Алгоритмы и инструментальные средства нейросетевых технологий моделирования урожайности на основе автокорреляционных функций временных рядов тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Шубнов, Михаил Геннадьевич

  • Шубнов, Михаил Геннадьевич
  • кандидат науккандидат наук
  • 2013, Волгоград
  • Специальность ВАК РФ08.00.13
  • Количество страниц 129
Шубнов, Михаил Геннадьевич. Алгоритмы и инструментальные средства нейросетевых технологий моделирования урожайности на основе автокорреляционных функций временных рядов: дис. кандидат наук: 08.00.13 - Математические и инструментальные методы экономики. Волгоград. 2013. 129 с.

Оглавление диссертации кандидат наук Шубнов, Михаил Геннадьевич

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

Рекомендованный список диссертаций по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Введение диссертации (часть автореферата) на тему «Алгоритмы и инструментальные средства нейросетевых технологий моделирования урожайности на основе автокорреляционных функций временных рядов»

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 организационно-экономических 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,

сплайн-аппроксимациях, фазовых портретах, ARIMA-моделях, теории распознавания образов. Можно считать перспективным подходы, основанные на искусственных нейронных сетях, реализуемых на ЭВМ.

Искусственные нейронные сети (ИНС) представляют собой компьютерные системы, которые моделирует работу биологических нейронов с возможностью осуществления параллельной обработки, способностью к обучению, обобщению информации и накопленных знаний. Однако, применительно к отмеченным особенностям временных рядов (BP) урожайности сельскохозяйственных культур, возделываемых в засушливых условиях рискованного земледелия, отсутствую методики выбора архитектуры и параметров ИНС.

В связи с этим, разработка методики построения нейросетевых моделей урожайности, обоснования их архитектуры и технологических параметров является важной теоретической и прикладной задачей, решение которой позволяет повысить эффективность планирования и управления аграрным производством за счет принятия более обоснованных управленческих решений на основе использования инструментальных средств многовариантного анализа альтернатив.

Степень научной разработанности проблемы. Вопросы совершенствования методологии экономико-математического

моделирования и проблемы прогнозирования в сельскохозяйственном производстве рассматривались в работах экономистов-аграриев С.А. Андрющенко, Г.А. Бабкова, Л.С. Воробьевой, A.M. Гатаулина, A.B. Голубева, С.Н. Дементьева, A.C. Дудова, И.Б. Загайтова, А.П. Зинченко, О.В. Иншакова, В.А. Кардаша, В.А. Королева, Р.Г. Кравченко, Э.Н. Крылатых, К.П. Личко, В.В. Милосердова, И.А. Наталухи, B.C. Немчинова, P.M. Нижегородцева, В.В. Ивантера, С.Б. Огнивцева, A.B. Петрикова, В.Г. Раскина, С.О. Сиптица, В.И. Тиняковой, Е.И. Царегородцева, A.A. Черняева, Е.В. Шумской, Л.П. Яновского и др.

Эконометрические и экономико-статистические методы прогнозирования ключевых экономических показателей, включая урожайность, рассматривались С.А. Айвазяном, В.Н. Афанасьевым, Л.Ю. Богачковой, А.Н. Герасимовым, A.B. Гладилиным, A.M. Дубровым, Т.А. Дубровой, И.И. Елисеевой, А.Н. Ильченко, М.С. Крассом, Ю.П. Лукашиным, B.C. Мхитаряном, А.И. Орловым, Е.А. Петровой, Г.Н. Хубаевым, Е.М. Четыркиным, М.М. Юзбашевым, 3. Бадевицем, Э. Берндтом, К. Дугерти и другими исследователями.

Синергетические нелинейные подходы к прогнозированию показателей экономической динамики разрабатывались И.Г. Винтизенко, И.Ю. Глазковой, В.А. Долятовским, В.И. Лебедевым, И.А. Наталухой, В.А. Перепелицей, Е.В. Поповой, А.И. Пригожиным, а также Т. Андерсеном, Г. Дженкинсом, В.Б. Зангом, Э. Петерсом, Д. Фишером и другими отечественными и зарубежными учеными.

Различные подходы к решению задач обработки данных, основанные на использовании нейросетевых методов ивейвлет-анализа, развиты в * работах Н.М. Астафьевой, К.В. Анисимовича, В.И Васильева,

B.И. Гадзиковского, А.Ю. Дорогова, И.Л. Дремина, А.И Галушкина, А.Л. Горелика, В.Н. Гусятникова, В.П. Дьяконова, С. Оссовского, В.Г. Редько, П.В. Терелянского, В.А. Терехова, Н.И. Червякова, Г.В. Тимофеевой, Б. Видрова, А. Кохена, С. Маллата, Ф. Розенблатта, Дж. Хопфилдаи других ученых.

Вопросы компьютерной математики и программной поддержки прогнозирования рассматриваются и развиваются В.П. Боровиковым, А.Н. Васильевым, Л.В. Кальяновым, Ю.Л. Кетковым, В.Ф. Минаковым,

C. Поршневым, Ю. Тарасевичем, Г.Н. Хубаевым, Д. Химмельблау, Д. Кнутом и другими авторами.

В то же время, проблемные вопросы получения, верификации и программной реализации методов и моделей прогнозирования временных рядов (BP) урожайности сельскохозяйственных культур, в том числе на

основе искусственных нейронных сетей, адаптированных к особенностям агарной экономики в условиях рискованного земледелия, разработаны недостаточно. Задачи совершенствования алгоритмов и инструментальных средств программной реализации нейросетевых технологий на ЭВМ, требуют дополнительных исследований и разрешения.

Цели и задачи исследования. Целью исследований является разработка алгоритмов построения и адаптации нейросетевых информационных технологий и инструментальных средств для моделирования урожайности сельскохозяйственных культур на основе анализа автокорреляционных функций временных рядов.

Для достижения поставленной цели были поставлены и решены следующие задачи:

выявить, на основе системного подхода, статистические характеристики процесса циклической изменчивости урожайности сельскохозяйственных культур в условиях рискованного земледелия для обоснования применения нейросетевых технологий к её моделированию с учетом эндогенной структуры временных рядов урожайности;

провести анализ применимости методов нейросетевого моделирования и прогнозирования урожайности сельскохозяйственных культур в условиях рискованного земледелия для различных видов зерновых культур;

- разработать методику нейросетевого моделирования урожайности зерновых культур на основе предварительного построения автокорреляционных функций с целью обоснования архитектуры и параметров искусственных нейронных сетей для прогнозирования урожайности;

- построить систему нейросетевых моделей, учитывающих параметры эндогенной цикличности исследуемых ВР, и разработать концептуальные основы системы поддержки принятия решений для кратко- и среднесрочных прогнозов урожайности;

- обосновать методику оценки качества нейросетевых моделей для прогнозирования уровня урожайности зерновых культур в засушливых условиях рискованного земледелия с использованием ансамбля нейронных сетей.

Объект и предмет исследования. Объектом исследования являются аграрные предприятия и экономические регионы с развитым производством зерновых сельскохозяйственных культур в условиях рискованного земледелия, формирующие временные ряды урожайности.

Предметом исследования являются динамические процессы вариации урожайности зерновых культур под влиянием организационно-экономических, природно-биологических и технико-технологических групп факторов.

Рабочая гипотеза диссертационного исследования. С целью повышения надежности экономико-математического прогнозирования урожайности сельскохозяйственных культур в условиях рискованного земледелия на основе применения нейросетевых технологий требуется обоснование выбора архитектуры и адаптация параметров ИНС для моделирования таких характеристик временных рядов урожайности, как период априорной цикличности и эмпирического распределения их уровней. Это может быть реализовано с применением искусственных нейронных сетей и их ансамблей, для которых необходимо обоснование архитектуры, технологических параметров и адекватных методов обучения.

