طراحی مدل پیش بینی و تعیین ظرفیت نوآوری منابع سازمان با استفاده از سیستم استنتاج فازی عصبی- تطبیقی (ANFIS)
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 98
This Paper With 30 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ORMR-12-1_007
تاریخ نمایه سازی: 8 آذر 1402
Abstract:
در دنیای رقابتی امروز که نوآوری شرط بقای هر سازمان است، آگاهی از میزان ظرفیت نوآوری منابع سازمان که با سیاست گذاری سازمان، انتقال فناوری، حیات و رقابت سازمان ارتباط دارد، حایز اهمیت است. طراحی مدلی برای تعیین و پیش بینی سطح نوآوری منابع سازمان هدف اصلی این پژوهش است. پس از بررسی منابع موجود و مصاحبه با صاحبنظران، با استفاده از تحلیل عاملی تاییدی تعداد ۱۲ شاخص اصلی در قالب ۳ بعد به عنوان ورودی به سیستم استنتاج فازی تعیین شد. در میان روش های نوین مدلسازی، سیستم های فازی از جایگاه ویژه ای در علوم مختلف برخوردارند. سیستم استنتاج فازی عصبی- تطبیقی (ANFIS) روش مناسبی برای حل مسائل غیرخطی است. این روش ترکیبی از استنتاج فازی و شبکه عصبی مصنوعی است که از توانایی هردو برای مدلسازی بهره می برد. با بهره مندی از سه نوع روش طراحی مدل در سیستم فازی و مقایسه نتایج، بهترین نتیجه برای ارائه مشخص شد. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (RMSE)، درصد خطای نسبی (ε)، میانگین خطای مطلق (MAE) و ضریب تبیین (R۲) استفاده شد که مقادیر ۰۴۷/۰،
۰۲/۱ درصد، ۰۴۶/۰ و ۹۸۹/ به دست آمد و نشانگر دقت و قابلیت اعتماد به مدل است. این پژوهش از نظر هدف، کاربردی و باتوجه به روش گردآوری داده ها از نوع پیمایشی است. خروجی این پژوهش، یک سیستم استنتاج فازی هوشمند (ANFIS) است.
Keywords:
Organization Resources , Innovation , Fuzzy Inference , Adaptive Neural Fuzzy Inference System (ANFIS). , منابع سازمان , نوآوری , منابع سازمان , سیستم استنتاج فازی عصبی- تطبیقی (ANFIS).
Authors
امیر حمزه عالی نژاد
PHD, Imam Ali Military University , School of Management, Tehran, Iran.
سجاد پناهی فر
PHD, Imam Ali Military University , School of Management, Tehran, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :