منبع علمی مقاله user873

در مطالعه ای که توسط Ji-Yeob Choi و همکاران درسال 2007 در بررسی پلی مورفیسمهای Ala16Val ژن Mn-SOD، C-262T CAT و Pro200Lue ژن GPX1 و خطر ابتلا به سرطان پروستات بر روی مردان با سابقه کشیدن سیگار یا قرار گرفتن در معرض آزبست بودند انجام شد، هیچ ارتباطی بین ژنوتیپهای Mn-SOD، CAT و GPX1 و خطر ابتلا به سرطان پروستات دیده نشد.(Choi JY et al, 2007)
در مطالعهای که توسط Cristiano Capurso و همکارانش در سال 2008 در ارتباط با رابطه چند شکلی C-262T CAT و بیماری آلزایمر انجام شد ، هیچ ارتباطی بین بیماری آلزایمر و این چند شکلی مشاهده نشد (Capurso C et al, 2008).
مطالعهای در سال 2009 توسط Piort Galecki و همکارانش بر روی ارتباط بین چند شکلی عملکردی CAT C-262T و احتمال افسردگی صورت گرفت که نتایج بدست آمده نشان داد هیچ ارتباط معنی داری بین چند شکلی ژن کاتالاز و خطر ابتلا به افسردگی وجود ندارد .(HYPERLINK "http://www.ncbi.nlm.nih.gov/pubmed?term=Galecki%20P%5BAuthor%5D&cauthor=true&cauthor_uid=19855359"Galecki P et al, 2009)
در مطالعه ای که بر روی جمعیت مراکش در سال 2010 توسط Sayeh Ezzikouri و همکارانش انجام گرفت، ارتباط چند ژن انتی اکسیدان و خطر سرطان کبد مورد بررسی قرار گرفت. نتایج حاصل نشان داد که در چند شکلی CAT C-262T اختلاف آلل TT در بین گروه شاهد و کنترل معنادار بوده و افراد دارای ژنوتیپ TT دارای ریسک بیشتری برای ابتلاء به سرطان کبد هستند (Ezzikouri S et al, 2010) .
در سال 2010 Grazyna Dutkiewicz و همکارانش در لهستان طی بررسی بر روی افرادی که بافت پیوندی دریافت کرده اند، احتمال ابتلاء به دیابت بعد پیوند را با برخی از چند شکلی ها از جمله CAT C-262T مورد آزمایش قرار دادند و یافتند که ارتباط معناداری بین این چند شکلی و خطر ابتلاء به دیابت بعد پیوند وجود ندارد ( Dutkiewicz G et al,2010).
در مطالعه ای که توسط Ozbay و همکارانش در سال 2011 بر روی ارتباط بین سطح آنزیمهای آنتی اکسیدان خون و زمان حمله میگرن در بیماران مبتلا به میگرن انجام شد، کاهش آماری قابل توجهی در فعالیت GST-PX3، CAT، SOD و سطوح GSH در بیماران مبتلا به میگرن در مقایسه با گروه شاهد مشاهده شد.(CAT, GSH P<0/001, GSH, SOD P<0/05) در بیماران مبتلا به میگرن و گروه شاهد تفاوت معنیداری برای ژنوتیپهای Mn-SOD و CAT مشاهده نشد اما در ژنوتیپ GSH-PX3 تفاوت معنیدار وجود داشت. تفاوتی در فراوانی آللی Mn-SOD، CAT و GHS-PX3 در بین بیماران و گروه شاهد نبود. در نتیجه آنزیمهای استرس اکسیداتیو و آنتی اکسیدانت ها ممکن است نقش مهمی در پاتوژنز میگرن ایفا کنند .(Ozbey U et al, 2011)
در مطالعهای که توسط Chang Dong و همکارانش در سال 2012 در ارتباط با چند شکلیCAT -21 A>T با سرطان روده بزرگ انجام شد، تفاوت معنیداری بین ژنوتیپهای ژن CAT و همچنین فعالیت آنزیمی پایین تر در بیماران مبتلا به سرطان روده بزرگ نسبت به گروه کنترل مشاهده شد. فعالیت کم آنزیم CAT با افزایش ریسک ابتلا به سرطان روده بزرگ در ارتباط است، با این حال، هیچ مدرکی در حمایت از ارتباط چند شکلیCAT A-21T با خطر ابتلا به سرطان روده بزرگ مشاهده نشد.(Chang D et al, 2012)
طی مطالعه ای که در سال 2013 توسط Gaynali و همکارانش در ترکیه بر روی افراد سیگاری در دو دسته مبتلا به سرطان حنجره و سالم انجام شد، ارتباط معناداری با چند شکلی CAT C-262T گزارش نگردید ( Aynali G et al, 2013).
طی مطالعه ای که در سال 2014 توسط Natsuko Taniguchi و همکارانش در ژاپن بر روی افراد سیگاری صورت گرفت، ارتباط تعدادی چند شکلی در ژن کاتلاز بررسی شد که طی آن یافت شد ارتباط معناداری بین چند شکلی های CAT C-262T و CAT A-21T و خطر ابتلاء به آسم وجود ندارد ولی ژنوتیپ TT از چند شکلی های CAT C-262T با خطر ابتلاء به آسم در پیری در ارتباط است و احتمال آن را افزایش می دهد( Taniguchi N et al, 2014).
2-2 مطالعات انجام شده بر روی ژن :NQO1 مطالعهای درسال 2003 توسط Lin P و همکارانش در ارتباط با بررسی چند شکلی های ژنتیکی در ژنهای NQO1، GSTP1 و Mn-SOD با خطر ابتلا به سرطان ریه در تایوان انجام شد، نشان داد که به طور کلی چند شکلی GSTP1 با خطر ابتلا به سرطان ریه در ارتباط می باشد. افراد حامل آلل نوع GSTP1 در معرض خطر بالای سرطان سلولهای سنگفرشی ریه هستند (Lin P et al, 2003).
در مطالعهای که توسط Pandith A و همکارانش در سال 2011 در جمعیت کشمیری بر روی ارتباط بین چند شکلی ژنتیکی C609T NQO1 و سرطان مثانه انجام شد، نشان داد که آلل T خطر ابتلا به سرطان مثانه را افزایش میدهد .(Pandith A et al, 2011)
مطالعهای دیگر در سال 2011 توسط Stavropoulou C و همکارانش در ارتباط با چند شکلی C609T NQO1 و خطر ابتلا به بیماری های آلزایمر و پارکینسون انجام گرفت که در آن آلل T خطر ابتلا به این بیماری ها را افزایش میداد.(Stavropoulou C et al, 2011)
متا آنالیزی در سال 2012 توسط Zhang و همکارانش در رابطه با چند شکلیNQO1 C609T و خطر ابتلا به سرطان معده در آسیاییها انجام شد. نتایج حاصل از مقایسه آلل T و آلل C این ژن نشان داد که در افراد دارای آلل T نسبت به افراد دارای آلل C، به طور قابل توجهی شانس ابتلا به سرطان معده افزایش مییابد .(Zhang Y et al, 2012)
متا آنالیزی در سال 2013 توسط Zhu CL و همکارانش در رابطه با چند شکلیC609T NQO1 با سرطان دستگاه گوارش (DTC) انجام شد که نشان داد که به طور کلی از لحاظ آماری ارتباط معنی داری بین چند شکلی این ژن و خطر DTC وجود دارد (Zhu CL et al, 2013).
در سال 2013 توسط Hu Yanlig و همکارانش متا آنالیزی در ارتباط با بررسی چند شکلیC609T NQO1 و خطر ابتلا به سرطان مری انجام شد که نتایج بدست آمده نشان داد که ارتباط معنیداری بین ژنوتیپ TT از چند شکلی C609T NQO1 و سرطان مری وجود دارد (Yanlig H et al, 2013).
مطالعهای در سال 2013 توسط Liu و همکارانش در بررسی ارتباط چند شکلی عملکردی NQO1 C609T و خطر ابتلا به سرطان سلولهای کبدی در جمعیت چین انجام شد. نتایج نشان داد در افرادی که ژنوتیپ TT دارند در مقایسه با افراد دارای ژنوتیپ CC به طور قابل توجهی خطر ابتلا به سرطان سلولهای کبدی افزایش مییابد (Liu F et al, 2013).
2-3 مطالعات پیشین انجام شده در خصوص پیوند کبد:بررسی ها نشان می دهد که ارتباط معنی داری بین نوع بیماری و خطر رد حاد پیوند وجود دارد و افراد دارای بیماری PBC، هپاتیت B و هپاتیت C به علت ضعیف بودن سیستم ایمنی کمتر از سایر بیماران به رد حاد پیوند کبد مبتلا می شوندSeiler, 1999, Farges, 1996, Berlakovich., 2011) ) همچنین Wiensner و همکارانش در سال 1998 ارتباط معنی داری بین میزان بالای ALT ، نوع بیماری، رژیم درمانی و سن بیمار با رد حاد پیوند کبد مشاهده کردند. در سال 2010Azarpira, و همکارانش گزارش کردند که ارتباطی بین چند شکلی ژن های GSTM1 و GSTT1و خطر رد حاد پیوند وجود ندارد اما رابطه معنی داری با افزایش سن بیماران مشاهده کردند.
در مطالعه ای که در سال 2010 در نیویورک توسط Navdeep Dhillon و همکارانش بر روی ارتباط رد پیوند کبد با چند شکلی در ژن گیرنده TLR4 صورت گرفت رابطه معنا داری بین این چند شکلی و رد پیوند کبد مشاهده گردید( Dhillon N et al, 2010).
در مطاله دیگر که در اسپانیا و در سال 2011 توسط M.J. Citores و همکارانش انجام شد، ارتباط رد حاد پیوند کبد در بیماران پیوند کبدی که به علت آلودگی با ویروس هپاتیت C مجبور به پیوند کبد شده اند با ده چند شکلی در ژن گیرنده TLR(TLR1-10) مورد بررسی قرار گرفت که نتایج حاصل نشان داد که تنها چند شکلی در ژن TLR3 با رد حاد پیوند کبد در ارتباط است ( Citores M et al, 2011).
طی مطالعه ای که در سال 2013 در چین توسط Zhijun Jiang و همکارانش انجام شد رابطه چند شکلی آنتی ژن 4 لنفوسیت T کشنده(CTLA-4) با خطر رد حاد پیوند کبد مورد بررسی قرار گرفت که نتایج آن نشان داد که این چند شکلی رابطه معناداری با رد حاد پیوند کبد ندارد ( Jiang Z et al, 2013).
در سال 2012 در ایتالیا توسط Bitetto D و همکارانش مطالعه ای در بین افرادی که بافت کبد پیوندی دریافت کرده بودند برای یافتن ارتباط بین رد حاد پیوند کبد با چند شکلی در ژن انترلوکین28(IL-28B) انجام دادند. نتایج این بررسی نشان داد که اختلاف معناداری در بین افرادی که بافت کبد پیوندی آنها رد شده و آنهایی که رد حاد صورت نگرفته در ژنوتیپ اینترلوکین28 وجود دارد ( Bitetto D et al, 2012).
در سال 2013 در نیویورک توسط Sridhar R. Allam و همکارانش بررسی برای یافتن ارتباط بین بقای بافت پیوندی در افراد دریافت کننده پیوند کبد با چند شکلی در ژن اینترلوکین 28(IL-28B) صورت گرفت که طی آن مشخص شد ارتباط معنا داری وجود دارد و حضور آلل C باعث افزایش بقای بافت کبد پیوندی در گیرندگان کبد می شود ( Allam RS et al, 2013).
Xiaobo Yu و همکارانش در سال 2014 در چین به بررسی ارتباط چند شکلی فاکتور 5 تنظیمی اینترفرون(IRF5) و رد حاد پیوند کبد پرداختند که در این رابطه به این نتیجه دست یافتند که چند شکلی در این ژن ارتباط معنا داری با رد حاد پیوند کبد دارد و ژنوتیپ GG در معرض ریسک رد حاد پیوند کبد می باشد ( Yu X et al, 2014).
Uesugi M و همکارانش در سال 2014 در ژاپن مطالعه ای برای یافتن ارتباط بین رد حاد پیوند کبد و چند شکلی در ژن سیتوکروم P450(CYTP3A5) انجام دادند. طی این مطالعه مشخص شد که ارتباط معناداری بین این چند شکلی و خطر رد حاد پیوند کبد وجود ندارد ( Uesugi M et al, 2014).
فصل سوم
روش کار3-1 نمونه گیری:در این طرح، مطالعه بر روی 217 نفر از بیماران پیوند کبد در مرکز پیوند بیمارستان نمازی شیراز طی سالهای 93-1392 انجام شد که از این تعداد 144 نمونه خون کامل و 73 نمونه بافیکت بود. DNA را از نمونههای خون به روش Boiling و از نمونههای بافیکت با استفاده از کیت DNP متعلق به شرکت سیناژن استخراج کردیم. نمونههای کنترل نیز به تعداد 217 نمونه در این مطالعه وارد گردید. در نهایت یک مطالعه مورد-شاهدی بین افراد سالم و بیماران پیوند کبد و یک مطالعه آینده نگر(Cohort) بین بیماران پیوند دارای رد حاد و فاقد رد حاد انجام شد. جدول 3-1مشخصات این بیماران را نشان میدهد. در این مطالعه رد حاد پیوند به افرادی اطلاق میگردد که در طول 6 ماه اول پیوند با بیوپسی (نمونه برداری از بافت) رد حاد آن ها تایید شدهاست.
جدول3-1: مشخصات گروه شاهد و کنترل
مشخصات سالم بیماران پیوند کبد
تعداد کل
میانگین سن 217
31/10 ±09/30 217
26/18±55/33
3-2 وسایل مورد نیازوسایل استفاده شده در این پروژه شامل:
سمپلر(Socorex)، ترازو، میکرو سانتریفیوژ (Hettich)، ورتکس (Scientific industries INC)، اتوکلاو (ریحان طب)، مایکروفر (بوتان)، دستگاه ترموسایکلر (Techne)، Hot plate(Techne)،Rotator (پدیده نوژن پارس)، PH-meter(Metrohm)، Electrophoresis (تانک الکتروفورز و منبع تغذیه جریان الکتریکی پایامنبع علمی مقاله)، دستگاه Gel documentation(UvitecCambridge).
3-2-1 محلولهای استفاده شده جهت استخراج DNA از نمونه خون کاملمحلولهای استفاده شده شامل:
NaOH (50 میلی مولار)، TrisHCl (1 مولار)، محلول NH4Cl (170 میلی مولار)، محلول NaCl-EDTA (10 میلی مولار) می باشد که از طریق روش گفته شده در کتاب Molecular Cloning: A Laboratory Manual تهیه شدند (Green MR et al, 2012).
3-2-2 محلولهای استفاده شده جهت استخراج DNA از نمونه بافی کتپروتئاز mg/ml 20 (proteinase K)، Lysis Solution، Wash Buffer (Ethanol Base) Precipitation Solution(Isoprppanole Base)،Solvent Buffer
3-2-3 مواد لازم جهت انجام PCRTaq DNA Polymerase (سیناژن)، dNTPs (سیناژن)، MgCl2 (سیناژن)، بافر 10x(10x buffer) مخصوص PCR(سیناژن) و پرایمر های رفت و برگشت ژن CAT و NQO1 (سیناژن)
3-2-4 مواد لازم جهت انجام الکتروفورزبافرTBE، محلول اتیدیوم بروماید (x1000)، Tris Base (سیناژن)، Boric acid (Merck)، EDTA (Merck) 6xloading buffer (سیناژن)، Agarose(Invitrogen)، 100bp DNA ladder (Vivantis).
3-2-5 مواد استفاده شده جهت اثر دادن آنزیم محدود کنندهآنزیم محدود کنندهHinf1 و EcoRV(Fermentas) و بافرEcoRV و بافرv3
3-3 استخراج DNA از خون محیطیاستخراج DNA از خون کامل به روش جوشاندن (Boiling) انجام شد که جزئیات روش کار طبق موارد گفته شده در منبع مورد نظر میباشد (Newton CR et al, 1995).
3-4 استخراج DNA از بافی کت با کیت DNP1- 5 میکرولیتر پروتئاز را روی 100 میکرولیتر از نمونه بافی کت ریخته و آن را به مدت 10 ثانیه ورتکس میکنیم سپس لوله ها را به مدت 10 دقیقه درون Hot plate در دمای72 درجه سانتیگراد قرار میدهیم.
2- بعد از بیرون آوردن لوله ها از Hot plate در دمای72 درجه، 400 میکرولیترLysis Solution ریخته و به مدت 20- 15 ثانیه ورتکس میکنیم تا یک سوسپانسیون کاملا هموژن بدست آید.
3- به محلول فوق 300 میکرولیتر از Precepitation Solution اضافه کرده و برای 5 ثانیه ورتکس میکنیم، سپس لوله ها درون سانترفیوژ با دور g 12000به مدت 10 دقیقه قرار میدهیم.
4- بعد از بیرون آوردن از سانترفیوژ محلول رویی لوله ها را خالی کرده و لوله ها را روی یک دستمال به مدت 3-2 ثانیه قرار میدهیم.
5- لوله ها را برگردانده و به هر کدام 1 میلی لیتر از Wash Buffer اضافه کرده و به مدت 5-3 ثانیه ورتکس کرده و مجددأ درون سانترفیوژ با دورg 12000 این بار به مدت 5 دقیقه قرار میدهیم.
6- بعد از اتمام زمان سانترفیوژ مایع رویی را خالی کرده و رسوب ته لوله را نگه داشته و برای اینکه Wash Buffer درون لوله ها کاملا خشک شود آن ها را به مدت 5 دقیقه درون Hot plate 65 درجه قرار میدهیم.
7- بعد از خشک شدن لوله ها آن ها را بیرون آورده و 30 میکرولیتر از Solvent Buffer اضافه کرده لوله ها را به آرامی تکان میدهیم و مجددأ درون Hot plate 65 درجه قرار میدهیم به مدت 5 دقیقه تا رسوب ته لوله که همان DNA است به خوبی حل شود. DNA بدست آمده را در دمای 20- درجه سانتیگراد نگهداری می کنیم.3-5 PCRاز واکنش زنجیرهای پلیمراز جهت تعیین ژنوتیپهای چندشکلی ژنتیکی ژنهایCAT C-262T و NQO1 C609T استفاده کردیم. برای انجام این کار مواد مورد نیازی که در بالا ذکر شد را از فریزر 20- درجه سانتیگراد بیرون میآوریم. بعد از آب شدن مواد در دمای اتاق جهت درست کردن میکس آنزیم آنها را روی یخ قرار می دهیم. جهت تهیه 20 میکرولیتر مخلوط واکنش به ازای هرلوله، مواد مورد نیاز را طبق جدول 3-2 با هم مخلوط میکنیم.
جدول 3-2: مواد مورد نیاز جهت تهیه مخلوط واکنش PCRاجزای واکنش حجم مورد نیاز به ازای هر واکنش (μl)
10x PCR buffer 5/2
dNTP (10 mM) 5/0
MgCl2 (50 mM) 75/0
10) پرایمر رفتμM( 1
10)پرایمر برگشتμM( 1
Taq DNA polymerase 3/0
آب استریل 95/13
DNA --plate 5
پرایمرهای رفت و برگشت مورد استفاده جهت تکثیر قطعه مورد نظر از ژنNQO1:
Forward primer 5’-TCC TCA GAG TGG CAT TCT GC-3’
Reverseprimer 5- TCT CCT CAT CCT GTA CCT CT-3’
(Sameer AS et al, 2010)
پرایمرهای رفت و برگشت مورد استفاده جهت تکثیر قطعه مورد نظر از ژن CAT :
Forward primer 5’-CTGATAACCGGGAGCCCCGCCCTGGGTTCGGATA-3’

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

Reverse primer 5’-CTAGGCAGGCCAAGATTGGAAGCCCAATGG-3’
(Zarbock R et al. 2007)
بعد از اینکه مخلوط واکنش را آماده کردیم در هر لوله 20 میکرولیتر از مخلوط ریخته و به آن 5 میکرولیتر DNA الگو اضافه میکنیم. برای انتقال قطرات چسبیده به دیواره به ته لوله، به مدت چند ثانیه spin down میکنیم و در دستگاه PCR قرار میدهیم. جهت انجامPCR از مراحل آورده شده در جداول 3-3 و3-5 استفاده میکنیم.
جدول 3-3: برنامه تنظیم شده برای واکنش PCRجهت تکثیر ژن NQO1مرحله دما(°C) زمان
دناتوراسیون اولیه 94 7 دقیقه
41سیکل دناتوراسیون 94 30 ثانیه
اتصال 58 30 ثانیه
طویل شدن 72 30 ثانیه
بسط نهایی 72 5 دقیقه
در ژن NQO1 محصول PCR یک قطعه 230 جفت بازی است. پس از پایان PCR، به 10 میکرولیتر از محصول PCR، 2 میکرولیتر از بافرV3و 25/0 میکرولیتر (معادل 5 واحد) از آنزیم HinfI اضافه کرده و لوله ها را به مدت 17 ساعت درون Hot plateدر دمای 37 درجه سانتیگراد قرار میدهیم. پس از گذشت مدت زمان لازم، نمونهها را از Hot plate خارج کرده، به منظور جمع آوری قطرات Spin down میکنیم و جهت تفکیک قطعات DNA حاصل از هضم آنزیمی، آن را به دستگاه الکتروفورز منتقل میکنیم.
پس از هضم آنزیمی توسط آنزیم HinfI قطعات bp 200 برای ژنوتیپ CC و قطعات bp151 و bp49 نمایانگر ژنوتیپ TT وقطعات bp200، bp151 و bp 49 نشان دهنده ژنوتیپ CT بدست میآید.
جدول 3-4: قطعات حاصل از هضم آنزیمی برای ژنوتیپ های چندشکلی ژنتیکی NQO1ژنوتیپ قطعات (جفت باز)
CC 200
CT 49، 151، 200
TT 151،49
جدول 3-5: برنامه تنظیم شده برای واکنش PCRجهت تکثیر ژن CATمرحله دما (°C) زمان(دقیقه)
دناتوراسیون اولیه 95 5
35 سیکل دناتوراسیون 94 1
اتصال 68 1
طویل شدن 72 1
بسط نهایی 72 5
در ژن کاتالاز قطعات DNA حاصل از PCR190 جفت بازی میباشند. پس از پایان PCR، به 10 میکرولیتر از محصول PCR، 2 میکرولیتر از بافر EcoRVو 25/0 میکرولیتر (معادل 5 واحد) از آنزیم EcoRV اضافه کرده و لوله ها را به مدت 16 ساعت در Hot plateدر دمای 37درجه سانتیگراد قرار میدهیم. پس از پایان این مدت زمان، نمونهها راخارج کرده، Spin down میکنیم و به الکتروفورز منتقل میکنیم. ژنوتیپ TT این چندشکلی، جایگاهی برای برش توسط آنزیم EcoRV ندارد. بنابراین، باند 190 جفت بازی نشان دهنده آلل موتانت این چند شکلی است. ژنوتیپ CC توسط آنزیم EcoRV برش خورده و دو قطعه 157 و 33 جفت بازی بوجود میآید. قطعات حاصل از هضم آنزیمی برای ژنوتیپ های این چند شکلی در جدول 3-6 نشان داده شدهاند.
جدول 3-6: قطعات حاصل از هضم آنزیمی برای ژنوتیپ های چندشکلی ژنتیکی CATژنوتیپ قطعات
TT 190
CT 33، 157، 190
CC 157،33
3-6 الکتروفورزبه منظور مشاهده قطعات DNA حاصل از هضم، جهت تعیین چندشکلی ژنتیکی CAT C-262TوNQO1 C609T، آنها را به ژل 5/1 % آگاروز منتقل میکنیم. برای تهیه ژل 5/1 %، 72/1 گرم پودر آگاروز را با 115 سی سی TBE 0.5x مخلوط کرده و با قرار دادن شانه درون ژل چاهک درست میکنیم. پس از سرد شدن ژل و خارج کردن شانه مواد حاصل از هضم آنزیمی را با x Loading 6 مخلوط و به چاهک ها منتقل میکنیم در یکی از چاهکها bp DNA Ladder100 به عنوان نشانگر طول قطعات میریزیم و با برقراری جریان الکتریکی قطعات DNA حاصل براساس اندازه خود در طول ژل از قطب منفی به مثبت دستگاه الکتروفورز حرکت کرده و از هم جدا میشوند.
3-7 رنگ آمیزی ژلبه منظور اینکه قطعات DNA روی ژل آگاروز قابل رؤیت شود، ژل را از دستگاه الکتروفورز بیرون آورده و به مدت 10الی 15 دقیقه درون ظرف حاوی اتیدیوم بروماید (µg/ml1) قرار میدهیم، پس از آن ژل را درون دستگاه Gel documentation قرار داده و با روشن کردن نور UV از آن عکس گرفته و مشاهده میکنیم.

شکل 3-1: نتایج حاصل از PCR –RFLP چند شکلی ژنتیکی CAT C-262Tبر روی ژل آگاروز
شکل 3-2: نتایج حاصل از PCR -RFLP چند شکلی
ژنتیکی NQO1 C609T بر روی ژل آگاروز3-7 تحلیل آمارینتایج حاصل از مطالعه که برروی بیماران پیوند کبد و چندشکلی ژنهای CAT وNQO1 انجام گرفت بانرمافزار SPSS، با به کارگیری روش کای اسکور (x2) و آنالیز آماری رگرسیون لوجستیک و آزمون t-test با در نظر گرفتن سطح معنیداری ٠۵/٠P< مورد تجزیه و تحلیل قرار دادیم.
فصل چهارم
نتایج4-1 مشخصات افراد شرکت کننده در این مطالعهدر این مطالعه 217 نفر از بیماران پیوند کبد با میانگین سنی 2/18±5/33 مورد بررسی قرار گرفتند. در میان بیماران پیوند کبد 47 بیمار با میانگین سنی 2/16±7/36 با رد حاد پیوند کبد و 170 بیمار با میانگین سنی 7/18±6/32 بدون رد حاد پیوند بودهاند. همچنین 217 نفر افراد سالم با میانگین سنی 3/10 ±0/30 به عنوان گروه کنترل مورد استفاده قرار گرفت.
4-2 نتایج حاصل از بررسی ریسک فاکتور های دخیل در رد پیوند کبد و مشخصات بیمارانآنالیز عوامل خطر مانند جنسیت پذیرنده و دهنده بافت، گروه خونی، سن گیرنده ودهنده بافت بین گروههای بیمار دارای رد حاد و فاقد رد حاد پیوند تفاوت معنی داری از لحاظ آماری نشان نداد. )05/0<P) آنالیز عوامل خطر از طریق تست رگرسیون لوجستیک انجام گرفت.
جدول 1-4 بررسی ریسک فاکتورهای دخیل در رد پیوند کبد و مشخصات بیمارانفاکتور مورد مطالعه فاقد رد پیوند حاد (n=170)(%) دارای رد پیوند حاد (n=47)(%) OR CI%95 P-value
جنسیت گیرنده
مرد (61) 104 (66) 31 1 زن (39) 66 (34) 16 813/0 41/0-60/1 550/0
جنسیت دهنده مرد (58) 100 (74) 35 1 زن (42) 70 (26) 12 042/2 99/0-20/4 053/0
گروه خونی O (38) 65 (28) 13 1 A (29) 50 (34) 16 60/1 70/0-20/3 261/0
B (29) 48 (34) 16 66/1 73/0-20/3 223/0
AB (4) 7 (4) 2 42/1 26/0-20/7 677/0
RH مثبت (88) 149 (93) 44 1 منفی (12) 21 (7) 3 48/0 13/0-69/1 257/0
جدول 2.4- بررسی ریسک فاکتورهای کمی دخیل در رد پیوند کبد و مشخصات بیمارانفاکتور مورد مطالعه فاقد رد پیوند حاد دارای رد پیوند حاد df t-test P-value
میانگین سن پذیرنده بافت
میانگین سن دهنده بافت 7/18±66/32
8/14±73/30 2/16±76/36
8/13±39/33 215
192 364/1-
059/1- 174/0
291/0
4-3 نتایج حاصل از بررسی چند شکلی ژن CAT درافراد سالم و بیماران پیوند کبدفراوانی ژنوتیپهای سه گانهCC، CT و TT ژنCAT در گروه سالم به ترتیب: 9/64 %، 2/29 % و 9/5 % و در بیماران پیوند کبد به ترتیب: 2/58 %، 4/35 % و 4/6 %بدست آمد. فراوانی آللهای C و T در افراد سالم به ترتیب: 79/0 و 21/0 و در بیماران پیوند کبد: 76/0 و 24/0 است. (جدول 3-4) در جمعیت سالم تعادل هاردی- واینبرگ را مورد بررسی قرار دادیم که نشان دهنده نرمال و در تعادل بودن جمعیت بود(P>0.05، df=1، X2=1.45).
جدول 4-3 مقایسه ژنوتیپ های ژن کاتالاز در گروه سالم و بیمار پیوند کبدسالم N(%) پیوند کبد N(%)
ژنوتیپ ها CC (65) 141 (58) 126
CT (30) 63 (36) 77
TT (5) 13 (6) 14
آلل C (79) 345 (76) 329
T (21) 89 (24) 105
4-4 مقایسه ی فراوانی ژنوتیپی و آللی بین دو گروه سالم و بیمار در ژن کاتالازبا استفاده از آنالیز آماری رگرسیون لوجستیک مقایسه فراوانیهای ژنوتیپی و آللی ژن CAT بین دو گروه سالم و بیماران پیوند کبد انجام شد.
جدول 4-4 آنالیز توزیع فراوانی های ژنوتیپی و آللی ژن کاتالاز در بین گروه سالم و بیماران پیوند کبدسالم بیماران پیوند کبدی OR
CI95% P-value
ژنوتیپ CC 141 126 1 - -
CT 63 77 36/1 06/2-90/0 135/0
TT 13 14 20/1 66/2-54/0 644/0
CT+TT 76 91 34/1 10/2-50/0 139/0
آلل C 345 329 1 T 89 105 237/1 70/1-89/0 193/0
4-5 مقایسه ی فراوانی ژنوتیپی و آللی بین بیماران با رد حاد پیوند و بیماران فاقد رد حاد پیوند در ژن کاتالازمقایسه فراوانیهای ژنوتیپی و آللی بین دو گروه بیماران با رد حاد و فاقد رد حاد پیوند در ژن CAT انجام شد. که در هیچ یک ارتباط معنیداری مشاهده نشد (05/0<P).
جدول 4-5 آنالیز توزیع فراوانی های ژنوتیپی و آللی در ژن کاتالاز در بین بیماران پیوند کبدفاقد رد پیوند حاد N(%) دارای رد پیوند حاد N(%) OR CI95% P-value
ژنوتیپ CC (9/55)95 (0/66)31 1 CT (0/37)63 (8/29)14 681/0 33/0-38/1 287/0
TT (1/7)12 (2/4)2 511/0 10/0-40/2 396/0
CT+TT (1/44)75 (0/34)16 654/0 33/0-28/1 217/0
آلل C (2/58)253 (5/69)76 1 T (8/41)87 (5/30)18 689/0 39/0-21/1 199/0
4-6 نتایج حاصل از بررسی چند شکلی ژن NQO1 درافراد سالم و بیماران پیوند کبدمطابق با جدول 4-6 فراوانی آلل های C و T ژن NQO1 در افراد سالم به ترتیب: 73/0 و 27/0 و در گروه بیمار به ترتیب: 75/0 و 25/0 بدست آمد. فراوانی ژنوتیپهای CC، CT وTT در افراد سالم به ترتیب: 5/52 % ، 5/40 % و 9/6 % و در گروه بیمار پیوند کبد به ترتیب: 9/53 %، 4/41 % و 6/4 % بود و در بررسی گروه سالم مشاهده شد که جمعیت از تعادل هاردی- واینبرگ تبعیت میکند(P>0.05، df=1، X2=3.25).
جدول 4-6 مقایسه ژنوتیپ های ژن NQO1 در گروه سالم و بیمار پیوند کبدسالم N(%) پیوند کبد N(%)
ژنوتیپ ها CC (53) 114 (54) 117
CT (40) 88 (41) 90
TT (7) 15 (5) 10
آلل C (73) 316 (75) 324
T (27) 118 (25) 110
4-7 مقایسه ی فراوانی ژنوتیپی و آللی بین دو گروه سالم و بیمار ژن NQO1با استفاده از آنالیز آماری رگرسیون لوجستیک مقایسه فراوانیهای ژنوتیپی و آللی ژن NQO1 بین دو گروه سالم و بیماران پیوند کبد انجام شد.
جدول 4-7 آنالیز توزیع فراوانی های ژنوتیپی و آللی ژنNQO1 در بین گروه سالم و بیماران پیوند کبدسالم
بیماران پیوندی OR CI95% P-value

منبع علمی مقاله user872

و بیماران فاقد رد حاد پیوند 36
7.4- بررسی ارتباط ژنوتیپهای ژن CAT و NQO1 با ریسک
فاکتورهای رد حاد پیوند کلیه 38
فصل پنجم: بحث و نتیجهگیری
بحث و نتیجهگیری 40
پیشنهادات 45
فهرست منابع و مأخذ 46
فهرست جداول
عنوان صفحه
جدول 1.3- 20
جدول 2.3- مواد مورد نیاز جهت تهیه مخلوط واکنش PCR 24
جدول 3.3- برنامه تنظیم شده برای واکنش PCR جهت تکثیر ژن NQO1 25
جدول 4.3- قطعات حاصل از هضم آنزیمی برای ژنوتیپهای
چندشکلی ژنتیکی NQO1 26
جدول 5.3- برنامه تنظیم شده برای واکنش PCR جهت تکثیر ژن CAT 26
جدول 6.3- قطعات حاصل از هضم آنزیمی برای ژنوتیپ های
چندشکلی ژنتیکی CAT 27
جدول 1.4- بررسی ریسک فاکتورهای دخیل در رد پیوند کلیه
و مشخصات بیماران 32
جدول 2.4- بررسی ریسک فاکتورهای کمی دخیل در رد پیوند کلیه
و مشخصات بیماران 33
جدول 3.4- مقایسه ژنوتیپ های ژن CAT در گروه سالم و بیمار پیوند کلیه 33
جدول 4.4- مقایسه ژنوتیپ های ژن NQO1 در گروه سالم و بیمار پیوند کلیه 34
جدول 5.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی ژنCAT در بین گروه سالم
و بیماران پیوند کلیه 35
جدول 6.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی ژنNQO1 در بین گروه سالم
و بیماران پیوند کلیه 35
عنوان صفحه
جدول 7.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی در ژن CAT
در بین بیماران پیوند کلیه 37
جدول 8.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی در ژن NQO1
در بین بیماران پیوند کلیه 37
جدول 9.4- اثر ریسک فاکتور منبع بافتی باژنوتیپ های ژنCAT 38
جدول 10.4- اثر ریسک فاکتور منبع بافتی باژنوتیپ های ژن NQO1 38
فهرست شکلها
عنوان صفحه
شکل 1.1- ساختار ژن CAT و چندشکلی ژنتیکی CAT C-262T 10
شکل 2.1- ساختار ژن NQO1 و چندشکلی ژنتیکی NQO1 C609T 11
شکل 1.3- نتایج حاصل از PCR-RFLP چندشکلی ژنتیکی CAT C-262T
قابل مشاهده بر روی ژل آگاروز 28
شکل 2.3- نتایج حاصل از PCR-RFLP چندشکلی ژنتیکی NQO1 C609T
قابل مشاهده بر روی ژل آگاروز 29
فصل اول

مقدمه
1.1-پیوند کلیه
پیوند کلیه به عنوان درمان انتخابی برای بیماران با مرحله نهایی بیماری کلیوی (ESRD) که از عوامل مختلف ناشی میشود، تبدیل شده است. ESRD نشانه ای برای پیوند کلیه است که در آن میزان فیلتراسیون گلومرولی کلیه به کمتر از ml/min 15 میرسد. پیامد های پیوند در طول سالهای اخیر به طور قابل توجهی بهبود یافته است. (Sayegh MH et al, 2004, Keith DS et al,2005)
پیوند کلیه یک انسان به انسان دیگر بنام Renal allograft نامیده میشود که دهندهی کلیه، انسان زنده (خویشاوند، غیر خویشاوند) یا جسد (عمومأ دچار مرگ مغزی) میباشد. (Phadke G et al, 2011) تا سال 1389 جمعیت بیماران دچار نارسایی کلیه در ایران 320 هزار نفر بوده است که 49% این بیماران از روش درمانی پیوند کلیه، 48% از روش دیالیز خونی و 3% از روش دیالیز صفاقی استفاده میکردند. (Zwieble William J et al, 2000)
برای پیشگیری و درمان پس زدگی عضو پیوندی از داروهای سرکوب کننده سیستم ایمنی استفاده میشود. این داروها انواع متنوعی دارند که هر کدام با مکانیسم جداگانهای باعث سرکوب سیستم ایمنی میشوند و با توجه به شرایط بیمار معمولا یک ترکیب سه دارویی یا دو دارویی برای بیمار تجویز میشود، معمولترین داروهایی که استفاده میشود شامل: ساندیمون، سل سپت، پردنیزولون و اف کا میباشد. به دلیل استفاده از این داروها گیرندگان پیوند کلیه در معرض ابتلا به عفونت و برخی از بدخیمیها میباشند، علاوه بر موارد ذکر شده ممکن است بافت پیوندی دچار پسزدگی شود برای پیشگیری از عوارض مطرح شده، قبل از پیوند آزمایشات کامل فیزیکی برای تشخیص و درمان مواردی که میتواند پس از عمل پیوند باعث بروز مشکلاتی در بیمار شود، انجام میگیرد. تعیین نوع بافت، گروه خون و آنتی بادی، برای تعیین هماهنگی بین بافت و سلولهای دهنده و گیرنده ضروری است. گیرنده پیوند در زمان پیوند نباید هیچ گونه عفونتی داشته باشد، زیرا پس از عمل به دلیل استفاده از دارو های سرکوب ایمنی در معرض خطر عفونت قرار دارد. (Cornell et al,2008) علم پیوند کلیه در نیم قرن گذشته به طور قابل توجهی پیشرفت کرده است که عمدتأ به دلیل درک بهتر سیستم ایمنی بدن در رد پیوند و مدیریت بهتر سرکوب سیستم ایمنی میباشد. (Morris PJ, 2004, Sayegh MH et al, 2004)
تهدید ایمنولوژیک پیوند کلیه قبل از پیوند شروع میشود و ناشی از اثرات سیستمیک مرگ مغزی دهنده یا ایسکمی- ریپرفیوژن حین عمل میباشد. ایسکمی به دنبال ریپرفیوژن بیان آنتی ژنهای HLA را بالا میبرد و باعث به راه افتادن آبشاری از کموکاینها، سیتوکینهای پیش التهابی و مولکولهای چسبنده در پیوند میشود. این افزایش آنتی ژنهای HLA، پاسخ ایمنی و نفوذ سلولی پیوند را تشدید میکند و هر دو این پاسخها خطر رد پیوند را افزایش میدهد. (Briscoe DM et al, 1998, Kim IK et al, 2008)
اولین پیوند کلیه در 17 ژوئن سال 1950 در Ruth Tucker، بر روی یک زن 44 ساله مبتلا به بیماری پلی- کیستیک کلیه انجام گرفت. کلیه اهدا شده 10 ماه بعد از پیوند رد شد به دلیل اینکه هیچ داروی سرکوب کننده سیستم ایمنی در آن زمان در دسترس نبود. اولین پیوند موفقیت آمیز کلیه، در سال 1954 در بوستون و پاریس در بیمارستان بریگهام توسط جوزف موری و همکارانش بر روی دو قلو های همسان (رونالد و ریچارد) انجام گرفت. (Petechuk D, 2006) اولین پیوند کلیه در ایران در سال 1346 شمسی در شیراز انجام شد. ( Wishart DS, 2008, Ghods AJ, 2002)
2.1-رد پیوند کلیه
رد پیوند همواره از موانع اصلی در پروسه پیوند بوده است. پیوند بافت یا سلول از یک دهنده که از نظر ژنتیکی با دریافت کننده پیوند متفاوت است باعث به وجود آمدن یک پاسخ ایمنی بر علیه آنتی ژن های فرد دهنده پیوند میشود که اگر کنترل نشود، این پاسخ ایمنی پیوند را از بین میبرد. رد پیوند ناشی از مکانیسمهای مختلف مرتبط با آنتی بادیها، سیستم کمپلمان، سلولهای T ودیگر انواع سلولها میباشد. انواع مختلف سلولها در پیوند به عنوان هدف توسط این واسطهها تحت تأثیر قرار میگیرند به خصوص سلولهای اندوتلیال و سلولهای توبولی. برخی از واسطههای التهابی، به عنوان مثال اینترفرون گاما میتواند حساسیت پیوند به آسیب را تغییر بدهد. رد پیوند را میتوان به وسیلهی تطبیق مولکولی بین دهنده و گیرنده و به وسیلهی استفاده از داروهای سرکوب کننده سیستم ایمنی بعد از پیوند کاهش داد. (Frohn C et al, 2001)رد پیوند یک پاسخ ایمنی تطبیقی است که از طریق ایمنی سلولی (بواسطه سلول های T کشنده و القاء آپوپتوز سلول های هدف) و همچنین ایمنی همورال (بواسطه فعال کردن سلول های B ترشح کننده آنتی بادی) انجام میگیرد که این اقدام توسط اجزای پاسخ ایمنی ذاتی (ماکروفاژ ها و پروتئین های ایمنی محلول) همراهی میشود.
3.1- رد حاد پیوند
رد حاد پیوند یک عارضه جدی و مهم بعد از پیوند است و یک عامل مهم در ایجاد رد مزمن پیوند محسوب می-شود. به نظر میرسد این پدیده دارای یک زمینهی ایمنولوژیک بوده و سیستم ایمنی نقش اساسی دارد. رایج-ترین شکل رد حاد پیوند زمانی آغاز میشود که آنتی ژنهای دهنده پیوند بوسیلهی سلولهای عرضه کننده آنتی ژن (APC) به لنفوسیتهای T در گیرنده عرضه شود. (Larsen CP et al, 1990) بیوپسی از کلیه پیوندی روش استاندارد برای تشخیص رد حاد است. رد حاد به طور سنتی بر اساس سرعت و شدت فرآیند rejection به گروههای hyper acute، accelerate acute و acute rejection طبقه بندی میشوند.
تشخیص رد حاد نه تنها متکی بر علائم و نشانههای بالینی در بیمار است، بکله بر اساس دادههای آزمایشگاهی چون بیوپسی بافت صورت میگیرد. آسیب شناس آزمایشگاه به طور کلی به دنبال سه نشانه اصلی بافت شناسی میگردد: 1- نفوذ سلول های T، که ممکن است با نفوذ ائوزینوفیلها، سلولهای پلاسما و نوتروفیلها همراه باشد، 2- سازش ساختار آناتومی بافت و 3- آسیب رگهای خونی. بیماران مبتلا به رد حاد سلولی، یک افزایش ناگهانی در کراتینین سرم، تجمع مایعات و گاهی اوقات تب و tenderness (حساس شدن به لمس) پیوند را نشان میدهند. با درمان فعلی بروز رد حاد در سال اول پس از پیوند تقریبأ 10-5 % میباشد. از لحاظ پاتولوژیکی رد حاد با تجمع سلولهای تک هستهای در فضای بین توبولی همراه با التهاب در توبولها و گاهی اوقات در رگهای خونی تجلی مییابد. (Colvin RB et al, 2006) حملات رد حاد پیوند کلیه یک عامل خطر برای بقاء کوتاه مدت و بلند مدت پیوند در نظر گرفته میشود. (Pallardo LM et al, 2004) تعدادی از عوامل که بقاء کوتاه مدت پیوند را تحت تأثیر قرار میدهند عبارتند از: عملکرد تأخیری پیوند (DGF) ، آنتی بادی-های ضد HLA، نوع اهدا کننده پیوند، گروه خونی، افزایش سن دهنده و گیرنده پیوند، وزن گیرنده، فشار خون بالا، دیابت و... از عوامل خطر قابل توجه برای از دست دادن پیوند میباشند که برخی از این عوامل را به اختصار توضیح میدهیم.
4.1- DGF
از دست دادن پیوند به علت اختلال در عملکرد مزمن پیوند یک نگرانی عمده در دریافت کنندههای پیوند کلیه میباشد. (Briganti EM et al, 2002, Chapman JR et al,2005) وقوعDGF بیش از 3-2 هفته بعد از پیوند طول میکشد. علل اختلال عملکرد کلیه بسته به مدت زمان پس از پیوند، منبع ارگان زنده یا جسد، نوع سرکوب سیستم ایمنی، بیماری های زمینهای و... متفاوت است. تخمین زده شده که در 50-30 % از پیوندها اختلال در عملکرد در طول دوره اولیه پیوند گسترش مییابد. (Giral Class M et al, 1998) DGF را میتوان بسته به زمان پس از پیوند به دو نوع زودرس و تأخیری تقسیم کرد. اختلال عملکرد حاد یا تحت حاد کلیه با افزایش ناگهانی کراتینین سرم آشکار میشود. اختلال عملکرد تأخیری پیوند معمولأ 6 ماه پس از پیوند بروز میکند که با بالا رفتن به آرامی کراتینین سرم خودش را نشان میدهد. اغلب با پروتئنوری با درجه کم و فشار خون بالا همراه است و به میزان 4-2 % در هر سال اتفاق میافتد.
5.1- آنتی بادیهای ضد HLA
پاسخهای خود ایمنی عمدتأ بر علیه مولکول های سطح سلول که تحت عنوان مولکولهای MHC خوانده می-شوند، انجام میگیرد. مولکولهای MHC در انسان آنتیژن لکوسیت انسانی (HLA) نامیده میشوند. این مولکولها مسئول ارائه آنتیژنهای خار ج و داخل سلولی به سلولهای سیستم ایمنی از جمله سلولهای T هستند. سلولهای T قادرند مولکول MHC خارجی سلولهای پیوند (به طور مستقیم) یا بعد از پردازش مجدد در سطح گیرنده سلولهای عرضه کننده آنتیژن (غیر مستقیم) تشخیص بدهد. بدن به طور معمول به مولکول-های MHC که از قبل در بدن وجود داشته پاسخ نمیدهد مگر اینکه از طریق بارداری، انتقال خون یا پیوند در معرض سلولهای خارجی قرار بگیرند. هر چه میزان سازگاری مولکولهای MHC دهنده با گیرنده بیشتر باشد سیستم ایمنی میزبان کمتر تحریک شده و پایداری بافت افزایش مییابد. (Morris PJ et al, 2004) اهمیت آنتیژنهای MHC در انسان بدیهی است به طوری که میزان طول عمر بقای پیوند در پیوندهای خواهر برادری با HLA مشابه به طور قابل توجهی بالاتر از پیوند خواهر برادری با HLA غیرمشابه میباشد. (Nankivell BJ et al, 2010) تقریبأ 25 % از رد حاد به علت آنتیبادی علیه آنتیژنهای HLA دهنده صورت میگیرد. (Colvin RB, 2007)
6.1- آنتی بادی علیه آنتی ژنهای گروه خونی
در پیوند کلیه، گروه خونی دهنده کلیه به طور معمول با گروه خونی گیرنده سازگار است. با این حال، پیوند کلیه در گیرندههایی که با فرد دهنده از نظر گروه خونی ناسازگاراند نیز با موفقیت، با استفاده از یک پروتکل تجربی پلاسمافرز یا immunoadsorption که مستلزم حذف آنتیبادی در گیرنده پیوند بعد از عمل است، صورت میگیرد. پس از حذف، آنتی بادیهای ضد گروه خونی به سطح قبل از پیوند افزایش مییابند. (Lynch RJ et al, 2008)
7.1- افزایش سن اهداکننده و دریافت کننده پیوند
در مطالعهای که در سال 2010 بر روی عوامل خطر مؤثر در از دست رفتن پیوند انجام شد، نتایج نشان داد که سن اهدا کننده یک عامل پیش آگهی و قابل توجه برای از دست رفتن پیوند است، بدین صورت که با افزایش یک سال در سن دهنده، خطر نسبی از دست رفتن پیوند 05/1 برابر افزایش مییابد. (Khalkhali HR et al, 2010)
8.1- اهدا کننده بافت
اینکه بافت پیوندی از فرد زنده دریافت شده باشد یا از فرد دچار مرگ مغزی، در بقای طولانی مدت پیوند تأثیر-گذار خواهد بود. به طوری که در بیمارانی که از فرد زنده و به خصوص از خویشاوندان درجه اول بافت میگیرند رد پیوند کاهش مییابد. تا سال 1387 در حدود 95-90 % پیوندها از اهدا کنندگان زنده و 5 تا 10 درصد آن از طریق پیوند از جسد انجام میگرفت، در حال حاضر، 96 درصد پیوندها از جسد و تنها حدود 4 درصد از پیوندها از اهدا کننده زنده دریافت میشود. همچنین مطالعات انجام شده در این خصوص حاکی از آن است که حدود 50-20 %، وقوع DGF در بیمارانی که از جسد بافت دریافت میکنند افزایش مییابد که ناشی از اثرات سیستمیک مرگ مغزی دهنده یا آسیب اسیکمی- ریپرفیوژن حین عمل میباشد.
(Nankivell BJ et al, 2010, Giral Classe M et al,1998)
9.1- استرس اکسیداتیو و آنتی اکسیدانت ها
استرس اکسیداتیو در نتیجهی افزایش غلظت گونههای فعال اکسیژن (ROS) و یا کاهش آنتی اکسیدانتها صورت میگیرد. (Crawford DA et al, 2011) که نشان دهندهی عدم تعادل در میزان تولید رادیکالهای آزاد و توانایی سیستم دفاع آنتی اکسیدانی در رفع واسطههای واکنش (ROS) و یا ترمیم آسیب به وجود آمده می-باشد. اثرات سمی ناشی از استرس اکسیداتیو که از طریق تولید پراکسیدها و رادیکالهای آزاد ایجاد میشود به تمام اجزای سلول از جمله: پروتئینها، لیپیدها و DNA آسیب میرساند. علاوه بر این، گونههای فعال اکسیژن به عنوان یک عامل پیامرسان در سیگنالینگ اکسید و احیاء عمل میکنند، بنابراین استرس اکسیداتیو میتواند باعث اختلال در مکانیسمهای طبیعی سیگنالینگ سلولی شود.
در انسان استرس اکسیداتیو در توسعه سرطان (BarryH , 2007)، بیماری پارکینسون و آلزایمر (Valko M et al, 2007)، آترواسکلروز، نارسایی قلبی (Singh N et al, 1995)، سندرم x شکننده (Diego-Otero Y et al, 2009)، بیماری خونی سلول داسی شکل (Amer J et al, 2006) و چند بیماری دیگر دخیل است. استرس اکسیداتیو شدیدتر میتواند باعث مرگ سلولها شود، استرس اکسیداتیو در حد متوسط میتواند آپوپتوز را آغاز کند، در حالیکه تنشها شدیدتر باشد ممکن است باعث نکروز شدن گردد. (Lennon SV et al, 1991) برای حفظ عملکرد سلولی در برابر ROS، سلولها سیستم دفاعی آنزیمی (به عنوان مثال: سوپر اکسید دیسموتاز، کاتالاز و گلوتاتیون پراکسیداز) و غیر آنزیمی (به عنوان مثال: گلوتاتیون و ویتامین هایی با نقش آنتی اکسیدان مثل ویتامین C و E) دارند که به وسیله ی آن ROS راسم زدایی میکنند. (Abdollahi M et al, 2004)
10.1- کاتالاز
کاتالاز آنزیم مشترک در تقریبأ تمام موجودات زنده هوازی میباشد که تجزیه پراکسید هیدروژن (H2O2) به آب و اکسیژن را کاتالیز میکند. (Chelikani P et al, 2004) کاتالاز مجموعهای از چهار زیر واحد یکسان (تترامر) است که هر زیر واحد آن دارای وزن مولکولی در حدود 60 کیلو دالتون میباشد و هر زیر واحد دارای یک گروه هِم میباشد. (Nagem R et al, 1999)
ژن کاتالاز 34 کیلو جفت باز طول دارد و شامل 12 اینترون و 13 اگزون می باشد. بخش پروموتر ژن کاتالاز غنی از GC و فاقد جعبهی TATA میباشد. ژن کاتالاز انسان بر روی بازوی کوتاه کروموزوم شماره 11 در موقعیت 13 این ژن (13P11) قرار گرفته است. (Quan F et al, 1986) تومور ویلمز (Wilm’s Tumor) یک نئوپلاسم رایج دوران کودکی است که با حذف در اطراف باند 13P کروموزوم 11 همراه است. در بعضی از افراد حذف با کاهش فعالیت آنزیم کاتالاز همراه است. در بافت پستانداران بالاترین سطح آنزیم کاتالاز در کبد، کلیه و گلبول های قرمز و پایین ترین سطح آن در بافت همبند یافت میشود. Shinga و همکارانش گزارش کردند که در سلولهای عضله صاف عروق و سلول های اندوتلیال آنزیم کاتالاز فاقد فعالیت میباشد. در بافت کبد کاتالاز به طور غالب در پراکسیزومها و در اریتروسیتهای بالغ بصورت آزاد در سیتوزول وجود دارد. (Quan F et al, 1986)
تجزیه پراکسید هیدروژن به آب و اکسیژن بوسیله ی آنزیم کاتالاز، یک فرآیند دو مرحلهای است:
1)H2O2 + Fe(III)-E → H2O + O=Fe(IV)-E
2) H2O2 + O=Fe(IV)-E → H2O + Fe(III)-E + O2
با وارد شدن پراکسید هیدروژن به جایگاه فعال آنزیم کاتالاز، با اسید آمینه های 147Asn و 74His برهمکنش میکند و باعث انتقال پروتون (یون هیدروژن) بین اتم های اکسیژن میشود که این انتقال یون هیدروژن به اتم-های اکسیژن آزاد سبب تشکیل یک مولکول آب میشود و Fe3+ به Fe4+ تبدیل میشود. Fe4+ با دومین مولکول هیدروژن پراکسید واکنش داده، آب و اکسیژن تولید میکند و به Fe3+ تبدیل میشود. (Vetrano AM et al, 2005)
تعدادی جهش و چند شکلی در ژن کاتالاز گزارش شده که بیشتر آنها با آکاتالاسمیا که یک صفت آتوزومال غالب بوده و سطح آنزیم کاتالاز گلبولهای قرمز 2/0-4 % بالاتر از حد نرمال است، همراه میباشد. (Ogata M, 1991)
چند شکلی که در این مطالعه مورد بررسی قرار دادیم، جایگزینی باز سیتوزین به تیمین در موقعیت 262- پروموتر ژن کاتالاز بود که افراد حامل آلل T (CT, TT) نسبت به افراد هموزیگوت برای آلل C(CC) به طور قابل توجهی سطح کمتری از آنزیم کاتالاز را نشان میدهند. (Ahn J et al, 2006)
ساختار ژن CAT و جایگاه چند شکلی مورد نظر در شکل زیر آمده است.

