Пример готовой дипломной работы по предмету: Матлаб
1. ОБЗОР МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ 7
1.1. Авторегрессионные модели 8
1.2. Модели экспоненциального сглаживания 9
1.3. Модели на базе цепей Маркова 11
1.4. Нейросетевые модели 14
1.5. Сравнение моделей прогнозирования 18
Выводы по 1-ой главе 20
2. МЕТОДЫ КОМПЬЮТЕРНЫХ НЕЙРОННЫХ СЕТЕЙ КАК МЕТОДОВ ОЦЕНКИ ТРЕНДА 21
2.1. Роль искусственных нейронных сетей в прогнозировании 21
2.2. Основные методы обучения нейронной сети 28
2.3. Обучение с учителем: алгоритм обратного распространения 28
2.4. Обучение без учителя: самоорганизующиеся сети 29
3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ МОДЕЛИ КОМПЬЮТЕРНЫХ НЕЙРОННЫХ СЕТЕЙ ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ 36
3.1. Алгоритм оценки тренда для текущего энергопотребления (на примере выборки Electricity Consumption США) 36
3.2. Особенности программной реализации моделей нейронных сетей в пакете MATLAB 45
3.3. Моделирование сетей для прогнозирования совокупного годового энергопотребления 47
3.4. Моделирование сетей для прогнозирования финансовых временных рядов (на примере выборки фондового индекса Dow Jones Industrial Average) 52
3.5. Прогнозирование временного «гринвичского» ряда уровня солнечных пятен 59
IV. ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ. 66
4.1. Обеспечение безопасности труда при работе на ПЭВМ 66
4.2. Пожарная безопасность 71
ЗАКЛЮЧЕНИЕ 74
ЛИТЕРАТУРА 75
Содержание
Выдержка из текста
1. Провести анализ методов, моделей и алгоритмов распознавания, анализа и оценки параметров тенденций и трендов временных рядов для выявления достоинств и недостатков моделей каждого класса. Определить наиболее эффективные модели прогнозирования временных рядов, проанализировать их основные недостатки, определить подходы, позволяющие устранить недостатки авторегрессионных моделей.
Компания ООО «Нестифарм» занимается производством питательных кремов для лица против обветривания и обезвоживания кожи. Чтобы улучшить свою репутацию и разработать новые способы совершенствования своей деятельности, руководству компании необходимо проанализировать данные о выручке от продажи товара за 6 лет и сделать прогноз на следующий год (2009 год).
5)построить точечный и интервальный прогнозы на два шага вперед по модели регрессии (для вероятности используйте коэффициент . Прогнозные оценки фактора на два шага вперед получить на основе среднего прироста от фактически достигнутого уровня);
Эта задача решается при помощи анализа рядов динамики (или временных рядов)С помощью рядов динамики развития массовых явлений изучаются в следующих основных направлениях: 1) характеристики уровней развития изучаемых явлений во времени;
2. изменение динамики изучаемых явлений посредством системы статистических показателей;
3. выявление и количественная оценка основных тенденций развития (периоды);
4. изучение периодических колебаний:
5. интерполяция и дистрополяцияПоэтому темой курсовой работы есть «Статистический анализ временных рядов».
Одним из этапов обработки информации, полученной в результате наблюдений, является анализ временных рядов, изучение зависимостей показателей с помощью корреляционного и регрессионного анализа. Полученные данные временного ряда находят применение в дальнейшем анализе исследуемого явления с использованием математических и статистических методов.
Во второй главе рассматривается статистический анализ временных рядов. Здесь рассчитываются показатели рядов динамики, выявляется и характеризуется основная тенденция развития ряда динамики и происходит прогнозирование временных рядов.
Сам термин эконофизика был введен американским физиком Гарри Юджином Стэнли для объединения множества исследований, в которых типично физические методы и приемы использовались при решении экономических задач.
2. Переведен на русский язык и можно приобрести лицензионную, русифицированную версию, издано большое число книг с подробным описанием системы STATISTICA 5.0, 6-я версия пакета — STATISTICA 6.0; возможно расширение пользователем библиотеки функций, что позволит решать большинство задач по теории вероятностей, например, если добавить процедуры для вычисления сочетаний, перестановок и размещений, то можно решать задачи на классическое определение вероятности;
Введение и заключение в методических указаниях не требуется.
1. Провести анализ методов и моделей прогнозирования временных рядов для выявления достоинств и недостатков моделей каждого класса. Определить наиболее эффективные модели прогнозирования временных рядов, проанализировать их основные недостатки, определить подходы, позволяющие устранить недостатки авторегрессионных моделей.
В связи с наличием ошибок измерения экономических показателей, наличи-ем случайных флуктуаций, свойственных наблюдаемым системам, при исследо-вании временных рядов широко применяется вероятностно-статистический подход. В рамках такого подхода наблюдаемый временной ряд понимается как реализация некоторого случайного процесса. При этом неявно предполагается, что временной ряд имеет какую-то структуру, отличающую его от последовательности независимых случайных величин, так что наблюдения не являются набором совершенно независимых числовых значений. (Некоторые элементы структуры ряда иногда можно выявить уже на основании простого визуального анализа графика ряда. Это относится, например, к таким компонентам ряда, как тренд и циклы.) Обычно предполагается, что структуру ряда можно описать моделью, содержащей небольшое число параметров по сравнению с количеством наблюдений, это практически важно при использовании модели для прогнозирования. Примерами таких моделей служат модели авторегрессии, скользящего среднего и их комбинации модели AR(p), MA(q), ARMA(p, q), ARIMA(p, k, q).
