{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "QA293",
        "title": "تعیین نقطه تغییر در واریانس فرآیندهای چندمتغیره توسط طرح ترکیبی دو مرحله‌ای",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1394",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "QA293",
        "title": "تعیین نقطه تغییر در واریانس فرآیندهای چندمتغیره توسط طرح ترکیبی دو مرحله‌ای",
        "degree": null,
        "faculty": "علوم ریاضی",
        "year": 1394,
        "authors": [
            {
                "name": "امیر هاشمی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "داود شاهسونی",
                "role": "استاد راهنما"
            }
        ],
        "keywords": [
            "نقطه تغییر‏‏",
            "فرآیندهای چندمتغیره‏",
            "طرح ترکیبی دو مرحله‌ای‏",
            "رگرسیون لجستیک‏",
            "رگرسیون چندمتغیره سازوار اسپلاین‏",
            "ماشین بردار پشتیبان."
        ],
        "abstract": "شناسایی موثر نقطه تغییر در یک فرآیند چندمتغیره یکی از مسائل مهمی است که محققان با آن روبرو هستند. اکثر مطالعات موجود برای این مهم‏، توسط روش درستنمایی ‏ماکسیمم ‎یا‏ روش یادگیری ماشین‎‎‎‏‎‎‎‎‎ انجام گرفته است. مشکلی که در روش درستنمایی ماکسیمم وجود دارد‏، فرض مشخص بودن توزیع فرآیند می‌باشد که معمولاً در عمل‏‏، اطلاعاتی در مورد توزیع فرآیند نداریم؛ همچنین روش یادگیری ماشین نیز هنگامی‌که تعداد متغیرهای ورودی زیاد باشد‏، هزینه محاسباتی ‏زیادی‎‎ خواهد داشت. در این مطالعه‏، با در نظر گرفتن دو گونه مختلف از ترکیب روش‌های مدل‌سازی آماری و یادگیری ماشین‏، سعی داریم که مشکل مذکور را تا حدی مرتفع کنیم. گونه اول‏، ترکیب روش رگرسیون لجستیک با روش ماشین بردار پشتیبان است؛ به‌طوری‌ که بعد متغیرهای ورودی‏، ابتدا توسط روش رگرسیون لجستیک کاهش داده شده و این مجموعه کاهش یافته به‌عنوان ورودی روش ماشین بردار پشتیبان در نظر گرفته می‌شوند. سرانجام با استفاده از خروجی روش ماشین بردار پشتیبان‏، رهیافت شناسایی نقطه تغییر در فرآیندهای چندمتغیره مطرح می‌شود. در گونه دوم‏، روش رگرسیون چندمتغیره سازوار اسپلاین‏، جایگزین روش رگرسیون لجستیک شده و بقیه مراحل عیناً اجرا می‌شود. نتایج شبیه‌سازی حاکی از آن است که مدل ترکیبی مطرح شده به‌طور موثری قادر به شناسایی نقطه تغییر در فرآیندهای چندمتغیره می‌باشد و این مدل عملکرد بهتری نسبت به نمودار کنترل شوهارت و همچنین مدل تکی ‎‏‎ماشین بردار پشتیبان دارد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_QA293.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}