УДК 004.8
05.13.10 - Управление в социальных и экономических системах (технические науки)
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КЛИМАТА КРАСНОДАРА ЗА 1933-2020 ГОДЫ
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Web of Science ResearcherID S-8667-2018 Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101
prof.lutsenko@gmail.com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene Lutsenko
Кубанский Государственный Аграрный университет имени И.Т.Трубилина, Краснодар, Россия
В данной работе решается задача изучения структуры изменчивости метеорологических параметров: «Максимальная температура Минимальная температура Средняя температура Атмосферное давление Скорость ветра Осадки Эффективная температура» в городе Краснодаре по многолетним данным с 1933 по 2020 годы. Таким образом, исходные данные включают 24834 наблюдения по 7 климатическим параметрам. Для решения поставленной задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос». АСК-анализ включает: теоретические основы, в частности базовую формализуемую когнитивную концепцию; математическую модель, основанную на системном обобщении теории информации (СТИ); методику численных расчетов (структуры баз данных и алгоритмы их обработки); программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система «Эйдос» (интеллектуальная система «Эйдос»). Весь процесс создания моделей и их применения для решения задач в АСК-анализе и системе «Эйдос» предусматривает следующие этапы АСК-анализа. 1-й этап АСК-анализа: «Когнитивно-целевая структуризация предметной области». На 1-м и единственном неавтоматизированном этапе АСК-анализа, по сути, производится смысловая постановка задачи, т.е. определяются: объект моделирования (управления); факторы, действующие на объект моделирования (описательные шкалы); будущие состояния, в которые объект моделирования переходит под действием этих факторов (классификационные шкалы). 2-й этап АСК-анализа: «Формализация предметной области». На этом этапе АСК-анализа с применением автоматизированных программных интерфейсов системы «Эйдос» (API-Эйдос) разрабатываются классификационные и описательные шкалы и градации; исходные данные
UDC 004.8
05.13.10 - Management in social and economic systems (technical sciences)
AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF KRASNODAR CLIMATE FOR 1933-2020
Lutsenko Evgeny Veniaminovich
Doctor of Economics, Cand.Tech.Sci., Professor
Web of Science ResearcherID S-8667-2018
Scopus Author ID: 57188763047
RSCI SPIN code: 9523-7101
prof. lutsenko@gmail.com http://lc.kubagro.ru
https://www.researchgate.net/profile/Eugene Lutsenko
Kuban State Agrarian University named after I.T. Trubilin, Krasnodar, Russia
This article solves the problem of studying the structure of variability of meteorological parameters: "Maximum temperature / Minimum temperature /Average temperature /Atmospheric pressure /Wind speed /Precipitation/ Effective temperature" in the city of Krasnodar according to long-term data from 1933 to 2020. Thus, the initial data include 24,834 observations on 7 climatic parameters. To solve this problem, we use automated system-cognitive analysis (ASC analysis) and its software tools - an intelligent system called "Eidos". ASC analysis includes: theoretical foundations, in particular the basic formalizable cognitive concept; a mathematical model based on a systematic generalization of information theory (STI); a methodology for numerical calculations (database structures and algorithms for their processing); software tools, which currently serves as a universal cognitive analytical system "Eidos" (intelligent system "Eidos"). The whole process of creating models and their application to solve problems in ASC analysis and the Eidos system provides for the following stages of ASC analysis. The 1st stage of the ASC analysis: "Cognitive-target structuring of the subject area". At the 1st and only non-automated stage of the ASC analysis, in fact, a semantic statement of the problem is made, i.e. the following are determined: the object of modeling (management); factors acting on the object of modeling (descriptive scales); future states into which the object of modeling passes under the influence of these factors (classification scales). The 2nd stage of the ASC analysis: "Formalization of the subject area". At this stage of ASC analysis, classification and descriptive scales and gradations are developed using automated software interfaces of the Eidos system (API-Eidos); the source data is encoded using classification and descriptive scales and gradations, as a result of which a training sample is formed, in fact, representing a normalized database of source data. The 3rd stage of the ASC analysis: "Synthesis and verification of models". At this stage of the ASK analysis: by means of multiparametric typing, the
кодируются с применением классификационных и описательных шкал и градаций, в результате чего формируется обучающая выборка, по сути, представляющая собой нормализованную базу исходных данных. 3-й этап АСК-анализа: «Синтез и верификация моделей». На этом этапе АСК-анализа: путем многопараметрической типизации осуществляется синтез 3 статистических и 7 системно-когнитивных моделей; проводится верификация всех созданных моделей, т. е. с помощью стандартной классической Г-меры Ван Ризбергена и ее нечеткого мультиклассового обобщения, инвариантного относительно объема распознаваемой выборки, предложенного автором, оценивается достоверность моделей путем решения задачи идентификации объектов обучающей выборки, о которых уже достоверно известно к каким классам они относятся. В результате выбирается наиболее достоверная модель и определяется корректно ли ее использовать для решения различных задач. 4-й этап АСК-анализа: «Решение задач» в наиболее достоверной модели (если она для этого достаточно достоверна) решаются следующие задачи: задачи распознавания, системной идентификации, классификации, диагностики и прогнозирования; задачи принятия решений (управления и типологического анализа); задачи исследования моделируемой предметной области путем исследования ее модели: Инвертированные SWOT-диаграммы значений описательных шкал (семантические потенциалы); Кластерно-конструктивный анализ классов; Кластерно-конструктивный анализ значений факторов; Модель знаний системы «Эйдос» и нелокальные нейроны; Нелокальная нейронная сеть; 3Б-интегральные когнитивные карты; 2Б-интегральные когнитивные карты содержательного сравнения классов (опосредованные нечеткие правдоподобные рассуждения); 2Б-интегральные когнитивные карты содержательного сравнения значений факторов (опосредованные нечеткие правдоподобные рассуждения); Когнитивные функции; Значимость градаций описательных шкал (значений климатических параметров); Значимость описательных шкал (климатических параметров); Степень детерминированности классов (временных периодов) и классификационных шкал. Приводится подробный численный пример выполнения всех этих этапов и детальная пошаговая инструкция действий пользователя в системе «Эйдос» с пояснением их смысла, что обеспечивает возможность применения данной работу в учебных целях
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АСК-АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС»
synthesis of 3 statistical and 7 system-cognitive models is carried out; verification of all created models is carried out, i.e. using the standard classical Van Rizbergen F-measure and its fuzzy multiclass generalization, invariant with respect to the volume of the recognized sample proposed by the author, the reliability of models is evaluated by solving the problem of identifying objects of the training sample, which are already reliably known to which classes they belong. As a result, the most reliable model is selected and it is determined whether it is correct to use it for solving various tasks. The 4th stage of ASC analysis: "Problem solving" in the most reliable model (if it is reliable enough for this), the following tasks are solved: recognition, system identification, classification, diagnostics and forecasting; decision-making tasks (management and typological analysis); research tasks of the modeled subject area by studying its model: Inverted SWOT diagrams of descriptive scale values (semantic potentials); Cluster-constructive analysis of classes; Cluster-constructive analysis of factor values; Knowledge model of the Eidos system and non-local neurons; Non-local neural network; 3D-integral cognitive maps; 2D-integral cognitive maps of meaningful class comparison (indirect fuzzy plausible reasoning); 2D-integral cognitive maps of meaningful comparison of factor values (indirect fuzzy plausible reasoning); Cognitive functions; Significance of gradations of descriptive scales (values of climatic parameters); Significance of descriptive scales (climatic parameters); The degree of determinism of classes (time periods) and classification scales. We have provided a detailed numerical example of the implementation of all these stages and a detailed step-by-step instruction of user actions in the Eidos system with an explanation of their meaning, which makes it possible to use this work for educational purposes
Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, FORMALIZED COGNITIVE CONCEPT, ASC-ANALYSIS, INTELLECTUAL SYSTEM "EIDOS"
http://dx.doi.org/10.21515/1990-4665-174-020
3
СОДЕРЖАНИЕ
ВВЕДЕНИЕ...................................................................................................................................................4
1. МЕТОД И ИНСТРУМЕНТАРИЙ РЕШЕНИЯ ЗАДАЧИ........................................................................4
1.1. АСК-АНАЛИЗ............................................................................................................................................4
1.2. Система «Эйдос».................................................................................................................................5
1.3. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ АСК-АНАЛИЗА И СИСТЕМЫ «ЭЙДОС»...................................................9
1.3.1. Синтез статистических и системно-когнитивных моделей (многопараметрическая типизация), частные критерии знаний..................................9
1.3.2. Что такое интегральный критерий и для чего он нужен?..................................14
1.3.3. 1-й интегральный критерий «Сумма знаний»............................................................15
1.3.4. 2-й интегральный критерий «Семантический резонанс знаний»......................16
1.3.5. Некоторые математические свойства интегральных критериев................16
2. РЕЗУЛЬТАТЫ РЕШЕНИЯ ЗАДАЧИ...................................................................................................18
2.1. Когнитивная структуризация предметной области. Две интерпретации
КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ.................................................................21
2.2. Формализация предметной области.............................................................................................22
2.3. СИНТЕЗ МОДЕЛЕЙ И ЧАСТНЫЕ КРИТЕРИИ (МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ ВРЕМЕННЫХ ПЕРИОДОВ ПО КЛИМАТИЧЕСКИМ ОСОБЕННОСТЯМ).....................................................................................27
2.4. ВЕРИФИКАЦИЯ МОДЕЛЕЙ.......................................................................................................................30
2.5. ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ.........................................................................................34
2.6. РЕШЕНИЕ ЗАДАЧИ СИСТЕМНОЙ ИДЕНТИФИКАЦИИ...............................................................................35
2.7. РЕШЕНИЕ ЗАДАЧИ ВЫЯВЛЕНИЯ ХАРАКТЕРНЫХ И НЕХАРАКТЕРНЫХ КЛИМАТИЧЕСКИХ ОСОБЕННОСТЕЙ ВРЕМЕННЫХ ПЕРИОДОВ (ТИПОЛОГИЧЕСКИЙ АНАЛИЗ)....................................................36
2.8. РЕШЕНИЕ ЗАДАЧИ ИССЛЕДОВАНИЯ ОБЪЕКТА МОДЕЛИРОВАНИЯ ПУТЕМ ИССЛЕДОВАНИЯ ЕГО МОДЕЛИ...........................................................................................................................................................39
2.8.1. Инвертированные SWOT-диаграммы значений описательных шкал (семантические потенциалы)............................................................................................................................................39
2.8.2. Кластерно-конструктивный анализ классов............................................................................40
2.8.3. Кластерно-конструктивный анализ значений описательных шкал....................................45
2.8.4. Модель знаний системы «Эйдос» и нелокальные нейроны.....................................................50
2.8.5. Нелокальная нейронная сеть.......................................................................................................52
2.8.6. 3D-интегральные когнитивные карты.....................................................................................52
2.8.7. 2D-интегральные когнитивные карты содержательного сравнения классов (опосредованные нечеткие правдоподобные рассуждения)..............................................................53
2.8.8. 2D-интегральные когнитивные карты содержательного сравнения значений факторов (опосредованные нечеткие правдоподобные рассуждения) .............................................................. 55
2.8.9. Когнитивные функции..................................................................................................................57
2.8.10. Значимость градаций описательных шкал.............................................................................66
2.8.11. Значимость описательных шкал..............................................................................................69
2.8.12. Степень детерминированности классов и классификационных шкал................................70
3. ОБСУЖДЕНИЕ РЕЗУЛЬТАТОВ..........................................................................................................73
ВЫВОДЫ....................................................................................................................................................74
ЛИТЕРАТУРА.............................................................................................................................................75
Введение
В данной работе решается задача изучения структуры изменчивости метеорологических параметров: «Максимальная температура Минимальная температура Средняя температура Атмосферное давление Скорость ветра Осадки Эффективная температура» в городе Краснодаре по многолетним данным с 1933 по 2020 годы.
