CC BY
75
Научный журнал КубГАУ, №110(06), 2015 года
1
УДК 303.732.4
01.00.00 Физико-математические науки
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ ПО ИХ ВНЕШНИМ КОНТУРАМ (обобщение, абстрагирование, классификация и идентификация)1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com
Кубанский государственный аграрный университет, Краснодар, Россия
Бандык Дмитрий Константинович РИНЦ SPIN-код: 4072-8442 bandyk dd@mail.ru
Разработчик интеллектуальных систем, Белоруссия
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация). Предлагается новый подход к оцифровке изображений, основанный на использовании полярной системы координат, центра тяжести изображения и его контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и поворот. Поэтому, если заданы эти опция, то результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Это означает, что в модели на основе ряда конкретных примеров будет создан один образ каждого класса изображений, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений. Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах изображения о прототипе, но удаление из них всего несущественного для идентификации (абстрагирование), а также сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию). Приведен развернутый численный пример АСК-анализа изображений
UDC 303.732.4
Physical-Mathematical sciences
AUTOMATED SYSTEMIC-COGNITIVE ANALYSIS OF CONTOURS OF IMAGES (generalization, abstraction, classification and identification)
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor SPIN-code: 9523-7101 prof.lutsenko@gmail.com
Kuban State Agrarian University, Krasnodar, Russia
Bandyk Dmitry Konstantinovich SPIN-code: 4072-8442 bandyk dd@mail.ru artificial intelligence developer, Belarus
In the article the application of systemic-cognitive analysis, its mathematical model - the system theory of the information and its program toolkit - "Eidos" system for synthesis of the generalized images of classes, their abstraction, classification of the generalized images (clusters and constructs) comparisons of concrete images with the generalized images (identification) are examined. We suggest a new approach to the digitization of images, based on the use of the polar coordinate system, the center of gravity of the image and its contour. Before digitizing images we can use their changes to standardize the position of the picture-frames, their size and rotation. Therefore, if you specify this option, the results of digitization and image ASC-analysis can be invariant (independent) to their position, size and rotation. This means that in the model on the basis of a number of specific examples we will create one image of each class of images, independent of their specific implementations, i.e., the "Eidos" of these images (in the sense of Plato) - a prototype or archetype (in the Jungian sense) images. But the "Eidos" system provides not only the formation of prototype images, which quantitatively reflects the amount of information in the image elements of the prototype, but the removal of all irrelevant to identification (abstraction), and the comparison of specific images with generic (identification) and the generalized images of images together (classification). The article provides a detailed numerical example of ASC-analysis of images
1 Работа выполнена при финансовой поддержке РГНФ (проект РГНФ №13-02-00440а) и РФФИ (проект РФФИ №15-06-02569 А).
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
2
Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ)
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, INTELLIGENT SYSTEM "EIDOS", INPUT, DIGITIZATION OF IMAGES, SYNTHESIS OF GENERALIZED IMAGES, ABSTRACTION, CLASSIFICATION, COMPARISON SPECIFIC IMAGES WITH GENERIC (IDENTIFICATION)
Данная статья может рассматриваться как продолжение работы [1] и посвящена применению автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - системы «Эй-дос» для интеллектуальной обработки изображений по их внешним контурам, т.е. для их оцифровки, создания моделей конкретных изображений, формирования обобщенных изображений на основе ряда конкретных, относящихся к одной категории (классу), абстрагирования, идентификации, классификации обобщенных изображений и решения ряда других задач.
Со времени написания работы [1] прошло 6 лет, в течение которых была разработана качественно новая версия системы «Эйдос-Х++» [3] , в которой, в частности, реализован программный интерфейс автоматизированного ввода изображений в систему «Эйдос» (режим 2.3.2.4).
Несомненный научный и практический интерес представляет синтез обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга 2
2 См., также: http://lc.kubagro.ru/ http://ei.kubagro.ru/a/viewaut.asp?id=11
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
3
кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.
Рассмотрим решение некоторых из этих задач в АСК-анализе и системе «Эйдос-Х++» версии 25.06.2015 и выше.
