ﺗﺤﻮل ﮔﺮا

^%14.9ﺗﺒﺎدل ﮔﺮا

_16% %24.1
ﻧﻤﻮدار : 5 -4 ﻧﻤﻮدار ﺗﻮزﯾﻊ ﻓﺮاواﻧﯽ ﺳﺒﮏ رﻫﺒﺮي
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٢
-5-4آﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ
آن ﻗﺴﻤﺖ از آﻣﺎر اﺳﺖ ﮐﻪ ﺑﻪ ﺑﺮآورد و آزﻣﻮن ﻓﺮﺿﯿﻪ ﻫﺎ در ﺧﺼﻮص ﭘﺎراﻣﺘﺮﻫﺎي ﺟﺎﻣﻌﻪ از روي ﻧﻤﻮﻧﻪ ﻣﯽﭘﺮدازد. اﺳﺘﻨﺒﺎط ﻫﺎﯾﯽ ﮐﻪ از ﻧﻤﻮﻧﻪ ﻣﯽ ﺷﻮد ﻧﻤﯽ ﺗﻮاﻧﺪ ﻗﻄﻌﯽ ﺑﺎﺷﺪ و اﯾﻦ اﺳﺘﻨﺒﺎﻃﻬﺎ اﺣﺘﻤﺎﻟﯽ ﻫﺴﺘﻨﺪ و ﻟﺬا ﺑﺎﯾﺪ ﻣﺒﺎﻧﯽ ﻧﻈﺮﯾﻪ اﺣﺘﻤﺎل را در ﺑﯿﺎن آﻧﻬﺎ ﺑﮑﺎر ﮔﯿﺮﯾﻢ. درواﻗﻊ ﻫﺪف ﻧﻬﺎﯾﯽ آﻣﺎر اﺳﺘﻨﺒﺎﻃﯽ ﺑﺮآورد وﯾﮋﮔﯿﻬﺎي ﺟﺎﻣﻌﻪ اﺳﺖ. در اﯾﻦ ﺑﺨﺶ ﺑﺎ اﺳﺘﻔﺎده از ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﺋﯿﺪي و ﺗﺤﻠﯿﻞ ﻣﺴﯿﺮ ﻣﻌﻨﺎداري رواﺑﻂ ﺑﺪﺳﺖ آﻣﺪه آزﻣﻮن ﮔﺮدﯾﺪه اﺳﺖ. در ﻧﻬﺎﯾﺖ ﺑﻪ ﻣﻨﻈﻮر آزﻣﻮن ﻓﺮﺿﯿﻪ ﻫﺎي ﺗﺤﻘﯿﻖ از ﻣﺪل ﻣﻌﺎدﻻت ﺳﺎﺧﺘﺎري اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ.
-6-4 ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﯾﯿﺪي ﻣﺘﻐﯿﺮﻫﺎي ﭘﮋوﻫﺶ
در اﯾﻦ ﺑﺨﺶ، ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﺋﯿﺪي ﻫﺮ ﯾﮏ از ﻣﺘﻐﯿﺮﻫﺎي ﭘﮋوﻫﺶ ﺗﻮﺳﻂ ﻧﺮماﻓﺰار
LISREL ﺑﻪ ﺻﻮرت ﺟﺪاﮔﺎﻧﻪ ﺑﺮاي ﻫﺮ ﻣﺘﻐﯿﺮ آورده ﺷﺪه اﺳﺖ. ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ ﺑﻪ ﻣﻨﻈﻮر ﮐﺎﻫﺶ ﻣﺘﻐﯿﺮﻫﺎ و در ﻧﻈﺮ ﮔﺮﻓﺘﻦ آﻧﻬﺎ ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻣﺘﻐﯿﺮ ﻣﮑﻨﻮن، ﺑﺎر ﻋﺎﻣﻠﯽ ﺑﻪ دﺳﺖ آﻣﺪه ﺑﺎﯾﺪ ﺑﯿﺸﺘﺮ از 0/3 ﺑﺎﺷﺪ (ﻣﺆﻣﻨﯽ و ﻓﻌﺎل ﻗﯿﻮم، .(1386 در ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﺋﯿﺪي ﻣﺤﻘﻖ ﻣﯽ داﻧﺪ ﭼﻪ ﺳﻮاﻟﯽ ﻣﺮﺑﻮط ﺑﻪ ﭼﻪ ﺑﻌﺪي اﺳﺖ. ﯾﻌﻨﯽ در ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﺋﯿﺪي ﻣﺪل ﻣﻔﻬﻮﻣﯽ ﺑﺮاي ﻫﺮ ﯾﮏ از ﻣﻔﺎﻫﯿﻢ ﯾﺎ ﻣﺘﻐﯿﺮﻫﺎي ﺗﺤﻘﯿﻖ وﺟﻮد دارد.
در ﺑﺮرﺳﯽ ﻫﺮ ﮐﺪام از ﻣﺪل ﻫﺎ ﺳﻮال اﺳﺎﺳﯽ اﯾﻦ اﺳﺖ ﮐﻪ آﯾﺎ اﯾﻦ ﻣﺪل ﻫﺎي اﻧﺪازه ﮔﯿﺮي ﻣﻨﺎﺳﺐ اﺳﺖ؟ ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ آﯾﺎ داده ﻫﺎي ﺗﺤﻘﯿﻖ ﺑﺎ ﻣﺪل ﻣﺪل ﻣﻔﻬﻮﻣﯽ ﻫﻤﺨﻮاﻧﯽ دارد ﯾﺎ ﺧﯿﺮ؟ ﮐﻪ ﺑﺮاي ﭘﺎﺳﺦ ﺑﻪ اﯾﻦ ﭘﺮﺳﺶ ﻣﯽ ﺑﺎﯾﺴﺖ x² (ﮐﺎي دو) و ﺳﺎﯾﺮ ﻣﻌﯿﺎرﻫﺎي ﻣﻨﺎﺳﺐ ﺑﻮدن ﺑﺮازش ﻣﺪل (RMSEA , p-value , x² /df ) ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﮔﯿﺮد. ﺑﺪﯾﻦ ﺻﻮرت ﻣﺪﻟﯽ ﻣﻨﺎﺳﺐ اﺳﺖ ﮐﻪ داراي ﺣﺎﻟﺖ ﻫﺎي ﺑﻬﯿﻨﻪ ذﯾﻞ ﺑﺎﺷﺪ. آزﻣﻮن ﮐﺎي دو ﺑﻪ درﺟﻪ آزادي (x²/df) ﻫﺮ ﭼﻪ ﮐﻤﺘﺮ ﺑﺎﺷﺪ(ﮐﻮﭼﮑﺘﺮ از (3 ﺑﻬﺘﺮ اﺳﺖ، زﯾﺮا اﯾﻦ آزﻣﻮن اﺧﺘﻼف ﺑﯿﻦ داده و ﻣﺪل را ﻧﺸﺎن ﻣﯽ دﻫﺪ.
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٣
ﻫﻤﭽﻨﯿﻦ ﻫﺮ ﭼﻪ ﻣﻘﺪار RMSEA ﮐﻮﭼﮑﺘﺮ از 0.08 ﺑﺎﺷﺪ ﻣﯿﺎﻧﮕﯿﻦ ﻣﺠﺬور ﺧﻄﺎﻫﺎي ﻣﺪل ﮐﻤﺘﺮ اﺳﺖ.(ﻫﻮﻣﻦ، .(1386
