2-2-9- مراحل توانمندی یادگیری سازمانی از دیدگاه یونگ و آرتور………………………………….19

2-2-10- مراحل یادگیری سازمانی از دیدگاه گاروین……………………………………………………….19

2-2-11- ابعاد یادگیری سازمانی از دیدگاه ویک و لئون……………………………………………………19

2-2-12- مولفه های یادگیری سازمانی از دیدگاه گومز و همکاران…………………………………….20

2-2-13- ابعاد یادگیری سازمانی از دیدگاه نیفه……………………………………………………………….21

2-2-14- مؤلفه های یادگیری سازمانی از دیدگاه پیتر سنگه………………………………………………22

2-3- بخش دوم: مبانی نظری پویایی محیطی…………………………………………………………………..23

2-3-1- پویایی محیطی………………………………………………………………………………………………..24

2-3-2- پویایی گروهی………………………………………………………………………………………………..24

2-3-3- مدیریت محیط سازمانی……………………………………………………………………………………27

2-3-4- پیچیدگی محیطی…………………………………………………………………………………………….28

2-3-5- رابطه محیط و ساختار …………………………………………………………………………………….29

2-3-6- تحقیقات امری و تریست درباره ی محیط ………………………………………………………….30

2-4- بخش سوم: مبانی نظری عملکردسازمانی………………………………………………………………..32

2-4-1- معنای عملکرد………………………………………………………………………………………………..32

2-4-2- عملکرد سازمانی ……………………………………………………………………………………………33

2-4-3- موافقت نامه های عملکرد………………………………………………………………………………..34

2-4-4- استاندارد های عملكرد…………………………………………………………………………………….34

2-4-5- معیارهایی برای سنجش عملکرد……………………………………………………………………….35

2-4-6- عملکرد شرکت ها از دیدگاه های مختلف………………………………………………………….35

2-4-6-1-عملکرد شرکت از دیدگاه بازار مشتری……………………………………………………………36

2-4-6-2-عملکرد شرکت از دیدگاه بازارهای عوامل………………………………………………………37

2-4-6-3-عملکرد شرکت از دیدگاه بازارهای مالی…………………………………………………………37

2-5- سوابق تحقیقات انجام شده مرتبط با موضوع تحقیق………………………………………………..39

2-5-1-تحقیقات انجام شده در داخل کشور……………………………………………………………………39

2-5-2-تحقیقات انجام شده در خارج کشور……………………………………………………………………41

2- 5-3- جمع بندی نتایج تحقیقات انجام شده در رابطه با موضوع تحقیق …………………………42

فصل سوم: روش اجرای تحقیق

3-1- مقدمه…………………………………………………………………………………………………………………44

3-2- روش تحقیق……………………………………………………………………………………………………….44

3-3- جامعه آماری……………………………………………………………………………………………………….44

3-4- روش نمونه گیری و تعیین حجم نمونه…………………………………………………………………..45

3-5- روش و ابزار جمع آوری داده های تحقیق………………………………………………………………45

3-6- روایی و پایایی ابزار تحقیق……………………………………………………………………………………46

3-7- روش تجزیه و تحلیل آماری داده ها……………………………………………………………………..46

فصل چهارم :تجزیه و تحلیل داده ها

4-1- مقدمه…………………………………………………………………………………………………………………48

4-2- ویژگی های جمعیت شناختی گروه نمونه ………………………………………………………………48

4-2-1- داده های جمعیت شناختی مدیران شرکت کننده در تحقیق……………………………………48

4-3- تجزیه و تحلیل داده های مربوط به فرضیات تحقیق…………………………………………………52

فصل پنجم: نیتجه گیری تحقیق

5-1- مقدمه ………………………………………………………………………………………………………………..56

5-2-نتایج آمار توصیفی………………………………………………………………………………………………..56

5-2-1-توصیف متغیر یادگیری سازمانی…………………………………………………………………………56

5-2-2-توصیف متغیر پویایی محیطی…………………………………………………………………………….56

5-2-3-متغیر عملکرد سازمانی……………………………………………………………………………………..56

5-3- یافته­های استنباطی………………………………………………………………………………………………57

5-4- پیشنهادهای کاربردی …………………………………………………………………………………………..58

5-5- محدودیت­ها………………………………………………………………………………………………………59

5-6- پیشنهادهای پژوهشی……………………………………………………………………………………………59

فهرست منابع ………………………………………………………………………………………………………………60

پیوست­ها و ضمائم………………………………………………………………………………………………………66

چکیده

سازمان ها برای حفظ بقاء و پیشرفت به بهبود عملکرد خود نیاز دارند . این پژوهش به منظور بررسی تاثیر یادگیری سازمانی بر عملکرد شرکت های کوچک و متوسط استان اردبیل انجام شده است. روش تحقیق توصیفی، از نوع همبستگی بود جامعه آماری پژوهش شرکت های کوچک و متوسط استان اردبیل که بنابر آمار91 شرکت بود، تشکیل می داد. از این تعداد، 52 شرکت با استفاده از جدول کرجسی و مورگان و با روش نمونه گیری تصادفی ساده بدین صورت که اسم همه شرکت ها نوشته شد و داخل کیسه ای انداخته شد و 52 شرکت با چشم های بسته انتخاب شدند. اطلاعات مورد نیاز از طریق پرسشنامه های یادگیری سازمانی باکر،سینکولاونوردویر ، پرسشنامه پویایی محیطی میلر و پرسشنامه عملکرد هسو، جمع آوری شد. روایی صوری پرسشنامه ها توسط متخصصان و اساتید بخصوص اساتید راهنما و مشاور مورد تایید قرارگرفته و ضریب پایایی آن با استفاده از آلفای کرونباخ به ترتیب 87/.، 83/.، 90/. به دست آمد، سپس داده ها با استفاده از شاخص های آماری توصیفی(میانگین و انحراف استاندارد) و روش های آمار استنباطی (آزمون معناداری ضریب همبستگی پیرسون و رگرسیون چند متغیری) تجزیه و تحلیل شد. بر اساس نتایج به دست آمده بین یادگیری سازمانی و پویایی محیطی با عملکرد رابطه معنادار و مثبتی وجود دارد و نتایج رگرسیون نشان داد که یادگیری سازمانی و پویایی محیطی پیش بین معنادار عملکرد سازمانی می باشند .

کلمات کلیدی: یادگیری سازمانی، پویایی محیطی، عملکرد سازمانی.

1-1-مقدمه

تلاش برای عملکرد بهتر موضوعی است که انتظار بزرگ همه افراد ذینفع سازمان اعم از مشتریان، کارمندان و سهامداران است (کرنتیر[1]،2001). عملکرد را می توان به عنوان رفتار ( روشی که سازمان ها، گروه ها و افراد کار را انجام می دهند) تلقی کرد . کمپ بل معتقد است عملکرد رفتار است و باید از نتایج متمایز شود زیرا عوامل سیستمی می توانند نتایج را منحرف کنند در صورتی که عملکرد به گونه ای تعریف شود که هم رفتار و هم نتایج را در بر گیرد، دیدگاه جامع تری حاصل می گردد (نیلی[2] و همکاران، 2002). عوامل زیادی در ارتباط با عملکرد سازمانی می باشد، که یکی از این عوامل یادگیری سازمانی است. یادگیری سازمانی تا حد زیادی با تمایل و جهت گیری بازار یک سازمان مرتبط است و به صورت توانایی سازمان در پردازش اطلاعات بازار تعریف می شود (سنتوس و همکاران[3] ، 2005). به توانایی سازمان در یادگیری به عنوان منبعی از مزیت پایدار رقابتی نگریسته می شود و این هم بدان علت است که « در صورتی که سازمان ها از هر نوعی که باشند توانایی سازگاری مستمر با آینده ی بشدت غیرقابل پیش بینی را کسب نکنند، زنده نخواهند ماند چه برسد به این که رشد کنند». به طور کلی یادگیری سازمانی بصورت فرآیند خلق و ایجاد دانش از طریق «کسب اطلاعات در مورد شرایط جهان و … و بهبودبخشی به نوع کار آن سازمان » تعریف می شود (کوهن[4]، 1991). این فصل شامل بیان مسئله، اهمیت و ضرورت انجام تحقیق، اهداف تحقیق، سوالات تحقیق و تعاریف مفهومی و عملیاتی اصطلاحات تحقیق می باشد.

1-2- بیان مسأله

سازمان­ها برای حفظ بقاء و پیشرفت، به بهبود مستمر عملکرد خود نیاز دارند و منابع انسانی سرمایه­های بنیادی سازمان­ها و منشاء هر گونه تحول و نوآوری در آنها تلقی می­شوند. در این رابطه، نظام آموزشی هر کشوری از نظر نیروی انسانی و مشاغل ایجاد شده در آن بالاترین نسبت را در میان سازمان­ها و دستگاه های دولتی دارا می­باشد(عسگرپور، 2006).