شکل 1.1- ساختار ژن CAT و چندشکلی ژنتیکی CATC-262T
11.1-NAD(P)H کوئینون اکسیدوردوکتاز1 (NQO1)
NQO1 یک آنزیم سیتوزولی است که قبلأ تحت عنوان DT-diaphorase نامیده میشد، از آنزیمهای مهم در متابولیسم زنوبیوتیکها به شمار میآید. این آنزیم احیاء دو اکترونی ترکیبات quinoid به هیدروکوئینون را کاتالیز میکند. از تولید رادیکالهای آزاد و گونه های فعال اکسیژنی جلوگیری میکند، در نتیجه از سلولها در برابر آسیب اکسیداتیو محافظت میکند. همچنین فعال سازی برخی از مواد زیست محیطی پیش ساز سرطان موجود در دود توتون و تنباکو مانند ترکیبات نیتروآروماتیک و آمین های هتروسیکلیک را کاتالیز میکند. (Chen H et al, 1999)
ژن این آنزیم بر روی موقعیت 22 بازوی بلند کروموزوم شماره 6 (22q16) قرار دارد. طول این ژن 20 کیلو جفت باز است که 5 اینترون و 6 اگزون را در خود جای داده است. (Ernster L,1987)
چند شکلی مورد بررسی در این مطالعه مربوط به جایگزینی اسید آمینههای سیتوزین به تیمین در موقعیت 609 اگزون شماره 6 ژن NQO1 میباشد که اسید آمینه پرولین جایگزین سرین میشود. (Wiencke JK et al, 1997) این جهش با کاهش فعالیت آنزیم همراه است و در 25-13 % ازجمعیت سفید پوستان دیده میشود. (Chen H et al, 1999) به طوری که آنزیم NQO1 در افرادی که ژنوتیپ TT دارند، یا فاقد فعالیت است یا فعالیت کمی دارد.(Siegel D et al, 1999) و افرادی که ژنوتیپ هتروزیگوت (CT) دارند تقریبأ نیمی از فعالیت آنزیم را دارند.
در شکل زیر ساختار و جایگاه چند شکلی ژنتیکی ژن NQO1 آمده است:

شکل 2.1- ساختار ژن NQO1 و چند شکلی ژنتیکی NQO1 C609T
12.1- هدف
از آنجا که رد حاد پیوند در حفظ بافت بصورت کوتاه مدت و بلند مدت دارای اهمیت است، مطالعات بسیاری بر روی عوامل ایمنی و غیر ایمنی مؤثر در رد حاد پیوند انجام گرفته است. چند شکلی ژنتیکی تک نوکلئوتیدی (SNP) از معمولترین تنوعات ژنتیکی در ژنوم انسان هستند و پتانسیل زیادی برای کاربرد در بررسی رابطه آن با تعدادی از بیماریها دارد. رادیکالهای آزاد اکسیژن به عنوان واسطههای پاتولوژیک در بسیاری از بیماری-ها دخیل هستند. استرس اکسیداتیو با پیشرفت بسیاری از بیماریها از جمله سرطان، بیماریهای عصبی، دیابت و بیماری مزمن کلیوی مرتبط است.یکی از سیستمهای دفاعی علیه آسیبهای ناشی از استرس اکسیداتیو در انسان آنزیم کاتالاز و NQO1 میباشد،از آنجا که استرس اکسیداتیو می تواند در نکروز شدن بافت تأثیر بگذارد، بر آن شدیم تا یک SNP در ژن CAT و یک SNP در اگزون 6 ژن NQO1 را بررسی کنیم. این مطالعه جهت بررسی ارتباط پلی مورفیسمC-262T ژن کاتالاز وC609T ژن NQO1 با رد حاد پیوند کلیه در بیماران دریافت کنندهی کلیهی پیوندی میباشد.
13.1- فرضیه
ژنوتیپTT و CTنسبت به ژنوتیپ CC در چند شکلی ژنتیکی C-262T ژن CAT خطر رد حاد پیوند کلیه را افزایش میدهد.
با افزایش آلل T در ژن CAT، خطر رد حاد پیوند کلیه افزایش مییابد.
ژنوتیپ TT و TC از چند شکلی ژنتیکی C609T ژن NQO1 درمقایسه با ژنوتیپ CC خطر رد حاد پیوند کلیه را افزایش میدهد.
با افزایش آلل T در ژن NQO1، خطر رد حاد پیوند کلیه افزایش مییابد.
فصل دوم

مروری بر تحقیقات پیشین
1.2- مطالعات انجام شده بر روی ژن کاتالاز
مطالعات بسیاری بر روی ژن کاتالاز و رابطه چند شکلیهای ژنتیکی آن با بیماریهای مختلف انجام گرفته است که به شرح زیر میباشد:
مطالعهای در سال 2009 توسط Piort Galecki و همکارانش بر روی ارتباط بین پلی مورفیسم عملکردی ژن CAT(C-262T) و احتمال افسردگی راجعه صورت گرفت که نتایج بدست آمده نشان داد هیچ ارتباط معنی-داری بین پلی مورفیسم ژن کاتالاز و خطر ابتلا به افسردگی وجود ندارد. (Galecki P et al, 2009)
در مطالعه ای که توسط Ozbay و همکارانش در سال 2011 بر روی ارتباط بین سطح آنزیمهای آنتی اکسیدانت خون و زمان حمله میگرن در بیماران مبتلا به میگرن انجام شد، کاهش آماری قابل توجهی در فعالیت GST-PX، CAT، SOD و سطوح GSH در بیماران مبتلا به میگرن در مقایسه با گروه شاهد مشاهده شد.(CAT, GSH P<0/001, GSH, SOD P<0/05) در بیماران مبتلا به میگرن و گروه شاهد تفاوت معنیداری برای ژنوتیپهای Mn-SOD و CAT مشاهده نشد اما در ژنوتیپ GSH-PX3 تفاوت معنیدار وجود داشت. تفاوتی در فراوانی آللی Mn-SOD، CAT و GHS-PX3 در بین بیماران و گروه شاهد نبود. در نتیجه آنزیمهای استرس اکسیداتیو و آنتی اکسیدانت ها ممکن است نقش مهمی در پاتوژنز میگرن ایفا کنند. (Ozbey U et al, 2011)
در مطالعهای که توسط Ahn و همکارانش در سال 2005 در خصوص ارتباط خطر سرطان سینه و ژنوتیپ کاتالاز و استفاده از میوه و سبزیجات و مکمل های غذایی در جزیره لانگ انجام شد نشان داد که فعالیت بالای ژنوتیپ CC ژن کاتالاز با کاهش 17 % خطر ابتلا به سرطان سینه در مقایسه با افرادی که حداقل یک آلل T دارند (TT,CT) مشاهده شد. (AhnJ et al, 2005)
در مطالعه ای که توسط Ji-Yeob Choi و همکاران درسال 2007 در بررسی پلی مورفیسمهای Ala16Val ژن Mn-SOD، C-262T ژن CAT و Pro200Lue ژن GPX1 و خطر ابتلا به سرطان پروستات بر روی مردان با سابقه کشیدن سیگار یا قرار گرفتن در معرض آزبست بودنند انجام شد، هیچ ارتباطی بین ژنوتیپهای Mn-SOD، CAT و GPX1 و خطر ابتلا به سرطان پروستات دیده نشد. (Choi JY et al, 2007)
در مطالعهای که توسط CristianoCapurso و همکارانش در سال 2008 در ارتباط با رابطه چند شکلی C-262T ژن CAT و بیماری آلزایمر انجام شد ، هیچ ارتباطی بین بیماری آلزایمر و این چند شکلی مشاهده نشد. (Capurso C et al, 2008)
در مطالعهای که توسط Zarbock و همکارانش در سال 2007 در ارتباط با خطر بیماری پسودوگزانتوما- الاستیکوم و چند شکلی ژنتیکی C-262T ژن CAT انجام شد، نشان داد که آلل C در این چند شکلی خطر ابتلا به این بیماری را افزایش میدهد. (Zarbock R et al, 2007)
در مطالعهای که توسط Chistiako و همکارانش در سال 2006 در رابطه با پلی مورفیسم T>C262 پروموتر ژن کاتالاز و ارتباط آن با نوروپاتی دیابتی نوع 1 در روسیه انجام شد، نتایج نشان داد که آللT 262- در ژن کاتالاز علیه توسعه سریع بیماری نوروپاتی دیابتی نوع1 نقش حفاظتی دارد. (Chistiako DA et al,2006)
در مطالعهای که توسط Chang Dong و همکارانش در سال 2012 در ارتباط با پلی مورفیسم CAT -21 A>T با سرطان کولورکتال انجام شد، تفاوت معنیداری بین ژنوتیپهای ژن CAT و همچنین فعالیت آنزیمی پایین تر در بیماران مبتلا به سرطان کولورکتال نسبت به گروه کنترل مشاهده شد. فعالیت کم آنزیم CAT با افزایش ریسک ابتلا به سرطان کولورکتال در ارتباط است، با این حال، هیچ مدرکی در حمایت از ارتباط پلی-مورفیسم CAT -21 A>T با خطر ابتلا به سرطان کولورکتال مشاهده نشد. (Chang D et al, 2012)
مطالعهای در سال 2006 توسط Mak و همکارانش در هنگ کنگ چین بر روی بیماران مبتلا به آسم و ارتباط آن با پلی مورفیسم CAT C-262T صورت گرفت که نشان داد، آلل T در جمعیت غیر سیگاری، در برابر بیماری آسم نقش حفاظتی دارد. (Mak et al, 2006)
مطالعهای در سال 2005 توسط Zhou و همکارانش بر روی دو SNP در پروموتر ژن کاتالاز و ارتباط آن با فشار خون بالا در سفیدپوستان و آمریکاییهای آفریقایی تبار انجام شد. اطلاعات بدست آمده نشان داد که تغییرات ژنتیکی در منطقه پروموتر ژن کاتالاز با استعداد ابتلا به فشار خون بالا در ارتباط است. (Zhou XF et al, 2005)
2.2- مطالعات انجام شده بر روی ژن NQO1
مطالعهای درسال 2003 توسط Lin Pو همکارانش در ارتباط با بررسی سه پلی مورفیسم ژنتیکی در ژنهای NQO1، گلوتاتیون S – ترانسفراز و سوپراکسیددیسموتاز با خطر ابتلا به سرطان ریه در تایوان انجام شد، نشان داد که به طور کلی پلی مورفیسم NQO1 و Mn-SOD با خطر ابتلا به سرطان ریه در ارتباط نیست. افراد حامل آلل نوع GSTP1 در معرض خطر بالای سرطان سلولهای سنگفرشی ریه هستند. با در نظر گرفتن عوامل خطری چون وضعیت سیگار کشیدن، جنسیت و نوع بافت بر روی این پلی مورفیسمها دیدند که نوع وحشی ژن NQO1 با سرطان ریه در افراد سیگاری همراه است. (Lin P er at,2003)
متا آنالیزی در سال 2013 توسط Zhu CL و همکارانش در رابطه با پلی مورفیسم C609T ژن NQO1 با سرطان دستگاه گوارش (DTC) انجام شد که به طور کلی از لحاظ آماری ارتباط معنی داری بین پلی مورفیسم این ژن وخطر DTC وجود دارد. (Zhu CL et al, 2013)
در سال 2013 توسط Hu Yanlig و همکارانش متا آنالیزی در ارتباط با بررسی پلی مورفیسم C609T ژن NQO1 و خطر ابتلا به سرطان مری انجام شد که نتایج بدست آمده نشان داد که ارتباط معنیداری بین ژنوتیپ مغلوب (TT) C609T، NQO1 و سرطان مری وجود دارد. (Yanlig H et al, 2013)
در مطالعهای که توسط Pandith A و همکارانش در سال 2011 در جمعیت کشمیری بر روی ارتباط بین چند شکلی ژنتیکی C609T ژن NQO1 و سرطان مثانه انجام شد، نشان داد که آلل T خطر ابتلا به سرطان مثانه را افزایش میدهد. (Pandith A et al, 2011)
مطالعهای دیگر در سال 2011 توسط Stavropoulou C و همکارانش در ارتباط با چند شکلی C609T ژن NQO1 و خطر ابتلا به بیماری های آلزایمر و پارکینسون انجام گرفت که در آن آلل T خطر ابتلا به این بیماری ها را افزایش میداد. (Stavropoulou C et al, 2011)
مطالعهای در سال 2013 توسط Liu و همکارانش در بررسی ارتباط پلی مورفیسم عملکردی NQO1 C609T و خطر ابتلا به سرطان سلولهای کبدی در جمعیت چین انجام شد. نتایج نشان داد در افرادی که ژنوتیپ TT دارند در مقایسه با افراد دارای ژنوتیپ CC به طور قابل توجهی خطر ابتلا به سرطان سلولهای کبدی افزایش مییابد. (Liu F et al, 2013)
متا آنالیزی در سال 2012 توسط Zhang و همکارانش در رابطه با پلی مورفیسم NQO1 C609T و خطر ابتلا به سرطان معده در آسیاییها انجام شد. نتایج حاصل از مقایسه آلل T و آلل C این ژن نشان داد که در افراد دارای آلل T نسبت به افراد دارای آلل C، به طور قابل توجهی شانس ابتلا به سرطان معده افزایش مییابد. (Zhang Y et al, 2012)

3.2- مطالعات پیشین انجام شده در خصوص پیوند کلیه
مطالعهای در سال 2011 توسط Amanda Crawford و همکارانش بر روی فعالیت آنزیمهای گلوتاتیون پراکسیداز، سوپراکسیددیسموتاز و کاتالاز و پیشرفت بیماری مزمن کلیوی CKD)) انجام شد. SNPهای مورد بررسی شامل: تبدیل اسید آمینه لوسین به پرولین(C>T) در موقعیت 197 ژن GPX1، تغییر اسید آمینه آلانین به والین (C>T) در موقعیت 16 ژن SOD و C-262T در ژن کاتالاز بود.بررسیهای انجام شده نشان داد که SNPهای مورد مطالعه در ژن GPX1 و ژن کاتالاز با پیشرفت بیماری مزمن کلیوی ارتباطی ندارد اما در بیماران CKD که در ژن SOD دارای ژنوتیپهای Ala/Val و Val/Valهستند نسبت به افرادی که دارای ژنوتیپ Ala/Ala هستندکاهش بیشتری در عملکرد کلیه شان نشان میدهند.
(Crawford A et al, 2011)
مطالعهای توسط Singh و همکارانش در سال 2009 در شما هندوستان بر روی ارتباط بین دو ژن GSTM1 و GSTP1 و رد حاد پیوند کلیه انجام گرفت که نشان داد چند شکلیهای این دو ژن رابطه شدیدی با DGF و رد حاد پیوند دارد. (Singh R et al, 2009)
مطالعهای در سال 2013 توسط Guo Y و همکارانش بر روی پلی مورفیسم ژن CTLA4 و بروز عفونت پس از پیوند کلیه در دریافت کنندههای چینی انجام شد که در آن هیچ ارتباطی بین SNP های ژن CTLA
(- 1772 T>C, +49 A>G,+6230 G>A) و عفونتهای باکتریایی پس از پیوند یافت نشد.
(Guo Y et al, 2013)
مطالعهای در سال 2008 توسط Pagliuso و همکارانش بر روی چند شکلیهای ژنهای GSTM1 و GSTT1 با پیشرفت بیماریهای مزمن کلیوی در برزیل انجام شد که نشان داد ژنوتیپهای null این دو ژن هیچ گونه ارتباطی با پیشرفت این بیماری ندارد. (Pagliuso RG et al, 2008)
فصل سوم

مواد و روش ها
1.3- نمونه گیری
در این طرح، مطالعه بر روی 222 نفر از بیماران پیوند کلیه در مرکز پیوند بیمارستان نمازی شیراز طی سالهای 91_1390 انجام شد که از این تعداد 144 نمونه خون کامل و 78 نمونه بافیکت بود. DNA را از نمونههای خون به روش جوشاندن و از نمونههای بافیکت با استفاده از کیت DNP متعلق به شرکت سیناژن استخراج کردیم. نمونههای کنترل نیز به تعداد 224 نمونه در این مطالعه وارد گردید. در نهایت یک مطالعه مورد-شاهدی بین افراد سالم و بیماران پیوند کلیه و یک مطالعه کوهورت بین بیماران پیوند دارای رد حاد و فاقد رد حاد انجام شد. جدول 1.3 مشخصات این بیماران را نشان میدهد. در این مطالعه رد حاد پیوند به افرادی اطلاق میگردد که در طول 6 ماه اول پیوند با بیوپسی (نمونه برداری از بافت) رد حاد آن ها تایید شدهاست.
جدول 1.3:
مشخصات سالم بیماران پیوند کلیه
تعداد کل
میانگین سن 224
14/15±49/40 222
54/14±68/41
2.3- وسایل مورد نیاز
وسایل استفاده شده در این پروژه شامل:
سمپلر(Brand, Socorex)، ترازو، میکرو سانتریفیوژ (Hettich)، ورتکس (Scientific industries INC)، اتوکلاو (ریحان طب)، مایکروفر (بوتان)، دستگاه ترموسایکلر (Techne)، Hot plate(Techne)،Rotator (پدیده نوژن پارس)، PH-meter(Metrohm)، Electrophoresis(تانک الکتروفورز و منبع تغذیه جریان الکتریکی پایامنبع علمی مقاله)، دستگاه Gel documentation(UvitecCambridge).
3.3- محلولهای استفاده شده جهت استخراج DNA از نمونه خون کامل
محلولهای استفاده شده شامل:
NaOH (50 میلی مولار)، TrisHCl (1 مولار)، محلول NH4Cl (170 میلی مولار)، محلول NaCl-EDTA (10 میلی مولار) می باشد که از طریق روش گفته شده در کتاب Molecular Cloning: A Laboratory Manual تهیه شدند. (Green MR et al, 2012)
4.3- محلولهای استفاده شده جهت استخراج DNA از نمونه بافی کت
پروتئاز mg/ml 20 (proteinase K)، Lysis Solution، Wash Buffer (Ethanol Base)
Precipitation Solution(Isoprppanole Base)،Solvent Buffer
5.3- مواد لازم جهت انجام PCR
Taq DNA Polymerase (سیناژن)، dNTPs (سیناژن)، MgCl2 (سیناژن)، بافر 10x(10x buffer) مخصوص PCR(سیناژن) و پرایمر های رفت و برگشت ژن CAT و NQO1 (سیناژن)
6.3- مواد لازم جهت انجام الکتروفورز
بافرTBE، محلول اتیدیوم بروماید (x1000)، Tris Base (سیناژن)، Boric acid (Merck)، EDTA (Merck) 6xloading buffer (سیناژن)، Agarose(Invitrogen)، 100bp DNA ladder (Vivantis)
7.3- مواد استفاده شده جهت اثر دادن آنزیم محدود کننده
آنزیم محدود کنندهhinf1 و EcoRV(Fermentas) و بافرEcoRV و بافرv3
8.3-استخراج DNA از خون محیطی
استخراج DNA از خون کامل به روش جوشاندن (Boiling) انجام شد که جزئیات روش کار طبق موارد گفته شده در منبع مورد نظر میباشد. (Newton CR et al, 1995)
9.3- استخراج DNA از بافی کت با کیت DNP
1- 5 ماکرولیتر Protease را روی 100 ماکرولیتر از نمونه بافی کت ریخته و آن را به مدت 10 ثانیه ورتکس میکنیم سپس تیوب ها را به مدت 10 دقیقه درون Hot plate 72 درجه سانتیگراد قرار میدهیم.
2- بعد از بیرون آوردن تیوب ها از Hot plate 72 درجه، 400 ماکرو لیتر Lysis Solution ریخته و به مدت 20- 15 ثانیه ورتکس میکنیم تا یک سوسپانسیون کاملا هموژن بدست آید بطوری که هیچ لخته یا ماده حل نشدنی درون تیوبها مشاهده نشود.
3- به محلول فوق 300 ماکرولیتر از Precepitation Solution اضافه کرده و برای 5 ثانیه ورتکس میکنیم، سپس تیوبها درون سانترفیوژ با دور g 12000به مدت 10 دقیقه قرار میدهیم.
4- بعد از بیرون آوردن از سانترفیوژ محلول رویی تیوب ها را خالی کرده و تیوب ها را روی یک دستمال به مدت 3-2 ثانیه قرار میدهیم.
5- تیوب ها را برگردانده و به هر کدام 1 میلی لیتر از Wash Buffer اضافه کرده و به مدت 5-3 ثانیه ورتکس کرده و مجددأ درون سانترفیوژ با دورg 12000 این دفعه به مدت 5 دقیقه قرار میدهیم.
6- بعد از اتمام زمان سانترفیوژ مایع رویی را خالی کرده و رسوب ته تیوب را نگه داشته و برای اینکه -Wash Buffer درون تیوبها کاملا خشک شود آن ها را به مدت 5 دقیقه درون Hot plate 65 درجه قرار میدهیم.
7- بعد از خشک شدن تیوبها آن ها را بیرون آورده و 30 ماکرولیتر از 8ه اضافه کرده تیوبها را به آرامی تکان میدهیم و مجددأ درون Hot plate 65 درجه قرار میدهیم به مدت 5 دقیقه تا رسوب ته تیوب که همان DNA است به خوبی حل شود. DNA بدست آمده را در دمای 20- درجه سانتیگراد نگهداری می-کنیم.10.3-PCR
از واکنش زنجیرهای پلیمراز جهت تعیین ژنوتیپهای چندشکلی ژنتیکی ژنهایCAT C-262T و NQO1 C609T استفاده کردیم. برای انجام این کار مواد مورد نیازی که در بالا ذکر شد را از فریزر 20- درجه سانتیگراد بیرون میآوریم. لازم به ذکر است که آنزیم Tag پلیمراز را در آخر، هنگام اضافه کردن بیرون میآوریم. بعد از آب شدن مواد در دمای اتاق جهت درست کردن میکس آنزیم آنها را روی یخ قرار می-دهیم. کلیه مواد به جزdNTP قبل از استفاده به مدت 5 ثانیه ورتکس میکنیم. جهت تهیه 20 ماکرولیتر مخلوط واکنش به ازای هرتیوب، مواد مورد نیاز را طبق جدول 2.3 با هم مخلوط میکنیم.
جدول 2.3- مواد مورد نیاز جهت تهیه مخلوط واکنش PCR
اجزای واکنش حجم مورد نیاز به ازای هر واکنش (μl)
10x PCR buffer 5/2
dNTP (10 mM) 5/0
MgCl2 (50 mM) 75/0
10) پرایمر رفتμM( 1
10)پرایمر برگشتμM( 1
Taq DNA polymerase 3/0
آب استریل 95/13
DNA --plate 5
پرایمرهای رفت و برگشت مورد استفاده جهت تکثیر قطعه مورد نظر از ژنNQO1:
Forward primer 5’-TCC TCA GAG TGG CAT TCT GC-3’
Reverseprimer 5- TCT CCT CAT CCT GTA CCT CT-3’
(Sameer AS et al, 2010)
پرایمرهای رفت و برگشت مورد استفاده جهت تکثیر قطعه مورد نظر از ژن CAT :
Forward primer 5’-CTGATAACCGGGAGCCCCGCCCTGGGTTCGGATA-3’
Reverse primer 5’-CTAGGCAGGCCAAGATTGGAAGCCCAATGG-3’
(Zarbock R et al. 2007)
بعد از اینکه مخلوط واکنش را آماده کردیم در هر تیوب 20 ماکرولیتر از مخلوط ریخته و به آن 5 ماکرولیتر DNA --plate اضافه میکنیم. برای انتقال قطرات چسبیده به دیواره به ته تیوب، به مدت چند ثانیه -spin down میکنیم و در دستگاه PCR قرار میدهیم. جهت انجامPCR از مراحل آورده شده در جداول 3.3 و 5.3 استفاده میکنیم.
جدول 3.3- برنامه تنظیم شده برای واکنش PCRجهت تکثیر ژن NQO1
مرحله دما(°C) زمان
دناتوراسیون اولیه 94 7 دقیقه
41سیکل دناتوراسیون 94 30 ثانیه
اتصال 58 30 ثانیه
طویل شدن 72 30 ثانیه
بسط نهایی 72 5 دقیقه
در ژن NQO1 محصول PCR یک قطعه 230 جفت بازی است. پس از پایان PCR، به 10 ماکرولیتر از محصول PCR، 2 ماکرولیتر از بافرV3و 25/0 ماکرولیتر (معادل 5 واحد) از آنزیم hinfIاضافه کرده و تیوب ها را به مدت 17 ساعت درون Hot plate37 درجه سانتیگراد قرار میدهیم. پس از گذشت مدت زمان لازم، نمونهها را از Hot plate خارج کرده، به منظور جمع آوری قطرات Spin down میکنیم و جهت تفکیک قطعات DNA حاصل از هضم آنزیمی، آن را به دستگاه الکتروفورز منتقل میکنیم.
پس از هضم آنزیمی توسط آنزیم HinfI قطعات bp 200 برای ژنوتیپ CC و قطعات bp151 و bp49 نمایانگر ژنوتیپ TT وقطعات bp200، bp151 و bp 49 نشان دهنده ژنوتیپ CT بدست میآید.
جدول 4.3- قطعات حاصل از هضم آنزیمی برای ژنوتیپ های چندشکلی ژنتیکی NQO1
ژنوتیپ قطعات (جفت باز)
CC 200
CT 49، 151، 200
TT 151،49
جدول 5.3- برنامه تنظیم شده برای واکنش PCRجهت تکثیر ژن CAT
مرحله دما (°C) زمان(min)
دناتوراسیون اولیه 95 5
35 سیکل دناتوراسیون 94 1
اتصال 68 1
طویل شدن 72 1
بسط نهایی 72 5
در ژن کاتالاز قطعات DNA حاصل از PCR190 جفت بازی میباشند. پس از پایان PCR، به 10 ماکرولیتر از محصول PCR، 2 ماکرولیتر از بافرEcoRVو 25/0 ماکرولیتر (معادل 5 واحد) از آنزیم EcoRV اضافه کرده و تیوبها را به مدت 16 ساعت در Hot plate37 درجه سانتیگراد قرار میدهیم. پس از پایان این مدت زمان، نمونهها راخارج کرده، Spin down میکنیم و به الکتروفورز منتقل میکنیم. آلل -262T که آلل موتانت این چندشکلی میباشد، جایگاهی برای اتصال و برش توسط آنزیم EcoRV ندارد. بنابراین، باند 190 جفت بازی نشان دهنده آلل موتانت این چند شکلی است. آلل CAT -262C توسط آنزیم EcoRV برش خورده و دو قطعه 157 و 33 جفت بازی بوجود میآید. قطعات حاصل از هضم آنزیمی برای ژنوتیپ های این چند شکلی در جدول6.3 نشان داده شدهاند.
جدول 6.3- قطعات حاصل از هضم آنزیمی برای ژنوتیپ های چندشکلی ژنتیکی CAT
ژنوتیپ قطعات
TT 190
CT 33، 157، 190
CC 157،33
11.3- الکتروفورز
به منظور مشاهده قطعات DNAحاصل ازRFLP، جهت تعیین چندشکلی ژنتیکی CAT C-262TوNQO1 C609T، آنها را به ژل 5/1 % آگاروز منتقل میکنیم. برای تهیه ژل 5/1 %، 72/1 گرم پودر آگاروز را با 115 سی سی TBE 0.5x مخلوط کرده و با قرار دادن شانه درون ژل چاهک درست میکنیم. پس از سرد شدن ژل و خارج کردن شانه مواد حاصل از هضم آنزیمی را با x Loading 6 مخلوط و به چاهک ها منتقل میکنیم در یکی از چاهکها bp DNA Ladder100 به عنوان نشانگر طول قطعات میریزیم و با برقراری جریان الکتریکی قطعات DNA حاصل براساس اندازه خود در طول ژل از قطب منفی به مثبت دستگاه الکتروفورز حرکت کرده و از هم جدا میشوند.
12.3-رنگ آمیزی ژل
به منظور اینکه قطعات DNA روی ژل آگاروز قابل رؤیت شود، ژل را از دستگاه الکتروفورز بیرون آورده و به مدت 10الی 15 دقیقه درون ظرف حاوی اتیدیوم بروماید (µg/ml1) قرار میدهیم، پس از آن ژل را درون دستگاه Gel documentation قرار داده و با روشن کردن نور UV از آن عکس گرفته و مشاهده میکنیم.

شکل 1.3- نتایج حاصل از PCR -RFLPچند شکلی ژنتیکی CAT C-262T
قابل مشاهده بر روی ژل آگاروز

شکل 2.3- نتایج حاصل از PCR -RFLP چند شکلی ژنتیکی C609TNQO1
قابل مشاهده بر روی ژل آگاروز
13.3- تحلیل آماری
نتایج حاصل از مطالعه که برروی بیماران پیوند کلیه و چندشکلی ژنهای CAT وNQO1 انجام گرفت بانرمافزار SPSS، با به کارگیری روش کای اسکور (x2) و آنالیز آماری رگرسیون لوجستیک و آزمون t-test با در نظر گرفتن سطح معنیداری ٠۵/٠P< مورد تجزیه و تحلیل قرار دادیم.
فصل چهارم

نتایج
1.4-مشخصات افراد شرکت کننده در این مطالعه
در این مطالعه 222 نفر از بیماران پیوند کلیه با میانگین سنی 54/14±68/41 مورد بررسی قرار گرفتند. در میان بیماران پیوند کلیه 41 بیمار با میانگین سنی 47/14±93/43 با رد حاد پیوند کلیه و 181 بیمار با میانگین سنی 56/14±17/41 بدون رد حاد پیوند بودهاند. همچنین 224 نفر افراد سالم با میانگین سنی 14/15 ±49/40 به عنوان گروه کنترل مورد استفاده قرار گرفت.
2.4-نتایج حاصل از بررسی ریسک فاکتور های دخیل در رد پیوند کلیه و مشخصات بیماران
آنالیز عوامل خطر مانند جنسیت پذیرنده و دهنده بافت، گروه خونی، سن گیرنده ودهنده بافت بین گروههای
بیمار دارای رد حاد و فاقد رد حاد پیوند تفاوت معنی داری از لحاظ آماری نشان نداد. )05/0<P)
آنالیز عوامل خطر از طریق تست رگرسیون لوجستیک انجام گرفت. در بررسی عامل RH همانطور که در جدول
زیر مشاهده میشود به دلیل اینکه تعداد افراد با RH منفی در گروه بیمار دارای رد حاد برابر صفر بود نتوانستیم
از این روش آماری استفاده کنیم که بجای آن از Pearson chi-squer استفاده شد و نتیجه برابر با 251/0
بدست آمد. در مورد منبع بافت دریافتی نیز به دلیل کم بودن تعداد بیمارانی که از افراد زنده بافت دریافت
کرده بودند (8=N) نتوانستیم آنالیز بر روی آن ها انجام دهیم ولی بیمارانی که از جسد بافت دریافت کرده
بودند را بطور جداگانه مورد بررسی قراردادیم که در ادامه آمده است.
جدول 1.4- بررسی ریسک فاکتورهای دخیل در رد پیوند کلیه و مشخصات بیماران
فاکتور مورد مطالعه فاقد رد پیوند حاد
(n=181)(%) دارای رد پیوند حاد
(n=41)(%) OR CI%95 P-value
جنسیت گیرنده مرد (2/60)109 (1/56)231 1 زن (8/39)72 (9/43)18 84/0 67/1_ 42/0 627/0
جنسیت دهنده مرد (7/65)119 (3/68)28 1 زن (3/34)62 (7/31)13 15/1 37/2 _ 55/0 706/0
گروه خونی O (8/44)81 (3/46)19 1 A (0/26)47 (6/36)15 36/1 92/2_ 63/0 431/0
AB (7/7)14 (3/7)3 91/0 50/3_ 23/0 895/0
B (5/21)39 (8/9) 4 44/0 41/1_ 14/0 170/0
منبع بافتی جسد (6/95)173 (0/100)41 زنده (4/4) 8 (00/00)0 RH مثبت (1/90)163 (0/100)41
منفی (9/9)18 (00/00)0 جدول 2.4- بررسی ریسک فاکتورهای کمی دخیل در رد پیوند کلیه و مشخصات بیماران
فاکتور مورد مطالعه فاقد رد پیوند حاد دارای رد پیوند حاد df t-test P-value
میانگین سن پذیرنده بافت
میانگین سن دهنده بافت 56/14±17/41
29/16±10/35 47/14±93/43
46/16±17/38 220
220 096/1-
086/1- 274/٠
279/0
3.4- نتایج حاصل از بررسی چند شکلی ژن CATدرافراد سالم و بیماران پیوند کلیه
فراوانی ژنوتیپهای سه گانهCC، CT و TT ژنCAT در گروه سالم به ترتیب:4/63 %، 9/29 % و 7/6 % و در بیماران پیوند کلیه به ترتیب: 0/55 %، 2/39 % و 9/5 %بدست آمد. فراوانی آللهای C و T در افراد سالم به ترتیب: 78/0 و 21/0 و در بیماران پیوند کلیه: 74/0 و 25/0 است. (جدول 3.4) در جمعیت سالم تعادل هاردی- واینبرگ را مورد بررسی قرار دادیم که نشان دهنده نرمال و در تعادل بودن جمعیت بود. (P>0.05، df=1، X2=3.45)
جدول 3.4- مقایسه ژنوتیپ های ژن CAT در گروه سالم و بیمار پیوند کلیه
سالم N(%) پیوند کلیه N(%)
ژنوتیپ ها CC (4/63)142 (0/55)122
CT (9/29)67 (2/39)87
TT (7/6)15 (9/5) 13
آلل C 78/0 74/0
T 21/0 25/0
4.4- نتایج حاصل از بررسی چند شکلی ژن NQO1درافراد سالم و بیماران پیوند کلیه
مطابق با جدول 4.4 فراوانی آلل های C و T ژن NQO1 در افراد سالم به ترتیب: 74/0 و 25/0 و در گروه بیمار به ترتیب: 72/0 و 27/0 بدست آمد. فراوانی ژنوتیپهای CC، CT وTT در افراد سالم به ترتیب: 2/56%، 6/36 % و 1/7 % و در گروه بیمار پیوند کلیه به ترتیب: 5/54 %، 1/35 % و 4/10 % بود و در بررسی گروه سالم مشاهده شد که جمعیت از تعادل هاردی- واینبرگ تبعیت میکند. X2=0.37, df=1, p>0.05))
جدول 4.4- مقایسه ژنوتیپ های ژن NQO1 در گروه سالم و بیمار پیوند کلیه
سالم N(%) پیوند کلیه N(%)
ژنوتیپ ها CC (2/56)126 (5/54)121
CT (6/36)82 (1/35)78
TT (1/7) 16 (4/10)23
آلل C 74/0 72/0
T 25/0 27/0
5.4-مقایسه ی فراوانی ژنوتیپی و آللی بین دو گروه سالم و بیمار
با استفاده از آنالیز آماری رگرسیون لوجستیک مقایسه فراوانیهای ژنوتیپی و آللی ژنهای CAT و NQO1 بین دو گروه سالم و بیماران پیوند کلیه مطابق با جداول 5.4 و 6.4 انجام شد.
جدول 5.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی ژنCAT در بین گروه سالم و بیماران پیوند کلیه
سالم

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

N بیماران پیوندیN OR CI95% P-value
ژنوتیپ CC 142 122 1 - -
CT 67 87 51/1 25/2_01/1 043/0
TT 15 13 00/1 20/2_46/0 983/0
CT+TTvsCC 82 100 41/1 07/2_97/0 070/0
آلل 351 331 1 - -
C 97 113 23/1 68/1_90/0 182/0
جدول 6.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی ژنNQO1 در بین گروه سالم و بیماران پیوند کلیه
سالم
N بیماران پیوندیN OR CI95% P-value
ژنوتیپ CC 126 121 1 - -
CT 82 78 99/0 47/1_66/0 963/0
TT 16 23 49/1 97/2_75/0 248/0
CT+TTvsCC 98 101 06/1 54/1_73/0 742/0
آلل 334 320 1 - -
C 114 124 13/1 52/1_ 84/0 402/0
با توجه به نتایج بدست آمده در جداول فوق، ارتباط معنیداری بین فراوانی آللها و ژنوتیپهای ژن NQO1 در جمعیت سالم و بیماران پیوندی مشاهده نشد. این مشاهده حاکی از آن است که ژن NQO1 دربروز بیماری کلیوی منجر به پیوند نقشی ندارد. در ژن CAT تنها در ژنوتیپ CT این ژن با 043/0P= ارتباط دیده شد که نشان دهندهی این امر است که ژنوتیپ CT ژن کاتالاز خطر ابتلا به بیماریهای کلیوی منجر به پیوند را به میزان 51/1 برابر افزایش میدهد. (51/1=OR، 25/2-01/1=95% CI، 043/0=P)
6.4-مقایسه ی فراوانی ژنوتیپی و آللی بین بیماران با رد حاد پیوند و بیماران فاقد رد حاد پیوند
مقایسه فراوانیهای ژنوتیپی و آللی بین دو گروه بیماران با رد حاد و فاقد رد حاد پیوند در ژنهای CAT و NQO1 انجام شد. (جداول 7.4 و 8.4) که در ژن CAT هیچ ارتباط معنیداری مشاهده نشد. (05/0<P) درصورتی که در ژن NQO1 در آلل T آن با 05/0=P ارتباط معنیدار دیده شد که نشان دهندهی این است که افزایش فراوانی آلل T در جمعیت خطر بروز رد حاد پیوند در بیماران پیوند کلیه را به میزان 64/1 برابر افزایش میدهد. 64/1=OR، 73/2-99/0=95%CI، 05/0=P) در آلل دیگر و سایر ژنوتیپ های این ژن ارتباط معنی-داری دیده نشد. (05/0<P)
جدول 7.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی در ژن CAT در بین بیماران پیوند کلیه
سالم
N بیماران پیوندیN OR CI95% P-value
ژنوتیپ CC (4/56)102 (8/48)20 1 - -
CT (5/37)67 (8/48)20 52/1 04/3_67/0 234/0
TT (6/6)12 ( 4/2) 1 42/0 45/3_05/0 424/0
CT+TTvsCC 79 21 35/1 67/2_68/0 380/0
آلل (8/74)271 (1/73)60 1 - -
C (1/25)91 (8/26)22 09/1 88/1_63/0 751/0
جدول 8.4- آنالیز توزیع فراوانی های ژنوتیپی و آللی در ژن NQO1 در بین بیماران پیوند کلیه
سالم
N بیماران پیوندیN OR CI95% P-value
ژنوتیپ CC (5/57)104 (5/41)17 1 - -
CT (1/33)60 (9/43)18 83/1 82/3_88/0 105/0
TT (4/9)17 (6/14)6 15/2 24/6_74/0 156/0
CT+TTvsCC 77 24 90/1 79/3_95/0 066/0
آلل (0/74)268 (4/63)52 1 - -
C (9/25)94 (5/36)30 64/1 73/2_99/0 05/0
7.4- بررسی ارتباط ژنوتیپ های ژن CAT وNQO1 با ریسک فاکتورهای رد حاد پیوند کلیه
در بررسی ارتباط ژنوتیپهای ژن CAT وNQO1 با ریسک فاکتور منبع بافت دریافتی در بین بیماران با رد حاد پیوند و فاقد رد حاد، ارتباط معنیداری در بیمارانی که از جسد بافت دریافت کرده بودند مشاهده نشد. (جداول 9.4 و 10.4) در بیمارانی هم که از فرد زنده بافت گرفته بودند به دلیل کم بودن تعداد آن ها امکان آنالیز داده وجود نداشت.
جدول 9.4- اثر ریسک فاکتور منبع بافتی باژنوتیپ های ژنCAT
منبع بافت ژنوتیپ فاقد رد حاد پیوند دارای رد حاد پیوند OR CI 95% P-value
جسد CC (5/55)96 (8/48)20 1 - -
جسد CT (5/37)65 (8/48)20 47/1 96/2_73/0 272/0
جسد T (9/6)12 (4/2)1 40/0 25/3_04/0 392/0
جسد CT+TTvsCC 77 21 30/1 58/2_66/0 439/0
آلل C 257 60 1 - -
T 89 22 05/1 82/1-61/0 837/0
جدول 10.4- اثر ریسک فاکتور منبع بافتی باژنوتیپ های ژنNQO1
منبع بافت ژنوتیپ فاقد رد حاد پیوند دارای رد حاد پیوند OR CI 95% P-value
جسد CC (2/57)99 (5/41)17 1 - -
جسد CT (9/32)57 (9/43)18 83/1 84/3_87/0 106/0
جسد T (8/9)17 (6/14)6 05/2 95/5_71/0 184/0
جسد CT+TTvsCC 74 24 88/ 76/3_94/0 071/0
آلل C 255 52 1 - -
T 91 30 61/1 69/2-97/0 064/0
فصل پنجم

بحث و نتیجه گیری
پیوند کلیه به عنوان تنها درمان موثر برای افراد مبتلا به ESRD محسوب میشود اما حفظ و ماندگاری بافت در این افراد از اهمیت بسزایی برخوردار است. به دنبال پیشرفتهای اخیر در زمینه داروهای مهارکننده سیستم ایمنی افزایش مدت زمان ماندگاری بافت تا حدودی موفقیتآمیز بوده است به طوری که میزان ماندگاری بافت قبل از داروهای مهارکننده تا یک سال بعد از پیوند ۶۵٪> و بعد از پیشرفت در زمینه دارویی این مدت ماندگاری در یک سال بعد از پیوند به ٩٠٪< افزایش یافته است. اما همچنان رد پیوند حاد به عنوان یک تهدید بزرگ برای این افراد به شمار میآید. مطالعات بسیاری در زمینه ژنتیک و پروتئومیک صورت گرفته تا بتوان آسیبهای بافتی بعد از پیوند را بدون روشهای تهاجمی (نمونه برداری بافتی) شناسایی و پیش بینی کرد. (pawlik A et al, 2005, wishart DG,2008)
از آنجا که رد پیوند در ماندگاری کوتاه مدت و بلند مدت بافتی موثر است، شناخت ژنهای دخیل در این پدیده بسیار حائز اهمیت بوده و مطالعات بسیاری در زمینه ژنهای ایمونولوژیک صورت گرفته، از جمله چند شکلی در ژنهای اینترفرون گاما و سایر ژنهای تولید کننده سیتوکین.(Pawlik A et al, 2005, LU TM et al, 2011) اما علاوه بر عوامل ایمنی عوامل غیر ایمنی نیز در رد حاد پیوند موثر است. بافت پیوندی در معرض آسیبهای بافتی بسیاری از جمله پدیده ایسکمی و التهاب قرار می گیرد، همچنین داروهای سرکوب کننده سیستم ایمنی مانند سیکلوسپورین A و تاکرولیموس که بر اساس مهار کلسینورین عمل میکنند با انواع عوارض جانبی همراهاند به خصوص سمیت کلیوی که میتواند میزان بقای طولانی مدت پیوند را در بیماران کوتاه کند. اگرچه مکانیسم دقیق اینکه این داروها چگونه باعث آسیب کلیوی میشوند روشن نیست، اما استرس اکسیداتیو به عنوان عامل بوجود آورندهی سمیت کلیوی و قلبیعروقی ناشی از مصرف دارو ارائه شده است. رادیکالهای آزاد اکسیژن و نیتروژن حاصل از استرس اکسیداتیو یک عامل خطر برای مولکولهای حیاتی همچون پروتئین ها و اسیدهای نوکلئیک محسوب و منجر به فیبروز شدن و آسیبهای بافتی میگردد. رادیکالهای آزاد ایجاد شده توسط آنزیمهای آنتی اکسیدانت مهار میشوند. CAT و NQO1 هم جزء آنزیمهای آنتی -اکسیدانت هستند که ارگانیسمها را از آسیبهای اکسیداتیو محافظت میکنند.(Singh R et al, 2009, Boom H et al, 2000)
بدن انسان در برابر ترکیبات خارجی (xenobiotic) زیادی قرار میگیرند که میتوانند به سلولهای انسان آسیب برسانند. در نتیجه بدن، سیستم آنتی اکسیدانی پیشرفتهای دارد که قادر است تاثیر این مواد را قبل از اینکه بتوانند به اجزای ضروری سلول ها (DNA،پروتئین ها ولیپیدها) آسیب برسانند از بین ببرد. (Rushmore TH et al, 2002) کاتالاز یک پروتئین تترامریک (tetrameric) 250 کیلو دالتونی است، که متشکل از چهار زیر واحد مشابه است و هر کدام شامل یک گروه هِم می باشد. (Nagem R et al, 1999, Zamochy M et al, 1999)
اگر چه نقش اصلی کاتالاز خنثی کردن (سم زدایی)H2O2 به آب و اکسیژن است؛ شواهد زیادی نشان میدهد که کاتالاز در فرایندهای مختلف دیگر نیز دخالت دارد و با برخی از پروتئینها برهمکنش دارد ازجمله: گیرندهی فاکتور رشد متصل به پروتئین2 (Grb2) و یا پروتئین تیروزین فسفاتاز (SHP2) و در نتیجه در سیگنالینگ اینتگرین شرکت دارد. (Vetrano AM et al, 2005, Yano S et al, 2004)چندشکلی مورد مطالعه تبدیل سیتوزین به تیمین در نقطه 262- پروموتر ژن CAT میباشد که آللT در این چند شکلی باعث کم شدن فعالیت آنزیم کاتالاز می شود. (Ahn J et al, 2006)

منبع علمی مقاله user871

4-3-1- نتایج آزمون میزان چربی 40
4-3-2- نتایج آزمون میزان رطوبت 41
4-3-3- نتایج آزمون اندیس پراکسید 42
4-3-4- نتایج آزمون اندیس تیوباربیتوریک اسید 43
4-3-5- نتایج آزمون اندیس آنیزیدین 44

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

4-4- نتایج اسید چرب 45
فصل پنجم- بحث و نتیجه گیری 51
5-1- ویژگی های حسی 52
5-2- ویژگی های بافت 52
5-3- ترکیب شیمیایی اولیه 54
5-4- تغییرات شیمیایی طی نگهداری منجمد (Cº18-) 55
5-4-1- اندیس پراکسید 55
5-4-2- اندیس تیوباربیتوریک اسید 57
5-4-3- اندیس آنیزیدین 58
5-4-4- تغییرات پروفایل اسید چرب 60
5-5- پیشنهادات 62
فصل ششم- منابع 64
فهرست جداول صفحه
جدول 1-1- متغیرهای مورد بررسی 8
جدول 3-1- مقادیر ثابت ومتغیر درنظر گرفته شده برای فرمول های تولیدی 19
جدول 3-2- تعداد آزمونهای قابل انجام روی فراورده 21
جدول 3-3- مشخصات تجهیزات ومواد مورد استفاده در تولید محصول 22
جدول 3-4- مشخصات تجهیزات مورد استفاده در آزمون های نمونه 23
جدول 3-5- مشخصات مواد مورد استفاده در انجام آزمون های نمونه 24
جدول 3-6- برنامه دمایی دستگاه GC 33
جدول 4-1- میانگین و انحراف معیار ارزیابی حسی 4 فرمول مختلف ناگت میگو در روز تولید 36
جدول4-2- میانگین و انحراف معیار آزمون کامپرشن و وارنر نمونه های نیمه سرخ شده 38
جدول4-3- میانگین و انحراف معیار آزمون کامپرشن و وارنر نمونه های سرخ شده 39
جدول 4-4- میانگین و انحراف معیار میزان چربی4 فرمول مورد بررسی در روز تولید و 120 40
جدول 4-5- میانگین و انحراف معیار میزان رطوبت 4 فرمول مورد بررسی در روز تولید و 120 41
جدول 4-6- میانگین و انحراف معیار اندیس پراکسید 4 فرمولاسیون مختلف طی 4 ماه 42
جدول 4-7- میانگین و انحراف معیار اندیس TBA 4 فرمولاسیون مختلف طی 4 ماه 43
جدول 4-8- میانگین و انحراف معیار اندیس آنیزیدین 4 فرمولاسیون مختلف طی 4 ماه 44
جدول 4-9- نتایج مجموع اسید چرب اشباع طی 4 ماه نگهداری 45
جدول 4-10- نتایج مجموع اسید چرب تک غیراشباع طی 4 ماه نگهداری 46
جدول 4-11- نتایج مجموع اسید چرب چند غیر اشباع طی 4 ماه نگهداری 47
جدول 4-12- مجموع اسید چرب ترانس نمونه های ناگت میگو طی 4 ماه نگهداری 48
جدول 4-13- اسید چرب EPA نمونه های ناگت میگو طی 4 ماه نگهداری 49
جدول 4-14- اسید چرب DHA نمونه های ناگت میگو طی 4 ماه نگهداری 50
فهرست شکل ها و نمودارها صفحه
شکل شماره 1- مراحل تولید ناگت میگوی آماده مصرف 26
شکل شماره 2- تهیه بلوک های منجمد از ترکیب میگو و افزودنی ها 26
شکل شماره 3- چرخ شدن بلوک های منجمد توسط چرخ گوشت زیر صفر 27
شکل شماره 4- قالب زدن ناگت میگو توسط قالب زن 27
شکل شماره 5- پوشش دار کردن ناگت میگو توسط پریداستر و لعاب زن 28
شکل شماره 6- پاشیدن پودر سوخاری توسط آرد سوخاری پاش 28
شکل شماره 7- نیمه سرخ شدن توسط سرخ کن 29
شکل شماره 8- پخت کامل ناگت میگو توسط تونل بخار 29
شکل شماره 9- انجماد توسط دستگاه انجماد سریع (IQF) 30
شکل شماره 10- بسته بندی ناگت های میگو 30
نمودار 1) تغییرات اندیس پراکسید در طول زمان 69
نمودار 2) تغییرات اندیس تیوباربیتوریک اسید در طول زمان 69

منبع علمی مقاله user869

Zou در سال 2006 با به کار بردن وزنهای انطباقی برای تاوانیدن ضرائب مختلف، در تاوان LASSO، تاوان LASSO انطباقی (adaptive-LASSO) را معرفی کرد و خواص پیشگویی آن را نشان داد. نتایج مشابه در مقالههایی که توسط Yuan و Lin در سال 2007، Zhao و Yu در سال 2006 نوشته شده است، ساخته شد. Zhang و Lu در سال 2007 LASSO انطباقی را در مدلهای خطر متناسب (proportional hazard models) مورد مطالعه قرار دادند. Candes و Tao در سال 2007 همچنین Fan و Lv در سال 2006 انتخاب متغیر را در زمینههایی که از نظر بعدی بزرگتر از اندازه نمونه هستند، مورد مطالعه قرار دادند. Koenker در سال 2004 تاوان LASSO را برای مدل رگرسیون چندکی با اثرات آمیخته (mixed-effect quantile regression model) برای دادههای طولی به کار برد. Li و Zhu در سال 2005 راه حلی برای رگرسیون چندکی L1 تاوانیده شده (L1 penalized quantile regression) ارائه کردند. Wang، Li و Jiang در سال 2007 رگرسیون کمترین انحراف قدر مطلق را با تاوان LASSO انطباقی در نظر گرفتند.
در این پایاننامه به انتخاب متغیر در رگرسیون چندکی تاوانیده میپردازیم. توجه داشته باشید تابع زیانی که در رگرسیون چندکی مورد استفاده قرار میگیرد در مبدأ مشتقپذیر نیست، در نتیجه خواص پیشگویی کلی برای درستنمایی تاوانیده غیر مقعر که توسط Fan و Li در سال 2001 مورد مطالعه قرار گرفت، به طور مستقیم قابل اجرا نیست. در این پایاننامه خواص پیشگویی تاوانهای SCAD و LASSO انطباقی در زمینهی رگرسیون چندکی تاوانیده، که شامل رگرسیون کمترین انحراف قدرمطلق به عنوان یک حالت خاص میباشد، تعمیم داده میشود.
فصل دوم

رگرسیون چندکی
2-1- چندکها وچندکهای شرطیاصطلاح صدک (percentile) مترادف با چندک (quantile) است. معروفترین چندک، میانه median)) است. میانهی جمعیت، عددی است که توزیع را به دو قسمت مساوی تقسیم میکند. به این معنی که برای متغیر تصادفی Y میانه عددی است مانند m که در شرط
PY≥m≥12 and PY≤m≥12صدق میکند. اگر متغیر تصادفی Yپیوسته باشد، آنگاه میانه جواب معادلهیFm=12است که در آن Fy تابع توزیع تجمعی (cumulative distribution function) متغیر تصادفی Y است.
در بسیاری موارد میانه معرف بهتری از مرکز جامعه است تا میانگین (mean). به عنوان مثال توزیع متغیر حقوق را در نظر بگیرید. این توزیع، چوله به سمت راست است، زیرا معمولاً، به طور نسبی، تعداد کمی از افراد حقوق زیاد دریافت میکنند. در نتیجه، میانه معیار مناسبتری برای میزان تمرکز توزیع حقوق نسبت به میانگین، ارائه میدهد.
به غیر از میانه، چارکها (quartiles)، چندکهای مفید دیگری میباشند که توزیع Y را به چهار قسمت تقسیم میکنند. چارک اول (q0.25) و چارک سوم (q0.75) با روابط زیر تعریف میشوند:PY≤q0.25≥0.25 and PY≥q0.25≥0.75PY≤q0.75≥0.75 and PY≥q0.75≥0.25دهکها (deciles) نیز چندکهای مفید دیگری میباشند که توزیع Y را به ده قسمت تقسیم میکنند. دهکها q0.1,q0.2,…,q0.9)) با روابط زیر تعریف میشوند:
PY≤q0.1≥0.1PY≥q0.1≥0.9 , PY≤q0.2≥0.2PY≥qo.2≥0.8 , … , PY≤q0.9≥0.9PY≥q0.9≥0.1 به طور کلی برای نسبت p، 0<p<1 چندک pام (p-th quantile) که آن را با qp نشان میدهیم از رابطهی
PY≤qp≥p PY≥qp≥1-pبه دست میآید. در حالت پیوسته qp جواب معادلهی Fqp=p است.
شبیه به میانگین شرطی ((conditional mean، چندکهای شرطی (conditional quantiles) را نیز می توان با استفاده از تابع توزیع شرطی تعریف کرد. این چندکها در مطالعهی روابط بین متغیرها مفید هستند. در چنین حالتی، چندکهای Y که به مقدار متغیر پیشبینیکننده X بستگی دارند، با qp(x) نشان داده می شوند که از رابطهی
PY≤qp(x) X=x≥p PY≥qp(x) X=x≥1-pبه دست میآیند.
2-2- از رگرسیون میانگین تا رگرسیون چندکی
رگرسیون برای مطالعهی رابطهی بین متغیر پاسخ Y و یک یا تعدادی متغیر پیشبینیکننده X به کار میرود. در رگرسیون عادی، میانگین شرطی μx=EYX=x بر حسب x مدلبندی میشود. به عنوان مثال در مدل رگرسیون ساده فرض میشود:
μx=α+βxرگرسیون چندکی، چندکهای شرطی qp(x)را بر حسب x مدلبندی میکند. رگرسیون چندکی برای چندکهای مختلف، تصویرکاملتری نسبت به رگرسیون میانگین ارائه میدهد.
مدلبندی چندکها نسبت به مشاهدات پرت، پایاتر (robust) از مدلبندی میانگین است. به علاوه تجزیه و تحلیل اثر متغیرهای پیشبینیکننده روی چندک های مختلف متغیر پاسخ، تصویر آشکارتری از رابطهی متغیر پاسخ با متغیرهای پیشبینیکننده ارائه میدهد. به ویژه در بسیاری از موارد، توجه، علاوه بر مرکز توزیع، روی اثر متغیرهای پیش بینی کننده بر دنباله توزیع است.
برای این که مطلب بهتر نشان داده شود مثال زیر را در نظر بگیرید:
مثال: برای این که رابطهی بین درآمد استادان دانشگاه و تعداد سالهایی که آنها به عنوان استاد مشغول به کار بودند مشخص شود، 459 داده مربوط به حقوق استادان آمار آمریکا و تعداد سالهایی که هر کدام به عنوان استاد بین سالهای 1980 تا 1990، مشغول به کار بودهاند جمعآوری شده است. مدل رگرسیونی خطی استاندارد برای این دادهها به صورت زیر است :
Y=α+βx+εکه Y میزان درآمد، x تعداد سالهای استاد بودن و εخطای مدل است. فرض می شود خطاها مستقل هستند و توزیع نرمال دارند. با توجه به نمودار پراکندگی دادهها، به نظر می رسد مناسبتر است از مدل های پیچیدهتری مانند مدلهای رگرسیونی چندجملهای استفاده شود. در نمودار 1، دادهها به همراه بهترین نمودار رگرسیونی درجه دوم
Y=α+βx+γx2+εرسم شده است.
درآمد
تعداد سال های استاد بودن

نمودار1: 459 داده مربوط به حقوق استادان آمار آمریکا به عنوان تابعی از سالهای استادی، به همراه نمودار رگرسیونی درجه دوم برازش داده شده
با توجه به شکل بالا، منحنی رگرسیون تصویر روشنی از توزیع حقوق، نشان نمیدهد زیرا تغییرات شکل توزیع حقوق نسبت به سالهای استادی به خوبی نشان داده نشده است. دلیل این موضوع این است که رگرسیون استاندارد، مدلهایی را برازش میدهد که نشان دهندهی ارتباط بین میانگین حقوق و سالهای استادی است.
برای نشان دادن کاملتر این ارتباط، در نمودار 2 چارکهای شرطی میزان حقوق qp(x) برای 75/0،5/0،25/0p= به عنوان تابعی از سالهای استادی رسم شده است.
تعداد سالهای استادی
درآمد

نمودار 2: 459 داده مربوط به حقوق استادان آمار آمریکا به عنوان تابعی از سالهای استادی، به همراه سه نمودار رگرسیونی چندکی
نمودارهای حاصل را نمودارهای رگرسیون چندکی (quantile regression curves) گویند. این نمودارها را به چند طریق میتوان هموار (smooth) کرد. توجه کنید که با رسم این نمودارها تغییر در میزان حقوق بهتر نشان داده شده است.
2-3- از برآورد کمترین مربعات تا check function
مدل رگرسیونی ساده y=xTβ+εرا در نظر بگیرید. بردار پارامتر β معمولاً با در نظر گرفتن تابع زیان درجه دوم ru=u2 برآورد میشود. به این معنی که برای مجموعه دادههای xi,yii=1nبرآوردیابی از طریق مینیمم کردن i=1nryi-xiTβ=i=1nyi-xiTβ2 روی β، انجام میپذیرد.
در رگرسیون میانگین، به برآورد امید شرطی EYX=x علاقهمندیم. زیرا این امید شرطی مقدار θای است که امید تابع زیان EY-θ2X=x که i=1nryi-xiTβ مقدار نمونهای آن است، را مینیمم میکند. به طور مشابه رگرسیون میانهای، میانهی شرطی Y به شرط X=x را برآورد میکند و با مینمم کردن E|Y-θ|X=x روی θ مرتبط است. تابع زیان مربوطه |u| است. با این حال، راحتتر است که تابع زیان را ρ.5=.5|u| در نظر گرفت. برآوردیابی از طریق مینیمم کردن
i=1nρ.5yi-xiTβروی β، انجام میپذیرد. ρ.5u را به صورت
ρ.5u=.5uI(0,∞)(u)-1-.5uI(-∞,0]uمیتوان بازنویسی کرد. جائی که IAu تابع نشانگر معمولی روی مجموعهی A است. این تعریف با جایگذاری 0<p<1 به جای .5 تعمیم پیدا میکند:
ρpu=puI(0,∞)(u)-1-puI(-∞,0]u : check function
چندک pام ، مقدار θای است که EρpY-θ را مینیمم میکند. رگرسیون چندکی، چندکهای شرطی Y به شرط X=x را برآورد میکند و با مینیمم کردن EρpY-θX=x روی θ بدست میآید. (Keming Yu,Zudi Lu and Julian Stander,2003)
2-4- از توزیعهای شرطی چوله تا رگرسیون چندکی
نمودار 3 وزن در برابر سن،4011 دختر آمریکایی را نشان میدهد.
سن
وزن

نمودار 3: وزن در برابر سن 4011 دختر آمریکایی
به صورت شهودی، نمودار 4 یک تصویر مناسب از رابطهی بین سن و وزن نشان میدهد. این نمودار شامل چندین نمودار رگرسیون چندکی هموار شده بر پایهی p برابر با 03/0، 1/0،25/0، 5/0، 75/0، 9/0 و 97/0 است.
سن
وزن

نمودار4: وزن در برابر سن 4011 دختر آمریکایی به همراه هفت نمودار رگرسیونی چندکی
از این نمودارها به نظر میرسد که توزیع شرطی چوله به سمت راست است. لذا استفاده از رگرسیون میانگین مناسب نمیباشد و نمودار میانه، برای نمایش تمرکز دادهها مناسبتر است. از طرفی با در دست داشتن نمودارهای رگرسیونی چندکی میتوان به رابطهی بین وزن و سن برای افراد چاق ولاغر پی برد. مسئلهای که در بسیاری موارد مورد نظر است.
نکته: فرض کنید خطاهای مدل از توزیع نرمال با میانگین صفر و انحراف استاندارد معلوم σ، پیروی کنند، آنگاه ماکزیمم کردن تابع درستنمائی بر حسب β، برآورد کمترین مربعات خطا را نتیجه میدهد. اگر فرض شود که خطای مدل (ε)، دارای تابع چگالی احتمال به فرم
fε∝ e-ρpεبا ρp ذکر شده باشد، در این صورت ماکزیمم کردن تابع درستنمائی مربوطه، معادل با مینیمم کردن function check است. در حقیقت یک چگالی احتمال استاندارد وجود دارد که چگالی لاپلاس نامتقارن نامیده میشود و فرم fε=p1-pe-ρp(ε) را دارد.
2-5- روش برآوردیابی
مدل رگرسیون چندکی پارامتری
معمولاً برای تعیین رابطهی بین متغیر پاسخ Y و متغیرهای پیشبینیکننده x، فرض میشود که EYX=x توسط یک ترکیب خطی ساده xTβ میتواند مدلبندی شود. به طور مشابه، مدل رگرسیونی چندکی ابتدائی، ارتباط خطی چندکهای شرطی Y به ازای x را تعیین میکند. به بیان دیگر رابطهی بین چندکهای %p100 متغیر Y و متغیرهای پیشبینیکننده x، توسط qp(x)=xTβ بیان میشود.
با توجه به مجموعه دادههای xi,yii=1n، پارامتر β از طریق مینیمم کردن
i=1nρpyi-xiTβبرآورد میشود.
جواب صریح برای ضرائب رگرسیونی تحت این مدل رگرسیونی چندکی پارامتری وجود ندارد. چون check function در مبدا مشتقپذیر نیست. Koenker and D’Orey در سال 1987 الگوریتمی برای مینیمم کردن این تابع ارائه کردند. برنامههای مورد نیاز در S-PLUS و R موجود میباشد. در R دستور مورد نظر rq، rqs و rq.process و package مورد نظر، quantreg میباشد.
تئوری کلاسیک، فقط برای مدلبندی امیدهای شرطی به کار می رود. در حالی که نیاز، آمار را به سوی استفاده و کاربرد رگرسیون چندکی پیش برد. رگرسیون چندکی به صورت گسترده در زمینههای کاربردی مانند پزشکی، آنالیز بقا، آمار مالی و اقتصادی، اقتصاد و ... به کار برده می شود. مدلهای رگرسیون چندکی پارامتری، نیمه پارامتری و ناپارامتری سالهاست که معرفی شدهاند و به صورت گسترده مورد استفاده قرار میگیرند و در حال پیشرفت و بهبود روشها و الگوریتمها میباشند.
فصل سوم

رگرسیون چندکی خطی تاوانیده
3-1- رگرسیون چندکی خطی تاوانیده
نمونهیxi,yi, i=1,2,…,n از یک جمعیت ناشناخته را در نظر بگیرید به طوری که xiϵRd باشد. تابع چندکی شرطی τام (th quantile function conditional τ)fτt به گونهای تعریف میشود که برای 0<τ<1 داشته باشیم:
PY≤fτXX=x=τKoenker و Bassett در سال 1978، با نامتقارن کردن تابع زیان قدرمطلق، تابع زیانی به نام check function را معرفی کردند که به صورت زیر تعریف میشود:
ρτr=τrIr(0,∞)-1-τr Ir(-∞,0]=τr r>0-1-τr otherwise آنها نشان دادند تابع چندکی شرطی τام با حل مسئله مینیممگیری زیر میتواند حل شود:
minfτϵFi=1nρτyi-fτxi(1-3)
برای پرهیز از بیش برازشی از لحاظ تعداد متغیرها و تعمیم رگرسیون چندکی به رگرسیون چندکی تاوانیده، مشابه آنچه Koenker و همکاران در سال 1994 و Koenker در سال 2004 انجام دادند حالت تاوانیده (1-3) را به صورت زیر در نظر میگیریم minfτϵFi=1nρτyi-fτxi+λJfτ(2-3)
جائی که 0 λ≥ پارامتر نظم (regularization parameter) است و Jfτ تاوان ناهمواری تابع fτ∙ را مشخص میکند.
در این پایاننامه توجه را روی رگرسیون چندکی خطی متمرکز میکنیم یعنی حالتی که:
fτx=xTβτرا در نظر میگیریم جائی که βτ=βτ,1,βτ,2,…,βτ,dT باشد. به عبارت دیگر تابع چندک شرطی، یک تابع خطی از متغیرهای پیشبینیکننده است. با تبدیل مدلهای غیر خطی به مدلهای خطی میتوان مبحث را برای حالت غیرخطی نیز داشت.
برای توابعی به فرم خطی، تعداد زیادی تابع تاوان وجود دارد: تاوان L0 (که به تاوان آنتروپی نیز معروف است) توسط Breiman در سال 1996 در روش انتخاب بهترین زیرمجموعه مورد استفاده قرار گرفت. تاوان L1 (LASSO) که توسط Tibshirani در سال 1996 مورد مطالعه قرار گرفت. تاوان L2 که در رگرسیون ستیغی (ridge) مورد استفاده قرار میگیرد و توسط Horel و Kennard در سال 1988 مورد مطالعه قرار گرفت. ترکیب تاوانهای L0 و L1 که توسط Liu و Wu در سال 2007 مورد بررسی قرار گرفت. تاوانهای (q≥0) Lq در رگرسیون پلی (bridge regression) که توسط Frank و Freidman در سال 1993 مورد بررسی قرار گرفتند.
Fan و Li در سال 2001 استدلال کردند که یک تاوان خوب باید سه خاصیت نااریبی برای ضرائب بزرگ، تنکی و پیوستگی را در برآورد خود داشته باشد. متأسفانه هیچ کدام از خانواده تاوانهای Lq این سه خاصیت را به طور همزمان ندارند. اما Fan و Li در سال 2001 نشان دادند که تاوان SCAD در زمینهی درستنمایی تاوانیده این خواص را دارد. یک تاوان دیگر که جزء دستهبندی آخر است، تاوان LASSO انطباقی است که توسط Zou در سال 2006 مورد بررسی قرار گرفت.
3-2- رگرسیون چندکی خطی تاوانیده با تاوان LASSO
LASSO روشی است که به طور همزمان انتخاب متغیر و برآوردیابی را انجام میدهد. برآورد LASSO در رگرسیون چندکی خطی به صورت زیر تعریف میشود:
βLASSO=argminβi=1nρτyi-xiTβi+λj=1dβj(3-3)
جائی که λ پارامتر نظم نامنفی است. عبارت دوم (3-3) تاوان L1 است که برای دستیابی به برآورد LASSO ضروری است. LASSO با بزرگ شدن λ، ضرائب را به طور پیوسته به سمت صفر کوچک میکند و اگر λ به اندازهی کافی بزرگ باشد مقدار دقیق بعضی از ضرائب، صفر خواهد شد.
3-3- رگرسیون چندکی خطی تاوانیده با تاوان LASSO انطباقی
LASSO انطباقی به عنوان تعمیم تاوان LASSO میتواند در نظر گرفته شود. ایدهی کار چنین است که ضرائب متغیرهای کمکی (covariates) مختلف در سطحهای مختلف با وزنهای انطباقی، تاوان داده شوند.
Zou در سال 2006 برای حالت رگرسیون کمترین مربعات پیشنهاد کرد از برآوردهای کمترین مربعات معمولی به توان عددی، به عنوان وزن استفاده شود. تعمیم مستقیم این روش برای رگرسیون چندکی این است که از برآوردهای رگرسیون چندکی ناتاوانیده (non-penalized quantile regression) به عنوان وزن استفاده شود. قرار دهید:
βτ=argminβτi=1nρτyi-xiTβiβτ برآورد سازگار برای βτ است. بنابراین رگرسیون چندکی LASSO انطباقی تاوانیده (adaptive-LASSO penalized quantile regression) عبارت زیر را بر حسب βτ مینیمم میکند:
i=1nρτyi-xiTβτ+λj=1dwjβτ,jکه در آن برای 0γ>ای که به صورت مناسب اختیار شده، برای j=1,2,…,d داریم:
wj=1βτ,jγ 3-4- رگرسیون چندکی خطی تاوانیده با تاوان SCAD
Fan و Li در سال 2001 خواص پیشگویی SCAD را در زمینهی انتخاب متغیر نشان دادند و حدس زدند که تاوان LASSO خواص پیشگویی را ندارد. این حدس، پس از آن، توسط Zou درسال 2006 تأیید شد. او LASSO انطباقی را پیشنهاد کرد و خواص پیشگویی آن را در رگرسیون کمترین مربعات تاوانیده نشان داد.
تاوان SCAD بر حسب مشتق اولش تعریف میشود و حول مبدأ متقارن است. برای 0θ>، مشتق اول آن به صورت زیر است:
pλ'θ=λIθ≤λ+aλ-θ+a-1λIθ>λ(4-3)
جایی که 2 a> و 0 λ>، پارامترهای میزانسازی هستند. توجه داشته باشید که تابع تاوان SCAD، متقارن است، روی بازهی0,∞ نامحدب است و در مبدأ مشتقپذیر نیست. یک نمونه از تابع تاوان SCAD در نمودار 5 نشان داده شده است. میتوان مشاهده کرد که حول مبدأ رفتاری شبیه به تاوان LASSO دارد که به خاصیت تنکی میانجامد. اما SCAD ضرائب بزرگ را به طور مساوی و ثابت تاوان میدهد در حالی که تاوان LASSO با افزایش مقدار ضرائب، به صورت خطی افزایش مییابد. از این طریق، تاوان SCAD برآوردهای تاوانیده نااریب را برای ضرائب بزرگ نتیجه میدهد. پس از قرار دادن تاوان SCAD در (2-3) با تابع خطی fx=xTβτ، رگرسیون چندکی SCAD تاوانیده (SCAD penalized quantile regression)، باید مسئله مینیممگیری زیر را حل کند:
minβτi=1nρτyi-xiTβτ+j=1npλβτ,j
نمودار 5: نمونهای از نمودار تابع SCAD برای7/3= a و 2= λ
نمودار 6: نمودار تابع LASSO
فصل چهارم

خواص مجانبی
4-1- خواص مجانبی (asymptotic properties)
در این بخش خواص پیشگویی رگرسیون چندکی SCAD تاوانیده و رگرسیون چندکی LASSO انطباقی تاوانیده ثابت میشود. فرض میشود که دادههای xi,yi ,i=1,…,n شامل n مشاهده از مدل خطی زیر است:
yi=xiTβ+εi=xi1Tβ1+xi2Tβ2+εi, i=1,2,…,n(1-4)
جائی که Pεi<0=τ است، و دارای شرط (i) زیر میباشد. xi=xi1T,xi2TT، β=β1T,β2TT و xi1ϵRs و xi2ϵRd-s است. ضرائب رگرسیونی حقیقی به صورت β1=β10 و β2=β20=0 و در نتیجه β0=β10T,β20TT میباشند، به طوری که هیچ یک از مؤلفههای β10، صفر نباشند. این مطلب به این معنی است که s متغییر پیشگویی اول مهم هستند در حالی که p-sتای باقیمانده، متغیرهای نوفه (noise variables) هستند.
برای نتایج تئوری، شرطهای تخصصی زیر را میگذاریم
فرض خطا: خطاهای رگرسیونی εi مستقل و همتوزیع هستند. همچنین دارای چندک τام صفر و چگالی مثبت و پیوسته f∙، اطراف صفر میباشند.

