Помощь в написании студенческих работ
Антистрессовый сервис

Информационно-аналитическая подсистема прогнозирования развития в сельском хозяйстве с использованием нейронных сетей

Диссертация: Информационно-аналитическая подсистема прогнозирования развития в сельском хозяйстве с использованием нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В настоящее время при моделировании сложных систем используют нейросетевые модели (НСМ), которые позволяют эффективнее оценить сложность структуры объекта, работать с большими размерностями вектора входных факторов, представленных в качественном, количественном и порядковом виде. Поэтому качественно новый уровень разрабатываемых региональных СППР представляется как результат синтеза… Читать ещё >

Информационно-аналитическая подсистема прогнозирования развития в сельском хозяйстве с использованием нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. ИСПОЛЬЗОВАНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СЕЛЬСКОМ ХОЗЯЙСТВЕ
    • 1. 1. Информационно-аналитическое обеспечение сельского хозяйства
    • 1. 2. Развитие региональных систем поддержки принятия решений 15 1.3 .Использование нейросетевых моделей
  • ГЛАВА 2. РАЗРАБОТКА КОМПЛЕКСНОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ СЕЛЬСКОГО ХОЗЯЙСТВА С МОДИФИКАЦИЕЙ МЕТОДА ПРЕДПОДГОТОВКИ ДАННЫХ НЕЙРОННОЙ СЕТИ
    • 2. 1. Общее представление нейронной сети с обратным распространением ошибки 2.2.Обучение нейронной сети с обратным распространением ошибки
    • 2. 3. Проблемы программной реализации экспертных 32 информационных систем на базе нейронных сетей
    • 2. 4. Модификация метода предподготовки данных обучающего 33 множества нейронной сети обратного распространения
    • 2. 5. Комплексное представление показателей, характеризующих 38 развитие сельского хозяйства
    • 2. 6. Системное рассмотрение объекта исследования
    • 2. 7. Моделирование подсистемы анализа и прогнозирования 46 экономического развития сельского хозяйства
    • 2. 8. Функциональное представление разрабатываемой подсистемы
    • 2. 9. Методы многокритериальной оценки вариантов развития отрасли
  • ГЛАВА 3. ПРАКТИЧЕСКОЕ ИСПОЛЬЗОВАНИЕ РАЗРАБОТАННОЙ МОДЕЛИ НА ПРИМЕРЕ КУРСКОЙ ОБЛАСТИ
    • 3. 1. Предварительная подготовка и обработка информации
    • 3. 2. Анализ состояния и прогнозирование развития сельского 73 хозяйства Курской области
    • 3. 3. Выбор и обоснование варианта развития
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ЛИТЕРАТУРЫ
  • ПРИЛОЖЕНИЯ

Актуальность работы.

Эффективная подготовка, прогнозирование и формирование управленческих решений в сельском хозяйстве осуществляется в условиях неопределённости и риска из-за сложности комплексного учёта трудноформализуемых факторов. Традиционные методы и модели управления в сельском хозяйстве, основанные на статистическом подходе, в современных условиях являются ограничено применимыми, т.к. частично учитывают свойства неопределённости и нелинейности при подготовке данных и прогнозирования. Комплексный учёт ряда факторов управления состоянием сельского хозяйства должен быть основан на разработке систем поддержки принятия решений (СППР) и их многокритериальной оценки. При этом важнейшей подсистемой в СППР будет выступать подсистема подготовки данных и прогнозирования, задающая необходимый уровень качества принимаемых решений. Отсутствие полной формализации всех управляющих факторов, многомерность исходных данных, ограниченность или противоречивость данных обуславливают применение адаптивных моделей, методов и технологий для управления в отрасли.

В настоящее время при моделировании сложных систем используют нейросетевые модели (НСМ), которые позволяют эффективнее оценить сложность структуры объекта, работать с большими размерностями вектора входных факторов, представленных в качественном, количественном и порядковом виде. Поэтому качественно новый уровень разрабатываемых региональных СППР представляется как результат синтеза статистических моделей и нейросетевых моделей — синтетических информационно-аналитических моделей. Эффективность использования подобных систем определяется адаптивностью, возможностью исследования динамических случайных процессов с учётом влияния на объект изменчивой внешней среды. Синтетические модели и основанные на них информационноаналитические подсистемы прогнозирования развития (ИАППР) уменьшают степень риска при принятии решений в таких областях как управление регионом, планирование производства, управление материально-производственными запасами и др.

Теоретические и практические вопросы проектирования и использования ИАППР, в том числе и сельском хозяйстве, рассматривались в работах, И. Б. Загайтова и Л. П. Яновского, С. Д. Коровкина и И. Д. Ратманова, А. Н. Тарасова и B.JI. Дунаева. Однако разработка ИАППР на базе НСМ, как самостоятельная задача, применительно к сельскому хозяйству не рассматривалась.

