CC BY
78
Научный журнал КубГАУ, №111(07), 2015 года
1
УДК 303.732.4
01.00.00 Физико-математические науки
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ ПО ИХ ПИКСЕЛЯМ (обобщение, абстрагирование, классификация и идентификация)1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 [email protected]
Кубанский государственный аграрный университет, Краснодар, Россия
Рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом. Предлагается применить теорию информации для расчета количества информации, содержащегося в пикселе изображения о том, что это изображение принадлежит к определенному классу изображений. Приводится численный пример, в котором на основе ряда конкретных примеров изображений, принадлежащих к различным классам, формируются обобщенные образы этих классов, независящие от их конкретных реализаций, т.е. «Эйдосы» этих изображений (в смысле Платона) - прототипы или архетипы изображений (в смысле Юнга). Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах конкретных изображений об их принадлежности к определенным прототипам, но и сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию)
Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ)
UDC 303.732.4
Physical-Mathematical sciences
AUTOMATED SYSTEMIC-COGNITIVE ANALYSIS OF IMAGES PIXELS (generalization, abstraction, classification and identification)
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor SPIN-code: 9523-7101 [email protected]
Kuban State Agrarian University, Krasnodar, Russia
In the article the application of systemic-cognitive analysis and its mathematical model i.e. the system theory of the information and its program toolkit which is "Eidos" system for loading images from graphics files, synthesis of the generalized images of classes, their abstraction, classification of the generalized images (clusters and constructs) comparisons of concrete images with the generalized images (identification) are examined. We suggest using the theory of information for processing the data and its size for every pixel which indicates that the image is of a certain class. A numerical example is given in which on the basis of a number of specific examples of images belonging to different classes, forming generalized images of these classes, independent of their specific implementations, i.e., the "Eidoses" of these images (in the definition of Plato) - the prototypes or archetypes of images (in the definition of Jung). But the "Eidos" system provides not only the formation of prototype images, which quantitatively reflects the amount of information in the elements of specific images on their belonging to a particular proto-types, but a comparison of specific images with generic (identification) and the generalization of pictures images with each other (classification)
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, INTELLIGENT SYSTEM "EIDOS", INPUT, DIGITIZATION OF IMAGES, SYNTHESIS OF GENERALIZED IMAGES, ABSTRACTION, CLASSIFICATION, COMPARISON SPECIFIC IMAGES WITH GENERIC (IDENTIFICATION)
1 Работа выполнена при финансовой поддержке РГНФ (проект РГНФ №13-02-00440а) и РФФИ (проект РФФИ №15-06-02569 А).
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
2
Данная статья может рассматриваться как продолжение серии работ автора [1, 2, 3, 4], посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - системы «Эйдос» для интеллектуальной обработки изображений.
Несомненный научный и практический интерес представляет синтез обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.
При этом могут использоваться различные признаки изображений. Это могут быть и просто отдельные пиксели, и различные системы пикселей, в частности внешние контуры изображений [3, 4].
В данной работе применен подход, аналогичный описанному в работе [2]. Целесообразность написания данной статьи обусловлена тем, что подход, описанный в работе [2], был реализован в DOS-версии системы «Эйдос» [5] и прошедшие с тех пор 6 лет создана новая версия системы «Эйдос-Х++», в которой этот подход развит с использованием новых графических и других возможностей языка программирования [6].
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
3
В новой версии системы есть режим 4.7, который так и называется: «АСК-анализ изображений» (рисунок 1):
Рисунок 1. Запуск режима: «АСК-анализ изображений» из главного меню системы «Эйдос-Х++»
В результате появляется главная экранная форма режима «АСК-анализ изображений», представленная на рисунке 2:
Рисунок 2. Первая экранная форма режима: «АСК-анализ изображений»
Из рисунка 2 мы видим, что системой «Эйдос-Х++» предоставляется возможность АСК-анализа изображений по всем их пикселям (чему и посвящена данная статья), а также по их контурам. В работах [3, 4] описан АСК-анализ изображений по их внешним контурам. На рисунке 3 приведен скриншот, поясняющий возможности данных режимов:
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
4
О Помощь по режиму оцифровки изображений
Оцифровку и АСК-анализ изображений возможно проводить:
1. по всем пикселям изображений.
2. по внешним контурам изображений.
3. По внешним и внутренним контурам изображений.
в 1-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.3,
Б БД lnp_data.dbf будут содержаться данные о всех пикселях изображения.
во 2-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.2,
Б базе данных lnp_data.xls будут содержаться данные о пикселях внешнего контура изображения.
Б 3-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.2, в базе данных inp_data.xls будут содержаться данные о пикселях как внешнего, так и внутренних контуров изображения С"мультиконтур") (режим в процессе разработки).
публикации по теме:
Луценко Е.в. Системно-когнитивный подход к синтезу эффективного алфавита / Е.в. Луценко // политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129.
- Шифр Информрегистра: 04209000120067, IDA [article ID]: 0510907005. -Режим доступа: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.
Луценко Е.Б. Системно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.в. Луценко // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012 0017, IDA [article id]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
Луценко Е.Б. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.в. Луценко, д.к. Бандык // политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2015. -№06(110). с. 138 - 167. - IDA [article ID]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.
Луценко Е.Б., Бандык Д. к. интерфейс ввода изображений в систему |Гэйдос|Г (подсистема Ойдос-img>). свид. Роспатента РФ на программу для ЭВМ, заявка № 2015614954 от 11.Об.2015, Гос.per.№ 2015618040, зарегистр. 29.07.2015.
Рисунок 3. Пояснение к режиму: ««АСК-анализ изображений»
После выбора оцифровки и АСК-анализ изображений по их пикселям появляется экранная форма, приведенная на рисунке 4:
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
5
—Этапы АСК-анализа изображений:--------------------------------------------------------------------------------
Данная работа предполагает выполнение следующих ЭТАПОВ:
1. Задание параметров и генерация изображений символов, просмотр таблицы шрифта. В результате в папке: C:V\IDOS-XV\ID_DATA\lnp_data\ создаются папки с bmp-Файлами изображений символов заданных шрифтов и размеров.
Поэтому перед запуском этого режима необходимо удалить содержимое nanKn:C:\AID0S-X\AID_DATA4np_data\
2. Оцифровка изображений по всем их пикселям: 2.3.2.4. Изображения берутся из папки: C:\AIDOS-X\AID_DATA\lnp_data\
3. Ввод оцифрованных изображений в систему 'Эйдос" в режиме: 2.3.2.3.
После этого возникает новое приложение, название которого можно поменять в режиме 1.3.
4. Просмотр классификационных и описательных шкал и градаций и обучающей выборки: 2.1,2.2, 2.3.1,2.4.
5. Синтез и верификация системно-когнитивных моделей изображений: 3.4., 3.5, 4.1.3.G.
6. Решение задач идентификации и исследования изображений: 4.1.3.1,4.1.3.2.
7. Просмотр и запись информационных портретов классов - обобщенных изображений символов.
—Задайте режим:------------------------------------------------------------------------------------------------
1. Задание параметров и генерация изображений символов.просмотр таблицы шрифта
2. Оцифровка изображений по всем пикселям: 2.3.2.5.
3. Ввод оцифрованных изображений в систему 'Эйдос" в режиме: 2.3.2.3.
