(۲-۲۸)
که  یک بردار الگوی n-بعدی، A_ij یک مقدار زبانی مقدم^[۶۹]، C_j کلاس نتیجه و n تعداد قوانین اگر-آنگاه فازی می‌باشد. تعداد قوانین هنگامی که هر خصیصه x_i i=(1,2,…,n) دارای K متغیر زبانی باشد برابر با Kⁿ است. هر مقدار زبانی توسط تعدادی از قوانین اگر-آنگاه فازی به اشتراک گذاشته می‌شود.

۲-۶-۱- ساختار یک سیستم دسته‌بندی مبتنی بر قوانین فازی

ساختار یک سیستم فازی از دو جزء اصلی تشکیل شده است: استخراج دانش و استنتاج فازی^[۷۰]. در مرحله استنتاج دانش، با بهره گرفتن از نمونه‌های آموزش یک مجموعه از قوانین فازی استخراج می‌شود. الگوریتم‌های مختلفی برای استخراج قوانین فازی ارائه شده‌اند که از جمله آن‌ها می‌توان به الگوریتم ژنتیک [۷۸]، کاهش پیچیدگی^[۷۱] [۷۹] و افراز فازی^[۷۲] [۸۰] اشاره کرد. بعد از استخراج قوانین فازی یک پایگاه داده فازی تشکیل می‌شود که شامل قوانین استخراج شده می‌باشد. به ازای هر نمونه ورودی ممکن است چندین قانون بتواند با درجه قطعیت‌های مختلف این نمونه را دسته‌بندی کنند. بنابراین الگوریتم نیازمند یک موتور استنتاج فازی می‌باشد که نمونه ورودی و قوانین را گرفته و کلاس نمونه را پیش بینی کند. شکل (۲-۱۰) ساختار یک سیستم فازی را نشان می‌دهد استنتاج می‌تواند بر اساس درجه قطعیت^[۷۳] قوانین انجام شود و یا بدون استفاده از درجه قطعیت. در ادامه چگونگی استنتاج در حالت بدون قطعیت و با قطعیت شرح داده می‌شود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲-۶-۲- دسته‌بندی بدون استفاده از درجه قطعیت

هنگامی که قوانین اگر-آنگاه فازی دارای درجه قطعیت نباشند، یک نمونه جدید توسط قانون برنده R_j یکتایی دسته‌بندی می‌شود که این قانون از رابطه زیر بدست می‌آید [۸۱] :
(۲-۲۹)
که  درجه سازگاری^[۷۴] قانون اگر-آنگاه فازی با الگوی جدید می‌باشد و معمولاً توسط عمل حاصل ضرب به صورت زیر تعیین می‌شود:نمونه‌هایآموزشفرایند یادگیریفازی سازی و قوانین فازیاستخراج دانشنمونه‌هایآزموننتایج دسته‌بندیموتور استنتاج فازیشکل ۲- ۱۰: ساختار یک سیستم قانونمند فازی
(۲-۳۰)
که  تابع عضویت مقدار زبانی مقدم A_ji است (i=1,2,…,n).
با توجه به رابطه فوق مشاهده می‌کنیم که هر قانون اگر-آنگاه فازی دارای ناحیه تصمیم‌گیری مربوط به خود می‌باشد به طوری که نمونه‌های جدید با توجه به این نواحی تصمیم‌گیری دسته‌بندی می‌شوند. در شکل (۲-۱۱) نُه قانون اگر-آنگاه فازی در یک افراز گرید مشاهده می‌شوند. که نواحی تصمیم هر یک از این نُه قانون مشخص شده است. هر کدام از این قوانین توسط سه مقدار زبانی مقدم (S: small, M: medium, L: large) در فضای دو بُعدی  ایجاد شده‌اند.
هر قسمت در شکل (۲-۱۱) با ناحیه تصمیم‌گیری هر یک از قوانین فازی متناظر می‌باشد. اگر هیچ قانون اگر-آنگاه فازی در جداول قانون فازی گم نشود نواحی تصمیم به شکل مستطیل یا فوق مستطیل می‌باشند.

شکل ۲- ۱۱: ناحیه تصمیم هر قانون فازی [۸۲]
مرزهای دسته‌بندی این نُه قانون فازی شکل (۲-۱۱) در شکل (۲-۱۲) نمایش داده شده است.

