Главная
База знаний "Allbest"
Программирование, компьютеры и кибернетика
Автоматизированная система прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей
Автоматизированная система прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей
Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 22.09.2011 |
| Размер файла | 4,6 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Классом (class) называется определяемый пользователем тип данных, который включает в себя состояние (представление класса) и некие операции (поведение класса). Класс имеет некоторое количество внутренних данных и несколько методов, существующих в форме процедур или функций.
Объект (object) есть экземпляр класса или, другими словами, переменная, тип которой является класс. Объекты, в отличие от классов реальны в том смысле, что во время выполнения программы они хранятся в памяти.
Класс может иметь любое число полей и методов. Однако хороший стиль ООП требует, чтобы данные в классах были инкапсулированы (скрыты). Для доступа к внутренним данным объекта нужно использовать методы - это уменьшает шансы появления ошибочной ситуации, а также позволяет автору класса модифицировать его структуру в следующих версиях. Концепция инкапсуляции весьма проста: нужно просто думать о классе как о "черном ящике" с очень маленькой видимой частью. Эта видимая часть называется интерфейсом класса и позволяет получать доступ к данным объектов этого класса остальным частям программы. Для доступа к внутренним данным используются методы - этот подход в концепции ООП называют разграничением информации. Object Pascal заимствовал из C++ три спецификатора доступа: privat (информация доступна только для методов самого класса), protected (доступ разрешен для методов класса и его потомков) и publuc (всеобщий доступ). Есть также спецификатор published, который имеет специальное применение в Delphi.
Object Pascal позволяет определить новый класс, производя его из уже существующего для того, чтобы выразить аналогии между классами. Эта операция называется наследованием и является одной из фундаментальных элементов ООП.
Сообщением называют определенное воздействие одного объекта на другой с целью вызвать соответствующую реакцию. При классическом подходе объекты должны обмениваться только сообщениями.
Полиморфизм - это свойство ООП, при котором одно и то же сообщение может вызывать различные действия на этапе выполнения.
Delphi содержит множество стандартных подпрограмм, но еще больше и важнее имеющаяся библиотека классов VCL (Visual Component Library, библиотека визуальных компонентов), которая имеет иерархическую структуру (иерархия классов). Каждый класс этой иерархии является наследником класса TObject, который является корнем иерархии, что позволяет использовать тип TObject в качестве замены для типа данных любого системного класса. Такая иерархическая структура удобна для программиста и позволяет быстро разрабатывать приложения.
2.4.2 Объектно-ориентированный анализ задачи прогнозирования на искусственных нейронных сетях
Графический пользовательский интерфейс приложения
Для удобного обращения с создаваемой прогнозируемой системой необходимо разработать удобный и понятный графический интерфейс (окна разработанной программы - скриншоты ее выполнения - представлены в Приложении А), который должен позволять вводить различные входные данные, управлять работой программы и в удобной форме выводить результат. Все эти действия должны совершаться на форме (окне Windows), поэтому будем использовать объект класса TForm1, наследуемый от базового класса форм TForm.
В поставленной задаче (см. раздел 1), зная алгоритм ее решения (см. раздел 2.3), выделим входные и выходные данные, а также проанализируем и определим их, используя объектно-ориентированные возможности VCL.
Программа должна выполнять прогнозирование временного ряда, значит необходимо задать временной ряд, для чего нужно указать количество значений в этом ряде и задать собственно значения. Количество элементов может быть только целым и положительным числом, поэтому для его ввода выбираем класс TSpinEdit, который является визуальным компонентом Delphi, а значит, может быть помещен на форму и непосредственно участвовать в диалоге с пользователем. В зависимости от введенного значения количества элементов нужно указать эти элементы. Для решения этой проблемы будем использовать визуальный объект - строковую сетку класса TStringGrid, которая также может быть помещена на главную форму и непосредственно участвовать в диалоге. При помощи этой сетки мы будем также выводить прогноз.
Для задания параметров искусственной нейронной сети обратного распространения поместим на главную форму визуальный компонент класса TSpinEdit (для задания количества слоев в нейронной сети), визуальный компонент класса TStringGrid (для задания количества нейронов в каждом слое нейронной сети).
Для задания параметров алгоритма обратного распространения (см. п.2.2.4) и метода windowing (см. п.2.3.2) поместим на форму следующие визуальные компоненты: три компонента TSpinEdit для задания размера входного окна (выходное окно будет иметь единичный размер в нашем приложении), для указания количества элементов временного ряда для анализа (на этих элементах нейронная сеть будет обучаться) и для задания количества элементов временного ряда, которые нужно спрогнозировать; два компонента TEdit для задания погрешности обучения нейросети и для задания шага скорости обучения. Кроме того, поместим на форму переключатель, указывающий на необходимость выполнения нормализации временного ряда перед обучением, группу радиокнопок, определяющих тип результирующего прогноза, а также кнопку для запуска процесса обучения и кнопку для выполнения заданного типа прогноза. Для удобного анализа прогноза поместим на форму компонент TeeChart, инкапсулирующий возможность построения диаграмм.
Все описанные выше компоненты являются объектами классов VCL, поэтому они имеют свойства и методы, могут обрабатывать и посылать сообщения. Главная форма содержит все эти объекты в себе, то есть они описаны как поля класса TForm1, а значит, создание объекта класса TForm1 выделяет память под все эти компоненты.
Моделирование нейронной сети обратного распространения
Нейронную сеть обратного распространения можно рассматривать как объект, однако, она в свою очередь состоит из слоев, каждый их которых также может выступать объектом, а каждый слой состоит из отдельных нейронов, которые могут являться объектами. Поэтому способов описания нейросети существует большое количество.
Принципиально правильным было бы описать нейрон отдельным классом, который имел бы свойства (входы, весовые коэффициенты, выход и др.) и действие, которое заключалось бы в вычислении выхода в зависимости от входа. При обучении нейросети необходимо корректировать весовые коэффициенты нейронов, поэтому нужны методы в классе нейрона, которые позволили бы корректировать приватные значения весовых коэффициентов. Затем, нужно описать класс слоя нейросети, содержащего список объектов класса нейронов, и, наконец, создать класс нейросети.
Можно поступить иначе - создать класс нейросети, инкапсулирующий поведение и состояние всей нейросети в целом. Этот подход в меньшей мере отвечает строгой концепции ООП, однако, он выглядит более простым для моделирования нейросети на последовательном вычислителе.
Операционная система Windows 98 является многозадачной операционной системой, поэтому можно было бы класс нейрона сделать наследником класса TThread, создать нить для каждого объекта этого класса, и таким образом промоделировать параллельность работы нейрона в рамках операционной системы Windows 98. На самом же деле все расчеты будут выполняться на одном процессоре (если, конечно, нет многопроцессорной системы), и поэтому нити будут получать процессорное время последовательно, а значит, нет большой необходимости создавать нити, тем более, что в большинстве случаев возникают дополнительные трудности с распараллеливанием: синхронизация вычислений, и такие приложения зачастую на одном процессоре работают медленнее чем последовательные аналогичные алгоритмы, выполняющиеся в одной задаче.
Поэтому, после ряда опытов, было принято решение о создании класса, инкапсулирующего нейросеть обратного распространения в целом. Этот класс назван TBackPropagation и помещен в модуль bkpropag. pas. Объект этого класса будет моделировать работу нейросети в создаваемой системе прогнозирования. Следует отметить, что эти объекты можно использовать и для других задач, требующих применение нейросетей обратного распространения (класс оптимизирован именно для задачи прогнозирования), при этом нет необходимости в написании программного кода моделирования нейросети, так как он уже инкапсулирован в классе TBackPropagation, и если нужно добавить что-либо к нейросети, то можно воспользоваться наследованием.
Константы и типы модуля bkpropag
Для корректной работы объекта класса TBackPropagation необходимы следующие константы и типы, которые описаны в интерфейсной части модуля bkpropag (см. приложение Б):
· MAXLAYERS=300 - максимальное количество слоев в нейросети;
· MAXVES=300 - максимальное количество нейронов в слое;
· MAXINPUT=300 - максимальное количество входов нейросети;
· MAXTRAND=300 - максимальное количество элементов во временном ряду;
· TVesCountNeuro - тип количества нейронов в слоях;
· TVesNeuro - тип значений весов нейросети;
· TTrend - временной ряд;
· TOutPromezh - промежуточные выходные сигналы в нейросети.
Описание класса TBackPropagation
Класс TBackPropagation инкапсулирует работу нейросети обратного распространения. В приложении Б приводится описание этого класса. Приватные поля содержат данные, описывающие состояние нейронной сети, и некоторые методы, используемые внутри нейросети:
· fCountLayer: word - количество слоев в нейросети;
· fArrayVesCount: TvesCountNeuro - количество нейронов в слоях;
· fArrayVes: TvesNeuro - значения весов нейросети;
· fXCount: word - количество входных сигналов;
· fY: double - выходной сигнал нейросети;
· fCountTrend: word - количнство чисел во временном ряду;
· fTrend: Ttrend - временной ряд;
· fYPromezh: ToutPromezh - промежуточные выходные сигналы;
· procedure RandomVes - задание весов случайным образом;
· function activation (g: double): double - функция активации;
· function activation_diff (g: Double): double - производная функции активации.
Интерфейсная часть класса (общедоступные методы) содержит функции установки и считывания состояния нейросети, функции выполнения распознавания и обучения.
Функция SetArrayVesCount задает количество нейронов в слоях и возвращает true при правильной работе, она имеет такие параметры: Count содержит количество слоев нейросети; Xcount равняется количеству входных сигналов для нейросети; AVC типа TVesCountNeuro задает количество нейронов в каждом слое. Функция GetArrayVesCount возвращает результат типа TVesCountNeuro, который содержит массив количества нейронов в слоях нейросети, кроме того, в параметре Count возвращается количество слоев, в параметре XCount количество входных сигналов.
Функция SetTrend задает обучающее множество (временной ряд) и возвращает true при правильной работе, параметр Count содержит количество элементов для обучения, параметр ST типа TTrend задает массив элементов обучающего множества. Функция GetTrend возвращает массив элементов обучающего множества, а также в параметре Count возвращается количество этих элементов.
Функция DoOnePrognoz не имеет параметров и выполняет одношаговый прогноз, на основании данных временного ряда (обучающего множества). Функция DoPrognoz также выполняет прогнозирование, но исходные данные необходимо передать параметром X типа TTrend.
Функция Education выполняет обучение нейросети обратного распространения, при этом нейросети будет обучаться с погрешностью указанной в параметре epsilon и со скоростью, равной параметру alpha.
Кроме вышеперечисленных функций, интерфейсная часть класса TBackPropagation содержит конструктор класса, в котором выполняется инициализация необходимых параметров нейросети, и свойство для чтения CountLayer, которое содержит количество слоев нейросети.
Диаграмма классов и шаблон основного класса
Существует несколько графических способов представлять результаты объектно-ориентированного проектирования программы. В нашем случае рассмотрим графическую нотацию предложенную Гради Бучем [26]. На рисунке 2.14 приводится диаграмма классов во Гради Бучу.
Диаграмма не предоставляет всей информации о классе, поэтому для более детального описания класса применяют шаблоны классов. На рисунке 2.15 изображен шаблон основного класса нейросети.
В заключении данного раздела отметим, что нам удалось разработать ПО, полностью соответствующее поставленным задачам. В следующем разделе мы применим это ПО в практических исследованиях.
Рисунок 2.14 - Диаграмма классов
Рисунок 2.15 - Шаблон класса TBackPropagation
3. Технологический раздел
3.1 Информационное обеспечение задачи. Данные о продажах мобильных телефонов
Разработанная программа может найти применение в прогнозировании работы фирм по продаже мобильных телефонов. Поскольку речь идет здесь о не имеющем "юридической" силы прогнозе, то и выходные данные программы могут иметь лишь описательный и рекомендательный характер. Входным информационным обеспечением может служить исключительно статистика продаж мобильных телефонов за определенное время - месяцы, кварталы, годы. На ее основе и выдается прогноз.
Для практического применения разработанной нами программы необходимо отталкиваться от реальных данных о продаже мобильных телефонов компанией, выносящей подобные данные на суд широкой общественности. Таковой является компания "Евросеть".
