۳-۴-۱ اندازه ­گیری وزن
برای اندازه ­گیری وزن میوه انار و سایر اجزای آن شامل پوست، آریل، هسته و آب میوه از یک ترازوی دیجیتال مدل AND-GF600 با دقت ۰۰۱/۰ گرم استفاده شد (شکل ۳-۲).

( 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. )

شکل ۳- ۲ ترازوی مورد استفاده برای اندازه ­گیری وزن
۳-۴-۲ محاسبه حجم و جرم حجمی واقعی
برای محاسبه حجم میوه، آریل، پوست و هسته از روش جابجایی مایع استفاده شد. بدین منظور از تلوئن C₇H₈ استفاده شد. علت استفاده از تلوئن را می­توان به کم بودن کشش سطحی آن و جذب ناچیز آن توسط نمونه دانست (Aydin, 2002). دلیل دیگر آن پر کردن کوچکترین خلل و فرج سطحی و توانایی انحلال کم آن است (Öǧ, ۱۹۹۸). برای این منظور استوانه­ مدرجی تا حجم معینی از تلوئن پر شد و سپس نمونه داخل آن قرار داده شد. تغییر حجم ایجاد شده قرائت گردید. برای میوه کامل انار استوانه مدرج طوری انتخاب شد که قطر آن بزرگتر از قطر میوه بوده بطوریکه میوه با دیواره داخلی استوانه تماس نداشته باشد. برای اندازه ­گیری حجم آب نیز از یک استوانه مدرج با دقت ۱ سی­سی استفاده شد (Mohsenin, 1996). شکل ۳-۳ ابزار مورد استفاده برای اندازه گیری حجم را نشان می­دهد.
۳-۵ آب­گیری میوه انار
برای آب­گیری میوه انار ابتدا در آزمایشگاه دانه­ های انار با دقت از پوسته آن جدا شده و با بهره گرفتن از یک آب­ انار گیر دستی ساخت کشور چین (شکل ۳-۴) آب آنها گرفته شد. سپس حجم آب گرفته شده بلافاصله توسط یک استوانه مدرج قرائت گردید. هسته­های باقی­مانده در آب­گیر نیز با دقت تمیز شده و حجم آنها نیز اندازه گرفته شد.
شکل ۳- ۳ ابزار مورد استفاده برای اندازه ­گیری حجم
شکل ۳-۴ آب انار­ گیر دستی
۳-۶ آزمون غیر مخرب اشعه ایکس
در طی سال­های اخیر در دنیا توجه بسیاری از پژوهشگران به تعیین کیفیت محصولات کشاورزی با روش­های غیر مخرب معطوف شده است، بطوریکه محور اصلی تحقیقات پس از برداشت میوه‌ها و محصولات زراعی شده‌اند و حجم تحقیقات در این زمینه به صورت فزاینده­ای رو به افزایش است. آزمون­­های مخرب به دلیل زمان­بر و گران بودن بتدریج جای خود را به روش­های غیرمخربی همچون روش­های صوتی، نوری، تصویر برداری MRI و دیگر روش­های غیر مخرب داده اند. در این تحقیق به منظور بررسی امکان تخمین خصوصیات بیوفیزیکی میوه انار با بهره گرفتن از دستگاه سی­تی اسکن اشعه ایکس عکس­برداری از میوه­ ها انجام گرفت.
۳-۶-۱ اصول کار دستگاه سی­تی اسکن
پس از اینکه شرایط دستگاه تنظیم شد یک دسته پرتو ایکس به صورت یک باریکه در آمده و از جسم رد می‌شود (پالس می‌شود). مقداری از انرژی اشعه هنگام عبور از جسم جذب و باقیمانده اشعه با عنوان پرتو خروجی که از جسم عبور می‌کند توسط آشکارسازی که مقابل دسته پرتو ایکس قرار دارد اندازه ­گیری شده و بعد از تبدیل به زبان کامپیوتری در حافظه کامپیوتر ذخیره می‌شود. بلافاصله پس از اینکه اولین پالس اشعه بطرف جسم فرستاده و اندازه‌گیری شد و لامپ اشعه ایکس یک حرکت چرخشی بسیار کم انجام داد دسته پرتو ایکس دوباره پالس شده، مجددا اندازه‌گیری و در حافظه کامپیوتر ذخیره می­گردد. این مرحله چند صد یا چند هزار بار بسته به نوع دستگاه تکرار می‌شود تا تمام اطلاعات مربوط به جسم مورد نظر در حافظه کامپیوتر ذخیره شود. کامپیوتر میزان اشعه‌ای را که هر حجم معینی از بافت جذب می‌کند اندازه ­گیری می‌کند. این حجم بافتی را واکسل (Voxel) می‌نامند که مشابه چند میلیمتر مکعب از جسم می‌باشد. در سی­تی ‌اسکن یک لایه مقطعی از جسم به این واکسل­های ریز تقسیم می‌شود. با توجه به مقدار جذب اشعه‌ای که توسط هر کدام از این واکسلها صورت می‌گیرد یک شماره نسبت داده می‌شود. این شماره‌ها برای تصویری که تهیه شده است نماینده چگالی با معیار خاکستری (از سفید تا سیاه) می­باشد. نمایش هر کدام از واکسل­ها بر روی مانیتور را یک پیکسل (Pixl) می‌گویند. یعنی واکسل­ها حجم سه بعدی و پیکسل­ها دو بعدی می‌باشند و هر چه تعداد پیکسل­ها بر روی مونیتور بیشتر باشد تصویر واضح‌تر و قابل تفکیک‌تر است. اعدادی که با توجه به مقدار جذب اشعه به هر بافت اختصاص داده می‌شود را اعداد سی‌تی یا اعداد هانسفیلد می‌نامند. هر چه مقدار این اعداد کمتر باشد بر روی فیلم سی‌تی اسکن آن قسمت طبق معیار خاکستری، به سمت سیاهی تمایل دارد و برعکس هرچه عدد سی‌تی بالا باشد تصویر به سمت سفیدی (مثل استخوان) تمایل دارد.
۳-۶-۲ اجزای اصلی دستگاه سی­تی اسکن
اجزای اصلی دستگاه شامل تیوب اشعه ایکس، آشکارسازها و سیتم جمع آوری داده ­ها می­باشد. این اجزا در داخل محفظه­ای قرار دارد که به آن گانتری می­گویند. گانتری در یک مسیر دایره­ای می تواند ۳۶۰ درجه چرخش کند و در نتیجه منبع اشعه ایکس و آشکارسازها نیز همراه آن می چرخند همانطور که در شکل ۳-۵ مشاهده می­ شود منبع اشعه ایکس و آشکارسازها در روبروی هم قرار دارند و در یک مسیر ۳۶۰ درجه­ای می­چرخد. آشکارسازها در هر لحظه مقدار اشعه عبوری را ثبت می­ کنند و در نتیجه می­توان از تمامی نمای جسم عکس برداری کرد.
شکل ۳- ۵ وضعیت قرارگیری تیوب اشعه ایکس و آشکارسازها
۳-۶-۲-۱ منبع تولید اشعه ایکس
در دستگاه­های امروزی منبع تولید اشعه ایکس همان تیوب اشعه ایکس است. مبنای عملکرد تیوب بر اساس شتاب گرفتن الکترون­ها در خلا و برخورد آن به یک مانع و تبدیل الکترون­ها با اشعه ایکس می­باشد. در اثر برخورد الکترون­ها شتابدار به سطح آند، حدود یک درصد از این انرژی به اشعه ایکس و ۹۹ % آن به گرما تبدیل می­ شود. اشعه به طرف آند پراکنده شده و از طریق روزنه خروجی از تیوب خارج می­ شود.