طرح xi i=1,2,…,n یک دنبالهی تعیینی (deterministic sequence) است به طوری که یک ماتریس مثبت قطعی ∑ وجود دارد به قسمی که=∑ limn→∞i=1nxixiTn .
زیر ماتریس s-بعدی از ∑ که در بالا و سمت چپ قرار دارد با ∑11 و زیر ماتریس (d-s)-بعدی از آن که در پایین و سمت راست قرار دارد با ∑22 مشخص میکنیم.
4-2- خواص مجانبی تاوان SCAD
رگرسیون چندکی SCAD تاوانیده مسئله مینیممگیری minβQβ را که در آن
Qβ=i=1nρτyi-xiTβ+nj=1dpλnβjاست، حل میکند. مشابه آنچه Fan و Li در سال 2001 نشان دادند، سازگاری برآوردگر SCAD تاوانیده شده را در قضیهی 1 زمانی که پارامتر میزانسازی λn→0 وقتی که n→∞، نشان میدهیم.
قضیه 1 (سازگاری(consistency)): نمونهی xi,yi ,i=1,…,n از مدل (1-4) که در شرایط (i) و (ii) صدق میکند در نظر بگیرید. اگر λn→0، آنگاه مینیمم موضعی β وجود دارد به طوری که =Opn-12 β-β10.
تحت شرایط بیشتر، خاصیت تنکی =0 β2 برآوردگر SCAD تاوانیده به دست میآید.
لم 1 (تنکی): نمونهی xi,yi ,i=1,…,n از مدل (1-4) که در شرایط (i) و (ii) صدق میکند در نظر بگیرید. اگر داشته باشیم λn→0 و nλn→∞ زمانی که n→∞، آنگاه برای هر β1ای که β1-β10=Opn-12 و هرC ثابت در حالت حدی (n→∞) با احتمال یک داریم:
Qβ1T, 0TT=minβ2<Cn-12Qβ1T,β2TTتوجه کنید در شرایط لم 1 داریم: λn→0 و nλn→∞ زمانی که n→∞، مفهوم این شرط این است که با بزرگ شدن n، λn کوچک شود ولی نرخ کوچک شدن λn کمتر از نرخ بزرگ شدن n باشد به گونهای که nλn→∞ زمانی که n→∞ میل میکند.
قضیهی بعدی خواص پیشگویی مجانبی را بیان میکند.
قضیهی 2 (پیشگویی): نمونهی تصادفیxi,yi ,i=1,…,n از مدل(1-4) که در شرایط (i) و (ii) صدق میکند در نظر بگیرید. اگر داشته باشیم λn→0 و nλn→∞ زمانی که n→∞، برای مینیم موضعی بر پایهی n مشاهده β=β1T,β2TT در قضیهی 1، در حالت حدی (n→∞) با احتمال یک داریم:
تنکی: β2=0و
نرمال بودن مجانبی: nβ1-β10LN0,τ1-τ∑11-1f02
که ∑11 در شرط (ii) تعریف شده است.
اثبات قضایا و لم فوق در پیوست آورده شده است.
تذکر 1: توجه داشته باشید که تفاوت اصلی بین رگرسیون چندکی تاوانیده و درستنمایی تاوانیده کلیتر، همان طور که Fan و Li در سال 2001 مورد بررسی قرار دادند، این است که در رگرسیون چندکی تاوانیده، تابع زیان check function در مبدأ مشتقپذیر نیست. برای فایق آمدن بر مشکلی که از این مشتقناپذیری به وجود میآید، لم تحدب (convexity lemma) که قبلاً توسط Pollard در سال 1991 مورد استفاده قرار گرفت، به کار برده میشود.
لم تحدب: فرض کنید hnu:uϵU یک دنباله از توابع تصادفی محدب تعریف شده روی یک زیرمجموعهی محدب و باز U از Rd باشد. همچنین فرض کنید hu یک تابع حقیقی مقدار روی U باشد به طوری که برای هر uϵU داشته باشیم hnuPhu . آنگاه برای هر زیرمجموعه فشرده k از U داریم:
supuϵkhnu-huP0تابع h∙ ضرورتاً روی U، محدب است.
4-3- خواص مجانبی تاوان LASSO انطباقی
رگرسیون چندکی adaptive-LASSO تاوانیده، مسئله مینیممگیری minβQ1β را که در آن
Q1β=i=1nρτyi-xiTβ+nλnj=1dwjβjاست، حل میکند. فرض کنید βAL جواب آن باشد.
قضیهی 3 (پیشگویی): نمونهی تصادفیxi,yi ,i=1,…,n از مدل (1-4) که در شرایط (i) و (ii) صدق میکند، در نظر بگیرید. اگر nλn→0 و nγ+12λn→∞ (0< γ) زمانی که n→∞، آنگاه:
تنکی: βAL=0
و
نرمال بودن مجانبی: nβ1AL-β10LN0,τ1-τ∑11-1f02
اثبات قضیه فوق در پیوست آورده شده است.
توجه کنید در شرایط قضیه 3 داریم: nλn→0 و nγ+12λn→∞ زمانی که n→∞ میل میکند. nλn→0 به این مفهوم است که با بزرگ شدن n، λn کوچک میشود و نرخ کوچک شدن λn بیشتر از نرخ بزرگ شدن n میباشد. از طرف دیگر nγ+12λn→∞ با توجه به اینکه nλn→0، نرخ بزرگ شدن nγ2 باید بیشتر از نرخ کوچک شدن nλn باشد.
4-4- خطاهای تصادفی مستقل و ناهمتوزیع
استتنتاجها در قضایای 2 و3 بر اساس فرض مستقل و همتوزیع بودن (i.i.d) خطاهای تصادفی بدست آمده است. میتوان نتایج پیشگویی مزبور را به حالتی که خطاهای تصادفیi.i.d. نباشند، تعمیم داد. بر اساس کاری که Knight در سال 1999 انجام داد، فرضهای زیر را در نظر میگیریم:
(الف) زمانی که n→∞، داشته باشیمmax1≤i≤nxiTxin→0 (ب) خطاهای تصادفی εiها مستقل هستند و εi دارای تابع توزیع Fit=Pεi≤t است. فرض میکنیم هر یک از Fi∙ها به طور موضعی در همسایگی صفر، خطی هستند (با شیب مثبت) و داریم .Fi0=τتعریف میکنیم ψnit=0tnFisn-Fi0ds که برای هر n و i یک تابع محدب است.
(ج) فرض میکنیم برای هر u
1ni=1nψniuTxi→ςuکه ς(∙) یک تابع اکیدأ محدب است که در فاصلهی 0,∞ مقدار میگیرد.
نتیجه 1: تحت شرایط (ii) و (الف)، قضیههای 2 و 3 برای خطاهای تصادفی که i.i.d نیستند و در شرایط (ب) و (ج) صدق میکنند، برقرار هستند.
فصل پنجم

مثال کاربردی
در این فصل، یک مثال برای نشان دادن عملکرد انتخاب متغیر، تحت یک مدل رگرسیونی خاص، بیان میکنیم. در این مثال، جملهی ثابت در مدل رگرسیونی، در نظر گرفته شده است.
دادهها از مدل خطی زیر تولید میشود:
y=xTβ+σε (1-5)
جائی که ( 0 ،0 ،0 ،2 ،0 ،0 ،5/1، 3) β= است. مؤلفههای x و ε دارای توزیع نرمال هستند. همبستگی بین xi و xj، ρi-j است که ρ، 5/0 در نظر گرفته شده است. این مدل توسط نویسندگان بسیاری در نظر گرفته شده است. Tibshirani در سال 1996، Fan و Li در سال 2001 و Zou در سال 2006 از جمله نویسندگانی هستند که این مدل را در نظر گرفتهاند.مثال. برای مقایسه عملکرد انتخاب متغیر تاوانهای L1، SCAD و adaptive-L1 دادههایی از مدل (1-5) تولید میکنیم. نتایج شبیهسازی در جدولهای 1 تا 6 آورده شده است.
در هر روش، شبیهسازی برای سه مقدار λ برابر با 1، 8 و 20 انجام شده است. در هر روش و برای هر مقدار λ، 10000 بار از مدل (1-5) با σ برابر با 1، 100 داده و 10000 بار برای σ برابر با 3، 100 داده شبیهسازی شده است.
در تاوان SCAD، مقدار پارامتر a، همانطور که Fan و Li پیشنهاد کردند 7/3 در نظر گرفته شده است. در تاوان LASSO انطباقی مقدار γ، 1 در نظر گرفته شده است.
تعداد ضرائب صفر به صورت زیر تعیین میشود:
یک برآوردگر صفر تلقی میشود اگر مقدار آن به صورت قدرمطلق، کمتر از 10-6 باشد.
میزان خطا، میانگین check loss است و check loss به صورت i=1nρτyi-xiTβ در نظر گرفته شده است.
منظور از ضرائب صفر صحیح، ضرائبی است که برآورد آنها صفر بدست آمده است و در واقعیت نیز مقدار آنها صفر میباشد. ضرائب صفر غلط ضرائبی هستند که برآورد آنها صفر بدست آمده است ولی در واقعیت مقدار آنها صفر نمیباشد.
توجه کنید که در جدولهای 1 تا 6، اعدادی که در هر ستون در پرانتز آورده شده است، انحراف معیار میباشد.
1=λ
جدول-1: نتایج شبیهسازی برای سه روش مورد نظر با 1=λ و 1=σ و 10000=nτn10000=,σ1=روش خطا صفر ضرایب تعداد میانگین صحیح غلط25/0 L1134/29 (025/0)723/2 (990/0)008/0 (09/0)SCAD 207/29 (027/0)463/2 (059/1)018/0 (136/0)Adaptive-L1344/30 (025/0) 670/4 (528/0)020/0 (140/0)
5/0 L1089/37 (029/0)708/2 (963/0)0 (0)SCAD 535/37 (03/0)462/2 (967/0) 0 (0)Adaptive-L1168/38 (03/0)393/4 (697/0)0 (0)
75/0 L1117/29 (024/)721/2 (988/0) 0 (0)SCAD 808/28 (023/) 474/2 (891/0) 0 (0)
Adaptive-L1207/30 (025/0) 488/4 (642/0) 0 (0)

جدول-2: نتایج شبیهسازی برای سه روش مورد نظر با 1=λ و 3=σ و 10000=n
τn10000=,σ3=
روش خطا صفر ضرایب تعداد میانگینصحیح غلط25/0 L1484/87 (075/0) 723/2 (992/0) 994/0 (125/0)
SCAD 777/88 (063/0) 178/2 (090/1) 000/1 (0)
Adaptive-L1178/88 (074/0) 271/3 (965/0) 996/0 (090/0)
5/0 L1211/111 (087/0) 703/2 (980/0)007/0 (084/0)SCAD 846/112 (085/0) 382/2 (045/1) 029/0 (171/0)
Adaptive-L1702/113 (089/0) 982/3 (741/0) 008/0 (088/0)
75/0 L1491/87 (074/) 701/2 (969/0) 005/0 (070/0)SCAD 926/90 (066/) 474/2 (841/0) 0 (0)
Adaptive-L1217/88 (075/0) 231/3 (068/0) 005/0 (950/0)
8=λ
جدول-3: نتایج شبیهسازی برای سه روش موردنظر با 8=λ و 1=σ و 10000=nτn10000=,σ1=
روش خطا صفر ضرایب تعداد میانگینصحیح غلط25/0 L1456/30 (026/0) 798/3 (950/0) 010/0 (101/0)
SCAD 905/29 (024/0) 264/3 (172/1) 0 (0)
Adaptive-L1789/31 (025/0) 973/4 (162/0) 424/0 (494/0)
5/0 L1281/38 (030/0) 667/3 (986/0) 0 (0)SCAD 330/37 (03/0) 390/3 (005/1) 0 (0)
Adaptive-L1036/39 (03/0) 999/4 (014/0) 0 (0)
75/0 L1500/30 (026/) 771/3 (963/0) 0 (0)
SCAD 527/29 (025/) 394/3 (080/1) 0 (0)
Adaptive-L1985/30 (026/0) 000/5 (0) 0 (0)
جدول-4: نتایج شبیهسازی برای سه روش موردنظر با 8=λ و 3=σ و 10000=n
τn10000=,σ3=
روش خطا صفر ضرایب تعداد میانگینصحیح غلط25/0 L1413/91 (078/0) 794/3 (956/0) 007/1 (149/0)
SCAD 717/90 (051/0) 400/3 (894/0) 1 (0)
Adaptive-L1460/92 (077/0) 556/4 (601/0) 004/1 (070/0)5/0 L1890/114 (091/0) 662/3 (989/0) 011/0 (107/0)SCAD 773/112 (086/0) 4030/3 (060/1) 008/0 (092/0)Adaptive-L1294/116 (092/0) 424/4 (715/0) 066/0 (249/0)
75/0 L1528/91 (077/) 797/3 (952/0) 016/0 (125/0)
SCAD 132/91 (059/) 778/3 (647/0) 0 (0)
Adaptive-L1306/91 (075/0) 375/4 (658/0) 008/0 (090/0)
20=λ
جدول-5: نتایج شبیهسازی برای سه روش موردنظر با 20=λ و 1=σ و 10000=nτn10000=,σ1=
روش خطا صفر ضرایب تعداد میانگینصحیح غلط25/0 L1243/34 (032/0) 564/4 (632/0) 063/0 (243/0)
SCAD 732/32 (029/0) 337/4 (717/0) 041/0 (119/0)
Adaptive-L1146/34 (025/0) 000/5 (0) 000/1 (0)
5/0 L1221/41 (035/0) 443/4 (699/0) 0 (0)
SCAD 936/39 (030/0) 230/4 (829/0) 0 (0)
Adaptive-L1595/40 (033/0) 000/5 (0)0 (0)
75/0 L1206/34 (033/) 561/4 (622/0) 0 (0)
SCAD 084/34 (031/) 536/4 (576/0) 0 (0)
Adaptive-L1636/32 (028/0) 000/5 (0)0 (0)
جدول-6: نتایج شبیهسازی برای سه روش موردنظر با 20=λ و 3=σ و 10000=n
τn10000=,σ3=
روش خطا صفر ضرایب تعداد میانگینصحیح غلط25/0 L1831/102 (096/0) 584/4 (615/0) 139/1 (374/0)SCAD 373/98 (103/0) 353/4 (688/0) 079/1 (337/0)
Adaptive-L1884/104 (094/0) 987/4 (111/0) 386/1 (487/0)5/0 L1414/123 (102/0) 445/4 (692/0) 052/0 (228/0)SCAD 416/121 (077/0) 308/4 (549/0) 0 (0)
Adaptive-L1992/127 (100/0) 883/4 (323/0) 090/1 (312/0)
75/0 L1613/102 (095/) 575/4 (617/0) 134/0 (357/0)SCAD 076/97 (081/) 333/4 (734/0) 0 (0)
Adaptive-L1428/95 (081/0) 000/5 (0) 064/0 (244/0)
در هر مقدار λ و در مدل (1-5) با σ برابر با 1 و 3، میزان خطا برای هر سه روش فوق تقریباً یکسان است. لذا از لحاظ میانگین check loss، این روشها با یکدیگر تفاوتی ندارند.
حالت مطلوب زمانی اتفاق میافتد که تعداد ضرائب صفر غلط کم و تعداد ضرائب صفر صحیح به 5 نزدیک باشد. از این نظر روش adaptive-LASSO بهتر از دو روش دیگر است. زیرا برای λهای مختلف تعداد ضرائب صفر غلط کم و تعداد ضرائب صفر صحیح بیشتری دارد.
روش SCAD و L1 تفاوت زیادی از لحاظ تعداد ضرائب صفر صحیح ندارند. البته در اکثر مواقع روش L1 تعداد ضرائب صفر صحیح بیشتری (البته به مقدار کم) نسبت به روش SCAD ارائه میدهد ولی تعداد ضرائب صفر غلط بیشتری نیز ارائه میدهد.
توجه کنید که در مقالهی مورد نظر (Variable selection in quantile regression)، نرمافزار مورد استفاده برای قسمت شبیهسازی و تابعcheck loss ذکر نشدهاند. با توجه به متن پایاننامه، check loss، i=1nρτyi-xiTβ در نظر گرفته شده و از نرمافزار R، دستورهای rq.fit.lasso و rq.fit.scad برای شبیهسازی استفاده شده است. لازم به ذکر است در نهایت نتایج ارائه شده در این شبیهسازی با نتایج مقاله اصلی (Variable selection in quantile regression)، مطابقت دارد.
فهرست منابع و مآخذ
An, L. T. H. and Tao, P. D. (1997). Solving a class of linearly constrained indefinite quadratic problems by d.c. algorithms. J. Global Optim. 11, 253-285.
Breiman, L. (1996). Heuristics of instability and stabilization in model selection. Amer. Statist. 24, 2350-2383.
Candes, E. and Tao, T. (2007). The Dantzig selector: statistical estimation when p is much larger than n. Amer. Statist. 6, 2313-2351.
Fan, J. (1997). Comments on “Wavelets in statistics: A review”, by A. Antoniadis. J. Amer. Statist. Assoc. 6, 131-138.
Fan, J. and Li, R. (2001). Variable selection via nonconcave penalized likelihood and its oracle properties. J. Amer. Statist. Assoc. 96, 1348-1360.
Fan, J. and Li, R. (2002). Variable selection for Cox’s proportional hazards model and frailty model. Amer. Statist. 30, 74-99.
Fan, J. and Li, R. (2004). New estimation and model selection procedures for semiparametric modeling in longitudinal data analysis. J. Amer. Statist. Assoc. 99, 710-723.
Fan, J. and Lv, J. (2006). Sure independence screening for ultra-high dimensional feature space. Submitted.Fan, J. and Peng, H. (2004). Nonconcave penalized likelihood with a diverging number of parameters. Amer. Statist. 32, 928-961.
Frank, I. and Friedman, J. (1993). A statistical view of some chemometrics regression tools. Technometrics 35, 109-148.
Geyer, C. J. (1994). On the asymptotics of constrained m-estimation. Amer. Statist. 22, 1993- 2010.Harrison, D. and Rubinfeld, D. L. (1978). Hedonic housing prices and the demand for clean air. J. Environmental Economics and Management, 81-102.
He, X. and Shao, Q.-M. (2000). On parameters of increasing dimensions. J. Multivariate Anal. 73, 120-135.
Hendricks, W. and Koenker, R. (1992). Hierarchical spline models for conditional quantiles and the demand for electricity. J. Amer. Statist. Assoc. 87, 58-68.
Hoerl, A. and Kennard, R. (1988). Ridge regression. In Encyclopedia of Statistical Sciences 8, 129-136 Wiley, New York.Hunter, D. R. and Li, R. (2005). Variable selection using MM algorithm. Amer. Statist. 33, 1617-1642.
Keming Yu, Zudi Lu and Julian Stander (2003). Quantile regression: applications and current research areas. The Statistician 52, Part 3,331-350
Knight, K. (1999). Asymptotics for L1-estimators of regression parameters under heteroscedas- ticity. Canad. J. Statist. 27, 497-507.
Kocherginsky, M., He, X. and Mu, Y. (2005). Practical confidence intervals for regression quan- tiles. J. Comput. Graph. Statist. 14, 41-55.
Koenker, R. (2004). Quantile regression for longitudinal data. J. Multivariate Anal. 91, 74-89.
Koenker, R. (2005). Quantile Regression, Cambridge University Press.
Koenker, R. and Bassett, G. (1978). Regression quantiles. Econometrica 46, 33-50.
Koenker, R. and Geling, R. (2001). Reappraising medfly longevity: a quantile regression survivalanalysis. J. Amer. Statist. Assoc. 96, 458-468.
Koenker, R. and Hallock, K. (2001). Quantile regression. Journal of Economic Perspectives 15, 143-156.
Koenker, R., Ng, P. and Portnoy, S. (1994). Quantile smoothing splines. Biometrika 81, 673-680.
Li, Y., Liu, Y. and Zhu, J. (2007). Quantile regression in reproducing kernel Hilbert spaces. J.
Amer. Statist. Assoc., 102, 255-268.
Li, Y. and Zhu, J. (2005). l1-norm quantile regressions. J. Comput. Graph. Statist. To appear.Liu, S., Shen, X. and Wong, W. (2005a). Computational development of -learning. In The SIAM 2005 International Data Mining Conf., 1-12.Liu, Y., Shen, X. and Doss, H. (2005b). Multicategory -learning and support vector machine: computational tools. J. Comput. Graph. Statist., 14, 219-236.
Liu, Y. and Wu, Y. (2007). Variable selection via a combination of the L0 and L1 penalties. J. Comput. Graph. Statist., 16, 782-798.
Pollard, D. (1991). Asymptotics for least absolute deviation regression estimators. Econometric Theory 7, 186-199
Tibshirani, R. J. (1996). Regression shrinkage and selection via the lasso. J. Roy. Statist. Soc. Ser. B 58, 267-288.
Wang, H. and He, X. (2007). Detecting differential expressions in genechip microarray studies: A quantile approach. J. Amer. Statist. Assoc. 102, 104-112.
Wang, H., Li, G. and Jiang, G. (2007). Robust regression shrinkage and consistent variable selection through the lad-lasso. J. Business & Economic Statistics 25, 347-355.
Wei, Y. and He, X. (2006). Conditional growth charts (with discussions). Ann. Statist. 34, 2069-2031.
Wei, Y., Pere, A., Koenker, R. and He, X. (2006). Quantile regression methods for reference growth curves. Statist. Medicine 25, 1369-1382.
Wu, Y. and Liu, Y. (2007). Robust truncated-hinge-loss support vector machines. J. Amer. Statist. Assoc. 102, 974-983.
Yang, S. (1999). Censored median regression using weighted empirical survival and hazard functions. J. Amer. Statist. Assoc. 94, 137–145.
Yichao Wu and Yufeng Liu (2009). Variable selection in quantile regression. Statistica Sinica 19, 801-817
Yuan, M. and Lin, Y. (2007). On the nonnegative garrote estimator. J. Roy. Statist. Soc. Ser. B 69, 143–161.
Zhang, H. H., Ahn, J., Lin, X. and Park, C. (2006). Gene selection using support vector machines with nonconvex penalty. Bioinformatics 22, 88–95.
Zhang, H. H. and Lu, W. (2007). Adaptive-lasso for Cox’s proportional hazard model. Biometrika. 94, 691–703.
Zhao, P. and Yu, B. (2006). On model selection consistency of lasso. J. Machince Learning Research 7, 2541-2563.Zou, H. (2006). The adaptive lasso and its oracle properties. J. Amer. Statist. Assoc., 101, 1418-1429.
Zou, H. and Li, R. (2007). One-step Sparse Estimates in Nonconcave Penalized Likelihood Models. Ann. Statist. To appear.پیوست
پیوست1
اثبات قضایا و لمها
برای اثبات قضایای پایاننامه از یک قضیه و لم معروف به نام لم تحدب (convexity lemma) استفاده میکنیم.
لم 2 (لم تحدب): فرض کنید hnu:uϵU یک دنباله از توابع تصادفی محدب تعریف شده روی یک زیرمجموعهی محدب و باز U از Rd باشد. همچنین فرض کنید hu یک تابع حقیقی مقدار روی U باشد به طوری که برای هر uϵU داشته باشیم hnuPhu . آنگاه برای هر زیرمجموعه فشرده k از U داریم:
supuϵkhnu-huP0تابع h∙ ضرورتاً روی U، محدب است.چندین اثبات برای لم تحدب وجود دارد. خوانندگان علاقهمند میتوانند به (1991)Pollard مراجعه کنند.
تقریب خطی ρτεi-t را با Di=1-τεi<0-τεi≥0 مشخص میکنیم. یک تعبییر از Di این است که Di به عنوان مشتق اول ρτεi-t در t=0 میتواند در نظر گرفته شود. به علاوه، این شرط که εi دارای چندک τام، صفر است این مطلب را بیان میکند که EDi=0 است. تعریف میکنیم:
Ri,nu=ρτεi-xiTun-ρτεi-DixiTunWn=i=1nDixin Wn,11=i=1nDixi1nدر این صورت داریم:
WnLN0,τ1-τ∑ Wn,11LN0,τ1-τ∑11لم 3: برای مدل (1-4) با پارامتر حقیقی β0،Gnu را به صورت
Gnu=i=1nρτεi-xiTun-ρτεiمشخص میکنیم، جائی کهεi=yi-xiTβ0 است. تحت شرایط (i) و (ii) برای هر u ثابت داریم:
Gnu=f02 uTi=1nxixiTn u+WnT u+op1(1)
اثبات لم 3: شرط (i)، این مطلب را بیان میکند که تابع Mt=Eρτεi-t-ρτεi دارای مینیمم یکتا در صفر است. بسط تیلور آن در مبدأ فرم Mt=f02t2+ot2 را دارد. بنابراین برای nهای بزرگ داریم:
EGnu=i=1nMxiTun=i=1nf02 xiTun2+oxiTun2 = f02n uTi=1nxixiTu+o12n uTi=1nxixiTuتحت شرط (ii) داریم
EGnu=f02n uTi=1nxixiTu+o1بنابراین داریم:
Gnu=EGnu+WnTu+i=1nRi,nu-ERi,nuبا محسبات معمولی داریم
Ri,nu≤xiTunεi≤xiTunبرای u ثابت، با توجه به حذف جملهی ضرب داخلی داریم:
Ei=1nRi,nu-ERi,nu2=i=1nERi,nu-ERi,nu2 ≤i=1nERi,nu2 ≤i=1nxiTun2Eεi≤xiTun ≤i=1nxiTun2Eεi≤unmaxj=1,…,nxj →0 (2)
همانطور که در (1991) Pollard داریم، جائی که∙ ، عملگر نرم اقلیدسی را مشخص میکند.
از طرفی در مرحلهی آخر داریم:
i=1nxiTun2=uTi=1nxixiTnu→uTuبه این دلیل که i=1nxi2n→trace(∑) ، داریم maxxjn→0 . رابطهی (2) دلالت بر این موضوع دارد که
i=1nRi,nu-ERi,nu=op1و این اثبات را کامل میکند∎قبل از شروع اثبات قضیهی 1، این نکته را بیان میکنیم که
WnTu=EWnTu+OpVarWnTuو
VarWnTu=i=1nEDixiTun2=τ1-τuTi=1nxixiTnuبنابراین
WnTu=Opτ1-τuTi=1nxixiTnuاثبات قضیهی 1: برای اثبات قضیهی 1، از استراتژی مشابه آنچه Fan و Li در 2001 استفاده کردند، استفاده میکنیم. کافی است نشان دهیم برای هر 0<δ، ثابت بزرگ C وجود دارد به طوری که
Pinfu=CQβ0+un>Qβ0≥1-δ(3)
که این مطلب را میرساند که با احتمالی حداقل برابر با 1-δ، مینیمم موضعی در گوی β0+un: u≤C وجود دارد.
این موضوع به نوبه خود دلالت بر این موضوع دارد که یک مینیمم موضعی وجود دارد بهطوری
β-β=Op1nکه این دقیقاً همان چیزی است که میخواهیم نشان دهیم. توجه کنید که
Qβ0+un-Qβ0
=i=1nρτyi-xiTβ0+un-ρτyi-xiTβ0+nj=1dpλnβj0+ujn-pλnβj0≥i=1nρτyi-xiTβ0+un-ρτyi-xiTβ0+nj=1spλnβj0+ujn-pλnβj0جائی که s تعداد مؤلفههای β10 است وβj0 ، j-امین مؤلفهی β10 است. با توجه به لم 3، اولین عبارت در سمت راست، برای هر u ثابت، دقیقاً Gnu=f02uTi=1nxixiTnu+WnTu+op1 است.
با به کاربردن لم تحدب (لم 2) برای hnu=Gnu-WnTu، میتوان همگرایی نقطه به نقطه را به همگرایی یکنواخت روی هر زیرمجموعه فشرده از Rd، تقویت کرد.
توجه کنید، برای n بزرگ، به طور یکنواخت در هر مجموعه فشرده از Rd داریم:
nj=1spλnβj0+ujn-pλnβj0=0(4)
با توجه به این حقیقت که 0< βj0 برای 1,2,…,s=j، تاوان SCAD برای ضرائبی که بزرگتر از aλn مسطح است.
بر اساس آنچه در بالا گفته شد، عبارت درجه دوم f0uTi=1nxixiTu2n برای u برابر با C به اندازهی کافی بزرگ، کران پایین Qβ0+un-Qβ0 است. بنابراین شرط (ii) دلالت بر این موضوع دارد که (3) برقرار است و این اثبات را کامل میکند.∎اثبات لم 1: برای هر 0<β2≤Cn-12 β1-β10=Opn-12و داریم:
Qβ1T,0TT-Qβ1T,β2TT
=Qβ1T,0TT-Qβ10T,0TT-Qβ1T,β2TT-Qβ10T,0TT =Gnnβ1-β10T,0TT-Gnnβ1-β10T,β2TT-nj=s+1dpλnβj (5)
=f02nβ1-β10T,0Ti=1nxixiTnnβ1-β10T,0TT+nβ1-β10T,0TWn-f02nβ1-β10T,β2Ti=1nxixiTnnβ1-β10T,β2TT-nβ1-β10T,β2TWn+o1+op1-nj=s+1dpλnβjشرط β1-β10=Opn-12 و 0<β2≤Cn-12 دلالت بر این موضوع دارد که
f02nβ1-β10T,0Ti=1nxixiTnnβ1-β10T,0TT=Op1f02nβ1-β10T,β2Ti=1nxixiTnnβ1-β10T,β2TT=Op1و داریم
nβ1-β10T,0TWn-nβ1-β10T,β2TWn=-n0T,β2TWn =nτ1-τβ2T∑22β21+op1توجه داشته باشیدکه
nj=s+1dpλnβj≥nλnlimλ→0inf limθ→0+infpλθλj=s+1dβj1+o1 =nλnj=s+1dβj1+o1 جایی که مرحلهی آخر بر اساس این حقیقت کlimλ→0inf limθ→0+infpλθλ=1ه است، برقرار است.
از طرفی nλn→∞ دلالت بر این موضوع دارد که nλn=nnλn از مرتبهای بالاتر از n قرار دارد. بنابراین برای nهای بزرگ Qβ1T,0TT-Qβ1T,β2T<0 است و این اثبات را کامل میکند.∎اثبات قضیه 2: قسمت (a)، با توجه به لم 1 برقرار است. بنابراین قسمت (b) را ثابت میکنیم.
طبق قضیه 1، Qβ1T,0TT به عنوان تابعی از β1، مینیمم سازگار β1 را دارد.
از اثبات قضیه 1 داریم که nβ1-β1، مقدار
GnθT,0TT+nj=1spλnβj0+θjnرا جایی که θ=θ1,θ2,…,θsTϵRs است، مینیمم میکند. توجه کنید آنچه که در اثبات قضیه 1، لم 3 و لم تحدب داریم، دلالت بر این دارد که به طور یکنواخت روی هر زیرمجموعه فشرده ازRs داریم:
GnθT,0TT=f02θT,0Ti=1nxixiTnθT,0TT+θT,0TWn+op1 =f02θTi=1nxi1xi1Tnθ+θTi=1nDixi1n+op1توجه کنید که برای nهای بزرگ، طبق (4) به طور یکنواخت روی هر مجموعه فشرده از Rs داریم:
nj=1spλnβj0+θjn=nj=1spλnβj0GnθT,0TT+nj=1npλnβj0+θjn=12θTf0i=1nxi1xi1Tnθ+i=1nDixi1nTθ+nj=1spλnβj0+rnθ=12θ-ϚnTf0i=1nxi1xi1Tnθ-Ϛn-12ϚnTf0i=1nxixiTnϚn+nj=1spλnβj0+rnθالبته جایی که Ϛn=-f0i=1nxi1xi1Tn-1Wn,11 است و برای باقیمانده rnθ به طور یکنواخت روی هر زیرمجموعه فشرده از Rs داریم
rnθP0 توجه کنید که عبارت nj=1spλnβj0 به θ بستگی ندارد. بنابراین برای nهای بزرگ، مینیمم موضعیθ به Ϛn خیلی نزدیک است و داریم:
θ-Ϛn=op1این به این معنی است که
θ=-f0i=1nxi1xi1Tn-1i=1nDixi1n+op1بنابراین
nβ1-β10=-f0i=1nxi1xi1Tn-1i=1nDixi1n+op1با به کار بردن قضیه slutsky به این نتیجه میرسیم که
nf0∑11β1-β10LN0,τ1-τ∑11و این اثبات را کامل میکند.∎اثبات قضیه 3: توجه کنید
Q1β0+un-Q1β0=i=1nρτyi-xiTβ0+un-ρτyi-xiTβ0+nλnj=1dwjβj0+ujn-wjβj0ابتدا عبارت دوم را در نظر میگیریم. برای j=1,2,…,n داریم βj0≠0 در نتیجه داریم wjPβj0-γ. چون nβj0+ujn-βj0→ujsignβj0 و nλn→0 داریم
nλnwjβj0+ujn-wjβj0P0از طرف دیگر برای j=s+1,s+2,…,d پارامتر حقیقی βj0=0 است بنابراین
nλnwj=n1+γ2λnnβj-γکهnβj=Op1 است. بنابراین داریم اگر uj≠0 آنگاه
nλnwjβj0+ujn-wjβj0P∞و در غیر اینصورت برابر با صفر است. این نتایج به همراه نتیجهی لم 3 دلالت بر این دارد که
Q1β0+un-Q1β0LVuکه Vu=f02u1∑11u1+Wn,11Tu1 uj=0 for j≥s+1∞ otherwise و u1=u1,u2,…,usT است.
توجه کنید که Q1β0+un-Q1β0 درu محدب است و V مینیمم یکتا دارد. نتایجی که Geyer در سال 1994 پیرامون epi-همگرایی بدست آورد دلالت بر این دارد که
argmin Q1β0+un=nβAL-β0Largmin Vuکه قسمت نرمال بودن را ثابت میکند. حال خاصیت سازگاری انتخاب مدل را نشان میدهیم.
برای هر β1-β10=Opn-12 و 0<β2<Cn-12 داریم
Q1β1T,0TT-Q1β1T,β2TT=Q1β1T,0TT-Q1β10T,0TT-Qβ1T,β2TT-Qβ10T,0TT=Gnnβ1-β10T,0TT-Gnnβ1-β10T,β2TT-nλni=1nwjβj.توجه کنید در اینجا دو عبارت اول مشابه آنچه در (5) داریم، است. بنابراین به طور مشابه میتواند کران داشته باشد.
با توجه به آنچه در زیر داریم عبارت سوم زمانی n→∞ به سمت -∞ میل میکند.
nλnj=s+1dwjβj=n1+γ2λnnj=s+1dnβj-γβj→∞ بنابراین شرط n1+γ2λn→∞ دلالت بر این دارد که nλnj=s+1dwjβj نسبت به عبارات دیگر از درجهی بالاتری برخوردار است لذا برای nهای بزرگ، Q1β1T,0TT-Q1β1T,β2TT<0 و این سازگاری انتخاب مدل را برای رگرسیون چندکی LASSO انطباقی تاوانیده، ثابت میکند.∎اثبات نتیجه 1: با توجه به اثبات قضیه 1، لم 1، قضیه 2 و قضیه 3، کافی است تقریب مجانبی مشابه (1) را ثابت کنیم.توجه کنید که ρτ. را به صورت ρτr=r2+r-12r میتوان بازنویسی کرد. بنابراین مشابه آنچه knight در سال 1999 انجام داد داریم:
Gnu=i=1nρτεi-xiTun-ρτεi=i=1n-xiTunsignεi2+r-12+i=1n0xiTunIεi≤s-Iεi≤0dsبا استدلالی مشابه آنچه knight در سال 1999 داشت به این نتیجه میرسیم که برای بردار تصادفی نرمال چند متغییرهی V با میانگین صفر داریم
GnuL-uTV+ςuبنابراین، نتایج از تحدب مؤکد.ς بدست میآید.∎پیوست2
واژگان انگلیسی به فارسی
A
LASSO انطباقی Adaptive-LASSOرگرسیون چندکی LASSO انطباقی تاوانیده Adaptive-LASSO penalized quantile regression
B
انتخاب بهترین زیرمجموعه Best-subset selectionرگرسیون پلی Bridge regression
C
میانگین شرطی Conditional meanچندک شرطی Conditional quantileتابع چندکی شرطی τام Conditional τ th quantile functionسازگاری Consistency
لم تحدب Convexity lemma
متغیر کمکی Covariate
تابع توزیع تجمعی Cumulative distribution function
D
دهک Decile
دنباله تعیینی Deterministic sequence
L
رگرسیون کمترین انحراف قدرمطلق Least absolute deviation regression
رگرسیون چندکی L1 تاوانیده penalized quantile regression L1M
میانگین Mean
میانه Median
مدل رگرسیون چندکی با اثرات آمیخته Mixed-effect quantile regression model
ریزآرایه Microarray
N
متغیر نوفه Noise variable
رگرسیون چندکی ناتاوانیده Non-penalized quantile regression
O
خاصیت پیشگویی Oracle property
رگرسیون کمترین مربعات عادی Ordinary least square regression
P
درستنمایی تاوانیده Penalized likelihood
تاوان Penalty
صدک Percentile
متغییر پیشبینیکننده Predictor
چندک pام P-th quantile
Q
چندک Quantile
رگرسیون چندکی Quantile regression
نمودار رگرسیونی چندکی Quantile regression curve
چارک Quartile
R
رگرسیون Regression
پارامتر نظم Regularization parameter
متغیر پاسخ Response
پایا Robust
S
رگرسیون چندکی SCAD تاوانیده SCAD penalized quantile regression
هموار Smooth
انحراف قدرمطلق بهطور هموار بریده شده Smoothly clipped absolute deviation
انتخاب گامبهگام Stepwise-selection
V
انتخاب متغیر Variable selectionواژگان فارسی به انگلیسی
الف انتخاب بهترین زیرمجموعه Best-subset selection
انتخاب گامبهگام Stepwise-selection
انتخاب متغیر Variable selection
انحراف قدرمطلق بهطور هموار بریده شده Smoothly clipped absolute deviation
پ پارامتر نظم Regularization parameter
پایا Robust
ت تابع توزیع تجمعی Cumulative distribution function
تابع چندکی شرطی τام Conditional τ th quantile function
LASSOانطباقی Adaptive-LASSO
تاوان Penalty
چ چارک Quartile
چندک Quantile
چندک شرطی Conditional quantile
چندک pام P-th quantile
خ خاصیت پیشگویی Oracle property
د درستنمایی تاوانیده Penalized likelihood
دنباله تعیینی Deterministic sequence
دهک Decile
ر رگرسیون Regression
رگرسیون پلی Bridge regression
رگرسیون چندکی Quantile regression
رگرسیون چندکی ناتاوانیده Non-penalized quantile regression
رگرسیون چندکی LASSO انطباقی تاوانیده Adaptive-LASSO penalized quantile regression
رگرسیون چندکی L1 تاوانیده L1 penalized quantile regression
رگرسیون چندکی SCAD تاوانیده SCAD penalized quantile regression
رگرسیون کمترین انحراف قدرمطلق Least absolute deviation regression
رگرسیون کمترین مربعات عادی Ordinary least square regression
ریزآرایه Microarray
س سازگاری Consistency
ص صدک Percentile
ل لم تحدب Convexity lemma
م متغیر پاسخ Response
متغییر پیشبینیکننده Predictor
متغیر کمکی Covariate
متغیر نوفه Noise variable
مدل رگرسیون چندکی با اثرات آمیخته Mixed-effect quantile regression model
میانگین Mean
میانگین شرطی Conditional mean
میانه Median
ن نمودار رگرسیون چندکی Quantile regression curve
ه هموار Smooth
پیوست 3
علائم اختصاری
OLSR=ordinary least square regression
LADR=least absolute deviation regression
SCAD=smoothly clipped absolute deviation
LASSO=least absolute shrinkage and selection operator
i.i.d=independent identically distributed
پیوست 4
برنامههای کامپیوتری
برنامه زیر، برنامه رگرسیون چندکی برای چندک 75/0 است که در محیط نرمافزار R نوشته شده است. سایر برنامهها مشابه این برنامه میباشند.
p<-8
rho<-.5
n<-100
R <- matrix(0,p,p)
beta <- c(1,3,1.5,0,0,2,0,0,0)
for(i in 1:p){
for(j in 1:p){
R[i,j] <- rho^abs(i-j)
}
}
x <- matrix(rnorm(n*p),n,p) %*% t(chol(R))
x<-cbind(rep(1,n),x)
x
y <- x %*% beta + rnorm(n)
ynlambda<-abs(rq.fit(x,y,tau=.0.75)$coefficients)
nlambda1<-abs(nlambda)^(-1)*1
nlambda1
ss<-function(r,t){
if(r>=0) g<-r*t
if(r<0) g<-(t-1)*r
g}
check<-function(bhat){
l<-0
for(i in 1:n){
a<-rep(0,0)
b<-rep(0,0)
a[i]<-y[i]-t(x[i,])%*%bhat

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

b[i]<-ss(a[i],t=0.75)
l<-l+b[i]
}
l}
d<-rep(0,0)
correct<-rep(0,0)
wrong<-rep(0,0)
for(i in 1:(100*n)){
if(i%%1==0)print(i)
x <- matrix(rnorm(n*p),n,p) %*% t(chol(R))
x<-cbind(rep(1,n),x)
y <- x %*% beta + rnorm(n)
bhatc<-rq.fit.lasso(x,y,tau=0.75,lambda=nlambda1)$coefficients
newbhat<-bhatc
newbhat[newbhat<=10^(-6)]<-0
correct[i]<-sum(newbhat==0 & beta==0)
wrong[i]<-sum(newbhat==0 & beta!=0)
d2<-check(bhatc)
cat("d2=",d2,"n")
d[i]<-d2
}
mean(d)
sqrt(var(d)/10000)
mean(correct)
mean(wrong)

منبع علمی مقاله user867

۳-١-۵-٢) سینوویت – کپسولیت :
سینوویت شدید (آماس غشاء سینوویال) که در اسبهای مبتلا به استئوارتریت اتفاق میافتد میتواند یک عارضه اولیه باشد یا متعاقب ترومای مفصل، فشار بیش از حد بر روی مفصل، تزریق داخل مفصلی داروها و یا در نتیجه عفونت ایجاد شود. سلولهای تشکیلدهنده غشاء سینوویالی یک منبع غنی از چندین مولکول پیشالتهابی بوده و اگر دلیل اصلی التهاب کنترل نشود میتوانند باعث آغاز و تداوم فرسایش مفصل شوند(10،41و42).
تروما یا التهاب ساختارهای مجاور غشاء سینوویال مانند کپسول مفصلی، لیگامنت ها، ماهیچهها و تاندونها میتوانند باعث آغاز سینوویت و متعاقبا ایجاد استئوارتریت شود(10).
۴-١-۵-٢) هیپوکسی :
تحقیقات نشان داده است که در طی ایجاد استئوارتریت، عروق خونی تشکیل می شود که ابتدا غشاء سینوویال و متعاقب آن غضروف و استخوان زیر غضروف را درگیر میکند. هر چند که رشد عروق جدید باعث می شود که مواد مغذی بیشتری به غضروف مفصلی و استخوان زیرغضروفی برسد و اما این وضعیت به ایجاد سینوویت هم کمک میکند.
هیپوکسی به عنوان جزئی معمول در پاتوفیزیولوژی استئوارتریت و آرتریت روماتوئید محسوب میشود. عوارضی چون تخریش مفصل، تحلیل مفصل، تغییرات در ترکیب ماتریکس خارج سلولی و پیشرفت ضایعات غضروفی در این دو بیماری قادر به تغییر غلظت اکسیژن در غضروف هستند. از سوی دیگر در این دو بیماری تولید فاکتورهای هستهای القاکننده هیپوکسی(H1F2α، H1F1α) به مقدار زیاد افزایش یافته و تجزیه آنها کاهش مییابد.
افزایش این فاکتورها منجر به افزایش تولید دوپپتید آنژیوژنیک به نامهای فاکتور اندوتلیال عروقی (VBGF) و فاکتور رشد اندوتلیال سلولی مشتق شده از پلاکت (PDEGF)می شود. این دو فاکتور باعث افزایش رشد عروق جدید و افزایش نفوذپذیری عروق در بافتهای تشکیلدهنده مفصل و در نتیجه ادم، نشت عروقی پروتئین، التهاب و آسیب غضروفی میشوند(10و73).
۵-١-۵-٢) شاخص حجم بدن (لپتین) :
لپتین یک سیتوکین تولید شده بوسیله سلول های بافت چربی سفید است که در کنترل اشتها، مصرف انرژی و تنظیم متابولیسم استخوان نقش دارد. لپتین، همچنین تکثیر سلولی را تحریک کرده و فعالیت متابولیکی کندروسیت ها را افزایش میدهد. اخیرا مشخص شده است که در افراد مبتلا به استئوارتریت بین غلظت های پلاسمایی لپتین و شاخص حجم بدن ارتباط معناداری وجود دارد(39). علاوه بر این ثابت شده است که بین غلظتهای پلاسمایی بالای لپتین و شدت آسیب غضروفی در موشهای صحرایی ارتباط معنیداری وجود دارد(16).
۶-١-۵-٢) استئوارتریت ارثی :
در انسان استئوارتریت متعاقب نقص ژنتیکی در بهم پیوستگی رشتههای کلاژنی نوع (COL-II)II اتفاق میافتد و نظریه های دیگری نیز در مورد موتاسیون ژنتیکی در ژنهای کندکننده نوع دیگر کلاژن وجود دارد(55).
٧-١-۵-٢) تغییرات بیوشیمیایی :
در استئوارتریت غضروف، کلاژن به یک نوع متفاوت دیگر کلاژنی که از نظر اندازه بزرگتر است در پوست و استخوان احیا می شود. سنتز پروتئینها و گلیکوآمینوگلیکانها افزایش پیدا میکند. اگر چه از نظرکمیت کاهش پیدا میکنند. بسته به این که بیماری متوسط تا خفیف باشد نسبت آن متغیر است.
در موارد شدید بیماری، فرایندهای جبرانپذیر نیز با شکست همراه است. اما با این حال توصیه شده است که درمان در همان مرحله اول بیماری انجام شود که در این صورت هنوز ظرفیت فراهم شدن سلولها و ماتریکس برای ترمیم وجود دارد.
در حقیقت این تغییرات بین استئوارتریت و بیماری دژنراتیو مفصلی گاهی اوقات گیجکننده است. ارتوپدسیت های انسانی اغلب استرس دارند چون ضخامت غضروف مفصلی را کاهش میدهند که در این صورت فضای مفصلی کاهش مییابد و در رادیوگرافی اسکلروزیس دیده شده است. این در حالی است که کلینسین های دام کوچک معمولا به استئوفیتهای حاشیهای مراجعه میکنند. اغلب با قطع وتر صلیبی، استئوفیتهای شدیدی ممکن است اتفاق بیافتد اما سطح مفصل نسبتا نرمال به نظر میرسد.
در استئوارتریت ویژگی مشخص کاهش فضای مفصلی است که در تصویر رادیوگرافی کاملا مشخص است. در مرحله اول ایجاد استئوارتریت، تخریب و دژنراسیون به طور معمول در سطح مفصل و فیبراسیون سطحی صورت میگیرد وکندروسیت ها اغلب به شکل کلنی مشاهده می شود و در مرحله پیشرفته آن تغییرات دژنراتیو ممکن است همه غضروف مفصلی را درگیر کند وکاهش پیشرونده مفصلی اتفاق میافتد. مرگ برنامهریزی شده سلولها کندروسیت ها بصورت غالب در حالت استئوآرتریت پیشرفته بخصوص نزدیک به سطح مفصلی مشاهده میشود(22).
فیبریلاسیون سطحی، ارتباط و همبستگی با دژنراسیون کلاژن نوع II دارد. که این حالت فعالیت های مکانیکی و عملی کاربردی بافت مفصلی را تحت تأثیر قرار میدهد که در حالت طبیعی فیبریل های کلاژن، مخصوص پایداری و انجام این فرایندها هستند و فعالیتهای کششی هم در سطح مفصل نسبت به عمق مفصل حالت نرمالتر بیشتری دارد(34).
پروتئوگلیکانها ترکیبات مهمی از غضروف مفصلی هستند و در واقع کاهش این ترکیبات باعث تخریب غضروف میشود. آگریکان یک پروتئوگلیکان غالب و بزرگ یا پروتئوگلیکان سولفات کندروتین یا یک پروتئین تغییرشکل یافته با کربوهیدراتهای بزرگ است در غضروف مفصلی وجود دارد که شامل یک کانون پروتئینی با زنجیرههای گلیکوزآمینوگلیکان که پیوند کووالانسی دارند. کاهش مولکولهای آگریکان در بافت غضروفی باعث افزایش فیبریلهای کلاژن و القای آنزیم کلاژناز و دسترسی آن به این فیبریل ها میشود(19).
تخریب شبکه غضروفی در بافت غضروفی باعث آسیب به پروتئوگلیکانهای اصلی مثل آگریکان میشود. اهمیت این موضوع از این جهت است که در این حالت زمان بسیار زیادی برای شروع متابولیک دوباره فیبرهای کلاژن از آگریکان نیاز است، همچنین شناخته شده است که کندروسیتها میتوانند ماتریکس خارج سلولی (ECM) مثل پروتئوگلیکانها، کلاژن، فیبرونکتین، اینتگرینها و دیگر پروتئینهایی که برای پایداری هرچه بیشتر قدرت کششی و کاهش فشار نیاز است را سنتزکنند .پایداری ماتریکس خارج سلولی(ECM) در حالت نرمال می تواند مقاومت مکانیکی مناسبی ایجاد کند که کلید مناسبی در جلوگیری از آغاز روند پاتولوژیکی در استئوارتریت میباشد.
١- سیتوکینهای پیش التهابی :
اینترلوکین 1 (IL-1):
دو نوع اینترکولین 1 وجود دارد که شامل میباشند. مشخص شده است که یکی از مهمترین سیتوکاینهای کاتابولیک شرکتکننده در استئوآرتریت است(10و73).
بعد از تبدیل شدن به فرم فعال خود طی یکسری فرایندها باعث افزایش تولید پپتیدهای پیش التهابی ثانویه مانند IL-6,IL-8,IL-12 ، کموکاینها، لوکوترین B4 (LTB) پروستوگلاندین (PGE2)E2ماتریکس متالوپروتئینازهاو نیتریک اکسید می شود.
همچنین مسیرهای ترمیم ماتریکس خارج سلولی آسیبدیده را در کندروسیت ها مهار کرده، باعث رها شدن پرتئوگلیکانها از داخل ماتریکس خارج سلولی به داخل مایع سینوویالی شده، سنتز کلاژن نوع ,IX XI و IIرا مهارکرده، تولید مولکول های پروتئوگلیکان غیرطبیعی را افزایش داده و باعث کاهش تولید مهارکنندههای غضروف توصیف شده است. به طورکلی اینترلوکین 1 به عنوان محرک اصلی دژنراسیون غضروف توصیف شده است(20و71).
٢ -فاکتور نکروزدهنده توموری آلفا :
این فاکتور بوسیله ماکروفاژها، کندروسیتها، سلولهای سینوویال و استئوکلاست ها ترشح شده و بوسیله یک آنزیم اختصاصی تبدیلکننده فعال میشود. شواهدی وجود دارد که این آنزیم در بیماران مبتلا به استئوارتریت در غلظتهای بالا وجود دارد(20و71).
تأثیرات بیولوژیک خود را از طریق واکنش با دو پذیرنده که پذیرندههای نوع 1 و نوع 2 نامیده میشوند، القا میکند. مشخص شده که پذیرنده نوع 1 فاکتور نکروز دهنده توموری، در ماتریکس خارج سلولی غضروف افراد مبتلا به استئوآرتریت وجود دارد(20).
همچنین وجود این پذیرنده در غشا سینوویال و غضروف کلسیفاید نشده یک مدل سینوویت- آرتریت ایجاد شده با اندوتوکسین در اسبها مشخص شده است(71).
هر چند به نظر می رسد دارای اثرات مشابه اینترلوکین 1 روی غضروف مفصلی است اما ظاهرا نقش مهمتری در پاتوفیزیولوژی آرتریت روماتوئیدی دارد(10و73).
در حقیقت یک شیوه کاهش تأثیرات بر روی غضروف مفصلی افراد مبتلا به آرتریت روماتوئیدی، تجویز پادتن ضد است (18). اما این آنتیبادیها در درمان استئوارتریت استفاده نشدهاند.
٣-آگریکانازها :
این خانواده دارای 19 عضو دارد. آگریکاناز1 و آگریکاناز 2 آنزیمهای پروتئولیتیک بوده که در تجزیه آگریکان موجود در غضروف در استئوارتریت نقش دارند(70).
آگریکانازها هسته پروتئینی آگریکان را تجزیه کرده و نقش مهمی در پاتوفیزیولوژی استئوارتریت ایفا میکند. به نظر میرسد سنتز این دو آنزیم در کندروسیتها، بوسیله IL-1β تنظیم میشود. شواهد قانعکنندهای وجود دارد که تحت شرایط خاص IL-1β باعث کاهش سنتز آگریکاناز 1 میشود(73).
اخیرا دریک مدل استئوارتریت در سگ مشاهده شده است که یک مهارکننده به نام لیکوفلون از طریق دو مسیر لیپواکسیژناز و سیکلواکسیژناز سنتز آگریکانازها را مهار می کند(49).
۴- سرینپروتئازها :
اعضای مهم این خانواده عبارتند از فعالکننده پلاسمینوژن، برادی کینین، پلاسمین، تریپسین، کاتپسین G والاستاز است. این آنزیم ها می توانند مستقیما مولکولهای ماتریکس خارج سلولی را تجزیه کنند. با این وجود تأثیر کاتابولیکی اصلی آنها بوسیله فعال کردن پروتئازهای خفته مانند پیش ماتریکس متالوپروتئینازها صورت میگیرد. شواهدی وجود دارد که IL-1β ممکن است تولید این آنزیمها را افزایش دهد(42). برادی کینین یک واسطه مهم سینوویت است. اخیرا یک آنتاگونیست اختصاصی رسپتور برادی کلینین 2β تولید شده که نتایج رضایت بخشی در درمان استئوارتریت در زانوی انسان دانسته است(73).
۵-ایکوزانوئیدها:
شامل پروستوگلاندینها، ترومبوکسان ها لوکوترینها از متابولیت های آراشیدونیک اسید بوده و بوسیله سلولهای التهابی، کندروسیتها و سلول های سینوویالی تولید میشوند. این مواد در مفاصل ملتهب وجود دارند.
مهار سنتز ایکوزانوئیدها یک اساس در درمان استئوارتریت در انسان و حیوانات است. داروهای ضد التهاب غیراستروئیدی و کورتیکواستروئیدها به منظور دستیابی به این هدف تولید شده است و باعث تسکین درد و تراوش مایع سینوویالی می شوند. با این حال هیچ یک از این دو دارو، تغییری در پیشرفت بیماری ایجاد نمی- کنند. کورتیکواستروئیدها به عنوان داروهای ضد التهاب قوی شناخته می شوند، اما تأثیر این داروها بر روی متابولیسم و پاسخهای ایمونولوژیک محدود به مفصل نبوده و در سطح سیستمیک گسترش می یابد. به علاوه این داروها بویژه اگر به صورت مکرر استفاده شوند باعث کاتابولیسم غضروف مفصلی میشوند(73).
۶- اکسید نیتریک (NO):
یک واسطه ضد التهابی است که بوسیله چندین نوع سلول در مفصل ساخته میشوند. این ترکیب رسوب سولفات را در داخل زنجیرههای گلیکوزآمینوگلیکان کاهش داده و باعث کاهش سنتز کلاژن میشود (41و59). اکسید نیتریک همچنین فعالیت فاکتورهای رشد مثل فاکتور تغییر دهنده رشد بتا ((TGF-β و فاکتور رشد مشابه انسولین نوع1(IGF-1) را کاهش داده و مشخص شده که بوسیله مرگ برنامهریزی شده غیرعادی سلولهای کندورسیت میتواند در پاتوژنز استئوارتریت نقش داشته باشد(36).
تحریک کندروسیتها بوسیله اندوتوکسین یا IL-1β، فرم قابل تحریک نیتریک اکساید سنتاز(iNOS) و آنزیمهای مرتبط با آن را فعال میکند هر چند به نظر نمیرسد که تولید موضعی نیتریک اکساید سنتاز نقش کلیدی در ایجاد استئوارتریت در اسب داشته باشد(59و73). اما در اسبهای مبتلا به استئوارتریت بین آسیب غضروفی و مرگ سلولی برنامهریزی شده کندروسیت و واکنش ایمنی شدید به نیتروتیروزین (یک پروتئین که ارتباط نزدیک با تولید سلولی اکسید نیتریک داد) ارتباط معناداری مشخص شد ، در حالیکه در اسبهای سالم چنین ارتباطی وجود نداشت(36).
تجویز مهارکننده های نیتریک اکساید سنتاز در استئوآرتریت تجربی منجر به کاهش التهاب سینوویال و تخریب غضروف و استخوان شده است(73).
٢-۵-٢)علائم کلینیکی :
علایم شایع:
درد مفاصل، محدودیت حرکت و کاهش انعطاف پذیری مفاصل، التهاب و تورم مفصل، معمولا همراه نبودن گرما یا تب همراه درگیری مفاصل، افیوژن مفصل و صدای ترق و تروق یا صدای ساییده شدن با حرکت مفصل مبتلا (گاهی) وجود دارد.
١-٢-۵-٢) درد:
علامت مهم و غالب این بیماری درد است. درد ممکن است در آغاز خفیف باشد، ولی می‌تواند به قدری شدید گردد که زندگی و خواب بیمار را دچار اختلال کند. درد مفاصل موجب عدم تحرک کافی بیمار می‌شود که این خود باعث لنگیدن، تحلیل رفتن و ضعیف شدن عضلات اطراف مفصل مبتلا و شلی لیگامان ها می‌گردد.
گاهی اوقات درد ممکن است بعد از بیدار شدن فرد از خواب و حتی هنگام چرخش در خوابیدن ایجاد شود که معمولا به دلیل درد فراوان ،حرکت را در ساعات بیداری محدود میکند. همچنین ممکن است در اثر تغییرات آب و هوایی مانند گرما، رطوبت و فشار ایجاد شود.
علت ایجاد درد:
-افزایش حساسیت پریوستیوم از حالت نرمال به دلیل استئوفیتهای حاشیهای
-فشار ایجاد شده بر روی استخوان زیر غضروفی در معرض قرار گرفته
-میکروشکستگیهای ترابکولار
-در اثر پینچ یا ساییدگی ویلی های سینوویال
-سینوویت خفیف
-التهاب کپسول
درد در کپسولها و لیگامنتها بوسیله کشش یا تاب خوردن ایجاد می شود. فیبرهای درد در لیگامنتها و کپسول وجود دارد اما تعداد آنها در غشاء سینوویالی کم است. اگر چه فیبرهای درد در لایه ادوانتشیا عروق خونی وجود دارد. گاردنر معتقد است که افزایش حساسیت در طول تغییرات آب وهوایی می- تواند به دلیل رفلکس جریان خون به سمت ناحیه مفصل باشد. به علاوه درد ممکن است در اثر رفلکس اسپاسمی عضلات فلکسور در یک ناحیه از اندام ایجاد شود.
درد در استئوارتریت اغلب وجود ندارد. در یک مطالعه حدود 30% از مردم با علائم رادیوگرافی و پاتولوژیکی وجود استئوارتریت، هیچگونه دردی نشان نمیدادند.
به طور عمومی وقتی که نشانهها همه با هم ظاهر شوند، معمولا ارتباط و همبستگی کمی بین درجه پاتولوژی و شدت درد وجود دارد.