Для этого в «Диспетчере приложений» (режим 1.3) (рисунок 1) запустим режим: «АСК-анализ изображений», выход на который осуществляется нажатием соответствующей кнопки крайней справа:
Рисунок 1. Экранная форма «Диспетчера приложений» (режим 1.3)
В результате появляется главная экранная форма режима «АСК-анализ изображений», представленная на рисунке 2:
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
4
О ДСК-анализ изображений по их внешним контурам
Этапы АСК-анализа изображений:-------------------------------------------------------------------------
Данная работа предполагает выполнение следующим ЭТАПОВ:
1. Задание параметров и генерация изображений символов, просмотр таблицы шрифта
2. Оцифровка изображений по внешнему контуру: 2.3.2.4. В результате в папке: C:\AID0S-X\AID_DATA4np_data\ создаются поддиректории с графическими Файлами изображений символов заданным шрифтов и размеров,
ИЛИ ДРУГИХ ИЗОБРАЖЕНИЙ, ПОМЕЩЕННЫХ ПОЛЬЗОВАТЕЛЕМ В ЭТУ ДИРЕКТОРИЮ И ПОДДИРЕКТОРИИ. Поэтому перед запуском этого режима необходимо удалить содержимое nanKn:C:^AID0S-X'AID_DATA4np_data\ Кроме того этим режимом создается папка: C:\AID0S-X\AID_DATA\0ut_data\
с изображениями, на которым обозначены центр тяжести изображения, контур и точки на контуре, расстояния до которым от центра тяжести изображения занесены в базу исходным данным: "lnp_data.MlsM".
3. Ввод оцифрованным изображений в систему 'Эйдос" в режиме: 2.3.2.2.
После этого возникает новое приложение, название которого можно поменять в режиме 1.3.
4. Просмотр классификационным и описательным шкал и градаций и обучающей выборки: 2.1,2.2, 2.3.1,2.4.
5. Синтез и верификация системно-когнитивным моделей изображений: 3.5, 4.1.3.6.
G. Решение задач идентификации и исследования изображений: 4.1.3.1,4.1.3.2.
7. Просмотр и запись информационным портретов классов - обобщенным изображений символов.
■Задайте режим:----------------------------------------------------------------------------------------
1. Задание параметров и генерация изображений символов,просмотр таблицы шрифта
2. Оцифровка изображений по внешнему контуру: 2.3.2.4.
3. Ввод оцифрованным изображений в систему 'Эйдос" в режиме: 2.3.2.2.
4. Просмотр класс.и опис.шкал и градаций и обуч.выборки: 2.1,2.2, 2.3.1,2.4.
5. Синтез и верификация системно-когнитивным моделей изображений: 3.5, 4.1.3.6.
6. Решение задач идентификации и исследования изображений: 4.1.3.2, 4.1.3.1.
Ok
7. Просмотр и запись информационным портретов классов - обобщенным изображений
Cancel
Рисунок 2. Экранная форма режима: «АСК-анализ изображений»
В верхней части экранной формы описаны основные этапы работы в данном режиме и его основные возможности.
В нижней части экранной формы есть кнопки, позволяющие запустить соответствующие режимы на исполнение.
Рассмотрим их по порядку.
АСК-анализ изображений может использоваться в качестве учебного режима для освоения методов интеллектуальной обработки изображений, а также для выполнения реальных научных и практических задач.
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
5
Для удобства использования данного режима в учебных целях в его состав включен генератор изображений символов различных размеров и шрифтов, которые задаются пользователем в диалоге (рисунок 3):
Рисунок 3. Экранная форма генератора изображений символов режима: «АСК-анализ изображений»
При нажатии на кнопке:
появляется стандартное окно выбора
типа шрифта и его стиля (рисунок 4):
Рисунок 4. Стандартное окно выбора типа шрифта и его стиля
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
6
С помощью этого окна выбираем шрифты для численного примера, исследуемого в данной статье.
Если в папке Inp_data не было поддиректории с изображениями символов заданного шрифта, то она создается и об этом выводится сообщение (рисунок 5):
Рисунок 5. Предупреждение о создании поддиректории для изображений
Затем начинается генерация и запись в созданную поддиректорию заданных изображений. Каждое из них перед записью отображается на экране в отдельном окне (рисунок 6):
(3 Рисование изображений символов в системе ЭЙДОС-Х** ■ 1 = 1
_и_
3
Рисунок 6. Отображение сгенерированного изображения перед записью
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
7
Для численного примера мы задали все цифры, заглавные и строчные буквы русского латинского алфавитов следующих типов шрифтов:
Том в устройстве C не имеет метки.
Серийный номер тома: 2271-3A8D
Содержимое папки c:\Aidos-X\AID_DATA\Inp_data
25.06.2015 17:32 <DIR> .
25.06.2015 17:32 <DIR> . .
25.06.2015 17:28 <DIR> 400 Arial
25.06.2015 17:30 <DIR> 400 Courier New
25.06.2015 17:31 <DIR> 400 Times New Roman
25.06.2015 17:19 <DIR> 400 Verdana
25.06.2015 17:32 0 dir.txt
25.06.2015 16:18 <DIR> Paint
25.06.2015 16:48 <DIR> Почтовый шрифт
1 файлов 0 байт
8 папок 52 767 449 088 байт свободно
Ниже на рисунке 7 приведены имена сгенерированных файлов изображений символов одной из поддиректорий (400_Arial):
Рисунок 7. имена сгенерированных файлов изображений символов одной из поддиректорий (400_Arial)
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
8
На рисунке 8 приведены изображения этих символов:
Рисунок 8. Изображения символов шрифта Arial,
использованные в численном примере
Кроме того в папке c:\Aidos-X\AID_DATA\Inp_data, как мы видим, есть поддиректории Paint с простыми изображениями, созданными в одноименном графическом редакторе, а также изображения цифр почтового шрифта, которые легко найти в интернете: (рисунок 9):
Рисунок 9. Простые изображения, созданные в графическом редакторе Paint и изображения цифр почтового шрифта, использованные
в численном примере
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
9
Если изображения, которые мы собираемся анализировать, получены из внешнего источника (фото, сканированные изображения, клип-арты и т.д.), то они вручную помещаются пользователем в папку: c:\Aidos-X\AID_DATA\Inp_data\.
Когда изображения для исследования подготовлены и записаны в нужную директорию и поддиректории, то запускается автоматизированный программный интерфейс ввода изображения в систему «Эйдос», т.е. режим оцифровки изображений (режим 2.3.2.4) .
Данный режим может быть запущен либо из главного меню системы «Эйдос», либо из главной экранной формы режима АСК-анализа изображений, приведенной на рисунке 2 (2-я кнопка).
При запуске этого режима появляется окно с параметрами оцифровки (рисунок 10):
Рисунок 10. Экранная форма режима 2.3.2.4, предназначенная для задания
параметров оцифровки изображений
При запуске данного режима стадия исполнения отображается в экранной форме, приведенной на рисунке 11:
3
Программная реализация и алгоритмы Д.К.Бандык по постановке и алгоритмам проф.Е.В. Луценко
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
10
Рисунок 11. Экранная форма с отображением стадии исполнения
оцифровки изображений
Данный режим:
1. Находит все поддиректории в папке: c:\Aidos-
X\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в этих поддиректориях.
2. Находит контуры в этих графических файлах и их центры тяжести.
3. Записывает в папку: c:\Aidos-X\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура. При этом структура поддиректорий и имена файлов в папках: c:\Aidos-X\AID_DATA\Inp_data\ и c:\Aidos-X\AID_DATA\Out_data\ совпадают. Пример контурного изображения символа «B» приведен ниже на рисунке 12:
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
11
Рисунок 12. Пример контурного изображения символа: Eng Upper B
4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx, в которой содержаться результаты оцифровки изображений. Кроме того он формирует таблицу c:\Aidos-X\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4 (рисунок 13), который можно вызвать из экранной формы, приведенной на рисунке 10:
Рисунок 13. Help режима ввода изображений в систему «Эйдос»
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
12
Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 14:
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных "lnp_data.xls" в систему "Эйдос-х++" и формализации предметной области.
- Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS илиХ1_5Х-Файла с исходными данными приведенного ниже стандарта.
- Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке MIDOS-X/AID_DATAAnp_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 6553G строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 57G строк и 1G 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей выборки.
- В результате работы режима Формируется Файл INP_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.
- Распознаваемая выборка формируется на основе файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура Файла INP_RASP должна быгьтакая же, как INP_DATA, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
—Принцип организации таблицы исходных данных:-
Нан меновзние объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы
1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение Показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
... ... ...