۳-۶-۲-۲ آشکارسازها
اشعه ایکس پس از تولید به جسم تابیده می­ شود. تعدادی از فوتون­ها در اثر برخورد با ماده درون جسم دچار پدیده ­های فیزیکی همچون پدیده جذب فتوالکتریک و پراکندگی رایلی می­شوند. فوتون­هایی که دچار هیچ پدیده­ای نشده­اند وارد آشکارسازها می­شوند. آشکارسازها مقدار جذب اشعه ایکس توسط جسم را تعیین می­ کنند و آن را تبدیل به سیگنال­های الکتریکی کرده به سیستم جمع آوری اطلاعات ارسال می­ کند.
۳-۶-۲-۳ دریافت داده ­ها
مفهوم دریافت داده ­ها به جمع آوری اطلاعات برای تولید تصویر اشاره دارد. در طول اسکن تیوب اشعه ایکس و آشکارسازها به دور جسم دوران می­ کنند تا از زوایای مختلف اطلاعات جمع­آوری کنند. در واقع آنچه اندازه ­گیری می­ شود نسبت اشعه عبور کرده به اشعه اولیه است و این همان ضریب تضعیف اشعه خواهد بود. این مقدار اندازه ­گیری شده به کامپیوتر ارسال می­ شود و به عنوان داده خام ذخیره می­گردد.
۳-۶-۳ پردازش داده ­ها و اعداد سی­تی اسکن
اولین عملیات پردازش تصویر شامل تبدیل داده ­ها به اعداد ساده­تر و قابل فهم برای کامپیوتر است. پس از انجام اسکن و جمع آوری داده ­ها ضریب تضعیف خطی در هر واکسل بدست می ­آید. ضرایب تضعیف بدست آمده یک سری اعداد نزدیک بهم بوده که در کسری از اعشار با هم تفاوت دارند. از آنجایی­که این اعداد قابل استفاده نمی­باشند باید این اعداد به اعداد ساده­ای تبدیل شوند تا بتوان تصویر در مقیاس خاکستری بوجود آورد. برای تبدیل این اعداد اعشاری به اعداد ساده از مقیاس استاندارد شده­ای استفاده می­ کنند که به آن عدد سی­تی^[۷۴] می­گویند. برای بدست آوردن عدد سی­تی کامپیوتر ضریب تضعیف خطی هر پیکسل را در مقایسه با ضریب تضعیف خطی آب از طریق فرمول زیر محاسبه می­ کند.
ضریب K را اصطلاحا فاکتور کنتراست می­گویند. در دستگاه­های امروزی این مقدار ۱۰۰۰ در نظر گرفته شده است. واحد عدد سی­تیHU (Hounsfeild Unite) می­باشد. در عدد سی­تی ضریب تضعیف خطی آب به عنوان مرجع پذیرفته شده و عدد سی­تی آب برابر صفر خواهد بود. عدد سی تی هوا و استخوان به ترتیب برابر ۱۰۰۰- و ۱۰۰۰+ است. کامپیوتر اعداد بدست آمده از آشکار سازها را گرفته و از فرمول فوق آنها را تبدیل به عدد سی­تی می­ کند. سپس بر اساس همین اعداد تصویری در مقیاس خاکستری تشکیل می­ شود به نحوی که اعداد با سی­تی بالاتر به رنگ سفید و اعداد با سی­تی کمتر به رنگ سیاه نزدیکتر می­ شود.
۳-۷ پردازش تصاویر
به منظور تهیه تصاویر سی­تی­اسکن از نمونه­های انار در حالی که به پهلو و پشت سر هم قرار داشتند تصویربرداری در مرکز تصویربرداری تابا واقع در شهر شیراز با بهره گرفتن از دستگاه سی­تی اسکن مدل VCT انجام شد. عکس برداری بوسیله سیستم سی­تی ­اسکن بدین صورت می­باشد که از یک جسم در یک صفحه مشخص (مثلا صفحه x-y) به صورت مقاطع پشت سر هم با ضخامت های مشخص عکس برداری می­ کند. در این تحقیق ضخامت مقطع­ها ۶۲۵/۰ میلی­متر برای میوه انار در نظر گرفته شد. برای عکس­برداری از هر رقم میوه انار و هر اندازه ۱۸ عدد میوه انتخاب شد. عکس­های گرفته شده از میوه­های انار با فرمت bmp ذخیره و به نرم افزارMatlab نسخه ۱/۸ منتقل شدند. در این نرم افزار با بهره گرفتن از جعبه ابزار پردازش تصویر عملیات پردازش تصویر بر روی تصاویر انجام گرفت و ویژگی­های مورد نظر از تصاویر استخراج گردید. شکل (۳-۶) یک مقطع عکس برداری شده از میوه انار را توسط دستگاه سی­تی ­اسکن نشان می­دهد.
شکل ۳- ۶ یک مقطع عکس برداری شده از میوه انار توسط دستگاه سی­تی ­اسکن
۳-۷-۱ قطعه­بندی^[۷۵] تصویر
فلوچارت مراحل مختلف آماده ­سازی و قطعه­بندی تصویر در شکل ۳-۷ آورده شده است. از آنجاییکه تصویر خروجی از دستگاه سی­تی ­اسکن به شکل تصویر خاکستری^[۷۶] می­باشد با آستانه گذاری، تصویر به صورت سیاه و سفید (صفر و یک) در آمد. قبل از آن عملیات ارتقای تصویر انجام گرفت. تصاویر قبل از آنالیز شدن پیش پرداز شدند تا نوفه از تصویر حذف شود.
برای حذف نقاطی از تصویر که به صورت اتفاقی بوجود آمده­اند (نوفه­های احتمالی اولیه) از فیلتر میانه^[۷۷] استفاده گردید. این بهینه­سازی و فیلتر باعث شد که انواع نوفه­های موجود در یک تصویر تا حد قابل قبولی حذف شوند و تصویری شفاف­تر در اختیار قرار گیرد. روش حذف نوفه در این فیلتر به این صورت بود که با حرکت یک عنصر بر روی تصویر و مقایسه همسایگی­های یک پیکسل مقدار میانه را جایگزین پیکسل مورد نظر می­نمود. با اینکه مقادیری از نوفه با بهره گرفتن از فیلتر میانه حذف شدند اما هنوز هم مقادیری از نوفه در تصویر وجود داشت که در مراحل بعدی آنها نیز حذف گردیدند.
سپس تصویر به حالت سیاه و سفید^[۷۸] تبدیل گردید. مقدار حد آستانه را می­توان از روی نمودار هیستوگرام رنگ خاکستری^[۷۹] تعیین کرد. بنابراین ابتدا نمودار هیستوگرام رنگ خاکستری تصویر رسم شد (شکل ۳-۸) و سپس با بهره گرفتن از مقادیر حد آستانه مناسب، تصاویر مقطعی از میوه انار از زمینه جدا شدند و به تصاویر سیاه و سفید تبدیل گردیدند.
آستانه کمیت عددی است که پیکسل­های با شدت روشنایی بالاتر از آن را به یک و کمتر از آن را به صفر تبدیل می­ کند. این روش برای تصاویر با تباین بالا در شرایطی که روشنایی کنترل شده باشد بسیار موثر است (Guyer et al., 1993).
زمینه تصویر (سیاه)
تصویر باینری
مقطع انار (سفید)
(K_th) محاسبه مقدار حد آستانه
دریافت تصویر خاکستری
استفاده از فیلتر میانه جهت حذف نویز
رسم نمودار هیستوگرام از تصویر ارتقاء یافته
K>K_th
No
Yes
استفاده از عنصر سازه جهت حذف نویزهای احتمالی
پر کردن داخل محدوده سفید (مقطع انار)