عملکرد را می توان با شاخص های گوناگونی ارزیابی نمود که در این تحقیق عملکرد را که متغیر وابسته تحقیق می باشد با شاخص های (1) رضایت وبهره وری کارکنان (2) ارائه­ی خدمات باکیفیت (3) سودآوری و غیره … به صورت کیفی مورد ارزیابی و اندازه گیری قرار می دهیم (هسو[5]، 2008). هر سازمان فعالی که در محیط پویا به فعالیت می پردازد و در زمینه حصول و حفظ مزیت های رقابتی تلاش می نماید باید به ارتقای پایه­های دانش سازمانی اش همت بگمارد؛ بدین علت مستلزم یک گرایش یادگیری سازمانی مناسب می باشد ( ویر و ماسون[6]، 1988)؛ (ویر و همکاران،2000). تعداد کثیری از SME[7] ها با محیط های چالش برانگیز و ناآرام و لجام گسیخته مواجهند و مستلزم یادگیری سازمانی مؤثری خواهند بود چرا که یادگیری سازمانی عمومی عاملی محوری برای نوآوری و عملکرد نه تنها در سازمان ها و شرکت های بزرگ بلکه در SME ها نیز می باشد. یادگیری سازمانی مستلزم تأکیدی مشهود بر بازار و مشتریان است که SME ها را قادر می سازد تا به پیشرفت های بازار و نیازهای مشتریان پاسخ بگویند (ناسوشن[8]؛ ماتاندا و اندو بی سی[9]، 2011). در این تحقیق یادگیری سازمانی به عنوان متغیر مستقل و پویایی محیط به عنوان متغیر تعدیل گر در نظر گرفته می شود. شرکت ها و سازمان های کوچک و متوسط بر اساس معیارهای مختلفی تعریف می شوند. برخی از این معیارهای عبارت اند از: حجم اشتغال، حجم سرمایه، حجم تولید،نوع فناوری و صادراتی بودن یا نبودن تولیدات ،میزان گردش مالی و غیره. بنابراین هر کشوری با توجه به شرایط خاص خود تعریفی از این شرکت ها ارائه کرده است؛ مثلا در ایالات متحده آمریکا شرکت هایی را که کمتر از 500 نفر پرسنل داشته باشند شرکت کوچک می نامند؛ در حالی که در آلمان شرکت هایی را که کمتر از 10 نفر پرسنل داشته باشند کوچک و از 10 نفر تا 499 نفر شرکت های متوسط محسوب می شود. (ابراهیمی، مردانی، 1381) هر چند این تعاریف کمّی تا حدودی تقسیم بندی را راحت می کنند اما معیارهای کمّی همیشه برای طبقه بندی شرکت ها روش مناسبی نیستند؛ مثلاً یک شرکت فولادسازی که مجموع کارکنان آن 500 نفر باشند در صنعت فولاد یک شرکت متوسط به حساب می آید، در حالی که یک شرکت خدماتی مانند یک شرکت مشاور مالی با حدود 500 نفر پرسنل یک شرکت بزرگ در زمینه خودش محسوب می شود. بنابراین کیفیت و مشخصات کیفی شرکت ها نیز مهم است (ملکی نژاد (1385). نگاهی کوتاه تر به ساختار نظام اقتصادی کشورهای مختلف ما را به اهمیت و جایگاه شرکتهای کوچک و متوسط بیشتر آشنا می کند. بنگاه های کوچک و متوسط امروز با عنوان عامل رشد ساختار صنعتی بسیاری از کشورها محسوب می شوند. به همین دلیل در حال حاضر اشتیاق و تمایل بی سابقه ای نسبت به صنایع کوچک در بسیاری از کشورهای جهان وجود دارد. در تایوان 90 درصد صادرات توسط این بخش تامین می گردد. تجربه تایوان باعث شد که بسیاری از کشورها همانند سنگاپور و مالزی اقتصاد خود را به سمت واحدهای کوچک و متوسط سوق دهند. در خصوص اهمیت این شرکت ها، همین بس که حداقل 3/2 میلیون موسسه کوچک و متوسط درآلمان وجود دارد که تعداد کارکنان آنها 20 میلیون نفر است و 70 درصد کل شاغلان این کشور را در خود جای داده اند. در ایالات متحده نیز حدود 25 میلیون شرکت کوچک وجود دارد که بیش از 50 درصد از نیروی کار بخش خصوصی را در اختیار دارد. این شرکت ها به تنهایی نیمی ازتولید ناخالص داخلیایالات متحده را تامین کرده و 96 درصداز کل صادرات این کشور نیز توسط این شرکتها تولید می شوند. در ایران حدود 7/99 درصد کارگاه های صنعتی کشور، سازمان هایی هستند که کمتر از 50نفر پرسنل دارند و این سازمان های کوچک 8/53 درصد ارزش تولیدات صنعتی کشور را تشکیل می دهند ( ابراهیمی و همکاران، 1381).

با توجه به مزایای مطرح شده در مورد یادگیری سازمانی و با وجود آمار رضایت بخش از عملکرد شرکت های کوچک و متوسط کشورهای مختلف این سوال پیش می آید که چرا در کشورما این شرکت ها جایگاه اصلی خود را در نظام اقتصادی پیدا نکرداند؟

چه عواملی در بهبود عملکرد این شرکت ها تاثیرگذار است؟ چرا برخی از آنها در یک صنعت مشابه بهتر از بقیه فعالیت می کنند؟ بنابراین به خاطر اهمیت موضوع و بخاطر اینکه در مورد یادگیری سازمانی در شرکت های استان اردبیل تحقیقاتی انجام نگرفته است، این تحقیق بر روی 91 شرکت کوچک و متوسط استان اردبیل که حداکثر کارکنان شرکتهای کوچک 20 نفر و حداکثر کارکنان شرکتهای متوسط 200 نفر می باشند، انجام می گیرد و محقق در این تحقیق به دنبال پاسخگویی به این سؤال است که آیا بین یادگیری سازمانی و عملکرد SME در استان اردبیل رابطه وجود دارد؟

1-3- اهمیت و ضرورت تحقیق

انسان در تمامی سازمانها به عنوان عامل مهم در پیشبرد اهداف سازمانی به شمار می رود. به همین جهت در راستای افزایش کارایی و بهره­وری باید عوامل روانشناختی و تاثیرگذار برکارایی کارکنان را شناخت و با طرح­ریزی برنامه ­هایی در جهت رشد تعالی آن­ها و بهبود سازمان اقدام نمود. از سویی دیگر با وجود رقابت روزافزون موجود در دنیای کار سازمان­ها باید بر ارزیابی عواملی تمرکز کنند که در نهایت منجر به افزایش عملکرد شغلی و اثر بخشی آن ها خواهد شد. برای اغلب سازمان­ها عملکرد کارکنان مهم ترین تعیین کننده موفقیت سازمان است اهمیت بررسی عملکرد سازمانی به عنوان عامل کلیدی در بهره­وری و یک پیامد مهم و اساسی برای سازمان، کاملاً واضح و مشخص است و همین امر این متغیر را به عنوان یکی از اساسی­ترین متغیرهای مورد توجه روانشناسان صنعتی و سازمانی تبدیل کرده است(فریس[10]،2008). عملکرد شغلی را می توان به عنوان ارزش کلی مورد انتظار سازمان­ها از رویدادهای رفتاری مجزایی که افراد در طی یک دوره زمانی مشخص انجام می­دهند، تعریف نمود(موتوویدلو[11]،2003). طبق پژوهش­های صورت گرفته عملکرد سازمانی تحت تاثیر نگرش­های مختلف کارکنان مانند ادراک عدالت سازمانی،تعهد عاطفی،انگیزش شغلی، حمایت سازمانی ادراک شده ، اعتماد سازمانی، یادگیری سازمانی وهوش سازمانیقرار می­گیرد(آری[12] و همکاران،2004؛نعامی و پیریایی،1389). با توجه به اهمیت پیامد عملکرد سازمانی و نقش برجسته­ای که در بهره­وری فردی و سازمانی دارد، لزوم بررسی دقیق و موشکافانه این متغیر و شناسایی پیشایندها و عوامل ایجاد کننده آن در جهت تحقق اهداف سازمانی بیش از پیش احساس می­شود.

از طرفی دستیابی به اهداف سازمانها تا حد زیادی در گرو عملکرد مناسب و صحیح کارکنان است. و نیز با شناخت اهمیت روز افزون دانش به عنوان یک منبع استراتژیک برای سازمانهای امروزی، جای تعجبی نیست که در دهه های اخیر بحث یادگیری سازمانی کانون تمرکز بررسی های گسترده محققان مدیریتی شده است رشد روز افزون استفاده از فن آوری اطلاعات و ارتباطات در سازمانهای مدرن، محیط به شدت رقابتی و متغیر برای آنها فرآهم آورده و لزوم پویایی های دانش را افزایش داده است.

