۳ نتیجه برای شبکه عصبی مصنوعی
سیده ریحانه شمس، علی جهانی، مظاهر معین الدینی، نعمت الله خراسانی، صبا کلانتری،
دوره ۱۰، شماره ۴ - ( ۹-۱۳۹۹ )
چکیده
شهر تهران به عنوان یک کلان شهر، به علت دارا بودن جمعیت زیاد و آلودگی شدید ناشی از منابع و آلاینده های گوناگون، در معرض آسیب های ناشی از آلودگی هوا قرار دارد. پژوهش بر روی آسیب های ناشی از آلودگی هوا در شهر تهران با توجه به آلاینده های مهم و شاخص های موثر امری ضروری به نظر می رسد. مطالعه حاضر با هدف پیش بینی ازن هوای شهر تهران انجام شد. با توجه به مضررات گاز ازن بر سلامت انسان و محیط زیست و افزایش آن در دهه های گذشته، بررسی و پیش بینی میزان آن در هوا از اهمیت بالایی برخوردار است. پیش بینی تراکم گاز ازن در هوا می تواند برای پیشگیری و کنترل توسط مسؤلان استفاده شود. این پژوهش از نوع روش تحلیلی-کاربردی بوده و با استفاده از داده های روزانه ازن ایستگاه های سنجش کیفیت هوای شهر تهران، هواشناسی، فضای سبز، ترافیکی و متغیرهای زمانی مثل تاخیر زمانی یک روزه به پیش بینی گاز ازن در کلان شهر تهران پرداخته است. در این راستا از مدل شبکه عصبی مصنوعی جهت پیش بینی غلظت گاز ازن با استفاده از نرم افزار MATLAB و با روش کدنویسی استفاده شد. در پایان نتایج مدل شبکه عصبی مصنوعی با مدل رگرسیون خطی مقایسه گردید. ضریب همبستگی و خطای جذر میانگین مربعات مدل شبکه عصبی ۷۳۴/۰ : R۲ و۵۶۶/۰ RMSE: با معادلات رگرسیون ۶۰۸/۰ :R۲ و ۶۹/۱۱ RMSE: مقایسه شد. بر اساس نتایج حاصل می توان عنوان نمود که خطای مدل شبکه عصبی کمتر از روش رگرسیون است. بر اساس نتایج آنالیز حساسیت پارامترهای فصل از سال، طول ساعات آفتابی به ترتیب بیش ترین تاثیر را در میزان تراکم گاز ازن در هوای شهر تهران دارند
الهه الله یاری، عبدالله غلامی، مرتضی عرب زوزنی، حسین عامری، نگین ناصح،
دوره ۱۱، شماره ۳ - ( ۶-۱۴۰۰ )
چکیده
امروزه میان صاحبنظران این توافق وجود دارد که هوش هیجانی در موفقیت افراد در حیطه های مختلف زندگی نقش به سزایی دارد. در مقابله با درخواست ها و فشارها در محیط کار نیز افرادی که هوش هیجانی بالاتری دارند کمتر دچار استرس می شوند. این پژوهش با هدف بکارگیری هوش مصنوعی برای پیش بینی استرس شغلی افراد و مقایسه عملکرد این مدل با مدل رگرسیون چند متغیره طراحی گردیده است. بدین منظور ٨۹۲ نفر از بین افراد شاغل در گروه های شغلی مختلف به صورت تصادفی انتخاب شدند. سپس اطلاعات ۱۵ بعد هوش هیجانی پرسشنامه بار-آن، ۱۰ گروه شغلی و سن و تحصیلات به عنوان متغیرهای ورودی و ۷ بعد پرسشنامه استرس شغلی HSE به عنوان متغیر خروجی در نظر گرفته شد. نتایج نشان داد که شبکه عصبی مصنوعی با الگوریتم پرسپترون با یک لایه میانی و ۳۷۵ گره که از توابع تانژانت هاﻳﭘربولیک در لایه میانی و سیگموئید در لایه خروجی، توانست به طور قابل ملاحظه ای موفق تر از رگرسیون چند متغیره استرس شغلی افراد را در حیطه های مختلف برآورد نماید. به نحوی که، همبستگی بین نمرات برآورد شده از مدل رگرسیون با مقادیر واقعی تنها بین ۳۶۴/۰-۱۹۲/۰ بود اما این مقدار برای مدل شبکه عصبی در کلیه ابعاد استرس شغلی بیشتر از ۵۲۷/۰ بود.
