سوئیچ ‌های که در این توپولوژی پیشنهادی استفاده می‌شوند، هر کدام از این سوئیچ‌ ها دارای اصول و قوانین خاصی بوده‌اند که وظایف آن عبارتند از:
الف)Ss₁ و Ss₂و Ss₃ سوئیچ ‌های هستند که در سمت جلو توپولوژی قرار دارند. که هم می‌توانند سلف را تا سطح مورد تعیین شده شارژ نمایند و هم منبع تغذیه را از بقیه مدار جدا می سازند که به این سوئیچ ‌ها، سوئیچ جریانی گفته می‌شود.
ب) S₁وS₂ و S₃ و S₄ و S₅و S₆و S₇و Sسوئیچ‌ های هستند که در داخل سلول‌ های خازنی قرار دارند. که هم جریان ها را در این توپولوژی پیشنهادی به گردش درمی آورند و هم سلول‌ های خازنی را از حالت موازی به حالت سری تغییر وضعیت می‌دهند. که به این سوئیچ ها، سوئیچ سلول خازنی گفته می شود.
ج)سوئیچ‌ S_L که در آخر توپولوژی قرار دارد، که وظیفه این سوئیچ برای طراحی پدیده شکست پلاسما در بار استفاده می شود که به این سوئیچ، سوئیچ پلاسما گفته می شود.

۴-۳-۱ کنترل منبع جریان
در این بخش کنترل جریان به منظور شارژ سلف می باشد. اگر فرض کنیم سوئیچ سلول ‌های خازنی S₁ و S₂ و S₃ روشن باشد. این سلف ها زمانی می‌تواند شار‍ژ شوند، که سونیچ‌ های S₁وS₂ و S₃ و S₄ و S₅ و S₆و S₇و S₈روشن باشند. این کنترل گر جریان سلف را محاسبه کرده، و زمانی که جریان سلف ها به حد معین برسند، کنترلگر دستور خاموشی سوئیچ را می دهد. مقدار انر‍ژی ذخیره شده در سلف ها با این رابطه بدست می آیند.
(۴-۵)
۴-۳-۲ کنترل منبع ولتاژ
در این روش تمام سوئیچ ‌ها بعد از شارژ شدن کامل سلف ها، خاموش می‌شوند. کار هدایت انرژی توسط دیود ها انجام ‌شده و در نتیجه انرژی ذخیره شده در سلف ها به صورت ولتاژ در داخل سلول های خازنی پمپاژ می شوند، و سلول های خازنی شارژ خواهند شد.
۴-۳-۳ کنترل نمونه بار
سونیچ‌ ها بار S_L زمانی روشن می‌شود، که ولتا‍ژ خروجی به سطح ولتاژ خاص برسد. و زمانی ولتاژ به سطح خاص رسید، مقاومت بار ناگهان در اثر روشن شدن کردن S_L کاهش یافته تا یک پدیده پلاسمایی شبیه‌سازی کند، از طرف دیگر S_L زمانیکه این واکنش پایان یافت خاموش خواهد شد.
۴-۴ آنالیز جریان و ولتاژ اعمال شده برروی ادوات نیمه هادی ها
در این بخش جریان و ولتاژ اعمال شده بر روی ادوات نیمه هادی ها را با بهره گرفتن از جدول هایی، مورد تجزیه و تحلیل قرار می دهیم. توپولوژی ارائه شده در هر بخش دارای سیکل کاری متفاوتی هستند که هر یک از سیکل کاری ها را به صورت جداگانه در نظر می گیریم.
۴-۴-۱ شارژ سلف (منبع جریان)
در این مرحله مقدار جریان اعمال شده بر روی ادوات نیمه هادی ها در جدول (۴-۱) نمایش داده شده است.
جدول(۴-۱): مقدار جریان اعمال شده بر روی ادوات نیمه هادی در مرحله شارژ سلف

۳-۸) متغیرهای پژوهش
۳-۸-۱) متغیر مستقل
برنامه تمرینات ثبات مرکزی
۳-۱۲-۲) متغیر وابسته
میانگین نمرات پیش­آزمون و پس­آزمون خرده­آزمون مهارتهای حرکتی جابجایی و خرده­آزمون مهارت­ های کنترل شی.
۳-۱۲-۳) متغیرهای کنترل
متغیرهای کنترل شده در این پژوهش شامل زمان و حجم تمرین و میزان تبحر آزمودنی­ها در مهارتهای حرکتی بنیادی بود.
۳-۱۲-۴) متغیرهای مداخله­گر
متغیرهایی مثل علاقه ­مندی، هیجان، هوش، خستگی، انگیزش، تغذیه، حالات روحی و روانی و میزان خواب و استراحت آزمودنی­ها در عملکرد افراد تأثیر بسزایی داشته و کنترل آنها از اختیار محقق خارج بود.
۳-۱۳) روش­های آماری
برای توصیف ویژگیهای بیوگرافی شرکت کننده ها و داده های حاصل از آزمون از آماره های میانگین و انحراف معیار و به منظور بررسی طبیعی بودن توزیع داده ­ها از آزمون کولموگروف – اسمیرنوف (K - S) استفاده شد.

