ارزیابی مجموعه داده با داده های منفی به کمک شبکه عصبی مصنوعی

ترجمه مقاله ارزیابی مجموعه داده با داده های منفی به کمک شبکه عصبی مصنوعی

ترجمه مقاله Evaluation efficiency of large-scale data set with negative data: an artificial neural network approach

در پست فوق ترجمه مقاله ارزیابی مجموعه داده با داده های منفی به کمک شبکه عصبی مصنوعی را برای شما دوستان تهیه کردیم که علاوه بر چکیده و مقدمه می توانید خود مقاله اصلی را نیز به طور رایگان دانلود نمایید.

چکیده مقاله

تحلیل پوششی داده ها (DEA) به طور گسترده روش هایی را برای اندازه گیری کارایی و بهره وری واحد های تصمیم گیری (DMUs) به کار برده است. این نیازمندی برای منابع بزرگ کامپیوتر در حافظه بلند مدت و فرمان CPU در تحلیل پوششی داده ها برای مقیاس بزرگ مجموعه داده ها مخصوصا با اندازه گیری منفی غیر قابل اجتناب است. در سال های اخیر، دامنه ی وسیعی از مطالعات در ناحیه ای از شبکه عصبی مصنوعی و روش های ترکیبی تحلیل پوششی داده ها انجام شده بود.

در این مقاله، شبکه عصبی مصنوعی پیش خورد با ناظر برای ارزیابی مجموعه داده با داده های منفی در مقایسه با روش تحلیل پوششی داده های متشابه پیشنهاد شده است. نتایج نشان می دهند که شبکه پیشنهادی مقداری بهره ی محاسباتی روی مدل های متشابه تحلیل پوششی داده های دارد، بنابراین، آن را می توان به عنوان ابزاری مفید برای اندازه گیری کارایی واحد های تصمیم گیری با (مقیاس بزرگ) داده های منفی در نظر گرفت.

توضیحات بیشتر در مورد ترجمه مقاله ارزیابی مجموعه داده با داده های منفی به کمک شبکه عصبی مصنوعی و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمائید.

مقدمه

تحلیل پوششی داده ها یک روش برنامه نویسی خطی غیر پارامتری برای ارزیابی کردن کارایی بهره وری واحد های تصمیم گیری است که توسط چارنز و همکارانش ابداع شد. تحلیل پوششی داده ها به طور گسترده برای اندازه گیری کارایی بسیاری از گروه های مختلف اشخاص مشغول شده در بسیاری از فعالیت های مختلف در بسیاری از زمینه های مختلف و در بسیاری از کشور های مختلف انجام شده است. در کاربرد های مدیریت، واحد های تصمیم گیری ممکن است شامل بانک ها، مدارس، کتابخانه های عمومی و فورت شوند. در مهندسی، واحد های تصمیم گیری ممکن است شامل فرم هایی همچون هواپیما ها یا اجزای آنها از قبیل موتور جت را می توان نام برد.

چکیده انگلیسی

Abstract Data envelopment analysis (DEA) is the most widely used methods for measuring the efficiency and productivity of decision-making units (DMUs). The need for huge computer resources in terms of memory and CPU time in DEA is inevitable for a large-scale data set, especially with negative measures. In recent years, wide ranges of studies have been conducted in the area of artificial neural network and DEA combined methods.

In this study, a supervised feed-forward neural network is proposed to evaluate the efficiency and productivity of large-scale data sets with negative values in contrast to the corresponding DEAmethod. Results indicate that the proposed network has some  computational advantages over the corresponding DEA models; therefore, it can be considered as a useful tool for measuring the efficiency of DMUs with (large-scale) negative data.

منبع : springer.com