CC BY
40
УДК 303.732.4
ПОСТАНОВКА ЗАДАЧИ И СИНТЕЗ МОДЕЛИ ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЗЕРНОВЫХ КОЛОСОВЫХ И ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО РАЦИОНАЛЬНОМУ ВЫБОРУ АГРОТЕХНОЛОГИЙ
Луценко Евгений Вениаминович д. э. н., к. т. н., профессор
Лойко Валерий Иванович д. т. н., профессор
Великанова Лариса Олеговна к. э. н., доцент
Кубанский государственный аграрный Университет, Краснодар, Россия
Поддержано грантом КубГАУ
В статье обосновываются требования к методу решения проблемы, и определяется степень соответствия известных методов этим требованиям, выбирается наиболее подходящий по обоснованным критериям метод решения проблемы, кратко описываются суть выбранного метода, а также методика его применения для решения поставленной проблемы, включая синтез семантической информационной модели и оценку ее адекватности.
Ключевые слова: ПРОГНОЗИРОВАНИЕ, ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ, АГРОТЕХНОЛОГИИ, ЗЕРНОВЫЕ КОЛОСОВЫЕ, УРОЖАЙНОСТЬ, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, РАСТЕНИЕВОДСТВО.
UDC 303.732.4
STATEMENT OF PROBLEM AND MODEL PROGNOSIS SYNTHESIS OF GRAINS AND SUPPORT OF DECISION MAKING ON RATIONAL CHOICE OF AGRO TECHNOLOGIES
Lutsenko Evgeny Veniaminovich
Dr. Sci. Econ., Cand. Tech. Sci., professor
Loiko Valery Ivanovich Dr. Sci. Tech., professor
Velikanova Larisa Olegovna Cand. Econ. Sci., assistant professor
Kuban State Agrarian University, Krasnodar, Russia
Supported by the grant of KubSAU
Demand to the method of statement of problem is substantiated and degree of known methods correspondence to these demands is determined, the most available method of problem decision is chosen by the substantiated criteria, the essence of chosen problem and the method of its application to decide the problem in view, including synthesis of semantic informational model and evaluation of its adequacy are described in brief as well.
Key words: PROGNOSIS, SUPPORT OF DECISION MAKING, AGRO TECHNOLOGIES, GRAINS, YIELDING, SYSTEMIC- COGNITIVE ANALYSIS, PLANT GROWING.
В растениеводстве, в частности, в науке и практике возделывания зерновых колосовых, известно большое количество технологических схем (карт), разработанных за многие годы труда агрономов, в основном еще в период плановой, затратной экономики, когда никого особо не интересовало, какой ценой дается урожай. В наше время такой подход уже устраивает, т.к. обязательным условием хозяйствования в современных условиях является рентабельность производства.
Поэтому учеными ведется интенсивная работа по созданию новых экономически эффективных сортов и агротехнологических приемов, в частности таких как: подготовка почвы, удобрения и средства защиты растений, и эта работа ведется успешно. Однако сразу после создания широко применять эти новые сорта и агротехнологии неразумно, т.к. неизвестно, какие это даст результаты в наших конкретных условиях. Для прогнозирования результатов и научно обоснованного выбора рациональных агротехнологий, обеспечивающих желаемый результат, все эти новые сорта и агротехнологии предварительно должны быть изучены, причем обязательно в условиях региона выращивания, т.е. в конкретных агрометеорологических условиях Краснодарского края.
Таким образом, проблема, решаемая в работе, состоит в том, что, с одной стороны, появляются новые сорта и агротехнологии, позиционируемые на рынке как экономически эффективные, а с другой - в конкретных условиях Краснодарского края последствия их применения изучены недостаточно, что усложняет принятие решений по их использованию.
Практическая значимость решения этой проблемы для хозяйств очевидна, т.к. достоверное прогнозирование результатов применения и научно обоснованные рекомендации по рациональному выбору агротехнологий позволят повысить экономическую эффективность хозяйствования.
Научная новизна решения данной проблемы состоит в том, что в данной работе впервые предлагается и апробируется вариант ее решения на основе применения современных информационных технологий путем интеллектуальной обработки ретроспективных данных, отражающих фактический опыт выращивания исследуемых сортов, т.е. без специального планирования и проведения длительных и дорогостоящих полевых испытаний сортов в условиях применения различных агротехнологий.
Актуальность исследования обусловлена ее практической значимостью и научной новиной.
Объектом исследования является технология выращивания зерновых колосовых, а предметом исследования - изучение влияния различных агротехнологий на урожайность пшеницы сортов и ячменя в конкретных агрометеорологических условиях Краснодарского края.
Поэтому целью исследования является разработка технологии и методики прогнозирования хозяйственных результатов применения тех или иных агротехнологий, а также поддержки принятия решений по выбору таких сортов и рациональных агротехнологий для выращивания, которые с высокой вероятностью дали бы заранее заданный желаемый хозяйственный результат.
Задачи исследования вытекают из его цели путем ее декомпозиции и являются этапами ее достижения:
Задача 1. Обосновать требования к методу решения задачи и определить степень соответствия известных методов обоснованным требованиям.
Задача 2. Выбрать наиболее подходящий по обоснованным критериям метод решения проблемы.
Задача 3. Кратко описать суть выбранного метода.
Задача 4. Описать методику применения выбранного метода для решения поставленной проблемы.
Задача 5. Описать результаты применения методики (эффективность, научные результаты и выводы, практические рекомендации).
Задача 6. Рассмотреть ограничения метода и методики его применения, перспективы их развития и применения.
Кратко, насколько это возможно в рамках статьи, рассмотрим решение поставленных задач.
Задача 1. Обосновать требования к методу решения задачи и определить степень соответствия известных методов обоснованным требованиям.
Возникает вопрос о том, каким образом в современных условиях можно было бы наиболее рационально и эффективно решить поставленную проблему и достичь цели исследования.
Традиционные технологии разработки технологических карт требуют многолетних целенаправленных тщательно заранее спланированных исследований и связаны с проведением экспериментов по
выращиванию в условиях применения различных агротехнологий возделывания. Все это требует очень и очень значительных временных и финансовых затрат, а также других видов ресурсов.
Поэтому ученые-агрономы постоянно ищут новые возможности выявления и исследования зависимостей в эмпирических данных. Все чаще для этих целей применяются современные информационные технологии, в частности статистические методы и реализующие их программных системы. Однако и на этом пути возникают свои специфические проблемы.
В частности, наиболее распространенный метод выявления зависимостей - многофакторный анализ по ряду причин не позволяет исследовать всю систему факторов, действующих в реальных агросистемах. К этим причинам относятся, прежде всего, следующие:
1. Большое количество реально действующих факторов: не 2-7, а десятки, сотни и даже тысячи.
2. Значительная зашумленность (или низкая точность и достоверность) исходных данных.
3. Требование к нормальному характеру распределения исходных данных (т.к. метод параметрический).
4. Наличие доступного программного инструментария, реализующего метод.
5. Требование к полноте исходных данных, т.е. к наличию в них всех сочетаний значений исследуемых факторов.
6. Возможность разумной содержательной интерпретации результатов применения метода.
На практике выполнение всех этих условий нереально даже при нескольких факторах, либо, как уже говорилось, требует значительных затрат времени и других ресурсов.
Рассмотрим, например, 4-е требование. Довольно типичной является ситуация, когда какой-то подходящий по литературному описанию для решения поставленной проблемы математический метод на практике применить не удается, так как не разработана соответствующая методика численных расчетов и отсутствует или недоступен реализующий их программный инструментарий. Например, подобная ситуация сложилась с многокритериальным методом поддержки принятия решений, описанным в классической работе [21] или теорией информационного поля [22].
