CC BY
68
Научный журнал КубГАУ, №102(08), 2014 года
1
УДК 303.732.4
ПРОГНОЗИРОВАНИЕ ПРОДОЛЖИТЕЛЬНОСТИ ЖИЗНИ ПАЦИЕНТОВ, ПЕРЕНЕСШИХ СЕРДЕЧНЫЙ ПРИСТУП, ПО ДАННЫМ ЭХОКАРДИОГРАММЫ НА ОСНОВЕ БАЗЫ ДАННЫХ РЕПОЗИТОРИЯ UCI1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@smail.com
Т ак как существует множество систем искусственного интеллекта, то возникает необходимость сопоставимой оценки качества их математических моделей. Одним из вариантов решения этой задачи является тестирование различных системы на общей базе исходных данных, для чего очень удобно использовать общедоступную базу репозитория UCI. В данной работе приводится развернутый пример использования базы данных репозитория UCI для оценки качества математических моделей, применяемых в АСК-анализе и его программном инструментарии системе искусственного интеллекта «Эйдос».
Ключевые слова: АСК-АНАЛИЗ, МОДЕЛИ, ИДЕНТИФИКАЦИЯ, ЖИВЫЕ СУЩЕСТВА, ФЕНОТИПИЧЕСКИЕ ПРИЗНАКИ
UDC 303.732.4
PREDICTION OF SURVIVAL IN PATIENTS WHO HAVE HAD A HEART ATTACK, ACCORDING TO ECHO-CARDIOGRAPHIC DATABASE OF UCI REPOSITORY
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Kuban State Agrarian University, Krasnodar, Russia
Since there are many artificial intelligence systems, there is a need of comparable quality assessment of their mathematical models. For this purpose, these systems can be tested on the same database source data, for which it is very convenient to use a public database of the UCI repository. This article provides a detailed example of using the UCI database repository to assess the quality of the mathematical models used in the ASC-analysis and its software toolkit system of artificial intelligence called "Aidos"
Keywords: ASC-ANALYSIS, MODELS, IDENTIFICATION, LIVING CREATURES, PHENOTYPIC TRAITS
СОДЕРЖАНИЕ
1. КРАТКАЯ ТЕОРИЯ..............................................................................2
1.1. Проблематика...........................................................................2
1.2. Исходные данные........................................................................2
1.3. Инструментарий.........................................................................3
1.4. Метризация шкал........................................................................3
2. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ................................................................4
2.1. Описание решения.......................................................................4
2.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel...................4
2.3. Этапы АСК-анализа и преобразование исходных данных в информацию, а ее в знания в системе "Эйдос".12
2.4. Скачивание и инсталляция системы «Эйдос»..............................................15
2.5. Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз
данных в систему "Эйдос"...................................................................17
2.6. Синтез и верификация статистических и интеллектуальных моделей........................20
2.7. Частные критерии и виды моделей системы «Эйдос»..................................................22
2.8. Ценность описательных шкал и градаций для решения задач идентификации и прогнозирования..........26
2.9. Интегральные критерии системы «Эйдос».................................................26
2.10. РЕЗУЛЬТАТЫ ВЕРИФИКАЦИИ МОДЕЛЕЙ...................................................... 28
3. РЕШЕНИЕ ЗАДАЧ ИДЕНТИФИКАЦИИ И ПРОГНОЗИРОВАНИЯ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ................29
4. ИССЛЕДОВАНИЕ МОДЕЛИРУЕМОЙ ПРЕДМЕТНОЙ ОБЛАСТИ ПУТЕМ ИССЛЕДОВАНИЯ ЕЕ МОДЕЛИ..................32
4.1. Информационные портреты классов и признаков...........................................32
4.2. Когнитивные функции...................................................................35
4.3. SWOT и PEST матрицы и диаграммы.......................................................40
4.4. Нелокальные нейроны...................................................................42
ЗАКЛЮЧЕНИЕ....................................................................................43
ЛИТЕРАТУРА................................................................................... 44
1 Материал подготовлен по результатам исследований, проведенных при финансовой поддержке РГНФ, проект №13-02-00440а
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
2
1. Краткая теория
1.1. Проблематика
Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В работах [1, 2] рассматривалось решение этой задачи для оценки качества модели, реализованной в универсальной автоматизированной системе «Эйдос», представляющей собой программный инструментарий автоматизированного системно-когнитивного анализа (АСК-анализ) [3, 4]. Данная статья является продолжением этого подхода.
Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта.
Для решения этой задачи необходимы тестовые задачи. Удачным выбором является база данных тестовых задач для систем искусственного интеллекта репозитария UCI: http://archive.ics.uci.edu/ml/datasets.html. «Репозиторий UCI (UCI Machine Learning Repository) — крупнейший репозиторий реальных и модельных задач машинного обучения. Содержит реальные данные по прикладным задачам в области биологии, медицины, физики, техники, социологии, и др. Задачи (наборы данных, data set) именно этого репозитория чаще всего используются научным сообществом для
эмпирического анализа алгоритмов машинного обучения. Репозиторий
2
UCI создан в университете г.Ирвин (Калифорния, США).»
1.2. Исходные данные
В данной работе использована база данных "Echocardiogram Data Set": http://archive.ics.uci.edu/ml/datasets/Echocardiogram [5] из банка исходных данных по задачам искусственного интеллекта - репозитария UCI, который выполнен сотрудниками Школы информатики и компьютерных исследований Калифорнийского университета США. База данных дополнена значениями и приводится полностью в приложении.
На момент написания работы этот банк включает в себя 290 баз исходных данных по различным задачам.
2 См., например: http://www.machinelearning.ru/wiki/index.php?title=UCI
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
3
1.3. Инструментарий
Для решения задачи используем стандартные возможности Microsoft Office Word и Excel. А так же систему искусственного интеллекта "Эйдос-Х++".
Математическая модель системы "Эйдос" была разработана в 1979 и впервые прошла экспериментальную апробацию в 1981 году. С 1981 по 1992 система "Эйдос" неоднократно реализовалась на платформе Wang (на компьютерах Wang-2200Q. Для IBM-совместимых персональных компьютеров система "Эйдос" впервые реализована в 1992 году и с тех пор совершенствуется постоянно, вплоть до настоящего времени [6, 7, 8].
1.4. Метризация шкал
Измерительные шкалы - это инструмент создания формальных моделей реальных объектов, а так же и инструмент, который позволяет по-
высить степень формализации этих моделей до такого уровня, при котором возможна их реализация на компьютерах [9].
Чем выше степень формализации модели, тем точнее решаются различные задачи с использованием этих моделей, тем проще использовать модели для проектирования искусственный систем и их создания, а также тем более точные и развитые математические методы могут применяться в этих моделях.
Однако, если разные факторы измеряются в различных единицах измерения, то результат сравнения объектов будет зависеть от единиц измерения факторов, что недопустимо. Поэтому возникает проблема сопоставимости результатов измерений разнородных величин (измеряемых в разных единицах измерения) в шкалах различных типов (номинальных, порядковых и числовых).
В АСК-анализе и его инструментарии интеллектуальной системе "Эйдос" эта проблема решается путем метризации шкал [9]. Система «Эй-дос» в настоящее время поддерживает 7 способов метризации всех типов шкал, которые обеспечивают корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, различных единиц измерения. Факторы описываются шкалами, а значения факторов - градациями шкал. В АСК-анализе все они рассматриваются с единой точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, при этом направление влияния и сила значений факторов измеряется в одних общих для факторов единицах измерения (единицах количества информации). По этой причине можно складывать силу и направление влияния всех действующих на объект значений факторов, и определять результат их совместного влияния на объект. При этом объект является нелиней-
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
4
ным, а факторы взаимодействуют друг с другом внутри него (не выполняется принцип суперпозиции).
Измерение - Отображение реальных объектов в формальных шкалах. Система "Эйдос" представляет - средство для построения и применения измерительных инструментов в различных предметных областях. В ней реализованы разнообразные технологии метризации, которые позволяют любые свойства объектов (количественные и качественные) исследовать в наиболее сильных абсолютных шкалах знаний.
2. Синтез и верификация моделей
2.1. Описание решения
В соответствии с методологией АСК-анализа решение поставленной задачи проведем в четыре этапа:
1. Преобразование исходных данных из HTML-формата в промежуточные файлы MS Excel.
2. Преобразование исходных данных из промежуточных файлов MS Excel в базы данных системы "Эйдос".
3. Синтез и верификация моделей предметной области.
4. Применение моделей для решения задач идентификации, прогнозирования и исследования предметной области.
2.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel
Из банка исходных данных по задачам искусственного интеллекта -репозитария UCI получаем исходную информацию по базе данных "Echocardiogram", которую оставим без изменений [5].
Общее описание задачи:
(файл: echocardiogram.names по адресу: http://archive.ics.uci.edu/ml/machine-learning-databases/echocardiogram/echocardiogram.names )
1. Title: Echocardiogram Data
2. Source Information:
-- Donor: Steven Salzberg (salzberg@cs.jhu.edu)
-- Collector:
-- Dr. Evlin Kinney -- The Reed Institute -- P.O. Box 402603 -- Maimi, FL 33140-0603 -- Date Received: 28 February 1989
3. Past Usage:
-- 1. Salzberg, S. (1988). Exemplar-based learning: Theory and
implementation (Technical Report TR-10-88). Harvard University,
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
5
Center for Research in Computing Technology, Aiken Computation Laboratory (33 Oxford Street; Cambridge, MA 02138) .
-- Steve applied his EACH program to predict survival (i.e., life or death), did not use the wall-motion attribute, and recorded 87 correct and 29 incorrect in an incremental application to this database. He also showed that, by tuning EACH to this domain,
EACH was able to derive (non-incrementally) a set of 28 hyper-rectangles that could perfectly classify 119 instances.
-- 2. Kan, G., Visser, C., Kooler, J., & Dunning, A. (1986) . Short and long term predictive value of wall motion score in acute myocardial infarction. British Heart Journal, 56, 422-427.
-- They predicted the same variable (whether patients will live one year after a heart attack) using a different set of 345 instances. Their statistical test recorded a 61% accuracy in predicting that a patient will die (post-hoc fit).
-- 3. Elvin Kinney (in communication with Steven Salzberg) reported that a Cox regression application recorded a 60% accuracy in predicting that a patient will die.
4. Relevant Information:
-- All the patients suffered heart attacks at some point in the past.
Some are still alive and some are not. The survival and still-alive variables, when taken together, indicate whether a patient survived for at least one year following the heart attack.
The problem addressed by past researchers was to predict from the other variables whether or not the patient will survive at least one year. The most difficult part of this problem is correctly predicting that the patient will NOT survive. (Part of the difficulty seems to be the size of the data set.)
5. Number of Instances: 132
6. Number of Attributes: 13 (all numeric-valued)
7. Attribute Information:
1. survival -- the number of months patient survived (has survived,
if patient is still alive). Because all the patients had their heart attacks at different times, it is possible that some patients have survived less than one year but they are still alive. Check the second variable to confirm this. Such patients cannot be used for the prediction task mentioned above.
2. still-alive -- a binary variable. 0=dead at end of survival period,
1 means still alive
3. age-at-heart-attack -- age in years when heart attack occurred
4. pericardial-effusion -- binary. Pericardial effusion is fluid
around the heart. 0=no fluid, 1=fluid
5. fractional-shortening -- a measure of contracility around the heart
lower numbers are increasingly abnormal
6. epss -- E-point septal separation, another measure of contractility.
Larger numbers are increasingly abnormal.
7. lvdd -- left ventricular end-diastolic dimension. This is
a measure of the size of the heart at end-diastole.
Large hearts tend to be sick hearts.
