نحوهی کدبندی اولین گام، در شکل (۳-۲) قابل مشاهده است.

شکل (۳-۲): شبه کد گام ۱
الگوریتم PSO، الگوریتمی مبتنی بر جمعیت است، بدین معنا که چندین ذره در تلاش برای یافتن نقطهی بهینهاند. گام اول تولید تصادفی جمعیت بر اساس بیشترین تعداد ذره، که به آن اندازهی جمعیت میگویند، میباشد. نوعا دامنهی ذرات بین ۲۰ تا ۴۰ است، اما برای غالب مسائل ۱۰ ذره، به اندازهی کافی نتایج معقولی ارائه میدهد. برای حل مسائل خاص و پیچیده، میتوان ۱۰۰ یا ۲۰۰ ذره تعیین کرد. الگوریتم بایستی به گونهای نوشته شود که آن ذرات را در داخل محدودهی فضای جستجو انتخاب کند. هر ذره دارای ویژگیهای زیر است:

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

به منظور مقداردهی اولیه یک ذره بین دو محدوده، رابطه زیر بایستی بکار رود:
(۳-۱)
که در آن، Rand(0,1)، عدد تصادفی بین صفر و یک را نشان میدهد. b_u مقدار کران بالای محدوده و b_i مقدار کران پائین محدوده است. توجه کنید که اندازه جمعیت، در طول فرایند بهینه سازی تغییر نمیکند.
ارزیابی برازندگی کل اجتماع:

شکل (۳-۳): شبه کد گام ۲
هدف از مقدار برازندگی ایجاد مقدار معنیدار، قابل ارزیابی و قابل مقایسه برای یک ارزیابی کیفیست. نتیجه بهینه سازی نشان میدهد که ذره بکار گرفته شده تا چه حد خوب یا بد بوده است. بعد از ایجاد جمعیت، مقدار برازندگی بایستی به ازای هر ذره محاسبه شود. هر ذره دارای یک تناسب است که آن را مقدار «بهترین جزء» مینامند و اغلب به صورت pbest میگویند. این مقدار دارای بهترین مقدار برازندگی ذره بدست آمده تاکنون است. بعد از محاسبهی مقدار برازندگی، الگوریتم آن را با بهترین ذره مقایسه میکند. اگر برازندگی فعلی بهتر باشد، آن بهترین ذره جدیدی را ایجاد خواهد کرد.
ثبت بهترین وضعیت هر ذره، pbest_i، و بهترین موقعیت کلی، gbest :

شکل (۳-۴): شبه کد گام ۳
بهینهساز اجتماع ذرات، مقدار بهینهی کلی را دنبال میکند. مقدار بهینهی کلی در واقع بهترین برازندگی حاصل از تمامی مقادیر تاکنون است. بهینهساز، از طریق بهترین ذرات پیگیری شده و gbest برابر با بهترین gbest قرار داده میشود. از این رو، الگوریتم میداند که ذره بهترین جمعیت در هر لحظه است و تمامی ذرات قادر به حرکت آرام به سمت بهترین همسایه هستند.
به روزرسانی بردار سرعت و بردار موقعیت هر ذره:

شکل (۳-۵): شبه کد گام ۴

تلفات (MWh/yr)

۹/۱۴۷۹

۴۲۴۱/۷۲۲

ENS (MWh/yr)

۸۸۱/۱۴۵

۳۷۵۱/۶۳

تابع هدف (million$)

۰

۳۰۴/۳-

یک جزیره در انتهای شاخه فرعی چهارم به منظور تأمین بارهای پر اهمیت تجاری و صنعتی روی شین‏های ۱۵، ۱۶، ۱۷و ۱۸ تعیین گردیده است. وجود DG بر روی این شاخه فرعی می‏تواند به بهبود پروفیل ولتاژ و کاهش تلفات نیز کمک کند. همچنین حضور DG یک مگاواتی به همراه سه عدد کلید بر روی شاخه فرعی سوم، می‏تواند با تشکیل جزیره‏های مختلف منجر به بهبود قابلیت اطمینان شبکه شود. علاوه بر این حضور DG روی این شاخه، به کاهش تلفات و بهبود پروفیل ولتاژ کمک می‏کند. کلیدهای روی مکان کاندید ۱ و ۲، با جداسازی ناحیه عیب پایین‏دستی امکان اتصال مجدد بارهای بالادستی به شبکه اصلی را فراهم می‏سازند.
پروفیل ولتاژ شبکه برای این مورد مطالعاتی در شکل ۴-۱۰ نشان داده شده است. همان‏طور که مشاهده می‏شود بعد از استفاده از DGها در شبکه، پروفیل ولتاژ بهبود چشم‏گیری می‏یابد.