شکل ۲- ۱۲: مرزهای دسته‌بندی نُه قانون فازی [۸۲]
دسته نتیجه C_j هر قانون R_j از رابطه زیر بدست می‌آید که c تعداد دسته‌ه ای داده شده می‌باشد.(۲-۳۱)در شکل (۲-۱۲)، شش الگو به اشتباه دسته‌بندی شده‌اند. مرزهای دسته‌بندی می‌توانند توسط اصلاح توابع عضویت مقادیر زبانی دقیق‌تر شوند. شکل (۲-۱۳) مثالی از مرزهای دسته‌بندی تنظیم شده را نشان می‌دهد که تقریباً همه الگوها به درستی دسته‌بندی شده‌اند. همچنین مشاهده می‌شود که مرزهای دسته‌بندی پس از اصلاح توابع عضَویت با محورهای فضای الگو موازی می‌باشند.َ
شکل ۲- ۱۳:مرز دسته‌بندی بعد از اصلاح توابع عضویت [۸۲]
هنگامی که جداول قانون فازی کامل نباشند ناحیه تصمیم هر قانون فازی همواره مستطیل شکل نمی‌باشد. همان طور که در شکل (۲-۱۴) ملاحظه می‌کنید، ناحیه تصمیم هر قانون فازی با بهره گرفتن از جداول قانون فازی ۳ در ۳ که ناکامل می‌باشد، رسم شده است. در شکل (۲-۱۴) R₅ گم شده است.

شکل ۲- ۱۴: ناحیه تصمیم هر قانون فازی در حالتی که جداول قانون فازی ناکامل باشد [۸۲]

۲-۶-۳- دسته‌بندی با بهره گرفتن از درجه قطعیت

همان طور که در بخش قبل مشاهده شد، هر قانون فازی دارای یک ناحیه تصمیم است. اندازه این ناحیه توسط درجه قطعیت و توابع عضویت مقادیر زبانی مقدم مربوط به آن تعیین می‌شود. بنابراین ناحیه تصمیم می‌تواند توسط اصلاح درجه قطعیت و بدون تغییر توابع عضویت تنظیم شود. مثال‌هایی از نواحی تصمیم در شکل (۲-۱۵) نشان داده شده است. این نواحی تصمیم با ۹ قانون فازی شکل (۲-۱۱) متناظر هستند. شکل (۲-۱۵) (الف) با حالتی متناظر است که همه قوانین دارای درجات قطعیت یکسان باشند. در این حالت ناحیه تصمیم هر قانون فازی با حالتی که درجه قطعیت وجود داشته باشد یکسان است. در شکل (۲-۱۵) (ب) تا (و) درجات قطعیت یکسان نیستند.
با بزرگ‌تر بودن درجه قطعیت هر قانون فازی ناحیه تصمیم مربوط به آن بزرگ‌تر خواهد بود. همچنین ملاحظه می‌شود که ناحیه تصمیم هر قانون همیشه به صورت مستطیل نیست. حتی اگر جداول قانون فازی کامل باشند (شکل (۲-۱۵) (ج) و (د) و (و)).

برای درک تنظیم مرزهای دسته‌بندی به کمک درجه قطعیت، سه قانون if-then فازی زیر را برای یک مسأله دسته‌بندی الگوی تک بُعدی بر روی بازه [۰,۱] در نظر بگیرید:
شکل ۲- ۱۵: ناحیه تصمیم هر قانون فازی با درجات [۸۲]
If x is small Then Class 1,
If x is medium Then Class 2,
If x is large Then Class 3
بازه واحد توسط این قوانین دسته‌بندی می‌شود (شکل (۲-۱۶) (الف)). هنگامی که از درجه قطعیت استفاده نکنیم، تنظیم مرزهای دسته‌بندی توسط اصلاح تابع عضویت هر مقدار زبانی مقدم صورت خواهد گرفت (شکل (۲-۱۶) (ب)).

شکل ۲- ۱۶: تنظیم مرزهای دسته‌بندی بدون استفاده از درجه قطعیت [۸۲]
ولی وقتی از درجه قطعیت استفاده کنیم، تنظیم مرزهای دسته‌بندی به کمک اصلاح درجه قطعیت هر قانون اگر-آنگاه فازی صورت می‌گیرد. شکل (۲-۱۷) خطوط خط چین نتیجه اعمال درجه قطعیت و سازگاری برای هر قانون می‌باشد.