8. wall-motion-score -- a measure of how the segments of the left
ventricle are moving
9. wall-motion-index -- equals wall-motion-score divided by number of
segments seen. Usually 12-13 segments are seen in an echocardiogram. Use this variable INSTEAD of the wall motion score.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
6
10. mult -- a derivate var which can be ignored
11. name -- the name of the patient (I have replaced them with "name")
12. group -- meaningless, ignore it
13. alive-at-1 -- Boolean-valued. Derived from the first two attributes.
0 means patient was either dead after 1 year or had been followed for less than 1 year. 1 means patient was alive at 1 year.
8 .
Missing Attribute Values:
Attribute #:
1
2
3
4
5
6
7
8 9
10
11
12
13
Number of
2
1
5
1
8
15
11
4
1
4
0
22
58
(denoted by "?") Missing Values:
(total
132)
9. Distribution of attribute number 2: still-alive Value Number of instances with this value
0 88 (dead)
1 43 (alive)
? 1
Total 132
10. Distribution of attribute number 13: alive-at-1 Value Number of instances with this value
0 50
1 24
? 58
Total 132
Обучающая выборка
(файл: «echocardiogram.data» по адресу: http://archive.ics.uci.edu/ml/machine-learning-databases/echocardiogram/ ):
11.0. 71.0.0.260.9.4.600.14.1.1,name,1,0
19.0. 72.0.0.380.6.4.100.14.1.700.0.588,name,1,0
16.0. 55.0.0.260.4.3.420.14.1.1,name,1,0
57.0. 60.0.0.253.12.062.4.603.16.1.450.0.788,name,1,0
19.1.57.0. 0.160.22.5.750.18.2.250.0.571,name,1,0
26.0. 68.0.0.260.5.4.310.12.1.0.857,name,1,0
13.0. 62.0.0.230.31.5.430.22.5.1.875.0.857,name,1,0
50.0. 60.0.0.330.8.5.250.14.1.1,name,1,0
19.0. 46.0.0.340.0.5.090.16.1.140.1.003,name,1,0
25.0. 54.0.0.140.13.4.490.15.5.1.190.0.930,name,1,0
10.1.77.0. 0.130.16.4.230.18.1.800.0.714,name,1,1
52.0. 62.1.0.450.9.3.600.16.1.140.1.003,name,1,0
52.0. 73.0.0.330.6.4.14.1.1,name,1,0
44.0. 60.0.0.150.10.3.730.14.1.1,name,1,0 0.5,1,62,0,0.120,23,5.800,11.67,2.330,0.358,name,1,1
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
7
24.0. 55.1.0.250.12.063.4.290.14.1.1,name,1,0 0.5,1,69,1,0.260,11,4.650,18,1.640,0.784,name,1,1 0.5,1,62.529,1,0.070,20,5.200,24,2,0.857,name,1,1
22.1.66.0. 0.090.17.5.819.8.1.333.0.429,name,1,0
1.1.66.1.0. 220.15.5.400.27.2.250.0.857,name,1,1 0.75,1,69,0,0.150,12,5.390,19.5,1.625,0.857,name,1,1 0.75,1,85,1,0.180,19,5.460,13.83,1.380,0.710,name,1,1 0.5,1,73,0,0.230,12.733,6.060,7.5,1.500,0.360,name,1,1
5.1.71.0. 0.170.0.4.650.8.1.0.570,name,1,1
48.0. 64.0.0.190.5.9.3.480.10.1.110.0.640,name,2,?
29.0. 54.0.0.300.7.3.850.10.1.667.0.430,name,2,?
29.0. 35.0.0.300.5.4.170.14.1.1,name,2,?
29.0. 55.0,?,7,?,2,1,2,name,2,?
0.25,1,75,0,?,?,?,?,1,?,name,2,?
36.0. 55.1.0.210.4.2.4.160.14.1.560.0.640,name,2,0
1.1.65.0. 0.150,?,5.050,10,1,0.710,name,2,?
1.1.52.1.0. 170.17.200.5.320.14.1.170.0.857,name,2,? 03,1,?,0,?,12,?,6,3,0.140,name,2,?
27.0. 47.0.0.400.5.120.3.100.12.1.0.857,name,2,?
35.0. 63.0,?,10,?,14,1.170,0.857,name,2,0
26.0. 61.0.0.610.13.100.4.070.13.1.625.0.571,name,2,0
16.0. 63.1,?,?,5.310,5,1,0.357,name,2,0
1.1.65.0. 0.060.23.600,?,21.500,2.150,0.714,name,2,1
19.0. 68.0.0.510,?,3.880,15,1.670,0.640,name,2,0
31.0. 80.0.0.410.5.400.4.360,?,1,?,name,2,?
32.0. 54.0.0.350.9.300.3.630.11.1.222.0.640,name,2,0
16.0. 70.1.0.270.4.700.4.490.22.2.0.786,name,2,0
40.0. 79.0.0.150.17.500.4.270.13.1.300.0.714,name,2,0
46.0. 56.0.0.330,?,3.590,14,1,1,name,2,0
2.1.67.1.0. 440.9.3.960.17.500.1.450.0.857,name,2,?
37.0. 64.0.0.090,?,?,12,2,0.428,name,2,?
19.5.1.81.0. 0.120,?,?,9,1.250,0.570,name,2,0
20.1.59.0. 0.030.21.300.6.290.17.1.310.0.928,name,2,0 0.25,1,63,1,?,?,?,23,2.300,0.714,name,2,1 ,?,?,77,?,?,?,?,?,2,?,name,2,?
2.1.56.1.0. 040.14.5,?,?,?,name,2,1
7.1.61.1.0. 270,?,?,9,1.500,0.428,name,2,1
10.0. 57.0.0.240.14.800.5.260.18.1.380.0.812,name,2,?
12.0. 58.0.0.300.9.400.3.490.14.1.1,name,2,0
1.1.60.0. 0.010.24.600.5.650.39.3.0.928,name,2,1
10.0. 66.0.0.290.15.600.6.150.14.1.1,name,2,0
45.0. 63.0.0.15.13.4.57.13.1.08.0.857,name,2,0
22.0. 57.0.0.13.18.6.4.37.12.33.1.37.0.642,name,2,0
53.0. 70.0.0.10.9.8.5.30.23.2.30.0.714,name,2,0
38.0. 68.0.0.29,?,4.41,14,1.167,0.857,name,2,?
26.0. 79.0.0.17.11.9.5.15.10.5.1.05.0.714,name,2,0
9.0. 73.0.0.12,?,6.78,16.67,1.39,0.857,name,2,?
26.0. 72.0.0.187.12.5.02.13.1.18.0.785,name,2,0 0.5,1,59,0,0.13,16.4,4.96,17.83,1.37,0.928,name,2,?
12.0. 67.1.0.11.10.3.4.68.11.1.0.785,name,2,?
49.0. 51.0.0.16.13.2.5.26.11.1.0.78,6,name,2,0 0.75,1,50,0,0.14,11.4,4.75,10,2.5,0.28,name,2,?
49.0. 70.1.0.25.9.7.5.57.5.5.1.10.0.357,name,2,0
47.0. 65.0.0.36.8.8.5.78.12.1.0.857,name,2,0
41.0. 78.0.0.06.16.1.5.62.13.67.1.367.0.714,name,2,0 .25,1,86,0,0.225,12.2,5.20,24,2.18,0.786,name,2,1
33.0. 56.0.0.25.11.4.72.11.1.0.785,name,2,0
29.0. 60.0.0.12.10.2.4.31.15.1.67.0.64,name,2,0
41.0. 59.0.0.29.7.5.4.75.13.1.08.0.857,name,2,0
26.0. 50.0.0.06.30.1.5.95.21.5.2.39.0.643,name,2,?
15.0. 54.0.0.217.17.9.4.54.16.5.1.18.1,name,2,0
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
8
.25,1,68,0,0.22,21.7,4.85,15,1.15,0.928,name, 2,? .03,1,?,0,0.26,19.4,4.77,21,2.1,0.714,name,2,1
12.0. 64.0.0.20.7.1.4.58.14.1.1,name,2,0
32.0. 63.0.0.20.5.5.20.8.1.0.57,name,2,?
32.0. 65.0.0.06.23.6.6.74.12.1.09.0.785,name,2,?
27.0. 54.1.0.07.16.8.4.16.18.1.5.0.857,name,2,0
23.0. 62.0.0.25.6.4.48.11.1.0.786,name,2,? 0.75,1,78,0,0.05,10,4.44,15,1.36,0.786,name,2,1 0.75,1,61,0,?,?,?,28,2.33,0.857,name,2,1
34.0. 52.0.0.14.25.6.21.11.5.1.15.0.714,name,2,?
1.1.73.0. 0.05.14.8.4.14.15.5.1.41.0.786,name,2,?
21.1.70.1.0. 16.19.2.5.25.11.1.0.786,name,2,?
55.0. 55.0.0.28.5.5.4.48.22.1.83.0.857,name,2,0
15.1.60.0. 0.18.8.7.4.56.13.5.1.04.0.928,name,2,? 0.5,1,67,0,0.155,11.3,5.16,13,1,0.928,name,2,?
35.0. 64.0.0.30.6.6.4.36.14.1.27.0.786,name,2,?
53.0. 59.0.0.344.9.1.4.04.9.1.0.643,name,2,0
33.0. 46.0.0.272.16.5.5.36.12.67.1.06.0.857,name,2,? ?,1,61,0,0.20,9.4,4.02,15.67,1.42,0.786,name,2,1
33.0. 63.0.0.25.5.6.3.87.18.1.50.0.857,name,2,?
40.1.74.0. 0.20.4.8.4.56.12.5.1.04.0.857,name ,2,0
33.0. 59.0.0.50.9.1.3.42.18.1.5.0.857,name,2,?
5.1.65.1.0. 16.8.5.5.47.16.1.45.0.786,name,2,1
4.1.58.0. 0.17.28.9.6.73.26.08.2.01.0.928,name,2,1
31.0. 53.0.0.17,?,4.69,10,1,0.71,name,2,?
33.0. 66.0.0.20,?,4.23,12,1,0.857,name,2,0
22.0. 70.0.0.38.0.4.55.10.1.0.714,name,2,0
25.0. 62.0.0.258.11.8.4.87.11.1.0.786,name,2,?
1.25.1.63.0. 0.30.6.9.3.52.18.16.1.51.0.857,name,2,1
24.0. 59.0.0.17.14.3.5.49.13.5.1.50.0.643,name,2,0
25.0. 57.0.0.228.9.7.4.29.11.1.0.786,name,2,0
24.0. 57.0.0.036.7.4.12.13.5.1.23.0.786,name,2,? .75,1,78,0,0.23,40,6.23,14,1.4,0.714,name,2,1
3.1.62.0. 0.26.7.6.4.42.14.1.1,name,2,1
27.0. 62.0.0.22.12.1.3.92.11.1.0.785,name,?,?
13.0. 66.0.0.24.13.6.4.38.22.2.20.0.714,name,?,?
36.0. 61.0.0.27.9.00.4.06.12.1.0.857,name,?,?
25.0. 59.1.0.40.9.20.5.36.12.1.0.857,name,?,?
27.0. 57.0.0.29.9.40.4.77.9.1.0.64,name,?,?
34.0. 62.1.0.19.28.9.6.63.19.5.1.95.0.714,name,?,?
37.0, ?,0,0.26,0,4.38,9,1,0.64,name,?,?
34.0. 54.0.0.43.9.30.4.79.10.1.0.714,name,?,?
28.1.62.1.0. 24.28.6.5.86.21.5.1.95.0.786,name,?,?
28.0, ?,0,0.23,19.1,5.49,12,1.20,0.71,name,?,?
