Теоретические основы системно- когнитивного моделирования процессов и машин агроинженерных систем Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

05.20.00 Процессы и машины агроинженерных систем

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ СИСТЕМНО-КОГНИТИВНОГО МОДЕЛИРОВАНИЯ ПРОЦЕССОВ И МАШИН АГРОИНЖЕНЕРНЫХ СИСТЕМ

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

Процессы и машины агроинженерных систем с полным основанием могут рассматриваться как сложные многопараметрические природно-технические системы. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях. Вследствие этого разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Однако математические моделирование процессов и машин агроинженерных систем необходимо для разработки, как их конструкций, так и технологий применения. Таким образом, на лицо проблема, которую предлагается решать с применением феноменологических информационных и когнитивных моделей. Эти модели основаны на теории информации и описывают моделируемую систему чисто внешне как «черный ящик», но при этом содержательно. Системно-когнитивные модели могут строиться непосредственно на основе эмпирических данных с применением интеллектуальной системы «Эйдос». Это делается по типовой технологии и методике и это намного менее трудоемко и намного быстрее, чем разработка содержательных аналитических моделей. С другой стороны феноменологические системно-когнитивные модели могут быть вполне достаточны для определения рациональных конструктивных особенностей и параметров процессов и машин агроинженерных систем. Кроме того, такие феноменологические модели могут рассматриваться в качестве первого этапа разработки содержательных аналитических моделей. Приводится численный пример

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК-

UDC 004.8 Engineering

THEORETICAL FOUNDATIONS OF SYSTEMIC - COGNITIVE MODELING OF PROCESSES AND MACHINES IN AGROENGINEERING SYSTEMS

Lutsenko Eugeny Veniaminovich

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

Scopus Author ID: 57191193316

RSCI SPIN-code: 9523-7101

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

Kuban State Agrarian University, Krasnodar, Russia

Processes and machines of Agro-engineering systems with good reason can be considered as complex multiparameter natural and technical systems. In these systems there are numerous and diverse physical, chemical and biological processes. On the one hand, these processes have a significant impact on the performance of these systems. On the other hand, they are extremely difficult to describe in the form of meaningful analytical models based on equations. As a result, the development of meaningful analytical models is associated with a large number of simplifying assumptions that reduce the validity of these models. However, mathematical modeling of processes and machines of Agro-engineering systems is necessary for the development of both their designs and application technologies. Thus, there is a problem that is proposed to be solved with the use of phenomenological information and cognitive models. These models are based on the theory of information and describe the simulated system purely externally as a "black box", but it is meaningful. System-cognitive models can be built directly on the basis of empirical data using the intellectual system called "Eidos". This is done by model technology and methodology and is much less time-consuming and much faster than the development of meaningful analytical models. On the other hand, phenomenological system-cognitive models can be sufficient to determine rational design features and parameters of processes and machines of Agro-engineering systems. In addition, such phenomenological models can be considered as a first step in the development of meaningful analytical models. A numerical example is given

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

АНАЛИЗ СИСТЕМА «ЭЙДОС» Doi: 10.21515/1990-4665-135-001

СОДЕРЖАНИЕ

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

2. МАТЕРИАЛЫ И МЕТОДЫ (MATERIALS AND METHODS)...............................................................4

2.1. Идея и концепция решения проблемы (задача 1).............................................................................4

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

2.2.1 Суть метода АСК-анализа..............................................................................................................5

2.2.2. Суть математической модели АСК-анализа и частные критерии.......................................... 7

2.2.3. Интегральные критерии и принятие управляющих решений.................................................... 13

2.3. Применение системы «Эйдос» для создания интеллектуального приложения (задача 3) ... 15

2.3.1. Когнитивно-целевая структуризация предметной области.................................................... 16

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........................................................................................................28

2.3.6. Выбор наиболее достоверной модели и присвоение ей статуса текущей..............................29

3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ (RESULTS AND DISCUSSION)...................................................30

3.1. Диагностика (классификация, распознавание, идентификация) (задача 3)..........................30

3.2. Поддержка принятия решений (задача 3)........................................................................................ 31

3.3. Исследование предметной области путем исследования ее модели (задача 3).................... 33

3.3.1. Нелокальные нейроны и нейронные сети....................................................................................33

3.3.2. Когнитивные диаграммы..............................................................................................................35

3.3.2. SWOT и PEST анализ......................................................................................................................36

3.3.3. Когнитивные функции...................................................................................................................36

7. ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ.............................................................................42

4. ВЫВОДЫ (CONCLUSIONS).......................................................................................................................42

4.1. Эффективность предложенного решения проблемы (задача 4)..................................................42

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

путем их преодоления этих ограничений и недостатков (задача 5)................................................ 42

4.3. Заключение............................................................................................................................................42

5. БЛАГОДАРНОСТИ (ACKNOWLEDGEMENTS)...................................................................................44

СПИСОК ЛИТЕРАТУРЫ (REFERENCES).................................................................................................44

1. Введение (Introduction)

Процессы и машины агроинженерных систем с полным основанием могут рассматриваться как сложные многопараметрические природно-технические системы. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях. Вследствие этого разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Однако

математические моделирование процессов и машин агроинженерных систем необходимо для разработки как их конструкций, так и технологий применения.

Таким образом на лицо проблема, которую предлагается решать с применением феноменологических информационных и когнитивных моделей.

Эти модели основаны на теории информации и описывают моделируемую систему чисто внешне как «черный ящик», но при этом содержательно. Системно-когнитивные модели могут строиться непосредственно на основе эмпирических данных с применением интеллектуальной системы «Эйдос». Это делается по типовой технологии и методике и это намного менее трудоемко и намного быстрее, чем разработка содержательных аналитических моделей. С другой стороны феноменологические системно-когнитивные модели могут быть вполне достаточны для определения рациональных конструктивных особенностей и параметров процессов и машин агроинженерных систем. Кроме того, такие феноменологические модели могут рассматриваться в качестве первого этапа разработки содержательных аналитических моделей.

Поэтому целью работы является разработка метода системно-когнитивного моделирования процессов и машин агроинженерных систем.

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

Задача 1: сформулировать идею и концепцию решения проблемы;

Задача 2: обосновать выбор метода и инструмента решения проблемы;

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

3.1. Когнитивная структуризация предметной области.

3.2. Формализация предметной области.

3.3. Синтез и верификация модели.

3.4. Повышение качества модели и выбор наиболее достоверной модели.

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

Задача 4: описать эффективность предложенного решения проблемы.

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

Ниже кратко рассмотрим подходы к решение из этих задач.

2. Материалы и методы (Materials and methods)

2.1. Идея и концепция решения проблемы (задача 1)

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

Концепция решения проблемы конкретизирует

сформулированную выше идею и заключается в применении технологий искусственного интеллекта для создания приложений, обеспечивающих системно-когнитивное моделирование процессов и машин агроинженерных систем.

Суть предлагаемой концепции состоит в применении теории информации для того, чтобы рассчитать какое количество информации содержится в тех или иных значениях природных, технологических и конструктивных факторов о том, что моделируемая система перейдет в то или иное будущее состояние, соответствующее определенному классу. При этом будущие состояния объекта моделирования могут характеризоваться как его объективно-наблюдаемыми физическими, химическими, биологическими свойствами, так и финансово-экономическими параметрами эффективности, типа прибыли и рентабельности.

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

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

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

Автоматизированный системно-когнитивный анализ (АСК-анализ) разработан проф. Е.В. Луценко в 2002 году [1-9] 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»).

Система «Эйдос» разработана автором проф.Е.В. Луценко в универсальной постановке не зависящей от предметной области и находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm, причем с открытыми актуальными исходными текстами: http ://lc .kubagro.ru/_AIDOS -X.txt. Система имеет 30 встроенных локальных учебных приложений и около 100 облачных Эйдос-приложений учебного и научного характера [4].

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) [1-9]:

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

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

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

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

V.

Решение задач распознавания системной идентификации и прогнозирования

Решение задач управления (поддержки принятия решений)

V

Решение задач исследования предметной области путем исследования ее модели

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 [1, 4] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых (нелинейных) данных [11], представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [10-12].

Суть математической модели АСК-анализа состоит в следующем.

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

Представим себе, что факторам соответствуют оси некоторого пространства, которое мы назовем пространством факторов. Факторы будем называть описательными шкалами [10].

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

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

Исходный вид Результат прео©разованнн

Конформные преобразования : сетка из лшши Рисунок 3. Конформное отображение (пример)1

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

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

Причины этого просты и очевидны.