4. Просмотр класс.и опис.шкал и градаций и обуч.выборки: 2.1,2.2, 2.3.1,2.4.
5. Синтез и верификация системно-когнитивных моделей изображений: 3.4, 3.5, 4.1.3.6 G. Решение задач идентификации и исследования изображений: 4.1.3.2, 4.1.3.1 7. Просмотр и запись информационных портретов классов - обобщенных изображений
бк j Cancel j
Рисунок 4. Экранная форма режима оцифровки и АСК-анализа изображений по их пикселям
В верхней части экранной формы описаны основные этапы работы в данном режиме и его основные возможности.
В нижней части экранной формы есть кнопки, позволяющие запустить соответствующие режимы на исполнение.
Рассмотрим их по порядку.
АСК-анализ изображений может использоваться для выполнения реальных научных и практических задач обработки изображений в различных предметных областях, а также в качестве учебного режима для освоения различных методов интеллектуальной обработки изображений.
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
6
В первом случае изображения, которые мы собираемся анализировать, получены из внешнего источника (фото, сканированные изображения, клип-арты и т.д.). В этом случае они вручную помещаются пользователем в папку: c:\Aidos-X\AID_DATA\Inp_data\.
Во втором случае, который мы и рассмотрим в данной статье, используется генератор изображений символов различных размеров, стилей и шрифтов, встроенный в систему «Эйдос». Эти изображения и используются для анализа. Запуск данного генератора изображений происходит по нажатию кнопки 1 на экранной форме, приведенной на рисунке 4. В результате появляется окно генератора изображений символов, в котором пользователь может задать какие символы генерировать, а также размер и тип шрифта (рисунок 5):
Рисунок 5. Экранная форма генератора изображений символов режима: «АСК-анализ изображений»
При нажатии на кнопке: появляется стандартное окно выбора ти-
па шрифта и его стиля (рисунок 6):
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
7
Рисунок 6. Стандартное окно выбора типа шрифта и его стиля
С помощью этого окна выбираем символы и шрифты для численного примера, исследуемого в данной статье. В данном случае это цифры следующих шрифтов. Если в папке: c:\Aidos-X\AID_DATA\Inp_data\ не было поддиректории с изображениями заданных символов заданных шрифтов, то они создаются. В папках имена которых совпадают с наименованиями шрифтов, создаются графические файлы с созданными изображениями заданных символов:
t [-]________________________
Й [36_@Aid_Uhicode_MS]
Q [3G_@Arial JJhjcode_MS_Bdd] Q [36_Courier_Bo1d]
Q [36_Cotxier_New]
Q [3G_Times_New_Roman]
Q [36_Times_New_Rcnnan_Bold]
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
8
Эти изображения обрезаны по максимальным размерам (ширине и высоте) всех созданных изображений.
Когда изображения для исследования подготовлены и записаны в нужную директорию и поддиректории, то запускается автоматизированный программный интерфейс ввода изображения в систему «Эйдос», т.е. режим оцифровки.
Отметим, что в текущую версию системы «Эйдос-Х++» входят два режима оцифровки изображений: по всем пикселям (режим 2.3.2.5) и по их внешним контурам (режим 2.3.2.42). Планируется также разработка режима оцифровки изображений по их внутренним и внешним контурам. Все режимы оцифровки изображений входя в подсистему, содержащую программные интерфейсы системы «Эйдос» с внешними истопниками данных, представленных в различных формах: в форме текстов, таблиц и изображений (рисунок 7):
Рисунок 7. Экранная форма главного меню системы «Эйдос-Х++» с программными интерфейсами ввода данных в систему из внешних источников данных различных типов
Запуск режима оцифровки изображений по их пикселям возможен из режима 2.3.2.5 (рисунок 7), а также путем нажатия на вторую кнопку в экранной форме, приведенной на рисунке 4. При запуске данного режима оцифровки открывается окно (рисунок 8):
2 Программное обеспечение режима 2.3.2.4 разработано Д.К.Бандык по постановке и алгоритмам проф.Е.В.Луценко: http://lc.kubagro.ru/aidos/2015618040.ipg
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
9
■■ ч Задайте- режим — . - 1 —- - , 1=1 ® , \
1. ГТересаздатъ ^стереть) БД для изображений: "Image. Dbf11
2. Оцифровать изображения и записать их в БД "Image. Dbf11 ii
3. Просмотреть изображения, сохраненные в БД "Image.Dbf11
4. Создать БД "Inp_data.dbf" для программного интерфейса
h ^ d
Рисунок 8. Экранная форма режима оцифровки изображений
по всем их пикселям
Данный режим создает базу данных оцифрованных изображений. Если этой базы данных нет в текущей папке системы «Эйдос», то она создается, если она уже есть, то оцифрованные изображения просто добавляются в нее. Поэтому, если мы хотим, чтобы в этой базе были только вновь созданные изображения, то предварительно нужно пересоздать (стереть) ее. При выборе второго пункта начинается процесс оцифровки изображений, находящихся в поддиректориях папки: c:\Aidos-
X\AID_DATA\Inp_data\. Этот процесс сопровождается отображением тех изображений, которые оцифровываются в данный момент (рисунок 8):
Рисунок 8. Экранная форма отображения стадии оцифровки изображения
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
10
В любое время можно просмотреть изображения, накопленные в этой базе, кликнув по 3-й кнопке. После выбора 4-го пункта создается база данных «Inp_data.dbf» для стандартного программного интерфейса 2.3.2.3 ввода данных в Систему «Эйдос» из внешних баз данных, содержащая информацию об изображениях в стандарте данного интерфейса (рисунок 9):
Рисунок 9. Экранные формы отображения стадии исполнения
Всегда создается файл: Inp_data.dbf, который, если пользователь не отказывается от этого, экспортируется в Excel-файл.
Затем выполняется 3-й этап, приведенный на рисунке 4. При этом отображается экранная форма программного интерфейса 2.3.2.3 (рисунок 10) с нужными параметрами заданными программно (по умолчанию):
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
11
Рисунок 10. Экранная форма программного интерфейса режима 2.3.2.3.
Выполнение данного режима автоматически формирует классификационные и описательные шкалы и градации, а также обучающую выборку, содержащую данные по пикселям всех исследуемых изображений.
Help данного режима, в котором описаны его назначение и требования к исходным данным, приведен на рисунке 11:
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
12
Help режима: "2,3.2.3. Импорт данных из транспонированньи внешних баз данных"
и \—&т\
Данный режим обеспечивает импорт данных из внешних баз данных "lnp_data.xls", “Inp data xlsx" или "lnp_data.dbf" + "lnp_name.txt" в систему "Эйдос-Х++" и Формализацию предметной области, т.е. создание классификационных и описательных шкал и градаций и обучающей выборки [cm.G.4.].
ФОРМАТ ФАЙЛА ИСХОДНЫХ ДАННЫХ:
В строках с 1-й по N-ю этого файла файла содержится информация о классификационных шкалах и градациях, а в строках с N+1 -й по последнюю -об описательных шкалах и градациях.
При нумерации строк Файла исходных данных строка заголовка не нумеруется.
Все строки и колонки текстового типа.
1 -й столбец этого Файла должен быть текстового типа и содержать информацию о наименованиях шкал. Длина этих наименований должна быть минимальной, достаточной для понимания, т. к. используется в многочисленных текстовых и графических выходных формах
2-й столбец содержит информацию о типе данных классификационной или описательной шкалы:
- "N" шкала числового типа (значения в колонках будут преобразовываться из текстового типа в числовой);
- "С" шкала текстового типа (значения в колонках обрабатываться как текстовые).
