کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

فروردین 1404
شن یک دو سه چهار پنج جم
 << <   > >>
            1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31          


 

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کاملکلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

 

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کاملکلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

لطفا صفحه را ببندید

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل



جستجو



 



اما به ازای یک فاصله ثابت میان المان‏ها، به ازای افزایش فرکانس، زاویه اسکن به سمت بارِ انتهای موجبر منحرف می‏گردد و با کاهش فرکانس زاویه بیم اصلی به سمت تغذیه منحرف خواهد شد.

طراحی آرایه موج رونده موجبر شکاف دار نوعبا فاصله غیر یکنواخت میان عناصر

برای برخی کاربردهای خاص، مانند کنترل ترافیک هوایی، نیاز به بیم شکل داده شده مانند csc-square است تا یک بخش مشخص را اسکن نماید. تشعشع یک بیم شکل داده شده توسط آنتن، در حالت کلی، نیازمند تغییرات فاز و دامنه در طول روزنه ها یا المان ها است. لذا لازم است که بدانیم یک آرایه شکاف‏دار خطی می‏تواند یک بیم شکل داده شده را ایجاد کند زیرا می‏توان با تغییر مشخصات شکاف میزان رسانایی شکاف ها و در نتیجه میزان توان کوپل شده یا دامنه های تحریک را کنترل نمود و با تغییر فاصله بین شکاف ها می توان فاز بین المان ها را تنظیم کرد. پروسه تعیین موقعیت هر شکاف در طول موجبر برای ایجاد تحریک مطلوب بیشتر یک عمل سعی و خطا است. در مرجع [۱] در مورد طراحی آرایه های موج رونده با فاصله غیر یکنواخت توضیحاتی داده شده است.
پایان نامه

خلاصه

در این فصل نمونه های پایه آنتن های موجبر شکاف دار مورد بررسی قرار گرفت. همچنین نمونه های مختلف آرایه های خطی و صفحه ای این نمونه آنتن ها مطالعه شد. روش ها و پارامتر های طراحی، نحوه تغذیه و ویژگی های هر کدام از آرایه ها بحث شد و مشخص شد که آرایه های رزونانسی بیم را به صورت عمود بر محور آرایه تشعشع می کنند ولی پهنای باند فرکانسی مناسبی ندارند. از طرف دیگر آرایه های موج رونده دارای پهنای باند فرکانسی مناسبی بوده اما پترن این نمونه آرایه ها با تغییر فرکانس اسکن می کنند که البته در کاربرد های راداری این مشکل را می توان به صورت نرم افزاری حل کرد. به صورتی که می توان سیستم را آموزش داد که در هر فرکانس زاویه بیم اصلی به چه زاویه ای اشاره می کند.
فصل چهارم

آرایه موج رونده موجبر شکاف دار با شکاف اریب روی بدنه باریک موجبر

 

مقدمه

همانطور که در فصل گذشته مطرح شد، آرایه های موج رونده دارای پهنای باند فرکانسی خوبی می باشند. از طرف دیگر هرگاه نیاز به پلاریزاسیون عمودی باشد از شکاف های اریب روی بدنه باریک موجبر استفاده می شود. همانطور که اشاره شد این شکاف ها در طراحی آرایه های صفحه ای بسیار بیشتر از شکاف های روی بدنه پهن موجبر استفاده می شوند زیرا در این حالت فاصله کمتر بین خطوط موجبری در آرایه های صفحهای، از به وجود آمدن لوب گریتینگ در فرکانس های بالا جلوگیری می کند.[۴۱]
همانطور که در فصل یک مطرح شد بسیاری از رادار ها که باید هم دارای دقت و هم برد خوبی باشند در باند S طراحی می شوند. با توجه به این مسائل هدف در این فصل طراحی و شبیه سازی یک آنتن آرایه ای موج رونده موجبر شکاف دار باند S می باشد که از شکاف های اریب روی بدنه باریک موجبر استفاده می کند.
چون آنتن در باند S می باشد باید موجبر استاندارد باند S را انتخاب کرد و طراحی را روی این موجبر انجام داد. از این رو موجبر WR-284 انتخاب شده است که برای عملکرد در این باند مناسب بوده و دارای ابعاد a=2.84 inch و b=1.34 inch می باشد. طبق استاندارد های جهانی ضخامت این موجبر ۰.۲ سانتی متر است.
در این تحقیق هدف طراحی آرایه در فرکانس ۲.۸۵ GHz با سطح لوب کناری -۳۵ dB و پهنای بیم ۱.۹ درجه در پهنای باند فرکانسی ۱۰ درصد (۲.۷GHz-3GHz) می باشد.

روش طراحی آرایه موج رونده با شکاف اریب روی بدنه باریک موجبر

همانطور که در فصل دوم مطرح شد برای طراحی آرایه های خطی با سطح لوب کناری پایین و پهنای بیم باریک توزیع جریان تیلور به کار برده می شود. چون سطح لوب کناری مورد نظر-۳۵ dBمی باشد طبق جدول شکل ۶-۲ مقدار برابر با ۶ انتخاب شده است.
از فرمول ۴۰.۲ مقدار قابل محاسبه می باشد. سپس از فرمول ۴۱.۲ و با داشتن پهنای بیم ۱.۹ درجه طول کل آرایه قابل محاسبه می باشد. با توجه به مشخصات مورد نظر طول کل آرایه تقریبا ۳.۸متر می باشد. سپس با بهره گرفتن از فرمول ۳۷.۲ و ۳۸.۲ توزیع جریان خطی تیلور را می توان بدست آورد. همه مراحل بالا در نرم افزار متلب همانطور که در زیر مشاهده می شود، کد نویسی شده است و توزیع جریان تیلور برای مشخصات مورد نظر همانطور که در شکل ۱-۴ دیده می شود محاسبه و کشیده شده است.

