توضیحات: این منزل قمر، خانه هفتم ماه و برابرنهاده آن در عربی «ذراع» و در هندی Púnarvasu است. هنینگ (۱۹۴۲: ۲۴۵) و بهار (۱۳۷۵: ۵۸-۵۹) این منزل را معادل با دو ستارۀ (Castor) رأس التوأم الموخر و (Pollux) راس التوام المقدم (β و α جوزا) که در عربی نام کامل آن «ذراع مبسوط» است، می‌گیرند.

• • §§

rōšn [lwšn’ | Paz. rōš(a)n | Av. raoxšna- | M rwšn | N rōšan]
(نجوم)
* (اسم) روشن: روز؛ (صفت) روشن: درخشان
ــــــــــــــــــــــــــــــــــــــــ
توضیحات: واژه rōšn به عنوان صفت معنای «روشن و درخشان» می‌دهد؛ به عنوان اسم در حالت مفرد معنی «قسمت روشن شبانه روز = روز» و در حالت جمع rōšnān معنی «روشنان = کواکب» می‌دهد. (برای توضیحات بیشتر رک. rōšnān)
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

ریشه شناسی: ایرانی آغازین: *rauxšna- از ریشه *rauxšn- «درخشیدن» (چئونگ، ۲۰۰۷: ۳۲۱)؛ سانسکریت: : rocaná- «روشن» (مونیرویلیامز، ۱۹۶۰: ۸۸۹؛ مایرهوفر، ۱۹۹۶: ۴۶۳)؛ اوستایی: raoxšna- «روشن، نور» (نیبرگ، ۱۹۷۴: ۱۷۱؛ رایشلت، ۱۹۱۱: ۲۶۴)؛ فارسی میانه: rōšn [lwšn] (مکنزی، ۱۳۷۳: ۱۳۱؛ بهار، ۱۳۴۵: ۲۶۳؛ دورکین-مایسترارنست، ۲۰۰۴: ۳۰۳)؛ فارسی میانه اشکانی ترفانی: rwšn (نیبرگ، ۱۹۷۴: ۱۷۱)؛ فارسی میانه اشکانی: (+*u̬i-)، wrwšn- «درخشیدن» (گیلن، ۱۹۶۶: ۹۰؛ چئونگ، ۲۰۰۷: ۳۲۱)؛ پازند: rōš(a)n (نیبرگ، ۱۹۷۴: ۱۷۱)؛ فارسی نو: روشن؛ روشنان فلک (فلکی)؛ [کنایه از] ستارگان (برهان قاطع)؛ معادل انگلیسی: luminary ؛ معادل عربی: کواکب. از طرفی لفظ «نَیِّر» به معنی «روشن» در حالت مفرد مترادف با «کوکب» است؛ اما، در حالت جمع و تثنیه (نیران، نیرین) به طور خاص، تنها به خورشید (نیر اعظم، نیر اکبر) و ماه (نیر اصغر) اطلاق می‌شود. (دهخدا).
ترکیبات:
rōšnān «روشنان: کواکب»
rōšnīh «روشنی»
asar-rōšnīh «روشنی ازلی: پایه هفتم آسمان، گاه هرمزد»
rōšn-wēnāgīh «روشن بینی»
anagr ī rōšn «انغر روشن، انغران، پایه پنجم آسمان، گرزمان، خورشید پایه».

• • §§

rōšnān [lwšnˀn]
(نجوم)
* روشنان: ستارگان، کواکب، اجرام آسمانی درخشان
ــــــــــــــــــــــــــــــــــــــــ
توضیحات۱: توضیح اینکه واژه «روشنان» در مباحث نجومی بندهشن دارای همان بار معنایی است که واژه «ستارگان» یا «کواکب» در آثار بیرونی دارا می‌باشد. بنا بر نوشته‌های بیرونی کواکب یا ستارگان، از دیدگاه نجوم مدرن، شامل خورشید، ماه، ستارگان و سیارات است. او هر گاه بخواهد به طور خاص از ستارگان سخن بگوید از اصطلاح «ثوابت، کواکب ثابته یا ستارگان ثابت» استفاده می‌کند. در بندهشن (۲: ۱) نیز همین توضیح آمده است: «هرمزد در میان آسمان و زمین روشنان را آفرید: ستارگان اختری [=ثوابت]، و نیز نااختری [=سیارات] را؛ سپس، ماه و سپس، خورشید را» (بهار، ۱۳۷۸: ۴۳). از آنجا که خورشید و ماه، از دید ناظر زمینی، بزرگترین اجرام آسمانی هستند، این دو جرم آسمانی، در بندهشن، با عنوان «شهریار روشنان» معرفی شده‌اند. اما، اصطلاح «روشنان» در برابر «تاریکان» به ترتیب اشاره به جنبه مینوی کواکب و جنبه مادی آنها دارد و مطابق بندهشن (۵الف: ۱۰)، «این روشنی که از ایشان پیداست همان روشنی هرمزدی است؛ روشنی در چشم خرفستران چونان کهتران است که جامۀ دیبا پوشند» (بهار،۱۳۷۸: ۵۹). (رک. abāxtar).
توضیحات۲: واژه rōšnān حالت جمع rōšn است که هم اسم و هم صفت است. در حالت صفتی معنای «روشن و درخشان» داشته و در حالت اسم به معنی «نیّر» (=جرم روشن آسمانی) است که به صورت مفرد در نجوم سنتی به آن «کوکب» یا «ستاره» می‌گویند (رک. star).^[44]
ریشه شناسی: این واژه صورت جمع از rōšn است (رک. rōšn).
ترکیبات:
wimand ī dīdār ī rōšnān «مرز دیدار روشنان، محدودۀ رؤیت کواکب».