Актуальность исследования и разработки ИАППР связана с тем, что в настоящее время отсутствуют единые методы и модели анализа и прогнозирования развития сельского хозяйства в условиях неопределённости и ограниченности данных.

Объектом исследования являются процессы прогнозирования и принятия решений в сельском хозяйстве.

Предметом исследования являются методы и модели анализа, прогнозирования и принятия решений.

Цель работы: повышение качества принятия решений на основе разработанных математических методов, нейросетевых моделей и алгоритмов построения ИАППР.

Для достижения поставленной цели решаются следующие задачи:

• анализ существующих ИАППР в сельском хозяйстве, выявление их основных ограничений, и обоснование перспектив внедрения нейросетевых (НС) технологий в ИАППР;

• синтез НСМ прогнозирования и модифицированного метода предподготовки данных для ИАППР;

• разработка структуры НСМ прогнозирования вариантов развития сельского хозяйства с использованием сценарного подхода и исследование характеристик НС;

• формирование альтернатив и разработка оптимальных вариантов развития сельского хозяйства на базе многокритериальной оценки;

• разработка структурно-функциональной организации ИАППР с использованием нейронных сетей и её апробация.

Методы исследования основаны на положениях теории проектирования сложных информационных систем, системного анализа в управлении, общей теории статистики, методах искусственного интеллекта и принятия решений, теории управления, квалиметрии, имитационного моделирования.

Научная новизна результатов, полученных в диссертационной работе, состоит в том, что при решении поставленных задач были разработаны:

• модифицированный алгоритм подготовки обучающего множества, который позволяет осуществить масштабирование данных для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства на базе НСМ;

• методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной производственной функции (ПФ), расширяющие аналитические возможности ИАППР и дополняющие информационное обеспечение подсистемы;

• модифицированный алгоритм оценки размерности вектора входных факторов для НСМ, позволяющий оптимизировать обучающее множество за счёт подсчёта рейтинга экзогенных переменных;

• структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на основе сценарного подхода.

Практическая значимость Проведенные теоретические и экспериментальные исследования позволили:

• разработать ИАППР для управления сельским хозяйством;

• разработать программный комплекс, обеспечивающий информационную поддержку принятия решений в сельском хозяйстве, путём предоставления лицу, принимающему решения, оперативную аналитическую информацию;

• повысить оперативность получения аналитической информации и решения управленческих задач путём внедрения ИАППР.

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на: 1 Международной научно-практической конференции «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2003 г.) — Международной конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Сочи, 2003 г. и 2004 г.).

Достоверность и внедрение. Достоверность определяется корректностью постановки и решением задач, а также совпадением теоретических и экспериментальных данных. Апробация разработанной ИАППР позволила повысить степень автоматизации решения задач прогнозирования для принятия управленческих решений в агропромышленном комплексе Курской области с 30% до 55%, а оперативность принятия управленческих решений на 10−12%. Данные получены на основании результатов экспертного оценивания при проверке действия подсистемы. Разработанная подсистема эксплуатируется в комитете агропромышленного комплекса Курской области, что подтверждается актом о внедрении.

Результаты исследования внедрены в учебный процесс и нашли развитие в курсе «Информационные системы в экономике», что подтверждено актом о внедрении.

Первая глава посвящена обзору современного состояния развития СППР в сельском хозяйстверассмотрены основные направления развития информатизации прогнозно-аналитической работы регионального уровняобосновываются положения, касающиеся эффективности использования нейросетевых моделей как комплексного средства поддержки принятия решений в условиях неопределённости.

Во второй главе рассматриваются методы, модели и алгоритмы, позволившие разработать структурно-функциональную организацию ИАППР на базе нейронных сетей обратного распространения (НСОРО). Предлагаемая система состоит из модулей, каждый из которых функционирует независимо и связывается информационными потоками. Модульная разработка позволяет наращивать представленную подсистему для расширения аналитических и прогностических возможностей.

Третья глава посвящена результатам практической реализации методов и моделей, положенных в основу ИАППР сельского хозяйства. Представленные методы позволили структурировано отобразить информацию для базового варианта, в последующем являющейся ресурсом для апостериорных альтернатив. Приведены основные выводы согласно анализа статистической информации по сельскому хозяйству Курской области. Расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики, послужившие обоснованием для составления альтернативных вариантов развития сельского хозяйства в рамках одного сценария.

В заключении работы приведена общая характеристика работы и основные выводы по результатам диссертационного исследования.

Основные положения, выносимые на защиту:

1. Модифицированный метод подготовки обучающего множества для НСМ, который позволяет масштабировать подаваемые на вход данные и прогнозировать восходящие и нисходящие тенденции показателей сельского хозяйства.

2. Модель интегральной оценки производительности труда на базе спецификации ПФ, расширяющая аналитические возможности подсистемы.

3. Структурная организация ИАППР сельского хозяйства, позволяющая синтезировать множество сценариев развития и обеспечивающая рациональный выбор наиболее эффективных на базе комплексного применения многомерных критериальных оценок.