Соответствие темы диссертации требованиям паспорта специальностей ВАК. Диссертационное исследование соответствует пп. 1.8 «Математическое моделирование экономической конъюнктуры, деловой активности, определение трендов, циклов и тенденций развития» и 2.3. «Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях» Паспорта специальности 08.00.13 - Математические и инструментальные методы экономики ВАК Минобрнауки.

Теоретико-методологическая основа исследования. Теоретической и методологической основой проведенного исследования являются диалектический метод, труды классиков экономической теории о закономерностях и цикличности экономического развития, в том числе в области аграрной экономики, работы современных экономистов-математиков в области создания и применения нейросетевого моделирования.

В рамках системного подхода использовались такие методы, как экономико-математическое моделирование, экономико-статистические методы, корреляционно-регрессионный, спектральный анализ; а также нейросетевое моделирование на основе специализированных средств компьютерной математики.

Информационной и эмпирической базой исследования послужили опубликованные данные Федеральной службы государственной статистики (Росстат), Территориального органа Федеральной службы государственной статистики по Волгоградской области (Волгоградстат), открытые информационные ресурсы глобальной сети INTERNET, первичные данные сельскохозяйственных предприятий зернопродуктового сектора АПК Волгоградской области, а также материалы авторских наблюдений.

Научная новизна исследования состоит в разработке технологии и методики построения, обучения и верификации системы нейросетевых моделей на основе выявленных статистических характеристик многолетних BP урожайности зерновых культур в засушливых условиях, а также адаптации инструментальных средств для прогнозирования урожайности в условия рискованного земледелия.

Приращение полученного знания характеризуется следующими элементами научной новизны:

1. Обосновано, что для прогнозирования стохастической динамики процессов продуктивности зерновых культур в условиях рискованного земледелия, на основе моделирования временных рядов (BP) урожайностей, необходимо предпрогнозное выявление эндогенной межгодовой

изменчивости ВР, включая циклическую вариацию урожайности под воздействием совокупности организационно-экономических, биолого-климатических и технико-технологических групп факторов, что позволяет обосновать структуру и выбор начальных параметров инструментальных средств.

2. Осуществлена типизация, с применением методов экономико-статистического анализа сельскохозяйственных культур, групп зерновых культур, характеризующимся ключевыми параметрами эмпирических распределений многолетних рядов урожайностей, которые, в условиях рискованного земледелия, значимо отличаются от нормального закона, что ограничивает применимость методов эконометрического анализа, основанного на МНК-оценках, для моделирования ВР урожайности и подтверждает обоснованность выбора нелинейных нейросетевых моделей и алгоритмов.

3. Разработана методика формирования и «обучения» нейросетевых моделей урожайности с использованием параметров цикличности ВР, выявляемых на этапе предпрогнозного анализа, что позволило снизить остаточную дисперсию нейросетевых моделей для выполнения последующего прогнозирования.

4. Предложена информационная технология прогнозирования урожайности зерновых культур, включающая формирование обучающей, контрольной и тестовой выборок исследуемого ВР урожайности, выбор архитектуры и числа скрытых слоев ИНС, вида функций активации нейронов и размеров временных окон с учетом результатов предпрогнозного автокорреляционного анализа для повышения адекватности нейросетевого прогнозирования.

5. Обоснована методика нейросетевого прогнозирования урожайности с использованием ансамбля нейронных сетей и разработана на концептуальном уровне компьютеризованная система поддержки принятия решения для краткосрочного прогнозирования, позволяющая выявлять и

и

учитывать циклические закономерности моделируемых ВР урожайности зерновых, что обеспечивает повышение надежности прогнозов и, соответственно, качество управленческих решений в аграрном производстве.

Теоретическая значимость работы заключается в совершенствовании методики и адаптации инструментария нейросетевого моделирования урожайности сельскохозяйственных культур в условиях рискованного земледелия. Полученные теоретические результаты могут быть использованы для совершенствования научных исследований и информационных технологий нейросетевого моделирования в области планирования и управления аграрной экономикой, основанных на использовании кратко- и среднесрочных прогнозных моделях.

Практическая значимость результатов работы. Разработанное семейство нейросетевых моделей для прогнозирования урожайности сельскохозяйственных культур может применяться органами управления сельскохозяйственным производством различного уровня при планировании объемов производства на основе кратко- и среднесрочных прогнозов. Кроме , того, внедрение предложенных моделей позволит повысить оперативность и многовариантность анализа различных сценариев развития аграрного производства.

Апробация результатов проведенного исследования. Основные положения и результаты диссертации обсуждались на V Международной студенческой электронной научной конференции «Студенческий научный форум» (15 февраля - 31 марта 2013 г.), XVII региональной конференции молодых исследователей Волгоградской области (Волгоград, 6-9 ноября 2012 г), VII Международной научно-практической конференции молодых исследователей, посвященной 70-летию Победы в Сталинградской битве «Наука и молодежь: новые идеи и решения» (Волгоград, май 2013 г.), Международной научно-практической конференции, посвященной 70-летию Победы в Сталинградской битве«Интеграция науки и производства -стратегия устойчивого развития АПК России в ВТО» (Волгоград, 30 января -

1 февраля 2013 г.), «Научных чтениях РГЭУ («РИНХ») «Математическая экономика и экономическая информатика» (Кисловодск, 2013), на Научно-методической конференции Волгоградского ГАУ «Профессиональное аграрное образование XXI века: новые стандарты, методики, технологии» (Волгоград, 20-23 марта 2012 г.).

Разработанная в рамках диссертационного исследования компьютерная система на основе БИЛ V. 4.0 и практические рекомендации по ее применению для прогнозирования урожайности представлен во Всероссийский НИИ гидротехники и мелиорации Россельхозакадемии. Разработки автора использованы также в учебном процессе экономического факультета ФГБОУ ВПО «Волгоградский государственный аграрный университет по дисциплинам «Экономико-математические модели», «Эконометрика», «Математическое моделирование в агробизнесе».

Публикации. По теме диссертации автором опубликовано 9 печатных работ (объемом 2,9 п.л., в т.ч. автора - 2,1 п.л.), в том числе 3 - в ведущих рецензируемых журналах, включенных в Перечень ВАК.

Объем и структура диссертации. Диссертационная работа включает перечень условных обозначений, введение, три основных раздела, заключение, список литературы, приложения. Диссертация выполнена на 129 странице, включает 18 рисунков, 17 таблиц. Список литературы содержит 203 отечественных и зарубежных публикации.

Во введении обоснована актуальность темы диссертационной работы, представлены цель и задачи исследования, изложены основные научные результаты, их научная новизна и практическая значимость.

В первой главе «Теоретические и методические основы прогнозирования урожайности на основе нейросетевых информационных технологий» рассмотрены различные подходы к прогнозированию урожайности, как основы планирования и управления в аграрной экономике; экономико-математические методы и алгоритмы прогнозирования

урожайности, а также инструментальные средства и информационные технологии для нейросетевого прогнозирования урожайности.

Во второй главе «Моделирование урожайности с использованием технологий искусственных нейронных сетей» описаны методики выполнения отбора статистических данных для анализа и моделирования; проведен предпрогнозный экономико-статистический анализ временных рядов урожайности различных сельскохозяйственных культур и изложена предлагаемая общая методика моделирования урожайности с использованием искусственных нейронных сетей.

Подробно рассмотрены вопросы отбора и адаптации алгоритмов и инструментальных средств для нейросетевого моделирования урожайности, а также выбора архитектуры и параметров разрабатываемой нейросети.

