کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
385997 660876 2011 6 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-criteria ABC analysis using artificial-intelligence-based classification techniques
ترجمه فارسی عنوان
تجزیه و تحلیل ABC چند منظوره با استفاده از تکنیک های طبقه بندی مبتنی بر هوش مصنوعی
کلمات کلیدی
طبقه بندی موجودی؛ تجزیه و تحلیل ABC
فهرست مطالب مقاله
چکیده
کلمات کلیدی
1. مقدمه
2. تکنیک های طبقه بندی مبتنی بر هوش مصنوعی
2.1 شبکه های پس انتشار 
شکل-1. معماری شبکه انتشار پس رو.
2.2 ماشین های بردار پشتیبانی
2.3 نزدیکترین همسایگان k
3. تکنیک های معیار
جدول-1.  دسته بندی تحت چندین معیار با روش های معیارسنجی مختلف.
4. روش تحقیق
5. نتایج
6. نتیجه گیری
جدول-2. دقت روش های مبتنی بر AI در برابر MDA: نتایج روش های معیار.
ترجمه چکیده
تجزیه و تحلیل ABC، یک روش محبوب و موثر برای طبقه بندی اقلام موجودی به دسته های خاص است که می تواند به طور جداگانه اداره و کنترل شود. تجزیه و تحلیل متعارف ABC، اقلام موجودی را در سه دسته: A، B، یا C بر اساس استفاده روزانه از اقلام موجودی را طبقه بندی می کند. طبقه بندی موجودی چند معیاره، به وسیله تعدادی از محققان به منظور در نظر گرفتن سایر معیارهای مهم پیشنهاد شده است. این محققان، تکنیک های طبقه بندی مبتنی بر هوش مصنوعی (AI) را با تجزیه و تحلیل چند متغیره سنتی (MDA) مقایسه کرده اند. نمونه هایی از این تکنیک های مبتنی بر AI عبارتند از: ماشین های بردار پشتیبانی (SVM)، شبکه های پس انتشار (BPNs)، و الگوریتم K-نزدیکترین همسایه (k-NN). برای اثربخشی این تکنیک ها، نتایج طبقه بندی بر اساس چهار تکنیک معیار مقایسه می شود. نتایج نشان می دهد که تکنیک های مبتنی بر AI، دقت بالایی را به MDA نشان می دهند. تجزیه و تحلیل آماری نشان می دهد که SVM، طبقه بندی دقیق تر از سایر تکنیک های مبتنی بر AI را امکان پذیر می سازد. این یافته نشان می دهد که امکان اجرای تکنیک های مبتنی بر AI برای تجزیه و تحلیل ABC چند منظوره در سیستم های برنامه ریزی منابع سازمانی (ERP) وجود دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تجزیه و تحلیل ABC چند منظوره با استفاده از تکنیک های طبقه بندی مبتنی بر هوش مصنوعی
چکیده انگلیسی
ABC analysis is a popular and effective method used to classify inventory items into specific categories that can be managed and controlled separately. Conventional ABC analysis classifies inventory items three categories: A, B, or C based on annual dollar usage of an inventory item. Multi-criteria inventory classification has been proposed by a number of researchers in order to take other important criteria into consideration. These researchers have compared artificial-intelligence (AI)-based classification techniques with traditional multiple discriminant analysis (MDA). Examples of these AI-based techniques include support vector machines (SVMs), backpropagation networks (BPNs), and the k-nearest neighbor (k-NN) algorithm. To test the effectiveness of these techniques, classification results based on four benchmark techniques are compared. The results show that AI-based techniques demonstrate superior accuracy to MDA. Statistical analysis reveals that SVM enables more accurate classification than other AI-based techniques. This finding suggests the possibility of implementing AI-based techniques for multi-criteria ABC analysis in enterprise resource planning (ERP) systems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 38, Issue 4, April 2011, Pages 3416–3421
نویسندگان
,