Новокузнецк, Россия
В работе описываются подходы к проектированию систем управления объектами аграрного сектора закрытого типа с использованием нейросетей. Объектами исследования являлись технические данные статистики агропромышленных предприятий. Исследована возможность применения обученных нейросетей для работы с данными предприятий, прогнозирования их состояния. Средняя квадратическая ошибка обученной нейросети составила 0.120, среднемодульное отклонение 0.093. Система с использованием нейросети может быть применена в составе специализированного программного обеспечения для мониторинга технических объектов агропромышленного комплекса и прогнозирования их состояния.
нейронные сети, машинное обучение, многослойный персептрон, статистика, прогнозирование, модели, прогнозная оценка, сельское хозяйство, оборудование
1. Картечина Н. В. Виды нейронных сетей и их применение / Н. В. Картечина [и др.] // Наука и Образование. 2021. Т. 4. № 3.
2. Мак-Каллок У. С. Логическое исчисление идей, относящихся к нервной активности / У. С. Мак-Каллок, В. Питтс. // Автоматы. Под ред. К. Э. Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - С. 363-384.
3. Ян Лекун. Как учится машина. Революция в области нейронных сетей и глубокого обучения / Лекун Ян. - М.: Альпина нон-фикшн, 2021. - 351 с.
4. Тимофеев М. Г. Искусственный интеллект в сельском хозяйстве / М. Г. Тимофеев [и др.] // Наука и Образование. 2020. Т. 3. № 4. С. 71.
5. Юрченко, И. Ф. Интеграция цифровых систем в сферу агропроизводства на мелиорированных землях / Юрченко И. Ф. // Международный технико-экономический журнал. 2020. № 4. С. 73-80.
6. Илышев, А. П. Искусственный интеллект и нейросетевые технологии в цифровой платформе прорывного развития российского АПК / А. П. Илышев, О. М. Толмачев // Экономика и социум: современные модели развития. 2019. Т. 9, № 4(26). С. 492-507. DOI: https://doi.org/10.18334/ecsoc.9.4.100453
7. Ториков В. Е. Состояние цифровой трансформации сельского хозяйства / В. Е. Ториков [и др.] // Вестник Курской ГСХА. 2020. № 9. С. 6-13.
8. Windsor F. M. Network science: Applications for sustainable agroecosystems and food security / Fredric M. Windsor [et al.] // Perspectives in Ecology and Conservation. 2022. Vol. 20, No. 2. P. 79-90.
9. Petrescu I. E. Risk Management of Agri-Food Value Chains-Exploring Research Trends from the Web of Science / I. E. Petrescu [et al.] // Digitalization and Big Data for Resilience and Economic Intelligence. - Springer, Cham, 2022. - P. 55-66.
10. Грачев А. В. О методе оценивания промежуточных узлов передачи данных для маршрутизации в иерархических сетях разной топологии / А. В. Грачев [и др.] // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2015. № 1. С. 32-38.
11. Токарев К. Е. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей / К. Е. Токарев [и др.] // Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2021. № 4(64). С. 421-440.