ﺑﻨﺎﺑﺮاﯾﻦ ﺟﻬﺖ ﺑﺮرﺳﯽ ﻣﻨﺎﺳﺐ ﺑﻮدن ﺳﻮاﻻت اﻧﺘﺨﺎﺑﯽ ﺑﺮاي ﻋﺎﻣﻠﻬﺎي ﺗﺤﺖ ﺑﺮرﺳﯽ از ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﯾﯿﺪي اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد. در اﯾﻦ ﻣﺮﺣﻠﻪ اﺑﺘﺪا ﺷﺎﺧﺺ ﻫﺎي ﻫﺮ ﯾﮏ از ﻣﺪﻟﻬﺎي ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﯾﯿﺪي را ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﺧﻮاﻫﯿﻢ داد و در اداﻣﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻣﻌﻨﺎدار ﺑﻮدن ارﺗﺒﺎط ﻫﺮ ﯾﮏ از ﺳﻮاﻻت ﺑﺎ ﻋﺎﻣﻞ ﺗﺤﺖ ﺑﺮرﺳﯽ ﺑﺎ اﺳﺘﻔﺎده از ﻧﻤﻮدارﻫﺎي ﻟﯿﺰرل در دو ﺣﺎﻟﺖ ﻣﻌﻨﺎداري و اﺳﺘﺎﻧﺪارد ﺑﻮدن ﻣﯽ ﭘﺮدازﯾﻢ.
-1-6-4 ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﺗﺎﺋﯿﺪي ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي
ﺷﮑﻞ 2-4 ﻣﺪل اﻧﺪازه ﮔﯿﺮي ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي را در ﺣﺎﻟﺖ ﺗﺨﻤﯿﻦ اﺳﺘﺎﻧﺪارد ﻧﺸﺎن ﻣﯽ دﻫﺪ. اﯾﻦ ﺷﮑﻞ ﺑﯿﺎﻧﮕﺮ ﻣﻘﺎدﯾﺮ ﺑﺮآورد ﺷﺪه ﺑﺎرﻫﺎي ﻋﺎﻣﻠﯽ¹⁹¹ ﻣﯽ ﺑﺎﺷﺪ. اﯾﻦ ﻣﻘﺎدﯾﺮ، ﻣﻘﺎدﯾﺮي ﻫﺴﺘﻨﺪ ﮐﻪ ﻧﻤﺮات ﻋﺎﻣﻞ ﭘﯿﺶ ﺑﯿﻨﯽ ﺷﻮﻧﺪه را ﻧﺸﺎن ﻣﯽ دﻫﻨﺪ.
ﺑﺎرﻫﺎي ﻋﺎﻣﻠﯽ ﻣﺪل در ﺣﺎﻟﺖ ﺗﺨﻤﯿﻦ اﺳﺘﺎﻧﺪارد ﻧﯿﺰ ﻣﯿﺰان ﺗﺎﺛﯿﺮ ﻫﺮ ﮐﺪام از ﻣﺘﻐﯿﺮﻫﺎ و ﯾﺎ ﮔﻮﯾﻪ ﻫﺎ را در ﺗﻮﺿﯿﺢ و ﺗﺒﯿﯿﻦ وارﯾﺎﻧﺲ ﻧﻤﺮات ﻣﺘﻐﯿﺮ ﯾﺎ ﻋﺎﻣﻞ اﺻﻠﯽ ﻧﺸﺎن ﻣﯽ دﻫﺪ. ﺑﻪ ﻋﺒﺎرت دﯾﮕﺮ ﺑﺎر ﻋﺎﻣﻠﯽ ﻧﺸﺎن دﻫﻨﺪه ﻣﯿﺰان ﻫﻤﺒﺴﺘﮕﯽ ﻫﺮ ﻣﺘﻐﯿﺮ ﻣﺸﺎﻫﺪه ﮔﺮ (ﺳﻮال ﭘﺮﺳﺸﻨﺎﻣﻪ) ﺑﺎ ﻣﺘﻐﯿﺮ ﻣﮑﻨﻮن (ﻋﺎﻣﻞ ﻫﺎ) ﻣﯽ ﺑﺎﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺷﮑﻞ 2-4 ﻣﯽ ﺗﻮان ﺑﺎرﻫﺎي ﻋﺎﻣﻠﯽ ﻫﺮ ﯾﮏ از ﺳﻮاﻻت ﺗﺤﻘﯿﻖ را ﻣﺸﺎﻫﺪه ﻧﻤﻮد.
ﺷﮑﻞ 3-4 ﻣﺪل اﻧﺪازه ﮔﯿﺮي ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي را در ﺣﺎﻟﺖ ﻣﻌﻨﺎداري (ﻣﺪل (T-values ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ از ﻃﺮﯾﻖ ﻣﻘﺎدﯾﺮ داده ﻫﺎي ﺧﺎم، ﺑﺮاي ﻫﺮ ﭘﺎراﻣﺘﺮ در ﻣﺪل ﯾﮏ ﻣﻘﺪار T
ﻣﺸﺎﻫﺪه ﺷﺪه ﺑﻪ دﺳﺖ ﻣﯽ آﯾﺪ. ﻣﻘﺪار آزﻣﻮن ﻣﻌﻨﺎداري ﺑﺰرﮔﺘﺮ از 1.96 ﯾﺎ ﮐﻮﭼﮑﺘﺮ از -1.96
Estimate Factor Analysis -^١٩١
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٤
ﻧﺸﺎن دﻫﻨﺪه ﻣﻌﻨﺎدار ﺑﻮدن رواﺑﻂ اﺳﺖ. ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﻣﺸﺨﺺ اﺳﺖ ﻣﯿﺰان آﻣﺎره t ﺑﺮاي ﻫﻤﻪ ﺳﻮاﻻت ﺗﺸﮑﯿﻞ دﻫﻨﺪه اﻧﻮاع ﺳﺒﮑﻬﺎي رﻫﺒﺮي ﺑﺰرﮔﺘﺮ از 1.96 ﯾﺎ ﮐﻮﭼﮑﺘﺮ از -1.96 اﺳﺖ و ﻟﺬا ﻣﻨﺎﺳﺐ ﺑﻮدن ﺳﻮاﻻت ﻃﺮاﺣﯽ ﺷﺪه ﺑﺮاي اﯾﻦ ﺳﺒﮑﻬﺎ ﺗﺎﯾﯿﺪ ﻣﯽ ﮔﺮدد.
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٥
ﺷﮑﻞ : 2-4 ﻣﺪل اﻧﺪازه ﮔﯿﺮي ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي در ﺣﺎﻟﺖ ﺗﺨﻤﯿﻦ اﺳﺘﺎﻧﺪارد
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٦
ﺷﮑﻞ : 3-4 ﻣﺪل اﻧﺪازه ﮔﯿﺮي ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي در ﺣﺎﻟﺖ ﻋﺪد ﻣﻌﻨﺎداري
ﻓﺼﻞ ﭼﻬﺎرم- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ داده ﻫﺎ ١٠٧
در ﺟﺪول زﯾﺮ ﺷﺎﺧﺼﻬﺎي ﺗﺤﻠﯿﻞ ﻋﺎﻣﻠﯽ ﻣﺘﻐﯿﺮ ﺳﺒﮏ رﻫﺒﺮي ﻟﺤﺎظ ﺷﺪه اﺳﺖ.