Столбцы со 3-го по последний содержат информацию об объектах обучающей выборки.
Таким образом данный Файл является транспонированным Файлом стандарта, используемого режима 2.3.2.2().
Если задана опция Формирования классификационных и описательных шкал и градаций и обучающей выборки,то система автоматически находит минимальное и максимальное значения в каждой числовой шкале и Формирует заданное в диалоге количество равных интервалов. Градациями текстовых шкал являются уникальные значения. С использованием этой информации генерируется обучающая выборка, в которой каждому столбцу XLS-Файла исходных данных, начиная со второго, соответствует один объект обучающей выборки.
Если задана опция формирования только распознаваемой выборки, то с использованием ранее сформированных классификационных и описательных шкал и градаций на основе Файла с именем: "lnp_rasp.xls" Формируется распознаваемая выборка. Файл "lnp_rasp.xls" должен иметь такую же структуру, как "lnp_rasp.xls", в том числе в "lnp_rasp.xls" должен быть те же диапазоны строк калассифкационных и описательных шкал, что и в Файле "lnp_data.xls".
—Принцип организациитаблицы исходных данных:-
Нйимйнйййний кЛйССпфг Кв ЦгЮ-Н НЬ'Х и описвт«льныи и ТиП 4|вННЬ4К Ныи hiQHibtu н на 1 -го объекта поучающей Нин МенйЬа нио 2-го объегаа ■ ■ ■
Н£1ИМиКОЫ{1НИО 1-й КПй*Сн<Ьн к.и brttiHHind иииШы Т tixc гоосиз а И йчйнИй Tokctodou □начйн™ - т т
Н^иыоштлиигт кгтиссиеЬикпционнсзй шкппм г-д Чиглплоп 3.1 шчпмит ч -31л п п са поп ЗМЛЧПНИО - - -
. . , ■ 1 W ...
Наимоюоа мие 1-й шкй^ы с Т аистовое чаинка Т QKCrODOO JM Ml - т т
Н13ИМГМ4Л1и]А1иП 2-й Ьпнслталыюй ШКЛЛЬ! ы ЧИС|ЮПГ7Л 31ШЧПНИП Числоагм> шлчсниа - - -
W W ш , . . ...
□ к
Cancel
Рисунок 11. Экранная форма Help режима 2.3.2.3.
Программный интерфейс 2.3.2.3 используется в данном случае потому, что у него практически нет ограничения на число классификационных и описательных шкал и градаций.
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
13
В результате выполнения данного режима автоматически формируются классификационные и описательные шкалы и градации (рисунок 12) и обучающая выборка (таблица 1), т.е. производится нормализация базы исходных данных:
^~Ijhi Lrfs—I'
О 2.1. Классификационные шкалы и градации- Текущая модель: "INF1"^
Код шкалы Наименование классификационной шкалы
Класе ...||
Л 1 л
Код градации 1 Наименование градации классификационной шкалы DEL
1 1 /10-{Num 0} ...
2 2/10-{Num 1} ...
3 3/10-{Num 2} ...
4 4/10-{Num 3} ...
5 5/10-{Num 4} ...
6 6/10-{Num 5} ...
7 7/10-{Num 6} ...
8 8/10-{Num 7} ...
9 9/10-{Num 8} ...
10 10/10-{Num 8} ...
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
2.2, Описательные шкалы и градации, Текущая модель: 1NF1".
Код шкалы I Наименование описательной шкалы
1 Pixel(7,8) ...
2 Pixelfl 1,8) ...
3 Pixel(12,8) ...
4 Pixelfl 3,8) ...
5 Pixel(14,8) ...
6 Pixel(15,8) ...
7 Pixel(16,8) ...
8 Pixel(17,8) ...
8 Pixel(18,8) ...
10 Pixel(20,8) ...
11 Pixel(22,0) ...
12 Pixel(23,8) ...
13 Pixel(7,9) ...
14 Pixel(9,9) ...
15 Pixel(10,9) ...
16 Pixel(11,9) ...
17 Pixel(14,9) ...
18 Pixel(15,9) ...
19 Pixel(16,9) ...
20 Pixel(19,9) ...
21 Pixel(20,9) ...
22 Pixelf22,9] ...
<l I ►
Помощь Доб.шкалу Доб.град.шкалы Копир.шкалу Y
Код градации I Наименование градации описательной шкалы
1 л-1-11353884.0000000,18777215.0000000} ... 11
Рисунок 12. Экранные формы с классификационными и описательными
шкалами и градациями
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
14
Таблица 1 - Обучающая выборка (фрагмент: 65 из 1857 строк)
Наимено- вания шкал Тип данных в шкале К раткие наименования объектов обучающей выборки
trac ш п ш п ш п ш п ш п ш п ш п ш п 0 trac Ш т~ п 3 ^ п 3 м п со ^ п 3 ю п 9 trac L trac 8 trac
Класс C 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8
Pixel(1,1) N
Pixel(2,1) N
Pixel(3,1) N
* * *
Pixel(10,16) N 160 160 160 160 160 160 160 160
Pixel(11,16) N 161 161 161 161 161 161 161 161 161 161
Pixel(12,16) N 162 162 162 162 162 162 162 162 162 162
Pixel(13,16) N 163 163 163 163 163 163 163 163 163 163
Pixel(14,16) N 164 164 164 164 164 164 164 164 164 164
Pixel(15,16) N 165 165 165 165 165 165 165 165 165 165
Pixel(16,16) N 166 166 166 166 166 166 166 166 166 166
Pixel(17,16) N 167 167 167 167 167 167 167 167 167 167
Pixel(18,16) N 168 168 168 168 168 168 168 168
Pixel(19,16) N 169 169 169 169
Pixel(20,16) N 170
Pixel(21,16) N
Pixel(22,16) N
Pixel(23,16) N
Pixel(24,16) N
Pixel(25,16) N
Pixel(26,16) N
Pixel(27,16) N
Pixel(28,16) N
Pixel(29,16) N
Pixel(1,17) N
Pixel(2,17) N
Pixel(3,17) N 176 176
Pixel(4,17) N 177 177
Pixel(5,17) N 178 178
Pixel(6,17) N 179 179 179 179
Pixel(7,17) N 180 180 180 180 180
Pixel(8,17) N 181 181 181 181 181 181 181 181 181 181 181 181
Pixel(9,17) N 182 182 182 182 182 182 182 182 182 182 182 182 182 182
Pixel(10,17) N 183 183 183 183 183 183 183 183 183 183 183 183 183 183
Pixel(11,17) N 184 184 184 184 184 184 184 184 184 184 184 184 184 184
Pixel(12,17) N 185 185 185 185 185 185 185 185 185 185 185 185 185 185
Pixel(13,17) N 186 186 186 186 186 186 186 186 186 186 186 186 186 186
Pixel(14,17) N 187 187 187 187 187 187 187 187 187 187 187 187 187 187
Pixel(15,17) N 188 188 188 188 188 188 188 188 188 188 188 188 188 188 188
Pixel(16,17) N 189 189 189 189 189 189 189 189 189 189 189 189 189 189 189 189 189 189
Pixel(17,17) N 190 190 190 190 190 190 190 190 190 190 190 190 190 190 190 190 190 190
Pixel(18,17) N 191 191 191 191 191 191 191 191 191 191 191 191 191 191 191 191 191 191
Pixel(19,17) N 192 192 192 192 192 192 192 192 192 192 192 192 192 192 192 192 192 192
Pixel(20,17) N 193 193 193 193 193 193 193 193 193 193 193 193 193 193 193
Pixel(21,17) N 194 194 194 194 194 194 194 194 194 194 194
Pixel(22,17) N 195 195 195 195 195 195 195
Pixel(23,17) N 196 196 196 196
Pixel(24,17) N 197 197 197 197
Pixel(25,17) N 198 198 198
Pixel(26,17) N 199 199
Pixel(27,17) N
Pixel(28,17) N
Pixel(29,17) N
Pixel(1,18) N
Pixel(2,18) N
Pixel(3,18) N 200 200
Pixel(4,18) N 201 201
Pixel(5,18) N 202 202
Pixel(6,18) N 203 203 203 203 203 203 203 203 203 203
Pixel(7,18) N 204 204 204 204 204 204 204 204 204 204 204 204 204 204
Pixel(8,18) N 205 205 205 205 205 205 205 205 205 205 205 205 205 205
Pixel(9,18) N 206 206 206 206 206 206 206 206 206 206 206 206 206 206
Pixel(10,18) N 207 207 207 207 207 207 207 207 207 207 207 207 207 207
Pixel(11,18) N 208 208 208 208 208 208 208 208 208 208 208 208 208 208
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
15
В таблице 1 для экономии места в заголовке приведены краткие наименования объектов обучающей выборки. Полные их наименования приведены ниже:
1. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 0.bmp
2. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 1.bmp
3. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 2.bmp
4. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 3.bmp
5. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 4.bmp
6. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 5.bmp
7. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 6.bmp
8. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 7.bmp
9. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 8.bmp
10. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 9.bmp
11. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 0.bmp
12 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 1.bmp
13 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 2.bmp
14 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 3.bmp 15. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 4.bmp
16 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 5.bmp
17 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 6.bmp
18 . C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 7.bmp
19. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 8.bmp
20. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 9.bmp
21. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 0.bmp
22. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 1.bmp
23. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 2.bmp
24. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 3.bmp
25. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 4.bmp
26. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 5.bmp
27. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 6.bmp
28. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 7.bmp
29. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 8.bmp
30. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 9.bmp
31. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 0.bmp
32. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 1.bmp
33. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 2.bmp
34. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 3.bmp
35. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 4.bmp
36. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 5.bmp
37. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 6.bmp
38. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 7.bmp
39. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 8.bmp
40. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 9.bmp
41. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 0.bmp
42. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 1.bmp
43. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 2.bmp
44. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 3.bmp
45. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 4.bmp
46. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Nu^ 5.bmp
47. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 6.bmp
48. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 7.bmp
49. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 8.bmp
50. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 9.bmp
51. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 0.bmp
52. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 1.bmp
53. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 2.bmp
54. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 3.bmp
55. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 4.bmp
56. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 5.bmp
57. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 6.bmp
58. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 7.bmp
59. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 8.bmp
60. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 9.bmp
Затем запускается режим синтеза и верификации статистических и системно-когнитивных моделей с параметрами по умолчанию (рисунок 13):
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
16
€> 3,5, Выбор моделей для синтезе и верификации
в
—Задайте стат.модели и модели знаний для синтеза и верификации-Стаггистические базы:
Г? |Т . АЁ S ■ частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки р1 2. PRC1 - частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса П7 3. PRC2 - частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:
17 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
|7 5. INF2 ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
17 G. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами
|7 7. INF4 ■ частный критерий: ROI (Return On Investment); вероятности из PRC1
17 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2
|7 9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1
17 10 .INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
—Задайте текущую модель—
Г ABS Г PRC1 Г PRC2
INF1 Г INF2 Г INF3 Г INF4 Г INF5 Г INFG Г INF7
—Параметры копирования обучающей выборки в распознаваемую:-
|—Какие объекты обуч. выборки копировать;-----
Г* Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый N-й объект С Копировать N случайный объектов Г" Копировать все объекты от N1 до N2 Г Вообще не менять распознаваемую выборку
- Пояснение по алгоритму верификации |-
—Удалять из обуч. выборки скопированные объекты:-г* Неуцалять Г Удалять
- Подробнее |-
Измеряется внутренняя достоверн. модели
Для каждой заданной модели выполнить:
<* Синтез и верификацию С Только верификацию
Ok
Cancel
Н ll—i^-Г
е) 3.5 , Синтез и верификация заданных из 10 моделей
—Стации исполнения процесса--------------------------------------------------------------
Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез моделей знаний: INF1-INF7 - Готово
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-------------------------...
Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Г отово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Г отово
Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - Интегральный критерий: "Сумма знаний" - Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:------------------------------...
Шаг 8-й из 11: объединение БД DostRsp# в БД OostRasp - Г отово
Шаг Э-й из 11: Печать сводной формы по результатам верификации моделей - Г отово
Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Г отово
Шаг 11-й из 11: "Присвоение заданной модели: Infl статуса текущей" - Г отово
Синтез и верификация заданных стат.моделей и моделей знаний упешно завершена !!!
-Прогноз времени исполнения---------------------------------------------------------------
Начало: 11:09:24
Окончание: 11:12:58
100%.
□ к
Прошло: 0:03:33
Осталось: 0:00:00
Рисунок 13. Экранные формы режима синтеза и верификации моделей
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
17
В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунок 14):
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
С
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
3
Формализация предметной области
Средства кодирования исходных данных
lnp_data, lnp_data.xls
Исходные данные
Class_Sc, Gr_CISc
Классификационные шкалы и градации
Opis_Sc, Gr_OpSc
Описательные шкалы и градации
Обучающая выборка, эвентологическая база данных
' Ргс1
Матрица условных и безусловных процентных распределений, расчитанная . по числу признаков классов
Abs
Матрица абсолютных частот (матрица сопряженности, корреляционная матрица)
г Ргс2
Матрица условных и безусловных процентных распределений,расчитанная по числу объектов классов
Решение задач распознавания системной идентификации и прогнозирования
Решение задач управления (поддержки принятия решений)
Решение задач исследования предметной области путем исследования ее модели
Рисунок 14. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
18
Из всех этих моделей ниже приведена модель «ABS» и модель «INF1» (таблицы 2 и 3), наименования этих моделей приведены на рисунке 13.