٢-٢-۵-٢) سختی در حرکت:
سختی در حرکت در اثر افزایش استراحت، یک حالت معمولی است و معمولا در کمتر از 15 دقیقه هم ایجاد می شود. این حالت به دلیل تغییر در الاستیسیته ساختارهای اطراف مفصل رخ میدهد. محدوده حرکتی(ROM) مفصل ممکن است باعث ناسازگاری سطح مفصل، اسپاسم عضله، کانتراکشن کپسول، یا بلاک مکانیکی بدلیل استئوفیتها شود.
٣-٢-۵-٢) صدای جرق جرق:
حالت جرق جرق در لمس در حالت شدید استئوارتریت ایجاد میشود. انجام مشاهدات بالینی میبایست با دقت انجام شود چون گاهی اوقات در مشخص کردن منشا صدای جرق جرق اگر این صدا بزرگ و بلند باشد میتواند از طریق اندام درگیر به گوش برسد. اگر مفصل زانو لمس شود و صدای جرق جرق از مفصل لگن بیاید به سختی میتوان تشخیص داد که منشأ صدای جرق جرق مفصل زانو است. بخیههای باقیماندهی پوست از جراحی قبلی ممکن این حالت جرق جرق را ایجاد کنند البته با این تفاوت که کیفیت این صدا با حالتی که دو استخوان روی هم مالیده میشوند فرق دارد.
٣-۵-٢)علل:
علت دقیق این اختلال ناشناخته‌است. به نظر می‌رسد نتیجه ترکیب یا تعامل عوامل مکانیکی با سایر عوامل در افرادی با زمینه ارثی باشد. عوامل افزایش دهنده خطر چاقی، بالارفتن سن و فعالیت‌هایی که با فشار به مفاصل (میکروتروما) همراهند، دیابت، سندرم مارفان، بیماری ویلسون و آلکاپتونوری می‌باشند. تقریبا اغلب افراد بالای ۵۰ سال به درجاتی به استئوآرتریت مبتلا هستند.
تعداد زیادی از مردم دارای نشانههای تغییرات مفصلی بدون علائم بالینی هستند. در واقع زمانی که این آسیب مفصلی شدید میشود یک همبستگی بین درد و آسیب مفصلی متعاقبا ایجاد میشود(52).
ریسک فاکتور های بیماری استئوارتریت عبارتند از :
١-٣-۵-٢) چاقی :
بیشتر آرتریت ها در افراد یا حیوانات با وزن بالا دیده شده است. به نظر میرسد که وزن سنگین باعث میشود تراوش مکانیکی و آسیب مفصلی سریعتر اتفاق بیافتد. معمولا در بیمارانی که وتر صلیبی قطع میشود مراحل تشکیل استئوفیتها در افراد و بیماران چاق سریع تر از لاغرها صورت میگیرد.
دیده شده است در تعدادی از سگها که درد مزمن استئوارتریت داشتهاند با کاهش وزن به تنهایی، درد آن ها کاهش یافته است.
٢-٣-۵-٢)سن :
استئوارتریت بندرت در رادیوگرافی و پاتولوژی در حیوانات نابالغ در مقایسه با بالغین دیده میشود. به جز در بعضی از بیماری های مفصلی مانند استئوکندروسیس. برای مثال یک سگ بالغ و بزرگ که دچار قطع وتر صلیبی شده است، شروع تشکیل استئوفیتها 10-7 روز پس از قطع وترصلیبی رخ می دهد. این در حالی است که در سگهای جوان با لنگش مزمن، بیشتر یا حدود 2 ماه طول میکشد.
۶-٢) مدل های حیوانی استئوآرتریت:
مدل های حیوانی زیاد شامل اسب، سگ، خرگوش، موشهای صحرایی و خوکچه هندی جهت مطالعه استئوآرتریت استفاده شدهاند، به این امید که یک مدل قابل مقایسه با استئوآرتریت انسان فراهم شود. در سال 1970 برای اولین بار سعی شد تا با برداشت وتر موازی جانبی و منیسک میانی و نیز هر دو وتر صلیبی در خرگوش یک مدل پیش رونده استئوآرتریت ایجاد گردد(26). در این مطالعه برای اولین بار میتوز فعال کندروسیت ها مشاهده شد که نشاندهنده تلاش کندروسیت ها برای ترمیم دژنراسیون موجود بود. این دژنراسیون بوسیله بیثبات ساختن مفصل همراه با التهاب ایجاد شده بود.
روش هایی که امروزه برای ایجاد اسئوارتریت استفاده میشود شامل برداشت منیسک جانبی و قطع وتر صلیبی قدامی است. به نظر میرسد که این روش ها باعث التهاب کمتری شده و تنها یک بیثباتی مفصلی خفیف ایجاد میشود. قطع وتر صلیبی قدامی نه تنها ضایعات تکرارپذیری در مدل خرگوش ایجاد میکند، بلکه ضایعات ایجاد شده مشابه با ضایعاتی است که در استئوارتریت انسان اتفاق میافتد. این مدل بسیار ایدهآل بوده و امکان ارزیابی دژنراسیون غضروفی را بوسیله عکسبرداری، بافتشناسی و آنالیز مولکولی فراهم میکند(27و67).
دیگر مدلهای حیوانی استئوآرتریت شامل قطع وتر صلیبی قدامی در سگها و قطع وتر موازی جانبی در اسبهاست(24،49و60).
مشکل عمده در مورد مدلهای سگ و اسب، عدم دسترسی به حیوانات مشابه است. بدست آوردن سگها و اسبهایی که از لحاظ سنی و وزنی با هم مشابه و در عین حال فاقد بیماری باشند، مشکل است. اما فراهم کردن خوکچه هندی و نگهداری آن بسیار راحتتر بوده و ضمن اینکه بیشتر جمعیتهای آنها فاقد بیماری بوده و میتوان خوکچههایی با جنس و وزن مشابه و متعلق به یک گونه و با تنوع ژنتیکی محدود انتخاب کرد. این مسئله کمک میکند تا متغیرهایی که باعث استئوارتریت میشوند، مانند وجود بیماریهای مفصلی پیش از جراحی، وزن های مختلف و یا حتی جنسهای مختلف را به حداقل رساند.
٧-٢)روش های تشخیصی استئوارتریت :
١-٧-٢ )تاریخچه:
داشتن تاریخچه فردی بیمار بسیار کمک کننده است. ضمن اینکه در سگ ها نژاد و سن بیماری های مفصلی را بسیار تحت تاثیر قرار می دهد.استئوارتریت در اغلب موارد بوسیله ضایعات مفصلیتشخیص داده می شود و تخمین زده می شود که 20% سگ های بالای یک سال را تحت تاثیر قرار می دهد. گربه ها کمتر تحت تاثیر بیماری های مفصلی قرار می گیرند یا اینکه در این گونه اغلب تشخیص داده نمی شود.
٢-٧-٢ )علائم کلنیکی:
از جمله علائم کلینیکی می توان درجات مختلف لنگش را در گونه های مختلف مشاهده کرد. عدم تقارن ماهیچه ها در اندام های متقارن و بزرگ شدن مفصل نیز به وضوح دیده می شود. حالت های غیر نرمال در محدوده حرکتی مفصل (ROM)، ثبات مکانیکی، درد و صدای جرق جرق نیز در هنگام لمس مفصل ممکن است دیده شود.
٣-٧-٢)تکنیک های تصویربرداری:
تکنیک های تصویربرداری گوناگونی برای ارزیابی مفاصل و بافت های نرم اطراف آن ها، بافت های درونی
مفاصل، غضروف و آسیب های آن وجود دارد که ازجمله آن ها می توان به موارد زیر اشاره کرد.
١-٣-٧-٢ (آرتروسکوپی:
آرتروسکوپی که یک روش تهاجمی برای بررسی آسیب ها می باشد در این روش به کمک جراحی می توان از وقایع اتفاق افتاده درون مفصل مطلع شد. این روش یک نمای کاملا مشخص از حفره مفصل زانو می دهد.
٢-٣-٧-٢)سونوگرافی :
این روش یک تکنیک غیرتهاجمی، آسان و در دسترس برای تشخیص بسیاری از اختلالات در بافت های اطراف مفاصل، غضروف، عضلات، غشای سینوویال، منیسک، کپسول، بورساهای اطراف مفاصل و همچنین کورتکس استخوان می باشد. اخیرا با توجه به پیشرفت این تکنیک و قوی تر شدن سیگنال های تصویربرداری تغییرات مراحل اولیه و پیشرفته بیماری استئوآرتریت بهتر از قبل قابل ارزیابی و تشخیص می باشد.بیمار با این تکنیک احساس راحتی بیشتری دارد. سونوگرافی به عنوان یک روش تصویربرداری دینامیک این توانایی را دارد تا تصویربرداری و ارزیابی را به صورت چند صفحه ای از ساختارهای اسکلتی - عضلانی و مفاصل درگیر به عمل آورد و پیشرفت پاتولوژی را مستقیما مانیتور کند.
٣-٣-٧-٢)رادیوگرافی:
رادیوگرافی روش تشخیص معمول و مهم در تشخیص بیماری های مفصلی است. با وجود اینکه تغییرات بسیاری از بیماری های مفصلی شبیه هم است، به همین دلیل ممکن است رادیوگرافی غیراختصاصی باشد. اندازه گیری شدت استئوارتریت از طریق رادیوگرافی امکان پذیر است، بطوریکه یافته های رادیوگرافی در مفصلی که تحت تاثیر قرارگرفته شامل ضایعات پرولیفراسیون و اروزیون، افزایش مایع مفصلی و تغییرات بافت های نرم اطراف می باشد. سیستم درجه بندی کلگرن ولارنس پذیرفته ترین سیستم طبقه بندی رادیوگرافی است که بر اساس فاکتورهایی شامل وجود اسکلروز زیرغضروفی، کاهش فضای مفصلی وحضور استئوفیت، استئوارتریت را به پنج درجه تقسیم می کند(33).
٣-٣-٧-٢)ام آر آی (MRI) و سی تی اسکن(CT):
امروزه بسیار رایج تر از رادیوگرافی استفاده می شوند بدین دلیل که در هر دو، ساختارهای مفصلی بدون اینکه تصویر ساختارهای لایه ای بر روی آن ها قرار بگیرد به وضوح و خوبی دیده می شود. کاربرد اختصاصی سی تی اسکن برای ارزیابی تغییر استخوانی است و اغلب برای تشخیص ناسازگاری های مفصلی و وجود تکه های استخوانی در مفصل استئوآرتریتی کمک کننده است.
ام آر آی یک روش مفید و موفق در تشخیص آسیب های غضروف می باشد و برای ارزیابی بافت های نرم اطراف غضروف درگیر استفاده می شود. حساسیت این روش برای تشخیص ناهنجاری های استخوان زیر غضروف مفصل و آسیب های پیشرفته ضخامت غضروف بالا بوده است ولی برای بررسی اختلالات و آسیب های کوچک دارای حساسیت پایینی می باشد. پیشرفته ترین نمای چند صفحه ای از غضروف مفصل را نشان می دهد.
مطالعات زیادی به بررسی آسیب های غضروف مفصل زانو در بیماران مبتلا به استئوآرتریت پرداخته اند
با توجه به این که ارزیابی این آسیب ها و تشخیص به موقع آن ها برای طراحی یک برنامه مدون درمانی و جلوگیری از آسیب بیشتر و پیشرفت بیماری استئوآرتریت ضروری می باشد و همچنین با بررسی مطالعات مهم در این زمینه به عنوان یک MRI که اکثر این مطالعات از تکنیک روش مدرن و کامل برای ارزیابی استفاده کرده اند(15).
۴-٧-٢)یافته های آزمایشگاهی :
مایع سینوویالی اغلب برای تشخیص تفریقی ضایعات مفصلی کمک کننده است، که در حالت بیماری ممکن است حضور سلول های تک هسته ای فاگوسیت کننده، نوتروفیل های دژنره یا غیر دژنره و ارگانیسم درمایع مفصلی و همچنین در ادرار و خون وجود داشته باشد که غیر اختصاصی است. یک مشکل این شاخص ها متغییر بودن مقادیر آن ها در مایع سینوویال و سرم است(38). به نظر می رسد علت این مسئله افزایش اتساع عروق موجود در غشا سینوویال ملتهب و در نتیجه افزایش جریان مواد به داخل و خارج از مایع سینوویال باشد. التهاب غشای سینوویال باعث افزایش برداشت مواد از مایع سینوویال می شود. به نظر می رسد که افزایش تراوش ترکیبات مایع سینوویال به خارج سبب متغییر بودن مقادیر محصولات حاصل از تخریب در مایع سینوویال شده و استفاده از شاخص های بیولوژیکی مجود در این مایع را دچار اختلال می کند(29و38).
۵-٧-٢ (میکروسکوپ الکترونی :
از میکروسکوپ الکترونی نیز برای توصیف سطح غضروف مفصلی طبیعی و غضروف مبتلا به استئوارتریت استفاده شده است.
۶-٧-٢(درمان استئوارتریت :
بهترین درمان برای استئوارتریت ، پیشگیری است. درمان استئوارتریت معمولا بر اساس یک یا ترکیبی از چند روش تشخیصی توصیف شده در قبل صورت می گیرد.
٢-۶-٧-٢(درمانهای غیر جراحی :
١-استراحت :
در طول این بیماری التهاب خفیفی وجود دارد که این التهاب نهایتا بوسیله سینوویوم جذب و برطرف می شود. فعالیت های تحملی-بدنی معمولا باعث بدتر شدن و طولانی شدن این التهاب می شوند. استراحت شامل پیاده روی با قلاده کوتاه و جلوگیری از پریدن و دویدن است. اگرچه این کار ممکن است باعث آتروفی ماهیچه و سختی حرکت مفصل شود، اما در اکثر حیوانات ناتوانی فعالیت یک اندام غیر معمول است. اگر عدم فعالیت به عنوان یک مشکل بنظر برسد، در این صورت فعالیت های دامنه حرکتی غیر فعال هشداردهنده است. وقتی فرد یا حیوان از مفصلی که در مرحله اول استئوارتریت است، استفاده بیش از حد کند یا در موارد آرتروزهای ضربه ای اولیه ، آتل های منطبق، گچ گیری یا آتل بندی می بایست برای 2تا 3 هفته مواظب باشد.
٢- گرما:
گرما در برطرف کردن و کاهش اسپاسم و درد عضله بسیار مفید و سودمند است. این عمل ممکن است از طریق یک لباس یا حوله آغشته به آب گرم و قرار دادن آن اطراف مفصل درگیر برای مدت 10 دقیقه دو تا سه بار در روز باشد. همچنین استفاده از اشعه های اولتراسوند درمانی یک روش سودمند و موثر برای ایجاد گرما در حیوانات است، که دامنه دوز آن بسته به عمق نفوذ اشعه و معمولا بین 10- 5 وات است که روزانه 2بار به مدت 10-5 دقیقه انجام می شود. در آسیب های حاد مفصلی سرما نسبت به گرما ترجیح داده می شود و شاخصی برای کاهش درد،دتورم و ایجاد هماتوم است.
٣-ورزش :
توصیه شده است که حیوانات در مرحله شدید یا متوسط این بیماری از انجام ورزش و کارهای هیجان انگیز مانند استفاده از تردمیل، دوچرخه و ماشین سواری خودداری کنند چرا که مثلا وقتی سگی صاحب خود را می- بیند یا خرگوشی یا سگ دیگری را می بیند بدون اینکه دردی را احساس کند به طرف آن ها می دود و این حالت استئوارتریت را تشدید می کند. شنا بهترین ورزش برای درمان استئوارتریت مفصل است، زیرا دامنه حرکتی تحملی-بدنی ندارد و چسبندگی کپسول مفصلی را کاهش می دهد .
٢-۶-٧-٢(درمان های دارویی :
درمان های دارویی در انسان ها و حیوانات برای کاهش درد و عدم راحتی است. در سال های اخیر بیشتر درمان های دارویی برای انسان ها و حیوانات در دسترس بوده، اما بحث مهم و هشدار دهنده این است که باید یادآور شد که عملکرد دارویی در گونه های مختلف متفاوت است. داروهایی که از نظر کم خطر و موثر بودن در انسان ها ثبت شده است صرفا در سگ ها، اسب ها و گربه ها کم خطر نیستند، بطوریکه در صورت استفاده این داروها علائم استفراغ، اسهال، خون در مدفوع، کم خونی، ادم، کاهش اشتها، درد شکمی و سپتی سمی در اثر پرفوراسیون یا مشکلات کلیوی مشاهده شود بلافاصله می بایست درمان متوقف شود.
١-داروهای ضد التهاب غیر استروئیدی (NSAIDs) :
این داروها ضد التهاب، ضد درد و ضد تب هستند. اثرات زیان بار آن ها بر روی دستگاه گوارش هنوز یک نگرانی عمده برای انسان ها و حیوانات است. این داروها از طریق مهار آنزیم های COX1و COX2 تولید پروستوگلاندین ها(که در حالت طبیعی ماده اولیه مهم برای بدن هستند ) را متوقف می کنند و از این طریق التهاب را کاهش می دهند.
COX1 در بسیاری از بافت ها و از جمله در دستگاه گوارش نقش عمده آن حفاظت از خونرسانی مخاط معده، ترشح بیکربنات و موکوس، در کلیه ها (تنظیم جریان خون کلیوی) و انعقاد خون است، که مهار آن می تواند باعث ایجاد اروژن واولسر در دستگاه گوارش شود.
COX2 بطور طبیعی در بسیاری از بافت های بدن وجود ندارد اما به انتقال درد و تسریع درد کمک می کند و غیبت آن از لحاظ نظری برای بدن ضرر بخش نیست. به همین دلیل اگرچه مهار COX1 و COX2 به کاهش درد کمک می کند، اما مهار COX2 از نظر نظری گزینه بهتری است چون اثرات جانبی کمتری دارد.
از جمله این داروها می توان اتودولاک، دراکوکسیب ، فیروکوکسیب، کارپروفن، ملوکسیکام، آسپرین و... اشاره کرد. که دو داروی جدید دراکوکسیب و فیروکوکسیب اختصاصا آنزیم COX2 را تحت تاثیر قرار می دهند.
٢-واسطه های محافظت کننده کندروسیت ها:
این واسطه ها سنتز ماکرومولکول های کندروسیت را افزایش داده و باعث افزایش سنتز هیالوران بوسیله سینوویوسیت ها می شود و از این طریق باعث مهار التهاب و حذف و جلوگیری از شکل گیری فیبرین ، ترومبین و پلاک در سینوویوم یا عروق زیر استخوان غضروفی می شود. اما هنوز شناخته نشده است که همه این کارها را در یک زمان انجام می دهد یا خیر.
غضروف بوسیله کندروسیت ها ایجاد می شود که با سنتز ماتریکس، به غضروف قدرت کشش و استحکام می- دهد. که این ماتریکس شامل کلاژن(فراهم کردن قدرت) و پروستوگلاندین ها(عمدتا هیالورونیک اسید وگلیکوامینوگلایکان ها ) (فراهم کردن خاصیت فنری) هستند.
ویژگی بیماری دژنراتیو مفصلی (DJD) این است که باعث کاهش مولکول های ماتریکس غضروفی(که پلی سولفات گلیکوامینوگلایکان ها(PSGAGs) نامیده می شود) طی روندی آرام و پیشرونده می شود که بدن در صورت فراهم کردن مجدد این ماکرومولکول ها، می تواند استئوارتریت را کاهش دهد یا برگرداند.
٣-هیالورونیک اسید(هیالوران ) :
یک گلیکوامینوگلایکان غیر سولفاته(GAG) و یک ترکیب مهم در مایع سینوویال است. هیالورونیک اسید تامین کننده ویسکوزیته بوده و مشخص شده است که دارای اثرات ضدالتهابی نیز می باشد و می تواند بصورت موثر باعث کاهش دردهای ناشی از استئوارتریت شود(65و66). استفاده آن در اسب بصورت داخل مفصلی یا داخل رگی است. این ماده به عملکرد مایع سینوویالی از طریق افزایش ویسکوزیته به کاهش التهاب و مهار رادیکال های آزاد کمک می کند(66).
۴-کندرویتین سولفات و گلوکز آمینو سولفات:
مشخص شده است که گلوکز آمینو سولفات علاوه بر تاثیرات ضد التهابی دارای ویژگی محافظت از غضروف نیز می باشد. کندرویتین سولفات یک گلیکوامینوگلایکان برجسته در غضروف مفصلی است. در سگ ها جذب خوراکی 70% است . گلوکز آمینو سولفات نیز دارای نقش بلاک کننده و محافظتی از GAG در غضروف و هیالورونیک اسید در مایع سینوویالی دارد(44).
۵-استاتین:
در مطالعات انجام شده نشان داده شده است که استاتین توانایی مهار پیری کندروسیت های مفصلی را که توسط عامل کاتابولیک و IL-1β القا می شود را داراست. نتایج نشان می دهد که درمان با استاتین از کسب فنوتیپ مرتبط با پیری سلولی جلوگیری می کند. علاوه بر آن استاتین IL-1β را که باعث کاهش طول عمر کشت کندروسیت ها می شود را مهار می کند(32).
٣-۶-٧-٢(درمان جراحی:
جراحی روش درمانی دیگری است که در حالات بسیار شدید و پیشرفته بیماری انجام می گیرد. برخی از مداخلات جراحی مفصل زانو عبارتند از لاواژ و شستشوی مفصل با نرمال سالین، فیوز کردن مفصل برای جلوگیری از حرکت آن، جایگزین کردن مفصل. کلیه درمان های ذکر شده هیچ یک باعث بهبودی کامل بیماری نمی شوند و تنها منجر به تخفیف درد بیمار شده، ضمن اینکه ناتوانی بیمار را برای حرکت به حداقل می رساند.
٨-٢(پلاسمای غنی از پلاکت(PRP):
خون حدودا از 93% گلبول قرمز، 1% گلبول سفید، 6% پلاکت وپلاسما تشکیل شده است.
پلاکت ها سلول های خونی هستندکه در مغز استخوان ساخته می شوند. پلاکت ها حاوی موادی هستند که عامل اصلی در فرایند ترمیم و بازسازی بافت ها هستند و به آنها عوامل رشد growth factors گفته می- شود و این مواد داخل کیسه هایی درون پلاکت ها ذخیره می شوند که به آ نها گرانو لهای آلفا گفته می شود. هنگامی که این مواد آزاد می شوند سبب رشد، تکثیر و تمایز سلو لهای مختلف پوستی، بافتی و چربی می- شوند. نتیجه این امر افزایش کلاژن، الاستین، ماده بین سلولی، عروق و در نهایت ضخیم شدن و ترمیم شدن بافت پوستی است. با فعال سازی توسط ترومبین پلاکت ها تغییر شکل می دهند و در بافت های آسیب دیده تجمع می یابند. تعداد پلاکت های نرمال در انسان حدود /ML200000 می باشد.
گرانول آلفا شامل فاکتورهای رشد می باشد که اصلی ترین آنها شامل:
transforming growth factor beta (TGF-b)
platelet-derived growth factor (PDGF)
insulin-like growth factor (IGF)
vascular endothelial growth factors (VEGF)
epidermal growth factor (EGF)
fibroblast growth factor-2 (FGF-2)
Transforming growth factor beta(TGFbeta)
در طی التهاب فعال می شود وتنظیم مهاجرت سلولی وتکثیر را تحت تاثیر قرار می دهد وهمانندسازی سلولی را تحریک می کند. سنتز ماتریکس سلولی (مانند کلاژن نوع I) را افزایش می دهد.
Vascular endothelial growth factor(VEGF)
فقط بعد از فاز التهابی در بالاترین سطح تولید می شود ومحرک قوی برای عروق سازی می باشد.
platelet-derived growth factor (PDGF)
تولید سایر فاکتورهای رشد ، سنتز کلاژن و تکثیر سلول های بنیادی مزانشیمال را تحریک می کند ودر بازسازی بافت نقش دارد. اولین فاکتور رشدی است که در زخم حاضر می شود و ترمیم بافت پیوندی را از طریق تحریک سنتز کلاژن وپروتئین آغاز می کند.
epidermal growth factor (EGF) , fibroblast growth factor-2 (FGF-2):
سبب تحریک تکثیر فاکتورهای استئوبلاستیک می شوند.
پلاسمای غنی از پلاکت(PRP) قسمتی از پلاسما با غلظت غنی از پلاکت ها می باشد. پلاکت ها می توانند در ترمیم بافتی بسیار مؤثر باشند.
استفاده ازPRP روش درمانی نوینی است که تاثیرات معجزه آسایی در درمان آرتروز مفاصل، پارگی رباط ها، پارگی مینیسک های زانو و آسیب های ناشی از انجام حرکات ورزشی به همراه داشته است، به طوری که این روش انقلابی در درمان بیماران اسکلتی- عضلانی و مفاصل به وجود آورده است. PRPیک فرآورده خونی به معنای پلاسمای غنی از پلاکت خود بیمار است که طی فرآیند جداسازی به دنبال خونگیری همانند آنچه در آزمایشات چکاپ انجام می شود از بیمار به دست می آید. فکر استفاده از این روش از آنجا به وجود آمد که در آسیب های وارد شده به بدن انسان حضورخود به خودی پلاکت ها و ترشح پروتئین ها و فاکتورهای رشد باعث بهبود آسیب های وارد شده می شود، همانند آنچه باعث جوش خوردن استخوان های شکسته شده و یا باعث بهبود زخم و جراحت و سوختگی می شود(18).
هم اکنون به پشتوانه مطالعات فراوانی که انجام شده تجارب جدیدی از کاربرد این روش در رشته ارتوپدی در جهت رفع مشکلات و درمان بیماری های اسکلتی، عضلانی و مفاصل کسب شده است.
از مزایای استفاده از این روش می توان از بی عارضه بودن کامل این روش، زمان کوتاه دوره نقاهت، هزینه درمانی مناسب و انجام آن در مطب بدون نیاز به اتاق عمل و جراحی نام برد. تابحال تحقیقات مختلفی در استفاده از PRP در سرعت بخشیدن به ترمیم های بافتی همانند تاندونها و لیگامنت ها انجام گرفته ولی در مورد نقش آن در ترمیم استئوآرتریت مطالعات بسیار اندکی انجام شده است(40،41،76و77).
بنابراین هدف از این بررسی ایجاد استئوآرتریت در حیوان مدل خوکچه هندی بصورت یکنواخت و یکسان و درمان کنترل شده در گروههای درمان و کنترل بوسیله PRP خودی می باشد تا تأثیر این نوع روش درمانی بر روی بهبودی مفاصل مبتلا به استئوآرتریت روشن گردد.
فصل سوم

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

مواد مصرفی و روش کار
الف – مواد مصرفی :
حیوانات مورد استفاده :
این مطالعه بر روی ٢٢قطعه خوکچه هندی و بالغ از هر دو جنس و با میانگین وزنی ۷۰۰گرم انجام گرفت . خوکچه ها در شرایط یکسان نگهداری شدند و غذای پلت و آب به طور آزاد در اختیار آن ها بود.
وسایل مورد استفاده :
١-ست جراحی ( پنس سوزن گیر، پنس شستی ، قیچی، دسته بیستوری ،تامپون)
٢-مواد استریل سازی موضع شامل الکل و اسکراپ ، بتادین و محلول بتادین
٣-نخ پلی دیوکسان۰/۴ و نخ سیلک۰/٢
۴-داروهای کتامین(Alfasan, Woerden-Holand) ، زایلازین(Rampun, Bayer AG, Leverkusen)،
پنی سیلین(شرکت داروسازی جابرابن حیان Pen)، فلونکسین (شرکت داروسازی رازک ، Flunex 5%)
۵-فرمالین بافر ١۰%
۶-دستگاه رادیوگرافی (Toshiba X ray, DC.12m Japan)
۷-فیلم رادیوگرافی (Siemens)
۸-نگاتوسکوپ
۹-سانتریفیوژ (Mod: Made in Italy4232-d)
١۰-وسایل برش و رنگ آمیزی مقاطع بافتی
١١-تیغ تراش
١٢-مواد رنگ آمیزی شامل (هماتوکسیلین ائوزین (H&E ) به منظوررنگ آمیزی و بررسی ساختارهای سلولی و

منبع علمی مقاله user866

به عبارتی «علم استخراج اطلاعات ارزشمند، از مجموعه داده‌ها و پایگاه‌های داده بزرگ» به عنوان داده کاوی شناخته می‌شود. (Hand et al., 2001).
لری کنستانتین در سال 1974 مفهوم وابستگی را معرفی کرد و این مفهوم به صورت گسترده‌ای در تحقیقات و کتاب‌ها و منابع مختلف، به صورت یک اصل در مهندسی نرم‌افزار مورد استفاده قرار گرفت. اما مفهوم وابستگی معرفی شده توسط کنستانتین از واژه Coupling یعنی جفتگری گرفته شده است. جفتگری همیشه به همراه مفهوم دیگری به کار برده شده است. این مفهوم، پیوستگی می‌باشد. قالبا جفتگری کم نشانه طراحی خوب نرم‌افزار است در حالی که پیوستگی کم نشان دهنده یک طراحی ضعیف می‌باشد. تأثیر این دو مفهوم بر یکدیگر به صورت عکس است و به گونه‌ای که در نمودار زیر مشاهده می‌نمایید، با افزایش جفتگری، پیوستگی کاهش پیدا می‌کند. CITATION Con29 l 1033 (Constantine, 1996)
نمودار SEQ نمودار_ * ARABIC 1: ارتباط بین جفتگری و انسجام.
در واقع جفتگری معنای معمول‌تر خود یعنی وابستگی را به طور کامل دارا است. هرچه وابستگی در نرم‌افزار افزایش پیدا کند، کیفیت طراحی، به دلیل کاهش انسجام آن کاهش پیدا می‌کند.
حال ممکن است این سوال مطرح شود که کدام دلیل منطقی وجود دارد که باعث وجود چنین رابطه‌ای بین وابستگی و انسجام می‌شود؟ شاید منطقی ترین پاسخی که بتوان برای این سوال پیدا کرد موضوع چرخش کد باشد. چرخش کد مفهومیست که با تغییر بخش‌هایی از کد نرم‌افزار به یکی از دلایل زیر اشاره دارد:
تغییر در اثر تغییر در نسخه‌های مختلف.
تغییر به قصد رفع خطا.
بدون نیاز به تمرکز بر دلیل تغییر، می‌توان این امر منطقی را قبول کرد که اگر بخش‌هایی از برنامه، به هر دلیلی دچار تغییر بشوند، ممکن است هماهنگی این بخش‌ها با بخش‌های دیگر برنامه از بین برود.
Class AClass BClass C
شکل SEQ شکل_ * ARABIC 1: نمونه‌ای از وابستگی‌های میان کلاس‌ها.
برای مثال اگر در تصویر بالا کلاس A را در نظر بگیریم، ممکن است کلاس‌های دیگری مانند B و یا C به آن وابسته باشند. اگر تغییری در کلاس A اتفاق بیفتد، ممکن است روند تغییرات صورت گرفته به گونه‌ای باشد که یکی از کلاس‌های وابسته آن نتوانند مثل قبل با کلاس A ارتباط برقرار کنند و در نتیجه دچار بروز خطاهایی در بخش‌هایی از برنامه بشویم. از آنجایی که چنین خطاهایی اصولاً خطاهای نحوی را شامل نمی‌شوند، ممکن است یافتن آن‌ها قدری مشکل‌تر باشد.
حال سوالی که مطرح می‌شود این است که آیا روند پخش شوندگی خطا می‌تواند به همین طریق تا وابستگی‌های گذرا نیز ادامه پیدا کند یا خیر؟ برای توضیح بیشتر این امر، ابتدا وابستگی گذرا را توضیح خواهیم داد. فرض کنیم که تصویر قبل بخشی از یک گراف وابستگی بزرگ‌تر مانند گراف زیر باشد.
Class AClass BClass CClass DClass FClass EClass GClass H
شکل SEQ شکل_ * ARABIC 2: نمونه‌ای از وابستگی‌های پیچیده در میان کلاس‌ها.

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

در این صورت کلاس‌های E، F و D از طریق B دارای وابستگی‌های گذرا یا در اصطلاح Transitive نسبت به کلاس A هستند. به همین ترتیب وابستگی‌های گذرای دیگری را نیز می‌توان یافت برای مثال می‌توان به وابستگی گذرای G از طریق C به A اشاره نمود. در وابستگی‌های گذرا بیش از یک گره میانجی نیز می‌توانند مشارکت داشته باشند به گونه‌ای که برای مثال کلاس H از طریق مسیر F-B نسبت به کلاس A دارای وابستگی گذرا می‌باشد. بنا به مثال‌های نشان داده شده، یک وابستگی گذرا، نوعی از وابستگی است که در آن گره مبدأ از طریق یک یا چند گره میانی به گره مقصد وابسته باشد.
حال که مقصود از وابستگی گذرا روشن شد، می‌توانیم به صورت روشن‌تری سوال مطرح شده را بیان کنیم. آیا خطای موجود در یک گره، می‌تواند در نتیجه مسائلی مانند چرخش کد به وابسته‌های گذرای یک کلاس سرایت کند یا خیر؟
اگر دیدمان را از دیاگرام وابستگی نرم‌افزار به سمت یک گراف جهت دار سوق دهیم، می‌توانیم مسائلی را در مورد گراف جهت دار پیدا کنیم که پرورش دهنده ایده‌های مربوط به وابستگی هستند. اولین مسأله‌ای که بعد از طرح موضوع مربوط به وابستگی‌های گذرا به ذهن خطور می‌کند، الگوریتم‌های پیدا کننده کوتاه ترین مسیر بین دو گره مشخص در گراف هستند. معروف‌ترین این الگوریتم‌ها، الگوریتم وارشال است. الگوریتم وارشال همه مسیرهای ممکن در یک گراف، بین هر جفت از رأس‌ها را مقایسه می‌کند. این الگوریتم قادر است این کار را تنها با V2 مقایسه انجام دهد. این ملاحظه قابل توجهی می‌باشد که در یک گراف V2 یال وجود داشته باشد و هر ترکیبی از یال‌ها چک شده باشد. یک گراف G با راس‌های Vi که i از 1 تا N می‌باشد را در نظر بگیرید. علاوه بر این یک تابع به نام ShortestPath(i,j,k) را در نظر بگیرید که کوتاه‌ترین مسیر ممکن از i تا j را با استفاده از راس‌های 1 تا k که به عنوان راس‌های میانی در امتداد مسیر می‌باشند را بر می‌گرداند.
هم اکنون این تابع داده شده است. هدف ما پیدا کردن کوتاه‌ترین مسیر از هر i تا هر j تنها با استفاده از راس‌های 1 تا k+1 می‌باشد. دو کاندیدا برای این مسیر وجود دارد :
کوتاه‌ترین مسیری که فقط از راس‌های موجود در مجموعه‌ی (k,........,1) استفاده می‌کند.
تعدادی مسیر که از i تا k+1 و سپس از k+1 تا j می‌روند وجود دارد که این مسیر بهتر می‌باشد.
11239597790(1).
ما می‌دانیم که بهترین مسیر از i تا j که فقط از راس‌های بین 1 تا k+1 استفاده می‌کند توسط ShortestPath(i,j,k) تعریف شده است و واضح است که اگر یک مسیر بهتر از i تا k+1 و از k+1 تا j وجود داشته باشد بنابراین طول مسیر بین i,j از الحاق کوتاه‌ترین مسیر از i تا k+1 و کوتاه‌ترین مسیر از k+1 تا j بدست می‌آید. بنابراین تابع ShortestPath(i,j,k) را در فرمول بازگشتی زیر ارائه می‌دهیم:
بنا به تعریف انجام شده، به نظر می‌رسد که الگوریتم وارشال می‌تواند در حل مسأله‌ای مانند یافتن بستار تعدی و وابستگی‌های گذرای گراف وابستگی نرم افزار قابلیت استفاده داشته باشد.
مسأله دیگری که خودنمایی می‌کند، حجم وابستگی‌ها در میان گروهی از گره‌های یک گراف است. در یک گراف جهت‌دار با n گره، میزان وابستگی‌ها می‌تواند در دامنه‌ای از صفر تا n(n-1) قرار بگیرد.
مشخصاً در گرافی که هیچ گونه وابستگی در آن وجود ندارد، ما تنها تعدادی گره مستقل خواهیم داشت. اما گرافی که در آن تمامی گره‌های آن به هم وابستگی دارند، در اصطلاح گراف کامل نامیده می‌شود. به یک گراف و یا زیر گراف کامل، در اصلاح کلیک گفته می‌شود. کلیک مبحثی است که مسائل بسیار زیاد و معروفی با عنوان مسائل کلیک در مورد آن مطرح شده‌اند. بعضی از این مسائل عبارتند از:
یافتن کلیک‌ها با اندازه ثابت در یک گراف.
یافتن تمامی کلیک‌های ماکزیمال در یک گراف.
یافتن تمامی کلیک‌های ماکزیموم در یک گراف.
...
مسأله جذاب و جالب دیگری که در مورد گراف‌ها خودنمایی می‌کند این است که مسأله کلیک، می‌تواند کمک کننده این باشد که قسمت‌هایی از گراف وابستگی نرم‌افزار را که بیشترین چگالی وابستگی ممکن در آن موجود است را پیدا کنیم و ارتباط آن را با خطا نشان دهیم.
کارپ در سال 1947 اثبات کرد که در کل مسائل مربوط به کلیک جزء مسائل ان پی-کامل هستند. به این معنی که هیچ الگوریتم قابل اجرا در زمان چند جمله‌ای برای این مسائل وجود ندارد. این مشکل در جایی خود را بیشتر نشان می‌دهد که گراف وابستگی یک نرم‌افزار معمولی ممکن است شامل چندین هزار گره باشد بنابراین به نظر می‌رسد که مسائل مربوط به کلیک، برخلاف جذابیت بسیاری که در زمینه وابستگی نرم‌افزار از خود نشان می‌دهند، به صورت عملی قابل استفاده نیستند. CITATION Kar75 l 1033 (Karp, 1975)سوال دومی که مطرح می‌شود این است که آیا می‌توان از خصوصیات مسائل مربوط به کلیک در پیدا کردن نقاط مستعد خطای برنامه استفاده نمود یا خیر؟ این سوال از آنجا مطرح می‌شود که وقتی بتوان گروهی از گره‌های یک گراف را پیدا کرد که تشکیل یک کلیک را می‌دهند، در واقع بیشترین وابستگی‌های ممکن بین این گروه از گره‌ها اتفاق افتاده است. سوال این است که آیا این تراکم گره‌ها می‌تواند نشانه‌ای بر مستعد خطا بودن آن بخش از نرم‌افزار باشد یا خیر؟
4-فرضیات:حال سوال این است که هدف از طرح مبحث مورد نظر چیست؟ به عبارتی به چه نتیجه‌ای می‌خواهیم برسیم؟ در پاسخ به این موضوع می‌توان اهدافی را برای ادامه کار مشخص کرد و این اهداف را در اینجا به صورت سوال‌ها و فرضیاتی مطرح می‌کنیم:
الف: آیا درخت وابستگی هیچ‌گونه ارتباطی با خطا دار بودن بخش‌های متناظر در برنامه دارد؟
ب: در صورت بودن ارتباط آیا درخت وابستگی می‌تواند به صورت معیاری برای پیش‌بینی خطا، به صورت عملی مورد استفاده قرار بگیرد؟
ج: عملکرد درخت وابستگی در قیاس با دیگر مشخصه‌های استفاده شده در پیش‌بینی خطا به چه صورتی است؟ آیا عملاً می‌توان بیان کرد که درخت وابستگی، خصوصیتی قابل مقایسه با دیگر مشخصه‌ها و متریک‌های مورد استفاده در پیش‌بینی خطا دارد یا خیر؟
5-جمع آوری داده:برای پاسخگویی به سوالات و فرضیات مطرح شده در بخش قبل، بایستی آن را عملاً مورد آزمایش قرار داد. به همین منظور داده‌ها و ابزارهای مورد نیاز که در این آزمایش مورد استفاده قرار گرفته‌اند در بخش جمع‌آوری داده معرفی می‌شوند.
ابزارهای بسیاری در این راه مورد استفاده قرار گرفت و خروجی‌های متنوعی به دست آمد که در نهایت بخشی از آن‌ها عملاً قابلیت تحلیل و استفاده را در اختیار قرار می‌دادند. برای ابزارها و داده‌های مورد استفاده روند کار را توضیح خواهیم داد.
انتخاب نرم افزار: مقصود از نرم افزار، کد منبعی است که برای انجام آزمایشاتمان مورد باید مورد بررسی قرار بگیرد. با مروری بر انواع برنامه‌ها و مجموعه داده‌های استاندارد که در تحقیقات دیگر مورد بررسی و مطالعه قرار گرفته بود و انواع روش‌های پیش‌بینی خطا و یا تشخیص خطا بر روی آن‌ها آزمایش شده بود، می‌شد به این نتیجه رسید که نسخه‌هایی از برنامه اکلیپس و آپاچی بهترین گزینه برای انجام آزمایشات می‌باشند.
1.1- اکلیپس: یک محیط برنامه‌نویسی چند زبانه می‌باشد که از یک هسته مرکزی ساده تشکیل شده که با افزودن افزونه‌های مختلف به آن، می‌توان امکانات مورد نیاز برای هر توسعه دهنده‌ای را به آن اضافه نمود. این محیط برنامه نویسی در ابتدا برای توسعه برنامه‌های مختلف به زبان جاوا به کار برده می‌شد اما در ادامه با افزودن افزونه‌های مختلف به آن امکان توسعه برنامه‌ها به زبان‌هایی همچون C++، Ruby، Payton و Perl فراهم شد. اکلیپس بر اساس چارچوب مهندسی نرم‌افزار شیء گرا طراحی شده است. از سال 2006، بنیاد اکلیپس نسخه‌هایی را سالانه منتشر کرده و هر نسخه را بر اساس نام ماه‌های سال نام‌گذاری می‌کند. که از آن جمله می‌توان به نسخه‌های ایندیگو، هلیوس، گالیله، گانیمده، اروپا و کالیستو اشاره نمود.
2.1-آپاچی تام کت : یک سرورلت متن باز است که توسط بنیاد نرم‌افزار آپاچی توسعه یافته است. آپاچی تامکت، مشخصه‌های سرورلت جاوا، صفحات JSP و همچنین یک محیط سرور ساده HTTP را پیاده‌سازی می‌نماید.
در کل چند دلیل برای انتخاب مجموعه داده‌های مذکور جهت بررسی و آزمایش بر روی آن‌ها وجود دارد که از قرار زیر است:
نسخه‌های متعددی از ابزارهای مذکور موجود است.
ابزارها همگی متن باز بوده و قابلیت این را دارند که توسط ابزارهای کمکی بر روی آن‌ها آنالیز انجام داد و یا مشخصه‌های مورد نیاز را از آن‌ها استخراج نمود.
در تحقیقات متعددی، محققین از ابزارهای مذکور استفاده کرده‌اند و هرکدام از آن‌ها تقریباً به صورت یک مجموعه داده استاندارد برای تحقیق و آزمایش شناخته می‌شوند.
لیست کلاس‌ها و فایل‌های دارای خطا برای ابزارهای مذکور موجود می‌باشد.
استخراج وابستگی‌های نرم افزار: در ابتدا، برای بررسی وابستگی‌های نرم افزار نیاز داشتیم که بتوانیم این وابستگی‌ها را از کد و یا باینری‌های برنامه، استخراج کنیم و خروجی باید به نحوی باشد که از طریق ابزارهای دیگر قابل بررسی و مطالعه باشد. برای استخراج وابستگی‌های نرم‌افزار، ابزارهای مختلفی مورد بررسی قرار گرفت که در نهایت بهترین ابزاری که بر اساس نوع خروجی انتخاب شد، ابزار CDA بود. CDA مخفف Class Dependency Analyzer است که همان‌طور که از نامش پیداست، ابزاری خاص برای استخراج وابستگی‌های موجود میان کلاس‌های برنامه‌های نوشته شده به زبان جاواست. بزرگ‌ترین نقطه قوت CDA این است که این ابزار می‌تواند وابستگی را در سطوح مختلف بررسی نماید که شامل:
یک کلاس مجزا.
تمامی کلاس‌ها در یک Package
تمامی کلاس‌ها در یک Container
در خروجی نیز نتایج در هر سه سطح Class Level، Package Level و Container Level ارائه می‌شوند. این ابزار همچنین خروجی را که شامل تمامی وابستگی‌های موجود در میان کلاس‌های برنامه ورودی می‌باشد، به صورت یک فایل XML در اختیار قرار می‌دهد.

شکل SEQ شکل_ * ARABIC 3: تصویری از نمای کلی برنامه Class Dependency Analyzerدر بالا تصویری از محیط کلی CDA را مشاهده می‌نمایید. در این تصویر، لیستی از کلاس‌ها و کلاس‌های واسطی را مشاهده می‌نمایید که کلاس ClassTableModel به آن‌ها وابسته است.

شکل SEQ شکل_ * ARABIC 4: نمونه‌ای از کلاس دیاگرام نمایش داده شده در برنامه Class Dependency Analyzerدر بالا، مسیرهای وابستگی از کلاس RepeatedTest به کلاس واسط TestListener نشان داده شده است.