4. Подсистема подготовки и прогнозирования данных на базе НСМ.

ЗАКЛЮЧЕНИЕ

.

Важным стимулом для совершенствования системы управления является дальнейшая организационно-экономическая интеграция аграрной науки и агропромышленного производства. Взаимосвязанная, взаимодополненная совокупность государственного и хозяйственно-экономического управления и местного самоуправления может составить дееспособную и эффективную систему управления агропромышленным производством. Но для полноценного функционирования необходимо располагать современными аналитическими инструментами, позволяющими с наименьшими затратами и оперативно получать адекватную перспективную информацию для позитивного стратегического развития. АПК, как и подобные другие объекты, находится в рыночной связи, которую нужно постоянно стимулировать для реализации важнейших задач, например, продовольственной безопасности страны. Многофакторный прогнозный анализ требует адекватных и надёжны методов, реализуемых в рамках единой концепции развития информационных ресурсов и технологий.

Уровень современного развития информационных технологий и методов прогнозирования позволяет разработать сложные адаптивные модели перспективного анализа, как надёжное средство семейства СППР. Предлагаемая ИАППР, позволяет качественно описать объект в пространстве факторов, выделить из множества ключевые моменты, задающих динамику реальной стратегии хозяйственного развития. Сценарный подход, применяемый при описании состояний АПК в разные моменты времени необходим для оценки планов развития. С другой стороны, любые сценарные оценки несут печать субъективностикроме того, они основываются на неявном предположении о том, что поведение цен активов в будущем будет иметь сходство с поведением в прошлом, что в общем случае далеко не очевидно.

Нейросетевое моделирование является относительно сложным инструментом поддержки аналитических систем. Для решения конкретных задач требуется изменять структуру модели или модифицировать этапы работы модели в целом. В исследовании был модифицирован метод линейной нормализации данных обучающего множества нейронной сети для целей прогнозирования. Достоинства такой модификации обеспечивают лучшую различимость данных в популяции множества НСМ, сохраняются исходные статистики наблюдений за счёт учёта дисперсных оценок в модификации.

ИАППР включает в себя модули оценки эффективности развития сельского хозяйства в разрезе 4 направлений: труд, фонды, растениеводство и животноводство. Рассчитанные аналитические показатели являются основой для перспективного планирования, которое реализуется в рамках сценарного подхода. ЛПР именно на этапе анализа имеет возможность создать вариант, изменив характеристики объекта по интересующим его направлениям. Адаптивность и многомерность НСМ позволяет решать задачи прогнозирования одновременно с множеством эндогенных и экзогенных факторов.

Рассмотрены основные аналитические выводы согласно статистической информации по Курскому АПК. Аналитические расчёты по блокам растениеводства, животноводства, фондам и труду позволили определить дополнительные характеристики, послужившие обоснованием для составления альтернативных вариантов развития сельского хозяйства в рамках одного сценария. Разработанная модель принятия решений характеризуется полнотой функциональных связей и может служить базой для разработки конечного приложения, реализуемого для персональных компьютеров АРМ управленцев среднего и высшего звена. Оценку альтернатив предлагается производить по традиционным критериям в условиях неопределенности характеристик объекта. Результаты ретроспективного анализа позволили установить ключевые экзогенные факторы, характеризующие экстенсивное или интенсивное развитие АПК. Средствами корреляционного анализа было установлено основное правило для формирования обучающего множества нейросетевой модели. Задача определения оптимального размера обучающего множества в разрезе факторов, описывающих состояние объекта, требует универсальной оценки важности каждого регрессора в целом. Одним из возможных решений этой задачи может быть построение рейтинговой оценки для экзогенного фактора методами вычисления средних статистических значений. Для вычисления рейтинга используется стандартная формула вычисления среднего гармонического для каждого столбца с коэффициентами корреляции, представленных в относительном виде. Недостатки включают себя возможное неполноценное представление многофакторной системы, что потенциально сказывается на качестве прогноза. Для исследований используется модель НСОРО «с учителем» при известных зависимых факторах.

