Введение - Постановка задачи прогнозирования продуктивности агроэкосистем

В последнее время все чаще возникают трудноформализуемые задачи, то есть такие, для которых алгоритм решения либо не является единственным, либо не позволяет оценить качество или достижимость решения. Одной из таких задач является прогнозирование продуктивности агроэкосистем. В основном [2, 3] для ее решения используются линейные модели, что сказывается на точности прогнозирующих функций.

В качестве одного из механизмов нелинейного моделирования сложных задач были предложены нейронные сети [1]. Искусственная нейронная сеть - это набор математических нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети. В данной работе используются многослойные искусственные нейронные сети с последовательными связями, обучение которых велось с помощью алгоритма обратного распространения ошибки. В качестве передаточной была использована логистическая функция [1].

При анализе работ [2, 3, 4, 5] были выделены параметры, описывающие продуктивность, которые можно отнести к следующим классам:

Почва

Гидротермические условия

Похожие статьи




Введение - Постановка задачи прогнозирования продуктивности агроэкосистем

Предыдущая | Следующая