Управление субъектами агропромышленного комплекса с помощью нейронных сетей и технологий извлечения знаний из массивов статистических данных

• Автор: Захаров, Дмитрий Никанорович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 176 с. : ил.

Содержание
Введение
Глава 1. Анализ состояния вопроса
1.1. Управление субъектами АПК. Проблемы, цели и решения
1.2. Выводы
Глава 2. Исследование динамических и структурных свойств субъектов АПК
2.1. Исследование динамики процессов, отражающих поведение субъектов АПК и выбор интегрального показателя
2.2. Выбор информационной технологии автоматической классифи-
кации субъектов АПК по заданным наборам параметров, характеризующих их состояние и поведение
2.3. Выбор метода декомпозиции сложных систем субъектов АПК на
основные подсистемы, с целью выявления факторов, определяющих их поведение
2.4. Выводы
Глава 3. Разработка эффективных алгоритмов моделирования и представления динамических систем субъектов АПК
3.1. Обоснование выбора эффективных стимулирующих правил управления субъектами АПК
3.2. Разработка автоматизированного метода идентификации математической модели субъекта АПК
3.3. Выводы
Глава 4. Разработка программного комплекса моделирования и выбора оптимальной стратегии управления субъектами АПК

4.1. Разработка программного комплекса нейродинамического представления субъекта АПК
4.2. Разработка алгоритма и программного комплекса решающего за-
дачу оптимального управления путем распределения управляющих ресурсов на заданный временной интервал, с целью получения максимального эффекта от их применения
4.3. Выводы
Заключение
Литература
Приложение А. Выборка показателей
Приложение Б. Листинг программного кода
Б.1. Обучение нейронной сети
Б.2. Дополнение выборки случайными числами
Б.З. Прогнозирование
Б.4. Алгоритм поиска оптимального распределения параметра
Б.5. Процедура подбора количества нейронов в скрытом слое и опций
обучения
Б.6. Вспомогательные функции
Б.7. Процедура просмотра структуры нейронной сети
Приложение В. Акт о внедрении

Введение
Актуальность темы исследования. Реформирование и совершенствование агропромышленного комплекса (АПК) страны невозможно без анализа состояния его субъектов, прогнозирования их поведения и обоснования управленческих решений или целевого управления по достижению заданных результатов функционирования.
К рассматриваемым субъектам относятся: отдельные предприятия, хозяйства, объединения (концерны и холдинги), территориальные структуры, аграрные кластеры, районы, области, регионы, подотрасли и отрасли сельского хозяйства.
С точки зрения теории принятия решений и управления они представляются как сложные системы с большим набором фазовых координат и неоднозначной реакцией на управляющие и возмущающие воздействия.
Большую роль в идентификации и управлении такими объектами сыграли работы Петрикова A.B., Сиптица С.О., Ушачева И.Г., Гатаулина А.М., Зинченко А.П., Шимко П.Д., Томаса Р., Розена В.В., Афанасьева JI.A., Василенко Ю.В., Аганбегяна А.Г., Ивахненко А.Г. и др.
Однако, в условиях массовой информатизации и широкого развития информационных технологий, значительное развитие получили методы Data Mining, искусственного интеллекта и нейронных сетей. Реализованы и актуализируются хранилища данных частного, производственного, отраслевого и государственного уровней. В этих условиях назрела необходимость переноса задач идентификации, прогнозирования, обоснования решений и управление субъектами АПК с помощью новых методов, технологий, ориентированных на специализированные центры обработки данных. Такой цент]? создан при министерстве сельского хозяйства РФ, но он столкнулся с серьезной проблемой отсутствия соответствующих методов и программных средств.
Исходя из сложившихся условий и вышеизложенных особенностей задача

5 = [5Ь Э2, ^з, 55], (2.7)
М = [ти т2,1Щ, 1Щ, т5], (2.8)
где (сщ; тц : / = 1 ... 5; у = 1 ... 5), N - число обследуемых регионов.
Такая постановка обосновывается тем, что взаимодействие между рассматриваемыми подсистемами осуществляется через взаимосвязанный набор параметров и факторов.
Для проведения необходимых исследований и расчетов можно воспользоваться математической теорией канонической корреляции [57], но в настоящее
время существуют специальные программные комплексы статистического ана-
лиза, которые автоматизируют необходимые вычисления и оценки.
Наиболее подходящим, нам является пакет 8ТАТ18Т1СА, тем боле он имеет хорошее методическое сопровождение, переведенное на русский язык и учебник [77].
Путем создания соответствующею запроса к базе данных результатов сельскохозяйственной переписи сделаны выборки необходимых данных, в виде массивов (с}-,/,: г = 1 ... 5; у = 1... 88) .
Для пары множеств <3, Б с помощью пакета БТАТХЭТЮА получены оценки канонических корреляций.
Канонический коэффициент корреляции К1 = 0,879 , при X2 = 296,458 , доверительной вероятности Р = 10-7 , извлеченной дисперсии 100% и общей субъекгивности соответственно: 51 и 62%.
Первые канонические переменные для этих множеств будут иметь вид:
<2| = -0,84<7| - 0, 14<у-> - 0, 18<7з + 0,15 (2.9)
51 =■ —1, 32з| + 0,25^2 + 0,1^з + 0,35^4 — 0,32^
Коэффициенты в этих переменных оценивают уровень факторной нагрузки соответствующих параметров или удельный вес факторов множества во взаимо-