Общий анализ перспективных значений позволяет ЛПР рассмотреть только основные направления развития сельхозпроизводства и создать коррективы для областных целевых программ. В целом наблюдается несвойственная для Курской области переориентация приоритетов производства сельхозпродукции — с растениеводства на животноводство. По экстенсивному варианту важно отметить изменение приоритетов ведения хозяйства средоточием на животноводстве. Позитивные тенденции в этом направлении по линии увеличения площади сельхозугодий позволяют предположить об их использовании для выращивания кормовых культур, освоению пастбищ. Ключевым фактором экстенсивного развития в сельском хозяйстве является наличие рабочей силы, занятость которой ориентирована при снижении стоимости основных средств на развитие животноводства, что не является характерным для Курской области. Тем не менее, анализ базового варианта в перспективе предрасполагает к экстенсивному развитию. Наоборот, интенсивное развитие предполагает при относительно низких темпах снижения динамики рабочей силы в данной отрасли и целенаправленном инвестировании на обновление материально-технической базы, развитие растениеводства. Важным аспектом является закрепление конкретных приоритетов развиваемых сельхозкультур, характерных для рассматриваемого объекта. Для Курской области — это выращивание ячменя и сахарной свеклы. В рамках данной работы не рассматривается конъюнктура перерабатывающего комплекса в составе АПК, но предварительные исследования показывают наличие относительно большого количества сахарных заводов. J И IF, сформировав альтернативные варианты, подходит к этапу принятия решений. Средства предлагаемой информационно-аналитической системы в разрезе эндогенных факторов объекта, позволили рассчитать два критерия для 3-х альтернативных вариантов: критерий Лапласа и критерий Сэвиджа. Полученные значения однозначно определили приоритетной стратегию интенсивного развития АПК Курской области.

В данном случае Курской области присуще развиваться по интенсивному пути, сосредоточив ресурсный потенциал на растениеводстве.

Таким образом, описанная структура и функционирование перспективной информационно-аналитической системы может использоваться не только для многофакторного анализа АПК. Модульное построение системы предусматривает многофакторный анализ разных объектов, но сходных по природе с характеристиками АПК (социально-экономическое развитие районов, области, страныдинамика демографических процессовоценка инвестиционных проектов для макроэкономических объектов экономикимежотраслевой анализ и т. д.).

В целом в диссертационной работе получены следующие основные результаты:

1. Исследована предметная область — управление в сельском хозяйстве на базе информационно-аналитических систем, что позволило на основании выявленных недостатков их функционирования обосновать необходимость проектирования ИАППР для повышения качества принятия управленческих решений.

2. Разработан модифицированный алгоритм подготовки обучающего множества, позволяющий масштабировать данные для прогнозирования восходящих и нисходящих тенденций показателей сельского хозяйства с использованием НСМ.

3. Разработаны методы оценки предельной производительности факторов производства в сельском хозяйстве на базе модифицированной ПФ, расширяющие аналитические возможности ИАППР.

4. Разработан алгоритм оценки размерности вектора входных факторов для НСМ, оптимизирующий обучающее множество за счёт подсчёта рейтинга экзогенных переменных.

5. Разработана структурно-функциональная организация ИАППР, обеспечивающая выбор рациональных решений на базе комплексного применения многомерных критериальных оценок.

6. Спроектирована, реализована и внедрена ИАППР сельского хозяйства с использованием НСОРО, которая позволяет повысить качество прогноза в среднем на 20% по сравнению с классическими методами 1 и повысить оперативность получения аналитической информации.

