Синтез семантических ядер научных специальностей ВАК РФ и автоматическая классификации статей по научным специальностям с применением АСК-анализа и интеллектуальной системы "Эйдос" (на примере научного журнала КубГАУ и его научных специальностей: механизации, агрономии и ветеринарии)

Луценко Евгений Вениаминович; Андрафанова Наталия Владимировна; Потапова Наталья Викторовна

УДК 004.8

06.02.00 Ветеринария и Зоотехния

Синтез семантических ядер научных специальностей ВАК РФ и автоматическая классификации статей по научным специальностям с применением АСК-анализа и интеллектуальной системы «Эйдос» (на примере Научного журнала КубГАУ и его научных специальностей: механизации, агрономии и ветеринарии)

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 [email protected] http://lc.kubagro.ru Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Андрафанова Наталия Владимировна к.п.н., доцент РИНЦ AuthorlD: 654893 nat [email protected]

Потапова Наталья Викторовна

Преподаватель

РИНЦ AuthorlD: 204795

[email protected]

Кубанский государственный университет, Краснодар, Россия

14 января 2019 года на сайте ВАК РФ http://vak.ed.gov.ru/87 появилась информация: «Об уточнении научных специальностей и соответствующих им отраслей науки, по которым издания входят в Перечень рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук». Сообщается, что согласно рекомендации ВАК для остальных изданий, входящих в Перечень по группам научных специальностей, работа по уточнению научных специальностей и отраслей науки будет продолжена в 2019 году. Данная работа является продолжением серии работ автора по когнитивной лингвистике. В ней предлагается инновационная интеллектуальная технология для автоматизации решения задачи, сформулированной ВАК РФ выше. С применением автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - интеллектуальной системы «Эйдос» непосредственно на основе официальных текстов паспортов научных специальностей ВАК РФ созданы их семантические ядра, а затем реализована автоматическая классификация научных текстов (статей, монографий, учебных пособий и т.д.) по специальностям и группам специальностей ВАК РФ. Традиционно эта задача решается диссертацион-

UDC 004.8

Veterinary and Zootechnics

The synthesis of the semantic nuclei of scientific specialties of the higher attestation commission of the russian federation and the automatic classification of articles according to scientific fields with the use of asc-analysis and "eidos" intellectual systems (on the example of scientific journal of kuban state agrarian university and its scientific specialties: mechanization, agronomy and veterinary medicine)

Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57188763047 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail. com http://lc. kubagro. ru Kuban State Agrarian University, Krasnodar, Russia

Andrafanova Natalia Vladimirovna Cand.Ped.Sci., associate Professor RSCI AuthorlD: 654893 [email protected]

Potapova Natalia Viktorovna lecturer

RSCI AuthorlD: 204795 [email protected] Kuban state University, Krasnodar, Russia

14 January 2019 at the website of the higher attestation Commission of the Russian Federation http://vak.ed.gov.ru/87 the information appeared: "About refining of scientific specialties and their respective fields of science where publications are included in the List of peer-reviewed scientific publications, where basic scientific results of dissertations on competition of a scientific degree of candidate of Sciences, on competition of a scientific degree of the doctor of Sciences must be published ". It is reported that according to the recommendation of the HAC for other publications included in the List of groups of scientific specialties, the work on refining scientific specialties and branches of science will be continued in 2019. This work is a continuation of the author's series of works on cognitive linguistics. It offers innovative intelligent technology to automate the solution of the problem formulated by the higher attestation Commission of the Russian Federation above. With the use of the automated system-cognitive analysis (ASC-analysis) and its programmatic toolkit which is intellectual system called "Eidos" directly on the basis of official texts of passports of scientific specialties of the higher attestation Commission of the Russian Federation, there were established their semantic kernels, and then, implemented the automatic classification of scientific texts (articles, monographs, textbooks, etc.) on the specialties and groups of specialties of the higher

ными советами, а также редакционными советами attestation Commission of the Russian Federation.

научных изданий, т.е. экспертами, на основе экс- Traditionally, this task is solved by dissertation coun-

пертных оценок, неформализованным путем, на cils, as well as editorial boards of scientific publica-

основе опыта, интуиции и профессиональной ком- tions, i.e. by experts, on the basis of expert assess-

петенции. Однако, традиционный подход имеет ments, in an informal way, on the basis of experience,

ряд довольно серьезных недостатков, накладыва- intuition and professional competence. However, the

ющих на качество и объемы анализа существенные traditional approach has a number of serious draw-

ограничения. Следовательно, актуальными являет- backs that impose significant limitations on the quality

ся усилия исследователей и разработчиков по пре- and volume of analysis. Therefore, the efforts of re-

одолению этих ограничений. В настоящее время searchers and developers to overcome these limitations

уже есть все основания рассматривать эти ограни- are relevant. Currently, there are all grounds to consid-

чения как неприемлемые, т.к. их не только нужно, er these restrictions as unacceptable, because they are

но и вполне возможно преодолеть. Таким образом, not only necessary, but also quite possible to over-

налицо проблема, решение которой и являются come. Thus, there is a problem, the solution of which

предметом рассмотрения в данной статье. Приво- is the subject of consideration in this article. A detailed

дится развернутый численный пример решения numerical example of solving the problem on real data

поставленной проблемы на реальных данных is given as well

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ Keywords: AUTOMATED SYSTEM-COGNITIVE

СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК- ANALYSIS, ASC-ANALYSIS, "EIDOS" SYSTEM,

АНАЛИЗ СИСТЕМА «ЭЙДОС», SEMANTIC KERNEL, SCIENTIFIC SPECIALITIES

СЕМАНТИЧЕСКОЕ ЯДРО, НАУЧНАЯ OF THE HIGHER ATTESTATION COMMISSION

СПЕЦИАЛЬНОСТЬ ВАК РФ OF THE RUSSIAN FEDERATION

Doi: 10.21515/1990-4665-145-033

СОДЕРЖАНИЕ

1. ВВЕДЕНИЕ (INTRODUCTION)...................................................................................................................3

2. МАТЕРИАЛЫ И МЕТОДЫ (MATERIALS AND METHODS)...............................................................5

2.1. Идея и концепция решения проблемы................................................................................................5

2.2. Обоснование выбора метода и инструмента решения проблемы................................................6

2.2.1 Суть метода АСК-анализа.............................................................................................................. 7

2.2.2. Суть математической модели АСК-анализа и частные критерии..........................................9

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

2.3. Применение системы «Эйдос» для создания семантических ядер научных специальностей ВАК РФ...........................................................................................................................................................15

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...................................................22

2.3.4. Верификация статистических и системно-когнитивных моделей.........................................25

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

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

2.4. Семантические ядра научных специальностей и групп специальностей ВАК РФ................32

3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ (RESULTS AND DISCUSSION): ПРИМЕНЕНИЕ СИСТЕМЫ «ЭЙДОС» ДЛЯ КЛАССИФИКАЦИИ ТЕКСТОВ ПО НАУЧНЫМ СПЕЦИАЛЬНОСТЯМ ВАК РФ ..............................................................................................................................................................................42

3.1. Подготовка исходных данных..........................................................................................................42

3.2. РЕШЕНИЕ ЗАДАЧИ КЛАССИФИКАЦИИ ТЕКСТОВ........................................................................................ 48

3.3. Анализ результатов классификации текстов................................................................................52

4. ВЫВОДЫ (CONCLUSIONS).......................................................................................................................61

4.1. Эффективность предложенного решения проблемы.....................................................................61

4.2. ОГРАНИЧЕНИЯ И НЕДОСТАТКИ ПРЕДЛОЖЕННОГО РЕШЕНИЯ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ЕГО РАЗВИТИЯ ПУТЕМ ИХ ПРЕОДОЛЕНИЯ ЭТИХ ОГРАНИЧЕНИЙ И НЕДОСТАТКОВ.................................................................. 61

4.3. ЗАКЛЮЧЕНИЕ............................................................................................................................................ 61

5. БЛАГОДАРНОСТИ (ACKNOWLEDGEMENTS)...................................................................................64

СПИСОК ЛИТЕРАТУРЫ (REFERENCES).................................................................................................64

1. Введение (Introduction)

14 января 2019 года на сайте ВАК РФ http://vak.ed.gov.ru/87 появилась информация: «Об уточнении научных специальностей и соответствующих им отраслей науки, по которым издания входят в Перечень рецензируемых научных изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук».

Сообщается, что согласно рекомендации ВАК для остальных изданий, входящих в Перечень по группам научных специальностей, работа по уточнению научных специальностей и отраслей науки будет продолжена в 2019 году.

Данная работа является продолжением серии работ автора по когнитивной лингвистике [1-20, 35] и когнитивной ветеринарии [26-35]. В ней предлагается инновационная интеллектуальная технология для автоматизации решения задачи, сформулированной ВАК РФ выше.

С применением автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - интеллектуальной системы «Эйдос» непосредственно на основе официальных текстов паспортов научных специальностей ВАК РФ созданы их семантические ядра, а затем реализована автоматическая классификация научных текстов (статей, монографий, учебных пособий и т.д.) по специальностям и группам специальностей ВАК РФ.

Традиционно эта задача решается диссертационными советами, а также редакционными советами научных изданий, т.е. экспертами, на основе экспертных оценок, неформализованным путем, на основе опыта, интуиции и профессиональной компетенции.

Однако традиционный подход имеет ряд довольно серьезных недостатков, накладывающих на качество и объемы анализа существенные ограничения.

Следовательно, актуальными является усилия исследователей и разработчиков по преодолению этих ограничений.

В настоящее время уже есть все основания рассматривать эти ограничения как неприемлемые, т.к. их не только нужно, но и вполне возможно преодолеть. Таким образом, налицо проблема, решение которой и являются предметом рассмотрения в данной статье.

Приводится развернутый численный пример решения поставленной проблемы на реальных данных.

Какие же конкретно основные недостатки традиционного подхода?

Во-первых, количество экспертов-аналитиков по контент-анализу и атрибуции текстов довольно ограничено.

Во-вторых, время экспертов стоит дорого, а производительность их работы не очень высока. Поэтому задача атрибуции текстов ими решается неточно и в ограниченном объеме.

В-третьих, обычно эксперты это очень уважаемые и довольно пожилые люди, имеющие ограниченную производительность и не очень ладящие с компьютерами. Поэтому обычно эксперты лично не работают с компьютерами и им для поддержки этой работы нужен специалист, обычно когнитолог (инженер по знаниям), который извлекает знания эксперта и повышает степень их формализации до уровня, который позволяет внести их в интеллектуальные системы.

В-четвертых, часто эксперт не способен формализовать свои знания и оценки даже до уровня вербализации, т.е. сформулировать их словами. Иначе говоря, все оценки производятся в качественных порядковых шкалах с небольшим числом градаций. Никакой речи об использования количественных шкал с большим числом интервальных числовых значений не идет.

В-пятых, эксперты часто не хотят искренне сообщать свои знания и методы принятия решений, т.к. иногда в особо щепетильных случаях такие откровения экспертов можно было бы квалифицировать как чистосердечное признание, снижающее тяжесть наказания. Понятно, что в подобных случаях эксперт вместо реальных используемых на практике знаний и подходов сообщит когнитологу вполне ожидаемые и приемлемые с точки зрения морально-этических норм, а также гражданского и уголовного законодательства.

Мы видим, что недостатки традиционного решения являются довольно существенными, а значит, усилия исследователей и разработчиков по их преодолению являются актуальными. Поэтому целью работы является разработка автоматизированной технологии (метода и инструментария), а также методики их применения для формирования семантических ядер ветеринарии путем автоматизированного системно-когнитивного анализа паспортов научных всех специальностей ВАК РФ и автоматической классификация различных текстов по направлениям науки.

Для достижения поставленной цели необходимо решить следующие задачи, которые получаются путем декомпозиции цели:

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, т.е. 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.

Задача 5: рассмотреть ограничения и недостатки предложенного решения проблемы и перспективы его развития путем их преодоления этих ограничений и недостатков.

Ниже кратко рассмотрим решение этих задач на реальных данных в конкретном численном примере.

2. Материалы и методы (Materials and methods) 2.1. Идея и концепция решения проблемы

Идея решения проблемы состоит в применении для достижения поставленной цели современных IT-технологий, особенно интеллектуальных технологий, которых просто не существовало в период разработки традиционного подхода. Суть предлагаемой идеи достижения цели состоит в том, что предлагается сначала на основе паспортов научных специальностей ВАК РФ создать модель, включающую семантические ядра всех научных специальностей и их групп, а затем создать описания классифицируемых текстов провести их идентификацию по научным специальностям и их группам в той же модели.

Концепция решения проблемы конкретизирует сформулированную выше идею и заключается в применении технологий искусственного интеллекта для создания приложений, обеспечивающих глубокую атрибуцию текстов (термин автора).

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Суть предлагаемой концепции состоит в применении теории информации для того, чтобы рассчитать какое количество информации содержится в том или ином слове или его лемме о принадлежности текста с этим словом (леммой) к определенному классу. Классы соответствуют научным специальностям ВАК РФ (в шифрах специальностей указаны все 3 пары цифр) или группам специальностей или направлениям науки (в шифрах групп специальностей указаны первые 2 пары цифр или даже только первые две цифры).

Текст считается тем более релевантным классу, чем больше суммарное количество информации, содержащееся в словах (леммах) этого текста о принадлежности к этому классу.

Классы можно сравнивать друг с другом по тому, какое количество информации о принадлежности к ним содержат слова (леммы), встречающиеся в текстах этих классов.

2.2. Обоснование выбора метода и инструмента решения проблемы

Автоматизированный системно-когнитивный анализ (АСК-анализ) разработан проф. Е.В. Луценко в 2002 году [6-13] 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»).

Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http : //lc.kubagro .ru/aidos/index.htm) ;

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc .kubagro.ru/aidos/aidos02/PR-4 .htm) ;

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумлен-ных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их 31 и 143, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);

- обеспечивает мультиязычную поддержку интерфейса на 44 языках. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5 .com/map3 .php);

- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллекту-

альную обработку больших данных, большой информации и больших знаний;

- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf).

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 (рисунки 1 и 2) [613].

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

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

С

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

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

)

Рисунок 2. Последовательность преобразования данных в информацию, а ее в знания и решения задач в АСК-анализе и 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 и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [67].

Суть математической модели АСК-анализа состоит в следующем.

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

Таблица 1 - Матрица абсолютных частот

Классы

1 j W Сумма

й 1 Nn N1 , N iV1W

о а

о н а ■& к s = о Г i Nn Nj N W NS = I Nj i=1

с« =

PO M N iVM1 NMj N iV MW

Суммарное количество Признаков по классу II W M Nss= I IN, i=1 j=1

Суммарное количество объектов обучающей выборки по классу ns W Nss= I Nsi i=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 NSj- используется суммарное количество признаков по классу;

2-й способ: в качестве NSj- 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 P1j P 11W

i Pl iP и N N P 1 iW P _ NS 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 признак, то это i-й признак IJ =YXLog2 P NN Ij = Yx Log 2 1 NN i J

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 Ij =Yx Log 2 1 NN, 1 J

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — N,N, I = N.. 1 j j j 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 = 1 1 = 1 1 j P P n.n P, = 1 j nin]

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

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

Обозначения к таблице 3: I - значение прошлого параметра; j - значение будущего параметра;

Ыу - 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; Щ - 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.

I у - 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 (Е.В.Луценко, 2002), 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 Л ц 1\ж *х = 2 1 ж 2 ж-1У(1''-1)

г 1,1 1ц 1 Ш 2 1 У(I -I) ж -1Ц-Т"

М 1М1 1ыц 1Ыж = 2 1 ж 2 ж-1У 1ы )

Степень редукции класса 1 ж Ы , ч2 н = 2 1 УУ [I, I) • ы -1) 1

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 [11].

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 [1-11].

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

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,).

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

М

Ь = X1 ,

¡=1 ,

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

= {1у } - вектор состояния _]-го класса;

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

1, если , - й фактор действует;

Ьг = < п, где: п > 0, если , - й фактор действует с истинностью п;

0, если , - й фактор не действует.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

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 М

'.--¡¿м 5 1-1 *

где:

М - количество градаций описательных шкал (признаков);

1 - средняя информативность по вектору класса;

Ь - среднее по вектору объекта;

о j - среднеквадратичное отклонение частных критериев знаний вектора класса;

¡1 - среднеквадратичное отклонение по вектору распознаваемого объекта.

= {1^ } - вектор состояния j-го класса;

—

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

1, если , - й фактор действует;

Ь, = <п, где: п > 0, если , - й фактор действует с истинностью п;

0, если , - 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).

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 [14-18]. 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 [6-7].

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

2.3. Применение системы «Эйдос» для создания

семантических ядер научных специальностей ВАК РФ

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

- 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.

2.3.1. Когнитивно-целевая структуризация предметной области

На этапе когнитивно-целевой структуризации предметной области мы решаем на качественном уровне, что будем рассматривать в качестве факторов, действующих на моделируемый объект (причин), а что в качестве результатов действия этих факторов (последствий).

В данной работе мы собираемся на основе непосредственно паспортов различных научных специальностей ВАК РФ, сформировать обобщенные лингвистические образы этих специальностей, т.е. сформировать семантические ядра классов по различным направлениям науки, соответствующих этим специальностям и группам специальностей.

Соответственно, в качестве классификационных шкал мы используем шифры и наименования научных специальностей ВАК РФ и их групп, а

в качестве описательных шкал слова (точнее их леммы) этих текстов (ме-мы [21] на в данном исследовании не используются, хотя применяемая технология позволяет сделать и это).

2.3.2. Формализация предметной области и описание исходных данных

Исходные данные представляют собой текстовые файлы паспортов научных специальностей ВАК РФ, взятые непосредственно с сайта ВАК РФ на странице: http://vak.ed.gov.ru/316. Эти файлы скачаны с сайта ВАК РФ вручную по приведенным на нем прямым ссылкам.

Характеристика файлов исходных данных. Паспорта специально-

стей (их 429) представляют собой doc-файлы MS Word (рисунок 3).

