📄Работа №74826
Тема: ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБИТЕЛЬСКОГО СПРОСА В СЕГМЕНТЕ СТРОИТЕЛЬНЫХ ТОВАРОВ
Тип работы
Магистерская диссертация
Предмет
математика
Объем:
64 листов
Год:
2017
Просмотров:
421
5560
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 4
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ НЕЙРОСЕТЕВОГО
ПРОГНОЗИРОВАНИЯ 6
1.1. Актуальность задачи прогнозирования 6
1.2. Нейронные сети как средство анализа процесса 8
1.3. Классификация нейронных сетей по количеству слоев 10
1.3.1. Однослойные нейронные сети 10
1.3.2. Многослойные нейронные сети 11
1.4. Обучение искусственной нейронной сети 11
1.5. Методы нейросетевого прогнозирования 13
1.5.1. Нейросети обратного распространения 13
1.5.2. Сеть Кохонена 18
1.5.3. Г ибридные нейронные сети 22
2. НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ СПРОСА СТРОИТЕЛЬНЫХ
ТОВАРОВ 27
2.1. Выбор программного средства для решения задачи 27
2.1.1. Службы Microsoft Analysis Services 27
2.1.2. Платформа Microsoft BI Solution builder 28
2.1.3. Oracle Data Mining Suite 29
2.1.4. Статистический пакет Statistical Package for the Social Sciences
(SPSS) 30
2.1.5. Oracle Crystal Ball 31
2.1.6. Пакет MATLAB 32
2.2. Обоснование выбора программного средства для исследования 33
2.3. Выбор архитектуры и метода обучения нейронной сети в системе
Matlab 34
2.3.1. Модель обучения нейронной сети 34
2.3.2. Алгоритм обучения метода обратного распространения 36
2.3.3. Гибридный алгоритм обучения (MATLAB ANFIS) 38
2.4. Моделирование нейронной сети для прогнозирования
потребительского спроса строительных товаров 39
2.4.1. Настройка сети обратного распространения 39
2.4.3. Настройка гибридной нейронной сети 40
3. СБОР И АНАЛИЗ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ 41
3.1. Информационное обеспечение задачи. Данные о продажах 42
3.2. Проведение эксперимента 47
3.3. Сравнительный анализ методов 58
ЗАКЛЮЧЕНИЕ 60
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ НЕЙРОСЕТЕВОГО
ПРОГНОЗИРОВАНИЯ 6
1.1. Актуальность задачи прогнозирования 6
1.2. Нейронные сети как средство анализа процесса 8
1.3. Классификация нейронных сетей по количеству слоев 10
1.3.1. Однослойные нейронные сети 10
1.3.2. Многослойные нейронные сети 11
1.4. Обучение искусственной нейронной сети 11
1.5. Методы нейросетевого прогнозирования 13
1.5.1. Нейросети обратного распространения 13
1.5.2. Сеть Кохонена 18
1.5.3. Г ибридные нейронные сети 22
2. НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ СПРОСА СТРОИТЕЛЬНЫХ
ТОВАРОВ 27
2.1. Выбор программного средства для решения задачи 27
2.1.1. Службы Microsoft Analysis Services 27
2.1.2. Платформа Microsoft BI Solution builder 28
2.1.3. Oracle Data Mining Suite 29
2.1.4. Статистический пакет Statistical Package for the Social Sciences
(SPSS) 30
2.1.5. Oracle Crystal Ball 31
2.1.6. Пакет MATLAB 32
2.2. Обоснование выбора программного средства для исследования 33
2.3. Выбор архитектуры и метода обучения нейронной сети в системе
Matlab 34
2.3.1. Модель обучения нейронной сети 34
2.3.2. Алгоритм обучения метода обратного распространения 36
2.3.3. Гибридный алгоритм обучения (MATLAB ANFIS) 38
2.4. Моделирование нейронной сети для прогнозирования
потребительского спроса строительных товаров 39
2.4.1. Настройка сети обратного распространения 39
2.4.3. Настройка гибридной нейронной сети 40
3. СБОР И АНАЛИЗ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ 41
3.1. Информационное обеспечение задачи. Данные о продажах 42
3.2. Проведение эксперимента 47
3.3. Сравнительный анализ методов 58
ЗАКЛЮЧЕНИЕ 60
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
📖 Введение
В современном мире, с постоянно меняющимися экономическими условиями, спросом и предложениями, невозможно заниматься бизнесом на основе лишь накопленного собственного опыта. Следует анализировать текущее состояние рынка, тенденции его развития прогнозировать возможные его изменения, а также успешность своей деятельности в будущем.
В нестабильных условиях рыночной экономики деятельность любого предприятия в значительной степени зависит от того, насколько точно и достоверно оно может предвидеть перспективы своего развития в будущем, т.е. осуществлять прогнозирование продаж, а, соответственно, и прибыли. Прогноз является одной из главных обязанностей любого руководителя, так как это важная составляющая успеха компании.
Аппарат нейронных сетей - мощный инструмент для прогнозирования потребительского спроса. Нейронные сети позволяют отыскать скрытые зависимости между показателями и получить при этом наиболее точный прогноз данных, потому и является более предпочтительным.
Целью магистерской диссертации является выявление оптимальной методики прогнозирования с использованием нейронных сетей в отрасли строительных материалов.