برنامه متلب برای محاسبه توزیع جریان خطی تیلور:

Clear
Clc
n=input(’design parameter in taylor distribution n=’);
R0=input(’side lobe level in dB R0=’);
B=(pi/180)*input(’beamwidth in degree B=’);
f0=input(’center ferequency f0=’);
c=3*(10^8);%………………..wave velocity……………
lw=c/f0;%………………….wave length in free space….
a=2.54*2.84*.01;%………….. wide side of waveguide……
lc=2*a;%……………………cut off wavelength…………..
lg=1/(sqrt((1/lw)^2-(1/lc)^2))%………waveguide wavelength….
eta=10^(-R0/20);%………………………………
A=(1/pi)*acosh(eta);%………………A………….
sigma=n/sqrt(A^2+(n-.5)^2);%…………………….
l=((2*lw*sigma)/(pi*B))*sqrt((acosh(eta))^2-(acosh(eta/(sqrt(2))))^2)%………………….array length…………..
%pattern……………………………….
for i=1:1000
u(i)=i*.0111;
t=1;
h=1;
for m=1:n-1
t=t*(1-(((u(i)^2)/((sigma^2)*[A^2+(m-.5)^2]))));
h=h*(1-((u(i)^2)/(m^2)));
end
F(i)=abs(((sin(pi*u(i)))/(pi*u(i)*h))*t);
end
u=.0111:.0111:11.1;
plot(u,F)
%normalize current……………………..
for u=1:n-1
t=1;
for m=1:n-1
t=t*(1-((u^2)/((sigma^2)*[A^2+(m-.5)^2])));
end
F(u)=((factorial(n-1))^2/(((factorial(n-1+u))*(factorial(n-1-u))))*t);
end

موضوعات: بدون موضوع  لینک ثابت
[چهارشنبه 1400-08-05] [ 05:48:00 ق.ظ ]




ترفیع

 

۵ سوال

 

۷/۰

 

۸۷۶/۰

 

 

 

قیمت

 

۳ سوال

 

۷/۰

 

۹۱۵/۰

 

 

 

محصول

 

۷ سوال

 

۷/۰

 

۸۳۱/۰

 

 

 

توزیع

 

۳ سوال

 

۷/۰

 

۷۱۲/۰

 

 

 

ضریب آلفای کل سوالات

 

۸۱۱/۰

 

 

 

منبع: یافته های تحقیق
۳-۸ آزمونهای مورد استفاده
پس از اینکه پژوهشگر روش تحقیق خود را مشخص کرد وبا استفاده از ابزارهای مناسب، داده های مورد نیاز را برای آزمون فرضیه های خود جمع آوری کرد، اکنون نوبت آن است که با بهره گیری از تکنیک های آماری مناسبی که با روش تحقیق، نوع متغیرها و. …سازگاری دارد، داده های جمع آوری شده را دسته بندی و تجزیه تحلیل نمایدودر نهایت فرضیه هایی را که تااین مرحله او را در تحقیق هدایت کرده اند، در بوته آزمایش قرار دهدوتکلیف آنها را روشن کند وسرانجام بتواند پاسخی (راه حلی) برای پرسش که تحقیق، تلاشی سیستماتیک برای بدست آوردن آن بود، بیابد (خاکی، ۱۳۸۳: ۷۸).
پایان نامه - مقاله - پروژه
۳-۸-۱ روش های آماری مورد استفاده در این تحقیق عبارتند از :
۱)آمار توصیفی: در این تحقیق از آمار توصیفی برای نمایش اطلاعات جمعیت شناختی استفاده شده است. برای این منظور اطلاعات جمعیت شناختی معمولا با بهره گرفتن از جداول فراوانی و نمودارها میله ای، نمودارهای دایره ای، نمودارهای هیستوگرام و جداول توافقی نشان داده می شوند.
۲)آمار استنباطی: در این پژوهش از رویکرد معادلات ساختاری برای تجزیه و تحلیل داده ­های گردآوری شده استفاده شده است. در این رویکرد از نرم افزار Smartpls استفاده شده است.
علت نام گذاری این روش به SEM به دو دلیل است: ۱) روابط میان متغیرها در این روش با بهره گرفتن از یک سری معادلات ساختاریافته تجزیه و تحلیل می شوند. ۲) این معادلات ساختاریافته در قالب مدلهایی ترسیم می شوند که به محقق امکان مفهوم سازی[۶۰] تئوریهای پژوهش را با بهره گرفتن از داده ها می دهد (بایرن[۶۱]، ۲۰۱۰) .
محققین از این روش برای آزمودن روابط پیچیده میان متغیرهای پنهان[۶۲] و مشاهده شده[۶۳]و همچنین میان چند متغیر پنهان استفاده می کنند. این رویکرد ساختار روابط درونی را در مجموعه ای از معادلات می آزماید. این معادلات همه روابط میان سازه هایی (متغیرهای پنهان مستقل و وابسته) را که در تحلیل وجود دارند، ترسیم می کند. سازه ها[۶۴]همان عناصر غیرقابل بررسی یا مکنون(پنهان) هستند که با یک یا چند متغیر مشاهده شده (شاخص[۶۵] یا سئوال[۶۶]) می توان آنها را تعریف نمود (داوری، رضازاده,۱۳۹۲, ص ۲۰).
۳-۸-۲ مراحل مدل سازی در SEM
برای تحلیل روابط میان متغیرها و تفسیر نتایج آن، می بایست چند مرحله را پیمود. این مراحل در شکل زیر مشخص شده اند:
شکل ۳-۱- مراحل مدل سازی در SEM
تعیین مدلدر این مرحله ابتدا ادبیات نظری پیرامون یک موضوع و مشتقات آن بررسی شده و سازه های دخیل در آن موضوع خاص شناسایی می شوند. سپس نوع روابط میان این سازه ها برای ترسیم مدل تحقیق شناسایی می شوند.
شناسایی سنجۀ سازه هاپس از ترسیم مدل حاوی سازه ها (متغیرهای پنهان) و روابط میان آنها، نوبت به ترسیم متغیرهای آشکار مربوط به سازه ها می رسد. در واقع در این مرحله چگونگی سنجش سازه ها را مشخص می کنیم. برای این کار می توان با مطالعۀ منابع اطلاعاتی مرتبط با سازه ها و یا استفاده از سایر روش های گردآوری اطلاعات، ابزارهای اندازه گیری (پرسشنامه) برای سنجش سازه ها تهیه نمود.
تخمین روابط مدلدر این مرحله نوبت به تخمین روابط حاوی متغیرهای آشکار و پنهان در مدل می رسد. لازم به توضیح است که، مدلها و روابط مرسوم در SEM شامل دو بخش هستند که عبارتند از: مدل (روابط) اندازه گیری[۶۷] که چگونگی توضیح و تبیین متغیرهای پنهان توسط متغیرهای آشکار (سئوالات) مربوطه را بررسی می نماید و مدل (روابط) ساختاری[۶۸] که نشان می دهد چگونه متغیرهای پنهان در پیوند با یکدیگر قرار گرفته اند.تخمین روابط بسته به انتخاب رویکرد SEM و نرم افزار مربوط به آن رویکرد، متفاوت است ولی در تمامی آنها اعدادی بعنوان میزان تأثیر یا معناداری آن ارائه می شوند که محقق از آن اعداد برای تفسیر نتایج خود استفاده می نماید. در تحقیق حاضر که از رویکرد حداقل مربعات جزئی و نرم افزار Smart PLS استفاده شده، ضرایب بار عاملی[۶۹] به همراه مقادیر t[70]توسط این نرم افزار ارائه می شوند که در تفسیر روابط مدل بکار می روند.
ارزیابی مدل: برای اینکه بتوان نتایج حاصل از تخمین روابط مدل را تفسیر کرد، ابتدا باید میزان تناسب[۷۱] مدل یا برازش[۷۲] آنرا مشخص کرد. بدین معنی که آیا مدلی که اساس آن مبانی نظری پیشین بوده است، با داده های گردآوری شده از نمونۀ آماری تحقیق متناسب بوده یا خیر؟ که باز هم بسته به انتخاب رویکرد SEM و نرم افزار مربوط به آن رویکرد، نحوۀ بررسی برازش مدل متفاوت است.
اصلاح مدلدر صورتی که نتایج ارزیابی مدل، عدم برازش یا برازش ضعیف مدل را نشان داد، می بایست اقدام به اصلاح مدل از طریق مختلف نمود. گاهی حذف یک یا چند سئوال می تواند به بهبود معیارهای برازش مدل بیانجامد.