• • §§

rōšnān šahryār [lwšnˀn štr’dˀl]
(تنجیم)
* شهریار روشنان: خورشید و ماه اختری.
ــــــــــــــــــــــــــــــــــــــــ
توضیحات: واژه «شهریار روشنان» مرتبه ای است که در بندهشن (۵الف: ۳؛ و جاهای دیگر)، به خورشید و ماه اختری داده شده است. مرتبه این دو از مرتبه سپاهبدی که به ثوابت داده شده است، بالاتر است و کواکب دیگر همگی بند به این دو کوکب هستند. کار آنها در دوران آمیزش، نبرد با دشمنان خود یعنی مهر و ماهِ تاریک یا اباختری است که مرتبه شهریاری تاریکان را به عهده دارند.
ریشه شناسی: ترکیب فوق از دو واژه rošnān و šahryār تشکیل شده است. (رک. rōšn و šahryār)

• • §§

rōz 
(گاه‌شماری)
* ۱) روز: شبانه روز، که ۲۴ ساعت است.
* ۲) روز: نیمه روشن هر شبانه روز، که اندازه آن با تغییر فصول تغییر می‌کند.
ــــــــــــــــــــــــــــــــــــــــ
توضیحات: بنابر بندهشن (۵ب: ۲۰)، هر روزی ۲۴ ساعت است که نیمی از آن تاریک و نیمی روشن است و هر شبانه روزی دارای پنچ گاه است (نک. Asnyanąm و Ayaranąm). نیمه تاریک به طور خاص شب (šab) و نیمه روشن به طور خاص (rōz) نامیده می‌شود. به استناد بیرونی (۱۳۲۱: ۶-۷)، منجمان ایرانی و رومی شبانه روز را از طلوع آفتاب در شرق تا طلوع آفتاب در روز بعد گرفته اند. این مدت زمان به طور کلی برابر است با ۲۴ ساعت.^[۴۵] در بندهشن (۲۵: ۲) نیز، یک شبانه روز از طلوع آفتاب آغاز و در طلوع آفتاب روز بعد پایان می‌یابد و تقدم به روز است. در بندهشن آمده است: «همی نخست روز بشود، پس شب آن روز را گیرد و در آید»^[۴۶] (بهار، ۱۳۷۸: ۱۰۵). توضیح اینکه، بر خلاف اعراب و اقوام سامی که ظلمت را بر نور مقدم می‌شمردند و روز تقویمی شان با غروب آفتاب در شامگاه روز قبل شروع می‌شد، ایرانیان به دلیل اعتقاد به تقدم روشنایی بر تاریکی، روز را از طلوع آفتاب در صبح همان روز آغاز می‌کردند (بیرونی، ۱۳۲۱: ۵-۸).
در بندهشن (۲۵: ۴-۵)، آمده است: «بلندترین روز تابستانی دو برابر کوتاه ترین (روز) زمستانی است. بلندترین شب زمستانی دو برابر کوتاه ترین (شب) تابستانی است. (بلندترین) روز تابستانی دوازده هاسر و شب شش هاسر. (بلندترین) شب زمستانی دوازده هاسر و روز شش هاسر است. هاسری (هست که واحد) زمانی است و نیز هاسری (هست) بر زمین»^[۴۷] (بهار، ۱۳۷۸: ۱۰۵).
طبق اطلاعات فوق، اندازه یک شبانه روز ۱۸ هاسر است. در نتیجه، ۱۸ هاسر برابر است با ۲۴ ساعت. از اینرو، یک هاسر برابر است با ۸۰ دقیقه (یا یک ساعت و ۲۰ دقیقه).
ریشه شناسی: این واژه از ریشه rōz- [rwc-] «درخشیدن» (دورکین-مایسترارنست، ۲۰۰۴: ۲۹۸): سانسکریت: rócas- «روز» (مونیرویلیامز، ۱۹۶۰: ۸۸۸؛ کنت، ۱۹۵۳: ۲۰۵)؛ roc- «درخشیدن» (مایرهوفر، ۱۹۹۶: ۴۶۳)؛ اوستایی: raočah- (مایرهوفر، ۱۹۹۶: ۴۶۴)؛ فارسی باستان: raucah- (کنت، ۱۹۵۳: ۲۰۵)؛ فارسی میانه: rōc [ lwc] (نیبرگ، ۱۹۷۴: ۱۷۰)؛ rōz (مکنزی، ۱۳۷۳: ۱۳۱؛ بهار، ۱۳۴۵: ۳۹۴)؛ فارسی میانه ترفانی: rōz, rōž (بویس، ۱۹۷۷: ۷۹)؛ فارسی میانه اشکانی ترفانی: rōž [rwc, rwž] (دورکین-مایسترارنست، ۲۰۰۴: ۲۹۷)؛ فارسی نو: روز؛ انگلیسی: light «روشن»؛ معادل عربی: یوم (دوبلوا، ۲۰۰۶: ۸۸).

که در عبارت فوق، پهناب باند امپدانسی برای ۲ می­باشد. با توجه به اینکه برای آنتن­های بدون المان پارازیتیک، پهنای باند امپدانسی بریا سه باند اول به ترتیب ۸/۰% و ۳۷/۰% و ۳۶/۰% می­باشد. لذا مقادیر پارامترهای شایستگی برای هر باند به ترتیب برابر با ۲۰ ,۴/۵ , ۱۱، که بیانگر افزایش پهنای باند آنتن سه بانده مرکب در حضور المان­های پارازیتیک می­باشد.

( 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 ۲-۴۳ : تفات بازگشتی آنتن سه بانده مرکب [۶]
شکل ۲-۴۵ : ایزولاسیون بین باندهای، آنتن سه بانده مرکب [۶]
بنابر نتایج بدست آمده در شکل (۲-۴۵)، ایزولاسیون بین باندهای مختلف در این ساختار مناسب می­باشد در انتهای این بخش پترن سه بعدی ساختار این انتن سه بانده را در شکل (۲-۴۶) نشان می­دهیم. همچنین نتایج حاصل از اندازه ­گیری سمت گرایی و راندمان این آنتن نیز در جدول (۲-۲) نشان داده شده است. با توجه به پترن به دست آمده برای این آنتن، به راحتی قابل مشاهده است که پترن آنتن برای هر سه باند، به صورت بردساید می­باشد. این ویژگی باعث می­ شود که بتوان از این آنتن­ها در آرایه­های مایکرواستریپی، برای کاربردهای مخابرات سیار استفاده کرد.
شکل ۲-۴۶ : پترن تشعشعی برای آنتن سه بانده مرکب [۶]
جدول ۲-۲: سمت گرایی و راندمان برای آنتن سه بانده مرکب [۶]

۲-۹- آنتن­های سرپینسکی بهبودیافته دایروی
در این بخش ضمن معرفی نمونه ­ای از آنتن­های تک قطبی که از ساختارهای سرپینسکی بهبودیافته دایروی استفاده می­ کنند. با طیف فرکانسی تولیدی این آنتن­ها آشنا می­شویم. همان­طور که مشاهده خواهید کرد در این آنتن­ها نیز طیف فرکانسی دارای خاصیت متناوب لگاریتمی می­باشد.
در ادامه با یک نمونه از انتن­های فرکتالی سرپینسکی بهبودیافته دایروی در تکرار چهارم آشنا خواهیم شد. ساختار کلی این آنتن در شکل (۲-۴۷) نشان داده شده است. الگوریتم نحوه تولید این ساختار در مراجع [۲۳] و [۲۴] بیان شده است. در این الگوریتم از رابطه زیر به منظور تولید دوایر در تکرار ام استفاده می­ شود.