Попытка выполнить 5-е требование всего при 3-х факторах с 10-ю значениями каждого порождает необходимость исследования 1000 результатов выращивания. Конечно, на практике это нереально, не говоря уже о десятках, сотнях или тысячах факторов. Необходимо отметить, что на практике подобных данных взять просто негде, т.к. в реальных данных обычно наблюдаются лишь очень небольшие подматрицы без пропусков, т.е. со всеми сочетаниями значений факторов. Заполнять же пропуски путем интерполяции обычно некорректно (хотя это и делается), т.к. это возможно только, если в строке и столбце, на пересечениях которых находится клетка с пропуском, больше нет пропусков. Если же они есть, то заполнение пропущенной клетки, вообще говоря, приведет к изменению остальных незаполненных значений, что фактически делает их вообще неопределенными.
Считается, что 6-е требование в случае многофакторного анализа трудно выполнимо уже при 5 факторах и более.
На практике все эти причины в совокупности (а ведь действует еще и субъективный фактор) приводят к весьма ограниченному применению математических методов при решении поставленной проблемы, по крайней мере, если судить по защищаемым в области агрономии диссертациям. Как правило, дело сводится к исследованию влияния одного фактора на значения какого-либо одного результи-
рующего параметра, например, глубины вспашки на содержание клейковины для какого-либо конкретного сорта пшеницы при всех прочих равных условиях.
Поэтому к методу исследования предъявляются следующие требования, т.е. метод должен:
- обеспечивать выявление силы и направления влияния сотен или даже тысяч факторов;
- быть непараметрическим, чтобы не требовалось доказательство гипотез о нормальности исследуемой выборки;
- корректно обрабатывать неполные (фрагментированные) данные, т.е. данные, в которых встречаются не все сочетания значений исследуемых факторов;
- эффективно подавлять шум в данных и выявлять закономерности на фоне шума, значительно превосходящего сигнал по амплитуде (при достаточно большой выборке);
- иметь доступный программный инструментарий, реализующий метод;
- обеспечивать возможность разумной содержательной интерпретации результатов применения
метода.
Задача 2. Выбрать наиболее подходящий по обоснованным критериям метод решения проблемы.
Для решения поставленной проблемы предлагается применить новый математический метод системно-когнитивного анализа (СК-анализ), который: обеспечивает выявление силы и направления влияния сотен или даже тысяч факторов; является непараметрическим; позволяет корректно обрабатывать неполные (фрагментированные) данные; эффективно подавляет шум в данных и выявляет закономерности на фоне шума; имеет доступный программный инструментарий, реализующий метод (универсальная когнитивная аналитическая система "Эйдос"); обеспечивает возможность разумной содержательной интерпретации результатов применения метода [1, 2].
Задача 3. Кратко описать суть выбранного метода.
Системно-когнитивный анализ представляет собой системный анализ, рассматриваемый как метод познания и структурированный по базовым когнитивным (познавательным) операциям (БКОСА) [1,
2].
СК-анализ включает:
- теоретические основы, в т.ч. базовую когнитивную концепцию;
- математическую модель (системную теорию информации);
- методику численных расчетов (структуры данных и алгоритмы их обработки);
- специальный программный инструментарий, реализующий математическую модель и методику численных расчетов СК-анализа (универсальная когнитивная аналитическая система "Эйдос").
Сам набор БКОСА следует из предложенной в [1] формализуемой когнитивной концепции, рассматривающей процесс познания как многоуровневую иерархическую систему обработки информации, в которой когнитивные структуры каждого уровня являются результатом интеграции структур предыдущего уровня.
На 1-м уровне этой системы находятся дискретные элементы потока чувственного восприятия, которые на 2-м уровне интегрируются в чувственный образ конкретного объекта, а, в свою очередь, на 3м уровне интегрируются в обобщенные образы классов и факторов, образующие на 4-м уровне кластеры, а на 5-м конструкты. Система конструктов на 6-м уровне образует текущую парадигму реальности
(т.е. человек познает мир путем синтеза и применения конструктов). На 7-м же уровне обнаруживается, что текущая парадигма не единственно-возможная (рисунок 1).
УРОВЕНЬ СМЫСЛА СПОСОБ МЫШЛЕНИЯ БАЗОВЫЕ КОГНИТИВНЫЕ ОПЕРАЦИИ СИСТЕМНОГО АНАЛИЗА КОГНИТИВНЫЕ СТРУКТУРЫ
О ЛОГИЧЕСКОЕ МЫШЛЕНИЕ (ЛЕВОПОЛУШАРНЫЙ ИНТЕГРАЛЬНЫЙ СПОСОБ МЫШЛЕНИЯ) СИСТЕМА АЛЬТЕРНАТИВНЫХ ПАРАДИГМ РЕАЛЬНОСТИ
© ТЕКУЩАЯ ПАРАДИГМА РЕАЛЬНОСТИ
© КОНСТРУКТИВНЫЙ АНАЛИЗ БИНАРНЫЕ КОНСТРУКТЫ (СИСТЕМЫ ПРОТИВОПОЛОЖНЫХ КЛАСТЕРОВ )
О КЛАССИФИКАЦИЯ (КЛАСТЕРНЫЙ АНАЛИЗ). КОГНИТИВНАЯ ГРАФИКА В ФОРМЕ СЕМАНТИЧЕСКИХ СЕТЕЙ КЛАСТЕРЫ (ГРУППЫ НАИБОЛЕЕ СХОДНЫХ КЛАССОВ)
О СИСТЕМНОЕ ИНТЕГРАЛЬНО-ДИСКРЕТНОЕ ОПИСАНИЕ ПРИМЕРОВ КОНКРЕТНЫХ ОБЪЕКТОВ (БАЗА ПРЕЦЕДЕНТОВ) ОБОБЩЕНИЕ (СИНТЕЗ, ИНДУКЦИЯ) ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ, АБСТРАГИРОВАНИЕ, ДЕДУКЦИЯ И АБДУКЦИЯ, СРАВНЕНИЕ, СОДЕРЖАТЕЛЬНОЕ СРАВНЕНИЕ, КОГНИТИВНАЯ ГРАФИКА В ФОРМЕ КОГНИТИВНЫХ ДИАГРАММ ОБОБЩЕННЫЕ КАТЕГОРИИ ОБЪЕКТОВ (КЛАССЫ), ИМЕЮЩИЕ ИМЕНА КПАССИФ ИКАЦИО Н НЫЕ ШКАЛЫ И ГРАДАЦИИ
О ЧУВСТВЕННОЕ ВОСПРИЯТИЕ (ПРАВОПОЛУШАРН Ы Й ДИСКРЕТ НЫЙ СПОСОБ МЫШЛЕНИЯ) СИНТЕЗ ЧУВСТВЕННОГО ОБРАЗА КОНКРЕТНОГО ОБЪЕКТА ЧУВСТВЕННЫЕ ОБРАЗЫ КОНКРЕТНЫХ ОБЪЕКТОВ ИИХИМЕНА
о ЧУВСТВЕННОЕ ВОСПРИЯТИЕ ДИСКРЕТНЫЕ ЭЛЕМЕНТЫ ПОТОКА ЧУВСТВЕННОГО ВОСПРИЯТИЯ. ОПИСАТЕЛЬ НЫЕ Ш КАПЫ И ГРАДАЦИИ
Рисунок 1 - Обобщенная схема формализуемой когнитивной концепции (иерархия базовых когнитивных операций)
Ключевым для когнитивной концепции является понятие факта, под которым понимается соответствие дискретного и интегрального элементов познания (т.е. элементов разных уровней интеграции-иерархии), обнаруженное на опыте. Факт рассматривается как квант смысла, что является основой для его формализации.
Из данной концепции выводятся: структура когнитивного конфигуратора, система базовых когнитивных операций и обобщенная схема автоматизированного системного анализа, структурированного до уровня базовых когнитивных операций (СК-анализ).
Между когнитивными структурами разных уровней иерархии существует отношение "дискретное - интегральное". Именно это служит основой формализации смысла.