Рисунок 3. Файлы исходных данных

Имена этих файлов, скачанных с сайта ВАК РФ по прямым указанным на нем ссылкам, обычно, но не всегда, состоят из шифра специальности и ее наименования, причем наименования специальностей часто являются сокращенными или оборванными на полуслове, а иногда и вообще отсутствуют (есть только шифры специальностей). Одна специальность (09.00.04 Эстетика) повторяется на сайте ВАК два раза.

Для системы «Эйдос» в настоящее время исходные текстовые файлы должны быть в кодировке DOS OEM 866 (ASCII). Поэтому исходные вор-довские doc-файлы, скачанные с сайта ВАК РФ, были сначала преобразованы в DOS-кодировку Windows (ANSI) (с помощью Total Doc Converter 5.1.0.191), а затем перекодированы из ANSI в ASCII (с помощью DS text converter).

Затем наименования скачанных файлов паспортов специальностей были приведены в полное соответствие с теми, которые приведены на сайте ВАК. Это было сделано не вручную, а с помощью специально для этого

разработанной автором небольшой программы, исходный текст которой приводится ниже (язык программирования xBase++):

FUNCTION Main() CLOSE ALL

USE PassportsNameVAK EXCLUSIVE NEW aPassportsNameVAK := {} DBGOTOP()

DO WHILE .NOT. EOF()

mPassportsNameVAK = ALLTRIM(FIELDGET(2))

mPassportsNameVAK = STRTRAN(mPassportsNameVAK, ';')

mPassportsNameVAK = SUBSTR(mPassportsNameVAK, 1, 6) + '00, ,+mPassportsNameVAK+,.txt' AADD(aPassportsNameVAK, mPassportsNameVAK) DBSKIP(1) ENDDO

mCountTxt = ADIR("*.TXT") // Кол-во исходных TXT-файлов с паспортами специальностей

PRIVATE aFN[mCountTxt]

ADIR("*.txt", aFN)

aFileName := {}

FOR j=1 TO mCountTxt

IF LEN(ALLTRIM(SUBSTR(aFN[j], 9, 1))) = 0

AADD(aFileName, ALLTRIM(aFN[j])) ENDIF

mCountTxt = LEN(aFileName)

FOR j=1 TO mCountTxt

mVAKspecialtyCipher = SUBSTR(aFileName[j], 1, 8) FOR i=1 TO mCountTxt

mPos = AT(mVAKspecialtyCipher, aPassportsNameVAK[i]) IF mPos > 0

mOldName = aFileName[j]

mNewName = ConvToAnsiCP(aPassportsNameVAK[i]) IF FILE(mNewName)

ERASE(mNewName) ENDIF

COPY FILE (mOldName) TO (mNewName)

mNewName = SUBSTR(aPassportsNameVAK[i],1,6)+'00-'+STRTRAN(STR(j,9),' ',,0')+,.txt, IF FILE(mNewName)

ERASE(mNewName) ENDIF

COPY FILE (mOldName) TO (mNewName) EXIT ENDIF

CLOSE ALL

LB_Warning( 'Процесс переименования файлов завершен успешно!' ) RETURN NIL

Правильные наименования файлов паспортов научных специальностей были взяты с сайта ВАК с той же страницы, с которой они скачиваются1. Это было сделано следующим образом. Паспорта специальностей

1 Отметим, что на этой странице они тоже не всегда правильные, т.е. встречаются случаи применения оборванных на полуслове наименований специальностей (например, по специальностям: 05.13.06

были выделены блоком, перенесены в MS Excel и записаны в виде DBF IV-файла с именем PassportsNameVAK.dbf, т.е. в виде базы данных, которая используется приведенной выше программой.

Кроме того, с целью формирования обобщенных образов групп специальностей, приведенная выше программа скопировала файлы паспортов специальностей во 2-м стандарте «Эйдос». В этом стандарте имена файлов имеют вид: <Наименование класса-#########.Ш>, где: ######### - номер реализации объекта, относящегося к классу. В качестве наименований классов были использованы обобщенные до первых двух пар цифр шифры специальностей для и номера примеров, также сгенерированные программой (рисунок 4):

Рисунок 4. Файлы исходных данных в кодировке DOS OEM 866 (ASCII) с исправленными именами, а также во 2-м стандарте «Эйдос»

Текстовые файлы исходных данных записываются в поддиректорию: «..\AID_DATA\Inp_data\» в той директории, в которой находится система «Эйдос».

Отметим также, что файлов исходных данных довольно много (429 паспортов специальностей) и они имеют суммарный объем около 7 Мб, что довольно много для текста в формате DOS-TXT.

Затем с параметрами, показанными на рисунке 5, запускается режим 2.3.2.1 системы «Эйдос», представляющий собой автоматизированный программный интерфейс (API) с внешними данными текстового типа. Этот программный интерфейс не имеет особых ограничений на объем обраба-

Автоматизация и управление технологическими процесс, 05.13.19 Методы и системы защиты информации, информационная).

2 Все это можно было сделать и вручную, но это было бы дольше и более трудоемко, чем написать программу и использовать ее для выполнения этой работы.

тываемых текстов, т.к. тексты представлены виде файлов, в отличие от интерфейса 2.3.2.2 в котором тексты являются значениями Ехсе1-таблицы и поэтому имеют объем не более 32К. Поэтому в данном случае интерфейс 2.3.2.1 и был использован.

Рисунок 5. Экранная форма программного интерфейса (API) 2.3.2.1 системы «Эйдос» с внешними данными текстового типа

На рисунке 5 приведены реально использованные параметры. Система «Эйдос» обеспечивает рассмотрение в качестве признаков текстов и авторов не только слов, но и их сочетаний по 2, 3 и т.д., некоторые из которых могут оказаться мемами [21] (рисунок 6). Однако в данной работе мы не будем рассматривать этот вариант, т.к. в данном случае в этом нет особой необходимости.

7~Ю]

Помощь по режиму: 2.3.2.1, Импорт данных из текстовых файлов, (С) Система "ЭЙДОС-Х+ +

Режим: "2.3.2.1. ИМПОРТ ДАННЫХ ИЗ ТЕКСТОВЫХ ФАЙЛОВ", предназначен для автоматизации ввода ОПРЕДЕЛЕНИЙ (т.е. онтологий) объектов обучающей выборки, т.е. для описания конкретным объектов предметной области путем указания более общих категорий, к которым они относятся (принадлежность к классам), а также указания признаков, отличающих одни объекты от других. На основе ряда определений конкретных объектов, рассматриваемых как примеры конкретных реализаций обобщенных классов Рйдосов), система 'Эйдос" автоматически формирует определения этих обобщенных классов.

Имена классов Формируются либо из имени Файла (два стандарта 'Эйдос"), либо из самого текста Файла (стандарт Kaggie). В 1 -м стандарте "Эйдос" для описания объектов используются текстовые Файлы, наименования и элементы наименований которых, отделенные друг от друга и от расширения файла запятой, рассматриваются как классы. Во 2-м стандарте 'Эйдос" если в конце имени файла есть девятиразрядное число перед которым стоит тире, то весь текст до этого тире рассмаривается как имя класса: "Имя класса-ЭДОД##Й8ЙШхГ. Если же тире и числа за ним в имени Файла нет, то как имя класса рассматривается все имя файла. Как признаки всегда рассматриваются слова и сочетания нескольких подряд идущих слов (мемы) в самих Файлах (см. Ричард Броуци, "Психические вирусы", http://www.twirpx.com/file/269987/).

Файлы могут бьгть различных Форматов TXT, DO С, HTMLc соответствующими расширениями(последние 2 в разработке) и различной кодировки: ANSI (Windows) или ASCII-OEM (DOS).

Файлы помещаются в папку: .VAID_DATA/lnp_data/. Система анализирует эти Файлы и создает новое приложение с наименованием: "2.3.2.1. АСК-анализ мемов и атрибуция текстов", т.е. Формирует классификационные и описательные шкалы и градации, а затем и обучающую выборку, описывающую эти Файлы или объекты реальной области, описанные этими Файлами. Этого вполне достаточно для синтеза и верификации модели, например в режиме 3.5.

Если задана опция: "Проводить лемматизацию", то слова заменяются их леммами, т.е. исходными словами, из которых они образованы, в Форме существительных единственного числа в именительном падеже. Это позволяет существенно сократить размерность модели.

База лемматизации дана Дмитрием Тумайкиным в статье: https://habrahabr.ru/company/realweb/blog/265375/, за что огромная ему благодарность: Автор лишь незначительно модифицировал ее (программно), представив в виде одной таблицы DBF-Формата: адрес для скачивания: http://lc.kubagro.ru/Lemma.rar. В основу этой базы положена база, созданная Зализняком Андреем Анатольевичем, дополненная современными словоформами. База лемметизации "Lemma.dbf" содержит более 2 млн.слов. Она может быть сброшена или скорректирована в режиме 5.13. Если ее сбросить, то Фактически лемматизация не проводится, т.к. все слова будут рассматриваться как новые. Новые слова отмечаются как <NEW> и их леммы должны быть введены в режиме 5.13 вручную.

Если задана опция: "Формировать БД lnp_data.dbf и т.д.", то создается база для программного интерфейса 2.3.2.2, в которой в качестве класса выступают последующие слова, а в качестве признаков ■ предшествующие слова (одно или несколько, сколько задано). Это позволяет строить модели, отражающие взаимосвязи слов в предложениях, позволяющие прогнозировать какое слово будет следующим, если известны одно или несколько предыдущих слов.

Кроме того данный режим позволяет сформировать распознаваемую выборку на уже имеющихся классификационных и описательных шкалах и градациях на основе Файлов, находящихся в папке: ../AID_DATA/lnp_data/ или ../AID_DATA/lnp_rasp/.

Имена исходных файлов могут быть закодированы в режиме 2.3.2.9 в двух стандартах:

- е стандарте 'Эйдос", "йййййй-Имя класса.txt", где йййййй-является порядковым номером абзаца, а текст за ним -именем исходного Файла;

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

- в стандарте http://kaggle.com/, в котором "id. Class name" берутся из текста самого Файла: id является первым словом текста Файла, а Class name - последним. Причем, если последнее слово равно 1 или 0, то они заменяются, соответственно, на "True" и "False".

Рисунок 6. Экранные форма HELP программного интерфейса (API) 2.3.2.1 системы «Эйдос» с внешними данными текстового типа

В результате работы режима сформирована одна классификационная шкала (рисунок 7) с суммарным количеством классов 480 и одна описательная шкала с числом слов-градаций 11346 (рисунок 8). В качестве градаций описательной шкалы использованы леммы слов исходных текстов (рисунок 4). Отметим, что без лемматизации количество слов (градаций описательной шкалы) увеличилось бы примерно в два раза.

Система «Эйдос» поддерживает лемматизацию. Леммы получены путем автоматизированного использования словаря академика РАН Андрея Анатольевича Зализняка для лемматизации. Эта база взята из статьи: https://habrahabr.ru/company/realweb/blog/265375/ и преобразована в формат базы данных системы «Эйдос» и входит в полную инсталляцию системы «Эйдос», размещенную на странице сайта автора: http://lc.kubagro.ru/aidos/ Aidos-X.htm. Кроме того эта база размещена на

сайте автора по ссылке: http://lc.kubagro.ru/Lemma.rar (архив имеет размер около 10 Мб, сама база в разархивированном виде около 217 Мб)._

2.1 Классификационные шкалы и градации. Текущая модель: "ДОИ.* _ 1 ,=, |1Ш|—к&-Г

1,1

1 Кед шкалы Наименование классификационной шкалы Ц Код градации Наименование градации классификационной шкалы Щ

И ШК' 1 460 25.00.17 Разработка и эксплуатация нефтяных и газовых местор 1

Ц 25.00.18 Технология освоения морских месторождений полезных

462 25.00.1 Э Строительство и эксплуатация нефтегазоводов, баз и

463 25.00.20 Геомеханика, разрушение пород взрывом, рудничная аэ

464 25.00.21 Теоретические основы проектирования горно-техническ

465 25.00.22 Геотехнология (подземная, открытая и строительная)

466 25.00.23 Физическая география и биогеография, география почв

467 25.00.24 Экономическая, социальная, политическая и рекреационная география ...

468 25.00.25 Геоморфология и эволюционная география

469 25.00.26 Землеустройство, кадастр и мониторинг земель

470 25.00.27 Гидрология суши, водные ресурсы, гидрохимия

471 25.00:28 Океанология

472 25.00.29 Физика атмосферы и гидросферы

473 25.00.30 Метеорология, климатология, агрометеорология

474 25.00.31 Гляциология и криология Земли

475 25.00.32 Геодезия

476 25.00.33 Картография

Ш. 25.00.34 Аэрокосмические исследования Земли, Фотограмметрия

47В 25.00.35 Геоинформатика

473 25.00.36 Геоэкология (по отраслям)

430 26.00.01 Теология

I 1 1 1 _ 3

« <1

Помощь Доб.шкалу Доб.град.шкалы Копир.шкалу Копир.град.шкалы Копир.шкалу с град. Удал.шкалу с град Удал.град.шкалы Удаление и перекодирование 1

|!- _!

Рисунок 7. Классификационная шкала и градации (фрагмент)

При заданных опциях режим 2.3.2.1 в качестве классов используются имена файлов без расширения, а также текст до символа тире: «-» и идущего за ним девятизначного номера файла.

^ 2.2. Описательные шкалы и градации, 1екущая модель; ^ |

111

. Кои шкй^ы Наименование описательной шкалы * Ц Код градации Наименование градации описательной шкалы

1Н1 СНОБА ИЩ ягодный |

11.527 ядернотопливного

11328 ядерный

11323 ядовитый

11330 ядохимикат

1133.1 ядро

11332 ядровый

11333 язык

11334 языковедческий

'ШШ языковый

11336 языкознание

11337 языческий

11338 язычество

11333 якобсон

11340 яковлев_на

11341 январь

11342 япония

11.343 японский

1134.4 яркость

11345 ягрогении

1Т346 ягрогенный

г 1 _„ Е

<1 <| -

Помощь Доб.шкалу Доб. град, шкалы Копир, шкалу I Копир.град.шкалы! Копир, шкалу с град. Удал, шкалу с град Удал.град.шкалы Перекодировать Очистить \\

!- — -

Рисунок 8. Описательные шкалы и градации (фрагмент)

С использованием классификационных и описательных шкал и градаций исходные тексты были закодированы и получена обучающая выборка (рисунок 9):

Рисунок 9. Обучающая выборка (фрагмент)

На рисунке 9 приведен лишь фрагмент обучающей выборки, т.к. в нее входит 876 файлов. В верхнем окне на рисунке 9 приведены наименования объектов обучающей выборки, в левом нижнем окне - коды классов, к которым эти объекты относятся (рисунок 7), а в правом нижнем окне -коды признаков, которые есть у этих объектов (рисунок 8).

Обучающая выборка по сути представляет собой нормализованные исходные данные (рисунок 4).

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).

Обратим внимание на то, что на рисунке 10 в правом нижнем углу окна задана опция: «Расчеты проводить на графическом процессор (GPU)».

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»

3,5. Выбор моделей для синтеза и верификации

I jjj

Стации исполнения процесса

Шаг 1-Й из 11 Шагйй-Из 11 Шаг 3-й.из 11 Шаг 4-й из 11

Копирование обучающей выборки в распознаваемую - Готово .Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез стат.моделей "PRC1" и "PRCZ" (усл.безусл./4 распр.) - Готово .Синтез систено-когнитивных моде пей: INF1-INF7 - Готово

НАЧАПО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-Шаг 5-й из 11. Задание модели "INF7" в качестве текущйй - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово

Шаг Г-й из 11. Измерение достоверности модели' "Inf?" - Интегральный критерий: "Сумма знаний'" - Готово КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО' Шаг 8-й из 11. Объединение БД DostRsp# в БД DostRasp - Готово

Шаг Э-й из 11: Печать сводной формы по результатам верификации моделей - Готово

Шаг 10-й Из 11. Создание формы: "Достоверность идент.классов в различных.моделяХ" - Готово

Шаг 11-й из 11: "Присвоение заданной модели.Infi статуса текущей" - Готово

Синтез и верификация статистических и системно-когнитквпых моделей упешно завершены !!!

¡Прогноз Бремени исполним

Начало: 23:06:4Е Окончание: 0:01:37

Юоа

№

Прочла: 0:54:51

Осталось: 0:00:00

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 моделей занял 54 минуты 51 секунду. Отметим, что при синтезе и верификации моделей использовался графический процессор (GPU) видеокарты. На центральном процессоре (CPU) выполнение этих операций занимает значительно большее время (на некоторых задачах это происходит в десятки, сотни и даже тысячи раз дольше). Таким образом, неграфические вычисления на графических процессорах видеокарты делает возможным обработку реальных текстов за разумное время.

Отметим также, что база лемматизации А.А.Зализняка включает 2097005 слов. В ходе выполнения данной работы она была дополнена отсутствующими в ней научными терминами, встретившиеся в паспортах специальностей научных работников ВАК РФ. Эти термины не приводятся в данной работе только из-за ограничения на ее объем.