که در این رابطه داریم:
در روابط قبلی پارامترهای شعاع دوایر در هر تکرار می­باشند. شکل (۲-۴۷) مقادیر به دست آمده برای این پارامترها را توسط الگوریتم (۲-۲) نشان می­دهد.
شکل ۲-۴۷ : آنتن فرکتالی سرپینسکی بهبودیافته دایروی، در تکرار چهارم [۷]
آنتن معرفی شده در شکل (۲-۴۷) دارای ابعاد ( ۹/۸۸ ۶/۱۰۲) می­باشد. در این ساختار صفحه زمین دارای ابعادی برابر با ( ۲۰۰ ۲۰۰) می­باشد نوع زیر لایه در این ساختار می­باشد که دارای ضریب دی­الکتریک ۴/۴ و ضخامت ۶/۱ است. نتایج شبیه­سازی با بهره گرفتن از نرم­افزار به دست آمده است.
طیف فرکانسی اندازه ­گیری شده برای این ساختار در چهار تکرار اول در شکل (۲-۴۸) نشان داده شده است. همان­طور که در این شکا مشاهده می­کنید با افزایش درجه تکرار، تعداد فرکانس­های رزنانس برای این آنتن افزایش می­یابد. رابطه بین فرکانس­های رزنانس را می­توان به صورت زیر تقریب زد:
که در این فرمول ، فرکانس رزنانس ام، سرعت نور در فضای آزاد و ارتفاع آنتن سرپینسکی تک قطبی می­باشد. وجود فاکتور معرف رفتار متناوبی لگاریتمی، در فرکانس­های رزنانس این ساختار می­باشد. شکل (۲-۴۹) نیز پترن تشعشعی این آنتن را در دو صفحه و نشان می­دهد. همان­طور که در این شکل مشاهده می­کنید، با افزایش فرکانس، تعداد گلبرگ­های فرعی در پترن تشعشعی بیشتر می­ شود.
شکل ۲-۴۸ : طیف فرکانسی اندازه ­گیری شده برای چهار تکرار اول آنتن سرپینسکی بهبودیافته دایروی [۷]
شکل ۲-۴۹ : پترن تشعشعی آنتن سرپینسکی بهبودیافته دایروی: ۸۷/۲(a) و ۸۷/۵(b) و ۵۵/۷© [7]
۲-۱۰- آنتن فرکتالی آثولوئی^[۲۴]
در این بخش با یکی دیگر از ساختارهای فرکتالی بهبودیافته آشنا می­شویم که از لحاظ ساختاری دارای شباهت­های زیادی با ساختار آنتن سرپینسکی بهبودیافته دایروی می­باشد. تفاوت اصلی آنتن آپولوئی با آنتن معرفی شده در بخش قبل، در این است که آنتن معرفی شده در بخش قبل بر روی صفحه اصلی از نوع سرپینسکی طراحی شده بود در حالی که آنتن آپولوئی بر روی صفحه­ای طراحی می­ شود که از برخورد سه دایره با شعاع ۱ بدست می ­آید. شکل (۲-۵۰) ساختار کلی این آنتن در تکرار چهارم نشان می­دهد.
شکل ۲-۵۰ : آنتن فرکتالی آپولوئی در تکرار چهارم [۸]
دوایر داخلی در ساختار آپولوئی با بهره گرفتن از الگوریتم توصیف شده در بخش قبل به دست می ­آید، که نتایج آن برای تکرار چهارم در شکل (۲-۵۰) نشان داده شده است. طیف فرکانسی این آنتن در چهار تکرار اول در شکل (۲-۵۱) نشان داده شده است. نتایج تجربی، رابطه تقریبی زیر را برای محاسبه فرکانس­های رزنانس آنتن آپولوئی ارائه می­ دهند:

که در این رابطه تقریباً برابر با ۱۱/۲ می­باشد. این رابطه برای مقادیر کوچک فرکانس به رابطه زیر تقریب زده می­ شود:
شکل ۲-۵۱ : طیف فرکانسی آنتن آپولوئی در چهار تکرار اول [۸]
به دلیل اینکه مقدار به عدد نپر (۷۱۸/۲) نزدیک می­باشد، لذا تغییرات فرکانس برای این ساختار نیز تقریباً به صورت متناوب لگاریتمی می­باشد. شکل (۲-۵۲) پترن تشعشعی را برای آنتن آپولوئی در تکرار چهارم برای فرکانس­های رزنانس ۸/۱ و ۴/۲ و ۲/۸ نشان می­دهد. همان­طور که در این شکل ملاحظه می کنید رفتار این آنتن از نظر پترن تشعشعی بسیار شبیه به آنتن سرپینسکی ساده می­باشد. در انتها به عنوان نتیجه ­گیری، ساختارهای آپولوئی در مقایسه با آنتن­های سرپینسکی ساده دارای طیف فرکانسی بهتری از لحاظ میزان تلفات بازگشتی می­باشند. عیب اصلی این ساختارها عدم بردساید بودن پترن آنتن، در تمامی باندهای فرکانسی می­باشد.
شکل ۲-۵۲ : پترن تشعشعی آنتن اپولوئی برای دو صفحه، (a) و YZ (b) [8]
۲-۱۱- آنتن فرکتالی سرپینسکی کوتاه شده^[۲۵]
در این بخش به بررسی نوعی دیگر از ساختارهای فرکتالی سرپینسکی می­پردازیم، که در آنها از نیمی از ساختار فرکتالی سرپینسکی، به صورت تا شده بر روی صفحه زمین، به همراه یک سری اتصالات کوتاه^[۲۶] بین پچ و زمین، استفاده می­ شود. این ساختارها از نظر موقعیت­شان نسبت به زمین، همانند آنتن­های L شکل وارونه^[۲۷] می­باشند. در این آنتن­ها می­توان با بهره گرفتن از اتصال کوتاه لبه­های آنتن به خاصیت تناوبی لگاریتمی در فرکانس­های رزنانس دست پیدا کرد، که در بخش­های بعدی مورد بررسی قرار می­گیرد. در این بخش هدف بررسی تأثیر اتصال کوتاه­ها بر روی طیف فرکانسی آنتن می­باشد. مشاهده خواهید کرد که استفاده از اتصالات کوتاه در این آنتن­ها باعث افزایش پهنای باند نیز می_­­گردد. در ادامه انواع آنتن­های اتصال کوتاه شده را به طور مجزا مورد بررسی قرار می­دهیم.
۲-۱۱-۱- آنتن فرکتالی سرپینسکی کوتاه شده عمودی