В третьей главе «Прогнозирование урожайности сельскохозяйственных культур на основе нейросетевых информационных технологий» рассмотрены особенности формирования ИНС для прогнозирования урожайности различных зерновых культур; изложены разработка информационной технологии для прогнозирования урожайности сельскохозяйственных культур и оценка погрешностей при прогнозировании урожайности на основе нейросетевых информационных технологий.

В заключении обобщены основные результаты и положения диссертационного исследования.

1. Теоретические и методические основы прогнозирования урожайности на основе нейросетевых информационных технологий

Первая группа рассматриваемых проблем включает теоретические и методологические основы экономико-математического моделирования экономической динамики, в т.ч. многолетних рядов урожайности сельскохозяйственных культур; теоретические основы моделирования урожайности при планировании объемов производства сельскохозяйственных культур. Рассмотрены вопросы оценивания выборочных статистических характеристик уровней урожайности сельскохозяйственных культур, формируемые совместным воздействием эндо- и экзогенных факторов; подробно рассмотрены сущность, математический аппарат и алгоритмы нейросетевого моделирования.

1.1. Прогнозирование урожайности, как основа планирования и управления в аграрной экономике

1.1.1. Теоретические основы прогнозирования урожайности при планировании объема производства сельскохозяйственной продукции

АПК, как производственно-хозяйственный комплекс, представляет собой сложнуюя систему взаимосвязанных отраслей, производств и хозяйствующих субъектов. Непосредственно сельскохозяйственное производство является одной из его составных частей, причем самой сложной, поскольку оно связано с биологическими объектами в условиях и природно-климатических воздействий и испытывает на себе прессинг монополизма первой и третьей сферы АПК. Поэтому вопросы управления сельскохозяйственным производством требуют научно обоснованных решений на всех уровнях менеджмента от субъектов хозяйственной деятельности до региона и государства.

На общегосударственном уровне законодателем принят соответствующий Федеральный закон [1], признающий необходимость построения научно обоснованных прогнозов, а также то, что органы управления АПК всех уровней нуждаются в научно обоснованном предвидении будущих тенденций научно-технического и социально-экономического развития.

В технологии принятия управленческих решений сельскохозяйственного производства ключевые входные параметры представляют собой прогнозные величины, поэтому является весьма важным качественное обеспечение информационно-аналитической базы принятия решений обоснованными прогнозными значениями этих параметров. Кратко- и среднесрочное прогнозирование урожайности зерновых культур занимает одно из центральных мест в процедурах разработки агропродовольственной политики на уровне страны, регионов, а также программ развития сельскохозяйственных организаций [101]. Одним из важнейших видов прогнозов является прогноз объемов продукции сельскохозяйственного производства. При этом прогноз производства продукции растениеводства складывается из двух основных составляющих: посевной площади и урожайности, при этом отмечается многими авторами, что именно прогноз урожайности представляет собой принципиальную сложность.

Прогнозирование (prognosis (греч.) - знание наперед) представляет собой совокупность процедур построения прогнозов на основе научных подходов, методов и методик [101]. Основными принципами, которые необходимо соблюдать в процессе разработки научных прогнозов, являются:

• принцип системно-динамического подхода;

• принцип согласованности прогнозов;

• принцип непрерывного прогнозирования;

• принцип верифицируемости (достоверности);

• принцип вариантности прогнозирования;

• принцип рентабельности прогнозирования.

Классификация основных методов прогнозирования представлена на рис. 1.1.

Интуитивные методы иротсшфоаамия

Ивдивадуть-ше экспертные оценки

I

Метод «интервью»

Аналшкч-е докладные записки

Метод сценариев

Коллективные эксперт-кые оценки

Метод аикетпроаа-

Метод «комиссий»

Метод «мозговых пак»

Метад; программного нрогноадро-вши*

Метод эвристического хфатегшр.

X

Методы протезирования

Эксгршюля-ц ионные методы

X

Метод МНК

Оменоиенцн-азшое сглаживание

Вер-яое модеаир. адап.кое ег.-е

Коллективна«

геиерацн* едей

Формализованные методы лрогоозироаашш

Системно-структурные методы

Функц ио-

напъио-иерархиче-

I

Метод мор-фсиогическо-ю анаяюа

I

Матричный метод

Сетевое

моде ли IX'

Методы структурной

Граф и дерево целей

Проточный с цснаций

Пейросетевое прогноз иро-ва-ние

Интеллектуальный анализ данных

Математические методы

Ассоциатив- Методы

ные методы опережаю-

щей ишкч»-

1 1

Метод А налит пото-

имнгащо. ка публика-

модеякр. ций

1 1

Историко- Оценка чна-

логичесжнй чимостя

анализ изобретений

1 1

Метода теор. Аиалю па-

распознава- тентной

ния образов информации

Кор.-кый н рег,- иый анализ

МГУА

Цепи Маркова

Факторный шш

Математическая логика

Распознавание образов

Модепнр-е стационарных с.и.

Варшщиш-ные мегодм

Спектра» ь-ныГ( анализ

Модепир-е нсстац-ых с.и.

Рисунок 1.1- Классификация основных методов прогнозирования Составлено автором по [176]

Методы научного прогнозирования по принципу действия и способу получения информации ряд исследователей [101, 176 и др.] подразделяют на основные группы:

• интуитивные;

• формализованные.

В зависимости от принципов функционирования, интуитивные методы также можно разделить на индивидуальные и коллективные экспертные оценки;

К индивидуальным относят целевые интервью, аналитические докладные записки, построение сценарных вариантов.

Коллективными методами экспертных оценок являются: "мозговая атака" ("мозговой штурм"), "методы Дельфы", "дерева целей", метод морфологических матриц, эвристического прогнозирования и др.

Формализованные методы в зависимости от общих используемых принципов можно разделить на подгруппы прогнозной экстраполяции, системно-структурных, ассоциативных методов и методов опережающей информации [176].

Классификация формализованных методов прогнозирования, в зависимости от общих принципов действия, включает методы прогнозной экстраполяции (методы наименьших модулей (МНМ) и квадратов (МНК), экспоненциального и адаптивного сглаживания, вероятностного моделирования и др.) и экономического моделирования.

Экономическое моделирование, в свою очередь, подразделяется на структурное (сетевое, имитационное), статистическое (используя одно уравнений регрессии или их систему), экономико-математическое (детерминированные, линейно-динамические, нелинейные, стохастические модели, распознавания образов, теории катастроф, искусственных нейронных сетей и др.).

Основу научного прогнозирования и планирования в аграрном производстве составляет краткосрочный прогноз урожайности основных групп сельскохозяйственных культур [101].

Отметим, что научные разработки в теории и практике активного программирования урожаев впервые проводились в Волгоградском СХИ [94]. Исследования проф. Г.П. Кустенко, академика ВАСХНИЛ Г.Е Листопада, проф. В.И.Филина подтвердили перспективность этого направления, а подтверждение возможности получения программируемого уровня урожайности на основе математических моделей впервые было предпринято А.А.Климовым. При этом, научное прогнозирование урожайности является составным элементом технологии научного программирования урожаев, являясь информационной основой для выработки управляющих воздействий на процесс программирования урожая.

Похожие диссертационные работы по специальности «Математические и инструментальные методы экономики», 08.00.13 шифр ВАК

Список литературы диссертационного исследования кандидат наук Шубнов, Михаил Геннадьевич, 2013 год

ЛИТЕРАТУРА

1. Федеральный закон №15-ФЗ «О государственном прогнозировании и программах социально-экономического развития Российской Федерации» от 20 июля 1995 г. (с изменениями от8 сентября 2000 г.).

