CC BY
18
УДК 004.8
06.02.00 Ветеринария и Зоотехния
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ И КЛАССИФИКАЦИЯ ПОРОД КРУПНОГО РОГАТОГО СКОТА
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail. com http://lc. kubagro. ru Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
Печурина Елена Каримовна РИНЦ SPIN-код: 1952-4286 geskov@mail.ru
Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
На сайте мясной академии http://meatinfo.ru по адресу: http://meatinfo.ru/info/show?id=197 размещена сравнительная таблица пород крупного рогатого скота по 8 показателям, из которых 2 текстовых и 6 числовых. У хозяйственников возникает естественный вопрос о том, какие из этих пород сходны по всей системе характеризующих их показателей, а какие различаются и в какой степени. Возникает также вопрос о том, какие показатели сходны и отличаются по смыслу и на сколько. Решению этих задач и посвящена данная статья. Результаты исследования могут быть использованы всеми желающими, благодаря тому, что Универсальная автоматизированная система «Эйдос», являющаяся инструментарием Автоматизированного системно-когнитивного анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm, а численный пример решения поставленных задач размещен как облачное Эйдос-приложение №131
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», КОГНИТИВНОЕ ПРОСТРАНСТВО
Doi: 10.21515/1990-4665-142-033
UDC 004.8
Veterinary and Zootechnics
AUTOMATED SYSTEM-COGNITIVE ANALYSIS AND CLASSIFICATION OF CATTLE BREEDS
Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57188763047 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail. com http://lc. kubagro. ru Kuban State Agrarian University, Krasnodar, Russia
Pechurina Elena Karimovna RSCI SPIN-code: 1952-4286 geskov@mail.ru
Kuban State Agrarian University, Krasnodar, Russia
Meat Academy website http://meatinfo.ru has a comparative table of breeds of cattle on 8 indicators, from which 2 are text and 6 are numerical http://meatinfo.ru/info/show?id=197. It is a natural question for business executives, which of these breeds are similar throughout the system of indicators characterizing them, and which ones differ and to what extent. There is also the question of which indicators are similar and different in meaning and by how much. This article is devoted to the solution of these problems. The results of the study can be used by anyone, due to the fact that Eidos the universal automated system, which is a tool of ask-analysis, is in full open free access on the author's website at: http://lc.kubagro.ru/aidos/ Aidos-X.htm, and numerical examples of solving the mentioned problems with the use of artificial intelligence technologies are placed as a cloud Eidos-application #131
Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, INTELLECTUAL SYSTEM "EIDOS", COGNITIVE SPACE
СОДЕРЖАНИЕ
ВВЕДЕНИЕ..........................................................................................................................................................2
1. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС».........................................................................3
2. СИНТЕЗ И ВЕРИФИКАЦИЯ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ............................................................................................................................................................4
2.1. Когнитивная структуризация предметной области и подготовка Ехсеь-файла исходных данных..............................................................................................................................................................4
2.2. Формализация предметной области...................................................................................................8
2.3. Синтез и верификация статистических и системно-когнитивных моделей........................... 13
2.4. Определение наиболее достоверной модели и придание ей статуса текущей....................... 14
3. РЕШЕНИЕ ЗАДАЧ НА ОСНОВЕ СОЗДАННОЙ МОДЕЛИ...............................................................15
3.1. Идентификация, диагностика, классификация и прогнозирование.........................................15
3.2. Когнитивные Б'ОТ-диаграммы классов........................................................................................15
3.3. Исследование моделируемой предметной области путем исследования ее модели............17
3.3.1. Когнитивные диаграммы классов..................................................................................................17
3.3.2. Агломеративная когнитивная кластеризация классов................................................................18
3.3.3. Когнитивные диаграммы признаков..............................................................................................19
3.3.4. Агломеративная когнитивная кластеризация признаков...........................................................20
3.3.5. Нелокальные нейроны и нелокальные нейронные сети...............................................................21
4. НЕКОТОРЫЕ ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ..................................................22
ЛИТЕРАТУРА...................................................................................................................................................25
Введение
На сайте мясной академии http://meatinfo.ru [1] по адресу: http://meatinfo.ru/info/show?id= 197 [2] размещена сравнительная таблица пород крупного рогатого скота (КРС).
У хозяйственников возникает естественный вопрос о том, какие из этих пород сходны по всей системе характеризующих их показателей, а какие различаются и в какой именно степени.
Возникает также вопрос о том, какие показатели сходны и отличаются по смыслу и на сколько. Решению этих задач и посвящена данная статья.
Для аргументированного ответа на эти вопросы предлагается использовать интеллектуальную систему «Эйдос», представляющую собой
программный инструментарий Автоматизированного системно-когнитивного анализа (АСК-анализа) [3-9]1.
1. Кратко об АСК-анализе и системе «Эйдос»
Об АСК-анализе и системе «Эйдос» есть много информации, представленной в 35 монографиях, 525 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 [4]. Математическая модель и основные теоретические понятия АСК-анализа кратко раскрыты в работе [10].
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 вопросов [10]:
1. Когнитивная структуризация предметной области и подготовка Ехсе1-файла исходных данных.
2. Формализация предметной области, т.е. автоматизированный ввод в систему Эйдос-Х++ исходных данных из Ехсе1-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.
1 См. также: http://1c.kubagro.ru/aidos/Presentation Aidos-on1ine.pdf
Ниже рассмотрим применение АСК-анализа и системы «Эйдос» для ответа на поставленные вопросы.
2. Синтез и верификация системно-когнитивной модели предметной области
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 поставить идентифицировать породу КРС по ее признакам.