با توجه به موارد فوق و در نظر گرفتن این موضوع که تحقیقات کمی در رابطه با موضوع حاضر انجام شده است و همچپنین از آنجایی که می توان از نتایج حاصل از این پژوهش، راهبردهای عملی جهت استفاده مسئولین در امر سیاست گذاری و برنامه ریزی ارائه کرد. بر این اساس ضرورت اصلی پژوهش حاضر، بررسی رابطه یادگیری سازمانی با عملکرد SME در استان اردبیل می باشد.

1-4- اهداف تحقیق

-سنجش یادگیری سازمان در شرکت های کوچک و متوسط استان اردبیل

-سنجش عملکرد سازمانی در شرکت های کوچک و متوسط استان اردبیل

-سنجش پویایی محیطی در شرکت های کوچک و متوسط استان اردبیل

-سنجش رابطه ی بین یادگیری سازمانی و عملکردسازمانی در شرکت های کوچک و متوسط استان اردبیل

-سنجش رابطه ی بین پویایی محیطی و عملکرد سازمانی در شرکت های کوچک و متوسط استان اردبیل

-سنجش رابطه ی بین یادگیری سازمانی و عملکرد سازمانی با توجه به پویایی محیطی در شرکت های کوچک و متوسط استان اردبیل

1-5- چارچوب نظری تحقیق:

چارچوب نظری، نوعی مبانی نظری هدایتگر برای دستیابی به علل وقوع یک پدیده اجتماعی یا مسئله تحقیق است که به کمک آن می­توان واقعیّت یا بخشی از واقعیّت را در مورد آن پدیده کشف کرد تا محقّق به تبیین، تفسیر، تحلیل و تشریح پدیده مورد تحقیق بپردازد. محقّق در چارچوب نظری تحقیق، از طریق روش­های شناختی به درک جزئیات عناصر نظری می­پردازد. این استدلال منطقی بین پدیده­های مورد تحقیق، همراه با قواعد منطقی به کشف و درک تبیین واقعیت منتهی می­گردد(ایمان، 1388).در واقع چارچوب نظری یک الگوی مفهومی است مبنی بر روابط تئوریک میان شماری از عواملی که در مورد مسئله پژوهش با اهمیت تشخیص داده شده اند و به ما کمک می کنند تا روابط خاصی را در نظر بگیریم و آنها را بیازماییم و درک خود را در زمینه های پویایی های موقعیتی که قرار است پژوهش در آن صورت گیرد بهبود بخشیم . از آنجائیکه چارچوب نظری چیزی نیست جز تعیین شبکه روابط موجود میان متغیرهای مرتبط با پژوهش (سکاران ، 1388،ص 81) لازم است بدانیم متغیرهای این تحقیق کدامند :

در این تحقیق عملکرد سازمانی ، متغیر وابسته است که بعنوان مهمترین متغیر در این پژوهش بکار میرود و هدف ، توصیف یا پیش بینی تغییر پذیری این متغیر می باشد و در نظر است واریانس آن توسط یک متغیر مستقل و یک متغیر تعدیل گر تشریح شود . متغیر مستقل یادگیری سازمانی می باشد که می تواند تأثیر زیادی بر روی متغیر وابسته ( عملکرد سازمانی ) داشته باشد . متغیر دوم پویایی محیطی است که بعنوان یک متغیر تعدیل گر تأثیر یادگیری سازمانی بر عملکرد سازمانی را تعدیل می کند.

از آنجایی که بررسی عملکرد سازمانی به عنوان عامل کلیدی در بهره وری و یک پیامد مهم و اساسی برای سازمان،کاملاً واضح و مشخص است و همین امر این متغیر را به عنوان یکی از اساسی ترین متغیرهای مورد توجه محققان و روانشناسان صنعتی و سازمانی تبدیل کرده است(فریس،2008) ما نیز در این پژوهش به منظور مطالعه رابطه ی یادگیری سازمانی با عملکرد در یک محیط پویا جریان تحقیقاتی زیر را بررسی می کند:

• رابطه یادگیری سازمانی و عملکرد: در این زمینه تحقیقات کمی انجام شده است ولی با این وجود می توان به مطالعات ملاحسینی و همکاران در سال 1389 و همچنین اسدی و همکاران در سال 1388 اشاره نمود.

• هرمانن و همکاران نیز در سال 2012 در تحقیق خود با عنوان رابطه ی یادگیری سازمانی با عملکرد به این نتیجه دست یافتند که بین یادگیری سازمانی،پویایی محیطی و زیست محیطی با عملکرد رابطه معنادار و مثبتی وجود دارد.

ما نیز در تحقیق حاضر می کوشیم تا با ارائه مدل مفهومی زیر تاثیر یادگیری سازمانی بر عملکرد در محیط پویا را نشان می دهد.

پویایی محیطی ( متغیر تعدیل گر )

عملکرد ( متغیر وابسته )

یادگیری سازمانی( متغیر مستقل)

فرضیه سوم

فرضیه اول

فرضیه دوم

1-6- فرضیات تحقیق:

• بین یادگیری سازمانی و عملکردسازمانی شرکت های کوچک و متوسط استان اردبیل رابطه وجود دارد.

• بین پویایی محیطی و عمکرد سازمانی شرکت های کوچک و متوسط استان اردبیل رابطه وجود دارد.

• رابطه یادگیری سازمانی با عملکردسازمانی شرکت های کوچک و متوسط استان اردبیل به واسطه پویایی محیطی تعدیل می گردد.

2-4-2- آشکارسازی بینی……………………. 21

2-5- ردیابی چهره و اجزای آن…………………… 22

2-5-1- تخمین حرکت…………………….. 23

2-5-2- تطابق……………………. 23

2-6- استخراج ویژگی‏های مربوط به کاهش هوشیاری……………………. 24

2-6-1- ویژگی‏های ناحیه چشم…………………… 24

2-6-2- ویژگی‏های دهان…………………… 30

2-6-3- ویژگی‏های سر……………………30

2-7- تشخیص خستگی و عدم تمرکز حواس…………………….. 31

2-7-1- روش‏های مبتنی بر حد آستانه…………………… 31

2-7-2- روش‏های مبتنی بر دانش…………………….. 32

2-7-3- روش‏های مبتنی بر آمار و احتمال…………………… 33

2-8- سیستم‏های نظارت چهره راننده در خودروهای تجاری……………………. 34

3- سیستم پیشنهادی……………………. 35

3-1- پیکربندی کلی سیستم پیشنهادی……………………. 35

3-1-1- نورپردازی و تصویربرداری……………………. 36

3-1-2- سخت‏افزار و پردازنده …………………..37

3-1-3- نرم‏افزار هوشمند…………………… 37

3-2- آشکارسازی چهره………………….. 38

3-2-1- ویژگی‏های شبه هار…………………… 39

3-2-2- انتخاب و تعیین اهمیت ویژگی‏ها برای تشکیل یک طبقه‏ بندی ‏کننده قوی…….. 41

3-2-3- درخت تصمیم آبشاری تقویت‏ شده………………….. 42

3-3- ردیابی چهره………………….. 44

3-3-1- پنجره جستجو…………………… 45

3-3-2- معیار تطابق……………………. 46

3-4- استخراج ویژگی‏های مربوط به کاهش هوشیاری……………………. 47

3-4-1- ویژگی‏های ناحیه چشم…………………… 47

3-4-2- ویژگی‏های ناحیه چهره و سر…………………… 55

3-5- تشخیص کاهش هوشیاری……………………. 58

3-5-1- سیستم خبره فازی……………………. 58

3-5-2- تولید خروجی نهایی……………………. 64

4- نتایج آزمایش‏ها و ارزیابی سیستم…………………… 69

4-1- نحوه آزمایش سیستم…………………… 69

4-2- معیار‏های ارزیابی……………………. 72

4-3- آشکارسازی چهره………………….. 73

4-4- ردیابی چهره …………………..75

4-5- استخراج ویژگی‏های ناحیه چشم…………………… 77

4-6- استخراج ویژگی‏های ناحیه سر و چهره …………………..82

4-7- تشخیص کاهش هوشیاری……………………. 86

4-8- ارزیابی کلی سیستم و الگوریتم‏ها………………….. 93

4-8-1- بررسی سرعت پردازش سیستم پیشنهادی……………………. 93

4-8-2- بررسی پیچیدگی محاسباتی الگوریتم‏ها………………….. 94

5- نتیجه‏گیری و پیشنهادات…………………….. 95

6- مراجع……………………99

چکیده:

هر ساله تصادفات رانندگی زیادی به دلیل خواب‏آلودگی و عدم تمرکز حواس راننده در سراسر دنیا رخ می‏دهد که خسارت‏های جانی و مالی فراوانی به همراه دارند. یکی از روش‏های تشخیص خستگی و عدم تمرکز حواس، استفاده از سیستم‏های نظارت چهره راننده است. سیستم‏های نظارت چهره راننده با دریافت تصاویر از دوربین و پردازش آنها، نشانه‏های خواب‏آلودگی و عدم تمرکز حواس را از چشم، سر و چهره استخراج می‏کنند. در این پایان‏نامه یک سیستم نظارت چهره راننده طراحی شده است که با استخراج نشانه‏های خستگی و عدم تمرکز حواس از ناحیه چشم و چهره، کاهش هوشیاری راننده را تخمین می‏زند. در این سیستم چهار ویژگی شامل درصد بسته بودن چشم (PERCLOS)، نرخ پلک زدن، کاهش فاصله بین پلک‏ها و میزان چرخش سر استخراج می‏شود. سه ویژگی اول مربوط به نشانه‏های بروز خستگی و عدم تمرکز حواس در ناحیه چشم و ویژگی آخر مربوط به نشانه‏های کاهش هوشیاری در ناحیه چهره و سر می‏باشد. ویژگی‏های ناحیه چشم بر اساس تغییرات پروجکشن افقی ناحیه چشم و ویژگی‏های ناحیه چهره بر اساس بررسی قالب چهره استخراج می‏گردد. سپس این ویژگی‏ها توسط یک سیستم خبره فازی مورد پردازش قرار می‏گیرد تا میزان خستگی و عدم تمرکز حواس راننده تخمین ‏زده شود. تصویربرداری سیستم پیشنهادی در طیف مرئی و با دوربین سطح خاکستری انجام شده است. نتایج آزمایش‏ها بر روی فیلم‏های تهیه شده در محیط واقعی و آزمایشگاهی نشان می‏دهد که روش پیشنهادی دقت بسیار خوبی در استخراج ویژگی و تشخیص کاهش هوشیاری راننده دارد. از لحاظ سرعت اجرای الگوریتم، سرعت سیستم پیشنهادی حدود 5 فریم در ثانیه می‏باشد که می‏توان آن را سیستم بلادرنگ محسوب کرد.

پیشگفتار:

افزایش تعداد خودروها در جهان و در نتیجه آن افزایش آمار خسارات و تلفات ناشی از تصادفات، باعث شد تا محققین به دنبال کشف علل اصلی تصادفات رانندگی باشند. یکی از مهمترین این علل، خستگی و عدم تمرکز حواس راننده می‏باشد که علت اصلی حدود 20% از تصادفات محسوب می‏شود. با توجه به نقش موثر خستگی و عدم تمرکز حواس راننده در بروز تصادفات، راهکارهایی برای مقابله با این عامل معرفی شد. یکی از راهکارهای اصلی و جدید برای تشخیص خستگی و عدم تمرکز حواس راننده و اعلام هشدار در مواقع ضروری، سیستم‏های نظارت چهره راننده است. پیشنهاد تولید سیستم‏های نظارت چهره راننده اولین بار در اواخر قرن 20 میلادی مطرح شد، اما عمده تحقیقات در این زمینه مربوط به بعد از سال 2000 میلادی می‏باشد.

تاکنون طراحی و تولید چنین سیستم‏هایی در ایران به طور جدی مورد بررسی قرار نگرفته است. سیستم ارائه شده در این پایان‏نامه به عنوان اولین سیستم نظارت چهره راننده در ایران می‏باشد که قادر است میزان خستگی و عدم تمرکز حواس راننده را با استفاده از پردازش تصاویر چهره راننده تخمین بزند. هرچند تحقیقات بیشتری برای تولید یک سیستم نظارت چهره راننده با هدف کاربرد در خودروهای تجاری مورد نیاز است، اما این پایان‏نامه می‏تواند شروع بسیار خوبی برای آغاز تحقیقات در این زمینه باشد.

سعی شده نوشتار پایان‏نامه به نحوی روشن و ساده بیانگر روش پیشنهادی باشد، با این وجود خواننده گرامی می‏تواند در صورت داشتن سوال، بیان نظرات یا ارائه انتقاد از طریق پست الکترونیک hoseyn@sigari.ir یا hoseyn_sigari@engineer.com با اینجانب مکاتبه نماید.

1- مقدمه

1-1- تعریف سیستم های نظارت چهره راننده

همراه با توسعه صنعت خودرو در جهان، کاربرد فناوری‏های نوین در اتومبیل نیز افزایش یافته است. سیستم‏های حمل و نقل هوشمند[1] یا به اختصار ITS، کاربرد کامپیوتر و فناوری اطلاعات و ارتباطات در شبکه‏های حمل و نقل انسان و کالا است. سیستم پیشرفته دستیار راننده[2] یکی از بخش‏های سیستم حمل و نقل هوشمند محسوب می‏گردد. این سیستم‏ها برای بهبود کارایی خودرو و افزایش امنیت راننده و سرنشینان آن استفاده می‏شوند و در مواقع بحرانی، به راننده اعلام هشدار کرده یا به جای راننده تصمیم مناسب را برای کنترل و هدایت خودرو اتخاذ می‏کنند.

سیستم نظارت چهره راننده، یک سیستم بلادرنگ[3] است که بر اساس پردازش تصویر چهره راننده، وضعیت جسمی و تا حدی وضعیت روحی او را تحت نظارت قرار می‏دهد. معمولا وضعیت راننده از بسته بودن پلک‏ها، نحوه پلک‏زدن، خیره بودن چشم‏ها به نقطه خاص، جهت نگاه چشم، خمیازه کشیدن و حرکت سر قابل تشخیص است. این سیستم در هنگام خواب‏آلودگی، خستگی و عدم توجه راننده به جاده، اعلام هشدار[4] می‏کند.

2-1- ضرورت سیستم‏های نظارت چهره راننده

یکی از مهمترین عوامل موثر در تصادفات، خصوصا در جاده‏های بین شهری[5]، خستگی، خواب‏آلودگی و عدم تمرکز حواس راننده است. خستگی و خواب‏آلودگی باعث کاهش درک و قدرت تصمیم‏گیری راننده برای کنترل خودرو می‏شود. تحقیقات نشان می‏دهد معمولا به طور طبیعی، پس از یک ساعت رانندگی، راننده دچار خستگی می‏شود. اما در ساعات ابتدایی بعد از ظهر، بعد از نهار و همچنین در نیمه شب، راننده در مدت زمان بسیار کمتر از یک ساعت احساس خواب‏آلودگی می‏کند. البته علاوه بر دلایل طبیعی، مصرف الکل، مواد مخدر و دارو‏هایی که منجر به کاهش هوشیاری می‏شوند نیز در خواب‏آلودگی راننده تاثیر‏گذار است [1-3]. عمده تصادفاتی که علت اصلی آن خستگی یا عدم تمرکز حواس اعلام می‏شود، در جاده‏های بین شهری و برای خودرو‏های سنگین رخ می‏دهد. اکثر این تصادفات در حدود ساعت 6-2 یا 16-15 به وقوع می‏پیوندد [2].

3-3-4- استفاده از یک روش تصمیم­ گیری مبتنی برمنطق فازیدر ساختار IDSS……………………….

3-3-5- استفاده از استنتاج مبتنی بر مورد در ساختار IDSS……………………….

3-3-6- استفاده از مولفه های مبتنی بر قانون در ساختار IDSS……………………….

فصل چهارم. بازی­های کامپیوتری استراتژیک بلادرنگ و سیستم­های هوشمند مرتبط با آنها….. 57

4-1- مقدمه.ذ 58

4-2- ویژگی­های بازی­های استراتژیک بلادرنگ.ذ… 59

4-3- بر سیستم­های هوشمند مرتبط با بازی­های استراتژیک بلادرنگ………. 63

فصل پنجم. سیستم پیشنهادی………………………….71

5-1- مقدمه……………………….. 72

5-2- معرفی سیستم پیشنهادی..……………………….73

5-3- مولفه­ های اصلی سیستم پیشنهادی………………………... 74

5-4- روش رفع ناسازگاری بکار برده شده در سیستم پیشنهادی……….. 77

فصل ششم. ارزیابی و نتایج………………………….80

فصل هفتم. نتیجه ­گیری و کارهای آینده………………………..89

فهرست منابع……………………………. 92

چکیده:

رفع ناسازگاری یک رویه­ی مهم در بسیاری از سیستم­های هوشمند از جمله سیستم­های مبتنی برقانون می­باشد. این رویه، ترتیب اجرای قوانین را در شرایطی که بیش از یک قانون برای اجرا وجود دارد، تعیین می­نماید. برای رفع ناسازگاری، روش­های مختلفی وجود دارد. در این پژوهش، به منظور رفع ناسازگاری در یک سیستم مبتنی بر قانون، از پیگیری نقطه نظرات مختلف در مسیرهای استنتاج مجزا، استفاده شده است. این سیستم، یک سیستم تصمیم ­همیار هوشمند است که در هنگام وقوع ناسازگاری، با در نظر گرفتن خطوط استنتاج جداگانه برای هر یک از قوانین ناسازگار، امکان آگاهی از تمامی انتخاب­های ممکن را برای تصمیم­گیرنده فراهم می­سازد.

