طراحی مدل پیشبینی و ارزیابی ظرفیت نوآوری شرکت‌های دانش‌بنیان با رویکرد استنتاج فازی عصبی- تطبیقی(ANFIS)
نویسندگان
چکیده مقاله:
ارزیابی ظرفیت نوآوری شرکت‌های دانش بنیان و پیشبینی میزان ظرفیت نوآوری آن‌ها برای این شرکت‌ها بسیار حائز اهمیت است و تصمیم در خصوص انتقال یا بسط فناوری شرکت تابع میزان ظرفیت نوآوری است. هدف اصلی این تحقیق، طراحی مدل ارزیابی ظرفیت نوآوری شرکت‌های دانش بنیان با رویکرد استنتاج فازی عصبی- تطبیقی است. سیستم استنتاج فازی عصبی - تطبیقی ([1]ANFIS) روش مناسبی برای حل مسائل غیرخطی است. ANFIS ترکیبی از روش استنتاج فازی و شبکه عصبی است که از توانایی هر دو بهره می‌برد. جامعه تحقیق و نمونه آماری جهت تدوین، اجرا و تست مدل، تمامی شرکت‌های دانش بنیان پارک فناوری پردیس است که درنهایت تعداد 180 مورد ارزیابی، انجام‌شده توسط ارزیاب‌های متخصص جمع‌آوری و مبنای محاسبات مدل قرار گرفت. برای ارزیابی عملکرد مدل، از پارامترهای مجذور میانگین مربعات خطا (RMSE)، درصد خطای نسبی (ε)، میانگین خطای مطلق (MAE) و ضریب تبیین (R2) محاسبه گردید که به ترتیب مقادیر 0136/0، 3/1 درصد، 048/0 و 998/0 به دست آمد که نشانگر دقت و قابلیت اعتماد در پیشبینی خروجی مدل است. این پژوهش از نظر هدف، کاربردی و با توجه به روش گردآوری داده‌ها از نوع توصیفی- پیمایشی است. خروجی این پژوهش، ﻳﻚ ﺳﻴﺴﺘﻢ اﺳﺘﻨﺘﺎج ﻓﺎزی- عصبی ﻫﻮﺷﻤﻨﺪ (ANFIS) اﺳت
منابع مشابه
طراحی مدل سیستم استنتاج فازی عصبی - تطبیقی ( ANFIS) برای ارزیابی و پیشبینی سطح مدیریت دانش سازمان با محوریت نوآوری.
در سال‌های اخیر مدیریت دانش به یک موضوع مهم و حیاتی در تمامی سازمان‌ها تبدیل‌شده است. یکی از عوامل مؤثر در ایجاد و گسترش نوآوری، مدیریت دانش است. با نوآوری، برتری‌های بلندمدت سازمان در عرصه‌های رقابتی حفظ شود. ارزیابی و پیشبینی سطح مدیریت دانش برای مدیران بسیار بااهمیت است. در میان روش‌های نوین مدل‌سازی، سیستم‌های فازی از جایگاه ویژه‌ای در زمینه‌های مختلف علوم برخوردارند. این پژوهش از نظر هدف،...
متن کاملطراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)
تقاضای روزافزون استفاده از وسایل حمل و نقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. تأثیرات زیست محیطی، اجتماعی و اقتصادی که گره های ترافیکی بر جوامع بشری می گذارد محققین را برآن داشته است که به دنبال راه کارهایی برای مقابله با آن باشند. یکی از این راه کارها پیش بینی حجم ترافیک روزانه است. پیش بینی ترافیک به کنترل کننده ها کمک می کند ت...
متن کاملتخمین سطح تنش رطوبتی خاک با استفاده از مدل HYRDUS2D و سیستم استنتاج عصبی- فازی
در این پژوهش، بهمنظور تعیین طول دورهی تنش در طول فصل کشت، قابلیت مدلهای HYDRUS2D و ANFIS در شبیهسازی روند تغییرات زمانی رطوبت خاک و اجزای بیلان آب تحت آبیاری کامل و کمآبیاری معمولی در دو سطح 75 (DI75) و 55 درصد (DI55) در یک مزرعهی ذرت با یکدیگر مقایسه شدند. بدین منظور، طی دو فصل زراعی دادههای رطوبت خاک با استفاده از رطوبتسنج TRIME-FM برای واسنجی و صحتیابی مدل HYDRUS2D برداشت شد. همچنین...
متن کاملمدل سازی فرایند لجن فعال با روش ترکیبی سیستم استنتاج فازی عصبی تطبیقی
در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل‌سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیشبینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تأثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گ...
متن کاملمقایسه مدلهای شبکه عصبی مصنوعی و سیستم استنتاج فازی در پیشبینی میزان بارندگی استان کردستان
پدیده بارش تابع عوامل زیادی می باشد که پیش بینی آن به روش های معمول آماری از دقت کمی برخوردار است. پیش بینی بارش با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی در سال های اخیر، توجه زیادی معطوف شده است. استان کردستان با مساحتی حدود 28203 کیلومتر مربع بین 34 درجه و 45 دقیقه تا 36 درجه و 28 دقیقه عرض شمالی و 42 درجه و 31 دقیقه تا 48 درجه و 16 دقیقه طول شرقی به دلیل ریزش جوی زیاد یکی از پرآب ...
منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 13 شماره 47
صفحات 55- 84
تاریخ انتشار 2020-05-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023