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

Если говорить о пространстве факторов и пространстве состояний объекта моделирования, то это означает, что все они должны измеряться в некоторых количественных единицах измерения и должны быть независимы друг от друга, т.е. объект моделирования должен быть линейным [11] а количество описательных классификационных шкал должно быть одинаковым.

В нашем же случае пространство факторов и пространство состояний объекта моделирования в общем случае являются неметрическими неортонормированными пространствами, т.е. могут иметь оси, являющиеся не только числовыми шкалами, но и порядковыми, и даже номинальными [10], и эти оси могут быть не взаимно-перпендикулярными друг к другу [10], а количество этих осей в пространстве факторов и пространстве состояний может быть разным.

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

В нашем же случае:

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

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

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

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

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

Для этого необходимо преобразовать номинальные и порядковые шкал в один тип шкал: числовой, и всех шкал в одну единицу измерения. Это преобразование измерительных шкал называется «метризация» [10].

В качестве этой единицы измерения нами выбрана единица измерения количества информации [1-12]. Иначе говоря в математической модели АСК-анализа мы рассчитываем, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния [10]. Причем делается это непосредственно на основе эмпирических данных, которые могут быть большой размерности, фрагментированы, зашумлены и взаимозависимы.

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

Таблица 1 - Матрица абсолютных частот

Классы

1 1 W Сумма

а 1 N; N

о а

о н » К Я и В" г N N Ж N * = IN ]=1

ев Я

СО М N N N МЖ

Суммарное количество Признаков по классу п Ж М N** = Ц /=1 ;=1

Суммарное количество объектов обучающей выборки по классу Ж ^ = I Ns| ]=1

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

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

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

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

Таблица 2 - Матрица условных и безусловных процентных распределений

Классы Безусловная вероятность признака

1 W

Значения факторов 1 Рц Ри P 11W

i Р1 Р II N N J j: P 1 iW P _ Na Ps N SS

M Р 1 M1 Р P 1 MW

Безусловная вероятность класса

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 — N

PRC1, матрица условных и безусловных процентных распределений, в качестве NSJ используется суммарное количество признаков по классу — Р - Nj 1 Nj

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

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

признак, то это i-й признак

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

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — n1n, 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 I „ = 1 j NN J

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 = Pj - P ¡ = - N 1 N} N

INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу 1 , = P - P J = Nj N 1 nj N

Обозначения к таблице 3:

I - значение прошлого параметра;

j - значение будущего параметра;

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

М- суммарное число значений всех прошлых параметров;

Ж - суммарное число значений всех будущих параметров.

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

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

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

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

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

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

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

Таблица 4 - Матрица системно-когнитивной модели

Классы Значимость фактора

1 1 W

Значения факторов 1 Л / 1\ж *х = 2 1 ж 2 ж-1У-1)

г 1,1 1ц 1 ж 2 1 У (I■■ -I) ж -1 ■¡Г"

М 1М1 1мц 1мж = 2 1 ж 2 ж-1У (1мц 1м)

Степень редукции класса 1 ж м . ,2 н = 2 1 УУ[I, I) ■ м -1) £ у

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

2.2.3. Интегральные критерии и принятие управляющих решений

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

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

- сумма знаний;

- резонанс знаний.

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

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

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

М

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

¡=1

где: М - количество градаций описательных шкал (признаков); Ту = {Ту } - вектор состояния _]-го класса;

1, если I - й фактор действует;

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

0, если I - й фактор не действует.

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

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

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

1

1 ооМ 1=1

М / \ / ч

£ {I-/- )(ц - Г),

где: М

ь

О:

- количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

среднеквадратичное отклонение частных критериев знаний

вектора класса;

О

среднеквадратичное отклонение по вектору распознаваемого

объекта.

Т1J = {Т1J} - вектор состояния _]-го класса;

—

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

1, если г - й фактор действует;

Г = \п, где: п > 0, если г - й фактор действует с истинностью п;

0, если г - й фактор не действует.

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

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 _]-го класса и состояния распознаваемого объекта.

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

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

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

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

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 в новой версии системы «Эйдос», основываясь на работах [13, 14]. В данной работе использован 461 пример из 749, рассмотренных в работах [13, 14].

2.3.1. Когнитивно-целевая структуризация предметной области

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

- конструктивный тип релятивного винтового барабана;

- время смешивания;

- скорость продольного перемещения комбикормовой смеси;

- число оборотов в минуту;

- коэффициент заполнения барабана комбикормовой смесью;

- угол наклона барабана или его стенок.

В качестве результата совместного действия этих факторов будем рассматривать качество получаемой комбикормовой смеси, измеряемое двумя показателями:

- максимальное отклонение от 100% качественным смешиванием;

- минимальное отклонение от 100% качественным смешиванием;

2.3.2. Формализация предметной области и описание исходных данных

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

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

Исходные данные имеют вид (таблица 5):

Таблица 5 - Ехсе1-файл исходных данных

№ опыта Макс.откл.от 100% кач.смеш. Мин.откл.от 100% кач.смеш. Время смеш.1 (мин.) Скорость продольного перемещения, мм/с Число оборотов в минуту Коэффициент заполнения барабана Тип барабана Угол наклона стенки барабана