Таблица 2 - Модель «Abs» (фрагмент)
Код Наименование шкалы и градации CLS1 CLS2 CLS3 CLS4 CLS5 CLS6 CLS7 CLS8 CLS9 CLS10 Сумма
1 PIXEL(7,8)-1/1-{11953664.0000000, 16777215.0000000} 1 1 2
2 PIXEL(11,8)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 1 1 5
3 PIXEL(12,8)-1/1-{16758374.0000000, 16777215.0000000} 1 1 1 1 1 1 1 7
4 PIXEL(13,8)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 8
5 PIXEL(14,8)-1/1-{16777142.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 8
6 PIXEL(15,8)-1/1-{14417919.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 8
7 PIXEL(16,8)-1/1-{14992.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 9
8 PIXEL(17,8)-1/1-{11993087.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 9
9 PIXEL(18,8)-1/1-{102.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 9
10 PIXEL(20,8)-1/1-{6731519.0000000, 16777215.0000000} 1 1 1 1 4
11 PIXEL(22,8)-1/1-{6731519.0000000, 16777215.0000000} 1 1 1 3
12 PIXEL(23,8)-1/1-{3838171.0000000, 6731519.0000000} 1 1 2
13 PIXEL(7,9)-1/1-{11953664.0000000, 16777215.0000000} 1 1 2
14 PIXEL(9,9)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 1 1 5
15 PIXEL(10,9)-1/1-{11953664.0000000, 16777215.0000000} 1 1 1 1 1 1 1 7
16 PIXEL(11,9)-1/1-{16758374.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 8
17 PIXEL(14,9)-1/1-{9452032.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 9
18 PIXEL(15,9)-1/1-{14389306.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 1 10
19 PIXEL(16,9)-1/1-{14992.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 1 10
20 PIXEL(19,9)-1/1-{6731519.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 9
21 PIXEL(20,9)-1/1-{14992.0000000, 16777215.0000000} 1 1 1 1 1 1 6
22 PIXEL(22,9)-1/1-{6731519.0000000, 16777215.0000000} 1 1 1 3
23 PIXEL(23,9)-1/1-{3838171.0000000, 16777215.0000000} 1 1 2
24 PIXEL(5,10)-1/1-{11953664.0000000, 16777215.0000000} 2 2
25 PIXEL(6,10)-1/1-{11953664.0000000, 16777215.0000000} 1 2 3
26 PIXEL(7,10)-1/1-{9452032.0000000, 16777215.0000000} 1 2 2 5
27 PIXEL(8,10)-1/1-{102.0000000, 16777215.0000000} 1 1 1 2 2 1 8
28 PIXEL(9,10)-1/1-{11993087.0000000, 16777215.0000000} 1 1 1 1 2 1 1 1 9
29 PIXEL(10,10)-1/1-{102.0000000, 16777215.0000000} 1 1 1 1 2 1 1 1 9
30 PIXEL(11,10)-1/1-{3801088.0000000, 16777215.0000000} 2 1 2 2 1 1 2 1 12
31 PIXEL(12,10)-1/1-{102.0000000, 16777215.0000000} 2 1 2 2 1 1 2 2 13
32 PIXEL(13,10)-1/1-{14992.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 2 10
33 PIXEL(14,10)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 1 1 1 1 1 1 1 10
34 PIXEL(15,10)-1/1-{6684672.0000000, 16777215.0000000} 1 2 1 1 2 1 1 1 1 1 12
35 PIXEL(16,10)-1/1-{14992.0000000, 16777215.0000000} 1 2 1 1 2 1 1 1 1 1 12
36 PIXEL(17,10)-1/1-{3838171.0000000, 16777215.0000000} 2 1 2 2 2 1 2 1 2 2 17
37 PIXEL(18,10)-1/1-{102.0000000, 16777215.0000000} 2 1 2 2 2 1 1 1 2 2 16
38 PIXEL(19,10)-1/1-{58.0000000, 16777215.0000000} 2 1 2 2 1 1 1 2 2 14
39 PIXEL(20,10)-1/1-{6731519.0000000, 16777215.0000000} 1 1 1 2 1 1 1 1 1 10
40 PIXEL(21,10)-1/1-{102.0000000, 16777215.0000000} 1 1 1 1 1 2 1 1 9
41 PIXEL(22,10)-1/1-{3838171.0000000, 16777215.0000000} 1 1 2 2 6
42 PIXEL(23,10)-1/1-{3838171.0000000, 16777215.0000000} 1 2 2 5
43 PIXEL(24,10)-1/1-{58.0000000, 16777215.0000000} 1 2 1 4
44 PIXEL(25,10)-1/1-{102.0000000, 6731519.0000000} 1 1 2
45 PIXEL(5,11)-1/1-{11953664.0000000, 16777215.0000000} 3 3
46 PIXEL(6,11)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 3 6
47 PIXEL(7,11)-1/1-{6684672.0000000, 16777215.0000000} 1 1 1 2 3 1 9
48 PIXEL(8,11)-1/1-{102.0000000, 16777215.0000000} 1 1 2 3 2 3 1 1 14
49 PIXEL(9,11)-1/1-{3801088.0000000, 16777215.0000000} 2 1 3 3 3 2 3 2 19
50 PIXEL(10,11)-1/1-{102.0000000, 16777215.0000000} 3 1 3 3 3 2 3 3 21
51 PIXEL(11,11)-1/1-{102.0000000, 16777215.0000000} 3 2 2 2 2 1 2 2 3 19
52 PIXEL(12,11)-1/1-{14992.0000000, 16777215.0000000} 2 3 2 2 2 1 2 2 2 18
53 PIXEL(13,11)-1/1-{9452032.0000000, 16777215.0000000} 2 3 2 2 2 1 2 2 2 18
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
19
Таблица 3 - Модель «Inf1» (фрагмент)
Код Наименование шкалы и градации CLS1 CLS2 CLS3 CLS4 CLS5 CLS6 CLS7 CLS8 CLS9 CLS10 Цен- ность
1 PIXEL(7,8)-1/1-{11953664.0000000, 16777215.0000000} 542 650 0,253
2 PIXEL(11,8)-1/1-{6684672.0000000, 16777215.0000000} 251 257 235 342 167 0,138
3 PIXEL(12,8)-1/1-{16758374.0000000, 16777215.0000000} 71 138 144 122 230 54 78 0,076
4 PIXEL(13,8)-1/1-{6684672.0000000, 16777215.0000000} 26 178 94 99 77 185 9 34 0,069
5 PIXEL(14,8)-1/1-{16777142.0000000, 16777215.0000000} 26 178 94 99 77 185 9 34 0,069
6 PIXEL(15,8)-1/1-{14417919.0000000, 16777215.0000000} 26 178 94 99 77 185 9 34 0,069
7 PIXEL(16,8)-1/1-{14992.0000000, 16777215.0000000} -14 139 54 59 27 37 145 -31 -6 0,061
8 PIXEL(17,8)-1/1-{11993087.0000000, 16777215.0000000} -14 54 59 27 37 -9 145 -31 -6 0,052
9 PIXEL(18,8)-1/1-{102.0000000, 16777215.0000000} -14 54 59 27 37 -9 145 -31 -6 0,052
10 PIXEL(20,8)-1/1-{6731519.0000000, 16777215.0000000} 300 310 263 417 0,171
11 PIXEL(22,8)-1/1-{6731519.0000000, 16777215.0000000} 406 360 514 0,209
12 PIXEL(23,8)-1/1-{3838171.0000000, 6731519.0000000} 496 650 0,244
13 PIXEL(7,9)-1/1-{11953664.0000000, 16777215.0000000} 542 650 0,253
14 PIXEL(9,9)-1/1-{6684672.0000000, 16777215.0000000} 251 257 235 342 167 0,138
15 PIXEL(10,9)-1/1-{11953664.0000000, 16777215.0000000} 71 138 144 122 230 54 78 0,076
16 PIXEL(11,9)-1/1-{16758374.0000000, 16777215.0000000} 26 178 94 99 77 185 9 34 0,069
17 PIXEL(14,9)-1/1-{9452032.0000000, 16777215.0000000} -14 139 54 59 37 -9 145 -31 -6 0,063
18 PIXEL(15,9)-1/1-{14389306.0000000, 16777215.0000000} -49 103 19 24 -8 2 -44 110 -66 -41 0,061
19 PIXEL(16,9)-1/1-{14992.0000000, 16777215.0000000} -49 103 19 24 -8 2 -44 110 -66 -41 0,061
20 PIXEL(19,9)-1/1-{6731519.0000000, 16777215.0000000} -14 54 59 27 37 -9 145 -31 -6 0,052
21 PIXEL(20,9)-1/1-{14992.0000000, 16777215.0000000} 196 163 174 127 281 130 0,101