Когнитивный конфигуратор представляет собой минимальную полную систему когнитивных операций, названных "базовые когнитивные операции системного анализа" (БКОСА). Всего выявлено 10 таких операций, каждая из которых достаточно элементарна для формализации и программной реализации:
1) присвоение имен;
2) восприятие;
3) обобщение (синтез, индукция, многопараметрическая типизация);
4) абстрагирование;
5) оценка адекватности модели;
6) сравнение, идентификация и прогнозирование;
7) дедукция и абдукция;
8) классификация и генерация конструктов;
9) содержательное сравнение;
10) планирование и принятие решений об управлении.
В работе [1] предложены: математическая модель, методика численных расчетов, включающая структуры данных и алгоритмы реализации БКОСА, а также программный инструментарий СК-анализа
- универсальная когнитивная аналитическая система "Эйдос" [1].
Математическая модель и методика численных расчетов СК-анализа предложены и подробно описаны в работах [1], и здесь их приводить нецелесообразно. Отметим лишь, что модель обеспечивает выявление знаний [24] непосредственно из эмпирических фактов, при этом для каждой группы объектов, по которой проводится многопараметрическая типизация (обобщение), в качестве контрольной группы (нормы) выступает вся исследуемая выборка (теоретически вся генеральная совокупность, которую эта выборка представляет).
Универсальная когнитивная аналитическая система "Эйдос" является отечественным лицензионным программным продуктом, на который имеется ряд свидетельств РосПатента РФ1, созданным исключительно с использованием официально приобретенного лицензионного программного обеспечения. По системе "Эйдос" и различным аспектам ее применения имеется более 150 публикаций ряда авторов.
Система "Эйдос" является одним из элементов предлагаемого решения проблемы и достижения цели данной работы, т.к. она обеспечивает решение следующих задач:
1. Синтез и адаптация семантической информационной модели предметной области, включая активный объект управления и окружающую среду.
2. Идентификация и прогнозирование состояния активного объекта управления, а также разработка управляющих воздействий для его перевода в заданные целевые состояния.
3. Углубленный анализ семантической информационной модели предметной области.
Таким образом, система "Эйдос" является инструментарием, решающим проблему данной работы.
Синтез содержательной информационной модели предметной области.
Для разработки информационной модели предметной области необходимо владеть основными принципами ее когнитивной структуризации и формализованного описания. Синтез содержательной информационной модели включает следующие этапы:
1. Когнитивная структуризация и формализация предметной области.
2. Формирование исследуемой выборки и управление ей.
3. Синтез или адаптация модели.
4. Оптимизация модели.
5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости.
Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий
Данный вид работ включает:
1. Ввод распознаваемой выборки.
2. Пакетное распознавание.
3. Вывод результатов распознавания и их оценку.
Углубленный анализ содержательной информационной модели предметной области
Углубленный анализ выполняется в подсистеме "Типология" и включает:
1. Информационный и семантический анализ классов и признаков.
2. Кластерно-конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).
3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина, нейросетевой анализ, классические и интегральные когнитивные карты).
Обобщенная структура системы "Эйдос"
Данной обобщенной структуре соответствуют структура управления и дерево диалога системы (таблица 1).
Подробнее подсистемы, режимы, функции и операции, реализуемые системой "Эйдос", описаны в работе [1].
Таблица 1 - ОБОБЩЕННАЯ СТРУКТУРА СИСТЕМЫ "ЭЙДОС" ___________________(текущей версии 12.5 от 20.04.2008)_______________________
Подсистема Режим Функция Операция
1. Классификационные шкалы и градации
2. Описательные шкалы (и градации)
3. Г радации описательных шкал (признаки)
4. Иерархиче- 1. Уровни классов
ские уровни систем 2. Уровни признаков
1. Импорт данных из ТХТ-фалов стандарта Б08-текст
1. 5. Программные интерфейсы для импорта данных 2. Импорт данных из ББР-файлов стандарта проф. А.Н.Лебедева
Формализация 3. Импорт из транспонированных ЭББ-файлов проф. А.Н.Лебедева
ПО 4. Генерация шкал и обучающей выборки КЫЭ-модели
5. Генерация шкал и обучающей выборки для исследования чисел
6. Транспонирование ЭББ-матриц исходных данных
7. Импорт данных из ЭББ-файлов стандарта Евгения Лебедева
6. Почтовая 1. Обмен по классам
служба по 2. Обмен по обобщенным признакам
НСИ 3. Обмен по первичным признакам
7. Печать анкеты
2. 1. Ввод-корректировка обучающей выборки
Синтез СИМ 2. Управление 1. Параметрическое задание объектов для обработки
обучающей 2. Статистическая характеристика, ручной ремонт
выборкой 3. Автоматический ремонт обучающей выборки
3. Синтез се- 1. Расчет матрицы абсолютных частот
мантической 2. Исключение артефактов (робастная процедура)
информацион- 3. Расчет матрицы информативностей СИМ-1 и сделать ее текущей
ной модели 4. Расчет условных процентных распределений СИМ-1 и СИМ-2
СИМ 5. Автоматическое выполнение режимов 1-2-3-4
6. Измерение схо- 1. Сходимость и устойчивость СИМ
димости и устой- 2. Зависимость валидности модели от объема
чивости модели обучающей выборки
7. Расчет матрицы информативностей СИМ-2 и сделать ее текущей
4. Почтовая служба по обучающей информации
1. Формирование ортонормированного базиса классов
3. 2. Исключение признаков с низкой селективной силой
Оптимизация 3. Удаление классов и признаков, по которым недостаточно данных
СИМ 4. Разделение классов на типичную и нетипичную части
5. Генерация сочетанных признаков и перекодирование обучающей выборки
1. Ввод-корректировка распознаваемой выборки
2. Пакетное распознавание
3. Вывод ре- 1. Разрез: один объект - много классов
4. Распознавание зультатов распознавания 2. Разрез: один класс - много объектов
4. Почтовая служба по распознаваемой выборке
5. Построение функций влияния
6. Докодирование сочетаний признаков в распознаваемой выборке
1. Информационные (ранговые) портреты (классов)
1. Типологический анализ классов распознавания 1 Расчет матрицы сходства образов классов
2. Кластерный и 2. Генерация кластеров и конструктов классов
конструктивный 3. Просмотр и печать кластеров и конструктов
анализ классов 4. Автоматическое выполнение режимов: 1,2,3
5. Вывод 2d семантических сетей классов
5. Типология 3. Когнитивные диаграммы классов
1. Информационные (ранговые) портреты признаков
1. Расчет матрицы сходства образов признаков
2. Типологический анализ 2. Кластерный и конструктивный анализ признаков 2. Генерация кластеров и конструктов признаков
первичных 3. Просмотр и печать кластеров и конструктов
признаков 4. Автоматическое выполнение режимов: 1,2,3
5. Вывод 2d семантических сетей признаков
3. Когнитивные диаграммы признаков
1. Оценка достоверности заполнения объектов
2. Измерение адекватности семантической информационной модели
6. СК-анализ СИМ 3. Измерение независимости классов и признаков
4. Просмотр профилей классов и признаков
5. Графическое отображение нелокальных нейронов
6. Отображение Паретто-подмножеств нейронной сети
7. Классические и интегральные когнитивные карты
1. Все базы данных
1. Всех баз данных НСИ
2. НСИ 2. БД классов
1. Генерация 3. БД первичных признаков
(сброс) БД 4. БД обобщенных признаков
3. Обучающая выборка
4. Распознаваемая выборка
7. 5. Базы данных статистики
Сервис 2. Переиндексация всех баз данных
3. Печать БД абсолютных частот
4. Печать БД условных процентных распределений СИМ-1 и СИМ-2
5. Печать БД информативностей СИМ-1 и СИМ-2
6. Интеллектуальная дескрипторная информационно-поисковая система
7. Копирование основных баз данных СИМ
8. Сделать текущей матрицу информативностей СИМ-1
9. Сделать текущей матрицу информативностей СИМ-1
Метод СК-анализа был успешно применен для решения ряда задач, сходных с решаемыми в данной статье [1, 7-20]2.
Задача 4. Описать методику применения выбранного метода для решения поставленной проблемы.
Автоматизированный системно-когнитивный анализ (АСК-анализ) [1, 2] представляет собой: метод СК-анализа, технологию, основанную на применении инструментария СК-анализа - системы "Эй-дос", и методику применения этой системы для формирования семантической информационной модели предметной области (СИМ) и включает следующие этапы:
1. Когнитивная структуризация, а затем и формализация предметной области.
2. Ввод данных мониторинга в базу прецедентов (обучающую выборку) за период, в течение которого имеется необходимая информация в электронной форме.
3. Синтез семантической информационной модели (СИМ).
4. Оптимизация СИМ.
5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).
6. Решение задач идентификации состояний объекта управления, прогнозирования и поддержки принятия управленческих решений по управлению с применением СИМ.
7. Системно-когнитивный и кластерно-конструктивный анализ СИМ.
На первых двух этапах АСК-анализа, детально рассмотренных в работах [1, 2], числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях). Этот этап реализуется и в методах интервальной статистики.
На третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А. Харкевича, сопоставляются количественные величины, с которыми в дальнейшем и производятся все операции моделирования.
Последовательное выполнение всех этих этапов и представляет собой решение сформулированной в данной статьей проблемы.
Рассмотрим эти этапы.
1. Когнитивная структуризация, а затем и формализация предметной области.
Подробно типовая методика когнитивной структуризации и формализации предметной области приведена в работе [23], поэтому здесь мы не будем давать определения этих понятий и приводить теоретическую часть, а сразу опишем результаты применения этой методики при решении проблемы, сформулированной в данной статье.
На этапе когнитивной структуризации предметной области в качестве классификационных шкал выберем результирующие состояния объекта управления:
1. Культура
2. Сорт
3. Урожайность (точн. знач)
4. Урожайность (инт. оценка)
5. Качество
6. Культура + сорт + урожайность
7. Культура + сорт + качество
2 http://ei.kubagro.ru/a/viewaut.asp?id=11. http://ei.kubagro.ru/a/viewaut.asp?id=242. http://ei.kubagro.ru/a/viewaut.asp?id=138.
8. Культура + урожайность (округленная)
9. Культура + качество
В качестве факторов (т.е. описательных шкал), обуславливающих переход объекта управления в эти результирующие состояния, выберем следующие:
1. Предшественники
2. Уровень плодородия
3. Обработка почвы
4. Удобрение
5. Защита растений
На этапе формализации предметной области конкретизируем градации классификационных и
описательных шкал (таблицы 2 и 3).
________Таблица 2 - КЛАССИФИКАЦИОННЫЕ ШКАЛЫ И ГРАДАЦИИ
Код Наименование классификационных шкал и градаций
1 1. КУЛЬТУРА-Озимая пшеница
2 1. КУЛЬТУРА-Озимый Ячмень
3 1. КУЛЬТУРА-Яровой ячмень
4 2. СОРТ-
5 2. СОРТ-Батько
6 2. СОРТ-Победа-50
7 2. СОРТ-Руфа
8 2. СОРТ-Юна
9 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {0.00, 7.90}
10 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {7.90, 15.80}
11 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {15.80, 23.70}
12 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {23.70, 31.60}
13 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {31.60, 39.50}
14 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {39.50, 47.40}
15 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {47.40, 55.30}
16 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {55.30, 63.20}
17 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {63.20, 71.10}
18 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {71.10, 79.00}
19 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {79.00, 86.90}
20 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{00,0-17,5}
21 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{17,5-34,9}
22 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{34,9-52,4}
23 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{52,4-69,8}
24 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{69,8-87,3}
25 5. КАЧЕСТВО-
26 5. КАЧЕСТВО-Ценная
27 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{00,0-17,5}
28 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{52,4-69,8}
29 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{69,8-87,3}
30 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{00,0-17,5}
31 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{34,9-52,4}
32 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{52,4-69,8}
33 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{69,8-87,3}
34 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{00,0-17,5}
35 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{34,9-52,4}
36 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{52,4-69,8}
37 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{69,8-87,3}
38 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{00,0-17,5}
39 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{34,9-52,4}
40 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{52,4-69,8}
41 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{69,8-87,3}
42 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{00,0-17,5}
43 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{34,9-52,4}
44 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{52,4-69,8}
45 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{69,8-87,3}
46 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{00,0-17,5}
47 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{17,5-34,9}
48 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{34,9-52,4}
49 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{52,4-69,8}
50 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Батько+Ценная
51 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Победа-50+Ценная
52 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Руфа+Ценная
53 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Юна+Ценная
54 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимый Ячмень++
55 7. КУЛЬТУРА+СОРТ+КАЧЕСТВО-Яровой ячмень++
Код Наименование классификационных шкал и градаций
56 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{00,0-17,5}
57 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{34,9-52,4}
58 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{52,4-69,8}
59 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{69,8-87,3}
60 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{00,0-17,5}
61 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{34,9-52,4}
62 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{52,4-69,8}
63 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{69,8-87,3}
64 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{00,0-17,5}
65 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{17,5-34,9}
66 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{34,9-52,4}
67 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{52,4-69,8}
68 9. КУЛЬТУРА+КАЧЕСТВО-Озимая пшеница+Ценная
69 9. КУЛЬТУРА+КАЧЕСТВО-Озимый Ячмень+
70 9. КУЛЬТУРА+КАЧЕСТВО-Яровой ячмень+
Таблица 3 - ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ
Код Наименование описательных шкал и градаций
[ 11 10. ПРЕДШЕСТВЕННИКИ
1 10. ПРЕДШЕСТВЕННИКИ-.
2 10. ПРЕДШЕСТВЕННИКИ-Кукуруза.
3 10. ПРЕДШЕСТВЕННИКИ-Многолетние травы
4 10. ПРЕДШЕСТВЕННИКИ-Сахарная свекла
[ 2] 11. УРОВЕНЬ ПЛОДОРОДИЯ
5 11. УРОВЕНЬ ПЛОДОРОДИЯ-Высокий.
6 11. УРОВЕНЬ ПЛОДОРОДИЯ-Низкий
7 11. УРОВЕНЬ ПЛОДОРОДИЯ-Средний.
[ 3] 12. ОБРАБОТКА ПОЧВЫ
8 12. ОБРАБОТКА ПОЧВЫ-Безотвальная.
9 12. ОБРАБОТКА ПОЧВЫ-Отвальная
10 12. ОБРАБОТКА ПОЧВЫ-Поверхностная
[ 4] 13. УДОБРЕНИЕ
11 13. УДОБРЕНИЕ-Минеральная система
12 13. УДОБРЕНИЕ-Органическая система.
13 13. УДОБРЕНИЕ-Органическо-минеральная
14 13. УДОБРЕНИЕ-Отсутствует
[ 5] 14. ЗАЩИТА РАСТЕНИИ
15 14. ЗАЩИТА РАСТЕНИЙ- Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
2. Ввод данных мониторинга в базу прецедентов (обучающую выборку) за период, в течение которого имеется необходимая информация в электронной форме.
Этот ввод осуществлялся с помощью специально предназначенного для подобных случаев универсального программного интерфейса между внешними базами данных и системой "Эйдос" (рисунок 2).
