حالت تکمیل‌شده میانگین متحرک موزون می‌باشد و n دوره گذشته با اوزان متناوب در پیش‌بینی هر دوره استفاده می‌شوند ولی در دوره گذشته‌تر هیچ‌گونه تأثیری در پیش‌بینی ندارد اما در این روش همه دوره‌های گذشته در پیش‌بینی دخالت دارند و هرقدر دوره دورتر باشد ، میزان تأثیرگذاری‌اش کمتر است و برای پیش‌بینی در هر دوره به سه عدد تقاضای دوره حاضر ، پیش‌بینی انجام‌شده برای دوره حاضر و مقدار آلفا نیاز داریم ضریب هموارسازی نمایی (بین ۰ الی ۱) و با بیشتر شدن وزن آلفا ، وزن بیشتری به دوره‌های نزدیک داده می‌شود و به همین نسبت از وزن دوره‌های حاضر کاسته می‌شود و فرمول آن عبارت است از:

ت-روش نمو هموار دوبل (روش خطی براون):
اگر درگذشته روند افزایش وجود داشته باشد روش نمو هموار ساده میزان پیش‌بینی را کمتر نشان می‌دهد و اگر روند کاهشی داشته باشد میزان پیش‌بینی را بیشتر نشان می‌دهد اما در روش نمو همواره دوبل برای ارقام حاصل از هموار ساده ضرایبی محاسبه‌شده و تأثیر روند موجود در آمار گذشته در برآورد آینده در نظر گرفته می‌شود .
هموارسازی یک مرحله می‌باشد
هموارسازی دو مرحله به شکل زیر می‌باشد
اگر نمودار داده‌ها رشد داشته باشد در آن صورت هموارسازی نمایی یک مرحله عقب می‌ماند و هموارسازی نمایی دو مرحله نیز بیشتر عقب می‌ماند که اگر اختلاف این دو را به پیش‌بینی اضافه کنیم خطا را معتدل‌تر می‌سازد هموارسازی نمایی خطی از طریق زیر محاسبه می‌شود
بعد از محاسبه و از طریق فرمول‌های بالا ، مقدار و را از روابط ذیل تعیین می‌گردد .
سپس مقدار پیش‌بینی را از رابطه زیر محاسبه می‌شود .
m: دوره آتی می‌باشد .

شبکه عصبی و منطق فازی
شبکه عصبی
کلیات شبکه عصبی
شبکه‌های عصبی مدل‌های ساده‌شده سیستم عصبی انسان هستند که اصول کاری خود را از نحوه‌ی محاسبه در مغز انسان گرفته‌اند . شبکه‌های عصبی دارای قابلیت‌هایی مانند نگاشت یا الگوسازی، عمومیت بخشیدن، استحکام، تحمل نقص و نیز پردازش بسیار سریع و موازی اطلاعات هستند. شبکه‌های عصبی با موفقیت در زمینه‌های شناسایی، پردازش تصویر، مقایسه داده‌ها، پیش‌بینی و تا حدودی بهینه‌سازی مورداستفاده قرار گرفته‌اند(کشاورز مهر، ۱۳۹۱).
شبکه‌های عصبی را می‌توان با اغماض زیاد ، مدل‌های الکترونیکی از ساختار مغز انسان نامید . مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است . مدل‌های الکترونیکی شبکه‌های عصبی نیز بر اساس همین الگو بناشده‌اند و روش برخورد چنین مدل‌هایی با مسائل ، با روش‌های محاسباتی که به‌طورمعمول توسط سیستم‌های کامپیوتری در پیش‌گرفته‌شده‌اند ، تفاوت دارد . می‌دانیم که حتی ساده‌ترین مغزهای جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آن‌ها عاجز هستند ، حداقل در حل آن‌ها دچار مشکل می‌شوند به‌عنوان‌مثال ، مسائل مختلف شناسایی الگو ، نمونه‌ای از مواردی هست که روش‌های معمول محاسباتی برای حل آن‌ها به نتیجه مطلوب نمی‌رسند . درحالی‌که مغز ساده‌ترین جانوران به‌راحتی از عهده چنین مسائلی برمی‌آید . تصور عموم کارشناسان فناوری اطلاعات بر آن است که مدل‌های جدید محاسباتی که بر اساس شبکه‌های عصبی بنا می‌شوند ، جهش بعدی صنعت فناوری اطلاعات را شکل می‌دهند شبکه‌های عصبی کاربردهای فراوانی از قبیل طبقه‌بندی ، شناسایی و تشخیص الگو-پیش‌بینی سری‌های زمانی –مدل‌سازی و کنترل-پردازش سیگنال- سیستم‌های خبره و فازی-مسائل مالی- بیمه- امنیتی –بازار بورس-وسایل سرگرم کننده-ساخت وسایل صنعتی-پزشکی-امور حمل‌ونقل دارد .(منهاج،۱۳۸۴)

تاریخچه شبکه‌های عصبی
خلاصه‌ای از تاریخچه تکامل شبکه‌های عصبی به شرح جدول شماره ۲-۲ می‌باشد:
جدول شماره ۲- ۲: تاریخچه شبکه عصبی