Andere Kunden interessierten sich auch für
![Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose]( "Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose")
Regressionsanalyse zur Optimierung von künstlichen neuronalen Netzen bei der DAX-Prognose39,99 €![Untersuchung zur Verbesserung der Absatzprognosen von Handelsprodukten in Klein- und Mittelbetrieben (mit Künstlichen Neuronalen Netzen)]( "Untersuchung zur Verbesserung der Absatzprognosen von Handelsprodukten in Klein- und Mittelbetrieben (mit Künstlichen Neuronalen Netzen)")
Untersuchung zur Verbesserung der Absatzprognosen von Handelsprodukten in Klein- und Mittelbetrieben (mit Künstlichen Neuronalen Netzen)38,00 €![Prozessoptimierung mit künstlichen neuronalen Netzen]( "Prozessoptimierung mit künstlichen neuronalen Netzen")
Prozessoptimierung mit künstlichen neuronalen Netzen54,95 €![Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen]( "Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen")
Stand der Anwendung und Entwicklungsperspektiven der Kreditwürdigkeitsprüfung mit Neuronalen Netzen und Expertensystemen38,00 €![Data Mining im Business Development. Optimierungspotenziale und Empfehlungen für Maschinenbauunternehmen]( "Data Mining im Business Development. Optimierungspotenziale und Empfehlungen für Maschinenbauunternehmen")
Data Mining im Business Development. Optimierungspotenziale und Empfehlungen für Maschinenbauunternehmen27,95 €![Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve]( "Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve")
Benutzerauthentisierung durch Analyse des Tippverhaltens mit Hilfe einer Kombination aus statistischen und neuronalen Ve59,98 €![Ein auf Petri-Netzen basierendes Geschäftsprozessmodell]( "Ein auf Petri-Netzen basierendes Geschäftsprozessmodell")
Ein auf Petri-Netzen basierendes Geschäftsprozessmodell89,90 €
Diplomarbeit aus dem Jahr 1997 im Fachbereich Informatik - Wirtschaftsinformatik, Note: 1,3, Katholische Universität Eichstätt-Ingolstadt (Unbekannt), Sprache: Deutsch, Abstract: Inhaltsangabe:Gang der Untersuchung:
Künstliche neuronale Netze (KNN) eignen sich neben Einsätzen im Finanzmarktbereich auch für die Abbildung von Zusammenhängen im Automobilbereich.
Zunächst werden die Grundlagen zu Langfristprognosen und KNN dargestellt sowie die Modellzyklen, die sich im deutschen Automobilmarkt identifizieren lassen, detailliert untersucht. Darauf aufbauend wird ein Modell entwickelt, das es erlaubt, die identifizierten Spezifika von Modellzyklen mittels KNN zu repräsentieren. Besonderes Augenmerk liegt dabei auf der Systematisierung der Gestaltungsalternativen vom Ausgangsproblem bis hin zur Implementierung eines KNN für diese Aufgabe. In umfangreichen empirischen Tests werden unterschiedlich konfigurierte Backpropagation-Netze auf ihre Zweckmäßigkeit hin geprüft.
Die Ergebnisse werden abschließend zusammengefaßt und Ansätze zu Weiterentwicklungen aufgezeigt.
Inhaltsverzeichnis:Inhaltsverzeichnis:
InhaltsverzeichnisI
AbbildungsverzeichnisV
AbkürzungsverzeichnisVIII
SymbolverzeichnisX
VorwortXII
I.Motivation des Einsatzes neuronaler Netze zur Prognose1
II.Aspekte langfristiger Prognosen4
1.Definition und Gegenstand von Absatzprognosen4
2.Methodische Grundlagen für Prognosemodelle5
3.Berücksichtigung der Unsicherheit7
4.Bewertung von Prognosemodellen9
III.Grundlagen Künstlicher neuronaler Netze10
1.Kleine Genealogie neuronaler Netze10
2.Überblick über die ein KNN spezifizierenden Parameter12
2.1Aufbau und Funktionsweise künstlicher Neuronen12
2.2Netztopologie16
2.3Lernen in Künstlichen neuronalen Netzen18
3.Die Verbindung neuronaler Netze mit genetischen Algorithmen23
IV.Modellzyklen im deutschen Automobilmarkt27
1.Das theoretische Konzept27
1.1Vom Produktlebenszyklus zum Modellzyklus27
1.2Zur Abgrenzung von Modellzyklen30
1.3Kritikpunkte31
1.4Die Determinanten von Modellzyklen32
1.5Die Relevanz für die Automobilindustrie32
2.Die Entwicklungen der letzten 30 Jahre34
2.1Die Länge der Modellzyklen im deutschen Automobilmarkt34
2.2Die Adaption des Modellzykluskonzeptes auf den Automobilbereich37
V.Ein Prognosesystem für Modellzyklen im deutschen Automobilmarkt43
1.Die Datenbasis43
1.1Quellen43
1.2Art und Umfang des Datenmaterials44
1.3Strukturierung und Abgrenzung von Teilmärkten47
2.Systematik zum Aufbau des Prognosesystems50
2.1Von den Rohdaten zum Netzinput51
2.2Die Unterteilung in Lern-, Test- und Produktionsmenge55
2.3Die verwendete Netztopologie58
2.4Topologieoptimierung61
2.5Parameteroptimierung63
2.6Evaluation der generierten Netze65
VI.Probleme und Perspektiven69
1.Vor- und Nachteile Künstlicher neuronaler Netze69
2.Ansätze für Erweiterungen des vorgestellten Systems72
Anhang
Anhang A: Die Datenbasis
A-1:Segment A0075
A-2:Segment A078
A-3:Segment A81
A-4:Segment B84
A-5:Segment C87
A-6:Segment D90
A-7:Segment M93
Anhang B: Laufzeiten der Modellzyklen von 1964-1996
B-1:Segment A0096
B-2:Segment A097
B-3:Segment A98
B-4:Segment B99
B-5:Segment C100
B-6:Segment D101
B-7:Segment M102
B-8:Gesamt103
Anhang C: Analyse der Modellzyklen
C-1:Segmentanteilsmaxima104
C-2:Modellerweiterungen (MER)105
C-3:Große Produktaufwertungen (GP)106
C-4:Modellpflegen (MP)107
C-5:Kombi-Einführungen108
C-6:Modelle mit Vorgänger109
Anhang D:
D-1:Auszug aus den Inputdaten für die Gesamtbetrachtung110
Anhang E: Auswertungen der generierten Netze
E-1:Dreischic...
