ترجمه مقاله یک مدل شبکه عصبی برای تعیین موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته

ترجمه مقاله  یک مدل شبکه عصبی برای تعیین موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته
قیمت خرید این محصول
۳۸,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
یک مدل شبکه عصبی برای تعیین موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته
عنوان انگلیسی
A Neural Network Model for Determining the Success or Failure of High-tech Projects Development: A Case of Pharmaceutical industry
صفحات مقاله فارسی
22
صفحات مقاله انگلیسی
23
سال انتشار
2018
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
ژورنال
کد محصول
12188
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت انگلیسی درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس عکس تایپ شده است ✓
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
فرضیه
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی صنایع، برنامه ریزی و تحلیل سیستم ها و بهینه سازی سیستم ها
دانشگاه
گروه مهندسی پیشرفت، دانشگاه علم و صنعت ایران، تهران، ایران
کلمات کلیدی
ریسک پروژه‌های فن‌آوری پیشرفته، صنعت دارویی، سیستم شاخص ارزیابی ریسک (RIAS)، تحلیل مؤلفه اصلی (PCA)، شبکه عصبی مصنوعی (ANN)، شناسایی الگو
کلمات کلیدی انگلیسی
High-tech Project Risk - Pharmaceutical industry - Risk Assessment Index System (RAIS) - Principal Component Analysis (PCA) - Artificial Neural Network (ANN) - Pattern Recognition
فهرست مطالب
چکیده
1. مقدمه
2. مروری بر مقالات
2.1. طبقه‌بندی فن‌آوری‌ها
3. توسعه سیستم شاخص ارزیابی ریسک
4. صنعت دارویی
5. توسعه مدل
5.1. شبکه عصبی مصنوعی
5.1.1. الگوریتم پس از انتشار این مدل
5.2. تحلیل نتایج
5.2.1. نتایج عملکرد
5.2.2. هیستوگرام خطا
5.2.3. ماتریس درهم‌ریختگی
5.3. نتیجه‌گیری
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
       
نمونه چکیده متن اصلی انگلیسی

Abstract


Financing high-tech projects always entails a great deal of risk. The lack of a systematic method to pinpoint the risk of such projects has been recognized as one of the most salient barriers for evaluating them. So, in order to develop a mechanism for evaluating high-tech projects, an Artificial Neural Network (ANN) has been developed through this study. The structure of this paper encompasses four parts. The first part deals with introducing paper's whole body. The second part gives a literature review. The collection process of risk related variables and the process of developing a Risk Assessment Index system (RAIS) through Principal Component Analysis (PCA) are those issues that are discussed in the third part. The fourth part particularly deals with pharmaceutical industry. Finally, the fifth part has focused on developing an ANN for pattern recognition of failure or success of high-tech projects. Analysis of model's results and a final conclusion are also presented in this part.


 

1. Introduction


Development project of high-tech products is always influenced by several risks neglecting each of which will dramatically undermine the success rate of such a project. Likewise, because of the fact that investment on development projects of high-tech products require the utilization of different resources (i.e. both physical assets & intellectual capitals) and will not always result in desired predictions, failure of such projects will doubtlessly inflict massive economic costs on organizations. Therefore, if project planners are enabled to measure and analyze the risk of such projects, they can forecast their success or failure more confidently.


 

5.3. Conclusion


Investing on high-tech products doesn't always yield the predicted results and organizations will suffer massive losses if their efforts in developing high-tech projects fail. To manage high-tech product development projects more confidently, managers need to have reliable information about their risk values in advance. The ANN proposed in this paper is aimed at helping managers to have such a precious information. Based on a Risk Assessment Index System (RAIS) that has been extracted from valid resources and constructed by Principal Component Analysis (PCA) method, an Artificial Neural Network (ANN) has been designed for enabling project managers to recognize the success or failure of each high-tech project before starting investing on it. The heighted level of model's accuracy and reliability makes it a very reliable mechanism for recognizing the success or failure of hightech projects.