به طورکلی، سیستم­های تصمیم­ همیار هوشمند با وارد نمودن تکنیک­های مختلف هوش مصنوعی در ساختار سیستم­های تصمیم­همیار، این سیستم­ها را به منظور حمایت بیشتر و ارتقاء تصمیم­گیری، بهبود بخشیده­اند.

سیستم تصمیم­همیار هوشمندی که در این پژوهش ارائه شده، به منظور یاری­رساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ پیاده­سازی شده است. ایجاد برنامه­های کامپیوتری در رابطه با بازی­های استراتژیک بلادرنگ، یک زمینه­ جدید در حیطه­ی بازی در هوش مصنوعی به حساب می­آید. این برنامه­ها محدود به ایجاد حریفان هوشمند به منظور سرگرم نمودن بازیکن­های انسانی نمی­باشد و امرزوه شبیه­سازهایی با کارایی بالا جهت تمرین افراد نظامی، از خواسته­های مطرح بوده و تحقیقات هوش مصنوعی در زمینه­ این نوع از بازی­ ها، علاوه بر تولیدکنندگان تجاری بازی­ها، از حمایت­های وسیع برخی از موسسات دفاعی نیز برخوردار می­باشد.

نتایج بدست آمده از ارزیابی سیستم ارائه شده در این پژوهش، حاکی از آن است که بازیکن به کمک این دستیار هوشمند می­تواند عملکرد بهتری نسبت به سایر بازیکنان داشته باشد.

فصل اول: مقدمه

1-1- مقدمه

مسائل بسیاری وجود دارند که محدود به یک راه­حل منحصر به فرد نمی­باشند. علاوه براین، برخی از مسائل ممکن است تعداد نامحدودی مسیرهای پاسخ مشابه، داشته باشند. یک ناسازگاری هنگامی روی می­دهد که تصمیم­های گوناگونی، متناظر با مسیرهای پاسخ متمایز، فراهم باشد.

به طور کلی در سیستمی که دارای مجموعه­های نسبتاً بزرگی از قوانین و حقایق باشد، درج یک حقیقت می­تواند منجر به صحیح شدن ارزش چندین قانون و در نتیجه فعال شدن آنها گردد. هر ترتیبی از اجرای این قوانین، می­تواند نتایج متفاوتی را به دنبال داشته باشد که در این صورت این مجموعه از قوانین، مجموعه­ی قوانین ناسازگار نامیده می­شوند. یک استراتژی رفع ناسازگاری ترتیبی را برای اجرای این مجموعه از قوانین تعیین می­نماید.

سیستم­های هوشمند از قبیل سیستم­های مبتنی بر قانون، ابزارهای برنامه­ریزی، و ساختارهای وابسته به دانش، از استراتژی­های متفاوتی برای رفع ناسازگاری استفاده می­کنند] 2[.

در این پژوهش در ابتدا در رابطه با این شیوه­های متفاوت توضیحاتی ارائه می­گردد و پس از آن ایده­ایی که به منظور رفع ناسازگاری در سیستم پیشنهادی بکار برده شده، شرح داده می­شود. سیستم پیشنهادی یک سیستم تصمیم­همیار هوشمند است که به منظور یاری رساندن به یک بازیکن در یک بازی استراتژیک بلادرنگ طراحی و پیاده­سازی شده و شرح ساختار و ویژگی­های آن در فصول آتی آمده است. همچنین در این پایان­نامه در ارتباط با سیستم­های تصمیم­همیار هوشمند و ساختارهای مختلفی که محققان برای پیاده­سازی این سیستم­ها در نظر گرفته­اند، نیز مطالبی ارائه شده است.

2-1- رفع ناسازگاری

در بسیاری از سیستم­های مبتنی بر قانون، موتور استنتاج، یک مولفه­ی نرم­افزاری است که در هنگام اجرای برنامه­ی کاربردی، بر روی مجموعه ­ایی از قوانین، استنتاج می­کند. از جمله مهمترین وظایفی که توسط موتور استنتاج صورت می­گیرد، رفع ناسازگاری است] 47[. به طور کلی، رفع ناسازگاری، یک استراتژی، برای انتخاب ترتیب اجرای قوانین است هنگامی که بیش از یک قانون بتواند اجرا شود.

برای رفع ناسازگاری روش­های مختلفی وجود دارد. ساده­ترین راه­حل، انتخاب تصادفی قوانین است. در برخی از استراتژی­ها، از جمله مهمترین فاکتورهایی که در انتخاب قوانین موثر است مقدار اولویتی است که توسط سازنده­ی سیستم به هر قانون اختصاص داده می­شود که در این روش برای قوانین با الویت یکسان باید از روش دیگری استفاده گردد. روش­های خبره­تر از اطلاعات آماری مرتبط با موفقیت­ها و عدم موفقیت­های پیشین در هنگام بکار بردن قوانین مختلف، به منظور پی­بردن به احتمال موفقیت، استفاده می­کنند. همچنین برخی از روش­ها، هزینه­های قوانین را که نشان­دهنده­ی تلاش­هایی است که حل­کننده­ی مسئله برای انجام اعمال بدان نیازمند است (مانند زمان) بحساب می­آورند] 2[.

روشی که در این پژوهش به منظور رفع ناسازگاری بکار برده شده، با در نظر گرفتن یک خط استنتاج جداگانه برای هر یک از قوانین ناسازگار در طی روند استنتاج، تمامی حالات ممکن برای اولویت­بندی در اجرای قوانین را تحت پوشش قرار می­دهد.

3-1- سیستم ­های تصمیم­ همیار و سیستم­های تصمیم­ همیار هوشمند

به طور کلی، اخذ تصمیم، یکی از مهم­ترین و حساس­ترین فعالیت­هایی است که در هر سازمان و یا تشکیلاتی صورت می­گیرد] 48[. برای پشتیبانی و حمایت از این روند پیچیده، دسته­ی متنوعی از سیستم­های اطلاعاتی مستقل بنام سیستم­های تصمیم­همیار، در طی دو دهه­ی گذشته به وجود آمده­اند. این سیستم­ها به صورت ابزارهای مبتنی بر کامپیوتری که به منظور پشتیبانی از روند پیچیده­ی اخذ تصمیم و حل مسئله ایجاد می­شوند، تعریف و در جهت ایجاد محیطی برای تحلیل مسائل، ساخت مدل­ها و شبیه­سازی رویه­ی تصمیم­گیری و برنامه­ های تصمیم­ گیرندگان طراحی می­گردند] 49[.

این سیستم­های اطلاعاتی، که به منظور حمایت فعل و انفعالی از تمامی مراحل روند اخذ تصمیم یک کاربر، طراحی می­شوند، می­توانند شامل تکنولوژی­هایی برگرفته از زمینه­های علمی مختلف شامل حسابداری، علوم شناختی، علوم کامپیوتر، اقتصاد، مهندسی، مدیریت، آمار و … باشند و اغلب از سه مولفه­ی زیرسیستم داده، زیر سیستم مدل (که دارای مکانیزمی برای پردازش داده می­باشد) و زیرسیستم ارتباط با کاربر، تشکیل شده­اند] 19[.

اگرچه، سیستم­های تصمیم­همیار با بکار بردن منابع اطلاعاتی و ابزارهای تحلیل گوناگون، شرایط بهتر و با کیفیت بیشتری را برای تصمیم­گیرندگان فراهم می­سازند و داشتن یک نقش حمایتی به جای جایگزینی کامل افراد در روند اخذ تصمیم، از اهداف اصلی آنهاست] 12[، اما نمی­توان آنها را به عنوان یک همیار هوشمند برای تصمیم­گیرندگان در نظر گرفت. سیستم­های تصمیم­همیار هوشمند، برای مسائل عمومی­ایی که به تصمیم­گیری­های مکرر نیاز دارند، مفید و از لحاظ اقتصادی مقرون به صرفه هستند. این سیستم­های محاوره­ایی مبتنی بر کامپیوتر، برای حل مسائل نیمه ساخت­یافته، از، ترکیب داده و دانش تخصصی و مدل­هایی که برای حمایت از تصمیم­گیرندگان در سازمان­ها بکار می­رود، با تکنیک­های هوش مصنوعی، استفاده می­کنند] 50[.

2-4-3 روش کلاسه بندی بر پایه الگوهای نوظهور جهشی JEPs-classifier …………………………….

2-4-4 روش کلاسه بندی بر پایه الگوهای نوظهور جهشی قوی ………………………………………………… 21

2-4-5 روش تصمیم گیری مبتنی بر نمونه DeEPs ………………………………………………………………….

2-4-6 روش کلاسه بندی توسط مجموعه راست نمایی PCL …………………………………………………….

