Планирование и прогнозирование деятельности сельскохозяйственных предприятий на основе искусственных нейронных сетей

Мир функционирует и развивается не по четкой и строгой логической схеме. В столь неточной науке, как экономика, любая четкая зависимость ценится очень дорого. Поэтому неудивительны настойчивость и энтузиазм, с которым экономисты пытались обосновать изменения экономических систем. Возможность прогнозировать ход событий исходя из доказанных закономерностей — мечта любого человека. Детерминистам всегда живется проще, потому что окружающий мир для них легко познаваем и объясним, а главное — предопределен. Например, широко известное утверждение Лапласа 1 , заявившего, что если бы можно было узнать положение и состояние каждого атома Вселенной в данный момент времени, то он (точнее, не Лаплас, а некий демон, способный мгновенно произвести подобный объем вычислений) смог бы предсказать состояние Вселенной в любой момент времени.

Время жестоко обошлось с воззрениями Лапласа. Сегодня мы знаем, что даже выполнение упомянутых условий не гарантирует правильности предсказаний. Тем не менее и задолго до Лапласа, и в настоящее время находились люди, пытавшиеся предсказать будущее, предугадать развитие событий. Собственно, каждый из нас постоянно занимается мелким бытовым прогнозированием. Всякий раз, когда мы намерены что-либо предпринять, действию предшествует попытка прогноза ситуации с учетом выполнения или невыполнения этого действия. Понятно, что прогнозирование на таком уровне научного интереса не представляет, и обычно, когда говорят о прогнозировании, имеют в виду совсем иное — долгосрочный прогноз событий, зависящий от множества факторов.

Главной отраслью экономики, где особенно актуальны вопросы прогнозирования, является сельское хозяйство. Во многом такое положение определяется отсутствием отлаженной и гибкой системы планирования и прогнозирования сельскохозяйственных про цессов. Дело в том, что эти процессы моделируются на основе эконометрического аппарата который, как известно, относится к параметрической статистике, а параметрическая статистика очень неточна при описании сложных стохастических и существенно нелинейных динамических систем, взять хотя бы учет в модели погодных условий. Эконометрическое моделирование традиционно строится на линейных и нелинейных моделях, основанных на функции равновесия. Эти модели показывают, как все элементы экономики непрерывно адаптируются ко всем другим элементам, но без каких-либо корректных оговорок, сделанных одновременно для многих положительных обратных связей. Когда контуры обратной связи объединяются, в основном это бывают отрицательные, дестабилизирующие цепочки, то есть это вовсе не ведущие к устойчивости положительные контуры. Эти модели на практике функционируют очень вяло, что традиционно объясняется «стохастическими внешними беспокойствами», а также отсутствием точности в деталях модели. Данные модели совсем не учитывает присущие детерминированным системам2 особенности, такие как эффект бабочки, эффект раздвоения, феномен фрактальности, ускользающий цикл и др., тогда как непараметрическая статистика очень хорошо описывает приведенные выше процессы.

К основному разделу непараметрической статистики относятся искусственные нейронные сети (ИНС), о которых и пойдет речь. Искусственные нейронные сети, они же кон-некционистские или связевые системы, представляют собой устройства, использующие огромное число элементарных условных рефлексов, называемых по имени недавно умершего канадского физиолога синапсами Хебба. Такой синапс как основу возможных механизмов памяти и поведения Д. Хебб описал теоретически в 1949 г., то есть в первые годы после рождения кибернетики. Искусст-

венные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств, присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Несмотря на такое функциональное сходство, даже самый оптимистичный их защитник не предположит, что в скором будущем искусственные нейронные сети будут дублировать функции человеческого мозга. Реальный «интеллект»3, демонстрируемый самыми сложными нейронными сетями, находится ниже уровня дождевого червя, и энтузиазм должен быть умерен в соответствии с современными реалиями. Однако было бы неверным игнорировать удивительное сходство в функционировании некоторых нейронных сетей с человеческим мозгом. Эти возможности, как бы они ни были ограничены сегодня, наводят на мысль, что глубокое проникновение в человеческий интеллект, а также множество революционных приложений могут осуществиться уже в ближайшем будущем.

Обучение

Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. Этот фактор в большей степени, чем любой другой, ответственен за тот интерес, который они вызывают. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами. Но все еще существуют проблемы относительно того, чему сеть может обучиться и как обучение должно проводиться.

Обобщение

Отклик сети после обучения может быть до некоторой степени нечувствителен к небольшим изменениям входных сигналов. Эта внутренне присущая способность видеть образ сквозь шум и искажения жизненно важна для распознавания образов в реальном мире. Она позволяет преодолеть требование строгой точности, предъявляемое обычным компьютером, и открывает путь к системе, которая может иметь дело с тем несовершенным миром, в котором мы живем. Важно отметить, что искусственная нейронная сеть делает обобщения автоматически благодаря своей структуре, а не с помощью использования «человеческого интеллекта»4 в форме специально написанных компьютерных программ.

Абстрагирование

Некоторые из искусственных нейронных сетей обладают способностью извлекать сущность из входных сигналов. Например, сеть может быть обучена на последовательность искаженных версий буквы «А». После соответствующего обучения предъявление такого искаженного примера приведет к тому, что сеть породит букву совершенной формы. В некотором смысле она научится порождать то, что никогда не видела 5 .

Эта способность извлекать идеальное из несовершенных входов ставит интересные философские вопросы. Она напоминает концепцию идеалов, выдвинутую Платоном в его «Республике». Во всяком случае, способность извлекать идеальные прототипы является у людей весьма ценным качеством.

Уже сейчас искусственные нейронные сети применяются для решения очень многих задач обработки изображений, управления роботами и непрерывными производствами, для понимания и синтеза речи, для диагностики заболеваний людей и технических неполадок в машинах и приборах, для предсказания курсов валют, результатов страховой деятельности и многое другое почти во всех сферах деятельности человека. Приведем примеры в сфере экономики.

Американский Citibank ⁶ использует нейросетевые предсказания с 1990 года. В 1992 г., по свидетельству журнала The Economist, автоматический дилинг показывал доходность 25 % годовых, что намного превышает показатели большинства брокеров. Chemical Bank использует нейросистему фирмы Neural Data для предварительной обработки трансакций на валютных биржах 23 стран, фильтруя «подозрительные» сделки. Fidelity of Boston использует нейросети при управлении портфе-

Поскольку в настоящее время нейронные сети с большим успехом используются в различных прогнозных моделях, то их уместно сопоставить со старыми, хорошо разработанными статистическими методами. В литературе по статистике иногда можно встретить утверждение, что наиболее часто применяемые нейросетевые подходы являются не чем иным, как неэффективными регрессионными и дискриминантными моделями. Действительно многослойные нейронные сети могут решать задачи типа регрессии и классификации. Однако, во-первых, обработка данных нейронными сетями носит значительно более многообразный характер — например, активная классификация сетями Хоп-филда или карты признаков Кохоннена, не имеющие статистических аналогов7. Во-вторых, многие исследования, касающиеся применения нейросетей в финансах и бизнесе, выявили их преимущества перед ранее разработанными статистическими методами. Но все-таки главная особенность нейросетевых моделей — это поиск зависимостей при отсутствии априорной информации о данных, данная ситуация характерна для хаотических моделей.

Ввиду того, что сельскохозяйственные процессы наиболее эффективно можно анализировать только с помощью сложных детер минированных моделей, которым присущи приведенные выше особенности, не учитываемые обычными эконометрическими методами, в настоящей работе считается, что именно ИНС могут дать наиболее точные показатели при планировании и прогнозировании сельского хозяйства.