مقاله الگوریتم یکپارچه مجموعه های راف – شبکه عصبی مصنوعی – تجزیه و تحلیل پوششی اطلاعات برای ارزیابی راندمان پرسنل (2011 الزویر)

عنوان فارسی مقاله الگوریتم یکپارچه مجموعه های راف – شبکه عصبی مصنوعی – تجزیه و تحلیل پوششی اطلاعات برای ارزیابی راندمان پرسنل
عنوان انگلیسی مقاله An integrated Data Envelopment Analysis–Artificial Neural Network–Rough Set Algorithm for assessment of personnel efficiency
فهرست مطالب چکیده

0. اهمیت این بررسی

1. مقدمه

1.1. ANN و راندمان

1.2. نظریه مجموعه راف

1.3. تجزیه و تحلیل پوششی اطلاعات

1.4. شبکه های عصبی مصنوعی

2. الگوریتم یکپارچه

2.1. گام 1: محاسبه راندمان DMUها با DEA

2.1.1. مدل های اولیه DEA

2.2. مرحله 2: تعریف سیستم تصمیم گیری

2.3. مرحله 3: تعیین کاهش ها از طریق نظریه مجموعه راف

2.4. مرحله 4: انتخاب ANN ارجح برای هر کاهش با CVTT

2.4.1. مدلسازی شبکه عصبی

2.5. مرحله 5: انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA

2.6. مرحله 6: پیش بینی راندمان های DM توسط ویژگی های انتخاب شده از طریق ANN

3.1 محاسبه راندمان DMU با DEA

3.2. تعریف سیستم تصمیم گیری

3.2.1. دسته بندی های ویژگی های پرسنل

3.3. تعیین کاهش ها از طریق RST

3.4. محاسبه عملکرد ANN برای هر کاهش با CVTT

3.5. انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA

3.6. پیش بینی راندمان های DMU توسط ویژگی های انتخاب شده از طریق ANN

3. نتیجه گیری و کارهای آینده

بخشی از متن مقاله انگلیسی Abstract

Personnel specifications have greatest impact on total efficiency. They can help us to design work environment and enhance total efficiency. Determination of critical personnel attributes is a useful procedure to overcome complication associated with multiple inputs and outputs. The proposed algorithm assesses the impact of personnel efficiency attributes on total efficiency through Data Envelopment Analysis (DEA), Artificial Neural Network (ANN) and Rough Set Theory (RST). DEA has two roles in the proposed integrated algorithm of this study. It provides data ANN and finally it selects the best reduct through ANN result. Reduct is described as a minimum subset of attributes, completely discriminating all objects in a data set. The reduct selection is achieved by RST. ANN has two roles in the integrated algorithm. ANN results are basis for selecting the best reduct and it is also used for forecasting total efficiency. The proposed integrated approach is applied to an actual banking system and its superiorities and advantages are discussed.

ترجمه بخشی از متن مقاله چکیده

ویژگی های پرسنل دارای بیشترین اثر بر روی راندمان کل می باشند. آنها می توانند به ما در طراحی محیط کار و بهبود راندمان کل کمک کنند. تعیین ویژگی های مهم پرسنل یک روش مفید برای غلبه بر پیچیدگی مرتبط با ورودی ها وخروجی های متعدد می باشد. الگوریتم پیشنهادی اثرِ ویژگی های کارایی پرسنل بر روی کل راندمان را از طریق تجزیه و تحلیل پوششی اطلاعات (DEA)، شبکه عصبی مصنوعی (ANN) و نظریه ی مجموعه های راف (RST) ارزیابی می کند. DEA دارای دو نقش در الگوریتم یکپارچه ی پیشنهادی در این بررسی می باشد. DEA داده های ANN را ارائه کرده و درنهایت بهترین کاهش را از طریق نتیجه ی ANN انتخاب می کند. این کاهش به عنوان مینیمم زیرمجموعه ی ویژگی ها توصیف می شود، و به طور کامل تمامی اشیای موجود در یک مجموعه ی داده ها را متمایز می کند. انتخاب کاهش (تخفیف) توسط RST حاصل می شود. ANN دارای دو نقش در این الگوریتم یکپارچه می باشد. نتایج ANN بر مبنای انتخاب بهترین تخفیف بوده و همچنین برای یش بینی راندمان کل استفاده می شود. دیدگاه یکپارچه ی پیشنهادی بر روی سیستم بانکداری واقعی اعمال شده و برتری ها و مزایای آن موردبحث قرار گرفتند.

سال انتشار 2011
ناشر الزویر
مجله  سیستم های خبره با کاربردهای آن – Expert Systems with Applications
کلمات کلیدی  کارکنان، بهره وری، تجزیه و تحلیل پوشش داده (DEA)، شبکه عصبی مصنوعی (ANN)، نظریه مجموعه های راف (RST)، روش آزمون وارسی متقابل (CVTT)
 تعداد صفحات مقاله انگلیسی 10
تعداد صفحات ترجمه مقاله 26
مناسب برای رشته مهندسی فناوری اطلاعات و کامپیوتر
مناسب برای گرایش مدیریت سیستمهای اطلاعات، هوش مصنوعی و مهندسی الگوریتم ها و محاسبات
دانلود رایگان مقاله انگلیسی ○ دانلود رایگان مقاله انگلیسی با فرمت pdf
خرید ترجمه فارسی ○ خرید ترجمه آماده این مقاله با فرمت ورد
سایر مقالات این رشته ○ مشاهده سایر مقالات رشته مهندسی فناوری اطلاعات

دیدگاهتان را بنویسید