موضوعات: بدون موضوع  لینک ثابت
 [ 05:47:00 ق.ظ ]




TN

 

FP

 

C2

 

 

 

در ماتریس اغتشاش دودویی که در جدول (۲-۴) نشان داده شده کلاس‌های واقعی در سطرها قرار گرفته و کلاس‌های پیش بینی شده توسط دسته‌بند در ستون‌ها قرار می‌گیرد. با توجه به این ماتریس می‌توانیم صحت یک مدل دسته بندی را به روش زیر بیان کنیم:
(۲-۳۷)
در عمل دسته‌بندی مواردی وجود دارد که بیشتر نمونه‌ها مربوط به یک دسته می‌باشند. مثلاً در دسته‌بندی نمونه‌های مربوط به سرطان ممکن است تنها حدود پنج صدم داده‌های آموزش مربوط به بیماران سرطانی باشد در این حالت ممکن است دسته‌بند با اختصاص دادن تمام نمونه‌ها به دسته‌ای که بیشترین تکرار دارد نرخ صحت بسیار مطلوبی را ارائه دهد.لذا صحت یک مدل در چنین مواردی ارزیابی خوبی از مدل دسته‌بندی را ارائه نمی‌دهد.معیارهای حساسیت[۸۶] و دقت[۸۷] برای مواردی که نمونه‌ها در کلاس‌ها به صورت غیر متوازن پراکنده شده‌اند به صورت زیر تعریف می‌شوند.
دانلود پروژه
(۲-۳۸)  حساسیت
(۲-۳۹)  دقت
یکی دیگر از معیارهای دسته‌بند خوب سادگی و شفافیت آن و قابلیت تفسیر مناسب آن است. مدل‌های پیچیده دقت بالا و در نتیجه انحراف پایینی دارند. البته این مدل‌ها باعث به وجود آمدن پدیده‌ای به نام بیش برازش[۸۸] می‌شوند. بیش برازش یعنی مدل رو داده‌های آموزش دقت بالایی دارد ولی روی داده‌های جدید دقت پایینی دارد. به عبارت دیگر، مدل تعمیم پذیری[۸۹] کمی دارد.
علت اصلی وقوع بیش برازش این است که مجموعه آموزش علاوه بر شامل شدن اطلاعات قواعدی که در نگاشت ورودی به خروجی وجود دارد نمونه‌برداری اشتباه از ورودی و خروجی‌ها را نیز شامل می‌شود. یعنی قواعدی تصادفی فقط به خاطر اینکه نمونه‌های آموزشی خاصی انتخاب شدند وجود خواهند داشت [۲۱]. هنگامی که سعی می‌کنیم مدلی را بسازیم، مدل نمی‌تواند به ما بگوید کدامیک از قوانین واقعی و کدامیک از طریق نمونه‌برداری اشتباه حاصل شده است.
نقطه‌ای که آموزش متوقف می‌شود
خطای مجموعه اعتبار سنجی
خطای مجموعه آموزش
خطا
تعداد بروز رسانی
همان‌طور که در شکل (۲-۱۹) می‌بینیم، قبل از آغاز آموزش خطای مجموعه آموزش زیاد است این خطا در طول فرایند آموزش کاهش می‌یابد. برای اینکه بتوانیم تصمیم بگیریم که فرایند آموزش تا چه زمانی ادامه پیدا کند تا دسته‌بند دچار حفظ کردن نمونه‌های ورودی[۹۰] نشود و قدرت تعمیم دهی آن کاهش نیابد از مجموعه اعتبار سنجی استفاده می‌کنیم لذا آموزش را در نقطه‌ای که خطای مجموعه اعتبار سنجی به نقطه مینیمم خود می‌رسد (لحظه‌ای که خطای اعتبار سنجی شروع به افزایش می‌کند) متوقف می‌کنیم.
شکل ۲- ۱۹: بیش برازش [۱۰]