"Евросеть" - крупнейшая компания [26], работающая на рынке сотового ритейла и ведущий дилер крупнейших операторов связи. Основными направлениями деятельности компании являются осуществление розничной торговли сотовыми телефонами, цифровыми фотоаппаратами, телефонами DECT, персональным аудио, аксессуарами, подключение к операторам связи и оказание информационных услуг клиентам.
В настоящее время компания представлена более 5100 магазинами, расположенными в 1464 городах в России, Украине, Казахстане, Белоруссии, Молдове, Армении и Киргизии.
По результатам 2007 года оборот компании "Евросеть" составил $5,61 млрд.
В рамках международного проекта Emerging Markets Global Players, В рейтинге Топ-25 по размеру зарубежных активов, составленном Московской школой управления СКОЛКОВО совместно с Колумбийским университетом США, "Евросеть" заняла 24-е место, став единственной розничной компанией, представленной в данном рейтинге.
В рейтинге Топ-25 по количеству филиалов и дочерних компаний за рубежом, "Евросеть" оказалась на 14-м месте.
В рейтинге по индексу MINI компания заняла 21-е место. MINI - Multinationality Index - индекс транснациональности, подсчитывается, как доля активов, продаж и численности сотрудников за рубежом от общих активов, продаж и численности сотрудников.
По итогам 2006 года компания "Евросеть" впервые вошла в список "250 крупнейших розничных компаний мира", заняв 229 место в рейтинге. Данный рейтинг ежегодно составляет одна из ведущих международных аудиторских и консалтинговых компаний - Deloitte.
Для компании "Евросеть" главным приоритетом остается клиент, главным преимуществом - высокое сервисное обслуживание.
В компании работает более 33 тысяч человек.
Компания была основана в апреле 1997 года, тогда же был открыт первый салон сотовой связи "Евросеть" в Москве.
С самого начала Компания делала ставку на розничные продажи, с каждым годом расширяя ассортимент товара. В конце 1999 года "Евросеть" проводит ряд масштабных рекламных кампаний.
Бурный рост сети салонов связи "Евросеть" начался после смены стратегии развития, основным направлением которой стало резкое снижение цен на мобильные телефоны.
С января по декабрь 2002 года "Евросеть" открывает более 100 салонов связи, в 2003 году - к этому числу добавилось еще 117 салонов, в 2004-м - более 800 новых салонов связи "Евросеть", а 2005-м - 1934 новых магазина "Евросеть", в 2006-м - 1976 новых магазинов, в декабре 2007 общее количество салонов "Евросеть" составило 5143. Сегодня "Евросеть" представлена 5185 салоном.
С 2001 по 2004 годы "Евросеть" заключает договора с вендорами и становится официальным партнером таких компаний, как LG, Motorola, Samsung, Siemens, Sony Ericsson, Sagem, Philips, Pantech. Работая напрямую с основными производителями телефонов и аксессуаров, получая в процессе переговоров самые выгодные условия поставок, "Евросеть" продолжает вести политику низких цен.
2003 год ознаменовался началом активного регионального развития. Экономические показатели Компании в регионах показали максимальную эффективность этого бизнеса в городах России. Приход национального ритейлера на региональный рынок обеспечивает не только стимулирование интереса к сотовой связи и рост абонентской базы операторов, но и появление на региональном рынке настоящей конкуренции, повышение профессионализма местных торговых сетей, а также, что немаловажно, появление новых рабочих мест. В этом же году наряду с сотовыми телефонами компания стала продавать цифровые фотоаппараты, персональное аудио и DECT-телефоны.
В конце 2003 года состоялся выпуск I транша векселей группой компаний "Евросеть".
В апреле 2004 года - выпущен II транш векселей. В октябре этого же года размещен облигационный заем компании общей номинальной стоимостью 1 млрд. рублей.
В мае 2004 года - компания "Евросеть" переходит на новый виток деятельности, запуская в продажу цифровые фотоаппараты, MP3-плейеры и DECT-телефоны.
29 июня 2004 учреждена Некоммерческая организация Благотворительный фонд "Евросеть".
В этом же году открываются филиалы "Украина" и "Казахстан". В конце 2005 года открыт филиал "Киргизия". В мае 2006 года сразу 4 первых салона открылись в Ташкенте, Узбекистан. В январе 2007 года "Евросеть" выходит в Закавказье, открыв первые магазины в Армении и Азербайджане
В марте 2007 года в Поволжье появляется первый виртуальный оператор сотовой связи "Евросеть" (MVNO)
2 апреля 2007 года компании "Евросеть" исполнилось 10 лет
В октябре 2007 года "Евросеть" провозгласила Эру Сервиса российской розницы, организовав для своих сотрудников семинар мирового эксперта в области сервиса и культуры обслуживания Джона Шоула (John Tschohl).
19 ноября 2007 года "Евросеть" получила премию общероссийского конкурса "Народная марка / Марка №1 в России 2007" в номинации "Салон сотовой связи".
В июне 2008 года "Евросеть" провела в рамках 12 Петербургского экономического форума пресс-конференцию, посвященную влиянию избыточного регулирования на деятельность розничных компаний.
Таким образом, компания является идеальным потребителем разработанной программы, поскольку ее идеология сочетается с внедрением управленческих новшеств на сто процентов.
3.2 Возможности разработанной программы
Программа позволяет задать следующие параметры нейронной сети обратного распространения:
количество слоев (максимальное количество - 99);
количество нейронов в каждом слое (максимальное количество нейронов на слой - 299);
количество элементов исходного временного ряда (максимальное количество - 300);
значение элементов временного ряда (не ограничивается);
Кроме этого, можно задать параметры алгоритма обучения нейронной сети:
размер входного окна;
количество значений временного ряда (на диаграмме отмечены фиолетовым цветом), на основе которых будет проводиться обучение нейросети (остальные значение при этом не учитываются);
нормализация, необходимая для приведения временного ряда к значениям, на которых нейросеть может обучиться, а затем, при прогнозировании, восстановить значения обратно;
величину интегральной погрешности обучения, влияющей на длительность и точность аппроксимации (обучения);
параметр alpha, значение которого может позволить избежать локального минимума при обучении, но при этом увеличивается длительность обучения.