با بهره گرفتن از تحلیل عاملی مرکب (۲ *۲) (۲ گروه (کنترل و تجربی)* ۲ زمان اندازه گیری (پیش آزمون و پس آزمون) داده های مربوط به امتیاز شرکت کنندگان تحلیل شد. در ادامه تحلیل آماری از آزمون های t وابسته و مستقل و تحلیل تعقیبی بونفرونی مقایسه های درون گروهی و بین گروهی مورد بررسی قرار گرفت.
عملیات آماری بوسیله نرم افزار آماری SPSS نسخه ۱۹ انجام و سطح معنی داری آزمون ها ۰.۰۵ در نظر گرفته شد.
فصل چهارم
تحلیل یافته­های پژوهش

۴-۱)مقدمه

در این فصل به توصیف وتحلیل آماری داده ­ها و نتایج بدست آمده­ از پژوهش حاضر پرداخته می­ شود. ابتدا توصیفی از داده ­ها و سپس براساس اهداف و فرضیه ­های پژوهش نتایج آزمون­های آماری استنباطی ارائه می­گردد. سطح معنی­داری نیز برای کلیه روش­های آمار استنباطی، (۰۵/۰) در نظرگرفته شده ­است. کلیه محاسبات با بهره گرفتن از نرم افزار Excel و SPSS-16 انجام گرفته است.
۴-۲) ویژگی­های جمعیت شناختی آزمودنی­ها
در جدول زیر میانگین و انحراف معیار مشخصات فردی آزمودنی­ها آورده شده است.
جدول ۱-۴. میانگین و انحراف معیار سن (برحسب سال) و تعداد آزمودنی­ها

۴-۳) توصیف آماری داده ­ها

ای که گفتی سر بُبریده سخن کی گوید بنگراین کلک سخنگو که سرش ببریده است
(خواجو: ۷۷)
“کلک ” اسناد نوشتن به کلک، اسناد مجازی و به علاقهی آلیّه است (کلک اسناد نوشتن است).
کلک سخن گو: در سخن گو “گو” معنای مجازی و استعارهی تبعیه فعلی است از سخن “سخن آفرین و سخن نگار".
و سخن گو یعنی ” سخن آفریننده و سخن نگارنده” “سخن” پدیده ای بزرگ است که آفرینش آن کار هر کس نیست:
تا سخن است از سخن آوازه باد نام نظامی به سخن تازه باد (نظامی ۱۳۷۹: ۶)
“کلک سرببریده” معنای حقیقی دارد امّا در ارتباط با ضرب المثل “سر بریده سخن نگوید” و نیز در رابطه با مصراع نخست، معنای مجازی می یابد. ضمناً باید دانست که بریدگی سرِ قلم، نه تنها آن را از سخن گفتن نمی اندازد که بر سخن گویی او می افزاید و او را در این کار تشحیذ (تند و تیز)می کند.
“چندان که سر، از زاغ کلا پیر برگیرد و نعیق او بیشتر گردد” (زیدری، ۲۹:۱۳۷۶)
ضمناً باید از جهت علم معانی به این نکته اشاره کرد که “کلک” حقیقتاً سخنگو و سخن آفرین نیست و اسناد این اوصاف به کلک، اسنادِ مجازی است. چنانکه اسنادِ رویاندن گیاه به بهار نیز، اسناد مجازی است و به فاعل غیر حقیقی است و حقیقت عقلی نیست. این قداست که رویاننده گیاه است.
اسناد مجازی در واقع، اغتشاش در محور هم نشینی زبان است که در علم بیان، ابواب مجاز و استعاره را در بر می گیرد. (شمیسا، ۱۰۴:۱۳۶۹)
۱۲-شمار کنایات قریب و موصوفی (اسمی) و وصفی او بیش از کنایات بعید است و تقریباً بسامد ایماء که از انواع مهم کنایه است، چندین برابر تلویح و سایر انواع کنایه است.
۴-۶-مجاز به علاقه ی جز به کل
زآستانم ز چه بیرون نکنی چون خواجو خاک را هم ،ز سرم بگذر بگذار مرا
(خواجو:۳۰)
از آستان بیرون افکندن : کنایه است از راندن از پیش و محل نگذاشتن(مکنیٌ عنه و ملزوم) کنایه فعلی. در مصراع دوم خود را به خاک راه (وجه شبه پستی و حقارت) تشبیه نموده است.
“از سرم بگذر” (مکنیٌ به و لازم) کنایه است از” عفو کردن و رها کردن “(مکنی عنه و ملزوم)کنایه فعلی
بگذار مرا:کنایه از رها کردن به حال خود است چنانکه گویند : ما را به حال خود بگذار!
“سر “در از “سرم بگذر” به تنهایی مجاز است از وجود شاعر به علاقه ی جز به کل
تو از جراحت دل های خسته نندیشی که در ضمیر نیاری که الجروح قصاص
(همان:۳۰۱)
الجروُح قِصاص : و کتبنا علیهم فیها انَ النفس بالنفس و العین بالعین و الائف بالائف و الاُخرنَ بالاذن و السّن بالسّن و الجروح قصاص…
(همان۵:۴۹)
او بر آنان نوشتیم در آن اینکه بودن یک نفر مجاز است اعدام قاتل و نابودی چشم در برابرش نابودی چشم ضربه زننده و بینی در برابرش بینی و گوش و دندان نیز و همچنین و برای وارد کردن زخم نیز ایراد زخم و جراحت به متخلّف است. اما شاعر از الجروح قصاص معنای مجازی آن را که” مجازات” است و سرانجام گریبان گیر می شود.