3 6,0 0,1 17,6 3,0 40 0,2 РК 1.1 б 10

4 5,9 0,2 15,3 3,9 50 0,2 РК 1.1 б 10

5 5,7 0,3 10,7 4,1 60 0,2 РК 1.1 б 10

6 6,1 0,4 13,8 3,6 70 0,2 РК 1.1 б 10

7 5,8 0,3 16,3 2,1 80 0,2 РК 1.1 б 10

9 6,0 -0,1 26,5 0,1 95 0,2 РК 1.1 б 10

10 6,3 0,5 17,2 3,2 20 0,3 РК 1.1 б 10

11 6,0 0,6 17,3 4,3 30 0,3 РК 1.1 б 10

12 5,9 0,4 16,2 5,6 40 0,3 РК 1.1 б 10

13 6,1 0,5 14,8 6,9 50 0,3 РК 1.1 б 10

15 5,8 0,4 10,1 5,0 70 0,3 РК 1.1 б 10

16 5,9 0,3 15,2 4,1 80 0,3 РК 1.1 б 10

18 6,0 0,5 24,0 0,1 95 0,3 РК 1.1 б 10

19 6,3 0,6 15,8 5,0 20 0,5 РК 1.1 б 10

20 6,1 0,5 12,1 6,7 30 0,5 РК 1.1 б 10

21 6,0 0,3 10,2 8,6 40 0,5 РК 1.1 б 10

22 5,9 0,7 7,5 9,5 50 0,5 PK 1.1 .б 10

24 5,8 0,9 8,2 8,6 70 0,5 PK 1.1 .б 10

25 5,7 0,7 10,1 5,8 80 0,5 PK 1.1 .б 10

28 5,9 0,1 17,3 6,0 20 0,6 PK 1.1 .б 10

30 5,6 1,1 10,2 7,8 40 0,6 PK 1.1 .б 10

31 5,4 0,9 8,2 8,6 50 0,6 PK 1.1 .б 10

32 5,2 0,8 8,1 9,3 60 0,6 PK 1.1 .б 10

33 5,6 0,6 9,5 8,6 70 0,6 PK 1.1 .б 10

34 6,0 0,4 10,1 6,0 80 0,6 PK 1.1 .б 10

37 6,1 0,5 14,5 2,6 20 0,7 PK 1.1 .б 10

38 6,2 0,4 12,1 3,6 30 0,7 PK 1.1 .б 10

39 6,3 0,3 11,5 4,5 40 0,7 PK 1.1 .б 10

40 5,9 0,5 10,2 5,2 50 0,7 PK 1.1 .б 10

41 5,8 0,3 9,8 5,4 60 0,7 PK 1.1 .б 10

42 5,5 0,4 10,2 4,3 70 0,7 PK 1.1 .б 10

43 5,7 0,5 12,8 3,0 80 0,7 PK 1.1 .б 10

46 4,9 0,3 17,1 1,3 20 0,2 PK 2.1.б 6

47 4,8 0,2 16,2 3,4 30 0,2 PK 2.1.б 6

48 5,1 0,1 13,2 5,1 40 0,2 PK 2.1.б 6

50 5,3 0,1 9,5 6,7 60 0,2 PK 2.1.б 6

51 4,9 0,1 10,2 5,8 70 0,2 PK 2.1.б 6

56 5,4 0,7 15,9 5,5 30 0,3 PK 2.1.б 6

57 5,0 0,6 12,1 7,9 40 0,3 PK 2.1.б 6

58 4,8 0,2 9,1 10,1 50 0,3 PK 2.1.б 6

59 5,1 0,7 9,8 11,1 60 0,3 PK 2.1.б 6

60 4,9 0,4 11,9 11,1 70 0,3 PK 2.1.б 6

61 5,3 0,3 12,6 7,7 80 0,3 PK 2.1.б 6

62 5,5 0,1 15,1 3,4 90 0,3 PK 2.1.б 6

63 5,6 0,3 20,1 0,1 95 0,3 PK 2.1.б 6

65 5,6 0,6 14,3 8,1 30 0,5 PK 2.1.б 6

66 5,7 0,0 11,5 11,5 40 0,5 PK 2.1.б 6

67 5,2 0,4 8,5 14,1 50 0,5 PK 2.1.б 6

68 5,3 0,5 8,2 15,2 60 0,5 PK 2.1.б 6

69 5,4 0,3 8,1 13,7 70 0,5 PK 2.1.б 6

70 5,5 0,1 11,5 9,9 80 0,5 PK 2.1.б 6

71 5,1 0,1 14,1 4,7 90 0,5 PK 2.1.б 6

73 5,7 0,4 14,0 3,9 20 0,6 PK 2.1.б 6

74 5,3 0,3 12,0 7,1 30 0,6 PK 2.1.б 6

75 5,4 0,3 10,1 10,3 40 0,6 PK 2.1.б 6

76 5,0 0,1 9,2 12,7 50 0,6 PK 2.1.б 6

77 4,9 0,2 8,1 14,1 60 0,6 PK 2.1.б 6

78 4,9 0,1 9,3 12,4 70 0,6 PK 2.1.б 6

79 5,1 0,3 10,1 8,8 80 0,6 PK 2.1.б 6

80 5,2 0,4 13,1 3,9 90 0,6 PK 2.1.б 6

82 5,5 0,5 18,1 2,3 20 0,7 PK 2.1.б 6

83 5,6 0,6 17,3 4,3 30 0,7 PK 2.1.б 6

85 5,3 0,7 12,5 8,3 50 0,7 PK 2.1.б 6

86 5,4 0,6 9,6 9,0 60 0,7 PK 2.1.б 6

87 5,6 0,9 10,3 8,3 70 0,7 PK 2.1.б 6

89 5,3 0,0 17,1 3,0 90 0,7 PK 2.1.б 6

93 5,6 0,3 8,9 3,2 40 0,2 PK 3.1.б 4

94 5,5 0,3 8,1 4,3 50 0,2 PK 3.1.б 4

95 4,9 0,3 7,5 4,9 60 0,2 PK 3.1.б 4

96 5,0 0,2 7,9 4,9 70 0,2 PK 3.1.б 4

102 5,1 0,4 7,5 5,5 40 0,3 PK 3.1.б 4

103 5,2 0,5 6,3 6,2 50 0,3 PK 3.1.б 4

104 5,3 0,3 5,5 7,1 60 0,3 PK 3.1.б 4

105 5,1 0,2 5,8 7,3 70 0,3 PK 3.1.б 4

106 4,9 -0,1 5,1 5,5 80 0,3 PK 3.1.б 4

108 6,1 0,5 20,3 0,2 95 0,3 PK 3.1.б 4

Полностью исходные данные включают описания результатов 461 эксперимента (опыта) и здесь не приводятся из-за ограниченности объема работы.

Для ввода этих исходных данных в систему «Эйдос» используем режим 2.3.2.2 с указанными параметрами (рисунок 4):

(у 2.3.2.2. Универсальны? программны? интерфейс импорта данных б систему ЭИДОС-Х-»-

I а

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"

Задайте параметры:

Стандарт XLS -Файла

Задайте тип Файла исходных данный: '1np_data":

ШЩ; • ШШШ

С XLSivMS E: Kcel-2007(2G 101 r DBF -DBASE IV (DBF/NTX) ifa-амдартDBFгФа'Заа

С CSV -; Comma-Separated Values Сгагщарг CSV-файла

f* H ули и пробелы считать О Т СУ Т СТ В И Е М даннык Нули и пробепы считать ЗНАЧЕНИЯМИ данных (С? Создавать ь Я средник по классам "!np_.davr.dbf"^ Требования к Файлу исходных данных

Задайте диапазон столбцов классификационно:-: шкал: Начальный столбец классификационных шкал: 2

Конечный столбец классификационных шкал 3

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

Задайте режим

(•- Формализации предметной области (на основе "lnp_daia") Генерации распознаваемой выборки (на основе "lnp_rasp")

Задайте способ выбора размера интервалов:

Г* Равные интервалы с разным числом наблюдений Г Разные интервапы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей ''1пр_йа&а":

Я" Не применять сценарный метод АСК-анализа Г Применить сценарный метод АСК-анализа

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

Параметры интерпретации значении текстовых полей "1пр_(Ша"!

Интерпретация ТХТ-полей классов'

Значения полей текстовых классификационных шкал Файла исходных данных "lnp_data" рассматриваются как целое

Интерпретация ТХТ-полей признаке;:

Значения полей текстовых описательных шкал Файла

исходных данных "1пр_йа(а" рассматриваются как целое

Какие наименования ГРАДАЦИИ числовых шкал использовать:

!• Топько интервальные числовые значения (например: "1/3-{59873.0000000,17854!?. 6666667}"]

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

И интервальные числоьые значения, и их наименования (например: "Минимальное: 1 /3-{5Я873.0000000,178545.6666667}")

Ок

Cancel

Рисунок 4. Экранная форма универсального программного интерфейса импорта данных в систему «Эйдос»

Таблица 5 полностью соответствует требованиям этого программного интерфейса, описанным в его Help (рисунок 13):

f*) Помощь по режиму 2.3.2.2 для. случая Excei-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных ■lnp_data.xls" в систему иЭйдос-х+ + ' и формализации предметной области.

- Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию: предметной области, на основе Х1_Б или Х1_БХ-Файла с исходными данными приведенного ниже стандарта.

- Файл исходных данный должен иметь имя: INP_DATA.XLS или 1МР_0АТА.Х1_5Х и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INР'_Р АЗ P.XLS или INP.RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XI.SX] и INP_RASP.XLS или ШР.НАЭР. Х1_5Х) должны находиться в папке М1С05-Х^10_0АТАЛпр_с1а1а/ и имеют совершенно одинаковую структуру.

-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во веек колонка;-;, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.

- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Ехсе1-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 364 колонок.

- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).

- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если котя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

- 1-й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

- Столбцы со 2-го по М-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

- Столбцы с N+1 по последний являются описательными шкалами [Факторами] и содержат данные о признаках (значениях Факторов), характеризующим объекты обучающей выборки.

- В результате работы режима Формируется файл INP_NAME.TXT стандарта М5 РОЭ (кириллица], в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке файла исходных данных МР_С'АТА и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

- Распознаваемая выборка формируется на основе файла ШР_ПА6Р аналогично, за исключением того, что классификационные и описательные. шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле 1МР_ЯА5Р были пустыми, Структура Файла INР_ЯАЭР должна быть такая же, как 1МР_0АТА, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могцг иметь разное количество строк.

Принцип организации таблицы исходных данных:

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

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

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

... ... ...

fljj^J Cancel

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

Отметим, что действующие факторы и их конкретные значения описываются колонками 4-9 файла исходных данных, приведенного в таблице 1, а результаты действия этих факторов - колонками 2-3.

В данном случае значения всех факторов и результатов их действия, кроме типа барабана, числовые, а тип барабана - это текстовое значение.

При нажатии на 'ОК' на экранной форме, представленной на рисунке 4, система «Эйдос» загружает Ехсе1-файл исходных данных, анализирует его и выводит экранную форму внутреннего калькулятора, представленную на рисунке 6:

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

При выходе на создание модели происходит нормализаций базы исходных данных и формирование обучающей выборки (базы событий). Стадия исполнения и его результаты отражены на экранной форме, приведенной на рисунке 7. Из этой экранной формы видно, что ввод в систему «Эйдос» данных 461 опытов из таблицы 5 осуществлен за 2 секунды.