После обучения можно выполнить прогнозирование, задав следующие параметры:
количество предсказаний (на диаграмме отмечены зеленым цветом), определяет, сколько значений необходимо спрогнозировать, начиная с элемента, следующего за последним элементом, используемым для анализа и обучения;
выбор одношагового или многошагового прогноза.
Что касается технического обеспечения проекта, данная программа может быть установлена на любой достаточно современный ПК класса не хуже PentiumII; параметры компьютера будут определять скорость обучения, в основном. В качестве оптимальной конфигурации можно использовать ПК со следующими параметрами:
Таблица 3.1 - Персональный компьютер
|
Чипсет |
Intel P45/G45 |
|
|
Процессор |
Core 2 duo E8500 |
|
|
Память |
2048Mb DDR2 800 |
|
|
Жесткий диск |
320Gb SATA |
|
|
Дисковод |
нет |
|
|
Видеокарта |
512Mb PCI-E Radeon 3850 |
|
|
Сетевая карта |
OnBoard 10/100MBit |
|
|
Оптический привод |
DVD±RW |
3.3 Нейросетевое прогнозирование оптово-розничных продаж мобильных телефонов
Выполним прогнозирование продаж мобильных телефонов. Возьмем данные отчетов по продажам мобильных телефонов в торговой сети "Евросеть", регулярно публикующей пресс-релизы и финансовую отчетность [27]. Будем использовать данные за 2008 год.
Примеры производимых программой прогнозов представлены в Приложении А. Полученный ряд подаем на вход нейросети и выполняем обучение со следующими параметрами (см. рисунок А.2): количество слоев - 3, количество нейронов на первом слое - 6, на втором - 7, на третьем - 1, размер входного окна - 4, размер временного ряда для анализа - 43, погрешность обучения - 0.6, коэффициент скорости обучения - 0.9. С такой конфигурацией нейросеть обучилась за 4694280 итераций и выдала прогноз, представленный на рис. А.2.
Изменим параметры нейросети следующим образом: количество слоёв в сети - 3, количество нейронов в первом слое - 4, количество нейронов во втором слое - 5, количество нейронов в третьем слое - 1, размер входного окна - 3, размер временного ряда для анализа - 30, погрешность обучения - 0.55, коэффициент скорости обучения - 0.9. Нейросеть выполнила обучение за 233436 итераций, результаты прогнозирования приводятся на рисунках А.3 и А.4, А.5.
Прогнозы, выполненные с помощью искусственных нейронных сетей, являются достаточно достоверными. Многошаговое прогнозирование показывает большую погрешность, так как оно опирается не на реальные данные, а на прогнозные величины. Одношаговое прогнозирование более точно, однако, его нельзя применять для выполнения долгосрочных прогнозов.
3.4 Выводы по проектированию
Искусственные нейронные сети предложены для задач, простирающихся от управления боем до присмотра за ребенком. Потенциальными приложениями являются те, где человеческий интеллект малоэффективен, а обычные вычисления трудоемки или неадекватны.
Имеется много впечатляющих демонстраций возможностей искусственных нейронных сетей: сеть научили превращать текст в фонетическое представление, которое затем с помощью уже иных методов превращалось в речь [22]; другая сеть может распознавать рукописные буквы [23]; сконструирована система сжатия изображений, основанная на нейронной сети [24]. Все они используют сеть обратного распространения - наиболее успешный, по-видимому, из современных алгоритмов.
Мы продемонстрировали, что искусственные нейронные сети способны решать также задачу прогнозирования путем сведение ее к распознаванию образов. Выполнили прогнозирование продаж мобильных телефонов в компании "Евросеть" на основе данных о продажах за 2008 год.
Однако, обратное распространение не свободно от проблем. Прежде всего, нет гарантии, что сеть может быть обучена за конечное время. Много усилий, израсходованных на обучение, пропадает напрасно после затрат большого количества машинного времени. Когда это происходит, попытка обучения повторяется - без всякой уверенности, что результат окажется лучше. Нет также уверенности, что сеть обучится наилучшим возможным образом. Алгоритм обучения может попасть в "ловушку" так называемого локального минимума и будет получено худшее решение.
Разработано много других сетевых алгоритмов обучения, имеющих свои специфические преимущества. Некоторые из них обсуждаются в [10]. Следует подчеркнуть, что никакая из сегодняшних сетей не является панацеей, все они страдают от ограничений в своих возможностях обучаться и вспоминать.
Мы имеем дело с областью, продемонстрировавшей свою работоспособность, имеющей уникальные потенциальные возможности, много ограничений и множество открытых вопросов. Для улучшения существующих сетей требуется много основательной работы. Должны быть развиты новые технологии, улучшены существующие методы и расширены теоретические основы, прежде чем данная область сможет полностью реализовать свои потенциальные возможности.
4. Безопасность жизнедеятельности
4.1 Анализ условий труда и возможных чрезвычайных ситуаций, возникающих при эксплуатации вычислительной техники
Разработанная система является стационарным устройством, в аппаратном отношении имеющим в основе ПЭВМ, и предназначена для работы в лабораторных условиях. Основной анализ по рассматриваемому предмету будем вести, исходя из данного факта. Рассмотрим воздействующие на человека опасные и вредные производственные факторы в соответствии с классификацией, приведенной в ГОСТ 12.0.003-74.
1) Физические опасные и вредные производственные факторы.
1.1) Движущееся оборудование, подвижные части.
Опасность травмирования полностью исключается. На рабочей поверхности аппаратуры в местах вентиляционных отверстий запрещено располагать какие-либо вещи, для рабочего инструмента имеется специально отведенный шкаф.
1.2) Повышенная запыленность и загазованность воздуха рабочей зоны.
ПК с системой прогнозирования не включает в себя источников образования пыли и газа. Нормами обслуживания офисных помещений установлена ежедневная влажная уборка помещения. Вытяжная вентиляция помещения не допускает превышения предельно допустимой концентрации вредных веществ в соответствии с ГОСТ 12.1.005-88.
1.3) Повышенная или пониженная температура поверхностей оборудования, материалов.