و بدین جهت به محبوب می گوید: جراحت دل های خسته ، سرانجام مجازات دارد.خسته به معنای مجروح است نه به معنای امروزین
دل های خسته : مجازاً به معنای دل های عاشق است چه “خسته” لازمه ی هجران عشق است.
در ضمیر نیازی :"ضمیر دل” ،"در ضمیر آوردن” به خاطر گذراندن و ترکیب اخیر به معنای” تاثیر در ذهنیت برای تغییر آن” و انعطاف و توّجه به مُحّب و عاشق است (معنای نهایی)"خسته “می تواند استعاره ی تبعّیه و نیز مصّرحه باشد.
مجروح بودن دل را به آزردگی از هجران دانسته (مشبه و مشبهُ به ) است این حالت برزخی بین کنایه و برخی از شقوق استعاره یک نکته قابل تامل است.
دهد دو دیده ی من شرح مجمع البحرین کند جمال تو تقریر خالق الاصباح
(همان:۱۳۲)
مجمع البحرین:وَ اذ قال موسی لفتیه لا ابرح حتّی اُبلغَ مجمع البحرین او اَمِضَی حُقباً(۱۸:۵۹)
هنگامی که موسی گفت به جوانمردش که پیوسته خواهم رفت تا برسم به محل جدا شدن دو دریا یا بروم روزگاری .مجمع البحرین به علاقه جز به کل به منظور از آن است اجزئی از آیه را گفته است.
براساس آیه ی شریفه ی فوق و منظور دیگر از مجمع البحرین به طریق استعاره، دو چشم اشکبار شاعر است (موسی (ع) در مکانی به خضر رسید که بین، دو دریا جریان آب شور و شیرین بود که به گلف اِستریمGulf streem جویبار خلیج معروف است ) ضمنا دیدگان خود را به بر مجمع البحرین (مشّبهٌ به ) تشبیه کرده و بر آن برتری داده است چرا که به طریق استعاره گفته است که دو دیده او شارح مجمع البحرین هستند (شارح :شرح دهنده و مجازاً یعنی نماد و جلوه) و افزودن بر این دیدگان خود را در ریزش اشک بسیار به مجمع البحرین (تلاقی دو دریا )مانند کرده است.
در مصراع دوم” فالق الاصباح “:از اسامی خداوند است( فالق :شکافنده صبح )
جمال یار (مشبه مقید) را به طلوع صبح پرفروغ مانند کرده است البته مشبهٌ به را با ساختار مجازی” فالق الاصباح” آورده است (خداوند صبح پر فروغ را طالع می کند و صبح ،چه پر فروغ است).
۴-۷-مجاز به علاقه ی ملکّیت شرعی
خواجو اگرش تیغ زنی روی نپیچد زیرا که تو سلطانی و او ملک یمین است
(همان :۱۰۲)
“مِلک یمین “:مجاز است به علاقه ملکیت از بنده و غلام برای شاعر چرا که از نظر فقهی ملک یمین” بنده” است امّا کاربرد آن برای سراینده و شاعر، مجازی و از باب استعاره است در مِلک یمین ،"یمین “مجاز است از وجود انسان به علاقه ی آلیه :چراکه “دست” عام تملک و خرید و فروش است.
روی نپیچد:کنایه قریب است از” عدم علاقه از محّبت و عشق یار” (مکنیٌ عنه و ملزوم). در مصراع دوم دو تشبیه ساده زخ داده است” دوست و محبوب” (مشبه) را به سلطان (مشبهٌ به) و خودش را به بنده و برده (مشبهٌ به ) مانند نموده است وجه شبه ها آشکارند.
۴-۸-مجاز به علاقه ی علت به معلول و استعاره ی مصّرحه و ایهام
من به بوی دانه خالش به دام افتاده ام گرچه صید نیکوان دولت شمارد دام را
(خواجو:۲۸)
دام :مجاز است به علاقه ی علّت به معلول از” گرفتاری در عشق محبوب و پای بند شدن بدان”
“به بوی” :ایهام دارد و به دومعنی است:الف)معنای عُرفی” بوی".ب) در آرزوی
حافظ نیز در اولین غزل دیوانش چنانچه گفته شد، همین ترکیب ایهامی را به کار برده است :
به بوی نافه ای کافر صبازان طره بگشاید ز تاب جعد مشکینش چه خون افتاد در دلها
(حافظ۱:۱۳۸۹)
دانه خال :تشبیه صریح است که خال به دانه تشبیه شده است .وجه شبه فردّیت و مرکزّیت و نقطه توجّه است در اصطلاح عرفانی ،"خال” مقام وحدت است
“صید نیکوان” یعنی آنکه به دام زیبا رویان افتاده است.
دولت :لطف و منّت
۴-۹-مجاز به علاقه ی ملازمت و استعاره
ای ترک آتش رخ بیار آن آب آتش فام را وین جامه ی نیلی ز من بستان و درده جام را
(خواجو:۲۹)
تُرک آتش رخ:استعاره ی مصّرحه از” زیبا روی” است .ترک در شعر فارسی (سبک عراقی) به دو معناست :

میانگین انحراف معیار t p
دارای اختلال سلوک ۴۰/۱۴ ۸۲/۱ ۳۶/۸ ۰۰۱/
عادی ۴۸/۱۷ ۸۵/۱
براساس نتایج جدول ( ۴-۳ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره مقابله مستقیم در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد میزان مقابله مستقیم در والدین فرزندان عادی بیشتر از والدین فرزندان اختلال سلوک بوده است

