مقاله دانشگاهی – ارائه ی مدلی جهت مقایسه سیستم های یکپارچه ی کامپیوتری مدیریت فرآیند کسب وکار در سازمان …

۳-۳- شبکه عصبی مصنوعی:
امروزه روشهای فراابتکاری یکی از مؤثرترین راهکارها در جهت دستیابی به جوابهای بهینه در مسائل پیش روی سازمانها میباشد. استفاده از روشهای فراابتکاری، مانند روشهای مبتنی بر هوش مصنوعی برای حل مسائل پیچیده، پژوهشگران را برای استفاده از این روشها در مدلسازی فرآیند تصمیمگیری ترغیب کرده است. یکی از این پیشرفتها در زمینهی هوش مصنوعی، شبکههای عصبی مصنوعی هستند. شبکه عصبی مصنوعی از دهه ۱۹۷۰ میلادی مطرح شده است و یک ابزار پردازش اطلاعات با ساختار موازی است که قادر به انجام موفقیتآمیز اعمالی مانند تخمین توابع غیرخطی، طبقهبندی الگوها، تشخیص الگوها، پیشبینی و غیره است. تعریفی که راملهارت[۵۲] در سال ۱۹۸۶ از شبکه عصبی مصنوعی ارائه میدهد، عبارت است از: “شبکهای انبوه و به هم پیوسته با ساختاری موازی وعناصر ساده، برای تعامل با اشیاء دنیای واقعی با الگوبرداری از سیستم عصبی بیولوژیکی” ]۵۲[.
در واقع، بر اساس روابط منطقی مشابه، با دریافت یک سری اطلاعات، نتایج منطقی را عرضه کرده و به کاربر ارئه میدهد. شبکه عصبی مصنوعی با تجزیهوتحلیل دادهههای ورودی و نتایج نظیر آنها ارتباطی منطقی بین دادهها برقرار میکند که ممکن است غیرخطی و نامشخص باشد، سپس با استفاده از این ارتباط منطقی، شبیه سازی را برای موارد احتمالی مشابه انجام میدهد]۶[. استفاده از شبکههای عصبی مصنوعی برای تعیین میزان کارایی سیستمهای مدیریت فرآیند کسبوکار راهکاری بهینه ارائه میدهد، چراکه، تلاش در جهت بهبود کارایی سیستمهای مدیریت فرآیند کسبوکار از ارکان رو به رشد سازمانها و صنایع بزرگ و کوچک است.
ساختار شبکه عصبی معمولاً، یک شبکه یا گراف چند لایه با ارتباطات ساده، بین لایهها است. در هر لایه، یک یا چندین واحد محاسباتی به نام گره یا نرون عصبی مصنوعی وجود دارد که در حقیقت، الگویی ساده از نرونهای عصبی مغز انسان هستند. نقش نرونها در شبکه عصبی، پردازش اطلاعات است و این امر، در شبکههای عصبی مصنوعی، به وسیلهی یک پردازشگر ریاضی که همان تابع فعالسازی است؛ انجام میشود. یکی از معمولترین توابع فعالسازی شبکه عصبی تابع سیگموئید میباشد. شبکه عصبی، توسط الگوی ارتباطی بین لایههای مختلف شبکه، تعداد نرونها، تعداد لایهها، الگوریتم یادگیری و تابع عملیاتی نرون، شناسایی و تعریف میشود ]۷،۵۳[.
ساختار الگوریتمهای شبکه عصبی دارای سه لایه اصلی میباشد ]۵۴[:
لایهی ورودی: اطلاعات اولیه که به عنوان دادههای خام به لایههای پنهان داده میشود.
لایه های پنهان: این لایه معرف توابع پیچیدهای است که وظیفهی پردازش روی دادههای ورودی به لایه اول را بر عهده دارند و میتوانند نتایج را پیشبینی کنند. پردازش توسط توابع ریاضی بر روی ورودیها انجام میگیرد.از این رو، لایه های پنهان جزء کلیدی از یک شبکه عصبی را شامل میشوند، چراکه وظیفهی انجام محاسبات اصلی را بر عهده دارند.
لایه خروجی: نتیجه نهایی به دست آمده از جمع آوری پیشبینیهای ساخته شده در لایههای پنهان در این لایه حاصل میشود.
۳-۳-۱- مدل ارائه شده به کمک شبکه عصبی مصنوعی:
مدلسازی به کار رفته در این طرح، مدل پرسپترون چندلایه[۵۳] است؛ چرا که از یک لایه ورودی، چند لایه پنهان و یک لایه خروجی تشکیل یافته است. در این ساختار، تمام نرونهای یک لایه به تمام نرونهای لایه بعد متصل هستند]۷[. نرونهای لایه ورودی بنابر میزان اهمیتی که در شبکه دارند، در عددی که وزن آن نرون محسوب میشود، ضرب شده و قدرت سیگنال آن نرون در ایجاد خروجیهای شبکه را نشان میدهد. شبکه عصبی، با یادگیری حل مسئله جواب نهایی و بهینه را پیدا میکند و در واقع، برنامهریزی قبلی نمیشود.
یادگیری شبکه در جریان اصلاح مکرر وزنها، انجام میشود و شبکه از این طریق آموزش میبیند. با تکرار فرآیند یادگیری، شبکه مقادیر صحیح وزنها را شناسایی کرده و خطا را کاهش میدهد. برای مجموعه مشخصی از ورودیها، از تفاضل بین مقدار واقعی و خروجی شبکه، مقدار خطا محاسبه میشود]۷،۵۵[. بنابراین، شبکه با استفاده از قواعد و دادهها آموزش داده میشود و با استفاده از قابلیت یادگیری، الگوریتمهای متنوعی پیشنهاد میگردد که همگی سعی در نزدیک کردن خروجی تولید شده توسط شبکه به خروجی ایدهآل و مورد انتظار دارند.
شاخصهایی که طی بررسی نرمافزارهای مختلف و نیازهای یک سازمان از مدیریت فرآیند کسبوکار انتخاب شدهاند؛ به عنوان اطلاعات ورودی به لایه ورودی در شبکه عصبی داده میشوند. این شاخصها که در ۱۶ گروه تدوین شدهاند در وزنهایی ضرب می شوند تا قدرت سیگنال را تعیین کنند. نهایتاً، یک عملگر ریاضی تصمیمگیری میکند که آیا نرون فعال شود یا خیر و اگر جواب مثبت باشد؛ میزان خروجی را مشخص میسازد. در این مدل، لایه خروجی شبکه ۱۰ نرون دارد که نشاندهندهی نرم افزارهای مورد بررسی در این پژوهش میباشد. ساختار شبکه عصبی مدل ارائه شده در جدول ۳-۱۷- نشان داده شده است:
جدول ۳-۱۷- ساختار شبکه عصبی مدل ارائه شده

این را هم حتما بخوانید :   ارائه ی مدلی جهت مقایسه سیستم های یکپارچه ی کامپیوتری مدیریت فرآیند کسب وکار در سازمان ...

برای دانلود متن کامل پایان نامه به سایت  fotka.ir  مراجعه نمایید.

ساختار شبکه عصبی مدل ارائه شده
پرسپترون چند لایه نوع شبکه
۳ تعداد لایههای شبکه
۱۶ تعداد نرونهای لایه ورودی
۱۰ تعداد نرونهای لایه خروجی
تابع سیگموئید تابع فعالسازی