Qk | Cancel
Рисунок 14. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
13
В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений:
Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений (фрагмент)4
Сам этот программный интерфейс вызывается либо из главного меню системы «Эйдос» (режим 2.3.2.2), либо путем нажатия на 3-й кнопке экранной формы режима: «АСК-анализ изображений», представленной на рисунке 2. Главная экранная форма режима 2.3.2.2 приведена на рисунке 15, причем на ней показаны нужные параметры:
4 Это изображение сделано с разрешением 600 dpi и четко просматривается при масштабе 500%/ Полный
файл исходных данных включает еще 3 таких страницы и здесь не приводится, как и базы данных, создаваемые в системе «Эйдос» в результате его нормализации и импорта в систему.
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
14
Рисунок 16. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
После запуска процесса ввода данных из файла: c:\Aidos-
X\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 17):
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
15
Рисунок 17. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и эвентологическая база данных (рисунок 18). Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос».
Рисунок 18. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
16
В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица c:\Aidos-X\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.
Затем после клика на 5-й копке главного меню режима: «АСК-анализ изображений» появляется экранная форма режима синтеза и верификации моделей 3.5 (он может быть запущен также из главного меню системы «Эйдос») (рисунок 19):
Рисунок 19. экранная форма режима синтеза и верификации моделей
системы «Эйдос» (режима 3.5)
Запускаем этот режим с параметрами по умолчанию.
В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 20 и 21).
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
17
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
с
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
3
Формализация предметной области
Средства кодирования исходных данных
lnp_data, lnp_data.xls
Исходные данные
Class_Sc, Gr_CISc
Классификационные шкалы и градации
Opis_Sc, Gr_OpSc
Описательные шкалы и градации
Обучающая выборка, эвентологическая база данных
Решение задач распознавания системной идентификации и прогнозирования
Решение задач управления (поддержки принятия решений)
Решение задач исследования предметной области путем исследования ее модели
Рисунок 20. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
Достоверность оценивается в соответствии с предложенной автором метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 22 и 23). В соответствии со схемой, приведенной на рисунке 20 и информацией по достоверности моделей, приведенной на рисунке 22, в режиме 5.6. системы «Эйдос» зададим системнокогнитивную модель INF3 в качестве текущей и проведем в ней пакетную идентификацию в режиме 4.1.2.
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
18
Рисунок 21. Экранная форма отображения стадии синтеза и верификации моделей
Наименование моделии частного критерий Интегральный критерий Вероятность правильной иденгиФка... Вероятность правильной не иденгиФ... Средняя вероятно... правильн... результата Дата- получения результата Время получения результ..
Корреляция абс.частст с обр... 100.000 27.382 63.691 25.06.201S 18:51:17
1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... юо. ооа 0.970 50.485 25.06.2015 18:51:18
2. PRC1 - частный критерий: уел. вероятность i-ro признака сред... Корреляция усл.отн.частот с о... 100.000 26.997 63.499 25.06.2015 19:00:50
2. PRC1 - частный критерий: уел. вероятность i-ro признака сред... Сумма усл.стн.частот по приз... 100.000 0.970 50,485 25.06.2015 19:00:51
3. PRC2 - частный критерий: условная вероятность i-ro признака... Корреляция усл.стн.частот с о... 100.000 27.382 63,691 25.06.2015 19:10:04
3. PRC2 - частный критерий: условная вероятность i-ro признака... Сумма усл.стн.частот по приз... юо.ооа 0.970 50.485 25.06.2015 19:10:05
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 99,308 44,255 72,032 25.06.2015 19:19:37
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в .. Сумма знаний 100.000 1.276 50.638 25.06.2015 19:19:38
5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 99.808 44,167 71.988 25.06.2015 19:29:13
5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний юо.ооа 1.179 50.589 25.06.2015 19:29:13
G. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 100.000 57.158 78,579 25.06.2015 19:38:50
G. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 100.000 57.158 78,579 25.06.2015 19:38:51
7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 97.701 55.694 76,698 25.06.2015 19:48:02
7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний юа.ооа 1.253 50.626 25.06.2015 19:48:03
8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 97.393 55.723 76.808 25.06.2015 19:57:29
8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 100.000 1.154 50,577 25.06.2015 19:57:30
9. INFG - частный критерий: разн.усл.и безусл. вероятностей; вер... Семантический резонанс зна... 100.000 38,261 69.131 25.06.2015 20:06:52
9. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний юо.ооа 1.322 50,661 25.06.2015 20:06:53
10.INF7 • частный критерий: разн.усл.и безусл.вероятностей; ве... Семантический резонанс зна... 100.000 38.184 69,092 25.06.2015 20:16:15
10.INF7 • частный критерий: разн.усл.и безусл.вероятностей; ве... Сумма знаний 100.000 1.198 50,599 25.06.2015 20:16:16
Рисунок 22. Оценка достоверности моделей с помощью непараметрической метрики, сходной с F-критерием
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
19
реши: помощь по режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе "эйдос-х+ъ". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогноэом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,
4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным F-критерием и сходные оценки качества моделей.