2. Абдиев В.А. Нейросетевой подход к трудно формализуемым задачам анализа и прогнозирования / Экономическое прогнозирование: модели и методы: материалы IX Междунородной научно-практической конференции / под общю ред. В.В. Давниса и В.И. Тиняковой; Воронеж, гос. ун-т. -Воронеж: Типография Воронежского ЦНТИ, 2013. - С. 99-104.

3. Агроклиматический справочник по Волгоградской области. -Ленинград: Гидрометеоиздат, 1967.- 143 с.

4. Антропогенные изменения климата / под ред. М.И Будыко и Ю.А Израэля. - Л.: Гидрометеоиздат, 1987. - 353 с.

5. Айтпаева, A.A. Режим орошения и водопотребление новых сортов озимой пшеницы на светло-каштановых почвах правобережья Волгоградской области: дисс. ... канд. сельскохозяйственных наук. - Волгоград: ВГСХА, 2000.-162 с.

6. Алехин, А.Б. Планирование деятельности агропромышленных формирований с учетом фактора неопределенности. Интервальный подход / А.Б. Алехин, Ю.В. Сухоруков // Модели и методы оптимального планирования в сельском хозяйстве: Сборник научных трудов. - Одесса: ОСХИ, 1988.-с. 8-11.

7. Алтухов, А.И., Проблемы производства и реализации зерна в Российской Федерации / А.И. Алтухов, H.A. Пролыгина // Экономика сельскохозяйственных и перерабатывающих предприятий, 1999, №6, с. 22-26.

8. Алтухов, А.И. Развитие продовольственного рынка России. / А.И. Алтухов, Макин Г.И., Бабков М.А. Ч 2. - М.: АгриПресс, 2000. - 444 с.

9. Андреева, О.В. Системная оценка приемов возделывания озимой пшеницы по интенсивной технологии в подзоне светло-каштановых почв

Волгоградской области: автореф. дисс...канд. с.-х. наук. - Волгоград: Волгоградская государственная сельскохозяйственная академия, 1999. - 24 с.

10. Андрющенко, С.А. Научно-технический прогресс и технологические уклады в АПК // Научно-технический прогресс и формирование производственного потенциала АПК: Сборник научных трудов. - Саратов: ИСЭП АПК АН СССР, 1990. - 122 с.

11. Андрющенко, С.А. Прогноз сбалансированного развития регионального АПК (программный аспект). - М.: Наука, 1990. - 160 с.

12. Арутюнов А.Л., Иванюк A.A., Цвиркун А.Д. Разработка инструментальных средствпрогнозирования в социально-экономических системах / Научное издание. - М.: ИПУ РАН, 2012. - 44 с.

13. Афанасьев В.Н., Юзбашев М.М. Анализ временных рядов и прогнозирование: Учебник. - М.: Финансы и статистика, 2001. - 228 с.

14. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений:-М.:Финансы и статистика, 2004. - 176 е..

15. Барский А. Б. Логические нейронные сети: учеб. пособие-~ М.:Интернет-университет Информ. Технологий, 2007. - 351 с.

16. Байдаков, А.Н. Об использовании сезонных закономерностей в управлении аграрным производством / А.Н. Байдаков // Экономика сельскохозяйственных и перерабатывающих предприятий. - 2004. - № 8. -С. 20-22.

17. Батыршин И.З., Недосекин А.О. Нечеткие гибридные системы:Теория и практика-М.:Физматлит,2007.-207 с.

18. Бадевиц 3. Математическая оптимизация в социалистическом сельском хозяйстве / Пер. с нем. H.A. Чупеева; под ред. И с предисл. Р.Г. Кравченко. - М.: Колос, 1982. - 549 с.

19. Борисов В. В., Круглов В. В. Нечеткие модели и сети. - М.: Горячая линия-Телеком, 2007. - 283 с.

20. Боташева Ф.Б. Модели архетипов макроэкономической динамики в фазовом пространстве: автореф. ... докт. экономии, наук. 08.00.13. -Кисловодск, 2013. - 48 с.

21. Браславец, М.Е. Экономико-математические методы в организации и планировании сельскохозяйственного производства. - М.: Экономика, 1971. -358 с.

22. Браславец, М.Е., Кравченко Р.Г. Математическое моделирование экономических процессов в сельском хозяйстве. - М.: Колос, 1972. - 589 с.

23. Буховец А.Г., Семин Е.А., Голева Г.Г. Анализ и прогнозирование урожайности отдельных зерновых культур / Экономическое прогнозирование: модели и методы: материалы IX Междунородной научно-практической конференции / под общю ред. В.В. Давниса и В.И. Тиняковой; Воронеж, гос. ун-т. - Воронеж: Типография Воронежского ЦНТИ, 2013. - С. 107-110.

24. Быковская, Т.К. Ковалева Н.С., Парамонова Т.А. Экологические проблемы сельскохозяйственного производства и состояние почв России //. Аграрная наука, 1999, №7, с. 25-27.

25. Вайнштейн, С.Ю., Глинский В.В. Диагностика истинности периодизации интеграционных процессов в АПК // Научно-технический прогресс и формирование производственного потенциала АПК: Сборник научных трудов. - Саратов: ИСЭП АПК АН СССР, 1990. - 122 с.

26. Вайпан, Т.К., Киндюк Б.В., Козоглодюк И.Ю. Построение модели урожая сельскохозяйственных культур // Модели и методы оптимального планирования в сельском хозяйстве: Сборник научных трудов. - Одесса: ОСХИ, 1988.-128 с.

27. Вальтер, О.Э., Манзон М.А. Оценка инвестиционных проектов в АПК // Экономика сельскохозяйственных и перерабатывающих предприятий, 2000, №4, с. 51-54.

28. Варфоломеев, И.А. Оптимизация нейро-нечёткой модели управления технологическими процессами в металлургии [Текст]/ И.А.

Варфоломеев, Е.В.Ершов, Д.В. Богачев. Вестник Череповецкого гос. ун-та. -2013.-№ 1, Т.2. - С.10-14.

29. Винтизенко, И.Г. Детерминированное прогнозирование в экономических системах / Труды III междунар. конф. «Новые технологии в управлении, бизнесе и праве». - Невинномысск: Изд-во ИУБП. - С.30-37.

30. Винтизенко, И.Г. Экономическая цикломатика: монография / И.Г. Винтизенко, В.С.Яковенко. - М.: Финансы и статистика; Ставрополь: АГРУС, 2008.- 428 с.

31. Водолазский A.A. Начала эконофизики и количественная определенность первых экономических законов. - Новочеркасск: "НОК", 2013.-227 с.

32. Волгоградская область в цифрах в 2001 году // Статистический ежегодник. Волгоград: Волгоградский областной комитет государственной статистики, 2000. - 267 с.

33. Галушкин А. И., Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае: В 2 т.-М.: Горячая линия-Телеком, 2004. - 367 с. >,

34. Галушкин А.И. Теория нейронных сетей. Кн. 1 : Учеб. Пособие для вузов. - М.: ИПРЖР, 2001. - 385 е.:

35. Гатаулин, A.M. Экономическая теория: толковый терминологический словарь. - М.:Колос, 1999.- 248 с.

36. Генералова, C.B. Формирование системы измерения производственно-экономического потенциала предприятий АПК: автореф. дисс...канд. экономич. наук. - Саратов: Саратовский государственный аграрный университет, 2000. - 27 с.

37. Глазкова И.Ю., Койчуева Д.А., Лепшокова P.P. Методика оценки инвестиционной привлекательности сельскохозяйственных предприятий // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Экономические науки = St. Petersburg State Polytechnical University Journal. Economics. 2009. T. 4. № 81. C. 161-165.