22 PIXEL(22,9)-1/1-{6731519.0000000, 16777215.0000000} 406 360 514 0,209
23 PIXEL(23,9)-1/1-{3838171.0000000, 16777215.0000000} 496 650 0,244
24 PIXEL(5,10)-1/1-{11953664.0000000, 16777215.0000000} 883 0,279
25 PIXEL(6,10)-1/1-{11953664.0000000, 16777215.0000000} 406 747 0,256
26 PIXEL(7,10)-1/1-{9452032.0000000, 16777215.0000000} 257 467 575 0,223
27 PIXEL(8,10)-1/1-{102.0000000, 16777215.0000000} 178 94 99 310 417 9 0,148
28 PIXEL(9,10)-1/1-{11993087.0000000, 16777215.0000000} -14 139 54 59 270 145 -31 -6 0,096
29 PIXEL(10,10)-1/1-{102.0000000, 16777215.0000000} -14 139 54 59 270 145 -31 -6 0,096
30 PIXEL(11,10)-1/1-{3801088.0000000, 16777215.0000000} 122 42 190 196 -59 49 105 -103 0,100
31 PIXEL(12,10)-1/1-{102.0000000, 16777215.0000000} 95 15 163 169 -86 22 78 103 0,080
32 PIXEL(13,10)-1/1-{14992.0000000, 16777215.0000000} -49 103 19 24 2 -44 110 -66 191 0,082
33 PIXEL(14,10)-1/1-{6684672.0000000, 16777215.0000000} -49 103 19 24 -8 2 -44 110 -66 -41 0,061
34 PIXEL(15,10)-1/1-{6684672.0000000, 16777215.0000000} -110 275 -43 -37 163 -59 -106 49 -127 -103 0,134
35 PIXEL(16,10)-1/1-{14992.0000000, 16777215.0000000} -110 275 -43 -37 163 -59 -106 49 -127 -103 0,134
36 PIXEL(17,10)-1/1-{3838171.0000000, 16777215.0000000} 5 -75 73 79 46 -176 10 -68 -12 13 0,078
37 PIXEL(18,10)-1/1-{102.0000000, 16777215.0000000} 26 -54 94 99 67 -156 -202 -48 9 34 0,102
38 PIXEL(19,10)-1/1-{58.0000000, 16777215.0000000} 71 -94 144 112 -111 -157 -3 54 78 0,101
39 PIXEL(20,10)-1/1-{6731519.0000000, 16777215.0000000} -49 19 24 225 2 -44 110 -66 -41 0,089
40 PIXEL(21,10)-1/1-{102.0000000, 16777215.0000000} 54 59 27 37 -9 378 -31 -6 0,119
41 PIXEL(22,10)-1/1-{3838171.0000000, 16777215.0000000} 163 174 360 514 0,184
42 PIXEL(23,10)-1/1-{3838171.0000000, 16777215.0000000} 235 421 575 0,214
43 PIXEL(24,10)-1/1-{58.0000000, 16777215.0000000} 310 496 417 0,202
44 PIXEL(25,10)-1/1-{102.0000000, 6731519.0000000} 496 650 0,244
45 PIXEL(5,11)-1/1-{11953664.0000000, 16777215.0000000} 883 0,279
46 PIXEL(6,11)-1/1-{6684672.0000000, 16777215.0000000} 275 196 174 650 0,211
47 PIXEL(7,11)-1/1-{6684672.0000000, 16777215.0000000} 139 54 59 270 514 -31 0,171
48 PIXEL(8,11)-1/1-{102.0000000, 16777215.0000000} -162 -10 138 280 122 366 -179 -154 0,186
49 PIXEL(9,11)-1/1-{3801088.0000000, 16777215.0000000} -32 -112 172 177 155 127 87 -24 0,102
50 PIXEL(10,11)-1/1-{102.0000000, 16777215.0000000} 71 -146 138 144 122 93 54 78 0,087
51 PIXEL(11,11)-1/1-{102.0000000, 16777215.0000000} 104 121 36 41 19 -260 127 -49 112 0,116
52 PIXEL(12,11)-1/1-{14992.0000000, 16777215.0000000} -14 275 54 59 37 -242 145 -31 -6 0,132
53 PIXEL(13,11)-1/1-{9452032.0000000, 16777215.0000000} -14 275 54 59 37 -242 145 -31 -6 0,132
Достоверность моделей оценивается в соответствии с предложенной автором метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунок 15):
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
20
'Наименование модели и частного критерия Интегральный критерий Вероятность прав^ьной иденгифка... Вероятность правильной не иденшф... Средняя вероятно... правияьн... результата Дата получения результата Время получения результ..
Корреляция абс.частот с обр.... 100.000 1S.370 57,685 28,09.2015 11:11141
1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 50,000 28.09,2015 11:11:41
2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Корреляция уел.отн.частот с о... 100,000 15.370 57,685 28.09,2015 11:11:48
2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100.000 50,000 28.09,2015 11:11:48
3. PRC2 • частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 100.000 15.370 57,685 28,09.2015 11:11:58
3. PRC2 - частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 50,000 28.09,2015 11:11:58
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 93,333 73.519 @8.426 23.09,2015 11:12:06
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 100.000 42.593 71.296 23.09,2015 11:12:06
5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 93.333 79.074 88,704 28.09.2015 11:12:14
5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 98.333 46.481 72.407 28.09,2015 11:12:14
6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 100,000 58.704 79.352 28.09,2015 11:12:23
6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 100.000 58.704 79.352 23.09,2015 11:12:23
7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 93.333 83.889 88,611 28,09.2015 11:12:32
7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 100.000 23.333 61,667 28.09,2015 11:12:32
8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 93.333 83.704 88,519 23.09,2015 11:12:40
8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 100.000 20.556 60.278 23.09,2015 11:12:40
9. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 100.000 61.852 80,926 28,09.2015 11:12:50
9. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 100.000 28.333 64,167 28.09,2015 11:12:50
10.INF7 - частный критерий: разн.усли безусл.вероятностей; ве... Семантический резонанс зна.. 100.000 62.593 81.296 28.09.2015 11:12:57
10.INF7 - частный критерий: разн.усли безусл.вероятностей; ве... Сумма знаний 100.000 29.259 64.630 23.09,2015 11:12:57
Помощь по режиму: 4,1.3,6: Виды прогнозов и принцип опрделенил достойное™ моделей в системе "Эйдое-Х++*
Реши: Помощь по режиму: 4.1.3.6: Виды прогнозов и принцип опрделения достовености моделей в системе "Эйдос-Х+т". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100Ж достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, а что-то из этого естественно выпало, конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,
4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации, идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
на практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, ясно, что этот критерий очень сходен по смыслу с известным F-критерием и сходные оценки качества моделей.
