Нейросетевой анализ Глава 1 Аналитический обзор моделей и методов прогнозирования

Развитие прогностики как науки в последние десятилетия привело к созданию множества методов, процедур, приемов прогнозирования, неравноценных по своему значению. По оценкам зарубежных и отечественных систематиков прогностики уже насчитывается свыше ста методов прогнозирования, в связи с чем перед специалистами возникает задача выбора методов, которые давали бы адекватные прогнозы для изучаемых процессов или систем.

Для тех, кто не является специалистами в прикладной математике, эконометрике, статистике, применение большинства методов прогнозирования вызывает трудности при их реализации с целью получения качественных и точных прогнозов. В связи с этим, каждый метод рассмотрен очень подробно с приведением рекомендаций по практическому применению.

В первой части рассмотрены теоретические аспекты построения и применения методов и алгоритмов прогнозирования Приведена классификация наиболее распространенных методов.

Во второй части рассмотрены классические адаптивные модели прогнозирования, реализованные в MS Excel. Несмотря на то, что они программно реализованы в некоторых статистических и эконометрических пакетах прикладных программ, предложен именно ручной счет, освоив который гораздо легче понимать принципы и специфику данных методов прогнозирования.

В третьей части основное внимание уделено применению классических нелинейных многофакторных моделей прогнозирования. Совершено очевидно, что сложные нелинейные многофакторные модели невозможно просчитать вручную, поэтому подробно рассматривается возможность применения пакета Statistica для этих целей.

В четвертой части рассмотрены нейросетевые методы прогнозирования и особенности их построения. Многие источники подробно рассматривают теорию нейронных сетей, опуская описание практического их использования.

Введение

АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ

АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ 2

АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ 3

АНАЛИТИЧЕСКИЙ ОБЗОР МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ 4

Прогнозная экстраполяция

Метод наименьших квадратов

Метод наименьших квадратов 2

Метод экспоненциального сглаживания

Метод экспоненциального сглаживания 2

Метод экспоненциального сглаживания 3

Метод экспоненциального сглаживания 4

Метод экспоненциального сглаживания 5

Метод вероятностного моделирования

Метод вероятностного моделирования 2

Метод вероятностного моделирования 3

Метод вероятностного моделирования 4

Интуитивные (экспертные) методы прогнозирования

Интуитивные (экспертные) методы прогнозирования 2

Интуитивные (экспертные) методы прогнозирования 3

Интуитивные (экспертные) методы прогнозирования 4

Интуитивные (экспертные) методы прогнозирования 5

Интуитивные (экспертные) методы прогнозирования 6

Интуитивные (экспертные) методы прогнозирования 7

Интуитивные (экспертные) методы прогнозирования 8

Интуитивные (экспертные) методы прогнозирования 9

Корреляционный и регрессионный анализы

Корреляционный и регрессионный анализы 2

Корреляционный и регрессионный анализы 3

Корреляционный и регрессионный анализы 4

Корреляционный и регрессионный анализы 5

Корреляционный и регрессионный анализы 6

Корреляционный и регрессионный анализы 7

Модели стационарных временных рядов и их идентификация

Модели авторегрессии порядка p (AR(p)-модели)

Модели авторегрессии порядка p (AR(p)-модели) 2

Модели скользящего среднего порядка q (МА(q)-модели)

Модели скользящего среднего порядка q (МА(q)-модели) 2

Авторегрессионные модели со скользящими средними в остатках (ARMA(p, q)-модели)

Модели нестационарных временных рядов и их идентификация

Модель авторегрессии-проинтегрированного скользящего среднего (ARIMA(p, k, q)-модель)

Модели рядов, содержащих сезонную компоненту

Прогнозирование на базе ARIMA-моделей

Адаптивные методы прогнозирования

Адаптивные методы прогнозирования 2

Адаптивные методы прогнозирования 3

Адаптивные методы прогнозирования 4

Адаптивные методы прогнозирования 5

Метод группового учета аргументов

Метод группового учета аргументов 2

Метод группового учета аргументов 3

Метод группового учета аргументов 4

Метод группового учета аргументов 5

Метод группового учета аргументов 6

Теория распознавания образов

Прогнозирование с использованием нейронных сетей и генетических алгоритмов 2

Прогнозирование с использованием нейронных сетей и генетических алгоритмов 3

Прогнозирование с использованием нейронных сетей и генетических алгоритмов 4

Прогнозирование с использованием нейронных сетей и генетических алгоритмов 5

Выводы к теоретической главе

Выводы к теоретической главе 2

Выводы к теоретической главе 3

ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ АДАПТИВНЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ

Общие положения

Общие положения 2

Полиномиальные модели временных рядов. Метод экспоненциальной средней

Адаптивная полиномиальная модель нулевого порядка (р=0)

Адаптивная полиномиальная модель нулевого порядка (р=0) 2

Адаптивная полиномиальная модель нулевого порядка (р=0) 3

Адаптивная полиномиальная модель нулевого порядка (р=0) 4

Адаптивная полиномиальная модель первого порядка (р=1)

Адаптивная полиномиальная модель первого порядка (р=1) 2

Адаптивная полиномиальная модель первого порядка (р=1) 3

Адаптивная полиномиальная модель второго порядка (р=2)

Адаптивная полиномиальная модель второго порядка (р=2) 2

Прогнозирование с использованием модели Уинтерса

Прогнозирование с использованием модели Уинтерса 2

Прогнозирование с использованием модели Уинтерса 3

Прогнозирование с использованием модели Уинтерса 4

Прогнозирование с использованием модели Уинтерса 5

Прогнозирование с использованием модели Уинтерса 6

Прогнозирование с использованием модели Уинтерса 7

Прогнозирование объема производства по модели Тейла-Вейджа

Прогнозирование объема производства по модели Тейла-Вейджа 2

Прогнозирование объема производства по модели Тейла-Вейджа 3

Прогнозирование объема производства по модели Тейла-Вейджа 4

Прогнозирование объема производства по модели Тейла-Вейджа 5

Прогнозирование объема производства по модели Тейла-Вейджа 6

ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МНОГОФАКТОРНЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ

ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ МНОГОФАКТОРНЫХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ 2

Линейные многофакторные модели

Линейные многофакторные модели 2

Линейные многофакторные модели 3

Линейные многофакторные модели 4

Линейные многофакторные модели 5

Линейные многофакторные модели 6

Линейные многофакторные модели 7

Линейные многофакторные модели 8

Линейные многофакторные модели 9

Линейные многофакторные модели 10

Линейные многофакторные модели 11

Линейные многофакторные модели 12

Нелинейные многофакторные модели

Нелинейные многофакторные модели 2

Нелинейные многофакторные модели 3

Нелинейные многофакторные модели 4

Нелинейные многофакторные модели 5

Нелинейные многофакторные модели 6

Нелинейные многофакторные модели 7

Нелинейные многофакторные модели 8

Нелинейные многофакторные модели 9

Нелинейные многофакторные модели 10

НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ В ПАКЕТЕ STATISTICA NEURAL NETWORKS

Создание набора данных

Создание набора данных 2

Добавление наблюдений

Удаление лишних наблюдений

Изменение переменных и наблюдений

Другие возможности редактирования данных

Создание новой сети

Создание сети

Сохранение набора данных и сети

Обучение сети

Оптимизация обучения

Выполнение повторных прогонов

Ошибки для отдельных наблюдений

Запуск нейронной сети

Обработка наблюдений по одному

Прогон всего набора данных

Тестирование на отдельном наблюдении

Создание сети типа Многослойный персептрон

Создание сети типа многослойный персептрон с помощью мастера

Создание сети типа многослойный персептрон с помощью мастера 2

Создание сети типа многослойный персептрон с помощью мастера 3

Создание сети типа многослойный персептрон с помощью мастера 4

Создание сети типа многослойный персептрон с помощью мастера 5

Создание сети типа многослойный персептрон с помощью мастера 6

Создание сети типа многослойный персептрон с помощью мастера 7

Создание сети типа многослойный персептрон с помощью мастера 8

Создание сети типа многослойный персептрон с помощью мастера 9

Создание сети типа многослойный персептрон с помощью мастера 10

Создание сети типа многослойный персептрон с помощью мастера 11

Создание сети типа многослойный персептрон с помощью мастера 12

Построение нейронной сети без мастера

Построение нейронной сети без мастера 2

Глава 2

Linux для пользователя здесь
Язык и архитектура Java здесь

Справка
Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.
Продолжение

Нейросетевой анализ и прогнозирование