Таким образом, исходные данные включают 24834 наблюдения по 7 климатическим параметрам.
1. Метод и инструментарий решения задачи
Для решения поставленной задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос» [1:[1:[1:[1, 2, 3].
Ниже кратко описывается данный метод и его инструментарий.
1.1. АСК-анализ
Автоматизированный системно-когнитивный анализ (АСК-анализ) предложен автором в 2002 году в ряде статей и фундаментальной монографии [1:[1]. Сам термин: «Автоматизированный системно-когнитивный анализ (АСК-анализ)» был предложен автором. На тот момент он вообще не встречался в Internet. Сегодня по соответствующему запросу в Яндексе находится 9 миллионов сайтов с этим сочетанием слов1.
АСК-анализ включает:
- теоретические основы, в частности базовую формализуемую когнитивную концепцию;
- математическую модель, основанную на системном обобщении теории информации (СТИ);
- методику численных расчетов (структуры баз данных и алгоритмы их обработки);
- программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система «Эйдос» (интеллектуальная система «Эйдос»).
Около половины из 650 опубликованных автором научных работ посвящены теоретическим основам АСК-анализа и его практическим применениям в ряде предметных областей. На момент написания данной работы автором опубликовано более 39 монографий, 27 учебных пособий, в т.ч. 3 учебных пособия с грифами УМО и Министерства, получен 31 патент РФ на системы искусственного интеллекта, 334 публикации в изданиях, входящих в перечень ВАК РФ и приравненных им (по данным РИНЦ), 15 статей в журналах, входящих в ядро РИНЦ (по данным РИНЦ),
1 https://yandex.ru/search/?lr=35&clid=2327117-
18&win=360&text=%20360&text=Автоматизированный+системно-когнитивный+анализ+( АСК-анализ)
6 статей в журналах, входящих в WoS, 5 публикаций в журналах, входящих в Скопус2.
Три монографии включены в фонды библиотеки конгресса США . АСК-анализ и система "Эйдос" были успешно применены в 8 докторских и 8 кандидатских диссертациях по экономическим, техническим, биологическим, психологическими и медицинским наукам, еще несколько докторских диссертаций с применением АСК-анализа в стадии выхода на защиту. Автор является основателем междисциплинарной научной школы: «Автоматизированный системно-когнитивный анализ»4. Научная школа: "Автоматизированный системно-когнитивный анализ" является междисциплинарным научным направлением на пересечении, по крайней мере, трех научных специальностей (согласно недавно утвержденной новой номенклатуры научных специальностей ВАК РФ5). Основные научные специальности, которым соответствует научная школа:
- 5.12.4. Когнитивное моделирование;
- 1.2.1. Искусственный интеллект и машинное обучение;
- 2.3.1. Системный анализ, управление и обработка информации. Научная школа: "Автоматизированный системно-когнитивный
анализ" включает следующие междисциплинарные научные направления:
- Автоматизированный системно-когнитивный анализ числовых и текстовых табличных данных;
- Автоматизированный системно-когнитивный анализ текстовых данных;
- Спектральный и контурный автоматизированный системно-когнитивный анализ изображений;
- Сценарный автоматизированный системно-когнитивный анализ временных и динамических рядов.
Приводить здесь ссылки на все эти работы вряд ли целесообразно. Отметим лишь, что у автора есть личный сайт [1:[2] и страничка в РесечГейт [1:[3], на которых можно получить более полную информацию о методе АСК-анализа. Краткая информация об АСК-анализе и системе «Эйдос» есть в материале: http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf.
1.2. Система «Эйдос»
Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос» отличается от них следующими параметрами:
2 http://lc.kubagro.ru/aidos/Sprab0802.pdf
3 https://catalog.loc.gov/vwebv/search?searchArg=Lutsenko+E.V. (и кликнуть: "Search")
4 https://www.famous-scientists.ru/school/1608
5 https://www.garant.ru/products/ipo/prime/doc/400450248/
- является универсальной и может быть применена во многих предметных областях, т.к. разработана в универсальной постановке, не зависящей от предметной области (http://lc.kubagro.ru/aidos/index.htm). Система «Эйдос» является автоматизированной системой, т.е. предполагает непосредственное участие человека в реальном времени при решении задач идентификации, прогнозирования, приятия решений и исследования предметной области (автоматические системы работают без такого участия человека);
- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AidosALL.txt): открытая лицензия: CC BY-SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/), и это означает, что ей могут пользоваться все, кто пожелает, без какого-либо дополнительного разрешения со стороны первичного правообладателя - автора системы «Эйдос» проф. Е.В.Луценко (отметим, что система «Эйдос» создана полностью с использованием только лицензионного инструментального программного обеспечения и на нее имеется 31 свидетельство РосПатента
РФ);
- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. не требует от пользователя специальной подготовки в области технологий искусственного интеллекта: «имеет нулевой порог входа» (есть акт внедрения системы «Эйдос» 1987 года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);
- реально работает, обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных 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 (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);
- имеет «нулевой порог входа», содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных Эйдос-приложений (в настоящее время их 31 и около 300, соответственно: http://aidos.byethost5.com/Source data applications/WebAppls.htm) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);
- поддерживает on-line среду накопления знаний и обмена ими, широко используется во всем мире (http://aidos.byethost5 .com/map5.php);
- обеспечивает мультиязычную поддержку интерфейса на 51 языке. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;
- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического
процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний (графический процессор должен быть на чипсете NVIDIA);
- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18 LLS/aidos18 LLS.pdf);
- хорошо имитирует человеческий стиль мышления: дает результаты анализа, понятные экспертам на основе их опыта, интуиции и профессиональной компетенции;
- вместо того, чтобы предъявлять к исходным данным практически неосуществимые требования (вроде нормальности распределения, абсолютной точности и полных повторностей всех сочетаний значений факторов и их полной независимости и аддитивности) автоматизированный системно-когнитивный анализ (АСК-анализ) предлагает без какой-либо предварительной обработки осмыслить эти данные и тем самым преобразовать их в информацию, а затем преобразовать эту информацию в знания путем ее применения для достижения целей (т.е. для управления) и решения задач классификации, поддержки принятия решений и содержательного эмпирического исследования моделируемой предметной области.
В чем сила подхода, реализованного в системе Эйдос? В том, что она реализует подход, эффективность которого не зависит от того, что мы думаем о предметной области и думаем ли вообще. Она формирует модели непосредственно на основе эмпирических данных, а не на основе наших представлений о механизмах реализации закономерностей в этих данных. Именно поэтому Эйдос-модели эффективны даже если наши представления о предметной области ошибочны или вообще отсутствуют.
В этом и слабость этого подхода, реализованного в системе Эйдос. Модели системы Эйдос - это феноменологические модели, отражающие эмпирические закономерности в фактах обучающей выборки, т.е. они не отражают причинно-следственного механизма детерминации, а только сам факт и характер детерминации. Содержательное объяснение этих
эмпирических закономерностей формулируется уже экспертами на теоретическом уровне познания в содержательных научных законахб.
В разработке системы «Эйдос» были следующие этапы:
1-й этап, «подготовительный» 1979-1992 годы. Математическая модель системы "Эйдос" разработана в 1979 и впервые прошла экспериментальную апробацию в 1981 году (первый расчет на компьютере на основе модели). С 1981 по 1992 система "Эйдос" неоднократно реализовалась на платформе Wang (на компьютерах Wang-2200Q. В 1987
7
году впервые получен акт внедрения на одну из ранних версий системы «Эйдос», реализованную в среде персональной технологической системы «Вега-М» разработки автора (см.2-й акт).
2-й этап, «эра IBM PC и MS DOS» 1977-2019 годы. Для IBM-совместимых персональных компьютеров система "Эйдос" впервые реализована на языках CLIPPER-87 и CLIPPER-5.01 (5.02) в 1992 году, а в 1994 году уже были получены свидетельства РосПатента , первые в Краснодарском крае и, возможно, в России на системы искусственного интеллекта. С тех пор и до настоящего времени система непрерывно совершенствуется на IBM PC.
3-й этап, «эра MS Windows xp, 8, 9: 2112-2121 годы. С июня 2012 по 14.12.2020 система «Эйдос» развивалась на языке Аляска-1.9 + Экспресс++ + библиотека для работы с Internet xb2net. Система «Эйдос-Х1.9» хорошо работала на всех версиях MS Windows кроме Windows-10, которая требовала специальной настройки. Наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний (графический процессор должен быть на чипсете NVIDIA).
4-й этап, «эра MS Windows-11: с 2121 года по настоящее время. С 13.12.2020 года по настоящее время система «Эйдос» развивается на языке Аляска-2.0 + Экспресс++. Библиотека xb2net в ней больше не используется, т.к. все возможности работы с Internet входят в базовые возможности языка программирования.
6 Ссылка на это краткое описание системы «Эйдос» на английском языке: http://lc.kubagro.ru/aidos/The Eidos en.htm
7 http://lc.kubagro.ru/aidos/aidos02/PR-4.htm
8 http://lc.kubagro.ru/aidos/index.htm
1.3. Математическая модель АСК-анализа и системы «Эйдос»
1.3.1. Синтез статистических и системно-когнитивных моделей (многопараметрическая типизация), частные критерии знаний
Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [1:[] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [1:[].
Суть математической модели АСК-анализа состоит в следующем.
Непосредственно на основе эмпирических данных (см. Help режима 2.3.2.2) рассчитывается матрица абсолютных частот (таблица 6).
Таблица 1 - Матрица абсолютных частот (статистическая модель ABS)
Классы
1 ... j ... W Сумма
m 1 Nл N 1j N
о а. ...
л к S X о i N1 Nj Nw w NS = I Nj j=1
л ...
со M N NM N iV MW
Суммарное количество признаков по классу ii W M Nss= I IN, i=1 j=1
Суммарное количество объектов обучающей выборки по классу ns w Ns= INZI j=1
На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 7).
Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:
1-й способ: в качестве используется суммарное количество
признаков по классу;
2-й способ: в качестве используется суммарное количество объектов обучающей выборки по классу.
