Постановка задачи и синтез модели прогнозирования урожайности зерновых колосовых и поддержки принятия решений по рациональному выбору агротехнологий

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

В растениеводстве, в частности, в науке и практике возделывания зерновых колосовых, известно большое количество технологических схем (карт), разработанных за многие годы труда агрономов, в основном еще в период плановой, затратной экономики, когда никого особо не интересовало, какой ценой дается урожай. В наше время такой подход уже устраивает, т.к. обязательным условием хозяйствования в современных условиях является рентабельность производства.

Поэтому учеными ведется интенсивная работа по созданию новых экономически эффективных сортов и агротехнологических приемов, в частности таких как: подготовка почвы, удобрения и средства защиты растений, и эта работа ведется успешно. Однако сразу после создания широко применять эти новые сорта и агротехнологии неразумно, т.к. неизвестно, какие это даст результаты в наших конкретных условиях. Для прогнозирования результатов и научно обоснованного выбора рациональных агротехнологий, обеспечивающих желаемый результат, все эти новые сорта и агротехнологии предварительно должны быть изучены, причем обязательно в условиях региона выращивания, т.е. в конкретных агрометеорологических условиях Краснодарского края.

Таким образом, проблема, решаемая в работе, состоит в том, что, с одной стороны, появляются новые сорта и агротехнологии, позиционируемые на рынке как экономически эффективные, а с другой - в конкретных условиях Краснодарского края последствия их применения изучены недостаточно, что усложняет принятие решений по их использованию.

Практическая значимость решения этой проблемы для хозяйств очевидна, т.к. достоверное прогнозирование результатов применения и научно обоснованные рекомендации по рациональному выбору агротехнологий позволят повысить экономическую эффективность хозяйствования.

Научная новизна решения данной проблемы состоит в том, что в данной работе впервые предлагается и апробируется вариант ее решения на основе применения современных информационных технологий путем интеллектуальной обработки ретроспективных данных, отражающих фактический опыт выращивания исследуемых сортов, т.е. без специального планирования и проведения длительных и дорогостоящих полевых испытаний сортов в условиях применения различных агротехнологий.

Актуальность исследования обусловлена ее практической значимостью и научной новиной.

Объектом исследования является технология выращивания зерновых колосовых, а предметом исследования - изучение влияния различных агротехнологий на урожайность пшеницы сортов и ячменя в конкретных агрометеорологических условиях Краснодарского края.

Поэтому целью исследования является разработка технологии и методики прогнозирования хозяйственных результатов применения тех или иных агротехнологий, а также поддержки принятия решений по выбору таких сортов и рациональных агротехнологий для выращивания, которые с высокой вероятностью дали бы заранее заданный желаемый хозяйственный результат.

Задачи исследования вытекают из его цели путем ее декомпозиции и являются этапами ее достижения:

Задача 1. Обосновать требования к методу решения задачи и определить степень соответствия известных методов обоснованным требованиям.

Задача 2. Выбрать наиболее подходящий по обоснованным критериям метод решения проблемы.

Задача 3. Кратко описать суть выбранного метода.

Задача 4. Описать методику применения выбранного метода для решения поставленной проблемы.

Задача 5. Описать результаты применения методики (эффективность, научные результаты и выводы, практические рекомендации).

Задача 6. Рассмотреть ограничения метода и методики его применения, перспективы их развития и применения.

Кратко, насколько это возможно в рамках статьи, рассмотрим решение поставленных задач.

Задача 1. Обосновать требования к методу решения задачи и определить степень соответствия известных методов обоснованным требованиям.

Возникает вопрос о том, каким образом в современных условиях можно было бы наиболее рационально и эффективно решить поставленную проблему и достичь цели исследования.

Традиционные технологии разработки технологических карт требуют многолетних целенаправленных тщательно заранее спланированных исследований и связаны с проведением экспериментов по выращиванию в условиях применения различных агротехнологий возделывания. Все это требует очень и очень значительных временных и финансовых затрат, а также других видов ресурсов.

Поэтому ученые-агрономы постоянно ищут новые возможности выявления и исследования зависимостей в эмпирических данных. Все чаще для этих целей применяются современные информационные технологии, в частности статистические методы и реализующие их программных системы. Однако и на этом пути возникают свои специфические проблемы.

В частности, наиболее распространенный метод выявления зависимостей - многофакторный анализ по ряду причин не позволяет исследовать всю систему факторов, действующих в реальных агросистемах. К этим причинам относятся, прежде всего, следующие:

1. Большое количество реально действующих факторов: не 2-7, а десятки, сотни и даже тысячи.

2. Значительная зашумленность (или низкая точность и достоверность) исходных данных.

3. Требование к нормальному характеру распределения исходных данных (т.к. метод параметрический).

4. Наличие доступного программного инструментария, реализующего метод.

5. Требование к полноте исходных данных, т.е. к наличию в них всех сочетаний значений исследуемых факторов.

6. Возможность разумной содержательной интерпретации результатов применения метода.

На практике выполнение всех этих условий нереально даже при нескольких факторах, либо, как уже говорилось, требует значительных затрат времени и других ресурсов.

Рассмотрим, например, 4-е требование. Довольно типичной является ситуация, когда какой-то подходящий по литературному описанию для решения поставленной проблемы математический метод на практике применить не удается, так как не разработана соответствующая методика численных расчетов и отсутствует или недоступен реализующий их программный инструментарий. Например, подобная ситуация сложилась с многокритериальным методом поддержки принятия решений, описанным в классической работе [21] или теорией информационного поля [22].

Попытка выполнить 5-е требование всего при 3-х факторах с 10-ю значениями каждого порождает необходимость исследования 1000 результатов выращивания. Конечно, на практике это нереально, не говоря уже о десятках, сотнях или тысячах факторов. Необходимо отметить, что на практике подобных данных взять просто негде, т.к. в реальных данных обычно наблюдаются лишь очень небольшие подматрицы без пропусков, т.е. со всеми сочетаниями значений факторов. Заполнять же пропуски путем интерполяции обычно некорректно (хотя это и делается), т.к. это возможно только, если в строке и столбце, на пересечениях которых находится клетка с пропуском, больше нет пропусков. Если же они есть, то заполнение пропущенной клетки, вообще говоря, приведет к изменению остальных незаполненных значений, что фактически делает их вообще неопределенными.

Считается, что 6-е требование в случае многофакторного анализа трудно выполнимо уже при 5 факторах и более.

На практике все эти причины в совокупности (а ведь действует еще и субъективный фактор) приводят к весьма ограниченному применению математических методов при решении поставленной проблемы, по крайней мере, если судить по защищаемым в области агрономии диссертациям. Как правило, дело сводится к исследованию влияния одного фактора на значения какого-либо одного результирующего параметра, например, глубины вспашки на содержание клейковины для какого-либо конкретного сорта пшеницы при всех прочих равных условиях.

Поэтому к методу исследования предъявляются следующие требования, т.е. метод должен:

- обеспечивать выявление силы и направления влияния сотен или даже тысяч факторов;

- быть непараметрическим, чтобы не требовалось доказательство гипотез о нормальности исследуемой выборки;

- корректно обрабатывать неполные (фрагментированные) данные, т.е. данные, в которых встречаются не все сочетания значений исследуемых факторов;

- эффективно подавлять шум в данных и выявлять закономерности на фоне шума, значительно превосходящего сигнал по амплитуде (при достаточно большой выборке);

- иметь доступный программный инструментарий, реализующий метод;

- обеспечивать возможность разумной содержательной интерпретации результатов применения метода.

Задача 2. Выбрать наиболее подходящий по обоснованным критериям метод решения проблемы.

Для решения поставленной проблемы предлагается применить новый математический метод системно-когнитивного анализа (СК-анализ), который: обеспечивает выявление силы и направления влияния сотен или даже тысяч факторов; является непараметрическим; позволяет корректно обрабатывать неполные (фрагментированные) данные; эффективно подавляет шум в данных и выявляет закономерности на фоне шума; имеет доступный программный инструментарий, реализующий метод (универсальная когнитивная аналитическая система "Эйдос"); обеспечивает возможность разумной содержательной интерпретации результатов применения метода [1, 2].

Задача 3. Кратко описать суть выбранного метода.

Системно-когнитивный анализ представляет собой системный анализ, рассматриваемый как метод познания и структурированный по базовым когнитивным (познавательным) операциям (БКОСА) [1, 2].

СК-анализ включает:

- теоретические основы, в т.ч. базовую когнитивную концепцию;

- математическую модель (системную теорию информации);

- методику численных расчетов (структуры данных и алгоритмы их обработки);

- специальный программный инструментарий, реализующий математическую модель и методику численных расчетов СК-анализа (универсальная когнитивная аналитическая система "Эйдос").

Сам набор БКОСА следует из предложенной в [1] формализуемой когнитивной концепции, рассматривающей процесс познания как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня.

На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта, а, в свою очередь, на 3-м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образует текущую парадигму реальности (т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная (рисунок 1).

Рисунок 1 - Обобщенная схема формализуемой когнитивной концепции (иерархия базовых когнитивных операций)

Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации.

Из данной концепции выводятся: структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ).