В качестве источника исходных данных используем данные о породах КРС мясной академии http://meatinfo.ru [1] по адресу: http://meatinfo.ru/info/show?id= 197 (таблица 1):
Таблица 1 - Исходная сравнительная таблица по породам КРС
Порода Напр-е продукт-ти Масть Вес быков, кг Вес коров, кг Прирост в сутки, г Убойный выход,% Молочная прод-ть, кг Сод-е жира в молоке, %
Абердин-ангусская мясное черная 750950 500550 62-65 1500-1700
Айширская молочное красно-пестрая 700800 420500 50-55 4000-5000 4-4,3
Аквитанская мясное светлая 11001300 850950 2000 65-70
Алатауская мясомолочное бурая 8501000 500600 800-900 53-60 4000-4500 3,8-4,06
Аулиекольская мясное светлосерая 9501050 540560 1095 60-63
Бельгийская голубая мясное белая 11001250 850900 70-80
Бестужевская мясомолочное красная 790950 480560 700-850 58-60 2900-3500 3,7-3,9
Бурая латвийская молочное красная 800850 500550 50 3500-4000 3,9-4
Бурая швицкая мясомолочное бурая 850950 500550 800-1000 50-60 3000-3500 3,6-3,8
Бурая швицкая мясомолочное бурая 850950 500550 50-60 3000-3500 3,6-3,8
Галловейская мясное черная, серая 800850 450500 800-1100 58-62 1300-1500 3,8-4
Галловейская мясное черная 800850 450500 800-1100 58-62 1500 4
Герефордская мясное красная 800900 500540 10001200 60-70 1000-1200 3,9-4
Девонская мясное буро-красная 800 500600 65-68 1500-2000 4-4,5
Джерсейская молочное рыжая, светло-бурая 600750 360400 3500 5,2-5,8
Джерсейская молочное рыжая 600700 360400 3000-4500 0,5
Истобенская молочное черно-пестрая 750900 430480 700-800 52-56 3000-3700 3,8-4,10
Казахская мясное 600 350370 54-60 1000-1400 4,5
Казахская белоголовая мясное красная 850950 500560 900-1000 53-65 1000-1500 3,8-4,5
Калмыцкая мясное красная 800870 470540 800-1000 55-60 1000-1200 4-4,5
Кианская мясное белая 12001300 700750 10001400 60-65
Костромская мясомолочное бурая, светло-бурая 800900 550650 65-67 3500-5000 3,8-3,9
Красная горбатовская мясомолочное красная 600750 420480 900-1000 55-62 2800-3300 4-4,2
Красная степная молочное красная 800900 450550 52-55 3500-4000 3,7-3,9
Курганская мясомолочное красно-пестрая 800900 450550 55-65 3000-3200 3,9-4
Лебединская мясомолочное серо-бурая 8501000 500550 900-1000 60-62 5000-6000 3,8-3,9
Лимузинская мясное красная, красно-бурая 10001100 580600 800-1000 68-70 1200-1800 4,8-5
Маркиджанская мясное светлосерая 1000 600 61-63
Обрак мясное темно-палевая 950 600 12001300 63
Романьольская мясное серая 10001200 650 1255 58-65
Русская комолая мясное черная 12001250 800 12001250 80
Салерс мясное темно-красная 10001300 650900 900-1100 60-62 1800-2000
Санта-гертруда мясное красная 8301000 560600 10001200 63-65 5000-8000 4,6-6
Серая украинская мясомолочное серая 800850 450500 62-65 2100-2800 4,2-4,5
Сибирская мясомолочное 450500 280360 45 1600-2000
Симментальская мясомолочное палевая, красно-пестрая 9001200 550650 55-60 3000-3500 3,7-4
Суксунская молочное красная 750950 460500 3000-3700 3,8-4
Сычевская мясомолочное палево-пегая 8001000 500600 62 3500-4500 3,8-3,9
Тагильская молочное черно-пестрая, черная 750900 460500 750-850 52-55 3000-3500 4-4,1
Холмогорская молочное черно-пестрая 9001000 500600 50-55 3500-4000 3,6-3,7
Черно-пестрая молочное черно-пестрая 9001100 500550 800-1000 50-55 6000-8000 3,6-3,7
Шаролезская мясное белая, желтая 10001200 700800 900-1400 65-66 4
Швицкая мясомолочное светлосерая, темно-бурая 800950 550600 58-60 3500-4000 3,7-3,8
Шортгорнская мясное красная 9001000 500600 10001200 63-67 3500-4000 3,7-3,9
Якутская мясомолочное 540600 370 51,8 1500 4,5-4,7
Ярославская молочное черная 700800 460500 800-900 52-56 3200-3500 4-4,5
Источник: 1Шр: //шеайп& ■ru/info/show?id= 197
Как видно из таблицы 1 данные по породам КРС представлены по 8 показателям, из которых 2 текстовых и 6 числовых, причем числовые показатели даны в форме числовых диапазонов (интервалов), которые не являются числами. Кроме того в числовых колонках есть ячейки вообще без данных, значениями которых являются пробелы. В таком виде эти данные не могут быть непосредственно использованы, поэтому возникает задача для их преобразования в такую форму, которая воспринимается одним из программных интерфейсов (API) системы «Эйдос»с внешними источниками данных.
Для этого мы выполнили в таблице 1 следующие преобразования:
- числовые диапазоны заменили на средние по диапазону;
- пустые ячейки в числовых колонках заменили на 0, которые в системе «Эйдос» могут интерпретироваться как отсутствие данных в числовых колонках;
- продублировали колонку «Порода», т.к. 1-я колонка в системе «Эйдос» содержит информацию об источнике данных, а последующие являются классификационными и описательными шкалами. Классификационная шкала выделена желтым фоном.