Таблица 2 - Матрица условных и безусловных процентных распределений (статистические модели РРС1 и РРС2)
Классы Безусловная вероятность признака
1 ... ... W
Значения факторов 1 Ри Р 11Ж
...
/ Ра и II ЫЫ Р 11Ж Р _ Ых Рх N
...
М Р 1 М1 Р Р
Безусловная вероятность класса и-
На практике часто встречается существенная несбалансированность данных, под которой понимается сильно отличающееся количество объектов обучающейся выборки, относящихся к различным классам. Поэтому решать задачу на основе непосредственно матрицы абсолютных частот (таблица 6) было бы очень неразумно и переход от абсолютных частот к условным и безусловным относительным частотам (частостям) является весьма обоснованным и логичным. Этот переход полностью снимает проблему несбалансированности данных, т.к. в последующем анализе используется не матрица абсолютных частот, а матрицы условных и безусловных процентных распределений и матрицы системно-когнитивных моделей (СК-модели, таблица 9), в частности матрица информативностей. Этот подход снимает также проблему обеспечения сопоставимости обработки в одной модели исходных данных, представленных в различных видах шкал (номинальных, порядковых и числовых) и в разных единицах измерения. В системе «Эйдос» это осуществляется всегда при решении любых задач.
Затем на основе таблиц 6 и 7 с использованием частных критериев, знаний приведенных таблице 8, рассчитываются матрицы системно-когнитивных моделей (таблица 9).
Таблица 3- Различные аналитические формы частных критериев знаний, _применяемые в АСК-анализе и системе «Эйдос»_
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
ABS, матрица абсолютных частот, Nj -фактическое число встреч i-го признака у объектов j-го класса; Nу - теоретическое число встреч i-го признака у объектов j-го класса; N, - суммарное количество признаков в i-й строке; Nj- суммарное количество признаков или объектов обучающей выборки в j-м классе; N - суммарное количество признаков по всей выборке (таблица 1) Обозначения: W M WM n = Z N ; NJ = Z N ;N=ZZ N ; J=1 '=1 '=1J=1 nJ — фактическая частота ; - n1N1 n J = — теоретическая частота.
PRC1, матрица условных Ps и безусловных P, процентных распределений, в качестве Nj используется суммарное количество признаков по классу — pj = nj . P = N
PRC2, матрица условных Ps и безусловных P, процентных распределений, в качестве Nj используется суммарное количество объектов обучающей выборки по классу ~N} ' '-N
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак I J =Yx Log 2 P I. = Yx Li nl NN grj- = Yx Log2—j—
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. N у 02 NN.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — - NN, I .. = N.. N.. = N.. ' ] j j V V «
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу p p—p i = j 1 = j ' I - nj 1 = N'N 1
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу J P p '' N , ' N Nj '
INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу I.. = P P j '.J ' r nj n. т _ J '
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу 'J n. n j
Обозначения к таблице 3: I - значение прошлого параметра; } - значение будущего параметра;
Ыц - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра;
М - суммарное число значений всех прошлых параметров;
№ - суммарное число значений всех будущих параметров.
Ы, - количество встреч 1-м значения прошлого параметра по всей выборке;
N - количество встреч ]-го значения будущего параметра по всей выборке;
N - количество встреч ]-го значения будущего параметра при 1-м значении прошлого
параметра по всей выборке.
Iii - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;
V - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;
Pi - условная относительная частота встречи i-го значения прошлого параметра при i-м значении будущего параметра.
В таблице 8 приведены формулы:
- для сравнения фактических и теоретических абсолютных частот;
- для сравнения условных и безусловных относительных частот
(«вероятностей»).
И это сравнение в таблице 8 осуществляется двумя возможными способами: путем вычитания и путем деления.
Когда мы сравниваем фактические и теоретические абсолютные частоты путем вычитания у нас получается частный критерий знаний хи-квадрат (СК-модель INF3), когда же мы сравниваем их путем деления, то у нас получается частный критерий количество информации по А.Харкевичу (СК-модели INF1, INF2) или коэффициент возврата инвестиций ROI -Return On Investment (СК-модели INF4, INF5) в зависимости от способа нормировки.
Когда мы сравниваем условные и безусловные относительные частоты путем вычитания у нас получается частный критерий знаний коэффициент взаимосвязи (СК-модели INF6, INF7), когда же мы сравниваем их путем деления, то у нас получается частный критерий количество информации по А.Харкевичу (СК-модели INF1, INF2).
Таким образом, мы видим, что все частные критерии знаний тесно взаимосвязаны друг с другом. Особенно интересна связь знаменитого критерия хи-квадрат Пирсона с замечательной мерой количества информации А.Харкевича и с известным в экономике коэффициентом ROI.
Вероятность рассматривается как предел, к которому стремится относительная частота (отношение количества благоприятных исходов к числу испытаний) при неограниченном увеличении количества испытаний. Ясно, что вероятность - это математическая абстракция, которая никогда не встречается на практике (также как и другие математические и физические абстракции, типа математической точки, материальной точки, бесконечно малой и т.п.). На практике встречается только относительная частота. Но она может быть весьма близкой к вероятности. Например, при 480 наблюдений различие между относительной частой и вероятностью (погрешность) составляет около 5%, при 1250 наблюдениях - около 2.5%, при 10000 наблюдениях - 1%.
_Таблица 4 - Матрица системно-когнитивной модели_
Классы Значимость фактора
1 ... У ... W
Значения факторов 1 111 1.1 11ш <7ц = ^ 1 ш 2 ш -1 У 1 1-1')
...
1 1,1 ц 1 ш 2 ш-1У ^ 1)
...
М 1М1 1М1 1мш = 2 1 ш 2 ш-1У (1м1 1м)
Степень редукции класса 1 ш м . ,2 Н = 2 1 У У (I, 1) • м -1) £ 1=ГУ 1
Суть этих методов в том, что вычисляется количество информации в значении фактора о том, что объект моделирования перейдет под его действием в определенное состояние, соответствующее классу. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о наблюдениях объекта моделирования, представленную в различных типах измерительных шкал и различных единицах измерения.
На основе системно-когнитивных моделей, представленных в таблице 9 (отличаются частыми критериями, приведенными в таблице 8), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели.
Отметим, что как значимость значения фактора, степень детерминированности класса и ценность или качество модели в АСК-анализе рассматривается вариабельность значений частных критериев этого значения фактора, класса или модели в целом (таблица 9).
Численно эта вариабельность может измеряться разными способами, например средним отклонением модулей частных критериев от среднего, дисперсией или среднеквадратичным отклонением или его квадратом. В системе «Эйдос» принят последний вариант, т.к. эта величина совпадает с мощностью сигнала, в частности мощностью информации, а в АСК-анализе все модели рассматриваются в как источник информации об объекте моделирования.
Поэтому есть все основания уточнить традиционную терминологию АСК-анализа (таблица 10):
Таблица 5 - Уточнение терминологии АСК-анализа
№ Традиционные термины (синонимы) Новый термин Формула
1 1. Значимость значения фактора (признака). 2. Дифференцирующая мощность значения фактора (признака). 3. Ценность значения фактора (признака) для решения задачи идентификации и других задач Корень из информационной мощности значения фактора 1 ш 2 1 У {I -I) ш -1 ^ г'
2 1. Степень детерминированности класса. 2. Степень обусловленности класса. Корень из информационной мощности класса 2 1 м 2 м-1У1 -1,)
3 1. Качество модели. 2. Ценность модели. 3. Степень сформированности модели. 4. Количественная мера степени выраженности закономерностей в моделируемой предметной области Корень из информационной мощности модели 1 ш м . ,2 н = 2 1 У У (I , I) ](ш • м -1) £ 1=ГУ 7
Отметим, что впервые количественное выражение для корня информационной мощности модели предложено проф. Е.В.Луценко в работе [1:[10] еще в 2002 году.9
1.3.2. Что такое интегральный критерий и для чего он нужен?
Как влияет на поведение объекта моделирования одно значение фактора, отражено в системно-когнитивных моделях. Как влияет система значений факторов, определяется с помощью интегральных критериев. В интегральном критерии используется система из большого количества частных критериев и значения всех их сводятся к одному значению интегрального критерия. Поэтому вычисление значений интегрального критерия сходства объекта распознаваемой (ее еще называют тестовой) выборки с обобщенными образами всех классов называется системной идентификацией.
В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:
- сумма знаний;
- резонанс знаний.
9 https://elibrary.ru/download/elibrary 18632909 40810830.pdf, формула (3.81) на стр.290 Ьйр://а .kubagro.ru/2021/10/pdf/20.pdf
1.3.3. 1-й интегральный критерий «Сумма знаний»
Интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от
частных критериев знаний, представленных в help режима 3.3:
—► —►
i> = (1,, Ц).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
м
h = £ ¡Л,,
i=1
где: M - количество градаций описательных шкал (признаков);
¡л = (Iy } - вектор состояния j-го класса;
—►
Ц = [Ц } - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
L =
1, если, — й фактор действует;
п, где; п > 0, если, - й фактор действует с истинностью п; 0, если, - й фактор не действует.
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
Если представить информацию распознаваемой выборки в виде матрицы, в которой каждая строка будет описывать один объект распознаваемой выборки, то операцию распознавания этой выборки с помощью 1-го интегрального критерия можно представить себе как операцию умножения матрицы распознаваемой выборки на матрицу статистической или системно-когнитивной модели. Результатом является матрица произведения, в которой каждый элемент является суммой произведений элементов соответствующих строки распознаваемой матрицы и столбца модели.
1.3.4. 2-й интегральный критерий «Семантический резонанс знаний»
Этот интегральный критерий представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:
1 м
Ь = У(I, -I)(А -1),
где:
М - количество градаций описательных шкал (признаков);
1 - средняя информативность по вектору класса;
^ - среднее по вектору объекта;
° 1
■> - среднеквадратичное отклонение частных критериев знаний вектора класса;
О1
1 - среднеквадратичное отклонение по вектору распознаваемого объекта.
I1j = и, } - вектор состояния 1-го класса;
А = (А } - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.: 1, если 1 - й фактор действует;
А = <п, где: п > 0, если 1 - й фактор действует с истинностью п; 0, если 1 - й фактор не действует.
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
1.3.5. Некоторые математические свойства интегральных критериев
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме
является корреляцией двух векторов: состояния _]-го класса и состояния распознаваемого объекта.
Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:
Г 1- - 1- Т Ц -Ц
I- ®---, Ц -.
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния _]-го класса и состояния распознаваемого объекта.
Существует и много других способов нормировки векторов, например, по формуле линейной интерполяции: I.. - 1ШШ Ц - Ьшп
I« ® ———, Ц ®
У т max
j max j min - < jmacx L
но в системе «Эйдос» они не используются.
Вообще говоря, разные интегральные критерии приводят к различным результатам идентификации и прогнозирования
Оба интегральных критерия, применяемые в системе «Эйдос», обладают очень интересными математическими свойствами, которые обеспечивают им важные достоинства.