Рисунок 23. Help режима 4.1.3.6: пояснение смысла
непараметрической метрики, сходной с F-критерием
Из рисунка 22 мы видим, что наиболее достоверная модель обеспечивает 100% достоверность отнесения объекта к классу, к которому он относится, и 57% достоверность не отнесения объекта к классу, к которому он не относится. При этом объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Это видно из последующих форм.
Затем по нажатию 6-й кнопки «Решение задач идентификации и исследования изображений» получаем экранную форму режима 4.1.3.2 с результатами идентификации объектов с заданным классом (рисунок 24):
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
20
4.1.З.2. Визуализация результатов распознавания а отнпгррнии: "Класс-объекты". Текущая модель: т м мм _ ..ltfB.i-.jHi\шшА]
1 Классы Интегральный критерий сходства: "Семантический резонанс знаний"
II t Наим, класса в HI Код Наименование объекта Сходство |ф.. Сходство Е
1 КЛАСС-0 ... 1 400_Arial Eng Lower b.bmp ... 66,14... V
2 КЛАСС-1 ... 128 400_Courier_HewEngLowerb.bmp ... 64,26... V
3 КЛАСС-2 ... 254 400_Times_New_Roman Eng Lower b.bm... 60,31... V
4 КЛАСС-3 ... — 380 400_Verdana Eng Lower b bmp ... 57,50... V
5 КЛАСС-4 ... 8 400_ArialEngLowerh.bmp ... 49,19... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
6 КЛАСС-5 ... 374 400_Times_New_Roman Rus Upper Ы.Ь... 39,26... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII
7 КЛАСС-6 ... 375 400_Times_New_Roman Rus Upper b.b... 39,26... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
8 КЛАСС-7 ... 386 400_Verdana Eng Lower h.bmp ... 38,45... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
9 КЛАСС-8 ... 398 400_VerdanaEngLowert.bmp ... 36,18... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
10 КЛАСС-9 ... Л I: А Г
11 КЛАСС-Eng Lower а ... Интегральный критерий сходства: "Сумма знаний"
12 КЛАСС-Епд Lower Ь ... 1 HI Код Наименование объекта Сходство |ф.. Сходство Е
13 КЛАСС-Епд Lower с ... | 2 400_Arial Eng Lower b.bmp ... 49,88... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
14 КЛАСС-Епд Lower d ... 128 400_Courier_NewEngLowerb.bmp ... 48,46... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
15 КЛАСС-Епд Lower е ... 254 400_Times_New_Roman Eng Lower b.bm... 45,48... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
16 КЛАСС-Епд Lower f ... 380 400_Verdana Eng Lower b.bmp ... 43,37... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ..
17 КЛАСС-Епд Lower д ... 8 400_ArialEngLowerh.bmp ... 35,09... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
18 КЛАСС-Епд Lower h ... 374 400_Times_New_Roman Rus Upper Ы.Ь... 29,61... IIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
19 КЛАСС-Епд Lower i ... 375 400_Times_New_Roman Rus Upper b.b... 29,61... IIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
20 КЛАСС-Епд Lower j ... 386 400_VerdanaEngLowerh.bmp ... 27,43... IIIIIIIIIIIIIIIIIIIIIIIIIII
21 КЛАСС-Епд Lower k ... 192 400_Courier_N ew R us Lower r. bmp ... 24,90... IIIIIIIIIIIIIIIIIIIIIIII ... jd
II < 1 f л <1 Г ' ► Г
|| Помощь L Поиск объекта В начало БД | В конец БД Предыдущая | Следующая 8 записей Все записи | Печать XLS Печать TXT | Печап-bALL |
т J
Рисунок 24. Результаты идентификации изображений конкретных символов с обобщенным образом класса: «Eng Lower b»
Мы видим, что результаты весьма разумные.