В результате мы получили таблицу 2, стандартную по своей форме для системы «Эйдос»:
Таблица 2 - Сравнительная таблица по породам КРС _в стандарте системы «Эйдос» _
я ч о & о 1орода 1апр-е продукт-ти .а н и я !ес (быков, кг !ес коров, кг 1рирост в сутки, г 'бойный выход,% Лолочная прод-ть, кг ^од-е жира в молоке, %
Абердин-ангусская Абердин-ангусская мясное черная 850,0 525,0 0,0 63,5 1600,0 0,0
Айширская Айширская молочное красно-пестрая 750,0 460,0 0,0 52,5 4500,0 4,0
Аквитанская Аквитанская мясное светлая 1200,0 900,0 2000,0 67,5 0,0 0,0
Алатауская Алатауская мясомолочное бурая 925,0 550,0 850,0 56,5 4250,0 3,5
Аулиекольская Аулиекольская мясное светлосерая 1000,0 550,0 1095,0 61,5 0,0 0,0
Бельгийская Бельгийская мясное белая 1175,0 875,0 0,0 75,0 0,0 0,0
голубая голубая
мясо-
Бестужевская Бестужевская молочное красная 870,0 520,0 775,0 59,0 3200,0 3,0
Бурая латвийская Бурая латвийская молочное красная 825,0 525,0 0,0 50,0 3750,0 3,5
мясо-
Бурая швицкая Бурая швицкая молочное бурая 900,0 525,0 900,0 55,0 3250,0 3,0
Галловейская Галловейская черная, серая мясное черная, серая 825,0 475,0 950,0 60,0 1400,0 3,5
Галловейская
Галловейская черная мясное черная 825,0 475,0 950,0 60,0 1500,0 4,0
Герефордская Герефордская мясное красная 850,0 520,0 1100,0 65,0 1100,0 3,5
Девонская Девонская мясное буро-красная 800,0 550,0 0,0 66,5 1750,0 4,0
Джерсейская рыжая,
Джерсейская рыжая, светло-бурая молочное светло-бурая 675,0 380,0 0,0 0,0 3500,0 5,0
Джерсейская Джерсейская рыжая молочное рыжая 650,0 380,0 0,0 0,0 3750,0 5,0
Истобенская Истобенская молочное черно-пестрая 825,0 455,0 750,0 54,0 3350,0 3,5
Казахская Казахская мясное 600,0 360,0 0,0 57,0 1200,0 4,0
Казахская бело- Казахская бело-
головая головая мясное красная 900,0 530,0 950,0 59,0 1250,0 3,5
Калмыцкая Калмыцкая мясное красная 835,0 505,0 900,0 57,5 1100,0 4,0
Кианская Кианская мясное белая 1250,0 725,0 1200,0 62,5 0,0 0,0
Костромская Костромская мясомолочное бурая, светло-бурая 850,0 600,0 0,0 66,0 4250,0 3,0
Красная горба-товская Красная горба-товская мясомолочное красная 675,0 450,0 950,0 58,5 3050,0 4,0
Красная степная Красная степная молочное красная 850,0 500,0 0,0 53,5 3750,0 3,0
Курганская Курганская мясомолочное красно-пестрая 850,0 500,0 0,0 60,0 3100,0 3,5
мясо-
Лебединская Лебединская молочное серо-бурая 925,0 525,0 950,0 61,0 5500,0 3,0
красная,
Лимузинская Лимузинская мясное красно-бурая 1050,0 590,0 900,0 69,0 1500,0 4,5
светло-
Маркиджанская Маркиджанская мясное серая 1000,0 600,0 0,0 62,0 0,0 0,0
темно-
Обрак Обрак мясное палевая 950,0 600,0 1250,0 63,0 0,0 0,0
Романьольская Романьольская мясное серая 1100,0 650,0 1255,0 61,5 0,0 0,0
Русская комолая Русская комолая мясное черная 1225,0 800,0 1225,0 80,0 0,0 0,0
темно-
Салерс Салерс мясное красная 1150,0 775,0 1000,0 61,0 1900,0 0,0
Санта-гертруда Санта-гертруда мясное красная 915,0 580,0 1100,0 64,0 6500,0 5,0
Серая украинская Серая украинская мясомолочное серая 825,0 475,0 0,0 63,5 2450,0 4,0
мясо-
Сибирская Сибирская молочное 475,0 320,0 0,0 45,0 1800,0 0,0
палевая,
Симментальская Симментальская мясомолочное красно-пестрая 1050,0 600,0 0,0 57,5 3250,0 3,5
Суксунская Суксунская молочное красная 850,0 480,0 0,0 0,0 3350,0 3,5
мясо- палево-
Сычевская Сычевская молочное пегая 900,0 550,0 0,0 62,0 4000,0 3,0
черно-
Тагильская Тагильская молочное пестрая, черная 825,0 480,0 800,0 53,5 3250,0 4,0
Холмогорская Холмогорская молочное черно-пестрая 950,0 550,0 0,0 52,5 3750,0 3,0
Черно-пестрая Черно-пестрая молочное черно-пестрая 1000,0 525,0 900,0 52,5 7000,0 3,0
белая, жел-
Шаролезская Шаролезская мясное тая 1100,0 750,0 1150,0 65,5 0,0 4,0
светло-
Швицкая Швицкая мясомолочное серая, темно-бура 875,0 575,0 0,0 59,0 3750,0 3,0
Шортгорнская Шортгорнская мясное красная 950,0 550,0 1100,0 65,0 3750,0 3,0
мясо-
Якутская Якутская молочное 570,0 370,0 0,0 51,0 1500,0 4,0
Ярославская Ярославская молочное черная 750,0 480,0 850,0 54,0 3350,0 4,0
Таким образом, на этапе когнитивно-целевой структуризации предметной области мы решили, что в качестве классификационной шкалы мы будем использовать колонку «Породы», а в качестве описательных шкал колонки:
- Направление продуктивности;
- Масть;
- Вес быков, кг;
- Вес коров, кг;
- Прирост в сутки, г;
- Убойный выход, %;
- Молочная продуктивность, кг;
- Содержание жира в молоке, %.
Специально отметим, что мы полностью приводим исходные данные в таблице 2, чтобы желающие могли проверить полученные в ней результаты и использовать их в научных и учебных целях. Для этих же целей создано облачное «Эйдос» приложение №131, которое любой пользователь системы может установить и исследовать в диспетчере приложений (режим 1.3).
