Автоматизированный системно-когнитивный анализ антибиотиков в ветеринарии

Луценко Евгений Вениаминович

УДК 004.8

06.02.00 Ветеринария и Зоотехния

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АНТИБИОТИКОВ В ВЕТЕРИНАРИИ

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

Антибактериальные химиотерапевтические препараты, к которым относятся антибиотики и синтетические противомикробные средства, широко применяются в ветеринарии для профилактики и лечения заболеваний, вызываемых микроорганизмами. Антибактериальные средства можно классифицировать по типу действия и химической структуре. Известно также, что при применении нескольких препаратов в сочетании друг с другом они взаимодействуют внутри организма друг с другом, что может приводить к усилению или ослаблению их действия. По этим причинам представляет научный и практический интерес разработка классификации антибиотиков по их характеристикам и принципу действия (задача 1), а также по взаимной совместимости (задача 2). Эти задачи решаются в статье с применением нового метода агломератив-ной когнитивной кластеризации, реализованного в автоматизированном системно-когнитивном анализе (АСК-анализ). Этот метод кластеризации имеет ряд преимуществ перед известными традиционными методами кластеризации. Эти преимущества позволяют получить результаты кластеризации, понятные специалистам и поддающиеся содержательной интерпретации, хорошо согласующиеся с оценками экспертов, их опытом и интуитивными ожиданиями, что часто представляет собой проблему для классических методов кластеризации. В статье приводятся подробные численные примеры решения двух поставленных задач. Универсальная автоматизированная система «Эйдос», являющаяся инструментарием АСК-анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm. Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения и доступны всем желающим

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», КОГНИТИВНОЕ ПРОСТРАНСТВО

UDC 004.8

Veterinary and Zootechnics

AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF ANTIBIOTICS IN VETERINARY MEDICINE

Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57191193316 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru Kuban State Agrarian University, Krasnodar, Russia

Antibacterial chemotherapeutic drugs, which include antibiotics and synthetic antimicrobial agents, are widely used in veterinary medicine for the prevention and treatment of diseases caused by microorganisms. Antibacterial agents can be classified by type of action and chemical structure. It is also known that when several drugs are used in combination with each other, they interact within the body with each other, which can lead to strengthening or weakening of their action. For these reasons, it is of scientific and practical interest to develop a classification of antibiotics by their characteristics and principle of action (task 1), as well as by mutual compatibility (task 2). The article solves these problems using a new method of agglomerative cognitive clustering, implemented in automated system-cognitive analysis (ASK-analysis). This method of clustering has a number of advantages over the known traditional methods of clustering. These advantages allow us to obtain clustering results that are understandable to specialists and amenable to meaningful interpretation, which are well consistent with the experts ' assessments, their experience and intuitive expectations, which is often a problem for classical clustering methods. The article provides detailed numerical examples of solving two problems. The universal automated system called "Eidos", which is a tool of ASK-analysis, is in full open access on the author's website: http://lc.kubagro.ru/aidos/_Aidos-X.htm. Numerical examples of solving veterinary problems with the use of artificial intelligence technologies are placed as cloud Eidos-applications and are available to everyone

Keywords: AUTOMATIVE SYSTEM-COGNITIVE ANALYSIS, INTELLECTUAL SYSTEM "EIDOS", COGNITIVE SPACE

йо!: 10.21515/1990-4665-140-033

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..........................................................................................................................................................2

1. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС».........................................................................4

2. КЛАССИФИКАЦИЯ АНТИБИОТИКОВ ПО ИХ ХАРАКТЕРИСТИКАМ И ПРИНЦИПУ ДЕЙСТВИЯ (ЗАДАЧА 1)...................................................................................................................................4

2.1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных..............................................................................................................................................................4

2.2. Формализация предметной области...................................................................................................7

2.3. Синтез и верификация статистических и системно-когнитивных моделей............................ 10

2.4. Определение наиболее достоверной модели и придание ей статуса текущей........................ 12

2.5. Решение задач идентификации, диагностики, классификации и прогнозирования.............. 14

2.6. Решение задач поддержки принятия решений................................................................................. 15

2.7. Исследование моделируемой предметной области путем исследования ее модели............17

2.7.1. Когнитивные диаграммы классов.................................................................................................. 17

2.7.2. Агломеративная когнитивная кластеризация классов................................................................ 19

2.7.3. Когнитивные диаграммы признаков..............................................................................................20

2.7.4. Агломеративная когнитивная кластеризация признаков............................................................21

2.7.5. Нелокальные нейроны и нелокальные нейронные сети................................................................22

2.7.6 Когнитивные функции.....................................................................................................................23

3. КЛАССИФИКАЦИЯ АНТИБИОТИКОВ ПО ИХ СОВМЕСТИМОСТИ (ЗАДАЧА 2)...................25

3.1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных............................................................................................................................................................25

3.2. Формализация предметной области (разработка классификационных и описательных шкал

и градаций и обучающее выборки)........................................................................................................... 27

3.3. Синтез и верификация статистических и системно-когнитивных моделей............................ 28

3.4. Определение наиболее достоверной модели и придание ей статуса текущей........................ 30

3.5. Решение задач идентификации, диагностики, классификации и прогнозирования.............. 31

3.6. Решение задач поддержки принятия решений................................................................................. 32

3.7. Исследование моделируемой предметной области путем исследования ее модели............33

3.7.1. Когнитивные диаграммы классов..................................................................................................33

3.7.2. Агломеративная когнитивная кластеризация классов................................................................35

3.7.3. Когнитивные диаграммы признаков..............................................................................................36

3.7.4. Агломеративная когнитивная кластеризация признаков............................................................38

3.7.5. Нелокальные нейроны и нелокальные нейронные сети................................................................39

3.7.6 Когнитивные функции ..................................................................................................................... 40

3.8. Исследование организма животного как нелинейного объекта управления на примере

совместного действия на него нескольких антибиотиков................................................................ 40

3.8.1. Постановка задачи лечения как задачи управления.....................................................................40

3.8.2. Понятие нелинейности объекта управления в теории управления............................................41

3.8.3. Проявление нелинейности объекта управления в ветеринарии..................................................41

4. НЕКОТОРЫЕ ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ..................................................42

ЛИТЕРАТУРА ................................................................................................................................................... 45

Введение

Антибактериальные химиотерапевтические препараты, к которым относятся антибиотики и синтетические противомикробные средства, широко применяются в ветеринарии для профилактики и лечения заболеваний, вызываемых микроорганизмами [1]. Антибактериальные средства

можно классифицировать по типу действия и химической структуре [1]. Известно также, что при применении нескольких препаратов в сочетании друг с другом они взаимодействуют внутри организма друг с другом, что может приводить к усилению или ослаблению их действия [2].

По этим причинам представляет научный и практический интерес разработка классификации антибиотиков по их характеристикам и принципу действия (задача 1), а также по их взаимной совместимости (задача 2).

Эти задачи решаются в статье с применением нового метода агломе-ративной когнитивной кластеризации, реализованного в автоматизированном системно-когнитивном анализе (АСК-анализ) [3, 4]. При этом используется интеллектуальная система «Эйдос», представляющая собой программный инструментарий АСК-анализа [5-9]1. Реализация кластеризации в АСК-анализе отличается от известных традиционных тем, что:

а) в нем параметры обобщенного образа кластера вычисляются не как средние от исходных объектов (симптомов) или их центр тяжести, а определяются с помощью той же самой базовой когнитивной операции АСК-анализа, которая применяется и для формирования обобщенных образов классов на основе примеров объектов и которая действительно корректно обеспечивает обобщение;

б) в качестве критерия сходства используется не евклидово расстояние или его варианты, а интегральный критерий неметрической природы: «суммарное количество информации», применение которого теоретически корректно и дает хорошие результаты в неортонормированных пространствах, которые как правило и встречаются на практике;

в) кластерный анализ проводится не на основе исходных переменных, матриц частот или матрицы сходства (различий), зависящих от единиц измерения по осям (измерительным шкалам), а в когнитивном пространстве, в котором по всем осям используется одна единица измерения: количество информации, и поэтому результаты кластеризации не зависят от исходных единиц измерения признаков объектов.

Все это позволяет получить результаты кластеризации, понятные специалистам и поддающиеся содержательной интерпретации, хорошо согласующиеся с оценками экспертов, их опытом и интуитивными ожиданиями, что часто представляет собой проблему для классических методов кластеризации

Применим режим агломеративной когнитивной кластеризации для решения поставленных в данной работе задач.

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

1. Кратко об АСК-анализе и системе «Эйдос»

Об АСК-анализе и системе «Эйдос» есть много информации, представленной в 33 монографиях, 514 статьях, 30 свидетельствах РосПатента и других источниках, доступ к которым можно получить на сайте автора [10]. Обзор АСК-анализа и системы «Эйдос» дан в работе [9]. Математическая модель и основные теоретические понятия АСК-анализа кратко раскрыты в работе [11].

Поэтому в данной работе мы считаем целесообразным привести в упрощенной форме только этапы АСК-анализа, т.к. они по сути представляют собой этапы решения поставленных в работе задач [11]:

1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных.

2. Формализация предметной области, т.е. автоматизированный ввод в систему Эйдос-Х++ исходных данных из Excel-файла с помощью стандартного программного интерфейса системы (разработка классификационных и описательных шкал и градаций и обучающее выборки).

3. Синтез и верификация 3-х статистических и 7 системно-когнитивных моделей.

4. Определение наиболее достоверной модели и придание ей статуса текущей.

5. Решение задач идентификации, диагностики, классификации и прогнозирования.

6. Решение задач поддержки принятия решений.

7. Исследование моделируемой предметной области путем исследования ее модели.

Ниже на простых численных примерах рассмотрим решение поставленных в работе двух задач, давая краткие пояснения по тексту и ссылаясь в необходимых случаях на другие работы, где те или иные вопросы рассмотрены более подробно.

2. Классификация антибиотиков по их характеристикам и принципу действия (задача 1)

2.1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных

На этапе когнитивной структуризации предметной области мы решаем, что будем исследовать и на основе чего. В данном случае мы хотели бы сравнить ветеринарные антибиотики по их характеристикам. В качестве источника исходных данных о характеристиках антибиотиков мы использовали таблицу 1 с сайта [1] http: //zoovetcnab.ru/antibiotiki.

Для удобства ввода в систему «Эйдос» таблица 1 преобразована к виду, представленному в таблице 2:

Колонка классов антибиотиков выделена желтым фоном, правее ее находятся колонки с описанием характеристик антибиотиков.

Таблица 1 - Классификация антибактериальных химиотерапевтических средств _по типу действия и химической структуре

рупии

Подгруппы 1Н

I иинчИьли

II ре^ГГ 1ВНГии

"Гни цейс! Ш1Н

М(Ш1Н1№ Д4'Н1'| ннч

(Г|»р11С1ь кырабшки рс Ш СПП ПАСИ

у мимДи

Содержащие 6(ла-ЖпмнП колз.иа Пешнш линии \ бе мни 1 и: ни цнллна, амикгшшик ш Ьантеришиний Нарушаю! с илтеч КЛСТОЧЛОН СТОПКИ во время деленнм Медленно (к нр продлим бистро)

Цефалосгоршш \ цефаэолмн)

Корйанекемц ( нмнпежм >

Мовпйнтнк {а ггреонам 1

Глн КОЛ ел 711 ли Ьликомыш н

Сщср И) ШКМ »ШЧШК зр А зли щй-ЛИ кон им и К'грсп 10МН1ШИ, гептиш^н) Пав: триостотнческн Д, роке бакторнпндны й Нарушаю) с до тот бока на урон не рибосом Медленно {у стрс:гточ№щнн!1 быстро)

Содержащие 4 истец енрщ ■ II1 ых шести шинных ШШЙ Тстрацикяниы ипщпв«) Медленно

Преияолнш ди окси очн нофс ни ли ропа из Аыфсш шмы (лкюмкцетнк, фторфшш)

Содержащие накроииклн ч ее мое лдктоиное коль и о Мокр ОЛИ ды 1 :]ритроми11Н!1) Медленно (у ►ри 1 рОМ 11111111л -быстро1

ЛИН1сЛ№11|)и Л иМКОМ шиш Быстро

Лисп.4 МНИ мы Р 1!||к1М[1КШ1)1 1-Еарушэюг спш РНК

Полниелтнды ГГолнннкнны (КОЛ МП нн, блдецацж) Бактерицидный МаруШакп фу>1КШ1 к» К".1«ТОЧ11ЫЯ мемора кз Медленно

Пол ■ юы СаЛШЮМЩД! II Ян.гсршиинык

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

Сшшчнчккщ'

С ульфа мшили щам С'у,1ы|»им стоки л Бак тср-»9 статнч (хкнн Н, [руша юг ((«тез РНК Медленно

Д иаи Ни 0111 п41 ии I мы Трнмстопрнм Бакгертйпаттпшй

[ I] 1тро ни н д изо ли Мстронцдито ГТ 1*1итсрнцнлный Нарушают синтез ДНК Очень медленно

Нитроф>раим Фуразопклон

Фгоршнплони Энрофлюксинш

Таблица 2 - Классификация антибактериальных химиотерапевтических средств по типу действия и химической структуре в форме, соответствующей требованиям

системы «Эйдос»

Антибиотик Подгруппы и типичные представители Группа Тип действия Механизм действия Скорость выработки резистентности у микробов Происхождение

Пенициллины (бензилпени-циллин, Пенициллины (бензилпени-циллин, Содержащие бета- лактамное Бактерицидный Нарушают синтез клеточной стенки во Медленно (к природным - быстро) Природные, полусинтетические или синтетические аналоги

амоксициллин) амоксициллин) кольцо время деления природных

Цефалоспори-ны (цефазо-лин) Цефалоспо-рины (цефа-золин) Содержащие бета- лактамное кольцо Бактерицидный Нарушают синтез клеточной стенки во время деления Медленно (к природным - быстро) Природные, полусинтетические или синтетические аналоги природных

