|
Постановка задачи4Нейросетевое моделирование находит все новые успешные применения в практике управления и принятия решений, в том числе – в финансовой и торговой сферах. Лежащая в ее основе теория нелинейных адаптивных систем доказала свою полезность при выработке прогнозов в целом ряде отраслей экономики и финансов.
Задачей данного дипломного проекта является разработка подсистемы прогнозирования на основе средств нейросетевого моделирования интеллектуального анализа данных Analysis Services SQL Server 2005 в системе прогнозирования биржевой информации.
Подсистема нейросетевого моделирования создает классификационные и регрессивные модели интеллектуального анализа данных путем построения многоуровневой перцептронной сети нейронов
ОБЩАЯ ЧАСТЬ5
1. Применение нейросетевого моделирование при анализе биржевой информации5
1.1. Кому нужно предсказывать рынок?5
1.2. Можно ли предсказывать рынок?5
1.3. Технический анализ и нейронные сети6
1.4. Выводы8
2. Интеллектуальный анализ данных Microsoft SQL 2005 Analysis Services
2.1. Создание проекта служб Analysis Services
2.2. Добавление структур интеллектуального анализа данных к проекту служб Analysis Services
2.3. Работа с моделями интеллектуального анализа данных11
2.4. Создание прогнозов
3. Объекты интеллектуального анализа данных службы Analysis Services
3.1. Структура интеллектуального анализа данных
3.1.1. Столбцы структуры интеллектуального анализа данных
3.2. Модель интеллектуального анализа данных
3.2.1. Столбцы модели интеллектуального анализа данных
3.3. Алгоритмы интеллектуального анализа данных
4. Алгоритм нейронной сети (Microsoft) (службы SSAS)
4.1. Принцип работы алгоритма
4.2. Обучение нейронных сетей
4.3. Использование алгоритма
5. Создание проекта нейросетевого моделирования в SASS
5.1. Создание проекта SASS
5.2. Задание источника данных
5.3. Определение представления источника данных с помощью мастера представлений источников данных
5.4. Мастер интеллектуального анализа данных
5.5. Конструктор интеллектуального анализа данных
5.6. Развертывание и обработка объектов Analysis Services
5.7. Развертывание проектов служб Analysis Services
5.8. Обработка объектов служб Analysis Services
5.9. Просмотр модели интеллектуального анализа данных
5.10. Диаграмма точности
5.11. Прогнозирование с помощью модели анализа
6. Расширения интеллектуального анализа данных
6.1. Инструкции определения данных
6.1.1. CREATE MINING STRUCTURE
6.1.2. ALTER MINING STRUCTURE
6.1.3. CREATE MINING MODEL
6.1.4. EXPORT
6.1.5. IMPORT
6.1.6. SELECT INTO
6.1.7. DROP MINING MODEL
6.1.8. DROP MINING STRUCTURE
6.2. Инструкции обработки данных
6.2.1. INSERT INTO
6.2.2. OPENQUERY
6.2.3. OPENROWSET
6.2.4. SHAPE
6.2.5. PREDICTION JOIN
6.2.6. DELETE
СПЕЦИАЛЬНАЯ ЧАСТЬ
1. Разработка метода прогнозирования с применением алгоритмов кластеризации и нейронных сетей Microsoft
1.1. Введение
1.2. Общая схема метода
2. Описание АС
2.1. Архитектура АС
2.2. Схема взаимодействия модулей
2.3. Структура БД
2.4. Модуль загрузки данных
2.5. Модуль подготовки данных
2.6. Модуль прогнозирования
2.7. Взаимодействие модулей АС и БД
3. Модуль подготовки данных
3.1. Задачи модуля
3.1.1. Переход от формата DOHLCV к формату DV
3.1.2. Очистка и дополнение числового ряда DV
3.1.3. Приращения числового ряда DV
3.1.4. Вычисление корреляции
3.1.5. Создание таблицы исходных данных для DM
3.2. Образец кода создания общей таблицы
4. Модуль прогнозирования: подсистема нейросетевого моделирования
4.1. Задачи модуля и подсистемы
4.2. Нейросетевое моделирование
4.3. Прогнозирование
5. Тестирование
5.1. Результаты
5.2. Выводы
ЭКОНОМИЧЕСКАЯ ЧАСТЬ
1. Описание RatePrediction
1.1. Модуль подготовки данных
1.1.1. Модуль загрузки данных
1.1.2. Модуль подготовки данных
1.2. Модуль анализа данных
2. Исследование рынка
2.1. Сегментирование рынка
2.2. Позиционирование RatePrediction
3. Маркетинговая стратегия
3.1. Конкурентные преимущества
3.2. Метод продвижения RatePrediction на рынок
4. Затраты на разработку
4.1. Подсчет цены
4.2.Единовременные затраты производителя
4.2.1. Теоретическое исследование
4.2.1.1. Затраты на заработную плату
4.2.1.2. Отчисления по ЕСН
4.2.1.3. Вычисление стоимости услуг
4.2.1.3.1. Расчет стоимости работы рабочей станции
4.2.1.3.1.1. Годовые эксплуатационные расходы
4.2.1.3.1.1.1. Расчет заработной платы
4.2.1.3.1.1.2. Затраты на текущий ремонт
4.2.1.3.1.1.3. Затраты на электроэнергию
4.2.1.3.1.1.4. Амортизационные отчисления
4.2.1.3.1.1.5. Отчисления по ЕСН
4.2.1.3.1.1.6. Косвенные расходы
4.2.1.3.1.2. Расчет действительного годового фонда времени работы ЭВМ
4.2.1.4. Косвенные затраты
4.2.2. Затраты на разработку программ и программной документации
4.2.2.1. Затраты на заработную плату
4.2.2.2. Отчисления по ЕСН
4.2.2.3. Вычисление стоимости услуг
4.2.2.4.Косвенные расходы
4.2.3. Затраты на рекламу
4.3. Определение стоимости программного продукта на основе метода «средние издержки плюс прибыль»
4.3.1. Расчет издержек
4.4. Определение цены программного продукта на основе «безубыточности и обеспечения целевой прибыли»
ОХРАНА ТРУДА
Введение
1. Вредные факторы при работе с ПЭВМ
1.1. Электромагнитное излучение
1.2. Электростатическое поле
1.3. Ультрафиолетовое излучение
1.4. Рентгеновское излучение
1.5. Химические факторы
1.6. Шум
2. Влияние работы монитора на здоровье человека
3. Производственное освещение
3.1. Описание проблемы
3.1. Расчет освещения производственного помещения
4. Расчет вытяжной вентиляции
4.1. Расчет выделения тепла
4.1.1. Тепловыделения от людей
4.1.2. Тепловыделения от солнечной радиации
4.1.3. Тепловыделения от источников искусственного освещения
4.1.4. Тепловыделения от радиотехнических установок и устройств вычислительной техники
4.2. Расчет необходимого воздухообмена
Выводы
Заключение
Библиографический список
|
На уровень вверх
Купить