نمودار ( ۴-۱ ) مقایسه میانگین نمره مقابله مستقیم در دو گروه
جدول ( ۴-۴ ) مقایسه میانگین نمره فاصله گرفتن در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۱۸/۱۷ ۹۰/۱ ۲۰/۸ ۰۰۱/
عادی ۲۰/۱۴ ۶۹/۱
براساس نتایج جدول ( ۴-۴ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره فاصله گرفتن در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد فاصله گرفتن در والدین دارای فرزندان اختلال سلوک بیشتر از والدین عادی بوده است .
نمودار ( ۴-۲ ) مقایسه میانگین نمره فاصله گرفتن در دو گروه
جدول ( ۴-۵ ) مقایسه میانگین نمره خود کنترلی در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۵۸/۱۳ ۶۷/۱ ۱۳/۹ ۰۰۱/
عادی ۷۸/۱۶ ۸۲/۱
براساس نتایج جدول (۴-۵) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره خود کنترلی در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد خود کنترلی در والدین دارای فرزندان عادی بیشتر از والدین دارای فرزندان اختلال سلوک بوده است .
نمودار ( ۴-۳ ) مقایسه میانگین نمره خود کنترلی در دو گروه
جدول (۴- ۶ ) مقایسه میانگین نمره طلب حمایت اجتماعی در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۷۸/۱۲ ۵۱/۱ ۰۳/۱۶ ۰۰۱/
عادی ۸۲/۱۷ ۶۲/۱
براساس نتایج جدول (۴- ۶ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره طلب حمایت اجتماعی در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد طلب حمایت اجتماعی در والدین دارای فرزندان عادی بیشتر از والدین دارای فرزندان اختلال سلوک بوده است.
نمودار (۴-۴ ) مقایسه میانگین نمره طلب حمایت اجتماعی در دو گروه
جدول (۴-۷ ) مقایسه میانگین نمره پذیرش مسئولیت در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۶۶/۱۴ ۹۸/۱ ۳۱/۹ ۰۰۱/
عادی ۸۶/۱۷ ۳۹/۱
براساس نتایج جدول ( ۴-۷ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره پذیرش مسئولیت در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد پذیرش مسئولیت در والدین دارای فرزندان عادی بیشتر از والدین دارای فرزندان اختلال سلوک بوده است
نمودار (۴-۵ ) مقایسه میانگین نمره پذیرش مسئولیت در دو گروه
جدول ( ۴-۸ ) مقایسه میانگین نمره گریز – اجتناب در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۴۰/۱۸ ۳۳/۲ ۱/۱۴ ۰۰۱/
عادی ۳۰/۱۲ ۹۷/۱
براساس نتایج جدول ( ۴-۸ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره گریز – اجتناب در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد گریز – اجتناب در والدین دارای فرزندان اختلال سلوک بیشتر از والدین دارای فرزندان عادی بوده است
نمودار(۴-۶) مقایسه ی میانگین نمره گریز- اجتناب در دو گروه
جدول ( ۴-۹ ) مقایسه میانگین نمره حل مسئله برنامه ریزی شده در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۰۰/۱۳ ۶۹/۱ ۵/۱۳ ۰۰۱/
عادی ۵۸/۱۷ ۶۷/۱
براساس نتایج جدول ( ۴-۹ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره حل مسئله برنامه ریزی شده در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد حل مسئله برنامه ریزی شده در والدین دارای فرزندان عادی بیشتر از والدین دارای فرزندان اختلال سلوک بوده است
نمودار ( ۴-۷ ) مقایسه میانگین نمره حل مسئله برنامه ریزی شده در دو گروه
جدول (۴-۱۰ ) مقایسه میانگین نمره ارزیابی مجدد مثبت در دو گروه
میانگین انحراف معیار t p
دارای اختلال سلوک ۶۶/۱۲ ۸۶/۱ ۸/۱۴ ۰۰۱/
عادی ۷۶/۱۷ ۵۴/۱
براساس نتایج جدول ( ۴-۱۰ ) t مشاهده شده در سطح ۰۵/≥p معنی دار بوده . بنابراین بین میانگین نمره ارزیابی مجدد مثبت در دو گروه تفاوت وجود دارد . اطلاعات جدول نشان می دهد ارزیابی مجدد مثبت در والدین دارای فرزندان عادی بیشتر از والدین دارای فرزندان اختلال سلوک بوده است
نمودار (۴-۸ ) مقایسه میانگین نمره ارزیابی مجدد مثبت در دو گروه
فرضیه ۲-آیا بین ویژگی های شخصیتی والدین نوجوانانی که اختلال سلوک دارند با والدینی که نوجوانان عادی دارند، تفاوت وجود دارد؟

در ادامه قصد داریم به یکی از کاربردهای دسته بندی بپردازیم:
تشخیص کلاه‌برداری: هدف، پیش بینی موارد کلاه‌برداری در تراکنش‌های کارت‌های اعتباری است. (البته تشخیص کلاه‌برداری لزوماً منحصر به تراکنش‌های کارت‌های اعتباری نبوده و قابل طرح در بسیاری از کاربردهای مالی دیگر نظیر بیمه و بورس می‌باشد). روش کار به اینصورت است که در گذشته نیز تعداد زیادی تراکنش اتفاق افتاده و هرکدام از آنها بررسی شده‌اند و به عنوان یک تراکنش کلاه‌برداری یا یک تراکنش عادی برچسب خورده‌اند. تمام این تراکنش‌ها در سیستم ثبت شده‌اند. حال از اطلاعات مربوط به این تراکنش‌ها استفاده نموده و یک مجموعه رکورد جمع آوری می‌کنیم. در هر رکورد اطلاعات صاحب حساب و کارهایی که در حال انجام آن می‌باشد را به عنوان ویژگی در نظر می‌گیریم. به علاوه یک ویژگی دسته هم تعریف می‌کنیم که شامل دو مقدار کلاه‌برداری و عادی است. هر رکورد یکی از این دو مقدار را به ازای ویژگی دسته خود دارد. به عنوان مثال تعدادی از این ویژگی‌ها عبارتند از: مشتری چه موقع در حال خرید است؟ در حال خرید چه چیزی است؟ آیا هزینه را به موقع پرداخت می‌کند؟ و… این مجموعه رکوردها به دو قسمت مجموعه داده‌های آموزشی و آزمایشی شکسته می‌شوند. الگوریتم یادگیرنده بر اساس مجموعه داده‌های آموزش، مدلی را برای وضعیت‌های کلاه‌برداری و عادی می‌سازد. حال فرد جدیدی که وارد شد و کارت خود را وارد سیستم نمود، ویژگی‌های آن به مدل داده می‌شود و مدل تشخیص می‌دهد که آیا این فرد قصد انجام یک کار کلاه‌بردارانه را دارد یا نیت او انجام یک تراکنش عادی است.