38. Глазкова И.Ю. Моделирование эффективности инвестиционных проектов на основе сценарно-имитационного подхода : Автореферат дисс. ... канд. экономия, наук / Санкт-Петербургский университет экономики и финансов. Санкт-Петербург, 2008. - 20 с.

39. Глущенко В.В. Прогнозирование. 3-е издание. - М.: Вузовская книга,

2000. - 208 с.

40. Гойса, Н.И., Тимошенко Г.Л., Ковтун И.И. О взаимосвязи элементов урожайности озимой пшеницы // Труды УкрНИГМИ, 1979, вып. 173, с. 96100.

41. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4: Учеб.пособие для вузов/Общая ред. А.И. Галушкина. - М.: ИПРЖР,

2001.-256 с.

42. Голубев, A.B. Адаптивная агроэкономика. М.: Колос, 1996. - 167 с.

43. Голубев, A.B. Эколого-экономические проблемы сельского хозяйства // Научно-технический прогресс и формирование производственного потенциала АПК: Сборник научных трудов. - Саратов: ИСЭП АПК АН СССР, 1990. - 122 с.

44. Голубев, A.B. Экономическая инженерия // АПК: экономика, управление, 2000, № 6, с. 22-28.

45. Гончаров, В.Д. Продовольственный рынок России: состояние, проблемы развития // Экономика сельскохозяйственных и перерабатывающих предприятий, 1999, №10, с. 39-41.

46. Горбатков С.А., Полупанов Д.В. Методы нейроматематики в налоговом контроле. - Уфа: РИЦ БашГУ, 2008. - 136 с.

47. Гордеев, A.B. Ключевая проблема развития агропромышленного комплекса страны - финансовое оздоровление сельских товаропроизводителей // Экономика сельскохозяйственных и перерабатывающих предприятий, 2000, №7, с. 9-11.

48. Горев, А. Эффективная работа с СУБД / А. Горев, Р. Ахаян, С. Макашарипов- СПб.: Питер, 1997. - 704 с.

49. Гофман, В.Э. Delphi 6./ В.Э. Гофман, В.Д. Хомоненко - СПб.: БХВ-Петербург, 2002. - 1152 с.

50. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. Пер.с англ. - М.: Статистика., 1972. - 312 с.

51. Груза, Г.В., Рейтенбах Р.Г. Статистика и анализ гидрометеорологических данных. - Ленинград: Гидрометеоиздат, 1982. -216 с.

52. Гунин, В.Н. Управление инновациями./ В.Н. Гунин,- М.: ИНФРА-М, 1999.-301 с.

53. Гусак А.Н. и др. Подход к послойному обучению нейронной сети прямого распространения // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002. - С. 931-933.

54. Гуревич, Т.Ф. Использование экономико-математических методов анализа в оценке производственного потенциала сельскохозяйственных предприятий // Модели и методы оптимального планирования в сельском хозяйстве: Сборник научных трудов. - Одесса: ОСХИ, 1988. - 128 с.

55. Гуськов, И.Б., Давыдов В.М. Практика антикризисного управления предприятиями АПК. - М.: Колос, 1999. - 200 с.

56. Дарахвелидзе, П.Г Разработка Web-служб средствами Delphi / П.Г.Дарахвелидзе, Е.П. Марков - СПб.: БХВ-Петербург, 2003. - 672 с.

57. Дженкинс Г., Вате Д. (1971, 1972) Спектральный анализ и его применения. - М.: Мир, 1971, 1972. - Вып. 1,2.

58. Джонстон Дж. (1980) Эконометрические методы. - М.: Статистика, 1980.-431 с.

59. Долятовский В.А. Фильтрация, усвоение и использование знаний в управлении социальными и экономическими системами // В.А. Долятовский, А.И. Касаков, Я.В. Гамалей ; М-во образования РФ [и др.]. Отрадная, 2003.

60. Дуброва, Т. А. Статистические методы прогнозирования / Т. А. Дуброва. - М.: ЮНИТИ-ДАНА, 2003. - 206 с

61. Дубовиков М. Первый конгресс по эконофизике в России (обзор докладов и выступлений) //Вопросы экономики, 2009, №11, с. 150-155.

62. Дудов A.C., Наталуха И.А. Оптимальная политика экологического аудита // Terra Economicus. 2008. Т. 6. № 3-3. С. 170-174.

63.Ермакова, Н.Ю., Банникова Н.В. Стратегическое планирование в инновационно активных предприятиях аграрной сферы / Н.Ю. Ермакова, Н.В. Банникова // АПК: экономика, управление. - 2005. - №2.

64. Загайтов, И.Б. Способ прогнозирования межгодовых колебаний урожайности озимой пшеницы / / И.Б. Загайтов (RU), Л.П. Яновский (RU). Заявка № 2005114095. А. МПК A01G7/00 (2006.01).- Заявлено 11.05.2005; опубл. 20.11.2006.

65. Задков, А.П. Фактор риска в сельском хозяйстве. - Новосибирск: СО РАСХН, СибНИИЭСХ, 1998. - 264 с.

66. Зайнчковская, Т.С. Прогнозирование урожайности сельскохозяйственных культур с учетом случайных факторов // Вестник сельскохозяйственной науки, 1985, №10, с. 71-76.

67. Занг В.Б. Синергитическая экономика. Время и перемены в нелинейной экономической теории. - М.: Мир, 1999. -216 с.

68. Захаров Д.Н. Управление субъектами АПК с помощью нейронных сетей и технологий извлечения знаний из массивов статистических данных . Автореф.... канд. техн. наук (05.13.01). - Москва, 2013. - 15 с.

69. Зинченко, А.П. Использование производственного потенциала сельскохозяйственных предприятий России // Экономика сельскохозяйственных и перерабатывающих предприятий, 2000, №7, с. 22-25.

70. Зинченко, А.П. Сельскохозяйственная статистика с основами социально-экономической статистики. М.: Изд-во МСХА, 1998. - 430 с.

71. Зубенко В.Н., Королев В.А., Глазкова И.Ю. Адаптация методов расчета индикаторов экономической безопасности предприятия // Научно-технические ведомости Санкт-Петербургского государственного

политехнического университета. Экономические науки. 2011. Т. 6. № 137. С. 207-209.

72. Зятьков, Ю.И. Экономико-математическое моделирование производственного планирования в информационно-консультационной системе АПК // Аграрная наука, 1999, №5, с. 24-26.

73. Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. - С. 745 - 755.

74. Ильченко, А.Н. Моделирование внутрирегиональных экономических взаимоотношений в АПК. -М.: Издательство МСХА, 1993. - 135 с.

75. Иншаков, О.В. Механизм социально-рыночного и устойчивого развития АПК России: дисс. ... докт. экономии, наук. - Волгоград: Волгоградский государственный университет, 1995. - 450 с.

76. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2002 г.

77. Канторович, JI.B., Горстко А.Б. Оптимальные решения в экономике. - М.: Наука, 1972. - 231 с.

78. Кардаш, В.А. Экономика оптимального погодного риска в АПК (теория и методы). - М.: Агропромиздат, 1989. - 167 с.

79. Кендэл М. Временные ряды. Пер. с англ. Ю.П. Лукашина. - М.: «Финансы и статистика», 1979. - 198 с.

80. Калан, Роберт. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом «Вильяме», 2001.- 288 с.

81. Клочан, В.П. Использование теории случайных процессов в прогнозировании урожайности // Модели и методы оптимального планирования в сельском хозяйстве: Сборник научных трудов. - Одесса: ОСХИ, 1988.-128 с.

82. Колмогоров http://www.statsoft.ru/home/portal/colmogorov.htm

83. Комарцова JI.Г., Максимов А.В. Нейрокомпьютеры: Учеб. пособие для ву-зов. - 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 400 с.

