویی و بخشودگی ۴۶/۰ میباشد که در سطح ۰۱/۰ > P معنادار می‌باشد.
فرضیه سوم: بین صمیمیت زناشویی و بخشودگی با تعهد زناشویی رابطه معناداری وجود دارد.
قبل از استفاده از تحلیل رگرسیون به بررسی مفروضه‌های نرمال بودن توزیع خطاها (باقیمانده‌ها)، یکسانی پراکندگی و عدم همخطی متغیرهای پیش‌بین به شرح ذیل پرداخته شده است.
نرمال بودن توزیع خطاها با بهره گرفتن از نمودار نرمال و آزمون کولموگروف- اسمیرنوف صورت گرفت. معنادار نبودن این آزمون نشان دهنده نرمال بودن توزیع خطاهاست. آزمون مذکور نشان داد که توزیع خطاها نرمال است (۰۵/۰P>). نمودار نرمال بودن توزیع خطاها در شکل ۴-۳ و آزمون کولموگروف- اسمیرنوف در جدول ۴-۸ نشان داده شده است.
جدول ۴-۸ آزمون کولموگروف- اسمیرنوف برای نرمال بودن توزیع خطا (باقیمانده)های استاندارد شده

(( 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. ))

متغیر
آمارهZ
مقدار احتمال

خطاها
۱۷/۱
۱۳/۰

با توجه به مقدار احتمال ۰۵/۰P> مشاهده میشود که توزیع خطاها نرمال است و شکل ۴-۳ نیز نمودار توزیع نرمال خطاها را نشان میدهد.
شکل ۴-۳ نمودار توزیع نرمال خطاها در مدل رگرسیون تعهد زناشویی
در شکل ۴-۴، نمودار پراکنش باقیمانده‌های استاندارد شده رگرسیون در مقابل ارزش‌های پیش‌بینی شده استاندارد رگرسیون نشان داده شده است. همان‌طور که ملاحظه می‌شود اکثر نقاط از پراکندگی یکسانی در طول دامنه ارزش‌های پیش‌بینی شده برخوردارند و ارتباط روشنی بین باقیمانده‌ها و ارزش‌های پیش‌بینی شده مشاهده نمی‌شود. جدول ۴-۹ نتایج آزمون همخطی متغیرهای پیشبین را نشان میدهد.
شکل ۴-۴ نمودار پراکنش ارزشهای پیش بینی شده رگرسیون
جدول ۴-۹ نتایج آزمون هم‌خطی متغیرهای پیش‌بین

متغیرهای پیش بین
Tolerance
VIF

صمیمیت زناشویی
۷۰/۰
۴۲/۱

بخشودگی
۷۰/۰
۴۲/۱

نتایج جدول ۴-۹ نشان می‌دهد که همبستگی متغیرهای پیش‌بین با توجه به مقادیر تولرانس و VIF با یکدیگر کمتر از آن است که بتواند نتایج حاصل شده را تحت تأثیر قرار دهد. بنابراین با در نظرگرفتن مفروضه‌های بالا می‌توان از تحلیل رگرسیون چندگانه استفاده کرد. جدول ۴-۱۰ خلاصه نتایج تحلیل رگرسیون چندگانه را نشان میدهد.
جدول ۴-۱۰خلاصه نتیجه معادله رگرسیون چندگانه با متغیر ملاک تعهد زناشویی