После получения таблицы 2 все готово для перехода к следующему этапу АСК-анализа, на котором выполняется формализация предметной области.
2.2. Формализация предметной области
На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации и с их помощью кодируются исходные данные (таблица 2), в результате чего получается обучающая выборка, по сути, представляющая собой нормализованную базу исходных данных. В системе «Эйдос» процесс формализации предметной области полностью автоматизирован и реализуется в режиме 2.3.2.2 (рисунок 1):
3,2,2, Универсальный программный интерфейс импорта данных в систему ^ЭЙДОС-Х+н-"
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: ЧпреЫа"
Задайте параметры:-
Стандарт Х1_5-Файла
-Задайтетип Файла исходных данных: "1пр_с1а1а": (* ^ЬБ - МБ ЕхсеГ2003 Г МБ Ехсе1-2007(2010) С ОВР - РВАЭЕ IV (ОВР/ЫТХ) Стандарт РВР-Файла
С СБУ -Сотта-5ерага(ес1 \/а1иез Стандарт СЭУ-файла
(* Нули и пробелы считать ОТСУТСТВИЕМ данных Г Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г" Создавать БД средних по классам "1пр_с1а¥г.с1ЬГ? Требования к файлу исходных данных
-Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
—Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:
[—Задайте режим:-
(* Формализации предметной области (на основе "1пр_с)а(а") Г" 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 текстовых полей "1пр_с1а(а": (* Не применять сценарный метод АСК-анализа Г* Применить сценарный метод АСК-анализа
Применить спец.интерпретацию текстовых полей классов Г" Применить спец.интерпретацию текстовых полей признаков
Параметры интерпретации значений текстовых полей "1пр_[1а1а":
Интерпретация ТХТ-полей классов:
Значения полей текстовых классификационных шкал файла
исходных данных "1пр_с1а1а" рассматриваются как целое
- Интерпретация ТХТ-полей признаков: Значения полей текстовых описательных шкал файла исходных данных "1пр_с1а1а" рассматриваются как целое
-Какие наименования ГРАДАЦИЙ числовых шкал использовать:
(* Только интервальные числовые значения (например: "1 /3-{59873.0000000,178545.6666667}"]
С Только наименования интервальных числовых значений (например: "Минимальное")
^ И интервальные числовые значения, и их наименования (например: "Минимальное: 1 /|3-{59873.0000000,178545.
Рисунок 1. Экранная форма режима 2.3.2.2 системы «Эйдос»
В экранной форме на рисунке 1 приведены реально использованные в данном режиме параметры. После нажатия «ОК» через некоторое время появляется окно внутреннего калькулятора (рисунок 2):
Рисунок 2. Экранная форма внутреннего калькулятора режима 2.3.2.2.
В этой экранной форме мы видим, сколько текстовых и числовых классификационных и описательных шкал система обнаружила при заданных параметрах и сколько в них обнаружено градаций. Если обнаружены шкалы числового типа, то появляется возможность задать количество интервальных числовых значений в этих шкалах. Это делается отдельно для классификационных и описательных шкал, таким образом, число интервальных числовых значений в классификационных и описательных шкалах может отличаться. Если это число изменяется, то необходимо кликнуть по левой кнопке, а затем уже выходить на создание модели.
В результате выполнения данного режима формируются классификационные и описательные шкалы и градации и обучающая выборка (таблицы 3, 4 и 5):
Таблица 3 - Классификационные шкалы и градации
KOD CLS NAME CLS
1 ПОРОДА-Абердин-ангусская
2 ПОРОДА-Айширская
3 ПОРОДА-Аквитанская
4 ПОР ОДА-Алатауская
5 ПОРОДА-Аулиекольская
6 ПОРОДА-Бельгийская голубая
7 ПОРОДА-Бестужевская
8 ПОРОДА-Бурая латвийская
9 ПОРОДА-Бурая швицкая
10 ПОРОДА-Галловейская черная
11 ПОРОДА-Галловейская черная, серая
12 ПОРОДА-Герефордская
13 ПОРОДА-Девонская
14 ПОРОДА-Джерсейская рыжая
15 ПОРОДА-Джерсейская рыжая, светло-бурая
16 ПОРОДА-Истобенская
17 ПОРОДА-Казахская
18 ПОРОДА-Казахская белоголовая
19 ПОРОДА-Калмыцкая
20 ПОРОДА-Кианская
21 ПОРОДА-Костромская
22 ПОРОДА-Красная горбатовская
23 ПОРОДА-Красная степная
24 ПОРОДА-Курганская
25 ПОРОДА-Лебединская
26 ПОРОДА-Лимузинская
27 ПОРОДА-Маркиджанская
28 ПОРОДА-Обрак
29 ПОРОДА-Романьольская
30 ПОРОДА-Русская комолая
31 ПОРОДА-Салерс
32 ПОРОДА-Санта-гертруда