شکل (۱-۲): مثالی از تشخیص چهره در تصاویر مات با بهره گرفتن از روش بیان شده در [۱]
(الف) تصویر با مات شدگی شدید (ب) تصویر با مات شدگی ضعیف (ج) تصویر شفاف
ضرورت انجام تحقیق و هدف پایان نامه
همانطورکه گفته شد سیستم­های بازشناسی چهره در مورد تصاویری که مات هستند بسیارضعیف عمل می­ کنند. بنابراین بهسازی چنین تصاویری کمک زیادی به افزایش دقت بازشناسی آنها می­ کند. در این پایان نامه هدف ما طراحی و شبیه­سازی روشی جهت بهسازی تصاویر چهره مات شده به منظور بهبود کارایی سیستم­های بازشناسی چهره است. با توجه به مروری که در فصل بعد برای این روشها آورده شده است ملاحظه می­ شود که تعداد روش های موجود برای بهسازی تصویر چهره مات شده به منظور افزایش کارایی سیستمهای بازشناسی چهره بسیار اندک است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

ساختار بقیه پایان نامه به این صورت است که در فصل۲ به مروری بر روش­های موجود می­پردازیم؛ در فصل۳ به معرفی روش پیشنهادی در این پایان نامه می­پردازیم. در فصل۴ نیز نتایج حاصل از شبیه­سازی روش پیشنهادی جهت شناسایی تابع گسترش نقطه­ای^[۶] (PSF) مات کننده تصاویر چهره ورودی مات و رفع ماتی از آن­ها به منظور کاربرد در یک سیستم بازشناسی چهره بررسی می­ شود. فصل۵ به بیان نتیجه ­گیری و پیشنهاد راهکار آینده اختصاص داده شده است.
فصل دوم
مروری بر روش­های موجود
مقدمه
همانطور که گفته شد تمام شرایط محیطی مثل تغییر نور محیط یا مات شدن تصویر، در روش­های بازشناسی چهره تاثیر گذار است، لذا بررسی تاثیر روش­های رفع ماتی تصاویر ورودی در ارتقاء صحت بازشناسی الگوریتم­های بازشناسی چهره اهمیت ویژه­ای خواهد داشت.
ماتی تصاویر چهره وارد شده به سیستم­های بازشناسی چهره، دو مشکل مهم برای بازشناسی این تصاویر ایجاد می­ کند. اولا همانطور که در شکل (۲-۱) دیده می­ شود ویژگی­های تصویر هر شخص به طور جدی تحت تأثیر عوامل مات کننده تصویر، تغییر می­ کنند؛ دوما تصاویر چهره اشخاص مختلف در هنگام ماتی به هم شباهت بیشتری پیدا می­ کنند (شکل (۲-۱)) و بنابراین بازشناسی این تصاویر دارای خطای قابل توجهی می­باشد.
شکل‌ (۲-۱):­­‌‌‌ تاثیر عوامل مات کننده برروی تصاویر چهره [۲۰]
با وجود اینکه این دو مشکل دقت سیستم­های بازشناسی چهره را به مقدار زیادی کاهش می­ دهند، اما روش­های اندکی جهت مقابله با این مشکلات ارائه شده و هیچ یک از آن­ها نتایج رضایت بخشی را در از بین بردن ماتی مربوط به تصاویر چهره خصوصا در کاربرد جهان واقعی، و افزایش دقت بازشناسی دربر نداشته­اند.
در این فصل به منظور آشنایی بیشتر با روش­های رفع ماتی از تصاویر، ابتدا در بخش ۲-۲ روش­های نوین رفع ماتی از تصاویر عمومی را بررسی می­کنیم. سپس در بخش ۲-۳ به بررسی روش­های رفع ماتی از تصاویر چهره می­پردازیم.­
روش های رفع ماتی از تصاویر عمومی
موضوع رفع ماتی تصویر طور وسیع در حوزه­ هایی از قبیل پردازش تصویر، گرافیک کامپیوتری، و بینایی ماشین مطرح می­ شود. در حال حاضر رفع ماتی تصویر از جنبه­ های گوناگونی مانند نوع کاربرد تصاویر (پزشکی، صنعتی و….)؛ نوع عامل مات کننده (حرکت دوربین یا سوژه، خارج زوم دوربین بودن سوژه نسبت به دوربین، عدم تنظیم لنز دوربین، نویز، شرایط محیطی نامساعد و….)؛ کاربرد دنیای واقعی یا کامپیوتری، سرعت عملکرد، پیچیدگی محاسبات و … مورد ارزیابی قرار می­گیرد.
اولین روش­ها در زمینه رفع ماتی از تصاویر، تکیه بر روش دیکانولوشن (عکس پیچش) [۴-۲] دارد که شامل الگوریتم لوسی– ریچاردسون [۶-۵]، فیلتر وینر^[۷] [۷]، و فیلتر مبتنی بر دیکانولوشن کوچکترین مربعات^[۸] می­باشد.
روش­های مرسوم جهت رفع ماتی تصویر به دو دسته کلی شامل روش­های رفع ماتی متکی بر دیکانولوشن و روش­های رفع ماتی مبتنی بر دیکانولوشن کور تقسیم می­شوند .
در روش­های رفع ماتی متکی بر دیکانولوشن فرض بر آن است که ما عامل مات کننده و مشخصات آن را می­شناسیم. حال این عامل که با تصویر اصلی کانوالو شده را از طریق عکس عمل کانولوشن یعنی دیکانولوشن، حذف می­کنیم. از جمله این روش­ها می­ شود به روش فیلتر وینر و فیلتر حذف نویزگوسی شعاعی اشاره کرد.
در روش­های رفع ماتی متکی بر دیکانولوشن کور، عامل مات کننده مشخص نیست و ما بر اساس یک الگوریتم یادگیری سعی می­کنیم به تخمینی از این عامل برسیم. مهم ترین نقص این روش­ها وابستگی زیاد کیفیت رفع ماتی به تخمین کرنل مات کننده تصویر می­باشد. در امر یادگیری پارامترها، جهت تخمین کرنل مات کننده دو نوع یادگیری تحت نظارت و بدون نظارت وجود دارد. در یادگیری تحت نظارت ما اطلاعاتی از قبیل نوع عامل مات کننده، مقدار واریانس و یا میانگین عامل مات کننده، اندازه کرنل عامل مات کننده و… در مورد عامل مات کننده داریم. اما در یادگیری بدون نظارت فرض می­کنیم هیچ گونه اطلاعاتی در مورد عامل مات کننده وجود ندارد و قرار است هرگونه تصویری که به الگوریتم داده شود شفاف شود.
یکی از مشکلات موجود در امر رفع ماتی تصاویر، مبحث رفع ماتی تصاویر جهان واقعی است که ممکن است در آنِ واحد تصویر بر اساس چندین عامل مات کننده (مثلا نویز و حرکت و عوامل محیطی)، مات شود که برای برطرف کردن آن­ها باید معادلاتی غیر خطی و پیچیده حل و مورد بررسی قرار گیرد. از این رو برای اجتناب از این کار، بیشتر الگوریتم­هایی که مورد بررسی قرار می­گیرند دارای کاربردی محدود در زمینه­ای خاص می­باشند. البته راه حل­هایی برای این کاربرد ارائه شده که در آن­ها استفاده از شبکه عصبی نقش مهمی را جهت انجام یادگیری بر عهده دارد[۸].