۵-۶ هدف از آموزش شبکه
یک شبکه به گونه‌ای آموزش داده می‌شود که با به کار بردن یک دسته از ورودی ها، دسته خروجی‌های دلخواه تولید شود. هر کدام از این دسته‌ه ای ورودی و یا خروجی را می‌توان به صورت یک بردار در نظر گرفت. آموزش یا به کار بستن متوالی بردارهای ورودی و تنظیم وزنهای شبکه، مطابق با یک روش از پیش تعیین شده انجام می‌گردد. طی آموزش شبکه، وزن‌های شبکه بتدریج به مقادیری همگرا می‌شوند که به ازای آنها با اعمال بردار ورودی، بردار خروجی دلخواه تولید شود.
۵-۷ آموزش نظارت شده
الگوریتم‌های آموزش به دو دسته نظارت شده^[۹]و غیر نظارت شده طبقه بندی می‌شوند. آموزش نظارت شده به زوج‌هایی نیاز دارد که از بردار ورودی و بردار هدف^[۱۰](خروجی دلخواه) تشکیل شده باشند، یک بردار ورودی و خروجی دلخواه مربوط به آن، مجموعاً یک زوج آموزشی نامیده می‌شود. معمولاً یک شبکه تحت تعدادی از چنین زوج‌های آموزشی تربیت می‌گردد.
به این صورت که با به کار بردن یک بردار ورودی، خروجی شبکه محاسبه و یا بردار هدف متناظر خود مقایسه می‌شود و تفاوت بین خروجی محاسبه شده و خروجی دلخواه که خطا نامیده به سمت عقب در سراسر شبکه منتشر می‌شود و سپس وزن ها مطابق با الگوریتمی که تمایل به حداقل رساندن خطا را دارد تغییر می‌یابند و تنظیم می‌شوند.
بردارهای دسته آموزشی متوالیا به کار برده می‌شوند، خطاها محاسبه می‌گردند و وزن ها به ازای هر بردار تنظیم می‌شوند تا اینکه خطا برای کل دسته آموزشی به یک مقدار کوچک قابل قبول برسد. البته روش‌هایی نیز وجود دارند که در آن روش ها، ابتدا کل بردارهای موجود در دسته آموزشی به شبکه ارائه شده و خطاها و تغییرات وزن ها به ازای هر بردار محاسبه می‌گردند و سپس مجموع تغییرات وزن ها به طور یکجا به وزن ها اعمال می‌شوند.

( 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. )