رگرسیون: پیش بینی مقدار یک متغیر پیوسته بر اساس مقادیر سایر متغیرها بر مبنای یک مدل وابستگی خطی یا غیر خطی رگرسیون نامیده می‌شود. رگرسیون در علوم آمار و شبکه‌های عصبی به صورت وسیع مورد مطالعه و بررسی قرار می‌گیرد. در واقع یک بردار x به عنوان ورودی داریم که به یک متغیر خروجی y نگاشت شده است. هدف محاسبه y یا همان F(x) است که از روی تخمین تابع مقدار آن محاسبه می‌شود. در اینجا می‌بایست به ازای یک بردار x ، مقدار دقیق y قابل محاسبه باشد. این کاربرد نیز مانند دسته بندی یک کاربرد از نوع پیش بینی یا با ناظر است. دلیل آن هم کاملاً روشن است، چرا که باید مقدار یک متغیر که در اینجا y نشان داده شده، از روی مقادیر متغیرهای دیگر که آن را با بردار x مشخص می‌کنیم، پیش بینی شود. بنابراین در رگرسیون هم دو مرحله آموزش و آزمایش وجود خواهد داشت. روش‌های موجود در رگرسیون بیشتر مبتنی بر ریاضیات آماری هستند. یک نوع خاصی از رگرسیون، پیش بینی سری‌های زمانی^[۲۹] است. در مسائل پیش بینی سری‌های زمانی یکی از متغیرهای اصلی، زمان است. در این مسائل یک مجموعه از xها و yها به صورت یک تابع ریاضی وجود دارند. به عبارت دیگر به ازای هر x فقط و فقط یک y موجود می‌باشد (در غیر اینصورت زمان به عقب بر خواهد گشت). هدف این است که به ازای یک x جدید مقدار y آن را پیش بینی کنیم. مثال‌هایی از رگرسیون عبارتند از:

1. 1. پیش بینی میزان فروش یک محصول جدید بر اساس میزان فروش محصولات گذشته، مشخصات محصولات گذشته و میزان تبلیغات انجام شده بر روی آن

1. 1. پیش بینی سرعت باد به عنوان تابعی از دما، رطوبت و فشار هوا

1. 1. مسائل مربوط به پیش بینی سری‌های زمانی از قبیل: بورس اوراق بهادار، تغییرات جوّی آب و هوا و …