Рисунок 7. Отчет о формируемых классификационных и описательных шкалах и градациях

Ниже приведены классификационные и описательные шкалы и градации (таблицы 6 и 7), а также обучающая выборка (рисунок 8):

Таблица 6 - Классификационные шкалы и градации

KOD CLS NAME CLS

1 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-{1.1000000, 3.4800000}

2 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-2/5-{3.4800000, 5.8600000}

3 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-3/5-{5.8600000, 8.2400000}

4 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-4/5-{8.2400000, 10.6200000}

5 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-5/5-{10.6200000, 13.0000000}

6 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-{-10.0000000, -6.7400000}

7 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-2/5-{-6.7400000, -3.4800000}

8 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-3/5-{-3.4800000, -0.2200000}

9 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-4/5-{-0.2200000, 3.0400000}

10 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-5/5-{3.0400000, 6.3000000}

Таблица 7 - Описательные шкалы и градации

KOD ATR NAME ATR

1 ВРЕМЯ СМЕШТ (МИН.)-1/5-{1.6000000, 20.6800000}

2 ВРЕМЯ СМЕШТ (МИН.)-2/5-{20.6800000, 39.7600000}

3 ВРЕМЯ СМЕШТ (МИН.)-3/5-{39.7600000, 58.8400000}

4 ВРЕМЯ СМЕШТ (МИН.)-4/5-{58.8400000, 77.9200000}

5 ВРЕМЯ СМЕШТ (МИН.)-5/5-{77.9200000, 97.0000000}

6 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/С-1/5-{0.1000000, 6.4600000}

7 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/С-2/5-{6.4600000, 12.8200000}

8 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/С-3/5-{12.8200000, 19.1800000}

9 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/С-4/5-{19.1800000, 25.5400000}

10 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/С-5/5-{25.5400000, 31.9000000}

11 ЧИСЛО ОБОРОТОВ В МИНУТУ-1/5-{20.0000000, 35.0000000}

12 ЧИСЛО ОБОРОТОВ В МИНУТУ-2/5-{35.0000000, 50.0000000}

13 ЧИСЛО ОБОРОТОВ В МИНУТУ-3/5-{50.0000000, 65.0000000}

14 ЧИСЛО ОБОРОТОВ В МИНУТУ-4/5-{65.0000000, 80.0000000}

15 ЧИСЛО ОБОРОТОВ В МИНУТУ-5/5-{80.0000000, 95.0000000}

16 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-1/5-{0.1000000, 0.2600000}

17 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-2/5-{0.2600000, 0.4200000}

18 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-3/5-{0.4200000, 0.5800000}

19 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-4/5-{0.5800000, 0.7400000}

20 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-5/5-{0.7400000, 0.9000000}

21 ТИП БАРАБАНА-РК 1.1.б

22 ТИП БАРАБАНА-РК 2.1.б

23 ТИП БАРАБАНА-РК 3.1.б

24 ТИП БАРАБАНА-РК 5.1.а

25 ТИП БАРАБАНА-РК 7.1.а

26 ТИП БАРАБАНА-РЦ 1.1.б

27 ТИП БАРАБАНА-РЦ 1.2.б

28 ТИП БАРАБАНА-РЦ 3.5.а

29 ТИП БАРАБАНА-РЦ 4.1.б

30 ТИП БАРАБАНА-РЦ 5.1.а

31 ТИП БАРАБАНА-РЦ 7.1.а

32 УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА-1/5-{2.0000000, 3.6000000}

33 УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА-2/5-{3.6000000, 5.2000000}

34 УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА-3/5-{5.2000000, 6.8000000}

35 УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА-4/5-{6.8000000, 8.4000000}

36 УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА-5/5-{8.4000000, 10.0000000}

Обучающая выборка представляет собой базу исходных данных (таблица 5), нормализованную (закодированную) с помощью созданных классификационных и описательных шкал (таблицы 6 и 7) (рисунок 8):

Рисунок 8. Обучающая выборка (фрагмент)

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 9).

Стадия процесса исполнения синтеза и верификации моделей и прогноз времени его окончания отображается на экранной форме (рисунок 10):

3-5, Выбор моделей для синтеза и верификации

. ¡ i ss—l

Задайте модели для синтеза и верификации Статистические базы:

К? =1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки |«7 2. PRC1 ■ частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса К? 3. PRC2 ■ частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):

[¡7 4. IIMF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

F 5

I51 Б

F 7

I? 8

F 9

INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами

INF4 - частный критерий: ROI (Return 0n Inves(ment); вероятности из PRC1

INF5 - частный критерий: ROI (Return 0n Inves(ment); вероятности из PRC2

INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1

|i? 10.INF7 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC2

- Параметры копирования обучающей выборки в распознаваемую: Какие объекты обуч.выборки копировать: (* Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайный объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

Пояснение по алгоритму верификации ¡

Удалять из обуч.выборки скопированные объекты: (* Не удалять С Удалять

Подробне

Измеряется внутренняя достоверн. модели

Текущая модель

Г ABS Г PRC1 Г PRC2

INF1 Г INF2 Г INF3 Г INF4 С INF5 Г INFG Г INF7

Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию

Рисунок 9. Экранная форма режима синтеза и верификации моделей системы «Эйдос»

3,5, Синтез и верификация заданных из 10 моделей

i i И

-Стадии исполнения процесса

Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез моделей знаний: INFI -INF7 - Готово

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...

Шаг 5-й из 11: Задание модели "INF?" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово

Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - 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 9-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 заданных стат.моделей и моделей знаний упешно завершена !!!

-Прогноз времени исполнения-

Начало: 00:52:56

Окончание: 0:55:00

Прошло: 0:02:12

Осталось: 0:00:00

Рисунок 10. экранная форма с отображением стадия процесса исполнения синтеза и верификации моделей и прогноза времени его окончания

Видно, что весь процесс синтеза и верификации моделей занял 2 минуты 12 секунд.

Сами модели приведены на рисунках 11-13:

Рисунок 11. Матрица абсолютных частот (фрагмент)

Г t) 5.5, Модель: "4. INFI - частный критерий: количество зн; эний по А,Харкевичу; вероятности из PRC1" V > ЬЩ Ush —|

4 Сунна ¡йЯРР

МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.0ТКЛ.0Т н

ШХ ШХ 1002 ШХ ftöfe 100Ä ШХ ШХ ШХ ШХ

КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ.

1/5 2/5 3/5 4/5 5/5 1/5 £ 2/5 { 3/5 { 4/5 { 5/5

<1.1000000, {3.4800000, <5.8600000, {8.24QOOOO, (10.6200000. 10.00000.00. 6.7400000, 3.4300000,: D.22QOOOO, {3.0400000,

3.4300.000) 5.8600,000). 8.2400.000) 10.62000.00) 13.000.00,00) 6.7400,00.0). 3.4300000) 0.220000.0) 3.0400000) 6.300000.0) ■

2 --'-К'- СМЕШ [ (М И Н.]-1/5-{1.6000000.20.6800... 0.055 0.036 -0.015 -0.031 -0.326 0.028 0.028 0.003 -0.002 0.028 -0.193

ВРЕМЯ СМЕШ.Т (М И Н.]-2/5-{20.6800000.38.760... 0.070 0.363 0.765 0.251 -0.089 1.359

3 ВРЕМЯ СМЕШ.Т (МИН.)-3/5-£33.7600000.58.840...

4 ВРЕМЯ СМ ЕШ.Т (М И Н.]-4/5-(58.8400000.77.820... -

5 ВРЕМЯ СМЕШ.Т (МИН.)-5/5-{77.8200000.87.ООО- 0.266 0.092 о.зэе

6 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... -0.146 0.078 0.033 0.064 -0.207 0.042 -0.118 -0.254

7 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... 0.075 -0.066 0.027 0.086 0.104 -0.034 0.284 0.476

8 .СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... 0.682 0.096 -0.176 0.106 -0.037 0.742 0.212 -0.083 1.542

Э СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,.... 0.092 -0.030 -0.144 1.073 0.221 -0.101 1.111

10 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... 0.694 0.166 -0.183 -0.196 0.170 -0.053 0.598

11 ЧИСЛО ОБОРОТОВ В МИНУТУ-1 /5420.000000... -0.086 -0.444 0.083 0.252 0.423 0.509 0.055 -0.017 0.085 0.861

12 ЧИСЛО ОБОРОТОВ В МИНУТУ-2^5435.000000... 0.422 0.056 -0.006 -0.270 -0.011 0.003 0.168 0.362

13 ЧИСЛО ОБОРОТОВ В МИНУТУ-3/5450.000000... 0.332 -0.601 -0.476 0.095 -0.023 -0.673

14 ЧИСЛО ОБОРОТОВ В МИНУТУ-4/5-{65.000000... 0.035 0.154 -0.069 -0.587 0.631 -0.065 0.014 0.114

15 ЧИСЛО ОБОРОТОВ В МИНУТУ-5/5480.000000... -0.543 0.120 0.258 0.115 0.079 -0.024 0.202 0.208

16 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-1 /... 0.022 -0.088 0.241 -0.099 0.055 -0.007 0.124

17 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-2/... 0.077 0.027 -0.027 -0.120 0.429 -0.050 0.017 0.353

18 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-ЗА.. 0.392 -0.009 -0.049 0.161 -0.060 0.719 -0.032 -0.001 0.295 1.415

13 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАН А-4/... -0.063 -0.015 0.039 -0.126 -0.246 0.264 0.071 -0.022 0.108 0.010

20 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-5/... -0.096 -0.061 0.392 -0.133 0.032 0.134

L <1 ^р*

_ _ -

Рисунок 12. Матрица информативностей ЮТ! (фрагмент)

Г t) 5.5. Моде ':,: "6,МРЗ - частный критерий: Хи-квадрат, разности между ф| этическими и ожидаемыми абс.1 частотами" V .Ja

4 СчНМа

признака Шкалы И градации МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС.ОТКЛ.ОТ МАКС. ОТ К Л.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ МИН.ОТКЛ.ОТ

ШХ ШХ 1002 ШХ ftöfe 100Ä ШХ ШХ ШХ ШХ

КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ. КАЧ.СМЕШ.