ﺁﻣﺎﺭﻩ

ﻣﻘﺪﺍﺭ

ﮐﺎي دو

5079.46

درﺟﻪ آزادي

2591

فصل۳: انتخاب مدل و طراحی
۳-۸-۲- هدف بهسازی
ازآنجا که هدف بررسی ضوابط آئین نامه۲۸۰۰ می باشد، لذا بهسازی مبناء که درآن هدف، ارضاء سطح عملکرد ایمنی جانی در زلزله سطح خطر-۱ می باشد، انتخاب گردید.
۴-۸-۳- توزیع بار جانبی در تحلیل استاتیکی غیرخطی
از آنجایی که نحوه توزیع بار جانبی در تحلیل استاتیکی غیرخطی بر صحت نتایج بسیار تاثیر گذار است لذا انتخاب الگوی مناسب جهت توزیع بار جانبی از اهمیت خاصی برخوردار است. در انجام این تحلیل ها از ۳ الگوی مختلف بارگذاری استفاده شده است.
بارگذاری ثقلی سازه جهت فراهم آمدن شرایط اولیه در تحلیل تحت اثر نیروهای جانبی (Gravity)
بارگذاری مطابق با بار استاتیکی معادل آیین نامه۲۸۰۰، این الگو حاصل توزیع نیروی جانبی پیشنهادی در آیین نامه طرح ساختمان ها در برابر زلزله است (شکل شماره۴-۱). در این روش نیروی جانبی زلزله بر مبنای زمان تناوب اصلی نوسان ساختمان و با بهره گرفتن از طیف بازتاب طرح تعیین می شود. (Push2)
بارگذاری یکنواخت و متناسب با جرم طبقه (Push4).
در این نوع توزیع بار برش پایه ساختمان به طور یکسان بر مرکز جرم طبقات وارد می شود.
۴۶
فصل۳: انتخاب مدل و طراحی
شکل(۳-۵): پنجره تعریف الگوی توزیع بار جانبی در تحلیل استاتیکی غیر خطی
۳-۸-۳-۱ معرفی و اختصاص مفاصل پلاستیک
رفتار غیرخطی سازه با تعریف مفاصل پلاستیک در مدل اعمال می شود. لازمه انجام هرگونه تحلیل غیرخطی معرفی مشخصات مفاصل غیرخطی می باشد. این مفاصل در نقاطی از اجزای سازه که احتمال تجاوز نیروهای داخلی عضو از نیروهای حد تسلیم وجود دارد تعریف می شوند. در تحلیل غیرخطی برنامه ETAB&SAP الگوی بارگذاری معرفی شده بصورت مرحله ای اعمال می شود و هر بار ماتریس سختی بر اساس هندسه تغییر شکل یافته اصلاح می شود. علاوه بر این در هر مرحله مقدار نیروی داخلی اعضا در محل مفاصل تعریف شده، با مقدار نیروی حد تسلیم مفصل معرفی شده مقایسه می شود. اگر نیروی داخلی به حد تسلیم نرسیده باشد با حفظ سختی مرحله قبل مقداری به بار سازه اضافه می شود ولی اگر نیروی داخلی از حد تسلیم مفصل گذشته باشد سختی مفصل و به تبع آن سختی سازه با توجه به منحنی نیرو- تغییرمکان اصلاح می شود. این بارگذاری مرحله ای تا رسیدن به حد مکانیزم یا رسیدن به معیار تغییرمکانی که توسط کاربر مشخص شده ادامه می یابد. به این ترتیب برنامه منحنی نیرو- تغییرمکان تک تک مقاطع را براساس مشخصات هندسی آنها و الگوی ارائه شده تولید می کند. خرابی یک تیر در یک قاب خمشی در اثر بالا رفتن مقادیر لنگر و برش در دو سر تیر و در نتیجه بروز مفصل های پلاستیک خمش و برش در دو انتها می باشد. لذا میبایست مفصل های برشیV₂ را به دو انتهای تیر و و خمشیM₃ را به وسط تیر نسبت داد. در ستون ها مفصل های محوریP و مفصل های PMM می توانند تشکیل شوند لذا این مفاصل را به دو انتهای ستون اختصاص میدهیم پارامترهای مدلسازی و معیارهای پذیرش برای معرفی مفاصل در روش های غیر خطی مطابق جدول(۵-۳) دستورالعمل بهسازی لرزه ای لحاظ می گردد (شکل شماره ۳-۶) ]۷[.

۴۷
فصل۳: انتخاب مدل و طراحی
شکل(۳-۶)- پنجره های مربوط به تعریف مشخصات مفصلی
آژانس مدیریت بحران فدرال،FEME، در زمینه مفاصل غیر خطی پیشنهاداتی ارائه داده است که برنامه هایSAP2000ver11&ETABSver9 نیز برای شکل مفاصل غیرخطی از ضوابط آیین نامه FEME356 استفاده می کنند. شکل مفاصل بستگی به نوع مفصل(خمشی، برشی، محوری …) و نوع عضو دارد و هر یک از مفاصل دارای رفتار غیرخطی در یکی از مولفه های نیرویی می باشد. در ادامه به خواص مفاصل فولادی مطابق FEME356 اشاره می شود]۸[.
۴۸
فصل۳: انتخاب مدل و طراحی
الف) مفصل محوری
*شیب بین نقاط B,C برابر ۳٪ سختی کرنش است.
*طول مفصل مفروض برابر Δy طول عضو می باشد.
*شیب اولیه در فشار مانند شیب اولیه در کشش است.
*نقاطB,C,D بر مبنای FEMA356 دربرابر کشش مهار شده اند.
* نقاطB’,C’,D’ بر مبنای FEMA356 دربرابر فشار مهار شده اند (شکل شماره ۳-۷).
شکل (۳-۷):منحنی نیرو- تغییرمکان
ب) مفصل کوپلP-M-M
*شیب بین نقاط B,C برابر ۳٪ سختی کل کرنش است.
*سطح تاثیر متقابل مفصلPMM و θy براساس معادلات
موجود در مدارک FEME356 محاسبه می گردد.
*نقاط E,D,C بر مبنای مدارک FEME356 برای <     می باشد.
منحنی PMM شبیه منحنی M3 است بجز اینکه همیشه نسبت به مبدا متقارن است (شکل شماره ۳-۸).
۴۹
فصل۳: انتخاب مدل و طراحی
شکل (۳-۸):منحنی لنگر- دوران
ج) مفصل برشی
*منحنی حول مبدا متقارن است (شکل شماره ۳-۹).
* شیب بین نقاط B,C برابر ۳٪ سختی کرنش است.
*نقاط D,C بر مبنای جداول موجود درFEME356 می باشد.
شکل (۳-۹):منحنی نیرو- تغییرمکان
د) منحنی تغییرشکل پلاستیک
شکل(۳-۱۰) منحنی نیرو- تغییرمکان یا لنگر- دوران است این
منحنی دارای پنج نقطه A,B,C,D,E می باشد. همچنین
می توان این منحنی را بصورت قرینه یا با اختلاف در نقاط
مثبت یا منفی نشان داد. این نقاط عبارتند از:
*نقطه A، نقطه اصلی است، شیب خط AB،شیب الاستیک است.
۵۰

توانایی سازمان و مدیریت

۶

پنجم

تجاری سازی

۶٫۰۱

ششم

H_۰ = رتبه میانگین عوامل حیاتی موفقیت توسعه محصول با یکدیگر یکسان می باشند.
H_۱ = حداقل یک زوج از رتبه های میانگین عوامل حیاتی موفقیت توسعه محصول تفاوت معناداری با یکدیگر دارند
نتیجه نشان می دهد که با توجه به اینکه سطح معنی داری محاسبه شده کمتر از ۰٫۰۵ است لذا فرض صفر رد می گردد، یعنی حداقل یک زوج از رتبه های میانگین آیتم های عوامل حیاتی موفقیت توسعه محصول تفاوت معناداری با یکدیگر دارند.
۴-۳-۶- تحلیل عاملی و ارزیابی بخش اندازه گیری مدل
در ارزیابی بخش اندازه گیری مدل محقق باید به بررسی روابط بین متغیرهای نهفته و متغیرهای آشکار مدل بپردازد. در اینجا هدف تعیین اعتبار یا روایی و اعتماد یا پایایی اندازه گیری های مورد نظر است. در بحث پایایی و اعتماد پرسشنامه طراحی شده و متغیر ها از آلفای کرونباخ استفاده شده است، آلفای مورد قبول ۰٫۷ می باشد که ۰٫۶ هم در مواردی مورد تایید قرار می گیرد، در اینجا آلفای بدست آمده برای ۴۷ سوال باقی مانده برابر با ۰٫۹۰۹ براورد شده است که نشان از اعتبار متغیر ها و شاخص ها می باشد. در پیوست به تفصل بیان شده است. در بحث اعتبار یا روایی این مسئله مطرح است که آیا شاخص ها یا متغیرهای اشکار همان چیز را اندازه گیری می کنند که مدنظر محقق است یا چیز دیگری را. در مقابل مسئله اعتماد یا پایایی با این موضوع سرو کار دارد که شاخص های مورد استفاده با چه دقتی موضوع مورد نظر را اندازه گیری می کنند (کلانتری، ۱۳۸۸ص ۱۳۶).

