Аннотация

Сегодня активно ведется цифровизация объектов и производственных процессов АПК. Актуальным является поиск унифицированных подходов для применения цифровых технологий в АПК. Популярность нейросетевых методов обусловлена их результативностью в различных областях IT. Цель работы – исследовать с помощью нейросетей реализацию подхода к использованию оценки состояния объекта инфраструктуры АПК на основе анализа статистики его работы.
Объектами являлись данные технических устройств из производственного цикла предприятия АПК. Исследование провели на примере объектов фасовочного оборудования как единого объекта и теплицы как объекта с набором характеристик. Использовали искусственные нейронные сети.
Задача состоит в выделении факторов, описывающих объект АПК или часть его свойств, которые соответствуют определенной задаче, для прогнозирования его состояния с целью принятия управленческих решений. Выделили пять факторов, которые описывают состояние объекта. Сформировали модель, элементы которой используются в качестве выходных данных для нейросети. Данная модель рассчитывает прогнозное состояние объекта. Провели пробные исследования на ограниченном наборе данных на многослойном персептроне. В рамках работы с малым набором данных нейросеть показала хорошие результаты при оценке определенного объекта. Средняя квадратическая ошибка обученной нейросети составила 0,1216, среднемодульное отклонение – 0,0911.
Исследования показали возможность применения оценивающих нейросетей в системах поддержки принятия управленческих решений. Результаты могут быть использованы как вариант применения современных нейросетевых технологий в АПК в работе контрольно-управленческих и диспетчерских задач. Дальнейшие исследования направлены на изучение паттернов работы отдельных устройств.

Ключевые слова

Нейронные сети, машинное обучение, многослойный персептрон, статистика, прогнозирование, модели, сельское хозяйство, оборудование

СПИСОК ЛИТЕРАТУРЫ

1. Шутьков А. А., Анищенко А. Н. Будущее искусственного интеллекта, нейросетей и цифровых технологий в АПК // Экономика и социум: современные модели развития. 2019. Т. 9.№ 4. С. 508–522. https://www.elibrary.ru/RVWTTQ
2. Pogonyshev VA, Pogonysheva DA, Torikov VE. Neural networks in digital agriculture. Vestnik of the Bryansk State Agricultural Academy. 2021;87(5):68–71. (In Russ.). https://doi.org/10.52691/2500-2651-2021-87-5-68-71
3. Рогов М. А., ДубовицкийА. А. Перспектива использования нейронных сетей на рынке АПК // Наука и Образование. 2022.Т. 5. № 2. https://www.elibrary.ru/BTXLPN
4. Галанина О. В., Золотарева Ю. П. Нейронная сеть прямого распространения в исследовании экономики сельского хозяйства // Известия Международной академии аграрного образования. 2021. № 56. С. 61–64. https://www.elibrary.ru/HPXPMD
5. Yurchenko IF. Digital systems integration into agriculture within the reclaimed lands. International Technical and Economic Journal. 2020;(4):73–80. (In Russ.). https://doi.org/10.34286/1995-4646-2020-73-4-73-80
6. Polenov DYu. Artificial intelligence in regulating the productivity of agricultural objects. Vestnik of Voronezh State Agrarian University. 2021;14(1):46–51. (In Russ.). https://doi.org/10.53914/issn2071-2243_2021_1_46
7. Ивашкин Ю. А., Никитина М. А. Агентные и нейросетевые технологии в ситуационном моделировании технологических систем // Математические методы в технике и технологиях – ММТТ. 2021. Т. 1. С. 123–128. https://www.elibrary.ru/XWERDN
8. Vahrameev RA, Tolmachev MN, Afanasiev VN. Using a neural network to forecast prospects for the development of the agro-industrial complex of the Russian Federation. Vestnik of Samara State University of Economics. 2020;187(5):52–58. (In Russ.).https://doi.org/10.46554/1993-0453-2020-5-187-52-58
9. Digitalization of agricultural production in Russia in 2018–2025 [Internet]. [cited 2023 Aug 05]. Available from: https://agrardialog.ru/files/prints/apd_studie_2018_russisch_fertig_formatiert.pdf
10. Мак-Каллок У. С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Автоматы / под ред. К. Э. Шеннона и Дж. Маккарти. М.: Издательство иностранной литературы, 1956. С. 363–384.
11. Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. М.: Альпина PRO, 2021. 335 с.
12. Виды нейронных сетей и их применение / Н. В. Картечина [и др.] // Наука и Образование. 2021.Т. 4. № 3. https://www.elibrary.ru/HMFMXV
13. Тимофеев М. Г., Бабайцев А. В., Никонорова Л. И. Искусственный интеллект в сельском хозяйстве // Наука и Образование. 2020.Т. 3. № 4. https://www.elibrary.ru/HGGVDR
14. Yurchenko IF. The development prospects for automatic control systems of agricultural production on reclaimed lands. Scientific Journal of Russian Scientific Research Institute of Land Improvement Problems. 2019;36(4):164–177. (In Russ.). https://doi.org/10.31774/2222-1816-2019-4-164-177
15. Илышев А. П., Толмачев О. М. Искусственный интеллект и нейросетевые технологии в цифровой платформе прорывного развития российского АПК // Экономика и социум: современные модели развития. 2019. Т. 9.№ 4. С. 492–507. https://www.elibrary.ru/CUUFOV
16. Состояние цифровой трансформации сельского хозяйства / В. Е. Ториков [и др.] // Вестник Курской государственной сельскохозяйственной академии. 2020. № 9. С. 6–13. https://www.elibrary.ru/CONNGK
17. Windsor FM, Armenteras D, Assis APA, Astegiano Ju, Santana PC, Cagnolo L, et al.Network science: Applications for sustainable agroecosystems and food. Perspectives in Ecology and Conservation. 2022;20(2):79–90. https://doi.org/10.1016/j.pecon.2022.03.001
18. Petrescu I-E, Ignat R, Constantin M, Istudor M. Risk management of agri-food value chains – Exploring research trends from the web of science. In: Dima AM, Kelemen M, editors. Digitalization and big data for resilience and economic intelligence. Cham: Springer; 2022. pp. 55–66. https://doi.org/10.1007/978-3-030-93286-2_4
19. 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. https://www.elibrary.ru/TSZJPX
20. Tokarev KE, Rudenko AYu, Kuzmin VA, Chernyavsky AN. Theory and digital technologies of intellectual support for decision-making to increase the bio-productivity of agroekosystems based on neural network models. Proceedings of Lower Volga Agro-University Complex: Science and Higher Education. 2021;64(4):421–440. (In Russ.). https://doi.org/10.32786/2071-9485-2021-04-42