تصاویر مربوط به مدل B-1B-Lancer (کلاس۱۰)

شکل ۵-۱ تصاویر کلاس‌های پایگاه داده
برای ارزیابی بهتر دقت روش بازیابی، انتخاب مدل هواپیماهای جنگنده در پایگاه‌داده عمداً بصورتی بوده که مدل‌هایی با شباهت ظاهری زیاد نیز در بین انواع تصاویر موجود در پایگاه‌داده لحاظ شده باشند. همانطورکه در شکل ۵-۱ می‌بینیم، کلاس‌های شماره ۲ و۳ و ۴ و ۵ و نیز کلاس های ۶ و ۱۰ مشابهت زیادی با هم دارند. دو کلاس ۶ و ۱۰ مشابه‌ترین کلاس ما هستند و این شباهت به‌حدی زیاد است که با چشم تشخیص تصاویر آن‌ها مشکل 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. )

در شکل ۵-۲ دو مدل هم‌جهت از دو کلاس ۶ و ۱۰ برای مقایسه‌ی شباهت زیاد و سخت بودن تشخیص آن‌ها از یکدیگر نشان داده شده است. در این شکل، هواپیمای سمت راست نمونه‌ای از کلاس ۱۰ و هواپیمای جنگنده سمت چپ نمونه‌ای از کلاس ۶ می‌باشد. برای توجه بیشتر به تفاوت‌ها، برخی از قسمت‌هایی که با یکدیگر در دو تصویر متفاوت هستند در شکل با رنگ قرمز مشخص شده است.
شکل ۵-۲ مقایسه مشابهت بین تصویر کلاس ۶ و کلاس ۱۰

نتایج شبیه سازی

شبیه‌سازی روش پیشنهادی در این پایان نامه، با بهره گرفتن از نرم افزار matlab 2012 انجام و تمامی نتایج با بهره گرفتن از یک رایانه مجهز به پردازشگر مرکزی intel (celeron) ، corei5 با سرعت ۱/۷گیگا هرتز و سیستم عامل ۶۴ بیتی و میزان حافظه داخلی برابر ۳ مگا بایت حاصل شده است.

نتایج آزمایش

نمودارهای شکل ۵-۳ نتایج حاصل از افزایش تعداد دوربین‌های مجازی در هر بار آزمایش را نشان می‌دهد. در این شکل محور افقی تغییر تعداد دوربین‌ها و محور عمودی دقت متوسط در هر بار آزمایش را نشان می‌دهد. همان گونه که از این جدول استنباط می‌شود با افزایش تعداد دوربین‌های مجازی، دقت متوسط برای هر سه روش استخراج ویژگی افزایش پیدا می‌کند. بالاترین دقت متوسط بین دو روش حساس به دوران مربوط به روش هیستوگرام زاویه گرادیان با دقت ۷۰% و بین کل روش‌های حساس به دوران و مقاوم به دوران، مربوط به روش گشتاورهای زرنیک با دقت ۸/۸۰% که روشی مقاوم به دوران است می‌باشد.
شکل ۵-۳ مقایسه میانگین دقت سه روش استخراج ویژگی در هر بار تغییر تعداد دوربین‌ها
نمودار شکل ۵-۴ زمان کلاسه‌بندی تصاویر پایگاه‌داده را در هر بار تغییر تعداد دوربین‌ها نشان می‌دهد. در این شکل محور افقی تغییر تعداد دوربین‌ها در هر بار آزمایش و محور عمودی زمان مربوط به کلاسه‌بندی تصاویر پایگاه‌داده را (بر حسب ثانیه) نشان می‌دهد. زمان‌ها از ۵ بار متوسط‌گیری بدست آمده‌اند. ملاحظه می‌شود که روش هیستوگرام زاویه گرادیان کمترین زمان را به خود اختصاص داده است که یکی از دلایل آن کوچک شدن اندازه نماها نسبت به دو روش دیگر می‌باشد. سپس روش مساحت ناحیه ناهمپوشان کمترین زمان را به خود اختصاص داده است. بیشترین زمان کلاسه‌بندی مربوط به روش گشتاورهای زرنیک می‌باشد که به علت پیچیدگی محاسباتی و حجم محاسبات بالاتر این روش نسبت به دو روش دیگر می‌باشد.
شکل ۵-۴ زمان کلاسه‌بندی تصاویر پایگاه‌داده برای هر سه روش در هر بار تغییر تعداد دوربین‌ها
نمودار‌های شکل ۵-۵ زمان بازیابی تصویر پرس‌و‌جو را (بر حسب ثانیه) در هر بار تغییر تعداد دوربین‌ها نشان می‌دهد. در این شکل محور افقی تعداد دوربین‌ها در هر بار آزمایش و محور عمودی، زمان بازیابی را بر حسب ثانیه نشان می‌دهد. زمان ها از ۵ بار متوسط‌گیری هر آزمایش بدست آمده اند. همان‌طورکه از نمودارهای شکل ملاحظه می‌شود هر بار آزمایش زمان بازیابی روش هیستوگرام زاویه گرادیان از بقیه روش‌ها کمتر می‌باشد که این زمان بازیابی نزدیک به زمان بازیابی مساحت ناحیه ناهمپوشان می‌باشد. روش گشتاورهای زرنیک که بیشترین دقت متوسط بازیابی را به خود اختصاص داده است، تقریبا دو برابر زمان دو روش دیگر می‌باشد.
شکل ۵-۵ زمان بازیابی تصویر پرس و جو در هر بار تغییر تعداد دوربین ها
نمودارهای شکل‌های ۵-۶ و ۵-۷ و ۵-۸ و ۵-۹ به ترتیب مقایسۀ دقت متوسط کلاسه‌بندی تصاویر پایگاه‌داده را با سه روش استخراج ویژگی، با تغییر تعداد دوربین‌ها در هر بار آزمایش نشان می‌دهد. در این نمودارها محور افقی بیانگر کلاس تصاویر پایگاه‌داده و محور عمودی بیانگر دقت متوسط هر کلاس می‌باشد. نتایج حاصل از بررسی این شکل‌ها در جدول ۵-۱ بررسی شده است.
شکل ۵-۶ دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد ۵۰ دوربین
شکل ۵-۷ دقت متوسط کلاسه‌بندی تصاویر پایگاه داده در هر سه روش برای تعداد ۹۸ دوربین
شکل ۵-۸ دقت متوسط کلاسه‌بندی تصاویر پایگاه داده برای تعداد ۲۰۰ دوربین
شکل ۵-۹ دقت متوسط کلاسه بندی تصاویر پایگاه داده برای تعداد ۳۳۸ دوربین
جدول ۵-۱ نتیجه‌ی بررسی شکل های ۵-۶ و ۵-۷ و ۵-۸ و ۵-۹ می باشد که در هر آزمایش با تعداد دوربین‌های متفاوت کمترین و بیشترین دقت تشخیص صحیح را نمایش می‌دهد. در این جدول همه‌ی آزمایش‌ها و نتایج با یکدیگر قابل مقایسه با هم می‌باشد.
همان طور که در این جدول مشخص است برای روش مساحت ناحیه ناهمپوشان، کمترین دقت مربوط به کلاس ۲ برای ۵۰ دوربین با دقت ۸% و بیشترین دقت مربوط به کلاس ۸ برای ۳۳۸ دوربین با دقت ۱۰۰% می‌باشد.
برای روش هیستوگرام زاویه گرادیان، کمترین دقت مربوط به کلاس ۲ برای ۵۰ دوربین با دقت ۲۳% و بیشترین دقت مربوط به کلاس ۸ برای ۲۰۰ و ۳۳۸ دوربین با دقت ۹۲% می‌باشد. برای روش گشتاورهای زرنیک، کمترین دقت مربوط به کلاس ۲ برای ۵۰ دوربین با دقت ۳۱% و بیشترین دقت مربوط به کلاس ۹ برای۲۰۰ و ۳۳۸ دوربین با دقت ۱۰۰% می باشد.
ملاحظه می‌شود که کلاس ۱۰ برای تعداد ۳۳۸ دوربین‌ در هر سه روش کمترین دقت را به خود اختصاص داده است. و برای تعداد کمتر از ۳۳۸ دوربین‌ کلاس ۲ و ۵ کمترین دقت را دارند.
در روش‌ مساحت ناحیه ناهمپوشان در نهایت کلاس ۸ بیشترین و در روش هیستوگرام زاویه گرادیان در اکثر تغییر تعداد دوربین‌ها کلاس ۸ و در روش گشتاورهای زرنیک در اکثر تغییر تعداد دوربین‌ها کلاس ۹ بیشترین دقت را دارا می‌باشند. و این نشان می‌دهد که کلاس ۱۰ بیشتر به علت مشابهت با کلاس ۶ دقت را کاهش می‌دهد و کلاس‌های ۸ و ۹ که متفاوت‌ترین کلاس‌ها با بقیه‌ی کلاس ها می‌باشند بیشترین دقت را دارا هستند.
جدول ۵-۱ نتایج حاصل از مقایسه‌ی شکل‌های ۵-۶ تا ۵-۹ برای کمترین و بیشترین دقت همه‌ی آزمایش‌ها