Карбапенемы (имипенем) Карбапенемы (имипенем) Содержащие бета- лактамное кольцо Бактерицидный Нарушают синтез клеточной стенки во время деления Медленно (к природным - быстро) Природные, полусинтетические или синтетические аналоги природных

Монобактамы (азтреонам) Монобактамы (азтреонам) Содержащие бета- лактамное кольцо Бактерицидный Нарушают синтез клеточной стенки во время деления Медленно (к природным - быстро) Природные, полусинтетические или синтетические аналоги природных

Ванкомицин Ванкомицин Гликопептиды Бактерицидный Нарушают синтез клеточной стенки во время деления Медленно (к природным - быстро) Природные, полусинтетические или синтетические аналоги природных

Аминогликози-ды (стрептомицин, гента-мицин) Аминоглико-зиды (стрептомицин, ген-тамицин) Содержащие аминосахар Бактриостати-ческий, реже бактерицидный Нарушают синтез белка на уровне рибосом Медленно (у стрептомицина -быстро) Природные, полусинтетические или синтетические аналоги природных

Тетрациклины (доксициклин) Тетрациклины (доксициклин) Содержащие 4 конденсированных ше-стичленных цикла Бактриостати-ческий, реже бактерицидный Нарушают синтез белка на уровне рибосом Медленно Природные, полусинтетические или синтетические аналоги природных

Амфениколы (левомицетин, фторфеникол) Амфениколы (левомицетин, фторфеникол) Производные диоксиамино-фенилпропана Бактриостати-ческий, реже бактерицидный Нарушают синтез белка на уровне рибосом Медленно Природные, полусинтетические или синтетические аналоги природных

Макролиды (эритромицин) Макролиды (эритромицин) Содержащие макроцикли-ческое лак-тонное кольцо Бактриостати-ческий, реже бактерицидный Нарушают синтез белка на уровне рибосом Медленно (у эритромицина -быстро) Природные, полусинтетические или синтетические аналоги природных

Линкомицин Линкомицин Линкозамиды Бактриостати-ческий, реже бактерицидный Нарушают синтез белка на уровне рибосом Быстро Природные, полусинтетические или синтетические аналоги природных

Рифампицин Рифампицин Ансамицины Бактриостати-ческий, реже бактерицидный Нарушают синтез РНК Быстро Природные, полусинтетические или синтетические аналоги природных

Полимиксины (колистин, бацитрацин) Полимиксины (колистин, бацитрацин) Полипептиды Бактерицидный Нарушают функцию клеточных мембран Медленно Природные, полусинтетические или синтетические аналоги природных

Салиномицин Салиномицин Полиэфиры Бактерицидный Нарушают функцию клеточных мембран Медленно Природные, полусинтетические или синтетические аналоги природных

Сульфаметок-сазол Сульфаметок-сазол Сульфаниламиды Бактериоста-тический Нарушают синтез РНК Медленно Синтетические

Триметоприм Триметоприм Диаминопири-мидины Бактериоста-тический Нарушают синтез РНК Медленно Синтетические

Метронидазол Метронидазол Нитроимида-золы Бактерицидный Нарушают синтез ДНК Очень медленно Синтетические

Фуразолидон Фуразолидон Нитрофураны Бактерицидный Нарушают синтез ДНК Очень медленно Синтетические

Энрофлокса-цин Энрофлокса-цин Фторхинолоны Бактерицидный Нарушают синтез ДНК Очень медленно Синтетические

2.2. Формализация предметной области

На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации и с их помощью кодируются исходные данные, в результате чего получается обучающая выборка. В системе «Эйдос» процесс формализации предметной области полностью автоматизирован и реализуется в режиме 2.3.2.2 ():

2.1.2.2. Универсальный программным интерфейс импорта данным в систему 'ЭЙДОС-Х+4

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: '1пр с1аГа

Задайте параметры:

Стандарт XLS-файла

Задайте тип Файла исходных данных: ,-lnp_data'

г" XLSX: MS Excei-2C07(201ti] С DBF DBASE IV (DBF/NTX] Стандарт DBF-файла

С CSV - Comma-Separated Vaiuei Стандарг CSV-файла

(• Нули и пробелы считать ОТСУТСТВИЕМ данных С' Нули и пробепы считать ЗНАЧЕНИЯМИ данных Г Создавать БД средних по классам "inp_.davi.dbf"? Требования к Файлу исходных данных

Задайте диапазон стопбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:

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

Задайте режим:—

Формализации предметной области (на основе "lnp_da;a") Генерации распознаваемой выборки (на основе "lnp_rasp")

—Задайте способ выбора размера интервалов:

(Р. Равные интервалы с разным числом наблюдений Разные интервапы с равным числом наблюдений

Задание параметров формирования сценариев или способа интерпретации текстовых полей "lnp_daia":

ff Не применять сценарный метод АСК-анализа С Применить сценарный метод АСК-анализа

Применить спец.ингерпретацию текстовых полей классов Г~ Применить спец.интерпретацию тексгоьых полей признаков

Параметры интерпретации значений текстовых полек "lnp_dala"!

Интерпретация ТХТ-полей классов

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

Интерпретация ТХТ полей признаков

Значения полей текстовых описательных шкал Файла

исходных данных "lnp__data" рассматриваются как целое

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

5 Только интервальные числовые значения (например: "1 Л-{593?3.0(Ю0000, 178545.666В6Е7}"]

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

С И интервальные числовые значения, и их наименования (например: "Минимальное. Ь'3-{5Э873.0[1ШШ]0,178545. БЕБЕЕБ7}")

Ok

Cancel

Рисунок 1. Экранная форма режима 2.3.2.2 системы «Эйдос» На рисунке 2 приведены требования к файлу исходных данных:

(!) Помощь по режиму 232,2 для случая Excel-файлоа исходных данных

Режим 1.222. Универсальный лншй интерфейс импоста данных из внешней базы данных "lnp_data.xls" в систему 'Эйдос-х+т" и формализации предметной области.

- Данный программный ингерФейс 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 данньми стандарта приведенного ниже.

■ Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_OATA:XLSX и может быть получен в Excel-2003 (2007 ■ 2010), а Файл распознаваемой выборки имя: INP_PASP.XLS или INP_RASP.XLSX. Файлы INF_DATA.XL5 (INP. DATA.XLSX) и INP.RASP.XLS или INF_RASF. XLSX) должны находиться в лапке /А1 DOS -X/Al D_D AT A/I пр._ data/ и имеют совершенно одинаковую структуру.

■ 1 -я строка эт ого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования до пжны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. г. ним еще будут добавляться интервальные числовые или текстовые значения.

■ Каждая строка этого Файла, иачиная со 2:й, содержит данные: об одном объекте обучающей выборки. Если Excel-2003, в писте может быть до Е553Е строк и до 25Е колонок. В листе Ехсе1-2007(20101 возможно до 1 И 57Б строк и 1В 384 колонок.

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

- Столбцу присваивается числовой тип, если все значения его ячеек чис нового типа. Е с пи хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами. ■1-й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

■ Столбцы со 2-го по N-й являются кпассификационными 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 (т.е. значениях Факторов), характеризующих о&ьекгы обучающей выборки.

■ Е! 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. Е! текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное чистовое 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 коды классов, соответствующие фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

■ Распознаваемая выборка Формируется на основе Файла INP.RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные а модели, и базы распознаваемой выборки могут не Екпючатз коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура Файла IN Р_RASP 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 вы&рвд Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й опиеэтэльно* шкалы Наименование 2-й описательной шкалы

1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

2-й объект обучающей выбор™ Значение показателя Значение показателя Значение показателя Значение показателя

...

._I_■

g ж

Рисунок 2. Требования к файлу исходных данных

В результате выполнения данного режима формируются классификационные и описательные шкалы и градации и обучающая выборка (рисунки 3, 4 и 5):

I | а |

^ 2.1, Классификационные шкалы и градации. Текущая модель: "INFI" щ

Код шкалы Наименование классификационной шкалы

Ц ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТ...

<1

Кед градации Наименование грацаиии классификационной шкалы gv 1

1 Пенициллины (бёнзилпенициллин; амоксициллин)

2 ЦеФалоспорины (цефазолин)

3 Карбапенемы (имипенем)

4 Монобакгамы (азгреонам)

'5 Ванкомицин

е Аминогликозицы (стрептомицин, генгамицин)

7 Т еграциклины {доксициклин)

8 АмФениколы (левомицетин, ФгорФеникол)

Э Макролицы [эритромицин)

10 Линкомицин

11 РиФампицин

12 П олимиксины {колисгин, бациграцин]

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

т.з Салиномицин

14 СульФамегоксазол

15 Триметоприм

16 Мегрониаазол

17 Фуразолидон

18 ЗнроФлоксацин

Л

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

Рисунок 3. Классификационные шкалы и градации

2.2. Описательные шкалы и градации. Текущая модель: INFI" .

2 ТИП ДЕЙСТВИЯ

3 МЕХАНИЗМ ДЕЙСТВИЯ

4 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТ...

5 ПРОИСХОЖДЕНИЕ

<1 1

Коц грацации Наименование градации описательной шкалы

1 Ансамицины

2 Гликопепгиды

3 Диаминопиримидины

4 Линкозамиды

5 Нигроимидазолы

6 Нигрофураны

7 Полипегттиды

8 Полиэфиры

8 П роизводные диоксиаминофенилпропана

10 Содержащие 4 конденсированных шестичленных цикла

11 Содержащие аминосахар

12 Содержащие бета-лактамное кольцо

13 Содержащие макроциклическое лактонное кольцо

14 Сульфаниламиды

15 Фторхинолоны

«I I И

Помощь Доб. шкалу Доб. град, шкалы Копир, шкалу Копир, град, шкалы Копир, шкалу с град. Удал, шкалу с град. Удал. град, шкалы П ерекодировать Очистить

Рисунок 4. Описательные шкалы и градации

2.4, Просмотр эвектологических баз данных [баз событий). Текущая модель; 'TNFl":M а.

Ii

1 Наименование объекта 2: ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ... а ГРУППА -4, ТЙП ДЕЙСТВИЯ : ДЕЙСТВИЯ 6. СКОРОСТЬ-ВЫРАБОТКИ. РЕЭ1СТЕЙЩ'Ш ■У МИКРОЕИВ 7. ПРОИСХОЖДЕ...

В Пенициллины (бензилпенициллин, амоксициллин)... 1 12 21 26 30

г ЦеФалоспорины (цеФазолин) 2 12 21 26 30

3 Карбапенемы (имипенем) 3 12 21 26 30

4 Монобактамы (азтреонам) 4 12 21 26 30

5 Ванкомицин 5 2 21 2£ 30

е Аминогликозиды (стрептомицин, гентамицин) 6 11 И 19 27 30

7 Теграциклины [доксициклин) 7 10 iE 19 25 30

¡1 Амфениколы [левомицетин, ФторФеникол) 8 9 1S 19 25 30

9 Макролиды [эритромицин) 9 13 18 19 2В 30

10 Линкомицин 10 4 IE 19 24 30

11 Рифампицин 11 1 IS 22 24 30

%2 П олимиксины (ко листин, бацитрацин) 12 7 17 23 25 30

13 Салиномицин 13 8 17 23 25 30

14 Пи лмЪ дмягпк п дяп л 1 д и Ii 1-i 31

II ° * > 4 * 1 -

1 Г

_ _ _ J

Рисунок 5. Обучающая выборка (фрагмент)

Обучающая выборка по сути представляет собой нормализованную с помощью классификационных и описательных шкал и градаций базу исходных данных.

2.3. Синтез и верификация статистических и системно-когнитивных моделей

Синтез и верификация моделей осуществляется в режиме 3.5 (рисунок бу._

3,5, Выбор моделей для синтеза и верификации

•Задайте модели для синтеза и верификации Статистические базы:

IJ7 -1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки

2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса IJ7 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):

4 INFI

Ol INF2

G INF3

7 INF4

8 INF5

в э INF6

10.INF7

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

—Параметры копирования обучающей выборки в распознаваемую:

Какие объекты обуч. выборки копировать:

(* Копировать всю обучающую выборку

С Копировать только текущий объект

С Копировать каждый М-й объект

С Копировать N случайных объектов

С Копировать все объекты от N1 до N2

С Вообще не менять распознаваемую выборку

~ ПqяcнjHl^ пojлгopитмy вepификaцииj -

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

Подробнее

■ IЩ | Щ -I

Измеряется внутренняя достоверн. модели

Текущая модель

Г 1. ABS

Г 2. PFIC1

Г 3. PRC2

[Г 4. INFI

г 5. INF2

Г G. INF3

г 7. INF4

г 8..INF5

г 3. INFS

г 10.INF7

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

Рисунок 6. Экранная форма режима синтеза и верификации моделей

Ниже на рисунке 7 приведены фрагменты созданных системно-когнитивных моделей ABS, INF1 и INF3:

^ 5.5. Модель: "1. ABS - частный критерий: количество встреч сочетаний: 'Класс-признак" у объектов обуч.еыборк-/ ^

I ° Iв l^sj

tö 5.5. Модель: "4. INFI - частный крит

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

1

Код Наименование описательной 1: ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВ И... ПЕНИЦИЛЛИ.. (БЕНЗИЛПЕН.. АМОКСИЦИЛ... 2; ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... НЕФАЛОСПО... (НЕФАЗОЛИН) 3. ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... КАРБАПЕНЕ... (ИМИПЕНЕМ) ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... МО НО Б АКТА.. (АЗТРЕОНАМ) :5. ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... БАНКОМИНИН 6. ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... АМИНОГЛИК... (CT РЕП ТОМИ... ГЕНТАМИЦИН) 7. ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... ТЕТРАЦИКЛ... [ДОКСИЦИКЛ... 8: ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... АМФЕНИКОЛ... (ЛЕВОМИЦЕТ... ФТОРФЕНИ... 9: ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... МАКРОЛИДЫ (Э РИТ РОМ И Ц.. ТО. ПОДГРУППЫ ТИПИЧНЫЕ ПРЕДСТАВИ... ЛИНКОМИЦИН 11." ПОДГРУППЫ и ТИПИЧНЫЕ ПРЕДСТАВИ... РИФАМПИЦИН Т2: ПОДГР!: и THnH4i ПРЕДО ПОЛИМ (К.ОЛИС БАЦИТЕ

11 ГРУП ПА-Содержащие аминооахар г.бте

12 ГРУП ПА-Содержащие бета-лактамное кольцо ... 1.394 1.394 1.394 1.394

ГРУППА-Содержащие макроциклическое лакт... 2.678

14 ГРУП ПА-СульФаниламиаы

15 ГРУ П ПА-Фторхинолоны

16 ТИП ДЕЙСТВИЯ-Бактериостатический

17 ТИП ДЕЙСТВИЯ-Бактерицидный 0.545 0.545 0.545 0.545 0.545

18 ТИП ДЕЙСТВИЯ-Бактриостзтический. реже ба... 1.016 1.018 1.016 1.018 1.018 1.018

19 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез бел... 1.187 1.187 1.187 1.187 1.187

20 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез ДН...

