ﻧﻘﺪﯼ ﺑﺮ ﺗﻮﺍﺑﻊ ﺧﻮﺩﮪﻤﺒﺴﺘﮕﯽ ﻧﻤﻮﻧﻪﺍﯼ ﺩﺭ ﻣﺪﻝﺳﺎﺯﯼ ﺳﺮﯼﮪﺎﯼ ﺯﻣﺎﻧﯽ ﻭ ﻧﮕﺎﮪﯽ ﺑﺮ ﮐﺎﺭﺑﺮﺩ ﺁﻥ ﺩﺭ ﻣﺪﻝﮪﺎﯼ ﺑﺎ ﺣﺎﻓﻈﻪ ﺑﻠﻨﺪ ﻣﺪﺕ

دكترا

امار

تهران شرق

1402

تاريخ ثبت در تهران شرق سه شنبه 1403/6/6

صحافي شده ندارد

مسعود يارمحمدي

دانشگاه پيام نور مركز تهران شرق

ﺗﺎﺑﻊ ﺧﻮﺩﮪﻤﺒﺴﺘﮕﯽ ) (ACF ﺩﺭ ﺗﺤﻠﯿﻞ ﺳﺮﯼﮪﺎﯼ ﺯﻣﺎﻧﯽ ﻧﻘﺶ ﻭ ﺍﮪﻤﯿﺖ ﭼﺸﻤﮕﯿﺮﯼ ﺩﺍﺭﺩ. ﺩﺭ ﯾﮏ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﺍﯾﻦ ﺗﺎﺑﻊ ﺑﯿﺎﻧﮕﺮ ﻣﯿﺰﺍﻥ ﮪﻤﺒﺴﺘﮕﯽ ﺑﯿﻦ ﻣﺸﺎﮪﺪﺍﺕ ﺩﺭ ﻓﻮﺍﺻﻞ ﺯﻣﺎﻧﯽ ﻣﺠﺰﺍ ﺍﺯ ﯾﮑﺪﯾﮕﺮ ﺍﺳﺖ. ﺍﺯ ﺗﺎﺑﻊ ﺧﻮﺩﮪﻤﺒﺴﺘﮕﯽ ﻋﻼﻭﻩ ﺑﺮ ﺷﻨﺎﺳﺎﯾﯽ ﺍﻟﮕﻮ ﺑﻪ ﻣﻨﻈﻮﺭ ﭘﯿﺶﺑﯿﻨﯽ ﺩﺭ ﻗﻠﻤﺮﻭ ﺯﻣﺎﻥ ﻭ ﺑﺮﺍﯼ ﯾﺎﻓﺘﻦ ﺗﺎﺑﻊ ﺗﻮﺍﻥ ﻃﯿﻒ ﺩﺭ ﻗﻠﻤﺮﻭ ﻓﺮﮐﺎﻧﺲ ﺍﺳﺘﻔﺎﺩﻩ ﻣﯽﺷﻮﺩ. ﺑﺮﺍﯼ ﯾﮏ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﻣﺎﻧﺎ ﺑﺎ ﺍﻓﺰﺍﯾﺶ ﺗﺎﺧﯿﺮ، ACF ﺑﻪ ﺻﻮﺭﺕ ﻧﻤﺎﯾﯽ ﺑﻪ ﺻﻔﺮ ﮐﺎﮪﺶ ﻣﯽﯾﺎﺑﺪ. ﺳﺮﯾﻬﺎﯼ ﺯﻣﺎﻧﯽﺍﯼ ﻣﻮﺟﻮﺩﻧﺪ ﮐﻪ ﺑﺎ ﺍﻓﺰﺍﯾﺶ ﺗﺎﺧﯿﺮ، ACF ﺁﻧﻬﺎ ﺑﻪ ﺁﺭﺍﻣﯽ ﺩﺭ ﯾﮏ ﻧﺮﺥ ﭼﻨﺪﺟﻤﻠﻪﺍﯼ ﺑﻪ ﺻﻔﺮ ﮪﻤﮕﺮﺍ ﻣﯽﺷﻮﺩ. ﺍﯾﻦ ﻓﺮﺁﯾﻨﺪﮪﺎ ﺑﻪ ﻋﻨﻮﺍﻥ ﺳﺮﯾﻬﺎﯼ ﺯﻣﺎﻧﯽ ﺑﺎ ﺣﺎﻓﻈﻪ ﺑﻠﻨﺪ ﻣﺪﺕ ﺩﺭ ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮﻧﺪ. ﺑﺎ ﻭﺟﻮﺩ ﺍﺳﺘﻔﺎﺩﻩ ﻣﺴﺘﻤﺮ ﺍﺯ ﻣﺠﻤﻮﻉ ﺗﻮﺍﺑﻊ ﺧﻮﺩﮪﻤﺒﺴﺘﮕﯽ ﻧﻤﻮﻧﻪﺍﯼ ﺑﻪ ﻣﻨﻈﻮﺭ ﺷﻨﺎﺳﺎﯾﯽ ﻣﺪﻟﻬﺎﯼ ﺩﺍﺭﺍﯼ ﺣﺎﻓﻈﻪ ﺑﻠﻨﺪ ﻣﺪﺕ، ﺗﺎﮐﻨﻮﻥ ﺑﺮﺭﺳﯽ ﺩﻗﯿﻘﯽ ﺩﺭ ﺧﺼﻮﺹ ﺭﻓﺘﺎﺭ ﺍﯾﻦ ﻣﺠﻤﻮﻉ ﺍﻧﺠﺎﻡ ﻧﺸﺪﻩ ﺍﺳﺖ. ﺩﺭ ﺍﯾﻦ ﺭﺳﺎﻟﻪ ﺳﻌﯽ ﺷﺪﻩ ﮐﻪ ﺭﻓﺘﺎﺭ ﻣﺠﻤﻮﻉ ﺗﻮﺍﺑﻊ ﺧﻮﺩﮪﻤﺒﺴﺘﮕﯽ ﻧﻤﻮﻧﻪﺍﯼ ﺑﺮﺍﯼ ﺷﻨﺎﺳﺎﯾﯽ ﻣﺪﻝﮪﺎﯼ ﺑﺎ ﺣﺎﻓﻈﻪ ﺑﻠﻨﺪ ﻣﺪﺕ ﺍﺭﺍﺋﻪ ﮔﺮﺩﺩ. ﯾﮑﯽ ﺍﺯ ﺍﺻﻮﻝ ﺑﻨﯿﺎﺩﯾﻦ ﺩﺭ ﺗﻮﺳﻌﻪ ﻭ ﺗﺤﻠﯿﻞ ﻓﺮﺁﯾﻨﺪﮪﺎﯼ ARIⅯA ﺍﯾﻦ ﺍﺳﺖ ﮐﻪ ﺑﺎﻗﯿﻤﺎﻧﺪﻩﮪﺎﯼ ﻣﺪﻝ ﺑﺎﯾﺪ ﺩﺭ ﺣﺎﻟﺖ ﺍﯾﺪﻩﺁﻝ ﺍﺯ ﺗﻮﺯﯾﻊ ﯾﮏ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﻧﻮﻓﻪ ﺳﻔﯿﺪ ﭘﯿﺮﻭﯼ ﮐﻨﻨﺪ. ﺍﯾﻦ ﺷﺮﻁ ﻧﺸﺎﻥ ﺩﮪﻨﺪﻩ ﺍﯾﻦ ﺍﺳﺖ ﮐﻪ ﻣﺪﻝ ﺗﻤﺎﻡ ﺍﻃﻼﻋﺎﺕ ﻣﻔﯿﺪ ﻣﻮﺟﻮﺩ ﺩﺭ ﺩﺍﺩﻩﮪﺎ ﺭﺍ ﺍﺳﺘﺨﺮﺍﺝ ﮐﺮﺩﻩ ﻭ ﺗﻨﻬﺎ ﻣﻮﺭﺩﯼ ﮐﻪ ﺑﻪ ﺻﻮﺭﺕ ﺗﺼﺎﺩﻓﯽ ﺑﺎﻗﯽ ﻣﯽﻣﺎﻧﺪ ﻭ ﻓﺎﻗﺪ ﺍﻟﮕﻮﯼ ﻗﺎﺑﻞ ﺗﺸﺨﯿﺺ ﺍﺳﺖ ﻧﻮﻓﻪ ﺳﻔﯿﺪ ﻣﯽﺑﺎﺷﺪ. ﻧﻮﻓﻪ ﺳﻔﯿﺪ ﮐﻪ ﺑﻪ ﻋﻨﻮﺍﻥ ﯾﮏ ﻓﺮﺁﯾﻨﺪ ﺑﺎ ﺧﻮﺍﺹ ﺛﺎﺑﺖ ﻭ ﺑﺪﻭﻥ ﮪﻤﺒﺴﺘﮕﯽ ﺩﺭ ﺯﻣﺎﻥ ﺗﻌﺮﯾﻒ ﻣﯽﺷﻮﺩ، ﺍﺟﺰﺍﯼ ﭘﯿﺶﺑﯿﻨﯽ ﺷﺪﻩ ﻭ ﻏﯿﺮ ﻗﺎﺑﻞ ﺗﻮﺿﯿﺢ ﺩﺍﺩﻩﮪﺎ ﺭﺍ ﻧﻤﺎﯾﻨﺪﮔﯽ ﻣﯽﮐﻨﺪ. ﺩﺭ ﺍﯾﻦ ﺭﺳﺎﻟﻪ، ﺭﻓﺘﺎﺭ ﻓﺮﺁﯾﻨﺪ ﻧﻮﻓﻪ ﺳﻔﯿﺪ ﺭﺍ ﻧﻪ ﺗﻨﻬﺎ ﺩﺭ ﻣﺤﯿﻂﮪﺎﯼ ﺷﺒﯿﻪ ﺳﺎﺯﯼ ﺷﺪﻩ ﺑﻠﮑﻪ ﺩﺭ ﺩﺍﺩﻩﮪﺎﯼ ﻭﺍﻗﻌﯽ ﻧﯿﺰ ﻣﻮﺭﺩ ﺑﺮﺭﺳﯽ ﻗﺮﺍﺭ ﻣﯽﮔﯿﺮﺩ ﺗﺎ ﺑﺘﻮﺍﻥ ﺩﺭﮎ ﺩﻗﯿﻖﺗﺮﯼ ﺍﺯ ﭼﮕﻮﻧﮕﯽ ﻋﻤﻠﮑﺮﺩ ﺍﯾﻦ ﻓﺮﺁﯾﻨﺪ ﺩﺭ ﻣﻘﺎﯾﺴﻪ ﺑﺎ ﻧﻈﺮﯾﻪ ﻣﻮﺟﻮﺩ ﻭ ﺗﺎﺛﯿﺮ ﺁﻥ ﺑﺮ ﺭﻭﯼ ﮐﯿﻔﯿﺖ ﻣﺪﻝﺳﺎﺯﯼ ARIⅯA ﺑﺪﺳﺖ ﺁﻭﺭﺩ. ﺍﯾﻦ ﮐﺎﺭ ﺍﺟﺎﺯﻩ ﻣﯽﺩﮪﺪ ﺗﺎ ﺍﻋﺘﺒﺎﺭ ﻭ ﺩﻗﺖ ﺍﯾﻦ ﻓﺮﺁﯾﻨﺪﮪﺎ ﺭﺍ ﺩﺭ ﺷﺮﺍﯾﻂ ﻣﺨﺘﻠﻒ ﺗﺤﻠﯿﻞ ﻭ ﺍﺭﺯﯾﺎﺑﯽ ﻧﻤﺎﯾﯿﻢ. ﺩﺭ ﺣﺎﻟﺘﯽ ﮐﻪ ﯾﮏ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﺩﺍﺭﺍﯼ ﺭﻭﻧﺪ ﺧﻄﯽ ﺑﺎﺷﺪ، ﺭﻓﺘﺎﺭ AⅭF ﺗﺎﺛﯿﺮ ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺍﺯ ﺭﻭﻧﺪ ﺧﻄﯽ ﺭﺍ ﻧﺸﺎﻥ ﺩﺍﺩﻩ ﻭ ﺑﯿﺎﻧﮕﺮ ﮪﻤﺒﺴﺘﮕﯽﮪﺎﯼ ﺑﺎﻻ ﺩﺭ ﻓﻮﺍﺻﻞ ﺯﻣﺎﻧﯽ ﻃﻮﻻﻧﯽﺗﺮ ﺍﺳﺖ، ﭼﺮﺍ ﮐﻪ ﺭﻭﻧﺪ ﺑﺎﻋﺚ ﺍﯾﺠﺎﺩ ﯾﮏ ﺍﻟﮕﻮﯼ ﻣﺪﺍﻭﻡ ﺩﺭ ﺩﺍﺩﻩﮪﺎ ﻣﯽﺷﻮﺩ ﮐﻪ ﺍﯾﻦ ﮪﻤﺒﺴﺘﮕﯽﮪﺎ ﺭﺍ ﺗﻘﻮﯾﺖ ﻣﯽﮐﻨﺪ. ﺍﯾﻦ ﺑﺮﺭﺳﯽ ﺍﺯ AⅭF ﺑﻪ ﻣﺎ ﺍﻣﮑﺎﻥ ﻣﯽﺩﮪﺪﺗﺎ ﺩﺭﮎ ﺑﻬﺘﺮﯼ ﺍﺯ ﻧﺤﻮﻩ ﺗﺎﺛﯿﺮ ﺭﻭﻧﺪﮪﺎ ﺑﺮ ﺩﺍﺩﻩﮪﺎﯼ ﺳﺮﯼ ﺯﻣﺎﻧﯽ ﻭ ﭼﮕﻮﻧﮕﯽ ﺷﻨﺎﺳﺎﯾﯽ ﻭ ﺣﺬﻑ ﺍﯾﻦ ﺭﻭﻧﺪﮪﺎ ﺑﻪ ﻣﻨﻈﻮﺭ ﺗﺤﻠﯿﻞ ﺩﻗﯿﻖﺗﺮ ﻭ ﭘﯿﺶﺑﯿﻨﯽﮪﺎﯼ ﺑﻬﺘﺮ ﺍﺯ ﺩﺍﺩﻩﮪﺎ ﺩﺍﺷﺘﻪ ﺑﺎﺷﯿﻢ.

75838