فصل سوم ………………………………………………………………………………………………………………….. 23

3- دانش اولیه ………………………………………………………………………………………………………………. 24

3-1 الگوهای نوظهور …………………………………………………………………………………………………… 24

3-2 درخت الگوی مکرر دینامیک DFP-tree ………………………………………………………………

فصل چهارم ……………………………………………………………………………………………………………….. 33

4- راهکارهای ارائه شده برای استخراج الگوهای نوظهور قوی مبتنی بر ویژگی های جریانی ………. 34

4-1 مقدمه ………………………………………………………………………………………………………………….. 34

4-2- درخت الگوی مکرر دینامیک نامرتب Unordered Dynamic FP-tree …………………………

4-3 درخت الگوی مکرر دینامیک مرتب Ordered Dynamic FP-tree ……………………………….

4-4 روش استخراج الگوها SEP-Miner …………………………………………………………………….

فصل پنجم …………………………………………………………………………………………………………………… 62

5- آزمایشات تجربی ………………………………………………………………………………………………………. 63

5-1 مقدمه ………………………………………………………………………………………………………………….. 63

5-2 کلاسه بندها ………………………………………………………………………………………………………… 63

5-2-1 کلاسه بند درخت تصمیم C4.5 ……………………………………………………………………

5-2-2 کلاسه بند SVM …………………………………………………………………………………………

5-2-3 کلاسه بند بیزین ساده ……………………………………………………………………………….. 65

5-2-4 کلاسه بند نزدیکترین همسایه ……………………………………………………………………. 66

5-2-5 الگوریتم AdaBoost………………………………………………………………………………….

5-3 تست های آماری ………………………………………………………………………………………… 68

5-3-1 تست آماری جفت شده t-tets …………………………………………………………………………

5-3-2 تست آماری Wilcoxon ………………………………………………………………………………..

5-3-3 تست آماری فردمن ………………………………………………………………………………………. 69

5-4 تنظیمات تجربی ………………………………………………………………………………………………….. 71

5-5 مقایسه دقت پیش بینی ……………………………………………………………………………………….. 73

5-6 مقایسه تعداد الگوها ……………………………………………………………………………………………. 81

5-7 مقایسه زمان اجرا ………………………………………………………………………………………………… 83

5-8 تحلیل اثر ترتیب در ساخت درخت الگوی مکرر دینامیک ……………………………………… 86

5-9 چگونگی تعیین کردن حداقل آستانه فراوانی نسبی ………………………………………………. 88

5-10 تحلیل حساسیت روی حداقل آستانه های نرخ رشد ………………………………………………. 89

5-11 مقایسه کارایی DFP-SEPSF بدون دانستن کل فضای ویژگی ها …………………………. 90

5-12 خلاصه نتایج تجربی ……………………………………………………………………………………. 94

فصل ششم ……………………………………………………………………………………………………………. 96

6- نتیجه گیری و کارهای آینده …………………………………………………………………………………. 97

اختصارات ……………………………………………………………………………………………………………. 99

واژه نامه فارسی به انگلیسی ………………………………………………………………………………….. 100

واژه نامه انگلیسی به فارسی ………………………………………………………………………………… 108

فهرست منابع …………………………………………………………………………………………………. 116

چکیده:

استخراج الگوهای مفید از مجموعه داده ها، یکی از موضوعات چالش برانگیز در داده کاوی است. از طرفی در داده ها با ابعاد بالا، استخراج مجموعه کوچکی از الگوهای نوظهور با قابلیت پیش بینی قوی، از مسائل مهم در ایجاد یک کلاسه بند بر پایه الگوهای نوظهور است. در دنیای واقعی، ویژگی ها همیشه بطور کامل در دسترس نیستند؛ بر این اساس، مسئله سخت تر می شود وقتی که مجموعه ویژگی ها قبل از شروع فرآیند یادگیری ناشناخته باشد. ویژگی های جریانی عنوان ویژگی هایی است که بصورت برخط تولید می شوند و در همان زمان تولید پردازش می شوند. در این طرح، ویژگی ها یکی یکی به مرور زمان پدیدار می شوند بجای اینکه تمام ویژگی ها قبل از فرآیند یادگیری آماده باشند.

در این مطالعه، ما ساختار دینامیک از درخت الگوی مکرر پیشنهاد می دهیم تا درخت به محض ورود ویژگی های جدید ساخته شود و استخراج الگوهای نوظهور بصورت برخط صورت گیرد. DFP-SEPSF، یک روش موثر پایین به بالا ارائه می دهد تا یک درخت الگوی مکرر دینامیک نامرتب UDFP-tree و یک درخت الگوی مکرر دینامیک مرتب ODFP-tree بسازد. اولین روش ترتیب آیتم ها را در نظر نمی گیرد، در حالیکه دومین روش ترتیب آیتم ها را اعمال می کند.

بعلاوه، چارچوب پیشنهادی الگوهای نوظهور قوی را استخراج می کند تا یک کلاسه بند قوی و سریع ایجاد کند که می تواند با نویز مقابله کند.

روش پیشنهادی فضای جستجوی الگوهای نوظهور را بطور قابل توجهی کاهش می دهد و الگوهای نوظهور با قدرت تمایز قوی را با کمک حذف الگوهای بی فایده استخراج می کند.

روش ارائه شده الگوهای نوظهور را برای هر کلاس بصورت همزمان کشف می کند و بعلاوه، فرآیند تولید درخت های الگوی مکرر را بصورت کارایی در راستای کاهش محاسبات، هدایت می کند.

ارزیابی تجربیات ما بر روی محدوده وسیعی از داده ها، اثربخشی روش پیشنهادی را در مقایسه با دیگر روش های شناخته شده از نظر دقت پیش بینی، تعداد الگوهای استخراجی و زمان اجرا نشان می دهد.

فصل اول: مقدمه

1-1- مقدمه

کلاسه بندی[1] یکی از وظایف اساسی در داده کاوی[2] است که بطور وسیعی در زمینه یادگیری ماشین[3]، شبکه های عصبی[4] و تشخیص الگو[5] مورد مطالعه واقع شده است. ورودی، مجموعه ای از نمونه های آموزشی[6] است که شامل چندین ویژگی[7] است. ویژگی ها با توجه به دامنه مقادیرشان به دو دسته ویژگی های گسسته[8] و ویژگی های پیوسته[9] قابل تفکیک هستند. در حالت کلی، یک کلاسه بند[10]، توصیف مختصر و معنادار (مدل[11]) برای هر برچسب کلاس[12] در رابطه با ویژگی ها تولید می کند. سپس، مدل برای پیش بینی برچسب کلاس نمونه های ناشناخته[13] بکار می رود. کلاسه بندی همچنین بعنوان یادگیری با ناظر[14] نیز شناخته می شود که در آن هر نمونه آموزشی دارای برچسب کلاس است. در حالی که، یادگیری بدون ناظر[15] یا خوشه بندی[16] جستجو می کند و گروه های همگن از اشیا را بر اساس مقادیر ویژگی هایشان دسته بندی می کند؛ در واقع، نمونه ها دارای برچسب کلاس نیستند. کلاسه بندی در محدوده وسیعی از کاربردها از جمله آزمایشات علمی[17]، تشخیص دارو[18]، پیش بینی آب و هوا[19]، تایید اعتبار[20]، تقسیم بندی مشتری[21]، بازاریابی هدف[22] و تشخیص تقلب[23] بطور موفقیت آمیزی بکار می رود.

کلاسه بندی بر پایه الگوها[24]، یک متدلوژی جدید محسوب می شود. کشف الگوهایی که نشاندهنده تمایز بین کلاس های مختلف هستند، یکی از موضوعات مهم در داده کاوی محسوب می شود. در این تحقیق، ما کلاسه بندی را بر اساس الگوهایی به نام الگوهای نوظهور[25] (Emerging Patterns) که تمایز بین کلاس ها را بصورت بارزی نشان می دهند، از مجموعه داده ها[26] استخراج می کنیم و سپس، بر اساس آنها، کلاسه بندی را انجام می دهیم.

2-1- مفهوم الگوهای نوظهور

مفهوم الگوهای نوظهور برای استخراج دانش از پایگاه داده ها توسط Dong و Li پیشنهاد شده است تا تغییرات قابل توجه بین کلاس ها را به تصویر بکشند [1]. یک الگوی نوظهور، ترکیب عطفی بین ویژگی هایی است که میزان احتمال حضور آن در یک کلاس نسبت به دیگر کلاس ها بطور قابل توجهی تغییر می کند [1،2]. این الگوها مفید هستند به این دلیل که قادر هستند تا وجه تمایز بین کلاس ها را بیان کنند. در صورتی که میزان فراوانی[27] هر الگو که در یک کلاس نسبت به دیگر کلاس ها قابل توجه باشد، نشاندهنده آن است که این الگو، بطور خاص به این کلاس اختصاص دارد و از طرفی این نوع الگوها برای پایگاه داده هایی که بحث محدودیت زمانی برای استخراج دانش از آنها مطرح است، اهمیت ویژه ای می یابند.