Между когнитивными структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла.

Когнитивный конфигуратор представляет собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации:

1) присвоение имен;

2) восприятие;

3) обобщение (синтез, индукция, многопараметрическая типизация);

4) абстрагирование;

5) оценка адекватности модели;

6) сравнение, идентификация и прогнозирование;

7) дедукция и абдукция;

8) классификация и генерация конструктов;

9) содержательное сравнение;

10) планирование и принятие решений об управлении.

В работе [1] предложены: математическая модель, методика численных расчетов, включающая структуры данных и алгоритмы реализации БКОСА, а также программный инструментарий СК-анализа - универсальная когнитивная аналитическая система "Эйдос" [1].

Математическая модель и методика численных расчетов СК-анализа предложены и подробно описаны в работах [1], и здесь их приводить нецелесообразно. Отметим лишь, что модель обеспечивает выявление знаний [24] непосредственно из эмпирических фактов, при этом для каждой группы объектов, по которой проводится многопараметрическая типизация (обобщение), в качестве контрольной группы (нормы) выступает вся исследуемая выборка (теоретически вся генеральная совокупность, которую эта выборка представляет).

Универсальная когнитивная аналитическая система "Эйдос" является отечественным лицензионным программным продуктом, на который имеется ряд свидетельств РосПатента РФ, созданным исключительно с использованием официально приобретенного лицензионного программного обеспечения. По системе "Эйдос" и различным аспектам ее применения имеется более 150 публикаций ряда авторов.

Система "Эйдос" является одним из элементов предлагаемого решения проблемы и достижения цели данной работы, т.к. она обеспечивает решение следующих задач:

1. Синтез и адаптация семантической информационной модели предметной области, включая активный объект управления и окружающую среду.

2. Идентификация и прогнозирование состояния активного объекта управления, а также разработка управляющих воздействий для его перевода в заданные целевые состояния.

3. Углубленный анализ семантической информационной модели предметной области.

Таким образом, система "Эйдос" является инструментарием, решающим проблему данной работы.

Синтез содержательной информационной модели предметной области.

Для разработки информационной модели предметной области необходимо владеть основными принципами ее когнитивной структуризации и формализованного описания. Синтез содержательной информационной модели включает следующие этапы:

1. Когнитивная структуризация и формализация предметной области.

2. Формирование исследуемой выборки и управление ей.

3. Синтез или адаптация модели.

4. Оптимизация модели.

5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости.

Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий

Данный вид работ включает:

1. Ввод распознаваемой выборки.

2. Пакетное распознавание.

3. Вывод результатов распознавания и их оценку.

Углубленный анализ содержательной информационной модели предметной области

Углубленный анализ выполняется в подсистеме "Типология" и включает:

1. Информационный и семантический анализ классов и признаков.

2. Кластерно-конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).

3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина, нейросетевой анализ, классические и интегральные когнитивные карты).

Обобщенная структура системы "Эйдос"

Данной обобщенной структуре соответствуют структура управления и дерево диалога системы (таблица 1).

Подробнее подсистемы, режимы, функции и операции, реализуемые системой "Эйдос", описаны в работе [1].

Таблица 1 - ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ "ЭЙДОС"

(текущей версии 12.5 от 20.04.2008)