به منظور تحلیل ساختار درونی پرسشنامه و کشف عوامل تشکیل دهنده هر سازه یا متغیر مکنون، از ابزار تحلیل عاملی تاًییدی استفاده می شود. همچنین در این بخش با بهره گرفتن از تحلیل عاملی تاًییدی معادلات اندازه گیری شده مربوط به هر سازه (متغیر مکنون) استخراج و تفسیر می شوند (دانشگر، ۱۳۹۰ص ۱۱۳) تحلیل عاملی تاًییدی سازه های تحقیق به صورت زیر ارائه می شوند.
فرض های پژوهشی
فرض صفر: کلیت مدل معادله ساختاری متغیر ها تبیین کننده مورد تایید نیست
H_۰: RMSEA ۰/۱
H_۱: RMSEA ۰/۱
فرض یک: کلیت مدل معادله ساختاری متغیر ها تبیین کننده مورد تایید است.
نمودار ۴-۵-نمودار برآوردی نرم افزار
نمودار ۴-۶-نمودار استاندارد نرم افزار
نمودار ۴-۷-نمودار T-VALUE نرم افزار
جدول ۴- ۳۷ شاخص های برازش مدل

نام شاخص

حد مجاز

مقدار بدست آمده

کمتر از ۳

۱۲/۱

GFI (نیکویی برازش)

بالاتر از ۹/۰

۹۸/۰

RMSEA (ریشه میانگین مربعات خطای برآورد)

کمتر از ۸/۰

۴۰/۰

CFI (شاخص برازش مقایسه ای – تعدیل یافته)

بالاتر از ۹/۰

۲-۲پیشینه خارجی
۲-۱مبانی نظری
۴-۴ارائه مدل جدید
۴-۳توصیف جدول مقایسه مدل ها
۳-۱روش تحقیق
۳-۳جامعه و نمونه آماری
۳-۲حدود مطالعاتی
۳-۴روش جمع آوری اطلاعات
۱-۴تعریف واژه ها
۵-۴محدودیت های تحقیق
۵-۳پیشنهادهای مبتنی بر یافته های تحقیق
۵-۲نوآوری های تحقیق
۵-۱نتایج حاصل از سوالات تحقیق
۱-۳اهداف تحقیق
۱-۲اهمیت و ضرورت انجام تحقیق
۱-۱بیان مسئله
فصل پنجم
نتیجه گیری
فصل چهارم
تحلیل تجربی
فصل سوم
روش تحقیق
فصل دوم
مبانی نظری
فصل اول
کلیات تحقیق
فصل چهارم
تجزیه‌وتحلیل داده‌ها
مقدمه
تجزیه‌وتحلیل داده‌ها برای بررسی صحت مدل ارائه‌شده در تحقیق از اهمیت خاصی برخوردار است و امروزه در بیشتر تحقیقاتی که مبتنی بر اطلاعات جمع‌ آوری‌شده از موضوع موردپژوهش است تجزیه‌وتحلیل از اصلی­ترین و مهم‌ترین بخش­های پژوهش محسوب می­ شود. داده‌های خام با بهره گرفتن از نرم‌افزارها مورد تجزیه‌وتحلیل قرار می‌گیرند و پس از پردازش به شکل اطلاعات در اختیار مشتریان قرار می­گیرند. پس‌ازآنکه در فصول دو و سه به‌مرور کارهای انجام‌شده درزمینهٔ تحقیق و ارائه چارچوبی در جهت پژوهش پرداختیم، اکنون مبادرت به پیاده‌سازی روال تحقیق و کارهای انجام‌شده می‌نماییم.

۴-۱٫ نرم­افزارهای مورداستفاده
در این تحقیق، به‌منظور آماده ­سازی داده ­ها، از نرم‌افزار مایکروسافت اکسل^[۵۷] ۲۰۱۳ استفاده نمودیم. همچنین برای مدل‌سازی پیش ­بینی قیمت سهام از جعبه‌ابزارهای شبکه عصبی و MFNN نرم­افزار متلب^[۵۸] ۲۰۱۴
استفاده نمودیم.
۴-۲٫ مدل­سازی پیش ­بینی قیمت سهام
ازآنجاکه یکی از اهداف تحقیق حاضر پیش ­بینی قیمت سهام با بهره گرفتن از فن­های هوشمند است، لذا در ابتدا بایستی متغیرهای مؤثر بر پیش ­بینی قیمت سهام را شناسایی و دادگان مربوط به شرکت‌های حاضر در نمونۀ آماری را از مراجع معتبر استخراج نماییم.
۴-۲-۱٫ داده ­های تحقیق
با توجه به توضیحاتی که در بخش ۳-۳ ارائه نمودیم، بسیاری از تحقیقات پیشین از داده ­های روزانه مربوط به شاخص کل بازار، قیمت پایانی و حجم معاملات شرکت­ها در پیش ­بینی قیمت سهام بهره گرفته­اند. از سوی دیگر با توجه به اینکه برای آموزش شبکه عصبی بایستی تعداد نمونه­ها به‌قدری باشد که شبکه بتواند رابطه بین متغیرهای ورودی و خروجی را استخراج نماید، لذا به‌منظور مدل‌سازی پیش ­بینی قیمت سهام، پس از تعیین شرکت­های حاضر در نمونۀ آماری، داده‌های روزانه مربوط به شاخص کل بورس اوراق بهادار تهران و همچنین قیمت ابتدایی، قیمت پایانی، کمترین قیمت و حجم معاملات شرکت‌های حاضر در تحقیق برای ۷۲ ماه منتهی به اسفند ۱۳۹۳ از وب‌سایت شرکت بورس اوراق بهادار تهران استخراج شد.
۲-۴-۲٫ شرکت­های حاضر در تحقیق
در این تحقیق ۱۰ شرکت از شرکت‌های شیمیایی که اطلاعات در دسترسی داشته‌اند انتخاب شدند. در جدول ۴-۱، نام و نماد هر یک از این شرکت­ها آمده است.

۲-۴-۲- الگوریتم کاهش خطا مکانی به صورت انرژی آگاه
در الگوریتم کاهش خطای مکانی به صورت انرژی آگاه[۱۳]، یک چارچوب کاهش خطای مکانی برای رهگیری اهداف ارائه گردیده است که در این چارچوب کاهش خطای مکانی از دو رویکرد اجتناب از خطا و تصحیح خطا استفاده گردیده است. رویکرد اجتناب از خطا شامل یک روش جلوگیری از خطا به وسیله بیدار کردن گروهی از حسگرها پیش از رسیدن هدف به موقعیت پیش‌بینی‌شده هدف است که اگر تغییر جهتی بر خلاف پیش‌بینی به وجود آمد هدف قابل‌شناسایی باشد. بنابراین رویکرد تصحیح خطا به دلیل پیچیدگی زمانی و محاسباتی آن در بدترین حالت استفاده می‌شود. وقتی رویکرد اجتناب از خطا جواب نداد ناحیه بیدارباش حسگرها به اندازه مناسب بزرگ می‌شود. با توجه به اینکه برای رهگیری هدف، پیش‌بینی صحیح مکان بعدی هدف و حوزه مناسب برای بیدار کردن حسگر­ها مهم می­باشد و در صورت انتخاب مناسب حوزه بیدارباش، تغییر اندک در جهت حرکت هدف، باعث گم شدن هدف نمی‌شود بنابراین اندازه حوزه بیدارباش بسیار مهم می­باشد و بر اساس عوامل گوناگونی مانند سرعت هدف، زمان سپری‌شده، نرخ خطای قابل‌تحمل و غیره بدست آورده می­گردد. شکل۲-۱۳ حوزه‌های بیدارباش کنونی و آینده را نشان می­دهد.