تصور چنین ساز و کار(مکانیزم) آموزشی در سیستم‌های بیولوژیکی مشکل است. به همین دلیل با وجود اینکه این روش از نظر کاربردی با موفقیت بسیاری همراه بوده، مورد بی مهری کسانی واقع
گردیده است که معتقدند شبکه‌های عصبی مصنوعی، پیوسته باید از ساز و کار یکسانی مشابه مغز انسان استفاده کنند.
۵-۸ آموزش غیر نظارت شده
آموزش نظارت شده با وجود بسیاری موقعیت‌های کاربردی مورد انتقاد نیز واقع شده است، زیرا از نظر بیولوژیکی غیر محتمل و نامعقول است. تصور ساز و کار آموزشی که در مغز، خروجی‌های واقعی و دلخواه را مقایسه و تصحیحات قبلی را به سمت عقب در کل شبکه منتشر کند، بسیار مشکل است. اگر چنین ساز و کاری در مغز موجود باشد، این سوالات پیش می‌آیند که الگوهای خروجی دلخواه از کجا به دست می‌آیند؟ چطور مغز یک کودک می‌تواند الگوریتم خودسازماندهی را اجرا کند که حتی در توسعه اولیه مغز نیز در مغز موجود است؟ آموزش غیرنظارت مدل محتمل تر و معقول تری از یادگیری در سیستم بیولوژیکی است.
الگوریتمی که توسط کوهونن در سال ۱۹۸۴ و تعدادی از محققان دیگر توسعه داده شد، به بردار هدفی برای خروجی ها نیاز ندارد و بنابراین هیچ گونه مقایسه‌ای بین خروجی‌های واقعی با جواب‌های ایده آل از پیش تعیین شده انجام نمی‌شود. دسته آموزشی در این حالت فقط شامل بردارهای ورودی است و الگوریتم آموزش وزن‌های شبکه را برای تولید بردارهای خروجی هماهنگ^[۱۱] تعدیل می‌نمایند. منظور این است که با به کار بردن یکی از بردارهای دسته آموزشی و یا برداری که به اندازه کافی به بردار مورد نظر در دسته آموزشی شبیه است، الگوی یکسانی از خروجی ها تولید شود.
برای مثال، در چنین روشی می‌توان الگوهای ورودی را طبق درجه تشابه شان دسته بندی نمود. در این روش با ارائه الگوهای ورودی یکسان، سلول عصبی یکسان برانگیخته می‌شود.
بنابراین، روند آموزشی خصوصیات آماری دسته آموزشی را استخراج می‌کند و بردارهای مشابه هم را نیز گروه بندی می کند. با به کار بردن یک بردار از یک طبقه معین به عنوان ورودی برای شبکه، یک بردار خروجی مشخص تولید خواهد شد، اما هیچ روشی وجود ندارد تا بر مبنای آن بتوان معین کرد که به ازای یک طبقه معین از بردارها، کدام خروجی دلخواه تولید خواهد شد. از این رو خروجی‌های چنین شبکه‌ای معمولاً بعد از روند آموزشی باید به یک فرم قابل درک بدیل شوند. این موضوع، هیچ مشکل جدی ایجاد نمی‌کند و معمولاً تشخیص رابطه‌هایی که توسط شبکه بین ورودی و خروجی برقرار می‌شود، مسئله آسانی است.
۵-۹ روش‌های تربیت و آموزش آماری
شبکه‌های تک لایه در مسائلی که قادر به حل آنها هستند به شدت محدودند. برای سال‌های طولانی هیچ روشی برای تربیت شبکه‌های چند لایه شناخته نشده بود. ترتیب آماری روشی را برای فرار از این معمای غیرقابل حل فراهم می‌سازد، اگرچه بهای قابل توجهی صرف نیازهای محاسباتی می‌شود.
به طور قیاسی، تربیت یک شبکه با بهره گرفتن از مفاهیم آماری شبیه به عمل نورد فلز (حرارت دادن و سپس سرد نمودن) است. برای نورد یک فلز، ابتدا دما تا حدی افزایش داده می‌شود که اتم‌های فلز آزادانه در اطراف یکدیگر حرکت کنند. سپس دما بتدریج کاهش داده می‌شود و اتم ها دائماً در ساختاری که کمترین انرژی ممکن را داشته باشد، بی حرکت شده و فلز سرد می‌شود.
در هر شبکه عصبی مصنوعی برای انرژی شبکه، یک مقدار کلی به عنوان تابعی از دسته معینی از متغیرهای شبکه تعریف می‌شود. یک متغیر دمای مصنوعی با مقدار بزرگی آغاز می‌گردد، در نتیجه امکان ایجاد تغییرات تصادفی بزرگ در متغیرهای شبکه را فراهم می‌سازد.
تغییراتی که باعث کاهش انرژی کلی شده، حفظ می‌شوند و آنهایی که باعث افزایش انرژی میگردند مطابق با یک تابع حفظ می‌شوند. دمای مصنوعی با گذشت زمان بتدریج کاهش داده میشود و شبکه به انرژی کل حداقل، همگرا می‌گردد.