Подсистема	Режим	Функция	Операция
1. Формализация ПО	1. Классификационные шкалы и градации
	2. Описательные шкалы (и градации)
	3. Градации описательных шкал (признаки)
	4. Иерархические уровни систем	1. Уровни классов
		2. Уровни признаков
	5. Программные интерфейсы для импорта данных	1. Импорт данных из TXT-фалов стандарта DOS-текст
		2. Импорт данных из DBF-файлов стандарта проф. А.Н.Лебедева
		3. Импорт из транспонированных DBF-файлов проф. А.Н.Лебедева
		4. Генерация шкал и обучающей выборки RND-модели
		5. Генерация шкал и обучающей выборки для исследования чисел
		6. Транспонирование DBF-матриц исходных данных
		7. Импорт данных из DBF-файлов стандарта Евгения Лебедева
	6. Почтовая служба по НСИ	1. Обмен по классам
		2. Обмен по обобщенным признакам
		3. Обмен по первичным признакам
	7. Печать анкеты
2. Синтез СИМ	1. Ввод-корректировка обучающей выборки
	2. Управление обучающей выборкой	1. Параметрическое задание объектов для обработки
		2. Статистическая характеристика, ручной ремонт
		3. Автоматический ремонт обучающей выборки
	3. Синтез семантической информационной модели СИМ	1. Расчет матрицы абсолютных частот
		2. Исключение артефактов (робастная процедура)
		3. Расчет матрицы информативностей СИМ-1 и сделать ее текущей
		4. Расчет условных процентных распределений СИМ-1 и СИМ-2
		5. Автоматическое выполнение режимов 1-2-3-4
		6. Измерение сходимости и устойчивости модели	1. Сходимость и устойчивость СИМ
			2. Зависимость валидности модели от объема обучающей выборки
		7. Расчет матрицы информативностей СИМ-2 и сделать ее текущей
	4. Почтовая служба по обучающей информации
3. Оптимизация СИМ	1. Формирование ортонормированного базиса классов
	2. Исключение признаков с низкой селективной силой
	3. Удаление классов и признаков, по которым недостаточно данных
	4. Разделение классов на типичную и нетипичную части
	5. Генерация сочетанных признаков и перекодирование обучающей выборки
4. Распознавание	1. Ввод-корректировка распознаваемой выборки
	2. Пакетное распознавание
	3. Вывод результатов распознавания	1. Разрез: один объект - много классов
		2. Разрез: один класс - много объектов
	4. Почтовая служба по распознаваемой выборке
	5. Построение функций влияния
	6. Докодирование сочетаний признаков в распознаваемой выборке
5. Типология	1. Типологический анализ классов распознавания	1. Информационные (ранговые) портреты (классов)
		2. Кластерный и конструктивный анализ классов	1 Расчет матрицы сходства образов классов
			2. Генерация кластеров и конструктов классов
			3. Просмотр и печать кластеров и конструктов
			4. Автоматическое выполнение режимов: 1,2,3
			5. Вывод 2d семантических сетей классов
		3. Когнитивные диаграммы классов
	2. Типологический анализ первичных признаков	1. Информационные (ранговые) портреты признаков
		2. Кластерный и конструктивный анализ признаков	1. Расчет матрицы сходства образов признаков
			2. Генерация кластеров и конструктов признаков
			3. Просмотр и печать кластеров и конструктов
			4. Автоматическое выполнение режимов: 1,2,3
			5. Вывод 2d семантических сетей признаков
		3. Когнитивные диаграммы признаков
6. СК-анализ СИМ	1. Оценка достоверности заполнения объектов
	2. Измерение адекватности семантической информационной модели
	3. Измерение независимости классов и признаков
	4. Просмотр профилей классов и признаков
	5. Графическое отображение нелокальных нейронов
	6. Отображение Паретто-подмножеств нейронной сети
	7. Классические и интегральные когнитивные карты
7. Сервис	1. Генерация (сброс) БД	1. Все базы данных
		2. НСИ	1. Всех баз данных НСИ
			2. БД классов
			3. БД первичных признаков
			4. БД обобщенных признаков
		3. Обучающая выборка
		4. Распознаваемая выборка
		5. Базы данных статистики
	2. Переиндексация всех баз данных
	3. Печать БД абсолютных частот
	4. Печать БД условных процентных распределений СИМ-1 и СИМ-2
	5. Печать БД информативностей СИМ-1 и СИМ-2
	6. Интеллектуальная дескрипторная информационно-поисковая система
	7. Копирование основных баз данных СИМ
	8. Сделать текущей матрицу информативностей СИМ-1
	9. Сделать текущей матрицу информативностей СИМ-1

Метод СК-анализа был успешно применен для решения ряда задач, сходных с решаемыми в данной статье [1, 7-20].

Задача 4. Описать методику применения выбранного метода для решения поставленной проблемы.

Автоматизированный системно-когнитивный анализ (АСК-анализ) [1, 2] представляет собой: метод СК-анализа, технологию, основанную на применении инструментария СК-анализа - системы "Эйдос", и методику применения этой системы для формирования семантической информационной модели предметной области (СИМ) и включает следующие этапы:

1. Когнитивная структуризация, а затем и формализация предметной области.

2. Ввод данных мониторинга в базу прецедентов (обучающую выборку) за период, в течение которого имеется необходимая информация в электронной форме.

3. Синтез семантической информационной модели (СИМ).

4. Оптимизация СИМ.

5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

6. Решение задач идентификации состояний объекта управления, прогнозирования и поддержки принятия управленческих решений по управлению с применением СИМ.

7. Системно-когнитивный и кластерно-конструктивный анализ СИМ.

На первых двух этапах АСК-анализа, детально рассмотренных в работах [1, 2], числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях). Этот этап реализуется и в методах интервальной статистики.

На третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А. Харкевича, сопоставляются количественные величины, с которыми в дальнейшем и производятся все операции моделирования.

Последовательное выполнение всех этих этапов и представляет собой решение сформулированной в данной статьей проблемы.