21 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез кле... 1.1В7 1.107 1.107 1.107 1.187

22 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез РНК... 1.660

23 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают Функцию кл...

24 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... 2.036 2.036

25 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... 1.018 1.01Е

26 'СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... 1.187 1.187 1.187 1.187 1.187

27 .СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... г.бте

28 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... 2.678

29 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ... -

ф 5.5. Модель: "6, INF3 -

й критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами"

ТРУП ПА-Содержащие бета-л« ГРУППА-Содержащие макроциклическое Л{ ТРУП ПА-СульФаниламиаы ГРУППА-Фторхинолоны ТИП ДЕИСТВИЯ-Бактериост этический ТИП ДЕЙСТВИЯ -Бактерицидный ТИП ДЕЙСТВИЯ-Бактриостзтический, реже ба. МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез бел. МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез ДН.. МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез кле.. МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез РНК МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают функцию кл СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ .. СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ .. СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ .. СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ .. СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ .. СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ ..

Рисунок 7. Фрагменты созданных системно-когнитивных моделей:

ABS, INFI и INF3

Описание этих моделей приведено в работе [14].

2.4. Определение наиболее достоверной модели и придание ей статуса текущей

В режиме 4.1.3.6 мы видим, что наиболее достоверной по критерию Ь2 является модель ШБ4 с интегральным критерием «Сумма знаний» (рисунок 8):_

| <f) 4.1.3.6. Обобш,форма по достов.моделей при разн.инт.крит. Текущая модель: "INFl"*-^^^-* . 31

Наименование модели Интегральный критерий Ней схо.., уровней схо... HHÜISFP) решений (SF... ■S-Точнооть ш LI -мера Е.В, Луценко Средний Модуль Средний Модуль Средний модуль уровней сходс... решений- А-1очность А-ПолНота APrecision , ARecall =АТР/(АТР... -ATP/IATP... L^Mepa1 Е-. В. Луценко -

1. ABS - частный критерий: количество встреч сочетаний: "клас... j Корреляция абс.частот с обр.... 54.862 0.247 1.000 0.396 1.000 0.231 0.192 0.813 1.000 0.897

1. ABS - частный критерий: количество встреч сочетаний: "клас... . Сумма абс. частот по признак- 84.400 0.176 1.000 0,299 1.000 0.355 0.738 1.000 0.849

2.PRC1 - частный критерий: : усл. вероятность 1-го признака сред... Корреляция ус Л.ОТН. частот с о... 54.S62 0.247 1.000 0.396 1.000 0.231 0.192 0.813 1.000 0.897

2. PRC1 - частный критерий: : я сл. вероятность i-ro признака сред... Сумма усл. отн. част от по приз... 84.400 0.176 1.000 0.299 1.000 0.355 0.738 1.000 0.849

3. PRC2 - частный критерий: : условная вероятность i-ro признака... Корреляция усл.«гн. частот е о... 54.862 0.247 1.000 0.396 1.000 0.231 0.192 0.813 1.000 0.897

3.PRC2-частный критерий: : условная вероятность i-го признака... Сумма услотчастот по приз... 84.400 0.176 1.000 0.299 1.000 0.355 0.738 1.000 0.849

4. INFI - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 27.139 0.380 1.000 0.551 0.925 0.323 0.117 0.741 1.000 0.851

4. INFI - частный критерий: количеств» знаний по АХаркевичу; в... Сумма знаний 36.240 0.280 1.000 0.437 0.783 0.152 0.837 1.000 0.911

5. INF2- частный критерий: количество знаний по Д.Харкевичу; в... Семантический резонанс зна... 27.139 о.зео 1.000 0.551 0.925 0.323 0.117 0.741 1.000 0.851

5. INF2- частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 36.240 0.280 1.000 0.437 0.783 0.152 0.837 1.000 0.911

6. INF3 - частный критерий: Хи-квадрат, разности между фактич... Семантический резонанс зна... 37.162 0.325 1.000 0.490 0.993 0.387 0.244 0.719 1.000 0.837

ß. INF3- частный критерий:Хи-квадрат, разности между Фактич... Сумма знаний 30.062 0.335 1.000 0.502 0.843 0.313 0.216 0.729 1.000 0.843

7. INF4- частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна.:. 18.32-3 0.453 1.000 0.624 0.844 0.416 0.12-3 0.670 1.000 0.802 !

7. INF4- частный критерий: ROI (Return On Investment]; вероятно... Сумма знаний ' 16.117 0.422 1.000 0.594. 0.667 0.069 0.906 1.000

8. INF5- частный Критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна.. lg. 323 0.453 1.000 0.624 Щ 0.844 0.416 0.123 0.670 1.000 0.802

8, INF5- частный критерий: ROI (Return On Investment]; вероятно... Сумма знаний 16.417 0.422 1.000 0.594 0.667 0.069 0.906 1.000 0.951

9. INF6- частный критерий: разн.уел. и безуел. вероятностей; вер... Семантический резонанс зна... 36.529 0.320 1.000 0.485 0.956 0.304 0.110 0.759 1.000 0.863

Э. INF6- частный критерий: разн.усл. и безус л. вероятностей; вер... Сумма знаний 51.973 0.226 1.000 0.369 0.843 0.218 0.794 1.000 0.885

10.INF7 - частный критерий: разн.усл.м безусл.вероятностей; ве... Семантический резонанс зна... 36.529 0.320 1.000 0.485 0.956 0.304 0.110 0.759 1.000 0.863

10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; ве... Сумма знаний 51.973 0.226 1.000 0.369 0.843 0.218 0.794 1.000 0.885

i | 1 >

Помощь |

Рисунок 8. экранная форма результатов верификации моделей

На в работе [12] рисунке 9 приведено описание различных мер достоверности моделей, в настоящее время применяемых в системе «Эйдос»:

......

t*) Помощь по режимам: 4,1,3.6,4.1.3.7,4,1,3.8,4,1,3,10; Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х*-

.1.3.6,4.1.3.7,4.1.3.8, 4.1.3.10: Виды ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Предположим, модель дает такой прогноз: выпадет 1.2.3. не отнесенного к тома классу, к которому будет отнесено к классам, к которым они i бесполезен, поэтому он и назван мной псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Представим себе, что мы выбрасываем кубик с 6 граням! модель дает ошибку в прогнозе в том п/ что предсказано, поэтому такого рода предсказания хорошо оправдываются 100% достоверность не идентификации, но очень низкая достоверность ИДЕАЛЬНЫЙ ПРОГНОЗ. Если в случае с кубиком мы прогнозируем, чтс если он осуществляется. 100% достоверность прогнозирования, на практике цдается получить крайне редко и обычно мь РЕАЛЬНЫЙ ПРОГНОЗ.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза.

»к идеальный прогноз, а оставляет некоторую неопределенность

моделей в системе 'Эйдос-Х+

случае у нее будет 100% достоверность in этом будет очень большая ошибка поя

прогнозируем, что не вып Идеальный прогноз, который дело с реальным прогнозом.

идентификации], fli

зт неопределенность о будущем

гт3.4

1И 6. По1-

и 2. Поэтому ■ix вариантов.'

прогноз его поведения, а тысячи. Тогда мс

прогнозуменьшает неопределенность о будущем состоянии объекта прогнозирования, н е снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2. и, акой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. будет определенная ошибка идентификации. Соответственно, если не осуществится один или ошибка не идентификации, т.к. это не прогнозировалось моделью. Теперь представите себе, что у Вас не 1 кубик и средневзвешенные характеристики всех эти* видов прогнозов.

Таким образом.

1и просуммировать Чк

тем разделить на число •ь объекты к классам, которым они относятся, так и ее способность верно не ie 'Эйдос" проФ. Е.В. Луценко в 1ЭЭ4 году. Эта мера достоверности LI = [ TP + TN - FP ■ FN ] / (TP + TN + FP ♦ FN ) (нормировка: {-1 ,*1)) L2 = (1 + (TP + TN - FP - FN ] / (TP + TN t FP + FN ]) / 2 [нормировка: {0.1})

объектов и вычесть число ошибочно щ критерий качества модели (классификатора), учитывающий как ее способность be t тем классам, к которым »

Этот критерий предложен и

.ешений; FP- лс ярко-годубым Фоном):

TP • истино-положительных решений; TN • i

Классическая F-мера достоверности моделей Ван Ризберг F-mera = 2*(Precision*R ecall)/(Piecisiori+R ecall) Precision = TP/IT P+FPH Recall = ТРДТР+FN] ■ i

И-мера проф. Е.В. Луценко - нечеткое мультиклассовое обобщение LI -mera =2"(S Precisioni-S R ecallV (S Precision+SR ecall] SPreciiion = S TP/[STP+SFP) ■ точность с учетом сумм уровней SRecall = STP/(STP+SFN] - полнота с учетом сумм уро STP - Сумма модулей сходства истино-положительных решений; STN - Сумма модулей сходства SFP ■ Сумма модулей сходства ложно-положительных решений; SFN • Сумма модулей

F-меры с учетом СУММ уровней

[колонка вьделена ярко-

ю-отрицэтельных решений;

F-меры с учетом СРЕДНИХ уровней

L2-Mepa проФ.Е.В. Луценко - нечеткое мультиклассовое обобщение L2-mera = 2i(APiecision!'ARecal|)/(APiecisiorHÄRecalO APreciiion = ATP/[ATP+AFP) ■ точность с учетом средних уровней ARecall = ATPV(ATP+AFN) - полнота с учетом средних уровней сходства;

ATP=STP/TP • Сроднее модулей сходства истино-положительных решений; AFN=S FN/FN • Среднее модулей AFP=SFP/FP - Сроднее модулей сходства ложно-положительных решений; AFN=S FN/FN - Среднее модулей

га-отрицательных решении.

Строки с

F-меры, L1 -меры и L2-Mepbi

а. соответствующего кс

Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей и системе 'Эйдос" / Е.В.. Луценко И Полигеметический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]: - Краснодар: КубГАУ. 2017. - N=02(126). С. 1 - 32. - IDA [article ID]: 12S1702001. - Режим доступа: http:iYej.kubagro.ru/2017/Q2/pdf/01 .pdf, 2 у. п. л.

Рисунок 9. Описание используемых в системе «Эйдос» метрик достоверности

Видно, что достоверность модели довольно высока: 0,951 (при максимуме 1). Из рисунка 10 видно, что_

{*) 4.1.3,11. Част.распр.ур.сх.: TP,TN,FP,FN реш.в модели: 7. INF4 инт.крит.-сумма знаний [д. | ^-[Ь^ЗмдГ

Част.распр.ур.сх.решений в модели: 7. INF4 инт.крит.-сумма знаний Приложение: "АСК-анализ антибактериальных средств по их характеристикам."

_____«

42

11

Mi

рггЛ

14 1 ^|ддЛ а хЛ А А Л А /

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

_ ■ ' '"»ft_IW\ 1\_¿1_J.1_л л л_а

-100 -90 -80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 ВО 70 80 90 100

Част.распр.ур.сх.ложно-положительных решений: (FP) - Част.распр.ур:сн.истинно-положительных решений: (TP)

- Част.распр.ур. ex. ложно-отрицательных решений: (FN) Чаот.распр.ур.сн.истинно-огрицательных решений: (TN)

Рисунок 10. Частное распределение уровней сходства лонных и истинных, положительных и отрицательных решений в наиболее достоверной модели с интегральным критерием «Сумма знаний»

Из рисунка 10 видно, что чем выше уровень сходства, тем меньше ложно-положительных решений и при уровне сходства выше 60% их вообще нет, т.е. все положительные решения истинные.