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

شکل ‏۴‑۱۰: پروفیل ولتاژ شبکه به ازای سطح بار پیک و در سال اول- مورد مطالعاتی سوم.
مورد مطالعاتی چهارم
در این قسمت جایابی همزمان DG و کلید با درنظر گرفتن مدل بار وابسته به ولتاژ انجام گرفته است. شرایط مسأله همان شرایط بیان شده در مورد مطالعاتی پیشین است. تنها تفاوت این مورد مربوط به قابلیت دریافت دستور برای تغییر تولید DGها می‏باشد. در اینجا فرض می‏شود که یکی از DGها با ظرفیت تولید نامی ۳۰۰ کیلووات، قابلیت دریافت دستور برای تغییر تولید را ندارد.
در حالت عملکرد جزیره‏ای، DGها باید قادر به تنظیم توان خروجی متناسب با میزان بار جزیره باشند. بنابراین فرض می‏شود DGهایی که قابلیت دریافت دستور برای تغییر تولید را ندارند، در تشکیل جزایر شرکت نمی‏کنند. حضور این DGها در شبکه، می‏تواند به کاهش تلفات شبکه کمک نماید.
این مسأله جایابی توسط الگوریتم ژنتیک حل شده است. روند همگرایی این الگوریتم به جواب بهینه، در شکل ۴-۱۱ نشان داده شده است.
شکل ‏۴‑۱۱: روند همگرایی الگوریتم ژنتیک- مورد مطالعاتی چهارم.
نتایج حاصل از جایابی برای این مورد مطالعاتی در جداول ۴-۱۸ و ۴-۱۹ آمده است.
جدول ‏۴‑۱۸: مکان واندازه بهینه DGها و کلیدها در مورد مطالعاتی چهارم.

نام تجهیز

مکان بهینه

نوع DG از نظر اندازه

نوع DG از نظر توانایی تغییر تولید توان

DG

۱۷
۳۰

۱ (۳۰۰ کیلوواتی)

Non- Dispachable

۳ (۱ مگاواتی)

Dispachable

کلید

۱، ۲، ۱۹، ۲۲، ۲۴

-

dD59

۰/۲۵۵۳ [۰/۰۳۶]

ect(-1)

-۰/۶۶۵۵۱ [۰/۰۰۰]

ect(-1)

-۰/۷۰۸۹ [۰/۰۰۰]

-

مآخذ: یافته­های تحقیق با بهره گرفتن از نرم­افزار ۴ Microfit.
یادداشت­ها:
C -1 عرض از مبدأ است.
۲- حداقل سطح معناداری در ] [ آمده است.
همان­طور که از جدول (۴-۳) مشاهده می­کنیم در تمام الگوهای مورد بحث، تولیدناخالص داخلی واقعی در کوتاه­مدت معنادار و باعث افزایش سرمایه ­گذاری خصوصی در ایران شده است.
هم­چنین با تأمل در جدول (۴-۳) می­توان بیان کرد که، در کوتاه­مدت در تمام الگوها، فعالیت­های بخش دولت در زمینه­ سرمایه ­گذاری دولتی به عنوان جانشینی برای فعالیت­های بخش خصوصی، موجب کاهش سرمایه ­گذاری خصوصی شده است. بنابراین در دوره­