تعداد دوربین‌ها

مساحت ناحیه ناهمپوشان

هیستوگرام زاویه گرادیان

گشتاورهای زرنیک

کمترین دقت

بیشترین دقت

کمترین دقت

بیشترین دقت

کمترین دقت

بیشترین دقت

۵۰ دوربین

کلاس ۲

۴-۸-۳- نتیجه ­گیری ۲۲۱
۴-۸-۴- برنامه جبران کارگزار ۲۲۲
۴-۹- استنباط بیزین ۲۲۳
۴-۱۰- مدل­سازی داده ­ها ۲۲۸
فصل پنجم: نتیجه ­گیری و پیشنهاد‌ها
۵-۱- مقدمه ۲۳۷
۵-۲- مروری بر خطوط کلی پژوهش ۲۳۸
۵-۳- سوالات اساسی تحقیق ۲۴۳
۵-۴- بحث و نتیجه ­گیری کلی ۲۴۳
۵-۵- پیشنهادها ۲۴۳
فهرست جداول
جدول ۱٫۳٫ مقادیر مختلفی که متغیرهای نهفته در مدل­های متغیر نهفته مختلف… ۱۵۹
جدول ۱٫۴٫ پارامترهای توزیع بتا برای ۲۰۳

( 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. )

جدول ۲٫۴٫ ماکزیمم کران پایین برای ۵ نقطه شروع تصادفی ۲۰۳
جدول۳٫۴٫ ماتریس باینری مشخصه نهفته ۲۰۴
جدول۴٫۴٫ ماتریس میانگین پسین وزن­ها… ۲۰۵
فهرست اشکال
شکل ۱٫۲٫ بازیگران اصلی در فرایند اوراق بهادارسازی وام­های رهنی ۵۷
شکل ۲٫۳٫ زمان­بندی فرایند تنظیم قرارداد تحت مخاطره اخلاقی ۱۱۲
شکل ۳٫۳٫ غالب تصادفی مرتبه اول ۱۳۸
شکل ۴٫۳٫ ماتریس مشخصه . ۱۵۹
شکل ۵٫۳٫ یک مدل گرافیکی که وابستگی میان متغیرها را نشان می­دهد ۱۶۲
شکل ۶٫۳٫ ماتریس­های باینری و فرم مرتب شده از چپ ۱۶۴
شکل ۷٫۳٫ بسیاری از رستوران­ها در لندن کافه­های عصرانه عرضه می­ کنند ۱۶۹
شکل ۸٫۳٫ یک ماتریس باینری که توسط فرایند IBP با تولید شده است ۱۷۲
شکل ۱٫۴٫ مدل گرافیکی برای مسئله میانگین جامعه. ۱۸۹
شکل ۲٫۴٫ خطای بین کران پایین و لگاریتم راستنمایی ۱۹۱
فصل اول
کلیات تحقیق
۱-۱- مقدمه
برای مدت­هاست که اقتصاددانان مالی درباره مشکل عدم تقارن اطلاعات در بازارهای مالی، از جمله مخاطره اخلاقی، اظهار نگرانی نموده ­اند. حوادث اخیر، مانند بحران نکول رهن درجه دوم^[۱]، مشخص
می­ کنند که متأسفانه بازارهای رهن مستعد این دسته مسائل هستند. در واقع بازارهای رهن از ساختاری برخوردار هستند که چالش­های جدیدی را برای تجزیه و تحلیل­ها پیرامون مشکل مخاطره اخلاقی، چه درزمینه تئوری و چه درزمینه تجربی، مطرح می­ کنند. به علاوه اینکه، بازارهای رهن به عنوان یکی از بزرگ­ترین بازارهای مالی دنیا فعالیت می­ کنند و برای کارایی اقتصاد حقیقی، عنصری حیاتی محسوب می­شوند. از این رو، فهم و مطالعه عمیق­تر پیرامون ظهور و دلالت­های مخاطره اخلاقی برای بازارهای رهن از اهمیت بالایی برخوردار می­باشد. در این رساله، مشکل مخاطره اخلاقی در فرایند اوراق بهادارسازی دارایی­ ها^[۲] (ABS)، باﻟﺄخص برای اوراق بهادار با پشتوانه رهن^[۳] (MBS) مطرح و مورد بررسی قرار گرفته است.
اوراق بهادارسازی دارایی­ ها، یکی از مهم­ترین نوآوری­ها در بازارهای مالی می­باشد. در یک اوراق بهادارسازی نمونه، تعداد زیادی از دارایی­ های مالی (عمدتاً غیر نقدینه) که قابلیت تولید جریان نقدی دارند، با یکدیگر تجمیع^[۴] و دسته­بندی^[۵] می­شوند. با پشتوانه مطالبات^[۶] به شکل جریان­های نقدی وصول شده از تجمیع دارایی­ ها، اوراق بهادار نقدینه­ای (قابل خرید و فروش) مستقیماً به سرمایه ­گذاران در بازار ثانویه^[۷]، فروخته می­شوند.
بجز سرمایه ­گذاران، اوراق بهادارسازی در ساده­ترین فرم، دو بازیگر اصلی دیگر نیز دارد. بانی^[۸] نخستین بار دارایی­ ها (مثل وام) را ایجاد می­ کند^[۹] که در جریان فرایند اوراق بهادارسازی در نهایت به اوراق بهادار تبدیل (منظور تبدیل کیفی) می­شوند. بازیگر دوم در فرایند اوراق بهادارسازی، نهاد واسط^[۱۰] (SPV) است که همان منتشرکننده^[۱۱] اوراق بهادار با پشتوانه تجمیع دارایی­
ها می­باشد و به دور از ورشکستگی^[۱۲] قرار دارد. در واقع بانی یک پورتفولیوی بزرگ از دارایی­ ها را تجمیع کرده و به یک منتشرکننده (SPV) واگذار می­ کند.
مهم است توجه به این نکته که در فرایند اوراق بهادارسازی، واگذاری دارایی­ های تجمیع شده به منتشرکننده به صورت فروش قانونی^[۱۳] است. بر اساس استانداردهای حسابداری، فروش قانونی با انتقال مالکیت دارایی­ ها از بانی به خریدار (منتشر­کننده)، همراه است. در اینصورت بانی می ­تواند این
دارایی­ های غیرنقدینه را از ترازنامه خود جدا و حذف کند و نقدینگی ترازنامه خود را افزایش دهد. در نتیجه منتشرکننده و بانی به طور قانونی از یکدیگر جدا می­شوند. بنابراین اگر بانی ورشکسته شود، این دارایی­ ها که اکنون در مالکیت منتشرکننده قرار دارند، بین طلبکاران^[۱۴] بانی توزیع نمی­شوند. همه این موارد ویژگی برون­ترازنامه­ای بودن^[۱۵] فرایند اوراق بهادارسازی را نشان می­ دهند.
یکی از انواع دارایی­ های پایه^[۱۶] (وثیقه) برای این اوراق، وام­های رهنی^[۱۷] است که موضوع مورد نظر در این رساله می­باشد. به اوراق بهادار منتشر شده با پشتوانه وصول­ها از وام­های رهنی، اوراق بهادار با پشتوانه وام­های رهنی (MBS) می­گویند. این وام­های رهنی توسط بانی (موسسه وام دهنده)، در بازار رهن اولیه پذیره­نویسی شده^[۱۸] و به متقاضیان، جهت خرید املاک و مستغلات، اعطا می­گردند و با پشتوانه وصول­های نقدی از قرض گیرندگان (اقساط رهن)، اوراق بهادار MBS توسط SPV در بازارهای رهن ثانویه به سرمایه ­گذاران فروخته می­شوند.
جریان­های نقدی حاصل از تجمیع دارایی­ های پایه این اوراق بهادار - منهای حق­الزحمه خدمات انجام شده برای بسته­بندی^[۱۹] آن­ها - بر طبق ضوابط خاص مربوط به آن اوراق بهادار، از طریق منتشرکننده به سرمایه ­گذاران، پرداخت می­ شود. در فرایند اوراق بهادارسازی، تمامی این مراحل همزمان اتفاق می­افتند.