ПК с системой прогнозирования - стационарная лабораторная установка, состоящая из компьютерного стола, персонального компьютера (системного блока, монитора, клавиатуры) и кабелей соединения. Устройств, генерирующих холод, в описываемой системе нет. Устройства, вырабатывающие тепло, скрыты защитной оболочкой и имеют радиаторы (процессор в системном блоке, радиаторы блоков питания, лампа освещения над столом закрыта плафоном и т.д.). Оператор (обслуживающий персонал) не имеет права снимать кожух с системного блока и проводить работы, он должен вызвать соответствующий персонал. Все необходимое для работы выведено на лицевую панель (дверь) монтажного шкафа.
1.4) Повышенная или пониженная температура воздуха рабочей зоны.
Лаборатория имеет автоматическую систему поддержания температуры воздуха в пределах, соответствующих группе 2 по ГОСТ 22261-76, с помощью кондиционеров и обогревателей.
1.5) Повышенный уровень шума на рабочем месте.
Основным источником шума является компьютерное оборудование.
Воздействие шума отражается как на органах слуха, так и на общем психологическом состоянии человека. Возможны глухота, нервные расстройства.
1.6) Повышенный уровень вибрации.
Источников вибрации нет.
1.7) Повышенный уровень инфра-, ультразвуковых колебаний
Источников колебаний нет.
1.8) Повышенное или пониженное барометрическое давление в рабочей зоне и его резкое изменение.
ПК не оказывает влияния на барометрическое давление.
1.9) Повышенная или пониженная влажность воздуха.
ПК управления не оказывает влияния на влажность воздуха.
1.10) Повышенная или пониженная подвижность воздуха.
ПК располагается в лаборатории. Под него специально отведено место. Высота лаборатории четыре метра. Поэтому нет преграды для нормальной циркуляции воздуха. Повышенная циркуляция воздуха возможна при неправильной настройке вытяжной вентиляции в лаборатории.
1.11) Повышенная или пониженная ионизация воздуха.
Воздух в помещениях, где много людей и вычислительной техники, насыщен положительно заряженными ионами кислорода. В то время как А.Л. Чижевский доказал необходимость для жизнедеятельности организма отрицательно заряженного кислорода воздуха. Повышенное содержание положительно заряженных ионов приводит к ухудшению здоровья, угнетению нервной системы, наступает недостаток кислорода, который необходим глазам, мышцам /4 БЖД/.
1.12) Повышенное значение напряжения в электрической цепи, замыкание которой может произойти через тело человека.
Питание системы осуществляется от напряжения 220 В частотой 50 Гц. Монтаж исключает соприкосновение оператора с токоведущими частями. Режим сети - с заземленной нейтралью. Для обеспечения электробезопасности применяется защитное зануление.
1.13) Повышенный уровень статического электричества.
Эксперты полагают, что низковольтный разряд способен изменить/прервать клеточное развитие. Также происходит положительный заряд частиц пыли, что повышает вероятность возникновения дерматитов лица и открытых частей кожи (прыщи, зуд, экземы) /4 БЖД/.
1.14) Повышенный уровень электромагнитных излучений.
В системе основным источником электромагнитного излучения является монитор компьютера. В случае нахождения источника излучения в непосредственной близости от человека, возможны патологические изменения в органах зрения, нарушение обмена веществ.
1.15) Отсутствие или недостаток естественного света, недостаточное освещение рабочего места.
Причина возникновения заключается в несоответствии естественного и искусственного освещения установленным нормам. Слабое освещение приводит к напряжению глаз, что при длительном воздействии ведет к ухудшению зрения. Также возникает головная боль, нервное напряжение.
2) Биологические опасные и вредные производственные факторы.
2.1) Бактерии, вирусы, грибы, простейшие и т.п.
Скапливаются в местах, труднодоступных для проведения уборки: например, клавиатура. Могут повлечь различные по тяжести заболевания.
3) Психофизиологические опасные и вредные производственные факторы.
3.1) Физические перегрузки.
3.1.1) Статические.
3.1.2) Динамические.
ПК в рабочем состоянии при нормальных условиях труда не является источником статических и динамических физических перегрузок.
3.2) Нервно-психические перегрузки.
3.2.1) Умственное перенапряжение.
3.2.2) Перенапряжение анализаторов.
3.2.3) Монотонность труда.
3.2.4) Эмоциональные перегрузки.
Влияние данных факторов можно ослабить правильным режимом труда и отдыха, также стоит уделить внимание физкультминуткам.
4.2 Разработка безопасных и безвредных условий труда. Организация рабочего места
4.2.1 Расчёт естественного и искусственного освещения. Их характеристика
Основными понятиями, характеризующими свет, являются световой поток, сила света, освещённость и яркость.
Световой поток - Ф, лн (люмены). Поток лучистой энергии, оцениваемый по зрительному ощущению, характеризует мощность светового излучения, основан на зрительном восприятии.
Сила света - J, кд (кандела). Так как световой поток распространяется в пространстве неравномерно, вводится понятие силы света. J - пространственная плотность светового потока; - телесный угол.
Освещённость - Е, лк (люкс). Поверхностная плотность светового потока. S - освещаемая площадь. Е = Ф / S
L, кд/м2. Поверхностная плотность силы света. Коэффициент отражения - . Блескость - повышенная яркость.
Качественные характеристики.
Фон - поверхность, прилегающая к объекту различения. Объект различения - деталь минимальных размеров, знак, символ, буква, которые человек различает в результате деятельности.
Фон характеризуется коэффициентом отражения: > 0.4 - светлый фон; 0.2 - средний; < 0.2 - тёмный; контраст объекта с фоном: > 0.5 - большой; < 0.2 - малый. Контраст объекта с фоном определяется отношением разности яркости объекта (L) и фона (L) к яркости фона, т.е. .
Коэффициент пульсации освещенности (Кп) - это характеристика относительной глубины колебаний освещенности (при использовании газоразрядной лампы).
.
Наиболее важную роль в трудовом процессе имеют такие функции зрения, как контрастная чувствительность, острота зрения, быстрота различения деталей, устойчивость видения и цветовая чувствительность.
Контрастную чувствительность характеризует видимость (V) - это способность глаза воспринимать объект наблюдения:
где: К - контраст объекта и фона, Кп - пороговый контраст, т.е. наименьший контраст, различимый глазом.