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

کوتاه­مدت نیز اثر جانشینی جبری در اقتصاد ایران برقرار بوده است.
از طرفی در کوتاه­مدت نیز نرخ بهره­ی واقعی اثری بر میزان سرمایه ­گذاری بخش خصوصی نداشته است. فقط در الگوی (۴-۱۱)، رابطه­ مثبت و معناداری بین نرخ بهره­ی واقعی و سرمایه ­گذاری خصوصی وجود داشته است. این بیانگر این است که با افزایش نرخ بهره­ی واقعی، در نتیجه افزایش حجم پس­انداز، امکان تأمین مالی پروژه­ ها بالا رفته، در نتیجه با فراهم شدن امکانات بیشتر جهت تأمین مالی پروژه­ های اقتصادی، سرمایه ­گذاری هم افزایش خواهد یافت. بدون در نظرگرفتن متغیرهای جانشین حفاظت از حقوق مالکیت، در الگوی (۴-۱۷)، متغیر نرخ بهره­ی حقیقی کماکان هیچ تأثیری بر سرمایه ­گذاری خصوصی در دوره­ کوتاه­مدت نداشته است.
هم­چنین در الگوی (۴-۱۲) وجود یک رابطه­ معنادار و منفی در کوتاه­مدت بین متغیر نرخ ارز مؤثر واقعی و سرمایه ­گذاری­خصوصی برای اقتصاد ایران مورد تأیید قرار گرفت. به­ طوری که از لحاظ قدرمطلق در الگوی (۴-۱۲)، تأثیر نرخ ارز مؤثر واقعی بر سرمایه ­گذاری خصوصی در کوتاه­مدت برابر با (۵۶۴۲/۲-) است. بنابراین با تغییر یک درصدی در نرخ ارز مؤثر واقعی، هزینه­ واقعی کالاهای سرمایه­ای وارداتی در کوتاه­مدت بیش از یک درصد افزایش یافته و از این طریق موجب کاهش سرمایه ­گذاری خصوصی در ایران خواهد شد. بدون در نظرگرفتن متغیرهای جانشین حفاظت از حقوق مالکیت نرخ ارز مؤثر واقعی در کوتاه­مدت نیز تأثیری بر سرمایه ­گذاری خصوصی نداشته است.
حال بعد از بررسی اثرگذاری متغیرهای اقتصادی تولیدناخالص داخلی واقعی، نرخ ارز مؤثر واقعی، نرخ بهره­ی واقعی و سرمایه ­گذاری دولتی بر سرمایه ­گذاری خصوصی در کوتاه­مدت، در این قسمت، به بررسی چگونگی اثرگذاری متغیرهای جانشین حفاظت از حقوق مالکیت بر سرمایه ­گذاری بخش خصوصی درکوتاه­مدت خواهیم پرداخت. در الگوی (۴-۱۰) که اثرگذاری متغیر پول تقویت­کننده­ قراردادها، CIM، بر سرمایه ­گذاری خصوصی مورد بررسی قرار گرفته است، در کوتاه­مدت مشخص می­ شود که در سطح ۵ درصد بی­معنا بوده، و اثری بر
سرمایه ­گذاری خصوصی در ایران ندارند. بنابراین در اقتصاد ایران نمی توان انتظار داشت که با تغییر در نسبتی از نقدینگی که به صورت سکه و اسکناس نبوده، اثری بر سرمایه ­گذاری خصوصی بوجود آید.
اما از بین دیگر متغیرهای جانشینی حفاظت از حقوق مالکیت یعنی؛ متغیرهای سهم هزینه­ های امور عمومی از کل مخارج دولت ، نسبت هزینه­ های عمرانی دولت در امور عمومی دولت به کل هزینه­ های عمرانی دولت ، سهم هزینه­ های امور عمومی در مجموع سه امور اقتصادی، اجتماعی و عمومی ، نسبت هزینه­ های جاری امور عمومی به
هزینه­ های جاری عمومی ، نسبت جمعیت به تعداد معاملات ثبت شده در دفتر اسناد و املاک و سهم هزینه­ های امور عمومی در تولید ناخالص داخلی در
کوتاه­ مدت، متغیرهای ، و معنادار نشده­اند و بقیه متغیرها در کوتاه­مدت معنادار شده ­اند.