نمونه چکیده ترجمه متن فارسی
چکیده

سرمایه‌گذاری در پروژه‌های فن‌آوری پیشرفته همیشه میزان ریسک بالایی را در بر دارد. عدم وجود یک روش سیستماتیک برای اشاره دقیق به چنین پروژه‌هایی، به عنوان یک از برجسته‌ترین موانع برای ارزیابی آن‌ها شناخته شده است. بنابراین، به منظور توسعه یک مکانیسم برای ارزیابی پروژه‌های فن‌آوری پیشرفته، یک شبکه عصبی مصنوعی (ANN) از طریق این مطالعه توسعه یافته است. این مقاله مشتمل بر چهار بخش است. در اولین بخش، شکل کلی مقاله معرفی می‌شود. بخش دوم، مروری بر مقالات را ارائه می‌دهد. روند جمع‌آوری متغیرهای مرتبط با ریسک و روند توسعه سیستم شاخص ارزیابی ریسک (RAIS) از طریق تحلیل مؤلفه اصلی (PCA)، موضوعاتی هستند که در بخش سوم مورد بحث قرار می‌گیرند. بخش چهارم، به‌طور خاصی به صنعت دارویی می‌پردازد. در نهایت، بخش پنجم بر توسعه یک شبکه عصبی مصنوعی (ANN) برای شناسایی الگوی شکست یا موفقیت پروژه‌های فن‌آوری پیشرفته تمرکز کرده است. تحلیل نتایج مدل و نتیجه‌گیری نهایی نیز در این بخش می‌شوند.

 

1. مقدمه

پروژه‌های توسعه محصولات فن‌آوری پیشرفته، همیشه تحت تأثیر ریسک‌های متعددی قرار می‌گیرد که نادیده گرفتن هر یک از آن‌ها تأثیر چشمگیری بر میزان موفقیت چنین پروژه‌هایی خواهد داشت. علاوه براین، با توجه این حقیقت که سرمایه‌گذاری بر روی پروژه‌های توسعه محصولات فن‌آوری پیشرفته مستلزم استفاده از منابع مختلفی است (برای مثال، هم دارایی‌های فیزیکی و هم سرمایه‌های معنوی) و همیشه به پیش‌بینی‌های مطلوب منتهی نمی‌شود، شکست چنین پروژه‌هایی بی‌تردید هزینه‌های اقتصادی عظیمی را بر سازمان‌ها تحمیل می‌کند. بنابراین، اگر برنامه ریزان پروژه بتوانند ریسک چنین پروژه‌هایی را ارزیابی و تجزیه‌وتحلیل کنند، می‌توانند با اطمینان بیشتری موفقیت یا شکست آن‌ها را پیش‌بینی کنند.

 

5.3. نتیجه‌گیری

سرمایه‌گذاری بر روی محصولات فن‌آوری پیشرفته همیشه نتایج پیش‌بینی‌شده را حاصل نمی‌کند و سازمان‌ها درصورتی‌که تلاش‌هایشان برای اجرای پروژه‌های فن‌آوری پیشرفته با شکست مواجه شود، زیان هنگفتی را متحمل خواهند شد. برای مدیریت مطمئن‌تر پروژه‌های توسعه محصولات فن‌آوری پیشرفته، لازم است که مدیران اطلاعات قابل‌اطمینانی را از قبل در مورد مقادیر ریسک آن‌ها در اختیار داشته باشند. هدف از شبکه عصبی مصنوعی (ANN) پیشنهادی در این مقاله این است که به مدیران کمک کند به این اطلاعات دقیق دست پیدا کنند. بر اساس سیستم شاخص ارزیابی ریسک (RAIS) که از منابع معتبری استخراج‌شده و توسط روش تحلیل مؤلفه اصلی (PCA) ساخته شده، یک شبکه عصبی مصنوعی (ANN) برای این منظور طراحی شده تا مدیران پروژه بتوانند موفقیت یا شکست هر یک از پروژه‌های فن‌آوری پیشرفته را قبل از شروع سرمایه‌گذاری بر روی آن تشخیص دهند. سطح بالای دقت و پایایی این مدل موجب شده تا آن مکانیسم بسیار قابل‌اطمینانی برای تشخیص موفقیت یا شکست پروژه‌های فن‌آوری پیشرفته باشد.


بدون دیدگاه