17.0. 64.0.0.15.6.60.4.17.14.1.27.0.786,name,?,?
38.0. 57.1.0.12.0.2.32.16.5.1.375.0.857,name,?,?
31.0. 61.0.0.18.0.4.48.11.1.375.0.57,name,?,?
12.0. 61.1.0.19.13.2.5.04.19.1.73.0.786,name,?,?
36.0. 48.0.0.15.12.3.66.10.1.0.714,name,?,?
17.0, ?,0,0.09,6.80,4.96,13,1.08,0.857,name,?,?
21.0. 61.0.0.14.25.5.5.16.14.1.27.0.786,name,?,?
7.5.1.64.0. 0.24.12.9.4.72.12.1.0.857,name,?,?
41.0. 64.0.0.28.5.40.5.47.11.1.10.0.714,name,?,?
36.0. 69.0.0.20.7.00.5.05.14.5.1.21.0.857,name,?,?
22.0. 57.0.0.14.16.1.4.36.15.1.36.0.786,name,?,?
20.0. 62.0.0.15.0.4.51.15.5.1.409.0.786,name,?,?
Для преобразования данных из HTML-формата в Excel необходимо:
1. Скопировать текст обучающей выборки в MS Word.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
9
2. Нажать Ctrl+H. В открывшемся окне выбрать вкладку "Заменить". В поле "Найти" поставить символ ",". Выбрать поле "Заменить на", нажать "Больше", затем "Специальный", выбрать "Символ табуляции" и нажать "Заменить все".
3. Преобразовать полученный после этой замены текст в таблицу, используя в качестве разделителя символ табуляции.
4. В полученной таблице заменить:
- точку на запятую, чтобы в MS Excel числовые по смыслу данные и фактически воспринимались как числовые;
- во всех колонках, кроме колонки «Group», заменить 1 на «Yes», а 0 на «No»;
- в колонке «Group» заменить «1» на «one», а «2» на «two»;
- во всех колонках заменить «?» на 0, если колонка числовая, и на проблем, если она текстовая, что будет означать отсутствие данных;
- во всех числовых колонках сделать число десятичных разрядов 2 или 3 в зависимости от количества значащих цифр в исходных данных.
5. Скопировать получившуюся таблицу из MS Word в MS Excel.
6. Используя информацию о наименованиях полей, содержащуюся в общем описании задачи, привести таблицу к виду, представленному в таблице 1. Колонка с именами пациентов переставлена на первое место и вместо реальных имен поставлены условные.
Ниже приведен машинный перевод наименований полей (классификационных и описательных шкал):
1. Имя пациента (вместо реальных имен поставлены условные).
2. Количество месяцев, которое пациент прожил после инфаркта.
3. Еще жив - бинарная переменная. 0 = мертвым в конце периода выживания, 1 означает еще жив.
4. Возраст в годах, когда произошел сердечный приступ.
5. Перикарда-плеврит - двоичный. Перикардит является жидкость вокруг сердца. 0 = нет жидкости, 1 = жидкость.
6. Дробно-укорочение - мера contracility вокруг сердца более низкие цифры более ненормальным.
7. EPSS - E-точка разделения перегородки, другая мера сократительной. Большие числа все более ненормальным.
8. LVDD - левого желудочка конечного диастолического размера. это мерой размера сердца на конец диастолы. Большие сердца, как правило, больные сердца.
9. Стена-движение-оценка - мера того, насколько сегментах слева желудочек движутся.
10. Стена-движение-индекс - равна настенного движение-балл, разделенный на число сегменты видел. Обычно 12-13 сегменты видел в эхо-
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
10
кардиограмме. Используйте эту переменную ВМЕСТО партитуры движения стенки.
11. Мульт - производное вар которые могут быть проигнорированы.
12. Группа - бессмысленно, игнорировать его.
13. живы-на-1 - булевозначный. Полученный из первых двух атрибутов:
- 0 означает, пациент либо умер после 1 года или были;
- последовали менее 1 года. 1 означает пациента;
- был жив в течение 1 года.
В результате получаем таблицу исходных данных (таблица 1):
Таблица 1 - Исходные данные (полностью)
The object of training sample Survival Still alive Age at heart attack Pericardial effusion Fractional shortening EPSS LVDD Wall motion score Wall motion index Mult Group Alive at 1
name-1 11,00 No 71,000 No 0,260 9,00 4,600 14,00 1,000 1,000 one No
name-2 19,00 No 72,000 No 0,380 6,00 4,100 14,00 1,700 0,588 one No
name-3 16,00 No 55,000 No 0,260 4,00 3,420 14,00 1,000 1,000 one No
name-4 57,00 No 60,000 No 0,253 12,06 4,603 16,00 1,450 0,788 one No
name-5 19,00 Yes 57,000 No 0,160 22,00 5,750 18,00 2,250 0,571 one No
name-6 26,00 No 68,000 No 0,260 5,00 4,310 12,00 1,000 0,857 one No
name-7 13,00 No 62,000 No 0,230 31,00 5,430 22,50 1,875 0,857 one No
name-8 50,00 No 60,000 No 0,330 8,00 5,250 14,00 1,000 1,000 one No
name-9 19,00 No 46,000 No 0,340 0,00 5,090 16,00 1,140 1,003 one No
name-10 25,00 No 54,000 No 0,140 13,00 4,490 15,50 1,190 0,930 one No
name-11 10,00 Yes 77,000 No 0,130 16,00 4,230 18,00 1,800 0,714 one Yes
name-12 52,00 No 62,000 Yes 0,450 9,00 3,600 16,00 1,140 1,003 one No
name-13 52,00 No 73,000 No 0,330 6,00 4,000 14,00 1,000 1,000 one No
name-14 44,00 No 60,000 No 0,150 10,00 3,730 14,00 1,000 1,000 one No
name-15 0,50 Yes 62,000 No 0,120 23,00 5,800 11,67 2,330 0,358 one Yes
name-16 24,00 No 55,000 Yes 0,250 12,06 4,290 14,00 1,000 1,000 one No
name-17 0,50 Yes 69,000 Yes 0,260 11,00 4,650 18,00 1,640 0,784 one Yes
name-18 0,50 Yes 62,529 Yes 0,070 20,00 5,200 24,00 2,000 0,857 one Yes
name-19 22,00 Yes 66,000 No 0,090 17,00 5,819 8,00 1,333 0,429 one No
name-20 1,00 Yes 66,000 Yes 0,220 15,00 5,400 27,00 2,250 0,857 one Yes
name-21 0,75 Yes 69,000 No 0,150 12,00 5,390 19,50 1,625 0,857 one Yes
name-22 0,75 Yes 85,000 Yes 0,180 19,00 5,460 13,83 1,380 0,710 one Yes
name-23 0,50 Yes 73,000 No 0,230 12,73 6,060 7,50 1,500 0,360 one Yes
name-24 5,00 Yes 71,000 No 0,170 0,00 4,650 8,00 1,000 0,570 one Yes
name-25 48,00 No 64,000 No 0,190 5,90 3,480 10,00 1,110 0,640 two
name-26 29,00 No 54,000 No 0,300 7,00 3,850 10,00 1,667 0,430 two
name-27 29,00 No 35,000 No 0,300 5,00 4,170 14,00 1,000 1,000 two
name-28 29,00 No 55,000 No 0,000 7,00 0,000 2,00 1,000 2,000 two
name-29 0,25 Yes 75,000 No 0,000 0,00 0,000 0,00 1,000 0,000 two
name-30 36,00 No 55,000 Yes 0,210 4,20 4,160 14,00 1,560 0,640 two No
name-31 1,00 Yes 65,000 No 0,150 0,00 5,050 10,00 1,000 0,710 two
name-32 1,00 Yes 52,000 Yes 0,170 17,20 5,320 14,00 1,170 0,857 two
name-33 3,00 Yes 0,000 No 0,000 12,00 0,000 6,00 3,000 0,140 two
name-34 27,00 No 47,000 No 0,400 5,12 3,100 12,00 1,000 0,857 two
name-35 35,00 No 63,000 No 0,000 10,00 0,000 14,00 1,170 0,857 two No
name-36 26,00 No 61,000 No 0,610 13,10 4,070 13,00 1,625 0,571 two No
name-37 16,00 No 63,000 Yes 0,000 0,00 5,310 5,00 1,000 0,357 two No
name-38 1,00 Yes 65,000 No 0,060 23,60 0,000 21,50 2,150 0,714 two Yes
name-39 19,00 No 68,000 No 0,510 0,00 3,880 15,00 1,670 0,640 two No
name-40 31,00 No 80,000 No 0,410 5,40 4,360 0,00 1,000 0,000 two
name-41 32,00 No 54,000 No 0,350 9,30 3,630 11,00 1,222 0,640 two No
name-42 16,00 No 70,000 Yes 0,270 4,70 4,490 22,00 2,000 0,786 two No
name-43 40,00 No 79,000 No 0,150 17,50 4,270 13,00 1,300 0,714 two No
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
11
name-44 46,00 No 56,000 No 0,330 0,00 3,590 14,00 1,000 1,000 two No
name-45 2,00 Yes 67,000 Yes 0,440 9,00 3,960 17,50 1,450 0,857 two
name-46 37,00 No 64,000 No 0,090 0,00 0,000 12,00 2,000 0,428 two
name-47 19,50 Yes 81,000 No 0,120 0,00 0,000 9,00 1,250 0,570 two No
name-48 20,00 Yes 59,000 No 0,030 21,30 6,290 17,00 1,310 0,928 two No
name-49 0,25 Yes 63,000 Yes 0,000 0,00 0,000 23,00 2,300 0,714 two Yes
name-50 0,00 0,000 0,000 0,00 0,000 0,00 0,000 2,000
name-51 2,00 Yes 56,000 Yes 0,040 14,00 5,000 0,00 0,000 0,000 two Yes
name-52 7,00 Yes 61,000 Yes 0,270 0,00 0,000 9,00 1,500 0,428 two Yes
name-53 10,00 No 57,000 No 0,240 14,80 5,260 18,00 1,380 0,812 two
name-54 12,00 No 58,000 No 0,300 9,40 3,490 14,00 1,000 1,000 two No
name-55 1,00 Yes 60,000 No 0,010 24,60 5,650 39,00 3,000 0,928 two Yes
name-56 10,00 No 66,000 No 0,290 15,60 6,150 14,00 1,000 1,000 two No
name-57 45,00 No 63,000 No 0,150 13,00 4,570 13,00 1,080 0,857 two No
name-58 22,00 No 57,000 No 0,130 18,60 4,370 12,33 1,370 0,642 two No
name-59 53,00 No 70,000 No 0,100 9,80 5,300 23,00 2,300 0,714 two No
name-60 38,00 No 68,000 No 0,290 0,00 4,410 14,00 1,167 0,857 two
name-61 26,00 No 79,000 No 0,170 11,90 5,150 10,50 1,050 0,714 two No
name-62 9,00 No 73,000 No 0,120 0,00 6,780 16,67 1,390 0,857 two
name-63 26,00 No 72,000 No 0,187 12,00 5,020 13,00 1,180 0,785 two No
name-64 0,50 Yes 59,000 No 0,130 16,40 4,960 17,83 1,370 0,928 two
name-65 12,00 No 67,000 Yes 0,110 10,30 4,680 11,00 1,000 0,785 two
name-66 49,00 No 51,000 No 0,160 13,20 5,260 11,00 1,000 0,786 two No
name-67 0,75 Yes 50,000 No 0,140 11,40 4,750 10,00 2,500 0,280 two
name-68 49,00 No 70,000 Yes 0,250 9,70 5,570 5,50 1,100 0,357 two No
name-69 47,00 No 65,000 No 0,360 8,80 5,780 12,00 1,000 0,857 two No
name-70 41,00 No 78,000 No 0,060 16,10 5,620 13,67 1,367 0,714 two No
name-71 0,25 Yes 86,000 No 0,225 12,20 5,200 24,00 2,180 0,786 two Yes
name-72 33,00 No 56,000 No 0,250 11,00 4,720 11,00 1,000 0,785 two No
name-73 29,00 No 60,000 No 0,120 10,20 4,310 15,00 1,670 0,640 two No
name-74 41,00 No 59,000 No 0,290 7,50 4,750 13,00 1,080 0,857 two No
name-75 26,00 No 50,000 No 0,060 30,10 5,950 21,50 2,390 0,643 two
name-76 15,00 No 54,000 No 0,217 17,90 4,540 16,50 1,180 1,000 two No
name-77 0,25 Yes 68,000 No 0,220 21,70 4,850 15,00 1,150 0,928 two
name-78 0,03 Yes 0,000 No 0,260 19,40 4,770 21,00 2,100 0,714 two Yes
name-79 12,00 No 64,000 No 0,200 7,10 4,580 14,00 1,000 1,000 two No
name-80 32,00 No 63,000 No 0,200 5,00 5,200 8,00 1,000 0,570 two
name-81 32,00 No 65,000 No 0,060 23,60 6,740 12,00 1,090 0,785 two
name-82 27,00 No 54,000 Yes 0,070 16,80 4,160 18,00 1,500 0,857 two No
name-83 23,00 No 62,000 No 0,250 6,00 4,480 11,00 1,000 0,786 two
name-84 0,75 Yes 78,000 No 0,050 10,00 4,440 15,00 1,360 0,786 two Yes
name-85 0,75 Yes 61,000 No 0,000 0,00 0,000 28,00 2,330 0,857 two Yes
name-86 34,00 No 52,000 No 0,140 25,00 6,210 11,50 1,150 0,714 two
name-87 1,00 Yes 73,000 No 0,050 14,80 4,140 15,50 1,410 0,786 two
name-88 21,00 Yes 70,000 Yes 0,160 19,20 5,250 11,00 1,000 0,786 two
name-89 55,00 No 55,000 No 0,280 5,50 4,480 22,00 1,830 0,857 two No
name-90 15,00 Yes 60,000 No 0,180 8,70 4,560 13,50 1,040 0,928 two
name-91 0,50 Yes 67,000 No 0,155 11,30 5,160 13,00 1,000 0,928 two
name-92 35,00 No 64,000 No 0,300 6,60 4,360 14,00 1,270 0,786 two
name-93 53,00 No 59,000 No 0,344 9,10 4,040 9,00 1,000 0,643 two No
name-94 33,00 No 46,000 No 0,272 16,50 5,360 12,67 1,060 0,857 two
name-95 0,00 Yes 61,000 No 0,200 9,40 4,020 15,67 1,420 0,786 two Yes
name-96 33,00 No 63,000 No 0,250 5,60 3,870 18,00 1,500 0,857 two
name-97 40,00 Yes 74,000 No 0,200 4,80 4,560 12,50 1,040 0,857 two No
name-98 33,00 No 59,000 No 0,500 9,10 3,420 18,00 1,500 0,857 two
name-99 5,00 Yes 65,000 Yes 0,160 8,50 5,470 16,00 1,450 0,786 two Yes
name-100 4,00 Yes 58,000 No 0,170 28,90 6,730 26,08 2,010 0,928 two Yes
name-101 31,00 No 53,000 No 0,170 0,00 4,690 10,00 1,000 0,710 two
name-102 33,00 No 66,000 No 0,200 0,00 4,230 12,00 1,000 0,857 two No
name-103 22,00 No 70,000 No 0,380 0,00 4,550 10,00 1,000 0,714 two No
name-104 25,00 No 62,000 No 0,258 11,80 4,870 11,00 1,000 0,786 two
name-105 1,25 Yes 63,000 No 0,300 6,90 3,520 18,16 1,510 0,857 two Yes
name-106 24,00 No 59,000 No 0,170 14,30 5,490 13,50 1,500 0,643 two No
name-107 25,00 No 57,000 No 0,228 9,70 4,290 11,00 1,000 0,786 two No
name-108 24,00 No 57,000 No 0,036 7,00 4,120 13,50 1,230 0,786 two
name-109 0,75 Yes 78,000 No 0,230 40,00 6,230 14,00 1,400 0,714 two Yes
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
12
name-110 3,00 Yes 62,000 No 0,260 7,60 4,420 14,00 1,000 1,000 two Yes
name-111 27,00 No 62,000 No 0,220 12,10 3,920 11,00 1,000 0,785
name-112 13,00 No 66,000 No 0,240 13,60 4,380 22,00 2,200 0,714
name-113 36,00 No 61,000 No 0,270 9,00 4,060 12,00 1,000 0,857
name-114 25,00 No 59,000 Yes 0,400 9,20 5,360 12,00 1,000 0,857
name-115 27,00 No 57,000 No 0,290 9,40 4,770 9,00 1,000 0,640
name-116 34,00 No 62,000 Yes 0,190 28,90 6,630 19,50 1,950 0,714
name-117 37,00 No 0,000 No 0,260 0,00 4,380 9,00 1,000 0,640
name-118 34,00 No 54,000 No 0,430 9,30 4,790 10,00 1,000 0,714
name-119 28,00 Yes 62,000 Yes 0,240 28,60 5,860 21,50 1,950 0,786
name-120 28,00 No 0,000 No 0,230 19,10 5,490 12,00 1,200 0,710
name-121 17,00 No 64,000 No 0,150 6,60 4,170 14,00 1,270 0,786
name-122 38,00 No 57,000 Yes 0,120 0,00 2,320 16,50 1,375 0,857
name-123 31,00 No 61,000 No 0,180 0,00 4,480 11,00 1,375 0,570
name-124 12,00 No 61,000 Yes 0,190 13,20 5,040 19,00 1,730 0,786
name-125 36,00 No 48,000 No 0,150 12,00 3,660 10,00 1,000 0,714
name-126 17,00 No 0,000 No 0,090 6,80 4,960 13,00 1,080 0,857
name-127 21,00 No 61,000 No 0,140 25,50 5,160 14,00 1,270 0,786
name-128 7,50 Yes 64,000 No 0,240 12,90 4,720 12,00 1,000 0,857
name-129 41,00 No 64,000 No 0,280 5,40 5,470 11,00 1,100 0,714
name-130 36,00 No 69,000 No 0,200 7,00 5,050 14,50 1,210 0,857
name-131 22,00 No 57,000 No 0,140 16,10 4,360 15,00 1,360 0,786
name-132 20,00 No 62,000 No 0,150 0,00 4,510 15,50 1,409 0,786
2.3. Этапы АСК-анализа и преобразование исходных данных в информацию, а ее в знания в системе "Эйдос"
АСК-анализ включает следующие этапы [3, 4]:
1. Когнитивная структуризация предметной области (неформализованный этап). На этом этапе решается, что мы хотим прогнозировать и на основе чего. В нашей задаче мы хотим прогнозировать продолжительность жизни пациента после перенесенного им инфаркта на основе анализа эхокардиограммы.
2. Формализация предметной области. На этом этапе разрабатываются классификационные и описательные шкалы и градации, а затем с их использованием исходные данные кодируются и представляются в форме баз событий, между которыми могут быть выявлены причинно-следственные связи.
3. Синтез и верификация моделей (оценка достоверности, адекватности). Повышение качества модели. Выбор наиболее достоверной модели для решения в ней задач.
4. Решение задач идентификации и прогнозирования.
5. Решение задач принятия решений и управления.
6. Решение задач исследования моделируемой предметной области путем исследования ее модели.
На рисунке 1 приведены автоматизированные в системе «Эйдос» этапы АСК-анализа, которые обеспечивают последовательное повышение степени формализации модели путем преобразования исходных данных в информацию, а далее в знания (рисунок 1):
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
13
Рисунок 1 - Этапы последовательного преобразования данных в информацию, а ее в знания в системе "Эйдос"
Подробно этот процесс описан в работе [10]. Суть этого процесса в следующем:
1. Информация рассматривается как осмысленные исходные данные.
2. Смысл, согласно концепции Шенка-Абельсона [12] считается известным, когда выявлены причинно-следственные связи.
3. Анализ - это операция выявления смысла из исходных данных.
4. Причинно-следственные связи существуют не между элементами исходных данных, а между реальными событиями, которые они отражают (моделируют), т.е. причинно-следственные связи - это характеристика реальной области, а не абстрактных моделей. Иначе говоря, анализ самих исходных данных невозможен, а возможен только анализ событий, описанных этими исходными данными.
5. Поэтому перед анализом исходных данных необходимо предварительно преобразовать их в базы событий, т.е. в эвентологические базы.
6. Это преобразование осуществляется с помощью справочников событий, факторов и их значений, т.е. с помощью классификационных и описательных шкал и градаций, которые также необходимо разработать.
7. Формализация предметной области представляет собой разработку справочников классификационных и описательных шкал и градаций и преобразование с их помощью баз исходных данных в базы событий (т.е.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
14
обучающую выборку), и является первым автоматизированным в системе «Эйдос» этапом АСК-анализа.
8. Затем следуют остальные перечисленные выше этапы АСК-анализа:
- синтез и верификация моделей и выбор наиболее достоверной из
них;
- решение в ней задач идентификации, прогнозирования, принятия решений и исследования предметной области, т.е. преобразование информации в знания.
Этап синтеза и верификации моделей завершает процесс анализа исходных данных и преобразования их в информацию, а ее в знания.
В АСК-анализе есть несколько режимов, обеспечивающих решение задачи принятия решений для управления или достижения целей, которая представляет собой обратную задачу прогнозирования: это и режим 4.2.1, позволяющий формировать информационные портреты классов, а также режим 4.4.8, поддерживающий количественный автоматизированный SWOT и -PEST анализ, включая построение SWOT и -PEST матриц и диаграмм [13], а также режим 4.4.10, визуализирующий нейросетевую интерпретацию модели знаний системы «Эйдос» [14]. Эти режимы обеспечивают преобразование информации в знания, т.к. знания представляют собой информацию, полезную для достижения целей, т.е. по сути технологию, в частности ноу-хау [10]. Наличие цели является ключевым моментом для преобразования информации в знания. А постановка целей (целеполагание) не мыслима без мотивации, которая в настоящее время является слабо формализованным этапом.
Итак, в процессе анализа исходные данные представляются в форме базы событий, между которыми выявляются причинно-следственные связи, и, таким образом, исходные данные преобразуются в информацию, представляющую собой осмысленные данные (смысл есть знание причинно-следственных связей), а затем информация используется для достижения целей (управления), т.е. преобразуется в знания.
Формализация предметной области включает разработку классификационных и описательных шкал и градаций и преобразование с их использованием исходных данных (таблица 1) в обучающую выборку. Этот этап полностью автоматизируется программным интерфейсом системы «Эйдос» с внешними табличными базами исходных данных (режим 2.3.2.2).
Но перед выполнением этого этапа АСК-анализа, естественно, необходимо сначала скачать и установить систему «Эйдос».
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
15
2.4. Скачивание и инсталляция системы «Эйдос»
Для скачивания и инсталляции системы «Эйдос» необходимо по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm открыть и выполнить следую-
3
щую инструкцию :
ИНСТРУКЦИЯ
по скачиванию и установке системы «Эйдос» (объем около 50 Мб)
Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы,
т.е. является портативной (portable) программой. Но чтобы она работала необходимо аккуратно выполнить следующие пункты.