Во-первых, интегральные критерии имеют неметрическую природу, т.е. он являются мерой сходства векторов класса и объекта, но не расстоянием между ними, а косинусом угла между ними, т.е. это межвекторное или информационное расстояние. Поэтому его применение является корректным в неортонормированных пространствах, которые, как правило, и встречаются на практике и в которых применение Евклидова расстояния (теоремы Пифагора) является некорректным.
Во-вторых, данные интегральные критерии являются фильтром, подавляющим белый шум, который всегда представлен в эмпирических исходных данных и в моделях, созданных на их основе. Это свойство подавлять белый шум проявляется у данного критерия тем ярче, чем больше в модели градаций описательных шкал.
В-третьих, интегральные критерии сходства представляют собой количественную меру сходства/различия конкретного объекта с обобщенным образом класса и имеют тот же смысл, что и функция принадлежности элемента множеству в нечеткой логике Лотфи Заде. Однако в нечеткой логике эта функция задается исследователем априорно путем выбора из нескольких возможных вариантов, а в АСК-анализе и его программном инструментарии - интеллектуальной системе «Эйдос» она
рассчитывается в соответствии с хорошо обоснованной математической моделью непосредственно на основе эмпирических данных.
В-четвертых, кроме того значение интегрального критерия сходства представляет собой адекватную самооценку степени уверенности системы в положительном или отрицательном решении о принадлежности/непринадлежности объекта к классу или риска ошибки при таком решении.
В-пятых, по сути, при распознавании происходит расчет коэффициентов I, разложения функции объекта А в ряд по функциям классов I,, т.е. определяется вес каждого обобщенного образа класса в образе объекта, что подробнее описано в монографии: [1:[21].
2. Результаты решения задачи
Весь процесс создания моделей и их применения для решения задач в АСК-анализе и системе «Эйдос» предусматривает следующие этапы АСК-анализа (рисунок 1).
1-й этап АСК-анализа: «Когнитивно-целевая структуризация предметной области». На 1-м и единственном неавтоматизированном этапе АСК-анализа, по сути, производится смысловая постановка задачи, т.е. определяются:
- объект моделирования (управления);
- факторы, действующие на объект моделирования (описательные шкалы);
- будущие состояния, в которые объект моделирования переходит под действием этих факторов (классификационные шкалы).
2-й этап АСК-анализа: «Формализация предметной области». На
этом этапе АСК-анализа с применением автоматизированных программных интерфейсов системы «Эйдос» (ЛР1-Эйдос)
- разрабатываются классификационные и описательные шкалы и градации;
- исходные данные кодируются с применением классификационных и описательных шкал и градаций, в результате чего формируется обучающая выборка, по сути, представляющая собой нормализованную базу исходных данных.
3-й этап АСК-анализа: «Синтез и верификация моделей». На
этом этапе АСК-анализа:
- путем многопараметрической типизации осуществляется синтез 3 статистических и 7 системно-когнитивных моделей;
- проводится верификация всех созданных моделей, т.е. с помощью стандартной классической Б-меры Ван Ризбергена и ее нечеткого мультиклассового обобщения, инвариантного относительно объема
распознаваемой выборки, предложенного автором [1:[5], оценивается достоверность моделей путем решения задачи идентификации объектов обучающей выборки, о которых уже достоверно известно к каким классам они относятся. В результате выбирается наиболее достоверная модель и определяется корректно ли ее использовать для решения различных задач.
4-й этап АСК-анализа: «Решение задач» в наиболее достоверной модели (если она для этого достаточно достоверна) решаются следующие задачи:
- задачи распознавания, системной идентификации, классификации, диагностики и прогнозирования;
- задачи принятия решений (управления и типологического анализа);
- задачи исследования моделируемой предметной области путем исследования ее модели:
Инвертированные 8ШОТ-диаграммы значений описательных шкал (семантические потенциалы);
Кластерно-конструктивный анализ классов;
Кластерно-конструктивный анализ значений факторов (признаков);
Модель знаний системы «Эйдос» и нелокальные нейроны;
Нелокальная нейронная сеть;
ЭБ-интегральные когнитивные карты;
2Б-интегральные когнитивные карты содержательного сравнения классов (опосредованные нечеткие правдоподобные рассуждения);
2Б-интегральные когнитивные карты содержательного сравнения значений факторов (опосредованные нечеткие правдоподобные рассуждения);
Когнитивные функции;
Значимость градаций описательных шкал и описательных шкал;
Степень детерминированности классов и классификационных шкал.
С
Последовательность обработки данных, информации и знаний в системе «Эйдос», повышение уровня системности данных, информации и знаний, повышение уровня системности моделей
Когнитивно-целевая структуризация предметной области (единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
3
Если модель адекватна, достоверна, т.е. соответствует действительности, то и результаты решения задач в этой модели также соответствуют действительности. Это значит, что если достоверность модели низка или неизвестна, то применять ее для решения реальных задач нельзя. Если же это делается, то является авантюризмом и профанацией науки. О соотношении задач.
- распознавание, классификация, идентификация и диагностика (это одно и тоже, т.е. синонимы). При решении этих задач определяется степень сходства/ различия образа конкретного объекта с обобщенными образами классов.
- идентификация и прогнозирование (при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к будущему, по сути, прогнозирование - это идентификация будущих состояний, т.е. это тоже идентификация, но не в пространстве (настоящем), а в пространстве-времени;
- прогнозирование и принятие решений (при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее состояние он перейдет под их действием. При принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения факторов, которые обуславливают его переход в это будущее целевое состояние. Таким образом задача принятия решений является обратной по
- принятие решений путем многократного многовариантного прогнозирования при различных сочетаниях значений факторов невозможно из-за комбинаторного взрыва. Прогнозирование может быть элементом принятия решения, т.е. применено для оценки адекватности рассматриваемого уже ранее сформированного другим методом варианта решения, но оно в реальных случаях, т.е. когда много факторов, не может быть применено для выработки самого варианта решения;
- принятие решений и исследование моделируемой предметной области (задача принятия решений является обратной по отношению к задаче прогнозирования только в простейшем случае: в случае использования 8\Л/ОТ-анализа. Однако 8\Л/ОТ-анализ имеет свои ограничения: может быть задано только одно будущее целевое состояние, некоторые рекомендуемые факторы может не быть технологической и финансовой возможности использовать. Поэтому в АСК-анализе и системе «Эйдос» реализован развитый алгоритм принятия решений п.6.3 в котором кроме 8\Л/ОТ-анализа используются также результаты решения задачи прогнозирования и результаты кластерно-конструктивного анализа классов и значений факторов, т.е. некоторые результаты решения задачи исследования предметной области.)
Рисунок 1. Порядок обработки данных, информации и знаний в системы «Эйдос»
21
2.1. Когнитивная структуризация предметной области. Две интерпретации классификационных и описательных шкал и градаций
На этапе когнитивно-целевой структуризации предметной области мы неформализуемым путем решаем на качественном смысловом уровне, что будем рассматривать в качестве объекта моделирования, что в качестве факторов, действующих на моделируемый объект (причин), а что в качестве результатов действия этих факторов (последствий). По сути это постановка решаемой проблемы.
Описательные шкалы служат для формального описания факторов, а классификационные - результатов их действия этих факторов на объект моделирования. Шкалы могут быть числовые и текстовые [1:[4]. Текстовые шкалы могут быть номинальные и порядковые.
Когнитивная структуризация предметной области является первым и единственным неавтоматизированном в системе «Эйдос» этапом АСК-анализа, т.е. все последующие этапы АСК анализа в ней полностью автоматизированы.
В АСК-анализе и системе «Эйдос» применяется две интерпретации классификационных и описательных шкал и градаций: статичная и динамичная и соответствующая терминология (обобщающая, статичная и динамичная).
В статичной интерпретации:
- градации классификационных шкал - это обобщающие категории видов объектов (классы);
- описательные шкалы - свойства объектов, градации описательных шкал - значения свойств (признаки) объектов.
В динамичной интерпретации:
- градации классификационных шкал - это обобщающие категории будущих состояний объекта моделирования (классы);
- описательные шкалы - факторы, действующие на объект моделирования, градации описательных шкал - значения факторов, действующие на объект моделирования.
Объектом исследования в данной работе является климат в городе Краснодаре по многолетним данным с 19ЭЭ по 2020 годы.
В задаче, решаемой в данной работе, в качестве факторов рассматриваются различные временные периоды (таблица 6):
В качестве результатов влияния этих факторов рассматриваются следующие климатические параметры: Максимальная температура, Минимальная температура, Средняя температура, Атмосферное давление, Скорость ветра, Осадки, Эффективная температура (таблица 7).
Таблица 6 -Описательные шкалы
KOD OPSC NAME OPSC
1 № НЕДЕЛИ В ГОДУ
2 МЕСЯЦ
3 ГОД
4 ДЕНЬ НЕДЕЛИ
Таблица 7
Классификационные шкалы
KOD CLSC NAME CLSC
1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА
2 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА
3 СРЕДНЯЯ ТЕМПЕРАТУРА
4 АТМОСФЕРНОЕ ДАВЛЕНИЕ
5 СКОРОСТЬ ВЕТРА
6 ОСАДКИ
7 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА
2.2. Формализация предметной области
На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации, а затем исходные данные кодируются с их использованием, в результате чего получается обучающая выборка. Обучающая выборка, по сути, представляет собой исходные данные, нормализованные с помощью классификационных и описательных шкал и градаций.
В системе «Эйдос» имеется большое количество разнообразных автоматизированных программных интерфейсов (API), обеспечивающих ввод в систему внешних данных различных типов: текстовых, табличных и графических, а также других, которые могут быть представлены в этом виде. В настоящее время в системе «Эйдос» реализованы шесть API: файловый текстовый интерфейс, табличный универсальный числовой и текстовый интерфейс, графические интерфейсы по контурам, всем пикселям и спектрам изображений, текстовый интерфейс сценарного анализа символьных рядов.
Этим обеспечивается возможность комфортного для пользователя применения системы «Эйдос» для проведения научных исследований в самых различных направлениях науки и решения практических задач в самых различных предметных областях, практически почти везде, где человек применяет естественный интеллект.
Многолетние данные по погоде в г. Краснодаре взяты с сайта:
http://pogoda-service.ru/archive gsod.php. Однако с этого сайта данные можно скачивать порциями не более 1000 строк. Поэтому эти порции были объединены в один файл вручную. Кроме того в числовых колонках точки были заменены на запятые. В результате получилась Excel-таблица исходных данных, фрагмент которой приведен в таблице 8.