حال بدون درنظرگرفتن متغیرهای جانشین حفاظت از حقوق مالکیت در الگوی (۴-۱۷) مشخص می­ شود که، در کوتاه­مدت میزان حساسیت متغیرهای موجود در این الگو، نسبت به سرمایه ­گذاری خصوصی کمتر شده است. به عبارتی بدون توجه به متغیرهای جانشین حفاظت از حقوق مالکیت، متغیرهای اقتصادی تولیدناخالص داخلی واقعی و سرمایه ­گذاری دولتی، تأثیر کمتری بر میزان سرمایه ­گذاری بخش خصوصی خواهد داشت ( ضرایب این متغیرها به ترتیب برابر ۷۱۰۶/۱ و ۳۸۷۸/۰- است که کمتر از تمام الگوهایی بوده که در آن­ها متغیرهای جانشین حفاظت از حقوق مالکیت در نظر گرفته شده است). از طرفی متغیرهای نرخ ارز مؤثر واقعی و نرخ بهره­ی واقعی همچنان بی­معنا بوده و تأثیری بر سرمایه ­گذاری بخش خصوصی ندارند. بنابراین ورود متغیرهای جانشین حفاظت از حقوق مالکیت بر وضعیت معناداری متغیرها اثر مثبت گذاشته است که انتظار می­رود توجه به حفاظت از حقوق مالکیت وضعیت سرمایه ­گذاری بخش خصوص را بهبود بخشد.
از طرفی، ضریب جمله­ اصلاح­خطا^[۱۹۰] (ect(-1)) که سرعت تعدیل به سمت تعادل را نشان می­دهد و انتظار می­­رود که از نظر علامتی منفی باشد، نشان می­دهد که در صورت انحراف از مسیر تعادلی درازمدت، سرعت بازگشت متغیرها به مسیر تعادلی درازمدت چگونه است.
هم­چنین منفی و معنادارشدن این ضریب حاکی از وجود رابطه­ درازمدت بین متغیرهای الگو است (صمدی و پهلوانی، ۱۳۸۸). جدول (۴-۳) نشان می­دهد که ضریب جمله­ اصلاح­خطا در تمام این الگوها منفی و معنادار شده است و سرعت تعدیل هم به نسبت سریع است.
به طوری­که، مقدار عددی ضریب جمله­ اصلاح خطا بین ۶۶۵۵/۰- تا ۷۷۱۳/۰- است و این نشان می­دهد که سرعت تعدیل نسبتاً سریع صورت می­گیرد. نکته­ی قابل توجه آن­که، حداقل سرعت تعدیل به سمت تعادل (۶۶۵۵/۰-) مربوط به الگویی است که متغیرهای جانشینی حفاظت از حقوق مالکیت مدنظر قرار نگرفته است. به همین دلیل توجه به عوامل نهادی نه تنها بر بهبود شرایط کمک می­ کند بلکه رسیدن سریع­تر به تعادل را نیز ممکن می­سازد.
۴-۶- آزمون­های تشخیصی و ثبات ساختاری
نحوه برآورد متغیرها به گونه ­ای است که بدون توجه به آزمون­های تشخیص، نمی­ توان نتایج را مورد ارزیابی قرار داد. همچنین برای صحت قدرت مدل­ها نیز از آزمون­های تشخیص استفاده می­گردد. رایج­ترین آزمون­های تشخیص را می­توان به­ صورت آزمون­های t، (  )، ضریب تعیین و ضریب تعیین تعدیل­شده و فروض کلاسیک دسته­بندی کرد. توزیع t، معیار اندازه ­گیری معنی­داری متغیرهای مستقل می­باشد. اگر میزان t برآوردی، از مقدار بحرانی­اش بیشتر باشد، فرضیه صفر مبنی بر صفر بودن متغیر موردنظر ، مورد پذیرش قرار نمی­گیرد. توزیعF ، معیار درستی رگرسیون می­باشد و به این نکته می ­پردازد که فرضیه صفر مبنی بر صفر بودن تمام متغیرها مورد پذیرش قرار می­گیرد (گجراتی، ۱۳۸۹).
ضریب تعیین، معمول­ترین معیار خوبی برازش خط رگرسیون می­باشد. ضریب تعیین، نسبت یا درصد تغییرات کل در متغیر وابسته که بوسیله مدل رگرسیون توضیح داده شده است را اندازه ­گیری می­ کند. ضریب تعیین، تابعی غیرنزولی از تعداد متغیرهای مستقل موجود در مدل می­باشد. اما با افزایش تعداد متغیرهای مستقل، ضریب تعیین به طور یکنواختی افزایش
می­یابد. در این صورت، برای مقایسه و انتخاب بین دو مدل با متغیرهای مستقل متفاوت، نمی­ توان ضریب تعیین را ملاک عمل قرار داد و برای جلوگیری از این خطا، از ضریب تعیین تعدیل­شده استفاده می­گردد (گجراتی، ۱۳۸۹). فروض کلاسیک از مهم­ترین فروض مربوط به انجام رگرسیون است که تخطی از هر کدام، نتایج رگرسیون را بی­اعتبار می­ کند. در واقع برای آن­که مشخص گردد در الگوهای موجود در مطالعه فروض کلاسیک برقرار بوده است یا خیر، لازم است از آزمون­­های چهارگانه تشخیصی که وضعیت همبستگی پیاپی^[۱۹۱]، شکل تابعی^[۱۹۲]، نرمال بودن^[۱۹۳] و ناهمسانی واریانس^[۱۹۴] را نشان می­ دهند، استفاده کرد. نتایج آزمون­های تشخیصی در جدول (۴-۴) گزارش شده است.