۱-۲- بیان ﻣﺴﺄله
اوراق بهادارسازی، به کامل کردن بازارهای اوراق بهادار^[۲۰]، بهبود بخشیدن به نقدینگی بازار^[۲۱]، شفافیت^[۲۲] بخشیدن به بازار و تخصصی کردن فعالیت­ها^[۲۳]، به طور متأثری کمک می­ کند. با این حال، اوراق بهادارسازی هزینه­ های سازمانی^[۲۴] مهمی را ایجاد می­ کند که به تفکیک مالکیت و کنترل دارایی­ ها، مربوط می­ شود و در این رساله بر این مهم تمرکز شده است.
در گذشته، یک بانی (بانک) می­بایست تمامی وام­هایی را که ایجاد می­کرد در مالکیت خود نگه داشته و مدیریت و پذیره­نویسی نماید. در مقابل، اوراق بهادارسازی برای بانی یک منبع کلیدی تأمین مالی بلندمدت فراهم می­ کند که به موجب آن مدیریت ترازنامه بهبود بخشیده می­ شود. در فرایند اوراق بهادارسازی با تفکیک دارایی­ ها (وام­های رهنی) از ترازنامه و استفاده از آن­ها به عنوان پشتوانه اوراق بهادار منتشر شده برای سرمایه ­گذاران، کیفیت این اوراق بهادار از وضعیت ریسک اعتباری بانی مستقل می­ شود. همچنین بانی با پیش­آمدهای اعتباری وام­هایی که ایجاد و پذیره­نویسی کرده، نیز دیگر زندگی نمی­کند. بنابراین عملکرد اوراق بهادار ایجاد شده مستقیماً به عملکرد قرض­گیرندگان وام­ها در تولید جریان­های نقدی مرتبط می­ شود؛ اما نکته اینجاست که عملکرد دارایی پایه و بنابراین عملکرد اوراق بهادار تولید و منتشر شده با پشتوانه آن­ها را میزان تلاش صورت گرفته توسط بانی هنگام اعطای وام­ها تعیین می­ کند. روشن است که تلاش برای اعمال استانداردهای پذیره­نویسی^[۲۵] در فرایند اعطای وام، هزینه­بر است. چنانچه بانی استانداردهای پذیره­نویسی را اعمال نماید و اطلاعات هر چه بیشتر و
دقیق­تری درباره هر متقاضی رهن ریسکی^[۲۶] جمع­آوری نماید، تنها قرض گیرندگان با کیفیت اعتباری بالا را در بازار رهن اولیه تأمین مالی خواهد نمود؛ اما اگر استانداردهای پذیره­نویسی را کاهش دهد و
هیچ­گونه اطلاعاتی جمع­آوری ننماید و به هر متقاضی رهنی وام اعطا نماید، از یک طرف هزینه­ های مربوط به پذیره­نویسی را کاهش می­دهد که به نفع خویش است، اما از طرف دیگر به ریسک­های نکول بالاتری برای رهن­های پذیره­نویسی شده دست خواهد یافت که به ضرر طرف دیگر یعنی سرمایه­گذار خواهد بود. در واقع ریسک­ها اکنون به سرمایه ­گذاران (دارندگان نهایی^[۲۷] وام­های تجمیع شده) بر
می­گردند نه به وام­دهندگا
ن (مالک اولیه وام­ها).
از طرف دیگر، بدتر آنکه برای سرمایه­گذار در بازار ثانویه، مشاهده کامل تلاش اعمال شده توسط بانی در اعمال استانداردهای پذیره­نویسی نسبت به متقاضیان وام­ها، در عمل غیرممکن یا حتی در صورت امکان می ­تواند بسیار پرهزینه باشد. در واقع بانی که نخستین بار وام­ها را ایجاد کرده، اطلاعات بیشتر و بهتری راجع به وام­های پذیره­نویسی شده، نسبت به سرمایه ­گذاران، دارد.

۱-۳- اهمیت و ضرورت انجام پژوهش
اعتقاد بر آن است که عامل اصلی بحران مالی سال­های ۲۰۱۰-۲۰۰۷، اوراق بهادارسازی دارایی­ ها بالأخص اوراق بهادارسازی وام­های رهنی MBS، می­باشد. در ادبیات اوراق بهادار MBS، وجود مشکل مخاطره اخلاقی به علت ویژگی­های خاص فرایند اوراق بهادارسازی مطرح و مورد بحث و بررسی قرار گرفته است. به عبارت دیگر، بحران مالی اخیر لزوم کاهش مشکل اطلاعاتی مخاطره اخلاقی در معاملات اوراق بهادارسازی را برای مشارکت کنندگان در این بازارها گوشزد می­نماید.
به طور کلی، منافع حاصل از اوراق بهادارسازی می ­تواند در صورت داشتن یک طراحی بهینه از آن، هزینه­هایش را به خوبی پوشش دهد. آنچه در فرایند اوراق بهادارسازی اهمیت دارد میزان توانایی دارایی­ ها (وثیقه این اوراق) در ایجاد جریان نقدی است اما وجود مشکلات اطلاعاتی بین بازیگران که در ذات این فرایند قرار دارد می ­تواند منافع مالکان نهایی تجمیع وام­ها یعنی سرمایه ­گذاران را بشدت متأثر سازد.

