Пример готовой дипломной работы по предмету: Информационные технологии
Содержание
Введение 5
1 Анализ предметной области 7
1.1 Специфика понятия рисков в технических системах 7
1.2 Анализ методов и моделей прогнозирования рисков 9
1.3 Особенности применения нейронных сетей 11
1.4 Преимущества используемых средств разработки 15
1.4.1 Система MATLAB 15
1.4.2 Neural Network Toolbox 17
1.4.3 Аналитическая платформа Deductor Studio 19
1.5 Постановка цели и задач исследования 21
2 Разработка имитационной модели технической системы судна 22
2.1 Проектирование структуры топливной системы судна 22
2.2 Разработка графовой модели топливной системы судна 24
2.3 Построение и исследование модели нейросети в Deductor 26
2.3.1 Настройка импорта данных 26
2.3.2 Конфигурация нейросети 33
3 Разработка нейронной сети для прогнозирования риска выхода из строя компонентов технических систем 50
3.1 Разработка диаграммы связей и алгоритма работы нейронной сети 50
3.2 Разработка интерфейса главной формы и импорта данных в систему 52
3.3 Моделирование процесса тренировки созданной нейронной сети с помощью Neural Network Toolbox 56
3.4 Модификация разработанной нейросети с помощью Neural Network Fitting Tool 68
4 Охрана труда 74
4.1 Рациональная организация рабочего места по программированию с учетом требований производственной безопасности 74
4.2 Система производственной гимнастики и психологической разгрузки специалистов по информационным технологиям 79
4.3 Международные нормативно-правовые акты по охране труда специалистов компьютерщиков 81
5 Экономическое обоснование 84
5.1 Общая характеристика проекта 84
5.2 Расчет трудоемкости разработки программной продукции 84
5.3 Определение цены программного продукта 89
5.4 Расчет начальных инвестиций 92
5.5 Расчет текущих затрат 92
6 Гражданская защита 96
Выводы 102
Литература 103
Приложение А 106
Выдержка из текста
Цель работы: прогнозирование рисков выхода из строя компонентов технических систем на базе разработки гибкой модели искусственной нейронной сети прямого распространения.
Задачи исследования:
1. Проведение анализа литературных источников по тематике работы.
2. Анализ методов и моделей прогнозирования рисков.
3. Исследование специфики применения искусственных нейронных сетей.
4. Обоснование использованных средств разработки.
5. Проектирование модели исследуемой технической системы.
6. Разработка и исследование модели нейросети в Deductor.
7. Разработка диаграммы связей и алгоритма работы нейронной сети.
8. Разработка интерфейса главной формы системы создания искусственной нейронной сети.
9. Моделирование процесса тренировки разработанной модели искусственной нейронной сети.
Список использованной литературы
1. Панфилов П.Н. Введение в нейронные сети / П.Н. Панфилов // Современный трейдинг. – 2001. – № 2. – С. 12– 17.
2. Ежов А.А. Нейрокомпьютинг и его применения в экономике и бизнесе / А.А. Ежов, С.А. Шумский. – М.: МИФИ, 1998. – 222 с.
3. Parsaye K.A. Characterization of Data Mining Technologies and Processes / K.A. Parsaye // The Journal of Data Warehousing. – 1998. – № 1. – PP.34-45.
4. Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере / В.П. Боровиков. – М.: Финансы и статистика, 2000. – 384с.
5. Горбань А.Н. Обучение нейронных сетей / А.Н. Горбань. – М.: "ParaGraph", 2010. – 160 с.
6. Le Cun Y. Optimal Brain Damage / Y. Le Cun, J.S. Denker, S.A. Solla // Advances in Neural Information Processing Systems 2. – Morgan Kaufmann, 1990. – PP.598-605.
7. McMillan C. The Connectionist Scientist Game: Rule Extraction and Refinement in a Neural Network / C. McMillan, M.C. Mozer, P. Smolensky // Proc. XIII Annual Conf of the Cognitive Science Society, Hillsdale, NJ, USA. – 2001. – PP.39-44.
8. Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искуственных нейронных сетей / В.Г. Царегородцев // Методы нейроинформатики. – Красноярск: Изд-во КГТУ. – 2012. – C. 89-101.
9. Gorban A.N. Generation of explicit knowledge from empirical data through pruning of trainable neural networks / A.N. Gorban, Ye.M. Mirkes, V.G. Tsaregorodtsev // Int. Joint Conf. on Neural Networks, Washington, DC, USA. – 2012. – PP.78-82.
и еще
2. источник