موضوع تربیت آماری به صورت مختلف می‌تواند مطرح شود. برای مثال، انرژی کل می‌تواند به عنوان میانگین مربع خطاها^[۱۲] بین بردارهای خروجی دلخواه و حقیقی از یک دسته ترتیبی تعریف شود و متغیرها می‌تواند وزن‌های شبکه باشند. در این حالت، ترتیب شبکه در یک دمای مصنوعی زیاد آغاز می‌شود و مطابق گام‌های زیر انجام می‌پذیرد:
۱ـ یک بردار ترتیبی را به عنوان ورودی شبکه به کار می‌بریم و خروجی را مطابق قوانینی که برای شبکه انتخاب کرده ایم محاسبه می‌نماییم.
۲ ـ میانگین مربعات خطاها بین بردارهای خروجی دلخواه و حقیقی را محاسبه می‌نماییم.
۳ ـ وزن شبکه را با یک مقدار تصادفی تغییر می‌دهیم و سپس هم خروجی و هم خطای بدست آمده را محاسبه می‌کنیم. در صورتی که با این تغییر، خطا کاهش یابد، تغییر وزن را حفظ می‌کنیم. در غیر این صورت، تغییر وزن را با احتمالی حفظ می‌کنیم که به وسیله توزیع بولتزمن تعیین میشود. در صورتی که تغییر حفظ نشود، وزن را به مقدار قبلیش باز می‌گردانیم.
۴ ـ گام‌های اول تا سوم را با کاهش تدریجی دمای مصنوعی تکرار می‌کنیم.
در صورتی که اندازه تغییر تصادفی وزن مطابق با توزیع بولتزمن انتخاب شود، همگرایی به حداقل کلی فقط در صورتی تخمین می‌شود که دما با عکس لگاریتم زمان سپری شده برای تربیت تغییر داده شود. این ممکن است دوره‌های تربیت طولانی غیر قابل تحملی را دربرداشته باشد. بنابراین، قسمت اعظم کوشش ها صرف یافتن روش‌هایی شده است که ترتیب سریع تر انجام پذیرد.
با انتخاب اندازه گام از توزیع کوشی دما ممکن است با عکس زمان تربیت کاهش داده شود، در نتیجه کاهش بزرگی در زمان مورد نیاز برای همگرایی به دست می‌آید.
شایان ذکر است روش‌های آماری بسیاری برای شبکه‌های عصبی مصنوعی وجود دارند که در آنها متغیرهای شبکه به جای وزن ها، خروجی سلول‌های عصبی اند.
۵-۱۰ خودسازمانی
کوهونن (۱۹۸۴) نتایج جالب و مفیدی از تحقیقش را روی طرح‌های خودسازمانی که برای تشخیص الگو^[۱۳] استفاده می‌شوند گزارش کرده است. به طور کلی، این طرح ها الگویی را طبقه بندی می‌کنند که به وسیله یک بردار از مقادیر ارائه می‌شود و هر آرایه از بردار متناظر با یک جزء از الگوست.
الگوریتم‌های کوهونن بر اساس روش یادگیری غیر نظارات شده بنا نهاده شده اند. به محض اینکه شبکه تربیت شود، به کار بردن یک بردار ورودی از یک طبقه بندی معین ترازهای تحریک را در هر سلول عصبی لایه خروجی تولید خواهد کرد.
سلول عصبی‌ای که دارای بیشینه سطح تحریک باشد، طبقه بندی را ارائه می‌کند. به دلیل اینکه آموزش بدون هیچ بردار هدفی انجام می‌شود، هیچ روشی وجود ندارد تا بر مبنای آن قبل از آموزش بتوانیم پیشگویی کنیم کدام سلول عصبی به یک طبقه بندی معین از بردارهای ورودی مربوط خواهد شد. لیکن با آزمایش شبکه بعد از آموزش آن، این عمل به آسانی انجام می‌پذیرد.
الگوریتم با دسته n وزن وارد شونده به یک سلول عصبی، همانند یک بردار در فضای n بعدی رفتار می‌کند. قبل از آموزش، هر لایه از این بردار وزن با مقادیر تصادفی آغاز می‌شود. سپس هر بردار، نرمال می‌گردد تا در فضای بردارهای وزن دارای طول واحد شود. نرمال کردن یک بردار با تقسیم هر وزن تصادفی بر جذر مجموع مربعات آرایه‌های آن وزن انجام می‌شود. بردارهای ورودی در دسته آموزشی نیز همگی به طول واحد نرمال می‌شوند و شبکه مطابق با الگوریتم زیر آموزش داده می‌شود:
۱ـ بردار ورودی x را به کار می‌بریم.
۲ـ فاصله  (در فضای n بعدی) بین بردار x و بردارهای وزن  از هر سلول عصبی را محاسبه می‌کنیم. در فضای اقلیدوسی این فاصله به صورت زیر محاسبه می‌شود:

که در آن x آرایهi ام از بردار ورودی X و  وزن از ورودی i به سلول عصبیj می‌باشد.
۳ ـ سلول عصبی که نزدیکترین بردار وزن را به بردار x دارا می‌باشد، سلول عصبی پیروز اعلام می‌شود. این بردار وزن به نام  مرکز گروهی از بردارهای وزن می‌شود که فاصله آنها تا  کمتر از d می‌باشد.
۴ ـ آموزش این گروه از بردارهای وزن همسایه یکدیگر را مطابق با زیر انجام می‌دهیم:

۵ ـ گام‌های اول تا چهارم را برای هر بردار ورودی انجام می‌دهیم.
هنگامی که شبکه آموزش داده می‌شود، مقادیر , d  به تدریج کاهش داده می‌شوند. کوهونن توصیه می‌کند که a باید به مقادیر نزدیک به یک شروع و تا یک دهم کاهش داده شود، ضمن اینکه d می‌تواند به بزرگی بیشترین فاصله بین بردارهای وزن شروع گردد و آنقدر کوچک خاتمه یابد که فقط یک سلول عصبی در حال آموزش باشد. تا یک مقطع از آموزش، دقت در طبقه بندی با آموزش اضافی بهتر می‌شود. کوهونن توصیه می‌کند که برای کسب دقت آماری بالا و خوب، تعداد دوره‌های آموزشی باید حداقل ۵۰۰ برابر تعداد سلول‌های عصبی خروجی باشد.
الگوریتم آموزش، بردارهای وزنی را که در همسایگی سلول عصبی پیروز قرار دارند تنظیم می‌کند تا به بردار ورودی شبیه تر شوند.
به دلیل اینکه همه بردارها به طول واحد نرمال می‌شوند، آنهاذ ممکن است به عنوان نقاطی روی یک ابر کره واحد در فضای چند بعدی در نظر گرفته شوند. پس عمل آموزش، دسته خوشه مانند نقاط وزن را طوری حرکت می‌دهد که به نقطه مربوط به بردار ورودی نزدیکتر شوند.
فرض بر این است که بردارهای ورودی عملاً به طبقه‌های مشابه دسته بندی می‌شوند و بنابراین در فضای برداری محصور می‌گردند. یک طبقه بندی معین تمایل به کنترل یک سلول عصبی معین را دارد و با دوران بردار وزنش به طرف مرکز طبقه بندی، سلول عصبی را وادار می‌کند که هر زمان که عضوی از آن طبقه به عنوان ورودی به کار برده می‌شود، با احتمال بیشتری پیروز شود.
پس از آموزش، طبقه بندی با به کار بردن یک بردار دلخواه، محاسبه تحریک به دست آمده برای هر سلول عصبی و سپس انتخاب سلول عصبی که بیشترین تحریک را دارد به عنوان معرف طبقه بندی صحیح، انجام می‌گردد.
۵-۱۱ الگوریتم انتشار برگشتی
برای سال ها از نظر تئوری هیچ الگوریتم کامل و بی عیبی برای آموزش شبکه‌های عصبی مصنوعی چند لایه وجود نداشت. زمانی که ثابت شد شبکه‌های تک لایه در آنچه که می‌توانند ارائه کنند و نیز آنچه که می‌توانند یاد بگیرند خیلی محدودترند، کل این عرصه علمی به سوی افوال مجازی پیش رفت.
اختراع الگوریتم انتشار برگشتی back propagation نقش قابل توجهی را در احیای مجدد شوق و علاقه به شبکه‌های عصبی مصنوعی ایفا کرد. انتشار برگشتی یک روش سیستماتیک برای تربیت شبکه‌های عصبی مصنوعی چند لایه است. این روش یک پایه ریاضی دارد که با وجود قوی بودن خیلی عملی نیست. انتشار برگشتی علی رغم محدودیت هایش به یکسری از مسائلی که شبکه‌های عصبی مصنوعی برای آنها به کار برده می‌شود توسعه داده شده و نمونه‌های موفقی از توانایی اش را ارائه کرده است.
انتشار برگشتی، تاریخچه جالبی دارد. رامل هارت^[۱۴]، هینتون^[۱۵] و ویلیامز^[۱۶]در سال ۱۹۸۶، شرح مختصر و واضحی از الگوریتم انتشار برگشتی را بیان کرده اند. بعد از انتشار نتایج تحقیقات آنان، معلوم شد که پارکر^[۱۷] کارهای رامل هارت را قبلاً پیش بینی کرده بوده است.

۱۲-۷

امکان ایجاد نمودارها و گزارش­های عادی داده ­های فرایند بدون نیاز به کدنویسی

۱۲-۸

قابلیت آرشیو نمودن داده ­های منتج از اجرای فرآیندها در زمان­های گذشته، مجزا از داده ­های جاری

۱۲-۹

قابلیت ذخیره­سازی رخدادهای گردش کار مانند شروع، پایان، نقطه توقف، آغاز مجدد، ایست، صرف نظر، انتقال، خطا به همراه مهر زمانی برای رخداد در لاگ فایل­ها

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۱۲-۱۰

آرشیو ضمائم موجود در گردش کار به همراه اقلام کاری مرتبط

۱۲-۱۱

قابلیت استفاده از ابزارهای گزارش­گیری استاندارد مانند کریستال ریپورت و سرویس گزارش­ساز SQL server برای گزارش­سازی روی داده ­های ایجاد شده هنگام اجرای فرایند