Показать весь текст

Список литературы

  1. Адаптивные фильтры: Пер. с англ. Н. Н. Лихацкой /Под ред. К.Ф. Н. Коуэна и П. М. Гранта.-М.:Мир, 1988.-392 е.: ил.
  2. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики: Учебник для вузов. М.: ЮНИТИ, 1998. — 1022 с.
  3. Т.А. Статистический анализ приоритетных отраслей развития малых и средних предприятий //Вопросы статистики. 2003. — № 11-С.35−47
  4. А.В., Андрейчикова О. Н. Анализ, синтез, планирование решений экономике М.: Финансы и статистика, 2000. — 368 е.: ил.
  5. К. Джейн. Введение в искусственные нейронные сети. Журнал «Открытые системы», № 4, 1997 г.
  6. А. И. Наука. Техника. Экономика. — 2-е изд. — М.: Экономика, 1989. — 383 с.
  7. Н.С., Мымрикова Л. С., Рябушкин Б. Т. К вопросу об интегрированной статистической информации для системного анализа социально-экономических процессов // Вопросы статистики. -1999. -№ 5 С.25
  8. Н.С., Мымрикова Л. С., Заварина Е. С., Рябушкин Б. Т. К вопросу о концепции и содержании системы статистических показателей для анализа социально-экономического развития России и ее регионов. // Вопросы статистики. -1999. № 7 — С. 39
  9. М.Ю., Суворов Б. П. Исследование операций в конкретных ситуациях.-М.:ТЕИС, 1999.-87 с.
  10. В. Стратегический анализ: технология, инструменты, организация // Проблемы теории и практики управления. 1998. — № 5. — С.88
  11. Л.Е. Прогнозирование и планирование в условиях рынка. Учебное пособие. М.: Инфра-М, 1999. — 200 с.
  12. Е.В., Бережной В. И. Математические методы моделирования экономических систем: Учеб. пособие. М.: Финансы и статистика, 2001. -368 с: ил.
  13. В. А. О трансформационных структурных сдвигах российского промышленного производства // Экономический журнал ВШЭ. 2000. Т. 4 № 2. — С. 184−219.
  14. В .А., Дегтярь М.И. VBA и Office 97. Офисное программирование: -М.: Изд. отдел «Русская редакция «ТОО «Channec Tradingltd», 1998.-720 с.
  15. А.Н., Крумберг О. А., Фёдоров И. П. Принятие решений на основе нечётких моделей. Рига: Зинатне, 1990. — 184 с.
  16. В.П., Боровиков И.П. STATISTICA Статистический анализ и обработка данных в среде Windows — М.: ИИД «Филинъ», 1997. — 608 с.
  17. В. Т. Чадаева М.В. Нейросетевые модели в пакете STATISTICA Neural Networks 4.0: Сб. докладов VI Всероссийской конференции «Нейрокомпьютеры и их применение». М.: Радио и связь, 2000.-С. 601
  18. В.Д. Молоканов, А. П. Долганов, А. Б. Секерин. Использование технологии нейронных сетей для прогнозирования налоговых поступлений на основе унифицированной системы показателей госстатотчётности //Вопросы статистики.- 2000.№ 7. С. 36.
  19. В.И. Алгоритмическое моделирование элементов экономических систем: Практикум. Учебное пособие. Финансы и статистика, 2000. — 208 е.: ил.
  20. A.M. Проектирование программного обеспечения экономических информационных систем: Учебник. М.: Финансы и статистика, 2000. — 352 е.: ил.
  21. Ю.В. Индикативное планирование развития экономики. // Ижевск, 2000. с. 1−4.
  22. Ю.В., Кузьбожев Э. Н. Упреждающее на основе информационных технологий: Учеб. пособие. Курск: КГТУ, 2001. -152 с.
  23. Р. Функционально-стоимостный анализ в управлении: Сокр. пер с чеш. — М.: Экономика, 1986. — 176 с.
  24. В.И., Грибунин В. Г. Теория и практика вейвлет-преобразования. СПб.: ВУС, 1999 — 204 с.
  25. А.И. Региональная экономика и управление. Учебное пособие. М.: ЮНИТИ, 2002. — 239 с.
  26. А.И. Нейрокомпьютеры: Учебное пособие для вузов. Кн.З. -М.: ИПРЖР. 2000. — 528 е.: илл. (Нейрокомпьютеры и их применение)
  27. А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. N4. С.25−28.
  28. А.И. Теория нейронных сетей: Учебное пособие для вузов. Кн.1. М.: ИПРЖР. — 2000. — 416 е.: илл. (Нейрокомпьютеры и их применение)
  29. В.А. Нейронные сети: обучение, организация и применение. Учебное пособие для вузов. М.: ИПРЖР, 2001. 256 с.
  30. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. -Новосибирск, Наука, 1996.
  31. Государственное индикативное планирование (региональный аспект).: Учеб. пособие / Э.Н. Кузьбожев- Курск: КГТУ, 1996.- 80 с.
  32. Дж. Эконометрические методы: Пер. с англ.— М.: Статистика, 1980. С. 242−265
  33. Е.Ю., Халиков М. А. Моделирование микроэкономики: Учебное пособие. М.: Экзамен, 2003. — 222 с.
  34. А. М. Математико-статистическая оценка эффективности в экономических задачах. М.: Финансы и статистика, 1982. — 176 с.
  35. А.А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. 224 с.
  36. В.И., Королевская В. Н. Системный подход к управлению: Учебное пособие для вузов. М.: ЮНИТИ, 2001. — 62 с.
