СОДЕРЖАНИЕ 1

ВВЕДЕНИЕ 3

1 Исследовательский раздел 5

1.1 Анализ процесса продаж мобильных телефонов 5

1.2 Нейронные сети как средство анализа процесса 8

1.3 Автоматизированные решения на основе нейросетевых технологий 10

1.4 Особенности проектируемой системы в сравнении с аналогичными 18

1.5 Цели и задачи разработки автоматизированной системы прогнозирования 18

2 Специальный раздел 20

2.1 Особенности проектирования системы в общем виде 20

2.2 Классификация нейронных сетей. Выбор нейронной сети для решения задачи 22

2.2.1 Однослойные нейронные сети 24

2.2.2 Многослойные нейронные сети 26

2.2.3 Обучение искусственных нейронных сетей 26

2.2.4 Нейросети обратного распространения 27

2.2.5 Обучение нейросетей обратного распространения 30

2.3 Применения нейросетей обратного распространения. Сведение прогнозирования к задаче распознавания образов 33

2.3.1 Задача распознавания образов 34

2.3.2 Метод окон 35

2.4 Разработка программной системы прогнозирования временных рядов 37

2.4.1 Обзор объектно-ориентированного программирования в Delphi 37

2.4.2 Объектно-ориентированный анализ задачи прогнозирования на искусственных нейронных сетях 38

3 Технологический раздел 45

3.1 Информационное обеспечение задачи. Данные о продажах мобильных телефонов 45

3.2 Возможности разработанной программы 48

3.3 Нейросетевое прогнозирование оптово-розничных продаж мобильных телефонов 50

3.4 Выводы по проектированию 51

4 Безопасность жизнедеятельности 53

4.1 Анализ условий труда и возможных чрезвычайных ситуаций, возникающих при эксплуатации вычислительной техники 53

4.2 Разработка безопасных и безвредных условий труда. Организация рабочего места 56

4.3 Анализ методов сбора, переработки и утилизации отходов вычислительной техники 66

5 Организационно-экономический отдел 68

5.1 Оценка конкурентоспособности в сравнении с аналогом 68

5.2 Планирование комплекса работ по разработке темы и оценка трудоемкости 70

5.3 Расчет затрат на разработку проекта 75

5.4 Расчет эксплуатационных затрат 80

5.5 Расчет показателя экономического эффекта 84

ЗАКЛЮЧЕНИЕ 87

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 88

Приложение А. Скриншоты работы программы 91

Приложение Б. Листинг программного кода 94

В области информационных технологий всегда существовали два взаимодополняющих друг друга направления развития [1]:

o системы, ориентированные на операционную обработку данных - системы обработки данных (далее СОД);

o системы, ориентированные на анализ данных - системы поддержки принятия решений (далее СППР).

Еще недавно развивались почти исключительно системы, ориентированные только на операционную обработку данных. И такое опережающее развитие одного из направлений вполне объяснимо.

На первых этапах автоматизации требовалось и требуется навести порядок именно в процессах повседневной, рутинной обработки данных, на что и ориентированны традиционные СОД. Прежде чем заниматься анализом данных, необходимо эти данные произвести, а именно это и является одной из функций СОД.

Однако за последние несколько лет ситуация существенно изменилась. И это непосредственно связано с тем, что практически в любой организации сложилась хорошо всем знакомая парадоксальная ситуация - "информация вроде бы, где-то и есть, её даже слишком много, но она неструктурированна, несогласованна, разрознена, не всегда достоверна, её практически невозможно найти и получить" [2].

Именно на разрешение этого противоречия - отсутствие информации при ее наличии и даже избытке - и нацелены концепции в рамках СППР: хранилищ данных, витрин данных, On-Line Analitical Processing (далее OLAP), Data-mining [3].

Принять любое управленческое решение невозможно, не обладая необходимой для этого информацией. Для этого необходимо создание хранилищ данных, то есть процесс сбора, отсеивания и предварительной обработки данных с целью предоставления результирующей информации пользователям для дальнейшего анализа и создания отчетов [4].

Использование технологии OLAP позволяет аналитику посмотреть в удобном виде данные в виде "кубов", разворачивать и сворачивать их. OLAP предоставляет удобные быстродействующие средства доступа, просмотра и анализа деловой информации. Пользователь получает естественную, интуитивно понятную модель данных, организуя их в виде многомерных кубов. Нужный разрез или свод данных аналитик может проанализировать с помощью средств анализа данных [5].