Рассмотрим эти этапы.

1. Когнитивная структуризация, а затем и формализация предметной области.

Подробно типовая методика когнитивной структуризации и формализации предметной области приведена в работе [23], поэтому здесь мы не будем давать определения этих понятий и приводить теоретическую часть, а сразу опишем результаты применения этой методики при решении проблемы, сформулированной в данной статье.

На этапе когнитивной структуризации предметной области в качестве классификационных шкал выберем результирующие состояния объекта управления:

Культура

Сорт

Урожайность (точн. знач)

Урожайность (инт. оценка)

Качество

Культура + сорт + урожайность

Культура + сорт + качество

Культура + урожайность (округленная)

Культура + качество

В качестве факторов (т.е. описательных шкал), обуславливающих переход объекта управления в эти результирующие состояния, выберем следующие:

Предшественники

Уровень плодородия

Обработка почвы

Удобрение

Защита растений

На этапе формализации предметной области конкретизируем градации классификационных и описательных шкал (таблицы 2 и 3).

Таблица 2 - КЛАССИФИКАЦИОННЫЕ ШКАЛЫ И ГРАДАЦИИ

Код	Наименование классификационных шкал и градаций
1	1. КУЛЬТУРА-Озимая пшеница
2	1. КУЛЬТУРА-Озимый Ячмень
3	1. КУЛЬТУРА-Яровой ячмень
4	2. СОРТ-
5	2. СОРТ-Батько
6	2. СОРТ-Победа-50
7	2. СОРТ-Руфа
8	2. СОРТ-Юна
9	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {0.00, 7.90}
10	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {7.90, 15.80}
11	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {15.80, 23.70}
12	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {23.70, 31.60}
13	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {31.60, 39.50}
14	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {39.50, 47.40}
15	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {47.40, 55.30}
16	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {55.30, 63.20}
17	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {63.20, 71.10}
18	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {71.10, 79.00}
19	3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {79.00, 86.90}
20	4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{00,0-17,5}
21	4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{17,5-34,9}
22	4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{34,9-52,4}
23	4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{52,4-69,8}
24	4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{69,8-87,3}
25	5. КАЧЕСТВО-
26	5. КАЧЕСТВО-Ценная
27	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{00,0-17,5}
28	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{52,4-69,8}
29	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{69,8-87,3}
30	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{00,0-17,5}
31	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{34,9-52,4}
32	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{52,4-69,8}
33	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{69,8-87,3}
34	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{00,0-17,5}
35	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{34,9-52,4}
36	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{52,4-69,8}
37	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{69,8-87,3}
38	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{00,0-17,5}
39	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{34,9-52,4}
40	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{52,4-69,8}
41	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{69,8-87,3}
42	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{00,0-17,5}
43	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{34,9-52,4}
44	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{52,4-69,8}
45	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{69,8-87,3}
46	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{00,0-17,5}
47	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{17,5-34,9}
48	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{34,9-52,4}
49	6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{52,4-69,8}
50	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Батько+Ценная
51	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Победа-50+Ценная
52	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Руфа+Ценная
53	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Юна+Ценная
54	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимый Ячмень++
55	7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Яровой ячмень++
Код	Наименование классификационных шкал и градаций
56	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{00,0-17,5}
57	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{34,9-52,4}
58	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{52,4-69,8}
59	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{69,8-87,3}
60	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{00,0-17,5}
61	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{34,9-52,4}
62	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{52,4-69,8}
63	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{69,8-87,3}
64	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{00,0-17,5}
65	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{17,5-34,9}
66	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{34,9-52,4}
67	8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{52,4-69,8}
68	9. КУЛЬТУРА+КАЧЕСТВО-Озимая пшеница+Ценная
69	9. КУЛЬТУРА+КАЧЕСТВО-Озимый Ячмень+
70	9. КУЛЬТУРА+КАЧЕСТВО-Яровой ячмень+