33 ПОРОДА-Серая украинская
34 ПОРОДА-Сибирская
35 ПОРОДА-Симментальская
36 ПОРОДА-Суксунская
37 ПОРОДА-Сычевская
38 ПОРОДА-Тагильская
39 ПОРОДА-Холмогорская
40 ПОРОДА-Черно-пестрая
41 ПОР ОДА-Ша ролезская
42 ПОРОДА-Швицкая
43 ПОРОДА-Шортгорнская
44 ПОРОДА-Якутская
45 ПОР ОДА-Я росла вская
Таблица 4 - Описательные шкалы и градации
KOD ATR NAME ATR
1 НАПР-Е ПРОДУКТ-ТИ-молочное
2 НАПР-Е ПРОДУКТ-ТИ-мясное
3 НАПР-Е ПРОДУКТ-ТИ-мясо-молочное
4 МАСТЬ-белая
5 МАСТЬ-белая, желтая
6 МАСТЬ-бурая
7 МАСТЬ-бурая, светло-бурая
8 МАСТЬ-буро-красная
9 МАСТЬ-красная
10 МАСТЬ-красная, красно-бурая
11 МАСТЬ-красно-пестрая
12 МАСТЬ-палевая, красно-пестрая
13 МАСТЬ-палево-пегая
14 МАСТЬ-рыжая
15 МАСТЬ-рыжая, светло-бурая
16 МАСТЬ-светлая
17 МАСТЬ-светло-серая
18 МАСТЬ-светло-серая, темно-бура
19 МАСТЬ-серая
20 МАСТЬ-серо-бурая
21 МАСТЬ-темно-красная
22 МАСТЬ-темно-палевая
23 МАСТЬ-черная
24 МАСТЬ-черная, серая
25 МАСТЬ-черно-пестрая
26 МАСТЬ-черно-пестрая, черная
27 ВЕС БЫКОВ, КГ-1 /4-{475.0000000, 668.7500000}
28 ВЕС БЫКОВ, КГ-2/4-{668.7500000, 862.5000000}
29 ВЕС БЫКОВ, КГ-3/4-{862.5000000, 1056.2500000}
30 ВЕС БЫКОВ, КГ-4/4-{1056.2500000, 1250.0000000}
31 ВЕС КОРОВ, КГ-1 /4-{320.0000000, 465.0000000}
32 ВЕС КОРОВ, КГ-2/4-{465.0000000, 610.0000000}
33 ВЕС КОРОВ, КГ-3/4-{610.0000000, 755.0000000}
34 ВЕС КОРОВ, КГ-4/4-{755.0000000, 900.0000000}
35 ПРИРОСТ В СУТКИ, Г-1/4-{750.0000000, 1062.5000000}
36 ПРИРОСТ В СУТКИ, Г-2/4-{1062.5000000, 1375.0000000}
37 ПРИРОСТ В СУТКИ, Г-3/4-{1375.0000000, 1687.5000000}
38 ПРИРОСТ В СУТКИ, Г-4/4-{1687.5000000, 2000.0000000}
39 УБОИНЫИ ВЫХОД,%-1/4-{45.0000000, 53.7500000}
40 УБОИНЫИ ВЫХОД,%-2/4-{53.7500000, 62.5000000}
41 УБОЙНЫЙ ВЫХОД,%-3/4-{62.5000000, 71.2500000}
42 УБОЙНЫЙ ВЫХОД,%-4/4-{71.2500000, 80.0000000}
43 МОЛОЧНАЯ ПРОД-ТЬ, КГ-1 /4-{1100.0000000, 2575.0000000}
44 МОЛОЧНАЯ ПРОД-ТЬ, КГ-2/4-{2575.0000000, 4050.0000000}
45 МОЛОЧНАЯ ПРОД-ТЬ, КГ-3/4-{4050.0000000, 5525.0000000}
46 МОЛОЧНАЯ ПРОД-ТЬ, КГ-4/4-{5525.0000000, 7000.0000000}
47 СОД-Е ЖИРА В МОЛОКЕ, %-1/4-{3.0000000, 3.5000000}
48 СОД-Е ЖИРА В МОЛОКЕ, %-2/4-{3.5000000, 4.0000000}
49 СОД-Е ЖИРА В МОЛОКЕ, %-3/4-{4.0000000, 4.5000000}
50 СОД-Е ЖИРА В МОЛОКЕ, %-4/4-{4.5000000, 5.0000000}
Таблица 5 - Обучающая выборка
NAME OBJ N2 N3 N4 N5 N6 N7 N8 N9 N10
Абердин-ангусская 1 2 23 28 32 41 43
Айширская 2 1 11 28 31 39 45 48
Аквитанская 3 2 16 30 34 38 41
Алатауская 4 3 6 29 32 35 40 45 47
Аулиекольская 5 2 17 29 32 36 40
Бельгийская голубая 6 2 4 30 34 42
Бестужевская 7 3 9 29 32 35 40 44 47
Бурая латвийская 8 1 9 28 32 39 44 47
Бурая швицкая 9 3 6 29 32 35 40 44 47
Галловейская 11 2 24 28 32 35 40 43 47
Галловейская 10 2 23 28 32 35 40 43 48
Герефордская 12 2 9 28 32 36 41 43 47
Девонская 13 2 8 28 32 41 43 48
Джерсейская 15 1 15 28 31 44 50
Джерсейская 14 1 14 27 31 44 50
Истобенская 16 1 25 28 31 35 40 44 47
Казахская 17 2 27 31 40 43 48
Казахская белоголовая 18 2 9 29 32 35 40 43 47
Калмыцкая 19 2 9 28 32 35 40 43 48
Кианская 20 2 4 30 33 36 40
Костромская 21 3 7 28 32 41 45 47
Красная горбатовская 22 3 9 28 31 35 40 44 48
Красная степная 23 1 9 28 32 39 44 47
Курганская 24 3 11 28 32 40 44 47
Лебединская 25 3 20 29 32 35 40 45 47
Лимузинская 26 2 10 29 32 35 41 43 49
Маркиджанская 27 2 17 29 32 40
Обрак 28 2 22 29 32 36 41
Романьольская 29 2 19 30 33 36 40
Русская комолая 30 2 23 30 34 36 42
Салерс 31 2 21 30 34 35 40 43
Санта-гертруда 32 2 9 29 32 36 41 46 50
Серая украинская 33 3 19 28 32 41 43 48
Сибирская 34 3 27 31 39 43
Симментальская 35 3 12 29 32 40 44 47
Суксунская 36 1 9 28 32 44 47
Сычевская 37 3 13 29 32 40 44 47
Тагильская 38 1 26 28 32 35 39 44 48
Холмогорская 39 1 25 29 32 39 44 47
Черно-пестрая 40 1 25 29 32 35 39 46 47
Шаролезская 41 2 5 30 33 36 41 48
Швицкая 42 3 18 29 32 40 44 47
Шортгорнская 43 2 9 29 32 36 41 44 47
Якутская 44 3 27 31 39 43 48
Ярославская 45 1 23 28 32 35 40 44 48
Обучающая выборка по сути представляет собой нормализованную с помощью классификационных и описательных шкал и градаций базу исходных данных. Это делает исходные данные готовыми для обработки в программной системе и выполнения следующего этапа АСК-анализа: синтеза и верификации модели.