تشخیص انحراف: در مواقعی از این کاربرد استفاده می‌شود که تنها نمونه‌های با یک برچسب یکسان، که معمولاً وضعیت نرمال را نشان می‌دهد، در دسترس باشند و امکان مالکیت بر داده‌ها با تمامی برچسب‌های موجود به دلایل مختلف وجود نداشته باشد. بنابراین چون فقط نمونه‌های دسته نرمال در اختیار است، الگوریتم برای وضعیت نرمال و با توجه به یک آستانه^[۳۰] مشخص مدل می‌سازد و هرگونه تخطی از آن آستانه را به عنوان وضعیت غیر نرمال در نظر می‌گیرد و هشدار می‌دهد. یک نمونه از کاربردهای تشخیص انحراف عبارتست از: تشخیص نفوذ به شبکه‌های کامپیوتری.
روش‌های توصیفی: این روش‌ها الگوهای قابل توصیفی را پیدا می‌کنند که روابط حاکم بر داده‌ها را بدون در نظر گرفتن هرگونه برچسب و یا متغیر خروجی تبیین نمایند. در متون علمی مختلف روش‌های توصیفی با نام روش‌های بدون ناظر^[۳۱] نیز شناخته می‌شوند. روش‌های خوشه بندی^[۳۲] ، کاوش قوانین انجمنی^[۳۳] و کشف الگوهای ترتیبی^[۳۴] سه روش یادگیری مدل در داده کاوی با ماهیت توصیفی هستند. در ادامه به بررسی هر کدام از این روش‌ها می‌پردازیم.
خوشه بندی: در مسائل خوشه بندی یک مجموعه رکورد داریم که هر کدام یک مجموعه از ویژگی‌ها را دارا هستند. یک معیار مشابهت میان آنها تعریف می‌کنیم. این معیار مشابهت در مسائل مختلف متفاوت است. به عنوان مثال اگر ویژگی‌ها پیوسته باشند می‌توان فاصله اقلیدسی را به عنوان معیار مشابهت در نظر گرفت. به این ترتیب هر رکورد را به صورت یک نقطه در فضای چند بعدی در نظر می‌گیریم. هر بعد، نماینده یکی از ویژگی‌های مسئله است. در مسائل خوشه بندی هیچ‌گونه دسته خاصی وجود ندارد. در واقع ویژگی دسته نداریم و فقط بر اساس معیار شباهت گروه‌بندی و خوشه بندی داده‌ها صورت می‌پذیرد. خوشه بندی به این شکل انجام می‌شود که رکوردهایی که بیشترین شباهت را به یکدیگر دارند (با توجه به معیار شباهت تعریف شده) در یک خوشه قرار می‌گیرند. در نتیجه داده‌های موجود در خوشه‌های متفاوت کمترین شباهت را به یکدیگر خواهند داشت. خروجی الگوریتم‌های خوشه بندی دوباره تحلیل خواهد شد تا در صورت امکان نظمی در خوشه‌ها آشکار شود. نکته مهمی که می‌بایست به آن توجه نمود آن است که خوشه بندی همیشه بر اساس ویژگی‌های ورودی و نمونه‌ها انجام می‌شود. به عنوان مثال در صورت خوشه بندی رکوردهای مربوط به دانشجویان یک دانشکده هر خوشه ممکن است بیانگر رکوردهایی باشد که از جنبه‌های مختلف به یکدیگر شبیه هستند. مثلاً یک وضعیت ممکن است این باشد که دو خوشه بوجود آید که نشانگر دانشجویان زرنگ و تنبل باشند. ممکن است این دو خوشه بیانگر دانشجویان پسر و دختر باشند. هدف در همه الگوریتم‌های خوشه بندی کمینه کردن فاصله درون خوشه‌ای^[۳۵] و بیشینه نمودن فاصله بین خوشه‌ای^[۳۶] می‌باشد. عملکرد خوب یک الگوریتم خوب خوشه بندی زمانی محرز می‌شود که تا حد امکان خوشه‌ها از یکدیگر دور باشند و به علاوه رکوردهای درون یک خوشه بیشترین شباهت را به یکدیگر دارا باشند. در ادامه به بررسی یکی از کاربردهای خوشه بندی می‌پردازیم:
خوشه بندی اسناد: هدف پیدا کردن گروه‌هایی از اسناد مشابه بر اساس تعداد رخداد کلمات و اصطلاحات مهم موجود در آنها می‌باشد. به عنوان مثال فرض کنید یک مجموعه مقاله داریم. از میان چکیده این مقاله‌ها عبارات و کلمات کلیدی مهم را استخراج می‌کنیم. بنابراین ویژگی‌های ما یک مجموعه از کلمات کلیدی و عبارات مهم هستند که از چکیده مقاله‌ها استخراج می‌شوند. حال تعداد رخداد هر کدام از این کلمات و عبارات را در هر یک از مقاله‌ها پیدا می‌کنیم. در واقع یک مجموعه رکورد جمع آوری می‌نماییم که هر رکورد نماینده یک از مقاله‌ها می‌باشد. هر رکورد مجموعه مشخصی از ویژگی‌ها را دارد که همان کلمات مهم موجود در مقاله‌ها هستند. حال تعداد رخداد هر کدام از این کلمات را در هر یک از مقاله‌ها می‌یابیم و به عنوان مقدار ویژگی‌ها برای هر یک از رکوردها در جدول ثبت می‌نماییم. سپس مجموعه رکوردهای حاصله را به الگوریتم خوشه بندی ارائه می‌کنیم. الگوریتم بر اساس فاصله بین رکوردها (یعنی بر اساس تعداد رخداد کلمات مهم در هر یک از اسناد) آنها را خوشه بندی نموده و تعدادی خوشه ایجاد می‌کند. به عنوان مثال ممکن است چهار خوشه تولید شده باشد، پس از بررسی مشخص خواهد شد اسنادی که در یک خوشه قرار گرفته‌اند مرتبط با چه موضوعاتی هستند. مثلاً ممکن است مشخص شود که تمام مقاله‌های موجود در خوشه نخست سیاسی، مقاله‌های موجود در خوشه دوم ورزشی، مقاله‌های موجود در خوشه سوم مالی و در خوشه آخر مقاله‌های مربوط به بخش فرهنگی وجود دارند. مزیت خوشه بندی اسناد در کاربردهای بازیابی اطلاعات است. یک نمونه دیگر از کاربردهای خوشه بندی اسناد، در تعیین یک خوشه یک سند جدید با توجه به خوشه‌های یافته شده می‌باشد.
کشف قوانین انجمنی: در این کاربرد به دنبال پیدا کردن یک مجموعه از قوانین وابستگی یا انجمنی هستیم که بر اساس آن قوانین بگوییم وجود کدامیک از مجموعه اشیا^[۳۷] بر وجود چه مجموعه اشیای دیگری اثر گذار است. به عنوان مثال در یک سوپر مارکت اگر کسی کالای x را خرید آنگاه کالای y را هم خواهد خرید. در واقع به دنبال پیدا کردن قوانینی هستیم که بر اساس آنها بگوییم هر فرد چه چیزی (چیزهایی) را به همراه چه چیزی (چیزهایی) می‌خرد. این قوانین وابستگی اتفاق و وقوع یک شئ را بر اساس وقوع سایر اشیاء پیش بینی می‌کنند.
کشف الگوهای ترتیبی: در اینجا به دنبال کشف الگوهای ترتیبی هستیم که وابستگی‌های ترتیبی محکمی را در میان وقایع مختلف نشان می‌دهند. به عنوان مثال به دنبال پیدا کردن قانونی به صورت هستیم. این قانون می‌گوید: اگر A و B به هر ترتیبی اتفاق افتادند (الگوهایی که در یک پرانتز قرار می‌گیرند ترتیب وقوعشان مهم نیست و با هر ترتیبی می‌توانند رخ دهند) و بعد از آنها C اتفاق افتد، D و E اتفاق می‌افتند (اینکه ابتدا D یا E اتفاق می‌افتند هم مهم نیست). قوانینی که در اینجا مطرح هستند در مورد مسائلی که در آنها زمان و ترتیب اهمیت دارد، قابل ارائه می‌باشند. این کارکرد نیز از جمله کارکردهای توصیفی است. این کاربرد مانند کاوش قوانین انجمنی می‌باشد با این تفاوت که در کاوش قوانین انجمنی زمان و ترتیب زمانی مطرح نیست.
ارزیابی و تفسیر مدل: در این مرحله دانش تولید شده در مرحله قبل ارزیابی شده و مورد تفسیر قرار می‌گیرد. منظور از ارزیابی دانش آن است که می‌بایست میزان صحت دانش تولید شده مشخص شود تا بتوان به آن اعتماد نمود و به صورت علمی از آن استفاده کرد. روش‌های مختلفی برای ارزیابی دانش تولید شده وجود دارد رابطه تنگاتنگی با روش یادگیری مدل دارند.
تفسیر مدل به معنای آن است که دانش تولید شده را مورد بررسی قرار داده و توجیهی معنایی جهت تبیین منطق آن ارائه نماییم. در صورت قابل تفسیر بودن دانش تولید شده انجام این کار بسیار ساده است (به عنوان مثال زمانی که دانش به صورت درخت یا مجموعه قوانین باشد). در مقابل امکان تفسیر دانش برای مواقعی که دانش به صورت غیر قابل تفسیر باشد (مانند دانش تولید شده توسط شبکه‌های عصبی و یا ماشین بردار پشتیبان) بسیار مشکل‌تر و شاید غیر ممکن خواهد بود.