ш
9:46:35
ПРОГРАММНЫЙ ИНТЕРФЕЙС ИМПОРТА ДАННЫХ ИЗ ОВР-ФАИЛА СТАНДАРТА проф. А.Н.ЛЕБЕДЕВА
=== ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИИ === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ===
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ (ВЫХОД ИЗ диалога - 0)
СУММАРНОЕ КОЛИЧЕСТВО ШКАЛ И ГРАДАЦИИ, СИМ: 70 (кл) X 15 (пр)
Кл ас с ификаци он н ые
Шкалы Град. Гр/шк
Описательные
Шкалы Град. Гр/шк
Числовые
Текстовые
Задайте СУММАРНОЕ количество градаций в классификационных шкалах: 70
Выход из диалога и расчета кол-ва градации в числовых шкалах - 0:
В
Рисунок 2 - Экранная форма универсального программного интерфейса между внешними базами данных и системой "Эйдос"
Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций и обучающей выборки на основе DBF-файла с сходными данными приведенного ниже стандарта.
Этот DBF-файл должен иметь имя: Inp_data.dbf и может быть получен в Excel, если выбрать "Сохранить как" и задать тип файла: DBF 4, dBASE IV. Каждая строка файла содержит данные об одном объекте обучающей выборки. Все столбцы этого файла могут быть как текстового, так и числового типа
1-й столбец содержит наименование источника данных длиной < 16 символов.
Столбцы со 2-го по N-й являются классификационными шкалами и содержат информацию о классах, к которым принадлежат объекты обучающей выборки.
Столбцы с N+1 по последний являются описательными шкалами и содержат информацию о признаках, характеризующих эти объекты.
Русские наименования классификационных и описательных шкал должны быть строками в файле с именем Inp_name.txt стандарта: MS DOS (кириллица).
Система автоматически находит минимальное и максимальное числовые значения в каждом столбце классов или признаков и формирует заданное в диалоге количество ОДИНАКОВЫХ для каждой шкалы числовых интервалов. Затем числовые значения заменяются их интервальными значениями. Каждое УНИКАЛЬНОЕ текстовое или интервальное значение считается градацией классификационной или описательной шкалы, характеризующей объект.
Затем с использованием этой информации генерируется обучающая выборка, в которой каждой строке DBF-файла исходных данных соответствует одна физическая анкета, содержащая столько логиче-
ских анкет, сколько уникальных классов в диапазоне столбцов классов, и коды признаков, которые соответствуют попаданиям числовых значений признаков в интервалы.
В таблице 4 представлен фрагмент исходного Excel-файла. Файл Inp_data.dbf по структуре не отличается от экселевского за исключением того, что наименования полей в нем вида: N1, N2,..., ШЗ. Для того чтобы исключить длинные текстовые кириллические наименования полей из экселевского файла, нужно перед записью выделить блоком часть таблицы с латинскими наименованиями полей и нужными данными. Интервальные значения и сочетания классов в Excel-файле образованы средствами Excel.
В результате работы данного программного интерфейса (см. рисунок 1) на основе файлов Inp_data.dbf и Inp_name.txt автоматически формируются классификационные и описательные шкалы и градации (см. таблицы 2 и 3), обучающая выборка (таблица З).
_______________________Таблица 4 - EXCEL-ФАЙЛ С ИСХОДНЫМИ ДАННЫМИ (ФРАГМЕНТ
N Культура Сорт Урожайность Культура + сорт + урожайность Культура + сорт + качество Культура + урожайность (округленная) Культура + качество Предшественники Уровень плодо- родия Обработка почвы Удобрение Защита растений
(точн. знач) (инт. оценка) Качество
N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15
1 Озимая пшеница Победа-50 49,5 {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
2 Озимая пшеница Победа-50 48,4 {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
3 Озимая пшеница Победа-50 45,4 {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
4 Озимая пшеница Победа-50 б5,0 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
5 Озимая пшеница Победа-50 б5,В {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
б Озимая пшеница Победа-50 б0,1 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
1 Озимая пшеница Победа-50 б2,3 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
В Озимая пшеница Победа-50 б0,б {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
9 Озимая пшеница Победа-50 58,3 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
10 Озимая пшеница Победа-50 0,0 {00,0-11,5} Ценная Озимая пшеница+Победа-50+{00,0-17,5} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{00,0-17,5} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
11 Озимая пшеница Победа-50 0,0 {00,0-11,5} Ценная Озимая пшеница+Победа-50+{00,0-17,5} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{00,0-17,5} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
12 Озимая пшеница Победа-50 0,0 {00,0-11,5} Ценная Озимая пшеница+Победа-50+{00,0-17,5} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{00,0-17,5} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
13 Озимая пшеница Победа-50 4б,В {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
14 Озимая пшеница Победа-50 48,9 {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
15 Озимая пшеница Победа-50 42,4 {34,9-52,4} Ценная Озимая пшеница+Победа-50+{34,9-52,4} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{34,9-52,4} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
1б Озимая пшеница Победа-50 б4,3 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
11 Озимая пшеница Победа-50 бЗ,1 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
18 Озимая пшеница Победа-50 б2,1 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
19 Озимая пшеница Победа-50 б8,8 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
20 Озимая пшеница Победа-50 б5,9 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
21 Озимая пшеница Победа-50 бЗ,8 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
22 Озимая пшеница Победа-50 11,4 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
23 Озимая пшеница Победа-50 бЗ,5 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
24 Озимая пшеница Победа-50 бЗ,1 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Органическо-минеральная Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
25 Озимая пшеница Победа-50 б0,9 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
2б Озимая пшеница Победа-50 58,8 {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
21 Озимая пшеница Победа-50 54,б {52,4-б9,8} Ценная Озимая пшеница+Победа-50+{52,4-69,8} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{52,4-69,8} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Отсутствует Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
2В Озимая пшеница Победа-50 85,1 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
29 Озимая пшеница Победа-50 84,5 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
30 Озимая пшеница Победа-50 18,9 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Минеральная система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
31 Озимая пшеница Победа-50 83,2 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Низкий Отвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
32 Озимая пшеница Победа-50 81,8 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Средний Безотвальная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
33 Озимая пшеница Победа-50 18,1 {б9,8-81,З} Ценная Озимая пшеница+Победа-50+{69,8-87,3} Озимая пшеница+Победа-50+Ценная Озимая пшеница+{69,8-87,3} Озимая пшеница+Ценная Многолетние травы Высокий Поверхностная Органическая система Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
httpy/ei.kubagro.ru^QQS^/pdfi^.pdf
Таблица 5 - ОБУЧАЮЩАЯ ВЫБОРКА (ФРАГМЕНТ)
Код Наименование Классы Признаки
1 2 3 4 5 6 7 8 9 1 2 3 4 5
1 1 1 6 15 22 26 31 51 57 68 3 6 9 14 15
2 2 1 6 15 22 26 31 51 57 68 3 7 8 14 15
3 3 1 6 14 22 26 31 51 57 68 3 5 10 14 15
4 4 1 6 17 23 26 32 51 58 68 3 6 9 11 15
5 5 1 6 17 23 26 32 51 58 68 3 7 8 11 15
6 6 1 6 16 23 26 32 51 58 68 3 5 10 11 15
7 7 1 6 16 23 26 32 51 58 68 3 6 9 12 15
8 8 1 6 16 23 26 32 51 58 68 3 7 8 12 15
9 9 1 6 16 23 26 32 51 58 68 3 5 10 12 15
10 10 1 6 9 20 26 30 51 56 68 3 6 9 13 15
11 11 1 6 9 20 26 30 51 56 68 3 7 8 13 15
12 12 1 6 9 20 26 30 51 56 68 3 5 10 13 15
13 13 1 6 14 22 26 31 51 57 68 3 6 9 14 15
14 14 1 6 15 22 26 31 51 57 68 3 7 8 14 15
15 15 1 6 14 22 26 31 51 57 68 3 5 10 14 15
16 16 1 6 17 23 26 32 51 58 68 3 6 9 11 15
17 17 1 6 17 23 26 32 51 58 68 3 7 8 11 15
18 18 1 6 16 23 26 32 51 58 68 3 5 10 11 15
19 19 1 6 17 23 26 32 51 58 68 3 6 9 12 15
20 20 1 6 17 23 26 32 51 58 68 3 7 8 12 15
21 21 1 6 17 23 26 32 51 58 68 3 5 10 12 15
22 22 1 6 18 24 26 33 51 59 68 3 6 9 13 15
23 23 1 6 17 23 26 32 51 58 68 3 7 8 13 15
24 24 1 6 16 23 26 32 51 58 68 3 5 10 13 15
25 25 1 6 16 23 26 32 51 58 68 3 6 9 14 15
26 26 1 6 16 23 26 32 51 58 68 3 7 8 14 15
27 27 1 6 15 23 26 32 51 58 68 3 5 10 14 15
28 28 1 6 19 24 26 33 51 59 68 3 6 9 11 15
29 29 1 6 19 24 26 33 51 59 68 3 7 8 11 15
30 30 1 6 18 24 26 33 51 59 68 3 5 10 11 15
Обучающая выборка включает описания 308 случаев выращивания озимой пшеницы нескольких сортов, а также озимого и ярового ячменя и в полном виде здесь не приводится из-за большого объема.