По нажатию 7-й кнопки «Просмотр и запись информационных портретов классов - обобщенных изображений символов» осуществляется отображение на экране и запись в виде файлов:
- описательных шкал и градаций в графической форме (рисунок 24);
- информационных портретов классов, т.е. обобщенных изображений символов, с отображением количества информации в элементе контура с кодированием количества информации в элементе цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым и пурпурным (рисунки 25):
^ Максимальное количество информации Минимальное количество информации *
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
21
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Рисунок 24. Система описательных шкал и градаций в графической форме
Каждая описательная шкала представлена на рисунке 24 определенным радиус-вектором, на котором выделено 10 (как было задано в диалоге в режиме 2.3.2.2) интервальных числовых значений длины радиус-вектора от минимального до максимального в данной шкале. Все они имеют свои коды в которых и закодированы как конкретные изображения, так и обобщенные изображения классов. Но в последних также указано какое количество информации содержится в данном элементе изображения о принадлежности конкретного изображения с этим элементом к данному классу. Ниже приведены система описательных шкал и градаций в графической форме и информационные портреты изображений простых геометрических фигур с рисунка 9, в стилях «Контур» и «Витраж» (рисунки 25):
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
22
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Звезда" В МОДЕЛИ: "Inf1 Стиль: "Контур" Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Квадрат" В МОДЕЛИ: "Infl
Стиль: "Контур" Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КПАСС-Круг" В МОДЕЛИ: "Infl Стиль: "Контур" Стиль: "Витраж"
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
23
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-НАТО" В МОДЕЛИ: "Inf1 Стиль: "Контур" Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Ромб" В МОДЕЛИ: "Inf1
Стиль: "Контур" Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Сердце" В МОДЕЛИ: "Infl Стиль: "Контур" Стиль: "Витраж"
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
24
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Тругольник" В МОДЕЛИ: "Inf1 Стиль: "Контур" Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА: "КЛАСС-Шестиугольник" В МОДЕЛИ: "Inf!
Стиль: "Контур" Стиль: "Витраж"
Рисунок 25. Информационные портреты изображений некоторых символов и геометрических фигур в стилях «Контур» и «Витраж» в системно-когнитивной модели INF1
Решение задачи идентификации.
Результаты сравнения конкретного изображения с обобщенными образами классов приведены в форме на рисунке 26:
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
25
Рисунок 26. Результаты сравнения конкретного изображения с обобщенными образами классов
Решение задачи классификации.
Результаты сравнения друг с другом обобщенных образов классов приведены на рисунках 27:
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
26
Рисунок 27. Результаты сравнения друг с другом обобщенных образов классов
SWOT-анализ изображений.
Характерные и нехарактерные признаки обобщенного изображения класса: «Eng Lower b» приведены на рисунках 28:
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
27
Рисунок 28. Характерные и нехарактерные признаки обобщенного изображения класса: «Eng Lower b»
Парето-оптимизация (абстрагирование).
Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут вообще не учитываться в моделях практически без ущерба для их достоверности (рисунок 29):
Рисунок 29. Общий вид Парето-кривой ценности градаций описательных шкал (элементов контуров изображений) для идентификации конкретных изображений с обобщенными образами классов
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
28
Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно.
Выводы.
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация). Предлагается новый подход к оцифровке изображений, основанный на использовании полярной системы координат, центра тяжести изображения и его контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и поворот. Поэтому, если заданы эти опция, то результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Это означает, что в модели на основе ряда конкретных примеров будет создан один образ каждого класса изображений, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона [3]) - прототип или архетип (в смысле Юнга) изображений. Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах изображения о прототипе, но удаление из них всего несущественного для идентификации (абстрагирование), а также сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию).
Приведен развернутый численный пример АСК-анализа изображений, основанный на изображениях символов различных шрифтов и размеров, созданных с помощью встроенного генератора символов системы «Эйдос». Однако это не является ограничением предлагаемого метода и инструментария, которые разработаны в универсальной постановке, не за-
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
29
висящей от предметной области, и, по мнению авторов, могут быть успешно применены в очень широком круге самых различных предметных областей от ампелографии, до криминалистики. Это планируется сделать в будущих работах.
Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время5, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). В частности с применением предложенной технологии АСК-анализа изображений по их контурам могут быть модифицированы лабораторные работы №1, № 3 [8].
Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (с открытыми исходными текстами) на сайте автора по адресу:
http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Запланировано совершенствование методологии, технологии, методики и программного инструментария АСК-анализа изображений путем обобщения описанного в данной работе подхода.
Литература
1. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ei.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
5 http://lc.kubagro.ru/My training schedule.doc
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
30
2. Луценко Е.В. Синтез и верификация многокритериальной системнокогнитивной модели университетского рейтинга Г ардиан и ее применение для сопоставимой оценки эффективности российских вузов с учетом направления подготовки / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №03(107). С. 1 - 62. - IDA [article ID]: 1071503001. - Режим доступа: http://ei.kubagro.ru/2015/03/pdf/01.pdf. 3,875 у.п.л.
3. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа:
http://ei.kubagro.ru/2009/01/pdf/08.pdf. 0,625 у.п.л.
4. Луценко Е.В. Системно-когнитивный анализ функций и восстановление их значений по признакам аргумента на основе априорной информации (интеллектуальные технологии интерполяции, экстраполяции, прогнозирования и принятия решений по картографическим базам данных) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. -№07(051). С. 130 - 154. - Шифр Информрегистра: 0420900012\0066, IDA [article ID]: 0510907006. - Режим доступа: http://ei.kubagro.ru/2009/07/pdf/06.pdf. 1,562 у.п.л.
5. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ei.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.
6. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ei.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ei.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
8. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд.,перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с. http://elibrary.ru/item.asp?id=21683721
Literatura
1. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragiro-vanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. -
http://ej.kubagro.ru/2015/06/pdf/09.pdf
Научный журнал КубГАУ, №110(06), 2015 года
31
Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.
2. Lucenko E.V. Sintez i verifikacija mnogokriterial'noj sistemno-kognitivnoj modeli
universitetskogo rejtinga Gardian i ee primenenie dlja sopostavimoj ocenki jeffektivnosti ros-sijskih vuzov s uchetom napravlenija podgotovki / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauch-nyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №03(107). S. 1 - 62. - IDA [article ID]: 1071503001. - Rezhim dostupa:
http://ej.kubagro.ru/2015/03/pdf/01.pdf, 3,875 u.p.l.
3. Lucenko E.V. SK-analiz i sistema "Jejdos" v svete filosofii Platona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №01(045). S. 91 - 100. - Shifr Informregistra: 0420900012\0010, IDA [article ID]: 0450901008. - Rezhim dostupa: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 u.p.l.
4. Lucenko E.V. Sistemno-kognitivnyj analiz funkcij i vosstanovlenie ih znachenij po
priznakam argumenta na osnove apriornoj informacii (intellektual'nye tehnologii interpoljacii, jekstrapoljacii, prognozirovanija i prinjatija reshenij po kartograficheskim bazam dannyh) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2009. - №07(051). S. 130 - 154. - Shifr Informregistra: 0420900012\0066, IDA [article ID]: 0510907006. - Rezhim dostupa:
http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1,562 u.p.l.
5. Lucenko E.V. Sistemno-kognitivnyj podhod k sintezu jeffektivnogo alfavita / E.V.
Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2009. - №07(051). S. 109 - 129. - Shifr Informregistra: 0420900012\0067, IDA [article ID]: 0510907005. - Rezhim dostupa:
http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 u.p.l.
6. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
7. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
8. Lucenko E.V. Laboratornyj praktikum po intellektual'nym informacionnym siste-mam: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd.,pererab. i dop. - Krasnodar: KubGAU, 2006. - 318s. http://elibrary.ru/item.asp?id=21683721
Примечание:
Для обеспечения доступа читателей к этим и другим работам они размещены в Internet по адресу: http://lc.kubagro.ru/
http://ej.kubagro.ru/2015/06/pdf/09.pdf