شکل SEQ شکل_ * ARABIC 5: نمایش تمامی کلاس‌های وابسته به یک کلاس خاص در برنامه Class Dependency Analyzerو در تصویر بالا، تمامی کلاس‌هایی را که به کلاس TableEditorModel وابسته هستند، مشاهده می‌نمایید.
تشکیل ماتریس وابستگی: در ادامه، برای بررسی فایل‌های حجیم XML خروجی نیاز به ابزاری بود که بتواند از این فایل، یک گراف وابستگی را بدست آورد. ابزار مورد نظر را به زبان C#.net نوشتیم. ابزار نوشته شده، به گونه‌ای عمل می‌کند که می‌تواند از وابستگی‌های تشخیص داده شده در خروجی CDA یک ماتریس صفر و یک را تشکیل می‌دهد. هر گره یک در ماتریس، وابستگی دو گره مربوط در سطر و ستون را نمایش می‌دهد. از آنجایی که گراف مورد نظر ما یک گراف جهت دار است، بنا بر این سطرها، نشان دهنده گره وابسته در وابستگی به نمایش آمده می‌باشند.
ADBEFC
شکل SEQ شکل_ * ARABIC 6: نمونه‌ای از یک گراف جهت دار.
بنا بر توضیحات ارائه شده، اگر یک گراف وابستگی جهت دار به شکل بالا داشته باشیم، آنگاه ماتریس همسایگی آن به صورت زیر خواهد بود:

شکل SEQ شکل_ * ARABIC 7: ماتریس وابستگی مربوط به گراف جهت دار در شکل شماره 6تشکیل درخت وابستگی برای هر گره: اولین قدم برای تشکیل درخت وابستگی شمارش وابستگی‌های مستقیم گره‌ها می‌باشد. معروف‌ترین راهی که برای شمارش تمامی وابستگی‌های یک گره می‌تواند مطرح باشد، استفاده از الگوریتم وارشال، به شیوه‌ای که در بخش قبل توضیح داده شد می‌باشد. با شمارش وابستگی‌های مستقیم، می‌توان خروجی‌های هر گره را در دست داشت. از طرفی می‌توان به این وابستگی‌ها به چشم یک درخت با عمق 1 نگاه کرد که ریشه آن، گره مورد نظر و برگ‌های آن، گره‌هایی می‌باشند که ریشه به آن‌ها وابسته است.
ایده‌آل‌ترین حالت این است که ابتدا تمامی مسیرهای ممکن را به وسیله الگوریتم وارشال محاسبه بنماییم و سپس شروع به شمارش وابستگی‌های هر گره بکنیم اما وجود دو مشخصه در کار ما مانع از انجام این امر می‌شد:
الگوریتم وارشال یک الگوریتم از درجه 3 می‌باشد.
حجم ماتریس وابستگی در این آزمایشات بسیار بزرگ است به گونه‌ای که ماتریس در برخی مواقع شامل بیش از 12000 سطر و ستون می‌باشد.
زمان اجرای الگوریتم وارشال بر روی گراف‌های با این اندازه بسیار زمان‌بر می‌باشد که با توجه به منابع سخت افزاری محدود در دسترس قادر به اجرای آن نبودیم و علاوه بر آن این روش برای پیدا کردن خطا بهینه نمی‌باشد.
راه حل دیگری که به ذهن می‌رسید، پیاده سازی الگوریتم دیگری بود که مشابه وارشال عمل کند اما میزان پردازش‌ها را تا یک سقف معین محدود نماید. این راه حل دو مزیت به همراه داشت:
ما می‌توانستیم تعداد وابستگی‌ها یا به عبارتی مسیرها را تا هر سطح دلخواه شمارش کرده و از هر کدام از نتایج به دست آمده برای بهبود نتایج پیش‌بینی خطا استفاده نماییم.
الگوریتم بر روی منابع محدودتر قابل پیاده سازی است.
بنا بر این اقدام به پیاده سازی روشی کردیم که همچون الگوریتم وارشال شروع به یافتن تمامی مسیرهای موجود در گراف مورد نظر می‌کند اما این مسیرها را تا عمق محدودی که معین می‌شود، دنبال می‌کند. بنا بر این با استفاده از الگوریتم مورد نظر، شروع به شمارش وابستگی‌های مستقیم گره کردیم و در ادامه وابستگی‌ها را تا عمق‌های 2 و 3 ادامه دادیم.
شیوه شمارش وابستگی‌ها به گونه‌ای است که هر گره به عنوان ریشه انتخاب می‌شود. سپس وابستگی‌های مستقیم ریشه به عنوان برگ‌های اولین درخت تشکیل شده با عمق یک، شمارش شده و نگهداری می‌شود. در ادامه وابستگی‌های موجود در برگ‌های درخت به دست آمده را محاسبه می‌کنیم؛ و اقدام به تشکیل یک درخت جدید با عمق 2 می‌کنیم. در این حالت، تمامی گره‌های درخت دوم را نیز محاسبه کرده و آن را برای استفاده در عمل پیش‌بینی خطا ثبت می‌کنیم. در کل، تشکیل درخت‌های با عمق n با استفاده از درخت‌های یا عمق n-1 به همین شیوه صورت می‌پذیرد و در هر مرحله تمامی گره‌های موجود شمارش شده و برای استفاده در عمل پیش‌بینی خطا نگهداری می‌شود.
بنا بر توضیحات داده شده، اگر روش بالا را برای گره A در گراف شکل (1) پیاده کنیم و درخت آن را تشکیل بدهیم، درخت مورد نظر به صورت زیر نمایش داده خواهد شد:

شکل SEQ شکل_ * ARABIC 8: درخت وابستگی تشکیل شده از روی ماتریس وابستگی شکل 7با نگاهی به گراف شکل (1) مشاهده می‌کنیم که گره A، به سه گره B، E و F وابسته می‌باشد. که در تصویر شماره 3 نیز این وابستگی‌ها مشهود است. نکته دیگری که مورد توجه است، وجود 3 مسیر متفاوت وابستگی از گره A به گره E می‌باشد که در این درخت می‌توان هر سه مسیر وابستگی را مشاهده نمود.
وجود یک عدد مرزی برای در نظر گرفتن محدودیت منابع برای شمارش وابستگی و همچنین در نظر گرفتن وابستگی‌ها در هر سطح مجزا مسأله دیگری است که در مثال ذکر شده مشاهده می‌گردد. برای مثال در شکل بالا ما حداکثر تا عمق 2 وابستگی‌ها را بررسی کرده‌ایم. گرچه برای گراف مذبور عمق وابستگی بیشتر از 2 نیست اما برای گراف‌های بزرگ‌تر با چندین هزار گره مطمئناً محدودیت منابع می‌تواند بسیار چالش بر انگیز باشد و ما مطمئناً به یک عدد مرزی جهت محدود نمودن عمق درخت تشکیل شده برای هر گره، نیازمندیم.
با شمارش تعداد گره‌های هر کدام از درخت‌های به دست آمده در هر سطح می‌توان گروهی از اعداد متناظر با هر فایل را به دست آورد. هر گروه از اعداد را می‌توان به عنوان یک ویژگی در نظر گرفت. با داشتن یک ویژگی در ازای هر درخت می‌توان عمل داده‌کاوی را بر روی داده‌های به دست آمده آزمایش کرد تا ارتباط مسأله و فرضیات طرح شده با خطا دار بودن یا نبودن گره‌ها مشخص گردد.
استخراج متریک‌های استاندارد برای مقایسه و بررسی نتایج: یکی از بهترین راه حل‌ها برای بررسی نتایج به دست آمده از روی داده‌های مختلف، استفاده از متریک‌های استانداردی است که پیش از این مورد استفاده قرار می‌گرفتند. به همین منظور سه دسته از متریک‌های قابل استخراج از برنامه‌های معرفی شده را توسط نرم افزاری به نام Prest استخراج نموده و نتایج را به گونه‌ای که در متن همین پایان نامه توضیح داده خواهد شد مقایسه خواهیم کرد. متریک‌های استخراج شده توسط Prest، در تحقیقات افرادی برجسته‌ای مانند آقای تورهان مورد استفاده و مقایسه قرار گرفته است.
5-تحلیل و مقایسه:در بخش آنالیز و مقایسه، برای بررسی عملکرد ویژگی‌های تعریف شده و بررسی آن از دیدگاه‌های مختلف از چند جنبه مسأله را مورد بررسی قرار می‌دهیم:
بررسی رفتاری: به معنی بررسی رفتار گره‌های مستعد خطای گراف وابستگی در مقابل افزایش یافتن هرکدام از ویژگی‌های تعریف شده.
مقایسه: مقایسه شیوه عملکرد ویژگی‌های تعریف شده، در مقابل شیوه‌های استانداردی که تا پیش از این مورد استفاده قرار گرفته بود.
بررسی رفتاری:
اگر تصور کنیم که یک نرم‌افزار دارای درصد خاصی از خطاها است، برای مثال اگر تصور کنیم که 15 درصد کلاس‌ها یا ماژول‌های یک برنامه خطا دار باشد، با انتخابی تصادفی از میان ماژول‌ها یا کلاس‌ها به طور منطقی پراکندگی خطا در میان کلاس‌های انتخاب شده به صورت میانگین باید عددی نزدیک به 15 باشد؛ و اگر این عمل را به صورت مداوم انجام دهیم، میانگین پراکندگی خطا در هرکدام از دسته‌های انتخاب شده بر روی نمودار به صورت یک خط تقریباً موازی با محور X ها و یا محور Y خواهد داشت. این موضوع به این دلیل است که در انتخاب‌های تصادفی با هر حجمی، نسبت خطا با وجود درصدی فاصله، تقریباً حفظ می‌شود.
حال اگر بتوان معیاری را پیدا کرد که انتخاب گروه‌هایی از گره‌های گراف وابستگی، بر اساس این معیار، به صورت مداوم عددی را نشان دهد که از میزان نسبت گره‌های انتخاب شده تصادفی، به کل گره‌های گراف بیشتر باشد، توانسته‌ایم از یک انتخاب تصادفی موفق‌تر عمل نماییم؛ و البته این موضوع می‌تواند نشانه‌ای باشد بر این موضوع که خطادار بودن یک یا گروهی از گره‌ها، با معیار تعریف شده، ارتباط مستقیم دارد. بنابراین ابتدا به مقایسه رفتار انتخاب دسته‌های تصادفی در مقابل انتخاب دسته‌ها با توجه به مفهوم درخت وابستگی می‌پردازیم.
اگر محور x ها را به عنوان معیار تعداد انجام آزمایشات در نظر بگیریم، هر بار معیار دقت یا Precision را در ازای هر دسته انتخاب شده بررسی می‌کنیم و y هر نقطه از خط ترسیمی را میزان نسبی دقت تشکیل می‌دهد. در اینجا معیار دقت، برابر است با نسبت گره‌های خطادار در ازای کل گره‌های انتخاب شده.
2015490289560
(2).
در فرمول بالا tp نشان دهنده تعداد گره‌های انتخاب شده صحیح است. از آنجایی که در جستجوی گره‌های خطادار هستیم، منظور از گره‌های انتخاب شده صحیح، همان گره‌های خطادار است. fp گره‌های انتخاب شده غلط را نشان می‌دهد. به این معنی که گره‌هایی که در میان دسته‌ها انتخاب شده‌اند و دارای خطا نیستند.
در مورد انتخاب‌های تصادفی، محور x ها تنها نشان دهنده تعداد دفعات انتخاب می‌باشد اما در مورد انتخاب‌ها بر اساس معیارهای درخت وابستگی، هر عدد نشان دهنده یک فیلتر است. فیلتر به این گونه عمل می‌کند که در انتخاب گره‌ها، همیشه تمامی گره‌هایی که تعداد گره‌های درخت متناظرشان از عدد مورد نظر بیشتر باشد انتخاب می‌شوند.
ممکن است این سوال پیش بیاید که چرا یک معیار یکسان برای هردو نوع انتخاب مورد استفاده قرار نگرفته است، و پاسخ این است که در انتخاب‌های تصادفی تعداد گره‌های انتخابی هر عددی که باشد، باز هم نسبت گره‌های خطادار انتخاب شده، تقریباً حفظ می‌شود. ممکن است که در دو انتخاب، این نسبت با هم متفاوت باشد اما در انتخاب‌های زیاد و به طور میانگین، چندان از نسبت کل خطاها به کل گره‌ها دور نمی‌شویم.
با توضیحات داده شده، در سه نمودار زیر به بررسی سوال مطرح شده می‌پردازیم:

نمودار SEQ نمودار_ * ARABIC 2: بررسی رفتار معیار دقت در هنگام افزایش وابستگی درجه 1
نمودار SEQ نمودار_ * ARABIC 3: بررسی رفتار معیار دقت در هنگام افزایش وابستگی درجه 2
نمودار SEQ نمودار_ * ARABIC 4: بررسی رفتار معیار دقت در هنگام افزایش وابستگی درجه 3همان‌طور که در هرکدام از سه نمودار بالا مشهود است، با افزایش یافتن میزان وابستگی‌ها احتمال خطادار بودن یک گره از گراف وابستگی نرم‌افزار نیز افزایش میابد. در اولین نمودار، وابستگی‌های مستقیم مورد بررسی قرار گرفته است و در ادامه وابستگی‌های تک واسطه و دو واسطه در نظر گرفته شده است که هر سه ویژگی ارتباط مستقیم خود را با خطادار بودن یا نبودن گره‌ها در صورت افزایش این نوع وابستگی‌ها نشان می‌دهند.
در بررسی رفتاری به این نتیجه رسیدیم که میزان دقت برای یافتن فایل‌های خطادار با افزایش میزان وابستگی‌ها، افزایش می‌یابد. اما نسبت نشان داده شده، گرچه رشد چند برابری احتمال یافتن خطا را در میان دسته انتخاب شده نشان می‌دهد، اما این میزان، نسبت به کل خطاها می‌تواند بسیار ناچیز باشد. برای مثال وقتی 50% فایل‌های انتخاب شده دارای خطا باشند، این 50% می‌توانند تنها شامل 2% کل خطاهای نرم افزار باشند. به معیاری که میزان خطاهای یافت شده را نسبت به کل خطاها در نظر می‌گیرد اصطلاحاً فراخوان یا Recall گفته می‌شود. نکته قابل تأمل دیگری که مطرح است این است که میزان دقت و فراخوانی که محاسبه می‌گردد تنها در ازای تعداد گره‌هایی در نظر گرفته شده که در واقع به صورت صحیح خطادار شناخته شده‌اند اما به میزان گره‌هایی که به درستی بودن خطا تشخیص داده شده‌اند توجهی نشده است. بنا بر این باید با استفاده از روشی، تمامی این سوال‌ها پاسخ داده شوند. بهترین و رایج‌ترین راه برای پاسخ دادن به این سوالات استفاده از داده‌کاوی است.
در واقع داده کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزارها ممکن است مدل‌های آماری، الگوریتم‌های ریاضی و روش‌های یاد گیرنده (Machine Laming Method) باشند که کار این خود را به صورت خودکار و بر اساس تجربه‌ای که از طریق شبکه‌های عصبی (Neural Networks) یا درخت‌های تصمیم گیری (Decision Tree) به دست می‌آورند بهبود می‌بخشد.
داده کاوی منحصر به گردآوری و مدیریت داده‌ها نبوده و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می‌شود برنامه‌های کاربردی که با برسی فایل‌های متن یا چند رسانه‌ای به کاوش داده‌ها می‌پردازند پارامترهای گوناگونی را در نظر می‌گیرد که عبارتند از:
رابطه : الگوهایی که بر اساس آن یک رویداد به دیگری مربوط می‌شود مثلاً خرید قلم به خرید کاغذ.
ترتیب : الگویی که به تجزیه و تحلیل توالی رویدادها پرداخته و مشخص می‌کند کدام رویداد رویدادهای دیگری را در پی دارد مثلاً تولد یک نوزاد و خرید پوشک.
دسته بندی : شناسایی الگوهای جدید و مدل سازی برای شناسایی ارتباطات میان دسته‌های مشخصی از ویژگی‌ها با بقیه ویژگی‌های داده.
خوشه بندی : کشف و مستند سازی مجموعه‌ای از حقایق ناشناخته مثلاً موقعیت جغرافیایی خرید محصولی با مارک خاص.
پیش بینی : کشف الگوهایی که بر اساس آن‌ها پیش بینی قابل قبولی از رویدادهای آتی ارایه می‌شود،
از آنجایی که هدف ما از استفاده از داده‌کاوی در این آزمایشات، نشانه گیری گره‌های خطادار است، بهترین استفاده از داده‌کاوی، از طریق دسته بندی عملی خواهد شد. بنا بر این ابتدا یک مرور کلی بر روی تعریف کامل‌تر دسته بندی خواهیم داشت و پس از آن نحوه استفاده از آن را در آزمایشات این پایان نامه بررسی خواهیم نمود.
دسته بندی:
دسته‌بندی در واقع یکی از کاربردهای داده‌کاوی است که به منظور هدف قرار دادن گروهی از کلاس‌ها و یا دسته‌ها، سایر ویژگی‌ها و دسته‌ها را با در نظر گرفتن مدل‌های تصمیم گیری و قوانین خاصی، مورد بررسی قرار می‌دهد. هدف نهایی دسته‌بندی در واقع پیش‌بینی دقیق رفتار کلاس هدف، با توجه به هر شکلی از داده‌های ورودی است. برای مثال، با استفاده از دسته‌بندی می‌توان تشخیص داد که با شرایط در نظر گرفته شده، گرفتن یک وام می‌تواند دارای یک ریسک بالا، متوسط و یا پایین باشد.
در واقع، دسته‌بندی باید با گروهی از کلاس‌ها صورت بگیرد که با کلاس هدف ارتباط داشته باشد. برای مثال اگر برای پیش‌بینی ریسک یک وام جدید از دسته‌بندی استفاده می‌کنیم، باید کلاس‌های دیگر همگی شامل اطلاعات مرتبطی با مسأله بیمه باشند. معمولاً این حجم اطلاعات، در طی زمان و تجارب استفاده کنندگان به دست می‌آیند. البته ممکن است که برخی از این کلاس‌ها در ظاهر با کلاس هدف و با موضوع پیش‌بینی ارتباطی نداشته باشند اما در افزایش دقت پیش‌بینی تأثیر داشته باشند. البته با کمی تحقیق و بررسی همیشه دلایل منطقی پشت این ارتباطات را می‌توان یافت.
از ساده‌ترین مسائل دسته‌بندی می‌توان به دسته‌بندی دودویی اشاره نمود. در این نوع از دسته‌بندی، کلاس هدف تنها شامل دو نوع مقدار است. اگر موضوع این پایان‌نامه را بخواهیم در نظر بگیریم، کلاس هدف ما شامل مقادیر خطادار و بدون خطا می‌باشد. گونه دیگر این کلاس‌ها، کلاس‌های چند مقداری هستند که بیش از دو نوع مقدار را در خود جای می‌دهند.
در مرحله ساخت مدل، الگوریتم دسته‌بندی ارتباط صفات پیش‌بینی کننده را با کلاس هدف به دست می‌آورد. الگوریتم‌های دسته‌بندی مختلف از روش‌های مختلفی برای ساخت مدل استفاده می‌کنند. بعد از این که مدل ساخته شد، می‌توان از آن برای پیش‌بینی وضعیت‌های شناخته نشده جدید استفاده نمود. برای بررسی دقت پیش‌بینی هر کدام از الگوریتم‌های دسته‌بندی، مدل ساخته شده را با گروهی از مقادیر ناشناخته که قبلاً به الگوریتم برای یادگیری داده نشده آزمایش می‌کنیم. بنا بر این، داده‌هایی که برای ساخت و آزمایش یک مدل پیش‌بینی انتخاب می‌شوند، دو دسته هستند:
یک دسته برای آموزش و مدل سازی دسته‌بندی کننده.
یک دسته برای بررسی و تست دسته‌بندی کننده.
برای بررسی نتایج تست دسته بندی از یک سری پارامترها استفاده می‌گردد که پیش از بررسی نتایج آزمایش مورد بحث در این پایان نامه، به توضیح آن می‌پردازیم:
دقت : بعد از انتخاب دسته‌ها بر اساس معیارها و یا مدل‌های مورد نظر، این پارامتر نشان می‌دهد که چند درصد از رکوردهای انتخاب شده، به درستی انتخاب شده‌اند.
فراخوانی : همان‌طور که پیش از این هم توضیح داده شد، Recall یا فراخوانی نشان دهنده انتخاب درست گره‌های خطادار، از میان کلیه گره‌های خطا دار است.
1904365231775
(3).
در فرمول بالا، fn نشان دهنده گره‌های خطا داری هستند که به اشتباه به عنوان گره خطادار شناخته نشده اند.
معیار F: با در نظر گرفتن دو معیار معرفی شده قبلی، یعنی Precision و Recall و بر اساس یک فرمول ساده، امتیازی را محاسبه می‌نماید. این امتیاز در واقع میانگین وزنی بین این دو معیار را در قالب عددی بین صفر و یک نشان می‌دهد به گونه‌ای که 0 نشان دهنده بدترین پاسخ و 1 نشان دهنده بهترین پاسخ است.
1675765224155
(4).
منحنی مشخصه عملکرد سیستم : که وسیله‌ایست که برای مقایسه اهداف پیش‌بینی شده و اهداف واقعی به کار می‌رود. مقدار ROC می‌تواند عددی بین 0 تا 1 باشد. اگر عدد حاصل برابر. یا بیشتر از 0.5 باشد، به این معناست که مدل ما قادر به پیش‌بینی کلاس‌های هدف می‌باشد، و اگر کمتر از 0.5 باشد، به این معناست که عمل پیش‌بینی موفقیت آمیز نیست.
ناحیه زیر منحنی : که مساحت ناحیه زیر منحنی ROC را نشان می‌دهد. ناحیه زیر منحنی در واقع قابلیت تمیز دادن داده‌ها در یک دسته‌بندی دودویی را نشان می‌دهد. هرچه ناحیه زیر منحنی گسترده‌تر باشد به این معناست که احتمال یافتن گره‌های هدف بیشتر، و احتمال حذف گره‌های غیر هدف هم بیشتر است.
صحت : به معنای صحت و دقت می‌باشد. همان‌طور که میدانیم، Precision و Recall با مورد توجه قرار دادن تنها گره‌های هدف سعی در نشان دادن عملکرد دسته‌بندی دارند اما معیار دیگری که با دقت بیشتری می‌تواند نتیجه کار را انجام دهد Accuracy است که با در نظر گرفتن گره‌هایی که به صورت صحیح مورد هدف قرار نگرفته‌اند عمل می‌کند.
1379220-42545(5).
همان‌طور که گفته شد، الگوریتم مختلفی برای عمل دسته‌بندی وجود دارد که در ادامه به آنالیز ویژگی‌های تعریف شده در این پایان نامه به واسطه برخی از این دسته‌بندی کننده‌ها می‌پردازیم.
برای مشخص کردن میزان موفقیت در عملکرد درخت وابستگی در پیش‌بینی خطاها آن را با سه دسته از متریک‌های معروف که پیش از این مورد استفاده قرار گرفته‌اند و در تحقیقات و مقالات بسیاری از آن‌ها استفاده شده، مقایسه خواهیم نمود.
انحراف معیار : انحراف معیار نوعی سنجش پراکندگی برای یک توزیع احتمال یا متغیر تصادفی بوده، و نشان دهنده پخش شدگی مقادیر آن حول مقدار میانگین است. انحراف معیار را معمولاً با σ (حرف کوچک سیگما) نشان می‌دهند. انحراف معیار برابر با ریشه دوم واریانس تعریف می‌شود.
کاپا:

شکل SEQ شکل_ * ARABIC 9: متغیر تصادفی، انحراف معیار σ حول محور μدسته بندی:
آنالیز و مقایسه عملکرد بر روی اکلیپس:
در این بخش آزمایش دسته‌بندی را توسط الگوریتم دسته‌بندی ClassificationViaClustering انجام می‌دهیم. ابتدا به بررسی آنالیزهای حاصل از کار بر روی پروژه‌های اکلیپس که پیش از این توضیح داده شد می‌پردازیم. همان‌طور که پیش از این هم توضیح دادیم، نتایج حاصل از درخت وابستگی را که شامل درخت وابستگی با عمق 1، درخت وابستگی با عمق 2 و درخت وابستگی با عمق 3 می‌شود را با گروهی از متریک‌های خروجی برنامه Prest با عنوان معیارهای پیچیدگی و همچنین مجموعه‌ای شامل 198 متریک که توسط زیمرمن در سال 2007 در کنفرانس ICSE مطرح شد با عنوان Z&Z مقایسه می‌کنیم.
1-1- دقت:

نمودار SEQ نمودار_ * ARABIC 5: مقایسه نتیجه «دقت» در دسته بندی سه نسخه اکلیپس.
1-2- فراخوانی:

نمودار SEQ نمودار_ * ARABIC 6: مقایسه نتیجه «فراخوانی» در دسته بندی سه نسخه اکلیپس.
1-3- صحت:

نمودار SEQ نمودار_ * ARABIC 7: مقایسه نتیجه «صحت» در دسته بندی سه نسخه اکلیپس.
1-4- معیار F:

نمودار SEQ نمودار_ * ARABIC 8: مقایسه نتیجه «معیار F» در دسته بندی سه نسخه اکلیپس.
1-5- منحنی مشخصه عملکرد:

نمودار SEQ نمودار_ * ARABIC 9: مقایسه نتیجه «منحنی مشخصه عملکرد» در دسته بندی سه نسخه اکلیپس.
1-6- کاپا:

نمودار SEQ نمودار_ * ARABIC 10: مقایسه نتیجه «کاپا» در دسته بندی سه نسخه اکلیپس.
1-7- انحراف معیار:

نمودار SEQ نمودار_ * ARABIC 11: مقایسه نتیجه «انحراف معیار» در دسته بندی سه نسخه اکلیپس.
همان‌طور که در تمامی نمودارهای بالا مشاهده می‌نمایید میانگین مقادیر در همه 7 پارامتر ارائه شده، به نوعی برتری درخت وابستگی را نسبت به دو دسته متریک دیگر نشان می‌دهد. از طرفی میزان انحراف از معیار کمتر و میزان بیشتر Kappa Statistic به نوعی نشان دهنده این است که پیش‌بینی‌های انجام شده کمتر دارای حالت تصادفی هستند به عبارتی میزان توفیق تصادفی کلاس‌های پیش‌بینی کننده کمتر از میزان توفیق تصادفی در دو دسته متریک دیگر هستند.

آنالیز و مقایسه دسته بندی بر روی تامکت:
از آنجایی که متریک‌های Z&Z مربوط به تامکت برای مقایسه با درخت وابستگی در اختیار نبود، تنها درخت وابستگی‌ها را در تامکت با معیارهای پیچیدگی مقایسه می‌نماییم که نتایج از قرار زیر است:

منبع علمی مقاله user865

جدول 3-1- معرفی پالایشگاه ها ...........................................................................................................65
جدول 3-2- مشخصه های متغیرهای تصمیم .........................................................................................66
جدول 3-3- مشخصه های متغیرهای تصمیم ........................................................................................66
جدول 3-4- مشخصه های متغیرهای تصمیم ........................................................................................66
جدول 4-1- اطلاعات ورودی و خروجی سال 93 ..................................................................................72
جدول 4-2- اطلاعات ورودی و خروجی سال 92...................................................................................73
جدول 4-3- داده های نرمال شده سال 93 ............................................................................................74
جدول 4-4- داده های نرمال شده سال 92 ............................................................................................74
جدول 4-5- کارایی واحدها در سال 92 و 93 ........................................................................................75

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

جدول 4-6- کارایی AP در سال 92..........................................................................................................75
جدول 4-7- کارایی AP در سال 93..........................................................................................................75
جدول4-8- ورودی ANN در سال 92........................................................................................................79
جدول4-9- ورودی ANN در سال 93........................................................................................................79
جدول 4-10- نرمال سازی داده ها ............................................................................................................79
جدول 4-11- داده های نرمال شده ............................................................................................................80
جدول 4-12- اندیس های مربوط به آموزش ..............................................................................................81
جدول 4-13- اندیس های مربوط به تست .................................................................................................81
جدول 4-14- داده های ورودی و خروجی آموزش .....................................................................................81
جدول 4-15- داده های ورودی و خروجی تست .........................................................................................82
جدول 4-16- ارزیابی شبکه آموزش دیده ..................................................................................................82
جدول 4-17- صحت فرایند آموزش ...................................................................................................83
جدول 4-18- خروجی شبیه سازی شده و واقعی برای تست .............................................................83
جدول 4-19- میانگین مربعات خطا ..................................................................................................83
جدول 4-20- میانگین مقایسه کارایی خروجی ANN و DEA سال 92 ...........................................85
جدول 4-21- میانگین مقایسه کارایی خروجی ANN و DEA سال 93 ...........................................85
فصل اولکلیات تحقیق1-1- مقدمهاندازه گیری کارایی به خاطر اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه محققین قرار داشته است . در سال 1957 فارل با استفاده از روشی مانند اندازه گیری کارایی در مباحث مهندسی اقدام به اندازه گیری کارایی برای یک واحد تولیدی نمود .موردی که فارل برای اندازه گیری کارایی مد نظر قرار داده بود شامل یک ورودی و یک خروجی بود . مطالعه فارل شامل اندازه گیری "کارایی های فنی " و " تخصیصی " و " مشتق تابع تولید کارا " بود . فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا نسبت به سایر کشورها مورد استفاده قرار داد. با این وجود او در ارائه روشی که در برگیرنده ورودی ها و خروجی های متعدد باشد ، موفق نبود .]1[
"چارنز " ، " کوپر " ، " رودز " دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه گیری کارایی با چندین ورودی و چندین خروجی را داشت . این مدل تحت عنوان " تحلیل پوششی داده ها " نام گرفت و ایتدا در رساله دکتری " ادوارد رودز " و به راهنمایی " کوپر " تحت عنوان " ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا " در سال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقاله ای تحت عنوان " اندازه گیری کارایی واحدهای تصمیم گیرنده " ارائه شد .
از آنجا که این مدل توسط " چارنز " ، " کوپر " و " رودز " ارائه گردید به مدل CCR که از حروف اول نام سه فرد فوق تشکیل شده است معروف گردید . هدف در این مدل اندازه گیری و مقایسه کارایی نسبی واحدهای سازمانی مانند مدارس ، بیمارستان ها ، شعب بانک ، شهرداری ها و ... که دارای چندین ورودی و خروجی شبیه بهم باشند .]2[
کاربرد گاز طبیعی به عنوان سوخت حرارتی تنها قسمتی از موارد متنوع کارایی این ماده گرانقدر به شمار می رود .اهمیت اصلی و واقعی گاز طبیعی با توجه با ارزش افزوده فراوان و قابلیت تبدیل به هزاران نوع کالای با ارزش اقتصادی در بخش صنعت و پتروشیمی ظاهر می شود .
نیاز روزافزون به گاز برای تامین انرژی و سوخت و همینطور ارز حاصل از فروش و صادرات برای سرمایه گذاری و راه اندازی صنایع مادر و زیربنایی کشور ، اندیشه تمرکز بخشیدن فعالیت های مرتبط با صنعت گاز را تقویت کرده و در این رابطه طبق اساسنامه قانونی ، شرکت ملی گاز ایران به عنوان یکی از چهار شرکت وابسته به وزارت نفت ایران با سرمایه اولیه 25 میلیارد ریال در سال 1344 هجری شمسی تأسیس گردید .
در این میان پالایشگاه های گاز نقش بسیار مهمی در فرآیند تصفیه گاز ، تولید محصولات جانبی ، تأمین گاز کشور و درآمد حاصل از فروش و صادرات آن به عهده دارند . ظرفیت پالایش و نم زدائی گاز طبیعی ایران با برخورداری از متوسط رشد سالانه 9 درصدی در دهه اخیر در سال 1391 به 428 میلیون متر مکعب در روز رسیده است . با توجه به تمرکز قابل ملاحظه میادین گاز کشور در مناطق جنوبی امکانات پالایشی و نم زدائی کشور نیز عمدتا در این ناحیه مستقر می باشند. پالایشگاه بید بلند با ظرفیت 22.5 میلیون متر مکعب در روز پالایشگاه فجر با ظرفیت 110 میلیون متر مکعب در روز و پالایشگاه سرخون با ظرفیت 7.1 میلیون متر مکعب ظرفیت نم زدائی در مناطق جنوبی و پالایشگاه شهید هاشمی نژاد با ظرفیت 44.5 میلیون متر مکعب در روز در شمال شرق کشور از جمله مهمترین تاسیسات پالایشی کشور به شمار می روند.
بدیهی است که ایجاد یک نظام کارا و استفاده بهینه از منابع باعث جلوگیری از هرز رفت مبالغ عظیمی از منابع مادی و معنوی می گردد به طوری که می تواند با درصد کمی افزایش در کارایی صرفه جویی زیادی حاصل گردد.لذا مطالعه سطح بهره وری پالایشگاه های گاز کشور کاملا ضروری است .برای رسیدن به این هدف لازم است ابتدا عملکرد پالایشگاه های گاز مورد ارزیابی و تحلیل قرار گرفته و سپس پالایشگاههایی که کارا نیستند مشخص و علل عدم کارایی آن ها را تعیین و نسبت به رفع آن اقدام نمود .
به عنوان یک اصل عملکرد هر واحد سازمانی و یا سازمان تا آنجا که میسر است باید اندازه گیری شود . وجود و یا عدم وجود نظام ارزیابی عملکرد موثر و کارآمد با مرگ سازمان رابطه ی مستقیم دارد و فقدان آن را به عنوان بیماری سازمانی قلمداد نموده اند . بدون اندازه گیری ، مبنایی برای قضاوت و اظهارنظر و ارزیابی وجود نخواهد داشت آن چه را که نتوان ارزیابی نمود نمیتوان به خوبی اداره کرد . هر سازمانی برای اعمال مدیریت صحیح باید از الگوهای علمی ارزیابی عملکرد بهره گیرد تا بتواند میزان تلاش و نتایج حاصل از کارکرد خود را مورد سنجش قرار دهد . تنوع وظایف سازمانی اعم از وظایف عمومی و اختصاصی به پیچیدگی ارزیابی آن ها می افزاید و استفاده از ابزارهای کارامد علمی را برای محقق ساختن یک ارزیابی واقعی از هر دو بعد عملکردی و سیاست گذاری اجتناب ناپذیر می کند . یکی از ابزار های کارامد که این مهم را محقق ساخته تحلیل پوششی داده هاست که چهارچوب نظام ارزیابی عملکرد با استحکامی را در خود تدارک می بیند .
لذا در نظر است مقایسه ای بین عملکرد پالایشگاه های گاز کشور انجام گیرد و از میان آن ها پالایشگاه های با کارایی بالاتر را انتخاب نمود . مضافاٌ این که می توان آن ها را به عنوان واحدهای کارا و ناکارا دسته بندی کرد و در صورت امکان برای واحدهای ناکارا راه حل مناسب ارائه نمود .]15[
1-2- تعریف مسأله
یکی از عمده ترین مشکلات استفاده از " تحلیل پوششی داده ها " ضعف قدرت تفکیک پذیری برای " واحد های تصمیم گیرنده " است . این مشکل عمدتاٌ به علت کم بودن تعداد واحد ها در مقایسه با تعداد ورودی ها و خروجی ها ی مدل می باشد . این مشکل در ارزیابی عملکرد 6 پالایشگاه گاز کشور با توجه به تعداد زیاد ورودی ها و خروجی های هر پالایشگاه گاز به خوبی خود را نمایان می کند .بر این اساس و برای رفع این اشکال مدل تلفیقی از شبکه های عصبی مصنوعی و تحلیل پوششی داده ها در این تحقیق مورد استفاده قرار گرفته است که موجب افزایش قدرت تفکیک پذیری مناسب پالایشگاه ها شد .
ارزیابی عملکرد شرکت ها همواره از مسأله های چالش برانگیز در حوزه ی های مدیریت بوده است . اندازه گیری کارایی خصوصا در دو دهه ی اخیر ، به علت اهمیت آن در ارزیابی عملکرد ، مورد توجه زیادی قرار گرفته است . از سال 1957 که فارل روشی را برای اندازه گیری کارایی مطرح کرد تا کنون بازنگری های جامع و اساس در موضوع اندازه گیری کارایی صورت گرفته است .همچنین دیدگاه های پارامتری و غیر پارامتری به طور گسترده ای در ارزیابی کارایی مورد استفاده قرار می گیرند .ضمن اینگه دیدگاه های اولیه عمدتاٌ شامل مرزهای قطعی و مرزهای تصادفی بوده و بعدها دیدگاه هایی مثل DEA و FDH نیز مطرح شده است .
روش های بسیاری برای اندازه گیری کارایی در تحقیقات مربوط مطرح شده است .اما در مقایسه ی بین تمامی مدل های فوق ، DEA روش بهتری برای سازماندهی و تحلیل داده هاست . زیرا اجازه می دهد که کارایی در طول زمان تغییر کند و به هیچ گونه پیش فرضی در مورد مرز کارایی نیاز ندارد . با این وجود مرز کارایی که از DEA حاصل شده نسبت به اغتشاش آماری و داده های پرت که در اثر خطای اندازه گیری یا هر عامل خارجی دیگر ایجاد شود ، حساس است و اگر در داده ها اغتشاش آماری یا داده های پرت وجود داشته باشد ممکن است موجب شود تا مرز کارایی به دست آمده جا به جا شود و مسیر تحلیل های DEA را منحرف سازد . وجود این مسأله باعث شده است که اخیراٌ شبکه های عصبی مصنوعی به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود . ] 2 [
لذا در این منبع علمی مقاله سعی شده است معیار های ارزیابی عملکرد پالایشگاه های گاز کشور تعیین و با استفاده از مدل ترکیبی Neuro-DEA با اندازه گیری کارایی و تعیین پالایشگاه های کارا و ناکارا و کمک به بهینه سازی شرکت ملی گاز ایران از طریق نظام ارزیابی عملکرد و رتبه بندی پالایشگاه های گاز کشور کمک نمود .
1-3- اهداف اساسی از انجام تحقیق
هدف اولیه این تحقیق طراحی و تبیین مدل ارزیابی عملکرد و کارایی پالایشگاه های گاز کشور می باشد . از دیگر اهداف تحقیق می توان به موارد زیر اشاره کرد :
تعیین معیارهای ارزیابی عملکرد پالایشگاه های گاز کشور
اندازه گیری کارایی پالایشگاه های گاز کشور و تعیین شرکت های کارا و ناکارا
کمک به بهینه سازی شرکت ملی گاز ایران از طریق نظام ارزیابی عملکرد و رتبه بندی پالایشگاه های گاز کشور
1-4- ضرورت انجام تحقیق
با توجه به اهمیت کارایی در پیشبرد جوامع و جایگاهی که در میان سایر علوم به خود اختصاص داده است بررسی همه جانبه آن ، به ویژه تحلیل ابعاد ریاضی آن به عنوان معیاری برای سنجش عملکرد ضرورتی اجتناب ناپذیر می باشد .
لذا محاسبه کارایی ، ارزیابی و رتبه بندی تمام شعب و ادارات زیر مجموعه یک خدمت یا صنعت ، کاری ضروری است ، و لازم است حداقل سالی یکبار عملکرد آن ها را بر پایه اصول علمی مورد ارزیابی قرار داد .
صنعت نفت و گاز به عنوان یکی از اساسی ترین صنایع ایران از حساس ترین و مهم ترین منابع درآمد دولت به شمار می رود . بدیهی است وجود کارایی مناسب در این صنعت عایدات دولت را چندین برابر می نماید و این مهم جز با ارزیابی دقیق و صحیح واحدهای تحت پوشش میسر نمی شود .
1-5- فرضیات تحقیق
از آنجایی که هدف ارزیابی عملکرد و کارایی پالایشگاه های گاز کشور با مدل ترکیبی Neuro /DEA یا برخی تکنیک های آماری می باشد لذا این تحقیق فاقد فرضیه می باشد .] 2 [
1-6- جامعه آماری
جامعه آماری این منبع علمی مقاله ، پالایشگاه های گاز کشور (6 پالایشگاه ) که در حال حاضر در کشور در حال فعالیت هستند .
1-7- قلمرو تحقیق
1-7-1- قلمرو موضوعی :
قلمرو موضوعی تحقیق در حوزه ارزیابی عملکرد بر مبنای مدل های DEA و شبکه عصبی می باشد .
1-7-2- قلمرو مکانی :
قلمرو مکانی تحقیق پالایشگاه های گاز کشور می باشد که در حال حاضر 7 پالایشگاه در سطح کشور مشغول به فعالیت هستند .
1-7-3- قلمرو زمانی :
در این تحقیق ، اطلاعات جمع آوری شده پالایشگاه های کشور در اردیبهشت ماه سال های 92 و 93 مینای ارزیابی عملکرد قرار گرفته است .
1-8- مراحل انجام تحقیق :مطالعات کتابخانه ای در مورد موضوع تحقیق
تعیین شاخص های ورودی و خروجی منبع علمی مقاله از طریق نظر خبرگان
مطالعه علمی روی مدل ها و تکنیک های ارزیابی و اندازه گیری کارایی
انتخاب مدل و رویکرد مناسب جهت بررسی و اندازه گیری کارایی پالایشگاه های گاز کشور
طراحی مدل های پارامتری و اندازه گیری کارایی پالایشگاه های مورد نظر
اندازه گیری کارایی پالایشگاه ها با روش DEA و Neuro-DEA
مقایسه ی نتایج حاصل از این دو روش
فصل دوممرور ادبیات و بررسی پیشینه ی تحقیق2-1- مقدمه
همانطور که قبلاٌ گفته شد ، باید در استفاده از DEA برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد . وجود این مسأله باعث شده است که اخیراٌ شبکه های عصبی مصنوعی به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود .زیرا ماهیت عملکرد شبکه های عصبی به دلیل قدرت یادگیری و تعمیم پذیری به گونه ای است که در برابر داده های پرت و اغتشاشات حاصل از اندازه گیری غیر دقیق داده ها مقاوم تر عمل می کنند .در زیر مختصری راجع به تحلیل پوششی داده ها و شبکه های عصبی مصنوعی می پردازیم . ]2[
2-2- تعاریف کارایی2-2-1- تعریف کارایی اقتصادی
کارایی اقتصادی عبارت است از نسبت میزان محصول تولیدی قابل استفاده به میزان منابع تولیدی که برای ساخت آن محصول به کار گرفته شده است.(کارایی برحسب میزان محصول)
کارایی هرسیستم برحسب ارزش محصول به دست آمده درازای ارزش هرواحد از منابع تولید به کار رفته اندازه گیری می شود. (کارایی برحسب قیمت وارزش )
کارایی اقتصادی دریک موسسۀ تولیدی متضمن حل دو مسئلۀ " انتخاب ترکیب مناسبی ازمنابع تولیدی" و " انتخاب روش وطریقۀ تولید" است .]5[
2-2-2- تعریف کارایی فنی وتخصیصی
همان گونه که در تعاریف بالا ملاحظه می شود، کارایی اقتصادی شامل دوجزء کارایی فنی وکارایی اقتصادی می باشد. فارل کارایی اقتصادی را شامل دوجزء زیر تعریف می کند:
1- کارایی فنی منعکس کننده توانایی یک بنگاه در به دست آوردن حد اکثر خروجی از ورودی های به کار گرفته شده است.
2- کارایی تخصیصی منعکس کننده توانایی یک بنگاه برای استفاده از ورودی ها به نسبت بهینه با توجه به قیمت و فناوری تولید است.
ترکیب دو کارایی فنی وتخصیصی را ، کارایی اقتصادی می نامند . ]9[
2-3- روش های اندازه گیری کارایی فنیبه طورکلی دراندازه گیری کارایی بنگاه ها( واحد ها ) دوروش عمده برای اندازه گیری کارایی وجوددارد. یکی روش های پارامتری ودیگری روش های ناپارامتری .
2-3-1- روش های پارامتریدرروش پارامتری با استفاده از روش های مختلف آماری واقتصاد سنجی تابع تولید مشخصی تخمین زده می شود. سپس با به کارگیری این تابع نسبت به تعیین کارایی اقدام می شود. روش رگرسیون از جمله روش های پارامتری است.
2-3-2- روش های نا پارامتریروش های ناپارامتری به تخمین تابع تولید نیاز ندارند. ازجمله روش های ناپارامتری تحلیل پوششی داده ها است ،که کارایی نسبی واحد ها را درمقایسه با یکدیگر مورد ارزیابی قرار می دهد. دراین روش به شناخت شکل تابع تولید نیازی نیست و محدودیتی درتعداد ورودی ها و خروجی ها وجود ندارد. ]9[
2-4- مقایسۀ رگرسیون وتحلیل پوششی داده هاروش رگرسیون میانگین مشاهدات مربوط به واحدها را تعیین وعملکرد هر واحدرا نسبت به یک معادلۀ رگرسیون بهینه شده ، مشخص می کند. تحلیل پوششی داده ها از تمامی مشاهدات گردآوری شده برای اندازه گیری کارایی استفاده کرده وهرکدام از مشاهدات را درمقایسه با مرز کارا سنجیده وآن را بهینه می نماید. روش تحلیل پوششی داده ها باترکیب تمامی واحد های تحت بررسی، یک واحد مجازی بابالاترین کارایی را می سازد وواحد های نا کارا را با آن مقایسه می کند. شکل زیر تفاوت این دو روش را نشان می دهد .]1[

شکل 1 -1- مقایسه رگرسیون و تحلیل پوششی داده ها
2-5- مفاهیم کارایی2-5-1- تعریف کارایی
کارایی میزان بهره وری یک سازمان از منابع خود درعرصۀ تولید نسبت به بهترین عملکرد در مقطعی از زمان است. کارایی با نسبت خروجی واقعی به خروجی مورد انتظار تعریف می شود، یعنی :

2-5-2- انواع کارایی ها :
کارایی درانواع زیر تعریف می شوند:
2-5-2-1- کارایی فنی :
کارایی فنی میزان تبدیل ورودی هایی مانند نیروی انسانی وماشین آلات به خروجی ها، درمقایسه با بهترین عملکرد است.
کارایی فنی نشان دهنده میزان توانایی یک بنگاه برای حداکثر کردن میزان تولید با توجه به منابع وعوامل مشخص شده تولید است. درتحلیل پوششی داده ها کارایی فنی با نسبت مجموع موزون خروجی ها به ورودی ها تعریف می شود. دراقتصاد زمانی یک بنگاه را به لحاظ فنی کارا می دانند که مقدار تولید آن برروی منحنی تولید یکسان قرار گیرد.
2-5-2-2- کارایی تخصیصی
کارایی تخصیصی بر تولید بهترین ترکیب محصولات با استفاده از کم هزینه ترین ترکیب ورودی ها دلالت می کند. درواقع کارایی تخصیصی به این پرسش پاسخ می دهد که آیا قیمت ورودی های مورد استفاده به گونه ای هست که هزینۀ تولید را حداقل نماید.
2-5-2-3- کارایی ساختاری
کارایی ساختاری معمولا برای یک صنعت تعریف می شود. کارایی ساختاری یک صنعت از متوسط وزنی کارایی شرکت های مختلف آن صنعت به دست می آید. با استفاده از معیار های کارایی ساختاری می توان کارایی صنایع مختلف با محصولات متفاوت را با هم مقایسه نمود.
2-5-2-4- کارایی مقیاس
کارایی مقیاس یک واحد ازنسبت کارایی مشاهده شده آن واحد به کارایی درمقیاس بهینه (به کارایی واحدی که بهترین کارایی را دارد) به دست می آید . هدف این کارایی ، تولید درمقیاس بهینه است . ]1[
2-6- استفاده ازنسبت دراندازه گیری کاراییهمان گونه که درمفهوم کارایی بیان شد ، کارایی به صورت نسبت خروجی به ورودی به صورت زیرتعریف می شود :

با توجه به رابطۀ فوق برای بهبود کارایی یک بنگاه یا واحد صنعتی پنج روش زیر وجود دارد:
الف- افزایش ورودی وبه دست آوردن خروجی بیشتر
ب - ثابت نگه داشتن ورودی وافزایش خروجی
ج- کاهش ورودی وکاهش کمتر خروجی
د- کاهش ورودی وثابت نگه داشتن خروجی
ه- کاهش ورودی وافزایش خروجی
نسبت فوق درمقایسۀ کارایی واحد هایی که فقط ازیک ورودی ویک خروجی استفاده می کنند، آسان است. ولی این گونه واحد ها درعمل بسیار نادرند. عموما واحد ها ازتعداد زیادی ورودی وخروجی استفاده می کنند. ]1[
2-7- انواع مدل های پایه ای (کلاسیک) تحلیل پوششی داده ها :تحلیل پوششی داده ها دارای مدل های پایه ای به شرح زیراست:
مدل CCR
مدل BCC
مدل جمعی SBM
که درزیر به تشریح هریک آن ها پرداخته می شود.
2-7-1- مدل CCR :مدل CCR دریک دسته بندی کلی به فرم کسری وفرم خطی تقسیم می شود . مدل CCR در فرم خطی به مدل CCR ورودی محور و مدل CCR خروجی محور تقسیم می شود .
مدل CCR ورودی محور خود در سه فرم کسری، مضربی، وپوششی طبقه بندی می گردد .
مدل CCR خروجی محور نیز دارای فرم های مضربی وپوششی می باشد.
در زیر انواع فرم های CCR تشریح می شوند :
2-7-1-1- مدل CCR در فرم کسری
اگر هدف ، بررسی کارایی n واحد تصمیم گیرنده یا DMU باشد که هر واحد دارای m ورودی و s خروجی به صورت زیر باشند :

می باشد . کارایی واحد j ام به صورت زیر محاسبه می شود :
1687830270124 (1)
(1)
lefttop00

که ur و vi به ترتیب وزن های خروجی و ورودی واحد j ام می باشند .
برای ساختن مدل ، فرض کنید n واحد تصمیم گیرنده (DMU) موجود است و هدف ارزیابی واحد تحت بررسی ( واحد صفر یا واحد تصمیم گیرنده ) است ، که ورودی های x10 ، x20 ، ... و xm0 را برای تولید y10 ، y20 ، و ... ys0 به مصرف می رساند .
حال برای واحد صفر ، یک واحد مجازی می سازیم که ورودی وخروجی آن به صورت زیر است:
lefttop(2)
(3)
که vi وزن های ورودی و ur وزن های خروجی واحد مجازی است ، که در واقع متغیرهای تصمیم مدل بوده و هدف تعیین آن هاست . ]1[
حال می خواهیم مقادیر vi و ur را برای واحد مجازی صفر ( واحد تحت بررسی ) طوری انتخاب کنیم که کارایی آن ماکسیمم شود ، یعنی :
3342640257810 (4)
(4)
476251016000

در مدل فوق اگر ur ها خیلی بزرگ و vi ها خیلی کوچک باشند ، آنگاه مقدار نسبت ها می تواند نامحدود وبی نهایت گردد. برای جلوگیری از ایجاد چنین مشکلی تمامی نسبت ها (کارایی همۀ واحدها) را کوچکتر یا مساوی یک درنظر می گیرند وبه عنوان محدودیت وارد مدل می کنند. با توجه به توضیحات فوق مدل کلی CCR در فرم کسری به صورت زیر در می آید :
42618991017767 (6)
(6)
4261899159026(5)
(5)

2-7-1-2- مدل CCR در فرم خطی
برای تبدیل مدل کسری CCR ، به یک مدل برنامه ریزی خطی ، چارنز، کوپر و رودز دو شیوه ، را به کار گرفته اند. درشیوه اول مخرج کسر را ثابت درنظر گرفته وصورت آن را حد اکثر می نمایند. مدل حاصل از این شیوه را مدل ورودی محور (نهاده گرا) می نامند. درشیوه دوم صورت کسر را ثابت نگهداشته ومخرج آن را حد اقل می کنند. مدل حاصل از این شیوه را مدل خروجی محور (ستاده گرا) می گویند.]1[
2-7-1-3- مدل CCR ورودی محور
مدل های ورودی محور دریک تقسیم بندی به دو گروه مدل های مضربی ومدل های پوششی تقسیم می شوند، که درادامه به تشریح آن ها می پردازیم.
2-7-1-4- مدل مضربی CCR ورودی محور
دراین روش برای تبدیل مدل نسبت CCR به مدل برنامه ریزی خطی ، مخرج کسر را معادل یک، قرار می دهیم وصورت کسر را ماکسیمم می نماییم. بدین ترتیب مدل به صورت زیر درمی آید:

2-7-1-5- مدل پوششی CCR ورودی محور
قبلا مدل مضربی CCR ورودی محور به صورت زیر ارائه گردید :

درمدل فوق برای هر واحد تصمیم گیرنده، باید یک محدودیت (قید) نوشته شود. به این ترتیب ، یک مدل برنامه ریزی خطی به دست خواهد آمد که تعداد محدودیت های آن از تعداد متغیر هایش بیشتر است. ازآن جا که حجم عملیات در روش سیمپلکس برای حل مسایل برنامه ریزی خطی بیشتر وابسته به تعداد محدودیت ها است تا تعداد متغیرها . به همین دلیل از مدل دوگان (ثانویه) مسئلۀ فوق استفاده می شود که نیازمند حجم عملیات کمتری است.
برای تبدیل مدل اولیۀ فوق به مدل دوگان ، متغیر متناظر با محدودیت (1 ) را درمسئلۀ دوگان با θ و متغیر های متناظر با محدودیت های ( 2 ) را با jλ نشان می دهیم. مدل ثانویه (دوگان) به صورت زیر در خواهد آمد :
1773583119352(3)
(4)
0(3)
(4)
lefttop
مدل فوق با تغییر اندکی به صورت زیر در می آید. این مدل رافرم پوششی مدل CCR ورودی محور می نامند .
4325344384810(5)
(6)
0(5)
(6)

دقت کنید که در مدل اولیه ، m ورودی و s خروجی و n واحد تصمیم گیرنده وجود داشت ، که براساس آن مسأله دوگان دارای (m+1 ) متغیر است که تعداد محدودیت های آن کمتر از مسأله اولیه و در نتیجه حل آن مستلزم حجم عملیات کمتری است . مدل پوششی همان دوگان مدل اولیه است .
2-7-1-6- مدل CCR خروجی محور
دریک مدل خروجی محور ، یک واحد درصورتی ناکارا است که امکان افزایش هر یک از خروجی ها بدون افزایش یک ورودی یا کاهش یک خروجی دیگر وجود داشته باشد.
مدل نسبت ( کسری ) CCR را که درابتدا توضیح داده شد، دوباره به شرح زیر می نویسیم:
2897091179041(1)
(2)
0(1)
(2)
lefttop
در مدل CCR خروجی محور، برای خطی کردن مدل غیرخطی فوق صورت کسر را برابر 1 می گیرند ومخرج آن را می نیمم می کنند. بدین ترتیب مدل ها به صورت زیر در می آیند:
2-7-1-7- مدل مضربی CCR خروجی محور
4517390707225(3)
(4)
0(3)
(4)

2-7-1-8- مدل پوششی CCR خروجی محور
برای ساختن مدل پوششی CCR خروجی محور ، دوگان مدل مضربی CCR خروجی محور را با قرار دادن θ و jλ به عنوان متغیر های دوگان متناظر با محدودیت اول ومحدودیت های دوم به صورت زیر به دست می آوریم:
4611757-39758(5)
(6)
0(5)
(6)

هدف ما کسب بیشترین مقدار خروجی است . در این مدل 1 < θ است و 1θ میزان کارایی را نشان می دهد .]1[
2-7-2- مدل BCC
بنکر، چارنز وکوپر باتغییر درمدل CCR ، مدل جدیدی را عرضه کردند که بر اساس حروف اول نام خانوادگی آنان به مدل BCC شهرت یافت . این مدل از انواع مدل های تحلیل پوششی داده ها است که به ارزیابی کارایی نسبی واحدهایی با بازده متغیر نسبت به مقیاس می پردازد. مدل های بازده به مقیاس ثابت محدود کننده تر از مدل های بازده به مقیاس متغیر هستند، زیرا مدل بازده به مقیاس ثابت واحد های کارای کمتری را در برمی گیرد ومقدار کارایی نیز کمتر می شود.
بازده به مقیاس
بازده به مقیاس مفهومی است بلند مدت ، که منعکس کننده نسبت افزایش درخروجی به ازای افزایش درمیزان ورودی ها است. این نسبت می تواند ثابت ، افزایشی یا کاهشی باشد.
: CRSبازده ثابت به مقیاس: بازده به مقیاس ثابت نسبت بازده ثابت به مقیاس وقتی صادق است که افزایش در ورودی به همان نسبت باعث افزایش درخروجی شود. به عنوان مثال اگر نیرویکار وسرمایه دو برابر شود، میزان محصول هم دو برابر گردد.
IRS بازده افزایشی به مقیاس : بازده افزایشی نسبت به مقیاس آن است که میزان خروجی به نسبتی بیش از میزان افزایش در ورودی ها ، افزایش یابد.
DRS بازده کاهشی به مقیاس : درصورتی که میزان افزایش در خروجی ها کمتر از نسبتی باشد که ورودی ها افزایش می یابند، بازده به مقیاس کاهشی ایجاد می شود.
PPS مجموعۀ امکان تولید : تمامی ترکیب های ممکن ازورودی ها وخروجی هارا مجموعۀ امکان تولید می نامند. به عنوان درشکل زیر نمایش داده y ویک خروجی x مثال منحنی نمایش تابع تولید که برای یک ورودی شده است. ]6[
2-7-2-1- مدل نسبت BCC
مدل نسبت BCC برای ارزیابی کارایی واحد تحت بررسی(صفر) به صورت زیر است:

ساختار مدل نسبت BCC همانند مدل نسبت CCR است که در تابع هدف مهم در تمامی قیود به صورت کسر یک متغیر آزاد در علامت w افزوده می شود .
2-7-2-2- مدل مضربی BCC ورودی محور
مدل مضربی BCC ورودی محور ، از حداکثر کردن صورت کسر و ثابت نگه داشتن مخرج کسر به وجود می آید .
مدل مضربی BCC ورودی محور به صورت زیر است :
4572000-2153(1)
(2)
0(1)
(2)

همانطور که ملاحظه می شود ، تفاوت این مدل با مدل CCR در وجود متغیر آزاد در علامت w است . علامت متغیر w در این مدل نوع بازده به مقیاس را به صورت زیر تعیین می کند :
الف ) هرگاه w<0 باشد ف نوع بازده به مقیاس ف کاهشی است .
ب ) هرگاه w=0 باشد ، نوع بازده به مقیاس ، ثابت است .
ج ) هرگاه w>0 باشد ، نوع بازده به مقیاس ، افزایشی است .]1[
2-7-2-3- مدل پوششی BCC ورودی محور
مدل پوششی BCC ورودی محور ، به صورت زیر است :
4707172209633(1)
(2)
(3)
0(1)
(2)
(3)

همان گونه که مشاهده می شود محدودیت متناظر با اضافه شدن متغیر آزاد در علامت w در مسأله اولیه ، محدودیت j=1nλj=1 است . در این مدل ، θ نسبت کاهش ورودی های واحد تحت بررسی را برای بهبود کارایی نشان می دهد.
یک واحد دراین مدل کارا است ، اگر وفقط اگر دوشرط زیر برای آن بر قرار باشد:
الف ) 1 = *θ
ب ) تمامی متغیرهای کمکی مقدار صفر داشته باشند
2-7-2-4- مدل مضربی BCC خروجی محور
مدل مضربی BCC خروجی محور ، به صورت زیر است :
4779534714072(1)
(2)
0(1)
(2)

2-7-2-5- مدل پوششی BCC خروجی محور
مدل پوششی BCC خروجی محور ، به صورت زیر می باشد :
4667416389613(1)
(2)
(3)
0(1)
(2)
(3)

2-7-3- مدل جمعی ( SBM= Slack Based Model )
مدل های ورودی محور درحالی که میزان خروجی ها را در سطح داده شده حفظ می کند، به طور مناسب ودر حد امکان نسبت به کاهش میزان ورودی ها اقدام می نماید. برعکس ، مدل های خروجی محور با حفظ میزان ورودی به طور متناسب ، خروجی ها افزایش می دهد
مدل جمعی ، مد لی است که همزمان کاهش ورودی ها وافزایش خروجی ها را مورد توجه قرار می دهد.
انواع این مدل به مدل به صورت جدول در زیر خلاصه شده است :
جدول 2-1- مدل جمعی

دید گاه ورودی محور، خروجی محور وبازده به مقیاس ثابت ومتغیر
بازده به مقیاس ، ارتباط بین تغییرات ورودی ها وخرجی های یک بنگاه، یک سیستم تولیدی یا یک سیستم خدماتی را بیان می کند. به طور واضح تر بازده به مقیاس به این پرسش ، پاسخ می دهد که اگر میزان منابع ومواد اولیۀ یک کارخانه دوبرابر شود میزان تولید یا ستاده آن چند برابر تغییر می کند؟ سه حالت زیرممکن است اتفاق بیفتد:
الف) با دوبرابر شدن میزان منابع ، میزان خروجی نیز دو برابر شود(بازده به مقیاس ثابت)
ب) با دوبرابر شدن میزان منابع ، میزان خروجی کمتر ازدوبرابر شود ( بازده به مقیاس کاهشی )
ج) با دوبرابر شدن میزان منابع ، میزان خروجی بیشتر ازدوبرابر شود( بازده به مقیاس افزایشی )
2-8- رتبه بندی واحد های کاراهمان گونه که قبلا بیان شد، درتحلیل پوششی داده ها، واحد های تحت بررسی به دو گروه کارا وناکارا تقسیم می شوند. واحد های کارا واحد هایی هستند که امتیاز کارایی آن ها برابر با یک است. واحد های ناکارا با کسب امتیاز کارایی قابل رتبه بندی هستند. اما واحد های کارا ، چون همگی دارای امتیاز یک می باشند، با استفاده از مدل های کلاسیک تحلیل پوششی داده ها قابل رتبه بندی نیستند. بدیهی است که رتبه بندی واحد های کارا به جهت تعیین کارا ترین واحد ها ، اهمیت زیادی دارد. لذا روش های زیر به منظور رتبه بندی این واحد ها ارایه شده است.
2-9- روش اندرسون – پیترسون درسال 1993 ، اندرسون وپترسون ، روشی را برای رتبه بندی واحد های کارا پیشنهاد کردند که تعیین کاراترین واحد را از میان واحد های کارا میسر می سازد. بااین روش امتیاز واحد های کارا می تواند ازیک بیشتر شود. به این ترتیب ، واحد های کارا نیز می توانند مانند واحد های ناکرا رتبه بندی شوند. رتبه بندی واحد های کارا به صورت زیر انجام می شود.
گام 1 : مدل مضربی ( یا پوششی ) CCR را برای واحد های تحت بررسی حل کنید تا واحد های کارا و غیر کارا مشخص شوند .
در صورتی که واحد تحت ارزیابی واحد k باشد ، مدل مضربی آن به صورت زیر است :

و مدل پوششی آن به صورت زیر است :

توجه : در مدل BCC ، محدودیت j=1nλj=1 به مجموعه محدودیت های فوق اضافه می شود .
گام 2 : فقط واحد های کارایی را درنظر بگیرید که امتیاز آن ها درقدم اول معادل یک شده وازمجموعۀ محدودیت قدم اول، محدودیت مربوط به آن واحد را از مدل مضربی متناظر به این محدودیت را از مدل پوششی حذف ودوباره مدل را حل کنید.
4658829347345 (7)
0 (7)
در حالتی که واحد k ، واحدی کارا باشد ، در این گام ، در مدل مضربی محدودیت شماره ی 3 به صورت زیر خواهد بود :

ودر مدل پوششی محدودیت های 5 و 6 به صورت زیر در می آیند:
457263566206(8)
(9)
0(8)
(9)