Поэтому придадим системно-когнитивной модели INF4 статус текущей модели (рисунок 11): f-=—

5.6. Выбрать модель и сделать ее текущей

Задайте текущую, стат. модель или модель знаний Статистические базы:

С 1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки С 2. PRC1 - частный критерий: усл. вероятность i-no признака среди признаков объектов j-го класса Г 3. PFIC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:

Г 4. IISJF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 С 5. INF2 ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 С 6. INF3 ■ частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами i* 17. ¡NF4 ■ частный критерий: RÖi (Return On Investment]; вероятности из PRCIj С 8. INF5 - частный критерий: ROI [Return On Investment); вероятности из PRC2 С Э. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 С 1 Ü.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

г— Как задавать параметры синтеза Моделей-

В качестве текущей можно задать любую из ранее расчитанных в режимах 3.1,3.2,3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых в системе '9йдос-Х++" раскрыт в публикациях, размещенных по адресам: http://Ic.kubagro.ru/aidos/index.htm, http://www.twirpx.com/file/793311 /

Ok I Cancel

Рисунок 11. Экранная форма режима 5.6 придания модели статуса текущей

2.5. Решение задач идентификации, диагностики, классификации и прогнозирования

Для решения задачи идентификации запустим режим 4.1.2 (рисунки 12, 13,14):

Ф 4.1.2. Пакетное распознавание, 1е*^щая модель:

Стадии исполнения процесса

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ 'ЧМР-Г" 1/11: Распознавание (идентификация) 18-го объекта обучающей выборки из 1 Й- Готово 2/11: Исследование распределений уровней-сходства верно и ошиб идент.объектов- Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит.- Готово ■4/11 ■ Создание подробной наглядной формы: "Объект-классы". Ин г крит.-корреляция- Готово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит-сумма инф - Готово 6/1 г Создание итоговой наглядной формы: "Объект-класс". Инт.крит-корреляция- Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма инф - Готово 3/11 ■ Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-коррепяция- Готово 9/11: Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф' ■ Готово 10/1"! Создание итоговой наглядной формьг "Класснзбъекты". Инт.крит.-корреляция- Готово 11/11: Создание итоговой наглядной формы "Класс^объекты". Инт.крит.-сумма инф - Готово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !

■ Прогноз времени исполнен.-^

Начало: 08:22:35 Окончание: 8:22:3?

1Ш:'.

0к

Прошло: 0:00:01

Осталось: 0:00:00

Рисунок 12. Экранная форма режима пакетного распознавания

Г С) 4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-классьГ, Текущая модель: "1^4" ^ 1 = | ¡Й |ыюи1;

1- 1

Распознаваемые объекты I Интегральный критерий сходства: '.Тематический резонанс знаний"

II я* Наим. объекта Л | Код Наименование класса СХОДСТВО Ф... 1 Сходство *

1 Пенициллины (бензилпениц... ■ ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСРАВИТЩИ-Ванкомицин ... 67.71...

г Цефалоспорины (цефазоли... 1 П0ДГРУППЫИ ТИПИЧНЫ^ ПРЕДСТАВИТЕЛИ-Пенициллин.. 57,7Й...

3 Карбапенемы [имипенем) ... 2 ПОдМйаС И. ТИПИЧНЫЕ ПРЕДСТАВЙТЕЯЙ-Цефалоспор 57.78 -

4 Монобактамы (азтреонам) ... 3 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕ ДСТАВИТЕЛИЧйрбапенем... 57,78..:

5 Ванкомицин 4 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Монобактам... 57,78...

е Аминогликозиды (стрептом... 12 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-П.олимйймн... -10,76...

7 Тетрациклины (доксицикли... 13 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Салиномици... -10,76..: и

8 Амфениколы (левомицетин,... 7 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Тетрациклин... .ЦЩ ■и

9 М а к рол иды (эритромицин] ... 8 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-АмФениколы.. -1Я03,.. мл -

10 Линкомицин !

11 Рифампицин Интегральный критерий сходства: "Сумма знаний

12 Полимиксины (колистин, ба... Код Н ¿именование класса Сходства Ф... 1 Сходство *

13 Салнномнцин ■ ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Ванкомидин ... 58,8(„. V

14 Сульфаметоксазол 1 МЩГРУЩВД ТИПИЧНЫ^ ПРЕДОТАВИТЕЛИ-Пенициллин 16,37

15 Триметоприм 2 ПОДГРУППЫ И ТИПИЧНЫЕ П РЕ ДСТАВ ЙТЕ Л Й -Ц еФалоспор.. 16,37.:: —

16 Метронидазол % ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л 14:К^рйапенен 16;37

17 Фуразолидон 4 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Монобактам... 1'£37... ШЛЯ

18 Энрофлоксацин 12 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Полимиксин... 3,038... .11

13 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Салиномици... 3,038.-.:

16 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕ ДСТАВИТЕЛИМетронидазо.. 2,052',.: 1

ж 17 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Фуразолидо... 2,052:.. 1 ж

•I < 'Г *

| Помощь | 9 классов | Классы с МахМот УрСх | 9 классов с МахМЬ УрСх ВСЕ классы ВКЛ. Фильтр по класс.шкале ; РЫКЛ.Фи^грг по класс, шкале Граф диаграмма 1

III--Я

Рисунок 13. Экранная форма режима пакетного распознавания

Рисунок 14. Экранная форма режима пакетного распознавания

2.6. Решение задач поддержки принятия решений

В АСК-анализе есть две метафоры (способа интерпретации) классификационных и описательных шкал и градаций: статичная и динамичная.

В статичной метафоре градации классификационных шкал рассматриваются как группы объектов (классы), описательные шкалы рассматриваются как свойства объектов, а градации описательных шкал как степень выраженности этих свойств (признаки).

Например: люди могут быть молодые, среднего возраста и старые (классы). У них есть свойство: «Вес», которое имеет разную степень выраженности: измеряемую в килограммах.

В динамичной метафоре градации классификационных шкал (классы) представляют собой прошлые, текущие и будущие состояния объекта управления, как желательные (целевые), так и нежелательные, описательные шкалы представляют собой факторы, воздействующие на объект управления, а градации - значения этих факторов. Классификационные шкалы позволяют описывать различные аспекты объекта управления, давать его количественную и качественную характеристику как в натуральном, так и в стоимостном выражении.

Задача поддержки принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы значениям факторов определяем будущее поведение объекта управления, то при принятии решений наоборот, по заданному будущему целевому состоянию объекта управления определяем значения факторов, с наибольшей силой способствующие и препятствующие переходу объекта управления в это целевое состояние.

Если говорить о задаче классификации медицинских препаратов по их характеристикам, то задача поддержки принятия решений позволяет дать их SWOT-характеристику, т.е. описать не просто наличие тех или иных признаков, но и указать как наиболее характерные, так и наиболее нехарактерные из них с количественной оценкой степени характерности и не характерности (рисунок 15)._

11 ^

4.4.8. Количественный автоматизированный ЗУУОТ-анализ классов средствами АСК-анализа в системе "Эйдос

Выбор класса, соответствующего будущему состоянию объекта управления

Код I Наименование Класса Редукция к лас... I N объектов (абс. I Ы объектов [X)

1 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Пенициллины (бензилпенициллин, амоксициллин] ... 0,8832918 с 0,0000000

2 ПО ДГРУ ППЫИТИПИЧНЫЕП РЕ ДСТАВ И Т Е Л И -И еФалоспорины (цеФазолин) 0.8832918 р 0,0000000

3 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Карбапенемы (имипенем) 0,8832918 р 0,0000000

4 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Монобактамы (азгреонам) 0,8832918 с 0,0000000

5 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Ванкомицин 3,0858168 с 0,0000000

В

3\ТОТ-анализ класса:5 "ПОДГРУППЫ И ТИПИЧНЫЕ П РЕДСТАВИТЕЛИ-Ванкомицин" в модели:6 "Ш1=3" Способствующие факторы и сила их влияния

Код Наименование фактора и его интервального значения Сила влияния

2 ГРУ П П А-Гликопепгиды 0.944

21 МЕХАНИЗМ ДЕЙСТВ И Я-Нарушают синтез клегочн... 0.722

26 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИ... 0.722

17 ТИП ДЕЙСТВ И Я-Бактерицидный 0.444

30 ПРО И СХОЖДЕНИЕ-П риродные, полусинтетически... 0.278

СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИ... -0 333

18 ТИП ДЕИСТВИЯ-Бактриостатический, реже бактер... -0 333

31 П РО И СХОЖ ДЕ Н И Е-Синтетические -Q 278

18 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушаюг синтез белка н... -0 278

12 ГРУППА-Содержащие бета-лактамное кольцо -0 222

28 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИ... -0 167

22 М ЕХ4Н И ЗМ ДЕ Й СТ В И Я -Нарушают синтез РН К -0 167

20 М ЕХ^Н И ЗМ ДЕ Й СТ В И Я -Нарушают синтез ДН К ... -0 167

24 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИ... -0 111

23 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушаюг Функцию клегоч... -0 111

16 ТИП ДЕЙСТВИЯ-Бактериостатический -Q 111

28 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИ... -0 056

►

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

Помощь

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

АЬ5 Ргс1 Ргс2 Infi Inf 2 Inf: Inf 4 Inf5 Inf 6 \Ы7

Нейрон

SW0T-диаграмма

Интегральная когнитивная карта

10

зссов средствами АСК-анализа. (С) Универсальная ко

SWOT-ДИАГРАММА КЛАССА: "[5] ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-ВАНКОМИЦИН" В МОДЕЛИ: "1^3"

Приложение: "АСК-анализ антибактериальных средств по их характеристикам" Шкала: [1] ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ Класс: [5] Ванкомицин

СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:

ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-31 СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ:

Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта упраЕ Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управ

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-31

Форма создана: 28.06.2018-08:37:02 1И КРАСНОГО цвета. Толщина линии отражает степень вл и СИНЕГО цвета. Толщина линии отражает степень влия)

Рисунок 15. SWOT-характеристика конкретного антибиотика в модели

Причем эти количественные оценки даются с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно на основе экспертных оценок неформа-лизуемым путем на основе опыта, интуиции и профессиональной компетенции. Не характерность не означает отсутствия свойства, а означает, что его вероятность встречи у данного антибиотика ниже, чем в среднем.

Аналогично можно получить SWOT-характеристики других антибиотиков. В данной работе они не приводятся только из-за ограничения на ее объем.

2.7. Исследование моделируемой предметной области путем исследования ее модели

Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта. В системе «Эйдос» есть довольно много возможностей для этого. Но мы рассмотрим только результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети и когнитивные функции.

2.7.1. Когнитивные диаграммы классов

Эти диаграммы отражают сходство/различие классов. Мы получаем в режимах 4.2.2.1 и (рисунок 16) и 4.2.2.2 (рисунок 17):

4.2,2,1, Раснет матриц схолст&э кластеров I/ конструкте в niaccoa

Задаче коцепи, для которым проводить кластер™ конструктивный анализ: Статистические базы

Г7 1. AßS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.зыборки

2. PRC1 - частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса Г7 3. PRC2 - частный KpLfrepnS: условная вероятность ¡ го признака у объектов ¡-го класса базы знаний:

4-, INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC! 17 5. INF2 - частный кркгтерий: количество знаний по А.Харкевичу; вероятности из PRC2 Г7 6. INF3 - частный критерийЛи-кваарат, разности между Фактическими и ожидаемыми абс. частотами 17 7. INF4 - частный Kpi-гтерий: RGi (Return Ün Investment); вероятности из PR CI 17 S. INF5 - частный критерий: RGI (Return Ün Investment); вероятности из PRC2 V 9. INF6 - частный Kpi-гтерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 П Ü.INF7 - частный критерий: разн.усл.и £езуел. вероятностей; вероятности из РЯСЙ

Задайте диапазон кодов классов (подматрицу) для анализа: ^

Ük Cancel

Рисунок 16. Экранная форма расчета матриц сходства классов в разных моделях

(*) 4.2.2.2. Результаты кластерно-констру!

(С) Универсальная

система "Эйдос-Х*--

СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ КЛАССА: [5]-ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Ванкомицин Приложение: АСК-анализ антибактериальных средств по их характеристикам

живаз Диапазон кодов классов: 1-18

__Уровень сходства не менее: 0%

Число отображаемых классов: 12 С пособ выборки классов: МАХ и MIN ур.ск. Дата и время создания формы: 28.06,2018-20:07:49

Сходством различие между классами по их признакам (градациям факторов, системе детерминации):

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

4.2.2.2. Результаты кластерно-конструктиеног

(С) Универсальная

система "Эйдос-Х*--

СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ КЛАССА: [5]-ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Ванкомицин Приложение: АСК-анализ антибактериальных средств по их характеристикам

Диапазон кодов классов: 1-18 У рове н ь сходст в а н е м ен е е: 20% Число отображаемых классов: 33 С пособ выборки классов: МАХ и MIN ур.ск. Дата и время создания формы: 28.06,2018-20:10:45

Сходство и различие между классами по их признакам (градациям факторов, системе детерминации):

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

Рисунок 17. Когнитивная диаграмма классов (антибиотиков) и конструкт с полюсом: «Ванкомицин»

На 1-й когнитивной диаграмме показаны все связи между классами, а на второй только больше по модулю чем 20%.

Отметим, что на когнитивных диаграммах, приведенных на рисунке 16, приведены количественные оценки сходства/различия классов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

2.7.2. Агломеративная когнитивная кластеризация классов

Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, примеры которых приведены на рисунке 16, но и в форме денд-рограмм, полученных в результате когнитивной кластеризации [16, 17] (рисунок 18):_

Рисунок 18. Дендрограмма когнитивной кластеризации классов и график изменения межкластерных расстояний

2.7.3. Когнитивные диаграммы признаков

Эти диаграммы отражают сходство/различие признаков. Мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 19):_

4.3.2.2. Результаты кластерно-конструктивного анализа признаков признаков. (С) Универсальная

СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ ПРИЗНАКА: [30]-ПРОИСХОЖДЕНИЕ-Природные, полусинтетические или синтетические аналоги природных Приложение: АСК-анализ антибактериальных средств по их характеристикам

Диапазон кодов признаков: 1 -31 Уровень сходства не менее: 20% Число отображаемых признаков:! 2 С пособ выборвсн классов: МАХ и М1М ур.сх. Дата и время создания формы: 28.06.2018-21:59:35

Сходство и различие между признаками по их признакам (градациям факторов, системе детерминации):

^ СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства,

РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

вНИ

4.3.2.2. Результаты кластерно-конструктивного анализа признаков признаков. (С) Универсальная

СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ ПРИЗНАКА: [ЭО]-ПРОИСХОЖДЕНИЕ-Природные, полусинтетические или синтетические аналоги природных Приложение: АСК-анализ антибактериальных средств по их характеристикам

и у микробо Диапазон кодов признаков: 1-31 Уровень сходства не менее: 20% Число отображаемых признаке в: 9 9 С пособ выборки классов: МАХ и М1М ур.сх. Дата и время создания формы: 28.06.2018-22:00:2

Сходство и различие между признаками по их признакам (градациям факторов, системе детерминации):

СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства, РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

Рисунок 19. Когнитивная диаграмма признаков антибиотиков и конструкт с полюсом: «Природные...»

