Пример готовой дипломной работы по предмету: математика
Оглавление
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. КОМПЬЮТЕРНЫЕ НЕЙРОННЫЕ СЕТИ 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 структуры 29
3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ И ОЦЕНКА ЭФФЕКТИВНОСТИ МОДЕЛИ СЕТЕЙ КОХОНЕНА В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ 35
3.1. Особенности программной реализации моделей нейронных сетей в пакете MATLAB 35
3.2. Моделирование сетей для прогнозирования финансовых временных рядов (на примере выборки фондового индекса Dow Jones Industrial Average 36
3.3. Прогнозирование временного «гринвичского» ряда уровня солнечных пятен 43
IV. ОБЕСПЕЧЕНИЕ БЕЗОПАСНОСТИ ЖИЗНЕДЕЯТЕЛЬНОСТИ. 50
4.1. Обеспечение безопасности труда при работе на ПЭВМ 50
4.2. Пожарная безопасность 56
ЗАКЛЮЧЕНИЕ 58
ЛИТЕРАТУРА 59
Содержание
Выдержка из текста
Следовательно, актуальность совершенствования методов прогнозирования временных рядов обусловлена, с одной стороны, постоянно растущими требованиями к уровню и качеству прогнозирования, а с другой – также постоянно растущими возможностями аппаратных и программных вычислительных средств: задачи прогнозирования временных рядов усложняются одновременно с расширением В основе прогнозирования временных рядов лежат модели прогнозирования, позволяющие адекватно отражать механизмы формирования и развития того В соответствии с разнообразием исследуемых процессов и задач их прогнозирования к настоящему времени разработаны многие модели прогнозирования: модели экспоненциального сглаживания, регрессионные и авторегрессионные модели, модели на базе цепей Маркова, нейросетевые модели, классификационные
1) метеорологические данные ФГБУ «ИГКЭ Росгидромета и РАН» (http://meteoinfo.ru/news/1-2009-10-01-09-03-06/8796-12032014-2015 ) (Россия — данные на станциях).
СП — crutem 4nh.txt) и данные Университета Восточной Англии (Земной шар — массив hadcrut 4gl.txt;
Процедура временного ввоза (допуска) входит в пятерку наиболее часто применимых таможенных процедур в Таможенном союзе (далее – ТС).
Временный ввоз является объектом неугасаемого интереса со стороны многих государств и мирового сообщества в целом, что выражается в многочисленных двусторонних и многосторонних договорах, регулирующих применение данной процедуры. Процедура временного ввоза (допуска) является сложной и абсолютно не исследованной в части применения таможенных платежей, что порождает многочисленные трудности при реализации процедуры.
Прогнозирование временных рядов заключается в построении модели для предсказания будущих событий основываясь на известных событий прошлого, предсказания будущих данных до того как они будут измерены. Типичный пример — предсказание цены открытия биржи основываясь на предыдущей её деятельности.
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.
Временные ряды (или ряды динамики) представляют собой последовательности данных наблюдений, полученные с помощью регулярных измерений в течение длительного времени. При этом количественный анализ временных рядов возможен при условии, что наблюдения проводились в строго определенные, равноотстоящие моменты времени, что отличает их от, например, случайных выборок, методы анализа которых не предполагают фиксацию измерений в регулярные промежутки времени.
Без введения.
Однако, по теории организации, информационным системам или теории маркетинга в литературе не существует никаких теоретических разработок (за исключением статьи McDonald (1996)) о необходимости внедрения и развития информационных систем в маркетинговую деятельность предприятий.
Важными задачами, которые обычно ставятся перед исполнителями при прогнозировании и планировании, разработке соответствующей концепции, программы, мероприятия, является сохранение и развитие высокоэффективной структуры экономики, обоснования и регулирования темпов роста выпуска продукции, высокой степени ее конкурентоспособности на рынке, обеспечение эффективного использования материальных, энергетических, трудовых и финансовых ре- ресурсов, достаточного уровня доходов и социальной защищенности населения, поддержки имеющихся и налаживание новых разнообразных экономических связей в масштабах регионов, государства и с внешним миром. реферата является определение задач и основных категорий прогнозирования.- дать определение понятию прогнозирования и проанализировать задачи прогнозирования;
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).
первая – содержит теоретические основы нейронных сетей, обучение и области их применения;вторая – теорию применения нейронных сетей в задачах прогнозирования;
Котировки валютных пар поступают в форме временных рядов, которые подчиняются некоторым закономерностям. Целью выявления этих закономерностей служит построение моделей финансовых временных рядов, позволяющих прогнозировать их будущие значения.Основная проблема в задаче и прогнозирования финансовых временных рядов заключается в построении модели, адекватно отражающей динамику финансовых временных рядов.
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