استخراج الگوهای نوظهور بدین صورت مطرح می شود: « پیدا کردن آیتم هایی که نرخ رشد[28] آن (که بصورت نسبت احتمال آن آیتم بین کلاس های مختلف تعریف می شود) از مقدار آستانه ای بیشتر باشد.» این مقدار آستانه باید بگونه ای انتخاب شود که الگوهای استخراجی ، تفاوت و تمایز بین کلاس های مختلف را نشان دهند. این الگوها در واقع مجموعه ای از آیتم ها هستند که بیان کننده ترکیب عطفی بین مقادیر ویژگی ها هستند [2].

نوعاً، تعداد الگوهای استخراجی بسیار زیاد است اما فقط شمار کمی از این الگوها برای تحلیل داده ها و کلاسه بندی مطلوب و مفید هستند. از آن جایی که مقدار زیادی از این الگوها بی ربط[29] و تکراری[30] هستند، دانش جدیدی را فراهم نمی کنند و لذا تاثیر نامطلوبی بر روی دقت کلاسه بند دارند که موجب کاهش دقت پیش بینی[31] می شوند. برای افزایش کارایی[32] و دقت، بایستی روالی را توسعه داد که الگوهای وابسته و غیر مفید حذف شوند تا شمار این الگوها کاهش یابد.

یک الگوی نوظهور با احتمال بالا در کلاس خودش و احتمال پایین در کلاس مقابلش می تواند برای تعیین یک نمونه تست بکار رود. قدرت این الگو توسط معیارهایی مثل فراوانی نسبی[33] و نرخ رشد ( نسبت احتمال الگو در یک کلاس نسبت به دیگر کلاس ها) آن بیان می شود.

در بسیاری از زمینه های کاربردی مانند کشف دانش از داده های ژنی[34] ، پردازش تصویر[35]، کشف نفوذ[36] ، کشف برون هشته[37]، کشف کلاهبرداری[38] ، داده های نامتوازن[39] ، جریان داده ها[40] ، بیوانفورماتیک[41] ، سیستم های پیشنهاد دهنده[42] ، نیاز است که تغییر ناگهانی در داده ها تشخیص داده شود. الگوهای نوظهور تغییرات ناگهانی و تفاوت های قابل توجه را از داده ها استخراج می کنند. الگوهای نوظهور، در زمینه پردازش تصویر برای قطعه بندی بدین گونه عمل می کند که سعی می کند در پیکسل هایی که تغییر ناگهانی شدت[43] بوجود می آید را بعنوان یک قطعه جدید معرفی کند. در زمینه کشف نفوذ و کلاهبرداری، رفتار داده ها پیگیری می شود، زمانی که رفتار داده ها بصورت ناگهانی تغییر کند، بعنوان نفوذ تشخیص داده می شود. در سیستم های پیشنهاد دهنده، سیستم به دنبال رفتارهای خاص و مختص هر کاربر است تا با کشف ویژگی های خاص هر کاربر، به او محصولات مطابق با علایق و استعدادهای او را پیشنهاد دهد. لذا الگوهای نوظهور در این راستا نقش بسزایی دارند.

3-1- مفهوم ویژگی های جریانی[44]

در داده های جریانی[45]، نمونه ها به مرور زمان دریافت می شوند در حالیکه تعداد ویژگی ها ثابت می باشد. اما در ویژگی های جریانی، تعداد داده های یادگیری ثابت می باشد ولی ویژگی ها بصورت دینامیک تولید می شوند و الگوریتم یادگیری به مرور زمان ویژگی ها را دریافت می دارد [31، 32]. در ویژگی های جریانی روال بدین صورت است ویژگی های توسط روش های تولید ویژگی مانند روش های یادگیری رابطه ای آماری[46] و تعاملات بین ویژگی ها[47]، تولید می شوند. مشکلاتی که در پی تولید ویژگی ها توسط این روش ها بروز می کند بدین شرح است که: 1) میلیون ها و یا حتی بیلیون ها ویژگی تولید می شوند که بدلیل محدودیت های حافظه امکان نگهداری این حجم از ویژگی وجود دارد و از طرفی زمان بسیار زیادی بایستی صرف شود تا فرآیند یادگیری شروع شود. 2) ویژگی ها توسط کوئری های موجود در SQL تولید می شوند که اجرای این کوئری ها محدود به زمان پروسسور[48] است تقریبا پروسسور هر صدهزار کوئری را در 24 ساعت اجرا می کند. از طرفی بسیاری از ویژگی ها تولیدی بی ربط و تکراری هستند[49]. این موضوع نشان می دهد که شمار کمی از این ویژگی های تولیدی در عمل در فرآیند یادگیری موثر است و لذا تولید ویژگی ها هزینه بر است [32]. بر این اساس برای فائق آمدن بر این مشکلات، مفهوم ویژگی های جریانی شکل گرفت و تلاش شد تا با تولید دینامیک ویژگی ها و بررسی این ویژگی ها در زمان تولید و تاثیر آن بر روال یادگیری فرآیند تولید ویژگی ها را هدایت کنند.

برای برخورد با چالش های مطرح شده، بایستی فرآیند یادگیری قابلیت پاسخگویی به ویژگی های جریانی را داشته باشد. در واقع، روال یادگیری بایستی بصورت افزایشی با دریافت هر ویژگی قابل بروزرسانی شدن داشته باشد بدون اینکه به اولین مرحله یادگیری بازگردد. لذا در راستای استخراج الگوهای قوی بایستی در ابتدا ویژگی ها بررسی شوند و ویژگی هایی که بی ربط هستند را حذف کرد، سپس از روی ویژگی های مفید و قوی ، الگوها را استخراج کرد.

[1] Classification

[2] Data mining

[3] Machine learning

[4] Neural networks

[5] Pattern recognition

[6] Training instances

[7] Features

[8] Nominal

[9] Numerical

[10] Classifier

[11] Model

[12] Class label

[13] Unknown

[14] Supervised learning

[15] Unsupervised learning

[16] Clustering

[17] Scientific experiments

[18] Medical diagnosis

[19] Weather prediction

[20] Credit approval

[21] Customer segmentation

[22] Target marketing

[23] Fraud detection

[24] Patterns

[25] Emerging patterns

[26] Datasets

[27] Frequency

[28] Growth rate

[29] Irrelevant patterns

[30] Redundant patterns

[31] Predictive accuracy

[32] Performance

[33] Support

روش تشخیص فازی…………………………………………………………………………………… 24

روش الگوریتم های پویا و مبتنی بر عامل…………………………………………………….. 25

روش های دیگر…………………………………………………………………………………………. 26

مقایسه روش های تشخیص تشکل های همپوشان در شبکه های ایستا……………… 26

مجموعه داده ها……………………………………………………………………………………. 27

معیارهای ارزیابی………………………………………………………………………………. 29

نتایج آزمایش ها…………………………………………………………………………………… 30

تحلیل نتایج………………………………………………………………………………………….. 37

تشخیص تشکل های همپوشان در شبکه های پویا………………………………………… 38

جمع بندی………………………………………………………………………………………… 38

فصل سوم: ارائه راه حل و روش های پیشنهادی………………………………………. 42

مقدمه…………………………………………………………………………………………….. 42

نگاهی دقیق تر به روش انتشار برچسب…………………………………………….. 42

الگوریتم……………………………………………………………………………………………. 43

تحلیل پیچیدگی زمانی……………………………………………………………………….. 45

بهبود کارایی روش انتشار برچسب……………………………………………………… 46

الگوریتم………………………………………………………………………………………… 46

الگوریتم مبتنی بر انتشار برچسب برای تشخیص تشکل های همپوشان در شبکه های پویا…… 48

الگوریتم…………………………………………………………………………………………… 48

فصل چهارم: آزمایش ها و نتایج……………………………………………………………. 52

مقدمه…………………………………………………………………………………………… 52

بهبود کارایی روش انتشار برچسب در شبکه های ایستا………………………………. 52

پیاده سازی روش پایه………………………………………………………………………… 52

پیاده سازی روش پیشنهادی………………………………………………………………. 53

مجموعه داده ها………………………………………………………………………………… 53

معیار ارزیابی………………………………………………………………………………… 54

نتایج آزمایش ها……………………………………………………………………………. 54

تحلیل نتایج…………………………………………………………………………………. 57

تحلیل پیچیدگی زمانی…………………………………………………………………… 58

تشخیص تشکل های همپوشان در شبکه های پویا…………………………………… 58

مجموعه داده ها………………………………………………………………………….. 59

معیارهای ارزیابی……………………………………………………………………………… 60

نتایج آزمایش ها……………………………………………………………………………… 60

تحلیل نتایج………………………………………………………………………………… 63

تحلیل پیچیدگی زمانی……………………………………………………………………… 64

فصل پنجم: بحث و نتیجه گیری………………………………………………………. 66

نتیجه گیری……………………………………………………………………………………….. 66

پیشنهاد ها برای کارهای آینده…………………………………………………………….. 67

منابع و مآخذ…………………………………………………………………………………… 69

چکیده:

بسیاری از ساختارهای پیچیده طبیعی و اجتماعی را می توان به صورت شبکه در نظر گرفت. جاده ها، پایگاه های اینترنتی، شبکه های اجتماعی،ارتباطات سازمانی، روابط خویشاوندی، تبادل نامه های الکترونیک، تماس های تلفنی و تراکنش های مالی تنها چند نمونه از این شبکه ها هستند. امروزه تحلیل شبکه ها یکی از شاخه های پژوهشی پرطرفدار و پرکاربرد در سطح جهان است و توجه پژوهشگران بسیاری از رشته های مختلف از جمله علوم کامپیوتر و علوم اجتماعی را به خود اختصاص داده است. نتایج حاصل از این پژوهش ها، ابزار و اطلاعات مفیدی را برای استفاده در حوزه های مختلف از جمله: ارتباطات، امنیت و تجارت در اختیار قرار می دهد.