(۲-۲۸)
که یک بردار الگوی n-بعدی، A_ij یک مقدار زبانی مقدم^[۶۹]، C_j کلاس نتیجه و n تعداد قوانین اگر-آنگاه فازی می‌باشد. تعداد قوانین هنگامی که هر خصیصه x_i i=(1,2,…,n) دارای K متغیر زبانی باشد برابر با Kⁿ است. هر مقدار زبانی توسط تعدادی از قوانین اگر-آنگاه فازی به اشتراک گذاشته می‌شود.

۲-۶-۱- ساختار یک سیستم دسته‌بندی مبتنی بر قوانین فازی

ساختار یک سیستم فازی از دو جزء اصلی تشکیل شده است: استخراج دانش و استنتاج فازی^[۷۰]. در مرحله استنتاج دانش، با بهره گرفتن از نمونه‌های آموزش یک مجموعه از قوانین فازی استخراج می‌شود. الگوریتم‌های مختلفی برای استخراج قوانین فازی ارائه شده‌اند که از جمله آن‌ها می‌توان به الگوریتم ژنتیک [۷۸]، کاهش پیچیدگی^[۷۱] [۷۹] و افراز فازی^[۷۲] [۸۰] اشاره کرد. بعد از استخراج قوانین فازی یک پایگاه داده فازی تشکیل می‌شود که شامل قوانین استخراج شده می‌باشد. به ازای هر نمونه ورودی ممکن است چندین قانون بتواند با درجه قطعیت‌های مختلف این نمونه را دسته‌بندی کنند. بنابراین الگوریتم نیازمند یک موتور استنتاج فازی می‌باشد که نمونه ورودی و قوانین را گرفته و کلاس نمونه را پیش بینی کند. شکل (۲-۱۰) ساختار یک سیستم فازی را نشان می‌دهد استنتاج می‌تواند بر اساس درجه قطعیت^[۷۳] قوانین انجام شود و یا بدون استفاده از درجه قطعیت. در ادامه چگونگی استنتاج در حالت بدون قطعیت و با قطعیت شرح داده می‌شود.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

۲-۶-۲- دسته‌بندی بدون استفاده از درجه قطعیت

هنگامی که قوانین اگر-آنگاه فازی دارای درجه قطعیت نباشند، یک نمونه جدید توسط قانون برنده R_j یکتایی دسته‌بندی می‌شود که این قانون از رابطه زیر بدست می‌آید [۸۱] :
(۲-۲۹)
که درجه سازگاری^[۷۴] قانون اگر-آنگاه فازی با الگوی جدید می‌باشد و معمولاً توسط عمل حاصل ضرب به صورت زیر تعیین می‌شود:
نمونه‌های
آموزش
فرایند یادگیری
فازی سازی و قوانین فازی
استخراج دانش
نمونه‌های
آزمون
نتایج دسته‌بندی
موتور استنتاج فازی
شکل ۲- ۱۰: ساختار یک سیستم قانونمند فازی
(۲-۳۰)
که تابع عضویت مقدار زبانی مقدم A_ji است (i=1,2,…,n).
با توجه به رابطه فوق مشاهده می‌کنیم که هر قانون اگر-آنگاه فازی دارای ناحیه تصمیم‌گیری مربوط به خود می‌باشد به طوری که نمونه‌های جدید با توجه به این نواحی تصمیم‌گیری دسته‌بندی می‌شوند. در شکل (۲-۱۱) نُه قانون اگر-آنگاه فازی در یک افراز گرید مشاهده می‌شوند. که نواحی تصمیم هر یک از این نُه قانون مشخص شده است. هر کدام از این قوانین توسط سه مقدار زبانی مقدم (S: small, M: medium, L: large) در فضای دو بُعدی ایجاد شده‌اند.
هر قسمت در شکل (۲-۱۱) با ناحیه تصمیم‌گیری هر یک از قوانین فازی متناظر می‌باشد. اگر هیچ قانون اگر-آنگاه فازی در جداول قانون فازی گم نشود نواحی تصمیم به شکل مستطیل یا فوق مستطیل می‌باشند.

شکل ۲- ۱۱: ناحیه تصمیم هر قانون فازی [۸۲]
مرزهای دسته‌بندی این نُه قانون فازی شکل (۲-۱۱) در شکل (۲-۱۲) نمایش داده شده است.