Контрольная работа включает все промежуточные расчёты и выводы.
Анализ временных рядов преследует, как правило, одну из двух основных целей:
1. идентификация его природы; и
2. прогнозирование или экстраполяцию (количественную оценку ожидаемых в будущем наблюдений изучаемого параметра в зависимости от его прошлых и настоящих значений).
Как первое, так и второе назначение предполагают необходимость формального описания ряда.
Список источников информации
1. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. М.: Мир, 1974. 406 с.
2. Gheyas I.A., Smith L.S. A Neural Network Approach to time series Forecasting // Proceedings of the World Congress on Engineering, London, 2009, Vol 2 [электронный ресурс].
P. 1292 – 1296. URL: www.iaeng.org /publication/WCE2009/WCE2009_pp 1292-1296.pdf
3. Morariu N., Iancu E., Vlad S. A neural network model for time series forecasting // Romanian Journal of Economic Forecasting. 2009, No. 4. P. 213 – 223.
4. Mazengia D.H. Forecasting Spot Electricity Market Prices Using Time Series Models: Thesis for the degree of Master of Science in Electric Power Engineering. Gothenburg, Chalmers University of Technology, 2008. 89 p.
5. Нормативные системы в прогнозировании развития предпринимательского сектора экономики / Л.И. Муратова [и др.]
// Управление экономическими системами [электронный ресурс].
2009, № 20. URL: http://uecs.mcnip.ru/modules.php?name=News&file=print&sid=145
6. Parzen E. Long memory of statistical time series modeling // NBER-NSF Time Series Conference, USA, Davis, 2004 [электронный ресурс].
10 p. URL: %20Time%20Series%20Modeling.pdf
7. Ф. Уоссермен “Нейрокомпьютерная техника”, М.: Мир, 1992. – 126 с.
8. Панфилов П. “Введение в нейронные сети” – статьи, журнал «Современный трейдинг» №№ 1, 2, 3 2001г. – СПб.: Изд-во “Альпина”
9. Найман Э.Л. “Малая энциклопедия трейдера”. – К., “ВИРА-Р”, Изд-во “Альфа Капитал”, 1999. – 285 c.
10. А.Эрлих “Технический анализ товарных и финансовых рынков”. Изд-во “Инфра” – М., 1996. – 205 с.
11. Князевский Б.А. и др. Охрана труда в электроустановках. – М.: Энергоатомиздат, 1983. – 185 с.
12. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005. 736 с.
13. Armstrong J.S. Forecasting for Marketing // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. P. 92 – 119.
14. Семенов В.В. Математическое моделирование динамики транспортных потоков мегаполиса. М.: ИПМ им. М.В.Келдыша РАН, 2004. 44 с.
15. «Применение ИНС для создания экспертной системы диагностирования технологического оборудования» А.В. Семенченко Московский государственный строительный университет (МГСУ)
16. http://leonarus.com/2008/09/08/tipichnye-primery-primeneniya-nejronnyx-setej-v-menedzhmente/
17. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности
18. Владимир Белов «О перспективах искусственного интеллекта»
19. «Нейронные сети Хопфилда» С.Короткий
20. Бэстенс, Д.-Э., Ван Ден Берг, В.-М., Вуд, Д. (1997).
Нейронные сети и финансовые рынки. Принятие решений в торговых операциях. ТВП Научное издательство.
21. Чучуева И. А., Павлов Ю. Н. Сезонно-регрессионная модель прогнозирования в решении задачи прогнозирования цен РСВ (рынок на сутки вперед) // Энерго-Info. 2009. № 4. С. 46 – 49.
22. 58. BI EnergoPrice: Прогнозирование цен на электроэнергию.// Общество с ограниченной ответственностью «BIGroupLabs» [электронный ресурс].
URL:
- 23. http://www.bi-grouplabs.ru/Rech/electricity/BI_EnergoPrice.html
24. Берзон Н.И. Фондовый рынок: Учеб. Пособие для высш. учебн. зав. экон. профиля/ Гос. унив. – Высшая Школа Экономики. Высшая Школа менеджмента./ Н.И.Берзон, А.Ю. Аршавский, Е.А.Буянова, А.С. Красильщиков. Под ред. Н.И.Берзона – 4-е изд., перераб. и доп. – М.: ВИТА-ПРЕСС, 2009. – 624 с.: ил.
25. Быкадоров Р.В., Воронин С.Ю. Вероятностные методы расчета технологического процесса ткачества. Иваново, ИГТА, 2006. – 108 с.
26. Вилленброк Х. Тайны принятия решений// GEO, июль 2009, с. 70-87.
27. Воробьев Н.Н. Теория игр для экономистов-кибернетиков – М.: Наука, Главная редакция физико-математической литературы, 1985. – 272 с.
28. Вороновский Г. К., Махотило К. В., Петрашев С. Н., Сергеев С. А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. — Харьков: Основа, 1997. — 112 с.
29. Евстигнеев В.Р. Прогнозирование доходности на рынке акций. – М.: Маросейка, 2009. – 192 с.
список литературы