84. Константинов, А.Р. Погода, почва и урожай озимой пшеницы. -Ленинград: Гидрометеоиздат, 1978. - 284 с.

85. Копенкин, Ю.И. Стахостические модели в сельском хозяйстве: учеб. пособие / Ю.И.Копенкин. - М.: Изд-во МСХА, 2002.- 95 с.

86. Лащев А.Я., Глушич Д.В. Синтез алгоритмов обучения нейронных сетей // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб. докл., 2002 г. - С. 997 - 999.

87. Ковалев С.М. Модели анализа слабо формализованных динамических процессов на основе нечетко-темпоральных систем // Известия вузов: Северо-Кавказский регион. Естественные науки. - 2002. - № 2. - С. 1013.

88. Кондратьев, Н.Д. Большие циклы конъюнктуры / Н.Д. Кондратьев // Вопросы конъюнктуры. - 1925. - Т. 1. - Вып. 1. - С. 28-79.

89. Кравцов, С.А. Зерновое производство в России в 1999 году // Зерновые культуры, 2000, №2, с. 2-5.

90. Краснощеков, Н.В. МТС и реструктуризация сельскохозяйственного производства // Вестник Российской академии сельскохозяйственных наук, 1999, №4, с. 44-46.

91. Кричевский, М.Л. Интеллектуальные методы в менеджменте / М.Л. Кричевский. - СПб.: 2005. - 304 е.: ил.

92. Крылатых, Э.Н. Система моделей в планировании сельского хозяйства. - М.: Экономика, 1979. - 200 с.

93. Крылатых, Э.Н. Экономические риски в агропромышленном комплексе // АПК: экономика, управление, 1999, №7, с. 3-15.

94. Кузнецов, Н.Г. Введение в курс математических моделей: Учебное пособие. - Волгоград: ВСХИ, 1992. - 73 с.

95. Кулик, М.С. Учет агрометеорологических условий и устойчивость урожайности // Метеорология и гидрология, 1970, №4, с. 7-9.

96. Курносов, А.П., Звягин H.A. Математическое моделирование экономических процессов в растениеводстве: Учебное пособие. - Воронеж: ВСХИ, 1986.- 128 с.

97. Левкин, В.Н. Влияние сорта, норм высева на урожайность и качество озимой пшеницы в подзоне светло-каштановых почв Волгоградской области: автореф. дисс...канд. с.-х. наук. - Волгоград: Волгоградская сельскохозяйственная академия, 1999. - 24 с.

98. Левкин, В.Н. Лучшие сорта озимой пшеницы // Вестник АПК, 1999, №12, с. 4-5.

99. Леухин И.В. Многоуровневая система обучения нейрокомитета сетей // Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство: Материалы научно-методической конференции. - Ставрополь: Изд-во СГУ, 2009.

100. Личко К.П., Романюк М.А. Прогнозирование и планирование ,в АПК // Экономика сельского хозяйства России. 2009. № 4. С. 44-56..

101. Личко К.П., Шумская Е.В. Прогноз урожайности зерновых культур как основа прогнозирования объемов сельскохозяйственного производства // Проблемы прогнозирования. 2007. № 3. С. 60-67.

102. Логовский А. Новейшая история нейрокомпьютинга в России // Открытые системы. - 2001 г., №3.

103. .Лукашин Ю.П. Адаптивные методы краткосрочного программирования временных рядов: Учебное пособие. - М.: Финансы и статистика, 2003. - 416 с.

104. Лю, Теория и практика неопределенного программирования:-М.:БИНОМ. Лаборатория знаний, 2005.-416 с.

105. .Максимов В.А. Прогнозирование доходности инвестиций на фондовом рынке // Экономика и математические методы, 2001. Т. 37-№1. - С. 37-46.

106. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики - М.: Эдиториал УРСС, 2000. - 336 с.

107. Матвеев М.Г. Модели и методы искусственного интеллекта. Применение в экономике: учеб. пособие / М.Г. Матвеев, A.C. Свиридов, H.A. Алейникова. - М.: Финансы и статистика; ИНФРА-М, 2008. - 448 с.

108. Математические модели в агрометеорологии // Труды ИЭМ, 1977, вып. 8 (67). - 130 с.

109. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ.ред. к.т.н. В.Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002.-496 с.

110. Минаков, И.А. Эффективность интенсификации зернового производства // Зерновые культуры, 2000, №3, с. 3-6.

Ш.Минаев Ю.Н., Филимонова О.Ю., Лиес Б. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. - М.: Горячая линия -Телеком, 2003.

112. Мудров, В.И. Методы обработки измерений. Квазиправдоподобные оценки / В.И. Мудров, В.Л. Кушко. - М.: Радио и связь, 1983. - 304 с.

ИЗ. Мухамеджанов, P.M. Оптимизация сезонных параметров технологических систем в растениеводстве // Экономика сельскохозяйственных и перерабатывающих предприятий, 2000, №8, с. 24-27.

114. Наталуха И.А. Моделирование разработки экологических инноваций // Вестник Иркутского государственного технического университета. 2007. Т. 31. № 3. С. 106-110.

115. Нейронные сети. STATISTICA Neural Networks: Методология и технологтя современного анализа данных / Под ред. В.П. Боровикова. - М.: Горячая линия - Телеком, 2008. - 392 с.

116. Нейронные сети: история развития теории:учеб. пособие для студентов вузов-М.:ИПРЖР,2001.-839 с.Никитина, Н.Ш. Математическая статистика для экономистов / Н.Ш. Никитина. - М.: ИНФРА-М; Новосибирск: Изд-во НГТУ, 2001.- 170 с.

117. Нейронные сети. STATISTICA Neural Networks - StatSoft. Режим доступа http://statosphere.ru/mneuro/82-neuro2.html.

118. Общие подходы к разработке методики анализа коррупционной составляющей при формировании государственных закупок на основе математического моделирования / А.Н. Косенкова, П.В.Терелянский, И.А. Тарасова, O.A. Авдеюк // Инновационные информационные технологии. 2013. Т. 4. №2. С. 94-96.

119. Огнивцев, С.Б. Развитие моделирования и информатики АПК // Аграрная наука, 2001, №2, с. 29-30.

120. Организация и обучение искусственных нейронных сетей: учеб. пособие. - Минск: ,2003.-72 с.

121. Основные социально-экономические показатели городов и районов Волгоградской области // Статистический сборник. Волгоград: Волгоградский областной комитет государственной статистики, 2006. - 202 с.

122. Основы экономической теории и практика рыночных реформ в России: Учебное пособие для вузов / Под ред. М.М. Загорулько, О.В. Иншакова, В.Н. Овчинникова. 2-е изд., перераб. и доп. М.: Издательская корпорация "Логос", 1997. - 320 с.

123. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

124. Патент RU № 2 158 498. С2. МПК7 А 01 G 7/00. Способ прогнозирования урожайности озимой пшеницы / П.Г. Акулов, М.Н. Понедельченко, И.Н. Сокорева, Н.С. Сокорев. - 2000.

125. Патент RU № 2158500. С2. МПК7 A01G 7/00. Способ прогнозирования урожайности ячменя / П.Г. Акулов, М.Н. Понедельченко, И.Н. Сокорева, Н.С. Сокорев (RU). - 2000.

126. Патент RU № 2228607. С1. МПК7 A01G 7/00. Способ управления продукционными процессами при возделывании озимых зерновых культур в

условиях засушливого климата / А.Ф. Рогачев (RU), A.M. Салдаев (RU), Д.А. Рогачев (RU). - Бюл. № 14// Изобретения. Полезные модели. - 2004. - № 14.