1/5 2/5 3/5 4/5 5/5 1/5 £ 2/5 { 3/5 £ 4/5 { 5/5

<1.1000000, {3.4800000, {5.8600000, {8.24QQOQO, {10.6200000. 10.00000.00. 6.7400000, 3.4300000,: O.22QOOO0, {3.0400000,

3.4300.000) 5.8600,000). 8.2400.000) 10.62000.00) 13.000.00,00) 6.7400,00.0). 3.4300000) 0.2200000). 3.0400000) 6.3000000) ■

2 ВРЕМЯ СМЕШ.Т (МИН.)-1 /541.6000000.20.6800... 0.664 15.015 -7.968 -3.356 -3.968 0.071 0.071 0.765 -1.507 0.213

ВРЕМЯ СМЕШ.Т (МИН.]-2/5-{20.6800000.38.760... -0.430 -15.189 4.154 6.695 4.308 -0.092 -0.092 7.637 -6.714 -0.277

3 ВРЕМЯ СМЕШ.Т (М И Н.]-3/5-(33.7600000.58.840...

4 ВРЕМЯ СМЕШ.Т (М И Н.]-4/5-(58.8400000.77.820... -

5 ВРЕМЯ СМЕШ.Т (МИН.)-5/5-{77.8200000.37.ООО- -0.010 -0.366 0.498 -0.104 -0.017 -0.002 -0.002 -0.202 0.212 -0.007

6 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... -2.111 -23.430 22.773 1.892 0.608 -0.452 -0.452 -17.009 1Ё.582 -0.357

7 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... -1.494 11.297 -11.333 1.064 0.600 -0.320 -0.320 8.981 -9.514 1.040

8 .СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... 3.315 6.844 -12.153 2.154 -0.100 0.853 -0.147 9.700 -10.027 -0.440

Э СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,.... -0.290 2.752 -1.065 -0.904 -0.467 -0.062 0.938 4.357 -5.072 -0.187

10 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ,... 0.834 3.144 -3.037 -0.660 -0.267 -0.036 -0.036 1.776 -1.613 -0.107

11 ЧИСЛО ОБОРОТОВ В МИНУТУ-1/5420.000000... -0.250 -30.102 14.471 11.501 3.991 0.732 -0.268 3.717 -3.989 0.197

12 ЧИСЛО ОБОРОТОВ В МИНУТУ-2/5435.000000... 1.994 5.499 -0.725 -5.061 -1.617 -0.216 -0.216 -0.547 0.535 0.353

13 ЧИСЛО ОБОРОТОВ В МИНУТУ-3/5450.000000... -0.685 32.844 -26.153 -4.846 -1.100 -0.147 -0.147 3.700 -3.027 -0.440

14 ЧИСЛО ОБОРОТОВ В МИНУТУ-4/5-{65.000000... 0.087 15.793 -7.204 -7.128 -1.467 -0.196 0. ео4 -2.734 2.630 -0.587

15 ЧИСЛО ОБОРОТОВ В МИНУТУ-5/5480.000000... -0.923 -24.573 16.294 8.769 0.516 -0.198 -0.198 4.065 -4.158 0.407

16 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАН А-1/... -0.804 1.635 -7.929 6.961 -0.292 -0.172 -0.172 2.382 -1.093 -0.517

17 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-2/... 0.181 2.0S6 -2.683 -2.194 2.683 -0.176 -0.176 -1.920 2.725 -0.527

18 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-3/... 1.274 -0.620 -4.162 3.739 -0.167 0.844 -0.156 -1.106 -0.181 0.533

13 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-4/... -0.355 -3.081 11.974 -6.545 -1.784 -0.505 0.495 9.255 -9.943 0.486

20 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-5/... -0.073 -0.562 -0.516 1.274 -0.117 -0.016 -0.016 -0.411 0.482 -0.047

L Л у

_

Рисунок 13. Модель ЮТ3 (фрагмент)

2.3.4. Верификация статистических

и системно-когнитивных моделей

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации исходных изображений по обобщенным образам классов и подсчета количества истинных положительных и отрицательных, а также ложных положительных и отрицательных решений по Б-мере Ван Ризбергена и Ь1- Ь2-мерам проф.Е.В.Луценко [15]. Классическая количественная мера достоверности моделей: Б-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно идентифицированных и не идентифицированных объектов обучающей выборки. В мультиклассовых системах классификации, таких как система «Эйдос», один и тот же объект обучающей или распознаваемой выборки может одновременно относится ко многим классам. Соответственно, при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принадлежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической Б-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая Б-мера не учитывает того, что объект может, фактически, одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На многочисленных численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях.

Поэтому была предложена Ы-мера достоверности моделей [15], учитывающая не просто сам факт истинно или ложно положительного или отрицательного решения, но и степень уверенности классификатора в этих решениях.

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

Чтобы преодолеть эту проблему предлагается Ь2-мера [15], в которой вместо сумм уровней сходства используется средние уровни сходства по различным вариантам классификации.

Таким образом, в системе «Эйдос» применяются меры достоверности моделей, названые Ы-мера и Ь2-мера, смягчающие и

преодолевающие недостатки Б-меры. В работе [15] эти меры описаны математически и их применение продемонстрировано на численном примере. В интеллектуальной системе «Эйдос», которая является

программным когнитивного

инструментарием автоматизированного системно-анализа (АСК-анализ), реализованы все эти меры достоверности моделей: Б, Ь1 и Ь2

В режиме 4.1.3.6 кратко и в режиме 4.1.3.7 более подробно показана достоверность каждой частной модели в соответствии с этими мерами достоверности. В данном случае по Ь2-мере наивысшую достоверность имеет модель 1ЫРЗ (рисунок 14):

Рисунок 14. Экранная форма с информацией о достоверности моделей по Б-критерию Ван Ризбергена и Ь1- и Ь2-криетриям проф.Е.В.Луценко [16]

Из рисунка 14 мы видим, что в данном интеллектуальном приложении по критерию Ь2 наиболее достоверной (0,814) является модель ЮТ3 с интегральным критерием «сумма знаний» (частный критерий, аналогичный хи-квадрат). На рисунке 15 приведено частные распределения уровней сходства и различия истинных и ложных положительных и отрицательных решений в наиболее достоверной модели ЮТ3:

Част.распр.ур.сх.решений в модели: 6. 1МРЗ инт.крит.-сумма знаний Приложение: "АСК-анализ процессов и машин агроинженерных систем

_5ПП_

-50 -40 -30 -положительных решений: (РР) -отрицательных решений: (РГЧ)

Част.распр.ур:сх. истинно-положительных решений: (TP) Част.распр.ур.ох.истинно-отрицательных решений: (TN)

6. INF3

отрицательных истинных

4.1.3.11. Част.распр.: {ТР-РР)/<ТР+РРГ100. (TN-FN)/fTN + FN)*1Ö0 в модели: б. INF3 инт,крит.-сум1

Част.распр.долей разностей ур.сх.решении в модели: 6. 1МРЗ инт.крит.-сумма знании Приложение: "АСК-анализ процессов и машин агроинженерных систем."