Необходимость использования автоматизированного анализа данных стала очевидной в первую очередь из-за огромных массивов исторической и вновь собираемой информации. Другой причиной роста популярности анализа данных является объективность получаемых результатов. Человеку-аналитику, в отличие от машины, всегда присущ субъективизм, он в той или иной степени является заложником уже сложившихся представлений. Иногда это полезно, но чаще всего нет. Технология Data-mining не исключает полностью человеческую роль, но значительно упрощает процесс поиска знаний.

В качестве средств Data-mining всё большее распространение получают технологии на основе нейронных сетей. Нейросетевая методология 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 в целом ряде отраслей экономики и финансов.

В настоящем дипломном проекте будет разработана автоматизированная программа прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.

1. Бестенс Д., В.Ван ден Берг, Д.Вуд Нейронные сети и финансовые рынки. Принятие решений в торговых операциях.-М. ТВП, 1997.

2. Fayyad, Piatetsky-Shapiro, Smyth, and Uthurusamy. Advances in Knowledge Discovery and Data Mining, (Chapter 1) AAAI/MIT Press 1996

3. Parsaye K. A Characterization of Data Mining Technologies and Processes. The Journal of Data Warehousing. 1998.№ 1

4. Иванов О.В. Статистика / Учебный курс для социологов и менеджеров. Часть 1. Описательная статистика. Теоретико-вероятностные основания статистического вывода. - М. 2005. 187 с

5. Л. В. Щавелёв. Способы аналитической обработки данных для поддержки принятия решений. СУБД. 1998. № 4-5

6. А.Н. Горбань. Методы нейроинформатики. КГТУ, Красноярск, 1998. 205 с

7. http://www.bi-grouplabs.ru/Product/ERP/RS_balance/description.html

8. Чубукова И.А. Data Mining - БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий - ИНТУИТ.ру, 2008

9. Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб.пособие.-М.:Финансы и статистика, 2000.- 384с.: ил.

10. Ф. Уоссерман Нейрокомпьютерная техника: теория и практика. 1992

11. Minsky M., and Papert S., 1969. Perseptrons. Cambridge, MA: MIT Press. (Русский перевод: Минский М. Л., Пейперт С. Персептроны. -М. Мир. - 1971.)

12. Kohonen T. 1984. Self-organization and associative memory. Series in Information Sciences, vol. 8. Berlin: Springer Verlag

13. Hebb D. 1961. Organization of behavior. New York: Science Edition.

14. Rumelhart D. E., Hinton G. E., Williams R. J. 1986. Learning internal reprentations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridge, MA: MIT Press.

15. Werbos P. J. 1974. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Masters thesis, Harward University.

16. Wasserman P. D. 1988a. Combined backpropagation/Cauchy machine. Proceedings of the International Newral Network Society. New York: Pergamon Press

17. Rumelhart D. E., Hinton G. E., Williams R. J. 1986. Learning internal reprentations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridge, MA: MIT Press.

18. Wasserman P. D. 1988b. Experiments in translating Chinese characters using backpropagation. Proceedings of the Thirty-Third IEEE Computer Society International Conference. Washington, D. C.: Computer Society Press of the IEEE.

19. Parker D. B. 1987. Second order back propagation: Implementing an optimal 0(n) approximation to Newton's method as an artificial newral network. Manuscript submitted for publication.

20. Stornetta W. S., Huberman B. A. 1987. An improwed three-layer, backpropagation algorithm. In Proceedings of the IEEE First International Conference on Newral Networks, eds. M. Caudill and C. Butler. San Diego, CA: SOS Printing.

21. Pineda F. J. 1988. Generalization of backpropagation to recurrent and higher order networks. In Newral information processing systems, ed. Dana Z. Anderson, pp. 602-11. New York: American Institute of Phisycs.

22. Sejnowski T. J., Rosenberg C. R. 1987. Parallel networks that learn to pronounce English text. Complex Systems 1:145-68.

23. Burr D. J. 1987. Experiments with a connecnionlist text reader. In Proceedings of the IEEE First International Conferense on Neural Networks, eds. M. Caudill and C.Butler, vol. 4, pp. 717-24. San Diego, CA: SOS Printing.

24. Cottrell G. W., Munro P., Zipser D. 1987. Image compression by backpropagation: An example of extensional programming. ICS Report 8702, University of California, San Diego.

25. Кэнту М. Delphi 7 для профессионалов - СПб: Издательство "Питер", 2007. - 1120 с.:ил.

26. Буч Г. Объектно-ориентированное программирование с примерами применения. - Киев: Диалектика, М.:И.В.К., 1992.

27. http://corp.euroset.ru/ru/

Примечаний нет.