127. Патент RU № 2248690. С2. МГЖ7 A01G 7/00. Способ оценки потенциальной продуктивности сельскохозяйственных растений, преимущественно зерновых колосовых культур, при возделывании в условиях резко континентального климата / A.C. Сарафанов, В.В. Бородычев, A.M. Салдаев, A.B. Майер, В.Н. Кривко (RU). - Бюл. № 9 // Изобретения. Полезные модели. - 2005. - № 9.

128. Патент RU № 2267909. С1. МПК A01G 7/00 (2006.01). Способ оценки потенциальной продуктивности озимых зерновых колосовых культур /В.П. Зволинский, Н.В. Тютюма, J1.B. Богосорьянская, A.M. Салдаев (RU). - Бюл. № 02 // Изобретения. Полезные модели. - 2006.

129. Патент RU №2271096. С1 МГЖ A01G 7/00 (2006.01). Способ прогнозирования урожайности озимых зерновых культур в условиях засушливого климата / А.Ф. Рогачев, A.M. Салдаев (RU). - Бюл. № 7 //Изобретения. Полезные модели. - 2006. - № 7.

130. Патент RU № 2294091. С1. МПК А01 G 7/00 (2006.01). Способ оценки потенциальной продуктивности сельскохозяйственных растений, преимущественно коллекционных сортов яровых зерновых колосовых культур, при возделывании в условиях резко континентального климата / Н.В. Тютюма, В.П. Зволинский, A.M. Салдаев (RU). - № 2005122736/12; Бюл. № 6 // Изобретения. Полезные модели. - 2007. - № 6.

131. Перекрестова, Л.В., Попова Л.В. Производственные запасы в аграрных формированиях: управление, финансирование, учет. - Волгоград: Перемена, 1997.- 180 с.

132. Перепелица, В.А. Структурирование данных методами нелинейной динамики для двухуровневого моделирования / В.А. Перепелица, Ф.Б. Тебуева, Л.Г. Темирова. - Ставрополь: Ставропольское книжное издательство, 2006. - 284 с.

133. Петере Э. Хаос и порядок на рынке капитала. - М.: Мир, 2000. - 333с.

134. Пиндайк, Р., Рубинфельд Д. Микроэкономика: Сокр. пер. с англ. / Науч. ред.: В.Т. Борисович, В.М. Полтерович, В.И. Данилов и др. - М.: Экономика, Дело, 1992. - 510 с.

135. Питер, Пин-Шен Чен. Модель "сущность-связь"— шаг к единому представлению данных // СУБД, №3, 1995, с.137.

136. Питере, Э. Фрактальный анализ финансовых рынков: Применение теории Хаоса в инвестициях и экономике.- М.: Интернет-Трейдинг, 2004.304 с.

137. Платонов, В.А., Чудновский А.Ф. Моделирование агрометеорологических условий и оптимизация агротехники. - Ленинград: Гидрометеоиздат, 1984. - 280 с.

138. Подсвиров, A.B. Экономическая эффективность формирования и развития перерабатывающего подкомплекса регионального АПК (на примере молочного подкомплекса): автореф. дисс...канд. экономич. наук. -Ставрополь: Ставропольская государственная сельскохозяйственная академия, 2000. - 23 с.

139. Полевой, А.Н. Теория и расчет продуктивности сельскохозяйственных культур. - Ленинград: Гидрометеоиздат, 1983. - 176 с.

140. Полупанов Д.В., Данилов Р.А Нейросетевая модель налогового контроля как инструмент пресечения коррупции // Анализ, моделирование и прогнозирование экономических процессов: материалы I Международной научно-практической Интернет-конференции, 10 декабря 2009 г. - 10 февраля 2010 г. / под ред. Л.Ю. Богачковой, В.В. Давниса; Воронеж : Издательство ЦНТИ, 2009. - С. 286-290.

141. Полянская Е.А. Синоптические процессы и явления погоды в Нижнем Поволжье. - Саратов. ГУ, 1986.-208 с

142. Попова Л.В. Альтернативные источники финансирования воспроизводства почвенного плодородия // Экономические науки. 2008. № 43. С. 322-325.

143. Проблемы формирования инвестиционных условий развития АПК: Препринт / В.М. Зеляковская, В.А.Перепелица и др. - Волгоград, изд-во ВГСХА, 2004. -48 с.

144. Рамбиди Н. Г. Биомолекулярные нейросетевые устройства: Учеб.пособие для студентов вузов-М.: Радиотехника, 2002. - 223 с.

145. Рассел С., Норвиг П. Искусственный интеллект: современный подход. 2-е издан. М., Вильяме, 2006.

146. Рогачев А.Ф. Адаптивное прогнозирование урожайности зерновых культур // Управление экономическими системами: электронный научный журнал. 2005, № 3.- С. 18-21.

147. Рогачев А.Ф., Шубнов М.Г. Оценка прогнозного уровня урожайности на основе нейросетевых моделей динамики // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2012, № 4. - С. 226-231.

148. Рогачев А.Ф., Кузьмин В.А. Моделирование эколого-экономических систем с использованием алгоритмов нечеткого вывода // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2013. Т. 1. № 1-1 (29). С. 230-235..

149. Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга. Пер. с англ. - М.: Мир, 1965. - 175 с.

150. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. - М.: Горячая линия -Телеком, 2006. - 452 с.

151.Сажин А.Н. Современные изменения климата и зональные агроклиматические проблемы (на примере Нижнего Поволжья) // Проблемы региональной экологии. - 2001. - С. 14-20.

152. Сажин А.Н., Кулик К.Н., Васильев Ю.И. Погода и климат Волгоградской области. - Волгоград: ВНИАЛМИ, 2010 - 306 с.

153. Се зонные h циклические закономерности зернового производства / В.И. Трухачев, А.Н. Байдаков, Е.Г. Никитенко // Научный журнал КубГАУ, №75(01),2012. - С. 1-8.

154. Семевский, Ф.Н., Семенов С.М. Математическое моделирование экологических процессов. - Ленинград: Гидрометеоиздат, 1982. - 280 с.

155. Сергеев A.B. Прогнозирование временных рядов с помощью нейронных сетей с радиальными базисными функциями // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл, 2002 г. -С. 1187-1191.

156. Сергеев, С.С. Сельскохозяйственная статистика с основами социально-экономической статистики. М.: Финансы и статистика, 1989. -656 с.

157. Сергиенко, Л.И. Математическое моделирование в экологии // Аграрная наука, 1997, №5, с. 20-23.

158. Сергиенко, Л.И. Принципы экологизации природопользования (на примере Нижнего Поволжья) // Аграрная наука, 1998, №3, с. 9-11.

159. Сергованцев, В.Т. Компьютеризация с.-х. производства / В.Т. Сергованцев - М.: Колос. - 2001. - 270 с.

160. Серова, Е.В. Аграрная экономика: учебник для студентов экономических вузов, факультетов и специальностей. - М.: ГУ ВШЭ, 1999. -480 с.

161. Сидоренко, В., Попов И. Стратегия аграрных преобразований: государственное регулирование рыночных отношений // АПК: экономика, управление, 1999, №3, с. 25-33.

162. Сиротенко, О.Д. Многомерный регрессионный анализ как метод исследования связи урожая сельскохозяйственных культур с гидрометеорологическими факторами // Метеорология и гидрология, 1969, №12, с. 68-78.

163. Система ведения агропромышленного производства Волгоградской области на 1996. ..2010 гг. - Волгоград: Комитет по печати, 1997. - 208 с.

164. Ситуация на рынке зерна, сложившаяся в 1998 году // Экономика сельскохозяйственных и перерабатывающих предприятий, 1999, №1, с. 44-46.

165. Солнечная активность, атмосферные осадки за май - июнь и урожайность зерновых культур в Волгоградской области / В.М. Кононов [и др.] // Технологические основы экономического развития сельского социума. - М.: РАСХН, 2005. - 613 с.

