Алгоритмы и инструментальные средства нейросетевых технологий моделирования урожайности на основе автокорреляционных функций временных рядов

• Автор: Шубнов, Михаил Геннадьевич
• Шифр специальности: 08.00.13
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Волгоград
• Количество страниц: 129 с. : ил.

Список сокращений

ANFIS - Adaptive NeuroFuzzy Inference System (адаптивная нейро-нечеткая система вывода);

SNN - модуль нейросетевого моделирования;

АКФ - автокорреляционная функция;

АСПУ - автоматизированная система прогнозирования урожайности; БД - база данных;

БП - база правил;

ВР - временной ряд;

ГТК - гидротермический коэффициент Г.Т. Селянинова;

ИТ - информационные технологии;

ИНС - искусственные нейронные сети;

МНК - метод наименьших квадратов;
МНМ - метод наименьших модклей;
ННС - нейро-нечеткие системы;
НС - нейронная сеть;
НЛ - нечеткая логика;
ОЗУ - острозасушливые условия;
ОМНК - обобщенный метод наименьших квадратов;
ОРО - обратное распространение ошибок;
ОС - операционная система;
ПО - программное обеспечение;
СППР - система поддержки принятия решений;
СУБД - система управления базами данных;
ЧАКФ - частная автокорреляционная функция;
ЭММ - экономико-математическое моделирование;
ЭВМ - электронная вычислительная машина;
S.D. Ratio - корреляционное отношение

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. ТЕОРЕТИЧЕСКИЕ И МЕТОДИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
1.1. Прогнозирование урожайности, как основа планирования и
УПРАВЛЕНИЯ В АГРАРНОЙ ЭКОНОМИКЕ
1.2. Экономико-математические методы и алгоритмы прогнозирования УРОЖАЙНОСТИ
1.3. Инструментальные средства и информационные технологии для
НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ И ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ
Выводы по разделу
2 МОДЕЛИРОВАНИЕ УРОЖАЙНОСТИ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
2.1 Отбор статистических данных для анализа и моделирования.
2.2. Предпрогнозный экономико-статистический анализ временных рядов урожайности сельскохозяйственных культур
2.3. Общая методика моделирования урожайности с использованием
искусственных нейронных сетей
Выводы по разделу
3 ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
3.1 Формирования ИНС для прогнозирования урожайности различных зерновых культур
3.2 Информационная технология для прогнозирования урожайности сельскохозяйственных культур
3.3. Оценка погрешностей при прогнозировании урожайности на основе
НЕЙРОСЕТЕВЫХ информационных технологий
Выводы по разделу
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА
ПРИЛОЖЕНИЯ

ВВЕДЕНИЕ
Актуальность темы исследования. Рост и развитие сельскохозяйственного производства и повышение эффективности управления требуют адекватного представления прогнозного уровня урожайности сельскохозяйственных культур, которая формируется как результат взаимодействия совокупности различных организационноэкономических и природно-климатических факторов. Урожайность зерновых в России существенно ниже, чем в основных странах-производителях -Китае, Индии и США, а также в странах ЕС. В острозасушливых условиях рискованного земледелия, характерных для Нижнего Поволжья, проблема достоверности экономико-математического прогнозирования приобретает особую важность вследствие значительной доли неурожайных лет и высокого коэффициента вариации, превышающего 30%, что во многом определяет низкую эффективность аграрного производства.
Многообразие известных методов прогнозирования обусловлено отсутствием достаточно гибкого подхода к решению данной задачи, допускающего адаптацию к конкретным природно-экономическим условиям аграрного производства. Значительное количество разнообразных групп факторов, формирующих уровень урожайности, сложно поддается формальному описанию, что усложняет решение проблемы адекватного моделирования динамических процессов ее межгодовой изменчивости. Существенная изменчивость уровней урожайности, асинхронность их циклических колебаний для различных сельскохозяйственных культур, обуславливают экономические риски в засушливых регионах Юга России и, особенно, Нижнего Поволжья.
Многообразие известных экономико-математических методов, используемых для прогнозирования урожайности, основано как на линейных экономико-статистические подходах, так и на различных современных нелинейных алгоритмах - фрактальном анализе, клеточных автоматах,

с - ширина междурядий, м;
х - длительность посева в днях от начала рекомендуемых сроков, сутки;
к]= (0,6-0,8) • 10'3 - коэффициент сортовых качеств, кг.сутки2 /штук;
к2= (0,512-0,934) - коэффициент влияния теплового режима на формирование корней растений, кг-сутки/°С-м2;
к3= (7-150) - коэффициент размещение растений на поверхности поля,
кг/м;
вэ - величина ГТК.
Разработанный в ПНИИАЗ (Астраханская обл., Соленое займище) способ оценки урожайности для резко континентального климата, в частности, коллекционных сортов яровых зерновых культур [130], , включающий вычисление ГТК - величину вс, за период «посев - уборка», в соответствии с которым предварительно высевают стандартный сорт, определяют сумму положительных температур от посева до момента формирования зерна, а урожайность определяют по представленной математической зависимости
У = а-Б-Стс Ь-с/ Ос», (1.17)
где У - урожайность, т/га;
а - коэффициент отклонения норм высева по сравнению со стандартом;
в - сумма температур от посева до налива зерна для стандартного сорта,

Ос - ГТК для условий стандарта, мм/°С;
Осо - ГТК условий произрастания, мм/°С;
Ь - коэффициент почвенно-климатических условий;
с - коэффициент запасов почвенной влаги.
Представляет методический интерес и способ прогнозирования межгодовых колебаний урожайности, например озимой пшеницы [64], в соответствии с которым ведут наблюдения за урожайностью зерновых в