در [۹] جهت انجام یادگیری تحت نظارت برای تخمین کرنل مات کننده، مجموعه ­ای از تصاویر شفاف و تصاویر مات شده متناظر با آن­ها جمع آوری شده و هر زوج تصویر مات و شفاف به چند قسمت تقسیم می­شوند و درون پنجره­هایی ذخیره می­شوند. سپس در مرحله آموزش، طبق معیار بیزین^[۹] دو ماتریس L,R (مربوط به سمت راست و چپ هر تصویر) از آموزش الگوریتم بدست می ­آید، که توسط این دو ماتریس یک نگاشت در چهار چوب فرضی توسط رگرسیون ماتریس از فضای مات به فضای شفاف جهت رفع ماتی تصویر صورت می­پذیرد. سپس به منظور تقویت جزئیات و لبه­های تصویر رفع ماتی شده توسط روش رگرسیون ماتریس، روش گرادیان تکاملی برروی تصویر اعمال شده و در نهایت تصویری شفاف حاصل می­ شود. البته ما در این پایان نامه پس از شبیه­سازی این روش به این نتیجه رسیدیم که کیفیت تصاویر بهسازی شده توسط این روش تا حد زیادی به صحت تخمین PSF مات کننده تصویر بستگی دارد. همچنین مدت زمان لازم برای رفع ماتی از تصاویر توسط این روش نسبتا طولانی است (به طور متوسط بیش از ۶۰ ثانیه برای هر تصویر چهره با ابعاد ۹۲×۱۱۲ لازم است).
مرجع [۱۰] سعی در بهبود کیفیت تصاویر رادیولوژی مات شده در هنگام تصویربرداری می ­پردازد. در این مرجع از مدل میانگین متحرک خودکار^[۱۰] (ARMA)جهت انجام دیکانولوشن برروی تصاویر مات شده به صورت غیر خطی، و همچنین از یک شبکه عصبی^[۱۱](NN) جهت آموزش داده ­ها با استفاده ازالگوریتم بهینه­سازی ازدحام ذرات^[۱۲] که کلونی زنبورهای مصنوعی^[۱۳] (ABC) نامیده می­ شود، استفاده می­ شود. سپس به پیاده­سازی الگوریتم پیشنهادی خود برروی آرایه دریچه­ای برنامه پذیر میدانی^[۱۴] (FPGA) می ­پردازد.
از مجموعه­ بررسی­ها در عرصه رفع ماتی از تصاویر عمومی، به اهمیت این امر در موضوعات پردازش تصویر و جایگاه آن به عنوان یک سیستم پیش پردازش جدایی ناپذیر در بیشتر کاربردهای دنیای مجازی یا واقعی پی برده می­ شود. در ادامه به یکی از کاربردهای این سیستم پیش پردازش در موضوع بازشناسی چهره اشاره می­کنیم.
روش­های رفع ماتی از تصاویر چهره در کاربرد بازشناسی چهره
همانطورکه در قسمت های قبل نیز اشاره شد مات بودن تصویر، در عملکرد روش­های بازشناسی چهره تاثیرگذار است و الگوریتم­های مختلف تاثیرپذیری­های مختلفی دارند. لذا بررسی روش­های رفع ماتی تصاویر ورودی به الگوریتم­های بازشناسی چهره به منظور ارتقا صحت بازشناسی اهمیت ویژه­ای خواهد داشت.
از بررسی­های انجام شده به این نتیجه رسیدیم که برای مقابله با تاثیر مخرب ماتی تصویر برروی بازده سیستم­های بازشناسی چهره پنج روش کلی وجود دارد که این پنج روش عبارت­اند از:
الف) بهسازی تک تصویر بدون استفاده از اطلاعات مرحله آموزش:
برای مثال، در [۱۱] دو عامل ماتی بر اثر حرکت و عامل اتمسفری را به عنوان مهم­ترین عوامل تاثیرگذار بر عملکرد سیستم­های بازشناسی چهره به صورت بلادرنگ، معرفی می­ کند. در این مرجع برای از بین بردن اثر عوامل مات کننده به ارائه روش تخمین خودکار عامل ماتی بر اثر حرکت و عامل ماتی اتمسفری، به صورت همزمان با بهره گرفتن از یک خط لوله مشترک در کاربرد بلادرنگ بازشناسی چهره می ­پردازد. در این مرجع برای تخمین پارامترهای کرنل ماتی بر اثر حرکت و تخمین تابع گسترش نقطه­ای مربوط به عامل مخرب اتمسفر از یک تصویر ورودی استفاده می­ کند و سپس با بهره گرفتن از روش­هایی مثل فیلتر وینر جهت حذف اثر مخرب این عوامل اقدام می­ شود. اساس کار تخمین خودکار کرنل ماتی بر اثر حرکت در این مرجع بر پایه این نکته است که اکثر توابع گسترش مربوط به تصاویر مات دارای صفرهای متناوب در حوزه فرکانس می­باشند که با توجه به [۱۲] از این خاصیت می­توان جهت تخمین میزان طول و زاویه کرنل مات کننده استفاده کرد. البته باید به این نکته توجه داشت که وجود نویز همراه با تصویر روی کارایی این روش اثر دارد و در واقع باید یک تبادلی بین میزان سرعت در اجرا و پیچیدگی محاسبات و تحمل پذیری در برابر عوامل ناخواسته مثل نویز، توسط طراح صورت پذیرد.
در [۱۳]، چان و وانگ با بهره گرفتن از روش تنظیم انحراف مجموع، پس از یافتن PSF مات کننده تصویر به بهسازی آن می­پردازند. سایر روش­های ارائه شده در زمینه­ بهسازی تک تصویر، به یافتن PSF مات کننده تصویر از روی پروفایل شدت روشنایی تصویر در اطراف لبه­ها می­پردازند. به طور مثال در [۱۴] و [۱۵]، PSF مات کننده تصویر از روی شدت روشنایی و با بهره گرفتن از تغییرات مقیاس گوسی شناسایی می­ شود. در [۱۶] و [۱۷] با بهره گرفتن از ضرایب تبدیل موجک، در [۱۸] از مجموع مشتق­های تصویر، و در [۱۹] از روی مقدار آلفا () به نمایندگی از شفافیت نقاط مرزی اشیا، PSF مات کننده تصویر شناسایی می­ شود.
به خاطر اینکه روش­های ذکر شده به اندازه کافی از اطلاعات قبلی در مورد شناسایی PSF مات کننده تصویر استفاده نمی­کنند، در شناسایی این تابع تا حدی دچار خطا شده و در نتیجه کیفیت تصاویر بهسازی شده توسط این روش­ها، در بیشتر موارد پایین می­باشد [۲۰]. در [۲۱] با آزمایش این روش­ها در سیستم­های بازشناسی تصویر، این نتیجه به دست آمده که استفاده از روش­های نام­­ برده شده به عنوان یک سیستم پیش پردازش در سیستم­های بازشناسی تصویر مناسب نمی ­باشد.
ب) استخراج ویژگی­های ثابت و غیر حساس به عامل مات کننده جهت بازشناسی تصاویر مات شده:
در [۲۲] گوپالان و همکارانش ابتدا به ایجاد فضای ویژگی بر پایه اطلاعات مربوط به ویژگی­های ثابت و غیر حساس به عامل مات کننده، از روی شدت روشنایی تصاویر می­پردازند. سپس با بهره گرفتن از روش منیفلد گراسمن^[۱۵]، به بازشناسی تصاویر از روی نمونه­های مات می­پردازند. اگرچه این روش نسبت به روش­های بررسی شده دارای نتایج قابل قبول­تری است، اما ویژگی­های استخراج شده از روی شدت روشنایی پیکسل­ها برای داشتن یک سیستم بازشناسی قدرتمند خصوصا در شرایط نویزی مناسب نمی ­باشد [۲۳].
در [۲۳] سان و همکارانش به طراحی یک سیستم بازشناسی چهره بر اساس استخراج ویژگی از روی تصاویر مات، با بهره گرفتن از انجام تبدیل STFT از روی تصاویر می­پردازند. اما با وجود بازده نسبتا بالای این روش در بازشناسی تصاویر مات شده (بازده بیش از ۹۰ درصد در شرایط بدون نویز)، بازهم این روش در شرایط نویزی خوب عمل نمی­کند و همچنین با توجه به استفاده از تبدیل محلی STFT به عنوان سیستم استخراج کننده ویژگی سرعت اجرای الگوریتم پایین است.
در [۲۴] چان و همکارانش ابتدا با بهره گرفتن از ایجاد فضای ویژگی براساس اطلاعات متشکل از چهارچوب چند مقیاسی^[۱۶] کوانتیزه کننده فاز به صورت محلی^[۱۷] (MLPQ)، و همچنین چهار چوبی دیگر شامل اطلاعات الگوی دودویی محلی چند مقیاسی^[۱۸] (MLBP) از روی تصاویر می­پردازند. سپس با بهره گرفتن از روش تجزیه و تحلیل جدا کننده تابع ^[۱۹] (KDA) به تلفیق ویژگی­های استخراج شده توسط دو روش پرداخته و بر اساس اطلاعات این فضای ویژگی به بازشناسی چهره می­پردازند. با وجود اینکه در این مرجع آزمایشات گسترده­ای برروی پنج پایگاه داده مختلف صورت گرفته، اما نه در مورد دقت بازشناسی تصاویر مات در شرایط نویزی، و نه در مورد سرعت اجرای الگوریتم اطلاعاتی منتشر نشده است.
تخمین PSF مات کننده تصاویر در یک سیستم بازشناسی مورد نظر و ایجاد پایگاه داده از روی تصاویر مات شده با همان PSF:
از جمله این روش­ها می­توان به روش ارائه شده در [۲۵] که توسط استیون و همکارانش ارائه شد، اشاره کرد. طی این روش ابتدا مجموعه ­ای از تصاویر مربوط به افرادی که بعدا باید تصویر آن­ها توسط سیستم بازشناسی چهره شناسایی شوند، تهیه و ذخیره می­ شود. سپس از روی هر تصویر نمونه­هایی که به صورت مصنوعی مات شده ­اند، ایجاد و به عنوان تصاویر معرف هر شخص در نظر گرفته می­شوند. حال تصویر چهره ورودی ناشناس، با هریک از تصاویر ایجاد شده مقایسه و بازشناسی انجام می­ شود. اگر چه این روش می ­تواند در مقابل تغییرات ایجاد شده در تصاویر چهره توسط عامل مات کننده به خوبی مقاومت کند، اما در خصوص مساله افزایش شباهت تصاویر چهره اشخاص مختلف در هنگام ماتی به کلی بی اثر است. به همین دلیل، نتوانسته بازده سیستم بازشناسی چهره را به صورت قابل توجهی افزایش دهد.
د) افزایش ویژگی­ها به صورت مستقیم:
طی روش ارائه شده در [۲۶] با بهره گرفتن از تصویر­برداری چندگانه از صحنه­های مشابه و مقایسه آن­ها با یکدیگر، به شناسایی PSF مات کننده تصویر پرداخته می­ شود؛ اما باید توجه داشت که پیاده­سازی این روش در خصوص سیستم­های بازشناسی تصویر، کاربرد این سیستم­ها را محدود می­ کند.
ه) رفع ماتی و افزایش تباین تصاویر با بهره گرفتن از اطلاعات مرحله آموزش:
همانطور که ملاحظه می­کنید بیشتر روش­های بیان شده به اندازه کافی از اطلاعات قبلی در مورد شناسایی PSF تصویر استفاده نمی­کنند. از طرفی تشخیص دادن لبه­های مات شده تصویر از روی پروفایل شدت روشنایی آن به منظور یافتن PSF مات کننده تصویر(به ویژه در شرایط نویزی)، مشکل و دارای خطای زیاد است؛ در نتیجه PSF مات کننده تصویر، به خوبی شناسایی نشده و بنابراین، کیفیت تصاویر بهسازی شده توسط این روش­ها، در بیشتر موارد پایین می­باشد.
در [۲۰] یکی از روش­های جدید و دارای نتایج نسبتا رضایت بخش جهت بازشناسی تصاویر چهره مات، که استنتاج بهسازی تصاویر چهره^[۲۰] (FADEIN) نام دارد، معرفی شده است. در این روش محققان به شناسایی PSF مات کننده تصاویر چهره با بهره گرفتن از فراگیری مدل آماری مبتنی بر تغییرات ناشی از تاثیر ماتی برروی تصاویر چهره، پرداخته­اند. ما در این پایان نامه، روش پیشنهادی خود را با روش FADEIN مقایسه می­کنیم.
در این پایان نامه برای مقابله با مشکلات موجود در روش­های مذکور، از دانش قبلی برای شناسایی PSF مربوط به عامل مات کننده تصاویر چهره استفاده می­کنیم. در روش پیشنهادی ابتدا در مرحله آموزش، جهت شناسایی مشخصات PSF، مجموعه ­ای از تصاویر چهره را با بهره گرفتن از چند PSF مشخص و استاندارد، به صورت مصنوعی مات کرده و پس از نگاشت این تصاویر به فضای ویژگی، به استخراج ویژگی از این تصاویر در این فضا جهت آموزش و یادگیری وزن­های یک شبکه عصبی MLP می­پردازیم. حال در مرحله آزمایش، تصویر چهره مات ورودی که دارای PSF نامشخص و تصادفی می­باشد را به فضای ویژگی بیان شده در مرحله آموزش نگاشت داده و پس از استخراج ویژگی، آن­ها را به عنوان ورودی به شبکه عصبی آموزش داده شده در مرحله قبل، اعمال می­کنیم. با بهره گرفتن از این شبکه، مشخصات PSF مات کننده تصویر ورودی شناسایی می­ شود.
از نکات بارز و قابل توجه روش پیشنهادی در این پایان نامه، افزایش همزمان سرعت و دقت شناسایی مشخصات PSF مات کننده تصاویر چهره، نسبت به سایر روش­های نوین ارائه شده در این زمینه می­باشد، که این خود به دلیل استفاده از روشی خاص جهت استخراج ویژگی و همچنین استفاده از شبکه عصبی جهت شناسایی این تابع می­باشد.
فصل سوم
روش پیشنهادی
مقدمه

