К созданию метрического пространства образа сельскохозяйственного объекта

Представлен анализ различных подходов к прогнозированию сложных многофакторных систем в условиях неопределенности внешних условий. Данные подходы необходимо развивать с целью создания адекватных моделей сельскохозяйственной деятельности для целей ее эффективного планирования и управления. Отличительная особенность сельскохозяйственного производства – критическая зависимость от факторов внешней среды, которые не поддаются точному прогнозированию. Используемые для решения данной задачи в настоящее время регрессионное моделирование и анализ временных рядов в сложных случаях не дают адекватный прогноз динамики сельскохозяйственного объекта. В качестве подхода предлагается использовать построение «образа» системы. Данный подход относится к «природоподобным», так как моделирует способ принятия решения специалистом на основе накопленного опыта и интуиции. Ключевым параметром этого построения будет корректный выбор метрики (системы координат). Данный подход проиллюстрирован примером создания образа двухмерного явления в одномерной системе координат. В результате под образом понимается изображение реальности в векторном пространстве определенной размерности. Образ в представлении авторов – отображение реальности в искусственно созданной метрике, более доступное пониманию и анализу, но сохраняющее основные (важные) черты и функции исходного объекта. Методы искусственного интеллекта можно рассматривать в качестве инструментов для создания и анализа образов. Важной характеристикой образа является его прогностическая сила, т.е. возможность для использования образа с целью прогнозирования состояния реального объекта в будущем периоде. Образ сохраняет свою прогностическую силу, если прогноз, полученный с использованием данного образа, соответствует данным, полученным при наблюдении за реальным объектом. Образ формируется в подходящей метрике для решения конкретной задачи. Ключевым метрическим параметром образа сельскохозяйственной деятельности, пригодного для целей прогнозирования, является минимальная размерность используемого векторного пространства, при котором сохраняется прогностическая сила образа для решения поставленной задачи.

1. Амосов H.М. Моделирование мышления и психики: монография. Киев: Наукова думка, 1965. 303 с.

2. Lewandowsky S., Farrell S. Computational modeling in cognition: Principles and practice. SAGE publications, Inc., 2011. 359 р.

3. Шабров Н.Н., Куриков Н.Н. Анализ и визуализация результатов научных исследований с помощью технологий виртуальной реальности // Научно-технические ведомости СПбПУ. Естественные и инженерные науки. 2011. № 4 (135). С. 200–205.

4. Шабров Н.Н. Программно-аппаратные комплексы виртуального окружения – ключевые компоненты технологий виртуального инжиниринга // CAD/CAM/CAE Observer. 2016. № 3 (103). С. 83–86.

5. Огородников П.И., Усик В.В. Прогнозирование производства и урожайности зерновых культур на основе регрессионных моделей // Вестник Оренбургского государственного университета. 2011. № 13 (132). С. 354–359.

6. Затонский А.В., Сиротина Н.А. Прогнозирование экономических систем по модели на основе регрессионного дифференциального уравнения // Экономика и математические методы. 2014. Т. 50. № 1. С. 91–99.

7. Адамадзиев К.Р., Касимова Т.М. Методы прогнозирования развития сельского хозяйства // Фундаментальные исследования. 2014. Т. 1. № 5.

8. Бурда А.Г., Мокропуло А.А., Полусмак В.И., Бурда С.А. Мультиколлинеарность в рейтинговых моделях оценки инвестиционных проектов агроэкономических систем // Фундаментальные исследования. 2019. № 3. С. 11–16.

9. Моисеев Н.А. Методы повышения достоверности прогнозных эконометрических исследований: монография. М.: «Русайнс», 2019. 272 с.

10. Салль М.А. Климатические риски: временные тренды и гетероскедастичность // Метеорология и гидрология. 2015. № 7. С. 84–92.

11. Истигечева Е.В., Мицель А.А. Модели с авторегрессионной условной гетероскедастичностью // Доклады Томского государственного университета систем управления и радиоэлектроники. 2006. № 5 (13). С. 15–21.

12. Канторович Г.Г. Анализ временных рядов // Экономический журнал Высшей школы экономики. 2002. Т. 6. № 4. С. 498–523.

13. Афанасьева Т.В. Моделирование нечетких тенденций временных рядов: монография. Ульяновск: Издательство Ульяновского государственного технического университета, 2013. 215 с.

14. Татьянкин В.М. Использование многослойных нейронных сетей в прогнозировании временных рядов // Приоритетные направления развития науки и образования. 2014. № 3. С. 195–197.

15. Солсо Р. Когнитивная психология: монография. СПб.: Питер, 2006. 589 с.

16. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. Т. 9. № 4 (39). С. 117–158.