Таблица 3 - ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ

Код	Наименование описательных шкал и градаций
[ 1]	10. ПРЕДШЕСТВЕННИКИ
1	10. ПРЕДШЕСТВЕННИКИ-.
2	10. ПРЕДШЕСТВЕННИКИ-Кукуруза.
3	10. ПРЕДШЕСТВЕННИКИ-Многолетние травы
4	10. ПРЕДШЕСТВЕННИКИ-Сахарная свекла
[ 2]	11. УРОВЕНЬ ПЛОДОРОДИЯ
5	11. УРОВЕНЬ ПЛОДОРОДИЯ-Высокий.
6	11. УРОВЕНЬ ПЛОДОРОДИЯ-Низкий
7	11. УРОВЕНЬ ПЛОДОРОДИЯ-Средний.
[ 3]	12. ОБРАБОТКА ПОЧВЫ
8	12. ОБРАБОТКА ПОЧВЫ-Безотвальная.
9	12. ОБРАБОТКА ПОЧВЫ-Отвальная
10	12. ОБРАБОТКА ПОЧВЫ-Поверхностная
[ 4]	13. УДОБРЕНИЕ
11	13. УДОБРЕНИЕ-Минеральная система
12	13. УДОБРЕНИЕ-Органическая система.
13	13. УДОБРЕНИЕ-Органическо-минеральная
14	13. УДОБРЕНИЕ-Отсутствует
[ 5]	14. ЗАЩИТА РАСТЕНИЙ
15	14. ЗАЩИТА РАСТЕНИЙ- Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

2. Ввод данных мониторинга в базу прецедентов (обучающую выборку) за период, в течение которого имеется необходимая информация в электронной форме.

Этот ввод осуществлялся с помощью специально предназначенного для подобных случаев универсального программного интерфейса между внешними базами данных и системой "Эйдос" (рисунок 2).

Рисунок 2 - Экранная форма универсального программного интерфейса между внешними базами данных и системой "Эйдос

Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе DBF-файла с сходными данными приведенного ниже стандарта.

Этот DBF-файл должен иметь имя: Inp_data.dbf и может быть получен в Excel, если выбрать "Сохранить как" и задать тип файла: DBF 4, dBASE IV. Каждая строка файла содержит данные об одном объекте обучающей выборки. Все столбцы этого файла могут быть как текстового, так и числового типа

1-й столбец содержит наименование источника данных длиной < 16 символов.

Столбцы со 2-го по N-й являются классификационными шкалами и содержат информацию о классах, к которым принадлежат объекты обучающей выборки.

Столбцы с N+1 по последний являются описательными шкалами и содержат информацию о признаках, характеризующих эти объекты.

Русские наименования классификационных и описательных шкал должны быть строками в файле с именем Inp_name.txt стандарта: MS DOS (кириллица).

Система автоматически находит минимальное и максимальное числовые значения в каждом столбце классов или признаков и формирует заданное в диалоге количество ОДИНАКОВЫХ для каждой шкалы числовых интервалов. Затем числовые значения заменяются их интервальными значениями. Каждое УНИКАЛЬНОЕ текстовое или интервальное значение считается градацией классификационной или описательной шкалы, характеризующей объект.

Затем с использованием этой информации генерируется обучающая выборка, в которой каждой строке DBF-файла исходных данных соответствует одна физическая анкета, содержащая столько логических анкет, сколько уникальных классов в диапазоне столбцов классов, и коды признаков, которые соответствуют попаданиям числовых значений признаков в интервалы.

В таблице 4 представлен фрагмент исходного Excel-файла. Файл Inp_data.dbf по структуре не отличается от экселевского за исключением того, что наименования полей в нем вида: N1, N2,..., N15. Для того чтобы исключить длинные текстовые кириллические наименования полей из экселевского файла, нужно перед записью выделить блоком часть таблицы с латинскими наименованиями полей и нужными данными. Интервальные значения и сочетания классов в Excel-файле образованы средствами Excel.

В результате работы данного программного интерфейса (см. рисунок 1) на основе файлов Inp_data.dbf и Inp_name.txt автоматически формируются классификационные и описательные шкалы и градации (см. таблицы 2 и 3), обучающая выборка (таблица 5).

Таблица 4 - EXCEL-ФАЙЛ С ИСХОДНЫМИ ДАННЫМИ (ФРАГМЕНТ)

N

Культура

Сорт

Урожайность

Культура + сорт + урожай-ность

Культура + сорт + качество

Культура + урожайность (округленная

Культура + качество

Предшественники

Уровень плодо-родия

Обработка почвы

Удобрение

Защита растений

(точн. знач)

(инт. оценка)

Качество

N1

N2

N3

N4

N5

N6

N7

N8

N9

N10

N11

N12

N13

N14

N15

1

Озимая пшеница

Победа-50

49,5

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отва-льная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

2

Озимая пшеница

Победа-50

48,4

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безот-вальная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

3

Озимая пшеница

Победа-50

45,4

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

4

Озимая пшеница

Победа-50

65,0

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

5

Озимая пшеница

Победа-50

65,8

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

6

Озимая пшеница

Победа-50

60,1

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

7

Озимая пшеница

Победа-50

62,3

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

8

Озимая пшеница

Победа-50

60,6

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

9

Озимая пшеница

Победа-50

58,3

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

10

Озимая пшеница

Победа-50

0,0

{00,0-17,5}

Ценная

Озимая пшеница+Победа-50+{00,0-17,5}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{00,0-17,5}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Органичес-ко-минераль-ная