2.3. Синтез и верификация статистических и системно-когнитивных моделей
Синтез и верификация моделей осуществляется в режиме 3.5 (рисунок 3):
Рисунок 3. Экранная форма режима синтеза и верификации моделей
Ниже на рисунке 4 приведен фрагмент созданной системно-когнитивной модели (СК-моделей): ЮТ3:
Рисунок 4. Фрагмент СК-модели: ШР3
Описание всех статистических и СК-моделей, создаваемых системой «Эйдос», приведено в работе [10].
2.4. Определение наиболее достоверной модели и придание ей статуса текущей
В режиме 4.1.3.6 мы видим, что наиболее достоверной по критерию
L2 является модель INF4 с интегральным критерием «Сумма знаний» (рисунок 5):
1 M^f*
1. ABS ■ частный критерий: количество встреч сочетаний: "клас... Корреляция абсчастот с обр.... 08 ••• 1 — 1 ... 0 ¡и ..и. • • ...
2 PRC1 - Устный критерий асл IIpoZoH 1-го признака 1рм Сумма усл.отн.частот по приз... 8сГ - Q » ... » 1 — — я, ... ■ ...
3. PRC2 - частный кр^ерий: ровная верность 1-го признака... сГм^сТотГчаЗп^ГрГ т ■ — .... Ш 261 .,12? 733 ... —! —
4. INF1 В. INF3 - ti—HHIf IHITIIIIII частный критерий: ROI (Relurn On Inveslmenl); вероятно... Сумма знаний Сумма знаний Сумма знаний Сумма знаний 2,2 .... » • ... ■ «« . ... ■
Ii Сема—резонансзна... Ш • « » • « 3 Ж ■ Г
Рисунок 5. Экранная форма результатов верификации СК-моделей
Из рисунка 5 видно, что достоверность СК-модели INF4 с интегральным критерием «Сумма знаний» по метрике L2=0.948 (при максимуме 1), что является высоким показателем. Исследование моделируемой предметной области путем исследования этой ее модели корректно можно считать исследованием самой моделируемой предметной области.
Присвоим СК-модели INF4 статус текущей модели (рисунок 6):
---яящщщщщщщщщщщщЩ
5.6- Выбрать модель м сделать ее текущей
Задайте текущую стет. модель или модель знаний Статистические базы:
Г" 1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки Г" 2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов j-го класса f"" 3. PRC2 ■ частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:
f"" 4. INFI - частный Критерий: количество знаний по А.Харкевичу; вероятности из PRC1 Г" 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 С 6. INF3 - частный критерий! Хи-квадрагг, разности между Фактическими и ожидаемыми абс.частотами • |7. INF4 - частный критерий: ROI (Return Ön Investment); вероятности из PRCÍ] С S. INF5 - частный критерий: ROI [Return On Investment); вероятности из PRC2 С 9. INF6 ■ частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 Г" 1 U.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
- Как задавать параметры синтеза моделей
В качестве текущей можно задать любую из ранее расчиганнын 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., применяемы;-; в системе "Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http:Mc.kubagro.ru^aidos^index.htm, http7/www.tw¡rpx.com¿f¡le¿793311/
Ok I Cancel
Рисунок 6. Экранная форма режима 5.6 придания СК-модели статуса текущей
3. Решение задач на основе созданной модели
С помощью наиболее достоверной из созданных СК-моделей могут быть решены задачи идентификации, принятия решений и исследования предметной области путем исследования ее модели.
3.1. Идентификация, диагностика, классификация и прогнозирование
Для решения задачи идентификации используется режим 4.1.2, работающий с текущей моделью.
Но в данной работе в качестве тестовой выборки мы используем обучающую выборку, распознавание которой во всех статистических и системно-когнитивных моделях было проведено сразу после их синтеза.
Результаты распознавания отображаются в 12 формах, из которых мы приведем лишь одну (рисунок 7):
Рисунок 7. Экранная форма режима пакетного распознавания
3.2. Когнитивные SWOT-диаграммы классов
Задача поддержки принятия решений является обратной по отношению к задаче идентификации. Если при идентификации мы по набору признаков определяем породу КРС, то при принятии решений, наоборот, по заданной породе определяем наиболее характерные и не характерные для
нее признаки. Эту задачу позволяет решить автоматизированный когнитивный SWOT-анализ [11], в выходных формах которого указано не просто наличие тех или иных признаков у той или иной породы КРС, но и указаны как наиболее характерные, так и наиболее нехарактерные из него, причем с количественной оценкой степени характерности и не характерности. Характерность признака означает, что его вероятность встречи при данной породе КРС выше, чем в среднем по всем породам. Не характерность не означает отсутствия признака, а означает, что вероятность его встречи при данной породе КРС ниже, чем в среднем.
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. На рисунке 8 приведена SWOT-характеристика конкретной породы «Абердин-ангусская» в СК-модели Г№3.
Рисунок 8. SWOT-характеристика породы: «Абердин-ангусская»
Слева на SWOT-диаграмме мы видим наиболее характерные для данной породы КРС признаки, а справа наиболее нехарактерные.
3.3. Исследование моделируемой предметной области путем исследования ее модели
Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования.
В системе «Эйдос» есть довольно много возможностей для такого исследования, но мы рассмотрим лишь: результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети.
3.3.1. Когнитивные диаграммы классов
Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 9):
ф 4.2.2.2. Результаты кластерно-конструктивн.
СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3'
КОНСТРУКТ КЛАССА: [44]-ПОРОДА-Якутская Приложение: АСК-анализ и классификация пород КРС
Рисунок 9. Когнитивная диаграмма классов и конструкт со смысловыми полюсами: «Якутская» «Ш ортгорнская»
Отметим, что на когнитивной диаграмме, приведенной на рисунке 9, показаны 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.