На 1-й когнитивной диаграмме показаны все связи между признаками, а на второй только больше по модулю чем 20%.

Отметим, что на когнитивных диаграммах, приведенных на рисунке 19, приведены количественные оценки сходства/различия признаков, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

2.7.4. Агломеративная когнитивная кластеризация признаков

Информация о сходстве/различии признаков, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, примеры которых приведены на рисунке 19, но и в форме денд-рограмм, полученных в результате когнитивной кластеризации [16, 17] (рисунок 20):_

Рисунок 20. Дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний

2.7.5. Нелокальные нейроны и нелокальные нейронные сети

Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [20] и фреймовой моделей представления знаний.

Классы нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).

На рисунках 21 и 22 приведены примеры нелокального нейрона и фрагмента однослойной нейронной сети:

4.4.10.Грв(|мческое отображение нелоквлвных нейронов Е системе "ЭСгдос"

Выбор нелокального нейрона (класса) для визуализации

1 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Пенициллины (бензилпенициллин.амоксициллий)

ПОДГРУППЫ И'ТИМЧНЫЕ ЯНШдавИТЕЛИ-ЦеФалоспорины (цефазолин) ПОДГРУППЫ.Й ТИПИЧНЫЕ ЛРЕДСТАВИТЕЛИ-Карбапенемы (имйпмем).

ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Монобактамь; (азгреонам) ПОДГРУППЫ Й ТИПИЧНЫЕ ЙРЕ'ДСТАВИТЕЛИ-Аминогликрз1яы (стрептомицин, гентамицин)

ПО ДГРУППЫ,ИТЙЩЧНЫЕ ШЕдрТАВИ Т Е Л И-Т етрацикяины.йсксйци.клин] ПОДГРУППЫ И ТИПИЧНЫЕ П РЕ ДСТАВ И Т Е Л И-Амфенмколы (левомицегин, ФторФеникол)

Подготовка визуализации нейрона:5 "ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДеТАВИТЕЛИ-Ванхомицин" в модел

АКТИВИРУЮЩИЕ рецепторы и сила их влияния ТОРМОЗЯЩИЕ рецепторы и сила их влияния

Код Наименование Фактора 1+ его интйрв.&льноиз значения Сила ЕЛИЯНИЯ

г ГРУППАТликопегттщы 0.944

21 МЕХАНИЗМ ДЕЙСТ ВИЯ-Нарушают синтез клеточной сте... 0.722

26 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИКРОБ .. 0.722

17 ТИП ДЕЙСТВИЯ-Вактврицшный 0.444

Ш ПШЙ СХОЖ ДЕ Н И Е -П рирщные. полусинтетические или-с 0..27Е

ЁК:Л,1ЙЧ.ИТЬ фильтр по'фактору

Фильтр по Фактору

Наименование Фактора й его интервального значения

.СКОРОСТЬВЫРАБОТКИ РЕЗИСТЕНТНОСТИ.У МИКРОБ..

18 ТИП ДЕ ЙСТ.В И Я -Б бактеридьйн ■

22

П РО.ИСХфК ДЕН И Е Синтетйчё.скиё;.

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

МЕХАНИЗМ ДЕЙЕТВИЯ-Нарушают синтез белка на уровн..

^ЧППА-Соцержащие бета-лактамное K:->iiHi.f[

СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ-У МИКРОБ .

МЕХАНИЗМ ДЕ ЙС!Г В И Я -Нарушают ЩШ, РНК

20 МЕХАНИЗМ ДЕЙЕТВИЯ-Нарушают синтез ДНК

НЕЙРОН

Максимальное, количество отображаемы* рецепторов: МйИ1^!алвНЫй.в<ес.коЗФФ. отображаемый рецепторов:

.1

ВКЛЮЧИТЬ фильтр по фактору ВЫКЛЮЧИТЬ фильтр по фактору

(* по информативности по модулю информативности (* с наименованиями Г" только с кодами

НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"

Нейрон: [5]-ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Ванкомицин Приложение: АСК-анализ антибактериальных средств по их характеристикам

водные^иокси* аминофенилпр

Рисунок 21. Пример нелокального нейрона

■ I в

f*) 4.4,11, Отображение Па ретто-п од множеств нелокальной нейронной сети в системе "Эйдос"

Выбор нелокальных нейронов (классов) для визуализации в нейросети

Код | Наименование Нелокального нейрона [класса]

1 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Пенициллины (бензилпенициллин, амоксициллин)

2 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-ЦеФалоспорины (цефазолин)

3 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И^Карбапенемы (имипенем)

4 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Монобактамы (азгреонам)

5 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Ванкомицин

6 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Аминогликозиды (стрептомицин, гентамицин)

7 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Тетрациклины (доксициклин)

8 ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕ Л И-Амфениколы (левомицегин, ФторФеникол]

м

Помощь

Максимальное количество отображаемый нейронов: | Максимальное количество отображаемы« связей:

Диапазон кодов отображаемых нейронов: Диапазон кодов отображаемых рецепторов:

~г ~г

Подготовка визуализации нейрона:1 "ПОДГРУППЫ И ТИПИЧНЫЕ ПРЕДСТАВИТЕЛИ-Пенициллины (бензи. АКТИВИРУЮЩИЕ рецепторы и сила их влияния ТОРМОЗЯЩИЕ рецепторы и сила их влияния

Н ¿именование-Фактора и его интервального значения

21 ГРУ П ПА-Содержащие бета-лактамное кольцо 0.778

МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез клеточной ... 0.722

2G СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИК... 0.722

17 ТИП ДЕЙСТВИЯ-Бактерицидный 0.444

30 ПРОИСХОЖДЕНИЕ-Природные, полу синтетические и... 0.278

Код Н аименование фактора и его интервального значения Сила влияния

18 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИК... -0.333

ТИП ДЕИСТВИЯ-Бактриостатический, реже бактериц... -0.333

31 П Р0ИСХ0ЖДЕ Н И Е-Синтетические -0.278

19 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез белка на у... -0.27S

29 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИК... -0.167

22 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез РНК -0.167

20 МЕХАНИЗМ ДЕЙСТВИЯ-Нарушают синтез ДНК -0.167

24 СКОРОСТЬ ВЫРАБОТКИ РЕЗИСТЕНТНОСТИ У МИК... -0.111

■

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

НейроСеть

АЬ$

Ргс1

Ргс2

Infi

Inl2

Inf3

Inf4

Inf 5

Inf Б

Inf?

Максимальное количество отображаемы« рецепторов: j 20

Отображать связи с интенсивностью >= X от макс.: | Qr qqq

Сортировать связи:-— !♦ по модулю информативности Р по информативности и знаку

Отображать наименования: р нейронов !7 рецепторов

ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3" Отображено: 39.60% наиболее значимых синаптических связей Приложение: "АСК-анализ антибактериальных средств по их характеристикам"

Нейроны: {1,18} =>

Рецепторы: {1,31} =>

Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+','-')> а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом

Отображать не более: 10ОО связей

Отображать связи с интенс.более: 0.000% от факт.мак

Дат™!? в р е^со з п а н ия формы"г £о Е. 2 01ДО2"7э:01

Рисунок 22. Фрагмент однослойной нейронной сети

2.7.6 Когнитивные функции

Когнитивные функции отражают в визуальной форме количество информации в градациях описательных шкал (признаках) о принадлежно-

сти объектов с этими признаками к градациям классификационных шкал (классам) [18] (рисунок 23):

г—---— ■

4.5, Визуализация когнитивных фу нкци!

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 (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме [в форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.: Луценко Е.В. Метод визуализаций когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / E.B. Луценко, А.П. Трунев, Д.К. Бандык // Полигематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. - Краснодар: КубГАУ, 2011. -№03(67). С. 240 ■ 282. - ШиФр ИнФормрегистра: 0421100012\0077., 2,688 у.п.л. ■ Режим доступа: http: //ei. kubaQro.ru/2011 /ОЗ/pdf/l8. pdf Задайте нужный режим:

Визуализации когнитивных функции J Скачать подборку публикаций по когнитивным Функциям | Литератур.ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями

Рисунок 23. Экранная форма режима визуализации когнитивных функций

На рисунке 24 приведены когнитивные функции при параметрах,

приведенных на рисунке 25:

КОГНИТИВНАЯ ФУНКЦИЯ:

Рисунок 24. Визуализация когнитивных функций

Настройки

Основные

Дополнительные

Выбор отображаемой части матрицы информагивностей

Параметры отображения матрицы информагивностей

Размер шрифта 35 Т

Размер изображения ширина 1600 т высота 960 т

Метод интерполяции Фильтр тип.1 т

Количество градаций уровня 32 т

Цвет нерасчетных нулей Отсутствует т

Формат Файла изображения JPEG т

Ориентация Признаки по горизонтали, классы по вертикали W

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

Тип палитры I Цветовая заливка, спектр от синего к красному т

Наименования описательных и классификационных шкаг из БД ж

Интерполяция нерасчетных нулей Отсутствует т

Применить настройки

Рисунок 25. Настройки режима отображения когнитивных функций

3. Классификация антибиотиков по их совместимости (задача 2)

Отметим, что 2-я задача решается совершенно аналогично 1-й. Поэтому описание ее решения будет более кратким, а рисунки меньше по размеру, но не по разрешению.

3.1. Когнитивная структуризация предметной области и подготовка Ехсе1-файла исходных данных

В качестве исходных данных использована таблица совместимости антибиотиков, приведенная на рисунке 262.

Для удобства обработки этой информации в системе «Эйдос» т повышения наглядности выходных форм данные из рисунка 26 преобразованы в таблицу 33.

2

Источник: http://www.zivotnovodstvo.ru/sovmestimost-atibiotikov/

3 Это было сделано путем контекстной замены в MS Excel (Ctrl+H), так что это было не очень трудоемко

Рисунок 26. Исходные данные по совместимости антибиотиков

Таблица 3 - Таблица исходных данных

Классификационная шкала выделена желтым фоном. Значение градаций классификационной шкалы (классы) соответствуют различным антибиотикам. Далее идут описательные шкалы значения градаций которых отражают характер совместного действия на организм животного данного антибиотика в сочетании с другим антибиотиком, соответствующим описательной шкале.

Отметим, что для 1-го антибиотика: пенициллина, в исходных данных почему-то указано, что он усиливает сам себя. Для других антибиотиков действие в сочетании с самим собой не указано. Мы не стали корректировать эту информацию.

3.2. Формализация предметной области (разработка классификационных и описательных шкал и градаций и обучающее выборки)

Для ввода исходных данных, представленных в таблице 3, в систему «Эйдос», используем режим 2.3.2.2 с параметрами, приведенными на рисунке 27: _

(*) 2.3.2.2. Универсальный программный интерфейс импорта данных в систему "ЗЙДОС-Х+ +

si ai- »"-I

Автоматическая формализация предметной области: генерация классификационных и описательных шкап и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "lnp_data,*

Задайте параметры:

Стандарт XLS-файла

Задайте тип Файла исходным данным: "lnp_data": f? XLS -MS Емсе1-2003 Г XLSX- MS Excel-2007(2010) Г DBF • DBASE IV (DBF/NTX) Стандарт DBF-Файла I

f" CSV - Comma-Separated Values Стандарт CSV-Файла I

(* Нули и пробелы считать ОТСУТСТВИЕМ данных Г" Нули и пробелы считать ЗНАЧЕНИЯМИ данных ф Создавать БД средних по классам "lnp_davr.dbf"? Требования к Файлу исходных данным

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационным шкал: Конечный столбец классификационных шкал:

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

Задайте режим:-

(* Формализации предметной области [на основе "inp_data") С Генерации распознаваемой выборки (на основе "1пр_га5р")

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

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

Применить спец.интерпретацию текстовых полей классов Г~ Применить спец.интерпретацию текстовых полей признаков

Параметры интерпретации значений текстовых полей ,,lnp_data,,■.

Интерпретация ТХТ-полей классов:

Значения полей текстовым классификационных шкал Файла

исходных данных "lnp_data" рассматриваются как целое

—Интерпретация ТХТ-полей признаков: Значения полей текстовых описательным шкал Файла немодным данных "lnp_data" рассматриваются как целое

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

(* Только интервальные числовые значения (например

С Только наименования интервальных числовым значений (например

С И интервальные числовые значения, и их наименования (например

"1 /3-{59873.0000000,178545.6666667}") "Минимальное")

"Минимальное: 1 Л-{59873.0000000,178545.6666667}")

Рисунок 27. Экранная форма программного интерфейса ввода внешних данных

Классификационная шкала и градации приведены на рисунке, 28, фрагмент описательных шкал и градаций на рисунке 29, фрагмент обучающей выборки на рисунке 30:

'2.1. Классификационные шкалы я градации. Текущая м — £3ш

АНТИБИОТИК Пенициллины Г

2 ЦеФалоспорины

3 Эритромицин

4 ТетраЦиклинЫ

5 Левомицетин

е Стрептомицин

7 Мономицин

8 Канамицин

9 Генгамицин

10 Линкомицин

11 Ристомицин

12 Сульфаниламиды

13 Биоепгол

14 Фурагин

15 Невиграмон

16 Диоксидим

-г

«Ч 1

Рисунок 28. Классификационная шкала и градации

' с) 2.2. Описательные шкалы и градации. Текущая модель: "ШР4 I ««г^ 1 — М^ММ

- -- -

1 ПЕНИЦИЛЛИНЫ 30 ос лаб ление д ействия

2 ЦЕФАЛОСПОРИНЫ слабо е уем ление д ействия

3 ЭРИТРОМИЦИН 31 уем ление д ействи я

4 ТЕТРАЦИКЛИНЫ 32 усиление токсичности

5 ЛЕВОМИЦЕТИН

е СТРЕПТОМИЦИН

7 мономицин

8 КАНАМИЦИН

9 ГЕНТАМИЦИН

10 ЛИНК0МИЦИН

11 РИСТОМИЦИН

12 СУЛЬФАНИЛАМИДЫ

13 БИСЕПТ0Л

14 ФУРАГИН

15 НЕВИГРАМОН

16 ДИ0КСИДИН

1—

Рисунок 29. Описательные шкалы и градации (фрагмент)

Рисунок 30. Обучающая выборка (фрагмент)

3.3. Синтез и верификация статистических и системно-когнитивных моделей

Синтез и верификацию моделей осуществим в режиме 3.5 (рисунок

31):

Рисунок 31. Экранная форма режима синтеза и верификации моделей

Фрагменты моделей ABS, INFI и INF3 приведены на рисунке 32:

Рисунок 32. Фрагменты моделей ABS, INFI и INF3

3.4. Определение наиболее достоверной модели и придание ей статуса текущей

Достоверность моделей мы видим в режиме 4.1.3.6 (рисунок 33):

Рисунок 33. экранная форма по достоверности моделей

Видно, что максимальной достоверностью обладает системно-когнитивная модель ЮТ5 с интегральным критерием «Сумма знаний» Уровень достоверности по критерию L2=0,899, что является неплохим показателем (максимальный уровень достоверности равен 1).