1. Скачать самую новую на текущий момент версию системы «Эйдос-Х++» по ссылке: http://lc.kubaaro.ru/a.rar (ссылки для обновления системы даны в режиме 6.2)
2. Разархивировать этот архив в любую папку с правами на запись с коротким латинским именем и путем доступа,
включающим только папки с такими же именами (лучше всего в корневой каталог какого-нибудь диска).
3. Запустить систему. Файл запуска: _AIDOS-X.exe
4. Задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2).
5. Выполнить режим 1.11 (только 1-й раз при установке системы в данную папку)
6. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать)______________________________________________________________________________________________
Разработана программа: «_START_AIDOS.exe», полностью снимающая с пользователя системы «Эйдос-Х++» заботу о проверке наличия и скачивании обновлений.
Эту программу надо просто скачать по ссылке: http://lc.kubagro.ru/Install Aidos-X/ START AIDOS.exe , поместить в папку с исполнимым модулем системы и всегда запускать систему с помощью этого файла.
При запуске программы _START_AIDOS.EXE система Эйдос не должна быть запущена, т.к. она содержится в файле обновлений и при его разархивировании возникнет конфликт, если система будет запущена.
1. Программа _START_AIDOS.exe определяет дату системы Эйдос в текущей папке, и дату обновлений на FTP-сервере не скачивая их, и, и если система Эйдос устарела, скачивает обновления. (Если в текущей папке нет исполнимого модуля системы Эйдос, то программа пытается скачать полную инстилляцию системы, но не может этого сделать из-за ограниченной функциональности демо-версии библиотеки Xb2NET.DLL).
2. После этого появляется диалоговое окно с сообщением, что надо сначала разархивировать систему, заменяя все файлы (опция: «Yes to All» или «OwerWrite All», и только после этого закрыть данное окно. Появление окна архиватора происходит на мгновение позже появления диалогового окна, практически одновременно с ним и поверх него. Поэтому чтобы прочитать окно с этим сообщением нужно сдвинуть окно архиватора.
3. Потом программа _START_AIDOS.exe запускает обновления на разархивирование. После окончания разархивирования окно архиватора с отображением стадии процесса исчезает.
4. После закрытия диалогового окна с инструкцией (см. п.2), происходит запуск обновленной версии системы Эйдос на исполнение.
Для работы программы _START_AIDOS.exe необходима библиотека: Xb2NET.DLL, которую можно скачать по ссылке: http://lc.kubaaro.ru/Install Aidos-X/Xb2NET.DLL . Перед первым запуском этой программы данную библиотеку необходимо скачать и поместить либо в папку с этой программой, а значит и исполнимым модулем системы «Эйдос-Х++», либо в любую другую папку, на которую в операционной системе прописаны пути поиска файлов, например в папку: c:\Windows\System32\. Эта библиотека стоит около 500$ и у меня ее нет, поэтому я даю только бесплатную демо-версию, которая выдает сообщение об ограниченной функциональности, но для наших целей ее достаточно.________________________________
По этим ссылкам всегда размещена наиболее полная на момент скачивания незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными
3
Имеется и форум автора системы проф.Е.В.Луценко для пользователей системы: http://proflutsenko.vdforum.ru/
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
16
текстами, находящаяся в полном открытом бесплатном доступе (объем около 50 Мб). Обновление имеет объем около 3 Мб.
Для преобразования исходных данных обучающей выборки в базы данных системы "Эйдос" необходимо файл MS Excel, который содержит базу исходных данных, скопировать в папку: Aidos-X\AID_DATA\Inp_data и назвать Inp_data.xls. Этот файл организован следующим образом (рисунок 2):_______________________________________________
Помощь по режиму 2.1,22 для случая Excef-файлов исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных ■Inp_da1a.xls1 в систему ,Эйдос-х++' и формализации предметной области.
■ Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS или XLSX-файла с исходными данными приведенного ниже стандарта.
- Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ехсе1-2003(2(Ю7-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /AIDOS-X/AID_DATA/lnp_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
■ Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может бьть до G553G строк и до 25Є колонок. В листе Ехсе1-2007(2010) возможно до 1 048 57G строк и 1G 384 колонок.
■ Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут бьть текстового (номинального) или числового типа (с десятичными знаками после запятой).
■ Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны бьть указаны нулями, а не пробелами.
■1-й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
■ Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей выборки.
■ В результате работы режима Формируется Файл INP_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система нахсдиг уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_DATA и содержит кеды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.
■ Распознаваемая выборка Формируется на основе Файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура Файла NP_R.ASP должна быть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
[—Принцип организации таблицы исходных данных:-
Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы
1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
... ... ...
Ок
Cancel
Рисунок 2 - Help по режиму 2.3.2.2 системы «Эйдос»
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
17
2.5. Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему "Эйдос"
Для загрузки базы исходных данных в систему «Эйдос» необходимо воспользоваться универсальным программным интерфейсом для ввода данных из внешних баз данных табличного вида (таблица 1), т.е. режимом
2.3.2.2 (рисунок 3):
23.2.2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х+ +
[Н]
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "lnp_data"
—Задайте тип Файла исходных данных: "lnp_data":-
(ш
Г XLSX- MS Excel-2007(2010)
Г DBF - DBASE IV (DBF/NTX)
С CSV - Comma-Separated Values
Стандарт XLS-Файла
Стандарт DBF-Файла
Стандарт CSV-Файла
—Считать нули и пробелы отсутствием данных?----------------
її Да Нули и пробелы считаются отсутствием данных
Г Нет С Не знаю
Пояснения по работе конвертера исходных данных
-Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
|—Задайте диапазон столбцов описательных шкал:-Начальный столбец описательных шкал: Конечный столбец описательных шкал:
13
—Задайте режим:-----------------------------------------
Формализации предметной области (на основе "lnp_data") Г Генерации распознаваемой выборки (на основе "lnp_rasp")
—Задайте способ выбора размера интервалов:---------
її Равные интервалы с разным числом наблюдений С Разные интервалы с равным числом наблюдений
-Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_data"t-Не применять сценарный метод АСК-анализа и спец.интерпретацию TXT-полей С Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_data"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:
—Сценарный метод АСК-анализа: —Спец.интерпретация ТХТ-полей:
Записи Файла исходных данных "lnp_data" рассмотри- Значения текстовых полей Файла исходных данных
ваются каждая сама по себе независимо друг от друга "lnp_data" рассматриваются как целое
J
J
Рисунок 3 - Экранная форма Универсального программного интерфейса импорта данных в систему "Эйдос" (режим 2.3.2.2.)
В экранной форме, приведенной на рисунке 2, задать настройки, показанные на рисунке:
- "Задайте тип файла исходных данных Inp_data": "XLS - MS Excel-2003";
- "Задайте диапазон столбцов классификационных шкал": "Начальный столбец классификационных шкал" - 2, "Конечный столбец классификационных шкал" - 2;
- "Задайте диапазон столбцов описательных шкал": "Начальный столбец описательных шкал" - 3, "Конечный столбец описательных шкал" - 13;
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
18
- "Задание параметров формирования сценариев или способа интерпретации текстовых полей": "Не применять сценарный метод АСК-анализа и спец.интерпретацию TXT-полей".
После нажать кнопку "ОК". Далее открывается окно, где размещена информация о размерности модели (рисунок 4). В этом окне необходимо нажать кнопку "Выйти на создание модели".
Рисунок 4 - Задание размерности модели системы "Эйдос"
Далее открывается окно, отображающее стадию процесса импорта данных из внешней БД "Inp_data.xls" в систему "Эйдос" (рисунок 5), а также прогноз времени завершения этого процесса. В том окне необходимо дождаться завершения формализации предметной области и нажать кноп-
ку "ОК"
Рисунок 5 - Процесс импорта данных из внешней БД "Inp_data.xls"
в систему "Эйдос"
Для просмотра классификационных шкал и градаций необходимо запустить режим 2.1 (рисунок 6):
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
19
7.1. Клаггификалипнные шкалы и граллмии. Текуїкзя модель: "INF1" I 1=1 ^
Щ Код шкалы Наименование классификационной шкалы f Ц Код градации Наименование градации классификационной шкалы DEL Г I
SURVIVAL ... 1 /7-{0.0300000, 8.1 Є85714} ...
2 2/7-Й.1685714,16.3071429} ...
3 3/7-{16.307142Э, 24.4457143} ...
4 4/7-{24.4457143, 32.5842857} ...
5 5/7-Ш.5842857,40.7228571} ...
Є Є/7-І40.7228571,48.8614286} ...
7 7/7-{48.8614286,57.0000000} ...
. \
z]
ч 1 Ч Г Копі Ч І ДІ
Помощь Доб.шкалу Доб.град.шкалы Копир.шкалу 1 нр.град.шкалы Копир.шкалу с град. Удал.шкалу с град. Удал.град.шкалы Удаление и перекодирование
1' U
Рисунок 6 - Классификационные шкалы и градации (фрагмент)
Для просмотра описательных шкал и градаций необходимо запу-
стить режим 2,2 (рисунок 7):
ф 7.7. Описательные шкалы и градации. Текущая модель: INFI" 1 1=1 1 ^
11
Ц| Код шкалы Наименование описательной шкалы d || Код градации Наименование градации описательной шкалы
|| 11 STILL ALIVE ... 1 1/7-{35.0000000,42.2857143} ...
2 AGE AT HEART ATTACK ... 'i 4 2/7-{42.2857143,49.5714286} ...
3 PERICARDIAL EFFUSION ... 5 3/7-{49.5714286,56.8571429} ...
4 FRACTIONAL SHORTENING ... Є 4/7-{5Є.8571429,64.1428571} ...
5 EPSS .... 7 5/7-{Є4.1428571,71.4285714} ...
6 LVDD ... 8 6/7-{71.4285714, 78.7142857} ...
7 WALL MOTION SCORE ... 8 7/7-{78.7142857, 88.0000000} ...
8 WALL MOTION INDEX ...
Э MULT ...
10 GROUP ...
11 ALIVE AT 1 ...
Г I
zi
Ч Jd Ч I ►
Помощь Доб.шкалу Доб.град.шкалы Копир.шкалу I Копир.град.шкалы Копир.шкалу с град. Удал.шкалу с град. Удал.град.шкалы Перекодировать Очистить
и и
Рисунок 7 - Описательные шкалы и градации (фрагмент)
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
20
Для просмотра обучающей выборки необходимо запустить режим 2.3.1. (рисунок 8):____________________________________
Р) 2.3.1. Руиной ппод-трректярояка окунающей еыбпрки. Текущая модель: "TNF1" [-.їи-ІІНІ-.
І"Т"
ние объект Дат а Врем
2 name-2 ...
3 name-3 ...
4 name-4 .
5 name-5 .
Є name-6 .
7 name-7 .
8 name-8 ...
8 name-8 ...
<і : И
И Код объекта Класс t Класі 2 Класо 3 Класс 4 В Код.объекта Признак! Признак 2' ПризнаЛЗ Признак 4 1 Признак 5 Признак-6 Прйзнак7І
:o Д 0 1 ' 1 7 10 14 19 29 35
1 40 50 54 56 0 0 0
4 1 [ ► И ► Г
Помощь | Скопировать обуч.выб.в расп. | Добавить объект | Добавить классы | Добавить признаки | Удалить объект | Удалить классы | Удалить признаки | Очистить БД
Рисунок 8 - Обучающая выборка (фрагмент)
Тем самым создаются все необходимые и достаточные предпосылки для выявления силы и направления причинно-следственных связей между значениями факторов и результатами их совместного системного воздействия (с учетом нелинейности системы [11]).
2.6. Синтез и верификация статистических и интеллектуальных моделей
Далее запускаем систему "Эйдос" из папки "Aidos-X" файлом _aidos-x.exe. Система попросит ввести логин и пароль (рисунок 9). Необходимо ввести: логин - 1, пароль - 1.