3.3.2. Агломеративная когнитивная кластеризация классов
Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 9, но и в форме агломера-тивных дендрограмм, полученных в результате когнитивной кластеризации [5-8] (рисунок 10):
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИИ ПРИ КОГНИТИВНОИ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "АСК-анализ и классификация пород КРС"
1 (8.73) 0 7 ¡«1/.| 9 3 (36.(8.73)) ■? 4 ('■?/) ■'< 0 1
6 (4?Я 70 / (ЗЬ.ЗО ?'■ 9 (10.19) ?• 10 (/.9) ?•
11 ((/9)(4?(ЗЬ.ЗОИ 71 17 (6 30) ?1 13 (39.40) 14 !!4.1!>) 3! (5 53) ЗЬ 09 1 37 1 6/ I 71 1 34 1
■/ (78.3?) 19 19 (41.(70.79)) 40 18 (43.(783?)) 40 ?0 (38.4',) 41 74 1 34 1
77 (3.(6,30)) 44 ?3 (33.(1.13)) 44 ?'. (¡3(6 30)1(41.(7079))) 4/ 7Ь ¡11.(10.19)) 4/ 76 (17(43,(78.3?))) 67 * 6/ / / 97 / 43 X
7! (35 ((3.(6.30)1(41.(70.79)))) •■? 79 (74 ((4 ?Ь).((/.9).(*?.(ЗЬ.ЗО)))) 30 ¡18.(11 ¡50.19))) 'Л 1- ((39.40).(36.(8.73В) 60 х ?■ / 76 / 9/ ^<»
33 ((38.4Ь).(7.( т 6 ("4,1*»)))) _М| 34 (77 «38 4'.) ¡7 ¡56.! 54 5Ь))И) т. (76.(5?.!43.(78.37)))) 68 Г % ................................................. 694/ 3' (71.(33.(1.13))) /0 14
40 «7-.(ЧЧ.С.-Ч)».!-8.( {0-9)1» / 84 9'. 4" !С/.(34.М)и(?1.рз.С .......... ........... ^^ 9'. 40 .; -.• 4 44.. ■■•• -- -С-...... - .. :„,.;•':.'•„,„..< V ;4 ■ ;76.<7.....и "0901 « (««.(('• ли^«^30)))).«(39.10); 46,(8. Л))).(7?.«38.4Ь).(7.( 16.( 14 "<.)......(«1Л(Х44)).«71 (33.(1 13)Й(18(15 ("0 .......... ............... ... ....... ................ ............ 00
25 26 27
29 50 51
1 2 5 4 5 6 7 9 10 8 11 12 15 14 15 16 17 19 18 20 21 22 25
Номера кластеров
КЛАСТЕРНАЯ ФОРМУЛА: (((24.((4.25).((7.9).(42.(55.57Ш.(((59.40).(56.(8.25Щ.(22.((58.45).(2.(16.(14.15)ЩЩ.(((17.(54.44)).((21.(55.(1.15))).|18.|11.(10.19))Щ.((51.((5.(6.50)).(41.(20.29)Щ.((5.27).(26.(12.(45.(28.52))ЩЩ
55 54 55 56 57
Рисунок 10. Дендрограмма когнитивной кластеризации классов и график изменения межкластерных расстояний
3.3.3. Когнитивные диаграммы признаков
Эти диаграммы отражают сходство/различие признаков. Мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 11):
Рисунок 11. Когнитивная диаграмма признаков пород КРС и конструкт с полюсами: «Молочное» «Мясное»
Отметим, что на когнитивной диаграмме, приведенной на рисунке 11, показаны 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.
3.3.4. Агломеративная когнитивная кластеризация признаков
Рассмотрим рисунок 12:
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИИ ПРИ КОГНИТИВНОИ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1МРЗ"
Приложение: "АСК-анализ и классификация пород КРС"
№ Наим.кластера в кодах исх.признаков I 1 I (16.49) I ! 2 ! (16,38) !!!!!!!!!!!!!!!!!!! ! 3 ! (30,34) ! ! 4 I (27,31) !!!!!!!!!!!!!!!!!!! 0. 0. 26 31 0 1 40 I
! 6 ! (14,50) ! ; 7; (б.эз) ; ! 8 | (1.39) | ! 9 ! (2,36) ! ! 10! (4.(42,(30.34))) ! ! ! ! ! !4з 143 11111 ¡45 11111 145 149 ы / 01 | 3? I ?э I
¡5 ¡ЩЦ,, й ¡рр 11111 151 ! 53 54 ! 55 /9 / !>8 1 94 I
■/ (34.40) ■■ ^........ 70 ((4.(4?.(30.34))).{{!>.33).(41,{?.36)))) ;; :;" ? ?4 (14.«?/.31ММ.1вЮ ''}, ..... 59 60 !63 64 65 43 1 90 / 46 I ■6 1
65 68 ;л 69 } 8Ь 3/ 3/ ^^^
! 29! (26.(44,(26,(1,39)))) ! 30! ((16,38),((4,(42,(30,34))),((5,33),(41,(2,36)))))! 52 акг™1 ! 33: ((26,(44.£25,(1,39)))),<15.((27.31).(14 60))}> : ........ ** -1 ; ! !76 78
| 36; (13.(12.((47.(29.32)).(6.(3.(20.(7.45))))))) 8( I 37 (18:(13:(12:«47.(29.32)).(6,(3.(20.(7.46)))))))) 1 8" ! 38 (22,((16,38),((4,(42,(30,34))),((5,33),(41;(2^|>Й)))) , , 84
! 40 | «24,(21 .(36,40))Ш«Т1 ^2^7.(29,32)),(6,(3,(20.(7,45)))))))))! 1 42! (11 ,39)))),(15.((27,31 ).(14,60))|)) ! 43 Г„й,.1 4 1 И ,1_ 4- _ _ 4 | 44! ((|<49),(19, (22,((16,38), ((4, (42, (30,34))), ((5,33), (41. (2,36)))))))) : 87 96
I 46! ^,(23^(8,(43,(28,48))))) ! "" I 47! /(37.(23,(8.(43.(28,48))))),(СЭ,46),(11 ,((26.(44,(25,(1,39»)).(15.((27,31 >,(14.50))»))) ! 48 / (((10,49)1(19.(22.((16-^38).((4,(42,(30,34))),((5,33).(41 ,(2,36)))))))).(17.((24,(21,(35,40))).(18.(13,(И2.((47.(29.32)).(6!.(3,(20,(7,4 I 49 / (((37,(23.(8,(43,(28,46))))),((9,46).(11 ,((26,(44.(25,(1,39)))),(15,((27,31 ¡,(14,50))))))Н(((10,49),(19,(22,((16.38).((4.(42.(30,34))) «ЬЗЗЦ41.(г.36ИШЮО7.«?4.»?1.(3!..40И){18(13( 100 00 ■о/б/ 149«, ?.«4/.(?9.3?)).(6.Р.(?0.(/.4Ь)))Ш»р0
1 2 5 4 5 6 7 8 9 10 11 12 15 14 15 16 17 18 19 20 21 22 25 24 25 26 27 28 29 50 51 52 55 54 55 56 57 58
Номера кластеров
КЛАСТЕРНАЯ ФОРМУЛА: |||57.|25.|8.|45.|28.48))))).||9.46).|11.||2Б.|44.|25.|1 .59)))).|15.||27.51).|14.50))))))).|||10.49).|19.|22.||16.58)^
45 46 47
Рисунок 12. Дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний
На этом рисунке приведена агломеративная дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний, полученные на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на рисунке 11 [5-8].
3.3.5. Нелокальные нейроны и нелокальные нейронные сети
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [13] и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:
1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);
2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;
3) нейросеть является нелокальной [13], как сейчас говорят «полносвязной». От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них.
На рисунке 13 приведен пример нелокального нейрона:
с) 4.4.10. Графическое отображение нелокальных ней онов в системе "Эйдос" „ Ш 1 а | В
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"
Нейрон: [1]-ПОРОДА-Абердин-ангусская Приложение: АСК-анализ и классификация пород КРС
Рисунок 13. Пример нелокального нейрона
4. Некоторые выводы, рекомендации и перспективы