Для достижения поставленной цели необходимо решить ряд следующих задач:
• изучить нейросетевые методы прогнозирования;
• выбрать несколько методов нейросетевого прогнозирования для проведения эксперимента;
• провести анализ программных средств, позволяющий выполнить прогнозирование методом нейронных сетей, обосновать выбор программного средства;
• провести анализ временных рядов продаж строительных товаров определить их характер (стационарность, сезонность, и др. показатели);
• провести отбор наиболее значимых факторов, влияющих на объемы продаж строительных товаров по их статистическим оценкам;
• сформировать входные данные для обучения НС;
• провести эксперимент для определения методики обучения сети, позволяющей спрогнозировать продажи строительных товаров наиболее точно.
Структура магистерской диссертации обусловлена целью и задачами исследования. Работа состоит из введения, трех глав и заключения.
Введение раскрывает актуальность задачи прогнозирования, определяет степень научной разработки темы, объект, предмет, цель и задачи, раскрывает теоретическую и практическую значимость работы.
В первой главе рассматриваются нейросетевые методы для прогнозирования.
Во второй главе осуществляется выбор программного средства, а так же настройка нейронной сети для прогноза.
Третья глава посвящена сбору входных данных, проведению эксперимента, а так же сравнительному анализу результатов.
В заключении подводятся итоги исследования, формируются окончательные выводы по рассматриваемой теме.
В нестабильных условиях рыночной экономики деятельность любого предприятия в значительной степени зависит от того, насколько точно и достоверно оно может предвидеть перспективы своего развития в будущем, т.е. осуществлять прогнозирование продаж, а, соответственно, и прибыли. Прогноз является одной из главных обязанностей любого руководителя, так как это важная составляющая успеха компании.
Аппарат нейронных сетей - мощный инструмент для прогнозирования потребительского спроса. Нейронные сети позволяют отыскать скрытые зависимости между показателями и получить при этом наиболее точный прогноз данных, потому и является более предпочтительным.
Целью магистерской диссертации является выявление оптимальной методики прогнозирования с использованием нейронных сетей в отрасли строительных материалов.
Для достижения поставленной цели необходимо решить ряд следующих задач:
• изучить нейросетевые методы прогнозирования;
• выбрать несколько методов нейросетевого прогнозирования для проведения эксперимента;
• провести анализ программных средств, позволяющий выполнить прогнозирование методом нейронных сетей, обосновать выбор программного средства;
• провести анализ временных рядов продаж строительных товаров определить их характер (стационарность, сезонность, и др. показатели);
• провести отбор наиболее значимых факторов, влияющих на объемы продаж строительных товаров по их статистическим оценкам;
• сформировать входные данные для обучения НС;
• провести эксперимент для определения методики обучения сети, позволяющей спрогнозировать продажи строительных товаров наиболее точно.
Структура магистерской диссертации обусловлена целью и задачами исследования. Работа состоит из введения, трех глав и заключения.
Введение раскрывает актуальность задачи прогнозирования, определяет степень научной разработки темы, объект, предмет, цель и задачи, раскрывает теоретическую и практическую значимость работы.
В первой главе рассматриваются нейросетевые методы для прогнозирования.
Во второй главе осуществляется выбор программного средства, а так же настройка нейронной сети для прогноза.
Третья глава посвящена сбору входных данных, проведению эксперимента, а так же сравнительному анализу результатов.
В заключении подводятся итоги исследования, формируются окончательные выводы по рассматриваемой теме.
✅ Заключение
Цель настоящей магистерской диссертации заключалась в выявлении оптимальной методики прогнозирования с использованием нейронных сетей в отрасли строительных материалов.
Для достижения указанной цели были выполнены определенные во введении задачи. А именно: изучены методы нейросетевого
прогнозирования, из которых были взяты два метода для эксперимента, а так же проведен анализ программных средств для решения задачи.
На этапе проектирования сформирована структура нейронной сети, выбран алгоритм обучения. После чего выполнено моделирование нейронной сети для прогнозирования в системе MATLAB.
Собирая входные данные для обучения НС, был проведен анализ временного ряда на стационарность и сезонность. В результирующую таблицу входных данных были добавлены коэффициенты, влияющие на продажи. Данные, подаваемые на вход НС были отмасштабированы в интервале [0,1].
Проведение эксперимента показало, что НС не только способны прогнозировать потребительский спрос строительных товаров, но и показывать при этом достаточно точный результат. На основании сравнения значений ошибки сети прогнозирования была определена оптимальная методика прогноза.
Таким образом, задачи решены в полном объеме, цель достигнута - определена оптимальная методика прогнозирования с использованием нейронных сетей в отрасли стройматериалов.
Для достижения указанной цели были выполнены определенные во введении задачи. А именно: изучены методы нейросетевого
прогнозирования, из которых были взяты два метода для эксперимента, а так же проведен анализ программных средств для решения задачи.
На этапе проектирования сформирована структура нейронной сети, выбран алгоритм обучения. После чего выполнено моделирование нейронной сети для прогнозирования в системе MATLAB.
Собирая входные данные для обучения НС, был проведен анализ временного ряда на стационарность и сезонность. В результирующую таблицу входных данных были добавлены коэффициенты, влияющие на продажи. Данные, подаваемые на вход НС были отмасштабированы в интервале [0,1].
Проведение эксперимента показало, что НС не только способны прогнозировать потребительский спрос строительных товаров, но и показывать при этом достаточно точный результат. На основании сравнения значений ошибки сети прогнозирования была определена оптимальная методика прогноза.
Таким образом, задачи решены в полном объеме, цель достигнута - определена оптимальная методика прогнозирования с использованием нейронных сетей в отрасли стройматериалов.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.