  37. И. Б. Технология «ЗОНТ» для прогнозирования колебаний урожаев // АПК: экономика, управление. 2002. — N 6. — С. 55−61
  38. И.Б. Основы аграрной теории: Учеб. пособие. Воронеж: Издательство ВГАУ, 1996. — 194 с.
  39. О.О., Толстопятенко А. В., Черёмных Ю. Н. Математические методы в экономике. Учебник. М.: МГУ им. М. В. Ломоносова, Издат-во «ДИС», 1998.-368 с.
  40. Занг В.-Б. Синергетическая экономика. Время и перемены в нелинейной экономической теории: Пер. с англ. М.: Мир, 1999. -335с.: ил.
  41. Ю.П., Лотов А. В. Математические модели в экономике. М.: Наука, 1979.-211с.
  42. Б. П. Мартыщенко Л. А., Табухов. М. Е. Управление в экономических системах: Системный анализ. Принятие решений в условиях неопределённости. СПб.: Нордмед-Издат, 2001. — 248 с.
  43. Исследовано в России Электронный ресурс.: многопредметный научный журнал / Моск. физ.-техн. ин-т. Электрон, журн. -Долгопрудный: МФТИ, 1998.-Режим доступа: к журн.:http://zhurnal.ape.relarn.ru, свободный. Загл. с экрана. — № гос. регистрации 329 900 013
  44. С., Мишакова Н. Логистизация ресурсообеспечения сельских товаропроизводителей // РИСК: ресурсы, информация, снабжение, конкуренция. 2003. — N1. — С. 43−46
  45. Э. Экономическая статистика и эконометрия. М.: Статистика, 1997.-211 с.
  46. М. Временные ряды. Пер. с англ. -М.:Финансы и статистика, 1981.-199 с.
  47. Р.Л., Райфа X. Принятие решения при многих критериях: предпочтения и замещения: Пер. с англ./ Под ред. И. Ф. Шахнова. М.: Радио и связь, 1981. — 560 е.: ил.
  48. В.А. Сберегаем традиции, развиваем новые направления аграрных экономических исследований//АПК экономика, управление.-2004. -№ 6. — С.11−17
  49. В.А. Математическая экономика: Учебник для вузов. М.: ЮНИТИ, 2002. — 399 с.
  50. С.Г. Нейронные сети: алгоритм обратного распространения. // BYTE/Россия, 2000. № 5. -С. 26−29
  51. С.Г. Нейронные сети: основные положения. // BYTE/Россия, 2000, № 5,-С. 18−21
  52. Н. Ш. Путко Б.А. Эконометрика: Учебник для вузов / Под ред. проф. Н. Ш. Кремера. М.: ЮНИТИ — ДАНА, 2002. -243 с.
  53. В.А., Олешко Д. Н., Трутнев А. В. Применение нейронных сетей в задачах интеллектуального анализа информации // Труды Одесского политехнического университета, 1999. -Вып.2 (8).- С. 134.
  54. М., Табата М. Математическая экономика на персональном компьютере: Пер. с яп./ Под ред. и с предисл. Е. З. Демиденко. М.: Финансы и статистика, 1991. — 304 с.
  55. Э.Н., Вертакова Ю. В. Прогнозирование и планирование социально-экономического развития России и её регионов: Монография.-Курск: КГТУ, 2003.-314 с.
  56. Э.Н., Лузин Г. П. Управление региональным развитием в период перехода к регулируемому рынку (прогнозы, анализы, варианты).-Апатиты: 1991- 87 е., ил.
  57. Э.Н., Рассеко М. И., Прогнозно-аналитическая система для государственных органов регионального управления// Проблемы региональной экономики. Ижевск: Изд-во Удм. ГУ, 1997, № 5, С.180−186.
  58. Э.Н., Рыков Н. И., Терновых А. Ф. «Использование критерия Хаукинса-Саймона при формировании межотраслевого баланса региона (на примере Курской области)"//Известия КурскГТУ. 2000-№ 5. — С.155−165.
  59. Э.Н., Рыков Н. И., Терновых А. Ф. Использование критерия Хаукинса-Саймона при формировании межотраслевого баланса региона (на примере Курской области). // Известия КурскГТУ. 2000. -№ 5. -С. 155−165
  60. .А. Оптимальное управление в экономике: Учебное пособие/ Б. А. Лагоша. М.: Финансы и статистика, 2003. — 192 с.
  61. В.В. Межотраслевая экономика: Пер. с англ./Автор предисловия и научный редактор А.Г. Гранберг- М.: ОАО Издательство «Экономика», 1997.-479 с.
  62. .Г. Разработка управленческого решения. М.: Изд-во «Дело», 2000. -392 с.
  63. П.К. К проблеме использования искусственного интеллекта в бизнес-планировании//Труды Независимого Аграрно-Экономического Общества России: Выпуск I: Проблемы формирования аграрного рынка России. М.: Изд-во МСХА, 1997.
  64. А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики. Нейрокомпьютер, 1998 — № 1 и 2.
  65. .Р. Обеспеченность продовольствием экономическая основа продовольственной безопасности.// Сборник научных трудов. Серия «Экономика». Ставрополь: СевКавГТУ, 2002. — Вып. 6.-109 с.
  66. Г. П. Методы перспективного планирования инвестиций. // Вестник ТИСБИ. 2002 г.- № 4.
  67. В.Д., Долганов А. П., Секерин А. Б. Использование технологии нейронных сетей для прогнозирования налоговыхпоступлений на основе унифицированной системы показателей госстатотчётности //Вопросы статистики.- 2000 № 7.- С. 36.