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

На рисунке 34 мы видим частотные распределения уровней сходства/различия для истинных и ложных положительных и отрицательных решений_

4X3,11. Част.распр.ур.сх,: ТРДГЧ,РР,РМ реш.в модели: &1№5 инт.крит.-сумма знаний [дэ^И '

Част.распр.ур.сх.решений в модели: 8. 1^5 инт.крит.-сумма знаний Приложение: "АСК-анализ совместимости антибиотиков."

_____Щ ... - --'Ш -

24 -.....18' .:.

-----1.5 .. ■•0 I

| ,

! шп

1 П ПШг.Л л

-100 -90 -80 -70 -60 -50 -40 -30 -20 -10 0 10 20 30 40 50 60 70 80 90 100

- Част.распр.ур. ск. ложно-положительных решений: (РР] - Част.распр.ур. ох. истинно-положительных решений: (ТР)

- Част.распр.ур.см.ложно-отрицательных решений: (Р№) - Част.распр.ур.сх.истинно-отрицательных решений: (ТМ)

Рисунок 34. Частотные распределения уровней сходства/различия для истинных и ложных положительных и отрицательных решений

Из рисунка 34 видно, что в модели ЮТ5 при уровнях сходства выше 35% наблюдаются в основном истинные решения.

Придадим этой модели статус текущей (рисунок 35):

t) 5.6, Выбрать мод ел ь^ ие тенущеjj

Задайте текущую, стат. модель или модель знаний Статистические базы:

частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки

- частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса

- частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса

Г ji/ABS ; Г 2. PRC1 Г 3. PRC2 Базы знаний:

Г 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

С 5. INF2 ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

С R. INF3 ■ частный критерий; Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами

С 7. INF4 - частный критерий: RQI (Return On Investment); вероятности из PRC1

f* 8. INF5 - частный критерий; RDI [Return On Investment); вероятности из PRC2

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

Г" 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

-Как задавать параметры синтеза моделей

В качестве текущей можно задать любую из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемых в системе "Зйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://Ic.kubagro.ru/aidos/index.htm, http://www.twirpx.com/file/793311 /

Ok

Cancel

Рисунок 35. Экранная форма режима придания модели статуса текущей

3.5. Решение задач идентификации, диагностики, классификации и прогнозирования

Проведем пакетное распознавание тестовой выборки, в качестве которой в данном случае используется обучающая выборка, в наиболее достоверной модели:_

ф 4.1,2. Пакетное распознавание, Текущая модель: 'ТМР5

—Стадии исполнения процесса--

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "№5": 1/11: Распознавание (идентификация) 16-го объекта обучающей выборки из 16- Готово 2/11: Исследование распределений уровней сходства верно и ошиб.идент.объектов- Готово 3/11:. Создание сжатых полных форм результатов распознавания по 2-му интегр.крит,- Готово 4/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-корреляция- Готово 5/11:. Создание подробной наглядной формы: "Объект-классы". Инт.крит.-сумма инф,- Готово 6/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция- Готово 7/11:. Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-сумма инф,- Готово 8/11: Создание подробной наглядной формы: "Класообъекты". Инт:крит.-корреляция- Готово 9/11:. Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф- Готово 10/11: Создание итоговой наглядной формы: "Класообъекты". Инт.крит.-корреляция- Готово 11 /11: Создание итоговой наглядной формы: "Класообъекты".. Инт.крит.-сумма инф,- Готово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !

Прогноз времени нсполнення- Начало: 02:00:53 Окончание: 2:01:01

1ИЙ. Ok |

Прошло: 0:00:01 Осталось: 0:00:00

Рисунок 36. Экранная форма отображения хода процесса пакетного распознавания

Результаты распознавания отображаются во многих формах, из которых мы приведем две (рисунок 37):

4.1,3,1, Визуализация результатов распознавания в отно ении: "Объект-классы", Текущая модель: "INF5" ^

Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"

Код IН аим. объекта Ь; | Код Наименование класса Сходство Ф... Сходство -

1 Пенициллины АНТ И Б ИО Т ИК-П енициллины 81,30... V lllllllllllllllllllllinillllinillllllllllllllllinili

2 Цефалоспорины 15 АНТ И Б И0 T ИК-Ц ефалоспорины 78,64... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIW

3 Эритромицин 1 АНТИБИОТИК-Бисептол 18.88... Nil 1 1 _

Тетрациклину 11 АНТ И Б ИО Т ИК-Стрептомицин 11,26... un

5 Левомицетин 2 АНТИБИОТИК-Гентамицин 10.74... llllllllll

Б Стрептомицин 3 АНТ И Б ИО Т ИК-Диоксцдин 3,514... III

7 МОНОМИЦИН :.. 4 АНТИБИОТИК-Канамицин 0.858...

8 Канамицин 7 АНТИБИОТИК-Мономицин 0.858...

8 10 АНТ И Б ИО Т ИК-Ристомицин -22,47... llllllllllllllllllllll •

10 Линкомицин Г - ►1

11 Ристомицин Интегральный критерий сходства: "Сумма знание

12 Сульфаниламиды ■ 'КС-ОД 1 Наименование Класса || Сходство Ф... | Сходство

13 Бисептол Ш. АНТ И Б И0 Т ИК-П енициллины 52.56... V

14 Фурагин 15 АНТ И Б ИО Т ИК-Ц ефалоспорины 50,80...

15 Невиграмон 3 АНТ ИБ И0 Т ЙК-Диоксиаин 21.43... -

16 Диоксидин 1 АНТИБИОТИК-Бисептол 18,81... llllllllllllllllll

2 АНТИБИОТИК-Гентамицин 15,05...

11 АНТ И Б И0 Т ИК-Стрептомицин 15.05...

4 АНТ ИБ ИО Т ИК-Канамицин 11,16..:

7 АНТИБИОТИК-Мономицин 11.16...

10 АНТ И Б ИО Т ИК-Ристомицин 5.318... -

< Г *1 i 4

И

III Помощь 1 8 классов 1 Классы с MaxN tin УрСх | Экласс( >в с MaxMin УрСк 1 ВСЕ классы | ВКЛ. Фильтр по класс.шкале ( | ВЫКЛ.Фи. льтр по класс.шкале I ГраФ.диаграмма | II

" "

1 4.1,3.2, Визуализация результатов распознавания в с сношении; "Класс-обьекты", Текущая модель: "INF.5"^^^ =1

Классы Интегральный критерий схос icTBa: "Семантический резонанс знаний"

Код 11 Наим. класса ¡1 Код Наименование объекта СхоПствй S. *

1 i АНТИБИОТИК-Бисептол ■ i Бисептол 88.33... V

2 АНТИБИОТИК-Гентамицин 16 Диоксидин 43.57...

3 АНТИ Б ИО Т ИК-Диоксидин 1 Пенициллины 18.88... llllllllllllllllll _

4 АНТИ Б ИОТ ИК-Канамицин 2 Uефалоспорины 16.50... llllllllllllllll

5 АНТИ Б ИОТ ИК-Л евомицетин 14 Фурагин 10.77...

6 АНТИ Б ИО Т ИК-Л инкомицин 11 Ристомицин 8.034...

7 АНТИБИОТИК-Мономицин 5 Левомицетин 8,837...

8 АНТИ Б ИО Т ИК-Н евиграмон 12 Сульфаниламиды 8.837...

8 АНТИ Б ИО Т ИК-П енициллины 10 Линкомицин •1273... IIIIIIIIIIII

10 АНТИ Б ИО Т ИК-Ристомицин -I -

11 АНТИ Б ИОТ ИК-Стрептомицин IWsmmKS ерий сходства: "Сум rwsralF

12 АНТИ Б ИО ТИК-СульФаниламиды ! Код Наименование объекта Сходство * A

13 АНТИ Б ИО Т ИК-Тетрациклины 42,76... V

14 АНТИБИОТИК-Фурагин 1Е Диоксидин 25.G8...

15 АНТИ Б ИО Т ИК-U ефалоспорины 1 Пенициллины 18,91... _

16 АНТИ Б ИО Т ИК-Эригромицин 2 Цефалоспорины 17.24...

14 Фурагин 15,46...

11 Ристомицин 14,91...

Б Левомицетин 14.85...

12 Сульфаниламиды 14.85...

- 10 Линкомицин 8.131... Hill

<1 Г • I

Помощь Поиск объекта | | Вконец .БД I При .и ■ 1 ' I Слеаующая I 9 записей I Все за т\М rbXLS I Печать TXT I Печать ALL I

- - - 1

Рисунок 37. Экранные формы с результатами решения задачи идентификации

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

3.6. Решение задач поддержки принятия решений

В режиме 4.4.8 мы можем получить 8ШОТ-характеристику выбранного антибиотика (рисунок 38):_

(*) 4.4,8, Количественный автоматизированный ЗУУОТ-анаяиз классов средствами АСК-анализа в системе "Эйдос'

Выбор класса, соответствующего будущему состоянию объекта управления

¡1 Код 1 Наименование класса Редцкцияклас.-.. N объектов (абс.) N объектов{Ä -

ЩЯ\ АН Т И Б ИО ТИ К-Бисепгол 1,1186331 15 6,250000

2 АНТИБИОТИК-Гентамицин 1.1397480 15 6.250000

3 АН Т ИБИОТИ К-Диоксиайн 2.3795590 15 6.250000

4 АНТИБИОТИК-Канамицин 1.0924921 15 6.250000

5 АН Т ИБИ0 ТИ К-Л евомицетин 0.9980103 15 6.250000

-

í

SWOT-анализ класса:1 "АНТИБИОТИК-Бисептол" е Способствующие факторы и сила их влияния i модели:6 "INF3" Препятствующие факторы t 1 сила их влияния

i Код Наименование Фактора и его интервального значения влияния - Коа 1 я и его интервального значения влияния —

ЭРИТРОМИЦИН-слабое усиление действия 0.751 ДИ 0КСИ ДИ Н-усиление действ ич -0.560

16 ЛЕВОМИЦЕТИ Н-усиление токсичности 0.751 40 СУ Л ЬФАНИ ЛАМ И ДЫ-слабое усиление действия ... -0.4Э5 _

19 СТРЕ П Т ОМИ U И Н-усиление действия 0.751 46 ФУРАГИН-слабое усиление действия -0.436

23 М ОН □ МИ Ц ИН-усиление действия 0.751 44 БИСЕПТОЛ-усиление действия -0.436

27 КАНАМИ ЦИ Н-усиление действия 0.751 — 26 КАНАМИЦИН-слабое усиление действия -0.436

31 ГЕ Н ТАМ И ЦИ Н-усиление действия 0.751 22 МОНОМИЦИН -слабое усиление действия -0.436

39 РИ СТОМ ИЦИ Н-усиление токсичности 0. 7.51 37 РИСТОМИЦИН-слабое усиление действия -0.373

42 СУ ЛЬФАН И ЛАМИ ДЫ-усиление токсичности 0.751 30 ГЕНТАМИЦИН-слабое усиление действия -0.373

48 ФУ РАГИ Н -усиление токсичности 0. 689 18 СТРЕПТ0МИЦИН-слабое усиление действия -0.373

52 ДИО КСИ ДИ Н-слабое усиление действия 0.627 14 ЛЕВОМИЦЕТИН -слабое усиление действия -0.373

6 ЦЕ ФА ЛО СП ОРИ Н Ы -усиление действия 0.564 11 ТЕТРАЦИКЛИНЫ-слабое усиление действия -0.373

12 ТЕТРАЦИКЛИНУ -усиление действия 0.564 И 7 ЭРИТР0МИ ЦИ Н-ослабление де ■йствия -0.373 -

« Li Г <1 1

ВКЛЮЧИТЬ фильтр по фактору ВЫКЛЮЧИТЬ Фильтр п о Фактору 1 ВКЛЮЧИТЬ Фильтр по Фактору | ВЫКЛЮЧИТЬ Филь 1 по Фактору J

Помощь J Abs J Piel 1 Prc2 1 Infi j Inf2 |j Inl3 || ln(4 Iriß 1 Inf6 j Inf? ] Нейрон 1 SWQT-диаграмма j Интегральная ког ни J

с) 4.4.8. Количественный БМГОТ-анализ классов ср

гтема "ЭЙДОС-Х"1'

I в I——Г

SWOT-ДИАГРАММА КЛАССА: "[1] АНТИБИОТИК-БИСЕПТОЛ" В МОДЕЛИ: "1^3"

Приложение: "АСК-анализ совместимости антибиотиков"

СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:

Шкала: [1] АНТИБИОТИК Класс: [1] Бисептол

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-53 СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ:

Значения факторов. СПОСОБСТВУЮЩИЕ переходу ос Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу об

ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[13] БИСЕПТОЛ [44] усиление действия

[11]РИСТОМИЦИН

[37] слабое усиление действия

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-53

Форма создана: 29.06.2018-11:32:13

Рисунок 38. SWOT-характеристика антибиотика «Бисептол»

На диаграмме приведены антибиотики и влияние Бисептола на их действие на организм, причем слева:

- указанное действие Бисептола более вероятно, чем аналогичное действие других антибиотиков, т.е. для Бисепотола это действие более характерно, чем для других антибиотиков;

- указанное действие Бисептола существует, но оно менее вероятно, чем такое же действие других антибиотиков, т.е. у них оно выражено более отчетливо.