شکل ۲- ۱۲: مرزهای دسته‌بندی نُه قانون فازی [۸۲]
دسته نتیجه C_j هر قانون R_j از رابطه زیر بدست می‌آید که c تعداد دسته‌ه ای داده شده می‌باشد.
(۲-۳۱)
در شکل (۲-۱۲)، شش الگو به اشتباه دسته‌بندی شده‌اند. مرزهای دسته‌بندی می‌توانند توسط اصلاح توابع عضویت مقادیر زبانی دقیق‌تر شوند. شکل (۲-۱۳) مثالی از مرزهای دسته‌بندی تنظیم شده را نشان می‌دهد که تقریباً همه الگوها به درستی دسته‌بندی شده‌اند. همچنین مشاهده می‌شود که مرزهای دسته‌بندی پس از اصلاح توابع عضَویت با محورهای فضای الگو موازی می‌باشند.
َ
شکل ۲- ۱۳:مرز دسته‌بندی بعد از اصلاح توابع عضویت [۸۲]
هنگامی که جداول قانون فازی کامل نباشند ناحیه تصمیم هر قانون فازی همواره مستطیل شکل نمی‌باشد. همان طور که در شکل (۲-۱۴) ملاحظه می‌کنید، ناحیه تصمیم هر قانون فازی با بهره گرفتن از جداول قانون فازی ۳ در ۳ که ناکامل می‌باشد، رسم شده است. در شکل (۲-۱۴) R₅ گم شده است.

شکل ۲- ۱۴: ناحیه تصمیم هر قانون فازی در حالتی که جداول قانون فازی ناکامل باشد [۸۲]

۲-۶-۳- دسته‌بندی با بهره گرفتن از درجه قطعیت

همان طور که در بخش قبل مشاهده شد، هر قانون فازی دارای یک ناحیه تصمیم است. اندازه این ناحیه توسط درجه قطعیت و توابع عضویت مقادیر زبانی مقدم مربوط به آن تعیین می‌شود. بنابراین ناحیه تصمیم می‌تواند توسط اصلاح درجه قطعیت و بدون تغییر توابع عضویت تنظیم شود. مثال‌هایی از نواحی تصمیم در شکل (۲-۱۵) نشان داده شده است. این نواحی تصمیم با ۹ قانون فازی شکل (۲-۱۱) متناظر هستند. شکل (۲-۱۵) (الف) با حالتی متناظر است که همه قوانین دارای درجات قطعیت یکسان باشند. در این حالت ناحیه تصمیم هر قانون فازی با حالتی که درجه قطعیت وجود داشته باشد یکسان است. در شکل (۲-۱۵) (ب) تا (و) درجات قطعیت یکسان نیستند.
با بزرگ‌تر بودن درجه قطعیت هر قانون فازی ناحیه تصمیم مربوط به آن بزرگ‌تر خواهد بود. همچنین ملاحظه می‌شود که ناحیه تصمیم هر قانون همیشه به صورت مستطیل نیست. حتی اگر جداول قانون فازی کامل باشند (شکل (۲-۱۵) (ج) و (د) و (و)).

برای درک تنظیم مرزهای دسته‌بندی به کمک درجه قطعیت، سه قانون if-then فازی زیر را برای یک مسأله دسته‌بندی الگوی تک بُعدی بر روی بازه [۰,۱] در نظر بگیرید:
شکل ۲- ۱۵: ناحیه تصمیم هر قانون فازی با درجات [۸۲]
If x is small Then Class 1,
If x is medium Then Class 2,
If x is large Then Class 3
بازه واحد توسط این قوانین دسته‌بندی می‌شود (شکل (۲-۱۶) (الف)). هنگامی که از درجه قطعیت استفاده نکنیم، تنظیم مرزهای دسته‌بندی توسط اصلاح تابع عضویت هر مقدار زبانی مقدم صورت خواهد گرفت (شکل (۲-۱۶) (ب)).

شکل ۲- ۱۶: تنظیم مرزهای دسته‌بندی بدون استفاده از درجه قطعیت [۸۲]
ولی وقتی از درجه قطعیت استفاده کنیم، تنظیم مرزهای دسته‌بندی به کمک اصلاح درجه قطعیت هر قانون اگر-آنگاه فازی صورت می‌گیرد. شکل (۲-۱۷) خطوط خط چین نتیجه اعمال درجه قطعیت و سازگاری برای هر قانون می‌باشد.