Фрагменты самих созданных статистических и системно-когнитивных моделей (СК-модели) приведены на рисунках 12-14:

Рисунок 12. Матрица абсолютных частот (фрагмент)

f С) 5.5. Модель: "4. INF1 - частный критерий: количество знаний по Д.Харкевичу; вероятности из PRC1" J" ^ | -В

Код Шкалы и градации 1. класс 01.01.00 2. КЛАСС 01.01.01 веществен.. к0мплек0н... функций на... анализ 3. КЛАСС 01.0f.02: дифферен... уравнения. динамичес... системы и 4 кпасс 01.01.03 математич.. физика 5: класс 01.01.04 геометрия и топология g. класс 01.01,05 теория вер0ятн0с... и математич... статистика 7. класс 01.сгш математич... логика, алгебра и теория чисел 8. класс 01.01.ff? вычислите... математика э. класс 01.01,09 дискретная математика и математич... кибернетика

262 СЛ 0 ВА-акционерный

264 СЛОВА-акцня

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

265 СЛИВА-алгебра 3.241 3.S36 4.030 3.413

267 . ПЛ 0 ВА-алгебраический 3.295 3.964 4. 444 3.057

268 СЛОВА-алгоригм 1.681 1.745 2.593 2.108

269 СЛО ВА-алгоригмизация

270 СЛ 0 ВА-алгоригммческий 2.596 3.282 3.827

271 СЛП ВА-алексанарийский

273 СГГО ВА-алиментный

275 277 СЛОВА-аякалоид

СЛ 0 ВА-алкоголмзм

СЛ0 ВА-алкогольный

i 1 I

[}- —и

Рисунок 13. Матрица информативностей INF1 (фрагмент)

(•) 5.5. Модель: "6. INF3 - частный критерий: Xu-квадрат, разности между фактическими и ожидаемыми абс.частотап

1*1

наши

Квд признака Наименование описательной шкалы И градации 1. КЛАСС OI:OI'.OÖ 2. КЛАСС tti.öi:pi ВЕЩЕСТВЕН.. К0МПЛЕКСН... И ФУНКЦИ0НА... АНАЛИЗ 3. КЛАСС 0101,02 ДИФФЕРЕН... УРАВНЕНИЯ, ДИНАМИЧЕС.:.. СИСТЕМЫ и 4: КЛАСС 01 01 03 МАТЕМАТИЧ... ФИЗИКА 5. КЛАСС 01 01 04 ГЕОМЕТРИЯ и. топология 6. КЛАСС-01.01,05 ТЕОРИЯ ВЕР0ЯТН0С... И МАТЕМАТИЧ... СТАТИСТИКА 7. КЛАСС 01 01,06 МАТЕМАТИЧ... ЛОГИКА, АЛГЕБРА И ТЕОРИЙ ЧИСЕЛ 8. КЛАСС 01.01.07 ВЫЧИСЛИТЕ... МАТЕМАТИКА Э. КЛАСС 01 01,09 ДИСКРЕТНАЯ МАТЕМАТИКА И МАТЕМАТИЧ... КИБЕРНЕТИКА

262 0 Л 0 В А-акционерный -0.025 -0.004 -0.003 -0.003 -0.002 -0.002 -0.003 -0.004 -0.004

263 ЕЛОВА-акционизма -0.00S -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001

264 СЛОВА-акция -0.017 -0.003 -0.002 -0.002 -0.001 -0.002 -0.002 -0.003 -0.003

265 ЩОВА-алгебра 4.950 1.991 -0.005 -0.005 -0.004 -0.005 1.993 0.992 -0.008

266 0 Л 0 В А-алгебраист 7.908 0.9S4 -0.009 -0.009 0.992 -0.009 4.983 -0.014 0.9S6

267 ЕЛОВА-алгебраический 6.917 -0.014 -0.009 -0.009 1.993 -0.008 5.989 -0.013 0.987

268 СЛОВА-алгоритм 6.357 -0.110 -0.066 -0.066 -0.055 -0.061 0.916 3.899 1.900

269 рЛОВА-алгоритмизация -0.017 -0.003 -0.002 -0.002 -0.001 -0.002 -0.002 -0.003 -0.003

270 С Л 0 В А-алгоритмический 3.900 -0.017 -0.010 -0.010 -0.009 0.991 2.987 -0.016 -0.016

271 СЛОВА-александрийский -0.017 -0.003 -0.002 -0.002 -0.001 -0.002 -0.002 -0.003 -0.003

272 СЛ0 В А-алетические -0.00S -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001

273 СЛОВА-алименгный -0.033 -0.006 -0.003 -0.003 -0.003 -0.003 -0.004 -0.005 -0.005

274 СЛОВА-алименты -o.oos -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001

275 277 | £Л.ОВА-алкалоцд -o.oos -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001 -0.001

С Л 0 В А-алкого лизм -0.050 -0.009 -0.005 -0.005 -0.004 -0.005 -0.007 -0.008 -0.008

СЛОВА-алкогольный -0.017 -0.003 -0.002 -0.002 -0.001 -0.002 -0.002 -0.003 -0.003

и_п

Рисунок 14. Модель INF3 (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 F-мере Ван Ризбергена и L1- Ь2-мерам проф.Е.В.Луценко [16].

Классическая количественная мера достоверности моделей: F-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 F-мере, но правильно или ошибочно относится или не относится к ним в различной степени.

Однако классическая F-мера не учитывает того, что объект может, фактически, одновременно относится ко многим классам (мультиклассо-

вость) 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 Ll-мера достоверности моделей [16], 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 L2-мера [16], в которой вместо сумм уровней сходства используется средние уровни сходства по различным вариантам классификации.

Таким образом, в системе «Эйдос» применяются меры достоверности моделей, названые L1-мера и L2-мера, смягчающие и преодолевающие недостатки F-меры. В работе [16] 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: F, L1 и L2

В режиме 3.4 (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 L2-мере наивысшую достоверность имеет модель INF5 (рисунок 15).

Из рисунка 15 мы видим, что в данном интеллектуальном приложении по критерию L2 наиболее достоверной (0,991) является модель INF5 с интегральным критерием «сумма знаний» (ROI), что является очень хорошим показателем. Не очень уступает наиболее достоверной модели и СК-модель INF3 (частный критерий, аналогичный хи-квадрат) (0,985), которую мы и примем для рассмотрения.

На рисунке 16 приведены частные распределения уровней сходства и различия истинных и ложных положительных и отрицательных решений в модели INF3 (получены в режиме 3.4).

Из рисунка 16 мы видим, что отрицательные решения (т.е. решения о непринадлежности объекта к классу) в данной модели всегда истинные, а положительные решения (т.е. о принадлежности объекта у классу) есть и истинные, и ложные, причем все ложные решения наблюдаются при невысоких уровнях сходства (примерно до 8%), а при более высоких уровнях сходства наблюдается преобладание истинно-положительных решений.

Это позволяет надежно и с высокой достоверностью решать задачи системной классификации и идентификации текстов.

£} 3.4.О6о6щ.форма по достав, мод елей при разк.инт.крит. Те 1 •ущая моде"»- "IWFV^^^ . . 1

Наименование модели. Интегральный критерий Сумма моду... уровней схо... решений [S F... S -Точность: S-Полнота L1 -мера Е.В.Луцецко Средний модуль уровней сходе... Средний модуль уровнейскодс.. Средний модуль Средний модуль APrecijion "АТР^АТР... А-Полногз AReca.ll =АТР/(ДТР... L2-Mepa Е.В.Луценко

1. ABS - частный критерий: количество встреч сочетаний: "клас... Корреляция абс.частот с обр.... 0.010 1.000 0.020 0.817 0.169 0.828 1.000 0.906

1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 0.034 1.000 0.066 0.017 0.001 0.945 1.000 0.971

2. PRC1 - частный критерий: усл. вероятность i-ro признака сред... Корреляция усл.отн.частот с о... 0.010 1.000 0.020 0.817 0.169 0.828 1.000 0.906

■ 2. PRC1 - частный критерий: усл. вероятность ¡-го признака сред... Сумма усл-стн.частот по приз... 0.009 1.000 0.018 0.064 0.015 0.815 1.000 0.898

3. PRC2 - частный критерий: условная вероятность i-ro признака... Корреляция усл.отн.частот с о... 0.010 1.000 0.020 0.817 0.169 0.828 1.000 0.906

3. PRC2 - частный критерий: условная вероятность ¡-го признака... Сумма усл-стн.частот по приз... 0.017 1.000 0.034 0.007 0.001 0.895 1.000 0.944

4 INF1 ■ частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 0.026 1.000 0.051 0.467 0.022 0.046 0.911 1.000 0.953

Сумма знаний 0.028 1.000 О. OS4 0.075 0.004 0.006 0.923 1.000 0.960

5. INF2 • частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 0.006 0.039 1.000 0.076 0.500 0.021 0.043 0.006 0.920 0.9S9 0.953

5. INF2 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 0.038 1.000 0.073 0.027 0.001 0.002 0.931 1.000 0.964

6. INF3 - частный критерий: Хи-квадрат, разности между фактич... Семантический резонанс зна... 0.032 1.000 0.061 0.731 0.049 0.08S 0.893 1.000 0.944

6. INF3 - частный критерий: Хи-квапрат. разности между Фактич... Сумма знаний 0.117 1.000 0.20-9 0.016 0.001 0.000 0.971 1.000 0.985

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 0.180 1.000 0.305 0.301 0.005 0.011 0.965 1.000 0.982

7. INF4 ■ частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 0.090 1.000 0.164 0.207 0.000 O.OOS 0.979 1.000 0.959

8. INF5 - частный критерий: ROI (Return On Investment); вероятно.. Семантический резонанс зна.. 0.192 1.000 0.322 0.300 0.005 0.012 0.962 Щ 1.000 0.981

8. INF5 • частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 0.109 1.000 0.197 0.017 0.000 0.000 0.982 1.000

Э. INF6 - частный критерий: Разн.усл.и безусавероятностей: вер... Семантический резонанс зна... 0.018 1.000 0.036 0.746 0.036 0.097 0.885 1.000 0.939

9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний o.oie 1.000 0.031 0.061 0.002 0.009 0.870 1.000 0.930

10.INF7 - частный критерий: разнусли безусл.вероятностей; ве... Семантический резонанс зна... 0.292 0.026 0.999 0.051 0.668 0.048 0.083 0.032 0.890 0.954 0.920 1

1Ü.INF7 - частный критерий: разн.усл.и безусл.вероятностей; ве... Сумма знаний 0.000 0.035 1.000 0.068 0.007 0.000 0.001 0.000 0.920 0.995 0.956 "I

|>Г

Рисунок 15. Экранная форма с информацией о достоверности моделей по Б-критерию Ван Ризбергена и Ь1- и Ь2-криетриям проф.Е.В.Луценко [16]

Рисунок 16. Частотные распределения уровней сходства и различия истинных и ложных положительных и отрицательных решений в модели ЮТ3

Кратко рассмотрим некоторые выходные экранные формы с результатами идентификации паспортов научных специальностей ВАК РФ, с классами, представляющими собой семантические ядра (обобщенные лингвистические образы) разных специальностей и групп специальностей (рисунки 17, 18, 19):

Рисунок 17. Результаты идентификации паспорта научной специальности ВАК РФ 06.02.01 с обобщенными лингвистическими образами научных специальностей и групп специальностей

Рисунок 18. Результаты идентификации паспортов научных специальностей ВАК РФ 06.02.01 с обобщенным лингвистическим образом группы научных специальностей 06.02.00

Рисунок 19. Обобщенная экранная форма с результатами идентификации паспортов научных специальностей ВАК РФ с семантическими ядрами научных специальностей и групп специальностей ВАК РФ

В экранной форме на рисунке 19 в каждой строке приведена информация из первой и последней строк правой части экранной формы с рисунка 17.

Мы видим, что получены очень хорошие и 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 или значимости (рисунок 20).

ParetoGrOpSc-06.jpq ™ - - - - ш " | ЯКШКЖ^^ ^^^ ^^^ ^^^ т - - ■ ~

100.0 ПАРЕТО-К РИВАЯ ЗНАЧИ Приложен МОСТИ ГРАД/ ие: "АСК-анал ЩИЙ ОПИСАТ из паспортов ЕЛЬНЫХ ШКА научных cnei^ Л (ПРИЗНАКОЕ альностей ВА 3) В МОДЕЛИ: К РФ" •INF3"

Суммарная значимость градаций описательных шкал (признаков) в %

0.9 0 0 10.0 20.0 30.0 40.0 50.0 60.0 70.0 80.0 90.0 100.0

объектов с этим'признаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частых критериев, основанных на этом признаке, по классам в статистических моделях: Abs, Ргс1. Ргс2 и в моделях знаний: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf7. Иначе говоря некоторьй признак является тем более значимым, чем Путь на отображаемый файл: С:\АЮОЗ-Х\А1В_ОАТА\А0000001\ЗУЗТЕМ\\Раге1оСгОрЗс\Раге1оСЮрЗс-1МРЗ.)'рд Расстояние между точками Red-Blue: 84% от максимально возможного Форма создана: 23.01.2019-15:20:28

Рисунок 20. Парето-зависимость суммарной дифференцирующей

мощности модели от числа градаций описательных шкал, ранжированных в порядке убывания их селективной силы в СК-модели INF3

В качестве значимости значения фактора для решения различных задач в системно-когнитивной модели (СК-модель) в АСК-анализе и системе «Эйдос» принята вариабельность значений фактора по классам в матрице модели (таблица 4).

В качестве значимости фактора для решения различных задач в системно-когнитивной модели (СК-модель) в АСК-анализе и системе «Эйдос» принята средняя значимость значений данного фактора по классам в матрице модели (таблица 4).

Существует много количественных мер вариабельности (изменчивости), но в данном случае принято использовать

3

среднеквадратичное отклонение .

Вариабельность значения фактора по классам выбрана в качестве значимости этого значения фактора потому, что чем выше эта вариабельность, тем лучше позволяет это значение фактора разделить (различить) классы. Если вариабельность значения фактора равна нулю, то

3 Не путать со стандартным отклонением, которое является одним из параметров распределения

Гаусса.

данное значение фактора вообще является бесполезным для решения задачи идентификации и других задач.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

На основе рисунка 20 и соответствующих таблиц, которые здесь не приводятся из-за ограниченности объема статьи, можно обоснованно сделать выводы о том, что, например, в наиболее достоверной модели INF3:

1. 50% наиболее значимых градаций описательных шкал обеспечивают 89% суммарной селективной мощности модели (точка BLUE).

2. 50% суммарной селективной мощности модели обеспечивается 8% наиболее значимых градаций описательных шкал (точка RED).

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» (рисунки 1 и 2), присвоим наиболее достоверной СК-модели INF3 статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 21):

{*) 5.6, и сделать текущрl*ö ^■tiäMi

ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕЛИ "INF3" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ: 1/7: Копирование в массивы итоговых строки столбцов текущей модели- Готово 2/7: Перенос информации из текущей модели в базы классов: Classes и Gr_CISo- Готово 3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_0pSc- Готово 4/7: Расчет значимости класс.и опис.шкал-Сброс сумматоров - Готово 5/7: Расчет значимости класс.и опис.шкал-Накопление данных-Готово 6/7: Расчет значимости класс.и опис.шкал-Дорасчет - Готово 7/7: Запись информации о текущей модели- Готово

Выбор модели знаний "INF3" в качестве текущей прошел успешно!!!

Начало: 10:17:11 Окончание: 10:17:13

100% 0k

Прошло: 0:00:02 Осталось: 0:00:00

Рисунок 21. Экранные формы придания СК-модели 1пВ статуса текущей

2.4. Семантические ядра научных специальностей и групп специальностей ВАК РФ

При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи SWOT-анализа [17]. В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи. При этом выявляется семантическое ядро и семантическое антиядро (термин авт.) заданного класса. На рисунках 22 приведены семантические ядра и антиядра всех ветеринарных и зоотехнических специальностей, а также семантическое ядро группы ветеринарии и зоотехнии в целом.

SWOTDiagrCls0270-06.jpg ™ н

■ДИАГРАММА КЛАССА: "[270] КЛАСС-06.02.01 ДИАГНОСТИКА БОЛЕЗНЕЙ И ТЕРАПИЯ ЖИВОТНЫХ, ПАТОЛОГИЯ," В МОДЕЛИ: Приложение: "АСК-анализ паспортов научных специальностей ВАК РФ" Шкала: [1] КЛАСС Класс: [270] 06.02.01 Диагностика болезней и терапия животных, патология, СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[1] СЛОВА [2650] животный 1=14.713 1=-3.000 [1] СЛОВА [8858] система

[1] СЛОВА [865] болезнь 1=8.808 /ш 1=-2.214 [1] СЛОВА [3344] исследование

[1] СЛОВА [6494] патология 1=5.904 // 118 |=-1.398 [1] СЛОВА [8019] разработка

[1] СЛОВА [2267] диагностика 1=5.745 / rti 1=1.182 [1] СЛОВА [9188] социальный

[1] СЛОВА [1055] ветеринарный 1=3.928 У\ 1=-1.153 [1] СЛОВА [7255] правый

[1] СЛОВА [5905] общий 1=3.659 X 1=-1.153 [1] СЛОВА [7766] процесс

[1] СЛОВА [5416] незаразный 1=2.988 / \ 1=-1.115 [1] СЛОВА [9803] технический

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: -11346 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-11

система детерминации класса факторами и их значениями: Форма создана: 23.01.2019-15:34:51

о ъекта улравлеи я в состояние, соотвествующее классу, отображаем линиями язи синего™ цв6 а. олщина линии отражает степень влияния.

эбъекта управяени состояние, соотвествующее классу, ото рожается линиями св язи цвета. олщи линии отражает степень влияния.

SWOTDiagrCls0269-06.jpg ™ н

БУЮТ-ДИАГРАММА КЛАССА: "[269] КЛАСС-06.02.00" В МОДЕЛИ: "1^3" Приложение: "АСК-анализ паспортов научных специальностей ВАК РФ" Шкала: [1] КЛАСС Класс: [269] 06.02.00 СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[1] СЛОВА [2650] животный 1=124.475 l=-27.894 [1] СЛОВА [8858] система

[1] СЛОВА [8721] сельскохозяйственный 1=42.971 1=-17.531 [1] СЛОВА [3344] исследование

[1] СЛОВА [1055] ветеринарный 1=40.112 // %д |=-15.476 [1] СЛОВА [7766] процесс

[1] СЛОВА [865] болезнь 1=37.633 / |wv 1=-14.535 [1] СЛОВА [9188] социальный

[1] СЛОВА [1062] вещество 1=24.787 RV 1=14.178 [1] СЛОВА [7255] правый

[1] СЛОВА [7749] профилактика 1=23.589 X 1=-12.603 I [1] СЛОВА [2257] деятельность

[1] СЛОВА [3258] инфекционный 1=21.234 / \ 1=-11.888 I [1] СЛОВА [7966] развитие

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: -11346 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-11

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 23.01.2019-15:34:07

^^^^^^^ Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управлен> объекта управяени в состояние, соотвествующее классу, отображается линиями св язи СИНЕГО цвета.ТолЩинали„ии отражает степень влияния.

Рисунок 22. Экранные формы решения задачи SWOT-анализа, содержащие семантические ядра и антиядра по всем ветеринарным специальностям ВАК РФ и группы ветеринарных специальностей в целом

Выходные формы, приведенные на рисунках 19, как говорят «интуитивно понятны», т.е. не требуют особых комментариев. Отметим лишь, что информация о семантических ядрах и антиядрах ветеринарных специальностей и ветеринарии в целом может быть приведена не только в приведенных, но и во многих других табличных и графических формах, которые в данной работе не приводятся только из-за ограниченности ее размера. В частности в этих формах может быть выведена значительно более полная информация (в т.ч. вообще вся имеющая в модели). Подобная подробная информация содержится в базе данных, расположенной по следующему пути: c:\Aidos-X\AID_DATA\A0000001\System\SWOTCls0269Inf3.DBF4. В семантическом ядре приведены слова, ранжированные в порядке убывания степени их характерности для обобщенного лингвистического образа класса «06.02.00-Ветеринария», а в семантическом антиядре - слова в приведенные в порядке убывания степени не характерности.

Фрагмент этой базы приведен в таблице 6. Полностью данная таблица не приводится, т.к. в ней 10721 строка. Поэтому ниже таблицы приводятся лишь слова из семантического ядра для группы специальностей: «06.02.00-Ветеринария», в порядке убывания степени их характерности, но без ее указания.

4 Отметим, что dbf-файлы нормально открываются в MS Excel, в который встроен соответствующий конвертер.

Таблица 6 - Семантическое ядро и семантическое антиядро обобщенного лингвистического образа класса «06.02.00-Ветеринария» (фрагмент)

Семантическое ядро Семантическое антиядро

№ Код1 Наименование-1 Значимость Значимость в % Код2 Наименование-2 Значимость Значимость в %

1 2650 животный 124,475 6,973 8858 система -27,894 1,563

2 8721 сельскохозяйственный 42,971 2,407 3344 исследование -17,531 0,982

3 1055 ветеринарный 40,112 2,247 7766 процесс -15,476 0,867

4 865 болезнь 37,633 2,108 9188 социальный -14,535 0,814

5 1062 вещество 24,787 1,388 7255 правый -14,178 0,794

6 7749 профилактика 23,589 1,321 2257 деятельность -12,603 0,706

7 3258 инфекционный 21,234 1,189 7966 развитие -11,888 0,666

8 6494 патология 19,825 1,111 9734 теория -11,811 0,662

9 7875 пушной 19,652 1,101 9803 технический -11,708 0,656

10 2648 животноводство 19,295 1,081 10201 управление -11,456 0,642

11 731 биологический 18,569 1,040 6980 политический -9,757 0,547

12 4049 корм 17,652 0,989 10957 экономический -9,750 0,546

13 4361 лечение 17,528 0,982 7228 правовой -8,757 0,491

14 2267 диагностика 16,858 0,944 3367 история -8,721 0,489

15 2844 зверьё 16,704 0,936 7535 проблема -8,343 0,467

16 7991 различный 16,451 0,922 3272 информационный -7,885 0,442

17 5335 наука 16,181 0,906 9809 технологический -7,763 0,435

18 8019 разработка 15,504 0,868 307 анализ -7,321 0,410

19 4300 лекарственный 14,580 0,817 4596 материал -7,260 0,407

20 4784 метод 14,453 0,810 4220 культура -7,198 0,403

21 7840 птица 12,774 0,716 6201 основный -7,146 0,400

22 7591 продуктовый 12,415 0,695 4595 математический -6,824 0,382

23 4856 микроорганизм 11,408 0,639 9073 создание -6,600 0,370

24 5905 общий 10,805 0,605 10413 физический -6,407 0,359

25 7590 продуктивный 10,617 0,595 6134 организация -6,278 0,352

26 5416 незаразный 9,852 0,552 11333 язык -6,197 0,347

27 4051 кормление 8,843 0,495 9044 современный -6,025 0,337

28 6062 опасный 8,747 0,490 10406 физик -5,780 0,324

29 2447 домашний 8,721 0,489 8657 свойство -5,754 0,322

30 6492 патогенный 8,669 0,486 6286 отношение -5,736 0,321

31 8557 санитарный 8,460 0,474 6198 основа -5,639 0,316

32 9028 совершенствование 8,384 0,470 10504 формирование -5,172 0,290

33 1110 вид 8,376 0,469 7406 прибор -5,152 0,289

34 9299 средство 8,355 0,468 3366 исторический -5,152 0,289

35 10779 частный 8,303 0,465 7813 психологический -5,065 0,284

36 5178 надзор 8,286 0,464 10986 эксплуатация -5,039 0,282

37 3562 качества 8,135 0,456 9562 сфера -4,796 0,269

38 2682 заболевание 8,092 0,453 7600 проектирование -4,753 0,266

39 10626 хирургический 8,077 0,452 5762 обеспечение -4,677 0,262

40 3100 инвазионный 7,878 0,441 1070 взаимодействие -4,527 0,254

41 3331 использование 7,844 0,439 5829 образование -4,482 0,251

42 7625 происхождение 7,477 0,419 9802 техника -4,405 0,247

43 5079 морфология 7,252 0,406 11335 языковый -4,404 0,247

44 3023 изучение 6,885 0,386 9445 структура -4,380 0,245

45 662 беременность 6,774 0,379 10709 цель -4,318 0,242

46 5781 область 6,766 0,379 10589 функционирование -4,273 0,239

47 6644 пестицид 6,756 0,378 7062 понятие -4,239 0,237

48 8017 разрабатывающий 6,687 0,375 4644 международный -4,187 0,235

49 3022 изучающий 6,660 0,373 8384 решение -4,171 0,234

50 8718 селекция 6,565 0,368 9614 также -4,015 0,225

51 5789 обмен 6,521 0,365 2005 гражданский -4,004 0,224

52 2144 действие 6,441 0,361 11297 эффективность -3,986 0,223

53 7589 продуктивность 6,399 0,358 405 аппарат -3,986 0,223

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

54 6349 оценка 6,351 0,356 4790 методология -3,977 0,223

55 4785 метода 6,326 0,354 8205 регулирование -3,952 0,221

56 6489 патогенез 6,191 0,347 10275 устройство -3,899 0,218

57 10409 физиологический 6,173 0,346 2986 изделие -3,899 0,218

58 9764 терапия 6,138 0,344 10495 форма -3,893 0,218

59 1670 генетический 6,129 0,343 10601 характеристика -3,864 0,216

60 2898 значение 6,057 0,339 4610 машина -3,857 0,216

61 6683 питание 5,982 0,335 5342 научный -3,830 0,215

62 4835 микотоксинов 5,896 0,330 3992 контроль -3,716 0,208

63 11183 эпизоотология 5,861 0,328 8668 связь -3,664 0,205

64 9877 токсичный 5,791 0,324 8192 региональный -3,655 0,205

65 7080 порода 5,477 0,307 3273 информация -3,655 0,205

66 3729 клинический 5,242 0,294 5271 направление -3,629 0,203

67 2699 загрязнение 5,112 0,286 1989 государство -3,629 0,203

68 5715 норма 5,024 0,281 1988 государственный -3,622 0,203

69 4050 корма 4,913 0,275 8435 российский -3,621 0,203

70 4181 кроликовый 4,913 0,275 7745 профессиональный -3,612 0,202

71 8903 скот 4,896 0,274 5824 обработка -3,578 0,200

72 9058 содержание 4,875 0,273 2708 задача -3,516 0,197

73 7620 производство 4,853 0,272 9109 сооружение -3,481 0,195

74 6753 плод 4,843 0,271 4631 медицинский -3,464 0,194

75 4722 мероприятие 4,808 0,269 9488 субъект -3,420 0,192

76 5814 обоснование 4,805 0,269 4225 культурный -3,377 0,189

77 8717 селекционный 4,652 0,261 2087 дать -3,370 0,189

78 1668 генетик 4,565 0,256 4996 модель -3,186 0,178

79 2030 гриб 4,565 0,256 2873 земля -3,168 0,177

80 1152 вирус 4,460 0,250 10428 философия -3,142 0,176

81 11231 этиологии 4,417 0,247 6979 политика -3,142 0,176

82 10641 хозяйственный 4,329 0,242 10429 философский -3,133 0,176

83 7593 продукция 4,241 0,238 7814 психология -3,116 0,175

84 881 борьба 4,147 0,232 5896 общество -3,098 0,174

85 3063 иммуноморфологический 3,948 0,221 8974 смежный -3,064 0,172

86 4693 мелкий 3,948 0,221 8474 русский -2,994 0,168

87 5706 нозология 3,948 0,221 4789 методологический -2,985 0,167

88 5078 морфологический 3,938 0,221 2397 договор -2,985 0,167

89 5746 нутрия 3,930 0,220 1306 воздействие -2,969 0,166

90 7777 проявление 3,921 0,220 9439 строительство -2,959 0,166

91 6135 организм 3,919 0,220 636 безопасность -2,935 0,164

92 9261 способ 3,916 0,219 6878 подход -2,933 0,164

93 7958 разведение 3,913 0,219 10787 человек -2,902 0,163

Семантическое ядро группы научных специальностей ВАК РФ «06.02.00-Ветеринария» в порядке убывания степени их характерности: животный, сельскохозяйственный, ветеринарный, болезнь, вещество, профилактика, инфекционный, патология, пушной, животноводство, биологический, корм, лечение, диагностика, зверьё, различный, наука, разработка, лекарственный, метод, птица, продуктовый, микроорганизм, общий, продуктивный, незаразный, кормление, опасный, домашний, патогенный, санитарный, совершенствование, вид, средство, частный, надзор, качества, заболевание, хирургический, инвазионный, использование, происхождение, морфология, изучение, беременность, область, пестицид, разрабатывающий, изучающий, селекция, обмен, действие, продуктивность, оценка, метода, патогенез, физиологический, терапия, генетический, значение, питание, микотоксинов, эпизоотология, токсичный, порода, клинический, загрязнение, норма, корма, кроликовый, скот, содержание, производство, плод, мероприятие, обоснование, селекционный, генетик, гриб, вирус, этиологии, хозяйственный, продукция, борьба, иммуноморфологический, мелкий, нозология, морфологический, нутрия, проявление, организм, способ, разведение, воспроизводительный, рацион, этиология, племенной, остаток, загрязнитель, онкологический, онкология, питательный, токсичность, ветеринария, воспроизводственный, исход, кормовой, иммунология, активный, семиотика, объектовый, фармакология, диагностик, иммунологический, инфекция, популяция, обосновать, хирургия, шифр, мониторинг, вопрос, окружающий, течение, формула, химический, эффективный, хозяйство, воспроизводство, дифференциальный, предупреждение, способность, клетка, признак, экология, народный, биотехника, грызун, звероводство, зверь, зоокультуру, кролик, нейроэндокринный, ондатра, осеменение, рецепт, самка, сперма, фитотоксин, эпизоотологический, иммунодефицит, вводимый, обеззараживание, индикация, комбикормовый, охотничий, возникновение, отравление, репродукция, принцип, бактерия, производитель, репродуктивный, токсикология, гинекологический, разрабатываем, направленный, биотехнологический, которая, метаболизм, заключаться, обеспечивающий, помещение, затрата, физиология, вода, новый, нарушение, продукт, разный, состоять, регуляция, взаимосвязь, теоретический, антропогенный, патологический, существовать, получение, заниматься, экспертиза, функция, этой, фактор, зооантропоноз, кардио, кишечные, нефропатология, онкогенез, пат, синдроматика, стрессовый, бифенил, гамета, домик, енотовидный, животноводческий, зоогигиена, зоогигиенический, зоотехния, контаминант, контаминированных, кормопроизводство, лисица, микотоксикологией, норка, охота, охотоведение, песец, поголовье, полибро-мированных, пчела, раздача, санитария, скармливание, собака, соболь_ан, стимуляция, сурок, тератогенный, хлордиоксинов, хорёк, шиншилла, шкурка, эмбрион, эмбриотоксического, благополучие, гепатогенный, нейроактивный, патоморфологических, этиологию, витаминный, генотип, клещи, культивирование, мать, высококачественный, гистохимических, желудочный, иммунопатологический, проведение, выздоровление, микология, мутагенный, резистентность, этология, повышение, единицу, обследование, приспособительный, респираторный, акушерство, вызываемый, наименьший, эндогенный, причина, аутоиммунный, новообразование, микробиология, морфогенез, физиотерапия, элемент, вирусология, меховой, тканевый, трансплантация, экзогенный, толерантность, доза, роды, типовой, генетика, травматизм, искусственный, побочный, показание, способностьили, расстройство, диспансеризация, ткань, фармакологический, народнохозяйственный, радионуклид, введение, технология, численность, естественного, мера, объ-

ективный, влиять, защитный, увеличение, восстановительный, насекомые, крупный, изучаем, потребность, выращивание, актуальный, другой, ними, линия, ведение, инструментальный, ликвидация, клеточный, специфический, уровень, тканьё, ранний, качествоживотноводческой, идентификация, связать, структуральный, организационный, практика, биохимический, биология, эффективностькалийных, специальный, минеральный, ценность, снижение, акарицидное, аллергенный, антибактериальный, антигельминтный, антидотный, антипротозойное, биотехния, биоцид, бэтаагонистов, вакцинология, внедряем, водопоения, воспаление, всасывание, выгул, выживаемость, годный, гонадотоксического, дичеразведение, зоотиче-ская, зоотических, инсектицидный, канцерогенного, кастрация, коза, консервированный, кормоприготовле-ния, корова, кратность, кросс, лошадь, маститый, мигрировать, микотоксикозов, микотоксикологический, микотоксинами, микробиального, млекопитающие, молодняк, молоко, накапливаться, наследуемость, нитрит, овца, окраска, опушение, отапливаемый, охотохозяйственный, очаговость, питательность, плотоядный, повторяемость, поение, полихлорированных, полноценность, полноценный, полуавтоматического, премикс, препаративного, противоинфекционный, противопоказание, противоэпизоотический, раненый, респирационные, рогатый, родентицидное, родовспоможение, свинья, свободноживущий, серология, серопрофилактика, серотерапия, скрещивание, стадо, стильбенов, сырой, токсигенными, токсигенных, токсикоз, тормозящий, убойный, фармакодинамика, фетоплацентарная, чистопородный, шелкопряд, эпизоотический, ядовитый, распространение, отходы, анатом, антивирусный, вакцина, вакцинация, вскармливание, вызывающий, дезактивация, дикий, зоотехнический, иммунопатология, импортный, наибольший, оправдать, подбор, полиморфизм, семейство, сопряженность, стероидный, стимулирующий, успех, штамм, экстерьер, породоиспытание, акклиматизация, витамин, генофонд, гистология, детоксикация, диетический, исчезать, макроорганизм, микроскопический, патогенность, предрасположенность, пушнина, трансмиссивный, увеличить, регион, неразрывный, производимый, биопрепарат, концентрат, недостаточность, нитрат, патофизиология, переливание, переносчик, эндокринология, условный, балансовый, белковый, гематологический, интродукция, конъюнктура, накопление, постройка, пригодность, эмбриология, род, допустимый, загрязненный, исследующий, качественной, максимальный, механизированный, моделировании, обезвреживание, оплата, получаемый, организменный, выведение, естественной, кадастра, кромешный, регенерация, рецептура, тога, вновь, картирования, систематика, перерабатывающий, посредство, себестоимостью, белок, устойчивость, популяционный, биосинтез, радиация, совместимость, уход, выяснение, результативность, хозяйствование, вариант, добавка, размножение, этого, структурный, гормон, кожевенный, потеря, аномалия, промысловый, опыт, показатель, обусловленность, фонд, эндокринный, реакция, возбудитель, обусловить, надежный, повышенный, полевой, рудный, биохимия, иммунитет, поражение, видовой, прогрессивный, изменчивость, отбор, механизм, профилактический, выброс, интенсификация, размер, травма, характеризующий, возможность, деть, устранение, военный, кровь, норматив, природопользование, период, половый, протекать, сохранение, наследственный, низкий, наиболее, представляем, нормирование, применительно, сущность, обобщение, расширение, прогнозирование, изыскание, лучевой, первичный, позволяющий, препарат, автоматический, зона, радиационный, чистый, качественная, локальный, операция, открыть, установление, механизация, специализированный, объект, способствовать, выделение, единиц, микроавтобус, собой, этих, подготовка, динамик, испытание, условие, больные, вредный, коррекция, иметь, возраст, характер, используемый, эффект, служба, рост, критерий, определяющий, адаптация, аспект, лабораторный, зависимость, полый, устойчивый, прием, среда, растительный, реабилитация, соответствующий, рациональный, страна, конструирование, поверхность.