В полном виде Excel-таблица исходных данных находится в полном открытом бесплатном доступе в Эйдос-облаке по ссылке: http://aidos.byethost5.com/Source data applications/Applications-000298/Inp data.xlsx
В данной работе для ввода исходных данных (таблица 8) в систему «Эйдос» и автоматизированной разработки классификационных и описательных шкал и градаций и обучающей выборки (таблицы 9, 10, 11), т.е. для автоматизированной формализации предметной области, был применен применим универсальный автоматизированный программный интерфейс (API) 2.3.2.2 (рисунок 2):
Таблица 8 - Исходные данные (фрагмент)
'.1,и.1'лалэчвч Смд-ич ATIM сфцмоа CWDOZTb KG s № д чч s КЕ Д.ЧЧ !5
Tt'fl-Ktaerj за Tt'jotaerjM TtVCKSMTjH aasnt-irtt S4T3-9 0 задам Tty-esaTj за AfeCtl wt^njt
05.01 .193i 0.0 -50 -1 5 0.0 2.0 0.0 0.0 H"31 01.'11-Л-!ИЭЭ - 1933 4.VJ-iTKD" Д.1Д2
06.01.1933 0.0 -23 -1 A 0.0 1,0 0,0 0.0 НГВ1 01.'1;-я-1иээ 1933 S'T-IPIT-MJB Д":н301 ШД1
07.01.19:: -11 -3 0 -3 5 0.0 4.0 0,0 0.0 H"31 19:: b-V-Cji'-jTS д.
0S.01.193i -2 5 0.0 s.o 0.0 0.0 H"32 01.'11-Л-15аээ - 1933 Д":-001 дг.из
09.01.1933 -26 -11 1 -7 7 0.0 4.0 0,0 0.0 H~32 01.'1;-Л15азэ 1933 г^-по-едала-).« Д~:-001 да .-с*
10.01.1 э:з -22 -122 -7 4- 0.0 5,0 0.0 0.0 H"32 01.'1С-Я^и:-=- 19:: i^-STOB-M-; Д":ОЭ1 nf.li-5
1131.1933 0.0 -10 0 -23 0.0 2,0 0,0 0.0 Hi" £'2 01 11-Я^ээ=» 1933 З.'7-Сэада Д":н:01 ДМ 02
12.01.193i 1.1 0.0 1.0 0.0 0.0 H"32 01.'11-Л-!5аээ - 1933 4.VJ-tTKD" Д":-001 дад1
13.01.1933 -26 ■в 1 -4 4. 0.0 1,0 0,0 0.0 H~32 01.'1;-я-1иээ 1933 Б'Т-Л.тчл^з Д~:-001 дад1
1431 .1933 -2 5 -7 5 -5 4- 0.0 5,0 0.0 0.0 H"32 01.'12Я-1ЬЯЭа 19:: b'T-Cjii-jTa Д":ОЭ1 да Д5
15.01.1932- -7 5 -122 -5 2 0.0 4,0 0.0 0.0 H"33 01.-11-Я-!5аээ 1933 Д":-001 ДМ 34
15.01.1933 -100 -122 -10.6 0.0 .3,0 0,0 0.0 H"33 01.'1;-я-1иээ 1933 Д~:-001 дадз
17.01.19::- -3 9 -11 1 -52 0.0 2,0 0,0 0.0 H"33 01.'1С-Я^и:-=- 19:: i^-STOB-tri-: Д":ОЭ1 дад2
1531 .1933 7.3 -30 0.5 0.0 0,0 0,0 0.0 нгдз 01 11-Я^ээ=» 1933 З.'7-Сэеда Д":-С01 2 ::
19.01.1932- 0.0 1.0 0.0 0.0 Н-ДЗ 01.'11-Я-!5аээ - 1933 4.VJ-tTKD" Д":-001 дад1
20.01.1933 73 1.4 0.0 4.0 0,0 0.0 Н"33 01.'1;-я-1иээ 1933 Б'Т-Л.тчл^з Д~:-001 да Д4
2131.1933 -2 5 -10 0 -5 7 0.0 6.0 0.0 0.0 Н"ДЗ 01.'1С-Я^и:-=- 19:: b'T-Cjii-jTa Д":ОЭ1 дадб
22.01.1933 2.2 -10 0 -2.2 0.0 4,0 0,0 0.0 НГД+ 01 11-Я^ээ=» 1933 Д":н:01 дад4
23.01.1933 23 -72 -1 7 0.0 4.0 0,0 0.0 НГ34. 01Л2-Я1МЭЭ 1933 Д~:-001 да Д4
2+.01.1953 -3 9 -10 0 -7 5 0.0 7,0 0,0 0.0 Н-Д4. 01.'12Я-1ЬЯЭа 19:: i^-STOB-tri-: Д-:<01 дад7
25.01.1933 -10 0 -12 5 -11 5 0.0 2,0 0,0 0.0 НГД+ 01 11-Я^ээ=» 1933 З.'7-Сэеда Д И
25.01.1э:з -7 2 0.0 4,0 0.0 0.0 Н-Д4 01.'11-Я-!5аээ - 1933 4.VJ-tTKD" Д":-001 дад4
27.01.1933 -7S -12 S -11 1 0.0 1,0 0,0 0.0 НГ34. 01.'1;-я-1иээ 1933 Б'Т-Л.тчл^з Д~:-001 дао1
29.oi.i9::- 0.0 -7 2 -1 2 0.0 3,0 0.0 0.0 Н-Д5 01.'1С-Я^и:-=- 19:: 7i7-E03<ae:3ft-isS Д":ОЭ1 дадз
3031.1933 2.2 -7 2 -1 2 0.0 1.0 0,0 0.0 НГД5 01 11-Я^ээ=» 1933 li^-no-tSflfiJfcirU« дад1
31.01.1933 2 3 -103 -1 2 0.0 .3,0 0,0 0.0 Н-Д5 01.'1;-Я-1Еазэ 1933 2i7-&TOD-iiH Д™:-001 дадз
01.02.19::- 5.0 0.0 1.4 0.0 1,0 0,0 0.0 Н-Д5 02-12-^sts.Ts 19:: З^-^кдв Д-:<01 дад1
02.02.1 9ii 1.1 -2 2 -03 0.0 2,0 0,0 0.0 НГД5 02М2-Фа5залэ 1933 4.i7J-4TK3_ 2.
03.02.19::- 1.1 0.1 0.0 1.0 0.0 0.0 Н-Д5 0242-Феазалэ - 1933 S^tnrirtja Д":-001 дад1
04.-02.1933 3.9 0.0 2,1 0.0 1,0 0,0 0.0 Н~35 0242-Я: 5 зал а 1933 б^-одаота Д~:-001 да.Д1
05.02.19::- 0.0 -3 9 -25 0.0 2,0 0.0 0.0 Н-Д6 0242-Фммлэ 19:: 7i7-Eo3raerft-iss Д":ОЭ1 дад2
07.02.1 9ii 12.3 -2 2 2.5 0.0 2,0 0,0 0.0 НГД6 02М2-Фа5зал= 1933 ¿'Г-Бтоэ-!.-!-; 2.
05.02.193i 2.2 0.0 1.0 0.0 0.0 Н-Д6 0242-Феазалэ - 1933 Д":-001 дад1
09.02.19::- -30 -7 5 -53 0.0 2,0 0,0 0.0 Н"Д6 0242-ФМЗвЛэ 19:: 4.I7J-4TS4D" Д-:нЗСЧ да 32
10.02.1 93i -30 -5 9 -55 0.0 1.0 0,0 0.0 НГД6 02М2-Фа5зал= 1933 S^-rtnr-irtja дад1
13.02.1932- 23 0.0 4,0 0.0 0.0 Н-Д7 0242-Феазалэ - 1933 1 "-"to-tejjejiBirii Д":-001 дад4
1i.02.1933 -122 -1 7 0.0 .3,0 0,0 0.0 Н"37 0242-Я: 5 зал а 1933 2f7-6TCiD-l.1i Д~:-001 дадз
15.02.19:: i.9 -3 9 1.7 0.0 3,0 0.0 0.0 Н-.Д7 02-12-^sts.Ts 19:: З^-^кдв Д":ОЭ1 дадз
15.02.193i 2.2 -3 9 -1 2 0.0 4,0 0,0 0.0 НГД7 02М2-Фа5зал= 1933 4.i7J-4TSS3_ Д":-С01 2.
17.02.193i 1.1 0.0 5.0 0.0 0.0 Н-Д7 0242-Феазалэ - 1933 S^tnrirtja Д":-001 ДГ.1:С5
18.02.1933 0.0 -03 0.0 1,0 0,0 0.0 Н"37 0242-Я: 5 зал а 1933 bTCji-M'Ta Д~:-001 да.Д1
19.02.193i 2.2 -7 2 1.4 0.0 1.0 0,0 0.0 нгдз 02М2-Фа5зал= 1933 дад1
20.02.193i 2.2 0.6 0.0 1.0 0.0 0.0 Н-Д5 0242-Феазалэ - 1933 1 "-"to-tejjejiBirii Д":-001 дад1
21.02.1933 -06 0.0 4.0 0,0 0.0 Н-ДЗ 0242-Я: 5 зал а 1933 2f7-6TCiD-l.1i Д~:-001 да 34
22.02.1953 5.1 -1 1 0,4 0.0 3,0 0.0 0.0 Н-ДЗ 0242-Фммлэ 19:: З^-Оэеда Д":ОЭ1 дадз
23.02.19ii 122 -3 9 33 0.0 1.0 0,0 0.0 нгдз 02М2-Фа5зал= 1933 4.i7J—агкэ- дад1
24.02.1932- 73 35 0.0 2.0 0.0 0.0 Н-ДЗ 0242-Феазалэ - 1933 S^tnrirtja Д":-001 дад2
25.02.1933 S.9 0.0 3.9 0.0 2,0 0,0 0.0 Н"33 0242-Я: 5 зал а 1933 б^-одаота Д~:-001 да 32
ib.L-2.19:: 11.1 -11 З.Б 0.0 2,0 0,0 0.0 Н-Д9 02,42-Фмэалэ 1э:: 7'7-&:c::-s:zs:-=:- Д":021 Д И
27.02.19::- 5.0 0.6 0.0 4,0 0.0 0.0 Н-ДЭ 0242-Феазалэ - 1933 1 "-"to-tejjejiBirii Д":-001 дад4
2S.02.1933 -3 9 -03 0.0 1,0 0,0 0.0 Н"Д9 0242-Я: 5 зал а 1933 2f7-6TCiD-l.1i Д~:-001 даз1
01.03.19::- 0.0 -2 5 -2 1 0.0 1,0 0.0 0.0 Н"Д9 03'12-f.1aDT 19:: З^-Оэеда Д":ОЭ1 да.Д1
02.03.193i -2 5 -5 1 -50 0.0 2.0 0.0 0.0 НГДЭ 0342-Г.1аэт 1эз: 4.T-1—атаез- да 32
03.03.193i -50 0.0 1.0 0.0 0.0 Н"Д9 03,42-f.1asT - 1933 S^-Ttmi-wua Д":-001 дад1
04.03.1933 23 -11 1 0.0 1,0 0,0 0.0 Н"Д9 0342-fAapT 1933 ST-CjW-та Д~:-001 даз1
05.03.19::- 5.1 -2 2 4.0 0.0 10.0 0,0 0.0 Н":10 03'12-f.1aDT 19:: 7i7-Eo:rae:ft-isa Д":ОЭ1 ДМ:10
06.03.193i 10.0 3.9 7,7 0.0 11.0 0.0 0.0 Н":10 Oi'12-fAaoT 1933 1 "-"to-tejjejiBirii да:11
07.03.1933 123 72 93 0.0 10.0 0,0 0.0 Н":10 0342-MspT 1933 2/7-Бтсю-ы:< Д~:-001 да:ю
03.03.19::- 0.0 -3 0 -25 0.0 6.0 0.0 0.0 Н":10 03'12-f.1aDT 19:: З^-Оэеда Д":ОЭ1 дадб
09.03.193i 0.0 -10 0 -5 4- 0.0 4,0 0,0 0.0 НГ:10 0342-Г.1аэт 1933 4.i7J—arsas- Д":н:01 дад4
10.03.193i 5.0 0.0 4,0 0.0 0.0 Н":10 03,42-f.1asT - 1933 ST-Ttmi-wua Д":-001 дад4
12.03.1933 S.1 -23 1 JO 0.0 6.0 0,0 0.0 Н":11 0342-fAapT 1933 Д~:-001 да 36
14-J03.1933 2.3 -2 5 0.3 0.0 1,0 0.0 0.0 Н":11 03'12-f.1aDT 19:: 2'7-&TOD-i.-i-: Д-:<01 дад1
15.03.193i 11.1 -3 9 5,0 0.0 7,0 0,0 0.0 НГ:11 0342-Г.1аэт 1933 З.'7-Сэада Д":-С01 дад7
1S.03.1933 11.1 3.9 63 0.0 9.0 0,0 0.0 Н":11 0342-MspT 1933 Д~:-001 да 39
17.03.19:: 15.0 1.1 5,7 0.0 1,0 0,0 0.0 Н":11 03'12-f.1aDT 19:: 5'7-~1»ГГ-1.-14Э Д-:<01 дад1
13.03.193i 21.1 -7 2 6,5 0.0 2,0 0,0 0.0 НГ:11 0342-Г.1аэт 1933 ь.'7-Cji-" jT3 2.