بر اساس [۲۶]، جهت مینیمم کردن خطای تخمین کانال باید برقرار باشد. با توجه به آنجه که در [۲۶] آمده است و در فصل بعد شرح داده خواهد شد، با بهره گرفتن از سیگنال های آموزشی به صورت زیر می توان به این مهم دست یافت:

(۵-۶۹)

که در آن یک سیگنال استاندارد با توان واحد بوده و . در این حالت خطای تخمین کانال نیز از رابطه زیر بدست می آید:

(۵-۷۰)

از مقایسه ی رابطه بالا با رابطه (۵-۵۷) نتیجه می شود که الگوریتم Li عملکرد بهتری نسبت به الگوریتم LS بدون تکرار دارد. لازم به ذکر است که الگوریتم Li به سادگی برای سیستم هایی که از الگوی شانه یا الگوی شبکه ای برای ارسال سیگنال های آموزشی استفاده می کنند نیز قابل تعمیم است [۲۶]. در شکل (۵-۱۳) عملکرد الگوریتم Li برای مقادیر مختلف با بهره گرفتن از شبیه سازی رسم شده است. شبیه سازی برای یک سیستم MIMO-OFDM با آنتن فرستنده و آنتن گیرنده صورت گرفته است. کل پهنای باند کانال برابر در نظر گرفته شده که به زیر کانال تقسیم می شود. تعداد مسیرهای کانال چند مسیره بوده و گسترش تاخیر کانال برابر انتخاب شده است. همچنین در شکل (۵-۱۴)، عملکرد الگوریتم Li با عملکرد الگوریتم LS بدون تکرار مقایسه شده است. همان طور که در این شکل می بینیم، برای یک سیستم MIMO-OFDM با دو آنتن فرستنده، عملکرد الگوریتم Li، ۳dB بهتر از الگوریتم LS بدون تکرار می باشد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

NMSE الگوریتم تخمین کانال Li بر حسب SNR متوسط
مقایسه ی عملکرد الگوریتم های LS بدون تکرار و Li برای
فصل ششم
طراحی سیگنال های آموزشی بهینه برای تخمین کانال
تعمیم الگوریتم تخمین کانال مبتنی بر معیار LS (تعمیم الگوریتم Li)
همانطور که در فصل قبل دیدیم الگوریتم Li با تخمین پاسخ ضربه ی کانال نسبت به سایر الگوریتم ها نه تنها به شکل بهینه ای از پهنای باند تخصیص یافته به سمبل های آموزشی بهره می برد، بلکه از عملکرد قابل قبولی نیز برخوردار بود. در این فصل می خواهیم به طراحی سیگنال های آموزشی بهینه جهت بدست آوردن بهترین عملکرد تخمین کانال توسط الگوریتم Li بپردازیم. همان طور که نشان خواهیم داد، با بهره گرفتن از این سیگنال های آموزشی نه تنها خطای تخمین کانال به مینیمم مقدار خود تقلیل می یابد بلکه پیچیدگی محاسباتی تخمینگر نیز به میزان قابل توجهی کاهش می دهد. رابطه (۲-۱۲) را که بیانگر بردار سیگنال دریافتی در آنتن گیرنده ی ام بود را می توان به صورت زیر بازنویسی کرد [۴۳]:

(۶-۱)

به طور کلی سمبل ارسالی ام را به صورت حاصل جمع سمبل های آموزشی و سمبل های داده در نظر می گیریم. بنا بر این رابطه بالا را می توان بدین صورت نوشت:

(۶-۲)

که در آن ماتریس قطری شامل سمبل های داده و ماتریس قطری شامل سمبل های آموزشی می باشد. حال می توان رابطه (۶-۱) را به صورت زیر نوشت [۴۳]:

شکل ۴-۴۵: MCB2300 Set Text on LCD.vi 84
شکل ب-۱: Non – reentrant execution 92
شکل ب-۲: Shared clone reentrant execution 93
شکل ب-۳: Preallocated clone reentrant execution 94
شکل ب-۴: پنجره VI Properties 94
شکل پ-۱: نمودار داده ­های دریافتی برای مدت زمان ۵۶ ساعت با نرخ ذخیره­سازی ۱ ثانیه یک بار برای ۲۹ کانال را نشان می­دهد. ۹۶