Рисунок 9 - Авторизация в системе "Эйдос"
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
21
После откроется главное окно программы. Далее необходимо выполнить режим 1.11 для сброса приложений и локализации системы (рисунок 10).
Рисунок 10 - Главное окно программы "Эйдос"
Далее запускаем режим 3.5, в котором происходит выбор моделей для синтеза и верификации (рисунок 11) и нажмем кнопку "ОК". После успешного завершения, также необходимо нажать кнопку "ОК" (рисунок 12).
Рисунок 11 - Выбор моделей для синтеза и верификации
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
22
В данном режиме имеется много различных методов верификации моделей, в том числе и поддерживающие бутстрепный метод. Но мы используем параметры по умолчанию, приведенные на рисунке 11.
В результате выполнения режима 3.5 (рисунок 12) созданы все модели, со всеми частными критериями, перечисленные на рисунке 11, но ниже мы приведем лишь некоторые из них (таблицы 3-5).
Предварительно рассмотрим частные и интегральные критерии,
применяемые в настоящее время в системе «Эйдос».
Рисунок 12 - Синтез и верификация статистических моделей
и моделей знаний
Интересно заметить (см. рисунок 12), что синтез и верификация всех 10 моделей заняла 51 секунду.
2.7. Частные критерии и виды моделей системы «Эйдос»
Рассмотрим решение задачи идентификации на примере модели INF1, в которой рассчитано количество информации по А.Харкевичу, которое мы получаем о принадлежности идентифицируемого объекта к каждому из классов, если знаем, что у этого объекта есть некоторый признак. Это так называемые частные критерии сходства, приведенные в таблице 2.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
23
Таблица 2 - Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак 1у. = Yx Log2 P N..N Ij = Yx Log 2 1 N7N7 i 1
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. IlJ = YxLog2 p N,,N IJ = Yx Log 4 2 NN. i J
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — NN. I = N.. J iJ iJ N
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу h—І II .Аэ (Аэ 1 II •Аз і .Аэ N77N Ij = iJ 1 ij NlNJ
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу h—і II .Аэ (Аэ 1 II •Аз і .Аз n.n Ij = —1 1 1J NN
INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу 1 II II
INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу 1 II I = Nl _ Nl N. N
Обозначения:
i - значение прошлого параметра; j - значение будущего параметра;
Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;
M- суммарное число значений всех прошлых параметров;
W - суммарное число значений всех будущих параметров.
N - количество встреч i-м значения прошлого параметра по всей выборке;
Nj - количество встреч j-го значения будущего параметра по всей выборке;
N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.
Ij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;
¥ - нормировочный коэффициент (Е.В.Луценко, 1979, впервые опубликовано в 1993 году [15]), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Pt - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;
Pjj - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.
По сути, частные критерии представляют собой просто формулы для преобразования матрицы абсолютных частот (таблица 3)4 в матрицы
4 Которая является также матрицей сопряженности или корреляционной матрицей.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
24
условных и безусловных процентных распределений (таблицы 4 и 4) и матрицы знаний (проф. В.И.Лойко).
Таблица 2 - Матрица абсолютных частот (модель ABS) и условных и без-
5.5. Модель: "3. PRC2 - частный критерий: условная вероятность 1-го признака у объектов j-го класса"
----■тем
Код признака Наименование описательной шкалы и градации 1. SURVIVAL-... 8.1685714} •2. SURVIVAL-... 16.3071429} 3. SURVIVAL-... 24.4457143} 4.. SURVIVAL-... 32.5842857} 5. SURVIVAL-... 40,7228571} 8: SURVIVAL-... 48.8614286} 7. ' SURVIVAL-... 57.0000000} Ee ВЄ —
1 STILL ALIVE-No 87.500 73.684 96.000 95.000 100.000 100.000
2 STILL ALIVE-Yes 100.000 12.500 26.316 4,000 5.000
3 AGE AT HEART ATTACK-1/7-{35.0000000,42.28... 4.000 _ I
4 AGE AT HEART ATTACK-2/7-{42.2857143,49.57... 5.263 4.000 10.000
5 AGE AT HEART ATTACK-3/7-{49.5714286,56.85... 9.091 12.500 5.263 28.000 20.000 12.500 22.222
Є AGE AT HEART ATTACK-4/7-{56.8571428,64.14... 33.333 43.750 52.632 40.000 40.000 62.500 44.444
7 AGE AT HEART ATTACK-5/7-{G4.1428571,71.42... 30.303 31,250 21,053 8.000 15.000 12.500 22,222
8 AGE AT HEART ATTACK-6/7-{71.4285714,78.71... 15.152 12.500 5.263 4.000 5.000 12.500 11,111
8 AGE AT HEART ATTACK-7/7-{78.7142857,86.00... 6.061 5.263 8.000 5.000
10 PERICARDIAL EFFUSION-No 69.697 75.000 89.474 83.000 85.000 100.000 77.778
11 PERICARDIAL EFFUSION-Yes 30.303 25.000 10.526 12.000 15.000 22.222
12 FRACTIONAL SHORTENING-1 /7-{0.0100000, 0.0... 18.182 21,053 12.000 5.000 12.500
13 FRACTIONAL SHORTENING-2/7-{0.0957143, 0.1... 33.333 25.000 47.36S 20.000 20.000 25.000 22.222
14 FRACTIONAL SHORTENING-3/7-{0.1814286, 0.2... 27.273 50.000 10.526 32.000 40.000 12.500 22.222
15 FRACTIONAL SHORTENING-4/7-{0.2671429, 0.3... 8,061 18.750 5.263 16.000 20.000 37.500 44.444
18 FRACTIONAL SHORTENING-5/7-{0.3528571,0.4... 10.526 12.000 5.000 12.500
17 FRACTIONAL SHORTENING-6/7-{0.4385714, 0.5... 3.030 5.263 5.000 11.Ill
18 FRACTIONAL SHORTENING-7/7-{0.5242857, 0.6... 4.000
18 EPSS-1 /7-14.0000000, 9.1428571} 12.121 31.250 26.316 28.000 35.000 50.000 55.556 1 1
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
25
Таблица 3 - Матрица информативностей (модель INF1) в битах(фрагмент)
____________Таблица 4 - Матрица знаний (модель INF3) (фрагмент)_____________________________
' О 5-5. Модель: "6. INF3 - частный критерий: Хи-квадрат, разности между фа їсти чески ми и ожидаемыми а 6с. частота ми"
Код признака Наименование описательной, шкалы и градации 1. SURVIVAL-... 8.1685714} •2. SURVIVAL-... 16.3071429} 3. SURVIVAL-... 24.4457143} 4, SURVIVAL-... 32.5842857} 5. SURVIVAL-... 40,7228571} 8: SURVIVAL-... 46.8614286} 7, SURVIVAL-... 57.0000000} Cs
1 STILL ALIVE-No -22.186 2.839 1.216 7.360 6.148 2.313 2.304
2 STILL ALIVE-Yes 22.411 -3.327 -1.101 -6.942 -5.134 -2.712 -3.196
3 AGE AT HEART ATTACK-1/7-{35.0000000,42.28... -0.252 -0.127 -0.145 0.811 -0.146 -0.065 -0.076
4 AGE AT HEART ATTACK-2/7-{42.2857143,4Э.57... -1.008 -0.507 0.419 0.244 1.416 -0.258 -0.304
5 AGE AT HEART ATTACK-3/7-{49.571428Є, 5Є.85... -2.042 -0.537 -1.905 3.213 1.079 -0.291 0.473
Є AGE AT HEART ATTACK-4/7-{56.8571429.64.14... -2.866 0.025 2.010 -0.400 -0.032 1.449 -0.185
7 AGE AT HEART ATTACK-5/7-{64.1428571,71.42... 3.193 1.576 0.073 -3.105 -0.943 -0.743 -0.055
8 AGE AT HEART ATTACK-6/7-{71.4285714,78.71... 1.975 0.47Є -0.743 -1.269 -0.752 0.225 0.087
Э AGE AT HEART ATTACK-7/7-{78.7142857,86.00... 0.487 -0.761 0.123 0.865 0.124 -0.387 -0.457
10 PERICARDIAL EFFUSION-No -3.724 -1.444 1.601 1.957 1.520 1.156 -1.066
11 PERICARDIAL EFFUSION-Yes 3.949 0.956 -1.487 -1.53Є -0.505 -1.550 0.174
12 FRACTIONAL SHORTENING-1 /7-{0.0100000, 0.0... 2.218 -1.902 1.821 0.164 -1.191 0.032 -1.141
13 FRACTIONAL SHORTENING-2/7-{0.0957143, 0.1... 1.672 -0.693 3.625 -1.996 -1.404 -0.389 -0.816
14 FRACTIONAL SHORTENING-3/7-{0.181428Є, 0.2... -0.580 3.181 -3.520 0.315 2.450 -1.453 -0.892
15 FRACTIONAL SHORTENING-4/7-{0.2S71429, 0.3... -3.294 0.337 -2.051 0.029 0.933 1.644 2.402
1Є FRACTIONAL SHORTENING-5/7-lO.3528571,0.4... -1.765 -0.S88 0.983 1.676 -0.022 0.548 -0.533
17 FRACTIONAL SHORTENING-6/7-{0.4385714. 0 5... -0.008 -0.507 0.419 -0.756 0.416 -0.258 0.696
18 FRACTIONAL SHORTENING-7/7-{0.5242857, 0.8... -0.252 -0.127 -0.145 0.311 -0.146 -0.065 -0.076
18 EPSS-1 /7-М.ООООООО, 9.1428571} -5.328 0.307 -0.375 0.004 1.596 1.611 2.134
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
26
2.8. Ценность описательных шкал и градаций для решения задач идентификации и прогнозирования
Для любой из моделей системой «Эйдос» рассчитывается ценность5 градации описательной шкалы, т.е. признака, для идентификации или прогнозирования. Количественной мерой ценности признака в той или иной модели является вариабельность по классам частного критерия (таблица 2) для этого признака. Мер вариабельности может быть много, но наиболее известными является среднее модулей отклонения от среднего, дисперсия и среднеквадратичное отклонение. Последняя мера и используется в АСК-анализе и системе «Эйдос».
В системе «Эйдос» ценность признаков нарастающим итогов выводится в графической форме.
При большом объеме обучающей выборки можно без ущерба для достоверности модели удалить из нее малозначимые признаки. Для этого в системе «Эйдос «также есть соответствующие инструменты.
2.9. Интегральные критерии системы «Эйдос»
Но если нам известно, что объект обладает не одним, а несколькими признаками, то как посчитать их общий вклад в сходство с теми или иными классами? Для этого в системе «Эйдос» используется 2 аддитивных интегральных критерия: «Сумма знаний» и «Семантический резонанс знаний».
Интегральный критерий «Семантический резонанс знаний» представляет собой 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, представленных в help режима 3.3:
I = (0-, L).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
M
I = Е —.,
І=1
где: M - количество градаций описательных шкал (признаков);
Ij = {Iy } - вектор состояния j-го класса;
5 Эта ценность в АСК-анализе называется также интегральной информативностью, дифференцирующей способностью и селективной силой, т.е. эти термины являются синонимами.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
27
Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i — й фактор действует;
< п, где : п > 0, если i — 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 n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
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, представленных в help режима 3.3 и имеет вид:
I, =
м .
Е (k -I )(l—L і
1
где:
M - количество градаций описательных шкал (признаков);
Ij - средняя информативность по вектору класса;
L - среднее по вектору объекта;
sI - среднеквадратичное отклонение частных критериев знаний вектора класса;
sL - среднеквадратичное отклонение по вектору распознаваемого объекта.