شکل۲-۱۳: حوزه‌های بیدارباش کنونی و آینده[۱۳].
در شکل۲-۱۳ منطقه سایه‌دار محل وجود هدف است و دایره با خط ممتد حوزه بیدارباش هدف در زمان کنونی است. اما دایره خط چین حوزه بیدارباش برای زمان آینده هدف را نشان می­دهد. زاویه‌ای است که با آن مقدار دقت در رهگیری و اندازه خطای قابل‌تحمل طرح تنظیم می‌شود. هر چه مقدار آن بزرگتر باشد احتمال گم شدن هدف کمتر می‌شود اما انرژی بیشتر در شبکه مصرف می‌شود. در الگوریتم کاهش خطای مکانی به صورت انرژی آگاه، در رویکرد اجتناب از خطا باید هدف به اندازه کافی در حوزه بیدارباش کنونی باقی بماند تا بتوان پیام بیدارباش به حسگرهای حوزه بیدارباش بعدی ارسال گردد. حسگرها در این روش به چهار گروه تقسیم می‌شوند: حسگرهای خوابیده، حسگرهای فعال بدون خطا، حسگرهای فعال با خطا و حسگرهای در حوزه آینده. این گروه‌بندی در شکل۲-۱۴ نشان داده شده است.
شکل۲-۱۴: انواع حسگرها در رویکرد اجتناب از خطا [۱۳].
همان طور که در شکل۲-۱۴ نشان داده شده است حسگرهای فعال بدن خطا می‌توانند هدف را تشخیص دهند ولی حسگرهای فعال با خطا نمی‌توانند هدف را تشخیص دهند. حسگرهای فعال آینده، مربوط به حسگرهای فعالی هستند که در حوزه آینده قرار دارند و مسئولیت ردیابی هدف در زمان آینده را بر عهده خواهند داشت. اگر هدف در ناحیه قطاع سایه‌دار باشد در نتیجه در زمان بعدی در حوزه بیدارباش پیش‌بینی‌شده خواهد بود اما اگر نباشد الگوریتم تصحیح خطا اجرا می‌گردد. اگر زمان کافی برای محاسبه مجدد وجود داشته باشد فرایند پیش‌بینی دوباره تکرار شده و مکان جدید بدست آمده و حسگرهای آن حوزه به حالت بیدارباش می‌روند. ولی اگر زمان کافی برای این کار نباشد یعنی خطا در مکان‌های نزدیک مرز حوزه بیدارباش فعلی تشخیص داده شد خود حسگر مرزی حوزه بیدارباش خود را تشکیل می‌دهد تا زمانی کافی برای بیدار کردن حوزه پیش‌بینی‌شده قبل از رسیدن هدف به آن را مهیا کند. پس از این کار فرایند تکنیک اجتناب از خطای معمول ادامه می‌یابد. در مکانیزم تصحیح خطا اگر هدف در مدت زمان معینی به حوزه بیدارباش پیش‌بینی‌شده نرسید سرخوشه فعلی باید یک حوزه بیدارباش جدید و بزرگتر تعریف کرده تا بتوان هدف را ردیابی کرد. این امر از طریق تنظیم یک زمان‌سنج در سرخوشه در حوزه بیدارباش پیش‌بینی‌شده میسر است. اگر این زمان‌سنج به انتها رسید و هدف پیدایش نشد به سرخوشه قبلی خبر می‌دهد تا حوزه جدیدتر و بزرگتر را تشکیل دهد. در این الگوریتم با بهره گرفتن از آخرین سرعت بدست آمده و سرعت حداکثری و شتاب هدف، یک شعاع بهینه که از شعاع حداکثری کمتر است بدست آورده می­ شود و بدین ترتیب انرژی کمتری در شبکه مصرف می­گردد.
۲-۴-۳- الگوریتم FTPS
در الگوریتم FTPS^[25] [۱۴]، یک رویکرد رهگیری هدف مقاوم در برابر بروز خطا در شبکه حسگر بی‌سیم ارائه گردیده است تا بتواند از گم شدن هدف جلوگیری گردد. این رویکرد با بهره گرفتن از تکنیک پیش‌بینی رشدی چند سطحی^[۲۶]، قابلیت اطمینان پیش ­بینی را افزایش و تعداد حسگرهای فعال‌شده را کاهش می­دهد و بدین طریق انرژی را به صورت بهینه مصرف می‌کند.
در الگوریتم FTPS فرض گردیده است که شبکه به خوشه‌هایی تقسیم ­بندی گردیده است. در این الگوریتم فرض گردیده است که تمام حسگرها مکان خود را می­دانند و هر خوشه نیز دارای یک سرخوشه می­باشد که از اعضای خوشه خود باخبر می­باشد. در سازوکار رهگیری هدف به منظور صرفه‌جویی در مصرف انرژی، تمام حسگرها بجز یک حسگر که هدف را دنبال می‌کند خواب هستند. رهگیری هدف هنگامی‌که سرخوشه پیامی مبنی بر اینکه هدف احتمالا در خوشه تحت نظارت آن است دریافت کرد شروع می‌گردد، سپس سرخوشه تمام حسگرهای خوشه خود را به منظور تشخیص هدف به حالت فعال می‌برد. بنابراین سرخوشه تمام پردازش‌های رهگیری هدف را انجام می­دهد و اعضای آن فقط داده‌های حس شده از هدف را به آن ارسال می‌کنند. به منظور انجام مکانیزم های رهگیری هدف و بازیابی از دو زمان‌سنج به نام‌های زمان‌سنج رهگیری و زمان‌سنج بازیابی به ترتیب به منظور تشخیص پایان زمان رهگیری و زمان بازیابی توسط سرخوشه استفاده می‌گردد. در صورتی که سرخوشه پیام تشخیص هدفی را از اعضایش دریافت نکند بررسی می‌کند که آیا امکان پیش ­بینی با سطوح بالاتر و دقیق­تر وجود دارد و یا خیر. اگر امکان پیش‌بینی با سطوح بالاتر وجود داشت فرایند رهگیری ادامه می‌یابد و سرخوشه جاری سرخوشه بعدی را بیدار می‌کند. در غیر این صورت هدف گم شده تلقی می‌شود و سرخوشه فرایند بازیابی هدف را آغاز می­ کند. در فرایند بازیابی ابتدا برد حوزه بازیابی بر اساس آخرین سرعت­های ثبت‌شده هدف محاسبه می­گردد. سپس پیام بیداری توسط سرخوشه جاری به تمام سرخوشه های درون حوزه بازیابی فرستاده می‌شود و زمان‌سنج بازیابی راه ­اندازی می‌گردد. در این هنگام هر سرخوشه که این پیام را دریافت می‌کند به اعضایش می‌گوید که به دنبال هدف بگردند و زمان‌سنج رهگیری خود را راه‌اندازی می‌کند. وقتی زمان‌سنج به پایان رسید، اگر هدف در خوشه پیدا شد یک پیام تایید به سرخوشه جاری ارسال می‌کند تا از محاسبه مجدد برد حوزه بازیابی و فرستادن پیام بیدارباش جلوگیری کند و سرخوشه­ای که هدف در برد خوشه تحت نظارت آن قرار دارد به عنوان سرخوشه جاری انتخاب می‌شود و رهگیری از این سرخوشه ادامه می‌یابد. اگر قبل از پایان زمان‌سنج بازیابی سرخوشه جاری هیچ پیام تاییدی مبنی بر پیدا شدن هدف دریافت نکرد، سرخوشه جاری برد حوزه بازیابی خود را افزایش داده و پیام بیدارباش را برای سرخوشه های درون برد حوزه بازیابی ارسال می‌کند. اگر چند خوشه بتوانند هدف را تشخیص دهند سرخوشه فعلی برای جلوگیری از ثبت چند مسیر برای هدف هنگام دریافت اولین پیام تایید، پیامی به دیگر خوشه‌ها ارسال می‌کند تا از ادامه جستجوی هدف منصرف شوند. در سازوکار پیش‌بینی ارائه شده در این الگوریتم تعداد سطوح پیش‌بینی بر اساس حرکت هدف بعد از فاز یادگیری محاسبه می‌گردد و بدین منظور حسگرها تعداد شکست‌ها در پیدا کردن هدف را ثبت می‌کنند. بعد از ثبت هر خطای پیش ­بینی، در آخر با یک آستانه خطا مقایسه می‌شود و اگر از آن بیشتر بود یکی به سطوح پیش‌بینی اضافه می‌شود و هر تشخیص صحیح پیش‌بینی نیز ثبت می‌گردد و در انتها با یک آستانه موفقیت مقایسه می‌شود و اگر از آن بیشتر بود از سطوح پیش‌بینی یکی کم می‌گردد. شکل۲-۱۵ مثالی را نشان می‌دهد که در آن تعداد سطوح پیش‌بینی، برابر سه است.