محققان ازسه تکنولوژی اصلی برای تشخیص فعالیتهای انسان استفاده می­ کنند: بینایی کامپیوتر، حسگرفعال دیدن وRFID. بینایی شامل مقیاس­پذیری وشناسایی خوب که حتی در مقابل خطا هم به کار خود ادامه می­ دهند، است. حسگر فعال دیدن شناسایی دقیق اشیاء را میسر می­ کند اما نیاز به باتری­هایی دارد.RFID علامتهایی برای دقت تشخیص اشیاء همانند سیگنالهای فعال دارد و ازمزیتهای دیگر آن داشتن باتری مستقل است. اگرچه آنها شبیه حسگر راهنما نیستند پس می­توان گفت که آنها برای تخیص حرکت ناتوانند.

(( 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. ))

با وجودیکه RFIDتشخیص فعالیتهای انسان را انجام می­دهد، نویسنده دو روش مختلف دیگری را بیان کرده است که هر دو مبتنی بر RFID هستند. iBracelet که دورمچ دست قرار می­گیرد، یک رنجی از RFIDاست واشیایی که از طریق مجاورت با دست مورد استفاده قرار می­گیرد را تشخیص می دهد. پایه سنس و تشخیص بی­سیم ) WISP) عضو خانواده RFIDاست که به آن حسگرهایی که حرکت اشیاء را تشخیص می­ دهند افزوده شده است.
دو شیوه تغییر وگسترش RFIDوجود داردکه هیچیک از این دو روش برای جستجو وکشف اشیاءبه باتری نیازی ندارند. سیستم WISPبرای تشخیص حرکت از حسگر فعال توانا تر عمل می­ کند. باتری مستقلی که توسط کارخانه شکل گرفته شده است از عواملی مثل علائم RFIDاستفاده میکند. سیستم iBracelet فقط از یک باتری برای توانا شدن مچ دست خواننده، استفاده می­ کند واطلاعاتی را درباره کسی که از آن استفاده می کند می­دهد خصوصا اشیاء غیر قابل دسترس از طریق روشWISP. آن دستگاهی که دور مچ دست خواننده قرار گرفته اطلاعاتی را می­دهد که باعث کنترل بیشتری روی سیستم می­ شود، از آنجایی که آنها به راحتی می­توانند آن را از کار بیندازد (با در آوردن آن) پس آنها به وسیله خواننده ثابت می­شوند.
iGlove در سال ۲۰۰۳ساخته شد یعنی در زمانی که اولین تلاشها برای جستجوی اشیاء به وسیله RFIDبود.
۳-۱۱-تشخیص فعالیت در اندروید [۵۱]