مجتبی ذکایی، مرضیه صادقیان، محسن فلاحتی، اعظم بیابانی،
دوره ۱۳، شماره ۴ - ( ۱۰-۱۴۰۲ )
چکیده
مقدمه: به دلیل افزایش ارائه خدمات الکترونیک به شهروندان در ادارات دولتی، تعداد کاربران کامپیوتر و در نتیجه بروز اختلالات اسکلتی عضلانی افزایش یافته است. لذا هدف این مطالعه پیش‌بینی و مدلسازی روابط پیچیده بین عوامل خطر اختلالات اسکلتی عضلانی در کاربران کامپیوتر شاغل در ادارات دولتی توسط شبکه عصبی مصنوعی بود.
روش کار: مطالعه مقطعی حاضر در سال ۲۰۲۰ روی ۳۴۲ نفر از کارکنان ادارات مختلف دولتی شهر ساوه در ایران انجام گردید. ابتدا محقق به منظور شناسایی اولیه مشکلات از محیط کار بازدید نموده و عوامل محیطی را اندازه‌گیری کرد. با استفاده از پرسشنامه نوردیک و روش ROSA، ارزیابی ریسک ارگونومیک و بررسی عوامل روانی اجتماعی صورت پذیرفت. بمنظور تدوین مدل، تأثیر عوامل مختلف در ایجاد اختلالات اسکلتی عضلانی با استفاده از آزمون رگرسیون لجستیک بررسی شد، سپس داده‌های حاصل توسط یکی از الگوریتم‌های شبکه عصبی جمع‌آوری و مدلسازی گردید و در نهایت یک مدل بهینه برای پیش‌بینی خطر اختلالات اسکلتی عضلانی توسط شبکه‌های عصبی مصنوعی ارائه شد.
یافته ها: نتایج نشان داد با افزایش سطح تعاملات اجتماعی، سطح تقاضا، کنترل و رهبری در شغل، اختلالات اسکلتی عضلانی در مردان و زنان کاهش می‌یابد. بین شیوع اختلالات اسکلتی-عضلانی و میزان تقاضای شغل، سطوح کنترل شغل، سطوح تعاملات اجتماعی، سطوح رهبری، سطوح جو سازمانی، سطح رضایت شغلی و سطوح استرس رابطه معناداری وجود داشت. علاوه بر این، بین گزارش درد در ناحیه گردن، شانه و مچ/دست با نمره کلی ROSA رابطه معناداری وجود داشت. همچنین بین گزارش درد یا ناراحتی در ناحیه گردن با امتیاز خطر صفحه نمایش گوشی، مچ/دست با نمره خطر صفحه کلید-موس و همچنین شانه، قسمت بالای کمر، آرنج و پایین کمر با نمره ریسک صندلی رابطه معنادار وجود داشت. دقت مدل ارائه شده جهت پیش‌بینی اختلالات اسکلتی عضلانی نیز حدود ۵/۸۸ % بود که نشان‌دهنده قابل قبول بودن نتایج است.
نتیجه گیری: نتایج نشان داد چندین فاکتور در ایجاد اختلالات اسکلتی عضلانی نقش دارند که شامل عوامل فردی، محیطی، روانی اجتماعی و ایستگاه کاری می‌باشد. لذا در طراحی یک ایستگاه کاری ارگونومیک بایستی تاثیر توام عوامل ذکر شده مورد بررسی قرار گیرد. همچنین پیش‌بینی میزان تاثیرگذاری هر کدام از عوامل مذکور با استفاده از شبکه عصبی مصنوعی نشان داد که این نوع مدلسازی می‌تواند به عنوان ابزاری جهت پیشگیری از اختلالات اسکلتی عضلانی و یا دیگر اختلالات چندعاملی کاربردپذیر باشد.