20.03.193i 20.0 1.1 9,7 0.0 1.0 0.0 0.0 Н":12 03,42-f.1asT - 1933 1 "-"to-tejjejiBirii Д":-001 дад1
22.03.1933 S3 1.1 10.4 0.0 2,0 0,0 0.0 Н":12 0342-fAapT 1933 З'7-СЖД.З Д~:-001 да 32
24..03.19::- 22.3 1.1 11.0 0.0 2,0 0.0 0.0 Н":12 03'12-f.1aDT 19:: 5'7-~1»ГГ-1.-14Э Д":ОЭ1 дад2
25.03.19ii 3.9 -2 2 12 0.0 2,0 0,0 0.0 НГ:13 0342-Г.1аэт 1933 2.
27.03.1933 S.9 -2 5 42 0.0 5,0 0,0 0.0 Н":13 0342-fJISBT 1933 1 '7-~1о-еделэ-1и* Д™:-001 дадз
23.os.13:: 5.9 -2 5 0.3 0.0 3,0 0,0 0.0 Н":15 03'12-f.1aDT 19:: 2l7-&TOD-i.-i-: Д-:<01 дадз
23.05.19ii 7,2 -3 9 35 0.0 7,0 0,0 0.0 НГ:13 0342-Г.1аэт 1933 З.'7-Сэада Д":-С01 дад7
20.03.193i 5.1 2.2 33 0.0 1.0 0.0 0.0 Н":13 03,42-f.1asT - 1933 4.'7-*--ет5ез" Д":-001 дад1
31.03.1933 10.0 0.0 4.6 0.0 1,0 0,0 0.0 Н":13 0342-MaDT 1933 ST-lm'-irija Д~:-001 даз1
01.04.1э::- 12.9 0.0 6.0 0.0 3,0 0.0 0.0 Н":15 O+.-H-AistTin 19:: Д":ОЭ1 дадз
02.04.19ii 15.1 -2 5 3.1 0.0 4,0 0,0 0.0 НГ:14 04.11-Апэала 1933 2.
03.04.193i 10.0 1.1 6.5 0.0 2.0 0.0 0.0 Н":14. 04.ч;-Апэелэ - 1933 1 "-"to-tejjejiBirii Д":-001 дад2
04.0+.19::- 73 23 53 0.0 1.0 0,0 0.0 Н~:14- с+.-1;-.*лэалэ 19:: 2'7-&T-33-i.id: Д-:нЗСЧ 2. С1
05.04.19ii 11.1 2 J 5.6 0.0 2,0 0,0 0.0 НГ:14 04.11-Апэала 1933 З.'7-Сэада 2.
06.04.195i S.9 1.1 5.4 0.0 2.0 0.0 0.0 Н":14. 04.ч;-Апэелэ - 1933 4.'7-*--ет5ез" Д":-001 дад2
07.04.1933 10.0 1.1 43 0.0 5,0 0,0 0.0 Н":14 04.42-АПЖЛэ 1933 ST-lm'-irija Д~:-001 да 35
оз.о4.1э:з- 122 1.1 5.3 0.0 4,0 0.0 0.0 Н":14. O+.-H-AlStTin 19:: Д":ОЭ1 дад4
10.04.19ii 5.1 1.1 3,9 0.0 1.0 0.0 0.0 НГ:15 04.11-Апэа.пэ 1эз: 1 Т-Пи-едаты-и дад1
11.04.19::-чтгш 5.0 iilfl 1 1 2.5 ц -. 0.0 " - 2.0 0.0 net 0.0 - " НГ:15 нг-чя 04.'1;-Апэвпэ р 1933 2/T-BKia-m У7-СЮ ПН Д":<01 п~--ггп да 32 _СР1Л4
С) 2.3.2.2. Универсальный программный интерфейс импорта данных в систему ЭЙДОС-Х++
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_(1а!а"
—Задайте параметры:-
Стандарт ХЬЭ-Файла
^Задайтетип Файла исходных данных: "1пр_с1а1а": С -М6Ехсе1-2003 ^ МЭ Ехсе1-2007(2010] Г" ОВР - 0ВА5Е IV (РВР/ЫТХ) Стандарт РВР-Файла
С С5У - СЭ1/ => РВЕ конвертер Стандарт СЭУ-Файла
(У Нули и пробелы считать ОТСУТСТВИЕМ данным Г" Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г Создавать БД средних по классам "lnp_davr.dЬf"?
Требования к файлу исходных данных
Задайте диапазон столбцов классификационным 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)а1а") С Генерации распознаваемой выборки [на основе "1пр_га$р")
—Задайте способ выбора размера интервалов:
(* Равные интервалы с разным числом наблюдений С" Разные интервалы с равным числом наблюдений
—Задание параметров Формирования сценариев или способа интерпретации текстовым полей "1пр_с1а1а":-
(•Не применять сценарный метод АСК-анализа С Применить сценарный метод АСК-анализа
Применить спец.интерпретацию текстовых полей классов П П рименигь спец.интерпретацию текстовых полей признаков
Параметры интерпретации значений текстовых полей "1пр_[1а1:а":
—Интерпретация ТХТ-полей классов:
Значения полей текстовых классификационных шкал Файла исходных данным "1пр_с1а1а" рассматриваются как целое
—Интерпретация ТХТ-полей признаков:-Значения полей текстовых описательным шкал Файла исходных данных "1пр_с1а1а" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовым шкал использовать: (* Только интервальные числовые значения (например
Только наименования интервальных числовых значений (*" И интервальные числовые значения, и их наименования
(например (например
"1 /3(59373.0000000.178545.6666667}") "Минимальное"]
"Минимальное: 1/3-{59873.0000000.178545.6666667}")
1Й1 1- Г
2.3.2,2. Задание размерности модели системы "ЭЙДОС-Х+-
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационных и описательным шкал: [70 х 150]
Тип шкалы Количество Количество Среднее Количество Количество Среднее 1
классифи- градаций количества описательным градаций количество
кационных классифи- градаций шкал описательных градаций
шкал кационных на класс, шкалу шкал на опис: шкалу
Числовые 7 70 10.00 0 0 0,00
Текстовые 0 0 0,00 4 150 37.50
ВСЕГО: 7 70 10,00 4 150 37,50
Задайте число интервалов (градаций) в шкале: В классификационных шкалах:
Пересчитать шкалы и градации
Выйти на создание модели
2.3,2.2. Процесс импорта данных из внешней БД "1пр_с1а1а" в систему "ЭЙДОС-Х+-
Стадии исполнения процесса-
1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с1а1а"- Готово 2/3: Генерация обучающей выборки и базы событий "Еуеп1зКО" на основе БД "1пр_сЫа"- Готово 3/3: Переиндексация всех баз данных нового приложения-Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
|—Прогноз времени исполнения-
Начало: 02:38:45 Окончание: 2:39:53
100%
Прошло: 0:01:07
Осталось: 0:00:00
Рисунок 2 - Экранные формы управления универсальным программным
интерфейсом АР1-2.3.2.2
В таблице 8 желтым фоном выделены колонки классификационных шкал, светло-зеленым - колонки описательных шкал, а белым фоном -резервные неиспользованные в данном численном примере колонки.