شکل۲-۱۵: مثالی از پیش‌بینی سه سطحی [۱۴].
۲-۴-۴- الگوریتم HPS
در الگوریتمHPS^[27] [۱۵]، یک رویکرد پیش‌بینی سلسله مراتبی به منظور رهگیری هدف در شبکه‌های حسگر سلسله­مراتبی^[۲۸] ارائه گردیده است. در این الگوریتم فرض گردیده است که شبکه به خوشه‌هایی تقسیم ­بندی گردیده است و هر کدام از این خوشه‌ها دارای یک سرخوشه می­باشند. در این الگوریتم از یک رویه پیش­بین استفاده شده است که این رویه با بهره گرفتن از تکنیک کمترین مربعات بازگشتی و مکان‌های پیشین بدست آمده هدف، مکان بعدی هدف پیش‌بینی می­ شود. در این معماری دو لایه، حسگرهای شبکه به دو دسته سرخوشه‌ها و حسگرهای معمولی تقسیم گردیده­اند که سرخوشه­ها می­توانند با حسگرهای معمولی عضو خود در ارتباط باشند و همچنین سرخوشه‌ها می­توانند با یکدیگر ارتباط داشته باشند. حسگر­های معمولی عضو خوشه، حسگرهایی از نوع حسگرهای دودویی فرض شده‌اند که اگر هدف در برد حسی آن‌ها قرار دارد عدد یک و در غیر این صورت عدد صفر را برای سرخوشه خودشان ارسال می­ کنند. حسگرهای سرخوشه­ها دارای توان پردازشی بالاتری نسبت به حسگرهای معمولی هستند و از منبع انرژی بی‌نهایتی برخوردارند ولی حسگرهای معمولی، حسگرهایی هستند که دارای زیرسیستم‌هایی با توان پردازشی و انرژی محدودی می­باشند. در این معماری فرض گردیده است که سرخوشه‌ها و حسگرهای معمولی می‌توانند در دو حالت خوابیده و فعال، به فعالیت خود ادامه دهند. حسگر­های سرخوشه هنگامی در حالت فعال قرار می‌گیرند که یک سرخوشه همسایه‌اش به آن اطلاع دهد که هدف از خوشه تحت نظارت آن عبور خواهد کرد و هنگامی‌که یک سرخوشه در حالت فعال قرار گرفت، بر مبنای حرکت هدف برای حسگرهای عضو خود را که در مسیر حرکت هدف قرار دارند، پیام بیدارباش را ارسال می­ کند. حسگرهای عضو سرخوشه فعال با دریافت پیام بیدارباش از حسگر سرخوشه خود حالت خود را به حالت فعال تغییر می‌دهند. در این الگوریتم به منظور مصرف غیرضروری انرژی، از بین حسگرهای معمولی که سرخوشه پیام فعال شدن را به آن‌ها ارسال می­ کند، فقط حسگرهایی که دارای احتمال بالاتر از p هستند حالت خود را به حالت فعال تغییر می‌دهند. حسگرهای معمولی طوری پیاده‌سازی شده‌اند که هر حسگر، عضو خوشه‌ای قرار می­گیرد که کمتری فاصله را تا حسگر سرخوشه دارد. سرخوشه به منظور ارسال اطلاعات به حسگرهای عضو خود یک برد مخابراتی که برابر با قطر دایره محیطی محدب خوشه تعیین می‌کند. این برد در شکل۲- ۱۶ نشان داده شده است.
شکل۲- ۱۶: تعیین برد مخابراتی خوشه [۱۵].
در این الگوریتم به منظور مکان‌یابی هدف از الگوریتم مکان‌یابی مرکز جرم استفاده‌شده است. در این الگوریتم مکان هدف با بهره گرفتن از میانگین حسابی طول و عرض جغرافیایی حسگرهایی که هدف را تشخیص داده‌اند تخمین زده می‌شود و به منظور صرفه‌جویی در مصرف انرژی حسگرهایی که فعال هستند و نتوانستند هدف را تشخیص دهند اطلاعاتی را به سرخوشه ارسال نمی­کند. در الگوریتم پیشگویی با بهره گرفتن از الگوریتم RLS، حسگرهایی که از زمان جاری روشن هستند و تعدادی دیگر که از زمان قبل روشن بوده‌اند سرخوشه جاری مکان بعدی هدف پیش‌بینی می‌گردد. سرخوشه در این مکان به عنوان سرخوشه پیشرو جدید انتخاب می‌گردد. سپس حسگرهای این مکان تا شعاع مخابراتی تعیین‌شده فعال می‌گردند. از حسگرهای فعال‌شده، حسگرهایی که در حوزه نظارت سرخوشه پیشرو نیستند سرخوشه های آن‌ها به عنوان زیر پیشروها به سرخوشه پیشرو شناخته می‌شوند. هنگامی که هدف توسط سرخوشه پیشرو تشخیص داده شد حسگرهایی که از دو زمان قبل فعال بوده‌اند خاموش می‌گردند و بعد از آن حسگرهایی که در زمان قبل و زمان جاری فعال هستند اطلاعات حسی خود را به سرخوشه های خود می‌فرستند و سرخوشه‌ها اطلاعات خود را به سرخوشه پیشرو ارسال می‌کنند. در نهایت سرخوشه پیشرو مکان بعدی هدف را پیش‌بینی کرده و این روند ادامه پیدا خواهد کرد. در این الگوریتم در صورت از کار افتادن حسگر سرخوشه­ای به منظور جلوگیری از به وجود آمدن اختلال در رهگیری هدف یک سرخوشه جدید برای آن خوشه در نظر گرفته می‌شود و حسگرها تحت نظارت آن سرخوشه به کار خود ادامه می‌دهند.
۲-۴-۵- الگوریتم PES
در الگوریتم PES^[29] [۱۶]، به منظور رسیدن به حالت ایده­آل مصرف انرژی در شبکه، الگوریتمی ارائه گردیده است که توسط آن تعداد دفعات نمونه‌برداری توسط حسگرها و تعداد حسگر­هایی که در امر رهگیری شرکت دارند، کاهش یافته است. این الگوریتم از سه قسمت تشکیل شده است که عبارتند از: بخش پیش ­بینی برای پیش ­بینی حرکت هدف، مکانیزم بیدار سازی حسگر­های مورد نظر و مکانیزم بازیابی هدف. در الگوریتم PES ابتدا مکان بعدی هدف توسط حسگر جاری که هدف را تشخیص داده است پیش‌بینی می‌گردد و قبل از اینکه به خواب برود موعد بیداری آن‌ها را محاسبه کرده و به حسگرهای مورد نظر پیام بیدارباش ارسال می‌کند. پس از گذشتن زمان خواب، حسگر جاری به همراه حسگرهای مورد نظر بیدار می‌گردند و اگر در تشخیص هدف موفقیتی کسب نگردید مکانیزم بازیابی هدف اجرا می‌گردد.
در این الگوریتم به منظور پیش‌بینی مکان آینده هدف از سه نوع الگوریتم اکتشافی استفاده گردیده است. در الگویتم اول که اکتشاف فوری نام دارد فرض می‌شود که سرعت و جهت حرکت هدف در طول پیش‌بینی ثابت است و بر این اساس مکان آینده هدف پیش‌بینی می‌گردد. این الگوریتم به دلیل اینکه حسگر جاری نیازی به دانستن تاریخچه حرکتی هدف ندارد، بسیار ساده و از نظر مصرف انرژی بسیار مناسب است. در الگوریتم دیگری با نام اکتشاف میانگین با توجه به تاریخچه سرعت و جهت آن در چند نمونه‌برداری اخیر و میانگین‌گیری از آن‌ها مکان آینده هدف پیش‌بینی می‌شود. بنابراین، این الگوریتم به دلیل اینکه نیاز به انتقال اطلاعات مربوط به حرکت هدف به حسگرهای دیگر وجود دارد، دارای سربار مخابراتی بیشتری نسبت به الگوریتم اکتشاف فوری است. ولی در الگوریتم آخر که میانگین نمایی نام‌گذاری شده است، بر اساس وزن‌هایی که به نقاط مختلف نمونه‌برداری داده می‌شود میانگین‌گیری انجام می‌گیرد.