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

11

Озимая пшеница

Победа-50

0,0

{00,0-17,5}

Ценная

Озимая пшеница+Победа-50+{00,0-17,5}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{00,0-17,5}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Органиче-ско-минераль-ная

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

12

Озимая пшеница

Победа-50

0,0

{00,0-17,5}

Ценная

Озимая пшеница+Победа-50+{00,0-17,5}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{00,0-17,5}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Органичес-ко-минераль-ная

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

13

Озимая пшеница

Победа-50

46,8

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

14

Озимая пшеница

Победа-50

48,9

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

15

Озимая пшеница

Победа-50

42,4

{34,9-52,4}

Ценная

Озимая пшеница+Победа-50+{34,9-52,4}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{34,9-52,4}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Отсутствует

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

16

Озимая пшеница

Победа-50

64,3

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

17

Озимая пшеница

Победа-50

63,7

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

18

Озимая пшеница

Победа-50

62,1

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Минеральная система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

19

Озимая пшеница

Победа-50

68,8

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

20

Озимая пшеница

Победа-50

65,9

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

21

Озимая пшеница

Победа-50

63,8

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Высокий

Поверхностная

Органическая система

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

22

Озимая пшеница

Победа-50

71,4

{69,8-87,3}

Ценная

Озимая пшеница+Победа-50+{69,8-87,3}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{69,8-87,3}

Озимая пшеница+Ценная

Многолетние травы

Низкий

Отвальная

Органическо-минеральная

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

23

Озимая пшеница

Победа-50

63,5

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница+Победа-50+Ценная

Озимая пшеница+{52,4-69,8}

Озимая пшеница+Ценная

Многолетние травы

Средний

Безотвальная

Органическо-минеральная

Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га

24

Озимая пшеница

Победа-50

63,1

{52,4-69,8}

Ценная

Озимая пшеница+Победа-50+{52,4-69,8}

Озимая пшеница...

Подобные документы

• Динамика урожайности зерновых

  Динамика средней урожайности озимой пшеницы для областей Украины. Циклические изменения объемов урожая. Составление прогнозной модели урожайности зерновых. Методика оценки рисков зернопроизводства на основе связи между урожайностью и рентабельностью.
  
  контрольная работа [1,7 M], добавлен 18.07.2010
  

• Моделирование динамики урожайности зерновых культур в Нижнем Поволжье методом многократного выравнивания

  Построение эконометрических моделей и адекватная оценка их параметров для принятия обоснованных экономических решений. Проведение анализа и краткосрочного прогнозирования урожайности зерновых культур в Нижнем Поволжье методом многократного выравнивания.
  
  реферат [51,4 K], добавлен 25.02.2011
  

• Прогнозирование урожайности различными методами

  Порядок и особенности расчета прогнозных значений урожайности озимой пшеницы в Волгоградский области. Общая характеристика основных методов прогнозирования - аналитического выравнивания, экспоненциального сглаживания, скользящих средних и рядов Фурье.
  
  контрольная работа [2,3 M], добавлен 11.07.2010
  

• Многокритериальные задачи. Паретовские решения

  Особенности формирования математической модели принятия решений, постановка задачи выбора. Понятие оптимальности по Парето и его роль в математической экономике. Составление алгоритма поиска парето-оптимальных решений, реализация программного средства.
  
  контрольная работа [1,2 M], добавлен 11.06.2011
  

• Проверка адекватности выбранных моделей

  Построение анализа случайной компоненты для проверки адекватности выбранных моделей реальному процессу (в частности, адекватности полученной кривой роста). Оценка параметров модели в условиях автокорреляции и определение критерия автокорреляции.
  
  контрольная работа [44,0 K], добавлен 13.08.2010
  

• Оценка риска на основе динамических моделей устойчивости

  Решения, связанные с рисками. Снижение риска с помощью статистической теории принятия решений. Применение модели платежной матрицы и различных ее вариантов. Направленность изменений соотношений темпов роста показателей, формирующих динамические модели.
  
  контрольная работа [41,2 K], добавлен 28.03.2013
  

• Принятие решений в условиях неполной информации

  Статистические модели принятия решений. Описание моделей с известным распределением вероятностей состояния среды. Рассмотрение простейшей схемы динамического процесса принятия решений. Проведение расчета вероятности произведенной модификации предприятия.
  