Наличие в поле зрения больших яркостей вызывает ослепленность и может привести к повреждению сетчатой оболочки.
Под остротой зрения понимается максимальная способность различать отдельные объекты.
Расчёт естественного освещения
Естественное освещение создается солнечным светом через световые проемы. Оно зависит от многих объективных факторов, как-то: времени года и дня, погоды, географического положения и т.п. Основной характеристикой естественного освещения служит коэффициент естественного освещения (КЕО), то есть отношение естественной освещенности внутри здания Ев к одновременно измеренной наружной освещенности горизонтальной поверхности (Ен). КЕО обозначается через "е": .
Естественная освещенность нормируется согласно СНиП 23-05-95. Для установления необходимого нормативного значения КЕО, т.е. ен необходимо учесть размер объекта различения, т.е. разряд зрительной работы, контраст объекта различения и фона, а также характеристику фона. Помимо этого, учитывается географическая широта местоположения здания (коэффициентом светового климата m) и ориентировка помещения по сторонам горизонта (с).
Тогда е = енсm, где ен - табличное значение КЕО, определяемое на основании разряда зрительной работы и вида естественного освещения. При естественном освещении нормируется его неравномерность, т.е. отношение максимальной к минимальной освещенности .
Чем выше разряд зрительной работы, тем меньше допускается неравномерность освещенности.
Для определения потребных площадей световых проемов используются зависимости:
для бокового освещения (площадь окон): ;
для верхнего освещения (площадь световых фонарей):
где Sп - площадь пола, м2;
ен - нормированное значение КЕО;
ho, hф - световая характеристика соответственно окон и фонарей;
К - коэффициент учета затенения окон противоположными зданиями;
r1, r2 - коэффициенты, учитывающие повышение КЕО при боковом и верхнем освещении благодаря свету, отраженному от поверхностей помещения;
фо - общий коэффициент светопропускания светопроемов.
В основе расчета КЕО лежит зависимость его от прямого света небосвода и света, отраженного от поверхностей зданий и помещений. Так, при боковом освещении eд = (Eдq + E3qK) фоr, где: Eд, E3q - геометрические коэффициенты освещенности от небосвода и противоположного здания; q - коэффициент учета неравномерной яркости небосвода; К - коэффициент учета относительной яркости противостоящего здания; фо - коэффициент светопропускания световых проемов; коэффициент учета роста КЕО за счет отражения света от поверхностей помещения.
Геометрические коэффициенты освещенности определяются графически по методу Данилюка путем подсчета числа участников (секторов) небосвода, видимых в светопроеме в вертикальной и горизонтальной плоскости.
КЕО определяется для характерных точек помещения. При одностороннем боковом освещении принимается точка, расположенная на расстоянии 1 м от стены, наиболее удаленной от световых проемов. При двустороннем боковом освещении определяется КЕО в точке посредине помещения.
Расчёт искусственного освещения
Нормы освещенности рабочих мест регламентируются СНиП 23-05-95.
При установлении нормы освещенности необходимо учитывать: размер объекта различения (установлено восемь разрядов от 1 до УП), контраст объекта с фоном и характер фона. На основании этих данных по таблицам НиП 23-05-95 определяется норма освещенности.
При выборе источников искусственного освещения должны учитываться их электрические, светотехнические, конструктивные, эксплуатационные и экономические показатели. На практике используются два вида источников освещения: лампы накаливания и газоразрядные. Лампы накаливания просты по конструкции, обладают быстротой разгорания. Но световая отдача их (количество излучаемого света на единицу потребляемой мощности) низкая - 13-15 лм/вт; у галогенных - 20-30 лм/вт, но срок службы небольшой. Газоразрядные лампы имеют световую отдачу 80-85 лм/вт, а натриевые лампы 115-125 лм/вт и срок службы 15-20 тыс. часов, они могут обеспечить любой спектр. Недостатками газоразрядных ламп является необходимость специального пускорегулирующего аппарата, длительное время разгорания, пульсация светового потока, неустойчивая работа при температуре ниже 0°С.
Для освещения производственных помещений используются светильники, представляющие собой совокупность источника и арматуры.
Назначением арматуры является перераспределение светового потока, защита работающих от ослепленности, а источника от загрязнения. Основными характеристиками арматуры являются: кривая распределения силы света, защитный угол и коэффициент полезного действия. В зависимости от светового потока, излучаемого светильником в нижнюю полусферу, различают светильники: прямого света (п), у которых световой поток, направленный в нижнюю сферу, составляет более 80 %; преимущественно прямого света (Н) 60-80%; рассеянного света (Р) 40-60%; преимущественно отраженного света (В) 20-40%; отраженного света (О) менее 20 %.
По форме кривой распределения силы света в вертикальной плоскости светильники разделяют на семь классов Д Л, Ш, М, С, Г, К.
Защитный угол светильника характеризует угол, который обеспечивает светильник для защиты работающих от ослепленности источником.
Расчет искусственного освещения производственного помещения ведется в следующей последовательности.
Выбор типа источников света.
Выбор системы освещения. При однородных рабочих местах, равномерном размещении оборудования в помещении принимается общее освещение. Если оборудование громоздкое, рабочие места с разными требованиями к освещению расположены неравномерно, то используется локализованная система освещения. При высокой точности выполняемых работ, наличии требования к направленности освещения применяется комбинированная система (сочетание общего и местного освещения).
Выбор типа светильника. С учетом потребного распределения силы света, загрязненности воздуха, пожаровзрывоопасности воздуха в помещении подбирается арматура.
Размещение светильников в помещении. Светильники с лампами накаливания можно располагать на потолочном перекрытии в шахматном порядке, по вершинам квадратных полей, рядами. Светильники с люминисцентными лампами располагают рядами.
Определение потребной освещенности рабочих мест. Нормирование освещенности производится в соответствии со СНиП 23-05-95, как это было изложено выше.
Расчет характеристик источника света. Для расчета общего равномерного освещения применяется метод коэффициента использования светового потока, а расчет освещенности общего локализованного и местного освещения производится с помощью точечного метода.
В методе коэффициента использования расчет светового потока источника производится по формуле: , где Ен - нормативная освещенность, лк; S - освещаемая площадь, м2;
Z - коэффициент минимальной освещенности;
К - коэффициент запаса, учитывающий ухудшение характеристик источников при эксплуатации;
N - число светильников;
з - коэффициент использования светового потока.