فصل سوم – روش تحقیق

 

۳-۱- مقدمه

همان طور که بیان شد روش‌های مختلفی برای دسته‌بندی نمونه‌های ورودی ارائه شده‌اند که با توجه به معیارهای ارائه شده برای برازش کارایی این روش‌ها، هر کدام از این روش‌ها دارای مزایا و معایبی هستند. به عنوان مثال روش دسته‌بندی شبکه عصبی دارای دقت بسیار خوبی می‌باشد در حالی که قابلیت تفسیر مناسبی را فراهم نمی‌آورد. یکی از روش‌هایی که هم دارای دقت دسته‌بندی مناسب و قابلیت تفسیر خوبی می‌باشد، روش دسته‌بندی مبتنی بر قانون است که دانش کشف شده را به صورت یک مجموعه قوانین در اختیار کاربر قرار می‌دهد. قابلیت تفسیر این روش‌ها وقتی بیشتر می‌شود که قوانین استخراج شده به شکل ترم‌های فازی بیان شوند [۸۶].
همچنین اشاره شد که روش‌های مختلفی از جمله الگوریتم ژنتیک و افراز فازی برای تعیین توابع عضویت و استخراج قوانین فازی وجود دارد. یکی از روش‌های بهینه‌سازی که در سالیان اخیر مورد استفاده قرار گرفته و نتایج مناسبی را به همراه داشته الگوریتم بهینه‌سازی ازدحام ذرات می‌باشد.
مسئله تعیین توابع عضویت فازی و استخراج قوانین فازی را می‌توان یک مسئله‌ی بهینه‌سازی ترکیبی در نظر گرفت که هدف یافتن دنباله‌ای از مقادیر برای خصیصه‌های مجموعه داده‌های ورودی است به طوری که سیستم دارای بیشترین دقت دسته‌بندی باشد. برای حل این مسائل مکاشفه بهینه‌سازی ازدحام ذرات ابتدا مسئله‌ی بهینه‌سازی ترکیبی را به یک گراف نگاشت می‌کند. سپس با مشخص کردن هدف مورد جستجو در گراف (کلاس یا دسته)، ذرات در فضای گره‌های گراف به جستجو می‌پردازند و بهترین مسیر را بر اساس هدف خواسته شده پیدا می‌کنند. بنابراین هر ذره به صورت اولیه مقادیر تصادفی برای هر یک از گره‌ها را انتخاب می‌کند (هر یک از گره‌ها در سیستم فازی می‌توانند مشخص کننده پارامترهای توابع عضویت و قوانین سیستم فازی باشند) و به مرور با همکاری میان ذرات، مسیر مناسب (بهترین ذره) انتخاب شده و مسیر انتخاب شده توسط این ذره به عنوان یک سیستم فازی دسته‌بندی( توابع عضویت و قانون) ارائه می‌شود.

شکل ۳- ۱: نمای کلی مدل پیشنهادی برای واکشی سیستم فازی
مدل پیشنهادی شامل سه بخش مجزا می‌باشد: پیش پردازش داده‌های قطعی اولیه ، تولید قوانین اگر-آنگاه فازی و موتور استنتاج فازی برای پیش‌بینی متغیر هدف نمونه‌های آزمون. قبل از این که سیستم فازی را ایجاد کنیم ابتدا نمونه‌هایی که دارا مقادیر نا مرتبط هستن (از لحاظ منطقی امکان پذیر نمی‌باشند) را یافته و توسط الگوریتم k mean نمونه‌های دارای مقادیر مفقود[۹۱] نباشند را خوشه بندی می‌کنیم، در انتها مقادیر مفقود را با مقدار متناظر نزدیک‌ترین مرکز خوشه به آن نمونه جایگزین می‌شود. در بخش تولید قوانین فازی، یک الگوریتم مبتنی بر بهینه‌سازی ازدحام ذرات مجموعه داده‌های ورودی را گرفته و یک مجموعه قوانین فازی بر می‌گرداند. شکل (۳-۱) مدل پیشنهادی برای اکتشاف توابع عضویت و قوانین فازی از داده‌های ورودی را نشان می‌دهد. در این مدل ابتدا داده‌های حقیقی توسط نمودارهای مثلثی و ذوزنقه‌ای به ترم‌های فازی تبدیل می‌شوند. سپس با بهره گرفتن از یک الگوریتم مبتنی بر بهینه‌سازی ازدحام ذرات یک مجموعه قوانین فازی استخراج می‌شود. قوانین مربوط به هر کلاس جداگانه کشف می‌شود. در مرحله آزمون، یک موتور استنتاج فازی توابع عضویت، قوانین فازی و نمونه‌های آزمون را گرفته و کلاس مربوطه را بر می‌گرداند.