جدول ۴-۴- آزمون­های تشخیصی در تخمین­های ARDL

• آموزش روش های تدریس خلاق به معلمان یک عامل مهم در تدریس خلاق آنان میباشد.

• استفاده از تکنیکهای خلاقیت بر عملکرد تحصیلی دانشآموزان تاثیر مثبت دارد.

• معلمان خلاق بیشتر میتوانند دانشآموزان را در فعالیتهای یادگیری شرکت دهند و باعث افزایش استقلال و اعتماد به نفس دانشآموزان و تقویت انگیزه آنان شوند. همچنین بین خلاقیت معلمان با پیشرفت تحصیلی دانشآموزان رابطه مثبتی وجود دارد.

فصل سوم
روششناسی پژوهش
۳-۱- مقدمه
در این فصل ابتدا طرح پژوهش و سپس جامعه آماری و نمونه پژوهش معرفی می‌شود. پس از آن ابزار گردآوری داده‌ها و روش‌های تعیین قابلیت اعتماد و اعتبار مقیاس‌ها مطرح شده است. علاوه بر این روش‌های آماری مورد استفاده جهت تحلیل داده‌ها مورد بررسی قرار می‌گیرد.
۳-۲- روش و طرح پژوهش
در این پژوهش بر اساس ماهیت موضوع که شناخت وضع موجود است از تحقیق توصیفی استفاده شده است. سرمد و همکاران (۱۳۷۹) می نویسند که تحقیق توصیفی شامل مجموعه روشهایی است که هدف آنها توصیف کردن شرایط یا پدیده های مورد بررسی است. اجرای تحقیق توصیفی میتواند صرفا برای شناخت هرچه بیشتر شرایط موجود یا یاری دادن به فرایند تصمیم گیری باشد. این پژوهش در عین حال نیز از روش همبستگی تبعیت میکند.