  68. М.С. Методы социально-экономического прогнозирования: Учеб. пособие/ Санкт.-Петерб.ун-т экономики и финансов, Каф. экон. кибернетики и экон.-мат.методов.-СПб.: Изд-во Санкт-Петерб.ун-та экономики и финансов, 1994. 114 е.: ил.
  69. А.В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизация систем СПб.: Наука и Техника, 2003. -384 е.: ил.
  70. Д. Аграрные НИИ и вузы объединяются. Чтобы не отстать от жизни. // Крестьянские ведомости. 2002. — 3 октября.
  71. Нейроинформатика/ А. Н. Горбань, В.Л.Дунин-Барковский, А. Н. Кирдин, Е. М. Миркес, А. Ю. Новоходько, Д. А. Россиев, С. А. Терехов, М. Ю. Сенашова, В. Г. Царегородцев. Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. 296 с.
  72. А.А., Васильева Н. Э., Афанасьева В. А. Технология принятия управленческих решений. М.: Финансы и статистика, 1998. — 440 с.
  73. Областной статистический ежегодник. /Под ред. Зайцева В.И.-Курск: Областной комитет государственной статистики, 1998. 426с.
  74. Областной статистический ежегодник.- Курск: Областной комитет государственной статистики, 2002. 728 с.
  75. В.П. Государственное регулирование национальной экономики (в вопросах и ответах): Учебное пособие. М.: ИНФРА-М, 2000. — 124 с.
  76. Г. Чтобы догнать Америку по урожаям. Надо догнать её по компьютерам. // Крестьянские ведомости. 2003. — 10 ноября.
  77. Поволжский гуманитарный Internet-журнал Электронный ресурс.: электронный научный журнал/ Саратовский государственный социально-экономический университет. Электрон, журн. —
  78. Саратов:СГСУ, 2003- Режим доступа к журн.: http://journal.seun.ru/journal.html, свободный. Загл. с экрана. — № гос. регистрации 329 900 125
  79. В. Информационное обеспечение агропромышленного комплекса России // Информационные ресурсы России. 2001. — N 1. -С. 22−24
  80. И. Б. ВТО и перспективы развития российского агропромышленного комплекса //Финансы и кредит.-2002.-Ы 14.
  81. Е.В. Унифицированная система электронной обработки статистических данных УИС «СТАТЭК» // Вопросы статистики. — 2003. № 8 — С.23−25
  82. А.П. Ускоренные методы биометрической обработки зоотехнических данных. Животноводство, № 8, 1985, .С. 47 48
  83. Региональная экономика: Учебное пособие /Под ред. М. В. Степанова. -М.: ИНФРА-М, Изд-во Рос. Эконом. Акад., 2000 463 с.
  84. А.Н., Лукосевич И. Я., Титоренко Г. А. Компьютеризация финансово-экономического анализа коммерческой деятельности предприятий, корпораций, фирм. М.: Интерпракс, 1994. — 280 с.
  85. Российский статистический ежегодник. — Москва: Российский комитет государственной статистики, 2000. 853 с.
  86. РФ. Правительство. Программа социально-экономического развития Российской Федерации на среднесрочную перспективу (2003−2005годы). 15 августа 2003 г. № 1163-р: Распоряжение Правительства РФ // Российская газета. 2003. — 2 сентября. — С.
  87. РФ. Правительство: О реализации дополнительных мер по улучшению финансового состояния сельскохозяйственных товаропроизводителей. 29 августа 2003 г. № 535: Постановление Правительства РФ// Российская газета. -2003- 5 сентября. -№. С.
  88. РФ. Правительство: О федеральной целевой программе «Электронная Россия (2002−2010 годы)». 28 января 2002 г. № 65: Постановление Правительства РФ // Собрание законодатесльств РФ. 2002. — № 5. -531 с. Приложение «Федеральная целевая программа»
  89. Т. Принятие решений. Метод анализа иерархий: Пер. с англ. М.: Радио и связь, 1989 — 316 с.
  90. Г. В. Анализ хозяйственной деятельности предприятий АПК. 2-е изд. Мн.: Экоперспектива, 1999. 494 с.
  91. Ю.С. Экспертная оптимизация управленческих решений. Тезисы докладов 6-ой международной конференции: Проблемы управления безопасностью сложных систем. М.: Изд-во ИПУ РАН-СпбГУ, 1999, С. 149−151.
  92. Г. Н. Информационные технологии экономического анализа. М.: «Экзамен», 2002. — 320 с.
  93. СОФТПРОГРЕСС 99/2000: Справочник по российскому и зарубежному программному обеспечению. М.: Центр интеллектуальных систем «Метод», 2000. — 176 с.
  94. В.Н. Теория и практика принятия оптимальных решений. Учебн. пособие. СПб.: Издательский дом «Бизнес-пресса», 2002. -394 с.
  95. Статистическое моделирование и прогнозирование: Учеб.пос. / Гамбаров Г. М., Журавель Н. М., Королев Ю. Г., Кулешов В.В.-Под ред. Гранберга А.Г.-М.: Финансы и статистика,!990. —383 с.:ил.
  96. Стратегия досрочного развития и роль государства в переходной экономике: российские подходы и мировой опыт //Аналитический вестник Совета Федерации ФС РФ. 2001. -№ 11 (142). С. 11−16