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

شکل پ-۲: نمودار قرمز رنگ (کانال ۱) مربوط به دمای آبی است که در حال سرد شدن می­باشد. ۹۷
شکل پ-۳: مربوط به زمانی است که مسیر ارتباطی بین نرم­افزار کامپیوتری و برد اصلی قطع می­باشد. ۹۷
شکل پ-۴: نمودار داده ­های دریافتی برای مدت زمان ۱۶ ساعت با نرخ ذخیره­سازی ۱ ثانیه یک بار برای ۲۹ کانال را نشان می­دهد. ۹۸
شکل پ-۵: نمودار داده ­های دریافتی برای مدت زمان ۸ ساعت با نرخ ذخیره­سازی ۱ ثانیه یک بار برای ۲۹ کانال را نشان می­دهد. ۹۹
شکل ت-۱: برد اصلی (Main Board) 101
شکل ت-۲: اتصال به روش Daisy Chain 102
شکل ت-۳: بردهای Slave 103
شکل ت-۴: نمایی از سوکت DB-9 103
شکل ت-۵: اتصال سوکت DB-9 بین بردهای Slave 104
شکل ت-۶: اتصال سوکت DB-9 برد اصلی به برد Slave 104
شکل ت-۷: نمایی از سوکت مخصوص ترموکوپل ۱۰۵
شکل ت-۸: نمایی از صفحه اول برنامه ۱۰۶
شکل ت-۹: پنجره استارت ویندوز و باز کردن cmd.exe 107
شکل ت-۱۰: اجرای دستور ping 107
شکل ت-۱۱: خطا در دستور ping 108
شکل ت-۱۲: تنظیمات شبکه ۱۰۸
شکل ت-۱۳: تنظیمات ذخیره­سازی داده ­ها ۱۰۹
شکل ت-۱۴: انتخاب مسیر و نام برای ذخیره­سازی داده ­ها ۱۰۹
شکل ت-۱۵: انتخاب زمان ذخیره­سازی هر نمونه ۱۱۰
شکل ت-۱۶: پیغام مسیر اشتباه برای ذخیره­سازی ۱۱۰
شکل ت-۱۷: قسمت مربوط به تنظیمات بردها و اجرای برنامه ۱۱۱
شکل ت-۱۸: پنجره اطمینان گرفتن از کاربر برای تغییر تنظیمات ۱۱۱
شکل ت-۱۹: پیغام وجود نداشتن فایل تنظیمات ۱۱۲
شکل ت-۲۰: پنجره انتخاب بردها ۱۱۲
شکل ت-۲۱: پیغام متصل نبودن ترموکوپل به برد انتخابی ۱۱۳
شکل ت-۲۲: انتخاب و نام­گذاری کانال­ها ۱۱۴
شکل ت-۲۳: پیغام حداکثر کاراکتر نوشته شده برای نام کانال­ها ۱۱۴
شکل ت-۲۴: پیغام قطعی بردهایی که قبلاً انتخاب شده بودند. ۱۱۵
شکل ت-۲۵: پیغام قطعی ترموکوپل­های بردی که قبلاً انتخاب شده بودند. ۱۱۶
شکل ت-۲۶: نمایی از صفحه اصلی برنامه (صفحه دوم) ۱۱۶
شکل ت-۲۷: دکمه­های انتخاب کانال ۱۱۷
شکل ت-۲۸: انتخاب کانال توسط کاربر ۱۱۷
شکل ت-۲۹: پیام مربوط به ترموکوپل هر گراف ۱۱۸
شکل ت-۳۰: منحنی صفحه اصلی برنامه (صفحه دوم) ۱۱۹
شکل ت-۳۱: Legend به همراه داده ­های لحظه­ای برای هر گراف ۱۱۹
شکل ت-۳۲: مشخصه هر گراف ۱۲۰
شکل ت-۳۳: تغییر در رنگ گراف­ها ۱۲۰
شکل ت-۳۴: تغییر در قطر گراف­ها ۱۲۰
شکل ت-۳۵: تغییر در سبک خطوط گراف­ها ۱۲۱
شکل ت-۳۶: تغییر در سبک نمایش نقاط ۱۲۱
شکل ت-۳۷: روش گرفتن خروجی اکسل برای هر گراف ۱۲۲
شکل ت-۳۸: کادر قرمز رنگ زمان­بندی سامانه را نمایش می­دهد. ۱۲۲
شکل ت-۳۹: قسمت مربوط به تغییر در محورهای نمودار ۱۲۲
شکل ت-۴۰: بیشترین و کمترین مقدار نمودار و زمان دریافت داده ­ها ۱۲۳
شکل ت-۴۱: نمایش زمان ذخیره­سازی ۱۲۳
شکل ت-۴۲: فیلتر Median فعال ۱۲۳
شکل ت-۴۳: چراغ نمایش اتصال یا عدم اتصال به شبکه ۱۲۴
شکل ت-۴۴: خطای قطعی شبکه RCP/IP 124
شکل ت-۴۵: خطای قطعی کابل RS485 124
شکل ت-۴۶: تنظیمات قسمت بارگذاری داده ­ها ۱۲۵
شکل ت-۴۷: نمایی از صفحه بارگذاری داده ­ها ۱۲۶