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

۳-۲-۱- جامعه آماری
جامعه آماری این پژوهش شامل تمامی معلمان زن سوم راهنمایی و دبیران زن اول متوسطه هستند که در کل به تعداد ۱۲۰ نفر در شهر پیرانشهر می باشند که در سال تحصیلی ۹۳- ۹۲ مشغول به تدریس بودند.
۳-۲-۲- نمونه آماری و نحوه نمونهگیری
نمونه آماری این پژوهش شامل ۲۴ نفر از معلمان زن سوم راهنمایی و ۲۴ نفر از معلمان اول متوسطه میباشند که به صورت نمونهگیری تصادفی منظم انتخاب شدند. درسهای (علوم، زبان انگلیسی، فارسی، تعلیماتاجتماعی) از مقطع سوم راهنمایی و درسهای (زیست، شیمی، زبانفارسی، دین و زندگی) از مقطع اول متوسطه برای کدبرداری انتخاب شدند. دلیل انتخاب این دروس این است که درسهای ذکر شده با سیستم تجزیه و تحلیل تعاملی فلندرز همسویی دارند، درحالی که دروس ریاضیات و… به علت روش تدریس خاص آنها که تنها معلم سخنرانی میکند و روش تدریس بیشتر به صورت مستقیم میباشد و کنش و واکنش کلامی بین معلم و دانشآموز خیلی کم صورت میگیرد از انتخاب آنها صرفنظر میکنیم.
در توضیح حجم نمونه و روش نمونهگیری باید گفت که جمع آوری اطلاعات با بهره گرفتن از سیستم کدبرداری عوامل دهگانه فلندرز نیاز به مشاهده کلاس و جریان تدریس دارد، لذا برای هر کلاس حداقل ۳۰ دقیقه وقت مورد نیاز است که عمل کدبرداری انجام شود. بنابراین با توجه به وقت گیر بودن و پرهزینه بودن این روش و با رجوع به پژوهشهای قبلی (محمودی، ۱۳۸۲؛ فتحی، ۱۳۸۹؛ شهابی، ۱۳۹۲) که موید این امر است به انتخاب ۴۸ نفر از معلمان بسنده شد.
۳-۲-۳- ابزار و شیوه گردآوری داده ها
۱- پرسشنامه سنجش خلاقیت عابدی
پرسشنامه خلاقیت ۶۰ سوال سه گزینه ای دارد که از چهار خرده آزمون سیالی، بسط، ابتکار و انعطافپذیری تشکیل شده است. گزینه ها نشان دهنده خلاقیت پایین، متوسط و بالا میباشند که نمره یک برای خلاقیت پایین، نمره دو برای خلاقیت متوسط و نمره ی سه برای خلاقیت بالا درنظر گرفته شده است. مجموع نمرات کسب شده در هر خرده آزمون، نمایانگر نمره آزمودنی در آن بخش است و مجموع نمرات آزمودنی در چهار خرده آزمون، نمره کلی خلاقیت او را نشان میدهد. دامنه نمره کل خلاقیت هر آزمودنی بین ۶۰ ،۱۸۰ خواهد بود (عابدی، ۱۳۷۲).
۲- روش مشاهدهای: کد برداری از فرایند کلاسی بر اساس روش تجزیه و تحلیل تعاملی فلندرز
ابزار گردآوری مشاهده میباشد و عبارت است از شناسایی، نامگذاری، مقایسه، توصیف و ثبت آنچه که روی میدهد (سرمد و همکاران، ۱۳۷۹). برای مشاهده مستقیم رفتار، محقق باید به توصیف واحد رفتاری یا واحد مورد مشاهده بپردازد. برای کدبرداری و مشاهده رفتار کلاسی از روش تجزیه و تحلیل تعاملی فلندرز استفاده خواهد شد.
شیوه ی کدبرداری به صورت زیر است:
۱- برای تحلیل روش تجزیه و تحلیل تعاملی فلندرز حداقل باید ۲۰ دقیقه از تدریس معلم در کلاس (جریان تدریس) را کدبرداری کرد.
۲- در آخر هر ۳ ثانیه یکی از اعداد اتفاق افتاده را ثبت میکنیم.
