Кириченко Лилия Михайловна
Кафедра: Автоматизированные системы управления
Группа: АСУ-00б
e-mail: liljok@mail.ru
Тема магистерской работы: "Разработка компьютеризированной подсистемы прогноза экономических показателей промышленности в условиях Главного управления статистики в Донецкой области".
Руководитель: профессор Махно Сергей Яковлевич
Главная Диссертация Ссылки Отчёт о поиске Индивидуальное задание Это интересно!
Электронная библиотека.
1. Кириченко Л.М. Статистика промышленности. Обзор и анализ статистических методов прогнозирования.
Источник: Сборник трудов магистров 2005 года.
В статье рассмотрен обзор и анализ статистических методов прогнозирования, сущность статистических прогнозов, классификация методов прогнозирования, как применяются нейронные сети в прогнозировании. Раскрывается понятие статистики промышленности.
2. Статистика (Курс лекций).
Источник: Статистика. Раздел 1 «Общая теория статистики и математическая статистика». Курс лекций. / Сост.: Мизина Е.В. – Донецк: ДонГТУ, 2001. – с. 3-25.
Изложены основные темы первого раздела курса «Статистика»: «Общая теория статистики и математическая статистика». Рассмотрены основные понятия в статистике: предмет статистики, метод статистики, статистическое наблюдение, план статистического наблюдения, виды и способы наблюдения, сущность сводки и группировки статистических данных, ряды распределения, статистические таблицы, методы расчета и анализа абсолютных и относительных величин.
3. Токарев В.Л. Интегрированная система поддержки принятия решений по управлению, прогнозированию и диагностике.
Источник: Журнал «Автоматизация и современные технологии.» – 2000. – №4. – с. 21-28
В статье приведен анализ и обзор различных интеллектуальных систем. Подробно рассматривается интегрированная система поддержки принятия решения (ИСПР), включающая подсистему моделирования. В частности, рассмотрены такие вопросы, как: структура ИСПР, подсистема моделирования, её цели, база знаний, подсистема поиска решений, методы обработки информации подсистемой моделирования.
4. П.С. Большаков. Уникальные возможности STATISTICA Data Miner.
Источник: http://www.statsoft.ru/home/applications/dataminer.htm
Подробно описывается, что такое Data Mining, его применение. Этот термин связан с новым витком в развитии средств и методов обработки и хранения данных. Рассматривается система STATISTICA Data Miner, которая спроектирована и реализована как универсальное и всестороннее средство анализа данных – от взаимодействия с различными базами данных до создания готовых отчетов.
5. Прогнозирующие системы. Состояние проблемы.
Источник: http://www.anriintern.com/neuro/menu.shtml
Обсуждаются некоторые общие аспекты разработки прогнозирующих систем: понятие прогноза и цели его использования, основные понятия и определения в области прогнозирования, методы прогнозирования, модели временных последовательностей, критерии производительности прогнозирующих систем и другие общие вопросы касающиеся разработки прогнозирующих систем.
6. Метод "Гусеница": базовый алгоритм.
Источник: http://www.gistatgroup.com/gus/book1/index.html
Описывается базовый алгоритм анализа одномерных временных рядов, реализуемый методом "Гусеница", проанализированы его этапы. Обсуждается выбор параметров ппри применении метода: выбор длины гусеницы, отбор главных компонент. Даются полезные рекомендации относительно этого метода.
7. Метод наименьших квадратов.
Источник: http://iissvit.narod.ru/htm/vip9.htm
МНК является классическим методом, с которого надо начинать обзор о методах прогнозирования. Приведено краткое описание данного метода и показывается, как с помощью его строить прогнозы.
8. Экспоненциальное сглаживание.
Источник: http://www.anchem.chtd.tpu.ru/edubook/math/stat_ru/modules/sttimser.html#exponential
Приведено описание метода, рассмотрено простое экспоненциальное сглаживание, индексы качества подгонки.
9. С. Короткий. Нейронные сети: основные положения.
Источник: http://megareferat.ru/nauka-tehnika/3125.html
Рассмотрены основы теории нейронных сетей, позволяющие в дальнейшем обратиться к конкретным структурам, алгоритмам и идеологии практического применения сетей в компьютерных приложениях.
10. Нейронные сети, основанные на методе обратного функционирования.
Источник: http://exit.molodechno.by/modules/incontent/index.php?op=aff&option=0&url=Technics/kr_4CONTENS.htm
Рассматривается модель нейронной сети с обратным распространением. Приводится детальное описание метода обратного распространения – способа обучения многослойных НС, проведена современная оценка этого метода.