۱۲-۱۲

امکان ارتباط ( دریافت و ارسال اسناد و مدیا) از سامانه­ی مدیریت مستندات

۱۲-۱۳

انواع چارت­ها و گزارش­های اضافه بر سازمان مانند گزارش­های مدیریتی شامل گزارش­ها و نمودارهای آماری عملکرد کاربران، درصد تکمیل گردش کار، وضعیت قلم کاری، زمان لازم برای تکمیل هر مرحله کاری در یک گردش کار و …

۳-۲-۱۳- قواعد کسب وکار:
قوانین کسب­وکار، سیاست­ها و روش­هایی هستند، که نقاط تصمیم ­گیری در یک فرایند کسب­وکار را خودکار می­سازند. منشاء قوانین کسب­وکار از منطق برنامه ­های کاربردی مانندERP می­باشد، به همین دلیل دسترسی و تغییر در قوانین دشوار است، چرا که مدیران کسب­وکار مسئول ایجاد قوانین هستند و بدون صرف وقت و حمایت از جانب بخش فن­آوری اطلاعات امکان­ پذیر نمی ­باشد. بخش مهم مدیریت فرایند کسب­وکار قوانینی هستند که از کدنویسی برنامه، خارج می­شوند و به­ طور جداگانه در موتورهای قواعد مدیریت با بهره گرفتن از رابط­هایی که به مدیران کسب­وکار دسترسی دارند، ابلاغ می­گردند و امکان هرگونه تصمیم ­گیری و پردازش را برای فرآیندها و فرم­ها،امکان­ پذیر خواهند کرد. فن­آوری BPM ، باعث استفاده­ی گسترده از قوانین کسب­وکار می­ شود. چابکی قوانین، کاربران را قادر می­سازد به رویدادها و تغییرات در محیط کسب­وکار بدون طراحی و مدل­سازی مجدد وبدون تکرار در استقرار پایه­ای سیستم در سازمان واکنش نشان دهند. موتورهای قوانین کسب­وکار دارای رابط بصری و روش­هایی برای طراحی قوانین، از جمله جداول ساده، نمودار جریان­های گرافیکی و درخت­های پیچیده­ تصمیم ­گیری می­باشد. قوانین می­توانند در هر تعداد از فرآیندهای کسب­وکار استفاده شوند]۴۵[.
۳-۲-۱۳-۱- موتور قوانین کسب­وکار^[۵۱]:
موتور قوانین کسب­وکار، ابزاری برای ایجاد و پیاده سازی قوانین می­باشد که باعث ایجاد چابکی در سازمان شده و انعطاف­پذیری در کسب­وکار را به وجود می ­آورد. امروزه BRE ها توانایی یک تحلیل­گر کسب­وکار را در جهت تغییرات سریع فرآیندها افزایش می­ دهند. قوانین کسب­وکار به بخش فن­آوری اطلاعات در سازمان جهت بررسی، توسعه مشخصات فنی، ویرایش، برنامه­ ریزی، توسعه، تست و پس از آن پیاده­سازی ارجاع داده می­ شود که مبتنی بر آنالیز تحلیل­گران کسب­وکار می­باشد.
۳-۲-۱۳-۲- مزایای موتور قواعد کسب­وکار ]۴۲[:
قابلیت خودکار­سازی کارها که منجر به بهبود کیفیت و کاهش هزینه­ها و کاهش زمان انجام کار می­ شود.
موتورهای جست­وجو این اطمینان را حاصل می­ کنند که محاسبات پیچیده، به طور مداوم و سریع انجام می­شوند.
زمان توسعه را برای برنامه ­های جدید و یا نگهداری برنامه ­های موجود، کاهش می­دهد؛ چرا که قابلیت تنظیم دارد و نیازی به کد­گذاری و برنامه­نویسی فرآیندهای جداگانه نیست.
امکان تست و مدیریت قوانین کسب­وکار قبل از ایجاد هر­گونه تغییر وجود دارد، که در نتیجه باعث کیفیت بهتر و کاهش هزینه­ها می­ شود.
قابلیت تعریف، مدیریت و کنترل قوانین کسب­وکار برای کاهش وابستگی به واحد فن­آوری اطلاعات را دارا است.
در جدول ۳-۱۳ شاخص­ های قواعد کسب­وکار نشان داده شده است:
جدول ۳-۱۳ شاخص­ های قواعد کسب وکار

۱۳ 

قواعد کسب­وکار

۱۳-۱

پشتیبانی از تغییر قوانین کسب­وکار