< суммарного количества при разных уровнях сходства: (ТР-РР)/(ТР+РР)*100 суммарного количества при разных уровнях сходства: (ТМ-РГМ)/(ТМ+РМ)*1 □□

отрицательных истинных

Рисунок 15. Частные распределения уровней сходства http://ej .kubagro.ru/2018/01/pdf/01 .pdf

Из рисунка 15 мы видим, что истинных отрицательных решений (т.е. решений о непринадлежности объекта к классу) в данной модели всегда больше чем ложных, а истинных положительных решений (т.е. о принадлежности объекта у классу) больше чем ложных при уровнях сходства выше 7% (при двух исключениях). При этом чем выше уровень сходства, тем выше доля истинных решений. Ложно положительных решений с уровнем сходства выше 35% вообще нет.

Это неплохие и вполне разумные результаты.

2.3.5. Повышение качества модели

Обратимся к режиму 3.7.5. Данный режим показывает Парето-зависимость суммарной дифференцирующей мощности модели от числа градаций описательных шкал, рассортированных в порядке убывания их селективной силы (рисунок 16):

Рисунок 16. Парето-зависимость суммарной дифференцирующей мощности модели от числа градаций описательных шкал, рассортированных в порядке убывания их селективной силы

На основе рисунка 16 и соответствующих таблиц, которые здесь не приводятся из-за ограниченности объема статьи, можно обоснованно сделать следующие выводы:

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

2. 50% суммарной селективной мощности модели обеспечивается примерно 22% наиболее значимых градаций описательных шкал.

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

2.3.6. Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» (рисунок 2), присвоим наиболее достоверной статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 17):

Рисунок 17. Экранные формы придания модели статуса текущей http://ej .kubagro.ru/2018/01/pdf/01 .pdf

3. Результаты и обсуждение (Results and discussion)

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

Решим задачу идентификации в наиболее достоверной модели. Для этого запустим режим 4.1.2 (рисунок 18):

^ 4.1,2. Пакетное распозналаHvie,^Текущая модель; "¡NF3 Д

-Стадии исполнения процесса

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "№3": 1/11: Распознавание (идентификация) -161-го объекта обучающей выборки из 461 - Готово 2/11: Исследование распределений уровней сходства верно и ошиб.идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Готово 4/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-корреляция - Готово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-сумма инф. - Готово 6/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-сумма инф. - Готово 8/11: Создание подробной наглядной формы: "Класообъекты". Инт.крит.-корреляция - Готово 9/11: Создание подробной наглядной формы: "Класообъекты". Инт.крит.-сумма инф. - Готово 10/11: Создание итоговой наглядной формы: "Класообъекты". Инт.крит.-корреляция - Готово 11 /11: Создание итоговой наглядной формы: "Класообъекты". Инт.крит.-сумма инф. - Готово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !

Прогноз времени нсполнення-

Начало: 01:08:11 Окончание: 1:08:25

1ИЙ. Ok |

Прошло: 0:00:13 □ сталось: 0:00:00

Рисунок 18. Экранная форма отображения процесса решения задачи идентификации в наиболее достоверной модели

Видно, что идентификация 749 примеров в ранее созданных моделях заняла 21 секунду.

Система «Эйдос» формирует 10 выходных форм с результатами

идентификации в различных разрезах и обобщениях:

к

3 Е

ГС ÜÜ

1 rt о z ь с о.

С

и

4.1.3.1 Подробно наглядно: :'0бъект - классы

4.1.3.2. Подробно наглядно: ЧСпасс- объекты

4.1.3.3. Итоги наглядно: Объект - класс

4.1.3.4. Итоги наглядно: "Класс - объект" 4.1.3.?. Подробно сжато: Объекты - классы

4.1.3.6. Обобщ.форма по достое.моделей при разных интегральных крпт.

4.1.3.7. Обобщ.стат.амализ результатов пдент. по моделям и пнт.крпт. 4.1.3.3. Стат.анапиз результ. идент. по классам, моделям и пнт.крпт. 4.1.3.Ег. ДостоЕерность пдент.объектоЕ при разных моделях и пнт.крпт. 4.1.3.10 Достоверность идент.классов при разных моделях и пнт.крпт. 4.1.3.11.Распределения урсЕм.сходстЕа при разных моделях и пнт.крпт. 4.1.3.12.0бъединение е одной ЕД строк по самым достоверным моделям

Приведем две формы из этих 10: 4.1.3.1 и 4.1.3.2 (рисунок 19):

4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-классы". Текущая модель: "ШРЗ"

■|пп1ВШ

Распознаваемые объекты

Интегральный критерий сходства: "Семантический резонанс знаний"

и Наименоеание класса 0<вдс^в5 ЙГ Ехсдстбс

мин.откл.от:йо% кач.смеш.-4/5-М.2. 3.0! 31,01... v

3 щмткл.(щ00% ka4.cmeui.-3/5-r9, ч;а! 13,98... йгГ

2 макс.откл.от 1111:- кач.смеш.-2/5-13.5. 5.9} -3.989 .

1 макс.0'|.д.'йт«>* кач-смецы /5-{1.1, 3.51 >.300.. § _

4 максшкл.(|д00щ$щ|щщ|щ0.61| -15,99...: ей

10 мин откл.от 100% кач.смеш -5/5-13.0. 6 3} -21.54... ■ниши

6 мин.откл.от 1003! кач.смеш.-1/5-м0.0. -6.7} -25,00... ■ИЙ

7 мин.фдайт юо% кач.'смШ.-^-Й;.7, -э.э -26,15... шюв

1 мин откл.ояш% кач.смеш дщж5- -0 2} ............................

<

Интегральный критерий сходства: "Сумма знаний I

Код | Наименование класса Сходство =

мин [к III1:::: кач.смеш -4/5-1-0.2. 3 0[ у .....................................

■3 'щроткллт 1005; кач.смеш.-3/5-{5.9, 8.21 22,70... v

1 МНЮгШ1" ш -0,457...

е мин откдйт 100% кач.ймеш ДИЦ.о. до -0,845

мин.0ткл.01400% кач.смеш.-2/5-{-6.7, -3.5} ■0.945...

10 мин.откл.от 100% кач.смеш.-5/5-(3.0, 6.3) -1,010...

2 мппш 100% кач.смеш.-2/5-{зй1э( 1

5 макс.откл.от 1111- ка^ц/еш.-5/5-110.6.13 01 ■

4 »иг птгп Щ^'ЩВДШВИШЩ вд г

Помощь Э классов Классы с МахМЬ УрСх 9 классов с МахМг) УрСк ВСЕ классы ВКЛ. Фильтр по класс.шкале ВЫКЛ.Фильтр по класс.шкале

Ф 4.1.3.2. Визуализация результатов распознавания в отношении: "Класс-объекты'. Текущая модель: "!

Классы Интегральный критерий снсдства: Тематический резонанс знаний"

1 Ксщ Наим класса * I Ксщ I Наименование объекта Сявдство Ф... ■ -

1 МАКС.ОТКП ОТ 100% КАЧ.СМЕШ.-1/5-{1 10... 99 145 87,68... V

2 МАКС.ОТКЛ.ОТ 1005! КАЧ.СМЕШ.-2/5-{3.40... 94 136 73,92... V

3 МАКС.ОТКП ОТ 100% КАЧ.СМЕШ.-3/5-{5 86... 95 137 73.92

4 МАКС.ОТКЛ.ОТ 1003! КАЧ.СМЕШ.-4Ы3.24... 102 152 71,56... V

5 МАКС.ОТКП ОТ 100% КАЧ.СМЕШ.-5/5-{10 6... 443 714 70.66... V

6 МИН.ОТКЛ.ОТ 1003! КАЧ.СМЕШ.-1/5-Н 0.0... 116 172 67,00... V

7 МИН.ОТКЛ.ОТ 100% КАЧСМЕШ.-2/5-(-6.74... 126 190 64,07...

8 МИН ОТКЛ.ОТ 100% КАЧ СМЕШ -3/5-{-3 48 98 143 57.80...

9 МИН.ОТКЛ.ОТ 100% КАЧ. СМЕШ.-4/5-!-0.22... 437 705 55,70... -

10 МИН ОТКЛ.ОТ 10П%КАЧ СМЕШ -5/5-13.040... <1

Интегральный критерий сходства: "Сумма знаний1

1 Кщ | Наименование объекта Скшство ф... Сходство -

99 145 17,24... V .................

94 136 14,53... V II II II II II

95 137 14.53 ..............

102 152 14,07... V II II II II II

116 172 13.17... V |||||||||||||

443 714 12,83... V ............