از آن جا که درگام 2 محدودیت مربوط به واحد تحت بررسی که حد بالای آن عدد 1 است ، حذف می شود، مقدار کارایی می تواند بیش از 1 شود. بدین ترتیب، واحدهای کارا با امتیاز هایی بالاتر از یک رتبه بندی می شوند. ]2[
2-10- شبکه های عصبی مصنوعی ( ANNs ) 2-10-1- مقدمه
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاٌ تئوری به تحقیقات کاربردی علی الخصوص در پردازش اطلاعات برای مسائلی که یا برای آن ها راه حلی موجود نیست و یا به راحتی قابل حل نیستند ، بوده ایم . با عنایت به این حقیقت ، علاقه فزاینده ای در توسعه تئوریک سیستم های دینامیکی هوشمند مدل – آزاد که مبتنی بر داده های تجربی هستند ، ایجاد شده است . " شبکه های عصبی مصنوعی " جزء این دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده ها تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند . به همین خاطر به این سیستم ها هوشمند گویند چرا که براساس محاسبات روی داده ها عددی یا مثال ها قوانین کلی را فرا می گیرند . این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار نرو – سیناپتیکی مغز بشر دارند .
پیاده سازی ویژگی های شگفت انگیز مغز در یک سیستم مصنوعی ( سیستم دینامیکی ساخته دست بشر ) همیشه وسوسه انگیز و مطلوب بوده است . بسیارند محققینی که طی سال ها در این زمینه فعالیت ها کرده اند ، لیکن نتیجه این تلاش ها ، صرف نظر از یافته های ارزشمند ، باور هرچه بیشتر این اصل بوده است که " مغز بشر دست نیافتنی است . " با تأکید بر این نکته که گذشته از متافیزیک ، دور از دسترس بودن ایده آل " هوش طبیعی " را می توان با عدم کفایت دانش موجود بشر از فیزیولوژی عصبی پذیرفت باید اذعان داشت که عالی بودن هدف و کافی نبودن دانش موجود ، خود سبب انگیزش منبع علمی مقاله های بیشتر و بیشتر در این زمینه بوده و خواهد بود ، همچنان که امروزه شاهد بروز چنین فعالیت هایی در قالب شبکه های عصبی مصنوعی هستیم . اغلب آنهایی که با چنین سیستم هایی آشنایی دارند به اغراق آمیز بودن آن ها معترفند .
این اغراق ، اگر چه بیانگر مطلوبیت و نیز بعضی مشابهت های این گونه سیستم ها با سیستم های طبیعی است ، ولی می تواند تا حدی بین آنچه که سیستم های عصبی مصنوعی در اختیار قرار می دهد و آنچه که از نامشان بر می آید تناقض ایجاد نماید . لذا هنگام صحبت کردن در مورد اساس شبکه های عصبی ، باید حدود انتظارات و برداشت ها و شباهت ها را مشخص کرد .
2-10-2- شبکه عصبیجانوران پرسلولی برای ایجاد هماهنگی بین اعمال سلول ها و اندام های مختلف بدن خود نیاز به عوامل و دستگاه های ارتباطی دارند.دستگاه عصبی با ساختار و کار ویژه ی ای که دارد،در جهت ایجاد این هماهنگی به وجود آمده است. نورون ها پیام عصبی را به بافت ها و اندام های بدن ،مانند ماهیچه ها غده هاو نیز نورون های دیگر میفرستد و از این طریق با آنها ارتباط برقرار میکند. رشته هایی که از جسم سلولی نورون ها بیرون زده اند دو نوع اند:دندریت و آکسون دندریت ها پیام هارا دریافت میکنند و به جسم سلولی میبرند،آکسون ها پیام عصبی را از جسم سلولی به تا پایانه های آکسون هدایت میکند. وظایف دستگاه عصبی به ارتباط متقابل بین میلیون ها نورون وابسته است.در دستگاه عصبی دو بخش اصلی وجود دارد;دستگاه عصبی مرکزی و دستگاه عصبی محیطی.دستگاه عصبی مرکزی شامل مغز و نخاع است که مراکز نظارت بر اعمال بدن اند.این دستگاه اطلاعات دریافتی از محیط و درون بدن را تفسیر میکند و به آنها پاسخ میدهد.دستگاه عصبی مرکزی از دو بخش ماده ی خاکستری که بیشتر محتوی جسم سلولی نورون هاست و ماده ی سفید که اجتماع بخش های میلین دار نورون هاست،تشکیل شده است. دستگاه عصبی محیطی شامل تعداد زیادی عصب است که اطلاعات را جمع آوری میکند و به دستگاه عصبی مرکزی میبرد. مغز حدود۱۰۰میلیارد نورون است و حدود ۱.۵کیلوگرم وزن دارد.مغز شامل :مخ،مخچه و ساقه مغز است. مخ بزرگترین بخش مغز است وتوانایی یادگیری ،حافظه،وعملکرد هوشمندانه را دارد.مخچه مهمترین مرکز یادگیری حرکات لازم برای تنظیم حالت بدن و تعادل است. ساقه ی مغز در قسمت پایینی مغز قرار دارد و شامل مغز میانی،پل مغز و بصل النخاع است . نخاع درون ستون مهره ها از بصل النخاع تا کمر امتداد دارد.نخاع مغز را به دستگاه عصبی محیطی وصل میکند. دستگاه عصبی محیطی شامل۳۱جفت عصب نخاعی و ۱۲جفت عصب مغزی است.دستگاه عصبی محیطی شامل دو بخش پیکری که ارادی است و خودمختار که اعمال غیر ارادی مارا بر عهده دارد.دستگاه عصبی خود مختار شامل اعصاب پارا سمپاتیک و سمپاتیک میباشد که اعصاب پارا سمپاتیک باعث برقراری ارامش و اعصاب سمپاتیک در مواقع هیجانی روانی یا جسمی فعال میشوند. ]13[
2-10-3- معرفی شبکه عصبی مصنوعیشبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند.
در این حافظه یا شبکه عصبی نورونها دارای دو حالت فعال (روشن یا ۱) و غیرفعال (خاموش یا ۰) اند و هر یال (سیناپس یا ارتباط بین گره‌ها) دارای یک وزن می‌باشد. یال‌های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال‌های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می کنند .]12[
2-10-4- تاریخچه شبکه‌های عصبی مصنوعیاز قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوزیست‌ها سعی کردند سامانه یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوشش‌ها در شبیه سازی با استفاده از یک مدل منطقی توسط مک کلوک و والتر پیتز انجام شد که امروزه بلوک اصلی سازنده اکثر شبکه‌های عصبی مصنوعی است. این مدل فرضیه‌هایی در مورد عملکرد نورون‌ها ارائه می‌کند. عملکرد این مدل مبتنی بر جمع ورودی‌ها و ایجاد خروجی است. چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحاً نورون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده مثل AND و OR بود.
نه تنها نروفیزیولوژیست‌ها بلکه روان شناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تاثیر داشتند. در سال ۱۹۵۸ شبکه پرسپترون توسط روزنبلات معرفی گردید. این شبکه نظیر واحدهای مدل شده قبلی بود. پرسپترون دارای سه لایه به همراه یک لایه وسط که به عنوان لایه پیوند شناخته شده می‌باشد، است. این سامانه می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.
سامانه دیگر مدل خطی تطبیقی نورون می‌باشد که در سال ۱۹۶۰ توسط ویدرو و هاف (دانشگاه استنفورد) به وجود آمد که اولین شبکه‌های عصبی به کار گرفته شده در مسائل واقعی بودند. آدالاین یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود، روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.
در سال ۱۹۶۹ میسکی و پاپرت کتابی نوشتند که محدودیت‌های سامانه‌های تک لایه و چند لایه پرسپترون را تشریح کردند. نتیجه این کتاب پیش داوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله جالبی نمی‌باشد، تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاری‌های موجود به حداقل خود رسیده بود، برخی محققان تحقیقات خود را برای ساخت ماشین‌هایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند، ادامه دادند. از جمله گراسبگ که شبکه‌ای تحت عنوان آوالانچ را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او با همکاری کارپنتر شبکه‌های ART را بنانهادند که با مدل‌های طبیعی تفاوت داشت. اندرسون و کوهونن نیز از اشخاصی بودند که تکنیک‌هایی برای یادگیری ایجاد کردند. ورباس در سال ۱۹۷۴ شیوه آموزش پس انتشار خطا را ایجاد کرد که یک شبکه پرسپترون چندلایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفت‌هایی که در سال ۱۹۷۰ تا ۱۹۸۰ بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مساله دخالت داشتند، از جمله کتاب‌ها و کنفرانس‌های وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده‌است. ]14[
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟شبکه‌های عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده‌های پیچیده می‌توانند در استخراج الگوها و شناسایی گرایش‌های مختلفی که برای انسان‌ها و کامپیوتر شناسایی آنها بسیار دشوار است استفاده شوند. از مزایای شبکه‌های عصبی می‌توان موارد زیر را نام برد:
یادگیری تطبیقی: توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
خود سازماندهی: یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده‌هایی که در طول آموزش دریافت کرده را انجام دهد. نورون‌ها با قاعدهٔ یادگیری سازگار شده و پاسخ به ورودی تغییر می‌یابد.
عملگرهای بی‌درنگ: محاسبات در شبکه عصبی مصنوعی می‌تواند به صورت موازی و به وسیله سخت‌افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت‌های شبکه عصبی مصنوعی است انجام شود.
تحمل خطا: با ایجاد خرابی در شبکه مقداری از کارایی کاهش می‌یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می‌شود.
دسته بندی: شبکه‌های عصبی قادر به دسته بندی ورودی‌ها بر ای دریافت خروجی مناسب می‌باشند.
تعمیم دهی: این خاصیت شبکه را قادر می‌سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را به دست آورده، نتایج این آموخته‌ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت‌ها و روابط را به خاطر بسپارد.
پایداری-انعطاف پذیری: یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی می‌تواند موارد جدید را بپذیرد.
2-10-6- شبکه‌های عصبی در مقایسه با کامپیوترهای سنتی
یک شبکه عصبی به طور کلی با یک کامپیوتر سنتی در موارد زیر تفاوت دارد:
شبکه‌های عصبی دستورات را به صورت سری اجرا نکرده، شامل حافظه‌ای برای نگهداری داده و دستورالعمل نیستند.
به مجموعه‌ای از ورودی‌ها به صورت موازی پاسخ می‌دهند.
بیشتر با تبدیلات و نگاشت‌ها سروکار دارند تا الگوریتم‌ها و روش‌ها.
شامل ابزار محاسباتی پیچیده نبوده، از تعداد زیادی ابزارساده که اغلب کمی بیشتر از یک جمع وزن دار را انجام می‌دهند تشکیل شده‌اند.
شبکه‌های عصبی شیوه‌ای متفاوت برای حل مسئله دارند. کامپیوترهای سنتی از شیوه الگوریتمی برای حل مسئله استفاده می‌کنند که برای حل مسئله مجموعه‌ای از دستورالعمل‌های بدون ابهام دنبال می‌شود. این دستورات به زبان سطح بالا و سپس به زبان ماشین که سامانه قادر به تشخیص آن می‌باشد تبدیل می‌شوند. اگر مراحلی که کامپیوتر برای حل مسئله باید طی کند از قبل شناخته شده نباشند و الگوریتم مشخصی وجود نداشته باشد، سامانه توانایی حل مسئله را ندارد. کامپیوترها می‌توانند خیلی سودمندتر باشند اگر بتوانند کارهایی را که ما هیچ پیش زمینه‌ای از آنها نداریم انجام دهند. شبکه‌های عصبی و کامپیوترها نه تنها رقیب هم نیستند بلکه می‌توانند مکمل هم باشند. کارهایی وجود دارند که بهتر است از روش الگوریتمی حل شوند و همین طور کارهایی وجود دارند که جز از طریق شبکه عصبی مصنوعی قابل حل نمی‌باشند و البته تعداد زیادی نیز برای بدست آوردن بازده حداکثر، از ترکیبی از روش‌های فوق استفاده می‌کنند. به طور معمول یک کامپیوتر سنتی برای نظارت بر شبکه عصبی استفاده می‌شود. شبکه‌های عصبی معجزه نمی‌کنند، اگر به طور محسوس استفاده شوند کارهای عجیبی انجام می‌دهند. ] 12[
نورون مصنوعی
یک نورون مصنوعی سامانه‌ای است با تعداد زیادی ورودی و تنها یک خروجی. نورون دارای دو حالت می‌باشد، حالت آموزش و حالت عملکرد. در حالت آموزش نورون یاد می‌گیرد که در مقابل الگوهای ورودی خاص برانگیخته شود و یا در اصطلاح آتش کند. در حالت عملکرد وقتی یک الگوی ورودی شناسایی شده وارد شود، خروجی متناظر با آن ارائه می‌شود. اگر ورودی جزء ورودی‌های از پیش شناسایی شده نباشد، قوانین آتش برای بر انگیختگی یا عدم آن تصمیم گیری می‌کند.
از نورون‌های انسان تا نورون مصنوعی
با کنار گذاشتن برخی از خواص حیاتی نورون‌ها و ارتباطات درونی آنها می‌توان یک مدل ابتدایی از نورون را به وسیله کامپیوتر شبیه سازی کرد.
2-10-7- ساختار شبکه‌های عصبییک شبکه عصبی شامل اجزای سازنده لایه‌ها و وزن‌ها می‌باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکه‌های عصبی سه نوع لایه نورونی وجود دارد:
لایه ورودی: دریافت اطلاعات خامی که به شبکه تغذیه شده‌است.
لایه‌های پنهان: عملکرد این لایه‌ها به وسیله ورودی‌ها و وزن ارتباط بین آنها و لایه‌های پنهان تعیین می‌شود. وزن‌های بین واحدهای ورودی و پنهان تعیین می‌کند که چه وقت یک واحد پنهان باید فعال شود.
لایه خروجی: عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی می‌باشد.
شبکه‌های تک لایه و چند لایه‌ای نیز وجود دارند که سازماندهی تک لایه که در آن تمام واحدها به یک لایه اتصال دارند بیشترین مورد استفاده را دارد و پتانسیل محاسباتی بیشتری نسبت به سازماندهی‌های چند لایه دارد. در شبکه‌های چند لایه واحدها به وسیله لایه‌ها شماره گذاری می‌شوند (به جای دنبال کردن شماره گذاری سراسری).
هر دو لایه از یک شبکه به وسیله وزن‌ها و در واقع اتصالات با هم ارتباط می‌یابند. در شبکه‌های عصبی چند نوع اتصال و یا پیوند وزنی وجود دارد: پیشرو: بیشترین پیوندها از این نوع است که در آن سیگنال‌ها تنها در یک جهت حرکت می‌کنند. از ورودی به خروجی هیچ بازخوردی (حلقه) وجود ندارد. خروجی هر لایه بر همان لایه تاثیری ندارد.
پسرو: داده‌ها از گره‌های لایه بالا به گره‌های لایه پایین بازخورانده می‌شوند.
جانبی: خروجی گره‌های هر لایه به عنوان ورودی گره‌های همان لایه استفاده می‌شوند. ] 10[
2-10-8- تقسیم بندی شبکه‌های عصبیبر مبنای روش آموزش به چهار دسته تقسیم می‌شوند:
وزن ثابت: آموزشی در کار نیست و مقادیر وزن‌ها به هنگام نمی‌شود. کاربرد: بهینه سازی اطلاعات (کاهش حجم، تفکیک پذیری و فشرده سازی) و حافظه‌های تناظری
آموزش بدون سرپرست: وزن‌ها فقط بر اساس ورودی‌ها اصلاح می‌شوند و خروجی مطلوب وجود ندارد تا با مقایسه خروجی شبکه با آن و تعیین مقدار خطا وزن‌ها اصلاح شود. وزن‌ها فقط بر اساس اطلاعات الگوهای ورودی به هنگام می‌شوند. هدف استخراج مشخصه‌های الگوهای ورودی بر اساس راهبرد خوشه یابی و یا دسته‌بندی و تشخیص شباهت‌ها (تشکیل گروه‌هایی با الگوی مشابه) می‌باشد، بدون اینکه خروجی یا کلاس‌های متناظر با الگوهای ورودی از قبل مشخص باشد. این یاد گیری معمولاً بر پایه شیوه برترین هم خوانی انجام می‌گیرد. شبکه بدون سرپرست وزن‌های خود را بر پایه خروجی حاصل شده از ورودی تغییر می‌دهد تا در برخورد بعدی پاسخ مناسبی را برای این ورودی داشته باشد. در نتیجه شبکه یاد می‌گیرد چگونه به ورودی پاسخ بدهد. اصولاً هدف این است که با تکنیک نورون غالب نورونی که بیشترین تحریک آغازین را دارد برگزیده شود. بنابر این در شبکه‌های بدون سرپرست یافتن نورون غالب یکی از مهمترین کارها است.
آموزش با سرپرست: به ازای هر دسته از الگوهای ورودی خروجی‌های متناظر نیز به شبکه نشان داده می‌شود و تغییر وزن‌ها تا موقعی صورت می‌گیرد که اختلاف خروجی شبکه به ازای الگوهای آموزشی از خروجی‌های مطلوب در حد خطای قابل قبولی باشد. در این روش‌ها یا از خروجی‌ها به وزن‌ها ارتباط وجود دارد یا خطا به صورت پس انتشار از لایه خروجی به ورودی توزیع شده‌است و وزن‌ها اصلاح می‌شوند. هدف طرح شبکه‌ای است که ابتدا با استفاده از داده‌های آموزشی موجود، آموزش ببیند و سپس با ارائه بردار ورودی به شبکه که ممکن است شبکه آن را قبلاً فراگرفته یا نگرفته باشد کلاس آن را تشخیص دهد. چنین شبکه‌ای به طور گسترده برای کارهای تشخیص الگو به کار گرفته می‌شود.
آموزش تقویتی: کیفیت عملکرد سامانه به صورت گام به گام نسبت به زمان بهبود می‌یابد. الگوهای آموزشی وجود ندارد اما با استفاده از سیگنالی به نام نقاد بیانی از خوب و یا بد بودن رفتار سامانه بدست می‌آید (حالتی بین یادگیری با سرپرست و بدون سرپرست).
2-10-9- کاربرد شبکه‌های عصبیشبکه‌های عصبی مصنوعی دارای دامنه کاربرد وسیعی می‌باشند از جمله سامانه‌های آنالیز ریسک، کنترل هواپیما بدون خلبان، آنالیز کیفیت جوشکاری، آنالیز کیفیت کامپیوتر، آزمایش اتاق اورژانس، اکتشاف نفت و گاز، سامانه‌های تشخیص ترمز کامیون، تخمین ریسک وام، شناسایی طیفی، تشخیص دارو، فرایندهای کنترل صنعتی، مدیریت خطا، تشخیص صدا، تشخیص هپاتیت، بازیابی اطلاعات راه دور، شناسایی مین‌های زیردریایی، تشخیص اشیاء سه بعدی و دست نوشته‌ها و چهره و... در کل می‌توان کاربردهای شبکه‌های عصبی را به صورت زیر دسته بندی کرد: تناظر (شبکه الگوهای مغشوش وبه هم ریختهرا بازشناسی می‌کند)، خوشه یابی، دسته بندی، شناسایی، بازسازی الگو، تعمیم دهی (به دست آوردن یک پاسخ صحیح برای محرک ورودی که قبلاً به شبکه آموزش داده نشده)، بهینه سازی. امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو که خود شامل مسائلی مانند تشخیص خط، شناسایی گفتار، پردازش تصویر و مسائلی از این دست می‌شود و نیز مسائل دسته بندی مانند دسته بندی متون یا تصاویر، به کار می‌روند. در کنترل یا مدل سازی سامانه‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور(کنترل‌کننده موتور) از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت. کاربرد مناسب تر شبکه عصبی ( در مقایسه با روش هایی از قبیل PID )برای کنترل یک سیستم دور موتور در برابر تغییرات ناگهانی بار و زمان پاسخ دهی نیز مطرح شده است .
2-10-10- معایب شبکه‌های عصبیبا وجود برتری‌هایی که شبکه‌های عصبی نسبت به سامانه‌های مرسوم دارند، معایبی نیز دارند که منبع علمی مقالهگران این رشته تلاش دارند که آنها را به حداقل برسانند، از جمله:
قواعد یا دستورات مشخصی برای طراحی شبکه جهت یک کاربرد اختیاری وجود ندارد.
در مورد مسائل مدل سازی، صرفاً نمی‌توان با استفاده از شبکه عصبی به فیزیک مساله پی برد. به عبارت دیگر مرتبط ساختن پارامترها یا ساختار شبکه به پارامترهای فرایند معمولاً غیر ممکن است.
دقت نتایج بستگی زیادی به اندازه مجموعه آموزش دارد.
آموزش شبکه ممکن است مشکل ویا حتی غیر ممکن باشد.
پیش بینی عملکرد آینده شبکه (عمومیت یافتن) آن به سادگی امکان پذیر نیست. ]11[
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبیخطا در داده های آموزشی وجود داشته باشد. مثل مسائلی که داده های آموزشی دارای نویز حاصل از دادهای سنسورها نظیر دوربین و میکروفن ها هستند.
مواردی که نمونه ها توسط مقادیر زیادی زوج ویژگی-مقدار نشان داده شده باشند. نظیر داده های حاصل از یک دوربین ویدئوئی.
تابع هدف دارای مقادیر پیوسته باشد.
زمان کافی برای یادگیری وجود داشته باشد. این روش در مقایسه با روشهای دیگر نظیر درخت تصمیم نیاز به زمان بیشتری برای یادگیری دارد.
نیازی به تعبیر تابع هدف نباشد. زیرا به سختی میتوان اوزان یادگرفته شده توسط شبکه را تعبیر نمود. ]13[
پرسپترون
نوعی از شبکه عصبی برمبنای یک واحد محاسباتی به نام پرسپترون ساخته میشود. یک پرسپترون برداری از ورودیهای با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودیها را محاسبه میکند. اگر حاصل از یک مقدار آستانه بیشتر بود خروجی پرسپترون برابر با 1 و در غیر اینصورت معادل -1 خواهد بود.
2798859258031

شکل 2-1- پرسپترون یک لایه
2-11- یادگیری یک پرسپترونخروجی پرسپترون توسط رابطه زیر مشخص میشود :
453199511650(1)
0(1)

منبع علمی مقاله user863

1-1-2 سخت افزارهای استفاده شده در این مطالعاتدر 6 مطالعه از موس و trackball برای ورود داده استفاده شده ]14-20[.
ضمنا در سه مطالعه از صفحات لمسی نیز استفاده شده ]21-23[.
و در یک تحقیق از دستگاه تولید و بازشناسی گفتاراستفاده شده است ]24[.
1-2-2 نرم افزارهای استفاده شده در این مطالعات در 6 مطالعه از نرم افزار های خاص برای آموزش طراحی شده اند و در بقیه از ابزار عمومی در دسترس استفاده شده است.
در 3 مطالعه از برنامه project stop استفاده شده است.
در 2 مصالعه از برنامه I can !Daily living & community skill استفاده شده است.
در یک مطالعه از برنامه ATM Sim استفاده شده است.
در 5 مطالعه هم از ابزار تجاری در دسترس مانند Hyper Studio و پاورپوینت و Windows Movie Maker استفاده شده است.
3-1-2 مهارت های آموزش داده شده
خرید از خواربار فروشی
آماده کردن غذا
استفاده از ATM
استفاده از کارت دبیت
سفارش در رستوران
استفاده از وسایل حمل ونقل عمومی
4-1-2 مشکلات موجود در این مطالعاتتعداد افراد شرکت کنند در این مطالعات کم بوده است
نرم افزار های خاص که برای افراد کم توان هوشی طراحی شده از نظر تجاری در دسترس نیست.
نرم افزار ها طراحی شده توسط ابزار عمومی، در بازار موجود هستند، اما در این نرم افزار ها موفقیت بیشتر وابسته به کیفیت ارائه و دانش ارائه دهنده است تا خود نرم افزار.
عدم دسترسی به نرم افزار های CBI به صورت تجاری مانع بالقوه برای پذیرش و استفاده از CBI توسط پزشکان و معلمین است.
یک نگرانی استفاده از CBI قابلیت تعمیم مهارت از محیط کامپیوتر به محیط طبیعی است. می توان از وسایل پویا و قابل حمل مانند کامپیوتر دستی برای آموزش در محیط طبیعی برای کاهش نگرانی مربوط به تعمیم می توان استفاده کرد ]3[.
2-2 آموزش مهارت های پولی به افراد ناتوان ذهنی با مروری بر ادبیات گذشته مشاهده می شود چهار جزء ابتدایی در برنامه آموزشی پول وجود دارد شامل: ارزش پول، جمع کردن پول، انتخاب پول(انتخاب گروهی از پول ها برای رسیدن به ارزش مشخص)، بهروری در انتخاب پول(انتخاب پول کمتر برای بدست آوردن ارزش مشخص)]5[.
27 مطالعه آموزش مهارت های پولی به افراد ناتوان ذهنی را بررسی کردیم، در این مطالعات مهارت های پولی شامل 5 نوع مهارت به شرح زیر می باشد.
دانستن اینکه چقدر پول دارید(computation)
دانستن چگونگی بدست آوردن پولbanking))
دانستن اینکه چقدر پول می توانی خرج کنی (budgeting)
دانستن اینکه چقدر از پول را خرید کردند (purchasing)
دانستن اینکه چطور از پول برای به دست آوردن پول بیشتر باید استفاده کنی (saving)
از بین این 27 مطالعه بیشتر آنها بر روی آموزش خرید (51%) تمرکز کردن و تعداد کمی از مطالعات روی چگونه بدست آوردن پول(11%) و یک مطالعه روی اینکه چقدر از پول خود را خرج کردی تمرکز کرده است و دو مطالعه هم روی چگونگی ذخیره کردن پول تمرکز کردن. برای آموزش مهارت های پولی نقطه شروع مناسب آموزش خرید می باشد زیرا باعث ایجاد ارتباطات طبیعی می شود ]7[. خلاصه ای از این تحقیقات در جدول 1 آمده است.
جدول SEQ جدول * ARABIC 1:مقایسه مدلهای ارائه شده قبلی برای افزایش مهارتهای مالی برای افراد ناتوان ذهنیمطالعه شرکت کننده مهارت اولیه مهارت مورد هدف مداخله نتیجه بلافاصله تعمیم
Aeschlemen &
Schladenhauffen
]25[ تعداد=4
سن=17-18
=IQ27-35 ناتوان ذهنی شدید محل=کلاس، مغازه ندارد شمارش تا 1$ آموزش حفظی، مثال ازگروه غذایی، اجرای نقش، آموزش در محیط طبیعی آموزش حفظی تاثیر ناچیز داشته، امتیاز بعد از اجرای نقش افزایش داشته بیشتر اجزای مهارت دارای تعمیم کم در 2 محیط جدید داشتن
Alcatara
]27[ تعداد=3، سن=8.9
IQ=گذارش نشده، اوتیسم ،کم توان هوشی خفیف، محل= سه مدرسه گذارش نشده دادن پول اجناس از قبل انتخاب شده به فروشنده نوار دیداری از بسته آموزشی نوار دیداری و آموزش در محیط طبیعی بدست امده است. افزایش سطح مهارت در سومیم مغازه تمرین نشده
Broakove & Cuvo
]28[ تعداد=14
سن= میانگین 15، IQ=46، محل= خانه ،مدرسه شمارش 1 یا 5 تا 100 گفتن نام و ارزش سکه ها شمارش سکه ها جابجا کردن هنگام شمارش ، جابجا نکردن جابجا کردن نیاز به تمرین و زمان آموزش کم دارد تعمیم کم برای هر یک از فرایند ها
Colyer & Collins
]29[ تعداد=4، سن=12
IQ=40-60، کم توان هوشی میانه و خفیف، محل= کلاس، 9 مغازه، دفتر معلم توانایی تشخیص بین پول5$ و 10$ و توانایی شمارش تا 15 شمردن اسکناس 1$،معادل 5$ و10$، به همراه بازخورد سیستم دارای کمترین اعلان وباز خورد یاد دهنده برای آموزش استراتژی دولار بعدی 3 نفر از 4 شرکت کننده مهار شدن 3 نفر از4 شرکت کننده به صورت درست از استراتژی دولار بعدی در جریان جلسه بررسی استفاده کردن
Cuvo
و همکارانش
]30[ تعداد=20، سن= 17-35
IQ= گذارش نشده
کم تون هوشی میانه محل=کلاس استفاده از ماشین حساب برای جمع و تفریق، شخصی سازی سیستم آموزش پس انداز کردن، پرداخت صورت حساب، توانایی مرتب کردن پول استفاده از کتاب کار تجمیعی، کتاب کار پراکنده هر دو روش بهبود بخش بوده . گذارش نشده
مطالعه شرکت کننده مهارت اولیه مهارت مورد هدف مداخله نتیجه بلافاصله تعمیم
Cuvo
و همکارانش
]31[ تعداد=3، سن=13-17
IQ= 45-56
ناتوان ذهنی خفیف، مکان= آموزشگاه دانستن نام، ارزش و جمع 5 سکه، تساوی از ترکیب و ارزش قیمت نشانه ها مبادله با استفاده از سکه ها آموزش کلاس مورد هدف با مدلسازی تقریبا اجرای ماهرانه درجه مختلف تعمیم
Denny &Test
]32[ تعداد=3، سن=17
IQ= 39=72
ناتوان ذهنی میانه و خفیف، مکان= کتابخانه و مغازه گذارش نشده استفاده از استراتژی دلار بعدی مهارت یکی بیشتر ،تبدیل"cents-pile" شرکت کنندگان در مهارت یکی بیشتر مهار شدن تمام شرکت کنندگان پول را شمارش کردن و خرید انجام دادن
Sandknop,
و همکارانش
]33[ تعداد=4
سن=14-18
IQ=40-45
ناتوان ذهنی خفیف/ شدید
مکان=کلاس، مغازه تشخیص اعداد 1- 10، انتخاب اجناس، استفاده از ماشین حساب، استفاده از استراتژی یک دلار بعدی انتخاب جنس با کمترین قیمت با استفاده از تطبیق شماره خط ثابت کردن زمان معطلی فرایند (0تا5 ثانیه)، تقویت نشانه ها همه دانش آموزان مهارت ها را کسب کردن تعمیم مهارت از کلاس به مغازه به درستی
Schloss
و همکارانش
]34[ تعداد=1
سن=16
IQ=32
ناتوان ذهنی شدید
مکان= سالن بازی بولینگ توانایی دنبال کردن راهنمایی کلامی استفاده از 1$ برای پرداخت بازی و انتظار برای باقی مانده پول آموزش ترتیبی و اصولی، خطای سیستمایک، تصحیح فرایند مهارت را با 6 هفته آموزش به سرعت یاد گرفتن تعمیم مهارت
Schloss
و همکارانش
]31[ تعداد=6
سن=14-17
IQ=32-52
ناتوان ذهنی خفیف
مکان=کلاس،مغازه تشخیص اعداد بین 0 تا 5،
نشان دادن همبستگی 1:1
1-5،نوشتن وجمع و تفریق خرید بوسیله استراتژی دلار بعدی و" کارت های پول" اموزش از طریق همسالان برای استفاده از استراتژی دلار بعدی همه دانش اموزان در استراتژی دلار بعدی ماهر شدن تعمیم مهارت برای خرید در تنضیمات شخصی شده
Shafer
و همکارانش
]35[ تعداد=1
سن=25
IQ=46
سندروم دان
مکان=خانه، بانک توانایی تمایز قائل شدن بین اعداد انجام مهارت بدست آوردن پول اعلان صوتی، شبیه سازی ماشین بانک، 5تمرین برای آموزش شرکت کنندگان در تمام مهارت های آموز داده شده مهار شدن آموزش تعمیم مهارت به محیط طبیعی
مطالعه شرکت کننده مهارت اولیه مهارت مورد هدف مداخله نتیجه بلافاصله تعمیم
Frank & Macfarland
]36[ تعداد=43
سن=9
IQ=72
کم توان هوشی میانه محل=کلاس تست مهارت های مورد نیاز شمارش و شناسایی سکه ها آموزش تقابل یک به یک در شمارش سکه ها آموزش تقابل یک به یک در گروه بزرگ تر جواب به گروه های تمرین شده بهتر از گروه های تمرین نشده
Frank &Wacker
]37[ تعداد=4

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

سن=11-13
IQ=58-70
ناتوان ذهنی متوسط
محل=کلاس گذارش نشده شمارش سکه ها با استفاده از کارت های حاوی شماره برای خرید استفاده از کارت های متناظر با سکه ها برای خرید مهارت همه سکه ها را کسب کردن شرکت کنندگان مهارت را به دیگر سکه ها تعمیم دادن
Frederick
و همکارانش
]38[ تعداد=2
سن=18-20
IQ=36-40
کم توان هوشی خفیف
مکان=کتابخانه،2 تا مغازه وصل کردن 4 شماره نوشته شده روی کارت یا اعداد در ماشین حساب به تصویر پول ها، پیدا کردن برچسب قیمت استفاده از ماشین حساب برای خرید زمان معطلی پیش رونده، ارزیابی عمومی در موقعیت های و اجناس تمرین نشده هر سه شرکت کننده به سرعت در هر سه عملیات ماهر شدن خرید کردن را از محیط تمرین شده به محیط تمرین نشده تعمیم دادن
Gardill &Browder
]39[ تعداد=3
سن=12-13
IQ=45-57
محل =کلاس، کافیتریا، مغازه و رستوران دانستن مبادله تبدیل پول برای خرید اجناس در رستوران انتخاب بین 3 دسته پول برای خرید فروی 1-جور کردن نمونه
2-استفاده از زمان معطلی
3-تمرین مثال هر سه شرکت کننده تسلط پیدا کردن روی هر سه کلاس دو نفر از سه شرکت کننده مهارت را در جامعه تعمیم دادن و سومین شرکت کننده به صورت جزئی تعمیم داده است
Gaule
و همکارانش
]40[ تعداد=3
سن=17-20
IQ=33-36
ناتوان ذهنی خفیف
محل=کلاس، مغازه دانستن نام ،ارزش سکه ها و توانایی شمارش تا 15 استفاده از نظریه تطبیق برای خرید جناس از خواربار فورشی هر مرحله از خطا دارای کمترین اعلان تصحیح روش کار است هر سه شرکت کننده مهارت را کسب کردن هر سه شرکت کننده مهارت را به مغازه تعمیم دادن
Haring
وهمکارانش
]41[ تعداد=3
سن=20
IQ=گذارش نشده
اوتیسم
مکان=3مدرسه، انجمن گذارش نشده مبادله پول برای خرید کمترین اعلان، نوار ویدیو شامل سوال دو نفر از شرکت کنندگان به سرعت در دادن جواب پیشرفت کردن، نفر سوم بعد از
گذشت 2 هفته پیشرفت کرد. تعمیم به 3 مغازه جدید
مطالعه شرکت کننده مهارت اولیه مهارت مورد هدف مداخله نتیجه بلافاصله تعمیم
LaCampagne
&Cipani
]42[ تعداد=4
سن=24-35
IQ=58=78
کم تون ذهنی متوسط
مکان=کلاس توانایی نوشتن چک به تفضیل نوشتن چک زنجیره ترتیبی، روش وظایف جزئی تقریبا تمام شرکت کنندگان جواب بدون اشتباه داشتن تعمیم به صورت حساب های دیگر و داشتن خطای کم در محیط
Llorente &
Gaffan
]43[ تعداد=5
سن=30-58
IQ= گذارش نشده
ناتوان ذهنی شدید، میانه، خفیف
مکان=اتاق خواب، محیط مسکونی توانایی شمردن، خواندن اعداد و دادن پول بیشتر از تقاضا شناسایی نوع سکه ها و قضاوت در مورد ارزش اعتباری انها تشخیص نام و ارزش پول با استفاده از بازخورد درست، با مثال و بدون مثال همه شرکت کنندگان بعد از آموزش نام، ارزش سکه های مورد هدف را شناسایی کردن تعمیم مهارت به سکه های تمرین نشده
Marholin
و همکارانش
]44[ تعداد=4
سن= 39-63
IQ=25-33
مکان=اتوبوس، مرکز خرید گذارش نشده خرید اجناس و پرداخت پول اعلان، مدل، بازخورد تمرین وتکرار رفتار
هر سه شرکت کننده ماهر شده در خرید از رستوران تعمیم مهارت خرید از رستوران به دیگر رستورانها
Matson
]45[ تعداد=20
سن=24-48
IQ=گذارش نشده
کم توان هوشی متوسط
مکان=2مغازه، کلاس داشتن تحصیلات پایه و مهارت خرید دادن پول اضافه به صندوق دار و گرفتن بقیه آن آموزش در محیط طبیعی، خود ارزیابی، بازخورد، تقویت اجتماعی آموزش مهارت ها را بهبود بخشیده تعمیم مهارت به دیگر مغازه ها
Matson &Long
]46[ تعداد=3
سن=32-53
IQ=53-69
کم تان هوشی متوسط و خفیف
مکان= کلاس و2مغازه مهارت کمک به خود، شمارش تا 100، شمارش پول، خواندن قیمت و کلمه استفاده از ماشین حساب برای خرید و دادن یک دلار بیشتر به صندوق دار آموزش خرید، استفاده از ماشین حساب، بازخورد، خود ارزیابی افزایش مهارت تمام شرکت کنندگان تعمیم مهارت به دیگر مغازه ها
McDonnell
]47[ تعداد=4
سن=16-18
IQ=10-34
کم توان هوشی شدید
مکان=رستوران و مغازه گذارش نشده خرید تنقلات کمتر از 1$ زمان معطلی ثابت افزایش اعلان ها با مهار شدن در خرید زمان تاخیر کاهش یافته گذارش نشده
مطالعه شرکت کننده مهارت اولیه مهارت مورد هدف مداخله نتیجه بلافاصله تعمیم
McDonnell
&Ferguson
]48[ تعداد=6
سن=11-14
IQ=43=54
ناتوان ذهنی خفیف و شدید
مکان=کلاس،6 رستوران توانایی شناسایی اعداد بین 0-9و شمارش تا 10 استفاده از استراتژی دلار بعدی برای خرید در رستوران آموزش در محیط طبیعی یا آموزش در محیط شبیه سازی شده از محیط طبیعی هر دو استراتژی عمومیت داشتن هر دو استراتژی به 3 رستوران دیگر تعمیم پیدا کردن
McDonnell
&Ferguson
]49[ تعداد=4
سن=15-19
IQ=39-48
ناتوان ذهنی خفیف
مکان=2 بانک توانایی ترکیب سکه ها و پول ها برای بدست اوردن ارزش کمتر از 20$ نقد کردن چک، استفاده از ماشین تحویل دار خودکار کاهش اعلان ها و زمان معطلی کاهش اعلان ها اثر بیشتری روی عملکرد داشته تا کاهش زمان معطلی گذارش نشده
McDonnell
و همکاران
]50[ تعداد=4
سن=16-19
IQ=36-50
ناتوان ذهنی خفیف و شدید
مکان=کلاس،6 مغازه غذا توانایی شمارش از 1 تا 10 و تشخیص اعدادبین 0-9 خرید کردن با استفاده از استراتژی دلار بعدی 1-اجرای نقش بوسیله کارتها
2- اجرای نقش بوسله اسلاید
3-اجرای نقش بوسله اسلاید و آموزش در مغازه اموزش اسلاید و اموزش در محیط طبیعی باعث بهوبد عملکرد دانش آموزان و خطای کمتر شده است ترکیب اسلاید ها و استراتژی آموزش در محیط طبیعی باعث بهبود عملکرد در مغازه های دیگر شده
McDonnell &
Laughlin
]51[ تعداد=4
سن=26-43
IQ=گذارش نشده
مکان=مغازه و رستوران توانایی استفاده از عبارات ساده خرید دو قلم جنس از مغازه یا رستوران اموزش زنجیره ای کسب توانایی گذارش نشده
Nietupski
و همکاران
]52[ تعداد=4
سن=7-10
IQ=44-51
ناتوان ذهنی متوسط
مکان=2مدرسه ومرکز خرید توانایی تمایز قائل شده، نام، ارزش و برچسب سکه ها تا شماره 100 استفاده از کارت ها برای اعلان تصویری برای استفاده از وندینگ ماشین برای خرید استفاده از سکه های کارتی، وصل کردن قیمت صحیح، گذاشتن تبدیل درست روی کارت سکه همه دانش آموزان مهارت استفاده از وندینگ ماشین را یاد گرفتن کاهش ناچیز عملکرد وظایف هر مرحله
Nietupski,
و همکارانش
]53[ تعداد=16
سن=14-21
IQ=32-57
کم توان هوشی خفیف و شدید
مکان=اداره و مغازه تشخیص نام، ارزش سکه ها و شمارش پنی تا 17ونام اعداد0تا9 استفاده از ماشین حساب برای خرید و کارت های تصویری برای محاسبه مالیات مربی از کمترین اعلان ها را فراهم می کند شرکت کنندگان 1 تا 4 مهارت را کسب کردن تعمیم به تمام مغازه ها ،تمرین اصلاحی کم
در بیشتر مطالعات از ترکیب کلاس درس آموزش استثنایی با آموزش مبتنی بر تعامل در جامعه استفاده کردن(74%). از رهنمود متنوع برای آموزش استفاده شده است. تقریبا در 30 % از مطالعات از رهنمود های دائمی که به طور اساسی و مناسب ایجاد شده اند استفاده کرده اند. رهنمود ها استفاده شده عبارت است از:
یکی از این رهنمود ها استفاده از ماشین حساب است.
رهنمود دیگر استفاده از تطبیق شماره خط ها است که اجازه مقایسه قمیت کالا ها را میدهد برای انتخاب کالا با قیمت کمتر
رهنمود دیگر استفاده از کارت های تطابق سکه مناسب برای یک وندینگ ماشین است.
استراتژی بعدی برای آسان کردن آموزش مهارت پول استفاده از استراتژی دلاری بعدی یا استراتژی یکی بیشتر است. در این استراتژی شرکت کنندگان یاد می گیرند که چگونه قیمت کالا را رند کنند.
در بعضی از تحقیقات برای آموزش مهارت های پول در فعالیت های اجتماعی از نوار ویدویی و اسلاید های آموزشی که محیط خرید را شبیه سازی می کنند، استفاده کرده اند.
یکی دیگر از روش های آموزشی پول استفاده از تصویر سکه و اسکناس ها و مقایسه آن ها است. در گسترش این متدWunderlich روش وصل کردن نمونه ها را برای آموزش تمایز بین پنج سکه های امریکایی ایجاد کرد.
در سال 1975 Bellamy به افراد بالغ ناتوان ذهنی مهارت شمارش پول را آموزش داد. در این روش با مهارت شمارش طوطی وار اعداد شروع می شود و به شناسایی سکه ها وشمارش سکه ها ختم می شود.
چالش اصلی در این مطالعات تعداد کم شرکت کنندگان است. در بیشتر این مطالعات تعداد شرکت کنندگان کمتر از 6 نفر بوده است. چالش دیگر وابسته بودن این استراتژی ها به مربی که این آموزش را به کودکان ناتوان ذهنی می دهد است، تمام روش های گفته شده بالا مربی محور می باشد و یادگیری مستقل بدون نیاز به مربی را فراهم نمی کنند و این باعث محدود شدن زمان یادگیری به مدرسه می شود.
3-2 جمع بندی در این فصل تحقیقات پیشین در زمینه آموزش مهارت پولی و روش CBI برای آموزش مهارت های زندگی روزانه به افراد ناتوان ذهنی بررسی شده است. چالش اصلی در این مطالعات تعداد کم شرکت کنندگان می باشد. با توجه به بررسی های صورت گرفته CBI روش موثری برای آموزش مهارت های پولی به افراد ناتوان ذهنی می باشد. در این تحقیق روش های گفته شده برای آموزش مهارت پولی به افراد ناتوان ذهنی با هم ترکیب شده و تحت نرم افزار برای آموزش مهارت پولی به افراد ناتوان ذهنی در فصل بعد ارائه شده است.
فصل سوم
روش پیشنهادی
در این فصل مدل ارائه شده برای آموزش مهارت پولی به افراد ناتوان ذهنی را توضیح خواهیم داد. و آن را روی جمعیت آماری خود بررسی خواهیم کرد.
1-3 شرکت کنندگان 20 دانش آموز ناتوان ذهنی در این تست شرکت کرده اند. مهارت اولیه مورد نیاز برای شرکت کنندگان در این تحقیق داشتن مهارت بر روی ریاضیات پایه می باشد. مهارت ریاضیات پایه شامل :
شمارش طوطی وار اعداد
تشخیص اعداد
ترتیب اعداد
شناختن یک واحد بیشتر
جمع اعداد
هر چه دانش آموز مهارت بیشتری بر روی ریاضیات پایه داشته باشد، مدت زمان آموزش وی کمتر بوده است و نتیجه بهتری را از آموزش گرفته می شود. شرکت کنندگان شامل 15 دختر و 5 پسر ناتوان ذهنی می باشند با دامنه هوشی بین 50 تا 70 می باشد، بهره هوشی شرکت کنندگان طبق برآورد واحد سنجش آموزش و پرورش استثنایی استان فارس بدست آمده است. پنج نفر از دختران در مقطع سوم راهنمایی، پنج نفر در مقطع دوم راهنمایی و پنج نفر دیگر در مقطع ششم ابتدایی تحصیل می کنند. پنج پسر شرکت کننده در مقطع ششم ابتدایی تحصیل می کنند. تصاویری از دانش آموزان در شکل 1 نمایش داده شده است.

شکل ها SEQ شکل_ها * ARABIC 1:تصاویری از شرکت کنندگان در تحقیق2-3 اهداف هدف اصلی این تحقیق ارائه مدلی مبتنی بر کامپوتر برای آموزش مهارت استفاده از پول برای خرید به دانش آموزان ناتوان ذهنی می باشد. که به هدف های فرعی به شرح زیر تقسیم می شود.
تبدیل ریال به تومان
شناسایی پول ها و ارزش آن ها
شمارش پول های دارای ارزش یکسان
ترکیب پول ها با ارزش مختلف
خرید کالا و گرفتن باقی مانده پول
3-3 مکان و امکانات لازم
مدل ارائه شده تحت نرم افزار آموزش مهارت های پولی در مدرسه راهنمایی و ابتدایی گلشن، بر روی بیست نفر از دانش آموزان ناتوان ذهنی این مدرسه تست شد است . برای این تست، چند دستگاه کامپیوتر دارای ویندوز XP به بالا مورد نیاز می باشد. که مدرسه، آنها را در اختیار دانش آموزان قرار داده است. همچنین برنامه در اختیار دانش آموزانی که در منزل به کامپیوتر دسترسی داشتند، قرار داده شد تا در منزل از آن برای آموزش سریع تر و بهتر استفاده کنند.
4-3 شیوه آموزش تحقیقات صورت گرفته تا کنون برای آموزش مهارت های پولی به کودکان ناتوان ذهنی بر روی واحد پولی دلار بوده است. برای آموزش پول به کودکان ایرانی روش های گفته شده را با پول ایرانی تطبیق داد شد. برای اینکه آموزش داده شده مداوم و دارای اثر بخشی بیشتر باشد، روش های آموزش موجود با هم ترکیب شده است و روش جدیدی برای پول ایرانی ایجاد شده است. آموزشی که در مدارس استثنایی به کودکان داده می شود، به علت زمان کم و عدم همکاری والدین در تکرار و تمرین آموزش داده شده، پایدار نبوده است و عملاً کودکان مهارت استفاده از پول را پیدا نمی کنند. با طراحی نرم افزار مبتنی بر مدل ارائه شده در این تحقیق، امکان تکرار وتمرین، مهارت و شبیه سازی آن برای کودکان فراهم شده است. دانش آموزان می توانند چه در مدرسه و چه در خانه مهارت مورد نظر را تمرین کنند. همین طور که در بیشتر آموزش های پول به کودکان ناتوان ذهنی فرض شده است، آن ها بر ریاضیات پایه تسلط دارند، این نرم افزار برای کودکان ناتوان ذهنی طراحی شده است، که بر ریاضیات پایه تسلط دارند. مدل ارائه شده به صورت مرحله به مرحله طراحی شده است، پس از اتمام هر مرحله نرم افزار به صورت خودکار وارد مرحله بعد می شود. در شکل 2 مراحل آن نشان داده شده است.
شناسایی انواع پول ها
تبدیل ریال به تومان

ارزش پول

خرید کالا

جمع پول های دارای ارزش یکسان

جمع پول های دارای ارزش متفاوت

ترکیب اعداد

محاسبه میزان باقی مانده

شکل ها SEQ شکل_ها * ARABIC 2: مراحل آموزش

در این روش حضور مربی در کنار دانش آموزان نیاز نیست. دانش آموز با وارد کردن نام کاربری و رمز عبوری که به او داده شده است وارد محیط نرم افزار می شود. شکل 3 صفحه اولیه نرم افزار را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 3: صفحه ورود کابر1-3-4 مراحل آموزش
مرحله اول آموزش تبدیل ریال به تومان و بعد از آن تمرین تبدیل ریال به تومان می باشد. در شکل 4 نمونه ای از این آموزش را مشاهده می کنید.

شکل ها SEQ شکل_ها * ARABIC 4:آموزش تبدیل ریال به تومانمرحله دوم شامل شناسایی پول ها و تمرین مربوط به آن می باشد. شکل 5 نمونه ای از تمرین شناسایی پول را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 5: تمرین شناسایی پولمرحله سوم آموزش و تمرین ارزش پول می باشد. شکل 6 نمونه از این آموزش را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 6:آموزش ارزش پولمرحله چهارم تمرین خرید کالا می باشد. شکل 7 نمونه ای از این تمرین را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 7:تمرین خرید کالامرحله پنجم آموزش و تمرین جمع پول های دارای ارزش یکسان و متفاوت است. در شکل 8 می توانید نمونه ای از این تمرین را مشاهد کنید.

شکل ها SEQ شکل_ها * ARABIC 8:جمع پول های دارای ارزش یکسانمرحله ششم آموزش و ترکیب اعداد 100 و 1000 می باشد. شکل 9نمونه ای از این آموزش را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 9: ترکیب های عدد 100مرحله اخر آموزش و تمرین خرید کالا و محاسبه میزان باقیمانده. شکل 10 نمونه ای از این تمرین را نشان می دهد.

شکل ها SEQ شکل_ها * ARABIC 10: تمرین محاسبه میزان باقی مانده5-3 جمع آوری و آنالیز داده ها ابتدا مهارت های اولیه دانش آموزان در استفاده از پول توسط تست اولیه که در شکل 11 نشان داده شده، سنجیده شده است. بعد کامپیوتر در اختیار هر یک از شرکت کنندگان قرار داده می شود تا نرم افزار تهیه شده را از ابتدا تا پایان دنبال کنند. بعد از اتمام برنامه دوباره تست اولیه از آنها گرفته می شود و نتایج را ارزیابی شده است. برای هر دانش آموز به طور جداگانه نمودار پیشرفت مهارت های ترسیم شده است. توسط آموزن تی موثر بودن مدل ارائه شده مورد ارزیابی قرار گرفته شده است.

شکل ها SEQ شکل_ها * ARABIC 11: تست گرفته شده از شرکت کنندگان در این نمودارها محور y ها پنج مهارت های ارزیابی شده نشان می دهد و محور X تعداد جواب صحیح دانش آموز به سوالات مربوط به هر مهارت در تست اولیه و تست پایانی می باشد.
نمودار های 1 الی 5 مربوط به دانش آموز دختر ناتوان ذهنی پایه سوم راهنمایی می باشد.
نمودار SEQ نمودار * ARABIC 1: نمودار مهارت های پولی برای فرزانه صفری با IQ=53 قبل و بعد از کار با نرم افزار
فرزانه دارای مهارت اولیه در تبدیل ریال به تومان و شناسایی پول ها بوده است. بعد از کار با این نرم افزار این دو مهارت را به صورت کامل کسب کرده و مهارت های دیگر خود را بهبود بخشده است.
نمودار SEQ نمودار * ARABIC 2 : نمودار مهارت های پولی برای فاطمه یزدان مهرIQ= 52 قبل و بعد از کار با نرم افزار

فاطمه به دارای مهارت اولیه در تبدیل ریال به تومان و شناسایی پول ها بوده است. بعد از کار با این نرم افزار این دو مهارت را به صورت کامل کسب کرده و مهارت های دیگر خود را بهبود بخشده است.
نمودار SEQ نمودار * ARABIC 3 : نمودار مهارت های پولی برای فاطمه ماندگار IQ=65 قبل و بعد از کار با نرم افزار

فاطمه دارای مهارت اولیه در تبدیل ریال به تومان و شناسایی پول ها بوده است. بعد از کار با این نرم افزار این دو مهارت را به صورت کامل کسب کرده و مهارت های دیگر خود را بهبود بخشده است.
نمودار SEQ نمودار * ARABIC 4 : نمودار مهارت های پولی برای ریحانه حیاتی IQ=52 قبل و بعد از کار با نرم افزار

ریحانه دارای مهارت اولیه نبوده است. بعد از کار با این نرم افزار مهارت تبدیل ریال به تومان و مهارت شناسایی پول ها را کاملا بدست آورده است. ولی به خاطر ضعف وی در ریاضیات سه مهارت دیگر را به صورت کامل بدست نیاورده است. ولی رشد خوبی در آن ها داشته.
نمودار SEQ نمودار * ARABIC 5 : نمودار مهارت های پولی برای سرور افشاری IQ=50 قبل و بعد از کار با نرم افزار

با وجود اینکه سرور دارای IQ=50 می باشد به دلیل داشتن پایه ریاضی خوب و کار با نرم افزار در منزل مهارت های را به صورت کامل کسب کرده است.
نمودار های 6 الی 10 مربوط به دانس آموز دختر ناتوان ذهنی پایه دوم راهنمایی می باشد.
نمودار SEQ نمودار * ARABIC 6 : نمودار مهارت های پولی برای نجمه محمدیIQ=57 قبل و بعد از کار با نرم افزار

مهارت های اولیه نجمه در سطح خوبی قرار داشته است. بعد از کار با نرم افزاردر مدت زمان کمی این مهارت را به طور کامل فرا گرفته است.
نمودار SEQ نمودار * ARABIC 7 : نمودار مهارت های پولی برای زینب صنعتIQ=50 قبل و بعد از کار با نرم افزار

زینب دارای مهارت اولیه در تبدیل ریال به تومان بوده است. بعد از کار با این نرم افزار این دو مهارت به صورت کامل کسب کرده است. دیگر مهارت وی در سطح پایین بوده است که بعد از آموزش به حد خوبی رسیده است.
نمودار SEQ نمودار * ARABIC 8 : نمودار مهارت های پولی برای زینب صادقی IQ=54 قبل و بعد از کار با نرم افزار

مهارت های اولیه زینب در سطح متوسط قرار داشته است. بعد از کار با نرم افزار این مهارت را به طور کامل فرا گرفته است.
نمودار SEQ نمودار * ARABIC 9 : نمودار مهارت های پولی برای فاطمه محمودیان IQ= 50 قبل و بعد از کار با نرم افزار

مهارت های اولیه فاطمه بسیار کم بوده است. بعد از کار با این نرم افزار مهارت تبدیل ریال به تومان و مهارت شناسایی پول ها را کاملا بدست آورده است. ولی به خاطر ضعف وی در ریاضیات سه مهارت دیگر را به صورت کامل بدست نیاورده است. ولی رشد خوبی در آن ها داشته و با تمرین بیشتر می تواند مهارت ها را به صورت کامل کسب کند.
نمودار SEQ نمودار * ARABIC 10: نمودار مهارت های پولی برای پریا عبدلی IQ=52 قبل و بعد از کار با نرم افزار

پریا دارای مهارت اولیه در تبدیل ریال به تومان بوده است. بعد از کار با این نرم افزار این مهارت به صورت کامل کسب کرده است. تمام مهارت های پولی را به طور کامل فرا گرفته است.
نمودار های 11-3 الی 15-3 مربوط به دانش آموز دختر ناتوان ذهنی پایه ششم ابتدایی می باشد.
نمودار SEQ نمودار * ARABIC 11: نمودار مهارت های پولی برای نجمه رحمانیان IQ=51 قبل و بعد از کار با نرم افزار

نجمه دارای مهارت اولیه در تبدیل ریال به تومان و شناسایی پول ها بوده است. بعد از کار با این نرم افزار این دو مهارت را به صورت کامل کسب کرده و مهارت های دیگر خود را بهبود بخشده است، این به خاطر ضعف وی در ریاضیات پایه می باشد.
نمودار SEQ نمودار * ARABIC 12: نمودار مهارت های پولی برای غزل پایدار IQ=62 قبل و بعد از کار با نرم افزار

مهارت های اولیه غزل در سطح خوبی قرار داشته است. بعد از کار با نرم افزاردر مدت زمان کمی این مهارت را به طور کامل فرا گرفته است. این به خاطر بهره هوشی و میزان تسلط وی بر ریاضیات می باشد.

منبع علمی مقاله user862

در دنیای کنونی مشکل کمبود اطلاعات نیست، بلکه مشکل کمبود دانشی است که از این اطلاعات می توان بدست آورد. میلیونها صفحه ی وب، میلیونها کلمه در کتابخانه‌های دیجیتال و هزاران صفحه اطلاعات در هر شرکت، تنها چند دست از این منابع اطلاعاتی هستند. اما نمی‌توان به طور مشخص منبعی از دانش را در این بین معرفی کرد. دانش خلاصه‌ی اطلاعات است و نیز نتیجه گیری و حاصل فکر و تحلیل بر روی اطلاعات.
داده کاوی، یک روش بسیار کارا برای کشف اطلاعات از داده‌های ساختیافته‌ای که در جداول نگهداری می‌شوند، است. داده کاوی، الگوها را از تراکنش‌ها، استخراج می‌کند، داده را گروه‌بندی می‌کند و نیز آنرا دسته‌بندی می‌کند. بوسیله‌ی داده کاوی می‌توانیم به روابط میان اقلام داده‌ای که پایگاه داده را پر کرده‌اند، پی ببریم. در عین حال ما با داده کاوی مشکلی داریم و آن عدم وجود عامیت در کاربرد آن است. بیشتر دانش ما اگر به صورت غیر دیجیتال نباشند، کاملاً غیر ساختیافته اند. کتابخانه‌های دیجیتال، اخبار، کتابهای الکترونیکی، بسیاری از مدارک مالی، مقالات علمی و تقریباً هر چیزی که شما می‌توانید در داخل وب بیابید، ساختیافته نیستند. در نتیجه ما نمی‌توانیم آموزه‌های داده کاوی را در مورد آنها به طور مستقیم استفاده کنیم. با این حال، سه روش اساسی در مواجهه با این حجم وسیع از اطلاعات غیر ساختیافته وجود دارد که عبارتند از: بازیابی اطلاعات، استخراج اطلاعات و پردازش زبان طبیعی.
بازیابی اطلاعات: اصولاً مرتبط است با بازیابی مستندات و مدارک. کار معمول دربازیابی اطلاعات این است که با توجه به نیاز مطرح شده از سوی کاربر، مرتبط ترین متون و مستندات و یا در واقع بقچه‌ی کلمه را ازمیان دیگر مستندات یک مجموعه بیرون بکشد. این یافتن دانش نیست بلکه تنها آن بقچه‌ای از کلمات را که به نظرش مرتبط‌تر به نیاز اطلاعاتی جستجوگر است را به او تحویل می‌دهد. این روش به واقع دانش و حتی اطلاعاتی را برایمان به ارمغان نمی‌آورد.
پردازش زبان طبیعی: هدف کلی پردازش زبان طبیعی رسیدن به یک درک بهتر از زبان طبیعی توسط کامپیوترهاست. تکنیک‌های مستحکم و ساده‌ای برای پردازش کردن سریع متن به کار می‌روند. همچنین از تکنیک‌های آنالیز زبان شناسی نیز برای پردازش کردن متن استفاده می‌شود.
استخراج اطلاعات: هدف روش‌های استخراج اطلاعات، استخراج اطلاعات خاص از سندهای متنی است. استخراج اطلاعات می‌تواند به عنوان یک فاز پیش پردازش در متن‌کاوی بکار برود. استخراج اطلاعات عبارتند از نگاشت کردن متن‌های زبان طبیعی (مثلا گزارش‌ها، مقالات journal، روزنامه‌ها، ایمیل‌ها، صفحات وب، هر پایگاه داده متنی و.....) به یک نمایش ساختیافته و از پیش تعریف شده یا قالب‌هایی که وقتی پر می‌شوند، منتخبی از اطلاعات کلیدی از متن اصلی را نشان می‌دهند. یکبار اطلاعات استخراج شده و سپس اطلاعات می‌توانند در پایگاه داده برای استفاده‌های آینده، ذخیره شوند.
کاربردهای متن کاوی
در این قسمت تعدادی از کاربردهای متن‌کاوری را بیان خواهیم کرد. امروزه با وجود حجم زیادی از اطلاعات متنی، متن‌کاوی از جمله روش های تحقیقی-تجاری می‌باشد که از اهمیت ویژه‌ای برخوردار است. همه شرکت‌های تجاری، تولید کنندگان کالاها، ارائه کنندگان خدمات و سیاست‌مداران قادرند با بهره‌گیری از فرایند متن‌کاوی دانش مفیدی را به عنوان بازخورد از کالا، خدمات و عملکرد خود دریافت کنند. از جمله کاربردهای متن کاوی می‌توان به موارد زیر اشاره نمود:
1.شناساییspam: آنالیز کردن عنوان و محتوای یک ایمیل دریافتی، برای تشخیص اینکه آیا ایمیل می‌تواند spam باشد یاخیر.
2 .نظارت :یعنی نظارت کردن رفتار شخص یا گروهی از انسان‌ها به صورت پنهان. پروژه‌ای به نام ENCODA تلفن، اینترنت و دیگر وسایل ارتباطی را برای شناسایی تروریسم نظارت می‌کند.
3. شناسایی نامهای مستعار: نام‌های مستعار در مراقبت‌های پزشکی برای شناسایی تقلب‌ها آنالیز می‌شوند. برای مثال یک صورت حساب ممکن هست با نام John Smith، J. Smith و Smith, John ارائه شود. از این طریق یا با استفاده از روش‌های دیگری مطالبه کنندگان امکان سوءاستفاده را خواهند یافت و مطالبات حق بیمه زیادی تحت نام‌های مستعار مختلف دریافت می‌کنند. استفاده از متن‌کاوی برای تشخیص این نام‌های مستعار می‌تواند در یافتن تقلب به شرکت‌های بیمه کمک فراوانی کند.