• • حسگرهای اندروید

• • مکان­ یابی اندروید

• • تشخیص صدای اندروید

• • دیتا­بیس ساده SQLITE

۳-۱۲-تشخیص فعالیت کاربر در موبایل(دستاوردها، چالش­ها، توصیه­ها)
با چند میلیارد مشترک در سراسر جهان، تلفن همراه یک فرصت منحصر به فرد برای احساس تشخیص فعالیت­های انسانی از محل، نزدیکی و ارتباطاتداده ارائه می­دهد.
جریان پژوهش مورد بررسی [۵۶] این است که چگونه تلفن­های همراه می­تواندبرای شناسایی پیاده­روی، سفرهای فضایی و اندازه گیری زمان صرف شده در خانه یا محل کار، در سراسر روزمورد استفاده قرار گیرد.با وجود تلاش قابل توجهو ادبیات نسبتا غنی در مورد این موضوع، می­توانید فقط دید که تشخیص فعالیت تا به حال ساخته و پرداخته شده است باجریان اصلی بازار تلفن همراه، همراه نشده است.
از طریق بسیاری از حسگرها، گوشی­های تلفن همراه امروزی نه تنها می­توانند اقدام به ضبط بشکل نا محسوس داشته باشند بلکه ارتباطات و مکان حضور افراد در طول روز را در نظر بگیرند. با بهره­ گیری از تکنیک­های یادگیری ماشین بر روی این داده ­ها، تشخیص فعالیت با هدف تعیین خودکار آنچه یک کاربردر یک زمان معینانجام می­دهد انجام
می­پذیرد.
برای مثال، مسافرت از نوسانات در سیگنالهای سلولی می ­تواند تشخیص داده شود و زمان در محل کار بودن می تواند با تشخیص بلوتوث­های فعال تلفن­های همراه همکاران یا کامپیوترهای رومیزی تخمین زده شود. علاوه بر این، شبکه­بندی طبیعت و قابلیت ­های محاسباتی گوشی­های تلفن همراه آنها را خیلی بیشتر از فقط دستگاه های ارتباطی نشان داده و راهی برای برنامه ­های کاربردی جدید باز می­ کند. به طور خاص، تجزیه و تحلیل رفتار انسان از داده ­های تلفن همراه انتظار
می­رود اجازه اشکال جدید بازاریابی هدفمند را می­دهد، وبلاگ­نویسی تلفن همراه – پیشگام توسط توییتر، فیس بوک و گوگل طول و عرض - و تحقیقات جنایی را می­دهد. پژوهش در تشخیص فعالیت توسط برنامه ­های کاربردی دیگر به ملزومات دیگر زندگی کاربر از جمله تدارکات، بهداشت و درمان، صرفه­جویی در انرژی و سرگرمی سوق داده شده است. با وجود مزایای بسیاری از تلفن همراه به عنوان یک پلت­فرم سنجش، از تلفن همراه مبتنی بر تشخیص فعالیت با موانع خاص که تا­کنون عمدتا استقرار آن در مقیاس بزرگ می­باشد روبرو هستیم.
هدف اول از این بخش تجزیه و تحلیل دستاوردها و چالش­های موجود در این کار است. کار تحقیقاتی این مقاله تعیین سه حوزه که به باور ما، شایسته در نظر گرفتن آنها در اولویت می­باشد. نسل جدیدی از گوشی­های هوشمند - مشهور از طریق موفقیت تجاری، آی­فون اپل – پیشرفته است که سنجش، پردازش و اتصال قابلیت ­های است که بسیاری از
تلاش­ های تحقیقاتی الهام بخش در هر دو صنعت و دانشگاه را بکار گرفته است ارائه می­دهد .به منظور خدمت به این هدف دوم ما تدوین و فرموله کردن مجموعه ­ای از دستورالعمل­ها و توصیه به افزایش میزان اعتبار و بهره­وری از جامعه پژوهش مورد نظر است.
یک دهه تحقیق در تشخیص فعالیت­های مبتنی بر تلفن همراه منجر به تصویب موفقیت آمیز دستگاه آماری تکنیک­های یادگیری و تشخیص قابل اعتماد از برخی ازفعالیت­های انسانی مربوط به مکان­های خاص و یا حالت حمل و نقل
می­باشد. اولین روش­های تشخیص فعالیت اواخر s1970 و اوایل s1980 مبتنی بر استنتاج و از طریق استدلال منطقی برای اولین بار ساخته شدند. این حال، این چارچوب مبتنی بر منطق در عمل قابل استفاده نیست. آنها در واقع دارای دو محدودیت مهم بودند. اول، تمام توضیحاتی که آنها در نظر گرفته هم برابر بوده و به همین دلیل نمی­توانست تعیین کند که احتمال کدام یک زیاد بوده. ثانیا، عدم تحمل نویز و عدم اطمینان از داده ­های دنیای واقعی.
این محدودیت به ویژه در تلفن همراه مبتنی برتشخیص فعالیت از منابع بسیاری از نویز وجود دارد و عدم قطعیت در داده ­های تلفن همراه را به دنبال دارد. دستگاه می ­تواند خاموش شود، شارژ نباشد و یا فراموش شده باشد. مسائل با ارتباطی رادیو وجود دارد از قبیل پذیرش فقیر قابل استفاده در محیط داخلی و نوسان اتصالات.
تشخیص پیاده­روی، رانندگی، باقی ماندن در خانه یا محل کار از آنجا که از قابلیت سنجش محدود از اوایل استفاده از تلفن همراه، تلفن همراه مبتنی بر سیستم­های تشخیص فعالیت به طور سنتی بر یک مجموعه کوچک از فعالیت متمرکز شده است. در بسیاری از موارد، فعالیت­های انسانی با دو پروکسی تقریب زده شده است، یعنی مکان و حرکت، که متناظربا دو نوع متعامد از تشخیص فعالیت­ها می­باشد. محل تشخیص فعالیت باید متناظر با فعالیت­های مرتبط به
مکان­های خاصی باشد. تشخیص محل کار یا خانه کاربر از سیگنال­های تلفن همراه و بلوتوث مشکلات معمولی که در قسمت قبل مطرح شده است را به دنبال دارد. برای مثال، در مرجع۲ این مقاله سه ناحیه فعالیت - منزل، محل کار و جاهای دیگر - که بر سه خوشه محل و داده ­های بلوتوث مطابقت دارد اشاره دارد.
آنها اولینHMM در برای هر دو ساعت از روز و یک روز از هفته (روزهای هفته یا ​​تعطیلات آخر هفته) ساختند و گزارش دقت بیشتر از ۹۵٪ بعد از آموزش مدل در یک ماه را دادند. در تشخیص فعالیت­های حرکتی، فعالیت­های کاربر بشکل انتزاعی به عنوان یک حالت حرکت و یاحالت های جابجایی در نظر گرفته می­ شود.
محل­های حرکت خاص می ­تواند با بهره گرفتن از سیگنالهای سلولی حتی بدون هیچ آگاهی در مورد محل برج­های سلولی شناسایی شود. برای مثال، نوسانات سیگنال­های GSMکه به طور مداوم نشان داده می­ شود برای تعیین اینکه آیا حامل تلفن همراه در حال راه رفتن، رانندگی در یک ماشین یا ایستادن است، با دقت ۸۰٪ -۸۹ ٪ کافی است .شتاب سنج تعبیه شده در گوشی­های سالهای اخیر می ­تواند در خدمت همان هدف و بیشتر برای تشخیص حرکات ظریف مانند نشستن، ایستادن و یا در حال راه رفتن مورد استفاده قرار می­گیرد. البته برخی از مسائل مربوط به حریم خصوصی در ارتباط وجود دارد برای پیگیری رفتار مردم به طور مداوم از طریق گوشی­های تلفن همراه خودشان وجود دارد. یکی ازموانع توسعه تلفن همراه مبتنی بر تشخیص فعالیت هدف قرار دادن فعالیت­های ظریف می­باشد.
به طور کلی، تشخیص فعالیت­ها شامل اجتماع نخواندن اطلاعات حسگر و دیگر ورودی­ ها با برخی از برچسب­های گرفته شده از مجموعه ­ای از فعالیت­های تشخیص داده شده است.
بنابراین این کار شامل(الف) تعیین مجموعه ­ای از فعالیت های مورد نظر و ( ب) اختصاص خواندن حسگر و دیگر ورودی های به فعالیت مناسب. ما در بخش قبلی دیدیم که تکنیک­های آماری ماشین­های یادگیری در انجام مرحله دوم از این روند بسیار موفق شده ­اند. سیستم­های تشخیص فعالیت برای تلفن­های موبایل، دستیابی با دقت نسبتا بالا را می­طلبد، اما تنها برای پرداختن به یک مجموعه کوچک از فعالیت­های درشت دانه (و نه فعالیت­های ظریف).
در نتیجه، پیش ­بینی می­ شود بسیاری از برنامه ­های کاربردی در ابتدا نمی ­توانند به درستی اجرا شوند. برای مثال، یک دفتر یادآوری به صورت خودکار قادر به تشخیص قرارملاقات­هایی که کمتر در محیط دفتراتفاق می­افتند، نمی ­باشد. در بسیاری از موارد، مکان­های ناهموار به عنوان جایگزین برای فعالیت­ها عمل می­ کنند. مشکل برای کاربردهای بالقوه این است که این تقریب­ها می ­تواند کاملا نادرست باشند. به عنوان مثال، ماندن در خانه آنچه که کاربردر حال انجام دادن آن است را به ما نمی­گوید و در محل کار بودن معادل کار کردن نیست. تشخیص فعالیت­های مناسب دشوار است به۲ دلیل: اول، سخت افزار تلفن همراه به سرعت در حال تکامل می­باشد. به عنوان مثال، برخی از فرصت­های جدید باز خواهند شد اگر استاندارد تلفن های همراه به RFID مجهز شود. در مرحله دوم، پتانسیل برنامه ­های کاربردی برای تلفن همراه که مبتنی بر تشخیص فعالیت هستند بسیار متنوع می­باشد.
فصل چهارم
نتایج و تفسیر آنها
۴-فصل چهارم: نتایج و تفسیر آنها
۴-۱-مقدمه
در سال­های اخیر همگام با فن­آوری­های سطح بالای در حال توسعه، تلفن­های هوشمند به نسل جدیدی از تلفن­های همراه تبدیل شده ­اند.گوشی­های تلفن همراه شامل حسگر­های بسیاری از قبیل دوربین، میکروفن، حسگر نور، حسگر دما، حسگر شتاب سنج، GPS ، حسگر جهت­یابی، حسگر میدان مغناطیسی، حسگرهای فشارسنج، حسگرهای مجاورت (نوعی از حسگر­ها که قادر به تشخیص وجود اجسام نزدیک بدون هیچ­گونه تماس فیزیکی است و همچنین از آنجایی که صفحه نمایش لمسی که به لمس حساس هستند، این حسگر عمل خاموش کردن صفحه نمایش لمسی را در هنگام مکالمه انجام می­دهد چرا که در صورت روشن بودن صفحه نمایش در صورت لمس با هر کدام از اعضای بدن امکان یک عمل مکانیکی در گوشی فراهم می­ شود) می­باشند. در دسترس بودن این حسگرها فرصت­های هیجان انگیز جدیدی را برای برنامه ­های کاربردی مبتنی بر حسگر در بازار ایجاد کرده است .پروژه ما یک برنامه مبتنی بر حسگر برای اندروید است، که بشکل منبع باز است^[۳۱]. ما از حسگر شتاب سنج برای شناسایی و ردیابی فعالیت­های فیزیکی که یک کاربر مانند راه رفتن، دویدن، دوچرخه سواری، نشستن، ایستادن، رفت و آمد در یک وسیله نقلیه استفاده می­کنیم. این کار شناختن فعالیت یا آشکار سازی فعالیت نامیده می­ شود.شناختن فعالیت را می­توان با تجزیه و تحلیل داده ­های شتاب سنج و GPS به دست آورد.
۴-۲-جمع­آوری داده ­ها
ما سیستم ردیابی موقعیت را در پلت­فرم اندروید اجرا خواهیم کرد. اندروید یک سیستم­عامل تلفن همراه منبع باز است که در برهسته لینوکس بنا شده است. SDK پلاگینی در آن است که بر روی Eclipse نصب شده است. کیت توسعه
نرم­افزار آندرویدSDK) ) شامل مجموعه ­ای جامع از ابزار توسعه می­باشد که این خود شامل یک مفسر^[۳۲]، کتابخانه ­ها،
شبیه­ساز گوشی، اسناد و مدارک، نمونه کد و آموزش می­باشد.آندروید SDK دارای یک چارچوب جاوا و با پشتیبانی یک API قدرتمند برای سخت افزارهای جاسازی شده در تلفن­های هوشمند می_­باشد.شکل ۴-۱ این لایه ­ها توضیح
می­دهد:
۴-۳-تولید داده ها
در فاز اول این پروژه یک سیستم که با بهره گرفتن از حسگرهای مبتنی بر تلفن به شناختن (آشکارسازی) فعالیت می ­پردازد، طراحی شده است. این سیستم جمع­آوری داده_­ها، برای پیگیری فعالیت­های کاربر با بکارگیری حسگرهای موجود در تلفن­های هوشمند پیاده­سازی شده است. در این پروژه مقادیری را که از شتاب­سنج بدست آمده ارزیابی می­کنیم. سیستم اطلاعات لازم برای پیگیری فعالیت­های کاربر نظیر راه رفتن، نشستن، ایستادن، دویدن و دوچرخه­سواری را به عنوان فعالیتی ترکیبی جمع­آوری می­ کند.این سیستم در تلفن­های هوشمند اندروید اجرا و میزان دقتی بررسی می­گردد.