  контрольная работа [383,0 K], добавлен 07.11.2011
  

• Фрактальный анализ временных рядов урожайности зерновых

  Предпрогнозное исследование рядов урожайности с применением фрактального и R/S-анализа, бинарной кодировки. Расчет коэффициента Херста природных и экономических рядов. Оценка соотношения "детерминированность-стохастичность" для разных областей Украины.
  
  курсовая работа [2,2 M], добавлен 18.09.2010
  

• Теория игр в экономике

  Построение модели и индивидуального спроса в рамках стратегических рыночных игр. Построение модели и постановка игры, введение базовых понятий и переменных. Упрощение модели и постановка задачи максимизации. Ожидаемая полезность и проблемы максимизации.
  
  дипломная работа [2,3 M], добавлен 25.08.2017
  

• Модели современной экономической динамики России и ее регионов

  Характеристика российской модели переходной экономики. Математические модели социально-экономических процессов, факторы и риски экономической динамики, посткризисные тренды. Роль Краснодарского края в экономике РФ, стратегия его экономического развития.
  
  дипломная работа [385,0 K], добавлен 21.01.2016
  

• Модели и методы принятия решений

  Оптимизация решений динамическими методами. Расчет оптимальных сроков начала строительства объектов. Принятие решений в условиях риска (определение математического ожидания) и неопределенности (оптимальная стратегия поведения завода, правило максимакса).
  
  контрольная работа [57,1 K], добавлен 04.10.2010
  

• Анализ модели на чувствительность

  Определение экономических рисков разными авторами. Основные способы анализа чувствительности модели. Суть и технология анализа чувствительности модели как способ восстановления финансового равновесия, принятия оптимального решения, недостатки метода.
  
  курсовая работа [205,0 K], добавлен 27.05.2009
  

• Сущность, цели и задачи планирования и прогнозирования макроэкономических процессов

  Сущность прогнозирования и планирования. Формы сочетания прогноза и плана. Обоснование принятия и практическая реализация управляющих решений. Логика разработки комплексных прогнозов экономического и социального развития в условиях переходной экономики.
  
  контрольная работа [26,6 K], добавлен 11.02.2014
  

• Исследование эконометрической модели с использованием пакета Eviews

  Процесс построения и анализа эконометрической модели в пакете Econometric Views. Составление, расчет и анализ существующей проблемы. Проверка адекватности модели реальной ситуации на числовых данных в среде Eviews. Построение регрессионного уравнения.
  
  курсовая работа [1,3 M], добавлен 17.02.2014
  

• Задачи принятия решений в условиях неполной определённости

  Решение задач при помощи пакета прикладных программ MatLab. Загрузка в MatLab матриц A и P. Нахождение оптимальной стратегии для заданных матриц с использованием критериев принятия решений в условиях неопределённости Вальда, Гурвица, Лапласа, Сэвиджа.
  
  лабораторная работа [80,2 K], добавлен 18.03.2015
  

• Экономико-математические методы и прикладные модели

  Сущность метода наименьших квадратов. Экономический смысл параметров кривой роста (линейная модель). Оценка погрешности и проверка адекватности модели. Построение точечного и интервального прогноза. Суть графического построения области допустимых решений.
  
  контрольная работа [32,3 K], добавлен 23.04.2013
  

• Коллективные экспертные методы прогнозирования: матричный метод

  Назначение матричного метода прогнозирования и основные этапы его применения. Графическая основа модели развития объекта в матричном методе. Схемы оценки опосредствованных связей (влияния) комплексов при обработке матриц влияния и расчетов по графу.
  
  презентация [752,6 K], добавлен 15.04.2015
  

• Построение и тестирование адекватности эконометрических моделей множественной регрессии: выбор функциональной формы модели

  Основы построения и тестирования адекватности экономических моделей множественной регрессии, проблема их спецификации и последствия ошибок. Методическое и информационное обеспечение множественной регрессии. Числовой пример модели множественной регрессии.
  
  курсовая работа [3,4 M], добавлен 10.02.2014
  

• Постановка задачи по оптимизации

  Построение базовой аналитической модели. Описание вычислительной процедуры. Решение задачи оптимизации на основе симплекс-таблиц. Анализ на чувствительность к изменению. Примеры постановок и решений перспективных оптимизационных управленческих задач.
  
  курсовая работа [621,6 K], добавлен 16.02.2015
  

• Прогнозирование волатильности доходности акций ОАО "Лукойл" с использованием модели ARCH

  Характеристики и свойства условно-гауссовской модели ARCH для прогнозирования волатильности стоимости ценных бумаг. Акции предприятия на рынке ЦБ. Оценка параметров модели ARCH для прогнозирования их доходности методом максимального правдоподобия.
  
  курсовая работа [161,5 K], добавлен 19.07.2014
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам