Автоматизированный системно-когнитивный анализ в агрономии Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8 06.01.00 Агрономия

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В АГРОНОМИИ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57191193316 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Агрономические системы с полным основанием могут рассматриваться как сложные нелинейные многопараметрические природно-технические системы. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, например с применением математического аппарата теории автоматического управления. Вследствие этого, разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Обычно рассматриваются линейные однофакторные модели агрономических систем, тогда как для практики необходимы нелинейные многопараметрические модели. Таким образом, на лицо проблема, которую предлагается решать с применением феноменологических содержательных системно-когнитивных моделей. Эти модели создаются в автоматизированном системно-когнитивном анализе (АСК-анализ) с применением интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных и применяются для решения задач прогнозирования, поддержки принятия решений и исследования моделируемой предметной области. При этом эмпирические данные могут быть большой размерности, неполными (фрагментированными), зашумленными, представленными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Сопоставимость обработки разнородных данных обеспечивается тем, что они все преобразуются в единицы измерения количества информации. Приводится численный пример

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК-АНАЛИЗ СИСТЕМА «ЭЙДОС» Doi: 10.21515/1990-4665-136-011

UDC 004.8 Agronomy

AUTOMATED SYSTEM-COGNITIVE ANALYSIS IN AGRONOMY

Lutsenko Eugeny Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

Scopus Author ID: 57191193316

RSCI SPIN-code: 9523-7101

prof.lutsenko@gmail.com http://lc.kubagro.ru

Kuban State Agrarian University, Krasnodar, Russia

Agronomy systems with good reason can be considered as complex multiparameter natural and technical systems. In these systems, there are numerous and diverse physical, chemical and biological processes. On the one hand, these processes have a significant impact on the performance of these systems. On the other hand, they are extremely difficult to be described in the form of meaningful analytical models based on equations. As a result, the development of meaningful analytical models is associated with a large number of simplifying assumptions that reduce the validity of these models. Usually we consider linear univariate models for agronomic systems, whereas practices are necessary for nonlinear multiparameter models. Thus, we face the problem proposed to be solved by the application of a phenomenological meaningful systemic cognitive models. These models are created using automated system-cognitive analysis (ASC-analysis) using the intellectual system called "Eidos" directly based on empirical data and used for the decision of tasks of forecasting, decision support and research of the modeled subject area. In this case, empirical data can be large, incomplete (fragmented), noisy, presented in different types of measuring scales (nominal, ordinal and numerical) and in different units of measurement. The comparability of the processing of heterogeneous data is ensured by the fact that they are all converted into units of measurement of the amount of information. A numerical example has been given

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, ASC-ANALYSIS, "EIDOS" SYSTEM

СОДЕРЖАНИЕ

1. ВВЕДЕНИЕ (INTRODUCTION)...................................................................................................................2

2. МАТЕРИАЛЫ И МЕТОДЫ (MATERIALS AND METHODS)...............................................................3

2.1. Идея и концепция решения проблемы (задача 1).............................................................................3

2.2. Обоснование выбора метода и инструмента решения проблемы (задача 2)..............................4

2.2.1 Суть метода АСК-анализа..............................................................................................................4

2.2.2. Суть математической модели АСК-анализа и частные критерии..........................................6

2.2.3. Интегральные критерии и принятие управляющих решений....................................................12

2.3. Применение системы «Эйдос»для создания интеллектуального приложения (задача 3) ... 14

2.3.1. Когнитивно-целевая структуризация предметной области....................................................15

2.3.2. Формализация предметной области и описание исходных данных.........................................16

2.3.3. Синтез статистических и системно-когнитивных моделей...................................................25

2.3.4. Верификация статистических и системно-когнитивных моделей.........................................27

2.3.5. Повышение качества модели........................................................................................................30

2.3.6. Выбор наиболее достоверной модели и присвоение ей статуса текущей..............................31

3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ (RESULTS AND DISCUSSION)...................................................33

3.1. Диагностика (классификация, распознавание, идентификация) (задача 3)..........................33

3.2. Исследование предметной области путем исследования ее модели (задача 3)....................35

3.2.1. Нелокальные нейроны и нейронные сети....................................................................................35

3.2.2. Когнитивные диаграммы классов................................................................................................36

3.2.3. Когнитивные диаграммы значений факторов............................................................................38

3.2.4. Когнитивные диаграммы содержательного сравнения классов.............................................39

3.2.5. Когнитивные диаграммы содержательного сравнения значений факторов.........................41

3.2.6. Интегральные когнитивные карты.............................................................................................43

3.2.7. Когнитивные функции...................................................................................................................44

3.3. Поддержка принятия решений (задача 3)........................................................................................47

4. ВЫВОДЫ (CONCLUSIONS).......................................................................................................................52

4.1. Эффективность предложенного решения проблемы (задача 4)..................................................52

4.2. Заключение............................................................................................................................................52

5. БЛАГОДАРНОСТИ (ACKNOWLEDGEMENTS)...................................................................................54

СПИСОК ЛИТЕРАТУРЫ (REFERENCES).................................................................................................54

1. Введение (1п1го^сИоп)

Агрономические системы с полным основанием могут рассматриваться как сложные нелинейные многопараметрические природно-технические системы [1]. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, например с применением математического аппарата теории автоматического управления. Вследствие этого разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Обычно рассматриваются линейные однофакторные модели агрономических систем, тогда как для практики необходимы нелинейные многопараметрические модели.

Таким образом на лицо проблема, которую предлагается решать с применением феноменологических содержательных системно-когнитивных моделей.

Эти модели создаются в автоматизированном системно-когнитивном анализе (АСК-анализ) с применением интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных и применяются для решения задач прогнозирования, поддержки принятия решений и исследования моделируемой предметной области.

При этом эмпирические данные могут быть большой размерности, неполными (фрагментированными), зашумленными, представленными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Сопоставимость обработки разнородных данных обеспечивается тем, что они все преобразуются в единицы измерения количества информации.

Поэтому целью работы является разработка метода системно-когнитивного моделирования агрономических систем.

Для достижения поставленной цели необходимо решить ряд задач, являющихся этапами достижения цели и получаются путем ее декомпозиции:

Задача 1: сформулировать идею и концепцию решения проблемы;

Задача 2: обосновать выбор метода и инструмента решения проблемы;

Задача 3: применить выбранный метод и инструмент для решения поставленной проблемы, для чего выполнить следующие этапы:

3.1. Когнитивная структуризация предметной области.

3.2. Формализация предметной области.

3.3. Синтез и верификация модели.

3.4. Повышение качества модели и выбор наиболее достоверной модели.

3.5. Решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Задача 4: описать эффективность предложенного решения проблемы.

Ниже кратко рассмотрим подходы к решение из этих задач.

2. Материалы и методы (Materials and methods)

2.1. Идея и концепция решения проблемы (задача 1)

Идея решения проблемы состоит в применении для этой цели современных IT-технологий, особенно интеллектуальных технологий.

Концепция решения проблемы конкретизирует

сформулированную выше идею и заключается в применении технологий

искусственного интеллекта для создания приложений, обеспечивающих системно-когнитивное моделирование агрономических систем.

Суть предлагаемой концепции состоит в применении теории информации для того, чтобы рассчитать какое количество информации содержится в тех или иных значениях природных, технологических и конструктивных факторов о том, что моделируемая система перейдет в то или иное будущее состояние, соответствующее определенному классу [2].

При этом будущие состояния объекта моделирования могут характеризоваться как его объективно-наблюдаемыми физическими, химическими, биологическими свойствами, так и натуральными и финансово-экономическими параметрами эффективности, типа количества и качества продукции, прибыль и рентабельность.

Считается, что объект моделирования перейдет в то будущее состояние, о переходе в которое в действующей на него системе значений факторов содержится наибольшее количество информации.

Классы можно сравнивать друг с другом по тому, какое количество информации о принадлежности к ним содержат значения факторов.

2.2. Обоснование выбора метода и инструмента решения проблемы (задача 2)

Автоматизированный системно-когнитивный анализ (АСК-анализ) разработан проф. Е.В. Луценко в 2002 году [3] для решения широкого класса задач идентификации, прогнозирования, классификации, диагностики, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели. АСК-анализ имеет программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос» (система «Эйдос») [4]. Система «Эйдос» разработана автором проф.Е.В.Луценко в универсальной постановке не зависящей от предметной области и находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm, причем с открытыми актуальными исходными текстами: http://lc.kubagro.ш/_АЮ08-Х^. Система имеет 30 встроенных локальных учебных приложений и около 100 облачных Эйдос-приложений учебного и научного характера [5, 21, 22]1.

2.2.1 Суть метода АСК-анализа

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области (рис. 1, 2):

1 http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf

О соотношении содержания понятий: «Данные», «Информация» и «Знания»

С

Рисунок 1. О соотношении содержания понятий: «данные», «информация» и «знания» в АСК-анализе

Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»

Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)

)

Формализация предметной области

Средства кодирования исходных данных

1пр_сЫа, lnp_data.xls

Исходные данные

С1аз8_8с, Сг_С18с

Классификационные шкалы и градации

Ор1в_8с, Сг_Орвс

Описательные шкалы и градации

Решение задач распознавания системной идентификации и прогнозирования

Решение задач управления (поддержки принятия решений)

Решение задач исследования предметной области путем исследования ее модели

Рисунок 2. Последовательность преобразования данных в информацию, а ее в знания в системе «Эйдос»

2.2.2. Суть математической модели АСК-анализа и частные критерии

Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [3, 6] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых (нелинейных) данных [1], представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [2].

Суть математической модели АСК-анализа состоит в следующем.

Будем считать, что нам удалось смоделировать объект моделирования, если мы определили силу и направление влияния каждого значения фактора на объект моделирования.

Представим себе, что факторам соответствуют оси некоторого пространства, которое мы назовем пространством факторов. Факторы будем называть описательными шкалами [2].

Будущие состояния объекта моделирования будем описывать с помощью классификационных шкал, значения которых являются классами и соответствуют конкретным состояниям объекта моделирования.

Таким образом, нам необходимо найти закон отображения пространства значений факторов, действующих на объект моделирования, на пространство будущих состояний объекта моделирования. Подобные отображения называются многомерными функциями, а само отображение в случае евклидова пространства конформным отображением или преобразованием (рисунок 3):

Исходный в11д

Результат пр е о бр аз об аш ш

1

0.5

1 л е и

-0.5

-1

5 -1 -0.5 и 0.5 1 1.5

-1

-1

Шш

•2

-1

О

Конформные преобразования : сетка из лишен Рисунок 3. Конформное отображение (пример)

2 Источник: http://matlab.exponenta.ru/imageprocess/book2/images 38/image004.jpg

Однако для решения поставленной в работе проблемы мы не можем использовать хорошо разработанный математический аппарат непрерывных функций и конформных отображений.

Причины этого просты и очевидны.

Этот аппарат разработан для метрических ортонормированных пространств, т.е. таких пространств, оси координат которых являются числовыми шкалами и взаимно перпендикулярны друг другу, причем размерность этих пространств должна быть одинаковой.

Если говорить о пространстве факторов и пространстве состояний объекта моделирования, то это означает, что все они должны измеряться в некоторых количественных единицах измерения и должны быть независимы друг от друга, т.е. объект моделирования должен быть линейным [1] а количество описательных классификационных шкал должно быть одинаковым.

В нашем же случае пространство факторов и пространство состояний объекта моделирования в общем случае являются неметрическими неортонормированными пространствами, т.е. могут иметь оси, являющиеся не только числовыми шкалами, но и порядковыми, и даже номинальными [2], и эти оси могут быть не взаимно-перпендикулярными друг к другу [2], а количество этих осей в пространстве факторов и пространстве состояний может быть разным.

Математическое моделирование отображений неметрических неортонормированных пространств разной размерности друг на друга является математической проблемой. В теории линейных и конформных преобразований предполагается, что все оси пространств являются числовыми и взаимно-перпендикулярными, а пространства имеют одинаковую размерность.

В нашем же случае:

- факторы могут измеряться в разных типах описательных шкал и единицах измерения;

- будущие состояния объекта моделирования также могут измеряться в разных типах классификационных шкал и в разных единицах измерения;

- количество описательных и классификационных шкал может быть не равным друг другу;

- описательные шкалы могут быть взаимозависимы, и классификационные шкалы также могут быть взаимозависимы.

Поэтому в данной работе предлагается математическое преобразование, которое мы назовем обобщенным конформным отображением.

Для этого необходимо преобразовать номинальные и порядковые шкал в один тип шкал: числовой, и всех шкал в одну единицу измерения. Это преобразование измерительных шкал называется «метризация» [2].

В качестве этой единицы измерения нами выбрана единица измерения количества информации [1-6]. Иначе говоря в математической модели АСК-анализа мы рассчитываем, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния [2]. Причем делается это непосредственно на основе эмпирических данных, которые могут быть большой размерности, фрагментированы, зашумлены и взаимозависимы.

Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (таблица 1).

Таблица 1 - Матрица абсолютных частот

Классы Сумма

1 1 W

Значения факторов 1 N / N

г N Ж ^ = I N 1 =1

М N N 1УМ1 N МЖ

Суммарное количество Признаков по классу п Ж М Nуу= Ц МЪ ¿=1 1=1

Суммарное количество объектов обучающей выборки по классу Ыу Ж NLL = I NL| 1=1

На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).

Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:

1-й способ: в качестве Ыу используется суммарное количество признаков по классу;

2-й способ: в качестве Ыу используется суммарное количество объектов обучающей выборки по классу.

Таблица 2 - Матрица условных и безусловных процентных распределений

Классы Безусловная вероятность признака

1 j W

Значения факторов 1 Pll PU P 11W

i Pl ip ii N N J j P 1 iW P _ Na Ps N SS

M P 1 Ml P P 1 MW

Безусловная вероятность класса Psj

Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3 рассчитываются матрицы системно-когнитивных моделей (таблица 4).

Таблица 3 - Различные аналитические формы частных критериев знаний

Наименование модели знаний и частный критерий Выражение для частного критерия

через относительные частоты через абсолютные частоты

ABS, матрица абсолютных частот — Nj

PRC1, матрица условных и безусловных процентных распределений, в качестве NSJ используется суммарное количество признаков по классу — P - Nj 'J Nj

PRC2, матрица условных и безусловных процентных распределений, в качестве NSj используется суммарное количество объектов обучающей выборки по классу — P Ii N N

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен Ij =Y* Log 2 P NijN Ij - YxLog2—j— j NN i J

признак, то это i-й признак

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j -го класса, то у него будет обнаружен i-й признак. Ij = Yx Log, P N,,N I ,, =Yx Log 2 1 NN, 1 ]

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — NN, I = N.. 1 1 I] 11 N

INF4, частный критерий: ROI -Return On Investment, 1-й вариант расчета вероятностей: Nj -суммарное количество признаков по j-му классу P P - P I = J 1 = J 1 j P P N.N I,, = 1 1 I] NN.

INF5, частный критерий: ROI -Return On Investment, 2-й вариант расчета вероятностей: Nj -суммарное количество объектов по j-му классу P.. P - P Ij = J 1 = J ' j P P N.N I,, = 1 1 I] NN.

INF6, частный критерий: разность условной и безусловной вероятностей, 1 -й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу P, = P - P P = N N IJ N. N

INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу P] = P] - P j = Nj N I] Nj N

Обозначения к таблице 3:

I - значение прошлого параметра;

j - значение будущего параметра;

Ыц - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра;

М- суммарное число значений всех прошлых параметров;

Ж - суммарное число значений всех будущих параметров.

N - количество встреч 1-м значения прошлого параметра по всей выборке;

N - количество встреч ]-го значения будущего параметра по всей выборке;

N - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра по всей выборке.

1у - частный критерий знаний: количество знаний в факте наблюдения ¡-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее ]-му значению будущего параметра;

¥ - нормировочный коэффициент [1], преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Р- безусловная относительная частота встречи ¡-го значения прошлого параметра в обучающей выборке;

Рц - условная относительная частота встречи ¡-го значения прошлого параметра при Ц-м значении будущего параметра .

Таблица 4 - Матрица системно-когнитивной модели

Классы Значимость фактора

1 1 W

Значения факторов 1 11Ж ^12 = ^ 1 ш 2 ш-1У -1)

г 1,1 1ц 1 ш 2 1 У (I■■ -I) ш -1 ■¡Г"

М 1М1 1мц 1мш = 2 1 ш 2 ш-1У (1мц 1м)

Степень редукции класса 1 ш м . ,2 н = 2 1 УУ [I, I) \ (Ш ■ м -1) Ц=1 у

Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников [2].

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели [1-6].

Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два интегральных критерия, кратко описанные ниже.

2.2.3. Интегральные критерии и принятие управляющих решений

Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.

Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы в будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев. В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:

- сумма знаний;

- резонанс знаний.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

I, = (I,, I).

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

М

Р = 11^ >

¡=1 ,

где: М - количество градаций описательных шкал (признаков);

= {1у } - вектор состояния )-го класса;

^ = {Ц} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

I

1, если I - й фактор действует;

п, где: п > 0, если г - й фактор действует с истинностью п; 0, если I - й фактор не действует.

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:

1

1 ооМ 1=1

М / \ / ч

£ {I-/- ){г - Г),

где: М

ь

О:

- количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

среднеквадратичное отклонение частных критериев знаний

вектора класса;

О

среднеквадратичное отклонение по вектору распознаваемого

объекта.

= {1у } - вектор состояния )-го класса;

Ь1 = {Ь1} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

1, если г - й фактор действует;

п, где: п > 0, если г - й фактор действует с истинностью п; 0, если г - й фактор не действует.

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п,

1 =

т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Система «Эйдос» обеспечивает построение информационно-измерительных систем в различных предметных областях. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.

Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его системно-когнитивной модели.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария интеллектуальной системы «Эйдос» [4] в качестве инструментария решения поставленной проблемы.

2.3. Применение системы «Эйдос»для создания интеллектуального приложения (задача 3)

Для этого в качестве примера для создания интеллектуального приложения в области агрономии рассмотрим фирму, занимающуюся производством и переработкой сельскохозяйственной различной продукции, находящуюся в Краснодарском крае. Из всех видов продукции, производимых фирмой, для исследования мы выбрали озимую пшеницу. Необходимо отметить, что как выбор для исследования фирмы определенного направления деятельности, так и выбор конкретного вида продукции фирмы, является непринципиальным с точки зрения разрабатываемой методики, т.е. все разрабатываемые интеллектуальные технологии применимы и для фирм с другими направлениями и объемами деятельности и другими видами продукции и услуг.

Решение задачи 3 предполагает выполнение следующих этапов, стандартных для АСК-анализа:

- когнитивная структуризация предметной области;

- формализация предметной области;

- синтез и верификация модели;

- повышение качества модели и выбор наиболее достоверной модели http://ej .kubagro.ru/2018/02/pdf/11 .pdf

- решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Все эти этапы АСК-анализа, за исключением 1-го, автоматизированы в системе «Эйдос». Рассмотрим их в порядке исполнения в новой версии системы «Эйдос», основываясь на работе [7].

2.3.1. Когнитивно-целевая структуризация предметной области

На этом этапе мы должны решить, что будем рассматривать как факторы, а что как результаты их действия. Это единственный неформализованный и не реализованный программно в системе «Эйдос» этап АСК-анализа.

На этом этапе было решено рассматривать:

в качестве следствий, т.е. классов - основные результирующие

хозяйственные и экономические показатели деятельности фирмы: Урожайность (ц/га). Качество.

Прибыль (тыс.руб./га). Прибыль (тыс.руб/поле). Удельная прибыль (тыс.у.е./поле). Удельная прибыль (у.е./га).

в качестве причин (факторов): - различные агротехнологические факторы:

Площадь поля (га) . Сорт озимой пшеницы. Предшественник 1 год назад. Предшественник 2 года назад. Предшественник 3 года назад. Предшественник 4 года назад. Предшественник 5 лет назад. Предшественник 6 лет назад. Предшественник 7 лет назад. Предшественник 8 лет назад. Предшественник 9 лет назад. Предшественник 10 лет назад. Обработка почвы (способ и глубина (см)) Посев (способ и норма высева (кг/га)) Основные внесенные удобрения (кг/га д.в.) Борьба с вредителями (препарат и доза) Борьба с сорняками (препарат и доза) Подкормка при севе

1-я подкормка

2-я подкормка

3-я подкормка

Микро и макро элементы (снижение стресса) Борьба с болезнями (препарат и доза).

2.3.2. Формализация предметной области и описание исходных данных

Формализация предметной области включает конструирование классификационных и описательных шкал и градаций и кодирование исходных данных с их применением, т.е. подготовку обучающей выборки.

В системе «Эйдос» эта работа полностью автоматизирована в универсальном программном интерфейсе ввода данных из внешних баз данных.

Исходные данные имеют вид (таблица 5):

Таблица 5 - Excel-файл исходных данных

Таблица исходных данных приведена с высоким разрешением (1200 dpi) и вполне читабельна при масштабе просмотра 500%. В виде Excel-файла она находится на FTP-сервере облачных Эйдос-приложений по ссылке: http://aidos.byethost5.com/Source_data_applications/Applications-000006/Inp data.xls.

Для установки данного приложения можно воспользоваться либо приведенной выше ссылкой для скачивания файла исходных данных (в этом случае его надо записать в папку: ..\Aidos-X\AID_DATA\Inp_data\Inp_data.xls), либо установить это приложение средствами системы «Эйдос». Для этого в диспетчере приложений системы «Эйдос» (режим 1.3) нужно скачать и установить облачное Эйдос-приложение с этим файлом исходных данных (оно является 6-м в каталоге) (рисунок 4):

Рисунок 4. Экранная форма каталога облачных Эйдос-приложений

Для ввода этих исходных данных в систему «Эйдос» используем режим 2.3.2.2 с указанными параметрами (рисунок 5):

2,3.2,2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х++

I в [-¿W

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_Е1а1а"

~ Задайте параметры:—

Стандарт XLS -Файла

Задайте тип Файла исходных данный: "lnp_data": а &LS ■ MS Ехсе]-2ВД Г XLSX- MS Excel-2007(2010) Г DBF ■ DBASE IV (DBF/NTX) Стандарт DBF-файла

Г" CSV ■ Comma-Separated Values Стандарт CSV-файла

(• Нули и пробелы считать ОТСУТСТВИЕМ данных Г" Н у ли и пробелы считать ЗНАЧ Е Н И Я М И данных ^ Создавать БД средних по классам "lnp_davг.dbf"? Требования к файлу исходных данных

Задайте диапазон столбцов классификационных шкал: Н анальный' столбец классификационных шкал: j 2 Конечный столбец классификационных шкал: ] 7*

—Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:

—Задайте режим:-С* Формализации предметной области (на основе "lnp_data") С Генерации распознаваемой выборки (на основе "1пр_га5р")

Задайте способ выбора размера интервалов: (• Равные интервалы с разным числом наблюдений С Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_data":^ С* Не применять сценарный метод АСК-анализа С Применить сценарный метод АСК-анализа

Г Применить спец.интерпретацию текстовым полей классов Г" Применить спец.интерпретацию текстовых полей признаков

Параметры интерпретации значений текстовых полей "1пр_(1а*а":

Интерпретация ТХТ-полей классов:-

Значения полей текстовых классификационных шкал Файла

исходных данных "lnp_data" рассматриваются как целое

Интерпретация ТХТ-полей признаков:

Значения полей текстовых описательных шкал Файла

исходных данных "lгlp_data,, рассматриваются как целое

-Какие наименования ГРАДАЦИЙ числовых шкал использовать:

С* Только интервальные числовые значения (например; "1 /3-{59873.0000000,178545.6666667}")

С Только наименования интервальных числовых значений (например: "Минимальное")

С И интервальные числовые значения., и их наименования (например: "Минимальное: 1 /3-{59873.0000000,178545.6666667}")

Ok

Cancel

Рисунок 5. Экранная форма универсального программного интерфейса импорта данных в систему «Эйдос»

Таблица 5 полностью соответствует требованиям этого программного интерфейса, описанным в его Help (рисунок 6):_

Помощь по режиму 2.3.2.2 для. случая Excef-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных ■lnp_data.xls" в систему иЭйдос-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 ХЬБ или ХЬБХ-Файла с исходными данными приведенного ниже стандарта.

- Файл исходных данный должен иметь имя: INP_DATA.XLS или 1МР_0АТА.Х1_5Х и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INР'_Р АЗ P.XLS или INP.RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XI.SX] и INP_RASP.XLS или ШР.НАЭР. Х1_5Х) должны находиться в папке /'А! 00 Б-Х/А!0_[|ДТА/1 пр_с1а1а/ 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 веек колонка;-;, 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 Ехсе1-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 364 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 котя 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 М-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), характеризующим объекты обучающей выборки.

- В результате работы режима Формируется файл INP_NAME.TXT стандарта М5 РОЭ (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 МР_С'АТА 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 ШР_ПА6Р 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 1МР_ЯА5Р были пустыми, Структура Файла INР_ЯАЭР должна быть такая же, как 1МР_0АТА, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могцг иметь разное количество строк.

Принцип организации таблицы исходных данных:

Наименование объема обучающей выборки Наименование Т*й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкапы Наименование г-й описательной шкалы

-й объект обучающей зыборки Значение показателя Значение показателя Значение показателя Значение показателя

2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

... ... ... ...

fljj^J Cancel

Рисунок 6. HELP универсального программного интерфейса импорта данных в систему «Эйдос»

Отметим, что действующие факторы и их конкретные значения описываются колонками 8-30 файла исходных данных (описательные шкалы), приведенного в таблице 1, а результаты действия этих факторов -колонками 2-7 (классификационные шкалы).

В данном случае в таблице исходных данных есть и текстовые, и числовые классификационные и описательных шкалы.

При нажатии на 'ОК' на экранной форме, представленной на рисунке 4, система «Эйдос» загружает Ехсе1-файл исходных данных, анализирует его и выводит экранную форму внутреннего калькулятора, представленную на рисунке 7:

Рисунок 7. Внутренний калькулятор универсального программного интерфейса импорта данных в систему «Эйдос»

При выходе на создание модели происходит нормализаций базы исходных данных и формирование обучающей выборки (базы событий). Стадия исполнения и его результаты отражены на экранной форме, приведенной на рисунке 8.

в ИИ

23.2.2. Процесс импорта даннь :■. из внешней БД 1 Ъ^сЫа' б систему ЭЙДОС-Хч—"

Стадии исполнения процесса

1/3: Формирование классификационных и описательных шкал и градаций на основе ЕЛ "!пр_с!а(а" - Готово 2/3 Генерация обучающей выборки и базы событий :|Еуеп(5К0" на основе БД "1пр_с1а(а|! - Готово 3/3: Переиндексация всех баз данных нового приложения - Гот обо

ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!

Прогноз времени исполнения

Начало: 08:57:02 Окончание: 0:57:04

Прошло: 0:00:02 Осталось: 0:00:00

0к

Рисунок 8. Отчет о формируемых классификационных и описательных шкалах и градациях

Из этой экранной формы видно, что ввод в систему «Эйдос» исходных данных занял 2 секунды.

Ниже приведены классификационные и описательные шкалы и градации (таблицы 6 и 7), а также обучающая выборка (рисунок 9):

Таблица 6 - Классификационные шкалы и градации

KOD CLS NAME CLS

1 УРОЖАИНОСТЬ(Ц/ГА)-1 /3-{32.1000000, 45.9333333}

2 УР ОЖА Й НОСТЬ(Ц/ГА)-2/3-{45.9333333, 59.7666667}

3 УР ОЖА Й НОСТЬ(Ц/ГА)-3/3-{59.7666667, 73.6000000}

4 КАЧЕСТВО-1 класс

5 КАЧЕСТВО-2 класс

6 КАЧЕСТВО-3 класс

7 КАЧЕСТВО-4 класс

8 КАЧЕСТВО-5 класс

9 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/3-{1.6000000, 7.7666667}

10 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/3-{7.7666667, 13.9333333}

11 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/3-{13.9333333, 20.1000000}

12 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-1/3-{126.0000000, 973.6000000}

13 ПРИБЫЛЬ (ТЫС. РУБ/П ОЛ Е)-2/3-{973.6000000, 1821.2000000}

14 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/3-{1821.2000000, 2668.8000000}

15 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/3-{4.2190000, 41.4893333}

16 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/3-{41.4893333, 78.7596667}

17 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/3-{78.7596667, 116.0300000}

18 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/3-{57.4757282, 329.6112698}

19 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/3-{329.6112698, 601.7468113}

20 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/3-{601.7468113, 873.8823529}

Таблица 7 - Описательные шкалы и градации

KOD ATR NAME ATR

1 ПЛОЩАДЬ (ГА)-1/12-{49.0000000, 56.5000000}

2 ПЛОЩАДЬ (ГА)-2/12-{56.5000000, 64.0000000}

3 ПЛОЩАДЬ (ГА)-3/12-{64.0000000, 71.5000000}

4 ПЛОЩАДЬ (ГА)-4/12-{71.5000000, 79.0000000}

5 ПЛОЩАДЬ (ГА)-5/12-{79.0000000, 86.5000000}

6 ПЛОЩАДЬ (ГА)-6/12-{86.5000000, 94.0000000}

7 ПЛОЩАДЬ (ГА)-7/12-{94.0000000, 101.5000000}

8 ПЛОЩАДЬ (ГА)-8/12-{101.5000000, 109.0000000}

9 ПЛОЩАДЬ (ГА)-9/12-{109.0000000, 116.5000000}

10 ПЛОЩАДЬ (ГА)-10/12-{116.5000000, 124.0000000}

11 ПЛОЩАДЬ (ГА)-11 /12-{124.0000000, 131.5000000}

12 ПЛОЩАДЬ (ГА)-12/12-{131.5000000, 139.0000000}

13 СОРТ ОЗИМ.ПШЕНИЦЫ-Батько

14 СОРТ ОЗИМ.ПШЕНИЦЫ-Вита

15 СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг

16 СОРТ ОЗИМ.ПШЕНИЦЫ-Грация

17 СОРТ ОЗИМ.ПШЕНИЦЫ-Дея

18 СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95

19 СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок

20 СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна

21 СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99

22 СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка

23 СОРТ ОЗИМ.ПШЕНИЦЫ-Купава

24 СОРТ ОЗИМ.ПШЕНИЦЫ-Лира

25 СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич

26 СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани

27 СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка

28 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия

29 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита

30 СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50

31 СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка

32 СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта

33 СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка

34 СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка

35 СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка

36 СОРТ ОЗИМ.ПШЕНИЦЫ-Таня

37 СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна

38 СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка

39 СОРТ ОЗИМ.ПШЕНИЦЫ-Финт

40 СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна

41 СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо

42 ПРЕДШЕСТ. 1 -горох

43 ПРЕДШЕСТ. 1-кук.зерно

44 ПРЕДШЕСТ. 1-кук.силосная

45 ПРЕДШЕСТ. 1-мног.травы

46 ПРЕДШЕСТ. 1-озим.пшеница

47 ПРЕДШЕСТ. 1-подсолнечник

48 ПРЕДШЕСТ. 1-сах.свекла

49 ПРЕДШЕСТ. 1 -соя

50 ПРЕДШЕСТ. 2-горох

51 ПРЕДШЕСТ. 2-кук.зерно

52 ПРЕДШЕСТ. 2-кук.зерновая

53 ПРЕДШЕСТ. 2-кук.силосная

54 ПРЕДШЕСТ. 2-мног.травы

55 ПРЕДШЕСТ. 2-озим.пшеница

56 ПРЕДШЕСТ. 2-озим.ячмень

57 ПРЕДШЕСТ. 2-подсолнечник

58 ПРЕДШЕСТ. 2-сах.свекла

59 ПРЕДШЕСТ. 3-горох

60 ПРЕДШЕСТ. 3-кук.зерно

61 ПРЕДШЕСТ. 3-кук.зерновая

62 ПРЕДШЕСТ. 3-кук.силосная

63 ПРЕДШЕСТ. 3-мног.травы

64 ПРЕДШЕСТ. 3-озим.пшеница

65 ПРЕДШЕСТ. 3-озим.ячмень

66 ПРЕДШЕСТ. 3-подсолнечник

67 ПРЕДШЕСТ. 3-сах.свекла

68 ПРЕДШЕСТ. 3-соя

69 ПРЕДШЕСТ. 3-яров.ячмень

70 ПРЕДШЕСТ. 4-кук.зерно

71 ПРЕДШЕСТ. 4-кук.зерновая

72 ПРЕДШЕСТ. 4-кук.силосная

73 ПРЕДШЕСТ. 4-мног.травы

74 ПРЕДШЕСТ. 4-озим.пшеница

75 ПРЕДШЕСТ. 4-озим.ячмень

76 ПРЕДШЕСТ. 4-подсолнечник

77 ПРЕДШЕСТ. 4-сах.свекла

78 ПРЕДШЕСТ. 5-горох

79 ПРЕДШЕСТ. 5-кук.зерно

80 ПРЕДШЕСТ. 5-кук.зерновая

81 ПРЕДШЕСТ. 5-кук.силосная

82 ПРЕДШЕСТ. 5-мног.травы

83 ПРЕДШЕСТ. 5-озим.пшеница

84 ПРЕДШЕСТ. 5-озим.ячмень

85 ПРЕДШЕСТ. 5-подсолнечник

86 ПРЕДШЕСТ. 5-сах.свекла

87 ПРЕДШЕСТ. 5-яров.ячмень

88 ПРЕДШЕСТ. 6-горох

89 ПРЕДШЕСТ. 6-кук.зерно

90 ПРЕДШЕСТ. 6-кук.зерновая

91 ПРЕДШЕСТ. 6-кук.силосная

92 ПРЕДШЕСТ. 6-мног.травы

93 ПРЕДШЕСТ. 6-озим.пшеница

94 ПРЕДШЕСТ. 6-озим.ячмень

95 ПРЕДШЕСТ. 6-подсолнечник

96 ПРЕДШЕСТ. 6-сах.свекла

97 ПРЕДШЕСТ. 6-яров.ячмень

98 ПРЕДШЕСТ. 7-горох

99 ПРЕДШЕСТ. 7-кук.зерно

100 ПРЕДШЕСТ. 7-кук.зерновая

101 ПРЕДШЕСТ. 7-кук.силосная

102 ПРЕДШЕСТ. 7-мног.травы

103 ПРЕДШЕСТ. 7-озим.пшеница

104 ПРЕДШЕСТ. 7-озим.ячмень

105 ПРЕДШЕСТ. 7-подсолнечник

106 ПРЕДШЕСТ. 7-сах.свекла

107 ПРЕДШЕСТ. 7-яров.ячмень

108 ПРЕДШЕСТ. 8-горох

109 ПРЕДШЕСТ. 8-кук.зерно

110 ПРЕДШЕСТ. 8-кук.зерновая

111 ПРЕДШЕСТ. 8-кук.силосная

112 ПРЕДШЕСТ. 8-мног.травы

113 ПРЕДШЕСТ. 8-озим.пшеница

114 ПРЕДШЕСТ. 8-озим.ячмень

115 ПРЕДШЕСТ. 8-подсолнечник

116 ПРЕДШЕСТ. 8-сах.свекла

117 ПРЕДШЕСТ. 8-яров.ячмень

118 ПРЕДШЕСТ. 9-горох

119 ПРЕДШЕСТ. 9-кук.зерно

120 ПРЕДШЕСТ. 9-кук.зерновая

121 ПРЕДШЕСТ. 9-кук.силосная

122 ПРЕДШЕСТ. 9-мног.травы

123 ПРЕДШЕСТ. 9-озим.пшеница

124 ПРЕДШЕСТ. 9-озим.ячмень

125 ПРЕДШЕСТ. 9-подсолнечник

126 ПРЕДШЕСТ. 9-сах.свекла

127 ПРЕДШЕСТ. 9-яров.ячмень

128 ПРЕДШЕСТ. 10-горох

129 ПРЕДШЕСТ. 10-кук.зерно

130 ПРЕДШЕСТ. 10-кук.зерновая

131 ПРЕДШЕСТ. 10-кук.силосная

132 ПРЕДШЕСТ. 10-мног.травы

133 ПРЕДШЕСТ. 10-озим.пшеница

134 ПРЕДШЕСТ. 10-озим.ячмень

135 ПРЕДШЕСТ. 10-подсолнечник

136 ПРЕДШЕСТ. 10-сах.свекла

137 ПРЕДШЕСТ. 10-яров.ячмень

138 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 10-12

139 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 12-14

140 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 8-10

141 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование в два следа 8-10

142 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование в три следа 8-10

143 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 20-22

144 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 20-25

145 ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 25-27

146 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-перекрестная 306

147 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-перекрестный 273

148 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 178

149 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 201

150 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 202

151 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 207

152 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 209

153 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 211

154 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 214

155 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 215

156 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 216

157 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 218

158 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 221

159 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 223

160 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 226

161 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 228

162 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 230

163 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 231

164 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 234

165 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 235

166 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 237

167 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 238

168 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 239

169 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 240

170 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 241

171 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 242

172 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 245

173 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 246

174 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 247

175 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 248

176 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 249

177 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 250

178 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 253

179 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 254

180 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 256

181 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 258

182 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 259

183 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 264

184 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 267

185 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 270

186 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 271

187 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 274

188 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 276

189 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 287

190 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 288

191 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 296

192 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 301

193 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 303

194 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 308

195 ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 320

196 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)- Ам.селитра-2ц/га ,N-34

197 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Аммофос-1ц/га, N-8, Р-34, Хлор.калий-1ц/га, К-78

198 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Аммофос-1ц/га, Хлор.калий-1ц/га, N-8, Р-34, К-64

199 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Аммофос-2,3ц/га ,N-42, Р-118, Хлор.калий-1ц/га, К-93

200 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Аммофос-2,5ц/га ,N-36, Р-103, Хлор.калий-1ц/га,К-65

201 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Аммофос-2ц/га, N-15, Р-62

202 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммоска-2ц/га, Калий-1ц/га, N-20, Р-52, К-52

203 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-1,5ц/га, N-16, Р-42, К-42

204 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-1,5ц/га, N-29, Р-75

205 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-1ц/га^-12, Р-30

206 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га ,N-15 Р-62

207 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га ,N-24, Р-62, Хлор.калий-1 ц/га, К-62

208 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-20, Р-52, Хлор.калий-1 ц/га , К-52

209 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-20, Р-52, Хлор.калий,К-52

210 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-20, Р-52,Хлор.калий-1 ц/га, К-52

211 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-21, Р-54, Хлор.калий, К-54

212 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-29, Р-75

213 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, N-29, Р-75, Хлор.калий-1 ц/га, К-75

214 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га, Калий-1ц/га, N-20, Р-52, К-52

215 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Диаммофоска-2ц/га,Калий-1ц/га N-30, Р-78, К-78

216 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Хлор.калий, К-37,8, Диаммофоска, N-16, Р-42, К-42

217 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Хлор.калий, К-61,6, Аммофос, N-17,3, Р-75,3

218 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Хлористый калий-1ц/га, К-67, Аммофос-2ц/га, N-15, Р-68

219 ОСНОВН. ВНЕСЕН. УДОБ.(КГ/ГА Д.В.)-Хлористый калий, К-67, Диаммофоска, N-15, Р-68

220 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Акору-100г/га

221 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Альтера-100г/га, Варат-4,5кг/га

222 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Альтера-100г/га, Парашют-5л/га, Варат-3,2кг/га

223 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Альфацин-100г/га

224 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Бром БД-0,37л/га, Варат-3,6кг/га, Альфацин-100

225 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Бром БД-0,3л/га, Клерат-3,4кг/га, Альфацин-100

226 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Бром БД-0,8л/га, Альфацин-100г/га, Данодин-0,5

227 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-12,6кг/га, Альфацин-100г/га

228 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-2,8кг/га, Альфацин-100г/га, Демитоат-0,5

229 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-3,4/кг/га, Альтера- 100г/га, Парашют-0,5

230 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-3,7кг/га, Альфацин-100г/га

231 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-6,8гр/га, Анорд-100г/га, Парашют-0,5л/га

232 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Варат-7,6кг/га, Альфацин-100г/га

233 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Данодим- 500г/га

234 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Данодим-500г/га

235 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Данодим-500г/га, Кристалон-1 кг/га

236 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Клерат-4кг/га, Альтера-100г/га

237 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Лямбда-100г/га

238 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Радикум-0,6л/га, Альфацин-100г/га

239 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Фостак-100г/га

240 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Фосфид-цинка-0,011г/га

241 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Циткор-100г/га, Рогор-500г/га

242 БОРЬБА С ВРЕДИТ(ПРЕПАРАТ И ДОЗА)-Циткор-100г/га, Рогор-С-500г/га

243 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-2,4Д.ам.соль-50%-1,3кг/га

244 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-2,4Д.ам.соль-50%-13,кг/га

245 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-2,4Д.ам.соль-50% 1,2кг

246 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Дианат-0,2л/га, Гранстар-про-15г/га

247 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Дикамерон-200г/га

248 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Луварам-1,6кг/га

249 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Луварам 1,6кг/га

250 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Секатор-160г/га

251 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Эстерон-0,8л/га

252 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Эстерон-08л/га

253 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Эстерон-800г/га, Тиллура-био-2л/га

254 БОРЬБА С СОРНЯКАМИ(ПРЕПАРАТ И ДОЗА)-Эстерон-800г/га; Тилура-био-2л/га.

255 ПОДКОРМКА ПРИ СЕВЕ- Ам.селитр

256 ПОДКОРМКА ПРИ СЕВЕ-Ам.селитра

257 ПОДКОРМКА ПРИ СЕВЕ-Ам.силитра

258 ПОДКОРМКА ПРИ СЕВЕ-Аммофос-0,

259 ПОДКОРМКА ПРИ СЕВЕ-Аммофос-2ц

260 ПОДКОРМКА ПРИ СЕВЕ-Диаммофоск

261 1-Я ПОДКОРМКА- Ам.селитра-1,5кг/га ,N-34

262 1-Я ПОДКОРМКА- Ам.селитра-1,5ц/га, N-38,2

263 1-Я ПОДКОРМКА- Ам.селитра-1 ц/га^-17

264 1-Я ПОДКОРМКА- Ам.селитра-2,5ц/га , N-65

265 1-Я ПОДКОРМКА- Ам.селитра-2,5ц/га, N-68,8

266 1-Я ПОДКОРМКА- Ам.селитра-2ц/га, N-68,8

267 1-Я ПОДКОРМКА- Ам.селитра-2ц/га^-51

268 1-Я ПОДКОРМКА-Ам.селитра-1,3ц/га, N-28

269 1-Я ПОДКОРМКА-Ам.селитра-1,3ц/га, N-36,6

270 1-Я ПОДКОРМКА-Ам.селитра-1,3ц/га, N-37,8

271 1-Я ПОДКОРМКА-Ам.селитра-1,3ц/га, N25

272 1-Я ПОДКОРМКА-Ам.селитра-1,5ц/га ,N-34

273 1-Я ПОДКОРМКА-Ам.селитра-1,5ц/га ,N-35,5

274 1-Я ПОДКОРМКА-Ам.селитра-1,5ц/га ,N-37

275 1-Я ПОДКОРМКА-Ам.селитра-1,5ц/га, N-34

276 1-Я ПОДКОРМКА-Ам.селитра-1,5ц/га, N-37,8

277 1-Я ПОДКОРМКА-Ам.селитра-1,7ц/га, N-54

278 1-Я ПОДКОРМКА-Ам.селитра-1 ц/га, N-21

279 1-Я ПОДКОРМКА-Ам.селитра-1 ц/га^-25,5

280 1-Я ПОДКОРМКА-Ам.селитра-2,1ц/га, N-70

281 1-Я ПОДКОРМКА-Ам.селитра-2ц/га , N-78

282 1-Я ПОДКОРМКА-Ам.селитра-2ц/га ,N-51

283 1-Я ПОДКОРМКА-Ам.селитра-2ц/га ,N-57

284 1-Я ПОДКОРМКА-Ам.селитра-2ц/га, N-64

285 1-Я ПОДКОРМКА-Ам.селитра-2ц/га, N-68

286 1-Я ПОДКОРМКА-Ам.селитра-2ц/га, N-68,8

287 1-Я ПОДКОРМКА-Ам.селитра-2ц/га, N-71,2

288 1-Я ПОДКОРМКА-Ам.селитра-2ц/га,N-61,7

289 1-Я ПОДКОРМКА-Ам.силитра-2,5ц/га, N-68

290 1-Я ПОДКОРМКА-Ам.силитра-2ц/га, N-68,8

291 2-Я ПОДКОРМКА- Ам.селит

292 2-Я ПОДКОРМКА- Ам.селитр

293 2-Я ПОДКОРМКА-Ам.селитра

294 3-Я ПОДКОРМКА-Мочевина-48кг/га

295 3-Я ПОДКОРМКА-Мочевина-50кг/га

296 3-Я ПОДКОРМКА-Мочевина-50кг/га,

297 МИКРО И МАКРО ЭЛЕМЕНТЫ(СНИЖЕНИЕ СТРЕСА)-Акварин-2кг/га

298 МИКРО И МАКРО ЭЛЕМЕНТЫ(СНИЖЕНИЕ СТРЕСА)-Акварин-4кг/га

299 МИКРО И МАКРО ЭЛЕМЕНТЫ(СНИЖЕНИЕ СТРЕСА)-Кристалон-2кг/га

300 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Гуманат калия-0,5л/га, Рекс-дуо-0,3л/га

301 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Дерозал-Евро-0,6г/га

302 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Рекс-дуо-0,3л/га, Фалькон-0,3л/га

303 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Рекс-дуо-0,4г/га

304 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Рекс-дуо-0,5л/га

305 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Рекс-дуо-0,6г/га

306 БОРЬБА С БОЛЕЗНЯМИ(ПРЕПАРАТ И ДОЗА)-Фалькон-0,5л/га

Обучающая выборка представляет собой базу исходных данных (таблица 5), нормализованную (закодированную) с помощью созданных классификационных и описательных шкал (таблицы 6 и 7) (рисунок 9):

Рисунок 9. Обучающая выборка (фрагмент) Ь«р://д .kubagro.rU/2018/02/pdf/11 .р^

Таким образом созданы все необходимые и достаточные условия для выполнения следующего этапа АСК-анализа: т.е. для синтеза и верификации моделей.

2.3.3. Синтез статистических и системно-когнитивных моделей

Синтез и верификация моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунок 10).

Стадия процесса исполнения синтеза и верификации моделей и прогноз времени его окончания отображается на экранной форме (рисунок 11):

Рисунок 10. Экранная форма режима синтеза и верификации моделей системы «Эйдос»

Рисунок 11. экранная форма с отображением стадия процесса исполнения синтеза и верификации моделей и прогноза времени его окончания

Из рисунка 11 видно, что весь процесс синтеза и верификации статистических и системно-когнитивных моделей занял 2 минуты 39 секунд. Фрагменты некоторых из этих моделей приведены на рисунках 1214:

1« II ,|ГМ

Код Наименование опи&ательНсй УРОЖАЙНО,. 1/3 йг-1,. 45.9} % КАЧЕСТВО 1 КЛАСС КАЧЕСТВО 2КЛАСС т< КАЧЕСТВО. З.КЛАСС Й?" КАЧЕСТВО 4 КЛАСС В: НАЧЕСТВО 5 КЛАСС 8,- ПРИБЬШЬ (ТЫС.РУБ./Г... 1/3 {1.6, 7.83. 10:: ПРИБЫЛЬ (тыШЫп... 2/3 Ш 13.9} ПРИБЫЛЬ (тыс. Руб./г... 3/3 113.9, 20.1}

П Л ОЩАДЬ 1ГА]-1 Л 2-{49. 0000000.56.5000000} 2 4 3 1 2 3 3 6 2 1 9

2 ПЛОЩАДЬ (ГА)-2Л 2-{56.5000000.64.0000000} 1 1 3 2 2 1 1 4 5

3 ПЛ ОЩАДЬ [ГА1-ЗЛ 2-{64.0000000.71.5000000} 4 5 3 1 € 5 10 1 1 11

4 ПЛОЩАДЬ (ГА]-4Л 2-{71.5000000.79.0000000} 4 7 3 1 4 6 1 в 5 1 12

5 ПЛ ОШАДЬ (ГА;)-5Л 2-{79.0000000.86.5000000} 2 2 2 1 2 2 1 3 2 1 5

6 ПЛОШАДЬ (ГА)-6Л 2-{В6.5000000.94.0000000}

7 П Л ОЩА ДЬ 1.ГА1-7/12-{Э4.0000000,101.5000000}

8 ПЛОЩАДЬ (ГА)-8/12-{101.5000000,109.0000000} ... 4 9 2 3 2 7 3 9 5 1 10

Э ПЛОЩАДЬ (ГА)-9Л2-{109.0000000,116.5000000} ... 5' 5 4 2 3 7 2 1 5 2 8

10 ПЛОЩАДЬ (ГА)-10Л 2-{116.5000000,124.0000000) ...

11 ПЛОЩАДЬ (ГА)-11Л 2-{124.0000000,131.5000000) ... 4 6 2 3 1 3 1 3 7

12 ПЛОЩАДЬ (ГА)-12Л 2-{131.5000000.139.0000000) ... 1 3 1 2 I 2 1 1

13 СОРТ ОЗИМ.ПШЕНИЦЫ-Багько 1 2 1 1 1 1 2 2

14 СОРТ ОЗИМ. ПШЕНИЦЫ-Вита 1 1 1

15 СОРТ ОЗИМ. ПШЕНИЦЫ-Восторг 1 1 1 1

16 СОРТ ОЗИМ. ПШЕНИЦЫ-Грация 1 1 1

17 СОРТ ОЗИМ.ПШЕНИЦЫ-Дея 2 1 1 1 1 2

18 СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95 1 1 1 1

18 СОРТ ОЗИМ.ПШЕНИЦЫ -зимородок 2 1 1 1 1 2

20 СОРТ ОЗИМ.ПШЕНИЦЫ -Княжна 1 4 3 2 5 5

<1 >

Рисунок 12. Матрица абсолютных частот (фрагмент)

С) 5.5. Модель: "4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из РИСГ"

код Наименование описательной 1: У РОЖАЙ НО С. ш' ••(32.1.. 45.9} 2; УРОЖАЙНОС... 2/3 {45.9. 59.8} а УРОЖАЙНОС. 3/3 159.8. 73.8} КАЧЕСТВО 1 КЛАСС 8. КАЧЕСТВО 3 КЛАСС 7. КАЧЕСТВО 4 КЛАСС 8: КАЧЕСТВО 5 КЛАСС 9: ПРИБЫЛЬ (ТЫС. РУБ./ГА) 1/3: {1.6: 7.8} ТО. ПРИБЫЛЬ (ТЫС.РУБ./ГА) 2/3 {7.81 13.9}

2 ПЛ ОЩАДЬ (ГА)-1 /12-£49.0000000,56.5000000} ... -0.095 -0.003 0.074 -0.117 -0.023 -0.081 0.222 0.084 -0.204 0.035

ПЛ ОШАДЬ (ГА]-2Л 2-{56. 5000000,64.0000000} ... -0.145 -0.378 0.350 0.254 0.005 -0.018 -0.483 0.398

3 П Л ОЩА ДЬ (ГА)-ЗЛ2-{64.0000000,71.5000000} ... 0.095 -0.033 -0.062 -0.253 0.110 0.327 0.189 -0.666 -0.100

4 ПЛ ОШАДЬ (ГА)-4Л 2-{71.5000000.79.0000000} ... 0.023 0.053 -0.134 -0.325 0.095 0.173 -0.503 0.011 0.019 -0.173

Б ПЛ ОШАДЬ |ГА)-5Л 2-{79.0000000.86.5000000} ... 0.109 -0.125 0.087 0.087 0.131 -0.067 -0.091 -0.038 0.000 0.239

:6 П Л ОША ДЬ (ГА)-8Л2-{86.5000000.94.0000000} ...

7 ПЛОЩАДЬ |ГА)7Л2-Ш4.0000000.101.5000000}...

8 ПЛОЩАДЬ (ГА]-8Л2-{101.5000000.109.0000000... -0.010 0.139 -0.358 0.159 -0.263 0.078 -0.018 0.034 -0.014 -0.205

Э П Л ОША ДЬ (ГА)-ЭЛ 2-{109.0000000.116.5000000... 0.128 -0.105 0.001 0.001 -0.040 0.110 -0.177 -0.052 0.019 0.154

10 ПЛОШАДЬ (ГА)-10Л2-{116.5000000,124.000000...

11 П ЛОШАДЬ 1ГА1-11Л 2-{124.0000000,131.500000... 0.163 0.147 0.167 0.126 -0.63э 0.180 0.115 -0.055

12 ПЛОШАДЬ (ГА)-12Л2-{131.5000000,139.000000... -Q.Q40 0.455 1.393 0.353 -0.216 -0.052 -0.149 0.417

13 СОРТ ОЗИ М. ПШ ЕН ИЦ Ы -Батько -0.138 0.400 0.400 0.168 -O.OS1 -0.242 0.313

14 СОРТ ОЗИМ. ПШЕНИЦЫ-Вита 0.591 0.917 1.070

15 СОРТ ОЗИМ. ПШЕНИЦЫ-Восторг 0.615 0.685 0.503

1Б СОРТ ОЗИМ. ПШЕНИЦЫ-Грация 0.379 0.436 0.503

17 СОРТ ОЗИМ.ПШЕНИЦЫ-Дея 0.379 0.359 0.110 -0.052 0.177

18 СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95 0.613 0.739 0.275

19 СОРТ ОЗИМ. ПШЕНИЦЫ-зимородок 0.379 0.359 0.110 -0.052 0,177

20 СОРТ ОЗИМ. ПШЕНИЦЫ-Княжна -0.145 0.274 0.196 0.308 0.275

t

Рисунок 13. Матрица информативностей ЮТ! (фрагмент)

С) 5.5. Модель: "6. INF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами"

КОД Наименование описательной 1: УРОЖАЙНОС. Ш' •{32.1.. 45.9} 2; УРОЖАЙНОС... 2/3 {45.9. 59.8} •3: УРОЖАЙНОС. 3/3 (59.8. 73.6} КАЧЕСТВО 1 КЛАСС 8. КАЧЕСТВО 3 КЛАСС 7. КАЧЕСТВО 4 КЛАСС 8: КАЧЕСТВО 5 КЛАСС 9: ПРИБЫЛЬ (ТЫС. РУБ./ГА) Т/3: {1.6: 7.8} ТО. ПРИБЫЛЬ (ТЫС.РУБ./ГА) 2/3 {7.81 13.9} 1

п л ОША дь (ГА)-1 /12-£49.0000000,56.5000000} ... -0.449 -0.021 0.434 -0.117 -0.283 -0.100 -0.560 1.128 0.979 -1.088 0.072

'2; п л ОША дь (ГА)-2Л 2-{56.5000000,64.0000000} ... -0.361 -1.234 1.574 -0.065 -0.713 о.ез4 0.022 -0.040 -1.790 2.284 -0.515

3 п л ОША дь (.ГА)-ЗЛ 2-{64.0000000,71.5000000} ... 0.734 -0.362 -0.422 -0.156 -0.711 -2.799 1.253 2.504 3.305 -3.118 -0.237

4 п л ОША дь (ГА)-4Л 2-{71.5000000.79.0000000} ... 0.190 0.744 -0.992 -0.181 -0.996 0.734 2.462 -1.912 0.189 0.196 -0.443

5 п л ОША дь (ГА)-5Л 2-{79.0000000.86.5000000} ... 0.412 -0.606 0.337 -0.076 0.168 0.639 -0.308 -0.213 -0.254 -0.002 0.399

:6 п л ОША дь (ГА 1-8/12-{86.5000000.94.0000000} ...

7 площадь 1га1-7л 2-ш4.0000000.101.5000000}...

8 плошадь (га]-8л2-{101.5000000.109.0000000... -0.082 2.298 -2.277 -0.194 0.862 -1.499 1.066 -0.120 0.631 -0.147 -0.546

Э п л ОША дь (ГА]-9/12-{109.0000000.116.5000000... 1.190 -1.256 0.008 -0.181 0.004 -0.266 1.462 -0.912 -0.811 0.196 0.557

10 плошадь (га)-10л2-{116.5000000,124.000000...

11 плошадь {Гам 1 л 2-{124.0000000,131.500000... 1.324 1.606 -2.804 -0.127 0.598 0.706 -2.890 0.955 1.514 -0.374 -1.013

12 плошадь (га)-12л2-{131.5000000,139.000000... -0.039 -1.7S7 1.853 0.948 -0.570 1.067 -0.582 -0.832 -0.232 -0.373 0.588

13 сорт ози м. пш ен иц ы -Батько -0.816 -0.340 1.145 -0.039 0.572 0.300 -0.187 -0.624 -0.674 0.971 -0.309

14 сорт озим. пшеницы-Вита -0.272 -0.447 0.715 -0.013 0.857 -0.233 -0.396 -0.208 -0.558 -0.343 0.897

15 сорт озим. пшеницы-Восторг 0.728 -0.447 —О.285 -0.013 -0.143 0.767 -0.396 -0.208 -0.558 0.657 -0.103

1Б сорт озим. пшеницы-Грация -0.272 0.553 -0.285 -0.013 -0.143 -0.233 0.604 -0.208 -0.558 0.657 -0.103

17 сорт озим.пшеницы-Дея -0.544 1.106 -0.570 -0.026 -0.285 0.533 0.209 -0.416 -0.116 0.314 -0.206

18 сорт озим.пшеницы-Дон-95 0.728 -0.447 -0.285 -0.013 -0.143 -0.233 -0.396 0.792 0.442 -0.343 -0.103

19 сорт озим. пшеницы-зимородок -0.544 1.106 -0.570 -0.026 -0.285 0.533 0.209 -0.416 -0.116 0.314 -0.206

20 сорт озим. пшеницы-Княжна -0.361 1.766 -1.426 -0.065 -0.713 -1.166 1.022 0.960 2.210 -1.716 -0.515

Рисунок 14. Модель ЮТ3 (фрагмент)

2.3.4. Верификация статистических

и системно-когнитивных моделей

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации исходных изображений по обобщенным образам классов и подсчета количества истинных положительных и отрицательных, а также ложных положительных и отрицательных решений по Б-мере Ван Ризбергена и Ь1- Ь2-мерам проф.Е.В.Луценко [8]. Классическая количественная мера достоверности моделей: Б-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно идентифицированных и не идентифицированных объектов обучающей выборки. В мультиклассовых системах классификации, таких как система «Эйдос», один и тот же объект

обучающей или распознаваемой выборки может одновременно относится ко многим классам. Соответственно, при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принадлежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической Б-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая Б-мера не учитывает того, что объект может, фактически, одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На многочисленных численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях.

Поэтому была предложена Ы-мера достоверности моделей [8], учитывающая не просто сам факт истинно или ложно положительного или отрицательного решения, но и степень уверенности классификатора в этих решениях.

Однако при классификации больших данных было обнаружено большое количество ложно-положительных решений с низким уровнем сходства, которые, суммарно могут вносить большой вклад в снижение достоверности модели.

Чтобы преодолеть эту проблему предлагается Ь2-мера [8], в которой вместо сумм уровней сходства используется средние уровни сходства по различным вариантам классификации.

Таким образом, в системе «Эйдос» применяются меры достоверности моделей, названые Ы-мера и Ь2-мера, смягчающие и преодолевающие недостатки Б-меры. В работе [8] эти меры описаны математически и их применение продемонстрировано на численном примере. В интеллектуальной системе «Эйдос», которая является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ), реализованы все эти меры достоверности моделей: Б, Ь1 и Ь2

В режиме 4.1.3.6 кратко и в режиме 4.1.3.7 более подробно показана достоверность каждой частной модели в соответствии с этими мерами достоверности. В данном случае по Ь2-мере наивысшую достоверность имеет модель ЮТ3 (рисунок 15):

с 4.1,3,6, Обобщ,форма по досгов.моделей при разнлшъкрит. Текущая модель: TNF?" ^ -И- — ^^^^^^^ ja i 1Й1 I^SS—J

1. ABS ■ частный критерий: количество встреч сочетаний: "мае... Корреляция абс. частот с обр.... 295.733 0.433 1.000 0.604 0.425 0.244 0.024 0.635 1.000 0.777

1. abs -частный критерий: количество встреч сочетаний: "клас... Сумма абс. частот по признак... 241.343 0.528 1.000 0.691 0.507 0.194 0.723 1.000 0.839

2. PRC1 ■ частный кригери усл. вероятность i-го признака сред... Корреляция УСЛ.ОТН.частот с о... 295.733 0.433 1.000 0.604 0.425 0.244 Ó. 024 0.635 1.000 0.777

2. PRC1 ■ частный критери иол. вероятность i-го признака epeft... Сумма вел.отчастот по приз... 214.436 0.367 1.000 0.537 0.233 0.173 0.575 1.000 0.730

3.PRC2-частный критери условная вероятность i-ro признака... Корреляция УСЛ.ОТН.частот с о... 295.732 0.433 1.000 0.604 0.425 0.244 0.024 0.635 1.000 0.777

3.PRC2-частный критери условная вероятность i-га признака- Сумма усл.отн.частот по приз... 200.773 0.354 1.000 0.523 0.207 0.162 0.561 1.000 0.719

4. INFI - частный критерий количества знаний по АХаркевичу; в... Семантический резонанс зна... 11.568 9.676 0.788 0.816 0.802 0.106 0.077 0.064 0.144 0.624 0.579 0.601

4. INF1 - частный критерий количество знаний по АХаркевичу; в... Сумма знаний 42.324 1.942 0.613 0.972 0.752 0.137 0.045 0.072 0.064 0.656 0.752 0.701

5. INF2 - частный критерий количества знаний по АХаркевичу; в... Семантический резонанс зна... 14.680 10.385 0.746 0.806 0.775 0.110 0.074 0.069 0.138 0.616 0.600 0.608

5. INF2 - частный критерий количества знаний по АХаркевичу; в... Сумма знаний 54.084 2.492 0.541 0.962 0.693 0.133 0.047 0.078 0.066 0.632 0.739 0.681

E.INF3-частный критерий Хи-кваарат. разности ме»щу Фактич... Семантический резонанс зна... 38.049 6.975 0.753 0.943 0.838 0.243 0.132 0.113 0.163 0.683 0.648 0.665

6. 1nf3 - Частный критерий Хи-квадрат. разности межа« Фактич... Сумма знаний 35.558 10.408 0.813 (к937 ^■ятя 0.196 0.105 0.197 0.7S4 0.622 0.682

7. INF*- частный критерий ROI (Return On Investment); вероятна... Семантический резонанс зна... 3.846 17.820 0.933 0.750 0.831 0.144 0.110 0.054 0.185 0.727 0.568 0.638

ROI [Return On Investment): вероятно... Сумма знаний 16.528 0.156 0.587 0.993 0.738 0.046 о.оой 0.022 0.008 0.676 0.848 0.752

8. INF5- частный критерий ROI [Return On Investment); вероятно... Семантический резонанс зна... 4.401 19.605 0.923 0.729 0.815 0.148 0.111 0.056 0.181 0.727 0.571 0.640

8. INF5-частный критерий ROI [Return On Investment); вероятно... Сумма знаний 18.833 0.192 0.537 0.991 0.696' 0.044 0.00S 0.023 0.007 0.656 0.892 0.756

Э. INF6- частный критерий разнес л. и безус л. вероятностей; вер... Семантический резонанс зна... 43.948 9.261 0.701 0.916 0.795 0.227 0.117 0.111 0.137 0.672 0.660 0.666

10.INF7 - частный кригери разн.усл.и бе зусл.вероятностей; ве... Семантический резонанс зна... 56.826 13.175 0.624 0.878 0,7.30 0.215 0.143 0.118 0.138 0.645 0.600 0.621

10.INF7 -частный критери разн.усл.и бе зусл.вероятностей; ве... Сумма знаний 47.516 1.246 0.376 0.958 ö-.540 0.064 0.015 0.063 0.022 0.506 0.814 0.624

< ►

1 ПйП

t) Помощь по режимам: 4,1.3,6,4,1.3,7,4,1.3,8,4,1,3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х++"

помощь по режимам: 4.1.3.6, 4.1.3.7, 4.1.3.8, 4.1.3.10: виды прогнозов и меры достоверности моделей в системе "эйдос-х++". 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 псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, 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 число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), 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. Этот критерий предложен и реализован в системе "эйдос" проф. Е.в.луценко в 1994 году, эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0, 1}: Ll = ( TP + TN - fp - fn ) / ( TP + TN + FP + FN ) (нормировка: {-1,+1}) l2 = ( 1 + ( ip + in - ни - fn) / ( ih+ in + hp + i-n ) ) / 2 (нормировка: { 0, 1}) где количество: TP - истино-положительных решений; tn - истино-отрицательных решений; fp - ложно-положительных решений; fn - ложно-отрицательных решений; классическая F-мера достоверности моделей ван ризбергена (колонка выделена ярко-годубым фоном): F-mera = 2e(precision,aRecan)/(precisior>fRecaTl) precision = tp/(tp+fp) - точность модели; Recall = тр/(tp+fn) - полнота модели; Ll-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической f-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым фоном): Ll-mera = 2»(SPrecisiorVs'SRecan)/(5Preci si on+SRecall) sprecision = stp/(stp+sfp) - точность с учетом сумм уровней сходства; SRecall = stp/(stp+sfn) - полнота с учетом сумм уровней сходства; stp - сумма модулей сходства истино-положительных решении; stn - сумма модулей сходства истино-отрицательных решений; sfp - сумма модулей сходства ложно-положительных решений; sfn - сумма модулей сходства ложно-отрицательных решений. L2-Mepa проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической f-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым фоном): L2-mera = 2*(APrecisionwARecall)/(APrecision+ARecall) APrecision = атр/(atp+afp) - точность с учетом средних уровней сходства; ARecall = атр/(atp+afn) - полнота с учетом средних уровней сходства; atp=stp/tp - среднее модулей сходства истино-положительных решений; afn=sfn/fn - среднее модулей сходства истино-отрицательных решений; afp=sfp/fp - среднее модулей сходства ложно-положительных решений; afn=sfn/fn - среднее модулей сходства ложно-отрицательных решений. Строки с максимальными значениями f-меры, Ll-меры и 1_2-меры выделены фоном цвета, соответствующего колонке. луценко Е.в. инвариантное относительно объемов данных нечеткое мультиклассовое обобщение f-меры достоверности моделей ван ризбергена в Аск-анализе и системе "эйдос" / Е.в. луценко // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал кубГАУ) [электронный ресурс]. - Краснодар: кубГАУ, 2017. - №02(126). с. 1 - 32. - ida [article id]: 1261702001. - режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у. п. л.

Рисунок 15. Экранная форма с информацией о достоверности моделей по

Б-критерию Ван Ризбергена и Ь1- и Ь2-криетриям проф.Е.В.Луценко [8]

Из рисунка 15 мы видим, что в данном интеллектуальном приложении по критерию Ь1 наиболее достоверной (0,871) является модель ЮТ3 с интегральным критерием «сумма знаний» (частный критерий, аналогичный хи-квадрат).

На рисунке 16 приведено частные распределения уровней сходства и различия истинных и ложных положительных и отрицательных решений в наиболее достоверной модели ЮТ3:

Рисунок 16. Частотные распределения уровней сходства

Из рисунка 16 мы видим, что истинно-отрицательных решений (т.е. решений о непринадлежности объекта к классу) в данной модели всегда больше чем ложных.

С истинно-положительными решениями (т.е. о принадлежности объекта у классу) картина более сложная:

- при уровнях сходства ниже 13% ложно-положительных решений больше, чем истинно-положительных;

- при уровнях сходства выше 18% ложно-положительных решений меньше, чем истинно-положительных.

При этом чем выше уровень сходства, тем выше доля истинных решений. Это неплохие и вполне разумные результаты.

2.3.5. Повышение качества модели

Обратимся к режиму 3.7.5. Данный режим показывает Парето-зависимость суммарной дифференцирующей мощности модели от числа градаций описательных шкал, рассортированных в порядке убывания их селективной силы (рисунок 17):

Рисунок 17. Парето-зависимость суммарной дифференцирующей мощности модели от числа градаций описательных шкал, рассортированных в порядке убывания их селективной силы

На основе рисунка 17 и соответствующих таблиц, которые здесь не приводятся из-за ограниченности объема статьи, можно обоснованно сделать следующие выводы:

1. 50% наиболее значимых градаций описательных шкал обеспечивают около 80% суммарной селективной мощности модели.

2. 50% суммарной селективной мощности модели обеспечивается примерно 20% наиболее значимых градаций описательных шкал.

3. Число градаций описательных шкал может быть существенно сокращено без особой потери качества модели путем удаления из модели малозначимых градаций. При этом размерность модели существенно сократится и ее быстродействие соответственно возрастет.

2.3.6. Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» (рисунок 2), присвоим наиболее достоверной статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 18):

j tfS

¿I 5.6. Выбрать модель и сделать ее текущей

Стадии исполнения процесса

ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕ ПИ "INF3" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ

1/7; Копирование в массивы итоговых строк и столбцов текущей модепи - Готово

2/7: Перенос информации из текущей модели в базы классов Classes и Gr_CISc-Готово

3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_Op3c - Готово

А/7 Расчет значимости класс.и опис.шкал-Сброс су ммат оров - Гот обо

5/7: Расчет значимости класс.и опис.шкал-Накопление данных-Готово

6/7: Расчет значимости класс.и опис.шкал-Порасчет - Готово

7/7: Запись информации о текущей модепи - Готово

Выбор мидели знаний "INF3" а качестве текущей прошел успешно!!!

■ Прогноз времени исполнеыч Начало: 11:09:10

Окончание: 11:0Я:12

Прошло: 0:00:02

Ok

Осталось: 0:00:00

Рисунок 18. Экранные формы придания модели статуса текущей

3. Результаты и обсуждение (Results and discussion)

3.1. Диагностика (классификация, распознавание, идентификация) (задача 3)

Решим задачу идентификации в наиболее достоверной модели. Для этого запустим режим 4.1.2 (рисунок 19):

4.1.2. Пакетное распознавание, Текущая модель: '1NF3" Стадии исполнения процесса

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "INFT' 1/11: Распознавание (идентификация) 89-го объекта обучающей выборки из 39 - Готово 2/11: Исследование распределений уровней-сходства верно и ошиб идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Готово ■4/11 ■ Создание подробной наглядной формы: "Объект-классы". Инг.крит-корреляция - Готово 5/11: Создание подробной наглядной формы: :|Объект-классы". Инт.крит-сумма инф - Готово 6/11 ■ Создание итоговой наглядной формы: "Объект-класс". Инт.крит -корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма инф. - Готово 3/11 ■ Создание подробной наглядной формы: "Класс-объекты". Инт.крит-корреляция - Готово 9/11: Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф - Готово 10/1"! Создание итоговой наглядной формы:"Класснзбъекты". Инт.крит.-корреляция - Готово 11/11: Создание итоговой наглядной формы: Тласс^объекты". Инт.крит.-сумма инф. - Г отово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !

-Прогноз времени исполнеыч

Начало: 11:01:20 Окончание: 11:01:32

10СЙ

Прошло: G:0!S:VI

0k

Осталось: 0:00:00

Рисунок 19. Экранная форма отображения процесса решения задачи идентификации в наиболее достоверной модели

Видно, что идентификация 89 примеров в ранее созданных моделях заняла 11 секунд.

Система «Эйдос» формирует 10 выходных форм с результатами идентификации в различных разрезах и обобщениях:

4.1.3.1 Подробно наглядно: '"Объект - классы 4.1.3.2. Подробно наглядно: finacc-объекты

1.3.3. Итоги наглядно: Объект - класс" 4.1.3.4. Итоги наглядно: Класс - объект' J.1.3.F. Подробно с?чато: Объекты - классы'

4.1.3.6. Обобц.форма по до сто е. моделей при разных интегральных крпт.

4.1.3.7. Обобц.стат.анапиз результатов ндент. по моделям и инт.крит. 4.1.3.3. Стат. а нал из регул ьт. идент. пс классам, моделям и инт.крит. 4.1.3.9. Достоверность идент.объектов при разных моделях и инт.крит. 4.1.3.10 Достоверность идент.классов при разных моделях и инт.крит. 4.1.3.11.Распределения у роЕН. сходства при разных моделях и инт.крит. 4.1.3.12.0бъединение е одной БД строк по самым достоверным моделям

Приведем две формы из этих 10: 4.1.3.1 и 4.1.3.2 (рисунок 20):

в 11 к-а -I

4.1.3,2. Визуализация результатов распознавания в отношении: "Класс-объекты". Текущая модель; "INFB"^

щ нами.класса

1

г У РОЖАЙ НОСТ Ь[И /ГА}-2/3-{45. 59. 0}

3 ШШЙ НОСТ ь(ц Л~А^З/Й59. Ш

4 КАЧЕСТВ0-1 класс

5 'КАЧЕСТВОкласс

8 КАЧЕСТВОМ класс

7 КАЧЕСТВОМ класс

8 КАЧЕСТ В 0 -5.клёсс ■

9 ПРИБЫЛЬ (ТЫС.РУБ /ГА}-.ГЩ1.6,7.8} ..

я ПРИБЫЛЬ (ТЫСРУБ7ГА}-2/3-{7.8,13.9} ...

в ПРИБЫЛЬ (ТЫОРУБ7ГА^-[Й13.9, 20.1} ...

12 П РИ БЫ Л Ь (Т Ы С. РУ Б /П 0 Л Е1-1 /3-{187...

ш ПРИБЫЛЬ (ТЫСРУБ/П ОЛЕ]-2/3-{Э7й^, 18...

щ ПРИБЫЛЬ (ТЫО.РУБ/ПОЛЕ]-3/3-{1821.2, 2...

15 удельная прибыль (т.ыс.у.е./полем..:

ш УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.'У,Е7П0ЛЕ|-2....

17 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У..Е7ПРЛЕ1-3.'...

18 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА}-1/3-{57.5,..

19 удельная прибыль ¡у..е7га)-2/з-{з'й,£'.:

ш .УВЕ Л ЬНАЯ П РИ Б Ы Л Ь ¡-И: Е7ГА)-3/3-{601.7..

1

<1

Интегральный критерий сходства: "Семантический резонанс знаний"

| Код | Н аименование объекта с:.:мд::тбм Сходство ! л.

» жшпб ■.4.4,00... ш -

ш 2000 :п 14 '41,93... V

3 1999 п11 ■40',9's... v

24 2001 п7 ШШч- V

м щеюл1 ■35.92... 1

4 189s п12 31,6В... V

11 ■.азоолю V

14 .•2роо:п2 31,10... V

15 ж!0т15 .30,57... V V

-i

ИнтегральныП критерий сходства: мСуг*на.знаний"

Кед- Наименование объекта Сходство Сходство

1'3 :2ИОТ15 .57,96... ш —

%г 2000 П14 .53,59... V

3 1999 П11 ■52.37... V

10 •2роо:т ■45,92... V

24 '2001 П7 ¡4^52... 1

14 '2000П 2 ■42,01,.. V

4 '1999 П12 ■40,46... V

11 гощйпо 40,04... V

.а 1839 1110 ;;з8ло... *

-1

Помощь ПОИСКОЁГЬОКТО I Б кои-ц БД "ПродьвдЩая Следующая 9эапйсе£Т. Бес'записи ПечатьХЬЗ- Печать TÍ^T 1 Псчйть ALL

■ .¡а. ja i

С) 4.1,3.1, Визуализация результатов распознавания в отношении: "Объект-классы", Текущая модель: "INF3"

Распознаваемые егтьекты

*

íffl'Sm

г 1999 П10

а 1999П11

4 1939 П12 —

5 1999 П18

6 1933 П19

i 1999 П20:

8 1939 П6

9 1999 П9

10 2000 П1

11 2000 П10

12 ■2.01ИП14

13 2000 П15

14 2000 П2

15 2000 П5

1G \2.Ш0П6

17 2000 па

18 2001 П11

13 2001 П12-'

20 2001 П17

21 ■2001 П13 Я

Интегральный критерий сходства: "Семантический резонанс знаний"

Наименование класса Сходстве Сходство л.

i УРОЖАЙ H 0 СТ Ь(Ц /ГА}-1 /3-ЙЯ; .45,9} 17,95,:. V IIIIIIIIIIIIIIIII

в КАЧЕСТОО-5 класс 17Л9:.. V IIIIIIIIIIIIIIIII

12 ШЙИЬ [ТЫС РШЙЛ Е]-1 /З-ОШ). 973 S 11,99 V IIIIIIIIIII —

15 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫСУ.Е,ШЛЕИ/Й4,2, 41.5} 6,487.. V

18 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е/ГА^/ЗЙТЛлЗЯЕ} 5,8В9... V

8 ПРИ БЫЛ Ь (ТЫ С. РУ Б. /ГА}-1 /З-fl .8„7.8} 3,986.. V

В КАЧЕСТВО-З класс 3,725.:

i КАЧЕСТВО-1 класс 2,483.:

1В ПРИЕЫЧВТЬ1С.РУБ7ГА)-2/3-!7;Д.13.9} 1;304..

< и

Интегральный критерий сходства: "Сумма знаний"

! коп I Наименование класса Сходства к- Сходство

1 арджай ность(ц/га)-1 /з-вая ,45,9} 22,25.. V

13 прибыль [тысрубл10лен /3-{126 0. 973.В} 16.60 V

Щ качеством класс 15,11... V

18 удельная прибыль ЙЙШЙШЩ. 3296} íó';4p-: V инн

15 удельная прибыль (тыс.уе7п.алеи?3;,{4:2, 41.5} 7,170... V iiiiiii

9 при был ь (ты с. ру б 7га}-1 £1.6,7.8} 6,931... V IIIII

8 качество-з класс 3,278.. III

18 при £ ы ль. (тй.с ру б 7га)-2/3-{7.8,-13.9í 1,880'-: 1

4 качество-1 класс 0,505:.

i

J 9 классов |

Классы с MaxMin

УрСх J 9 классов с MaxMin УрСх j ВСЕ классы J ВКЛ. Фильтр по класс.шкале | ВЫКЛ.Фильтр по класс.шкале J Граф.диаграмма J

Рисунок 20. Выходные формы по результатам идентификации

3.2. Исследование предметной области путем исследования ее модели (задача 3)

Исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает ряд возможностей. Используем те из этих возможностей, которые полезны для решения задачи, поставленной в работе, т.е. для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов.

3.2.1. Нелокальные нейроны и нейронные сети

В работе [10] автором предложены нелокальные нейроны и нелокальные нейронные сети прямого счета, основанные на теории информации. Эти сети, предложенные автором 15 лет очень сходны с популярным сегодня нейробайесовским подходом [11].

Один из нелокальных нейронов модели ЮТ3 приведен на рисунке 21, а нелокальная нейронная сеть ЮТ3 на рисунке 22:

Рисунок 21. Нелокальный нейрон

Рисунок 22. Парето-подмножество нелокальной нейронной сети (показаны 20,69% наиболее значимых синаптических связей)

3.2.2. Когнитивные диаграммы классов

В режиме 4.2.2.1 рассчитывается матрица сходства классов, отражающая сходство-различие классов друг с другом (таблица 8).

Таблица 8 - Матрица сходства классов

KOD CLS NAME CLS N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 N17 N18 N19 N20

1 УРОЖАЙНОСТЬ(Ц/ГА)-1/3-{32.1,45.9} 100,0 -41,8 -62,2 -31,8 -54,7 -28,7 41,4 45,3 69,7 -58,7 -46,1 62,7 -57,8 -42,8 62,3 -59,5 -42,8 66,1 -57,2 -45,5

2 УРОЖАИНОСТЬ(Ц/ГА)-2/3-{45.9,59.8} -41,8 100,0 -45,1 -8,8 7,4 -3,4 28,8 -44,5 -16,7 35,6 -24,2 -13,0 22,7 -15,1 -1,4 11,9 -15,1 -4,6 21,9 -23,5

3 УРОЖАИНОСТЬ(Ц/ГА)-3/3-{59.8,73.6} -62,2 -45,1 100,0 38,9 48,2 30,6 -65,8 -6,6 -54,8 27,4 67,0 -51,4 38,4 55,3 -60,9 49,4 55,3 -61,8 37,9 65,4

4 КАЧЕСТВОМ класс -31,8 -8,8 38,9 100,0 43,7 9,5 -43,4 -24,9 -45,0 23,1 53,9 -46,9 27,5 67,9 -54,5 33,0 67,9 -48,4 28,8 55,3

5 КАЧЕСТВОМ класс -54,7 7,4 48,2 43,7 100,0 -6,4 -60,4 -36,8 -73,8 46,7 74,8 -79,7 66,3 71,7 -87,5 76,7 71,7 -77,9 54,5 72,0

6 КАЧЕСТВ0-3 класс -28,7 ■3,4 30,6 9,5 -6,4 100,0 -39,7 -43,5 -32,0 35,7 5,6 -10,4 13,0 -1,7 -15,3 21,3 -1,7 -29,2 34,0 5,6

7 КАЧЕСТВОМ класс 41,4 28,8 -65,8 -43,4 -60,4 -39,7 100,0 -8,7 54,9 -36,3 -52,6 50,0 -38,9 -50,6 66,8 -60,4 -50,6 63,9 -50,0 -52,6

8 КАЧЕСТВ0-5 класс 45,3 -44,5 -6,6 -24,9 -36,8 -43,5 -8,7 100,0 55,6 -50,7 -30,4 47,7 -46,7 -26,6 40,7 -40,0 -26,6 46,6 -41,7 -28,5

9 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/3-{1.6,7.8} 69,7 -16,7 -54,8 -45,0 -73,8 -32,0 54,9 55,6 100,0 -87,7 -60,3 86,1 -80,3 -56,9 80,6 -76,3 -56,9 95,4 -86,5 -58,2

10 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/3-{7.8,13.9} -58,7 35,6 27,4 23,1 46,7 35,7 -36,3 -50,7 -87,7 100,0 14,7 -66,9 72,9 19,8 -52,7 60,7 19,8 -78,1 92,8 13,0

11 ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/3-{13.9,20.1} -46,1 -24,2 67,0 53,9 74,8 5,6 -52,6 -30,4 -60,3 14,7 100,0 -66,8 45,3 83,9 -78,8 57,3 83,9 -67,0 24,2 98,0

12 ПРИБЫЛЬ (ТЫС.РУБ/П0ЛЕ)-1 /3-{126.0,973.6} 62,7 -13,0 -51,4 -46,9 -79,7 -10,4 50,0 47,7 86,1 -66,9 -66,8 100,0 -94,1 -64,3 89,9 -84,7 -64,3 88,0 -72,9 -64,3

13 ПРИБЫЛЬ (ТЫ С. РУ Б/П 0J1 Е)-2/3-{973.6,1821.2} -57,8 22,7 38,4 27,5 66,3 13,0 -38,9 -46,7 -80,3 72,9 45,3 -94,1 100,0 34,7 -76,8 85,3 34,7 -80,5 77,1 41,1

14 ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/3-{1821.2,2668.8} -42,8 -15,1 55,3 67,9 71,7 -1,7 -50,6 -26,6 -56,9 19,8 83,9 -64,3 34,7 100,0 -75,8 42,5 100,0 -61,8 27,2 85,8

15 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/3-{4.2,41.5} 62,3 -1,4 -60,9 -54,5 -87,5 -15,3 66,8 40,7 80,6 -52,7 -78,8 89,9 -76,8 -75,8 100,0 -91,2 -75,8 86,0 -62,5 -77,1

16 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/3-{41.5,78.8} -59,5 11,9 49,4 33,0 76,7 21,3 -60,4 -40,0 -76,3 60,7 57,3 -84,7 85,3 42,5 -91,2 100,0 42,5 -80,7 69,7 53,2

17 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/3-{78.8,116.0} -42,8 -15,1 55,3 67,9 71,7 -1,7 -50,6 -26,6 -56,9 19,8 83,9 -64,3 34,7 100,0 -75,8 42,5 100,0 -61,8 27,2 85,8

18 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/3-{57.5,329.6} 66,1 -4,6 -61,8 -48,4 -77,9 -29,2 63,9 46,6 95,4 -78,1 -67,0 88,0 -80,5 -61,8 86,0 -80,7 -61,8 100,0 -88,2 -64,7

19 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/3-{329.6,601.7} -57,2 21,9 37,9 28,8 54,5 34,0 -50,0 -41,7 -86,5 92,8 24,2 -72,9 77,1 27,2 -62,5 69,7 27,2 -88,2 100,0 22,1

20 УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/3-{601.7,873.9} -45,5 -23,5 65,4 55,3 72,0 5,6 -52,6 -28,5 -58,2 13,0 98,0 -64,3 41,1 85,8 -77,1 53,2 85,8 -64,7 22,1 100,0

В графической форме эта таблица отображается в форме когнитивных диаграмм (рисунок 23):

А)

Б)

Рисунок 23. Когнитивные диаграммы, отражающие сходство-различие обобщенных образов классов друг с другом: А) все классы, Б) 12 классов

Видно, что классы образуют два кластера, являющиеся полюсами конструкта. В кластеры объединены сходные классы, а на полюсах конструкта находятся противоположные по смыслу кластеры. Малозначащие связи могут отфильтрованы (не отображаться).

В текущей версии системы «Эйдос» реализована дивизивная кластеризация, а агломеративная когнитивная кластеризация была реализована лишь в DOS-версии системы «Эйдос» [12].

3.2.3. Когнитивные диаграммы значений факторов

В режиме 4.2.2.1 рассчитывается матрица сходства классов, отражающая сходство-различие классов друг с другом (таблица 9).

Таблица 9 - Матрица сходства значений факторов (фрагмент)

В таблице 9 приведен лишь фрагмент матрицы сходства значений факторов, т.к. это матрица 306 х 306. Соответствующая база данных находится по пути: ..\Aidos-X\AID_DATA\A0000001\System\SxodAtrInf3.DBF и почти полностью может быть открыта в MS Excel. При задании масштаба просмотра 500% таблица 9 вполне читабельна.

В графической форме эта таблица отображается в форме когнитивных диаграмм (рисунок 24):

Рисунок 24. Когнитивная диаграмма, отражающие сходство-различие

значений факторов друг с другом

Из рисунка 24 видно, что разные по природе значения факторов оказывают сходное влияние на агросистему. Все значения факторов образуют два кластера, в которых они объединены по сходству, а сами кластеры противоположны по смыслу и образуют полюса конструкта.

3.2.4. Когнитивные диаграммы содержательного сравнения классов

Система «Эйдос» обеспечивает расшифровку способа образования любой линии связи на графе, представленном на рисунке 23 в форме когнитивных диаграмм. На рисунке 25 приведена экранная форма задания параметров формирования и отображения когнитивных диаграмм

содержательного сравнения классов, на рисунке 26 - сама когнитивная

диаграмма, а на рисунке 27 Help данного режима:

Рисунок 25. Экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения классов

Рисунок 26. Когнитивная диаграмма содержательного сравнения классов

I в ДД

Помощь по режиму: 4,2.3. Когнитивные д^аграчмьс к/жсов

данный режим формирует и отображает е графической форме когнитивные диаграммы, т.е.

автоматизирует содержательное сравнение двух информационных портретов обобщенных образов классов распознавания:

1. Формируются информационные портреты двух классов.

2. выявляются признаки, которые есть по крайней пере в одном из портретов, такие признаки называются связями, т.к. благодаря им существуют определенные ОТНОШЕНИЯ сходства/различия между обобщенными образами классов.

3. для каждого признака известно, какое количество информации о принадлежности объекта к данному классу он содержит.

4. кроме того для любых двух признаков известно, насколько они являются сходными по смыслу (из матрицы сходства признаков).

5. Будем считать, что любые ДЕа признака вносят определенный вклад в сходство или различие двух классов распознавания, определяемый по формулам:

ureorMaxinf = log(n_c1s)/lqg(2)

iiilnfPerm = alnf Atrl [i ] /niTeorMaxInf a100 rainfpenwz = alnfAtrZtji/niTeorMaxlrtflOO

rolnfstandl = ialnfAtrl[i]-msrl)/mDil nilnfstand2 = (alnfAtr2[j] -msr2)/iroi2

mRelBit = mK12 * ainfAtrl[i] * alrrfAtr2[j]

nwaxRelBit = 1 * NTeorMaxlnf * niTeorMaxInf

raRelPercm = mRelBit / nwaxReleit 1 100

mRelstand = mici2 15 mlnfstandi * mlnfstand2 / 2

где:

- msrl - средняя информативность 1-го признака;

- И15г2 - средняя информативность 2-го признака;

- mDil - среднеквадратичное отклонение информативносттей 1-го признака;

- mDi2 - среднеквадратичное отклонение информативносттей 1-го признака;

- 1Ж12 - сходство 1-го и 2-го классов по их системе детерминации из матрицы сходства классов.

6. На диаграмме отображается 7 признаков, образующих наиболее значимые по модулю связи. Знак связи изображается цветом: красный "+ ', синий "-", а величина-толщиной линии.

// теоретически максимальная информативность

// Информативность 1-го пр.в % от теор.мах-возможной // информативность 2-го пр.в % от теор.мах-возможной

Ц информативность 1-го пр.в стандартизированных величинах // информативность 2-го пр.в стандартизированных величинах

// сила связи в битах

// мах-теоретически возможная сила связи в битах // сила связи в ж от теор.мах-возможной Ц сила связи в стандартизированных величинах

Рисунок 27. Help режима задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения классов

Даная когнитивная диаграмма показывает содержательное сравнение влияния 1-й подкормки на получение низкой и высокой прибыли. Аналогично можно исследовать влияние любого фактора.

3.2.5. Когнитивные диаграммы содержательного сравнения значений факторов

Система «Эйдос» обеспечивает расшифровку способа образования любой линии связи на графе, представленном на рисунке 24 в форме когнитивных диаграмм. На рисунке 28 приведена экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения классов, на рисунке 29 - сама когнитивная диаграмма, а на рисунке 30 Help данного режима:

Рисунок 28. Экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения значений факторов

Рисунок 29. Когнитивная диаграмма содержательного сравнения

значений факторов

Г

Помощь по режиму: 4,3,3. Когн1тти.Бные диаграммы признаков

данный режим формирует и отображает в графической форме когнитивные диаграммы, т.е. автоматизирует содержательное сравнение двух информационных портретов обобщенных образов признаков:

1. Формируются информационные портреты двух признаков.

2. выявляются классы, которые есть по крайней мере в одной из портретов, такие классы называются связями, т.к. Благодаря им существуют определенные отношения сходства/различия между обобщенными образами признаков.

3. Для каждого признака известно, какое количество информации о принадлежности объекта с ним к каждому из классов он содержит.

4. кроме того для любых двух классов известно, насколько они являются сходными по смыслу (из матрицы сходства классов).

5. Будем считать, что любые ДЕа класса вносят определенный вклад в сходстео или различие двух признаков, определяемый формулами:

ruTeorMaxmf = log(n_c1s)/los(2)

mlrrf Permi = alnfclslH] /mTeorMaxmfs100 minf Permi = ainfcls2 [ j]/niTeorMaxinf й100

mlrrf standi = (airrfclsl[i]-nsrl)/№il DtlnfEtandJ = £aInfCls2[j]-mSr2)/iM)i2

iriRelBit = UIK12 * ainfclsl[i] * airtfcls2[j]

nwaxitelBit = 1 1 mTeorMaxlrrf * mTeorMaxmf

BiRelPercTTfl = mitelBit / nwaxRelBit * 100

mRelStand = 1Ж12 * mlrrfstandl J mlnfstand2 / 2

где:

- mSrl - средняя информативность 1-го признака;

- msr2 - средняя информативность 2-го признака;

<$ЯР|- среднеквадратичное отклонение информативносттей 1-го признака; но!? • среднеквадратичное отклонение информативносттей 1-го признака;

- шш - сходстео 1-го и 2-го классов по их системе детерминации из матрицы сходства классов.

6. на диаграмме отображается 7 признаков, образующих наиболее значимые по модулю сеязи. знак связи изображается цветом: красный V, синий "-", а величина-толщиной линии.

П теоретически максимальная информативность

Ц информативность 1-го класса в % от теор.мах-возможной // информативность 2-го класса в % от теор.мах-возможной

// информативность 1-го класса в стандартизированных величинах // Информативность 2-го класса в стандартизированных величинах

// сила сеязи е битах

Ц МАХ-теоретически возможная сила связи в битах Ц сила связи в Ж от теор.мах-возможной // Сила связи в стандартизированных величинах

Рисунок 30. Help режима задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения значений факторов

Даная когнитивная диаграмма показывает содержательное сравнение влияния сорта пшеницы на ее качество. Аналогично можно исследовать влияние любого фактора.

3.2.6. Интегральные когнитивные карты

Система «Эйдос» обеспечивает формирование и отображение когнитивных диаграмм, объединяющих нейронную сеть (рисунок 22), когнитивные диаграммы сходства различия классов (рисунок 23) и когнитивные диаграммы сходства различия значений факторов (рисунок 24).

На рисунке 31 приведена экранная форма задания параметров формирования и отображения интегральных когнитивных карт, а на рисунке 32 соответствующая заданным параметрам интегральная когнитивная карта:

Рисунок 31. Экранная форма задания параметров формирования и отображения интегральных когнитивных карт

Рисунок 32. Пример интегральной когнитивной карты 3.2.7. Когнитивные функции

Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение количества информации в значениях аргумента о значениях функции непосредственно на основе эмпирических данных и визуализацию на этой

основе прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных функций [6].

Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. Отметим, что полученные и отраженные в форме когнитивных функций причинно-следственные зависимости обнаружены непосредственно на основе эмпирических данных путем преобразования их в информацию, а ее в знания и отражают факты, а не их теоретическое объяснение (теоретическую интерпретацию), разработка которой является делом специалиста, хорошо содержательно разбирающегося в моделируемой предметной области [14]. Выводы и рекомендации по рациональному выбору конструктивных особенностей и режимов работы сложных аграрных систем, полученные на основе 8ШОТ-диаграмм и когнитивных функций, совпадают. Ниже приведены когнитивные функции, отражающие зависимость значений классификационных шкал (классов) от значений описательных шкал (факторов) (рисунок 24):

Рисунок 33. Когнитивные функции, отражающие влияние предшественников на урожайность

3.3. Поддержка принятия решений (задача 3)

При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи 8ШОТ-анализа [9]. 8ШОТ-анализ является широко известным и общепризнанным методом стратегического планирования.

Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения 8ШОТ-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции.

Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения 8ШОТ-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос» [4].

В статье [9] на реальном численном примере подробно описывается возможность проведения количественного автоматизированного 8ШОТ-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач 8ШОТ-анализа. РБ8Т-анализ рассматривается как 8ШОТ-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [9] на примере 8ШОТ-анализа, можно распространить и на РБ8Т-анализ.

В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи (рисунок 34):

Ьйр://д .kubagro.ru/2018/02/pdf/11 .р^

Рисунок 34. Экранные формы решения задачи SWOT-анализа

Можно исследовать также влияние любого фактора, например предшественников 7 лет назад (рисунок 35):

■ I в U¿W

ф 4.4.8. Количественный автоматизированный SWOT-анализ классов средствами АСК-анализа в системе "Эйдос71

Выбор класса, соответствующего будущему состоянию объекта управления

Код | Наименование класса Редукция к лас...

1 УРОЖАЙНОСТЬЮ/ГА]-1 /3-{32.1.45.9} 1.4088897 441 30,3370787

2 УРОЖАЙНОСТЬЮ/ГА]-2/3-{45.9, 59.8} 1,2490611 724 43,8202247

3 УРОЖАЙНОСТЬЩ /ГА)-3/3-{59.8; 73.6} 1,4491525 462 25,8426966

4 КАЧЕСТВ 0-1 класс 0,2313429 21 1,1235955

5 КАЧЕСТВ0-2 класс 1,0772818 231 12,3595506

SWOT-анализ класса: 3 "УРОЖАЙНОСТЬ(Ц/ГА)-3/3-{59.8, 73.6}" в модели: 6 "INF3"

±г

Способствующие факторы и сила их влияния

Код Наименование фактора и его интервального значения Сила влияния

106 ПРЕДШЕСТ. 7-сах.свекла 5.004

102 ПРЕДШЕСТ. 7-мног.травы 1.719

101 ПРЕДШЕСТ. 7-кук.силосная 0.911

Препятствующие факторы и сила их влияния

«

Сила влияния

103 ПРЕДШЕСТ! 7*озим. пшеница -4.362

105 ПРЕДШЕСТ. 7-подсолнечник -2.136

104 ПРЕДШЕСТ. 7-озим. ячмень -0.996

99 ПРЕДШЕСТ. 7-горох -0.996

99 ПРЕДШЕСТ. 7-кук. зерно -0.SSS

107 ПРЕДШЕСТ. 7-яров. ячмень -0.285

100 ПРЕДШЕСТ. 7-кук. зерновая -0.285

ВКЛЮЧИТЬ фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

Помощь

Pic1 Ргс2 Inf1 Inf2 Inf3 Inf4 ln(5 InfG Inf7

Нейрон

SWO T -диаграмма

Интегральная когнитивная карга

Рисунок 35. Экранные формы решения задачи SWOT-анализа с фильтром по фактору: «Предшественники 7 лет назад»

В системе «Эйдос» имеется также возможность отображения инвертированных SWOT-диаграмм (предложены автором [9]), отражающих влияние на объект моделирования заданного значения фактора (рисунок 36):

4.4,9 Количественный автоматизированный 5\^ОТ-анализ значений факторов средствами АСК-анализа в системе "Эйдос"

■ I И

| Код Наименование:значения фактора щ

27 СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка

28 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия

29 СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита

30 СОРТ 03ИМ.ПШЕНИЦЫ-Победа-50

31 СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка

я I - и :

SWOT-aнaлиз значения фактора: 30 "СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50" в модели: 6 "1^3" СПОСОБСТВУЕТ: ПРЕПЯТСТВУЕТ:

Код Состояния объекта управления, переходу в. которые данное значение Фактора СПОСОБСТВУЕТ Сила влияния

8 КАЧЕСТВ 0-5 класс 2.168

3 У РОЖАЙ Н 0 СТ Ь(Ц /ГА}-3/3-{58.8,73.6} 1.859

8 ПРИБЫЛЬ [ТЫС.РУБ7ГА]-1 /3-{1.6, 7.8} 1.768

18 У ДЕЛЬНАЯ ПРИБЫЛЬ (У.Е7ГА]-1 /3-{57.5, 329.6} 1.447

12 ПРИБЫЛЬ [ТЫС.РУБЛ~10ЛЕ)-1 /3-{126.0,973.8} 1.082

15 У ДЕ Л ЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е.УПОЛЕ)-1 /3-{4.2. 41.5}... 0.749

6 КАЧЕСТВ 0-3 класс 0.067

КАЧЕСТВ 0-4 класс -1.582

10 ПРИБЫЛЬ (ТЫС.РУБ7ГА]-2/3-{7.8,13.9} -1.373

1 У РОЖАЙ Н 0 СТ Ь(Ц Л"А]-1 /3-{32.1,45.9} -1.08Э

19 У ДЕ Л ЬНАЯ П РИ Б Ы Л Ь (У. Е. /ГА)-2 Л-{329.6,601.7} -1.052

13 ПРИБЫЛЬ (Т Ы С. РУ Б Д10 Л Е ]-2/3-{973.6,1821.2} -0.891

2 У РОЖАЙ Н 0 СТ Ь[Ц УГА]-2/3-{45.9,59.8} -0.787

с КАЧЕСТВ 0-2 класс -0.570

16 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е/ПОЛЕ]-2/3-{41.5,78.8} ... -0.553

11 ПРИБЫЛЬ (ТЫС.РУБ./ГА]-3/3-{13.9,20.1} -0.412

20 У ДЕ Л ЬНАЯ П РИ Б Ы Л Ь (У. Е. /ГА}-3/3-{601.7,873.9} -0.360

17 УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е /ПОЛЕ]-3/3-{78.8,11 6.0}... -0.207

14 ПРИБЫЛЬ (ТЫС.РУ Б/ПО Л Е]-3/3-{1821.2,2668.8} -0.207

ВКЛЮЧИТЬ Фильтр по кл.шкале

ВЫКЛЮЧИТЬ Фильтр по кл.шкале

ВКЛЮЧИТЬ Фильтр по кл.шкале

ВЫКЛЮЧИТЬ Фильтр по кл.шкале

Помощь

АЬэ Р1С1 Ргс2 1пП Ы2 И] Ш 1п(5 1пГ6 Н7

Б \л/0 Т -диаграмма

Рисунок 36. Экранные формы инвертированных SWOT-диаграмм отражающих влияние заданного значения фактора на агросистему

На рисунке 37 приведен алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»:

Синтез (пересинтез) или адаптация статистических и системно-когнитивиных моделей с учетом новых данных о поведении объекта управления под действием различных факторов

Решение задачи ЭУУОТ-анализа: т.е. обратной задачи прогнозирования

Оценка технологических и финасовых возможностей применения рекомендуемых значений факторов

Исключение из решения значений факторов, которых нет возможности применить

Прогнозирование результатов применения сокращенной системы факторов

Замена значений факторов, которых нет возможности применить, сходными по влиянию на объект управления значениями факторов, которые есть возможность применить. Сходство влияния значений факторов определяется по результатам кластерно-конструктивного анализа

Прогнозирование результатов применения сформированной системы факторов

Рисунок 37. Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»

Обратим внимание на то, что приведенный на рисунке 27 алгоритм принятия решений используется непосредственно в цикле управления многопараметрической агросистемой и предусматривает постоянную адаптацию модели, а случае необходимости и ее пересинтез, что обеспечивает учет динамики моделируемой предметной области, т.е. как самого объекта управления, так и окружающей среды.

В данной работе кратко описано, как в АСК-анализе разрабатываются и применяются системно-когнитивные модели, отражающие, какое количество информации содержится в различных значениях факторов о переходе объекта моделирования в различные будущие состояния.

В системно-когнитивном анализе формулируется гипотеза о том, что это количество информации и ее знак отражают, соответственно, силу и направление действия реально существующих в моделируемой предметной области причинно-следственные закономерностей.

В работе [14] обосновывается, что системно-когнитивные модели имеют статус содержательных феноменологических моделей. Для дальнейшего повышения их статуса до уровня эмпирических законов необходимо расширить эмпирическую область и создать соответствующие модели. Если после этого раскрыть механизмы и причинные действия этих закономерностей и дать их содержательную интерпретацию, то можно расширить область применения эмпирических законов на всю предметную область, в которой действуют те же причинные и механизмы, и, таким образом, сформулировать научные законы [14].

4. Выводы (Conclusions)

4.1. Эффективность предложенного решения проблемы (задача 4)

Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута.

4.2. Заключение

В сложных многопараметрических агрономических системах происходят многочисленные и разнообразные физические процессы, которые, с одной стороны, оказывают существенное влияние на характеристики этих систем, а с другой стороны, крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, т.к. эти модели должны учитывать специфические особенности систем. Вследствие этого разработка

содержательных аналитических моделей является «штучной работой» и связана с большим количеством упрощающих допущений, снижающих их универсальность и достоверность.

Но известен и другой принцип моделирования: построение феноменологических информационных моделей, т.е. моделей, не имеющих аналитической формы представления и описывающих моделируемую систему чисто внешне как «черный ящик». Такие модели могут строится непосредственно на основе эмпирических данных и при наличии соответствующего программного инструментария это может быть по типовой технологии намного быстрее и значительно менее трудоемко, чем разработка содержательных аналитических моделей.

С другой стороны феноменологические информационные модели могут быть вполне достаточны для определения рациональных конструктивных особенностей и параметров режимов работы сложных аграрных систем. Кроме того такие феноменологические модели могут рассматриваться в качестве первого этапа разработки содержательных аналитических моделей.

Предлагается применить для создания феноменологических моделей сложных нелинейных агрономических систем новый универсальный инновационный метод искусственного интеллекта: автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос». В системе «Эйдос» реализован программный интерфейс, обеспечивающий непосредственный ввод в систему больших объемов эмпирических данных из Ехсе1-файла.

Система «Эйдос» непосредственно на основе эмпирических (экспериментальных или наблюдательных) данных позволяет рассчитать какое количество информации о результатах работы агрономической системы содержится в ее свойствах и в определенных значениях технологических факторов и параметров. На этой основе системой предлагаются научно-обоснованные и адекватные рекомендации по рациональному выбору свойств моделируемой агросистемы и агротехнологических факторов.

Таким образом, метод АСК-анализа может быть применен для анализа и рационального выбора свойств и агротехнологий, т.е. задача, поставленная в работе, успешно решена.

Отметим, что АСК-анализ и его программный инструментарий интеллектуальная система «Эйдос» позволяют моделировать не только биологические характеристики сложных аграрных систем, но и их социальные свойства, такие, например, как финансово-экономические и инженерно-психологические. Можно исследовать как конструктивные особенности и параметры режимов работы сложных аграрных систем влияют на финансово-экономическую и инженерно-психологическую

эффективность применения этих систем и на этой основе выбирать их рациональные конструктивные особенности и режимы работы.

Материалы данной статьи и предлагаемый в ней подход 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 время3, 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), например: Моделирование в агроинженерии [21].

Этим и другим применениям должно способствовать и то, что система «Эйдос» является мультиязычной on-line средой и находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами:

http://lc.kubagro .ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

5. Благодарности (Acknowledgements)

Автор благодарен Заслуженному деятелю науки Российской Федерации, доктору технических наук, профессору В.И.Лойко, Заслуженному деятелю науки Кубани, доктору биологических наук, профессору Л.П.Трошину, доктору экономических наук, доценту К.Н.Горпинченко, кандидату экономических наук, профессору Л.О.Великановой за поддержку исследований по автоматизированному системно-когнитивному анализу агросистем [15-20].

Список литературы (References)

1. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -

3

http://lc.kubagro.ru/My training schedule.doc

№07(091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.

2. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном 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.

3. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). -Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909

4. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=22401787

5. Сайт автора АСК-анализа и системы «Эйдос» проф. Е.В.Луценко: http://lc.kubagro.ru/

6. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-757-0. http://elibrary.ru/item.asp?id=21358220

7. Луценко Е.В. Интеллектуальная консалтинговая система выявления технологических знаний и принятия решений по их эффективному применению на основе системно-когнитивного анализа бизнес-процессов / Е. В. Луценко, В.Е. Коржаков, А.И. Ладыга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №05(059). С. 79 - 110.

- Шифр Информрегистра: 0421000012\0091, IDA [article ID]: 0591005007. - Режим доступа: http://ei.kubagro.ru/2010/05/pdf/07.pdf, 2 у.п.л.

8. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1

- 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ei.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.

9. 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.

10. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.

11. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Режим доступа: https://arxiv.org/pdf/1710.07264

12. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. -Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

13. Луценко Е.В. Автоматизация Функционально-стоимостного анализа и метода "Директ-костинг" на основе АСК-анализа и системы "Эйдос" (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №07(131). С. 1 - 18. - IDA [article ID]: 1311707001. - Режим доступа: http://ej .kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.

14. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.

15. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). -Краснодар: КубГАУ. 2005. - 480 с. http://elibrary.ru/item.asp?id=2172063 5

16. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с. http://elibrary.ru/item.asp?id=21683725

17. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). -Краснодар,КубГАУ. 2013. - 168 с. ISBN 978-5-94672-6443. http://elibrary.ru/item.asp?id=20213254

18. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.

19. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е. В. Луценко, Л.П. Трошин, Д.К. Бандык // Политематический сетевой электронный научный журнал

Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 - 1228. - IDA [article ID]: 1161602077. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 у. п. л.

20. Луценко Е.В. Применение теории информации и когнитивных технологий для решения задач генетики (на примере вычисления количества информации в генах о признаках и свойствах различных автохтонных сортов винограда) / Е.В. Луценко, Л. П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №07(121). С. 116 - 165. - IDA [article ID]: 1211607003. - Режим доступа: http://ej.kubagro.ru/2016/07/pdf/03.pdf, 3,125 у.п.л.

21. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.

22. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная online среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. -Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.

Spisok literatury (References)

1. Lucenko E.V. Modelirovanie slozhnvh mnogofaktornvh nelinejnvh ob#ektov upravlenija na osnove fragmentirovannvh zashumlennvh jempiricheskih dannvh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnvj nauchnvj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnvj zhurnal KubGAU) [Jelektronnvj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.

2. Lucenko E.V. Metrizacija izmeritel'nvh shkal razlichnvh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnvh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnvj nauchnvj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnvj zhurnal KubGAU) [Jelektronnvj 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.

3. Lucenko E.V. Avtomatizirovannvj sistemno-kognitivnvj analiz v upravlenii aktivnvmi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

4. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. http://elibrary.ru/item.asp?id=22401787

5. Sajt avtora ASK-analiza i sistemv «Jejdos» prof. E.V.Lucenko: http://lc.kubagro.ru/

6. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220

7. Lucenko E.V. Intellektual'naja konsaltingovaja sistema vvjavlenija tehnologicheskih znanij i prinjatija reshenij po ih jeffektivnomu primeneniju na osnove sistemno-kognitivnogo

analiza biznes-processov / E.V. Lucenko, V.E. Korzhakov, A.I. Ladyga // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. -№05(059). S. 79 - 110. - Shifr Informregistra: 0421000012\0091, IDA [article ID]: 0591005007. - Rezhim dostupa: http://ej.kubagro.ru/2010/05/pdf/07.pdf, 2 u.p.l.

8. Lucenko E.V. Invariantnoe otnositel'no ob#emov dannyh nechetkoe mul'tiklassovoe obobshhenie F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. -Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.

9. 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.

10. Lucenko E.V. Sistemnaja teorija informacii i nelokal'nye interpretiruemye nejronnye seti prjamogo scheta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. - IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.

11. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Rezhim dostupa: https://arxiv.org/pdf/1710.07264

12. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.

13. Lucenko E.V. Avtomatizacija Funkcional'no-stoimostnogo analiza i metoda "Direkt-kosting" na osnove ASK-analiza i sistemy "Jejdos" (avtomatizacija upravlenija natural'noj i finansovoj jeffektivnost'ju zatrat bez soderzhatel'nyh tehnologicheskih i finansovo-jekonomicheskih raschetov na osnove informacionnyh i kognitivnyh tehnologij i teorii upravlenija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №07(131). S. 1 - 18. - IDA [article ID]: 1311707001. - Rezhim dostupa: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 u.p.l.

14. Lucenko E.V. Problemy i perspektivy teorii i metodologii nauchnogo poznanija i avtomatizirovannyj sistemno-kognitivnyj analiz kak avtomatizirovannyj metod nauchnogo poznanija, obespechivajushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. -Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.

15. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agropromyshlennym kompleksom. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2005. - 480 s. http://elibrary.ru/item.asp?id=21720635

16. Lucenko E. V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2008. - 257 s. http://elibrary.ru/item.asp?id=21683725

17. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vyboru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo intellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). - Krasnodar,KubGAU. 2013. -168 s. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254

18. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobrazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. -№08(112). S. 862 - 910. - IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.

19. ucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy «Jejdos» / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077.

- Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.

20. Lucenko E.V. Primenenie teorii informacii i kognitivnyh tehnologij dlja reshenija zadach genetiki (na primere vychislenija kolichestva informacii v genah o priznakah i svojstvah razlichnyh avtohtonnyh sortov vinograda) / E.V. Lucenko, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №07(121). S. 116 - 165. - IDA [article ID]: 1211607003. - Rezhim dostupa: http://ej.kubagro.ru/2016/07/pdf/03.pdf, 3,125 u.p.l.

21. Lucenko E.V. Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda dlja obuchenija i nauchnyh issledovanij na baze ASK-analiza i sistemy «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.

22. Lucenko E.V., Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda «Jejdos» («Jejdos-online»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.