3. Синтез семантической информационной модели (СИМ).
Стандартными средствами системы "Эйдос" (режим: _235) был выполнен синтез семантической информационной модели (СИМ).
4. Оптимизация СИМ.
В системе "Эйдос" реализовано несколько различных методов оптимизации (в смысле улучшения адекватности) модели: это и исключение из
модели статистически малопредставленных классов и факторов (артефактов), и исключение незначимых факторов, и ремонт (взвешивание) данных, что обеспечивает не только классическую, но и структурную репрезентативность исследуемой выборки по отношению к генеральной совокупности, и итерационное разделение классов на типичную и нетипичную части, и генерация моделей больших размерностей с сочетанными признаками.
Однако проведенные численные эксперименты с применением этих методов оптимизации модели показали, что их использование нецелесообразно по двум причинам:
1. Полученная исходная модель и так обладает достаточно хорошими характеристиками адекватности.
2. Применение методов улучшения адекватности модели не дает ощутимых результатов.
Пункт 2 можно объяснить тем, что когда модель хорошая, то дальше ее улучшать сложнее, чем модель с низкой адекватностью.
5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).
Контрольное измерение адекватности СИМ было проведено на исходной выборке, включающей 308 случаев, т.е. физических анкет, состоящих из 2774 логических анкет. Каждый случай выращивания описан в одной физической анкете (строке Ехсе1-файла), но используется для формирования нескольких классов, в среднем 9, т.е. каждая физическая анкета включает в среднем 9 логических анкет.
При этом были получены результаты, представленные в таблице 6.
Итоговые средневзвешенные показатели адекватности модели приведены ниже:
11. Среднее количество и % логических анкет, правильно отнесенных к классу: 81.547, т.е. 85.306 %.
12. Среднее количество и % логических анкет, ошибочно не отнесенных к классу: 14.047, т.е. 14.694 %.
13. Среднее количество и % логических анкет, ошибочно отнесенных к классу: 60.461, т.е. 28.465 %.
14. Среднее количество и % логических анкет, правильно не отнесенных к классу: 151.945, т.е. 71.535 %.
15. Средневзвешенная вероятность случайного угадывания принадлежности объекта к классу: 31.037 %.
16. Средневзвешенная эффективность применения модели по сравнению со случайным угадыванием: 7.095 раз.
Например, класс: "1. КУЛЬТУРА-Озимый Ячмень" в исследуемой выборке встретился 48 раз, значит, вероятность случайного угадывания того, что случай выращивания относится именно к данному классу, составляет: 48/308* 100=15,584(%), с использованием же модели к этому классу были отнесены все случаи, в действительности к нему относящиеся, т.е. 100 %, что в 6.417 раз выше вероятности случайного угадывания. Напомним, что уже при вероятности правильной идентификации в 2.5 раз выше, чем вероятность случайного угадывания, считается, что с достоверностью 95 % в модели обнаружена закономерность.
В общем, эти показатели адекватности модели можно считать достаточными для решения проблемы, сформулированной в данной статье, т.е. для решения задач прогнозирования и поддержки принятия решений. Кроме того, поскольку модель адекватна, т.е. верно отражает предметную область, то исследование модели можно считать исследованием самой предметной области (таблица 6).
Таблица 6 - ИЗМЕРЕНИЕ АДЕКВАТНОСТИ СЕМАНТИЧЕСКОМ ИНФОРМАЦИОННОЙ МОДЕЛИ
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ (ДИФФЕРЕНЦИАЛЬНОЙ И ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ) СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
Всего физических анкет: 308 (ЮОЖ для п.15)
Всего логических анкет: 2774
4. Средняя достоверность идентификации логических анкет с учетом сходства
5. Среднее сходство логических анкет, правильно отнесенных к классу
6. Среднее сходство логических анкет, ошибочно не отнесенных к классу
7. Среднее сходство логических анкет, ошибочно отнесенных к классу
8. Среднее сходство логических анкет, правильно не отнесенных к классу
13.388% 6.643» 1.679»
5.507» 13.932*
9. Средняя достоверность идентификации логических анкет с учетом кол-ва : 51.618%
10. Среднее количество физич-х анкет, действительно относящихся к классу: 95.594 (100% для п.И и п.12) Среднее количество физич-х анкет, действительно не относящихся к классу: 212.406 (100» для п.13 и п.14)
11. Среднее количество I
12. Среднее количество I
13. Среднее количество I
14. Среднее количество I
% лог-их анкет, правильно Ж лог-их анкет, ошибочно Ж лог-их анкет, ошибочно Ж лог-их анкет, правильно
Всего физических анкет: 308.000 (100» для п.15) отнесенных к классу: 81.547, т.е. 85.306Ж
1е отнесенных к классу: 14.047, т.е. 14.694Ж
отнесенных к классу: 60.461, т.е. 28.465Ж
не отнесенных к классу: 151.945, т.е. 71.535%
15. Средневзвешенная вероятность случайного угадавания принадлежности объекта к классу |( Ж ): 31.037
16. Средневзвешенная эффективность применения модели по сравнению со случ. угадыванием (раз): 7.095
23-04-08 11:04:32
N п/п Код класса Наименование класса Дэстов. идентиф. лог.анк. с учетом сходства эвр.крит Суммарное сходство/различие лог.анк правильно или ошибочно отнесенных или не отнесенных к классу Достов. идентиф. лог.анк. с уч.количества эвр.крит Кол-во лог.анк. дейст-но относящихся к классу Количество логических анкет правильно или ошибочно отнесенных или не отнесенных к классу
Правиль. отнесен. Ошибочно не отнес Ошибочно отнесен. Правиль. не отнес Правиль. отнесен. Ошибочно не отнес Ошибочно отнесен. Правиль. не отнес
1 2 3 4 5 6 7 8 9 10 И 12 13 14
1 1 1. КУЛЬТУРА-Озимая пшеница 15.1 7.3 6.8 0.0 14.6 70.8 212 167 45 0 96
2 2 1. КУЛЬТУРА-0зимый Ячмень 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
3 3 1. КУЛЬТУРА-Яровой ячмень 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
4 4 2. С0РТ- 16.0 11.4 0.0 5.3 9.9 70.8 96 96 0 45 167
5 5 2. СОРТ-Батько 3.7 5.3 0.0 11.0 9.4 37.7 45 45 0 96 167
6 6 2. СОРТ-Победа-50 18.4 3.2 0.3 0.0 15.5 76.6 72 36 36 0 236
7 7 2. СОРТ-Руфа 14.6 5.6 0.0 4.3 13.3 76.6 47 47 0 36 225
8 8 2. СОРТ-Юна 21.1 5.7 0.0 0.0 15.4 100.0 48 48 0 0 260
9 9 3. УРОЖАЙНОСТЬ (Т0ЧН.ЗНАЧ.) {0.00, 7.90} 26.6 15.8 0.2 5.7 16.8 54.5 137 136 1 69 102
10 12 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {23.70, 31.60} 1.2 0.5 0.0 15.2 16.0 3.2 2 2 0 149 157
И 13 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {31.60, 39.50} 4.8 1.1 0.1 14.7 18.6 7.1 7 6 1 142 159
12 14 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {39.50, 47.40} -0.1 1.5 0.0 11.6 9.9 7.8 14 14 0 142 152
13 15 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {47.40, 55.30} 4.1 3.2 0.0 11.7 12.6 14.9 26 25 1 130 152