3.7. Исследование моделируемой предметной области путем исследования ее модели

3.7.1. Когнитивные диаграммы классов

Для формирования когнитивных диаграмм классов необходимо

предварительно рассчитать матрицы их сходства (рисунок 39):

Рисунок 39. экранная форма режима формирования матриц сходства классов

На рисунке 40 приведены информационный потрет класса «Бисеп-тол» и когнитивные диаграммы сходства/различия с другими антибиотиками по их совместимости:

Конструкт кяасса:1 "АНТИБИОТИК-Бисептол" в модели:6 MINF3M

— л

1 1 АНТИБИОТИК-Бисептол 100.000

2 АН Т И Б И 0 ТИК-Генгамицин 3 АНТИБИОТИ К-Диоксидин 41.510

3 АН Т НЕ И 0 ТИК-Диоксиаин э АНТИБИОТИК-П енициллины 13.480

4 АНТ И Е И 0 ТИК-Канамицин 12 АНТИБИОТИ К-СульФани ламиаы S.890

5 АН T И Б И 0 ТИК-Л евомицетин 15 АНТИБИОТИК-Ц еФалоспорины 7.72S

6 АН T И Б И 0 ТИК-Л инкомицин 5 АНТИБИОТИК-Л евомицетин 6.536

7 АНТИБИОТИК-Мономицин 14 АНТИБИОТИК-Фурагин 5.900

8 АНТИБИОТИК-Невиграмон 10 АНТИБИОТИК-Ристомицин -1.S75

Э АНТ И Б И 0 ТИК-П енициллины 16 АНТИБИОТИК-Эритромицин -4.428

10 АНТИБИОТИК-Риетомицин 10 6 АНТИБИОТИК-Л инкомицин -7.961

11 АН T И Б И 0 ТИК-Стрепгомицин 11 11 АНТИБИОТИК-Стрептомицин -21.364

12 АНТИБИОТИК-СульФаниламиды 12 4 АНТИБИОТИК-Канамицин -23.089

13 АН T И Б И 0 ТИК-Т еграциклины 13 7 АНТИБИОТИК-Мономицин -23.089

14 АНТИБИОТИК-Фурагин 14 2 АНТИБИОТИК-Гентамицин -31.505

15 АН T И Б И 0 ТИК-Ц еФалоспорины 15 8 АНТИБИОТИК-Невиграмон -35.896

16 АНТ И Б И 0 ТИК-Э ритромицим 16 13 АНТИБИОТИК-Т етрациклины -46.352

«I - [ >

Помощь Abi Ргс1 Ргс2 Infi Ш ИЗ! InM Inffi InfG Inf? График В КЛ. Фильтр по кл. шкале ВЫ К Л. Фильтр по к л. шкале] Вписать в окно Показать ВСЕ

СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ КЛАССА: [1]-АНТИБИОТИК-Бисептол Приложение: АСК-анализ совместимости антибиотиков

Диапазон кодов классов: 1-16 Уровень сходства не менее: 20% Число отображаемых классов: 12

Способ выборки классов: МАХ и MIN ур.сх. --Дата и время создания формы: 29.06.2018-11:43:33

Сходство и различие между классами по их признакам (градациям факторов, системе детерминации):

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"

КОНСТРУКТ КЛАССА: [1]-АНТИБИОТИК-Бисептол Приложение: АСК-анализ совместимости антибиотиков

Диапазон кодов классов: 1-16 Уровень сходства не менее: 20% Число отображаемых классов: 16 Способ выборки классов: МАХ и М№ ур.сх. Дата и время создания формы: 29.06.2018-11:44:0:

Сходство и различие меиду классами по их признакам (градациям факторов, системе детерминации):

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

Рисунок 40. Информационный потрет класса «Бисептол» и когнитивные диаграммы сходства/различия с другими антибиотиками по их совместимости

Параметры вывода когнитивных диаграмм приведены в правой нижней части изображений.

3.7.2. Агломеративная когнитивная кластеризация классов

Более подробную информацию о сходстве/различии антибиотиков по их совместимости и совместному действию на организм можно получить в виде дендрограммы после агломеративной когнитивной кластеризации (рисунок 41):

Рисунок 41. Дендрограмма по результатам агломеративной когнитивной кластеризации антибиотиков по их совместному действию на организм

Из рисунков 40 и 41 мы четко видим, что совместному действию на организм антибиотики группируются в кластеры, которые образуют два противоположных полюса конструкта.

3.7.3. Когнитивные диаграммы признаков

Для формирования когнитивных диаграмм признаков и агломера-тивной когнитивной кластеризации признаков необходимо предварительно рассчитать матрицы их сходства (рисунок 42):_

ф 4.3.2.1. Расчет матриц сходства, кластеров и конструктов ^^^^H^BB^^HIr0

Задайте модели, для которым проводить кластерно-конструктивный анализ: Статистические базы: Пояснение по режиму П? 11. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборкй W 2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса К? 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний: К? 4. 1N Fl - частный критерий: количество знаний по А.Харкевичу; вероятности из RRC1 fi? 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из RRC2 К? 6. IN F3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами f/ 7. INF4 - частный критерий: RGI (Return.On Investment]; вероятности из PRC1 К? 8. INF5 - частный критерий: RGI [Return On Investment]; вероятности из PRC2 fs Э. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 W 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

Задайте диапазон кодов признаков (подматрицу) для анализа: | i | 53

Ok | Cancel

Рисунок 42. Экранная форма режима расчета матриц сходства признаков

На рисунке 43 приведена когнитивная диаграмма признаков без каких-либо ограничений на число признаков и модуль силы связи:

СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1ЫРЗ"

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

КОНСТРУКТ ПРИЗНАКА: [1]-ПЕНИЦИЛЛИНЫ-осла6ление действия Приложение: АСК-анализ совместимости антибиотиков

Рисунок 43. Когнитивная диаграмма признаков без каких-либо ограничений на число признаков и модуль силы связи

Из рисунка 43 хорошо видно, что на нем ничего не видно, но не потому, что на нем ничего не изображено, а наоборот потому, что на нем изображено слишком много элементов. Чтобы снять эту проблему надо кликнуть по кнопке: «Вписать в окно» и задать указанные на рисунке 44 параметры. После этого информационный портрет признака и когнитивная диаграмма признаков существенно сократятся по числу элементов и станут гораздо более читабельными (рисунки 45 и 46):

4.2,2.2. Задание признаков для отображения

Ш_В

Задание параметров отображения признаков: Задайте число отображаемый признаков:

Задайте MIN модуль уровня сходства отображаемым признаков: | зо" Задайте способ выбора признаков для отображения:

(* Признаки с МАХ и MIN уровнями сходства Г" Признаки с МАХ по модулю уровнем сходства

Ok

Cancel

Рисунок 44. Экранная форма задания параметров отображения информационного портрета признака и когнитивной диаграммы признаков

t) 4.3.2.2. Результаты кластерно-конструктивного анализа признаков т

Конструкт признака:! "ПЕНИЦИЛЛИНЫ-ослабление действия' в модели:6 "INF3"

ПЕНИЦИЛЛИН Ы-ослабление действия 1 П ЕН И Ц И Л ЛИН Ы-ослабление действия 100.000

2 ПЕНИЦИЛЛИН Ы-слабое усиление действия 2 4 Ц ЕФ А Л ОСП □ РИ Н Ы -ослабление действия 100.000

3 ПЕНИЦИ Л Л ИНЫ-усиление действия 3 15 ЛЕВОМИЦЕТИН-усиление действия 71.321

4 Ц Е ФАЛ 0 СП0 РИ НЫ -ослабление действия 4 41 СУ Л ЬФАН И ЛАМИ Д Ы -усиление действия 71.321

5 Ц Е ФАЛО СПО РИ НЫ -слабое усиление действия... 5 47 Ф У РАГИ Н -усиление действия 71.321

Б Ц Е ФАЛ □ СПО РИ НЫ -усиление действия G 17 СТРЕПТОМИЦИН -ослабление действия 56.136

7 ЭРИТРОМИЦИН -ослабление действия 48 14 ЛЕВОМИЦЕТИН-слабое усиление действия -51.544

S Э.РИТ РО МИ Ц И Н -слабое усиление действия 49 7 ЭРИТРОМИЦИН-ослабление действия -52.467

9 Э РИТ РО МИ Ц И Н-усиление действия 50 6 Ц ЕФ А Л ОСП 0 РИ Н Ы -усиление действия -59.641

10 Т ЕТ РАЦ И КЛ И Н Ы-ослабление действия 51 46 Ф У РАГИ Н -слабое усиление действия -59.641

11 ТЕТРАЦИКЛИН Ы-слабое усиление действия ... 52 3 ПЕНИЦИЛЛИНЫ -усиление действия -67.544

12 Т ЕТ РАЦ И КЛ И Н Ы-усиление действия 53 40 СУЛЬФАНИЛАМИДЫ-слабое усиление действия -67.544

13 ЛЕВОМИЦЕТИН -ослабление действия

14 ЛЕВОМИЦЕТИН-слабое усиление действия

15 Л Е ВО МИ Ц Е Т И Н-усиление действия

16 ЛЕВОМИЦЕТИН -усиление токсичности

17 СТРЕПТОМИЦ ИН-ослабление действия

18 СТРЕПТ 0 М И ЦИН-слабое усиление действия ...

19 СТРЕПТ Q М И Ц ИН-усиление действия

20 СТРЕПТОМИЦ ИН-усиление токсичности

21 М ОНО МИЦ И Н-ослабление действия

22 МОНОМИЦИН-слабое усиление действия

23 -

► 4 1 I

Помощь J Abs Prcl Pic2 Infi Inl2 Inf3 Inl4 Inl5 InfS j Inl7 График] ВКЛ.Фильтр по.кл.шкале В ЫКЛ. Фильтр по к л. шкале i Вписать в окно! Г оказать ВСЕ

Рисунок 45. Информационный портрет признака при заданных ограничениях

СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "^РЗ1

КОНСТРУКТ ПРИЗНАКА: [1]-ПЕНИЦИЛЛИНЫ-ослабление действия Приложение: АСК-анализ совместимости антибиотиков

Диапазон кодов признаков: 1 -53

Уровень сходства не менее: 30%

Число отображаемых признаков:12

Способ выборки классов: МАХ и М№ ур.сх.

Дата и время создания формы: 29.06.2018-12:08:35

Сходство и различие межцу признаками по их признакам (градациям факторов, системе детерминации):

СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

Рисунок 46. Когнитивная диаграмма признака при заданных орграничениях

3.7.4. Агломеративная когнитивная кластеризация признаков

Более подробную информацию о сходстве/различии признаков антибиотиков можно получить в виде дендрограммы после агломеративной когнитивной кластеризации (рисунок 47):

Рисунок 47. Дендрограмма по результатам агломеративной когнитивной кластеризации признаков по их характерности для антибитиков

Из рисунков 46 и 47 четко видно, что признаки антибитиков образую два противоположных кластера, являющиеся полюсами конструкта.

3.7.5. Нелокальные нейроны и нелокальные нейронные сети

Они приведены на рисунке 48:_

(•) 4.4.10. Графическое отображение нелокальных нейронов в системе "Эйдос" ^

НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"

Нейрон: [1]-АНТИБИОТИК-Бисептол Приложение: АСК-анализ совместимости антибиотиков

Форна созвана: 29.06.2018-12:27:40

Сортировка рецепторов по информативности

«KTi.iDi.iniииее - ,п,»„ппп , , Отображается количество рецепторов не более: 999

АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии] отражает относительную силу влияния. Показаны связи с относительной силой влияния выше: 0%

ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. Визуализация нейрона с копами и наименованиями рецепторов

Влияние рецепторов на актвацию/торможение нелокального нейрона, соотвествующего классу (система детерминации класса]:

(•) 4.4.11. Отображение Паретго-подмножеств нелокальной нейронной сети в системе "Эйдос" (

ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3" Отображено: 26.62% наиболее значимых синаптических связей Приложение: "АСК-анализ совместимости антибиотиков"

Нейроны: {1,16}=>

Рецепторы:

Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+','■'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом

Коды нач.и кон.нейронов: 1-16 Коды нач.и кон.рецепторов: 1-53 Отображать не более: 16 нейронов Отображать не более: 20 рецепторов

Отображать не более: 1000 связей Отображать связи с интенс.более: 0.000% от факт.накс. Сортировка связей по модулю информативности Дата и время создания формы: 29.06.2018-12:29:24

Рисунок 48. Нелокальный нейрон и один слой нелокальной нейронной сети

3.7.6 Когнитивные функции

Когнитивная функция модели 1№3 приведена на рисунке 49:

II ЛП*

I • •

• • I «11.1 I • •

• I • I II II I I • • с

_

сг

» • I •

I в I • 1

з «I. I *

В • • ' <9 • • I I •

И

I I • I I I

I • • •

I V • • •

«У V..