۳- فاصله ۳ ثانیه را به صورت تجربی تنظیم میکنیم. با شمارش ۱۰۰۳، ۱۰۰۲، ۱۰۰۱ تقریبا ۳ ثانیه تنظیم میگردد (فتحیآذر، ۱۳۸۲).
۳-۲-۴- تعیین روایی^[۷۱] و پایایی^[۷۲] ابزارهای اندازه گیری پژوهش
پرسشنامه خلاقیت که بر اساس نظریه تورنس دربارهی خلاقیت به وسیله عابدی (۱۳۷۲) در تهران ساخته شد. بر روی یک گروه ۶۵۰ نفر از دانشآموزان کلاس سوم راهنمایی مدارس تهران اجرا گردید. پایایی آزمون خلاقیت عابدی، از طریق آزمون مجدد دانشآموزان مدارس راهنمایی تهران در سال ۱۳۶۳ در چهار بخش آزمون به این ترتیب بدست آمد: ضریب پایایی بخش سیالی ۸۵/۰، ابتکار ۸۲/۰، بسط ۸۰/۰، و انعطافپذیری ۸۴/۰ (عابدی، ۱۳۷۲).
در تحقیقی به منظور ارزشیابی آزمون خلاقیت عابدی در دبیرستانهای منطقه ۲ تهران، ضریب پایایی آزمون باز آزمون را در خرده مقیاس سیالی ۲۳/۰، بسط ۴۴/۰، ابتکار ۶۱/۰ و انعطافپذیری ۵۹/۰ مشخص نمودند. در رابطه با روایی محتوایی، پاسخ گویی و اظهارنظر استادان گروه روان شناسی درباره کلیه سوالات آزمون نشان دهنده روایی محتوایی آزمون است (دائمی و مقیمی، ۱۳۸۳).
جهت بدست آوردن پایایی سیستم تجزیه و تحلیل تعاملی فلندرز، برای تعیین اعتماد، در کلاس درس یکی از معلمان، تدریس معلم به مدت ۲۰ دقیقه ضبط شد در ادامه دو نفر کدبردار همزمان از فایل ضبط شده شروع به کدبرداری نمودند و بعد از جمع آوری و تحلیل برگههای کدبرداری شده میزان توافق (ضریب توافق) بین آنها محاسبه گردید که عدد ۸۳۳/۰ بدست آمد. روایی سیستم تجزیه و تحلیل تعاملی فلندرز توسط خود فلندرز بر اساس مطالعات مختلف مورد تایید قرار گرفته است، و بارها محققان خارجی و داخلی (محمودی، ۱۳۸۲؛ فتحی، ۱۳۸۹؛ شهابی، ۱۳۹۲) از این روش استفاده کردهاند.
۳-۳- روش‌های تجزیه و تحلیل داده‏ها:
برای تحلیل داده های این پژوهش از آزمونهای توصیفی و استنباطی استفاده شده است. که در فصل چهارم به تفصیل توضیح داده شدهاند. نقشه عملی و مراحل اجرایی این پژوهش براساس نمودار به شرح زیر است.
شکل ۳-۱- نمودار عملی و اجرایی پژوهش
فصل چهارم
تجزیه و تحلیل داده ها
۴-۱- مقدمه
در این فصل، داده های خام بدست آمده از نمونه های آماری با بهره گرفتن از روش های آماری مناسب و نرم افزار Spss مورد تجزیه و تحلیل قرار میگیرند. در این پژوهش ابتدا از شاخصهای آمار توصیفی، شامل جداول توصیفی و نمودارهای فراوانی جهت توصیف داده ها استفاده شده است. سپس از ضریب همبستگی پیرسون و آزمون t مستقل جهت تجزیه و تحلیل داده ها استفاده خواهد شد.
۴-۲- آمار توصیفی
در جداول ذیل شاخصهای توصیفی متغیرها و آزمون کلموگروف- اسمیرونوف ارائه شده است.
۴-۲-۱- آمار توصیفی نمونه های آماری بر اساس مقطع تحصیلی و گروه آموزشی
در جدول ۴-۱ ۴-۲، شاخصهای توصیفی پارامترهای مقطع تحصیلی، گروه آموزشی و عوامل دهگانه فلندرز نشان داده شده اند.
جدول ۴-۱ میانگین و انحراف معیار متغیر خلاقیت بر اساس نوع درس