14 16 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {55.30, 63.20} 6.3 2.0 0.0 9.0 13.3 21.4 26 22 4 117 165
15 17 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {63.20, 71.10} 13.7 3.1 0.3 7.6 18.5 28.6 41 32 9 101 166
16 18 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {71.10, 79.00} 7.6 4.7 0.6 11.5 15.1 32.5 38 29 9 95 175
17 19 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) {79.00, 86.90} 14.7 1.5 0.1 5.5 18.8 38.3 19 18 1 94 195
18 20 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{00,0-17,5} 26.6 15.8 0.2 5.7 16.8 54.5 137 136 1 69 102
19 21 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{17,5-34,9} 2.2 0.9 0.0 14.8 16.0 4.5 4 4 0 147 157
20 22 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{34,9-52,4} 5.6 4.3 0.0 12.3 13.6 33.8 33 33 0 102 173
21 23 4. УРОЖАЙНОСТЬ (ИНТ.0ЦЕНКА)-{52,4-69,8} 16.6 5.9 0.8 6.4 17.9 39.6 73 51 22 71 164
22 24 4. УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{69,8-87,3} 14.4 4.5 0.6 5.8 16.2 40.9 61 52 9 82 165
23 25 5. КАЧЕСТБО- 16.0 11.4 0.0 5.3 9.9 70.8 96 96 0 45 167
24 26 5. КАЧЕСТВО-Ценная 15.1 7.3 6.8 0.0 14.6 70.8 212 167 45 0 96
25 27 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-03ИМая ПШЄНИЦа+Батько+{00,0-17,5} 3.1 4.3 0.0 10.3 9.1 -19.5 30 30 0 184 94
26 28 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-0 3 ИМ ая ПШЄНИЦа+Батько+{52,4-69,8} 2.8 1.4 0.0 14.7 16.1 21.4 6 6 0 121 181
27 29 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШЄНИЦа+Батько+{69,8-87,3} 2.9 2.0 0.0 14.9 15.7 23.4 9 9 0 118 181
28 30 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница+Победа-50+{00,0-17,5} 14.2 0.5 0.0 3.9 17.6 36.4 3 3 0 98 207
29 31 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница+Победа-50+{34,9-52,4} 15.0 1.3 0.0 3.6 17.3 46.8 И И 0 82 215
30 32 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница+Победа-50+{52,4-69,8} 12.8 1.9 0.2 2.0 13.0 66.2 30 23 7 45 233
31 33 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница+Победа-50+{69,8-87,3} 16.2 1.5 0.2 3.1 17.9 56.5 28 22 6 61 219
32 34 6. КУЛЬТУРА-КІОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{00,0-17,5} 8.2 2.9 0.0 7.1 12.4 34.4 20 20 0 101 187
33 35 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШЄНИЦа+Руфа+{34,9-52,4} 3.9 1.0 0.0 12.7 15.6 27.9 6 6 0 111 191
34 36 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШЄНИЦа+Руфа+{52,4-б9,8} 6.8 2.7 0.1 12.2 16.4 24.0 18 16 2 115 175
35 37 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШЄНИЦа+Руфа+{69,8-87,3} 7.3 0.5 0.0 9.2 16.0 17.5 3 3 0 127 178
36 38 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница-+Юна+{00,0-17,5} 14.3 2.9 0.0 3.1 14.6 53.2 20 20 0 72 216
37 39 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница-+Юна+{34,9-52,4} 11.4 0.5 0.0 8.7 19.7 13.6 2 2 0 133 173
38 40 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница-+Юна+{52,4-69,8} 10.0 1.4 0.0 9.5 18.2 27.3 9 8 1 111 188
39 41 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая ПШеница-+Юна+{69,8-87,3} 14.8 2.2 0.0 3.7 16.4 51.9 17 17 0 74 217
40 42 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Озимый Ячмень++{00,0-17,5} 3.9 4.6 0.0 9.3 8.5 7.8 32 32 0 142 134
41 43 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Озимый Ячмень++{34,9-52,4} 0.2 0.7 0.0 16.8 16.3 35.1 3 3 0 100 205
42 44 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Озимый Ячмень++{52,4-69,8} -0.1 1.8 0.0 14.2 12.3 7.8 9 9 0 142 157
43 45 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Озимый Ячмень++{69,8-87,3} 2.6 0.9 0.0 14.6 16.2 21.4 4 4 0 121 183
44 46 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Я ро во й ячмень++{00,0-17,5} 3.9 4.6 0.0 9.3 8.5 7.8 32 32 0 142 134
45 47 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Я ро во й ячмень++{17,5-34,9} 2.2 0.9 0.0 14.8 16.0 4.5 4 4 0 147 157
46 48 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Я ро во й ячмень++{34,9-52,4} 1.2 2.3 0.0 14.6 13.4 24.7 И И 0 116 181
47 49 6. КУЛ ЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-Я ро во й ячмень++{52,4-69,8} 1.4 0.3 0.0 14.2 15.4 19.5 1 1 0 124 183
48 50 7. КУЛ ЬТУР А+СО РТЖАЧ ЕСТВО-0 з им ая пшеница+Батько+Ценная 3.7 5.3 0.0 11.0 9.4 37.7 45 45 0 96 167
49 51 7. КУЛ ЬТУРА+СО РТЖАЧ ЕСТВО-0 з им ая пшеница+Победа-50+Ценная 18.4 3.2 0.3 0.0 15.5 76.6 72 36 36 0 236
50 52 7. КУЛ ЬТУР А+СО РТЖАЧ ЕСТВО-0 з им ая пшеница+Руфа+Ценная 14.6 5.6 0.0 4.3 13.3 76.6 47 47 0 36 225
51 53 7. КУЛ ЬТУР А+СО РТЖАЧ ЕСТВО-0 з им ая пшеница-НОна+Ценная 21.1 5.7 0.0 0.0 15.4 100.0 48 48 0 0 260
52 54 7. КУЛ ЬТУР А+СО РТ-ЖАЧ ЕСТВО -0 з имы й Ячмень++ 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
53 55 7. КУЛ ЬТУР А+СО РТ-ЖАЧ ЕСТВО -Яровой ячмень++ 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
54 56 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{00,0-17,5} 13.1 7.4 0.2 12.1 18.0 13.0 73 72 1 133 102
55 57 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{34,9-52,4} 6.1 2.2 0.0 7.7 11.7 27.3 19 17 2 110 179
56 58 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{52,4-69,8} 17.5 4.4 0.3 4.5 17.8 46.8 63 50 13 69 176
57 59 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{69,8-87,3} 15.1 3.9 0.5 5.4 17.1 38.3 57 48 9 86 165
58 60 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{00,0-17,5} 3.9 4.6 0.0 9.3 8.5 7.8 32 32 0 142 134
59 61 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ОзимыЙ Ячмень+{34,9-52,4} 0.2 0.7 0.0 16.8 16.3 35.1 3 3 0 100 205
60 62 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ОзимыЙ Ячмень+{52,4-69,8} -0.1 1.8 0.0 14.2 12.3 7.8 9 9 0 142 157
61 63 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ОзимыЙ Ячмень+{69,8-87,3} 2.6 0.9 0.0 14.6 16.2 21.4 4 4 0 121 183
62 64 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ЯровоЙ ячмень+{00,0-17,5} 3.9 4.6 0.0 9.3 8.5 7.8 32 32 0 142 134
63 65 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ЯровоЙ ячмень+{17,5-34,9} 2.2 0.9 0.0 14.8 16.0 4.5 4 4 0 147 157
64 66 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ЯровоЙ ячмень+{34,9-52,4} 1.2 2.3 0.0 14.6 13.4 24.7 И И 0 116 181
65 67 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ЯровоЙ ячмень+{52,4-69,8} 1.4 0.3 0.0 14.2 15.4 19.5 1 1 0 124 183
66 68 9. КУЛЬТУРА+КАЧЕСТВО-Озимая пшеница+Ценная 15.1 7.3 6.8 0.0 14.6 70.8 212 167 45 0 96
67 69 9. КУЛЬТУРА-ЖАЧЕСТВО-Озимый Ячмень+ 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
68 70 9. КУЛЬТУРА-ЖАЧЕСТВО-Яровой ячмень+ 4.6 5.7 0.0 11.0 9.9 39.6 48 48 0 93 167
Средневзвешенные значения 13.4 6.6 1.7 5.5 13.9 51.6 95.6 81.5 14.0 60.5 151.9
С04 к = С05 к]
С09 к = ( СИ к:
СЮ к = СИ к:
С15 к = сю к:
С16 к = С09 к:
С12 [к] + С13 [к] + С14 [к] ) * 100