۲-۶ دلایل وجود و ضرورت داده کاوی

رشد سریع و چشمگیر داده، جمع آوری و ذخیره سازی آنها در پایگاه داده‌های بی‌شمار جدا از توانایی بشر برای ادراک و فهم آن، بدون وجود ابزارهای قدرتمند میسر نمی‌باشد. داده‌های جمع شده در پایگاه داده به مقبره داده تبدیل شده است. پیامد آن، تصمیمات مهم بر پایه اطلاعات غنی ذخیره شده در پایگاه داده‌ها نبوده و تصمیم گیران ابزاری برای دانش پنهان شده در پایگاه داده‌های عظیم را نداشتند. دلیل عمده‌ای که داده کاوی مورد توجه صنعت اطلاعات در سال‌های اخیر واقع شده این است که با حجم بالای داده در سطح گسترده‌ای سر و کار داشته و تصمیم گیران در جمع آوری اطلاعات غنی، بهره برداری از منابع برای اتخاذ تصمیمات واقعی ناتوان هستند و با وجود در دسترس بودن داده‌های تجاری بسیار در فقدان دانش تجاری به سر می‌برند.
واضح و روشن است که حجم وسیعی از داده‌ها تجمیع شده‌اند، هر چند چه چیزی از این داده‌ها یادگیری می‌شود؟ چه دانشی از این اطلاعات بدست می‌آید؟ در اوایل سال ۱۹۸۴ جان نایسبیت^[۳۸] در کتاب Megatrends اظهار داشته است که “ما در اطلاعات غرق شده‌ایم، در حالی که گرسنه دانش هستیم” [۹].

۲-۷ داده کاوی سازمانی

اصول اولیه فناوری داده کاوی سازمانی در سه حوزه هوش مصنوعی، فناوری اطلاعات و تئوری سازمانی مقوله بندی می‌شود. این فناوری قدرتمند، پردازش بهینه تصمیم گیری را در سازمان‌ها تسهیل نموده و به عنوان شیوه به کار بردن ابزارهای داده کاوی تعریف شده است. داده سازمانی پردازش تصمیم گیری را توسط ترجمه داده به دانش با ارزش برای کسب سود رقابتی میسر می‌سازد. بکار گرفتن داده کاوی سازمانی، سازمان‌ها را قادر می‌سازد تا نسبت به آینده سریع‌تر عمل نمایند، فعال باشند تا اینکه واکنش پذیر باشند، بدانند تا اینکه حدس بزنند [۹].
داده کاوی سازمانی محدوده وسیعی از فناوری‌ها را در حوزه‌های تجارت هوشمند الکترونیک^[۳۹]، تحلیل داده، مدیریت ارتباط با مشتری، پورتال الکترونیکی و سیستم‌های اطلاعاتی اجرایی^[۴۰] در بر می‌گیرد. حوزه تئوری سازمانی، هسته اصلی تفاوت بین داده کاوی و داده کاوی سازمانی می‌باشد.
داده کاوی سازمانی، سازمان‌ها را قادر می‌سازد تا به سؤالاتی درباره خود توضیح دهند که در گذشته چه اتفاقاتی افتاده است؟ در حال حاضر چه اتفاقاتی در حال رخ دادن هستند؟ در آینده چه اتفاقاتی خواهد افتاد [۹]؟

۲-۸ نقش داده کاوی سازمانی در معرفت سازمانی

داده کاوی با سرعت پدیدار شده است به عنوان ابزاری که می‌تواند اجازه دهد تا سازمان‌ها از سرمایه اطلاعاتشان بهره برداری نمایند. این ابزار برای پشتیبان استراتژی تصمیم گیری استفاده می‌گردد. تئوری سازمانی به عقاید شخصی که سازمان‌ها راجع به مشتریان و رقبای خود دریافت می‌نمایند، ارجاع داده می‌شود.
داده کاوی تکمیل کننده راهبرد و خط مشی سنتی فرموله سازی و بیان ریاضی نسبت به خودکار بودن آن می‌باشد. برای کنترل و مهار نمودن راهبرد بالقوه نیاز است ملاحظاتی را در خصوص خروجی‌هایی در زمینه عقاید سیستمی که دانش سازمانی را درباره محیط اطراف تشکیل می‌دهد داشت. سازمان‌ها اطلاعات مختلفی را راجع به موجودیت‌هایی که با آنها سر و کار دارند جمع آوری می‌نمایند. این اطلاعات از منابع داخلی و خارجی و اطلاعاتی راجع به مشتریان، کارکنان، عرضه کنندگان و غیره بوجود آمده است. نتایج این داده‌ها به مفهومی از عقاید سیستمی محیط اطرافشان تفسیر و ترجمه می‌شوند.
داده کاوی سازمانی به سازمان‌ها ضرورت بهبود پردازش تصمیم گیری را پیشنهاد می کند که منجر به تخصیص بهینه منابع می‌گردد و فرصت‌های جدیدی را توسط تبدیل داده به دانش با ارزش را بدست می‌آورد. این ابزارها پتانسیلی برای کاهش قابل توجه هزینه‌های سازمان‌ها به وسیله شناخت حوزه‌های بالقوه تجارت می‌باشند و نیازمند توجه به حوزه‌هایی است که در آن فروش و برگشت سرمایه ضعیفی در دوره زمانی معین دارند [۹].