Фрагмент семантического антиядра группы научных специальностей ВАК РФ «06.02.00-Ветеринария» в порядке убывания степени

их нехарактерности : система, исследование, процесс, социальный, правый, деятельность, развитие, теория, технический, управление, политический, экономический, правовой, история, проблема, информационный, технологический, анализ, материал, культура, основный, математический, создание, физический, организация, язык, современный, физик, свойство, отношение, основа, формирование, прибор, исторический, психологический, эксплуатация, сфера, проектирование, обеспечение, взаимодействие, образование, техника, языковый, структура, цель, функционирование, понятие, международный, решение, также, гражданский, эффективность, аппарат, методология, регулирование, устройство, изделие, форма, характеристика, машина, научный, контроль, связь, региональный, информация, направление, государство, государственный, российский, профессиональный, обработка, задача, сооружение, медицинский, субъект, культурный, дать, модель, земля, философия, политика, философский, психология, общество, смежный, русский, методологический, договор, воздействие, строительство, безопасность, подход, человек, экспериментальный, являться, строительный, трудовой, число, население, экологический, явление, предмет, конструкция, движение, поведение, химия, концепция, жизнь, знание, энергетический, уголовный, транспортный, компонент, финансовый, синтез, общественный, судебный, расчет, эволюция, национальный, юридический, реализация, моделирование, результат, измерение, соединение, методика, личность, водный, ресурсы, состав, специальность, установка, тип, горный, соотношение, внешний, надежность, тепловой, моделирования, тенденция, роля, природный, растение, мировой, институт, административный, назначение, летательный, производственный, выявление, инженерный, предложение, ком-

5 Приведено 624 слова из 10721

плекс, системный, методический, прикладной, ситуация, компьютерный, механический, искусство, россия, сеть, федерация, твердый, агрегат, предприятие, реконструкция, электронный, техногенный, полезный, власть, месторождение, типология, педагогический, познание, источник, фундаментальный, литература, геологический, металл, становление, представление, иной, учение, психический, ископаемый, зарубежный, пространство, переработка, режим, социология, построение, автоматизация, излучение, группа, закон, речь, подземный, процессуальный, отдельный, оптимальный, закономерность, оптимизация, религия, основание, конституционный, индивидуальный, механик, культуральная, инновационный, вычислительный, динамика, художественный, техник, право, помощь, политик, интерес, орган, семантический, содер-жание02достигает, прогноз, лингвистический, влияние, электрический, мысль, конфликт, синтаксический, родственный, обязательство, рамка, алгоритм, ответственность, электромагнитный, междувагонный, практический, медицина, логический, изготовление, обучение, включаться, пространственный, конкретный, предпринимательский, живой, частица, передача, воспитание, семантика, динамический, время, изменение, здоровье, эксплуатационный, судно, прочность, освоение, машиностроение, газ, историк, рабочий, двигатель, выбор, школа, ребёнок, последствие, ядерный, массовый, здание, физика, ресурс, нормативный, особый, материальный, положение, земельный, грамматический, цикл, взаимоотношение, электроника, стадия, налоговый, космический, экономика, сельский, работа, защита, корпоративный, интеграция, часть, поток, литературный, территориальный, преобразование, правоотношение, глобальный, социологический, местоблюститель, интеллектуальный, текст, описание, магнитный, инструмент, жидкость, государствовать, собственность, статистический, органический, жизненный, духовный, включающий, стратегия, поиск, перспектива, работник, корабль, классификации, творчество, законодательство, чрезвычайных, участие, судопроизводство, обслуживание, морской, лесной, гражданин, функциональный, программный, примечание, восстановление, категории, практик, оптический, муниципальный, деталь, география, газовый, безопасный, атмосфера, слово, оперативный, традиция, восприятие, труд, порядок, основать, народ, рынок, религиозный, неорганический, природа, публичный, лингвистика, исполнение, интерпретация, параметр, семья, широкий, коммуникация, демографический, активность, произведение, глагол, числить, сознание, распределение, транспорт, целый, принятие, плазма, древний, аппаратура, исполнительный, программа, учебный, текстильный, наземный, фонетический, составляющий, экосистема, семейный, музыкальный, квантовых, геофизический, воздушный, граница, электротехнический, экспертный, типологический, перевод, океан, образовательный, идеология, естественных, молекулярный, сертификация, недра, денежный, бюджетный, база, этапах, учреждение, связьинвест, взрослый, управленческий, задать, географический, вторичный, акустический, авиационный, услуга, полоть, миро, фольклор, сплав, психофизиология, правоохранительный, кредитный, контекст, инвестиционный, усовершенствование, понимание, количественный, дискурс, геолог, этнический, славянский, править, полупроводниковый, навигация, металлургия, композиционный, временный, антропология, лечебный, сырьё, сообщество, раздеть, корпорация, грунт, проектный, исследовательский, грамматика, экстремальный, случай, риск, ремонт, предметный, относиться, общенаучный, медикобиологический, давление, охрана, удобрение, место, времяим-пульсных, почвенный, местный, искусствовед, измерительный, двигательный, генезис, указать, социокультурный, разрушение, прогресс, лексический, вспомогательный, уравнение, спортсмен, рыночный, поверхностный, жидкий, европа, возникать, архитектура, учет, внутренний, эксперимент, срок, идея, ориентация, менеджмент, лицо, геохимический, высший, выражение, ценный, фазовый, поисковый, которых, категорий, жизнедеятельность, биосфера, состояние, определение, утилизация, синтаксис, пункт, метрологический, коммуникативный, именной, личный, дифференциация, внедрениегосударственного, этика, этапы, ценообразование, узел, подвижный, возрастной, оборудование, феномен, размещение, действующий, цивилизация, федеральный, универсальный, степень, солнечный, происходить, преступление, плодородие, нагрузка, механика, конкурентоспособность, квантовой, инфраструктура, изображение, зарядить, долговечность, дело, банковский, высокий, финансы, теоретик, путемер, геология, управляющий, сторона, спорт, соответствие, рекомендация, пучок, провожусь, отклонение, нефть, мышление, конструктивный, журналистика, геометрия, хранение, промышленность, традиционный, сочетание, слой, обладать, мира, минералогический, массив, конкуренция, страхование, союз, различие, приложение, персонал, литейный, концептуальный, дорогой, городской, выполнение, арбитражный, эпидемиология, специалист, принципиальный, потенциал, общность, молекула, институциональный, термический, совокупность, силовой, реформа, паспорт, парадигма, оптик, объединение, коммерческий, клиника, европейский, деформация, геодезический, специфика, стандарт, следующий, работоспособность, правонарушение, перенос, коллективный, фармацевтический, стиль, сорт, розыскной, разнообразный, образ, нервный, металлургический, геоэкология, адаптивный, требование, сравнительный, фундамент, систематизация, разрешение, предпосылка, первый, ограничение, наследие, моральный, логик, документ, базовый, фонологический.

Отметим, что система «Эйдос» обеспечивала решение этой задачи (формирование семантического ядра и антиядра) всегда, даже в самых ранних версиях. Первый акт внедрения системы «Эйдос», где об этом упоминается в явном виде, датируется 1987 годом.

y ж д а а

Заведующий Щ сектором ;ЩТ '

одареким рССР,к-ф. Й, А» Хагуров 87г.

i ÎBSPHAfl

Директор, Северо-Кавказского филиала рНЩ^рУСг^роре сур с ы '" t г к - э. к.

щш.

Э.М.Трахов 1987г.

Настоящий акт составлен комиссией в составе: Кириченко М.М., Лялко Г.А., Самсонов Г.А., Коренец В, И., Луценко Е.В. в том, что в соответствии с договором о научно-техническом сотрудничестве между Северо-Кавказским филиалом ¿НИЦ "АКУС-агроресурсьГ1 и Краснодарским сектором Института социологических исследований АН СССР СевероКавказским филиалом ЗНИЦ "АИУС-агроресурсы" выполнены следующие работы :

- осуществлена постановка задачи; "Обработка на ЭВМ социологических анкет Крайагропрома";

- разработана математическая модель и программное обеспечение подсистемы распознавания образов, розэолящие решать дан ну й задачу

в среде персональной технологической системы ВЕГА-М;

- на профессиональной персональной ЭЗК "Искра-226" осуществлены расчёты по задаче в объеме;

Входная информация составила ^25 анкет по 9-ти предприятиям, Выходная информация - 4 вида выходных форм объемом 90 листоз формата АЗ и 20 листов формата А4 содержит;

» процентное распределение ответов в разрезе по социальным типам корреспонденток;

- распределение информативноетей признаков (.в битах; для распознавания социальных типов корреспондентов;

- позитивные и негативные информационные портреты 30-ти социальных тиаов на языке £12 признаков;

- обобщённая характеристика информативности признаков для выбора такого минимального набора приэкакоз, который содержит максимум информации о распознаваемых объектах (оптимизация анкет;.

Работы выполнены на высоком научно-методическом уровне и в срок.

От ИСК АН СССР; Мл.научнйй сотрудник

Щщ

Л

^i'rVi. îi. лириченко

ЭйИ&ЭТг/

От СКФ ВНИЦ "АИУС-агроресурсы" :

Зав.отделом аэрокосмических и тематческих иаыеканий » К« Э о н*

Г. А. Самсо нов ~~ <7 —/Т-1Э87г.

(-■л. научный сотрудник

A. JlfliiiKO ftc^- 1987г.

констлНтор проекта ÛH/Ж |.ЖКоренец

"1957г.

Главны^

_щШ Щ

оне^руктор проекта

В. Э, Луценко -1987г.

Но тогда семантическое ядро называлось позитивным информационным портретом класса, а антияро - негативным информационным портретом.

3. Результаты и обсуждение (Results and discussion): применение системы «Эйдос» для классификации текстов по научным специальностям ВАК РФ

3.1. Подготовка исходных данных

В качестве исходных использованы названия, данные об авторах и аннотации всех статей, изданных в Научном журнале КубГАУ (http://ej.kubagro.ru/) на момент начала работы над статьей (таблица 7):

Таблица 7 - Таблица исходных данных для решения задачи классификации текстов по научным специальностям ВАК РФ (фрагмент)_

ida

nrasd

autsFio

tit

ref

CO CO

о со о 00

с

<u

о о о

о о со

о о

^ :

Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков гере-фордской породы и их размеров

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Исследователями получены данные по морфологическому, биохимическому и микроэлементному составу крови бычков герефордской породы различных размеров. В этой связи у ученых и хозяйственников возникает три естественных вопроса: 1) возможно ли по этим показателям крови прогнозировать размеры и тем самым мясную продуктивность бычков; каковы сила и направление влияния тех или иных значений показателей крови на размер и вес бычков; какие показатели крови сходны по смыслу, а какие отличаются и на сколько (в какой степени). Аргументированным ответам на эти вопросы путем применения современных методов математического и численного моделирования для решения соответствующих задач и посвящена данная статья. Результаты исследования могут быть использованы всеми желающими, благодаря тому, что Универсальная автоматизированная система «Эйдос», являющаяся инструментарием Автоматизированного системно-когнитивного анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm, а численный пример решения поставленных задач размещен как облачное Эйдос-приложение №133

Таблица 7 является выборкой из баз данных сайта журнала и включает данные по 7574 статьям, опубликованным в журнале с 2003 по 2018 годы6.

Колонки таблицы 7 имеют следующий смысл:

- ida - уникальный идентификатор статьи в журнале, включающий: сквозной номер журнала (3 цифры), последние 2 цифры года издания (2 цифры), внутренний номер внутри года (2 цифры), номер статьи в номере журнала (3 цифры);

- пг - группа научных специальностей ВАК РФ (раздел журнала по направлению науки);

- nrasd - научная специальность ВАК РФ (подраздел журнала по направлению науки);

- autsFio - фамилии и инициалы авторов статьи;

- tit - наименование статьи;

- ref - аннотация статьи.

6 Данные предоставлены web-мастером журнала начальником центра информационных технологий КубГАУ к.т.н., доцентом Кремером А.С.: https://kubsau.ru/education/chairs/comp-system/staff/3395/

Таблицу 7 необходимо преобразовать в набор файлов в стандарте программного интерфейса системы «Эйдос» с внешними текстовыми файлами неограниченного объема. Для этого из таблицы 7 средствами MS Excel сделан следующий файл (таблица 8):

Таблица 8 - Таблица исходных данных для решения задачи классификации _текстов по научным специальностям ВАК РФ (фрагмент)_

Статья_

IDA_1431809033 06_00_00_Сельскохозяйственные_науки 06_02_00_Ветеринария_и_Зоотехния Луценко_ЕВ Леж-нев_ВГ Ковелин_НИ. Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефордской породы и их размеров Исследователями получены данные по морфологическому, биохимическому и микроэлементному составу крови бычков герефордской породы различных размеров. В этой связи у ученых и хозяйственников возникает три естественных вопроса: 1) возможно ли по этим показателям крови прогнозировать размеры и тем самым мясную продуктивность бычков; каковы сила и направление влияния тех или иных значений показателей крови на размер и вес бычков; какие показатели крови сходны по смыслу, а какие отличаются и на сколько (в какой степени). Аргументированным ответам на эти вопросы путем применения современных методов математического и численного моделирования для решения соответствующих задач и посвящена данная статья. Результаты исследования могут быть использованы всеми желающими, благодаря тому, что Универсальная автоматизированная система «Эйдос», являющаяся инструментарием Автоматизированного системно-когнитивного анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm, а численный пример решения поставленных задач размещен как облачное Эй-

дос-приложение №133._

IDA_1431809014 06_00_00_Сельскохозяйственные_науки 06_01_00_Агрономия Чухирь_ИН. Наследование признаков продуктивности в гибридах риса Большие успехи в увеличении производства риса, а оно более чем удвоилось, во всём мире произошли благодаря применению современных высокоурожайных сортов риса, созданных традиционными методами селекции. Для того, чтобы создать новый сорт селекционеру важно изучить генетическую и селекционную ценность различных культурных и дикорастущих видов - носителей хозяйственно-ценных признаков, выявление генов и групп генов, контролирующих хозяйственно - ценные признаки, изучить закономерности их наследования, установить закономерности взаимодействия генотипа и среды, исследовать генетические и физиолого-биохимические основы явления гетерозиса, совершенствовать методы внутривидовой, сложной ступенчатой и отдаленной гибридизации. Явление резкого увеличения количественных признаков растений сельскохозяйственных культур, более мощный рост гибридов первого поколения по сравнению с родительскими особями. Учёные прошлых столетий, такие как А.Ф.Вигман, Ш..Ноден, В.Фоке и многие другие занимались изучением явления гибридной мощности, которому впервые в 1908 году, Дж. Шеллом был дан термин «гетерозис». В настоящее время под гетерозисом понимается такое явление, когда гибриды первого поколения по своим биологическим значениям и хозяйственно-ценным признакам превосходят родительские формы. Величина гетерозиса гибридов первого поколения определяется несколькими методами в значениях процентов к отцовской, к материнской формам, средней величине обоих родителей, и к лучшему или районированному стандарту. По величине коэффициента доминатности часто исследователи определяют наследование признака._

IDA_1431809013 06_00_00_Сельскохозяйственные_науки 06_01_00_Агрономия Щербаков_НА Винтер_МА. Клональ-ное микроразмножение и оздоровление сливы домашней от вируса шарки сливы (PPV) В статье представлен анализ результатов исследований российских, зарубежных учёных и собственных данных, полученных в области клонального микроразмножения и оздоровления сливы домашней от вируса шарки сливы (PPV). Актуальность работы определяется тем, что слива является второй по значимости культурой в садоводстве юга России. Одним из наиболее экономически значимых объектов вирусной этиологии на сливе домашней считается вирус шарки сливы (Plum pox potyvirus). В Краснодарском крае и в РФ впервые вирус шарки сливы был обнаружен в конце 80-х годов прошлого века, после чего широко распространился в другие регионы страны. В комплексе методов оздоровления от вируса шарки сливы успешно используют термо- и хемотерапию в сочетании с методом апикальных меристем. Механизм образования безвирусных меристем состоит в отставании процесса репликации вирусных частиц от быстрого, опережающего роста зачаточных тканей и органов, особенно, если растение подвергается термо- или хемотерапии. В качестве вироцидов используют препараты НЕО^НТ(85 мг/л), а также салициловую кислоту в концентрации 3х10-4 М при одновременной магнитно-импульсной обработке мериклонов. Наиболее подходящей питательной средой для микроразмножения сливы считается среда Мурасиге-Скуга, на основе которой готовят различные модификации. В качестве ростовых веществ, повышающих эффективность размножения, используется 6-БАП в концентрации 0,5-1 мг/л (на этапе введения в культуру и этапе мультипликации). Для повышения качества микропобегов сливы дополнительно к ростовым веществам рекомендуется применять янтарную кислоту, сукцинаты калия и натрия в концентрации 4 мг/л. Полученные в ходе клонального микроразмножения и адаптированные мериклоны тестируют на вирусоносительство и апробируют по сортовым признакам. Здоровыми сортовыми саженцами закладывают маточники исходных растений._

Таблица 8 средствами MS Excel записана в виде текстового файла стандарта DOS-TXT (в кодировке OEM866) (рисунок 23).

Для «разрезания» текстового файла на файлы, соответствующие абзацам, использована небольшая программа, написанная проф.Е.В.Луценко (язык программирования xBase++).

Рисунок 23. Текстовый файл с абзацами с информацией по научным статьям журнала в стандарте БОБ-ТХТ кодировка ОЕМ866 (фрагмент)

Исходный текст программы для «нарезки» текстового файла на файлы, соответствующие абзацам:

FUNCTION Main() mNum = 0

nHandle := DC_txtOpen( 'Inp_data.txt' ) DO WHILE !DC_TxtEOF( nHandle ) mLine = DC_TxtLine( nHandle )

mName = ConvToAnsiCP(SUBSTR(ALLTRIM(TOKEN(mLine,

IF LEN (mName) * LEN(mLine) STRFILE(ALLTRIM(mLine), mNum++ ENDIF

DC_TxtSkip( nHandle, ENDDO

DC TxtClose( nHandle )

1 )

// //

Начало цикла по абзацам

Выделить абзац из текстового файла

,1)),1,250))

> 0 .AND. SUBSTR(mName,1, mName+'.txt')

3) //

= 'IDA'

Запись абзаца в виде файла

CLOSE ALL aMess := {}

AADD(aMess,'Процесс разбиения текстового файла: "Inp_data.txt" на абзацы и их записи в виде txt-файлов завершен успешно!')

AADD(aMess,'В качестве имен файлов использовано 1-е предложение текста, ограниченное до 64 символов.')

AADD(aMess,'Всего записано: '+ALLTRIM(STR(mNum))+' txt-файлов.') LB_Warning( aMess )

RETURN NIL

С помощью данной программы файл с информацией по статьям преобразован в 6625 файлов, каждый из которых содержит информацию по одной из статей. К ним было добавлено еще 5 следующих файлов:

- информация по статье: [35], аналогичная приведенной в таблице 8 (рисунок 24);

- 4 больших файла [36, 37, 38];

- текст по ампелографии любезно предоставленный профессором Л.П.Трошиным: https://kubsau.ru/education/chairs/viniculture/staff/ .

i IDA_1441810033 0б_00_00_Сельскохозяйственные_науки 0б_02_00_Ветеринария_и_Зоотехния Луценко_ЕВ,Ш - AkelPad 1 с=Н 0

Файл Правка И^Д Настройки Справка

ША_1441810033 06_00_00_Сельскохозяйственные_науки 06_02_00_Ветеринария_и_Зоотехния Луце семантического ядра ветеринарии путем автоматизированного системно-когнитивного анализа специальностей ВАК РФ и автоматическая классификация текстов по направлениям науки. Данн продолжением серии работ автора по когнитивной ветеринарии. Настоящее время характеризуе доступе огромных объемов текстов на различных языках, сгенерированных людьми. В настояще накапливаются в различных электронных библиотеках и библиографических базах данных (Ыо5, также просто в Internet на различных сайтах. Все эти тексты имеют конкретных авторов, да относиться одновременно ко многим не альтернативным категориям и жанрам, в частности: уч художественные; политические; новостные; чаты; форумы и многие другие. Большой научный и представляет решение обобщенной задачи атрибуции текстов, т.е. такого исследования этих определялись бы их вероятные авторы, датировка создания, принадлежность этих текстов к п обобщенным группам или жанрам, а также оценка сходства- различия авторов и текстов по их текстах ключевых слов и т.п. и т.д. Для решения всех этих задач необходимо сформировать лингвистические образы текстов по группам (классам), т.е. сформировать семантические ядр случаем этой задачи является создание семантических ядер по различным научным специально автоматическая классификация научных текстов по направлениям науки. Традиционно эта зада диссертационными советами, т.е. экспертами, на основе экспертных оценок, т.е. неформализ опыта, интуиции и профессиональной компетенции. Однако традиционный подход имеет ряд дов недостатков, накладывающих на качество и объемы анализа существенные ограничения. В наст основания рассматривать эти ограничения как неприемлемые, т.к. их вполне можно преодолет проблема, пути решения которой и являются предметом рассмотрения в данной статье. Следов является усилия исследователей и разработчиков по их преодолению. Поэтому целью работы автоматизированной технологии (метода и инструментария), а также методики их применения семантического ядра ветеринарии путем автоматизированного системно-когнитивного анализа специальностей ВАК РФ и автоматической классификация текстов по направлениям науки. Прив численный пример решения поставленной проблемы на реальных данных нко_ЕВ. Формирование * паспортов научных ая работа является гея появлением в открытом е время эти тексты Скопус, РИНЦ и др), а тировку и могут ебные; научные; практический интерес текстов, при котором еречисленным выше содержанию, выделение в обобщенные а классов. Частным стям ВАК РФ и ча решается ованным путем, на основе ольно серьезных оящее время уже есть все ь. Таким образом, налицо ательно, актуальными является разработка для формирования паспортов научных эдится развернутый

1:2127 Ins Win 866 (OEM - русская)

Рисунок 24. Информация по статье: [35], аналогичная приведенной в таблице 8 по всем классифицируемым статьям

Таким образом для классификации в статье использовано 6630 текстов.

Возникает вопрос о том, почему из таблицы 7, содержащей информацию по 7574 статьям получено всего лишь 6625 файлов с описаниями статей. Дело в том, что в качестве имен файлов приведенная программа использует первую строку абзаца о статье, включающую: IDA, группу научных специальностей ВАК РФ, научную специальность ВАК РФ (если она указана), название статьи, фамилии и инициалы авторов. Если чего-нибудь из этого не хватает, например в статье нет аннотации и размер файла с информацией о статье получается равным нулю, имя файла пустое или начинается не с IDA, то такой файл не записывается.

Классифицируемые файлы помещаются в папку: c:\Aidos-X\AID_DATA\Inp_rasp\. Фрагмент каталога с записанными файлами, содержащими информацию по классифицируемым статьям, приведен на рисунке 25.

После этого запускается программный интерфейс 2.3.2.1 с параметрами, приведенными на рисунке 26.

Рисунок 25. Фрагмент каталога: c:\Aidos-X\AID_DATA\Inp_rasp\ с файлами распознаваемой выборки, которые классифицируются по научным специальностям ВАК РФ

Рисунок 26. Экранная форма программного интерфейса 2.3.2.1 для ввода текстов в систему «Эйдос» для классификации

На рисунке 27 приведен фрагмент распознаваемой выборки:

В к I

^ 4.1.1. Ручной ввод-корректировка распознаваемой выборки (режим сисадмина}. Текущая модель: "ДМРЗ"

Код объекта Дата Время

Д 1 &А_001 0301001' ^йвкгтэ: 01:52:28

Й 1'5.01.2019

Щ 15.01:21119 01:55:28.

4 ЮА^0010301005 05_00_00_Тешические_науки Hsueni.o_EB.liit 15.01.2019 01:52:26

5 1 РА^001 ОЭОТММВ. 00_00_Э кономические_науки Ч> е|.орепко_МА. М 15.01.2019: 01ШЙ

6 ■I РА_001030100? 08_00^0^Эвдномичеокие_1кчкиШЙЙШШЕе^род1НЫЙ_ОКМ. 15;01;.2019 .01:52:28'

7 |ОА_рО1О'ЗО]ф.ада_рО_ОО_Текничеокиедйак0 ',Пагттев_ВН.М 1501.3®. Э. 01:®:^:

а ЮА_0010301011 1ГТДЩ_П1дЩ|П||1|)РУ|)Щ Шиенко_ЕВ.М 15.01.2019 01:52:28

9 |РА^СЮ1030101208_00^0_3кономические_науки Лойко^ВИ ТкачевдАН Пименов_[Т:М 15.01.2015 01!52:Щ

г ... ЛГ|'Г|-.Г|'м 1 Э Г,Г.Г1П ПП.-, .-м.-н.ил.-,-,:.^!,^^ ,1_;л гщь;,,. ... г, г, .... 1КП1

К;од объекта Класс 1 Класс г Класс 4 в

л!

Код объекта Признак 1 Признак'2 Пргнзнак'З Признак 4 Признак 5 Признак 6 Признак' 71

■'74ВЕГ. 8364 3445 «89 Г 11153 3331

3757 £378 ■10583 4476 8353 8858 1070:;

ЙЭ 7224 ■537-1 7336 1110 Щк;

'106(31 2681 .3615 .8358 '10537 5215:

■5519 6446 71.13 3171 838.4 0

Скопировать расп.выб.в обуч.

Добавить объект

Добавить признаки

Удалить объект

Удалить классы

Удалить признаки

- ЕЛ I—ЕМ

4.1,1, Ручной ввод-корректировка распознаваемой выборки (режим сисадмина}. Текущая модель: "1^3" ,

Код объекта Н аиг^енование'с^уьекта Дата Время

еей ЮА^_1431803011 0б^00_^3_Се/1ьсконозяйот1еемк1Ь|е^|твуки'.06_01^Ар_4А(:роногтивМоисеев^ВВ.1к1 15.01.2013: 01:55:57

§Ш □ Супрун_ИИ Степанов_ИВ Сунаырева_МА У Х.Е 15.01.201.3; .01:55:57

£624 ША_1431303013 0Е_ 00^Ш_Еельсконозяйотвенные_науки 06_01_00_Агрономия Щер0аков_НА Вннтер_МА.М 15.01,2013 01:55:57

6625 1РЩ431803014 06_00_00_Селъскохозяйственные_науки 06_01 _0.0^Агрсноиия Чукир.^.Н !■:! 15.01.2013 01:55:57

6626 |РА_1441810033 О6_ООДЗЭ_Сельскохозяйственные_науки'О6_О2^ОО_[Зетеринария_и_Зоотеун^й-0уценко_ЕВ.|н1 15.01.2018 01:55:58-

6627 ■ ь.- 15.01.2дтз; 02:'Н?;45'

66Ш 15.01.2013. 02:02:47

6629 Ветеринария.!*! 15.01.2013 '§221:41

6630 Механизация: Ы! ршв 02Йй7:

1 1 1

К'од объекта Класс 1 Класс 2 Класс: 3 Класс 4 н

■

щ

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

щ

Ы

■лшдм. *

,везо 4095 8720 10642 ;8.455 Щ77 1999

; 8630 ■058 5830 10320 1563 7745 5029 1999

8630 1.2В 10(82 ЗВ96 8721 4810 4122 4244

(83.0 ¿271 ВВЗБ 981.1 Я299 П'1'42 5В13

,8830 '^723 4324 8480 ■10642 8836 9811 8298 —1

6630 4738 3720 10642 8721 4610 8803 5335

6630 7766 8721 4610 :'3803 5335 8721 461

6630 4122 4244 5271 .683.6 Й.1 8283 4738

.МО 11142 5313 Ш! 43.24 8480 10642 4122

: 8630 4244 2358 8721 4610 3163 3111 7391 ,

Скопировать расп.выб.в обуч.

Добавить объект

Добавить признаки

Удалить объект

Удалить классы

Удалить признаки

Рисунок 27. Первое и последнее окно распознаваемой выборки (фрагмент)

В верхнем окне написано наименование файла распознаваемой выборки, а в правом нижнем окне перечислены коды слов того файла распознаваемой выборки, на котором в верхнем окне установлен курсор. Справа в верхнем окне в каждой строке справа приведено время (часы, минуты, секунды, по таймеру компьютера), в которое информация по данному объ-

екту распознаваемой выборки включена в базы данных системы «Эйдос». У первого объекта распознаваемой выборки это время равно: 1:52:28, а у последнего: 2:22:27. Это означает, что весь процесс ввода в систему «Эйдос» 6630 текстовых объектов распознаваемой выборки занял без одной секунды 30 минут. Надо отметить, что этот процесс включал и лемматиза-цию всех слов всех вводимых текстов, причем лемматизированных слов оказалось 11346 (см. рисунок 8).

3.2. Решение задачи классификации текстов

Затем запускается режим пакетного распознавания на графическом процессоре (рисунок 28):

Рисунок 28. Экранные формы запуска и исполнения режима пакетного распознавания на графическом процессоре

Из рисунка 28 видно, что процесс классификации 6630 текстов по группам научных специальностей и научным специальностям ВАК РФ в системе «Эйдос» занял 48 минут 14 секунд. Здесь необходимо отметить, что сам процесс классификации на графическом процессоре (GPU) в одной модели занимает в данной задаче 7 секунд и еще 10 секунд занимает за-

пись файла с его результатами. Все остальное время ушло на создание 10 выходных форм по результатам классификации, которое осуществляется на центральном процессоре (CPU).

После окончания процесса распознавания системой «Эйдос» было выдано следующее сообщение (рисунок 29):

}исунок 29. Сообщение системы «Эйдос» по окончании процесса

классификации текстов

Это сообщение означает, что объемы полных выходных форм по результатам классификации текстов в данной задаче оказались на столько велики, что они не могут быть сохранены в базы данных, на размер которых в языке программирования накладывается ограничение 2 Гб. Поэтому полная информация по результатам распознавания записана в текстовых файлах, на размер которых ограничение накладывается только наличием свободно места на дисках компьютера, используемого для расчетов.

На рисунке 30 мы видим одну из главных выходных форм по результатам классификации текстов. Из этой формы мы видим, что при идентификации с классом: «Код 262, группа специальностей: 06.02.00-Ветеринария» сначала идут статьи с наиболее высокими уровнями сходства с данным классом, относящиеся к сельскохозяйственным наукам, по-видимому к ветеринарии, а затем вперемежку идут статьи с по ветеринарии и по сходной научной специальности: 03.00.00-Биологические науки.

На рисунке 31 приведена выходная форма с результатами сравнения текста конкретной статьи с семантическими ядрами групп научных специальностей и научных специальностей ВАК РФ. Результаты классификации абсолютно правильные и полностью соответствуют экспертной оценке.

Аналогично могут быть получены результаты классификации любых заданных текстов. Например, на рисунке 32 приведены результаты классификации учебных пособий и справочников по научным специальностям исследуемого журнала: агрономии, ветеринарии и механизации [36, 37, 38].

Рисунок 30. Выходная форма по результатам сравнения текстов с семантическим ядром группы научных специальностей ВАК РФ

06.02.00-Ветеринария

Рисунок 31. Выходная форма с результатами сравнения текста конкретной статьи с семантическими ядрами групп научных специальностей и научных специальностей ВАК РФ

. Визуализация резульп

КЛАСС-06.01.04 Агрохимия

КЛАСС-06.01.04 Агрохимия (1)

КЛАСС-06.01.07 Защита растений

КЛАСС-02.00.03 Орга

КЛАСС-14.01.1

КЛАСС-06.02.03!

КЛАСС-03.02.11 Паразитология

КЛАСС-14.01.04 Внутренние болезни

КЛАСС-06.02.02 Ветери

ВЫКЛ.Филь-

КЛАСС-05.05.06 Горные г

КЛАСС-05.05.04 Дорожные.

Рисунок 32. Результаты классификации работ [36, 37, 38] по научным специальностям журнала: агрономии, ветеринарии и механизации

В верхнем правом окне мы видим результаты классификации текстов с применением интегрального критерия: «Семантический резонанс знаний», в правом нижнем окне - «Сумма знаний». Рекомендуется использовать информацию из того окна, по интегральному критерию которого в режиме 3.4 мы видим более высокую достоверность.

Отметим, что приведенные на рисунке 32 и других рисунках экранные формы вполне читабельны при увеличенном масштабе изображения.

3.3. Анализ результатов классификации текстов

Рассмотрим обобщающую выходную форму по результатам классификации статей по группам научных специальностей и научным специальностям ВАК РФ и , приведенную на рисунке 33:

С) 4.1.3.3. Итоговая наглядная форма результатов распознавания: "Обье>с- л;т(к.1л< | а | Э

Рисунок 33. Обобщающая выходная форма по результатам классификации статей по группам научных специальностей и научным специальностям

ВАК РФ

В данной форме:

- слева приведена та группа научных специальностей или научная специальность ВАК РФ, с семантическим ядром которой данная статья (текст) наиболее сходна (выделено красным шрифтом);

- справа приведена та группа научных специальностей или научная специальность ВАК РФ, с семантическим ядром которой данная статья (текст) наиболее сильно отличается.

Таким образом в экранной форме, приведенной на рисунке 30, содержится информация 1-й и последней строк форм с рисунка 29.

Возникает естественный вопрос о том, на сколько результаты автоматической классификации статей по направлениям науки совпадают с классификацией авторов, которую они сами приводят при направлении статей в редакцию.

Отметим, что это не вопрос о степени истинности автоматической классификации или классификации авторов, а лишь вопрос о степени их совпадения. Дело в том, что в данном случае неизвестно, что считать истинным решением о принадлежности статьи к тому или иному научному направлению: автоматическое решение на основе формальной модели или решение автора.

Иначе обстоит дело с истинностью результатов идентификации, приведенной на экранных формах и рисунках 17, 18, 19. В этом случае точно известно к каким научным специальностям и группам специальностей ВАК РФ относятся паспорта различных научных специальностей.

Исходные данные для ответа на этот вопрос содержит база данных: c:\Aidos-X\AID_DATA\A0000002\System\Int_krit.dbf, которая содержит обобщенную информацию по результатам классификации статей по научным специальностям и группам специальностей ВАК РФ, отображаемую в экранной форме, приведенной на рисунке 33.

Ниже приведен исходный текст небольшой программы (язык программирования xBsase++), которая для каждой группы научных специальностей ВАК РФ подсчитала число совпадений и несовпадений результатов автоматической и авторской классификации статей по этим группам специальностей (т.е. число совпадений автоматической оценки и авторской самооценки принадлежности статьи к группе специальностей ВАК РФ):

FUNCTION Main() CLOSE ALL

USE Rsp_it1i EXCLUSIVE NEW SELECT Rsp_it1i

*** Подготовка массивов для расчета *****************

aCiphGrSpec := {} aNSovpGrSpec := {} aNNeSovpGrSpec := {}

DBGOTOP()

DO WHILE .NOT. EOF()

mCiphGrSpec = ALLTRIM(SUBSTR(NAME_OBJ, 16, 2)) IF LEN(mCiphGrSpec) > 0

IF ASCAN(aCiphGrSpec, mCiphGrSpec) = 0 // Каждую группу специальностей включаем 1

раз

AADD( aCiphGrSpec, mCiphGrSpec) AADD( aNSovpGrSpec , 0) AADD( aNNeSovpGrSpec, 0)

ENDIF ENDIF

DBSKIP(1) ENDDO

*** Расчет ******************************************

DBGOTOP()

DO WHILE .NOT. EOF()

mCiphGrSpec = ALLTRIM(SUBSTR(NAME_OBJ, 16, 2)) IF LEN(mCiphGrSpec) > 0

mPos = ASCAN(aCiphGrSpec, mCiphGrSpec) IF mPos > 0

IF mCiphGrSpec = SUBSTR(NAME_CLSA, 7, 2)

aNSovpGrSpec[mPos] = aNSovpGrSpec[mPos] + 1 ELSE

aNNeSovpGrSpec[mPos] = aNNeSovpGrSpec[mPos] + 1 ENDIF ENDIF ENDIF

DBSKIP(1) ENDDO

*** Запись результатов расчета в виде базы данных ***

********* Создать БД NumbSovp

aStructure := { { {

{ { { {

"CiphGrSpec1 "NumbSovp" "NumbNeSovp1 11 Summa " "NSovpPerc" "NNeSovpPer"

,22, 0 },

,15, 0 },

,15, 7 },

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

,15, 7 }

DbCreate( "NumbSovpGr.dbf", aStructure )

}

CLOSE ALL

USE NumbSovpGr EXCLUSIVE NEW SELECT NumbSovpGr

mNSovpGrSpec = 0 mNNeSovpGrSpec = 0

FOR j=1 TO LEN(aCiphGrSpec)

APPEND BLANK

REPLACE CiphGrSpec WITH aCiphGrSpec [j]+,.00.00, REPLACE NumbSovp WITH aNSovpGrSpec [j] REPLACE NumbNeSovp WITH aNNeSovpGrSpec[j]

mNSovpGrSpec = mNSovpGrSpec + aNSovpGrSpec [j] mNNeSovpGrSpec = mNNeSovpGrSpec + aNNeSovpGrSpec[j]

REPLACE Summa WITH aNSovpGrSpec [j] + aNNeSovpGrSpec[j]

REPLACE NSovpPerc WITH aNSovpGrSpec [j] / Summa * 100 REPLACE NNeSovpPer WITH aNNeSovpGrSpec[j] / Summa * 100

REPLACE CiphGrSpec WITH 'По всем специальностям' REPLACE NumbSovp WITH mNSovpGrSpec REPLACE NumbNeSovp WITH mNNeSovpGrSpec

mSumma = mNSovpGrSpec + mNNeSovpGrSpec

REPLACE Summa WITH mNSovpGrSpec + mNNeSovpGrSpec

REPLACE NSovpPerc WITH mNSovpGrSpec / mSumma * 100 REPLACE NNeSovpPer WITH mNNeSovpGrSpec / mSumma * 100

CLOSE ALL

aMess := {}

AADD(aMess,'Процесс завершен успешно!') LB_Warning( aMess )

RETURN NIL

*****************************************************************************************

FUNCTION LB_Warning( message, ctitle )

LOCAL aMsg := {} DEFAULT cTitle TO '' IF valtype(message) # 'A'

aadd(aMsg,message) ELSE

aMsg := message ENDIF

IF LEN(ALLTRIM(cTitle)) > 0 DC_MsgBox( ,,aMsg,cTitle) ELSE

DC_MsgBox( ,,aMsg,'(C) Универсальная когнитивная аналитическая система "Эйдос-Х++"') ENDIF

RETURN NIL

В таблице 9 приведены результаты сравнения авторской и автоматической классификации статей Научного журнала КубГАУ по группам научных специальностей ВАК РФ.