مقطع تحصیلی
درس
شاخصهای توصیفی

پس از استخراج ویژگی‌ها این ویژگی‌ها وارد واحد طبقه‌بندی کننده­ SVM شده تا بر این اساس شناسایی و تفکیک مدولاسیون‌ها صورت گیرد. ابتدا از SVM در تشخیص نوع مدولاسیون بدون بهینه‌سازی ویژگی­ها (یعنی از تمام ویژگی­ها) استفاده شده است. در ادامه براساس ویژگی‌های استخراج‌شده، از COA برای بهبود عمل­کرد واحد استخراج ویژگی (تعیین ضرایب بهینه برای ویژگی­های مناسب) استفاده شده است. این ویژگی های جدید برای هر نوع مدولاسیون منحصر به فرد بوده و علاوه بر اینکه بعد هزینه‌ی محاسباتی را کاهش می­ دهند؛ درصد موفقیت سیستم را نیز به طرز چشمگیری افزایش می­ دهند. نتایج بدست آمده در کانالAWGN و نیز کانال­های محوشونده نشان از قابلیت بالای سیستم پیشنهادی دارد. این فصل به تفسیر موارد ذکر شده اختصاص دارد.

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

۳-۲-۱- شناسایی نوع مدولاسیون به کمک تمام ویژگی­ها (آمارگان مرتبه­ی بالا)
در این قسمت همه ویژگی­های استخراجی، در واحد طبقه بندی کننده مورد بررسی و آزمایش قرار می گیرند. شکل ۳-۳ بلوک دیاگرام تشخیص نوع مدولاسیون دیجتال استفاده‌شده در این قسمت را نشان می‌دهد. ابتدا سیگنال دریافتی وارد واحد پیش‌پردازش می‌شود. در این واحد سیگنال­ها نسبت به توان نرمالیزه شده، تا اثر توان در تشخیص در نظر گرفته نشود. در ادامه سیگنال نرمالیزه شده وارد واحد استخراج ویژگی می‌شود که در فصل دوم به آن پرداخته شده است. همان­طور که اشاره شد در این واحد ویژگی آمارگان تا مرتبه‌ی هشتم سیگنال محاسبه می­ شود. پس از استخراج ویژگی‌ها این ویژگی‌ها وارد واحد طبقه‌بندی کننده شده تا بر اساس این ویژگی‌ها شناسایی و تفکیک مدولاسیون‌ها صورت گیرد.
شکل ۳-۳- دیاگرام کلی شناساگر مدولاسیون براساس استخراج ویژگی‌ها آمارگان مرتبه بالا]۶[.
۳-۲-۱-۱- نتایج شبیه‌سازی به کمک طبقه‌بندی کننده SVM در کانال AWGN
در این قسمت با توجه به شرایط ذکرشده با بهره گرفتن از طبقه‌بندی کننده‌ی SVM در تفکیک مدولاسیون‌ها در کانال AWGN پرداختیم. در این قسمت از سیستم چندحاملی استفاده نشده و در واحد طبقه‌بندی­کننده نیز، انواع کرنل‌های معروف مورد آزمایش قرار گرفته است. به طوری کلی در تشخیص نوع مدولاسیون، تابع کرنل GRBF نسبت به بقیه کرنل‌ها دارای عمل­کرد بهتری است]۶-۳[. مقدار پارامترهای طبقه‌بندی کننده SVM (پارامتر پهنای کرنل GRBF  و پارامتر  ) با روش سعی و خطا تنظیم شده‌اند. جدول ۳-۲ مقدار عمل­کرد SVM را با کرنل GRBF برای SNR های متفاوت نشان می­دهد. در سیگنال به نویزهای پایین درصد تشخیص کلی سیستم به علت نزدیک بودن مقدار چند ویژگی پایین بوده و زمان اجرا نیز متأثر از بالا بودن تعداد ویژگی­ها و نیز تداخل آنها در سیگنال به نویز پایین است. شکل ۳-۴ عمل­کرد SVM را در SNR های متفاوت به ازای کرنل های مختلف نشان می­دهد.
جدول ۳-۲- عمل­کرد SVM برای SNR های مختلف(۱۲۵۰,  =۱۰c=)

زمان شناسایی(دقیقه)

درصد موفقیت(%)

SNR (dB)

۳٫۹۶

۵۸٫۱۶

۱۰-

۳٫۸۴

۶۴٫۳۳

۸-

۳٫۷۵

۷۴٫۹۲

۶-

۲٫۸

۸۰٫۶۷

۴-

۱٫۴۵

۸۶٫۶۷

۲-

۱٫۲۵

۸۸٫۳۳

۰