  97. А.Н., Дунаев B.JI. Модель прогнозирования развития сельского хозяйства на региональном уровне // Вестник Российской Академии сельскохозяйственных наук — 2003.-№ 1 С. 38
  98. Ю.Ф. Интеллектуальные информационные системы в экономике. Учебное пособие. Серия «Информатизация России на пороге XXI века». М.:СИНТЕГ, 1998. -216 с.
  99. Теория фирмы: экономические механизмы и стратегия устойчивого развития российских предприятий / З. В. Коробкова, Н. А. Кравченко, О. Н. Собянина, В. В. Титов, Т. П. Черемисина, А. Т. Юсупова. -Новосибирск, 1997. Часть 2. -52 с.
  100. Тер-Григорьянц А. А. Учет фактора риска в управлении сельскохозяйственным производством, индикативное планирование. -Сборник научных трудов. Серия «Экономика'7/СевКавГТУ. Ставрополь, 2002.-180 с.
  101. А.Ф., Рыков Н. И., Кузьбожев Э. Н. «Инструментальные средства принятия решений в региональном менеджменте»//Менеджмент: теория и практика. Издат-во «Институт экономики и управления УдГУ».- 2000-№ 4- С.146−158.
  102. Э.А. Компьютерная поддержка принятия решений: Научно-практическое издание. Серия «Информатизация России на пороге XXI века». М.: СИНТЕГ, 1998. — 376с.
  103. А.И. Системный подход и общая теория систем. М.: Мысль, 1978.
  104. Ф. Нейрокомпьютерная техника: Теория и практика. Пер. с англ.- М.: Мир, 1992. 240 с.
  105. И.Г., Рыков Н. И. Алгоритм предобработки данных для целей прогнозирования на базе технологии нейронных сетей. //
  106. Материалы 1-ой международной научно-технической конференция «Современные инструментальные системы, информационные технологии и инновации».- Курск. 2003 — С. 62−64
  107. И.Г., Рыков Н. И. Использование фильтрации данных и нейросетей при обработке сигналов // Телекоммуникации. 2004. -№ 5. -С. 5−9
  108. И.Г., Рыков Н. И. Краткосрочное прогнозирование валового сбора зерна на основе нейронных технологий с модифицированным методом предобработки данных.// Известия КурскГТУ. 2004. -№ 1-С.153−157
  109. В.В., Гармаш А. Н., Дайитбегов Д. М., Орлова И. В., Половников В. А. Экономико-математические методы и прикладные модели. М.:ЮНИТИ, 1999. — 391с.
  110. Э., Рёнц Б. Методы корреляционного и регрессионного анализа. М.: Финансы и статистика, 1983. — 302 с.
  111. A.M., Воробьев В. А., Оценка эффективности размещения и использования производственных ресурсов в сельском хозяйстве Беларуси // Проблемы агрорынка.2001. № 2, С. 26−30.
  112. А.А. Прогноз развития российской экономики ан 2003−2004 годы // Вопросы статистики. 2003. — № 9 — С.61−68
  113. В.И. Тенденции развития эконометрического программного обеспечения // Вопросы статистики. 2002. — № 4- С.58−60
  114. В.Р. Математические методы регионального программирования. М.: Наука. Гл. ред. физ.-мат. Лит., 1989. — 304 с.
  115. A.M. Методы и модели рационального управления в рыночной экономике: разработка управленческих решений: Учебное пособие. -М.: Финансы и статистика, 2001. 320 е.: ил.
  116. Н.И., Шапошников А. В., Сахнюк П. А., Калмыков И. А. Применение модулярных вычислений для нейрообработки // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» НКП 2002. Под ред. проф. А. Галушкина. М., 2002 — С. 1053−1056.
  117. Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. М., «Статистика», 1977. 200 с.
  118. А.Д., Негашев Е. В. Методика финансового анализа. М.: ИНФРА-М, 2000. 207с.-(Высш.образование)
  119. Е.В., Чхартишвили А. Г. Математические методы и модели в управлении: Учебное пособие. 2-е издание, испр. — М.: Дело, 2002. -440 с.
  120. М.А. Искусственные нейронные сети. Конспект лекций. Пенза: ПГТУ, 1996. 45с.
  121. А. Искусственный интеллект: Пер. с. англ./Под ред. и с пред. Д. А. Поспелова. М.: Мир, 1985. — 264 с.
  122. Л.П. Принципы, методология и научное обоснование прогнозов по технологии «ЗОНТ» . Воронеж: ВГАУ, 2000. 350 с.
  123. Anil К. Jain, Jianchang Мао, К.М. Mohiuddin. Artificial Neural Networks: A Tutorial, Computer, Vol.29, No.3, March/1996, pp. 31−44
  124. ARIS has its nose in front.// Computerwoche: nachrichten, analysen, trends. 2001. — № 26. — pp.26−29
  125. Battiti R. First and second order methods for learning: Between steepest descent and Newton’s method Neural Computation, vol. 4, no 2, pp 141 166,1992
  126. Caudill, M., Neural Networks Primer, San Francisco, CA: Miller Freeman Publications, 1989.
  127. Gavrilov A.V. The method of the combination of logic and associative proceeses in Expert Systems. / Труды межд. семинара «Мягкие вычисления-96», Казань, 1996.-С. 84−86
  128. Haykin S. Neural Networks, a Comprehensive Foundation: Macmillan, New York, NY, 1996.-696 p.
Заполнить форму текущей работой

Сессия? Спокойно!