МИНОБРНАУКИ РОССИИ

ГОУ ОГУ

Орский гуманитарно-технологический институт (ФИЛИАЛ)

Государственного образовательного учреждения высшего профессионального образования

«Оренбургский государственный университет»

(ОГТИ (филиал) ГОУ ОГУ)

Экономический факультет

Кафедра прикладной информатики

Курсовая работа

по дисциплине «Интеллектуальные информационные системы»

Прогнозирование внутреннего валового продукта на основе искусственной нейронной сети

ОГТИ 080801.65.5012.18 ОО

Руководитель работы канд. эконом. наук, доцент __________________Т. И. Лабужская ст. преподаватель _____________Ж. В. Михайличенко «___» _____________ 2012 г. Исполнитель студент(ка) группы 08ПИ ___________________ В. П. Иванова «___» _____________ 2012 г.

Орск 2012

Лист здания

Аннотация

В данной курсовой работе рассматриваются теоретические и практические вопросы прогнозирования внутреннего валового продукта на основе технологий искусственных нейронных сетей.

Цель курсовой работы: разработать и исследовать программную систему для решения задач прогнозирования внутреннего валового продукта на основе многослойной искусственной нейронной сети, обучающейся по алгоритму обратного распространения ошибки.

Курсовая работа состоит из двух разделов. В первом разделе дано понятие искусственных нейронных сетей, рассмотрена их классификация, проанализированы области применения нейросетей, а также отражены особенности решения задач прогнозирования на основе технологий искусственного интеллекта.

Во втором разделе рассмотрены вопросы практической реализации нейросети для прогнозирования внутреннего валового продукта. Дано обоснование выбора программных средств реализации, спроектирована структура сети, рассмотрена технология прогнозирования с использованием пакета NeuroPro.

Работа выполнена печатным способом на 30 страницах с использованием 8 источников, содержит 3 таблицы, 15 рисунков и 1 приложение.

Содержание

Введение 5

1. Идентификация предметной области 7

1.1 Понятие искусственной нейронной сети. Классификация нейросетей 7

1.2 Прогнозирование на основе искусственных нейронных сетей 10

2. Практическая часть 14

2.1 Обоснование выбора программных средств реализации 14

2.2 Формирование обучающей выборки 15

2.3 Выбор структуры нейронной сети 17

2.4 Прогнозирование ВВП на основе многослойной нейронной сети 18

Заключение 26

Список использованных источников 28

Приложение А 29

Введение

Нейронные сети представляют собой новую и весьма перспективную вычислительную технологию, дающую новые подходы к исследованию динамических задач в экономической области. Первоначально нейронные сети открыли новые возможности в области распознавания образов, затем к этому прибавились статистические и основанные на методах искусственного интеллекта средства поддержки принятия решений и решения задач в сфере экономики.

Способность к моделированию нелинейных процессов, работе с зашумленными данными и адаптивность дают возможности применять нейронные сети для решения широкого класса задач. В последние несколько лет на основе нейронные сетей было разработано много программных систем для применения в таких вопросах, как операции на товарном рынке, оценка вероятности банкротства банка, оценка кредитоспособности, контроль за инвестициями, размещение займов, прогнозирование показателей экономических объектов.

Приложения нейронных сетей охватывают самые разнообразные области интересов: распознавание образов, обработка зашумленные данных, дополнение образов, ассоциативный поиск, классификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование, управление процессами, сегментация данных, сжатие информации, сложные отображения, моделирование сложных процессов, машинное зрение, распознавание речи.

Методы нейронных сетей могут использоваться независимо или же служить прекрасным дополнением к традиционным методам статистического анализа, большинство из которых связаны с построением моделей, основанных на тех или иных предположениях и теоретических выводах (например, что искомая зависимость является линейной или что некоторая переменная имеет нормальное распределение). Нейросетевой подход не связан с такими предположениями - он одинаково пригоден для линейных и сложных нелинейных зависимостей, особенно же эффективен в разведочном анализе данных, когда ставится цель выяснить, имеются ли зависимости между переменными. При этом данные могут быть неполными, противоречивыми и даже заведомо искаженными. Если между входными и выходными данными существует какая-то связь, даже не обнаруживаемая традиционными корреляционными методами, то нейронная сеть способна автоматически настроиться на неё с заданной степенью точности. Кроме того, современные нейронные сети обладают дополнительными возможностями: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать её объем без потери существенных данных, распознавать симптомы приближения критических ситуаций и так далее.