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

4.خلاصه سازی: منظور از خلاصه سازی، روند استخراج و ارائه مجموعه‌ای مفاهیم پایه‌ای از متن، تنها در چند خط است. این کار می‌تواند بررسی محتویات مستندات را برای کاربران ساده‌تر کند و آنها را در مسیر رسیدن به آنچه نیاز دارند، سرعت بخشد.
5. روابط میان مفاهیم: از جمله واقعیتهایی که می توان از یک مجموعه متون دریافت، ارتباط و وابستگی برخی مفاهیم با مفاهیم دیگراست. این واقعیات به طور مثال می‌تواند بگوید که پدیدار شدن بعضی کلمات ممکن است که وابسته باشد به ظاهر شدن بعضی دیگر از کلمات. منظور این است که هرگاه مجموعه ی اول کلمات را ببینیم، می‌توانیم انتظار داشته باشیم که مجموعه‌ی دوم لغات را نیز در ادامه مشاهده خواهیم کرد. این مفهوم نیز از داده کاوی در دیتابیس به امانت گرفته شده است.
6. یافتن وتحلیل رفتارها: برای شرح این کاربرد فرض کنید که مدیر یک کمپانی تجاری هستید. مشخصاً شما باید همواره بر فعالیتهای رقیبانتان نظارت داشته باشید. این می‌تواند هر نوع اطلاعاتی باشد که شما از اخبار، معاملات بورس و یا از مستندات تولید شده توسط همان کمپانی رقیب گرفته‌اید. امروزه اطلاعات به طور فزآینده‌ای در حال افزایش است، مدیریت تمامی این منابع داده‌ای قطعاً تنها به کمک چشمان ممکن نیست. متن‌کاوی این امکان را می‌دهد که به طور اتوماتیک رفتارها و تغییرات جدید را بیابید. در واقع آنچه اصولاً باید از متن‌کاوی انتظار برود این است که به شما بگوید چه اخباری در میان گستره‌ای از اخبار به آنچه می خواهید مرتبط است و در این میان کدام خبر جدیداست، چه پیشرفتهایی در زمینه‌ی کاری شما صورت می گیرد و علایق و رفتارهای فعلی چگونه است و با چه روندی تغییر می‌کند. با استفاده از این اطلاعات، مدیران قادرند از اطلاعات کشف شده برای بررسی وضعیت رقیب سود جویند.
7. تحلیل احساس : در این کاربرد هدف از متن کاوی تشخیص احساس نویسنده متن است. درجه رضایت یا خوشحالی و ناراحتی نویسنده تشخیص داده می‌شود. این رساله به بررسی متن کاوی به منظور تحلیل احساس موجود در متون خواهد پرداخت، لذا در ادامه با جزئیات بیشتری تحلیل احساس در متون را بررسی خواهیم کرد.
همه اطلاعات متنی را می‌توان به دو دسته:حقایق و عقاید دسته بندی کرد. حقایق عبارات علمی‌ و عملی درباره موجودیت‌ها، رویدادها و ویژگی‌های آنها هستند که بصورت عینی و واقعی در دنیای بیرون وجود دارند یا به وقوع پیوسته‌اند. عقاید عبارات غیر عینی و ذهنی هستند که نظرات، ارزیابی‌ها یا احساسات افراد را درباره یک موجودیت، رویداد و ویژگی‌های آنها بیان می‌کنند [23]. شکل 1-1 مثالی را برای هر کدام بیان میکند. در این رساله تنها به یک جنبه از این مفهوم یعنی احساسات خواهیم پرداخت.
[Sentimental ][ Factual ]
[Sentimental ]The movie
was fabulous!
The movie
stars Mr. X
The movie
was horrible!
شکل 1-1 دسته بندی متون : متون به دو دسته حقایق و عقاید تقسیم می‌شوند. حقایق یک واقعیت که بصورت علمی‌و عملی در دنیای خارج وجود دارد را بیان می‌کنند(Factual). عقاید نظر، احساس یا عقیده کاربر را درباره موجودیت بیان می‌کنند(Sentimental).

قبل از سال 2000 به دلیل کمبود منابع داده‌ای و کمبود متون حاوی نظرات و عقاید در تارنمای گسترده جهانی تحقیقات اندکی در این زمینه به انجام رسیده است. امروزه با گسترش اینترنت و همه‌گیر شدن شبکه‌های اجتماعی، کاربران می‌توانند نظرات خود درباره محصولات یا خدمات را در سایت‌های تجاری، شبکه‌های اجتماعی، وبلاگ‌ها بیان کنند؛ صفحات وب متون زیادی را در بر دارند که مشتمل بر نظرات، عقاید، ارزیابی کاربران پیرامون یک کالا یا خدمات خاص هستند. اطلاعاتی که از این نوع داده‌ها قابل دست‌یابی است، برای شرکت‌های سازنده و همچنین سازمان‌های ارائه کننده خدمات بسیار مفید و گاهی ضروری خواهند ‌بود. همچنین برای کاربرانی که قصد انتخاب خدمات یا یک نوع کالا را دارند راهنمایی مفیدی را ارائه می‌دهند. شخصی را در نظر بگیرید که قصد دارد موبایل یا دوربین دیجیتالی بخرد، برای آگاهی از کیفیت دوربین و مطلوبیت خدمات شرکت سازنده بدون شک به پرسش و جمع‌آوری اطلاعات از اطرافیان روی خواهد آورد، ولی امروزه با رشد اینترنت می‌توان بصورت آنلاین نظرات و تجربیات صدها نفر را درباره یک کالای خاص مطالعه کرد و برای تصمیم گیری از آنها مدد گرفت.
امروزه تعدد و گوناگونی منابع اینترنتی حاوی نظرات و احساسات کاربران به حدی زیاد شده است که یافتن و ارزیابی آنها کار بسیار پیچده‌ای است. در بسیاری موارد نظرات و عقاید کاربر در یک پست طولانی پنهان شده است. برای استخراج نظرات و عقاید درباره یک موجودیت باید در ابتدا منابع اینترنتی مرتبط با آن را یافت سپس متن مورد نظر خوانده شود، جملات بیان کننده نظرات و عقاید کاربر از متن استخراج شوند، خلاصه سازی شوند و به فرم قابل استفاده تبدیل شوند. از جمله مشکلاتی که در این زمینه وجود دارد حجم زیاد داده می‌باشد. در صفحه توییتر شخصی جاستین بیبر روزانه 300000 نظر ثبت می‌شود [22]. این حجم از داده‌ها میتوانند اطلاعات مفیدی را برای شرکت‌ها و همچنین مشتری‌ها به همراه داشته باشند؛ ولی پردازش آنها بصورت دستی و انسانی غیر ممکن می‌باشد، لذا طراحی یک روش اتوماتیک برای تحلیل متن و استخراج نظرات و عقاید موجود در متن ضروری است. در همین راستا تلاش‌های فراوانی صورت گرفته است، مثلا در کشور آمریکا 20 تا 30 شرکت به ارائه خدمات تخصصی تحلیل احساس می‌پردازند [17].
در این رساله روشی برای تحلیل احساس ارائه می‌شود. روش پیشنهادی سعی در ارائه مجموعه مناسبی از خصیصه‌ها را دارد به نحوی که بتوان به دقت بهتری در ارزیابی اتوماتیک متون دست یافت، همچنین تعداد خصیصه‌ها در حد متناسبی حفظ شود. برای انتخاب خصیصه‌ها از الگوریتم‌های ساده و با حداقل پیچیدگی زمانی بهره می‌بریم و نیاز به استفاده از الگوریتم انتخاب خصیصه با پیچیدگی زمانی بالا مرتفع شده است.
تحلیل احساس در متنتحلیل احساس در واقع مطالعه محاسباتی نظرات عقاید و احساسات بیان شده در متن است. متن زیر نظر یک کاربر درباره iphone است.
"(1) I bought an iphone a few days ago. (2) It was such a nice phone. (3) The touch screen was really cool. (4) The voice quality was clear. (5) Although the battery life was not long, that is ok for me. (6) However my mother was mad with me as I did not tell her before I bough it. (7) She also thought the phone was too expensive, and wanted me to return it to shop……”
چه اطلاعاتی می‌توان از متن استخراج کرد ؟ ابتدا باید توجه کنیم چند نظر در این متن وجود دارد، جملات (2)، (3) و (4) نظرات مثبتی را بیان می‌کنند. جملات (5)، (6) و (7) نظرات منفی را بیان می‌کنند. آیا نظرات بیان شده درباره یک موجودیت بیان شده‌اند؟ این موجودیت کدام است؟ جمله (2) بصورت کلی نظری را درباره iphone بیان کرده است. جملات (3)، (4) و (5) نظراتی درباره صفحه لمسی، وضوح صدا و طول عمر باتری بیان می‌کنند. جمله (7) عقیده مشتری نسبت به قیمت موبایل را بیان می‌کند. ولی نظرات بیان شده در جمله (6) درباره شخص می‌باشد نه درباره موبایل iphone. این نکته بسیار مهم است باید توجه داشت متنی که حاوی نظرات کابران می‌باشد لزوما درباره یک موجودیت خاص نیست، ممکن است در طول متن نظرات مثبت و منفی درباره موجودیت‌های متفاوت بیان شده باشد.
تحلیلگر احساس و عقاید معمولا ورودی‌های خود(جملات، اسناد) را به دو گروه نظرات و عقاید مثبت و نظرات و عقاید منفی دسته‌بندی می‌کند. برخی از تحقیقات نیز ضعیف یا قوی بودن نظرات در نظر گرفته‌اند و متون در 4 گروه دسته بندی می‌شوند. گروه اول نظرات کاملا منفی، دوم نظرات کمی‌منفی، سوم نظرات کمی‌مثبت، چهارم نظرات کاملا مثبت.
فرایند تحلیل احساس در سه سطح انجام می‌شود:
در سطح کلمات
در سطح جمله
در سطح سند.
برای هر سطح پیش فرض‌ها و وظایفی برشمرده می‌شود که باید در تحلیلگر لحاظ شوند. در ادامه به تشریح تحلیلگر احساس در سطوح متفاوت خواهیم پرداخت.
تحلیلگر احساس در سطح کلمه یک سند یا مجموعه ای از جملات را به عنوان ورودی دریافت می‌کند. ابتدا کلمات متفاوت که ویژگی‌های یک موجودیت را بیان می‌کنند را از متن استخراج می‌کند. سپس نظرات بیان شده در متن پیرامون ویژگی‌های موجودیت را تشخیص می‌دهد. شکل1-2 یک مثال از عملکرد تحلیلگر احساس در سطح کلمه را بیان می‌کند.
شکل 1-2 تحلیلگر احساس در سطح کلمه: ورودی تحلیلگر احساس در سطح متن یک سری جملات هستند. خروجی آن ویژگی های موجودیت مورد بحث(در این مثال موبایل) و نمره مثبت یا منفی که بر اساس متن به هر کدام از ویژگی ها داده شده است.

همانطور که در شکل 1-2 قابل مشاهده است، تحلیلگر احساس در سطح کلمه یک سند را به عنوان ورودی دریافت می‌کند، ویژگی های شئ مورد بحث در سند را استخراج می‌کند(شئ مورد بحث:موبایل، ویژگی های شئ مورد بحث:کیفیت صدا و عمر باطری) و در پایان بر اساس نظرات بیان شده در سند به ویژگی‌های استخراج شده در مرحله قبل، نمره مثبت یا منفی می‌دهد.
تحلیل احساس در سطح جمله مانند تحلیلگر احساس در سطح کلمه یک سند یا مجموعه‌ای از جملات را به عنوان ورودی دریافت می‌کند. جملات متن را تشخیص داده و بر اساس محتوای متن آنها را دسته‌بندی می‌کند؛ دسته اول جملات حاوی نظرات مثبت و دسته دوم جملات حاوی نظرات منفی. شکل 1-3 مثال تحلیلگر احساس در سطح جمله را بیان می‌کند.
شکل 1-3 تحلیلگر احساس در سطح جمله : ورودی تحلیلگر احساس در سطح جمله یک سری جملات هستند. خروجی آن، جملات طبقه‌بندی شده در دو دسته مثبت و منفی هستند.

تحلیلگر احساس در سطح سند(شکل 1-4) که هدف از این رساله نیز می‌باشد، تعدادی اسناد را دریافت می‌کند و آنها را در دو دسته اسناد حاوی نظر مثبت و اسناد حاوی نظر منفی طبقه‌بندی می‌کند. در این روش تحلیل احساس فرض بر آن است که هر سند درباره یک موجودیت واحد بحث می‌کند و همه نظرات مثبت و منفی درون سند درباره یک موجودیت واحد می‌باشد. با این کار طراحی تحلیلگر ساده می‌شود.
با این فرض که در هر سند فقط درباره یک موجودیت بحث می‌شود دیگر نیازی نیست با بسیاری از پیچیدگی‌هایی که در پردازش زبان طبیعی با آن مواجه هستیم دست و پنجه نرم کنیم. پس از سال 2000 تا کنون تحقیقات فراوانی در این زمینه به انجام رسیده است؛ با این وجود بسیاری از مشکلات در این زمینه هنوز حل نشده باقی مانده‌اند. در این رساله به برخی از این مشکلات پرداخته و روش‌هایی را برای غالب آمدن بر این مشکلات بیان خواهیم کرد.
شکل 1-4 تحلیلگر احساس در سطح سند: مجموعه‌ای از اسناد را دریافت می‌کند با تحلیل محتوای هر سند و با استفاده از روش‌های یادگیری ماشین، اسناد را در دو دسته اسناد حاوی نظرات مثبت و اسناد حاوی نظرات منفی تقسیم بندی می‌کند.

اهداف رسالههدف از این رساله ارائه روشی برای تحلیل احساس در مجموعه‌ای از اسناد می‌باشد، به گونه ای که اسناد در دو گروه نظرات مثبت و نظرات منفی طبقه شوند. از جمله مشکلاتی که برای تحلیل احساس وجود دارد حجم زیاد متون است، برای مثال تعداد خصیصه‌های استخراج شده از مجموعه داده فیلم‌ها بالغ بر پنجاه هزار خصیصه بود [4]. همچنین خصیصه‌های زبان شناختی فراوانی وجود دارد که باید از این میان بهترین خصیصه‌های را بیابیم و برای مدل‌سازی متون از آنها استفاده کنیم. در این رساله تلاش بر آن بوده تا بتوانیم مجموعه مناسبی از خصیصه‌ها را انتخاب کنیم و با داشتن حداقل خصیصه‌ها از یک الگوریتم انتخاب خصیصه با پیچیدگی زمان کم استفاده شود. در این رساله دو مجموعه داده فارسی و انگلیسی بررسی خواهند شد. ابتدا سعی می‌کنیم روش مناسبی برای تحلیل احساس در متون انگلیسی ارائه دهیم سپس روش ارائه شده را به زبان فارسی تعمیم خواهیم داد.
روش کاربرای انجام پایان نامه در مرحله اول مبانی نظری و راهکارهای موجود، در ارتباط با تحلیل احساس موجود درمتن و تشکیل بردار خصیصه‌ها با استفاده از خصیصه‌های زبان شناختی مورد مطالعه قرار گرفته‌اند. سپس با تحلیل و بررسی روش‌های موجود نقات ضعف و قوت این روش‌ها را مورد توجه قرار داده تا بتوانیم با ترکیب یا بهبود آنها به روش بهتری دست یابیم. در ادامه روش پیشنهادی را با استفاده از داده‌های موجود مورد تست و ارزیابی قرار داده‌ایم. به دنبال آن، با تحلیل‌های انجام شده بر روش پیشنهادی، مشکلات موجود را تا حدی برطرف کرده و روشی جامع‌تر را با دقت عملکرد بهتر ارائه دادیم. در این رساله از ترکیب جدیدی از خصیصه‌های زبان شناختی استفاده شده است. همچنین برای اولین بار در تحلیل احساس از مفاهیم مبتنی بر Wordnet بهره برده‌ایم.
ساختار پایاننامهفصل دوم به طبقه‌بندی و بررسی شیوه‌های موجود در تحلیل احساس وعقاید و بررسی روش‌های نوین ارائه شده در این زمینه پرداخته است، همچنین کارهای مرتبط و شیوه‌های مورد استفاده در آنها را بیان کرده‌ایم. در فصل سوم روش‌های پیشنهادی برای تحلیل احساسات و عقاید در راستای افزایش دقت و کاهش زمان طبقه‌بندی ارائه شده است. فصل چهارم عملکردِ روش‌های پیشنهادی ارزیابی شده و با روش‌های موجود در این زمینه مقایسه می‌شوند. در پایان فصل چهار نیز برخی از کارهایی که در آینده باید انجام شوند را بیان کرده‌ایم.

فصل دوم کارهای انجام شده
مقدمهدر این فصل ابتدا به بررسی کارهای که پیشتر انجام شده است خواهیم پرداخت و نقاط ضعف و قوّت هر کدام را بصورت کوتاه بیان می‌کنیم. هر چند تعداد آثار موجود در زمینه تحلیل احساس در متن، فراوان است ولی در این بخش ما تعدادی از تحقیقات مهم را بصورت منتخب بیان خواهیم کرد.
برای مدل‌سازی اسناد باید مجموعه خصیصه‌های مفیدی از متن استخراج کنیم. مجموعه خصیصه‌های مفید خصیصه‌های هستند که به الگوریتم یادگیری ماشین برای طبقه‌بندی داده‌ها کمک کنند. این خصیصه‌ها باید به نحوی انتخاب شوند که بهترین مدل ممکن از اسناد را ارائه دهند و باید توجه کنیم هدف این مدل تحلیل احساس است لذا باید بیشترین اطلاعات ممکن به منظور تحلیل احساس را در اختیار نرم‌افزار طبقه‌بندی قرار دهند. با توجه به حجم متن اسناد و تعداد این اسناد، بردار خصیصه‌‌ی حاصل بزرگ خواهد بود، که این امر مشکلاتی را به همراه دارد. از جمله‌ی این مشکلات کاهش کارایی و دقت طبقه‌بندی را می‌توان نام برد، لذا باید از روش انتخاب خصیصه استفاده کرد تا بتوان سودمندترین خصیصه‌ها را از میان هزاران خصیصه استخراج کرد. در ابتدا تاریخچه تحقیق در زمینه تحلیل احساس در متن را بیان خواهیم کرد، سپس مجموعه خصیصه‌های N-gram مورد استفاده و کارهایی که از آنها استفاده کرده‌اند را بیان می‌کنیم، پس از آن روش‌های انتخاب خصیصه معروف و تحقیقاتی که از آنها استفاده کرده‌اند را بیان خواهیم کرد.
تعریف مسئلهبرای حل کردن هر مسئله، ابتدا باید یک تعریف مناسب از مسئله را ارائه دهیم. در فصل قبل هدف از این رساله را تحلیل احساسات و عقاید در سطح سند معرفی کردیم.
چنانچه D مجموعه ای از اسناد باشد، سیستم ارائه شده باید تشخیص دهد D d∈ نظر مثبت یا نظر منفی را درباره یک شی O بیان می‌کند.
تحلیلگر احساس یک مجموعه از اسناد D را که حاوی نظرات کاربران پیرامون یک شئ خاص O است را دریافت می‌کند و جهت گیری آنها را نسبت به آن شئ خاص تشخیص می‌دهد، به نحوی که هر سند D بطور قطعی نظر مثبت یا منفی را درباره شئ O بیان می کند.
بسیاری از تکنیک‌های تحلیل احساس در سطح سند بر پایه الگوریتم های یادگیری نظارت شده هستند؛ تعداد از روش های یادگیری بدون نظارت نیز وجود دارد [23]. در این رساله تمرکز بر روش‌های یادگیرنده‌ی مبتنی بر ناظر است.
گام اول تحلیل احساس در متنسال 2002 pang و همکارانش تحقیقی را انجام دادند که سر آغاز این راه نامیده می‌شود. هر چند قبل از آن نیز کارهایی انجام شده‌اند که بطور ضمنی از تحلیل احساسات و عقاید سخن به میان آورده‌اند ولی pang و همکارانش اولین بار بطور صریح در سال 2002 به تحلیل احساس در متن پرداخته‌اند [4].
pang و همکارانش از مجموعه خصیصه‌های unigram، bigram، صفات و ترکیبی از این سه نوع مجموعه خصیصه‌ها استفاده کردند. همچنین برای طبقه‌بندی از الگوریتم‌های SVM، بیز ساده و حداکثر آنتروپی بهره گرفته‌اند. روش‌های متفاوتی برای نمایش بردار خصیصه‌ها وجود دارد pang و همکارانش از دو روش فرکانس خصیصه و حضور خصیصه برای نمایش بردار خصیصه‌ها استفاده کرده‌اند. نتایج نشان داد روش حضور خصیصه نسبت به سایر روش‌های مورد استفاده نتایج بهتری به همراه خواهد داشت. روش‌های که آنها برای نمایش بردار خصیصه‌های بکار برده‌اند، تاکنون در تحقیقات متفاوت به کار گرفته شده است. نتایج تحقیق نشان داد خصیصه‌های unigram نسبت به سایر خصیصه‌های زبان شناختی عملکرد بهتری دارند و باعث بهبود طبقه‌بندی می‌شوند. خصیصه‌های bigram نسبت به خصیصه‌های unigram دقت کمتری در طبقه‌بندی از خود نشان دادند. در این تحقیق برای طبقه‌بندی اسناد از روش‌های بیز ساده SVM و حداکثر آنتروپی استفاده شده است. نتایج طبقه‌بند SVM نسبت به سایر الگوریتم‌های طبقه‌بندی دقت بهتری از خود نشان داد. علاوه بر مطالب ذکر شده آنها مجموعه داده‌های بازبینی فیلم‌ها را ارائه دادند. این مجموعه داده‌ها از سایت IMDB جمع‌آوری شده است، مجموعه داده بازبینی فیلم‌ها داده متشکل از 2000 فایل بازبینی فیلم بود، 1000 فایل آن حاوی نظرات مثبتی پیرامون فیلم‌ها و 1000 فایل دیگر نیز حاوی نظرات منفی پیرامون فیلم‌ها بودند. بهترین دقت بدست آمده توسط pang و همکارانش با استفاده از 16165 خصیصه unigram و در الگوریتم طبقه‌بندی SVM حاصل شده بود[4].
مهم‌ترین ویژگی این تحقیق ارائه زمینه تحقیقی جدید برای طبقه‌بندی متون بوده‌است. همچنین نمایش بردار خصیصه ارائه شده در این تحقیق، تا کنون به عنوان یکی از بهترین روش‌ها نمایش بردار خصیصه مورد استفاد قرار می‌گیرد. pang و همکارانش در این تحقیق بر غیر مفید بودن خصیصه‌های bigram و خصیصه‌های N-gram n>1 تاکید داشتند.
روش‌های مبتنی بر خصیصه‌های N-gramیکی از مهمترین فازهای فرایند تحلیل احساسات و عقاید، مدلسازی متون با استفاده از خصیصه‌هایی است که قادرند بخوبی بیان کننده صفات اسناد باشند. این رساله بر روی خصیصه‌هایN-gram تاکید دارد.
خصیصه‌های N-gram به دو دسته تقسیم می‌شوند:
N-gram ثابت؛ یک توالی دقیق در سطح کاراکتر یا توکن می‌باشد. مانند unigram یا biram.
N-gram متغیر؛ الگوهایی برای استخراج اطلاعات از متن هستند. مانند <subj> Pass VP یا <subj> dealt bow.
خصیصه‌های N-gram متغیر قادرند مفاهیم پیچیده‌تر زبان شناختی را بیان کنند [1]. در این رساله هدف اصلی خصیصه‌های N-gram مانند، بسته کلمات همچنین N-gram با درجات بالاتر مانند bigram و trigram می باشند. N-pos ترکیب n تایی از ادات سخن می‌باشد. همچنین n-posword ترکیب n تای از کلمات به همراه برچسب ادات سخن آنها می‌باشد. در ادامه مثال‌هایی برای هر یک از انواع خصیصه‌های N-gram بیان خواهیم کرد(جدول 2-1).
همانطور که در بخش قبلی بیان شد، pang و همکارانش نشان داده‌اند استفاده از خصیصه‌های bigram برای تحلیل احساسات و عقاید عملکردی بدتری نسبت به خصیصه‌های unigram در پی خواهند داشت. تحقیقی که وینسنت و همکارانش سال 2006 انجام داده‌اند خصیصه‌های unigram، bigram و trigram را برای مدلسازی اسناد به کار بردند [25]. اسناد متنی به دو دسته حقایق و عقاید دسته‌بندی می‌شوند و مثال بخش 1-2 نشان می‌دهد اغلب متون حاوی ترکیبی از حقایق و عقاید هستند، بنابراین بیشتر اسناد متنی ترکیبی از متون جهت‌دار (عقاید و نظرات) با متون عینی و واقعی (حقایق) هستند. متون عینی و واقعی درون اسناد در واقع همان خصیصه‌های غیر مرتبط با تحلیل احساس هستند چون اطلاعات مفیدی برای الگوریتم یادگیری ماشین در جهت تحلیل احساس موجود در متون را فراهم نمی‌کنند. تعداد زیاد خصیصه‌ها و غیر مرتبط بودن بسیاری از این خصیصه‌ها به تحلیل احساس، مشکلات زیادی را موجب می شود، از جمله این مشکلات می‌توان کاهش دقت طبقه‌بندی وکاهش سرعت عملیات طبقه‌بندی را نام برد. بهتر است قسمتی از متن که حاوی حقایق است در فاز اول از متون حاوی نظرات و عقاید مجزا شود. وینسنت و همکارانش در ابتدا، بخش‌هایی از اسناد که عقاید و نظرات را بیان می‌کردند را تشخیص داده، از متن جدا کرده‌اند. آنها با فیلتر کردن متون حاوی حقایق از متون احساسی توانستند برای خصیصه‌ها unigram و bigram نتایج بهتری را نسبت به pang و همکارانش بدست آورند. همچنین آنها نشان دادن خصیصه‌های N-gram n>1 قادرند وابستگی کلمات موجود در متن، را در مدلسازی وارد کنند بنابراین به دقت عملکرد الگوریتم یادگیری ماشین در جهت طبقه‌بندی متون کمک می‌کنند. در این تحقیق دقت حاصله از طبقه‌بندی اسناد با استفاده از خصیصه‌های unigram به میزان 87.1 درصد گزارش شده است. این میزان نسبت به نتیجه بهترین روش ارائه شده توسط pang و همکارانش 5 درصد بهبود یافته است. همچنین با استفاده از خصیصه‌های unigram+bigram+trigram (ترکیب هر سه نوع خصیصه) فرایند طبقه‌بندی اسناد را با دقت 89.2 درصد انجام داده‌اند. در این تحقیق به بررسی اثر گذاری خصیصه‌های N-gram پرداخته شده است وینسنت و همکارانش نشان دادند استفاده از خصیصه‌های bigram به همراه unigram باعث بهبود عملکرد طبقه‌بندی می‌شود. همچنین به این نتیجه دست یافتند که خصیصه‌های bigram به تنهایی بهبودی در طبقه‌بندی ایجاد نمی‌کنند، دلیل این موضوع نیز پراکندگی خصیصه‌های bigram است؛ برخلاف آنچه در [4] اعلام شده، که خصیصه‌های bigram ذاتا به بهبود طبقه‌بندی کمک نمی‌کنند. بنابراین چنانچه بتوانیم پراکندگی موجود در خصیصه‌های bigram را کاهش دهیم می‌توانیم دقت عملکرد این نوع خصیصه‌ها را بهبود دهیم.
در برخی از تحقیقات برای مدلسازی اسناد از خصیصه‌های N-POS استفاده شده‌است. فی و همکارانش در سال 2004 از خصیصه‌های 1-pos و 2-pos استفاده کرده‌اند و بهترین دقت حاصل از طبقه‌بندی در این تحقیق 86% بوده است [26]. آنها الگوهایی نحوی را ارائه دادند که اغلب متون جهت‌دار در این الگوها قرار می‌گیرند، مثلا یکی از الگوهای ارائه شده n+adj بوده است. ابتدا متن را برچسب گذاری کرده‌اند و الگوهای مورد نظر را از متن استخراج کرده‌اند. مدلی که در این روش ارائه شده همانند روش وینسنت و همکارانش سعی دارد در ابتدا متن را فیلتر کند و فقط متن جهت‌دار(متن حاوی نظرات مثبت یا منفی کاربران درباره یک موجودیت مشخص) را برای مرحله طبقه‌بندی و مدلسازی استفاده کند. اما مشکل این روش آن است که نمی‌توان برای همه حالت های متن جهت‌دار الگویی ارائه داد و همواره ممکن است متن خاصی با الگوهای ارائه شده سازگار نباشد. مدلسازی متن با استفاده از الگوهای N-POS حتی نسبت به مدل unigram دقت کمتری را برای طبقه‌بندی به همراه داشت. لذا روش مناسبی برای مدل‌سازی اسناد نیست.
گامن سال 2004 4 گروه خصیصه را مورد بررسی قرار داد. گروه اول خصیصه‌های N-gram از ترکیب خصیصه‌های unigram، bigram و trigram تشکیل شده‌اند. گروه دوم خصیصه‌های متشکل از ترکیب N-gram و 3-POS بوده‌اند. گروه سوم، خصیصه‌های مانند طول جمله، طول عبارات، تعداد کلمات بوده‌اند و گروه چهارم ترکیب سه گروه خصیصه ذکر شده بوده‌اند. تعداد خصیصه‌ها در این روش از 1000 تا 40000 خصیصه بوده‌اند. بهترین دقت حاصله برای طبقه‌بندی متون با استفاده از خصیصه‌های گروه چهارم بدست آمده است که نشان می‌دهد ترکیب خصیصه‌ها مدل بهتری از اسناد به منظور تحلیل احساس در متن را ارائه می‌دهد. در بهترین حالت دقت طبقه‌بندی 89 درصد گزارش شده است. در این تحقیق ترکیب‌های متفاوت از خصیصه‌ها مورد بررسی قرار گرفت و میزان اثر گذاری آنها بحث شده‌است [20].
مدل N-gram کاراکترها(N-char) توسط عباسی و همکارانش مورد استفاده قرار گرفت. مثلا مدل Bigram عبارت Like بصورت “li ik ke” خواهد بود [2]. در این مدل تعداد بسیار زیاد خصیصه‌ها مشکل‌ساز خواهد بود و استفاده از الگوریتم‌های انتخاب خصیصه به دلیل تعداد بسیار زیاد خصیصه‌ها ما را با مشکل پیچیدگی زمانی روبرو خواهد کرد. استفاده از خصیصه‌ها N-char همواره باعث افزونگی و افزایش تعداد خصیصه‌های غیر مفید می‌شود، به این دلیل که همپوشانی بسیاری زیادی در خصیصه‌های n-char وجود دارد.
تحقیقات اندکی از مدل POSWORD (برچسب نقش کلمه در سخن به همراه خود کلمه) استفاده کرده‌اند. ویب و همکارانش در سال 2004 . به منظور کاهش ابهام کلمات در فرایند تحلیل احساس از 3-POSWORD استفاده کرده‌اند. با توجه به اینکه خصیصه‌های POS-Tag به همراه خود کلمه می‌تواند باعث کاهش ابهام کلمات شود در نتیجه باعث بهبود دقت ارزیابی و طبقه‌بندی اسناد می‌شود [12]. مهمترین دلیل استفاده از 3-POSWORD وارد کردن وابستگی به متن در مدل مورد استفاده می‌باشد. لذا اگر بتوان مشکلات ناشی از پراکندگی و افزونگی را مدیریت کرد به نظر می‌رسد استفاده از خصیصه‌های N-gram n>1 به بهبود نتایج کمک زیادی کند.
جدول 2-1 مثالی برای هر یک از خصیصه‌های N-gram مطرح شده را نشان می‌دهد.
عباسی و همکارانش در سال 2011 مجموعه کاملی از خصیصه‌های N-gram که در کارهای پیشین استفاده شده بود را جمع آوری کرده و برای مدلسازی اسناد از آنها استفاده کردند [1]. این مجموعه خصیصه‌ها در جدول 2-2 بیان شده‌اند. آنها در این تحقیق با استفاده از طبقه بند SVM به دقت 90 درصد برای طبقه‌بندی مجموعه داده‌های بازبینی فیلم‌ها دست یافتند. مدل ارائه شده که در جدول 2-2 قابل مشاهده است، بسیاری از خصیصه‌ها همدیگر را پوشش می‌دهند لذا باعث تشدید افزونگی در مدل حاصله می‌شوند. هر گروه از این خصیصه‌ها دارای تعداد زیادی خصیصه‌های غیرمرتبط با تحلیل احساس موجود در متن هستند، استفاده همزمان از همه این خصیصه‌ها باعث افزایش چشم‌گیر خصیصه‌های غیر مرتبط در نتیجه کاهش اثر گذاری خصیصه‌های مرتبط با تحلیل احساس و در نهایت کاهش دقت طبقه‌بندی می‌شود. آنها برای حل این مشکل یک روش انتخاب خصیصه شبکه ارتباطی خصیصه را ارائه دادند، که پیچیدگی زمانی بالایی دارد. می‌توان با بهره گیری از خصیصه‌های مطلوب‌تر خصیصه‌های افزونه و خصیصه‌های غیر مرتبط را کاهش داد و برای تعیین سودمندی خصیصه‌ها از الگوریتم انتخاب خصیصه ساده‌تر با پیچیدگی زمانی کمتر بهره برد.
جدول 2-1 مجموعه خصیصه‌ها N-gram و مثال برای هر خصیصه
جمله مثال I go home.
خصیصه‌های N-gram Unigram I, go, home
Bigram I go, go home
Trigram I go home
خصیصه‌های N-POS 1-pos FW, VBP,NN
2-pos FW VBP,VBP NN
3-pos FW VBP NN
خصیصه‌های 3-POSWORD 3-POSWORD I/FW go/VBP home/NN
آگراوال و میتال سال 2013 تحقیقی را انجام داده‌اند [5] که در این تحقیق از روش‌های انتخاب خصیصه سودمندی اطلاعات و حداقل‌ افزونگی - حداکثر ‌وابستگی استفاده شده است، همچنین از خصیصه‌های Unigram و Bigram و گزیده‌ای از کلمه‌-‌‌POS در جهت مدل‌سازی متن بهره‌گرفتند. طبقه‌بندی در این تحقیق بر روی مجموعه داده بازبینی فیلم‌ها دقت بالاتری نسبت به روش ارائه شده توسط عباسی و همکارانش داشت. آنها نشان دادند که روش انتخاب خصیصه حداقل ‌افزونگی - حداکثر وابستگی عملکرد بهتری نسبت به سودمندی اطلاعات دارد. از جمله مشکلات روش ارائه شده توسط آگراوال و میتال مجموعه خصیصه‌های مورد استفاده آنها می‌باشد که در این رساله مجموعه خصیصه‌های مناسب‌تری برای تحلیل احساس موجود در متن ارائه می‌شود.
جدول 2-2 مجموعه کاملی از خصیصه ها N-gram

همانطور که در جدول 2-2 می‌بینید مجموعه خصیصه‌هایی N-gram که برای مدلسازی اسناد می‌توان از آنها بهره گرفت بسیار زیاد هستند؛ هر کدام از این مجموعه خصیصه‌ها خود با یک بردار با هزاران خصیصه اسناد را مدلسازی می‌کنند، بسیاری از این خصیصه‌ها افزونه و یا با تحلیل احساس غیر مرتبط هستند. برای دستیابی به دقت و سرعت بالاتر در عملیات طبقه‌بندی بهتر است از یک الگوریتم انتخاب خصیصه بهره بگیریم تا بتوانیم سودمندترین خصیصه‌ها را از میان هزاران خصیصه استخراج کنیم و عملیات طبقه‌بندی و تحلیل احساس را با سرعت و دقت بیشتری انجام دهیم.
سی و گوپتا در سال 2013 مقاله‌‌ای را ارائه کرده‌اند، آنها بجای استفاده از روش‌های انتخاب خصیصه پیچیده تلاش کرده‌اند ترکیب مناسبی از خصیصه‌ها را جهت دستیابی به دقت بالاتر در عملیات طبقه‌بندی، بیابند. همچنین برای کاهش دادن اندازه بردار خصیصه و حذف خصیصه‌های غیر مرتبط از sentiwordnet استفاده کرده‌اند. مجموعه داده این تحقیق اندازه کوچکتری نسبت به مجموعه داده مورد بررسی در سایر تحقیقات ذکر شده داشته است[7]. در تحقیق مذکور با فیلتر کردن خصیصه‌هایی که وزن مثبت یا منفی آنها (وزن هر کلمه همان مقداری بین 0 و 1 است که از Sentiwordnetاستخراج شده است) کمتر از 0.5 بود، تعداد خصیصه‌ها را کاهش داده‌اند. ویژگی این روش استفاده از ترکیب های ساده و متفاوت، همچنین کاهش تعداد خصیصه‌ها با استفاده از Sentiwordnet است. مشکل اصلی این روش مجموعه داده مورد استفاده در آن است؛ این مجموعه داده قابلیت نشان دادن پایداری روش را ندارد.
فاز اول تحلیل احساس ارائه مدل مناسبی برای اسناد است. در رساله جاری از سه کار [1]، [7] و [5] برای مدل‌سازی اسناد الهام گرفته شده است. تحقیق [1] مدلی جامع از خصیصه‌های N-gram ارائه داده است، ولی تعداد مجموعه خصیصه‌های آن زیاد است، افزایش خصیصه‌ها در بردار خصیصه‌ها، باعث افزایش خصیصه‌های افزونه و غیر مفید خواهد شد. وجود خصیصه‌ی غیر مفید یا افزونه در بردار خصیصه‌های حاصل از مدلسازی اسناد باعث می‌شود، اثرگذاری سایر خصیصه‌های سودمند و مرتبط با تحلیل احساس کاهش یابد لذا به همان نسبت دقت طبقه‌بندی نیز کاهش می‌یابد، همچنین باعث افزایش حجم بردار خصیصه خواهد شد در نتیجه ما را با مشکل حافظه مواجه خواهد کرد و سرعت طبقه‌بندی را به شدت کاهش می‌دهد. تعداد زیاد خصیصه‌ها، ما را در استفاده از الگوریتم انتخاب خصیصه محدود می‌کند. در این رساله تلاش بر آن بوده مجموعه کاهش یافته‌ای از خصیصه‌ها را برای مدل‌سازی اسناد برگزینیم، به گونه‌ای که مدل مناسبی از اسناد را برای تحلیل احساس ارائه دهند. تحقیق [5] مدلی ترکیبی از خصیصه‌ها n-gram را را ارائه داده است و این مدل را روی 4 مجموعه داده تست کرده‌ تا پایداری روش پیشنهادی خود را بررسی کنند. مجموعه خصیصه‌های مورد استفاده در تحقیق مذکور عبارت بودند از: 1- خصیصه‌های unigram 2- خصیصه‌های bigram 3- ترکیب این دو مجموعه خصیصه‌ها.
الف- خصیصه‌های unigram: در ابتدا بردار خصیصه‌های unigram را از متن استخراج کرده‌اند سپس مدل حاصل را با استفاده از الگوریتم‌های یادگیری ماشین طبقه‌بندی کرده‌اند؛ در این روش آنها به دقت طبقه‌بندی 82.7% در مجموعه داده بازبینی فیلم ها دست یافتند. حالت دوم با الگوریتم انتخاب خصیصه حداقل افزونگی – حداکثر وابستگی خصیصه‌های غیرسودمند را از مدل حاصل در مرحله قبل فیلتر کرده‌اند؛ در این حالت به حداکثر دقت 89.2% دست یافتند.
ب- خصیصه‌های bigram: این مجموعه خصیصه بدون اعمال الگوریتم انتخاب خصیصه‌ای از متن استخراج شده‌اند و دقت بدست آمده از طبقه‌بندی 79.2% برای مجموعه داده بازبینی فیلم‌ها بوده است. در حالت دوم با اعمال الگوریتم انتخاب حداقل افزونگی – حداکثر وابستگی به حداکثر دقت 81.1% دست یافتند.
ج- ترکیب خصیصه‌های unigram و bigram: این مجموعه خصیصه بدون هیچ گونه انتخاب خصیصه‌ای از متن استخراج شده‌اند در این روش آنها توانستند مجموعه داده بازبینی فیلم‌ها را با دقت 87.0% طبقه‌بندی کنند. در روش دوم با الگوریتم انتخاب خصیصه حداقل افزونگی – حداکثر وابستگی به حداکثر دقت 91.1% دست یافتند و با اعمال الگوریتم انتخاب خصیصه سودمندی اطلاعات به دقت طبقه‌بندی 90.1% دست یافتند.
نتایج بالا نشان از عملکرد مطلوب خصیصه‌های unigram و سودمند نبودن خصیصه‌های bigram دارد، و تصدیق کننده نتایجی است که سال 2002 pang و همکارانش به آن دست یافتند، به این دلیل که آگراوال و میتال به پراکندگی و نرمالسازی خصیصه‌های bigram هیچ توجهی نکرده‌اند. آنها تلاش کرده‌اند تعداد خصیصه‌ها را کاهش دهند در صورتی که میتوان تعداد خصیصه‌ها را با حفظ تعادل تعداد بین خصیصه‌های unigram، bigram و trigram تا حدی افزایش داد، تا بتوانیم به نتایج بهتر دست یابیم.
در رساله جاری برای تست پایداری روش پیشنهادی، 4 مجموعه داده را برای تست و ارزیابی در نظر گرفته‌ایم، مدلی که در این رساله ارائه شده است دقت طبقه‌بندی را نسبت به [1] و [5] افزایش داده است. محققین در [7] با بررسی انواع خصیصه‌های متفاوت ترکیب مناسبی از خصیصه‌ها را ارئه داده‌اند. ما نیز برای یافتن خصیصه‌های مطلوب در جهت مدل‌سازی اسناد ترکیب خصیصه‌های متفاوت را مورد بررسی قرار داده‌ایم.
الگوریتم‌های انتخاب خصیصهدر عصر فناوری اطلاعات با حجم زیادی از داده‌ها روبرو هستیم. می‌توان دانش مفیدی از این حجم زیاد داده استخراج کرد. بهتر است بگوییم به دلیل مشکلاتی که برای نگهداری، ذخیره سازی و پردازش این حجم داده‌ها مطرح می‌شود، اگر اطلاعاتی از داده استخراج نکنیم یک فقدان است. حجم زیاد داده‌ها به رسانه‌های ذخیره سازی و همچنین حافظه اصلی زیادی برای پردازش نیاز دارند. باید توجه داشته باشیم حجم قابل توجهی از این داده‌ها، غیر مفید، افزونه و یا غیر مرتبط هستند. لذا ضرورتی در نگهداری و یا پردازش همه این داده ها وجود ندارد. بهتر است فکری اندیشیده شود تا این داده‌های غیر ضروری حذف شوند و در فرایندهای مهم و پرهزینه وارد نشوند. الگوریتم‌های انتخاب خصیصه نیز همین هدف را دنبال می‌کنند. چنانچه مدلی ارائه شود این مدل متشکل از ده‌ها هزار خصیصه باشد، بسیاری از این خصیصه‌ها برای فرایند تحلیل احساس مفید نخواهند بود پس بهتر است این خصیصه‌ها به اشغال کردن حافظه و گرفتن سرعت عملیات منجر نشوند. ضمن اینکه از طرفی دقت عملیات را نیز کاهش خواهند داد.
الگوریتم‌های انتخاب خصیصه متعددی وجود دارد و در تحقیقات از اغلب آنها استفاده شده است.
بطور کلی دو نوع روش انتخاب خصیصه وجود دارد:
تک متغیره.
چند متغیره.
روش تک متغیره هر خصیصه را به تنهایی در نظر می‌گیرد، خصیصه را ارزیابی کرده و یک رتبه به آن می‌دهد. مانند الگوریتم‌های مربع کای ، درست نمایی لگاریتمی و سودمندی اطلاعات . هر چند این روش‌ها سریع هستند ولی چون هر خصیصه را به تنهایی ارزیابی می‌کنند و به ارتباط بین آن خصیصه با سایر خصیصه‌ها توجهی ندارند، دقت کمتری دارند. این نوع الگوریتم‌ها به دلیل پیچیدگی زمانی کمتری که دارند، برای مجموعه داده‌هایی که بردار خصیصه‌های بزرگتری دارند مناسب‌اند [1].
انتخاب سودمندترین خصیصه‌ها از میان تعداد بسیار زیاد خصیصه‌ها می‌تواند باعث افزایش دقت عملکرد الگوریتم طبقه‌بندی شود [26]. شکل 2-1 مهمترین الگوریتم‌های انتخاب خصیصه تک متغیره را نشان می‌دهد.
شکل 2-1 مهمترین الگوریتم های انتخاب خصیصه تک متغیره
روش‌های انتخاب خصیصه‌ی تک متغیره نسبت به روش‌های چند متغیره پیچیدگی زمانی کمتری دارند به همین دلیل در بسیاری از تحقیق‌ها از روش‌های تک متغیره استفاده شده است.
[8] و [15] برای طبقه‌بندی متن از سودمندی اطلاعات استفاده کرده‌اند. تحقیق [3] با اتکا به نتایج [8] و [15] روش سودمندی اطلاعات را برای انتخاب سودمندترین خصیصه‌ها برگزید. عباسی و همکارانش با استفاده از سودمندی اطلاعات و انتخاب سودمندترین خصیصه‌ها به دقت 92.5% در تحلیل احساسات و عقاید موجود در متن مجموعه داده بازبینی فیلم دست یافتند. آنها در این تحقیق برای طبقه‌بندی از روش SVM بهره برده‌اند.
در [16] برای انتخاب خصیصه از روش مربع کای استفاده شده است. آنها بهترین نتیجه خود را با بکارگیری طبقه بند SVM و حداکثر آنتروپی به صورت ترکیبی بدست آوردند. باید توجه کنیم برای بهبود طبقه‌بندی بهتر است، بتوانیم مدل درستی از اسناد را ارائه دهیم، تا به دقت بالاتری دست یابیم. استفاده همزمان و ترکیبی از چند الگوریتم طبقه‌بندی باعث افزایش پیچیدگی زمانی خواهد شد و نهایتا برای مجموعه داد‌های متفاوت لزوما باعث افزایش دقت طبقه‌بندی نخواهد شد. استفاده ترکیبی از چند الگوریتم طبقه‌بند برای یک مجموعه داده نمی‌تواند راه حلی برای بهبود سرعت و دقت طبقه‌بندی متون باشد. در عوض استفاده از چند طبقه‌بند می‌تواند از چند فیلتر انتخاب خصیصه استفاده کرد، یا به دنبال مدل مناسبتری برای مدلسازی اسناد باشیم.
[20], [25],[14] از روش درست نمایی لگاریتمی استفاده کردند. در بین سه مقاله ذکر شده مقاله [20] به حداکثر دقت 90% دست یافت.
روش‌های چند متغیره پر استفاده‌ای نیز وجود دارد که استفاده از آنها باعث کاهش معقول تعداد خصیصه‌ها و افزایش نامعقول پیچیدگی زمانی خواهد شد
شکل 2-2 تعدادی از روش‌های چند متغیره انتخاب خصیصه که در سال‌های اخیر ارائه شده‌اند را نشان می‌دهد. در این قسمت بحث زیادی نخواهیم کرد، فقط کارهایی که از این روش‌ها استفاده کرده‌اند را بیان می‌کنیم. مهمترین مشکل این روش‌ها پیچیدگی زمانی آنها است. اگر اسناد بزرگ باشند و تعداد خصیصه‌ها زیاد باشد این روش‌ها عملا ناکارآمد خواهند بود. چنانچه اسناد کوچک باشند و تعداد خصیصه‌ها نیز کم باشد می‌توان از روش‌های چند متغیره استفاده کرد، ولی امروزه در عصر اطلاعات با حجم فراوانی از داده‌ها مواجه هستیم بهتر است راه حل‌هایی برای مدیریت داده ها ارائه شود.
عباسی و همکارانش در سال 2007 با ترکیب کردن الگوریتم ژنتیک با الگوریتم سودمندی اطلاعات روش انتخاب خصیصه EWGA را ارائه دادند با استفاده از این روش توانستند به دقت طبقه‌بندی 95% دست یابند[3] . این الگوریتم انتخاب خصیصه به خوبی کار می‌کند، ولی پیچیدگی زمانی این روش قابل توجه است. عباسی و همکارانش مقایسه‌ای که در مقاله سال 2013 خود انجام داده‌اند زمان لازم برای انتخاب سودمندترین خصیصه‌ها برای الگوریتم ژنتیک/سودمندی اطلاعات را بالغ بر 6000 دقیقه بیان کرده‌اند. لذا برای تحلیل داده ها با حجم زیاد نمی‌توان به این روش ها متکی بود.
ما برای حذف خصیصه‌های غیر مفید همانطور که پیش از این نیز به آن اشاره کرده‌ایم از روش‌های تک متغیره استفاده خواهیم کرد.
فصل بعد به ارائه روش پیشنهادی خواهیم پرداخت. در این رساله سه روش با کاربردهای متفاوت ارائه شده است. سپس روش های مورد نظر برای زبان فارسی نیز تعمیم داده شده‌اند و بر مجموعه داده زبان فارسی نیز اعمال شده اند.
شکل 2-2 مهمترین روش های انتخاب خصیصه چند متغیره

فصل سوم روش پیشنهادی
پیش گفتار
هدف اصلی این نوشتار ارائه مدلی جامع برای اسناد می‌باشد. قصد داریم مجموعه‌ای از خصیصه‌ها را ارائه دهیم و با استفاده از آنها به مدلی از اسناد دست یابیم. با داشتن مدل مناسب از اسناد دیگر نیازی به استفاده کردن از روش‌های پیچیده انتخاب خصیصه نخواهد بود.
در این فصل به توضیح و تشریح روش ارائه شده خواهیم پرداخت. با مطالعه و بررسی مقالات و تحقیقات ارائه شده به این نتیجه دست یافتیم که بهتر است برای تحلیل احساس در متن، از مجموعه خصیصه‌هایی استفاده کنیم که قادر باشند بیشترین اطلاعات لازم برای تحلیل احساس را در اختیار الگوریتم طبقه‌بندی اسناد قرار دهند، به این ترتیب می‌توان دقت طبقه‌بندی اسناد را افزایش داد.
هدف این رساله ارائه روشی برای تحلیل احساسات و عقاید موجود در متن می‌باشد. به گونه‌ای که این تحلیلگر اسناد موجود در مجموعه داده‌ها را در دو طبقه، اسناد حاوی نظرات مثبت و اسناد حاوی نظرات منفی دسته بندی ‌کند. اولین مشکلی که برای تحلیل احساس وجود دارد ارائه مدلی کامل و مفید برای اسناد متنی می‌باشد. برای حل این مشکل مجموعه خصیصه‌های متفاوتی مورد بررسی قرار گرفته‌اند و از این میان تلاش شده مناسب‌ترین خصیصه‌ها را انتخاب کنیم.
مشکل دوم در تحلیل احساسات و عقاید تعداد زیاد خصیصه‌ها می‌باشد. این مسئله باعث بروز مشکلاتی دیگری مانند خصیصه‌های افزونه و خصیصه‌های غیر مرتبط می‌شود. لذا باید برای انتخاب کردن خصیصه‌های سودمند از میان هزاران خصیصه راهی اندیشیده شود. روشی که اینجا ارائه شده است فیلتر کردن خصیصه‌ها در چند مرحله است. در ابتدا با استفاده از Wordnet و Sentiwordnet خصیصه‌ها را فیلتر می‌کنیم، به این ترتیب تعداد خصیصه‌ها کاهش می‌یابد. در مرحله بعد از الگوریتم انتخاب خصیصه ساده و با حداقل پیچیدگی زمانی استفاده می‌کنیم.
یکی از ویژگی‌های ذاتی خصیصه‌های N-gram پراکندگی آنها است. پراکندگی باعث افزایش تعداد خصیصه‌ها همچنین کاهش اثرگذاری خصیصه‌های bigram و trigram می‌شود.
منابع مورد نیازبرای پیاده سازی روش پیشنهادی به منابع داده‌ای و نرم افزاری نیاز خواهیم داشت. در این رساله برای آزمودن پایداری روش پیشنهادی از چهار مجموعه داده استفاده شده است.
مجموعه داده بازبینی فیلم‌ها یکی از معروفترین مجموعه داده‌ها است که در سال 2002 توسط pang و همکارانش ارائه شده است [4]. این مجموعه حاوی 2000 سند بازبینی استخراج شده از سایت IMDB است. این اسناد در دو گروه نظرات مثبت و نظرات منفی دسته بندی شده‌اند. 1000سند حاوی نظرات مثبت درباره فیلم‌ها می‌باشد و 1000 سند نیز حاوی نظرات منفی کاربران می‌باشند، لذا می‌توان برای طبقه‌بندی اسناد، مبتنی بر ناظر از آنها استفاده کرد.
مجموعه داده‌هایی از بازبینی‌های کاربران در سایت آمازون جمع آوری شده است[13]. این مجموعه داده حاوی نظرات کاربران درباره کالاهای متفاوت آمازون است. از این داده‌ها، سه مجموعه داده بازبینی کالاهای الکترونیکی،dvd و کتاب را برای تست و ارزیابی عملکرد روش پیشنهادی انتخاب کرده‌ایم. این مجموعه داده‌ها هر کدام شامل 2000 سند بازبینی می‌باشد. این اسناد مانند مجموعه داده بازبینی فیلم‌ها در دو گروه اسناد مثبت و منفی دسته بندی شده‌اند.
در خلال پیاده‌سازی نیاز خواهیم داشت نقش ادات سخن هر کلمه را در جمله داشته باشیم لذا برای دست یافتن به این هدف از کتابخانه جاوا دانشگاه استنفورد که توسط تیم پردازش زبان طبیعی این دانشگاه تهیه شده است استفاده کردیم.
برای یافتن معادل‌های معنایی کلمات به Wordnet و کتابخانه ای جاوا JWNL نیاز خواهیم داشت. در این رساله از Sentiwordnet نیز استفادده می‌کنیم. Sentiwordnet نسخه ای از wordnet است، که در آن علاوه بر اطلاعات Wordnet، به هر کلمه یک وزن مثبت و یک وزن منفی داده می‌شود. مجموع وزن مثبت و وزن منفی یک کلمه را پلاریته کلمه گویند(شکل 3-1) [9].
برای طبقه‌بندی اسناد از نرم افزار weka 3.6 استفاده می‌کنیم.
شکل 3-1 Sentiwordnet برای هر کلمه یک وزن مثبت و منفی تخصیص می‌دهد. مجموع این وزن را پلاریته کلمه گویند.

در ادامه روش‌های پیشنهادی و مراحل هر کدام از آنها را بیان خواهیم کرد. روش پیشنهادی اول دارای مشکلاتی است که با حل کردن آنها به روش‌های دوم و سوم دست می‌یابیم که دقت عملکرد بهتری نسبت به روش اول را دارند. در پایان نیز روش پیشنهادی اول را به مجموعه داده زبان فارسی اعمال می کنیم.
روش پیشنهادی اولدر روش پیشنهادی اول قصد داریم مجموعه مفیدی از خصیصه را ارائه دهیم. کارهای و تحقیقات قبلی که به منظور تحلیل احساس در متن به انجام رسیده‌اند نشان داده‌اند که بکار گرفتن ترکیبی از خصیصه‌ها همواره با بهبود دقت طبقه‌بندی همراه خواهد بود. مدلسازی اسناد با استفاده از ترکیب خصیصه ها باعث افزایش قابل توجه تعداد خصیصه‌ها خواهد شد این خود مشکلی بر سر راه ترکیب خصیصه‌ها است. در این رساله پیشنهاد شده است با استفاده از فیلترینگ چند مرحله از این مشکل رها شویم.
شکل 3-2 نمای کلی روش پیشنهادی اول را نشان می‌دهد.
در ابتدا مجموعه‌ای از اسناد را درون یک پایگاه داده داریم. اسناد خوانده شده و پیش پردازش‌هایی بر روی آنها انجام می‌شود. پیش پردازش، متن را برای مراحل بعدی آماده خواهد کرد. پس از آن برچسب گذاری ادات سخن با بکارگیری کتابخانه جاوا استنفورد انجام می‌شود. حال نقش هر کلمه مشخص شده است و می‌توان پلاریته آن را از Setniwordnet استخراج کرد. مرحله بعد خصیصه‌های مورد نیاز را استخراج می‌کنیم. فیلترهای اولیه را بر روی بردار خصیصه‌ها اعمال می‌کنیم، و در پایان فایل ساختار یافته از بردار خصیصه‌ها را با استفاده از WEKA طبقه‌بندی می‌کنیم.
شکل 3-2 شمای کلی روش پیشنهادی اول
پیش پردازش اسنادهر سند حاوی متون بازبینی، نظرات، احساسات و عقاید کاربران است. همه متن این اسناد در تحلیل احساس مفید واقع نخواهد شد. همچنین قالب و فرمت متن باید به گونه‌ای تغییر یابد تا علاوه براینکه بتواند مدل مناسبی از اسناد را ارائه دهد، به قالب ساده و مناسب برای پردازش در مراحل بعدی تبدیل شود. شکل 3-3 شمای کلی پیش پردازش را نشان می‌دهد.
شکل 3-3 شمای پیش پردازش اسناد
ورودی این مرحله، مجموعه‌ای از اسناد متنی، حاوی نظرات، احساسات و عقاید کاربران است. در مرحله اول از فرایند پیش پردازش کلمات Stopword‌ حذف می‌شوند. Stopword‌ کلمات و عباراتی هستند که هیچ کمکی به فرایند طبقه‌بندی اسناد، در جهت تحلیل احساس موجود در متون نمی‌کنند. در جدول زیر مجموعه‌ای از Stopword‌ مورد استفاده در این رساله را تدارک دیده‌ایم. مجموعه ثابت و یکسانی برای Stopword ها وجود ندارد بلکه برای حوزه‌های متفاوت در پردازش زبان طبیعی از Stopword های متفاوتی استفاده شده است. مجموعه Stopword های مورد استفاده در این تحقیق را در جدول 3-1 می‌بینیم. در این مرحله از فرایند پیش پردازش ابتدا هر سند خوانده شده و پس از حذف Stopword‌ ها سایر کلمات باقی مانده به مرحله بعدی هدایت می‌شوند.
در مرحله دوم از فرایند پیش‌پردازش مدیریت کلمات منفی ساز انجام می‌شود. کلمات منفی سازی که در این تحقیق مورد توجه قرار گرفته‌اند، عبارت‌اند از not، never و no.
جدول 3-1 لیست Stopwords
werewhatwhenwherewhichwhilewhowhomwhywithwouldyouyouryoursyourselfyourselves
nonornotofoffononceonlyother ourselvesoutoverownsamesheshouldsosomesuchthanthatthetheirtheirsthemthemselvesthentherethesetheythisthosethroughtotoounderuntilupverywaswe
does
or downduringeachfewforfromfurtherhadhashavehavingheherherehersherselfhimhimselfhishowiifinintoisititselfmemoremostmymyselfoughtourours aaboutaboveafteragainagainstallamanandanyareasatbebecausebeenbeforebeingbelowbetweenbothbutbycannotcoulddiddo
جملاتی که حاوی کلمات منفی ساز هستند به این طریق اصلاح می‌شوند، که دو کلمه قبل از کلمه منفی‌ساز و دوکلمه بعد از آن را با افزودن NOT به فرم منفی قراردادی تبدیل می‌کنیم، در هر صورت اگر به علامت نقطه‌گذاری رسیدیم منفی‌سازی را متوقف می‌کنیم و در نهایت کلمه منفی‌ساز را از جمله حذف می‌کنیم. مثلا جمله “I like hamid, but I don’t like javad.” پس از حذف Stopword‌ها به فرم “Like hamid, do not like javad” تبدیل می‌شود. در مرحله بعد دو کلمه قبل و دو کلمه بعد از کلمه منفی‌ساز به فرم “Like hamid, do_NOT not Like_NOT javad_NOT.” تبدیل می‌شود. در گام آخر نیز کلمه منفی ساز از جمله حذف می‌شود، بنابراین جمله مذکور به شکل “Like hamid, do_NOT Like_NOT javad_NOT“ تبدیل می‌شود، قبل از کلمه منفی‌ساز Not کلمه do و یک کاما وجود دارد. لذا با رسیدن به اولین علامت نقطه‌گذاری(کاما در این مثال) منفی‌سازی را متوقف می‌کنیم، و تنها یک کلمه‌ی do قبل از not به فرمت منفی قراردادی تبدیل می‌شوند، ولی بعد از not دو کلمه به فرمت منفی قراردادی تبدیل می‌شوند. اصلاح جملات حاوی کلمات منفی ساز به این دلیل انجام می‌شود که در مدل Unigram اسناد بتوانیم معنای منفی جمله را وارد کنیم. خروجی این مرحله جملات اصلاح شده متن هستند؛ جملاتی که برخی کلمات غیرمفید آنها حذف شده است و ساختار جملات حاوی کلمات منفی ساز نیز با ساختار قرار دادی جایگزین شده است. اسناد برای پردازش به مرحله بعدی هدایت می‌شود.
در ادامه فرایند پیش‌پردازش نیز همه اسناد به توکن‌های تشکیل دهنده خود تجزیه می‌شوند. در ادامه بیشتر با توکن‌های هر سند کار خواهیم کرد و دیگر کمتر به متن خام و بدون پیش پردازش نیاز خواهیم داشت.
برچسب گذاری ادات سخندر این مرحله با استفاده از کتابخانه پردازش زبان طبیعی استنفورد، برچسب ادات سخن هر کلمه را مشخص می‌کنیم. استفاده از برچسب ادات سخن برای رفع ابهام کلمات با چند معنای متفاوت بسیار مفید خواهد بود و تا حدی قادر است این ابهام را رفع کند. شکل 3-4 مثالی از عملکرد برچسب گذار استنفورد را مشخص می‌کند. همانطور که در شکل 3-4 دیده می‌شود کلمه Like در متن با دو معنای متفاوتش به کار رفته است. معنای اول "علاقمند بودن" که می‌تواند به فرایند تحلیل احساس کمک کند، معنای دوم "مانند"، که بیشتر نقش یک Stopword را دارد و کمکی به فرایند تحلیل احساس نمی‌کند. در این مرحله متون پیش پردازش شده با استفاده از کتابخانه استنفورد برچسب گذاری می‌شوند و سپس هر سند به مجموعه توکن‌/نقش سخن توکن تبدیل می‌شود.
POS Tagger
I/PRP like/VBP you/PRP ./. You/PRP are/VBP like/IN my/PRP$ mother/NN ./.
I like you. You are like my mother.
شکل3-4 برچسب گذار استنفورد: در این شکل یک مثال از عملکرد POS Tagger استنفورد را می‌بینیم، خروجی به این شکل تولید می‌شود که به هر کلمه POS آن اضافه شده و کلمه-POS مطابق شکل تولید می‌شود.