Рисунок 15. Оценка достоверности моделей системы «Эйдос» с помощью непараметрической метрики, сходной с F-критерием
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
21
Из рисунка 15 видно, что наиболее достоверная модель обеспечивает 98% достоверность отнесения объекта к классу, к которому он относится, и 79% достоверность не отнесения объекта к классу, к которому он не относится. При этом объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Это видно из последующих форм.
В соответствии со схемой, приведенной на рисунке 14 и информацией по достоверности моделей, приведенной на рисунке 15, в режиме 5.6. системы «Эйдос» зададим системно-когнитивную модель INF2 в качестве текущей и проведем в ней пакетную идентификацию в режиме 4.1.2 (рисунок 16):
t) 5.6, Выбрать модель и сделать ее текущей
—Задайте текущую стаг. 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: уел. вероятность i-ro признака среди признаков объектов j-ro класса С 3. PRC2 - частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:
С 4. INF1 - частный критерий: количество знаний по А.Харкеьичу; вероятности из PRC1
(Г I5/IKF2
Г В. INF3 Г 7. INF4 Г 8. INF5 Г Э. INFG
частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами частный критерий: R01 (Return On Investment); вероятности из PRC1 частный критерий: ROI (Return On Investment); вероятности из PRC2 частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1
С 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 INF1. Смысл моделей знаний, применяемых в системе 'Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://Ic.kubagro.ru/aidos/index.htm, http://rwiw.t™rpx.com/file/793311/
Ok
Cancel
Рисунок 16. Экранная форма режима 5.6
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
22
Решение задачи идентификации. В режимах 4.1.3.1 и 4.1.3.2 мы получаем экранные формы с результатами идентификации заданного объекта со всеми классами (1-я форма) и всех объектов с заданным классом (2я форма): (рисунок 17):
I1----------------------------------------------------------------------------------=--------------
€> 4.1.11, Визуализация результатов распознавания.в.отношении: 00бъект:класс.ы’, Текущая модель:"
Распознаваемые объекты
_Unicode_MS\Num 0.bmp
_Unicode_MS\Num 1.bmp
_Unicode_MS\Num 2.bmp
\36_@Aria
_Unicode_MS\Num 3.bmp
_Unicode_MS\Num 4.bmp
\36_@Aria
_Unicode_MS\Num 5.bmp
i3S_@Arial_Unicode_MS',<Num G.bmp
\36_@Aria
_Unicode_MS\Num 7.bmp
_Unicode_MS\Num 8.bmp
_Unicode_MS\Num 3.bmp
s36_@Aria
\36_@Aria
\36_@Aria
\36_@Aria
_Unicode_MS_Bold\Num0.bmp .
_Unicode_MS_Bold\Numl.bmp .
_Unicode_M3_Bold\Num2.bmp .
_Unicode_MS_Bold\Num3.bmp .
_Unicode_MS_Bold\Num4.bmp .
_Unicode_MS_Bold\Num5.bmp .
_Unicode_MS_Bold\NumG.bmp .
_Unicode_MS_Bold\Num7.bmp . _Unicode_MS_Bold\Num8.bmp .
_Unicode_MS_Bold\Hum8.bmp .
\36_Couiier_BoldSNum O.bmp
4: ~ :
Интегральный критерий сходства: "Семантический резонанс знаний"
Код Наименование класса Сходство Ф... | Сходство □1
7 КЛАСС-7/10-{Num 6} ... 68,51... V 1Н1Ш1ШН1Н1Ш1ШН1НННННН1НННННН1Н11НННН1Н
9 MACC-9/10-{Num 8} ... 52,58... llllllllllllllllllllllllllllllllllllllllllllllllllll
1 КЛАСС-1 /10-{Num 0} ... 45.01...
6 MACC-6/10-{Num 5} ... 21,59... Illllllllllllllllllll _
4 KnACC-4/10-{Num 3} ... -9,741... ПИШИ
10 КЛАСС-10/10-{Num 9} ... -15,70... lllllllllllllll
5 MACC-5/10-{Num4} ... -22,27... llllllllllllllllllllll
3 MACC-3/10-{Num2} ... -50,77... llllllllllllllllllllllll Illllllllllllllllllll
8 MACC-9/10-{Num7} ... -63,15... iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii iiiiiiiiiiiiiii iiiiii ▼
9 d Г
Интегральный критерий сходства: "Сумма знаний
Код Наименование класса Сходство ф... | Сходство
КЛАСС-7/10-{Num 6} ... 96,12... V
9 КЛАСС-Э/10-{Г1ит8} ... 66.96...
1 КЛАСС-1 /10-{Num 0} ... 65,05...
10 КЛАСС-10/10-{Num 9} ... 30.59... llllllllllllllllllllllllllllll
5 КЛАСС-5/IO-lNum 4} ... 27,82... llllllllllllllllllllllll
6 КЛАСС-G/10-{Num 5} ... 17,27... lllllllllllllllll
4 MACC-4/10-{Num 3} ... -1,252... I
9 MACC-9/10-{Num7} ... -2,608... II
3 MACC-3/10-{Num2} ... -11,20... lllllllllll -
ЕГ
Помощь | 9 классов | Классы с МанМin УрСх | 9 классов с МанМin УрСи | ВСЕ классы | ВКП. Фильтр по класс.шкале | ВЫКЛ.Фильтр по класс.шкале | Граф.диаграмма |
4.1.3,2, Визуализация результатов распознавания в отношении: "Класс-объекты", Текущая модель; "INF2"
у\М
Классы |
Код Наим, класса
1 КЛАСС-1 /10-{Num0} ....
2 КЛАСС-2/10-{Num 1} ...
3 КЛАСС-3/10-{Hum 2} ...
4 КЛАСС-4/10-{Num 3} ...
5 КЛАСС-5/10-{Num 4} ....
G КЛАСС-6/10-{Num 5} ...
7 КЛАСС-7/10-{Num 6} ...
8 КЛАСС-8/10-{Hum 7} ...
9 КЛАСС-9/10-{Num 8} ....
10 КЛАСС-10/10-{N um 9} ...