166. Статевич В.П., Шумков Е.А. Новый принцип построения самообучаемых нейросетей//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. - С. 1037 - 1040.

167. Статистические модели в экономике / А.Ф. Гришин, С.Ф. Котов-Дарти, В.Н. Лгунов. - Ростов н/Д: «Феникс», 2005. - 344 с.

168. Статистическая обработка и анализ экономических данных / А.В.Каплан, В.Е. Каплан, М.В. Мащенко и др. - Ростов н/Д : Феникс, 2007.330 с.

169. Стратегия развития засушливого лесоразведения в РФ на период до 2020 г. - Волгоград: ВНИАЛМИ, 2008. - 36 с.

170. Тарков, М.С. Нейрокомпьютерные системы: Учеб. пособие. - М.: Интернет-университет Информ. Технологий, 2006. - 140 с.

171.Тархов Д.А. Нейронные сети. Модели и алгоритмы. Изд: Радиотехника. 2005.

172. Терелянский П.В. Программные системы поддержки принятия решений с прогнозированием динамики предпочтений // Интеграл. 2009. № 1. С. 112-113.

173. Терехов В.А., Ефимов Д.В. Нейросетевые системы управления:учеб. пособие. - М.: Высшая школа, 2002. - 182 с.

174. Тинякова В.И. Адаптивно-рациональное прогнозирование: сущность, этапы, модели переходных процессов // Вестник Ставропольского государственного университета. 2006. № 1. С. 98-107.

175. Толкачев С.Ф. Нейронное программирование диалоговых систем:-СПб.: КОРОНА-Век, 2006. - 189 с.

176. Тихонов, Э.Е. Методы прогнозирования в условиях рынка: Учебное пособие / Тихонов Э.Е. - Невинномысск, 2006. - 221 с.

177. Тихонов, Э.Е. Методы и алгоритмы прогнозирования экономических показателей на базе нейронных сетей и модулярной арифметики: Монография / Э.Е. Тихонов, В.А. Кузьмищев. - Невинномысск: Издательство НИЭУП, 2004. - 166 с.

178. Федеральный портал: Россия и мир [Электронный ресурс] Режим доступа http://protown.ru/information/hide/3562.html.

179. Хенан Э.Дж. Многомерные временные ряды. - М.: Мир, 1986.-

346с.

180. Уоссермен Ф. Нейрокомпыотерная техника. Теория и практика. М.: Мир, 1992.

181. Хубаев Г.Н. О влиянии ошибок независимых переменных на выбор состава факторов и структуры уравнения регрессии // Управление экономическими системами: электронный научный журнал. 2010. № 23. С. 243-249.

182. Хубаев Г.Н.Система поддержки принятия решений по минимизации ресурсоемкости товаров и услуг: вариант построения // Вопросы экономических наук. 2009. № 4. С. 126-130.

183. Червяков Н.И., Тихонов Э.Е. Предсказание фрактальных временных рядов с помощью нейронных сетей // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, - 2003. - №10.-С. 19-24.

184. Чулюков В. А. Системы искусственного интеллекта. Практический курс:учеб. пособие-М.:БИНОМ. Лаборатория знаний, 2008. -292 с.

185. Чураков В.П. Математические методы обработки экспериментальных данных в экономике: Учебное пособие. - М.: Финансы и статистика, 2004. - 240 с.

186. Чураков В.П. Прогнозирование эконометрических временных рядов / В.П. Чураков. - М.: Финансы и статистика, 2008. - 208 с.

187. Шадуев, М.Г. Период упреждения как критерий прогнозируемости экономических процессов: автореф. дисс...канд. экономии, наук. 08.00.13. -Кисловодск, 2001. - 24 с.

188. Ширяев В. И. Финансовые рынки и нейронные сетшучеб. пособие для вузов-М.:Издательство ЛКИ,2007.-221 с.

189. Шатохина, О.И. Повышение урожайности — основа увеличения валового сбора зерна / О.И. Шатохина, Г.И.Хаустова, JI.A. Шатохина // Зерновое хозяйство. - 2004. - №6.

190. Шредер, М. Фракталы, хаос, степенные законы. Миниатюры из бесконечного рая. - Ижевск: НИЦ «Регулярная и хаотичная динамика», 2001 - 528 с.

191. Шубнов М.Г. Проблемы обучения искусственных нейронных сетей простейших нейрокомпьютеров / Наука и молодежь: новые идеи и решения / Материалы VII Международной научно-практической конференции молодых исследователей, посвященной 70-летию Победы в Сталинградской битве, г. Волгоград, май 2013 г. Часть I. - Волгоград: ФГБОУ ВПО Волгоградский ГАУ ИПК «Нива», 2013. - С. 117-119.

192. Шубнов М.Г. Применение искусственных нейронных сетей для задач прогнозирования урожайности / Интеграция науки и производства -стратегия устойчивого развития АПК России в ВТО / Материалы Международной научно-практической конференции, посвященной 70-летию Победы в Сталинградской битве, г. Волгоград, 30 января -1 февраля 2013 г. Часть I. - Волгоград: ФГБОУ ВПО Волгоградский ГАУ ИПК «Нива», 2013. -С. 117-119/

193. Шубнов М.Г., Рогачев А.Ф. Методика обучения искусственных нейронных сетей для задач прогнозирования урожайности / Профессиональное аграрное образование XXI века: новые стандарты, методики, технологии. Материалы научно-методической конференции, 20-23 марта 2012 года, г. Волгоград, Ч. 1. - ФГБОУ ВПО Волгоградский ГАУ, 2012. -С. 331-334.

194. Эконофизика и эволюционная экономика (Научная сессия Отделения физических наук Российской академии наук, 2 ноября 2010 г.) // УФН. — 2011. — Т. 181. — С. 753—786.

195. Юзбашев М.М., Кордович В.И. Расчёт вероятностей рисков неурожая зерновых культур в Российской Федерации // Вопросы статистики.-2007-№5.- С.59-61.

196. Яблоновская С.И., Куксин С.В Опыт разработки прогнозов урожаев для Липецкой области / Экономическое прогнозирование: модели и методы: материалы IX Междунородной научно-практической конференции / под общю ред. В.В. Давниса и В,И. Тиняковой; Воронеж, гос. ун-т. -Воронеж: Типография Воронежского ЦНТИ, 2013. - С. 189-194.

197. Ярушкина Н.Г. Нечеткие нейронные сети - когнитивный и прикладной потенциал// Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов Ш-го Международного научно-практического семинара. - М.: Физматлит, 2005. - С. 57-62.

198. Яхъяева Г. Э. Нечеткие множества и нейронные сети: учеб. пособие-М.: Интернет-университет Информ. технологий, 2008. - 315 с.

199. Almon S. (1960) "The Distributed Lag between Capital Appropriations and Expenditures", Econometrica, 30, 178-196.

200. Huang B.Q., Rashid Т., Kechadi M-T. Multi-Context Recurrent Neural Network for Time Series Applications // Intarnational Journal of Computational Intelligence. - 2006. - Vol.3, №1. - P.1304-1386

201. Gooijr J.G., Hyndman R.J. 25 Years of IIF Time Series Forecasting: A Selective Review. Tinbergen Institute Discussion Paper. - 2005, Vol. 068 (4).

202. Perron P. (1997) "Further evidence on breaking trend functions in macroeconomic variables, Journal of Econometrics, 80, №2, 355-385.

203. Zahng G., Patuwo B.E., Hu M.J. Forecasting with Artificial Networks: The State of the Art// International Journal of Forecasting. - 1998. -

Vol.14.-P. 35-62.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.