استخراج بردار خصیصه‌ها و ترکیب خصیصه‌هااین مرحله مهمترین مرحله از فرایند تحلیل احساس می‌باشد. باید مجموعه خصیصه‌هایی را انتخاب کنیم که به خوبی اسناد موجود در مجموعه داده‌ها را مدل‌سازی کنند. همچنین این مدل‌های ایجاد شده سودمندترین اطلاعات برای تحلیل احساس را در خود داشته باشند. توجه داشته باشیم مدل‌های مناسب زیادی برای یک سند می‌توان ارائه داد ولی مهمترین مسائله که باید مورد توجه قرار گیرد، این است که کدام یک از این مدل‌ها برای فرایند تحلیل احساس مفید می‌باشد. مثلا عباسی و همکارانش برای ارائه مدل‌ مناسب از هر سند مجموعه بسیار کاملی از خصیصه‌ها را بکار گرفتند [1]. این مجموعه خصیصه‌ها در جدول 2-2 بیان شده‌اند. استفاده از این مجموعه کامل از خصیصه‌ها که بسیاری از آنها با یکدیگر همپوشانی دارند باعث افزایش غیر قابل توجیه تعداد خصیصه‌ها خواهد شد، عباسی و همکارانش برای حل این مشکل از الگوریتم انتخاب خصیصه شبکه ارتباطی خصیصه‌ها استفاده کرده‌اند، این الگوریتم پیچیدگی زمانی بالایی دارد؛ علاوه بر آن افزایش قابل توجهی در دقت طبقه‌بندی نیز حاصل نشده است. میتال و آگراوال در سال 2013 مدلی ارائه داده‌اند، آنها در این مدل تنها ترکیبی از خصیصه‌های unigram و bigram را استفاده کرده‌اند [5]. آنها از الگوریتم انتخاب حداقل افزونگی – حداکثر وابستگی استفاده کردند؛ این الگوریتم علارغم اینکه پیچیدگی زمانی کمتری نسبت به شبکه ارتباطی خصیصه(ارائه شده در [1] ) دارد ولی نسبت به سایر الگوریتم‌های تک متغیره بیان شده در بخش‌های قبل پیچیدگی زمانی بیشتری دارد.
خصیصه‌های 2-gram و 3-gram دارای پراکندگی بیشتری نسبت به خصیصه‌های unigram هستند. به همین دلیل استفاده از این خصیصه‌ها باعث کاهش دقت طبقه‌بندی می‌شود. ولی چنانچه این خصیصه‌ها به همراه unigram برای مدلسازی سند به کار روند، باعث بهبود دقت طبقه‌بندی می‌شوند [25].
خصیصه‌های N-POSWORD که مثالهایی از آن را در بخش قبل بیان کردیم باعث کاهش ابهام معنایی کلمات چند معنای خواهند شد لذا به فرایند تحلیل احساس کمک می‌کنند. جدول3-3 مثالی برای رفع ابهام نشان می‌دهد؛ در این مثال کلمه مبهم کلمه like است. like با دو معنای متفاوت بکار رفته، این ابهام معنایی با بهره‌گیری از خصیصه‌های N-POS برای طبقه بند قابل رویت خواهد بود.
جدول 3-2 مثال برای رفع ابهام با استفاده از برچسب ادات سخن
I like you. You are like my mother. جمله مثال
I/PRP like/VBP you/PRP ./. You/PRP are/VBP like/IN my/PRP$ mother/NN ./.
عبارت برچسب گذاری شده

منبع علمی مقاله user861

جدول 1-1 تصمیمات در زنجیره تامین و سطوح مربوط به آنها ..............................................................5
جدول 1-2 انواع ریسک و منبع آن از نظر چوپرا و میندل 2007 .........................................................14
جدول 2-1 تحقیقات صورت گرفته در زمینه مدیریت زنجیره تامین ...................................................43
جدول 2-2 اصطلاحات و علایم اختصاری در طراحی شبکه زنجیره تامین .........................................50
جدول 2-3 تحقیقات انجام شده در طراحی شبکه زنجیره تامین، مجید رمضانی و همکاران 2013 ...................51
جدول 4-1 مقادیر پارامترهای الگوریتم NSGA II ...........................................................................90
جدول 4-2 نتایج مسایل کوچک طراحی شده و مقایسه روش دقیق و فرا ابتکاری ............................. 91
جدول 4-3 اطلاعات مربوط نقاط کاندید تولید کننده برای مثال 8 ............................................... 92
جدول 4-4 اطلاعات مربوط به نقاط کاندید مراکز توزیع برای مثال شماره 8 ................................ 93
جدول 4-5 اطلاعات مربوط به تقاضای مشتریان برای مثال شماره 8 ............................................ 93
جدول 4-6 اطلاعات مربوط به هزینه انتقال از تولیدکننده گان به مراکز توزیع برای مثال8 ............. 93
جدول 4-7 اطلاعات مربوط به هزینه انتقال از مراکز توزیع به مشتریان برای مثال شماره 8 .......... 94
جدول 4-8 حدود بالا و پایین توابع هدف برای مثال 8 ................................................................. 94
جدول 4-9 مقادیر بهینه پارتو برای مثال 8 .......................................................................................... 95
جدول 4-10 اطلاعات مربوط به احداث یا عدم احداث نقاط کاندید تولید ......................................... 95
جدول 4-11 اطلاعات مربوط به احداث یا عدم احداث نقاط کاندید توزیع ........................................95
جدول 4-12 اطلاعات مربوط به نحوه انتقال از تقاط تولید به مراکز توزیع ..................................... 96
جدول 4-13 اطلاعات مربوط به نحوه انتقال مراکز توزیع به مشتریان ............................................ 96
جدول 4-14 اطلاعات مربوط به بودجه پشتیبان نقاط تولید ............................................................... 97
جدول 4-15 اطلاعات مربوط به بودجه پشتیبان نقاط تولید .............................................................. 97
جدول 4-16 اطلاعات مربوط به زمان ترمیم نقاط تولید .......................................................................97
جدول 4-17 اطلاعات مربوط به زمان ترمیم مراکز توزیع .......................................................................97
جدول 4-18 اطلاعات مربوط به بودجه برون سپاری نقاط تولید ...........................................................97
جدول 4-19 اطلاعات مربوط به بودجه برون سپاری نقاط تولید ......................................................... 98
جدول 4-20 نتایج حل مساله در ابعاد بزرگ با الگوریتم NSGA II .............................................................92
فهرست شکل ها و نمودارها
شکل 1-1 رویکرد تانگ برای مدیریت ریسک در زنجیره تامین ............................................................15
شکل 3-1 نمایی از مدل مورد بررسی .................................................................................................57
شکل 2-3 نحوه نمایش بخش اول کروموزوم .....................................................................................67
شکل 3-3 نحوه نمایش بخش دوم کروموزوم ........................................................................................68
شکل 4-3 مرحله اول دکدینگ کردن توزیع کننده – مشتری ...............................................................68
شکل 5-3 مرحله دوم دکدینگ کردن توزیع کننده – مشتری .................................................................69
شکل 6-3 مرحله سوم دکدینگ کردن توزیع کننده – مشتری .............................................................69
شکل 7-3 مرحله چهارم دکدینگ کردن توزیع کننده – مشتری ...........................................................70
شکل 8-3 مرحله پنجم دکدینگ کردن توزیع کننده – مشتری .............................................................70
شکل 9-3 شکل نهایی دکدینگ کردن توزیع کننده – مشتری .......................................................70
شکل 10-3 مرحله اول دکدینگ کردن تولید کننده- توزیع ..................................................................71
شکل 11-3 مرحله دوم دکدینگ کردن تولید کننده- توزیع ...............................................................71
شکل 12-3 مرحله نهایی دکدینگ کردن تولید کننده- توزیع ............................................................71
شکل13-3 نمایش نهایی بخش اول کروموزوم تولید کننده ...............................................................71
شکل 14-3 نمایش نهایی بخش دوم کروموزوم توزیع .......................................................................71
شکل 3-15 قدم های الگوریتم NASG II .....................................................................................72
شکل 16-3 روش مرتب سازی نامغلوب سریع .................................................................................74
شکل 3-17 رویه محاسبه فاصله ازدحامی ........................................................................................75
شکل 3-18 محاسبه فاصله ازدحام ......................................................................................................76
شکل 3-19 بخش اول عملگر تقاطع ..............................................................................................77
شکل 3-20 بخش دوم عملگر تقاطع ...............................................................................................78
شکل 3-21 بخش اول عملگر جهش ..............................................................................................79
شکل 3-22 بخش دوم عملگر جهش ............................................................................................79
شکل 3-23 شبه کد الگوریتم شبیه سازی تبرید ................................................................................84

فصل اول
مقدمه و کلیات تحقیق
1-1.مقدمه
رقابت شدید و تغییرات سریع در بازارها واولویت های مشتری و همچنین توسعه سریع تکنولوژی و جهانی سازی ،سازمان ها را مجبور میکند که بجای فعالیت کردن به صورت انفرادی ،به صورت اعضای یک زنجیره تامین فعالیت کنند.[109] تسهیم سود،به اشتراک گذاشتن ارزش و در نهایت تعدیل خطرات در زنجیره ای از اقدامات ارزش آفرین منجر به توسعه مفاهیمی راهبردی در یک نظام زنجیره ای شده است.در بازار رقابتی موجود در عصر حاضر بنگاههای اقتصادی و تولیدی علاوه بر پرداختن به سازمان ومسایل داخلی خود،به مدیریت و نظارت بر منابع و ارکان مرتبط خارج از سازمان نیز توجه زیادی میکنند. این یک آگاهی عمومی است که سازمان ها نمی توانند به عنوان نهاده‌های ایزوله شده رقابت کنند و واضح است که کارکردن با یکدیگر در یک شبکه میتواند راحتر باشد. .علت این امر دستیابی به مزیت یا مزایای بازار رقابتی و در نهایت با هدف کسب سهم بازار بیشتر است. از این رو موفقیت نهایی یک سازمان به توانایی مدیریتی آن در یکپارچه‌سازی شبکه پیچیده‌روابط کسب وکار بین شرکای زنجیره تامین‌بستگی خواهد داشت. [72]
موفقیت یک زنجیره تامین به یکپارچگی و هماهنگی همه نهاده های آن جهت ایجاد یک فرم از ساختار شبکه کارا،بستگی دارد.یک زنجیره تامین کارا منجربه فرایند های بهینه در سراسر زنجیره تامین میشود و به انجام واکنش سریع به نیاز های مشتری کمک میکند .[109] یک زنجیره تامین شامل چهار نهاده اصلی شامل تامین کننده ها ، تولیدکننده ها ، مراکز توزیع و نقاط تقاضا میباشد )، که شامل مسایلی مانند انتقال مواد خام جهت تولید محصول نهایی به تولید کنندگان و تحویل آن به مشتری نهایی است . مهم ترین هدف این زنجیره بر طرف کردن نیازهای مشتری، با کمینه کردن هزینه هایی است که در این راستا بوجود می آید . امروزه زنجیرهای تامین پیچیده ترشده و این باعث آسیب پذیرتر شدن و در معرض ریسکهای مختلف قرار گرفتن آن گردیده است. یکی از مهمترین ریسک هایی که در این پایان نامه مورد بررسی قرار گرفته است، اختلال در تسهیلات در زنجیره تامین میباشد.
1-2.مدیریت زنجیره تامین:
در دنیای رقابتی امروز به خاطر مسایلی چون کوتاه شدن عمر محصولات،جهانی شدن بازارها،افزایش دانش و قدرت انتخاب مشتریان و تغییر الگوهای تقاضا ، مدیران بسیاری از صنایع و بنگاههای اقتصادی و تولیدی دریافتند که برای ادامه حضور در بازار رقابتی و کسب سهم بازار بیشتر،تنها بهبود فرایند های داخلی سازمان کافی نیست بلکه تامین کنندگان نیز باید قطعات و مواد اولیه را با بهترین کیفیت و کمترین هزینه تولید کنند و توزیع کنندگان محصولات نیز باید ارتباط نزدیکی با سایست های توسعه بازار تولید کننده داشته باشند.با چنین نگرشی رویکردهای زنجیره تامین و مدیریت آن پا به عرصه وجود نهادند.[20]
بطور کلی زنجیره تامین زنجیره ایست که همه فعالیت های مرتبط با جریان کالا و تبدیل مواد از مرحله تهیه ماده اولیه تا مرحله تحویل محصول نهایی به مصرف کننده را شامل میشود.[138] بر اساس گفته چوپرا و میندل زنجیره تامین شبکه ای از سازمان ها است که وظیفه تولید،فروش و تحویل یک محصول یا خدمت را برای بخشی از بازار به عهده دارند. همچنین این افراد در سال 2007 نیز بیان داشتند که درون هر سازمانی ،مثل تولید کننده ، رنجیره تامین شامل همه وظایف در بر گرفته دریافت و برآورده کردن درخواست مشتری است.این وظایف شامل توسعه محصول جدید ،بازاریابی، عملیات، توزیع، مالی، سرویس مشتری و دیگر وظایف مرتبط با براورده کردن درخواست‌های مشتری است. بر این اساس ، فعالیت هایی نظیر برنامه ریزی عرضه و تقاضا، فراهم کردن مواد اولیه، تولید، نگهداری کالا، کنترل موجودی، توزیع و تحویل خدمت به مشتری که در گذشته در سطح سازمان انجام میگرفتند،اینک به سطح زنجیره تامین انتقال یافته اند.مساله کلیدی در زنجیره تامین ، مدیریت و کنترل هماهنگ تمام این فعالیت هاست.مدیریت زنجیره تامین پدیده ایست که این مدیریت وهماهنگی را به گونه ای انجام میدهد که مشتریان بتوانند خدمت سریع و قابل اطمینان را با کیفیت بالا و کمترین هزینه ممکن دریافت کنند.در حقیقت از آنجایی که مشتریان ونیازهایشان علت زنجیره تامین هستند،هدف زنجیره تامین کمینه سازی هزینه های سیستم ودر عین حال برآورده کردن نیازهای سطح خدمت است. [138] در تعریفی دیگر سیمچی لوی و همکاران 2003 مدیریت زنجیره تامین را مجموعه ای از فعالیت ها تعریف میکنند که تمام تامین کنندگان ،تولیدکنندگان، انبارهای مربوط به نگهداری کالا ها و خدمات و فروشگاهها را به صورت کارا یکپارچه میکنند، به نحوی که کالا ها در مقدار مناسب،مکان مناسب و زمان مناسب و در حد اقل هزینه ها و دقیقا منطبق با نیاز های مشتریان تولید شده و توزیع گردد.[121] همچنین بر اساس گفته لالمنت و همکاران در سال 2008 زنجیره تامین میتواند به خط لوله ای از جریان اطلاعات و مواد فیریکی بین تامین کننده ها و مشتریان تشبیه کرد. بر اساس یک نقطه نظر عملیاتی،این خط لوله شبیه یک فرایندی از عملیات ها که توزیع شده است،کار میکند.بنابرین زنجیره تامین صرفا یک ساختار خطی نیست بلکه در حقیقت یک شبکه است. همچنین لالمنت در سال 1998، وو و چانگ در سال 2009 بیان داشتند که مدیریت شبکه زنجیره تامین میتواند به عنوان یکپارچه سازی فرایند های کلیدی تجارت تعریف گردد،بنابراین سیستم مدیریت زنجیره تامین تنها زمانی میتواند موفق باشد که همه فرایندهای مورد نیاز تجارت را تحت پوشش قرار دهد .[14] لووی در سال 2004 معتقد است زنجیره تامین یک تمرکز مهم از برتری رقابتی برای تجارت سازمان ها دارد .مطالعه مدیریت زنجیره تامین بر روی اینکه چطور یک سازمان ارزش کلی سازمان را از طریق استفاده و بکارگیری بهتر منابع در سراسر سازمان ماکسیمم کند ، تاکید میکند.[60] راس در سال 2011 مدیریت زنجیره تامین را از سه دیدگاه استراتژیکی، تاکتیکی و تکنولوژیکی مورد بررسی قرار داده است .از دیدگاه استراتژیکی ، مدیریت زنجیره تامین ، شرکای تجاری زنجیره را به ایجاد همکاری های مشترک به منظور افزایش توان رقابتی کل زنجیره سوق میدهد.از دیدگاه تاکتیکی مدیریت زنجیره تامین به عنوان تکنیک مدیریت عملیات ها در نظر گرفته میشود که به دنبال بهینه سازی قابلیت های عملیاتی سازمان ها و سپس هدایت سازمان ها برای جستو جوی مداوم فرصت های کاهش هزینه و افزایش توان عملیاتی در زنجیره تامین است.و در نهایت از دیدگاه تکنولوژیکی فناوری های اطلاعات نوین باعث ایجاد تعامل و یکپارچگی بیشتری در بین اعضای زنجیره شده و این همکاری ایجاد شده،شرکت ها را قادر میسازد تا به طور چشمگیری درآمد ها،هزینه ها و استفاده از سرمایه ها را فراتر از وابستگی به قابلیت‌ها و منابع داخلی خود بهبود بخشند . [110] مسایل در زنجیره تامین در سه سطح مورد بررسی قرار میگرد.سطح اول مسایل استراتژیک که جز برنامه ریزی بلند مدت محسوب میشود،که میتوان به جایابی تسهیلات،انتخاب تامین کننده گان وتولید کنندگان اشاره کرد،در سطح دوم سطح تاکتیکی نام دارد و جز مسایل میان مدت است، مسایلی مانند لجستیک،تولید و موجودی مورد بررسی است و سطح سوم مربوط به مسایل عملیاتی است و جز مسایل کوتاه مدت است که به مسایلی چون زمانبندی ، مسیر یابی و غیره میپردازد.[11] در جدول زیر لیستی از تصمیماتی که در غالب یک مدل برنامه ریزی زنجیره تامین میتوان اتخاذ نمود را تهیه و نوع افق برنامه ریزی این تصمیمات مبتنی بر تعاریف ارایه شده را تعیین میکنیم.
center0جدول 1-1 تصمیمات در زنجیره تامین و سطوح مربوط به آنها
00جدول 1-1 تصمیمات در زنجیره تامین و سطوح مربوط به آنها

سطوح برنامه ریزی نوع تصمیم در زنجیره تامین ردیف
عملیاتی تاکتیکی استراتژیک زمانبندی ماشین ها 1
زمانبندی وسایل نقلیه 2
مسیر یابی وسایل نقلیه 3
زمانبندی تحویل 4
زمان بندی توزیع 5
زمانبندی تولید 6
تعیین نقاط تامین 7
مکان یابی کارخانه 8
انتخاب تکنولوژی جدید 9
تعیین کانال های توزیع 10
انتخاب سیستم حمل و نقل 11
مکان یابی انبارهای توزیع 12
تعیین ظرفیت انبارها 13
برنامه ریزی تولید 14
انتخاب تامین کننده 15
تعیین ظرفیت احداث کارخانه 16
راهکارهای غلبه بر تورم 17
سیاست های توسعه زنجیره تامین 18
کنترل جریان نقدینگی 19
تمایز محصول در نقاط مختلف 20
مقدار بهینه سفارش دهی از مواد اولیه 21
مقدار تولید محصول نهایی 22
تخصیص انبار ها به هر یک از کارخانه ها 23
تخصیص مشتریان به هر یک از انبار ها 24
میزان ارسالی از هر خانواده محصول به هر یک از انبار ها 25
سطح موجودی از هر محصول 26
تعیین نوع وسایل نقلیه برای حمل کالا 27
موجودی نهایی کارخانه در هر بازه زمانی 28
حجم انتقال محصول توسط هر یک از وسایل نقلیه 29
حجم برونسپاری هر یک از محصولات در بازه زمانی 30
میزان خرید از هر یک از مواد اولیه از فروشنده 31
انتخاب پیمانکار تولید محصولات نیمه ساخته 32

1-3.طراحی شبکه زنجیره تامین :
طراحی شبکه زنجیره تامین مهمترین تصمیم استراتژیک در مدیریت زنجیره تامین است که نقش مهمی در اجرای محیطی و اقتصادی زنجیره تامین دارد . در حالت کلی طراحی شبکه زنجیره تامین شامل تعیین مکان ،تعداد و ظرفیت تسهیلات شبکه و ایجاد جریان مواد بین آنهاست.[88]
دو ویژگی مهمی که در طراحی شبکه زنجیره تامین مورد توجه قرار میگیرد پایایی و مقاوم‌سازی است . بر اساس گفته های بانچاچ در سال 2006 پایایی بدین صورت تعریف شد: احتمال اینکه یک سیستم یا اجزای آن وظایف مورد انتظار خود را درون یک افق زمانی و محیط معین اجرا کنند. وی ضمنا مقاوم سازی را اینگونه تعریف کرده است : توانایی سیستم در اجرای نسبتا خوب وظایف مورد انتظار با وجود نقص هایی در اجزا یا زیر سیستم ها. بنابراین یک زنجیره تامین زمانی مقاوم است که با در نظر گرفتن عدم قطعیت در شرایط آینده مثل تقاضا ،زمان تدارک، عرضه و غیره، به درستی ایفای نقش کند و زمانی یک زنجیره تامین پایاست که در مواقعی که بخشی از سیستم دچار نقص شده ،برای مثال زمانی یک مرکز توزیع به خاطر شرایط آب وهوایی از دسترس خارج شود، به درستی ایفای نقش کند.[16]
تعاریف متفاوتی از طراحی شبکه زنجیره تامین در ادبیات موجود است که به چند تا از آنها در زیر اشاره شده است . بر اساس گفته هریسون طراحی شبکه زنجیره تامین شامل مسایلی چون کدام تسهیلات در شبکه زنجیره تامین باشند(کارخانه ها و انبارها)،اندازه و مکان آنها و احداث رابطه حمل و نقل میان اعضای زنجیره تامین ،همچنین چگونگی جریان مواد بین آنها ،است.همچنین بر اساس گفته وی تصمیمات طراحی شبکه مناسب به کاهش هزینه بین 5 تا 60 درصدی ،با وجود 10 درصد خروجی نرمال از پروژه طراحی شبکه زنجیره تامین، منجر میشود.طراحی شبکه زنجیره تامین یک تعهد و ماموریت پیچیده است . وی همچنین معتقد است طراحی شبکه زنجیره تامین هسته برنامه ریزی استراتژیک در مدیریت زنجیره تامین است . چه ایجاد یک پیکر بندی جدید شبکه یا برای طراحی دوباره یک شبکه موجود.[50]
از نظر امرانی و همکاران 2011 یک مساله استاندارد طراحی شبکه زنجیره تامین شامل چگونگی پیکربندی شبکه و ماموریت مکان آنهاست.در این طراحی بعضی از تسهیلات ممکن است احداث یا عدم احداث شوند. هر تسهیل انتخابی به یک یا چندین محصول،فعالیت های مونتاژ یا توزیع با توجه به ظرفیت موجود در هر مکان تخصیص داده شده است. ماموریت هر تسهیل همچنین باید مشخص شده باشد.تامین کنندگان مواد خام کلیدی باید انتخاب شده باشند.برای بازار هر محصول باید یک سیاست بازاریابی و سطوح موجودی و همچنین کمترین و بیشترین سطوح فروش انتخاب شده باشد. هدف معمول در این زنجیره ماکسیمم کردن سود خالص در طول افق برنامه ریزی است.هزینه های معمول شامل هزینه های ثابت مکان و پیکربندی تسهیلات، هزینه های ثابت فروشنده و انتخاب سیاست بازار و همچنین هزینه های متغییر شامل تولید، جابجایی، کمبود، موجودی و حمل ونقل است.[147]
ان شاه و همکاران در سال 2007 معتقدند که طراحی و تاسیس شبکه زنجیره تامین یک تصمیم استراتژیک است وتاثیرات آن چندین ساله خواهد بود وممکن است در طول این چند سال بعضی از پارامتر های محیط تجارت مثل تقاضای مشتری تغییر کند . از اینرو برخی از پارامترهای اساسی مثل تقاضای مشتریان کاملا غیر قطعی هستند.به عبارت دیگر احداث یا عدم احداث یک تسهیل بسیار زمانبر و پر هزینه است و ایجاد تغییر در تصمیم مکان تسهیلات با در نظر گرفتن نوسان پارامترها در یک زمان کوتاه غیر ممکن است . بنابراین زنجیره تامین باید با در نظر گرفتن پارامترهای غیر قطعی مقاوم طراحی شود .در غیر این صورت تاثیر نوسانات پارامترها در طول زمان بسیار هنگفت خواهد بود.[144]
نور الحق و همکاران در سال 2006 معتقدند که زنجیره تامین به صورت زنجیره که هر نهاده ای از فرایندی از تولید و عرضه را بهم وصل میکند،از مواد خام تا مصرف کننده نهایی .یک زنجیره تامین شامل سیستم های مختلفی چون تامین کنندگان متفاوت،تولید،ذخیره سازی،حمل ونقل وسیستم خرده فروشی است، و اظهار میدارند که اصطلاح طراحی شبکه زنجیره تامین گاهی اوقات به عنوان مترادف برای برنامه ریزی استراتژیک زنجیره تامین بکار گرفته میشود.آنها ضروری میدانند که در دنیای رقابتی فعلی ، یک شبکه زنجیره تامین توانایی بقا را برای زمان قابل توجهی داشته باشد ،در طی این مدت تعدادی از پارامتر ها میتوانند تغییر کنند.بررسی ایجاد اصلاحات آتی در پیکربندی شبکه برای پذیرفتن تغییرات تدریجی در ساختار زنجیره تامین و یا در ظرفیت تسهیلات ،ممکن است مهم باشد.[95]
در مدیریت زنجیره تامین معمولا سه سطح برنامه ریزی با توجه به افق زمانی مورد توجه است. سطح استراتژیک ، سطح تاکتیکی و سطح عملیاتی.[11,95] درسطح استراتژیک تصمیماتی که تاثیرات بلند مدت روی سازمان دارند ،بررسی میشوند،مثل تعداد،مکان و ظرفیت انبار ها وکارخانه های تولیدی یا جریان مواد در بین شبکه لجیستیک. تصمیمات استراتژیک که شامل سرمایه گزاری عظیمی هستند،تسهیلاتی که فعلا فعالیت میکنند،انتظار میرود برای یک افق زمانی بلند مدت فعالیت کنند.اگر چه انواع تغییرات گوناگون در طول زمان عمر تسهیل ممکن است یک مکان را که امروز خوب است ،تبدیل به مکان بدی در آینده شود. از انجایی که فعالیت های تاکتیکی و عملیاتی بعد از بر پا ساختن تصمیمات استراتژیک اجرا میشوند،آرایش شبکه لجیستیک برای سطح تصمیمات تاکتیکی و استراتژیک یک محدودیت خواهد شد. از آنجایی که تاسیس یا عدم تاسیس تسهیلات اقدام زمانبر و پر هزینه ایست،تغییر آرایش شبکه به آسانی ممکن نیست.از اینرو آرایش زنجیره تامین یک موضوع استراتژیک کلیدی است که روی فعالیت های تکتیکی و عملیاتی تاثیرگذار بوده و نیازمند این است که برای زمان طولانی و اقدام موثر در کل زنجیره تامین، بهینه شود.[90]
یکی از ویژگی هایی که به سختی در مسایل طراحی شبکه زنجیره تامین قابل اجتناب است ، عدم قطعیت عجین شده با شرایط آینده است که ممکن است روی ورودی مساله تاثیر گزار باشد و نیازمند این است که این عدم قطعیت در مدل در فرایند تصمیم گیری در نظر گرفته شود. دلایل و منابع مختلفی برای این عدم قطعیت ها وجود دارد که میتواند درون مدل ها در نظر گرفته شود ،نظیر تقاضا،هزینه تولید و توزیع،تامین مواد خام و غیره.این عدم قطعیت های موجود نیازمند یافتن تصمیمات طراحی زنجیره تامین پایدار و بررسی راههایی جهت سنجش و بهینه سازی ریسک مرتبط با این تصمیمات است. [125]

1-4.ریسک و عدم قطعیت در زنجیره تامین :
امروزه زنجیره های تامین در حال تغییرات زیادی هستند که منجر به پیچیدگی بیشتر آنها گردیده است که میتوان به عواملی چون جهانی سازی تجارت ،پذیرش برخی از فلسفه های تجارت مثل ناب، پاسخ موثر به مشتری و برنامه های پاسخ گویی سریع اشاره کرد.اجرای این فلسفه ها و شیوه ها ممکن است مشکلات و مسایل جدیدی را بوجود بیاورد و ممکن است زنجیره تامین را در برابر اختلالات آسیب پذیر تر کند. [22,96,129]
همچنین در یک محیط تجاری با ویژگی های پیچیده و عدم قطعیت ها ،موسسات تولیدی مجبورند زنجیره های تامین خود را به صورت کارا جهت افزایش کارایی و انعطاف پذیری ،مدیریت کنند.یکی از اهداف مدیریت زنجیره کاهش تاثیرات منفی اختلالات خارجی و سعی در مدیریت ریسک های قطعی درون زنجیره است.[55] بر اساس گفته هیشامودین و همکاران در سال 2013 ماهیت و پیچیدگی های امروزه در زنجیره تامین آنها را آسیب پذیرتر در برابر ریسک های گوناگون کرده است.این ریسک‌ها ممکن است درون اصطلاحات مختلف قرار گیرند که شامل اختلال،عدم قطعیت و آشوب است.[48]
در اغلب موارد ریسک و عدم قطعیت یکسان فرض میشوند اما در واقع ریسک نتیجه ای از وجود عدم قطعیت است ریسک در یک زنجیره تامین،امکان تغییرات بالقوه در تعاملاتی است که بر کاهش ارزش افزوده هر عضو یک زنجیره اثر میگذارد.ارزیابی ریسک شامل فعالیت هایی است که مدیران زنجیره تامین را برای شناسایی ،برآورد و اندازه گیری ریسک کلی زنجیره تامین توانا میسازد.مدیریت ریسک میبایست ریسک موجود در ارتباطات سازمانی و درون زنجیره تامین را ارزیابی کند، تا بدین ترتیب با مدیریت اثر بخش آن، آسیب پذیری زنجیره تامین را کاهش دهد.[130]
1-5.انواع ریسک در زنجیره تامین :
برای کنترل و مدیریت ریسک باید معنای ریسک، انواع ریسک و منابعی که ریسک از آنها ناشی میشود را را بشناسیم.
ریسک در زنجیره تامین در ادبیات در اشکال مختلفی مطرح شده است. در زیر اشاره جامعی به دسته بندی های صورت گرفته در زمینه رسیک زنجیره تامین شده است .
پالسون ریسک های درون زنجیره تامین را به سه دسته کلی اختلال عملیاتی،اختلال تاکتیکی و عدم قطعیت استراتژیک طبقه بندی نموده است.[15] در حالیکه کلین دورفر و وو انواع ریسک را به دو دسته ریسک هماهنگی بین تقاضا و تامین و ریسک اختلال طبقه بندی کردند.[68]
چوپرا و سودهی در سال 2004 ریسک در زنجیره تامین را به 9 دسته طبقه بندی میکند.
اختلالات (مثل بلایای طبیعی-تروریسم -جنگ)
تاخیرات(مثل منعطف نبودن منابع عرضه)
سیستم ها(مشکلات زیر ساختی)
پیش بینی(پیش بینی های اشتباه)
مشخصه فکری (ادغام عمودی)
تهیه و تامین (تبادل نرخ رسیک)
اکتسابی و دریافت کردنی(تعداد مشتریان)
موجودی(هزینه نگهداری موجودی،عدم قطعیت در عرضه و تقاضا)
ظرفیتی(هزینه ظرفیت)
تانگ در سال 2006 بطور کلی ریسک ها را در دو دسته مورد بررسی قرار داده است .[130]
ریسک های عملیاتی :
این ریسک ها شامل مواردی است که دارای عدم قطعیت ذاتی هستد مثل تقاضای مشتریان ،عرضه وقیمت ها
ریسک های اختلال:
شامل حوادث طبیعی مثل سیل و زلزله و عواملی چون جنگ ،تروریسم،بحران های اقتصادی،نوسانات پول ملی و...
بارنز مجموعه ریسک های سازمان را در پنچ گروه اصلی طبقه بندی کرده است.[130]
ریسک استراتژیک : ریسک ناشی از شکست یا موفقیت برنامه ای کلی ( مثل استراتژی بازاریابی،تغییر در رفتار مشتریان و یا تغییرات سیاسی)
ریسک مالی : ریسک ناشی از شکست یا موفقیت در کنترل مالی
ریسک عملیاتی : ریسک ناشی از خطای انسانی(مثل اشتباهات طراحی ،ریسک رفتار کارکنان)
ریسک تجاری : ریسک ناشی از شکست یا موفقیت روابط تجاری(مثل ورشکستگی تامین کنندگان)
ریسک تکنیکی : ریسک ناشی از آسیب دیدگی دارایی های فیزیکی (مثل از کار افتادگی تجهیزات،آتش سوزی و آلودگی )
واترز منابع ریسک در زنجیره تامین را به دو دسته کلی تقسیم کرد[141]
ریسک های ناشی از درون زنجیره هستند (که قابل کنترلند) مثل تاخیر در تحویل سفارشات مشتری، موجودی مازاد ، پیش بینی های ضعیف ، خطاهای انسانی، نقص در سیستم های فناوری اطلاعات.
ریسک هایی که ناشی از عوامل بیرونی زنجیره هستند(که قابل کنترل نیستند) مثل زلزله، جنگ، طوفان، افزایش قیمت ها، و...
واترز در دسته بندی دیگر در سال 2007ریسک ها را در سه دسته کلی معرفی کرد.[141]
ریسک محیطی :
که در برگیرنده عدم قطعیت هاییست که ناشی از فعل و انفعالات زنجیره تامین با محیط است .مثل حملات تروریستی، جنگ و زلزله و...
ریسک سازمانی:
ناشی از عواملی است که درون بخش هایی از زنجیره تامین قرار دارند.مثل اعتصابات کارگران، عدم قطعیت های تولیدی مثل خرابی ماشین الات، عدم قطعیت در سیستم های فناوری اطلاعات.
ریسک مرتبط با شبکه زنجیره تامین:
این ریسکها ناشی از تعامل سازمان ها در یک زنجیره تامین است.
کار معتقد است که ریسک در زنجیره تامین را میتوان به دو گروه طبقه بندی کرد[66]
ریسک های سیستماتیک:
این ریسک ها مرتبط با عوامل محیطی است که اجتناب ناپذیر است. مثل اختلال در عرضه و تقاضا، انظباطی، قانونی، تغییرات بروکراسی، وقوع حوادث مصیبت بار و اختلالات زیرساختی.
ریسک های غیر سیستماتیک:
این ریسک ها مرتبط با عواملی است که میتوان به طور وسیعی توسط کمپانی کنترل شود.مثل اختلال در تسهیلات سیستم های تولیدی
بر اساس گفته برخی محققین ریسک ها را میتوان به دو دسته کلی تقسیم کرد .[19,97,70]
ریسک های با احتمال بالا و تاثیر کم(ریسک های ذاتی و مکرر)
ریسک های با احتمال پایین و تاثیر زیاد (ریسک های مخرب و کمیاب)
1-6.منابع ریسک در زنجیره تامین :
تفاوت ناچیزی بین ریسک و عدم قطعیت وجود دارد.در عمل منظور از ریسک، منابع ریسک است.منظور از عدم قطعیت در یک سازمان پیش بینی ناپذیری متغییرهای سازمانی است که بر عملکرد شرکت اثر میگذارند و به شکل کمبود دانش در این زمینه این متغییرها ظاهر میشود و بنابراین ریسک را افزایش میدهد.[1]
جوتر منابع ریسک سازمانی را به سه دسته منابع خارج از زنجیره تامین (مثل منابع سیاسی، طبیعی، اجتماعی و بازار و صنعت و...) ومنابع درون زنجیره تامین ( مثل اعتصاب نیروی کار ) و منابع وابسته به شبکه (روابط متقابل بین سازمان های درون زنجیره تامین) تقسیم میکند.[64]
چوپرا و میندل در سال 2001 تحلیلی از ریسک و منابع آن ارایه دادند که در جدول زیر میبینیم.
682075-2085جدول 1-2 انواع ریسک و منبع آن از نظر چوپرا و میندل 2001 [20]
00جدول 1-2 انواع ریسک و منبع آن از نظر چوپرا و میندل 2001 [20]

انواع ریسک منابع ریسک
اختلال بلایای طبیعی، اعتصاب کارکنان، ورشکستگی تامین کنندگان، جنگ و تروریسم
تاخیر عدم انعطاف پذیری تامین کننده، کیفیت پایین تامین کننده
سیستم مشکلات زیر ساختی تنوع محصول، فصلی بودن، چرخه عمر کوتاه
پیش بینی پیش بینی های اشتباه ، اثر شلاق چرمی
دارایی های مجازی ادغام عمودی زنجیره تامین ، برون سپاری و بازرگانی جهانی
تهیه و تامین ریسک نرخ تبدبل پول،
اکتسابی و دریافت کردنی تعداد مشتریان
موجودی هزینه نگهداری موجودی و عدم قطعیت عرضه و تقاضا
ظرفیتی هزینه ظرفیت

 برای دانلود فایل کامل به سایت منبع مراجعه کنید  : elmname.com

یا برای دیدن قسمت های دیگر این موضوع در سایت ما کلمه کلیدی را وارد کنید :

 

1-7. مدیریت ریسک در زنجیره تامین :
مدیریت ریسک زنجیره تامین، مدیریت ریسک های داخلی و خارجی زنجیره تامین است، که از طریق یک رویکرد هماهنگ بین اعضای زنجیره تامین به جهت کاهش آسیب پذیری زنجیره تامین انجام میشود.هدف مدیریت ریسک زنجیره تامین اجتناب از رخداد شکست هایی در زنجیره تامین است که می تواند منجر به اثراتی شود که بر کل زنجیره تامین تاسبثیر گذار است. یافتن و تحلیل این ریسک ها مهمترین کار در مدیریت ریسک زنجیره تامین است.[1]
تانگ در سال 2006 نشان داده است که چهار رویکرد مدیریت پایه میتواند در یک روش هماهنگ برای مدیریت ریسک به صورت هماهنگ برای مدیریت ریسک در زنجیره تامین بکار رود که در شکل نشان داده شده است.[130]

شکل 1-1 رویکرد تانگ برای مدیریت ریسک در زنجیره تامین [1]
برای ارزیابی ریسک زنجیره تامین، نه تنها میبایست ریسک های مستقیم مربوط به عملیات شناسایی شوند، بلکه باید عوامل یا منابع بالقوه این ریسک ها در هر موجودیت زنجیره تامین مشخص شود.در نتیجه تمرکز اصلی تحلیل ریسک زنجیره تامین، بر شناسایی منابع بالقوه ریسک استوار است.[1]
1-8. ریسک اختلال در زنجیره تامین :
اختلال در زنجیرهای تامین بدون تردید پس از حادثه 11 سپتامبر 2001 توجه بیشتری را به خود جلب کرده است،در حالیکه زنجیره های تامین همواره با مباحث مربوط به شناسایی آسیب پذیری های خود و مدیریت آنها مواجه بودند.اختلالات در زنجیره تامین انواع مختلفی دارد و ممکن است ناشی از عوامل درونی یا بیرونی زنجیره تامین باشد .اختلالات در زنجیره تامین پر هزینه هستند، بنابراین لازم است که بدانیم چگونه یک اختلال بر زنجیره تامین تاثیر میگذارد تا بتوانیم استراتژی مناسبی را برای مقابله با آن اتخاذ کنیم. چوپرا و سودهی معتقدند که از آنجایی که امروزه موسسات در یک محیط جهانی فعالیت میکنند،هم کارشناسان آکادمیک و هم شاغلین حرفه ای فهمیدند که اختلال در زنجیره تامین یکی از مهمترین ریسک ها در زنجیره تامین است.
اختلال در زنجیره تامین بصورت "هر رخدادی که جریان مواد در زنجیره تامین را قطع میکند و منجر به توقف ناگهانی جریان محصول میگردد " تعریف شده است.[1] در زیر به چند تا از تعاریف ارایه شده از اختلال اشاره شده است.
هیشامودین و شفی اختلال در زنجیره تامین را بدین صورت تعریف کرده است است " عواملی که باعث اختلال جریان مواد در زنجیره تامین شده و باعث توقف ناگهانی در حرکت محصول در جهت رسیدن به مشتری نهایی میشود".[48,116] هیشامودین همچنین یک تعریف کوتاه در سال 2012 از اختلال ارایه داده است"اختلال برابر است با هر گونه توقف در تولید " [46]
شفی در سال2003 شش تا از اختلالات پایه ای را در زنجیره تامین شناسایی کرده است[6,118]
اختلال در عرضه
اختلال در حمل و نقل
اختلال در تسهیلات
اختلال در ارتباطات
اختلال در تقاضا
اختلال در توافقات انتقال
نمیر ،زین و اروگلو اختلال را وقایع فاجعه آمیز معرفی میکنند که احتمال وقوع کم ولی عواقب چشمگیری دارد،که زنجیره های تامین بطور فزاینده ای در معرض این وقایع هستند.[64,71]
اختلال های زنجیره تامین ،حوادثی برنامه ریزی و پیش بینی نشده هستند، که جریان مواد یا محصولات را درون زنجیره مختل میکنند.[53,70]
همانطوری که زنجیره های تامین پیچیده تر شدند،ریسک اختلال در شبکه های زنجیره تامین وآسیب پذیری آنها در برابر اختلالات افزایش یافته است [55].
مثال هایی از اختلال در زنجیره تامین که ممکن است برای هر سازمانی رخ دهد میتوان به اختلال در حمل و نقل ، اعتصاب کارگران، حوادث طبیعی، عیب در سسیستم حمل و نقل، نزاع نیروی کار ، ترورسیم ، جنگ و بی ثباتی سیاسی[48,116,64] ، زمین لرزه، شیوع سارس، بحران های مالی ، اعتصاب کارگران، کمبود مواد خام، سیاست جدید تعرفه و مالیات[33] و از کار افتادگی ماشین آلات ورشکستگی تامین کنندگان، از کار افتادگی ماشین الات، مساله کیفیت[116,39] ،بلاتکلیفی تکنولوژیکی و ناتوانی بازار[32].
1-9. مثال های از اختلالات موردی اتفاق افتاده در دنیای واقعی :
طوفان های زمستانی در چین در سال های 2008 و 2010 زنجیره های تامین سبزیجات و زغال سنگ رو دچار اختلال کرده است.[7,30,119]
زلزله در سال1995 که در کوب ژاپن اتفاق افتاد سطح وسیعی از لینک های انتقال رو در این شهر و یکی از مهمترین مراکز حمل و نقل جهانی رو تخریب کرد.[116]
آتش سوزی در مارچ سال 2000 در کارخانه تولید مواد نیمه رسانای فیلیپس در شهر آلبوکورکو امریکا در نیو مکزیکو باعث شد یکی از مشتریان اصلی این کمپانی ، اریکسون،400 میلیون دلار درآمد بالقوه خود رو از دست بدهد. در حالی که یکی دیگر از مشتریان این کمپانی (نوکیا) با تخصیص تامین کننده گان رزرو توانست اثر این اختلال را کاهش دهد. [73,131]
اختلالی که در سیستم حمل و نقل هوایی در جنوب شرقی آسیا در اثر حمله 11 سپتامبر و طوفان های سنگین در این منطقه از آسیا رخ داد، باعث زیان 150 میلیون دلاری برای کمپانی COMPAQ شده است.[40]
زمانی که تامین کنندگان کمپانی dell در اثر زلزله سال 1999 در تایوان دچار اختلال شدند ، با در نظر گرفتن سیاست های نظیر قیمت گزاری پویا و ارتقای سیسم ها با هزینه پایین توانست مشتریان خود را راضی نگه دارد.[143,92]
حادثه تروریستی 11 سپتامبر باعث لغو پروازها در چند روز شد.که این تاخیرات موجب بیکار شدن چندین خط تولید کمپانی فورد بدلیل نرسیدن اجزا از طرف تامین کنندگان شد.[116,105]
زلزله سال 2011 در ژاپن باعث اختلال در دوازده خط مونتاژ تویوتا شد که منجر به کاهش تولید 14000 وسیله نقلیه شد و بسیاری از کارخانجات تولیدی این کشور با کمبود مواد خام، سوخت و انرژی مواجه شدند . [8]
کمپانی تلفن همراه موتورولا درسنگاپور به دلیل شیوع بیماری سارس بسته شد.[92]
کمپانی اپل به دلیل کمبود تراشه هایDRAM در اثر زلزله 1999 در تایوان تعداد زیادی از مشتریان خود را از دست داد.[92]
خاموشی های آمریکای شمالی در14 اگوست سال 2003 بر بسیاری از تجارت ها اثر منفی گذاشت و یک آتش سوزی در یکی از تامین کنندگان رده دوم اریکسون مشکلات جدی را برای این کمپانی بوجود آورد.[68]
دو شرکت بزرگ فورد و تویوتا در چند روز اول پس از حملات تروریستی 11 سپتامبر،ضررهای کلانی را به دلیل مختل شده جریان مواد به کارخانه های مونتاژ خود در شمال آمریکا تجربه کردند،که بدلیل کنترل فراگیر بنادر،فرودگاهها و کلیه کانال های ارتباطی ایجاد شده بود.[1]
هنریکس و سینگال اختلال های بوجود آمده در ژورنال والستریت طی دهه 1990 را مورد بررسی قرار داده و نشان دادند که اختلال بر عملکرد سرمایه ای و سهام این سازمان ها و همینطور عملکرد عملیاتی آنها (هزینه، فروش و سود) تاثیر قابل توجه منفی گذاشته است . [53]
1-10. تاثیر اختلال بر عملکرد زنجیره تامین :
از آنجایی که وقوع اختلالات در زنجیره تامین غالبا غیر قابل پیش بینی و دور از انتظار هستند و میتوانند تاثیرات هنگفتی بر عملکرد زنجیره داشته باشند،لذا مواجه با این موارد ممکن است سازمان‌ها را مجبور کند تا استراتژی های خود را تغییر دهند،از تکنولوژی جدید استفاده کنند یا شیوه تصمیم‌گیری خود را اصلاح کنند.[1]
هندریکس و سینگال یافته ها و شواهد تاثیرات بلند مدت اختلالات زنجیره تامین را بر عملکرد سازمان نشان داده اند .این یافته ها بر اساس مطالعه نزدیک به 830 مثال علمی اختلالات زنجیره تامین در سازمان های دولتی است.
تاثیرات اصلی اختلال در زنجیره تامین عبارتند از:
سازمان ها بین 33 تا 40 درصد افت بازگشت سرمایه دارند در بازه ای سه ساله (یک سال قبل از اختلال و دو سال پس از اختلال)
افت قیمت سهام در سال پس از اختلال 13.5 درصد بیشتر از سال گذشته بوده است
اختلال تاثیر منفی قابل توجهی بر سود دهی دارد.میانگین این تغییرات به صورت زیر است.
107درصد کاهش درآمد مالیاتی
نرخ رشد فروش 7 درصد کمتر شده است
افزایش 11 درصد در هزینه
اختلال تاثیر ضعیف کننده ای بر عملکرد زنجیره دارد که سازمان پس از اختلال به راحتی ترمیم نمیشود، یک سازمان حد اکثر تا دو سال پس از اختلال عملکرد پایینی دارد.
اختلال تاثیر منفی زیادی بر نرخ بازگشت سرمایه، سوددهی وتغییرات قیمت سهام دارد.
مدیران باید توجه داشته باشند که منابع اختلال چه چیزهایی میتوانند باشند،به منظور کاهش ریسک اختلالات چه کارهایی میتوان انجام داد و در مقابل بروز اختلالات چه واکنشهایی میتوان انجام داد.
جمله زیبایی که هندریکس و سینقال در سال 2005 در باره اختلال :
" اختلال توان بالقوه ای برای نابودی ارزش های خلق شده دارد "
زنجیره های تامین ناب و کارا بیشتر با اختلال مواجه میشوند.ارتباط معکوسی بین کارایی و ریسک وجود دارد.سازمان ها نمیتوانند مدت زیادی فقط روی کاهش هزینه ها تمرکز کنند و سرمایه گزاران زنجیره تامین باید توجه داشته باشند که چگونه این سرمایه ها و تغییرات، ریسک های اختلالات در زنجیره تامین را تحت تاثیر قرار میدهند. ارتباط معکوس بین اختلال و عملکرد زنجیره تامین بارها توسط مطالعات عملی و تئوری مورد اشاره قرار گرفته است ولی شواهد محکم برای این موضوع بسیار محدود هستند و نکته جالب اینکه مطالعات نشان داده است، تاثیر اختلال برای سازمان های کوچک بسیار بیشتر از سازمان های بزرگ است [53,54].
1-11. ضرورت مطالعه اختلال های زنجیره تامین:
لوی در سال 1995 بیان نموده است که بروز اختلال در زنجیره تامین منجر به هزینه های غیر قابل پیش بینی شده و زمان های تامین بسیار طولانی میشود. البته وی اظهار میدارد که مدیران در رابطه با اختلال بیشتر تمایل به برخوردی مشابه با یک حادثه یک دفعه ای دارند و غافل از این هستند که شاید رخداد این اختلال ناشی از عدم وجود یک استراتژی پایدار در زنجیره باشد.
یکی دیگر از مشکلات سازمان ها در برخورد با اختلال، ناتوانی آنها برای تخمین هزینه های حاصله از آن میباشد، با وجود تمام آسیب های هنگفتی که اختلالات برای زنجیره تامین دارند، هنوز هم مطالعات صورت گرفته در این زمینه بسیار ناچیز است. از جمله خلا های موجود در این زمینه کم توجهی به مسایلی چون میزان انعطاف پذیری و سرعت زمان ترمیم است.همچنین اختلال های مورد بررسی غالبا به صورت کلی و بدون در نظر گرفتن شرایط خاص و منابع وقوع هر اختلال است، در حالیکه توجه به این مسایل می تواند تاثیر بسزایی در استراتژی انتخابی برای کاهش اثرات یا مقابله با اختلال داشته باشد . [142]
اما نکته قابل توجه این است که ریسک های اختلال کاملا وابسته به بستر هستند و چه بسا موردی در یک کشور ریسک جدی اختلال تلقی شود، حال آنکه در ادبیات به هیچ وجه به آن اشاره نشده باشد [1].
1-21. آسیب پذیری زنجیره تامین:
اختلال در زنجیره تامین،صدمات بسیاری را به آن وارد میکند اما به نظر میرسد آمادگی زنجیره تامین برای صدمه دیدن از چنین موقعیتی نیز امر مهمی است که آن را آسیب پذیری زنجیره تامین میگویند.تعاریف و رویکرد های بسیاری در زمینه آسیب پذیری زنجیره تامین وجود دارد.پک پایه مفهومی آسیب پذیری را ناگهانی بودن رخداد ها ارزیابی میکند.[99] کریستوفر و لی در سال 2004 آسیب پذیری زنجیره تامین را به شکل "ظهور یک اختلال شدید" تعریف کرده اند. در ادبیات مربوط به مدیریت بحران و خطرات طبیعی، آسیب پذیری به عنوان ظرفیت یک فرد یا گروه در پیش بینی، مقابله و پایداری پس از اثر یک خطر طبیعی تعریف شده است.برخی از محققین زنجیره تامین، آسیب پذیری را به شکل آمادگی وقابلیت زیان دیدن به دلیل برخی شرایط سازمانی تعریف کرده اند.در واقع آسیب پذیری زنجیره تامین، تابعی از ویژگی های خاص زنجیره تامین است و آسیب و زیانی که به یک شرکت میرسد ناشی از آسیب پذیری زنجیره تامین نسبت به یک نوع اختلال زنجیره تامین است.[21]
بر اساس گفته جوتنر برای کاهش این آسیب پذیری ها سازمان ها می بایست ریسک درونی خود و نیز ریسک برخاسته از همکاری ها و پیوندهای خود با سایر شرکت ها را تعیین و مدیریت کنند.[64]
1-13. عوامل تشدید کننده آسیب پذیری زنجیره تامین در برابر اختلال:
بسیاری از محققین به چگونگی تاثیر ویژگی های خاص یک زنجیره تامین بر افزایش یا کاهش آسیب پذیری آن اشاره کردند. فرضیاتی مبنی بر افزایش آسیب پذیری زنجیره تامین به واسطه عواملی چون وابستگی به مشتریان، وابستگی به تامین کنندگان، تمرکز بر تامین کننده، تک منبعی بودن و داشتن منبع جهانی وجود دارد[99].
مهمترین عواملی که باعث افزایش احتمال وقوع اختلال و در نتیجه افزایش آسیب پذیری زنجیره تامین میشود،توسط محققین مورد بررسی قرار گرفتند که در زیر به تشریح برخی از این عوامل می پردازیم.
محیط رقابتی :
امروزه کسب و کارها رقابتی تر از سابق شده اند. عواملی چون تقاضاهای فرار، بالا رفتن تقاضا برای شخصی سازی، بالا رفتن تنوع محصولات و چرخه کوتاه عمر محصولات موجب تشدید رقابت میشوند.این شرایط هماهنگ کردن عرضه و تقاضا را بسیار چالش برانگیز میکند.به عبارت دیگر سازمان ها با مشکلات روزافزونی برای پیش بینی تقاضا و هماهنگی با تغییرات پیش بینی شده در چرخه عمر محصولات و تغییر خواسته های مشتری مواجه هستند. [53]
افزایش پیچیدگی :
پیچیدگی زنجیره تامین به دلیل وجود منابع جهانی وجهانی شدن و مدیریت تعداد زیادی از شرکا روز به روز پیچیده تر میشود.این پیچیدگی، هماهنگی عرضه و تقاضا را مشکل تر میکند و بنابراین ریسک اختلال را افزایش میدهد . زمانی که هر یک از اعضا به دنبال بهینه سازی محلی هستند و همکاری بین شرکا پایین است و از سوی دیگر انعطاف پذیری زنجیره تامین کم است، این ریسک بیشتر نشان داده میشود [53].
برون سپاری و مشارکت :
افزایش برون سپاری و مشارکت باعث افزایش وابستگی های داخلی میشود و اخلال های ایجاد شده در یک عضو، به راحتی به دیگری اتقال میابد. با وجود منافعی که این مشارکت و برون سپاری دارد، برای دستیابی به این مزایا،ضروری است که اعضا با یکدیگر همکاری نمایند، اطلاعات و برنامه ها به اشتراک گذاشته شود و عملیات اعضا برای یکدیگر قابل دید باشد.چنین تغییراتی نیازمند سرمایه گذاری های کلان در سیستم های ارتباطی، تغییر در نسخه های عملکرد تعهد به استراک گذاشتن یافته ها و ایجاد اعتماد بین اعضای زنجیره است که دستیابی به این موارد کار ساده ای نیست.[53]
بافرهای محدود شده :
تمرکز بر کاهش موجودی، افزایش ظرفیت و کاهش مازاد های زنجیره تامین، مواردی هستند که بشدت با امکان خطا ارتباط دارند. تحویل های به موقع و موجودی صفر از جمله اهدافی هستند که غالبا در زمره اهداف سازمان ها قرار میگیرند، بدون توجه به این واقعیت که این استراتژی ها میتوانند زنجیره تامین را بسیار شکننده و ضعیف (غیر قابل انعطاف) و در نهایت آسیب پذیر تر نماید. [53]
تمرکز بر کارایی :
زنجیره های تامین تمرکز زیادی بر افزایش کارایی(کاهش هزینه ) دارند و هزینه این افزایش کارایی، افزایش ریسک ناشی از اختلال است.بسیاری از سازمان ها به رابطه بین کارایی و ریسک توجه ندارند.[53]