یکی از موضوعات پرکاربرد در زمینه تحلیل شبکه ها، شناسایی تشکل ها در شبکه است. می توان هر تشکل را توده ای متراکم از رئوس در نظر گرفت که از طریق یالهای اندکی با تشکل های دیگر در ارتباط است. به عنوان مثال افراد با علایق و تمایلات مشابه در شبکه های اجتماعی، صفحات با محتوای مرتبط در فضای وب، مقالات با حوزه های مشابه در پایگاه مقالات، همگی نمونه هایی از تشکل ها در شبکه های مختلف هستند. در سال های اخیر، کارهای بسیاری در زمینه شناسایی تشکل ها، انجام گرفته و الگوریتم ها و ابزارهای متعددی ارائه شده است اما همچنان تلاش برای ارائه روش های بهتر از منظرهای مختلف از جمله سرعت، دقت و مقیاس پذیری ادامه دارد.

در این پایان نامه، دو روش پیشنهادی، یکی برای افزایش کارایی تشخیص تشکل های همپوشان در شبکه های ایستا و دیگری برای شبکه های پویا به همراه نتایج آزمایش های متعدد انجام شده برای ارزیابی کارایی آنها ارائه شده است.

فصل اول: مقدمه

مقدمه:

در دنیای امروز، ما با سیستم های پیچیده ای[1] در پیرامون خود احاطه شده ایم، از جامعه که در آن میلیون ها عضو با یکدیگر در حال تعامل هستند تا شبکه های تلفن همراه و کامپیوتر که میلیون ها کاربر را به یکدیگر متصل می کنند. همچنین توانایی ما برای استنتاج و درک محیط اطراف، وابسته به شبکه ای از میلیاردها سلول عصبی[2] در مغز ماست. این سیستم های پیچیده نقش های بسیار مهمی در جنبه های مختلف زندگی ما ایفا می کنند. درک، توصیف، پیش بینی و کنترل این سیستم ها از جمله بزرگترین چالش های ما در جهان مدرن است.

معمولا در پشت هر کدام از این سیستم های پیچیده، شبکه ای عظیم قرار دارد که تعاملات بین اجزای این سیستم ها را مشخص می کند. به عنوان مثال: فعل و انفعالات شیمیایی درون بدن موجودات زنده، تعاملات میان سلول های عصبی مغز، روابط دوستی، خویشاوندی و اجتماعی، شبکه جهانی اینترنت، تراکنش های مالی، خطوط انتقال و توزیع نیرو، راه های ارتباطی زمینی، هوایی و دریایی، همگی بخشی از مواردی هستند که می توان آنها را به صورت یک شبکه توصیف کرد. همچنین می توان گفت که شبکه ها قلب بسیاری از فناوری های انقلابی عصر حاضر هستند. موتورهای جستجو[3]، شبکه های اجتماعی مجازی[4]، شبکه های کامپیوتری جهانی، شبکه جهانی مخابرات و تلفن همراه تنها تعدادی از این نمونه ها هستند.

با وجود تفاوت و تنوع بسیار زیادی که در ماهیت، اندازه، کاربرد، رفتار و ویژگی های مختلف این سیستم ها و شبکه ها، چه از نوع طبیعی و چه ساخته دست بشر وجود دارد، می توان اصول و قوانین مشخص و مشابهی را در میان آنها مشاهده کرد. برای مثال: شبکه واکنش های شیمیایی که اجزای آن را مولکول های بسیار کوچک تشکیل می دهند، شبکه جهانی وب[5] که در آن صفحات وب به وسیله پیوندهای وب[6] به یکدیگر متصل شده اند، شبکه های اجتماعی که از روابط میان افراد تشکیل شده اند و بسیاری موارد دیگر، همگی قابل توصیف با ساختارها و قوانین مشابهی هستند و این امر به عنوان یک مزیت بزرگ تلقی می شود. زیرا می توان تمام این سیستم های متفاوت طبیعی و مصنوعی را توسط ابزارهای ریاضی و مدل سازی مشابهی توصیف کرد.

با توجه به اینکه از سال ها پیش بسیاری از این سیستم ها، مانند: ساختارها و واکنش های زیستی، راه های ارتباطی، روابط اجتماعی و نظایر آن و همچنین دانش مطالعه بر روی سیستم ها و شبکه ها شناخته شده اند، پرسشی که ممکن است مطرح شود این است که چرا اهمیت این موضوع تنها در چند دهه اخیر آشکار شده است؟ پاسخی که می توان داد این است که در گذشته ابزارهای مناسبی برای جمع آوری، نگهداری و پردازش این اطلاعات وجود نداشت اما امروزه با توسعه چشمگیر فناوری هایی نظیر کامپیوتر و شبکه های ارتباطی دیجیتال، این امکان فراهم آمده است که گردآوری، ترکیب، اشتراک و تحلیل این اطلاعات با سهولت، سرعت و دقت بالا و هزینه کم قابل اجرا باشد.

دانش شبکه[7]

دانش شبکه شاخه ای از علوم بشری است که به مطالعه بر روی شبکه ها می پردازد و تلاش می کند با استفاده از نتایج بررسی های خود، از آنها برای درک بهتر سیستم های پیچیده بهره بگیرد. به طور کلی می توان چهار ویژگی را برای این دانش برشمرد که در ادامه به اختصار به آنها اشاره می شود (1):

ماهیت میان رشته ای: با توجه به نحوه برخورد با مسئله در حوزه مطالعه شبکه ها، این دانش تنها به یک شاخه خاص از علم محدود نبوده و می تواند در علوم گوناگون از قبیل: علوم اجتماعی، زیستی، کامپیوتر، فیزیک، شیمی، اطلاعات، اقتصاد، امنیت و بسیاری از موارد دیگر کاربرد داشته باشد. به عنوان مثال، روشی که در حوزه علوم اجتماعی برای تشخیص افراد و گرو های موثر بر جامعه مورد استفاده قرار می گیرد، ممکن است در شبکه های کامپیوتری برای مدیریت ترافیک شبکه به کار برده شود.

عملگرایی و تمرکز بر داده ها: بر خلاف نظریه گراف ها که بیشتر به جنبه های انتزاعی و ریاضی مسائل توجه دارد، این دانش بیشتر بر حوزه کاربرد عملی و داده های مسئله تمرکز می کند. به همین جهت ابزارها و روش هایی که در این زمینه ارائه می شوند، بر روی داده ها و مسائل واقعی آزمایش می شوند تا قابلیت و کارایی آنها مشخص شود.

بیان کمی و ریاضی: مطالعه شبکه ها برای توصیف و مطالعه بهتر و دقیق تر، از ابزارها و روش های ریاضی بهره می برد. به عنوان مثال: نظریه گراف ها، آمار و احتمالات، داده کاوی[8]، تئوری اطلاعات[9]، کنترل و فیزیک آماری از جمله علومی هستند که در این حوزه کاربرد دارند.

پردازش و محاسبات: از آنجا که اغلب مسائل مطرح شده در این حوزه، حجم عظیمی از اطلاعات را در بر می گیرند، بخش مهمی از کار به طراحی و بکارگیری روش هایی معطوف می شود که بتوانند از عهده محاسبات سنگین مورد نیاز برآیند. به همین منظور طراحی الگوریتم ها، پایگاه داده ها و داده کاوی بخشی از ابزارهای نرم افزاری هستند که بسیار به کار برده می شوند.

کاربردهای دانش شبکه:

کارایی و تاثیر هر شاخه از علم، علاوه بر دستاوردهای نظری، در حوزه کاربردهای عملی نیز مورد بررسی قرار می گیرد. در این بخش به اختصار به چند مورد از کاربردهای دانش شبکه ها اشاره می کنیم.