126 190 12.75 II II II II

98 143 11,36... |||||||||||

437 705 10,10... ШИШ -

• I I И м

Помощь Поиск объекта 1 В начало БД 1 В конец БД Предьиущая I Следующая I 8 записей I Все за тьХЕБ I Печать ТХТ I Печать АН I

_ _ _ -1

Рисунок 19. Выходные формы по результатам идентификации

3.2. Поддержка принятия решений (задача 3)

При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи 8ШОТ-анализа [16]. 8ШОТ-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения 8ШОТ-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что

эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения 8ШОТ-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье [16] на реальном численном примере подробно описывается возможность проведения количественного

автоматизированного 8ШОТ-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач 8ШОТ-анализа. РБ8Т-анализ рассматривается как 8ШОТ-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [16] на примере 8ШОТ-анализа, можно распространить и на РБ8Т-анализ.

В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи (рисунок 20):

f*) 4.4.8. Количественный автоматизированный SWOT-анализ классов средствами АСК-анализа в системе "Эйдос

■ 11И К' -I

Выбор класса, соответствующего будущему состоянию объекта управления

Редукция кла'е. . | N объектов [ade.] | N о&ьектов

1 МАКС 0 T Й. Ö T IM КАЧ .CM E Ш. -1 ?5-Ш 00000a 3.480000'of 1.0039909 Ц 1.0845887

2 ЙАКС'ОТЙ-ОТ 100% КАЧ.СМЕШ.-2/5-0.4800000,5';8ЙЮрЮ} 13,501 i 51.3 988 :36;442Sl.63

3 НАКсоткл.опор.-.КАч.смЕш.-зл^йебоороа 8.2400000;. 11,2916848 1356 49,4577007

4 МАКЕ:□ ТКЛ.0Т 100% КАЧ.СМЕШ.■-4/5-fe.2400000,10 6200000} .5,9320312 280 11,0629067 Г

5 MAffi. 01КЛ. Q f 1Щ КАЧ .СМ ISIMMH 13.0000000} ■118573571 45 ' 1,7353579

_t

fir

SWOT-анализ класса: Е> "МАКС ОТКЛ.ОТ 100% КАЧ.СМ ЕШ.-5/5-{10.6200000, 13 0000000}" в модели 6 "INF3"

Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния

ш Наименование Фактора иепэ интервального значения Сила влияния

2 ЭДП 6АРАБАНА-РК 51. а 4.5П

ВРЕМЯ СМЕШ Т <мин.)да{20.680р000, 39.760000... 4.308

11 ЧИСЛО ОБОРОТОВ 0 МИНУТУ-1/5{20 0000000, 35... 3.991

ш УГОЛ НАКЛОНА СТЕНКИ БАРАБАНА;2/Ы3.600000... 2.800

17 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА-2/5:Ю.... 2.633

31 ТИП БАРАБАНА-РЦ 7.1.а 2.542

6 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ, ММ/... о. бое

7 СКОРОСТЬ ПРОДОЛЬНОГО ПЕРЕМЕЩЕНИЯ. МЫЛ.. 0.600

15 ЧЙЙГО. ОБОРОТОВ В МННУТУ-5/5-{80 0000000, 95... 0.516

<

ВКЛЮЧИТЬ фильтртйгфактору В Ы КЛ Ю Ч И Т Ь.Фильтр:по'фар.тору

Кой Наименование Фактора и его интервального значения

1 ВРЕМЯ СМЕЩ.Т (МИН.Ц /5-{1.6000000, 20.6800000}.. -3 .365

34 УГОЛ НАКЛ0Н^СТЕНК|4 БАРАБАНА-ЗУ5;'|5,200000.. -2 617

28 ТИП БАРАБАНА-РЦ 3.5.а -2 .184

18 КОЭФФИЦИЕНТ ЗАПОЛНЕНИЯ БАРАБАНА 4/5-{0... -1 .784

27 ТИП БАРАБАНА РЦ 1.2.6 -1 ,667

12 число оборотов е минуту-2/5;й5.ооооооо, 50. -1 £17

36 УГОЛ НАКЛОНА ртЕНКИ БАРАБАНА-Д/5-© 400000.. -1 467

14 ЧИСЛО ОБОРОТОВ В МИНУТУ-4/5:{В5.000000С, 80. -1 467

13 ЧИСЛО ОБОРОТОВ В МИНУТУ-3/5-{50.0000000, 65.. -1 .100

22 ТИП БАРАБАНА-РК 2.1.6 -0 .567

21 ТИП БАРАБАНА-РК 1.1..6 -0 .533

■30 ТИП БАРАБАНА-РЦ 5.1.а -0 ,517

Abs Pro! ■р[с2 Infi- '■Г.. Нйз Inf4 Inl5 InfG Inf?'

включить Фильф1 ö футору выключить Филвтр по фактору.

Нейрон S'Vv'LI т-диаграмма Интегральная когнитивная карта

Рисунок 20. Экранные формы решения задачи SWOT-анализа

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

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

3.3.1. Нелокальные нейроны и нейронные сети

В работе [17] автором предложены нелокальные нейроны и нелокальные нейронные сети прямого счета, основанные на теории информации. Эти сети, предложенные автором 15 лет очень сходны с популярным сегодня нейробайесовским подходом [18].

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

Рисунок 21. Нелокальный нейрон

Рисунок 22. Парето-подмножество нелокальной нейронной сети (показаны 77,75% наиболее значимых синаптических связей)

3.3.2. Когнитивные диаграммы

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

Таблица 8 - Матрица сходства классов

КСЮ (ХБ ИАМЕ С1_8 N1 N2 N3 N4 N5 N6 N7 N8 N9 N10

1 MAKC.0TKJ1.0T 100% КАЧ.СМЕШ.-1/5-{1.1000000, 3.4800000} 100,0 15,8 -31,2 7,2 -0,4 51,6 13,2 38,7 -40,0 -8,6

2 MAKC.0TKJ1.0T 100% КАЧ.СМЕШ.-2/5-{3.4800000, 5.8600000} 15,8 100,0 -82,6 -56,3 -49,6 -19,8 3,7 -10,9 10,5 1,9

3 MAKC.0TKJ1.0T 100% КАЧ.СМЕШ.-3/5-{5.8600000, 8.2400000} -31,2 -82,6 100,0 1,4 4,0 -16,4 -13,1 -36,8 36,7 13,8

4 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-4/5-{8.2400000,10.6200000} 7,2 -56,3 1,4 100,0 72,1 52,3 9,6 71,7 -70,8 -21,3

5 МАКС.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-5/5-{10.6200000,13.0000000} -0,4 -49,6 4,0 72,1 100,0 48,3 17,0 50,7 -50,1 -22,4

6 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-1/5-{-10.0000000, -6.7400000} 51,6 -19,8 -16,4 52,3 48,3 100,0 29,8 40,2 -43,2 -8,9

7 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-2/5-{-6.7400000, -3.4800000} 13,2 3,7 -13,1 9,6 17,0 29,8 100,0 41,0 -43,8 -20,2

8 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-3/5-{-3.4800000, -0.2200000} 38,7 -10,9 -36,8 71,7 50,7 40,2 41,0 100,0 -99,8 -21,2

9 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-4/5-{-0.2200000, 3.0400000} -40,0 10,5 36,7 -70,8 -50,1 -43,2 -43,8 -99,8 100,0 17,4

10 МИН.ОТКЛ.ОТ 100% КАЧ.СМЕШ.-5/5-{3.0400000, 6.3000000} -8,6 1,9 13,8 -21,3 -22,4 -8,9 -20,2 -21,2 17,4 100,0

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

Рисунок 23. Когнитивная диаграмма, отражающая сходство-различие обобщенных образов классов друг с другом

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

В текущей версии системы «Эйдос» реализована дивизивная кластеризация, а агломеративная когнитивная кластеризация была реализована лишь в DOS-версии системы «Эйдос» [19].

3.3.2. SWOT и PEST анализ

SWOT-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т. е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье [27] на реальном численном примере подробно описывается возможность проведения количественного

автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [27] на примере SWOT-анализа, можно распространить и на PEST-анализ.

3.3.3. Когнитивные функции

Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение количества информации в значениях аргумента о значениях функции непосредственно на основе эмпирических данных и визуализацию на этой основе прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных функций [2].

Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие

классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые.

Отметим, что полученные и отраженные в форме когнитивных функций причинно-следственные зависимости обнаружены непосредственно на основе эмпирических данных путем преобразования их в информацию, а ее в знания и отражают факты, а не их теоретическое объяснение (теоретическую интерпретацию), разработка которой является делом специалиста, хорошо содержательно разбирающегося в моделируемой предметной области.