۳-۲- تبدیل داده‌های حقیقی به ترم‌های فازی[۹۲]

در فرایند تصمیم‌گیری برای تسهیل در انتخاب یک گزینه مناسب از میان راه‌ حل ‌های موجود، ابتدا اعداد حقیقی تبدیل به ترم‌های فازی می‌شوند. در این صورت کاربر درک شفاف‌تری از سطح مقدار یک صفت نسبت به دامنه‌ی مقادیر آن صفت خواهد داشت [۸۶].
به عنوان مثال اگر میزان حقوق یک فرد به صورت یک عدد حقیقی بیان شود، کاربر نمی‌تواند در مورد زیاد و یا کم بودن آن قضاوت کند، مگر آن که دامنه‌ی صفت حقوق را مشاهده کند و سپس در مورد آن نظر دهد. اما بیان خصیصه‌ها به صورت ترم‌های فازی به کاربر کمک می‌کند تا بدون توجه به مقادیر دامنه‌ی متغیر، به صورت تقریبی در مورد مقدار آن قضاوت کند.
ساده‌ترین روش برای تبدیل اعداد حقیقی به ترم‌های فازی، استفاده از نظرات افراد خبره است. این روش همیشه مقدور نیست، چرا که فرد خبره همیشه در دسترس نیست. روش دیگر استفاده از توابع عضویت[۹۳] است. توابع عضویت متعددی وجود دارند که از جمله آن‌ها می‌توان به توابع عضویت مثلثی[۹۴] و ذوزنقه‌ای[۹۵] اشاره کرد. دامنه متغیر ورودی به k بازه‌ی مثلثی تقسیم می‌شود و هر بازه نشان دهنده‌ی یک مقدار بیانی است (شکل (۳-۲)). مقدار حقیقی متغیر ورودی به ترم زبانی تبدیل می‌شود که نزدیک‌ترین فاصله را با بازه‌ی مربوط به آن داشته باشد.

شکل ۳- ۲: توابع عضویت فازی (S:Small, MS: Medium Small, M: Medium, ML: Medium Large, L: Large)
در برخی از کارهای گذشته تعداد بخش‌های فازی متفاوتی برای مشخصه‌ های مختلف بکار رفته است، مشخصه‌ های مختلف ممکن است از انواع متفاوتی باشند (پیوسته، ترتیبی و نسبی). بنابراین فرض شده بکار بردن یک نوع افراز فازی با تعداد مقادیر زبانی یکسان برای تمام انواع صفات چندان مناسب نخواهد بود. از طرفی ممکن است بکار بردن مقادیر زبانی غیر یکسان برای صفت‌های مختلف باعث پیچیده‌تر شدن قوانین فازی تولید شده شود و معنی هر مقدار فازی در دامنه‌های متفاوت برای کاربر سیستم ملموس نخواهد بود. در این پایان‌نامه برای ساده کردن سیستم فازی تنها از سه مقدار فازی استفاده نمودیم.

شکل ۳- ۳: نمایش گرافیکی پارامترهای توابع عضویت پیشنهادی

۳-۳- تولید توابع عضویت و قوانین فازی با بهره گرفتن از الگوریتم بهینه‌سازی ازدحام ذرات

با فرض داشتن n خصیصه و k بازه فازی، می‌توان kn قانون فازی استخراج کرد. برای مسائل با ابعاد بزرگ، عملاً در نظر گرفتن این تعداد از قوانین فازی غیر ممکن و یا بسیار سخت است. یک راه‌حل ممکن برای غلبه بر این مشکل و کاهش تعداد قوانین کاندید استفاده از مجموعه فازی DC[96] می‌باشد. با بهره گرفتن از تابع عضویت که می‌تواند برای مجموعه فازی DC برابر یک باشد؛ قوانین استخراجی می‌توانند دارای طول متفاوتی باشند (تعداد ترم‌هایی که مقدار غیر DC دارند در یک قانون مشارکت دارند). شکل (۳-۳) فضای جستجو یک مسئله با چهار خصیصه ورودی و سه بازه فازی را نشان می‌دهد.

شکل ۳- ۴: نمایش گرافیکی فضای جستجو برای یک مسئله چهار بعدی با سه بازه فازی
هرچند با بهره گرفتن از مجموعه فازی DC می‌توان فضای جستجو را تا حد زیادی کاهش داد اما برای مسائل با ابعاد بالا همچنان مشکل ذکر شده وجود دارد [۸۷].
با توجه به کارایی الگوریتم بهینه‌سازی ازدحام ذرات برای حل مسائل بهینه‌سازی با ابعاد بالا، از این الگوریتم می‌توان برای استخراج قوانین فازی نیز به خوبی استفاده کرد. برای این منظور ذرات PSO نمونه‌های آموزشی را گرفته و با ایجاد ترم‌های متوالی قوانین حاکم بر این نمونه‌ها را استخراج می‌کنند. روال کلی الگوریتم ارائه شده به صورت شکل (۳-۵) می‌باشد.