۲-۹ معیارهای تعریف نیازمندی‌های سیستم

جهت تعریف نیازمندی‌ها نیز معیارهایی در نظر گرفته شده که درک صحیح و انجام درست فاز استخراج نیازمندی‌ها کمک می‌کند. نادیده گرفتن هر یک از این معیارها ممکن است منجر به شکست پروژه گردد. این معیارها از قرار زیر هستند:
سازگاری: یعنی نیازها فاقد ابهام و تداخل باشند.
کامل بودن: یعنی تمام ورودی‌ها و پاسخ‌ها باید تشریح گردند.
ممکن بودن: یعنی ارضای نیاز با توجه به امکانات و اجبارهای موجود، ممکن باشد.
مورد نیاز بودن: یعنی کاملاً برای دستیابی به اهداف سیستم لازم باشند.
صحت: یعنی نیازها به درستی بیان شوند.
قابلیت رد گیری: یعنی مستقیماً به یک قابلیت و یا عملکرد نگاشت شوند.
قابلیت بررسی: یعنی با آزمایش بتوان وجود آن را چک کرد.
روش‌های موجود در استخراج نیازمندی‌ها هر کدام به نحوی برخی از این معیارها شامل می‌شوند و حتی‌الامکان سعی در استخراج صحیح و کامل نیازها در پرهیز از نتایج زیان بار استخراج غلط و ناقص دارند.

۲-۱۰ نتایج نیازمندی‌های نادرست

جهت جلوگیری از بیان مبهم نیازمندی‌ها و انجام هرچه کامل‌تر و بهتر فاز استخراج و کشف نیازها تا به حال روش‌های متعددی ابداع گردیده است. نیازمندی‌ها باید به درستی استخراج گردند، چرا که در غیر اینصورت نتایجی غیر قابل جبران به بار خواهند آورد. از جمله‌ی این نتایج می‌توان به موارد زیر اشاره کرد:
ممکن است هزینه پروژه بیش از هزینه برنامه ریزی شده شود.
ممکن است زمان پروژه بیش از زمان مجاز شود.
ممکن است سیستم انتظارات ذینفعان را برآورده نسازد و نارضایتی سبب عدم استفاده از آن شود.
ممکن است بعد از تولید، هزینه‌ی نگهداری و ارتقای سیستم بسیار بالا باشد.
ممکن است در سازمان‌هایی همچون مدیریت شهری ۱۳۷، ارضای برخی نیازمندی‌ها با جان آدمی درگیر باشد.

۲-۱۱ پیشینه تحقیق

در این بخش روش‌های رایج و پر کاربرد موجود در استخراج نیازمندی‌ها را به سه گروه روش‌های سنتی، استفاده از ابزارها و روش‌های نوین تقسیم کرده‌ایم و قصد داریم این روش‌ها را مورد بررسی و تجزیه و تحلیل قرار داده و در ارتباط با مزایا و معایب هر کدام بحث کنیم. سپس در ارتباط با تکنیک‌هایی که در افزایش سطح رضایتمندی شهروندان و یا مشتریان مورد استفاده قرار می‌گیرند بحث خواهیم کرد و روش‌هایی را مورد تجزیه و تحلیل قرار می‌دهیم.

۲-۱۱-۱ روش‌های سنتی

تکنیک نمونه سازی^[۴۱]: نمونه اولیه، نسخه‌ی ابتدایی از سیستمی است که در مراحل آغازین توسعه قرار دارد. یکی از کاربردهای نمونه سازی در سیستم‌های نرم‌افزاری، استخراج و اعتبار سنجی نیازمندی‌ها است. در این روش، نمونه‌ای از رابط کاربر تهیه می‌گردد و با سایر نیازمندی‌ها نظیر مورد کاربرد و قواعد کسب و کار مطابقت داده می‌شود. نمونه اولیه را از جنبه‌های متفاوتی می‌توان دسته بندی کرد. بر اساس دامنه‌ی عملکرد، نمونه اولیه به دو دسته نمونه اولیه افقی و نمونه اولیه عمودی تقسیم می‌گردد. در نمونه اولیه افقی، سطحی کم عمق و احتمالاً وسیع از سیستم بدون پیاده سازی بدون پیاده سازی قاعده و یا کنترلی تهیه می‌شود. در نمونه اولیه عمودی، سطحی عمیق و اغلب محدود با رعایت قواعد و کنترل‌ها پیاده سازی می‌گردد. بر اساس چرخه‌ی عمر نمونه اولیه می‌توان آن را به دو دسته دور ریختنی و تکاملی دسته بندی نمود [۱۱].
تکنیک تصویر داستان^[۴۲]: عبارتست از مجموعه‌ای از تصاویر که بیانگر یک سری از فعالیت‌های کاربر در سیستم موجود و یا خیالی و یا یک قابلیت می‌باشد. این تکنیک یک نوع نمونه سازی بر روی کاغذ است. مشتریان، کاربران یا توسعه دهندگان کار را با رسم تصاویری از صفحات نمایش، فرم‌های محاوره، نوارهای ابزار و سایر عناصری که از نظر آنها باید در سیستم وجود داشته باشد آغاز می‌نمایند. گروه کار خود را تا استخراج و توافق بر روی نیازمندی‌ها و جزئیات آن ادامه می‌دهند. این تکنیک هزینه ناچیزی داشته و موجب کاهش ریسک و هزینه بالاتر روش نمونه سازی می‌گردد [۱۲].