Рекомендуемая категория для самостоятельной подготовки:
Дипломная работа*
| Код |
563232 |
| Дата создания |
2016 |
| Страниц |
60
|
Мы сможем обработать ваш заказ (!) 18 октября в 12:00 [мск] Файлы будут доступны для скачивания только после обработки заказа.
|
Содержание
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
Введение
Прогнозирование будущих значений временных рядов на основе анализа предыдущих значений необходимо для управления деятельностью во многих отраслях хозяйства: стратегическое планирование структуры, видов и объемов различных работ на основе долгосрочных трендов, тактическое управление процессами с учетом сезонности и цикличности, оперативное управление при знании диапазонов изменений текущих значений параметров процесса. Эффективность руководства компаниями подразумевает накопление, обработку и анализ исторических значений параметров деятельности в базах данных [1].
Однако большое количество накопленных неструктурированных данных не приводит автоматически к повышению эффективности и качества их использования, поскольку, значительно увеличивая объемы входной информации для задачи прогнозирования, затрудняет анализ механизмов их формирования и горизонт действия. Кроме того, современные стандарты экономического и технического управления накладывают все более высокие требования к уровню точности прогнозирования. С другой стороны, непрерывное развитие аппаратных и программных средств обеспечивает все более мощную вычислительную среду, в а которой становится возможной работа и более сложных и тонких алгоритмов и методов прогнозирования.
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 возможностей информационных технологий.
В основе прогнозирования временных рядов лежат модели прогнозирования, позволяющие адекватно отражать механизмы формирования и развития того или иного процесса. 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 модели и другие.
Авторегрессионные и нейросетевые модели относятся к наиболее широко используемым вследствие тех возможностей анализа, которые они предоставляют [2]. Существенным недостатком класса авторегрессионных моделей прогнозирования является большое количество параметров, определение которых требует значительных ресурсов и неоднозначна.
Целью работы является изучение модели нейросетей и соответствующего ей метода прогнозирования временных рядов.
Для достижения этой цели были поставлены и решены следующие задачи.
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.
2. Разработать модель прогнозирования временных рядов методами нейросетей, устраняющую указанный недостаток авторегрессионного класса моделей.
3. Реализовать алгоритмы нейросетевого прогнозирования в среде MatLab.
4. Оценить эффективность нейросетевой модели для решения задач прогнозирования временных рядов различной природы.
Методы исследования. Для решения поставленных задач в настоящей работе необходимо использовать методы математического моделирования и анализа временных рядов.
Объектом исследования являются методы прогнозирования временных рядов.
Предметом – эффективность прогнозирования временных рядов методом нейросетей.
Фрагмент работы для ознакомления
Задача прогнозирования временных рядов актуальна и решается на основании модели прогнозирования. Одним из наиболее используемых классов моделей прогнозирования является класс моделей на основе сетей Кохонена.
Установлено, что основным недостатком данного класса является большое число свободных параметров, требующих определения. Определено перспективное направление развития моделей прогнозирования, позволяющее устранить указанный недостаток.
Изучены возможности прогнозирования временных рядов, идентификации модели и построения доверительного интервала прогнозных значений с помощью средств пакета MATLAB.
Выполнена программная реализация разработанных алгоритмов средствами математического пакета MATLAB для прогнозирования реальных данных: финансовых временных рядов на примере выборки рядов для фондового индекса Dow Jones Industrial Average и «гринвичского» временного ряда уровня солнечных пятен.
Список литературы
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_pp1292-1296.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: http://www.stat.tamu.edu/~eparzen/Long%20Memory%20of%20Statistical %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.
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
bmt: 0.0044