KOD CLS NAME CLS
1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/10-{-22.0, -15.5}
2 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/10-{-15.5, -9.0}
3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/10-{-9.0, -2.5}
4 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-4/10-{-2.5, 4.0}
5 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-5/10-{4.0, 10.5}
6 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-6/10-{10.5, 17.0}
7 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-7/10-{17.0, 23.5}
8 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-8/10-{23.5, 30.0}
9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10-{30.0, 36.5}
10 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-{36.5, 43.0}
11 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1/10-{-33.7, -27.8}
12 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/10-{-27.8, -21.9}
13 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-3/10-{-21.9, -16.0}
14 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-4/10-{-16.0, -10.1}
15 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-5/10-{-10.1, -4.2}
16 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-6/10-{-4.2, 1.8}
17 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-7/10-{1.8, 7.7}
18 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-8/10-{7.7, 13.6}
19 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10-{13.6, 19.5}
20 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-{19.5, 25.4}
21 СРЕДНЯЯ ТЕМП ЕРАТУРА-1 /10-{-27.9, -22.0}
22 СРЕДНЯЯ ТЕМПЕРАТУРА-2/10-{-22.0, -16.1}
23 СРЕДНЯЯ ТЕМП ЕРАТУРА-3/10-{-16.1, -10.1}
24 СРЕДНЯЯ ТЕМПЕРАТУРА-4/10-{-10.1, -4.2}
25 СРЕДНЯЯ ТЕМПЕРАТУРА-5/10-{-4.2, 1.7}
26 СРЕДНЯЯ ТЕМПЕРАТУРА-6/10-{1.7, 7.6}
27 СРЕДНЯЯ ТЕМПЕРАТУРА-7/10-{7.6, 13.5}
28 СРЕДНЯЯ ТЕМП ЕРАТУРА-8/10-{13.5, 19.5}
29 СРЕДНЯЯ ТЕМПЕРАТУРА-9/10-{19.5, 25.4}
30 СРЕДНЯЯ ТЕМП ЕРАТУРА-10/10-{25.4, 31.3}
31 АТМОСФЕРНОЕ ДАВЛЕНИЕ-1/10-{989.1, 994.5}
32 АТМОСФЕРНОЕ ДАВЛЕНИЕ-2/10-{994.5, 999.8}
33 АТМОСФЕРНОЕ ДАВЛЕНИЕ-3/10-{999.8, 1005.2}
34 АТМОСФЕРНОЕ ДАВЛЕНИЕ-4/10-{1005.2, 1010.5}
35 АТМОСФЕРНОЕ ДАВЛЕНИЕ-5/10-{1010.5, 1015.9}
36 АТМОСФЕРНОЕ ДАВЛЕНИЕ-6/10-{1015.9, 1021.2}
37 АТМОСФЕРНОЕ ДАВЛЕНИЕ-7/10-{1021.2, 1026.6}
38 АТМОСФЕРНОЕ ДАВЛЕНИЕ-8/10-{1026.6, 1031.9}
39 АТМОСФЕРНОЕ ДАВЛЕНИЕ-9/10-{1031.9, 1037.3}
40 АТМОСФЕРНОЕ ДАВЛЕНИЕ-10/10-{1037.3, 1042.6}
41 СКОРОСТЬ ВЕТРА-1/10-{1.0, 3.8}
42 СКОРОСТЬ ВЕТРА-2/10-{3.8, 6.6}
43 СКОРОСТЬ ВЕТРА-3/10-{6.6, 9.4}
44 СКОРОСТЬ ВЕТРА-4/10-{9.4, 12.2}
45 СКОРОСТЬ ВЕТРА-5/10-{12.2, 15.0}
46 СКОРОСТЬ ВЕТРА-6/10-{15.0, 17.8}
47 СКОРОСТЬ ВЕТРА-7/10-{17.8, 20.6}
48 СКОРОСТЬ ВЕТРА-8/10-{20.6, 23.4}
49 СКОРОСТЬ ВЕТРА-9/10-{23.4, 26.2}
50 СКОРОСТЬ ВЕТРА-10/10-{26.2, 29.0}
51 ОСАДКИ-1/10-{1.0, 30.9}
52 ОСАДКИ-2/10-{30.9, 60.8}
53 ОСАДКИ-3/10-{60.8, 90.7}
54 ОСАДКИ-4/10-{90.7, 120.6}
55 ОСАДКИ-5/10-{120.6, 150.5}
56 ОСАДКИ-6/10-{150.5, 180.4}
57 ОСАДКИ-7/10-{180.4, 210.3}
58 ОСАДКИ-8/10-{210.3, 240.2}
59 ОСАДКИ-9/10-{240.2, 270.1}
60 ОСАДКИ-10/10-{270.1, 300.0}
61 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-1/10-{-31.6, -25.1}
62 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-2/10-{-25.1, -18.6}
63 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-3/10-{-18.6, -12.1}
64 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-4/10-{-12.1, -5.6}
65 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-5/10-{-5.6, 0.9}
66 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-6/10-{0.9, 7.4}
67 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-7/10-{7.4, 13.9}
68 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-8/10-{13.9, 20.4}
69 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-9/10-{20.4, 26.9}
70 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-10/10-{26.9, 33.4}
Таблица
KOD ATR NAME ATR
1 № НЕДЕЛИ В ГОДУ-НГ 01
2 № НЕДЕЛИ В ГОДУ-НГ 02
3 № НЕДЕЛИ В ГОДУ-НГ 03
4 № НЕДЕЛИ В ГОДУ-НГ 04
5 № НЕДЕЛИ В ГОДУ-НГ 05
6 № НЕДЕЛИ В ГОДУ-НГ 06
7 № НЕДЕЛИ В ГОДУ-НГ 07
8 № НЕДЕЛИ В ГОДУ-НГ 08
9 № НЕДЕЛИ В ГОДУ-НГ 09
10 № НЕДЕЛИ В ГОДУ-НГ 10
11 № НЕДЕЛИ В ГОДУ-НГ 11
12 № НЕДЕЛИ В ГОДУ-НГ 12
13 № НЕДЕЛИ В ГОДУ-НГ 13
14 № НЕДЕЛИ В ГОДУ-НГ 14
15 № НЕДЕЛИ В ГОДУ-НГ 15
16 № НЕДЕЛИ В ГОДУ-НГ 16
17 № НЕДЕЛИ В ГОДУ-НГ 17
18 № НЕДЕЛИ В ГОДУ-НГ 18
19 № НЕДЕЛИ В ГОДУ-НГ 19
20 № НЕДЕЛИ В ГОДУ-НГ 20
21 № НЕДЕЛИ В ГОДУ-НГ 21
22 № НЕДЕЛИ В ГОДУ-НГ 22
23 № НЕДЕЛИ В ГОДУ-НГ 23
24 № НЕДЕЛИ В ГОДУ-НГ 24
25 № НЕДЕЛИ В ГОДУ-НГ 25
26 № НЕДЕЛИ В ГОДУ-НГ 26
27 № НЕДЕЛИ В ГОДУ-НГ 27
28 № НЕДЕЛИ В ГОДУ-НГ 28
29 № НЕДЕЛИ В ГОДУ-НГ 29
30 № НЕДЕЛИ В ГОДУ-НГ 30
31 № НЕДЕЛИ В ГОДУ-НГ 31
32 № НЕДЕЛИ В ГОДУ-НГ 32
33 № НЕДЕЛИ В ГОДУ-НГ 33
34 № НЕДЕЛИ В ГОДУ-НГ 34
35 № НЕДЕЛИ В ГОДУ-НГ 35
36 № НЕДЕЛИ В ГОДУ-НГ 36
37 № НЕДЕЛИ В ГОДУ-НГ 37
38 № НЕДЕЛИ В ГОДУ-НГ 38
39 № НЕДЕЛИ В ГОДУ-НГ 39
40 № НЕДЕЛИ В ГОДУ-НГ 40
41 № НЕДЕЛИ В ГОДУ-НГ 41
42 № НЕДЕЛИ В ГОДУ-НГ 42
43 № НЕДЕЛИ В ГОДУ-НГ 43
44 № НЕДЕЛИ В ГОДУ-НГ 44
45 № НЕДЕЛИ В ГОДУ-НГ 45
46 № НЕДЕЛИ В ГОДУ-НГ 46
47 № НЕДЕЛИ В ГОДУ-НГ 47
48 № НЕДЕЛИ В ГОДУ-НГ 48
49 № НЕДЕЛИ В ГОДУ-НГ 49
50 № НЕДЕЛИ В ГОДУ-НГ 50
51 № НЕДЕЛИ В ГОДУ-НГ 51
- Описательные шкалы и г радации
52 № НЕДЕЛИ В ГОДУ-НГ: 52 104 ГОД-Г 1981
53 № НЕДЕЛИ В ГОДУ-НГ: 53 105 ГОД-Г 1982
54 № НЕДЕЛИ В ГОДУ-НГ: 54 106 ГОД-Г 1983
55 МЕСЯЦ-01/12-Январь 107 ГОД-Г 1984
56 МЕСЯЦ-02/12-Февраль 108 ГОД-Г 1985
57 МЕСЯЦ-03/12- Март 109 ГОД-Г 1986
58 МЕСЯЦ-04/12-Апрель 110 ГОД-Г 1987
59 МЕСЯЦ-05/12-Май 111 ГОД-Г 1988
60 МЕСЯЦ-06/12-Июнь 112 ГОД-Г 1989
61 МЕСЯЦ-07/12- Июль 113 ГОД-Г 1990
62 МЕСЯЦ-08/12-Август 114 ГОД-Г 1991
63 МЕСЯЦ-09/12-Сентябрь 115 ГОД-Г 1992
64 МЕСЯЦ-10/12-Октябрь 116 ГОД-Г 1993
65 МЕСЯЦ-11/12-Ноябрь 117 ГОД-Г 1994
66 МЕСЯЦ-12/12-Декабрь 118 ГОД-Г 1995
67 ГОД-Г 1933 119 ГОД-Г 1996
68 ГОД-Г 1934 120 ГОД-Г 1997
69 ГОД-Г 1935 121 ГОД-Г 1998
70 ГОД-Г 1936 122 ГОД-Г 1999
71 ГОД-Г 1937 123 ГОД-Г 2000
72 ГОД-Г 1948 124 ГОД-Г 2001
73 ГОД-Г 1949 125 ГОД-Г 2002
74 ГОД-Г 1950 126 ГОД-Г 2003
75 ГОД-Г 1951 127 ГОД-Г 2004
76 ГОД-Г 1952 128 ГОД-Г 2005
77 ГОД-Г 1953 129 ГОД-Г 2006
78 ГОД-Г 1954 130 ГОД-Г 2007
79 ГОД-Г 1955 131 ГОД-Г 2008
80 ГОД-Г 1956 132 ГОД-Г 2009
81 ГОД-Г 1957 133 ГОД-Г 2010
82 ГОД-Г 1958 134 ГОД-Г 2011
83 ГОД-Г 1959 135 ГОД-Г 2012
84 ГОД-Г 1960 136 ГОД-Г 2013
85 ГОД-Г 1961 137 ГОД-Г 2014
86 ГОД-Г 1962 138 ГОД-Г 2015
87 ГОД-Г 1963 139 ГОД-Г 2016
88 ГОД-Г 1964 140 ГОД-Г 2017
89 ГОД-Г 1965 141 ГОД-Г 2018
90 ГОД-Г 1966 142 ГОД-Г 2019
91 ГОД-Г 1967 143 ГОД-Г 2020
92 ГОД-Г 1968 144 ДЕНЬ НЕДЕЛИ-1/7-Понедельник
93 ГОД-Г 1969 145 ДЕНЬ НЕДЕЛИ-2/7-Вторник
94 ГОД-Г 1970 146 ДЕНЬ НЕДЕЛ И-3/7-Среда
95 ГОД-Г 1971 147 ДЕНЬ НЕДЕЛ И-4/7-Четверг
96 ГОД-Г 1973 148 ДЕНЬ НЕДЕЛИ-5/7-Пятница
97 ГОД-Г 1974 149 ДЕНЬ НЕДЕЛ И-6/7-Суббота
98 ГОД-Г 1975 150 ДЕНЬ НЕДЕЛИ-7/7-Воскресенье
99 ГОД-Г 1976
100 ГОД-Г 1977
101 ГОД-Г 1978
102 ГОД-Г 1979
103 ГОД-Г 1980
Таблица
1 - Обучающая выборка (фрагмент
ЫЛМЕ ОБи N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12
05.01.1933 4 15 25 41 65 1 55 67 147
06.01.1933 4 16 25 41 65 1 55 67 148
07.01.1933 4 15 25 42 65 1 55 67 149
08.01.1933 3 15 24 43 65 2 55 67 150
09.01.1933 3 14 24 42 65 2 55 67 144
10.01.1933 4 14 24 42 65 2 55 67 145
11.01.1933 4 15 25 41 65 2 55 67 146