در این الگوریتم به منظور بیدار سازی مجموعه حسگرها نیز از سه رویکرد استفاده گردیده است. در رویکرد اول حسگر جاری تنها حسگر مقصد پیش‌بینی‌شده را فعال می­ کند. در رویکرد دوم، علاوه بر حسگر مقصد تمام حسگرهای موجود در مسیر بین حسگر جاری و حسگر مقصد فعال می‌گردند تا احتمال گم شدن هدف کاهش یابد. بنابراین این رویکرد قادر است تغییرات مقدار سرعت را نیز پیش‌بینی کند. در رویکرد سوم بیدار سازی حسگرهای همسایه مسیر پیش‌بینی‌شده علاوه بر بیدار سازی حسگرهای موجود در مسیر پیش‌بینی‌شده صورت می‌پذیرد تا این رویکرد تغییرات مقدار و جهت سرعت هدف را بتوانند پوشش دهند و در صورت تغییرات جزئی حرکت هدف، هدف قابل‌شناسایی باشد. شکل۲-۱۷ رویکردهای بیدارسازی را نشان می‌دهد.
شکل۲-۱۷: توابع اکتشافی برای مکانیزم های بیدار کردن حسگرها [۱۶].
در صورت گم شدن هدف حسگر جاری از رویکرد بیدارسازی آخر استفاده می‌گردد تا هدف پیدا شود و در صورت شکست این روش تمام حسگرهای شبکه فعال می‌گردند تا مکان هدف مورد نظر تشخیص داده شود. این امر از طریق یک ارسال پیام سیل­آسا به تمام حسگرها صورت می‌پذیرد. به منظور جلوگیری از رفتن به مرحله پرهزینه آخر، هنگامی‌که هدفی در مرحله اول پیدا شد حسگری که آن را پیدا می­ کند به حسگر شروع‌کننده فرایند بازیابی هدف اطلاع می‌دهد تا حسگر شروع‌کننده فرایند بازیابی مرحله پرهزینه آخر بازیابی هدف را اجرا نکند.
۲-۴-۶- الگوریتم DPR
در الگوریتم DPR^[30] [۱۷]، به منظور گزارش موثر مکان هدف به ایستگاه پایه الگوریتمی بر مبنای پیش‌بینی دوگانه ارائه گردیده است، تا مصرف انرژی به حداقل رسانده شود. در این روش ایستگاه پایه و حسگرها مسیر حرکت هدف را پیش‌بینی می‌کنند تا از تبادلات میان آن‌ها کاسته شود. بدین منظور یک مدل پیش‌بینی در حسگرها و ایستگاه پایه پیاده‌سازی می­گردد و حسگرها و ایستگاه پایه با بهره گرفتن از تاریخچه هدف موقعیت هدف را به صورت دائم پیش‌بینی می­ کنند. در این حالت تا وقتی که داده‌های جمع‌ آوری شده توسط حسگرها با داده ­های خروجی پیش‌بینی کننده یکی باشد نیازی نیست که حسگرها داده‌ای به ایستگاه پایه ارسال کنند. اما اگر تطابق نداشته باشند حسگرها باید داده جمع­آوری شده را به ایستگاه پایه بفرستند. با توجه به اینکه سربار بسته‌های انتقالی میان حسگرهای حسگر کمتر از انتقال بسته‌ها به ایستگاه پایه است بنابراین این الگوریتم قادر است در مصرف توان صرفه‌جویی کند. یکی از عواملی که بر دقت این پیش‌بینی‌ها اثر می­ گذارد مدلی است که برای پیش‌بینی مکان اهداف در نظر گرفته می‌شود. دو نوع مدل مکانی وجود دارد که شامل مدل‌های جغرافیایی و نمادین می‌شوند. مدل جغرافیایی همان مختصات دقیق هدف است درحالی‌که مدل نمادین که بر اساس روش­هایی مکان هدف تخمین زده می­ شود دارای دقت و پیچیدگی کمتری می­باشند. این مدل­ها در شکل۲-۱۸ نشان داده شده است.
شکل۲-۱۸: مدل‌های مکانی [۱۷].
مدل‌های نمادین به چهار دسته تقسیم می‌گردند که عبارتند از:
مدل سلول حسگر که ساده‌ترین و بی‌دقت ترین مدل نمادین بشمار می­رود و در آن مکان هدف را به وسیله شناسه هر حسگر که هدف در آن قرار دارد مشخص می‌گردد.
مدل مثلث که از اتصال نقاط پایانی مرز میان دو حسگر با مرکز سلول حسگر، شکل می‌گیرد. این مدل باعث کاهش منطقه شناسایی‌شده و سادگی تخمین مثلث مربوطه می‌شود.
مدل شبکه که از خطوط مشبک فرضی در شبکه بدست می ­آید. هر چه تعداد این مشبک­ها بیشتر باشد دقت مدل بیشتر می‌گردد و به مدل جغرافیایی نزدیک‌تر می‌گردد.
مدل مختصات که دقیق‌ترین مدل نمادین محسوب می‌گردد و مختصات دقیق هدف را نشان می‌دهد.
۲-۵- رویکرد مبتنی بر خوشه
در رویکرد مبتنی بر خوشه، شبکه به گروه‌هایی از حسگرها تقسیم می‌شود که هر گروه خوشه نامیده می‌شود. این کار برای صرفه‌جویی در مصرف انرژی انجام می‌شود. هر خوشه دارای یک سرخوشه است که وظیفه رهگیری هدف و انجام محاسبات مربوطه را به عهده دارد. در این قسمت، برخی از پژوهش­های ارائه‌شده مربوط به این رویکرد بررسی می‌گردد.
۲-۵-۱- الگوریتم رهگیری اهداف سریع
در الگوریتم رهگیری اهداف سریع [۱۸]، به دلیل کاهش دادن احتمال گم شدن هدف، حرکت هدف پیش‌بینی می­گردد و حسگرهایی که در مسیر هدف قرار دارند قبل از رسیدن هدف به آن‌ها فعال می‌گردند. هنگامی‌که هدف وارد شبکه می‌شود حسگری که از همه به هدف نزدیک‌تر است به عنوان سرخوشه انتخاب می‌شود. بدین منظور حسگری که هدف را تشخیص داده است بر اساس قدرت سیگنال دریافتی از هدف یک زمان­سنج را راه‌اندازی می‌کند به طوری که هر چه قدرت سیگنال دریافتی بیشتر باشد مقدار اولیه زمان­سنج کمتر خواهد بود. بنابراین اگر یک حسگر تا اتمام زمان­سنج خود پیامی مبنی بر اینکه حسگر دیگری سرخوشه شده است را دریافت نکند خود را به عنوان سرخوشه اعلام کند و این مطلب را با دادن یک پیام به همسایگانش اطلاع دهد. در الگوریتم به دلیل اینکه ممکن است فواصل بین حسگرهایی که هدف را تشخیص داده‌اند بیش از یک پرش فاصله داشته باشند و احتمال اینکه بیش از یک حسگر، کاندید سرخوشه باشند وجود خواهد داشت بنابراین زمان­سنج دومی بین کاندیدها راه‌اندازی می‌گردد تا با مکانیزم فوق یک حسگر سرخوشه گردد.
هنگامی‌که سرخوشه انتخاب شد سرخوشه یک پیام مبنی بر اینکه سرخوشه شده است را برای تمام همسایگانش که یک یال با آن فاصله دارند می‌فرستد. هر حسگری که این پیام را دریافت می‌کند به عنوان یک عضو از این خوشه قرار می­گیرد. سپس، این اعضا قدرت سیگنال دریافتی خود را در زمان‌های مشخصی به سرخوشه می‌رسانند تا سرخوشه قادر به مکان‌یابی هدف باشد. سرخوشه پس از دریافت این اطلاعات از تمام حسگرهای عضو خوشه خود برای تعیین محل هدف، سه پیام که حسگرهای ارسال‌کننده آن به هدف نزدیک‌تر می­باشند را انتخاب می‌کند و مکان جاری هدف و سرعت و جهت حرکت هدف را با بهره گرفتن از تکنیک های مکان‌یابی هدف بدست می‌آورد. سرخوشه جاری با توجه به سرعت و مسیر حرکت هدف که محاسبه می‌گردد، تعداد خوشه‌های مورد نیاز برای تشکیل در مسیر هدف را مشخص می‌کند. هر چه سرعت هدف بالاتر باشد تعداد این خوشه‌ها نیز بیشتر خواهد شد. حسگرهای موجود در این خوشه‌ها به حالت فعال می­روند و تا وقتی که هدف را تشخیص نداده‌اند حالت خود را به حالت خوابیده تغییر نمی­دهند. شکل۲-۱۹ ماشین حالت این الگوریتم را نشان می‌دهد.