Универсальная когнитивная аналитическая система ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ДИФФЕРЕНЦИАЛЬНОЙ ВАЛИДНОСТИ (ПО КЛАССАМ):
С06 ^ _ со? ^ + С08 - С12 [к] - С13 [к] + С14 [к] ) / ( СИ [к] н С12 [к]
/ \\V\z * 100 . / С15 [к]
где к - класс (соответствует строке)
где ИРт г - суммарное количество физических анкет (объектов) в распознаваемой выборке
ФОРМУЛЫ РАСЧЕТА ПОКАЗАТЕЛЕЙ ИНТЕГРАЛЬНОЙ ВАЛИДНОСТИ (СРЕДНЕВЗВЕШЕННОЕ ПО ВСЕМ КЛАССАМ):
а = СУММДло_к( Ст [к] * СЮ [к] ) / Ш1од
где т = { 4, 5, 6, 7, 8, 9, 10, И, 12, 13, 14, 15, 16 }
где ИИод = СУММА_по_к(С10[к]) - суммарное количество логических анкет в распознаваемой выборке ПРИМЕЧАНИЕ: учтены только результаты идентификации с модулем сходства не менее: 0
Выводы
1. Как видно из приведенной в таблице 6 информации, созданная семантическая информационная модель обладает довольно высокой степенью достоверности, т.е. достаточно адекватно отражает исследуемую предметную область.
2. Это означает, что эту модель можно корректно использовать для:
- решения задачи прогнозирования урожайности озимой пшеницы исследованных сортов и озимого ячменя;
- для решения задач поддержки принятия решений по рациональному выбору агротехнологий, с наиболее высокой вероятностью приводящих к заранее заданному желаемому хозяйственному и экономическому результату;
- исследование данной модели корректно считать исследованием самой моделируемой (отраженной в модели) предметной области.
Заключение
В заключение авторы выражают благодарность доктору сельскохо -зяйственных наук, профессору Малюге Николаю Григорьевичу за предоставленную исходную информацию. В связи с большим объемом материала продолжим рассмотрение решения поставленных задач в работе [25].
Список литературы
1. 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.
2. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". -Краснодар: КубГАУ. 2004. - 633 с.
3. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.
4. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. - 280 с.
5. Симанков В.С., Луценко Е. В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318 с.
6. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание) /Под науч. ред. В.С. Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258 с.
7. Луценко Е.В., Драгавцева И. А., Луценко Н.Е., Лопатина Л.М. Применение автоматизированного системного анализа для прогноза продуктивности плодовых культур на Юге страны // Материалы Всероссийской научно-практической конференции. -Краснодар: СКЗНИИСВ, 2002. - С. 8-11.
8. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., Луценко Н.Е. Применение системного анализа для прогнозирования успешности выращивания сельскохозяйственных культур (на примере плодовых) // Формы и методы повышения эффективности координации исследований для ускорения процесса передачи реальному сектору экономики завершенных разработок: Сборник. - Краснодар: СКЗНИИСиВ, 2002. -С. 62-67.
9. Луценко Е.В., Лопатина Л.М. Создание автоматизированной системы мониторинга, анализа, прогноза и управления продуктивностью сельскохозяйственных культур // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. -№02(2). - Режим доступа: http://ei.kubagro.ru/2003/02/07/p07.asp.
10. Луценко Е.В., Егоров Е.А., Драгавцева И.А., Лопатина Л.М. и др. Интенсивные технологии возделывания плодовых культур: Монография (научное издание): СКЗНИИСиВ. - Краснодар. - 2004. - 394 с.
11. Луценко Е.В., Драгавцева И. А., Лопатина Л.М. Концептуальная постановка задачи: "Прогнозирование количественных и качественных результатов выращивания заданной культуры в заданной точке" // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №05(7). - Режим доступа:
http://ei.kubagro.ru/2004/05/08/p08.asp.
12. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. Автоматизация системного анализа продуктивности плодовых культур Юга России // Научные труды Российской академии сельскохозяйственных наук. - 2005. - №4. - С. 11-14.
13. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003610433 РФ. Заяв. № 2002611927 РФ. Опубл. от 18.02.2003.
14. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003620035 РФ. Заяв. № 2002620178 РФ. Опубл. от 20.02.03.
15. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., Немоляев А.Н. Подсистема агрометеорологической типизации лет по успешности выращивания плодовых и оценки соответствия условий микрозон выращивания ("АГРО-МЕТЕО-ТИПИЗАЦИЯ"). Пат. № 2006613271 РФ. Заяв. № 2006612452 РФ. Опубл. от 15.09.2006.
16. Луценко Е.В., Калустов А.А. Применение автоматизированного системнокогнитивного анализа для совершенствования методов компьютерной селекции подсолнечника // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2005. - №02(10). - Режим доступа: http://ei.kubagro.ru/2005/02/10/p10.asp.
17. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А. Совершенствование методов компьютерной селекции подсолнечника путем применения АСК-анализа // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 397-411.
18. Луценко Е.В., Головин В.П., Калайджян А. А., Калустов А.А. Прогнозирование селекционных свойств растений подсолнечника на основе их фенотипических признаков путем применения АСК-анализа // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. -С. 463-464.
19. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А. Кластерноконструктивный и системно-когнитивный анализ результатов выращивания подсолнечника и факторов // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 476-478.
20. Луценко Е.В., Головин В.П., Калайджян А. А., Калустов А.А. Поддержка принятия решений по отбору растений для селекции на основе анализа их фенотипических признаков методом АСК-анализа // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 492496.
21. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. -М.: Высшая школа, 1997. - 389 с.
22. Денисов А.А.. Информационное поле. - СПб.: Изд-во "Омега", 1998. - 3,9 п.л.
23. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе / Е.В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). - Режим доступа: К^://єі . kubagro. ru/2004/01/pdf/16.pdf .
24. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шен-
ка - Абельсона / Е.В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(5). - Режим доступа:
http://ei.kubagro.ru/2004/03/pdf/04.pdf .
25. Луценко Е.В., Лойко В.И., Великанова Л.О. Прогнозирование урожайности зерно-
вых колосовых и поддержка принятия решений по рациональному выбору агротехнологий с применением СК-анализа. // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №04(38). - Режим доступа:
Ь^:// єі . kubagro .ru/2008/04/pdf/07.pdf.
Для удобства читателей некоторые из этих работ размещены по адресу: http://1c. kubagro .ru/aidos/Eidos. .