۳-۳-۱- کدگذاری توابع عضویت فازی

ارائه سیستم‌های فازی (توابع عضویت و مجموعه قوانین) و تعریف یک تابع برازش مناسب دو موضوع مهم در طراحی دسته‌بند فازی می‌باشند. یکی از با اهمیت‌ترین مسائل در طراحی یک سیستم فازی با روش‌های بهینه‌سازی، تعیین استراتژی نمایش است. یک سیستم فازی تنها زمانی مشخص می‌شود که مجموعه قوانین و توابع عضویت مرتبط با مجموعه فازی تعیین شوند.
در الگوریتم بهینه‌سازی ازدحام ذرات ارائه شده هر ذره به طور هم‌زمان شامل پارامترهای توابع عضویت و مجموعه قوانین می‌شود. نقاط ممیز شناور برای نشان دادن پارامترهای توابع عضویت و مجموعه قوانین با اعداد گسسته نمایش داده می‌شوند.
همان طور که در شکل (۳-۳) نشان داده شده برای اینکه ورودی‌ها به صورت مجموعه فازی نمایش داده شوند از توابع عضویت مثلثی و ذوزنقه‌ای استفاده شده است که هر کدام با سه پارامتر (نقطه) نمایش داده می‌شوند.
برای نمایش هر متغیر ورودی به صورت مجموعه فازی نُه نقطه  نیاز است. در میان این نقاط اولین و آخرین نقطه ( و  ) مینیمم و ماکسیمم هر متغیر ورودی و ثابت هستند. باقی هفت نقطه که پارامترهای توابع عضویت هستند در بازه‌های مشخص شده‌ای حرکت می‌کنند. محدوده  در  ،  در  ،  در  ،  در  ،  در  ،  در  و  در بازه  تعیین می‌شود. با محدودیت‌های اعمال شده هر ذره در الگوریتم بهینه‌سازی ازدحام ذرات به صورت زیر نمایش داده می‌شود:

موضوعات: بدون موضوع  لینک ثابت
 [ 05:47:00 ق.ظ ]