■ I

• 1

г ■ § а

л ^й

• ■ 1 1

<

II I < • ;

I I Л II 11"|

• III |

I • • • 1

| I • I

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

• | 11110 {1 1

К (ЕЯ. Л « • •С »

I II 1 А Г I III 11

1.11,11,!! I [!, и! 1!! 11! 111 и!, и! I ? * 11 111 I 11 I I! 1! М 11 Ш 1 И 11111|1 ] I \ |

111 111 * 1 *

I I | } I | I 1 | I I I ] I I 1 ]! | 1 1 I ! 1

! 11 ! I ! I

I I и 1 I ! ! I М и И N I И М И I

I I

1.ПЕНИЦИЛЛИ12.ЦЕ»ДЛОСП<КЗ.ЭРИТРОМИЦГ4.ТЭТРДЦт[ЛИ 5ЛЕВОМИЦЕТИН «.СТРЕПТОМИЦИН 7.МОНОМИЦИН 8.КАКАМИЦИН

{I Ш I! 11111111 11111111 5 5 3 3 9 3 8

11.РИСТОМИЦИН 12.СУЛ ЬгФАНИ^ 1

1 = 11=11 I 1 I I I | I

| I I | I I | I П! П1

1Ч.! IГПИГРЛ МП 1$НИОКС

Ё Е.ВЛуцанко (Р.«-.), Д.К.Бзндн. (Емаруа). ТЪ™т РД И

Рисунок 49. Когнитивная функция модели INF3

3.8. Исследование организма животного как нелинейного объекта управления на примере совместного действия на него нескольких антибиотиков

3.8.1. Постановка задачи лечения как задачи управления

Рассмотрим классическую схему замкнутой системы управления (т.е. системы управления с обратной связью), представленную на рисунке 50:

ЦЕЛЬ УПРАВЛЕНИЯ

УПРАВЛЯЮЩАЯ СИСТЕМА:

ЗАДАЧИ:

1. Идентификация текущего состояния объекта управления.

2. Прогнозирование развития объекта управления и окружающй среды.

3. Выработка управляющего воздействия.

А ОБЪЕКТ УПРАВЛЕНИЯ

/ ИНФОРМАЦИЯ ОБРАТНОЙ СВЯЗИ о состоянии объекта управления ВНУТРЕННИЕ ФАКТОРЫ:

\

\ N 1. Факторы предыстории объекта управления.

УПРАВЛЯЮЩИЕ ФАКТОРЫ ) 2. Факторы текущего состояния объекта управления.

/

Рисунок 50. Цикл управления в замкнутой системе управления

В ветеринарии в систему управления входят следующие элементы:

- объект управления - это организм животного;

- управляющая система - ветеринарная служба организации или конкретный ветеринар;

- информация обратной связи о состоянии объекта управления - это диагностическая информация о внешне наблюдаемой клинической картине и результаты лабораторных исследований (симптоматика);

- управляющие факторы: лечебные воздействия, обычно с помощью медицинских препаратов;

- цели управления - перевод животного из состояния заболевания в здоровое состояние.

3.8.2. Понятие нелинейности объекта управления в теории управления

Объект управления называется линейным, если результат совместного действия на него совокупности факторов равен сумме результатов влияния на него каждого из этих факторов по отдельности [13, 23, 24].

Это означает, что в линейном объекте управления факторы не взаимодействуют между собой внутри объекта управления, не образуют подсистем детерминации, т.е. по сути, являются не системой, а множеством факторов.

В нелинейных объектах управления факторы напротив образуют систему с определенным уровнем системности, с новыми эмерджентными (системными) свойствами, не сводящимися к свойствам факторов, рассматриваемым по отдельности.

Чем ниже уровень системности (эмерджентность) объекта управления, тем он как система ближе к множеству и к линейности.

Понятие линейных объектов является предельной абстракцией наподобие материальной математической точки и реально линейных объектов не существует. Но на практике нелинейностью объектов в ряде случаев можно обоснованно и корректно пренебречь, т.к. степень их нелинейности настолько мала, что ее неучет существенно не сказывается на адекватности модели и достоверности решаемых на ее основе задач прогнозирования, принятия решений и исследования моделируемого объекта.

Однако в ряде случаев уровень системности объекта управления настолько высок, что его нелинейностью еже пренебречь нельзя без существенной потери адекватности моделирования и решения перечисленных выше задач.

3.8.3. Проявление нелинейности объекта управления в ветеринарии

К подобным существенно нелинейным объектам относятся биологические объекты, такие, например, как организм животного.

Обычно подобными существенно нелинейными объектами пытаются с переменной степенью успешности управлять с использованием сла-боформализованных подходов (на основе интуитивных экспертных оценок на основе опыта и профессиональной компетенции) без использования математического моделирования и компьютерных технологий, как говорят, «в режиме ручного управления».

Оправданием этого является то, что в настоящее время математическая теория управления нелинейными системами находится в процессе становления и является крайней сложной математически. Программные средства автоматизации для нелинейных систем управления практически отсутствуют, тем более с интерфейсом персонального уровня и в полном открытом бесплатном доступе [13].

Однако это не совсем так, вернее совсем не так потому, что существует АСК-анализ и его программный инструментарий - интеллектуальная система «Эйдос», которые еще в 2003 году были заявлены как средства создания систем управления сложными многофакторными активными нелинейными объектами [19].

В ветеринарии нелинейность объекта управления, в качестве которого выступает организм животного, проявляется в изменении действия лекарств, в частности антибиотиков, если они применяются сочетано, т.е. одно на фоне другого или других. При этом действие каждого из них может усиливаться или ослабляться. В первом случае мы говорим о системной эффекте [23], а во втором об антисистемном [25].

4. Некоторые выводы, рекомендации и перспективы

В работах [14-17], а также в данной работе, описано решение различных научных и практических задач ветеринарии:

- задача 1: разработка и применение тестов и супертестов для ветеринарной и диагностики [14, 15];

- задача 2: агломеративная когнитивная кластеризация нозологических образов в ветеринарии [16];

- задача 3: агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии [17];

- задача 4: классификация антибиотиков по их характеристикам и принципу действия [данная работа];

- задача 5: классификация антибиотиков по их совместимости [данная работа].

Хотя решенных задач еще не так много, но уже достаточно для того, чтобы обоснованно сделать вывод о возможности и целесообразности применения интеллектуальных технологий вообще и автоматизированного системно-когнитивного анализа (АСК-анализ) и системы «Эйдос» в частности для проведения научных исследований в области ветеринарии.

Необходимо отметить, что системно-когнитивные модели, разработанные в результаты этих исследований могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме.

Возникает закономерный вопрос о возможности решения и других задач ветеринарии (а также других наук) путем применения автоматизированного системно-когнитивного анализа.

По мнению автора с АСК-анализ и система «Эйдос» представляют собой новый инновационный (доведенный до возможности практического применения) метод искусственного интеллекта может рассматриваться как универсальный инструмент решения всех тех задач в области ветеринарии (и других наук), для решения которых используется естественный интеллект. Причем это инструмент, многократно увеличивающий возможности естественного интеллекта, примерно также, как микроскоп и телескоп многократно увеличивает возможности естественного зрения, естественно только в том случае, если оно есть. Поэтому, конечно, этих задач огромное количество.

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

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

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

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

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

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

Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эйдос», предлагается назвать «Когнитивной ветеринарией».

Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических техноло-

гий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии4.

Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [3, 4]5 и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта, как решенные в данной статье, так и описанные в работах [14, 15, 16, 17], размещены как облачные Эйдос-приложения под номерами, соответственно: 127, 128, 100, 125, 126 и доступны всем желающим в режиме 1.3 системы «Эйдос».

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

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях;

- находится в полном открытом бесплатном доступе, причем с актуальными исходными текстами;

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года);

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумлен-ных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения;

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их около 30 и 126, соответственно);

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

- поддерживает on-line среду накопления знаний и широко используется во всем мире.

4 Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия» [21], «когнитивная экономика» [19, 22] и т.д.. Автор пытался развивать когнитивную математику [18] и когнитивную теорию управления [19], а также применять их в других областях науки и практики [10].

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

Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнаружить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [26].

В заключение автор выражает благодарность проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи.

Литература

1. Сайт: http://zoovetcnab.ru/antibiotiki

2. Сайт: http://www.zivotnovodstvo.ru/sovmestimost-atibiotikov/

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

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

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

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

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

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

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

10. Сайт проф.Е.В.Луценко: http://lc.kubagro.ru/

11. Луценко Е.В. Автоматизированный системно-когнитивный анализ в агрономии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №02(136). С. 87 - 145. - IDA [article ID]: 1361802011. - Режим доступа: http://ej.kubagro.ru/2018/02/pdf/11 .pdf, 3,688 у.п.л.

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

13. 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.

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

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

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

16. Луценко Е.В. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №04(138). С. 122 - 139. - IDA [article ID]: 1381804033. - Режим доступа: http://ej .kubagro.ru/2018/04/pdf/33.pdf, 1,125 у.п.л.

6 Актуальный вариант: http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf

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

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

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

19. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002.

- 605 с. http://elibrary.ru/item.asp?id=18632909

20. 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.

21. Луценко Е.В. Автоматизированный системно-когнитивный анализ в агрономии / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №02(136). С. 87 - 145. - IDA [article ID]: 1361802011. - Режим доступа: http://ej.kubagro.ru/2018/02/pdf/11 .pdf, 3,688 у.п.л.

22. Абдикеев Н. М., Аверкин А. Н., Ефремова Н. А. Когнитивная экономика в эпоху инноваций // Вестник РЭА, 2010, № 1. - Режим доступа: https://www.rea.ru/ru/org/managements/izdcentr/PublishingImages/Pages/Archive/01_2010_. pdf

23. Луценко Е.В. Исследование влияния подсистем различных уровней иерархии на эмерджентные свойства системы в целом с применением АСК-анализа и интеллектуальной системы "Эйдос" (микроструктура системы как фактор управления ее макросвойствами) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №01(075). С. 638 - 680. - Шифр Информрегистра: 0421200012\0025, IDA [article ID]: 0751201052. - Режим доступа: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 у.п.л.

24. Луценко Е.В. Методологические аспекты выявления, представления и использования 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(70). С. 233 - 280. - Шифр Информрегистра: 0421100012\0197. - Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

25. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2005. - №03(011). С. 181 - 199. - IDA [article ID]: 0110503019. -Режим доступа: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 у.п.л.

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

References

1. Sajt: http://zoovetcnab.ru/antibiotiki

2. Sajt: http://www.zivotnovodstvo.ru/sovmestimost-atibiotikov/

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

4. Lucenko E.V., Podsistema aglomerativnoj kognitivnoj klasterizacii klas-sov siste-my «E'jdos» ("E'jdos-klaster"). Pat. № 2012610135 RF. Zayav. № 2011617962 RF

26.10.2011. Opubl. Ot 10.01.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 u.p.l.

5. Lucenko E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya on-line sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'j-dos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.

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

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

8. Lucenko E.V., Universal'naya kognitivnaya analiticheskaya sistema "E'JDOS-X++". Pat. № 2012619610 RF. Zayavka № 2012617579 RF ot 10.09.2012. Zaregistr.

24.10.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 u.p.l.

9. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda «E'jdos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Zayavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.

10. Sajt prof.E.V.Lucenko: http://lc.kubagro.ru/

11. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v agrono-mii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kuban-skogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lek-tronny'j resurs]. -Krasnodar: KubGAU, 2018. - №02(136). S. 87 - 145. - IDA [article ID]: 1361802011. -Rezhim dostupa: http://ej.kubagro.ru/2018/02/pdf/11.pdf, 3,688 u.p.l.

12. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul-tiklassovoe obobshhenie F-mery' dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal

Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.

13. Lucenko E.V. Modelirovanie slozhny'x mnogofaktorny'x nelinejny'x ob'ektov up-ravleniya na osnove fragmentirovanny'x zashumlenny'x e mpiricheskix danny'x bol shoj razmernosti v sistemno-kognitivnom analize i intellektualnoj sisteme «E,jdos-X++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronnyj 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.

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

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

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

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

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

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

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

21. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v agrono-mii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kuban-skogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lek-tronny'j resurs]. -

Krasnodar: KubGAU, 2018. - №02(136). S. 87 - 145. - IDA [article ID]: 1361802011. -Rezhim dostupa: http://ej.kubagro.ru/2018/02/pdf/11.pdf, 3,688 u.p.l.

22. Abdikeev N. M., Averkin A. N., Efremova N. A. Kognitivnaya e'konomika v e'poxu innovacij // Vestnik RE'A, 2010, № 1. - Rezhim dostupa: https://www.rea.ru/ru/org/managements/izdcentr/PublishingImages/Pages/Archive/01_2010_. pdf

23. Lucenko E.V. Issledovanie vliyaniya podsistem razlichny'x urovnej ierarxii na e'merdzhentny'e svojstva sistemy' v celom s primeneniem ASK-analiza i intellek-tual'noj sistemy' "E'jdos" (mikrostruktura sistemy' kak faktor upravleniya ee makro-svojstvami) / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosu-darstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2012. - №01(075). S. 638 - 680. - Shifr Informregistra: 0421200012\0025, IDA [article ID]: 0751201052. - Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 u.p.l.

24. Lucenko E.V. Metodologicheskie aspekty' vy'yavleniya, predstavleniya i ispol'-zovaniya znanij v ASK-analize i intellektual'noj sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №06(70). S. 233 - 280. - Shifr Informregistra: 0421100012\0197. -Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.

25. Lucenko E.V. ASK-analiz kak metod vy'yavleniya kognitivny'x funkcional'ny'x zavisimostej v mnogomerny'x zashumlenny'x fragmentirovanny'x danny'x / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2005. - №03(011). S. 181 - 199. - IDA [article ID]: 0110503019. - Rezhim dostupa: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 u.p.l.

26. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo po-znaniya i avtomatizirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespechivayushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. -Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.

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

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Луценко Евгений Вениаминович

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Луценко Евгений Вениаминович

AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF ANTIBIOTICS IN VETERINARY MEDICINE

Текст научной работы на тему «Автоматизированный системно-когнитивный анализ антибиотиков в ветеринарии»