li i и
Интегральный критерий сходства: "Семантический резонанс знаний" |
Код Наименование объекта | Сходство Ф„: _1
38 C:V\ID09-XkAID_DATA\lnp_data\3G_Courier_New\Num 7.bmp ... 85,88... V
48 C:4AID0S-X',AID_DATA\lnp_data\36_Times_New_Roman\Num 7.bmp ... 73,50...
28 CMID0G-X^AID_DATA\lnp_data\36_Courier_BoldVNum 7.bmp ... 58,02... v
58 C:kAID0S-X',A,ID_DATA\lnp_data'\36_Times_New_Roman_Bold\Num 7.bmp ... 56,51... V
8 C:V\ID0S-X4AID_DATA\lnp_data\36_®Arial_Unicode_MS\Num 7.bmp ... 55,90...
18 C:kAIDO9-XkAID_DATAMnp_data\3G_0Arial_Unicode_MG_Bold\Num 7.bmp ... 39,28... V
33 C:VMD0S-X4AID_DATAMnp_data\36_Couner_New\Num 2.bmp ... 8,655...
43 C:kAID09-Xl,AID_DATAMnp_data\3G_Times_NeiAi_Roman\Num 2.bmp ... 4,901...
34 'C:kAID0S-X'AID_DATA\lnp_data\36_Courier_New\Num3.bmp ... 0,285... -
Интегральный критерий сходства: "Сумма знаний"
Код Наименование объекта Сходство |ф... Сходство
28 C:\AID0S-X\AID_DATAMnp_data\36_Co... 54,94... V
48 C:4AID0S-X4AID_DATAMnp_data\36_Ti... 54,37... V
8 CMID 0 9 -XVMD_D AT AM np_data\36_@... 53,50... V lllllllllllllll Illllllllllllllllllll lllllllllll ...
58 C:\AID0S-X\AID_DATAMnp_data\36_Ti... 53,24... V llllllllllllllllllllllll Illllllllllllllllllll III ...
18 C:VM D 0 S -XVMD_D AT AM np_data\36_@... 47,86... V lllllllllllllll Illllllllllllllllllll IIIIII ...
38 C:\AID0S-X\AID_DATAUnp_data\36_Co... 47,44... V lllllllllllllll Illllllllllllllllllll IIIIII ...
23 C:VMD0S-XMAID_DATAMnp_data\36_Co... 30,67... llllllllllllllllllllllllllllll ...
43 C:\AID0S-X\AID_DATAMnp_data\3G_Ti... 24.95... llllllllllllllllllllllll .
24 C:\AID0S-X\AID_DATAMnp_data\36_Co... 22,56...
Поиск объекта I В начало БД I В конец БД I Предыдущая Следующая I 9 записей I Все записи Печать XLS I Печать TXT
Рисунок 17. Результаты идентификации изображений конкретных символов с обобщенным образом класса: «Num 7»
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
23
Мы видим, что полученные результаты весьма разумны.
По нажатию 7-й кнопки «Просмотр и запись информационных портретов классов - обобщенных изображений» на экранной форме, приведенной на рисунке 4, осуществляется отображение на экране и запись в виде файлов информационных портретов классов, т.е. обобщенных изображений, с отображением количества информации в пикселе в форме цвета спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым и пурпурным (рисунок 18):
Рисунок 18. Информационный портрет обобщенного изображения
Решение задачи классификации.
Результаты сравнения друг с другом обобщенных образов классов приведены на рисунках 19:
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
24
Рисунок 19. Результаты сравнения друг с другом обобщенных образов классов
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
25
Видно, что результаты классификации символов по их форме соответствует интуитивным ожиданиям.
SWOT-анализ изображений. Система “Эйдос” обеспечивает автоматизированный SWOT-анализ изображений [9]. Характерные и нехарактерные признаки обобщенного изображения класса: «Num 0» приведены на рисунках 20:
[324] Pixel(2,23) [324] 1/1-{3801088.0000000,9452032.0000000} 1=1.306 |
[349] Pixel(2,24) [349] 1/1-{3801088.0000000,9452032.0000000} 1=1.306 |
[632] Pixel(27,34) [632] 1/1 -{58.0000000, 102.0000000} 1=1.306 I
[374] Pixel(2,25) [374] 1/1-{3801088.0000000,9452032.0000000} 1=1.125 |
[398] Pixel(26,25) [398] I/41O2.OOOOOOO, 14417919.0000000} 1=1.125 ^
[399] Pixel(2,26) [399] 1/1-{3801088.0000000,11953664.0000000} 1=1.125 (
[450] Pixel(3,28) [450] 1 /1 -{14389306.0000000,16777215.0000000} 1=1.125 (
Рисунок 20. Характерные и нехарактерные признаки обобщенного
изображения класса: «Num 0»
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
26
Парето-оптимизация (абстрагирование).
Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут вообще не учитываться в моделях практически без ущерба для их достоверности (рису-
Рисунок 21. Общий вид Парето-кривой ценности градаций описательных шкал (пикселей) для идентификации конкретных изображений с обобщенными образами классов
Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно.
Выводы.
Рассматривается применение автоматизированного системнокогнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом. Предлагается
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
27
применить теорию информации для расчета количества информации, содержащегося в пикселе изображения о том, что это изображение принадлежит к определенному классу изображений. Приводится численный пример, в котором на основе ряда конкретных примеров изображений, принадлежащих к различным классам, формируются обобщенные образы этих классов, независящие от их конкретных реализаций, т.е. «Эйдосы» этих изображений (в смысле Платона [7]) - прототипы или архетипы изображений (в смысле Юнга). Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах конкретных изображений об их принадлежности к определенным прототипам, но и сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию) [8].
Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (с открытыми исходными текстами) на сайте автора по адресу:
http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Автор благодарен Роджеру Доннэю, профессиональному разработчику программного обеспечения, разработчику высокоэффективной инструментальной системы программирования eXPress++, широко использованной при создании системы ”Эйдос-Х+ + ” (Roger Donnay, Professional Developer, Developer eXPress++, Boise, Idaho USA, http://donnay-software.com), и всем компетентным и отзывчивым участникам форума http://bb.donnay-software. com/donnay/index.php, оказавшим действенную и бескорыстную помощь в разработке генератора изображений и режима оцифровки изображений, описанных в данной статье.
Литература
1. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ei.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
2. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ei.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.
http://ej.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
28
3. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 -167. - IDA [article ID]: 1101506009. - Режим доступа:
http://ei.kubagro.ru/2015/06/pdf/09.pdf. 1,875 у.п.л.
4. Луценко Е.В., Бандык Д.К. Интерфейс ввода изображений в систему "Эйдос" (Подсистема «Эйдос-img»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015. - Режим доступа: http://lc.kubagro.ru/aidos/2015618040.ipg.
5. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 -77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ei.kubagro.ru/2009/10/pdf/04.pdf. 1,875 у.п.л.
6. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ei.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.
7. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона /
Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа:
http://ei.kubagro.ru/2009/01/pdf/08.pdf, 0,625 у.п.л.
8. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ei.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
9. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ei.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
Literatura
1. Lucenko E.V. Cistemno-kognitivnyi analiz izobrazhenii (obobshhenie, abstragirovanie, klassifikaciia i identifikaciia) / E.V. Lucenko // Politematicheskii setevoi Jelektronny] nauchnyi zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyi zhurnal KubGAU) [Jelektronnyi resurs]. - Krasnodar: KubGAU, 2009. -№02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ei.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.
http://ei.kubagro.ru/2015/07/pdf/19.pdf
Научный журнал КубГАУ, №111(07), 2015 года
29
2. Lucenko E.V. Sistemno-kognitivnyj podhod k sintezu jeffektivnogo alfavita / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudar-stvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №07(051). S. 109 - 129. - Shifr Informregistra: 0420900012\0067, IDA [article ID]: 0510907005. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 u.p.l.
3. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. -Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.
4. Lucenko E.V., Bandyk D.K. Interfejs vvoda izobrazhenij v sistemu "Jejdos" (Podsistema «Jejdos-img»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2015614954 ot 11.06.2015, Gos.reg.№ 2015618040, zaregistr. 29.07.2015. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2015618040.jpg.
5. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh univer-
sal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nasto-jashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa:
http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.
6. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.
7. Lucenko E.V. SK-analiz i sistema "Jejdos" v svete filosofii Platona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №01(045). S. 91 - 100. - Shifr Informregistra: 0420900012\0010, IDA [article ID]: 0450901008. - Rezhim dostupa: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 u.p.l.
8. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom an-alize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
9. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
http://ej.kubagro.ru/2015/07/pdf/19.pdf