TA=TCA-Dep;
CFO=NIBE-TA;
تعریف متغیرهای مدل (۳-۴):
ΔCA برابر با تغییرات در دارایی‌های جاری؛
ΔCash برابر با تغییرات در وجه نقد و معادل نقد؛
ΔCL برابر با تغییرات در بدهی‌های جاری؛
ΔSTDEBT برابر با تغییرات در بدهی‌های کوتاه‌مدت بهره‌دار؛
Dep برابر با هزینه استهلاک؛
NIBE برابر با سود خالص قبل از اقلام غیر‌مترقبه؛
ΔRev برابر با تغییرات در درآمد؛
PPE برابر با ارزش ناخالص دارایی‌های ثابت مشهود است.
ج- متغیرهای کنترلی:
بر اساس مدل‌های شناخته‌شده در ادبیات، متغیرهای زیر به عنوان متغیرهای کنترلی برای مدل‌های تحقیق انتخاب شده‌اند (ماشرووالا و ماشرووالا ۲۰۱۱، کور و همکاران ۲۰۰۸).
دانلود پایان نامه - مقاله - پروژه
Beta بتا شدت تغییرات بازدهی سهم مورد نظر نسبت به بازار یا شاخص شامل آن سهم بر اساس رابطه زیر است که در این پژوهش از داده موجود در پایگاه داده‌های نرم‌افزار تدبیرپرداز استفاده شده است.
SIZE برابر با ارزش بازار سهام عادی بر اساس آخرین روز معامله در سال (ماه) قبل؛
BM برابر با نسبت ارزش دفتری حقوق صاحبان سهام در پایان سال مالی قبل به ارزش بازار سهام بر اساس آخرین روز معامله در سال (ماه) قبل (ماشرووالا و ماشرووالا ۲۰۱۱، ص ۱۳۸۱)؛
YIELD، بازده نقدی سهام برابر با سود نقدی سالانه هر سهم عادی تقسیم بر قیمت سهام در پایان سال مالی قبل؛
PRICE برابر با قیمت سهام در آخرین روز معامله در سال (ماه) قبل؛
برای محاسبه SMB و HML، در ابتدای هر ماه شرکت‌ها بر اساس میانه شاخص اندازه آن‌ها به دو گروه بزرگ (B) و کوچک (S) تقسیم شدند و سپس شرکت‌ها بر اساس نسبت ارزش دفتری به ارزش بازار سهام آن‌ها به سه دسته ۳۰% بالا (H)، ۴۰% میانی (M)و ۳۰% پایین (L) تقسیم شدند که البته شرکت‌های دارای ارزش دفتری منفی مورد استفاده قرار نگرفته شده است، سپس بازده این ۶ پرتفوی (B/H, B/M, B/L, S/H, S/M, S/L) و SMB و HML به شرح زیر محاسبه گردید.
متغیر :HML[102] برابر با تفاوت بین میانگین ساده بازده دو پرتفوی با نسبت ارزش دفتری به ارزش بازار سهام بالا (S/H , B/H) و میانگین ساده بازده دو پرتفوی با نسبت ارزش دفتری به ارزش بازار سهام پایین است (S/L , B/L).
HML = 1/2 (S/H + B/H) – ۱/۲ (S/L + B/L)
در نتیجه HML شامل تفاوت بین پرتفوهایی با نسبت ارزش دفتری به ارزش بازار سهام بالا و نسبت ارزش دفتری به ارزش بازار سهام پایین است که اندازه در آن‌ها یکسان در نظر گرفته شده است. بنابراین، HML بجای تمرکز بر عامل اندازه در بازده، بر رفتارهای متفاوت بازده در سهام دارای نسبت ارزش دفتری به ارزش بازار سهام بالا و سهام دارای نسبت ارزش دفتری به ارزش بازار سهام پایین متمرکز می‌شود.
متغیر SMB[103]: برابر با تفاوت بین میانگین ساده بازده سه پرتفوی با اندازه کوچک (S/L, S/M, S/B) و میانگین بازده سه پرتفوی با اندازه بزرگ (B/L, BE/ME, B/H) است.
SMB = 1/3 (S/L + S/M + S/H) – ۱/۳ (B/L + BE/ME + B/H)
بنابراین، SMB تفاوت بین میانگین ساده بازده پرتفوی‌های با اندازه کوچک و پرتفوی‌های با اندازه بزرگ با متوسط نسبت ارزش دفتری به ارزش بازار یکسان است لذا SMB به جای تاکید بر عامل ارزش دفتری به ارزش بازار سهام، بر تفاوت رفتارهای بازده بر روی سهام با اندازه کوچک و سهام با اندازه بزرگ متمرکز است.
برابر با بازده پرتفوی بازار (MKt) است؛
MKt پرتفوی بازار برابر با مجموع ۶ پرتفوی (B/H, B/M, B/L, S/H, S/M, S/L) به همراه شرکت‌های دارای ارزش دفتری منفی است (فاما و فرنچ، ۱۹۹۵٫ ص ۱۳۸)؛
برابر با بازده بدون خطرپذیری برای دوره زمانی t است که در ادبیات مالی از بهره اسناد خزانه ۱ ماه دولت امریکا استفاده می‌شود (فاما و فرنچ، ۱۹۹۵٫ ص ۱۴۴). لذا در این پژوهش نیز بهره سپرده‌ها بانکی (دولتی) کوتاه مدت یک ماهه ۵/۰% (۱۲÷۶% ) در نظر گرفته شده است؛
برابر با بازده پرتفوی برای دوره زمانی t است؛
همانند کور و همکاران (۲۰۰۸) برای محاسبه AQFactor، در ابتدای هر ماه شرکت‏ها بر اساس شاخص کیفیت اقلام تعهدی دیچو و دیچو (۲۰۰۲) محاسبه‌شده در پایان سال قبل به پنج گروه تقسیم شدند. سپس بازده ماهانه هر یک از پرتفوی‌های پنج‏گانه به صورت میانگین ساده محاسبه شد که بر این اساس AQFactor برابر با تفاوت بازده دو پنجک بالایی و پایینی (یعنی تفاوت بین متوسط بازده شرکت‌هایی با بیش‌ترین شاخص کیفیت اقلام تعهدی و بازده شرکت‌هایی با کمترین شاخص کیفیت اقلام تعهدی) است.
AQFactor = 1/2 (Q5 +Q4) – ۱/۲ (Q1 + Q2)
در این پژوهش، روش ۲SCSR روی ۲۵ پرتفوی اندازه و نسبت ارزش دفتری به ارزش بازار که توسط فاما و فرنچ (۱۹۹۳) استفاده شده است، بررسی شده است. آزمون‏های قیمت‏گذاری دارایی‏ها با بهره گرفتن از این پرتفوی‌ها در تحقیقات مالی استاندارد است. برنان و همکاران (۲۰۰۴)، کمپبل و وولیناهو (۲۰۰۴) و پتکوا (۲۰۰۶) از این پرتفوی‌ها استفاده کردند و دریافتند که این پرتفوی‌ها از قدرت کافی برای ارائه شواهد دقیق و ظریف برای پیش‏بینی تغییرات بازده بر اساس خطرپذیری از طریق مدل CAPM و مدل دو بتایی برخوردار هستند (کور و همکاران. ۲۰۰۸، ص).
همانند فاما و فرنچ (۱۹۹۳)، برای تشکیل ۲۵ پرتفوی اندازه و نسبت ارزش دفتری به ارزش بازار همان طور که قبلاً در خصوص ۶ پرتفوی اندازه و نسبت ارزش دفتری به ارزش بازار گفته شد، در ابتدای هر ماه شرکت‌ها بر اساس شاخص اندازه و نسبت ارزش دفتری به ارزش بازار سهام آن‌ها (به طور جداگانه) به پنج دسته تقسیم شدند که از ترکیب آن‌ها ۲۵ پرتفوی حاصل شد.
علاوه بر این برای کاهش این نگرانی که پرتفوی‌های اندازه و نسبت ارزش دفتری به ارزش بازار نتواند به میزان کافی تغییرات مقطعی در شاخص کیفیت اقلام تعهدی را بیان کنند و از قدرت کمی برای بررسی این که عامل کیفیت اقلام تعهدی یک عامل خطرپذیری قیمت‏گذاری شده است، مشابه کور و همکاران (۲۰۰۸) از پرتفوی‌های جایگزین دیگری نیز برای بررسی حساسیت نتایج این تحقیق استفاده شده است. بنابراین از ۲۷ (۳×۳×۳) پرتفوی به ترتیب از ترکیب اندازه، نسبت ارزش دفتری به ارزش بازار و شاخص کیفیت اقلام تعهدی استفاده شده است[۱۰۴] که برای این منظور در ابتدای هر ماه شرکت‏ها بر اساس مقادیر هر یک از عوامل اندازه، نسبت ارزش دفتری به ارزش بازار و شاخص کیفیت اقلام تعهدی به طور مستقل به سه گروه تقسیم شده‌اند. در نتیجه ۲۷ پرتفوی (۳×۳×۳) تشکیل شد که به طور مستقل بر اساس اندازه، نسبت ارزش دفتری به ارزش بازار و شاخص کیفیت اقلام تعهدی طبقه‏بندی شده‏اند. سپس بازده‏های هر پرتفوی به طور ماهانه محاسبه شد که منتج به محاسبه ۷۲ بازده ماهانه برای هر یک از ۲۷ پرتفوی در طول دوره ۱۳۸۵ تا ۱۳۹۰ شده است.

آزمون‌های آماری
آزمون‌های آماری انجام شده را می‌توان به دو بخش آزمون‌های مرتبط با انتخاب نوع مدل رگرسیون و آزمون‌های مرتبط با روابط متغیرها تقسیم کرد که نحوه انجام هر یک در ادامه تشریح می‌شود.