۳-۲-۲-۱- روش کمّی تحلیل عاملی
پژوهش­گران معمولاً در انجام تحقیقات به دلایل مختلف با حجم زیادی از متغیرها روبه­رو هستند. برای تحلیل دقیق­تر داده ­ها و رسیدن به نتایج علمی­تر و در عین حال عملیاتی، محققان به دنبال کاهش حجم متغیرها و یا تشکیل ساختار جدیدی برای آنها می­باشند، به این منظور یکی از راه­های کاهش حجم متغیرها، استفاده و بهره­ گیری از روش تحلیل عاملی می­باشد (ابراهیم زاده و همکاران، ۱۳۸۹).
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

تحلیل عاملی یکی از فنون پیشرفته آماری چند متغیری است. از این روش آماری به منظور تأمین اهداف پژوهشی مانند اعتبارسازی مقیاس­ها، تشخیص خرده مقیاس­ها، فرضیه­سازی و مدل­سازی استفاده می­ شود، همچنین امکان اجرای سایر روش­های پیشرفته آماری مانند رگرسیون چند متغیره و معادلات ساختاری را فراهم می­ کند (پیراسته و حیدرنیا، ۱۳۸۷).
در این تحقیق به منظور تحلیل عوامل توسعه نیافتگی مناطق روستایی بخش مارگون در شهرستان بویراحمد، تحلیل عاملی به کار رفته است. برای تحلیل عاملی مراحل زیر طی شده است (کلانتری، ۱۳۸۲):
۱- تشخیص مناسب بودن داده‏ها برای تحلیل عاملی و به منظور اندازه‏گیری انسجام درونی داده‏ها با بهره گرفتن از آماره ^[۷۷]KMO و آزمون بارتلت^[۷۸]‏، در صورتی که مقدار KMO کمتر از ۵۰% باشد، داده‏ها برای تحلیل عاملی مناسب نیستند. اگر مقدار آن بین ۵۰ % تا ۶۹% باشد داده‏ها برای تحلیل عاملی مناسب و می‏توان با احتیاط بیشتر به تحلیل عاملی پرداخت. و اگر بزرگتر از ۷۰% باشد، متغیرها بسیار مناسب خواهد بود (کلانتری، ۱۳۸۲).
۲- تعیین تعداد عوامل: در این تحقیق برای تعیین تعداد عوامل، از معیار مقدار ویژه استفاده شده است. به طوری که عواملی انتخاب خواهند شد که مقدار ویژه آنها بیشتر از یک باشد.
۳-چرخش عامل‌ها: منظور از چرخش عامل‌ها در تحلیل عاملی، چرخاندن محورهای عامل حول مرکز مختصات است. چرخش را موقعی انجام می‌دهند که تفسیر عامل‌ها به سادگی امکان‌پذیر نباشد. بنابراین، به منظور ساده کردن ساختار عامل‌ها و تفسیر­کردن آن‏ها از چرخش عاملی استفاده می‌شود (منصورفر، ۱۳۸۵). روش‌های متعددی برای چرخاندن عامل‌ها وجود دارد که در این تحقیق از روش واریماکس استفاده شده است. متغیرهایی که بار عاملی آن‏ها بزرگ‌تر از ۵۰/۰ بوده به عنوان بارهای عاملی معنی‌دار استخراج گردید.
۳-۲-۲-۱-۱-جامعه و نمونه
همان­طور که در مرحله اول پژوهش گفته شد، برای رسیدن به اهداف اصلی پژوهش باید وضعیت توسعه‌ای روستاهای منطقه مورد مطالعه مشخص شود که برای انجام این کار از روش اسکالوگرام برای روستاهای بالای بیست خانوار استفاده شد. پس از انجام عمل فوق، روستاهای در بدترین وضعیت توسعه­ای و روستاهای در بهترین وضعیت توسعه­ای به عنوان جامعه آماری این بخش از پژوهش انتخاب شدند. پس از انجام این مراحل، سی درصد از سرپرستان خانوار این روستاها به عنوان نمونه انتخاب و مورد مطالعه قرار گرفتند. به این ترتیب ۲۲۵ سرپرست خانوار در جامعه مذکور به عنوان پاسخ دهنده گزینش شدند که فهرست روستاهای انتخاب شده و حجم نمونه­ در ۳-۲ آورده شده است.
جدول۳-۲- جامعه آماری و حجم نمونه