Коэффициент использования определяется по индексу помещения In и коэффициентам отражения потока, стен и пола по специальной таблице.
Индекс помещения расчитывается по формуле:
где а и b длина и ширина помещения; h - высота подвеса светильников.
В расчете освещенности точечным методом используется формула:
(лк),
где Jб - нормативная сила света на данную точку поверхности, кд;
г - расстояние от источника до точки поверхности, м;
б - угол, образованный нормалью к освещаемой поверхности и падающим на поверхности лучом.
Для ориентировочного расчета мощности потребного источника используется метод удельных мощностей. Мощность источника определяется по формуле: Pл = PS/N,
где Р - потребная удельная мощность осветительных приборов на единицу освещаемой поверхности, вт/м2;
S - площадь освещаемой поверхности, м2;
N - принятое число светильников.
4.2.2 Расчёт вентиляции
Нормы производственного микроклимата установлены ГОСТ 12.1.005-88 ССПТ. Общие санитарно-гигиенические требования к воздуху рабочей зоны". Они едины для всех производств и всех климатических зон.
Вентиляция - это комплекс устройств для обеспечения нормальных метеорологических условий и удаления вредных веществ из производственных помещений. Вентиляция может быть естественной (аэрация) и механической в зависимости от способа перемещения воздуха. В зависимости от объема вентилируемого помещения различают обще обменную и местную вентиляцию. Обще обменная вентиляция обеспечивает удаление воздуха из всего объема помещения. Местная вентиляция обеспечивает замену воздуха в месте его загрязнения. По способу действия различают вентиляцию приточную, вытяжную и приточно-вытяжную, а также аварийную. Аварийная предназначена для устранения загазованности помещения в аварийных ситуациях.
Независимо от типа вентиляции к ней предъявляются следующие общие требования: объем приточного воздуха должен быть равен объему вытяжного воздуха; элементы системы вентиляции должны быть правильно размещены в помещении; потоки воздуха не должны поднимать пыль и не должны вызывать переохлаждения работающих; шум от системы вентиляции не должен превышать допустимого уровня.
В основе устройства вентиляции лежит воздухообмен, то есть объем воздуха помещения, заменяемый в единицу времени L (м/ч). Потребный воздухообмен определяется в соответствии со СНиП 2.04.05-86 расчетным путем из условий удаления из воздуха помещения избыточных вредных веществ, теплоты и влаги:
а) При выделении в воздух помещения вредных веществ:
,
где Lрз - количество воздуха, удаляемого местной вентиляцией;
М - количество вредных веществ, поступающих в помещение, мг/ч;
Срз - концентрация вредных веществ в воздухе, удаляемом местной вентиляцией, мг/м;
Сп, Сух - концентрация вредных веществ в воздухе, подаваемом в помещение и уходящем из него, мг/м.
б) При удалении избыточной явной теплоты, повышающей температуру воздуха:
где Он - избыточная явная теплота в помещении, Дж/с;
Трз - температура воздуха, удаляемого местной вентиляцией, С;
Тп, Тух - температура воздуха, подаваемого в помещение и уходящего из него, С.
в) При удалении избытка влаги:
где W - избыток влаги в помещении, г/ч;
dрз - влагосодержание воздуха, удаляемого местной вентиляцией, г/кг;
dп, dyx - влагосодержание воздуха, подаваемого в помещение и уходящего из него, г/кг.
Механическая вентиляция распределяет воздух по всему производственному помещению. В общем случае в ее состав входят: воздухоприемное устройство, фильтр, калорифер, вентилятор и сеть воздуховодов. Расчет механической вентиляции включает:
Определение на плане производственного помещения конфигурации вентиляционной системы, расположение ее элементов.
Определение проходного сечения воздуховодов (скорость движения воздуха в воздуховодах принимается V = 6-10 м/с) FV=L/ (3600V), где V - потребный воздухообмен, м /ч.
Определение потери давления в воздуховодах на участке воздуховода: Робщj = Ртрj + Рмj,
где Ртрj - сопротивление на преодоление сил трения воздуха при перемещении по воздуховодам; Рм - местное сопротивление воздуховодов.
Общие потери в сети воздуховодов: , где з - число участков, на которые разбита система воздуховодов вентиляции.
Подбор вентилятора для системы вентиляции по величине потребного воздухообмена и потерям давления в сети воздуховодов. Полное давление Р, которое должно создаваться вентилятором, принимается Р = Робщ, а производительность вентилятора G (м /ч) принимается G = L.
Определение потребной мощности электродвигателя вентилятора N: N = G Pk (3,6 106 зб зп).
где К - коэффициент запаса мощности электродвигателя (1,05-1,5);
Р - потери полного давления в сети. Па;
зб зп - КПД вентилятора и передачи от электродвигателя к вентилятору.
Естественная вентиляция производственных помещений осуществляется под воздействием разности температур наружного и внутреннего воздуха (тепловое давление) и ветра (ветровое давление).
Расчет естественной вентиляции в соответствии со СНиП 2.04.05-86 заключается в определении площадей вентиляционных проемов здания и включает следующие этапы.
Определение скорости движения воздуха (м/с) в нижнем проеме
V: ,
где h - расстояние между центрами нижнего и верхнего проемов, м;
сн, св - плотность наружного и внутреннего воздуха, кг/м.
Определение площади (м2) нижних вентиляционных проемов: F = L / (м1 V1), где м1 - коэффициент расхода воздуха через нижние проемы (м1 = 0,15-0,65).
Определение потери давления (Па) в нижних проемах H1 = V12 сн/2. Определение избыточного давления (Па) в верхних проемах: Н2 =Hr-Hi, где Hr - гравитационное давление воздуха. Па, Нr = h (сн - св) g.
Определение площади (м2) верхних вентиляционных проемов:
где м2 - коэффициент расхода воздуха через верхние проемы.