آزمون‌های مرتبط با انتخاب نوع مدل
اگر نمونه مشاهداتی از خصایصN فرد در طول T دوره زمانی در دست باشد که با yitو xkit نمایش داده شوند و K=1, … , K متغیرهای توضیحی در ماتریسX باشد، فرض می‌شود که مشاهدات y، رخدادهای تصادفی با توزیع احتمالی است که به بردار خصایصx و پارامترهای θ مشروط می‌شود: f(y|x,θ). برای اجرای رگرسیون با تمام NT مشاهده معمولاً فرض می‌شود پارامترهای رگرسیون، مقادیری اختیار می‌کنند که برای تمام T دوره زمانی و تمام N مقطع زمانی، یکسان و مشترک است؛ اما اگر این فرض نامعتبر باشد، حداقل مربعات داده‌های تلفیقی[۱۰۵] به نتایج غلط منتهی می‌شود (اشرف زاده و مهرگان، ۱۳۸۹، ص ۱۶ و ۱۷).
روش پژوهش حاضر، تحلیل رگرسیون است و از داده‌های ترکیبی به دست آمده از صورت‌های مالی شرکت‌های عضو نمونه، برای بررسی فرضیه ها استفاده شده است. به همین دلیل، از آزمون F لیمر برای تعیین نوع مدل رگرسیون و از آزمون هاسمن[۱۰۶] برای تشخیص نوع مدل داده‌های تابلویی[۱۰۷] استفاده شده است.

آزمون Fلیمربرای بررسی معنی داری اثرات ثابت[۱۰۸]
در نخستین گام به سمت استفاده کامل از داده ها باید آزمون شود که آیا پارامترهایی که رخداد تصادفی y را می‌سازند، برای تمام i ها و t ها ثابت می‌ماند یا خیر. معنی داری هم زمان مقادیر باقی مانده را می‌توان به صورت زیر آزمون کرد:

موضوعات: بدون موضوع  لینک ثابت
 [ 05:47:00 ق.ظ ]




 

 

تعداد

 

۱۹۶

 

 

 

Correlation is significant at the 0.01 level (2-tailed).

 

 

 

جدول فوق به بررسی رابطه بین سرمایه­فرهنگی و حس­تعلق­مکانی پاسخگویان ساکن شهرجدیدپرند پرداخته است. با توجه به اینکه سطح معناداری این دو متغیر برابر با ۰۰۱/۰ (کمتر از ۰۵/۰) است، می­توان گفت رابطه معناداری بین دو متغیر وجود دارد. میزان همبستگی این دو متغیر برابر با ۲۴۳/۰- است، که نشان­دهنده همبستگی متوسط به پایین و معکوس(علامت منفی) بین این دو متغیر است و با (**) مشخص شده است. لذا با اطمینان ۹۹ درصد می­توان رابطه همبستگی بین سرمایه­فرهنگی و حس­تعلق­مکانی را معنی­دار دانست. بنابراین می­توان گفت هرچه میزان سرمایه­فرهنگی افراد بیشتر باشد، حس تعلق افراد به مکان زندگیشان کمتر می­ شود و بالعکس.
پایان نامه - مقاله - پروژه
فرضیه سوم: به نظر می­رسد بین نگرش به ویژگی­های فضایی- کالبدی و حس­تعلق­مکانی ساکنین شهرجدیدپرند رابطه معناداری وجود دارد. (با توجه به اینکه متغیر مستقل و وابسته در این فرضیه در سطح فاصله­ای قرار دارند، بنابراین در بررسی این فرضیه از آزمون همبستگی پیرسون استفاده می­ شود).

 

 

جدول ۱۷- ۴ همبستگی بین نگرش به ویژگی­های فضایی- کالبدی و حس­تعلق­مکانی پاسخگویان ساکن پرند

 

 

 

 

 

حس تعلق مکانی

 

 

 

ویژگی­های فضایی- کالبدی

 

همبستگی

 

.۶۴۷**

 

 

 

Sig. (2-tailed)معناداری

 

.۰۰۰

 

 

 

تعداد

 

۱۹۶

 

 

 

Correlation is significant at the 0.01 level (2-tailed).

 

 

 

جدول فوق به بررسی رابطه بین نگرش به ویژگی­های فضایی- کالبدی و حس­تعلق­مکانی پاسخگویان ساکن شهرجدیدپرند پرداخته است. با توجه به اینکه سطح معناداری این دو متغیر برابر با ۰۰۰/۰(کمتر از ۰۵/۰) است، می­توان گفت رابطه معناداری بین دو متغیر وجود دارد. میزان همبستگی این دو متغیر برابر با ۶۴۷/۰ است،که نشان­دهنده همبستگی بالا و مستقیم بین این دو متغیر است و با (**) مشخص شده است. لذا با اطمینان ۹۹ درصد می­توان رابطه همبستگی بین نگرش افراد به ویژگی­های فضایی- کالبدی و حس­تعلق­مکانی را معنی­دار دانست. بنابراین می­توان گفت هرچه ویژگی­های فضایی- کالبدی برای افراد مطلوبیت بیشتری داشته باشد، حس تعلق افراد به مکان زندگیشان بیشتر می­ شود و بالعکس.
فرضیه چهارم: به نظر می­رسد بین مدت زمان سکونت و حس­تعلق­مکانی ساکنین شهرجدیدپرند رابطه معناداری وجود دارد. (با توجه به اینکه متغیر مستقل در این فرضیه در سطح ترتیبی قرار دارد و متغیر وابسته نیز در سطح فاصله­ای است، بنابراین در بررسی این متغیر از آزمون اسپیرمن استفاده می­ شود).

 

 

جدول ۱۸- ۴ همبستگی بین مدت زمان سکونت و حس­تعلق­مکانی پاسخگویان ساکن شهرجدیدپرند

 

 

 

 

 

حس تعلق مکانی

 

موضوعات: بدون موضوع  لینک ثابت
 [ 05:46:00 ق.ظ ]