۷) نتایج (عملیاتی) (Evan & Lindsay, 2002, 115).
جایزه ملی مالکم بالدریج در مبحث منابع انسانی چگونگی توسعه و استعداد کارکنان، پیگیری اهداف سازمان، نحوه مدیریت منابع انسانی، مشارکت کارکنان، آموزش و پرورش کارکنان، ارزیابی عملکرد، معرفی برجستگان و اخلاق در رفتار افراد را مورد بحث قرار می­دهد (فقیهی، رجب­بیگی؛ به­نقل از ترزیووسکی و همکاران، ۲۰۰۰، ۲۵).
ارزش­هایی که در جایزه ملی کیفیت مالکم بالدریج در نظر گرفته شده ­اند:
۱) کیفیت بر اساس خواست مشتری؛
۲) رهبری؛
۳) بهبود مستمر؛
۴) تأثیر مشارکت کارکنان در پیشرفت؛
۵) پاسخ­گویی در اسرع وقت؛
۶) کیفیت در طراحی، عامل پیشگیری از اشتباهات؛
۷) نگاه به آینده دور سازمان؛
۸) مدیریت بر مبنای حقایق؛
۹) گسترش فرهنگ همکاری و مشارکت؛
۱۰) احساس مسئولیت مشترک (جعفری و دیگران، ۱۳۸۸).
معیارهای مدل مالکوم بالدریج بر مبنای مجموعه ­ای از ارزش­ها و مفاهیم مرکزی تدوین شده ­اند که عبارتند از؛
۱) رهبری بصیر^[۹۱]
۲) برتری مشتری مدار^[۹۲]
۳) یادگیری شخصی و سازمانی^[۹۳]
۴) ارزش دادن به کارکنان و شرکاء^[۹۴]
۵) چابکی^[۹۵]
۶) تمرکز بر آینده^[۹۶]
۷) مدیریت نوآوری^[۹۷]
۸) مدیریت بر مبنای حقیقت^[۹۸]
۹) مسئولیت­های عمومی و شهروندی^[۹۹]
۱۰) تمرکز بر نتایج و ایجاد ارزش^[۱۰۰]
۱۱) دیدگاه سیستمی^[۱۰۱] (جوادین و کیماسی،۱۳۹۰)
شکل (۷-۲) مدل شبکه ضوابط پاداش کیفیت ملی مالکوم بالدریج را نشان می­دهد.
­­
شکل ۷-۲: مدل شبکه ضوابط پاداش کیفیت ملی مالکوم بالدریج
مأخذ مدل:­ (Evans & Lindsay. 2002, 118)
۵- مجموعه استانداردهای (سیستم­های مدیریت کیفیت)ISO 9000
در دهه۱۹۹۰ ISO9000و QS9000 به­عنوان مدل جهانی و استاندارد جهانی برای سیستم کیفیت شناخته شدند. استانداردهای سری۹۰۰۰ شامل؛ ایزوهای ۹۰۰۰، ۹۰۰۱، ۹۰۰۲ ،۹۰۰۳ ،۹۰۰۴ 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. )

ISO 9000: مبانی و واژگانسیستم مدیریت کیفیت^[۱۰۲]
ISO 9001: الزامات سیستم مدیریت کیفیت^[۱۰۳]
ISO 9004: راهنمای اجرا و بهبود عملکرد سیستم مدیریت کیفیت^[۱۰۴]
دامنه کاربرد: دستیابی به رضایت مشتری می­باشد و این کار بواسطه برآورده کردن نیازمندی­های مشتری از طریق بکارگیری سیستم، بهبود مستمر و پیشگیری از عدم انطباق انجام می­دهد.
استانداردهای سری ۹۰۰۰ کاربردی عمومی دارند و با طراحی درست نیازهای هر سازمانی را به­ طور مناسب برآورده می­ کند. این استانداردها یک سازمان را ملزم می­ کنند، تا بگوید که برای تضمین کیفیت چه کارهایی انجام می­دهد، سپس آنچه را که می­گوید، باید سازمان انجام دهد و در نهایت سازمان آنچه را که انجام داده را باید مستند کند (جلوداری ممقانی، ۱۳۷۶).
۶- ارزش­های محوری در مدل­های کیفیت دمینگ، بالدریج و EFQM
بر مبنای یک مطالعه تطبیقی به مقایسه سه مدل دمنیگ، بالدریج و EFQM جدول (۴-۲) پرداخته و به نکات زیر اشاره کرده ­اند (رمضانیان و اسماعیل­پور، ۱۳۹۱، ۳۷؛ به­نقل از نیلی و همکاران ۱۳۸۲)؛
الف- مدل دمینگ، پایه اصلی مدل­های سرآمدی عملکرد و اولین و اصلی­ترین مطرح­کننده ایده در این مورد است.
ب- مدل­های بالدریج و EFQM به مرور در حال همگراشدن است و میزان شباهت­های اصولی این دو مدل، درخور توجه است.
ج- به چند دلیل می­توان گفت که مدل دمینگ با مدل­های بالدریج و EFQM تفاوت­های اساسی دارد. اول این که، نگاه مدل دمینگ بیشتر به فرآیندهای درون سازمان معطوف و توجه آن به نتایج محدود است. دیگر این­که در مدل دمینگ، نگاه سیستماتیک به سازمان ضعیف بوده و تا حدود زیادی غیرساختمند^[۱۰۵] است و در نهایت این که مدل­های بالدریج و EFQM واجد نگاهی جامع­تر و یکپارچه­تر به سازمان نسبت به مدل دمنیگ می­باشند.
این سه مدل از حیث کاربردی نیز دارای تفاوت­هایی هستند:
- کشورهایی که به­ طور کامل یکی از دو مدل بالدریج و EFQM را پذیرفته­اند، بیشترین تعداد را دارند.
- هیچ کشوری مدل دمینگ را به­ طور کامل نپذیرفته است.
- مدل EFQM از بیشترین اقبال برخوردار بوده است.
- معیارهای مدل دمینگ، تنها مورد توجه چهار کشور تایوان، سنگاپور، مالزی و ژاپن قرار گرفته است.
- سه کشور هند، برزیل و ویتنام مدل بالدریج را با تغییراتی، مدل خود قرار داده­اند (نیلی و همکاران، ۱۳۸۲).
لازم به ذکر است طراحی جایزه ملی کیفیت ایران^[۱۰۶] نیز با الگوگیری از مدل EFQM طرح­ریزی شده است، همانند آن دارای نُه معیار اصلی و دو معیار فرعی است.
خلاصه ارزش­های محوری در مدل­های دمنیگ، بالدریج و EFQM در جدول (۴-۲) نشان داده شده است.