Ту = {Ту } - вектор состояния j-го класса;
Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i — й фактор действует;
Li =
п, где: п > 0, если i — й фактор действует с истинностью п;
0, если i — й фактор не действует.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
28
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:
L
L ® L
J “Л
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.
2.10. Результаты верификации моделей
Результаты верификации (оценки достоверности) моделей, отличающихся частными критериями (таблица 2) с двумя приведенными выше интегральными критериями с приведены на рисунке 13:
Рисунок 13 - Оценки достоверности моделей
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
29
Наиболее достоверной в данном приложении оказались модели INF 1 при интегральном критерии «Резонанс знаний». Уровень достоверности прогнозирования с применением модели выше, чем экспертных оценок, достоверность которых считается равной около 70%.
Для оценки достоверности моделей в АСК-анализе и системе «Эй-дос» используется метрика, сходная с F-критерием (рисунок 14):
Режим: Помощь по режиму: 4.1.3.6: Виды прогнозов и принцип опрделения достовености моделей в системе "Зидос-Х+ъ". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,
4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации, идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.Теперь представите себе, что у Бас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.
Рисунок 14 - Виды прогнозов и принцип определения достоверности моделей по авторскому варианту метрики, сходной с F-критерием
Также обращает на себя внимание, что статистические модели, как правило, дают более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, и практически никогда -более высокую. Этим и оправдано применение моделей знаний.
3. Решение задач идентификации и прогнозирования в наиболее достоверной модели
Режим 4.1.3 обеспечивает отображение результатов идентификации в различных формах:
1. Подробно наглядно: "Объект - классы".
2. Подробно наглядно: "Класс - объекты".
3. Итоги наглядно: "Объект - классы".
4. Итоги наглядно: "Класс - объекты".
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
30
5. Подробно сжато: "Объект - классы".
6. Обобщенная форма по достоверности моделей при разных интегральных критериях.
7. Обобщенный статистический анализ результатов идентификации по моделям и интегральным критериям.
8. Статистический анализ результатов идентификации по классам, моделям и интегральным критериям.
9. Распознавание уровня сходства при разных моделях и интегральных критериях.
10. Достоверность идентификации классов при разных моделях и интегральных критериях.
Рассмотрим некоторые из них.
На рисунке 15 приведен пример прогноза для пациента 1 в наиболее достоверной модели:
Рисунок 15 - Пример прогноза для пациента 1
На рисунке 16 приведены результаты прогнозирования малой продолжительности жизни после перенесения инфаркта, который, очевидно, прогнозируется с очень высокой достоверностью.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
31
О 4.13,2, Визуализация результатов распознавания в отношении: "Класс-объекты", [екущая модель:
11 Классы Интегральный критерий сходства: "Семантический резонанс знаний"
■А Наименование объекта Сходство ж. вид
11 “ S U RVIVAL-1 /7-{0.0300000. 8.1685714} .. Н 20 name-20 71,83.. V 1111 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII и ilium iiiiiiiii Л
' 2 S U RVIVAL-2/7-{8.1685714.1 Б. 3071429} .. 49 name-49 ... 86,79.. V
3 9URVIVAL-3/7-{18.3071429, 24 4457143} .. 51 name-51 ... 66,42.. V
4 9URVIVAL-4/7-{24.4457143, 32 5842857} .. 18 name-18 ... 65,86.. V
5 SURVIVAL-5/7-{32.5842857, 40 7228571} .. 38 name-38 ... Є2,95.. V
6 SURVIVAL-8/7-{40.7228571,48 8814286} .. 22 name-22 ... Є2,38.. V
7 SURVIVAL-7/7-{48.8G1428G, 57 0008000} .. 85 name-85 ... 59,57.. V
71 name-71 ... 58,5Є.. V
99 name-99 58,53.. V 1111 IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII iiiiiiiii
Н -1 ► | 1
Интегральный критерий сходства: "Сумма знаний"
■I Код I Наименование'объекта Сходство ф... Сходство *
И 20 name-20 80,98.. V —
18 name-18 ... 75,03.. V
22 name-22 ... 71,76... V
38 name-38 ... 89,19... V
71 name-71 ... 87,95... V
99 name-99 ... 07,93... V
49 name-49 ... 05,58... V
51 name-51 ... 05,25... V
'▼ I 17 name-17 4 I 04,78...1 V | ши IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII iiiiiiiiiii ▼
«1 С >г 1 ► !
Помощь Поиск объекта В начало БД В конец БД Предыцушай | Следующая 9 записей Все записи | Печать XLS | Печать TXT Печать ALL
і — т 4
Рисунок 16 - Пример прогнозирования малой продолжительности жизни пациентов после перенесенного инфаркта
На рисунке 17 приведены частные распределения уровней сходства и различия для верно и ошибочно идентифицированных и неидентифициро-
Рисунок 17 - Частное распределение уровня сходства в модели INF1
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
32
Из рисунка 17 видно, что:
- наиболее достоверная модель INF1 лучше определяет непринадлежность объекта к классу, чем принадлежность;
- модуль уровня сходства-различия в наиболее достоверной модели для верно идентифицированных и верно неидентифицированных объектов значительно выше, чем для ошибочно идентифицированных и ошибочно неидентифицированных.
4. Исследование моделируемой предметной области путем исследования ее модели
Так созданные модели показали достаточно высокую адекватность, то их исследование обоснованно можно считать исследованием самой моделируемой предметной области.
Это исследование в частности включает:
- информационные портреты классов и признаков;
- когнитивные функции;
- SWOT и PEST матрицы и диаграммы;
- нелокальные нейроны.
4.1. Информационные портреты классов и признаков
Информационный портрет класса - это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее - факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
33
только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.
Информационный (семантический) портрет фактора - это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния - переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.
Рассмотрим информационные портреты классов в режиме 4.2.1 (рисунок 18):
Инф.пор трет класса: 1 "SURVIVAL-1/7-{0.0300000. 8.1685714}" в модели: 4 "INF1" H
1 Код Наименование Масса I Код Наименование Признака Значимость
1 SURVIVAL-1 /7-{0.0300000, 8.1 Є85714} ... 25 EPSS-7/7-{34.8571428,40.0000000} 0.539
2 SURVIVAL-2/7-{8.1685714,16.3071429} ... 2 STILL ALIVE-Yes 0.445
3 SURVIVAL-3/7-{16.3071429, 24.4457143} ... 22 EPSS-4/7-{19.4285714,24.5714286} 0.320
4 SURVIVAL-4/7-{24.4457143, 32.5842857} ... 8 AGE AT HEART ATTACK-6/7-{71.4285714, 78.7142857} 0.197
5 SURVIVAL-5/7-{32.5842857, 40.7228571} ... 11 PERICARDIAL EFFUSION-Yes 0.197
Є SURVIVAL-6/7-{40.7228571,48.8614286} ... 12 FRACTIONAL SHORTENING-1/7-Ш.0100000, 0.0957143} Q.IB1
7 SURVIVAL-7/7-{48.8614288, 57.0000000} ... 7 AGE AT HEART ATTACK-5/7-{64.1428571,71.4285714} 0.151
30 LVDD-5/7-{4.S6S5714, 5.5057143} 0.121
Э AGE AT HEART ATTACK-7/7-{78.7142857, 86.0000000} 0.109
23 EPSS-5/7-{24.5714286,29.7142857} 0.109
21 EPSS-3/7-{14.2857143,18.4285714} 0.068 Г
13 FRACTIONAL SHORTENING-2/7-{0.0857143, 0.1814288} 0.065
20 EPSS-2/7-{9.1428571,14.2857143} 0.038
17 FRACTIONAL SHORTENING-6/7-{0.4385714, 0.5242857} -0.003
14 FRACTIONAL SHORTENING-3/7-{0.1814288, 0.2671429} -0.024
10 PERICARDIAL EFFUSION-No -0.059
6 AGE AT HEART ATTACK-4/7-{56.857142Э, 84.1428571} -0.091
29 LVDD-4/7-{4.2314286, 4.8685714} -0.091
5 AGE AT HEART ATTACK-3/7-{49.5714286, 56.8571429} -0.203
27 LVDD-2/7-{2.9571429, 3.5942857} -0.222
19 EPSS-1/7-{4.0000000, 9.1428571} -0.331
15 FRACTIONAL SHORTENING-4/7-{0.2871429, 0.3528571} -0.381
< \ ' I AT 1 S 1Т1Г1 r> l~7 !r> СО A TOC7 А "П1 ПОСІ ґ
Помощь Abs Prc1 Prc2 J Inl1 Inf2 Inf3 Inf4 j Inl5 | InfG | Inf7 j MS Excel ВКЛ.Фильтр по Фактору ВЫКЛ.Фильтр по Фактору Вписать в окно Показать BCE j
Рисунок 18 - Пример информационного портрета класса
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
34
Из этого портрета мы можем сделать вывод о том, что на основе определений конкретных объектов обучающей выборки (т.е. конкретных онтологий), в каждом из которых были с одной стороны приведены признаки объекта, а с другой указана его принадлежность к обобщающим классам, система «Эйдос» смогла сформировать обобщенные определения классов (обобщенные онтологии), в которых для каждого класса указана степень характерности и не характерности для него всех имеющихся в модели признаков. В данном случае в качестве объектов обучающей выборки выступали описания пациентов, перенесших инфаркт, но в принципе ими могут быть любые объекты или их состояния из любой предметной области (например, [9]6), т.к. система «Эйдос» разрабатывалась в обобщенной постановке, независящей от предметной области.
Частные критерии:
- ABS - частный критерий: количество встреч сочетаний: "класспризнак" у объектов обучающей выборки;
- PRC1 - частный критерий: условная вероятность i-го признака среди признаков объектов j-го класса;
- PRC2 - частный критерий: условная вероятность i-го признака у объектов j-го класса;
- INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1;
- INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2;
- INF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абсолютными частотами;
- INF 4 - частный критерий: ROI (Return on investment); вероятности из PRC1;
- INF 5 - частный критерий: ROI (Return on investment); вероятности из PRC2;
- INF6 - частный критерий: разности условной и безусловной вероятностей; вероятности из PRC1;
- INF7 - частный критерий: разности условной и безусловной вероятностей; вероятности из PRC2.
Информационные портреты классов могут быть от отфильтрованы по одной из описательных шкал, т.е. по одному из факторов, в этом случае информационный портрет будет отражать влияние на переход объекта управления в состояние, соответствующее классу, не всех отраженных в модели факторов, а значений (т.е. градаций описательных шкал или признаков) одного из них:
6 Система «Эйдос» была применена во многих предметных областях: http://lc.kubagro.ru/ http://ej.kubagro.ru/a/viewaut.asp?id=11
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
35
- выбор класса осуществляется установкой курсора на записи с нужным классом в левом окне;
- выбор статической модели или модели знаний осуществляется нажатием соответствующей кнопки внизу окна;
- выбор фактора (описательной шкалы) для фильтрации осуществляется путем указания его курсором в правом окне и последующего нажатия кнопки "вкл. фильтр по фактору".
Рассмотрим информационные или семантические (смысловые) портреты признаков в режиме 4.3.1. Данный режим показывает какой смысл имеет тот или иной признак, т.е., например, для модели INF1, какое количество информации содержится в факте наблюдения данного признака у некоторого объекта о том, что этот объект принадлежит различным классам (рисунок 19).