(75886/0) 9/3

شکل 4-2- مقایسه بین متغیرها در شکاف­های مدل معکوس
همانطور که در شکل 4-2 مشاهده می­ شود:
بیش­ترین شکاف در متغیر ارتباط، میان ادراکات و انتظارات تأمین­کنندگان می­باشد و این بدین معناست که­تأمین­کنندگان انتظار دارند تعاملات مناسب­تری را با شرکت روغن نباتی داشته باشند.
بیش­ترین شکاف در متغیر طرز برخورد، میان درک مدیران شرکت روغن نباتی از انتظارات تأمین­کنندگان و انتظارات تأمین­کنندگان می­باشد و این بدین معناست که شرکت روغن نباتی درک درستی از انتظارات تأمین­کنندگان در رابطه با داشتن نگرش مثبت و خیرخواهانه ندارد.
بیش­ترین شکاف در متغیر تضمین، میان ادراکات و انتظارات تأمین­کنندگان می­باشد و این بدین معناست که کارکنان شرکت روغن نباتی در ایجاد حس اعتماد و اطمینان به تأمین­کنندگان موفق نبوده­اند زیرا انتظار تأمین­کنندگان از کارکنان شرکت روغن نباتی بالاتر از آن است که دریافت کرده ­اند.
بیش­ترین شکاف در متغیر دستیابی، میان ادراکات و انتظارات تأمین­کنندگان می­باشد و این بدین معناست که تأمین­کنندگان امکان دسترسی آسان و سریع را به شرکت روغن نباتی، آن­گونه که انتظار دارند، دریافت نمی­کنند.
بیش­ترین شکاف در متغیر سازگاری، میان عملکرد واقعی شرکت روغن نباتی وعملکرد دریافتی تأمین­کنندگان می­باشد و این بدین معناست که تأمین­کنندگان، ثبات شرکت روغن نباتی را در ارائه خدمت آن­گونه که در عمل پیاده سازی می­ شود، دریافت نمی­کنند.
بیش­ترین شکاف در متغیر انعطاف­پذیری، میان انتظارات تأمین­کنندگان و درک مدیران شرکت روغن نباتی از انتظارات تأمین­کنندگان می­باشد و این بدین معناست که شرکت روغن نباتی درک درستی از تطبیق­دادن خود با تغییر نیازهای تأمین­کنندگانش ندارد.
بیش­ترین شکاف در متغیر دوستی، میان انتظارات تأمین­کنندگان و درک مدیران شرکت روغن نباتی از انتظارات تأمین­کنندگان می­باشد و این بدین معناست که شرکت روغن نباتی درک درستی از برقراری رابطه­ صمیمانه با تأمین­کنندگانش ندارد.
بیش­ترین شکاف در متغیر سرعت، میان ادراکات و انتظارات تأمین­کنندگان می­باشد و این بدین معناست که تأمین­کنندگان پاسخ سریع به درخواست­هایشان را از سوی شرکت روغن نباتی، آن­گونه که انتظار دارند، دریافت نمی­کنند.
بیش­ترین شکاف در متغیر زمان انجام تعهد توافق شده، میان ادراکات و انتظارات تأمین­کنندگان می­­باشد و این بدین معناست که تأمین­کنندگان از شرکت روغن نباتی انتظار بیش­تری را در رابطه با سرعت پاسخگویی به پرداخت­هایشان دارند.
فرضیه 2-1: میان عملکرد مورد انتظار و عملکرد دریافتی تأمین­کنندگان شکاف وجود دارد.
مرحله اول: تعریف فرضیات آماری (H₁ و H₀)
H₀: بین عملکرد مورد انتظار و عملکرد دریافتی تأمین­کنندگان شکاف وجود ندارد.
H₁: بین عملکرد مورد انتظار و عملکرد دریافتی تأمین­کنندگان شکاف وجود دارد.
فرضیه معکوس اول با کسر عملکرد دریافتی تأمین­کننده از عملکرد مورد انتظار خود به دست می ­آید، که ممکن است شکاف مثبت یا منفی باشد. در جدول 4-21 نتایج آزمون t زوجی برای این شکاف نشان داده شده است.

(( 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. ))

عملکرد دریافتی تأمین­کننده - عملکرد مورد انتظار تأمین­کننده = شکاف 2-1
جدول 4-21- نتایج آزمون t زوجی برای شکاف معکوس 2-1

متغیرها

(سطح معناداری) T-value

متغیرها

(سطح معناداری) T-value

ارتباط

(000/0) 635/8

انعطاف­پذیری

(354/0) 941/0

طرز برخورد

(000/0) 120/8

دوستی

(625/0) 494/0-