۹۶.۴

۱۰۰.۰

Missing

System

۶

۳.۶

Total

۱۶۸

۱۰۰.۰

(جدول ۴-۷ . نمره رضایت)
۴.۲ درصد نمره زیر ۲۰، ۶.۵ درصد نمره بین ۲۰ تا ۴۰، ۳۰.۴ درصد نمره بین ۴۰ تا ۶۰ ، ۴۴.۶ درصد نمره بین ۶۰ تا ۸۰ و ۱۰.۷% نمره بین ۸۰ تا ۱۰۰ را به این بانک داده اند.۶ نفر هم به این سوال پاسخ نداده اند.
۸.سوال ۸ یک سوال توصیفی بود که از پرسش شوندگان خواسته شده بود که با توجه به ذهنیتی که از این بانک دارند، با یک صفت انسانی این بانک را توصیف کنند. بعد از گردآوری تمام پرسش نامه ها و جمع آوری تمام این صفات، تمام صفاتی را که مفهومی معادل هم داشت در دسته های مشابه قرار گرفتند و در نهایت، ۸ دسته معادل دسته های زیر مورد بررسی قرار گرفتند:
دسته ۱ با نام جوانی: عباراتی مانند فعال، جوان، سریع، بادقت، رو به رشد، شبیه ورزشکار در حال مبارزه با رقبا در این دسته قرار گرفتند.
دسته۲ با نام پیری: عباراتی مانند پیر،خسته، پیرمرد سنتی، قدیمی، پیر فرتوت، تنبل، کند، بی سرعت، کوالای پیر از کار افتاده، لاکپشت، فقط سرپا، جوانی که رو به پیری می رود، جوان خسته در این دسته قرار گرفتند.
دسته ۳ با نام میانسالی: عباراتی مانند میانسال، معمولی، روزمره، میانه رو، آرام، متعادل، نسبتا فعال، یکنواخت، مثل بقیه بانک های دولتی، نرمال،ok در این دسته قرار گرفته است.
دسته ۴ با نام نوجوانی:عباراتی مانند نوجوان، شیطون، کوشش برای بهبود، شخصیت نوپای بازسازی شده، نیاز به تغییرات در این دسته قرار گرفته است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

دسته ۵ با نام بی تفاوتی :عباراتی مانند بی خیال، دنباله رو، بانک فردا(برو فردا بیا)، فعال با فاصله از پیشرفت روز ، از مد افتاده در این دسته قرار گرفتند.
دسته ۶ با نام بانک مفید: عباراتی مانند سیاست مدار، وظیفه شناس، خوب، قابل استفاده و مفید، بانک فردا، جدی، مشتری مدار، برخورد مناسب، با ادب، پویا، با شخصیت، خدوم، کارامد، کار راه انداز در این دسته قرار گرفتند.
دسته ۷ با نام بانک بی مسئولیت : عناوینی مانند ورشکسته، بروکرات غیر ضروری، بی مسئولیت، بی غیرت، بی ادب، مشتری ندار و بانک خجالت در این دسته قرار گرفتند.
دسته ۸ با نام بانک در حاشیه: عناوینی مانند دنبال منافع شخصی، کم پیدا، کمرنگ تر از حد انتظار در این دسته جای گرفتند.
نتایج را در جدول زیر مشاهده می کنید:
X8

Frequency

Percent

Valid Percent

Cumulative Percent

Valid

۱.۰۰

۵۸

۳۴.۵

۳۸.۷

۳۸.۷

۲.۰۰

۱۸

۱۰.۷

۱۲.۰