^ 4А1. Информационные портреты признаков 1 1=1 1 ^
Инф.портрет признака: 19 "EPSS-1/7-{4.0000000, 9.1428571}" в модели: 4 "INF1"
И Код Наименование признака _ Код Наименование класса Значимость
1 STILL ALIVE-No ... 7 SURVIVAL-7/7-{48.8S1428Є, 57 0000000} 0.225
2 STILL ALIVE-Yes ... 6 SURVIVAL-6/7-{40.7228571, 48 8614286} 0.202
3 AGE AT HEART ATTACK-1 /7-{35.0000000, 42.28... 5 SURVIVAL-5/7-{32.5842857, 40 7228571} 0.101
4 AGE AT HEART ATTACK-2/7-{42.2857143, 48.57... 2 SURVIVAL-2/7-{8.1 Б85714,18.3071429} 0.025
5 AGE AT HEART ATTACK-3/7-{49.5714288, 58.85.. 4 SURVIVAL-4/7-{24.4457143, 32.5842857} 0.000
Є AGE AT HEART ATTACK-4/7-{58.8571428, Є4.14... 3 SURVIVAL-3/7-{18.3071429, 24.4457143} -0.028
7 AGE AT HEART ATTACK-5/7-{84.1428571,71.42... 1 SURVIVAL-1 /7-{0.0300000,8.1 Є85714} -0.331
8 AGE AT HEART ATTACK-8/7-{71.4285714, 78.71...
8 AGE AT HEART ATTACK-7/7-{78.7142857, 88.00...
10 PERICARDIAL EFFUSION-No ...
11 PERICARDIAL EFFUSION-Yes ...
12 FRACTIONAL SHORTENING-1 /7-Ш.0100000, 0.0...
13 FRACTIONAL SHQRTENING-2/7-{0.0957143, 0.1...
14 FRACTIONAL SHORTENING-3/7-{0.1814286, 0.2...
15 FRACTIONAL SHORTENING-4/7-{0.2871429, 0.3...
18 FRACTIONAL SHORTENING-5/7-{0.3528571,0.4...
17 FRACTIONAL SHORTENING-8/7-{0.4385714, 0.5...
18 FRACTIONAL SHORTENING-7/7-{0.5242857, 0.8...
18 E PS S -1 /7-Й. 0000000, 9.1428571} ...
20 EPSS-2/7-{9.1428571,14.2857143} ...
21 EPSS-3/7-{14.2857143,19.4285714} ...
22 EPSS-4/7-{19.4285714,24.5714286} ...
<[ ” ГПГ-Г- СЛ І'іЛ CM Л--ІГІГ- --II-I -7-І j(^inc?l 1 ► Ч Г.Ґ
Помощь Abs | Prc1 | Prc2 |lnf11 Inf2 Inf3 Inf4 Inf5 1 nf8 j Inl7 MS Excel ВКГІ.Фильтр по кл.шкале ВЫКЛ.Фильтр по кл.шкале Вписать в окно ПоказатьВСЕ □
1' J
Рисунок 19 - Пример информационного (семантического)
портрета признака
4.2. Когнитивные функции
Рассмотрим режим 4.5, в котором реализована возможность визуализации когнитивных функций для любых моделей и любых сочетаний классификационных и описательных шкал (рисунок 20):
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
36
—Что такое когнитивная Функция:------------------------------------------------------------------------------------------------
Визуализация прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных Функций 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; с 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 СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.: Луценко Е.В. Метод визуализации когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык Н Полигемэгический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. - Краснодар: КубГАУ, 2011. -N-□3(67]. С. 240 - 282. - Шифр Информрегистра: 0421100012\0077., 2,688 у.п.л. - Режим доступа: htlp:/7ei.kubaciro.ru/2011 /03/pdf/18.pdf
—Задайте нужный режим:----------------------------------------------------------------------
I Визуализации когнитивных функций || Скачать подборку публикаций по когнитивным Функциям
Литератур.ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями
Рисунок 20 - Экранная форма режима 4.5 системы «Эйдос-Х++» «Визуализация когнитивных функций»
7
Когнитивным функциям посвящено много работ автора , но наиболее новой и обобщающей из них является работа [16]. Поэтому здесь не будем останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе.
Для классификационной шкалы «Продолжительность жизни после инфаркта» (это обобщенные классы) когнитивные функции и всех описательных шкал для модели INF1 приведены на рисунке 21:
7
См., например: http://www.twirpx.com/file/775236/
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
37
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
38
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
39
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
40
Рисунок 21 - Визуализация когнитивных функций для обобщенных классов и всех описательных шкал для модели INF1
4.3. SWOT и PEST матрицы и диаграммы
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
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
41
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». Данная система всегда обеспечивала возможность проведения количественного автоматизированного SWOT-анализа без использования экспертных оценок непосредственно на основе эмпирических данных. Результаты SWOT-анализа вы-водилиьс в форме информационных портретов. В версии системы под MS Windows: «Эйдос-Х++» предложено автоматизированное количественное решение прямой и обратной задач SWOT-анализа с построением традиционных SWOT-матриц и диаграмм [13] (рисунок 22):
Рисунок 22 - Пример SWOT-матрицы в модели INF1
На рисунке 23 приведена графическая SWOT-диаграмма, соответствующая SWOT-матрице, представленной на рисунке 22.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
42
Рисунок 23 - Пример SWOT-диаграммы в модели INF1
PEST-анализ является SWOT-анализом с более детализированной классификацией внешних факторов. Поэтому выводы, полученные на примере SWOT-анализа, можно распространить и на PEST-анализ.
4.4. Нелокальные нейроны
Нелокальные нейроны и интерпретируемые нейронные сети
позволяют в наглядной форме отобразить систему детерминации будущих состояний. Нелокальный нейрон представляет собой будущее состояние объекта управления с изображением наиболее сильно влияющих на него факторов с указанием силы и направления (способствует-препятствует) их влияния. Нейронная сеть представляет собой совокупность взаимосвязанных нейронов. В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях - на основе общего информационного поля, реализуемого семантической информационной моделью. Система «Эйдос» обеспечивает построение любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности [14].
На рисунке 24 представлен пример нелокального нейрона в модели
INF1:
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
43
Рисунок 24 - Пример нелокального нейрона в модели INF 1
Заключение
Так как существует множество систем искусственного интеллекта, то возникает необходимость сопоставимой оценки качества их математических моделей. Одним из вариантов решения этой задачи является тестирование различных системы на общей базе исходных данных, для чего очень удобно использовать общедоступную базу репозитория UCI.
В данной работе приводится развернутый пример использования базы данных репозитория UCI для оценки качества математических моделей, применяемых в АСК-анализе и его программном инструментарии системе искусственного интеллекта «Эйдос».
При этом наиболее достоверной в данном приложении оказались модели INF1, основанная на семантической мере целесообразности информации А.Харкевича при интегральном критерии «Резонанс знаний». Уровень достоверности прогнозирования принадлежности объекта к классу с применением данной составляет 78,5%, а достоверность прогнозирования непринадлежности объекта к классу - 77,4%, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%.
Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется метрика, сходная с F-критерием.
Также обращает на себя внимание, что статистические модели в данном приложении дают примерно на 27% более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, что, как правило, наблюдается и в других приложениях. Этим и оправдано применение моделей знаний.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
44
Ясно, что если на основе базы данных UCI, рассмотренной в данной статье, построить модели прогнозирования не с помощью АСК-анлаиза и реализующей его системы «Эйдос», а с применением других математических методов и реализующих их программных систем, то можно сопоставимо сравнить их качество.
Литература
1. Луценко Е.В. Методика использования репозитария UCI для оценки качества математических моделей систем искусственного интеллекта / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(002). С. 120 - 145. - IDA [article ID]: 0020302012. - Режим доступа: http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,625 у.п.л.
2. Луценко Е.В. АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков / Е.В. Луценко, Ю.Н. Пенкина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №06(100). С. 1346 - 1395. - IDA [article ID]: 1001406090. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/90.pdf, 3,125 у.п.л.
3. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.
4. 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.
5. Репозитарий UCI [Электронный ресурс]. Статья " Echocardiogram Data Set". Режим доступа: http://archive.ics.uci.edu/ml/datasets/Echocardiogram, свободный. - Загл. с экрана. Яз. анг.
6. Сайт профессора Е.В.Луценко [Электронный ресурс]. Режим доступа: http://lc.kubagro.ru/, свободный. - Загл. с экрана. Яз. рус.
7. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 -77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.
8. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
45
9. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
10. Луценко Е.В. Методологические аспекты выявления, представления и исполь-
зования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(070). С. 233 - 280. - Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. - Режим доступа:
http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 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 «Эй-дос-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. Системно-когнитивный анализ как развитие концепции смысла Шенка - Абельсона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(005). С. 44 - 65. -IDA [article ID]: 0050403004. - Режим доступа: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 у.п.л.
13. 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. 1368 - 1410. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
14. 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.
15. Луценко Е.В. Автоматизированная система распознавания образов, математическая модель и опыт применения. В сб.: "В.И.Вернадский и современность (к 130-летию со дня рождения)". Тезисы научно-практической конференции. - Краснодар: КНА, 1993. - С. 37-42.
16. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
46
№01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа:
http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.
References
1. Lucenko E.V. Metodika ispol'zovanija repozitarija UCI dlja ocenki kachestva ma-
tematicheskih modelej sistem iskusstvennogo intellekta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. -№02(002). S. 120 - 145. - IDA [article ID]: 0020302012. - Rezhim dostupa:
http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,625 u.p.l.
2. Lucenko E.V. ASK-analiz, modelirovanie i identifikacija zhivyh sushhestv na os-
nove ih fenotipicheskih priznakov / E.V. Lucenko, Ju.N. Penkina // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №06(100). S. 1346 - 1395. - IDA [article ID]: 1001406090. - Rezhim dostupa:
http://ej.kubagro.ru/2014/06/pdf/90.pdf, 3,125 u.p.l.
3. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovan-
nogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 -359. - IDA [article ID]: 0881304022. - Rezhim dostupa:
http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.
4. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii ak-tivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomich-eskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s.
5. Repozitarij UCI [Jelektronnyj resurs]. Stat'ja " Echocardiogram Data Set". Rezhim dostupa: http://archive.ics.uci.edu/ml/datasets/Echocardiogram, svobodnyj. - Zagl. s jekrana. Jaz. ang.
6. Sajt professora E.V.Lucenko [Jelektronnyj resurs]. Rezhim dostupa:
http://lc.kubagro.ru/, svobodnyj. - Zagl. s jekrana. Jaz. rus.
7. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh univer-
sal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nasto-jashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregis-tra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa:
http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.
8. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.
9. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom an-alize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU)
http://ej.kubagro.ru/2014/08/pdf/082.pdf
Научный журнал КубГАУ, №102(08), 2014 года
47
[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.
10. Lucenko E.V. Metodologicheskie aspekty vyjavlenija, predstavlenija i ispol'zovanija znanij v ASK-analize i intellektual'noj sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. -№06(070). S. 233 - 280. - Shifr Informregistra: 0421100012\0197, IDA [article ID]: 0701106018. - Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.
11. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov uprav-lenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmer-nosti 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. Sistemno-kognitivnyj analiz kak razvitie koncepcii smysla Shenka -Abel'sona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2004. - №03(005). S. 44 - 65. - IDA [article ID]: 0050403004. - Rezhim dostupa: http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1,375 u.p.l.
13. 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. 1368 - 1410. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
14. 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.
15. Lucenko E.V. Avtomatizirovannaja sistema raspoznavanija obrazov, matematich-eskaja model' i opyt primenenija. V sb.: "V.I.Vernadskij i sovremennost' (k 130-letiju so dnja rozhdenija)". Tezisy nauchno-prakticheskoj konferencii. - Krasnodar: KNA, 1993. - S. 37-42.
16. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj ma-tematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.
http://ej.kubagro.ru/2014/08/pdf/082.pdf