Выводы и рекомендации по рациональному выбору конструктивных особенностей и режимов работы сложных технических систем, полученные на основе 8ШОТ-диаграмм и когнитивных функций, совпадают.

Ниже приведены когнитивные функции, отражающие зависимость значений классификационных шкал (классов) от значений описательных шкал (факторов) (рисунок 24).

Бандык (Беларуси

ВЛуиеико (Россия). Д

Визуализация когнитивных функций системы «Эйдос». О Е.В.Луцеико (Россия), Д.К.Бандык (Беларусь), Патент РФ 2011612056 РФ от 09.03.2011

Рисунок 24. Когнитивные функции

7. Выводы, рекомендации и перспективы 4. Выводы (Conclusions)

4.1. Эффективность предложенного решения проблемы (задача 4)

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

4.2. Ограничения и недостатки предложенного решения проблемы и перспективы его развития путем их преодоления этих ограничений и недостатков (задача 5)

Вместе с тем, было обнаружено, что длительность решения задачи от синтеза модели до получения выходных форм, приведенных в статье, на приведенных данных, составляет около 10 минут.

Это означает, что говорить о решении задачи в режиме реального времени, например при динамичном измени параметров моделируемой системы, не приходится. Решение этой задачи представляет большой научный и практический интерес.

Сделать это планируется уже в последующих работах.

4.3. Заключение

В сложных многопараметрических технических системах происходят многочисленные и разнообразные физические процессы, которые, с одной стороны, оказывают существенное влияние на характеристики этих систем, а с другой стороны, крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, т.к. эти модели должны учитывать специфические особенности систем. Вследствие этого разработка содержательных аналитических моделей является «штучной работой» и связана с большим количеством упрощающих допущений, снижающих их универсальность и достоверность.

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

типовой технологии намного быстрее и значительно менее трудоемко, чем разработка содержательных аналитических моделей.

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

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

Система «Эйдос» непосредственно на основе эмпирических (экспериментальных) данных позволяет рассчитать какое количество информации о результатах работы технической системы содержится в фактах наличия у нее определенных конкретных конструктивных элементов и в определенных значениях параметров режимов ее работы. На этой основе системой предлагаются научно-обоснованные и адекватные рекомендации по рациональному выбору конструктивных особенностей и параметров режимов работы моделируемой системы.

Таким образом, метод АСК-анализа может быть применен для анализа и рационального выбора конструктивных особенностей и параметров режимов работы технических систем, т.е. задача, поставленная в работе, успешно решена.

Отметим, что АСК-анализ и его программный инструментарий интеллектуальная система «Эйдос» позволяют моделировать не только физико-технические характеристики сложных технических систем, но и их социальные свойства, такие, например, как финансово-экономические и инженерно-психологические. Можно исследовать как конструктивные особенности и параметры режимов работы сложных технических систем влияют на финансово-экономическую и инженерно-психологическую эффективность применения этих систем и на этой основе выбирать их рациональные конструктивные особенности и режимы работы.

Материалы данной статьи и предлагаемый в ней подход могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в

нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время2, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки), например: Моделирование в агроинженерии [21].

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

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

Презентация к данной статье находится по адресу: http://ej .kubagro .ru/2016/07/upload/02.zip

5. Благодарности (Acknowledgements)

Автор выражает благодарность докторам технических наук, профессорам Г.В. Серге и В.Ю. Фролову, а также кандидату технических наук доценту А.Ю.Марченко за любезное предоставление реальных экспериментальных данных для численного эксперимента, приведенного в качестве примера в данной статье [13, 14]. В этих статьях проведен и более детальный агроинженерный анализ полученных результатов. В частности, этот анализ показал, что результаты, полученные с помощью системно-когнитивных моделей, совпадают с экспертными оценками.

Список литературы (References)

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

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

3. 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

2

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

электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.

4. 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.

5. 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.

6. Луценко Е.В., Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. - Режим доступа: http://lc.kubagro.ru/aidos/1994000328.jpg, 3,125 у.п.л.

7. 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.

8. 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.

9. 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.

10. 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://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

11. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№07(091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.

12. Луценко Е.В. Автоматизация Функционально-стоимостного анализа и метода "Директ-костинг" на основе АСК-анализа и системы "Эйдос" (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар:

КубГАУ, 2017. - №07(131). С. 1 - 18. - IDA [article ID]: 1311707001. - Режим доступа: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.

13. Луценко Е.В. Теория информации и когнитивные технологии в моделировании сложных многопараметрических динамических технических систем / Е. В. Луценко, Г.В. Серга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №07(121). С. 68 - 115. - IDA [article ID]: 1211607002. - Режим доступа: http://ej.kubagro.ru/2016/07/pdf/02.pdf, 3 у.п.л.

14. Марченко А.Ю. Применение АСК-анализа для определения рациональных конструктивных особенностей и параметров режимов работы релятивных винтовых барабанов для смешивания комбикормов / А.Ю. Марченко, Е.В. Луценко, В.Ю. Фролов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №06(120). С. 1 - 48. - IDA [article ID]: 1201606001. - Режим доступа: http://ej.kubagro.ru/2016/06/pdf/01.pdf, 3 у.п.л.

15. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.

16. 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://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

17. 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://ej.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.

18. 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

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

20. Сайт автора АСК-анализа проф.Е.В.Луцеко: http ://lc. kub agro.ru/

21. Гордеев А. С.. Моделирование в агроинженерии. Мичуринский государственный аграрный университет, 2007. https://www.twirpx.com/file/265678/

Spisok literatury (References)

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

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

3. Lucenko E.V. Problemy i perspektivy teorii i metodologii nauchnogo poznanija i avtomatizirovannyj sistemno-kognitivnyj analiz kak avtomatizirovannyj metod nauchnogo poznanija, obespechivajushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. - Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.

4. Lucenko E.V. Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja online sreda dlja obuchenija i nauchnyh issledovanij na baze ASK-analiza i sistemy «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.

5. Lucenko E.V., Universal'naja avtomatizirovannaja sistema raspoznavanija obrazov "JeJDOS". Svidetel'stvo RosAPO №940217. Zajav. № 940103. Opubl. 11.05.94. -Rezhim dostupa: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 u.p.l.

6. Lucenko E.V., Universal'naja avtomatizirovannaja sistema analiza, monitoringa i prognozirovanija sostojanij mnogoparametricheskih dinamicheskih sistem "JeJDOS-T". Svidetel'stvo RosAPO №940328. Zajav. № 940324. Opubl. 18.08.94. - Rezhim dostupa: http://lc.kubagro.ru/aidos/1994000328.jpg, 3,125 u.p.l.

7. Lucenko E.V., Universal'naja kognitivnaja analiticheskaja sistema "JeJDOS". Pat. № 2003610986 RF. Zajav. № 2003610510 RF. Opubl. ot 22.04.2003. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 u.p.l.

8. Lucenko E.V., Universal'naja kognitivnaja analiticheskaja sistema "JeJDOS-X++". Pat. № 2012619610 RF. Zajavka № 2012617579 RF ot 10.09.2012. Zaregistr. 24.10.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 u.p.l.

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

10. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

11. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU)

[Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.

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

13. Lucenko E.V. Teorija informacii i kognitivnye tehnologii v modelirovanii slozhnyh mnogoparametricheskih dinamicheskih tehnicheskih sistem / E.V. Lucenko, G.V. Serga // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №07(121). S. 68 - 115. - IDA [article ID]: 1211607002. -Rezhim dostupa: http://ej.kubagro.ru/2016/07/pdf/02.pdf, 3 u.p.l.

14. Marchenko A.Ju. Primenenie ASK-analiza dlja opredelenija racional'nyh konstruktivnyh osobennostej i parametrov rezhimov raboty reljativnyh vintovyh barabanov dlja smeshivanija kombikormov / A.Ju. Marchenko, E.V. Lucenko, V.Ju. Frolov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №06(120). S. 1 - 48. - IDA [article ID]: 1201606001. - Rezhim dostupa: http://ej.kubagro.ru/2016/06/pdf/01.pdf, 3 u.p.l.

15. Lucenko E.V. Invariantnoe otnositel'no ob#emov dannyh nechetkoe mul'tiklassovoe obobshhenie F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.

16. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.

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

18. 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

19. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr

Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.

20. Sajt avtora ASK-analiza prof.E.V.Luceko: http://lc.kubagro.ru/

21. Gordeev A.S.. Modelirovanie v agroinzhenerii. Michurinskij gosudarstvennyj agrarnyj universitet, 2007. https://www.twirpx.com/file/265678/