Таблица 9 - Результаты сравнения авторской и автоматической

классификации статей Научного журнала КубГАУ _по группам научных специальностей ВАК РФ _

Шифр специальности Совпало Не совпало Сумма Совпало, % Не совпало, %

08.00.00 1437 211 1648 87,197 12,803

12.00.00 295 46 341 86,510 13,490

10.00.00 127 88 215 59,070 40,930

05.00.00 989 715 1704 58,040 41,960

В среднем по всем специальностям 3678 2949 6627 55,500 44,500

06.00.00 516 552 1068 48,315 51,685

23.00.00 7 8 15 46,667 53,333

14.00.00 19 22 41 46,341 53,659

19.00.00 25 38 63 39,683 60,317

25.00.00 9 16 25 36,000 64,000

13.00.00 77 151 228 33,772 66,228

02.00.00 17 35 52 32,692 67,308

01.00.00 103 277 380 27,105 72,895

09.00.00 25 73 98 25,510 74,490

24.00.00 6 21 27 22,222 77,778

17.00.00 2 13 15 13,333 86,667

22.00.00 5 37 42 11,905 88,095

07.00.00 4 96 100 4,000 96,000

03.00.00 15 491 506 2,964 97,036

11.00.00 0 20 20 0,000 100,000

18.00.00 0 7 7 0,000 100,000

04.00.00 0 18 18 0,000 100,000

20.00.00 0 5 5 0,000 100,000

Строки в таблице 9 рассортированы в порядке убывания процента совпадений. Приведена также строка: «В среднем по всем специальностям», которую можно рассматривать не только саму по себе, но и как базу

для сравнения результатов автоматической оценки и авторской самооценки принадлежности статей к тем или иным направлениям науки.

Из таблицы 9 видно, что наиболее адекватная самооценка наблюдается у авторов статей по группам специальностей: 08.00.00, 12.00.00, 10.00.00, 05.00.00, близка к ним и группа специальностей 06.00.00. У авторов статей по другими направлениям науки самооценка принадлежности их статей к научным специальностям ВАК РФ отличается от автоматической классификации в большей степени.

Конечно нужно учесть, что этот вывод получен на основании лишь анализа наименований статей и аннотаций, а не их полных текстов.

Поэтому проведем сравнение экспертной и автоматической классификации паспортов научных специальностей ВАК РФ по группам научных специальностей ВАК РФ.

Для этого соответствующим образом немного модифицируем ранее приведенную программу совпадений автоматической оценки и авторской самооценки принадлежности статьи к группе специальностей ВАК РФ:

FUNCTION Main() CLOSE ALL

USE Rsp_it1i EXCLUSIVE NEW SELECT Rsp_it1i

*** Подготовка массивов для расчета *****************

aCiphGrSpec := {} aNSovpGrSpec := {} aNNeSovpGrSpec := {}

DBGOTOP()

DO WHILE .NOT. EOF()

mCiphGrSpec = ALLTRIM(SUBSTR(NAME_OBJ, 1, 2)) IF LEN(mCiphGrSpec) > 0

IF ASCAN(aCiphGrSpec, mCiphGrSpec) = 0 // Каждую группу специальностей включаем 1

раз

AADD( aCiphGrSpec, mCiphGrSpec) AADD( aNSovpGrSpec , 0) AADD( aNNeSovpGrSpec, 0) ENDIF ENDIF

DBSKIP(1) ENDDO

*** Расчет ****************************************** DBGOTOP()

DO WHILE .NOT. EOF()

mCiphGrSpec = ALLTRIM(SUBSTR(NAME_OBJ, 1, 2)) IF LEN(mCiphGrSpec) > 0

mPos = ASCAN(aCiphGrSpec, mCiphGrSpec) IF mPos > 0

IF mCiphGrSpec = SUBSTR(NAME_CLSA, 7, 2)

aNSovpGrSpec[mPos] = aNSovpGrSpec[mPos] + 1 ELSE

aNNeSovpGrSpec[mPos] = aNNeSovpGrSpec[mPos] + 1 ENDIF ENDIF ENDIF

DBSKIP(1)

ENDDO

*** Запись результатов расчета в виде базы данных ***

********* Создать БД NumbSovp

{ "CiphGrSpec", "C" ,22, 0 },

{ "NumbSovp" , "N" ,15, 0 },

{ "NumbNeSovp", "N" ,15, 0 },

{ "Summa" , "N" ,15, 0 },

{ "NSovpPerc" , "N" ,15, 7 },

{ "NNeSovpPer", "N" ,15, 7 }

DbCreate( "NumbSovpGr.dbf", aStructure )

}

CLOSE ALL

USE NumbSovpGr EXCLUSIVE NEW SELECT NumbSovpGr

mNSovpGrSpec = 0 mNNeSovpGrSpec = 0

FOR j=1 TO LEN(aCiphGrSpec)

APPEND BLANK

REPLACE CiphGrSpec WITH aCiphGrSpec [j]+'.00.00' REPLACE NumbSovp WITH aNSovpGrSpec [j] REPLACE NumbNeSovp WITH aNNeSovpGrSpec[j]

mNSovpGrSpec = mNSovpGrSpec + aNSovpGrSpec [j] mNNeSovpGrSpec = mNNeSovpGrSpec + aNNeSovpGrSpec[j]

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

REPLACE Summa WITH aNSovpGrSpec [j] + aNNeSovpGrSpec[j]

REPLACE NSovpPerc WITH aNSovpGrSpec [j] / Summa * 100 REPLACE NNeSovpPer WITH aNNeSovpGrSpec[j] / Summa * 100

REPLACE CiphGrSpec WITH 'По всем специальностям' REPLACE NumbSovp WITH mNSovpGrSpec REPLACE NumbNeSovp WITH mNNeSovpGrSpec

mSumma = mNSovpGrSpec + mNNeSovpGrSpec

REPLACE Summa WITH mNSovpGrSpec + mNNeSovpGrSpec

REPLACE NSovpPerc WITH mNSovpGrSpec / mSumma * 100 REPLACE NNeSovpPer WITH mNNeSovpGrSpec / mSumma * 100

CLOSE ALL

aMess := {}

AADD(aMess,'Процесс завершен успешно!') LB_Warning( aMess )

RETURN NIL

*****************************************************************************************

FUNCTION LB_Warning( message, ctitle )

LOCAL aMsg := {} DEFAULT cTitle TO '' IF valtype(message) # 'A'

aadd(aMsg,message) ELSE

aMsg := message ENDIF

IF LEN(ALLTRIM(cTitle)) > 0 DC_MsgBox( ,,aMsg,cTitle) ELSE

DC_MsgBox( ,,aMsg,'(C) Универсальная когнитивная аналитическая система "Эйдос-Х++"') ENDIF

RETURN NIL

Эта модификация связна только с тем, что шифры специальностей в наименованиях объектов распознаваемой выборки расположены в разных позициях в случаях, когда этими объектами являются паспорта научных специальностей ВАК РФ или научные статьи.

В результате работы этой программы получим таблицу 10:

Таблица 10 - Результаты сравнения экспертной и автоматической

классификации паспортов научных специальностей ВАК РФ _по группам научных специальностей ВАК РФ _

Совпа- Не совпа- Сум- Совпало, Не совпало,

Шифр специальности ло ло ма % %

02.00.00 34 0 34 100,000 0,000

08.00.00 13 0 13 100,000 0,000

09.00.00 19 0 19 100,000 0,000

12.00.00 31 0 31 100,000 0,000

13.00.00 13 0 13 100,000 0,000

24.00.00 5 0 5 100,000 0,000

14.00.00 102 4 106 96,226 3,774

06.00.00 45 2 47 95,745 4,255

19.00.00 19 2 21 90,476 9,524

05.00.00 263 28 291 90,378 9,622

10.00.00 30 4 34 88,235 11,765

В среднем по всем специальностям 765 111 876 87,329 12,671

07.00.00 13 2 15 86,667 13,333

17.00.00 13 2 15 86,667 13,333

25.00.00 63 10 73 86,301 13,699

23.00.00 11 2 13 84,615 15,385

01.00.00 62 12 74 83,784 16,216

03.00.00 24 34 58 41,379 58,621

22.00.00 5 8 13 38,462 61,538

26.00.00 0 1 1 0,000 100,000

Из сравнения таблиц 9 и 10 мы видим, что достоверность классификации паспортов научны специальностей ВАК РФ по группам научных специальностей значительно выше, чем совпадение автоматической оценки и авторской самооценки принадлежности статьи к группе специальностей. Ясно, что так и должно быть по трем основным причинам:

- во-первых, потому, что паспорта научных специальностей ВАК РФ являются полнотекстовыми, т.е. содержат значительно больше слов и научных терминов, чем наименования и аннотации статей;

- во-вторых, адекватность работы экспертов ВАК РФ, разрабатывавших паспорта научных специальностей и объединяющих их в группы специальностей, значительно выше адекватности авторской самооценки научной принадлежности их статей;

- в-третьих, паспорта некоторых научных специальностей и групп специальностей объективно сходны друг с другом и поэтому при класси-

фикации статей они могут быть отнесены не к тому направлению науки, к которому они относятся, а к сходному с ним. Примеры этого для групп специальностей: 05.13.00, 05.20.00, 06.01.00, 06.02.00 и 08.00.00 приведены на рисунках 34:

Рисунок 34. Когнитивные диаграммы, отражающие сходство-различие семантических ядер групп научных специальностей ВАК РФ: 05.13.00, 05.20.00, 06.01.00, 06.02.00 и 08.00.00 с различными специальностями и группами специальностей ВАК РФ

Тем ни менее есть ряд паспортов специальностей, которые идентифицируются с группами специальностей хуже, чем в среднем: 07.00.00, 17.00.00, 25.00.00, 23.00.00, 01.00.00, 03.00.00, 22.00.00, 26.00.00. По-видимому, этот результат можно интерпретировать таким образом, что паспорта этих специальностей содержат меньше (по сравнению с другими паспортами) специфических терминов, позволяющих надежно их идентифицировать. Поэтому классификация статей по этим научным специальностям ВАК РФ более затруднительна и для автоматической классификации, и для авторов, а также для экспертов диссертационных советов.

4. Выводы (Conclusions)

4.1. Эффективность предложенного решения проблемы

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. Ограничения и недостатки предложенного решения проблемы и перспективы его развития путем

их преодоления этих ограничений и недостатков

В данной статье классификация статей осуществлялась лишь на основании анализа их наименований и аннотаций, а не их полных текстов. В будущем панируется провести подобное исследование на полных текстах статей, научных монографий и диссертаций.

Длительность решения задачи агломеративной когнитивной кластеризации для одной СК-модели при 480 классах и 11346 признаках составляет несколько часов, что является неприемлемым. Но решение этой задачи в разумные сроки представляет большой научный и практический интерес. Решить эту проблему планируется в будущих работах путем реализации данного режима на других языках программирования, обеспечивающих более высокое быстродействие, возможно с использованием технологии использования графического процессора (GPU) для неграфических вычислений.

4.3. Заключение

В результате проделанной работы, с помощью системы «Эйдос» были формированы обобщенные лингвистические образы классов по паспортам специальностей научных работников ВАК РФ и по группам специальностей (семантические ядра и антиядра), и, на основе этого, решены задачи классификации текстов по направлениям науки, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Таким образом, созданы системно-когнитивные модели высокой достоверности, поставленные задачи решены, цель достигнута, проблема решена.

Данная работа демонстрирует, что математические модели (частные и интегральные критерии), методики численных расчетов (структуры данных и алгоритмы их обработки), экранные формы управления процессами, программный интерфейс ввода текстовых данных в систему «Эйдос» и повышения степени формализации исходных данных от вербализации до нормализованных баз данных (API), экранные формы текстовых и графи-

ческих выходных форм по результатам решения задач глубокой атрибуции текстов, программная реализация математических моделей, методик численных расчетов, интерфейса и когнитивной графики в системе «Эйдос» являются адекватным средством для решения поставленной и решаемой в статье проблемы.

Необходимо отметить, что системно-когнитивные модели, разработанные в системе «Эйдос», могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов, для классификации текстов не по научным специальностям ВАК РФ, а оп жанрам, авторам, датировке создания, наличию в них нежелательных или противозаконных призывов или влияния на читателей и т.п, и т.д. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.

Таким образом АСК-анализ и система «Эйдос» представляют собой новый инновационный, т.е. реально доведенный до возможности практического применения, метод искусственного интеллекта, который обоснованно может рассматриваться как универсальный инструмент решения всех тех задач в области ветеринарии (и других наук), для решения которых используется естественный интеллект. Причем это инструмент, многократно увеличивающий возможности естественного интеллекта, примерно также, как микроскоп и телескоп многократно увеличивает возможности естественного зрения, естественно только в том случае, если оно есть. Поэтому, конечно, этих задач огромное количество. По сути это все задачи, для решения которых человек использует свой так называемый естественный интеллект (о том, на сколько и в какой степени он действительно «естественный» см. http: //lc.kubagro.ru/aidos/Credo/Credo.htm).

В качестве перспектив можно было бы отметить в частности решение следующих задач ветеринарии с применением автоматизированного системно-когнитивного анализа:

- поддержка принятия решений по выбору антибактериальных препаратов в зависимости от характера микробной флоры;

- поддержка принятия решений по определению дозы и пути введения препаратов группы пенициллина;

- поддержка принятия решений по определению дозы и пути введения цефалоспоринов;

- поддержка принятия решений по выбору антибактериальных препаратов с учетом основных токсических и аллергических реакций на антибактериальные препараты;

- исследование взаимодействия антибактериальных препаратов с другими препаратами при приеме внутрь и поддержка принятия решений по выбору антибактериальных препаратов с учетом результатов этих исследований.

Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эй-дос», предлагается назвать «Когнитивной ветеринарией» или шире «Математической ветеринарией» по аналогии с математической экономикой (08.00.13), Прикладной и математической лингвистикой (10.02.21), когнитивной лингвистикой и т.д.

Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, ин-

7

формационные, когнитивные технологии .

Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [2, 3]8 и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения под номерами: 100, 125, 126, 127, 128, 131, 133 и доступны всем желающим в режиме 1.3 системы «Эйдос». Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эйдос-облаке под номером 134.

Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнару-

7 Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия», «когнитивная экономика» и т.д.. Автор пытался развивать когнитивную математику [10] и когнитивную теорию управления [10], а также применять их в других областях науки и практики.

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

жить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [34].

5. Благодарности (Acknowledgements)

Автор выражает благодарности:

- разработчику интеллектуальных систем из Белоруссии Бандык Дмитрию Константиновичу за разработку модуля ускоренного синтеза моделей и GPU-модуля распознавания для системы «Эйдос», которые ускоряют решение этих задач иногда (т.е. на некоторых приложениях) в тысячи раз, что делает реальным формирование и исследование моделей большой размерности в разумные сроки (например, моделей, созданных и исследованных в данной работе);

- web-мастеру Научного журнала КубГАУ () начальнику Центра информационных технологий КубГАУ к.т.н., доценту Кремеру Алексею Семеновичу: https://kubsau.ru/education/chairs/comp-system/staff/3395/ за предоставление исходных данных по публикациям в журнале за весь период его существования, которые были использованы в качестве текстов для классификации по научным специальностям ВАК РФ в данной статье;

- проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи: https://kubsau.ru/university/rectorate/.

Список литературы (References)

1. Луценко Е.В. Атрибуция текстов, как обобщенная задача идентификации и прогнозирования / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(002). С. 146 - 164.

- IDA [article ID]: 0020302013. - Режим доступа: http://ej.kubagro.ru/2003/02/pdf/13.pdf, 1,188 у.п.л.

2. Луценко Е.В. Атрибуция анонимных и псевдонимных текстов в системно-когнитивном анализе / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(005). С. 44 - 64. -IDA [article ID]: 0050403003. - Режим доступа: http://ej.kubagro.ru/2004/03/pdf/03.pdf, 1,312 у.п.л.

3. Луценко Е.В. АСК-анализ проблематики статей Научного журнала КубГАУ в динамике / Е.В. Луценко, В.И. Лойко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №06(100). С. 109 - 145.

- IDA [article ID]: 1001406007. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/07.pdf, 2,312 у.п.л.

4. Луценко Е.В. Применение АСК-анализа и интеллектуальной системы "Эйдос" для решения в общем виде задачи идентификации литературных источников и авторов по стандартным, нестандартным и некорректным библиографическим описаниям / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского госу-

дарственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №09(103). С. 498 - 544. - IDA [article ID]: 1031409032. - Режим доступа: http://ej.kubagro.ru/2014/09/pdf/32.pdf, 2,938 у.п.л.

5. Луценко Е.В. Интеллектуальная привязка некорректных ссылок к литературным источникам в библиографических базах данных с применением АСК-анализа и системы «Эйдос» (на примере Российского индекса научного цитирования - РИНЦ) / Е.В. Луценко, В. А. Глухов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №01(125). С. 1 - 65. - IDA [article ID]: 1251701001. - Режим доступа: http://ej.kubagro.ru/2017/01/pdf/01.pdf, 4,062 у.п.л.