Необходимо отметить, что системно-когнитивные модели, разработанные в системе «Эйдос», могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов, разрабатывать новые модели для других животных и классов заболеваний и т.п, и т.д. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.
Возникает закономерный вопрос о возможности решения и других задач ветеринарии (а также других наук) путем применения автоматизированного системно-когнитивного анализа.
По мнению авторов АСК-анализ и система «Эйдос» представляют собой новый инновационный, т.е. 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 «Эй-дос», 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 технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии2.
Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [3, 4] и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходны-
2 Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия», «когнитивная экономика» и т.д.. Автор пытался развивать когнитивную математику [10] и когнитивную теорию управления [10], а также применять их в других областях науки и практики.
3 http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
ми текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения под номерами: 100, 125, 126, 127, 128, 131, и доступны всем желающим в режиме 1.3 системы «Эйдос». Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эйдос-облаке под номером 131.
Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:
- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc .kubagro.ru/aidos/index .htm);
- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AIDOS-X.txt);
- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc .kubagro.ru/aidos/aidos02/PR-4 .htm);
- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумлен-ных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения;
- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их около 30 и 131, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);
- обеспечивает мультиязычную поддержку интерфейса на 44 языках. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;
- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5 .com/map3 .php).
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 [13].
В заключение авторы выражают 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://meatinfo.ru
2. Сайт: http://meatinfo.ru/info/show?id=197
3. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эй-дос» / 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. http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
4. 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.
5. 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.
6. Луценко Е.В., Коржаков В.Е. 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.
7. Луценко Е.В. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал Куб-ГАУ) [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.
8. 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.
9. Сайт: http://lc.kubagro.ru/
10. 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
11. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
12. Луценко Е. В., Лойко В. И., Лаптев В. Н. Системы представления и приобретения знаний : учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. - Краснодар : Экоинвест, 2018. - 513 с. ISBN 978-5-94215-415-8. http s ://elibrary. ru/item .asp?id=35641755
13. 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://meatinfo.ru
2. Sajt: http://meatinfo.ru/info/show?id=197
3. Lucenko E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya on-line sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'j-dos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kuban-skogo go-sudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lek-tronny'j resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf
4. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda «E'jdos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Za-yavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.
5. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizaciya na osnove znanij (klasterizaciya v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j na-uchny'j zhurnal 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 dos-tupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
6. Lucenko E.V., Korzhakov V.E. Podsistema aglomerativnoj kognitivnoj kla-sterizacii klassov sistemy' «E'jdos» ("E'jdos-klaster"). Pat. № 2012610135 RF. Zayav. № 2011617962 RF 26.10.2011. Opubl. Ot 10.01.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 u.p.l.
7. 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 Kub-GAU) [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.
8. 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.
9. Sajt: http://lc.kubagro.ru/
10. 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
11. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvenno-go agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Kras-nodar: Kub-
GAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Re-zhim dos-tupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
12. Lucenko E. V., Lojko V. I., Laptev V. N. Sistemy' predstavleniya i priobrete-niya znanij : ucheb. posobie / E. V. Lucenko, V. I. Lojko, V. N. Laptev. - Krasnodar : E'koinvest, 2018. - 513 s. ISBN 978-5-94215-415-8. https://elibrary.ru/item.asp?id=35641755
13. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo po-znaniya i avtomatizirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespechivayushhij soderzhatel'noe fenomenologicheskoe mo-delirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhur-nal Kubanskogo gosu-darstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. - Rez-him dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