Künstliche neuronale Netze (KNN) eignen sich neben Einsätzen im Finanzmarktbereich auch für die Abbildung von Zusammenhängen im Automobilbereich.
Zunächst werden die Grundlagen zu Langfristprognosen und KNN dargestellt sowie die Modellzyklen, die sich im deutschen Automobilmarkt identifizieren lassen, detailliert untersucht. Darauf aufbauend wird ein Modell entwickelt, das es erlaubt, die identifizierten Spezifika von Modellzyklen mittels KNN zu repräsentieren. Besonderes Augenmerk liegt dabei auf der Systematisierung der Gestaltungsalternativen vom Ausgangsproblem bis hin zur Implementierung eines KNN für diese Aufgabe. In umfangreichen empirischen Tests werden unterschiedlich konfigurierte Backpropagation-Netze auf ihre Zweckmäßigkeit hin geprüft.
Die Ergebnisse werden abschließend zusammengefaßt und Ansätze zu Weiterentwicklungen aufgezeigt.
Inhaltsverzeichnis:Inhaltsverzeichnis:
InhaltsverzeichnisI
AbbildungsverzeichnisV
AbkürzungsverzeichnisVIII
SymbolverzeichnisX
VorwortXII
I.Motivation des Einsatzes neuronaler Netze zur Prognose1
II.Aspekte langfristiger Prognosen4
1.Definition und Gegenstand von Absatzprognosen4
2.Methodische Grundlagen für Prognosemodelle5
3.Berücksichtigung der Unsicherheit7
4.Bewertung von Prognosemodellen9
III.Grundlagen Künstlicher neuronaler Netze10
1.Kleine Genealogie neuronaler Netze10
2.Überblick über die ein KNN spezifizierenden Parameter12
2.1Aufbau und Funktionsweise künstlicher Neuronen12
2.2Netztopologie16
2.3Lernen in Künstlichen neuronalen Netzen18
3.Die Verbindung neuronaler Netze mit genetischen Algorithmen23
IV.Modellzyklen im deutschen Automobilmarkt27
1.Das theoretische Konzept27
1.1Vom Produktlebenszyklus zum Modellzyklus27
1.2Zur Abgrenzung von Modellzyklen30
1.3Kritikpunkte31
1.4Die Determinanten von Modellzyklen32
1.5Die Relevanz für die Automobilindustrie32
2.Die Entwicklungen der letzten 30 Jahre34
2.1Die Länge der Modellzyklen im deutschen Automobilmarkt34
2.2Die Adaption des Modellzykluskonzeptes auf den Automobilbereich37
V.Ein Prognosesystem für Modellzyklen im deutschen Automobilmarkt43
1.Die Datenbasis43
1.1Quellen43
1.2Art und Umfang des Datenmaterials44
1.3Strukturierung und Abgrenzung von Teilmärkten47
2.Systematik zum Aufbau des Prognosesystems50
2.1Von den Rohdaten zum Netzinput51
2.2Die Unterteilung in Lern-, Test- und Produktionsmenge55
2.3Die verwendete Netztopologie58
2.4Topologieoptimierung61
2.5Parameteroptimierung63
2.6Evaluation der generierten Netze65
VI.Probleme und Perspektiven69
1.Vor- und Nachteile Künstlicher neuronaler Netze69
2.Ansätze für Erweiterungen des vorgestellten Systems72
Anhang
Anhang A: Die Datenbasis
A-1:Segment A0075
A-2:Segment A078
A-3:Segment A81
A-4:Segment B84
A-5:Segment C87
A-6:Segment D90
A-7:Segment M93
Anhang B: Laufzeiten der Modellzyklen von 1964-1996
B-1:Segment A0096
B-2:Segment A097
B-3:Segment A98
B-4:Segment B99
B-5:Segment C100
B-6:Segment D101
B-7:Segment M102
B-8:Gesamt103
Anhang C: Analyse der Modellzyklen
C-1:Segmentanteilsmaxima104
C-2:Modellerweiterungen (MER)105
C-3:Große Produktaufwertungen (GP)106
C-4:Modellpflegen (MP)107
C-5:Kombi-Einführungen108
C-6:Modelle mit Vorgänger109
Anhang D:
D-1:Auszug aus den Inputdaten für die Gesamtbetrachtung110
Anhang E: Auswertungen der generierten Netze
E-1:Dreischic...