شکل۲-۱۹: ماشین حالت الگوریتم رهگیری اهداف سریع [۱۸].
در صورتی که هدف از مسیر پیش‌بینی‌شده خود منحرف شود یکی از خوشه ­ها به این موضوع پی می‌برد. بنابراین حسگر سرخوشه­ای که هدف در برد خوشه آن قرار دارد جهت جدید حرکت هدف را محاسبه می­ کند و خوشه ­ها در جهت جدید فعال می­گردند. این فرایند بدین گونه انجام می­ شود که سرخوشه فعلی با توجه به مسیر حرکت محاسبه‌شده نزدیک‌ترین حسگر به این مسیر را به عنوان سرخوشه انتخاب می­ کند و پیام سرخوشه شدن را برای آن ارسال می‌کند. سرخوشه جدید، خوشه‌های جدید خود را توسط الگوریتم تشکیل خوشه ایجاد می‌کند و با توجه به فعال بودن حسگرهایی که در مسیر قدیمی قرار داشته‌اند و به منظور جلوگیری از هدر رفتن انرژی در صورتی که حسگرها هدف را تا مدت زمان معینی تشخیص ندهند حالت خود را به حالت خوابیده تغییر می‌دهند.
۲-۵-۲- الگوریتم رهگیری هدف با همکاری خوشه ­ها
در الگوریتم رهگیری هدف با همکاری خوشه ­ها [۱۹]، یک معماری رهگیری هدف ارائه گردیده است که بر اساس مصرف انرژی الگوریتم سعی در بهینه­سازی آن شده است. در این الگوریتم فرض می‌گردد هنگامی تشخیص هدف صورت گرفته است که فاصله حسگر پیشرو تا هدف از یک حد آستانه کمتر باشد. بعد از تشخیص هدف الگوریتم خوشه‌بندی پویا به منظور خوشه­بندی حسگرها و رهگیری هدف بکار برده می‌گردد. در الگوریتم خوشه­بندی پویا به منظور شکل‌گیری خوشه ابتدا حسگری که قدرت سیگنال شناسایی هدف آن از یک حد آستانه بیشتر می­باشد خود را به عنوان سرخوشه موقتی اعلام می­ کند. به دلیل اینکه امکان دارد بیش از یک حسگر سرخوشه گردد از یک روش انتخاب سرخوشه دو مرحله‌ای که بر اساس تاخیر تصادفی است، استفاده می‌گردد تا فقط یک حسگر به عنوان سرخوشه در هر مرحله انتخاب گردد. در روش انتخاب سرخوشه ابتدا حسگرهای سرخوشه موقتی بر اساس قدرت سیگنال دریافتی از هدف یک زمان­سنج را راه‌اندازی می‌کند به طوری که هر چه قدرت سیگنال دریافتی بیشتر باشد مقدار اولیه زمان­سنج کمتر خواهد بود. هر کدام از حسگرهای سرخوشه موقتی تا اتمام زمان‌سنج خود پیامی را ارسال نمی­کنند. اگر در زمان اتمام زمان­سنج پیامی توسط حسگر سرخوشه موقتی دریافت گردیده شده باشد، این حسگر پیامی را به همسایگان خود ارسال نخواهد کرد. در صورتی که زمان­سنج یک حسگر سرخوشه موقتی خاتمه یافت و آن حسگر پیامی را دریافت نکرده باشد، بسته‌ی انرژی که حاوی اطلاعات حسی هدف می­باشد را برای تمام همسایگان خود ارسال می­ کند و زمان­سنج دومی را بر اساس قدرت سیگنال دریافتی از هدف راه‌اندازی می‌کند. در صورتی که زمان­سنج دوم یک حسگر سرخوشه موقتی خاتمه یافت و آن حسگر پیامی را دریافت نکرده باشد، خود را به عنوان سرخوشه معرفی کرده و بسته حاوی اثر که حاوی اطلاعات کامل اثر می­باشد ارسال می­گردد [۲۰]. هنگامی‌که سرخوشه انتخاب گردید حسگرهایی برای عضویت در خوشه تحت نظارت آن سرخوشه انتخاب می‌شوند که دارای شرایط زیر باشند:
مقدار سیگنال دریافتی آن‌ها از حد آستانه مورد نظر بیشتر باشد.
برد ارتباطی آن‌ها از فاصله آن‌ها از سرخوشه بیشتر باشد.
مقدار انرژی باقیمانده در آن‌ها بیش از حد آستانه باشد.
در این الگوریتم در صورتی که سرخوشه جدیدی ایجاد گردید، به منظور بالا بردن دقت در مکان‌یابی هدف، سرخوشه جدید اطلاعات هدف را از حسگرهایی که در خوشه قبلی به هدف نزدیک‌تر بودند بدست می‌آورد و با بهره گرفتن از آن‌ها مکان‌یابی را انجام می‌دهد.
۲-۵-۳- الگوریتم DELTA
در الگوریتم DELTA^[31] [۲۱]، رویدادهای موجود بین حسگرها به وسیله روش توزیع‌شده‌ای سازماندهی می‌گردند تا سربار ارتباطی موجود بین حسگرها کاهش یابد و در نتیجه دقت رهگیری هدف بالا رود. در این الگوریتم ابتدا همه حسگرها در حالت بیکار قرار دارند و هر کدام از حسگرها در فاصله‌های زمانی نمونه‌برداری هدف را شناسایی می‌کنند. در صورتی که هدفی برای اولین بار توسط حسگری شناسایی گردید، آن حسگر حالت خود را به حالت انتخاب^[۳۲] تغییر خواهد داد. حسگرهایی که حالت آنها، حالت انتخاب می‌باشد بر اساس قدرت سیگنال دریافتی از هدف، زمان‌سنجی را راه‌اندازی می‌کنند و هنگامی‌که زمان‌سنج خاتمه می‌یابد، پیام رهبر شدن خود را مکررا به صورت همگانی به حسگرهایی که در برد ارتباطی آن قرار دارند ارسال می‌کنند. در صورتی که حسگری پیام رهبر شدن را دریافت کرد حالت خود را به حالت عضو تغییر می‌دهد و آن حسگر را به عنوان رهبر خود انتخاب می‌کند. در نهایت در صورتی که هدف توسط حسگرهای عضو شناسایی گردید، فاصله نسبی خود تا هدف را برای حسگر رهبر ارسال می‌کنند و آن حسگر نیز با بهره گرفتن از اطلاعات بدست آورده شده از حسگرهای عضو، موقعیت هدف را به ایستگاه پایه ارسال می‌کند. در صورتی که حسگر رهبر قادر به شناسایی هدف نباشد پیام انتخاب مجدد رهبر را به صورت همگانی به حسگرهای عضو خود ارسال می‌کند و حالت خود را به حالت بیکار تغییر می‌دهند. در صورت دریافت این پیام، حسگرهای عضو حالت خود را به حالت انتخاب تغییر می‌دهند تا حسگر جدیدی را به عنوان رهبر خود انتخاب کنند. شکل۲-۲۰ روند تغییرات حالات حسگرها را نشان می‌دهد.
شکل۲-۲۰: ماشین حالات الگوریتم DELTA [21].
۲-۵-۴- الگوریتم DPT
در الگوریتم DPT^[33] [۲۲]، به منظور اینکه امکان رهگیری هدف با تغییرات در مسیر حرکت و اندازه سرعت هدف امکان­ پذیر باشد یک معماری برای مدیریت و هماهنگ‌سازی حسگرهای موجود در شبکه‌های حسگر بی­سیم ارائه گردیده است. این الگوریتم بر اساس پیش ­بینی عمل کرده و از خوشه‌بندی به منظور ایجاد قابلیت گسترش و قابلیت اطمینان استفاده گردیده است. در این الگوریتم سرخوشه یک توصیف­گر هدف برای هر هدفی که تشخیص داده می‌شود تعریف می‌کند. توصیف­گر حاوی اطلاعاتی مانند شناسه هدف، محل کنونی هدف، محل پیش‌بینی‌شده هدف و برچسب زمانی است. در هر زمان هر سرخوشه یک توصیف­گر هدف به عنوان نتیجه حس کردن خوشه‌اش را به حسگر مقصد ارسال می‌کند. اولین فیلد در یک توصیف گر شناسه هدف است که برای شناسایی بدون ابهام یک هدف در بین سرخوشه های مختلف استفاده می‌شود. با بهره گرفتن از داده‌های حسی سه حسگر توسط سرخوشه و بکار بردن یکی از روش‌های موجود برای مکان‌یابی مکان فعلی هدف تعیین می‌شود. فیلد دیگر، مکان بعدی هدف است که باید با بهره گرفتن از مکان‌های قبلی محاسبه‌شده پیش‌بینی شود. در این الگوریتم به منظور جلوگیری از استفاده بیش از حد انرژی از پیش‌بینی کننده‌ای استفاده‌شده است که بر اساس دو نقطه(مکان هدف در دو موقعیت قبل) مکان آینده هدف را پیش ­بینی می­ کند. پس از اینکه محل هدف توسط سرخوشه جاری پیش ­بینی شد به سرخوشه­ای که در نزدیکی این محل است پیامی ارسال می‌گردد. آن سرخوشه نیز سه حسگری که در برد خوشه تحت نظارت سرخوشه قرار دارند و از تمام حسگرهای عضو سرخوشه به مکان پیش‌بینی‌شده هدف نزدیک‌تر هستند به عنوان حسگرهای محاسبه کننده مکان هدف فعال می‌گردند. این روند در شکل۲-۲۱ نشان داده شده است.