4.2.3 Нормы шума и вибрации
Шум, вибрация и ультразвук являются результатом колебания тел, передаваемого непосредственно или через газообразные, жидкие и твердые среды. Шум представляет собой беспорядочное сочетание разнообразных звуков. Производственный шум различной интенсивности, длительно воздействуя на рабочих, может привести к понижению слуха, а иногда к развитию профессиональной глухоты. Помимо действия на орган слуха, шум оказывает влияние и на весь организм, в результате чего наступает перенапряжение центральной нервной системы. Вследствие этого нарушается координирующая деятельность нервной системы, что ведет к расстройству функций внутренних органов и систем.
Не маловажную роль в борьбе с шумом и вибрацией играют архитектурно-строительные и планировочные решения. Необходимо наиболее шумящее и вибрирующее оборудование вынести за пределы производственных помещений, где находятся рабочие; если это оборудование требует частого наблюдения, на участке его размещения оборудуются звукоизолированные будки или комнаты. Стены и потолки в шумных помещениях покрываются звукопоглощающими материалами, акустической штукатуркой, мягкими драпировками и др.
Снижение шума, создаваемого на рабочих местах, оборудованных ПЭВМ, можно обеспечить применением упругих прокладок между основанием машины, прибора и опорной поверхностью. В качестве прокладок используются резина, войлок, пробка, различной конструкции амортизаторы. Под настольные шумящие аппараты можно подкладывать мягкие коврики из синтетических материалов, а под ножки столов, на которых они установлены, - прокладки из мягкой резины, войлока, толщиной 6_8 мм.
4.3 Анализ методов сбора, переработки и утилизации отходов вычислительной техники
Отходы вычислительной техники в основной своей массе относятся к категории твердых отходов.
Отходы образуются как при выполнении технологического процесса, так и после окончания срока эксплуатации техники, приборов, ВТ, оборудования и т.д. Все виды отходов, которые образуются в этом случае, подразделяются на группы: твердые, жидкие.
Твердые отходы - Металлы: черные; цветные; драгоценные; редкие. Неметаллы: шлаг; бумага; резина; древесина; пластмассы; керамика; шлам; стекло; ткань.
Жидкие отходы - Осадки сточных вод; Отработанные смазочно-охладительные жидкости; Химические осадки.
Отрицательное воздействие на природу
1. Прямое - засорение территории (изменение физико-химического состава почв, образование химических и биологических очагов опасности в связи с тем, что не все отходы захороняются в надлежащем месте, особенно радиоактивные отходы);
2. Косвенное - разрушение зеленого покрова, разрушение ландшафта; невосполнимые дополнительные разработки полезных ископаемых, которые идут на нужды обществу.
Переработка твердых отходов осуществляется по двум направлениям: переработка несгораемых материалов (предусматривает предварительный этап сортировки); переработка сгораемых материалов.
Переработка сгораемых материалов строится по технологии сжигания и извлечения материалов для последующего использования. Для этого используется метод пиролиза и реализуется в пиролизном реакторе.
Загрязнение литосферы компьютерным ломом связано с тем, что техника быстро устаревает. Производство ПК обновляется 1 раз в 7 лет. По международным меркам ПК необходимо заменять 1 раз в 3 года. Из 1 т компьютерного лома извлекается: черных металлов - 480 кг, меди - 200 кг, алюминия - 32 кг, серебра - 3 кг, золота - 1 кг, палладия - 0,3 кг, галлий, олово.
Технологическая схема переработки печатных плат: сортировка печатных плат по доминирующим металлам; дробление и измельчение; обжиг полученной массы в печи для удаления сгораемых составляющих; измельчение, гранулирование, сепарация; расплавление массы; рафинирование (очистка); прецизионное измельчение отдельных металлов.
5. Организационно-экономический отдел
5.1 Оценка конкурентоспособности в сравнении с аналогом
В качестве программы для сравнения при разработке АРМ принята описанная выше программа STATISTICA.
Эта разработка принята в качестве примера для сравнения исходя из трех факторов:
1) смежный профиль;
2) соответствие требованиям технического задания проекта;
3) доступность для исследования и сравнения с разрабатываемым проектом реальной версии программы.
Для оценки конкурентоспособности разрабатываемого продукта для АРМ необходимо провести анализ и сравнение с выбранным аналогом по функциональному назначению, основным техническим и эксплуатационным параметрам, областям применения. Подобный анализ осуществляется с помощью оценки эксплуатационно-технического уровня разрабатываемого продукта.
Подобные документы
Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.
дипломная работа [3,8 M], добавлен 27.06.2011Задача анализа деловой активности, факторы, влияющие на принятие решений. Современные информационные технологии и нейронные сети: принципы их работы. Исследование применения нейронных сетей в задачах прогнозирования финансовых ситуаций и принятия решений.
дипломная работа [955,3 K], добавлен 06.11.2011Описание функционирования магазина мобильных телефонов. Особенности создания базы данных учета товарооборота магазина мобильных телефонов в СУБД Microsoft Access. Концептуальное проектирование системы, инфологическое моделирование предметной области.
курсовая работа [9,5 M], добавлен 11.08.2012Организация межтабличных связей в MS Excel для автоматического запроса цены и количества проданных телефонов, с использование функции ВПР или ПРОСМОТР. Расчет суммы, полученной от продаж. Составление документа "Ведомость продаж мобильных телефонов".
контрольная работа [1,4 M], добавлен 10.10.2014Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.
реферат [162,9 K], добавлен 30.09.2013Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.
контрольная работа [135,5 K], добавлен 30.11.2015Искусственные нейронные сети как одна из широко известных и используемых моделей машинного обучения. Знакомство с особенностями разработки системы распознавания изображений на основе аппарата искусственных нейронных сетей. Анализ типов машинного обучения.
дипломная работа [1,8 M], добавлен 08.02.2017Отличительные черты смартфонов и коммуникаторов от обычных мобильных телефонов, их дополнительные возможности. Назначение и конфигурация платформы J2ME, ее функции. Порядок проектирования приложения для мобильного телефона на основе платформы J2ME.
дипломная работа [3,6 M], добавлен 05.09.2009Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.
презентация [582,1 K], добавлен 25.06.2013Исследование задачи и перспектив использования нейронных сетей на радиально-базисных функциях для прогнозирования основных экономических показателей: валовый внутренний продукт, национальный доход Украины и индекс потребительских цен. Оценка результатов.
курсовая работа [4,9 M], добавлен 14.12.2014