6. 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

7. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220

8. 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.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

9. Луценко Е.В., Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. -Режим доступа: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 у.п.л.

10. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - Режим доступа: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 у.п.л.

11. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС-X++". Пат. № 2012619610 РФ. Заявка № 2012617579 РФ от 10.09.2012. Зарегистр. 24.10.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 у.п.л.

12. 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.

13. Луценко Е.В. Неформальная постановка и обсуждение задач, возникающих при системном обобщении теории множеств на основе системной теории информации (Часть 2-я: задачи 4-9) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №04(038). С. 26 - 65. -Шифр Информрегистра: 0420800012\0049, IDA [article ID]: 0380804003. - Режим доступа: http://ej.kubagro.ru/2008/04/pdf/03.pdf, 2,5 у.п.л.

14. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Крас-

нодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.

15. 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.

16. Луценко Е.В. Инвариантное относительно объемов данных нечеткое муль-тиклассовое 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.

17. 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.

18. 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://ei.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

19. 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.

20. 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

21. Ричард Броди. ПСИХИЧЕСКИЕ ВИРУСЫ. Методическое пособие для слушателей курса. «Современные психотехнологии». Москва, 2002, 192 стр. https://royallib.com/book/broudi richard/psihicheskie virusi.html

22. Луценко Е.В., Подсистема агломеративной когнитивной кластеризации классов системы «Эйдос» ("Эйдос-кластер"). Пат. № 2012610135 РФ. Заяв. № 2011617962 РФ 26.10.2011. Опубл. От 10.01.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012610135.ipg, 3,125 у.п.л.

23. Сельскохозяйственные машины: краткий курс лекций для аспирантов направления подготовки 35.06.04 Технологии, средства механизации и энергетическое оборудование в сельском, лесном и рыбном хозяйстве / Сост.: Шардина Г.Е., Хакимзянов Р.Р.

// ФГБОУ ВПО «Саратовский ГАУ». - Саратов, 2014. - 80с. http://www.sgau.ru/files/pages/14691/14327973037.pdf

24. Евтефеев Ю.В., Казанцев Г.М. Основы агрономии : учебное пособие / Ю.В. Евтефеев, Г.М. Казанцев. — М. : ФОРУМ, 2013. - 368 с. : ил. - (Высшее образование). ISBN 978-5-91134-192-3. https://www.twirpx.com/file/1389251/

25. Ханников А. А. Справочник ветеринарного специалиста. Справочное пособие.

- СПб.: Литагент Мельников, 2011. - 455 c. https://www.twirpx.com/file/936410/

26. Луценко Е.В. Реализация тестов и супертестов для ветеринарной и медицинской диагностики в среде системы искусственного интеллекта «Эйдос-Х++» без программирования / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 167 - 207. - IDA [article ID]: 0891305014. - Режим доступа: http://ej.kubagro.ru/2013/05/pdf/14.pdf, 2,562 у.п.л.

27. Луценко Е.В. Автоматизированный системно-когнитивный анализ в ветеринарии (на примере разработки диагностических тестов) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №03(137). С. 143 - 196. - IDA [article ID]: 1371803031. - Режим доступа: http://ej.kubagro.ru/2018/03/pdf/31 .pdf, 3,375 у.п.л.

28. Луценко Е.В. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №04(138). С. 122 - 139.

- IDA [article ID]: 1381804033. - Режим доступа: http://ej .kubagro.ru/2018/04/pdf/33.pdf, 1,125 у.п.л.

29. Луценко Е.В. Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №05(139). С. 99 - 116.

- IDA [article ID]: 1391805033. - Режим доступа: http://ej .kubagro.ru/2018/05/pdf/33.pdf, 1,125 у.п.л.

30. Луценко Е.В. Автоматизированный системно-когнитивный анализ антибиотиков в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №06(140). С. 171 - 220.

- IDA [article ID]: 1401806033. - Режим доступа: http://ej .kubagro.ru/2018/06/pdf/33.pdf, 3,125 у.п.л.

31. Луценко Е.В. Разработка ветеринарного теста для диагностики желудочно-кишечных заболеваний лошади на основе данных репозитория UCI с применением АСК-анализа / Е.В. Луценко, Е.К. Печурина, А.Э. Сергеев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. -№07(141). С. 111 - 175. - IDA [article ID]: 1411807033. - Режим доступа: http://ej.kubagro.ru/2018/07/pdf/33.pdf, 4,062 у.п.л.

32. Луценко Е.В. Автоматизированный системно-когнитивный анализ и классификация пород крупного рогатого скота / Е.В. Луценко, Е.К. Печурина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар:

КубГАУ, 2018. - №08(142). С. 68 - 95. - IDA [article ID]: 1421808033. - Режим доступа: http://ei .kubagro.ru/2018/08/pdf/3 3 .pdf, 1,75 у.п.л.

33. Луценко Е.В. Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефорд-ской породы и их размеров / Е.В. Луценко, В.Г. Лежнев, Н.И. Ковелин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №09(143). С. 49 - 88. - IDA [article ID]: 1431809033. - Режим доступа: http://ei.kubagro.ru/2018/09/pdf/33.pdf, 2,5 у.п.л.

34. 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://ei.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.

35. Луценко Е.В. Формирование семантического ядра ветеринарии путем Автоматизированного системно-когнитивного анализа паспортов научных специальностей ВАК РФ и автоматическая классификация текстов по направлениям науки / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №10(144). С. 44 - 102. - IDA [article ID]: 1441810033. - Режим доступа: http://ei.kubagro.ru/2018/10/pdf/33.pdf, 3,688 у.п.л.

36. Евтефеев Ю.В., Казанцев Г.М. Основы агрономии Учебное пособие. — М.: ФОРУМ, 2013. - 368 с. - ISBN 978-5-91134-192-3. https://www.twirpx.com/file/1389251/

37. Ханников А.А. Справочник ветеринарного специалиста Справочное пособие. -СПб.: Литагент Мельников, 2011. - 455 с. https://www.twirpx.com/file/936413/

38. Шардина Г.Е., Хакимзянов Р.Р. (сост.). Сельскохозяйственные машины: краткий курс лекций для аспирантов Саратов: «Саратовский ГАУ», 2014. — 90 с. https://www.twirpx.com/file/2080327/

Spisok literatury" (References)

1.Lucenko E.V. Atribuciya tekstov, kak obobshhennaya zadacha identifikacii i prognozirovaniya / E.V. Lucenko // Politematicheskii setevoi e'lektronny^ nauchny^ zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny^ zhurnal Kub-GAU) [Flektronnyi resurs]. - Krasnodar: KubGAU, 2003. - №02(002). S. 146 - 164. - IDA [article ID]: 0020302013. - Rezhim dostupa: http://ei.kubagro.ru/2003/02/pdf/13.pdf, 1,188 u.p.l.

2.Lucenko E.V. Atribuciya anonimny'x i psevdonimny'x tekstov v sistemno-kognitivnom analize / E.V. Lucenko // Politematicheskii setevoi e'lektronny^ nauch-ny^ zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny^ zhurnal KubGAU) [Flektronnyi resurs]. - Krasnodar: KubGAU, 2004. - №03(005). S. 44 - 64. - IDA [article ID]: 0050403003. - Rezhim dostupa: http://ei.kubagro.ru/2004/03/pdf/03.pdf, 1,312 u.p.l.

3.Lucenko E.V. ASK-analiz problematiki statei Nauchnogo zhurnala KubGAU v dinamike / E.V. Lucenko, V.I. Loiko // Politematicheskii setevoi e'lektronnyj nauch-ny^ zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny^ zhurnal KubGAU) [Flektronnyi resurs]. - Krasnodar: KubGAU, 2014. - №06(100). S. 109 - 145. - IDA [article ID]: 1001406007. - Rezhim dostupa: http://ei.kubagro.ru/2014/06/pdf/07.pdf, 2,312 u.p.l.

4.Lucenko E.V. Primenenie ASK-analiza i intellektual'noj sistemy' "E'jdos" dlya resheniya v obshhem vide zadachi identifikacii literaturny'x istochnikov i avtorov po standartny'm, nestandartny'm i nekorrektny'm bibliograficheskim opisaniyam / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosu-darstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j re-surs]. - Krasnodar: KubGAU, 2014. - №09(103). S. 498 - 544. - IDA [article ID]: 1031409032. - Rezhim dostupa: http://ej.kubagro.ru/2014/09/pdf/32.pdf, 2,938 u.p.l.

5.Lucenko E.V. Intellektual'naya privyazka nekorrektny'x ssy'lok k literatur-ny'm istochnikam v bibliograficheskix bazax danny'x s primeneniem ASK-analiza i sistemy' «E'jdos» (na primere Rossijskogo indeksa nauchnogo citirovaniya - RINCz) / E.V. Lucenko, V.A. Gluxov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №01(125). S. 1 - 65. - IDA [article ID]: 1251701001. - Rezhim dostupa: http://ej.kubagro.ru/2017/01/pdf/01.pdf, 4,062 u.p.l.

6.Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v upravle-nii aktivny'mi ob''ektami (sistemnaya teoriya informacii i ee primenenie v issledo-vanii e'konomicheskix, social'no-psixologicheskix, texnologicheskix i organizacion-no-texnicheskix sistem): Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

7.Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Monografiya (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-7570. http://elibrary.ru/item.asp?id=21358220

8.Lucenko E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya on-line sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'j-dos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kuban-skogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lek-tronny'j 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.

9.Lucenko E.V., Universal'naya avtomatizirovannaya sistema raspoznavaniya ob-razov "E'JDOS". Svidetel'stvo RosAPO №940217. Zayav. № 940103. Opubl. 11.05.94. -Rezhim dostupa: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 u.p.l.

10. Lucenko E.V., Universal'naya kognitivnaya analiticheskaya sistema "E'JDOS". Pat. № 2003610986 RF. Zayav. № 2003610510 RF. Opubl. ot 22.04.2003. -Rezhim dostu-pa: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 u.p.l.

11. Lucenko E.V., Universal'naya kognitivnaya analiticheskaya sistema "E'JDOS-X++". Pat. № 2012619610 RF. Zayavka № 2012617579 RF ot 10.09.2012. Zaregistr. 24.10.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 u.p.l.

12. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya on-line sreda «E'jdos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Za-yavka № 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.

13. Lucenko E.V. Neformal'naya postanovka i obsuzhdenie zadach, voznikayushhix pri sistemnom obobshhenii teorii mnozhestv na osnove sistemnoj teorii informacii (Chast' 2-ya: zadachi 4-9) / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauch-ny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2008. -№04(038). S. 26 - 65. - Shifr Informregistra: 0420800012\0049, IDA [article ID]: 0380804003. - Rezhim dos-tupa: http://ej.kubagro.ru/2008/04/pdf/03.pdf, 2,5 u.p.l.

14. Lucenko E.V. Sintez adaptivny'x intellektual'ny'x izmeritel'ny'x sistem s primeneniem ASK-analiza i sistemy' «E'jdos» i sistemnaya identifikaciya v e'kono-metrike,

biometrii, e'kologii, pedagogike, psixologii i medicine / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvenno-go agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Kras-nodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

15. Lucenko E.V. Metrizaciya izmeritel'ny'x shkal razlichny'x tipov i sovmestnaya sopostavimaya kolichestvennaya obrabotka raznorodny'x faktorov v sistemno-kognitivnom analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j 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.

16. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'ti-klassovoe obobshhenie F-mery' dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal Kub-GAU) [E'lektronny'j 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.

17. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvenno-go agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Kras-nodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Re-zhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.

18. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizaciya na osnove znanij (klasterizaciya v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j na-uchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dos-tupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.

19. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretirue-my'e nejronny'e seti pryamogo scheta / E.V. Lucenko // Politematicheskij setevoj e'lek-tronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Na-uchny'j zhurnal KubGAU) [E'lektronny'j 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.

20. 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

21. Richard Brodi. PSIXIChESKIE VIRUSY'. Metodicheskoe posobie dlya slusha-telej kursa. «Sovremenny'e psixotexnologii». Moskva, 2002, 192 str. https://royallib.com/book/broudi_richard/psihicheskie_virusi.html

22. Lucenko E.V., Podsistema aglomerativnoj kognitivnoj klasterizacii klas-sov sistemy' «E'jdos» ("E'jdos-klaster"). Pat. № 2012610135 RF. Zayav. № 2011617962 RF 26.10.2011. Opubl. Ot 10.01.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 u.p.l.

23. Sel'skoxozyajstvenny'e mashiny': kratkij kurs lekcij dlya aspirantov naprav-leniya podgotovki 35.06.04 Texnologii, sredstva mexanizacii i e'nergeticheskoe oboru-

dovanie v sel'skom, lesnom i ry'bnom xozyajstve / Sost.: Shardina G.E., Xakimzyanov R.R. // FGBOU VPO «Saratovskij GAU». - Saratov, 2014. - 80s. http://www.sgau.ru/files/pages/14691/14327973037.pdf

24. Evtefeev Yu.V., Kazancev G.M. Osnovy' agronomii : uchebnoe posobie / Yu.V. Evtefeev, G.M. Kazancev. — M. : FORUM, 2013. - 368 s. : il. - (Vy'sshee obrazovanie). ISBN 978-5-91134-192-3. https://www.twirpx.com/file/1389251/

25. Xannikov A.A. Spravochnik veterinarnogo specialista. Spravochnoe posobie. -SPb.: Litagent Mel'nikov, 2011. - 455 c. https://www.twirpx.com/file/936410/

26. Lucenko E.V. Realizaciya testov i supertestov dlya veterinarnoj i medicin-skoj diagnostiki v srede sistemy' iskusstvennogo intellekta «E'jdos-X++» bez pro-grammirovaniya / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektron-ny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2013. - №05(089). S. 167 - 207. - IDA [article ID]: 0891305014. - Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/14.pdf, 2,562 u.p.l.

27. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v veterina-rii (na primere razrabotki diagnosticheskix testov) / E.V. Lucenko // Politematiche-skij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: Kub-GAU, 2018. -№03(137). S. 143 - 196. - IDA [article ID]: 1371803031. - Rezhim dostupa: http://ej.kubagro.ru/2018/03/pdf/31.pdf, 3,375 u.p.l.

28. Lucenko E.V. Aglomerativnaya kognitivnaya klasterizaciya nozologicheskix ob-razov v veterinarii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. - №04(138). S. 122 - 139. - IDA [article ID]: 1381804033. - Rezhim dostupa: http://ej.kubagro.ru/2018/04/pdf/33.pdf, 1,125 u.p.l.

29. Lucenko E.V. Aglomerativnaya kognitivnaya klasterizaciya simptomov i sin-dromov v veterinarii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauch-ny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. - №05(139). S. 99 - 116. - IDA [article ID]: 1391805033. - Rezhim dostupa: http://ej.kubagro.ru/2018/05/pdf/33.pdf, 1,125 u.p.l.

30. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz antibioti-kov v veterinarii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal Kub-GAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. - №06(140). S. 171 - 220. - IDA [article ID]: 1401806033. - Rezhim dostupa: http://ej.kubagro.ru/2018/06/pdf/33.pdf, 3,125 u.p.l.

31. Lucenko E.V. Razrabotka veterinarnogo testa dlya diagnostiki zheludochno-kishechny'x zabolevanij loshadi na osnove danny'x repozitoriya UCI s primeneniem ASK-analiza / E.V. Lucenko, E.K. Pechurina, A.E'. Sergeev // Politematicheskij sete-voj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universi-teta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. -№07(141). S. 111 - 175. - IDA [article ID]: 1411807033. - Rezhim dostupa: http://ej.kubagro.ru/2018/07/pdf/33.pdf, 4,062 u.p.l.

32. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz i klassi-fikaciya porod krupnogo rogatogo skota / E.V. Lucenko, E.K. Pechurina // Politemati-cheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: Kub-GAU,

2018. - №08(142). S. 68 - 95. - IDA [article ID]: 1421808033. - Rezhim dostupa: http://ej.kubagro.ru/2018/08/pdf/33.pdf, 1,75 u.p.l.

33. Lucenko E.V. Matematicheskoe i chislennoe modelirovanie vzaimosvyazi mor-fologicheskogo, bioximicheskogo i mikroe'lementnogo sostava krovi by'chkov gereford-skoj porody' i ix razmerov / E.V. Lucenko, V.G. Lezhnev, N.I. Kovelin // Politemati-cheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: Kub-GAU, 2018. - №09(143). S. 49 - 88. - IDA [article ID]: 1431809033. - Rezhim dostupa: http://ej.kubagro.ru/2018/09/pdf/33.pdf, 2,5 u.p.l.

34. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo po-znaniya i avtomatizirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespechivayushhij soderzhatel'noe fenomenologicheskoe mo-delirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhur-nal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j 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.

35. Lucenko E.V. Formirovanie semanticheskogo yadra veterinarii putem Avtoma-tizirovannogo sistemno-kognitivnogo analiza pasportov nauchny'x special'nostej VAK RF i avtomaticheskaya klassifikaciya tekstov po napravleniyam nauki / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. - №10(144). S. 44 - 102. - IDA [article ID]: 1441810033. - Rezhim dostupa: http://ej.kubagro.ru/2018/10/pdf/33.pdf, 3,688 u.p.l.

36. Evtefeev Yu.V., Kazancev G.M. Osnovy' agronomii Uchebnoe posobie. — M.: FORUM, 2013. - 368 s. - ISBN 978-5-91134-192-3. https://www.twirpx.com/file/1389251/

37. Xannikov A.A. Spravochnik veterinarnogo specialista Spravochnoe posobie. -SPb.: Litagent Mel'nikov, 2011. - 455 s. https://www.twirpx.com/file/936413/

38. Shardina G.E., Xakimzyanov R.R. (sost.). Sel'skoxozyajstvenny'e mashiny': krat-kij kurs lekcij dlya aspirantov Saratov: «Saratovskij GAU», 2014. — 90 s. https://www.twirpx.com/file/2080327/