پیاده سازی مدل رگرسیون خطی فازی با استفاده از مقدار h بهینه برای شناسایی روابط عملکردی درQFD
Publish place: Modern Research in Decision Making، Vol: 3، Issue: 3
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 140
This Paper With 26 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_SAIM-3-3_001
Index date: 15 December 2023
پیاده سازی مدل رگرسیون خطی فازی با استفاده از مقدار h بهینه برای شناسایی روابط عملکردی درQFD abstract
امروزه مهم ترین جنبه طراحی محصول، طراحی بر اساس نیازها و خواسته های مشتریان است؛ ازاین رو، یکی از روش هایی که به منظور افزایش رضایت مشتری مورداستفاده قرار می گیرد، رویکرد گسترش عملکرد کیفیت (QFD) است. در برنامه ریزی QFD به دلیل ابهام و نادقیق بودن ویژگی ها در روابط، اغلب ضرایب فازی مورداستفاده قرار می گیرند؛ لذا در این تحقیق برای شناسایی روابط کارکردی غیردقیق و مبهم بین نیازمندی های مشتری و مشخصه های مهندسی، از رویکرد رگرسیون خطی فازی استفاده شد. در این رویکرد، در حالت داده های غیرفازی، مقادیر بهینه پارامترها به طوری تعیین می شود که مجموعه خروجی مدل رگرسیون دارای درجه عضویت بزرگ تر یا مساوی باشند که این مقدار، میزان فازی بودن خروجی مدل رگرسیون فازی را نشان می دهد. در این مطالعه، هدف استفاده از مدل رگرسیون خطی فازی، شناسایی روابط کارکردی در QFD با مقدار بهینه در شرکت صنعتی لاماالکترونیک است. نتایج این مطالعه حاکی از آن است که مقادیر گستره ضرایب در حالت بهینه، نسبت به زمانی که این مقدار صفر است، جواب های بهتری داده و قابلیت اطمینان سیستم را افزایش می دهد.
پیاده سازی مدل رگرسیون خطی فازی با استفاده از مقدار h بهینه برای شناسایی روابط عملکردی درQFD Keywords:
پیاده سازی مدل رگرسیون خطی فازی با استفاده از مقدار h بهینه برای شناسایی روابط عملکردی درQFD authors
منیره احمدی منش
دانشجوی دکترای مدیریت گرایش تحقیق در عملیات، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران
فاطمه خریدار
دانشجوی دکترای مدیریت گرایش تحقیق در عملیات، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران
زهرا ناجی عظیمی
دانشیار گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران
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 :