12.01.1933 4 16 25 41 65 2 55 67 147
13.01.1933 3 15 24 41 65 2 55 67 148
14.01.1933 3 15 24 42 65 2 55 67 149
15.01.1933 3 14 24 42 65 3 55 67 150
16.01.1933 2 14 23 41 65 3 55 67 144
17.01.1933 3 14 24 41 65 3 55 67 145
18.01.1933 5 15 25 65 3 55 67 146
19.01.1933 4 15 25 41 65 3 55 67 147
20.01.1933 5 16 25 42 65 3 55 67 148
21.01.1933 3 15 24 42 65 3 55 67 149
22.01.1933 4 15 25 42 65 4 55 67 150
23.01.1933 4 15 25 42 65 4 55 67 144
24.01.1933 3 15 24 43 65 4 55 67 145
25.01.1933 2 14 23 41 65 4 55 67 146
26.01.1933 3 14 24 42 65 4 55 67 147
27.01.1933 3 14 23 41 65 4 55 67 148
29.01.1933 4 15 25 41 65 5 55 67 150
30.01.1933 4 15 25 41 65 5 55 67 144
31.01.1933 4 15 25 41 65 5 55 67 145
01.02.1933 5 16 25 41 65 5 56 67 146
02.02.1933 4 16 25 41 65 5 56 67 147
03.02.1933 4 16 25 41 65 5 56 67 148
04.02.1933 4 16 26 41 65 5 56 67 149
05.02.1933 4 16 25 41 65 6 56 67 150
07.02.1933 6 16 26 41 65 6 56 67 145
08.02.1933 4 16 25 41 65 6 56 67 146
09.02.1933 3 15 24 41 65 6 56 67 147
10.02.1933 3 15 24 41 65 6 56 67 148
13.02.1933 4 15 25 42 65 7 56 67 144
14.02.1933 4 14 25 41 65 7 56 67 145
15.02.1933 4 16 25 41 65 7 56 67 146
16.02.1933 4 16 25 42 65 7 56 67 147
17.02.1933 4 15 25 42 65 7 56 67 148
18.02.1933 4 16 25 41 65 7 56 67 149
19.02.1933 4 15 25 41 65 8 56 67 150
20.02.1933 4 16 25 41 65 8 56 67 144
21.02.1933 4 16 25 42 65 8 56 67 145
22.02.1933 5 16 25 41 65 8 56 67 146
23.02.1933 6 16 26 41 65 8 56 67 147
24.02.1933 5 16 26 41 65 8 56 67 148
25.02.1933 5 16 26 41 65 8 56 67 149
26.02.1933 6 16 26 41 65 9 56 67 150
27.02.1933 5 16 25 42 65 9 56 67 144
28.02.1933 4 16 25 41 65 9 56 67 145
01.03.1933 4 16 25 41 65 9 57 67 146
02.03.1933 3 15 24 41 65 9 57 67 147
03.03.1933 3 15 24 41 65 9 57 67 148
04.03.1933 4 14 25 41 65 9 57 67 149
05.03.1933 5 16 26 44 65 10 57 67 150
06.03.1933 5 17 27 44 65 10 57 67 144
07.03.1933 6 17 27 44 65 10 57 67 145
08.03.1933 4 15 25 42 65 10 57 67 146
09.03.1933 4 15 24 42 65 10 57 67 147
10.03.1933 5 15 25 42 65 10 57 67 148
12.03.1933 5 16 25 42 65 11 57 67 150
14.03.1933 4 16 25 41 65 11 57 67 145
15.03.1933 6 16 26 43 65 11 57 67 146
16.03.1933 6 17 26 43 65 11 57 67 147
17.03.1933 6 16 26 41 65 11 57 67 148
18.03.1933 7 15 26 41 65 11 57 67 149
2.3. Синтез моделей и частные критерии
(многопараметрическая типизация временных периодов по климатическим особенностям)
Итак, хотя модели системы «Эйдос» хотя и основаны на матрице абсолютных частот, отражающей число встреч градаций описательных шкал по градациям классификационных шкал (фактов), но для решения всех задач используется не непосредственно сама эта матрица, а матрицы условных и безусловных процентных распределений и системно-когнитивные модели, которые рассчитываются на ее основе и отражают какое количество информации содержится в факте наблюдения определенной градации описательной шкалы о том, что объект моделирования перейдет в состояние, соответствующее определенной градации классификационной шкалы (классу) [1:[4].
В данной работе синтез моделей осуществляется в режиме 3.5 системы «Эйдос» при параметрах, приведенных на рисунке 3:
j I
£) 3.5, Синтез и верификация модел:
Задайте модели для синтеза и верификации Статистические базы:
1. ABS - частный критерий! количество встреч сочетаний: "класс-признак" у объектов обуч. выборки f/ 2. PRC1 ■ частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса К? 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):
!7 4. INFI
за СП INF2
!7 6. INF3
17 ?. INF4
СО 11 INF5
17 Э. INF6
W 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Текущая модель
С 1. ABS Г 2. PRC1 г 3. PRC2
IN Fl INF2 INF3 INF4 INF5 INF6
Г 5
Г 6
Г 7
С 8
Г э.
С 10.INF7
Параметры Копирования обучающей выборки в распознаваемую (бутстрепный подход):-—Какие объекты обуч.выборки копировать:— — г- Пояснение по алгоритму верификации¡_|-
(• Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайных объектов С Копировать объекты от N1 до N2 С Вообще не менять распознаваемую выборку
Удалять из обуч. выборки скопированные объекты: (* Не удалять С Удалять
Подробнее
И змеряегся вн^ренняя достоверн. модели
Для каждой заданной модели выполнить: (• Синтез и верификацию С Только верификацию С Только синтез
На каком процессоре выполнять расчеты: & НИ г GPU
Использование только наиболее достоверный результатов распознавания: Ra.sp.dbf и целесобразность применения бутстрепного подхода Расчетный размер БД результатов распознавания Иазр.с1Ы равен 86313194 байт, т.е.: 4.0474904 % от МАХ-возможного, (от 2Гб) Задайте, сколько % от исходной БД Разр,ЙЫ, оставить, удаляя наименее достоверные результаты распознавания: |100Р 0000000 В примений бутстрепного подхода нет необходимости. Синтез и верификация моделей будут выполнены на основе всей выборки.
Qk
Cancel
Рисунок 3 - Экранная форма управления режимом синтеза и верификации статистических и системно-когнитивных моделей (режим 3.5)
На рисунке 4 приведена экранная форма отображения стадии исполнения и прогноза времени исполнения режима синтеза и верификации статистических и системно-когнитивных моделей:
Рисунок 4 - Экранная форма отображения стадии исполнения и прогноза времени исполнения режима синтеза и верификации моделей (режим 3.5)
В результате работы данного режима созданы 3 статистических и 7 системно-когнитивных моделей (моделей знаний) (рисунки 5, 6, 7, 8):
—ув
V: M-:,'.r J . " AEj -
"Класс-признак" у объектов обуч .выбор к и
Kútt «описательной ш ж .4. 5. ■б; 7. 8. ая |ю. 11. 12. 13.
признзк-з шкалы И Градации МАКСИМАЛ... МАКСИМАЛ... МАКСИМАЛ... МАКСИМА/1... МАКСИМАЛ... МАКСИМАЛ.. МАКСИМАЛ... МАКСИМАЛ,... МАКСИМАЛ... МАКСИМАЛ... МИНИМАЛЬ... МИНИМАЛЬ.. МИНИМАЛЬ...
ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ... ТЕМПЕРАТ...
Ш.0{ 2/10Í ЗЛ0< '4/10 { 5/10 :6Л0 •"7/10 ЗЛО ЗЛО 10/10 ШО £. 2/10 {. 3/10{
22.0,. 15:5. ЗД ¿5;! {4,0, ÍÍ&5. -{17. а; {23.5, {30.0, {36.5;. 33.7, 27:8.. 21.Э,
9'Of Ш 4:0} 10.5! 17.0} .23.5} 30.0} 36.5} 143.0}. 127.8} 21.3} 16.0}
i № НЕДЕЛИ Е ¡ПШУ-НП01 6 29 91 1С6 37 2 1 13
2 № НЕДЕЛИ Е i ГОДУ-НГ:02 2 11 58 193 160 54 2 1 15 21
3 № НЕДЕЛИ Е ! Г0ДУ-НП03 11 66 235 129 36 3 2 2 19
4 № НЕДЕЛИ Е ! ГОДУ-НПО* 3 15 72 204 136 45 3 3 9 32
5 № НЕДЕЛИ Е ¡ гаду-нпоэ 2 30 53 185 145 46 5 1 10 42
6 № НЕДЕЛИ Е ! ГОДУ-НПОб 1 22 59 174 157 63 3 ¿ 9 24
7 № НЕДЕЛИ Е ! ГОДУ-НП07 10 49 18,2 152 67 15 1 5 20
8 № НЕДЕЛИ Е i ГСДУ-НГ:08 3 42 161 171 78 22 2 20
Э № НЕДЕЛИ Е ¡ ГОДУ-НПОЭ 3 26 151 167 95 2S 1 5 9
10 № НЕДЕЛИ Е ! Г0ДУ-НГ:Ю 13 133 180 98 40 5 1 2 6:
11 № НЕДЕЛИ Е i Г0ДУ-НП11 106 1£1 136 35 4 2
12 № НЕДЕЛИ Е i гаДУ-НГ:12 3 56 192 169 54 3 2
13 № НЕДЕЛИ Е ! гаДУ-НГ:13 34 152 195 79 ц
14 № НЕДЕЛИ Е i гаду-нпн 5 31 iee 155 37
15 № НЕДЕЛИ Е ¡ Г0ДУ-НГ:15 5 71 191 170 41 2
16 № НЕДЕЛИ Е ! Г0ДУ-НП16 2 35 194 1S1 6S 2
17 № НЕДЕЛИЕ ! ГОДУ-НП17 26 182 203 63 1
18 № НЕДЕЛИ Е i Г0ДУ-НП18 108 234 135 2
19 № НЕДЕЛИ Е ! ГйДУ-НГ:19 4 92 229 150 9
20 № НЕДЕЛИ Е ! Г[]ДУ-НГ:2а 1 57 209 199 19
21 № НЕДЕЛИ Е i Г0ДУ-НП21 36 1S7 245 24
22 № НЕДЕЛИ Е i гаДУ-НГ:22 21 182 247 30
23 № НЕДЕЛИ Е ! ГОДУ-НП23 8 137 298 34
Рисунок 5 - Статистическая модель Abs - матрица абсолютных частот (фрагмент)
Ф 5.5. Модель: "3. PRC2 - м,
В ГОДУ-НГ:0" в году-нпо; » НЕДЕЛИ В ГОДУ-нпо:
»НЕДЕЛИ Е » НЕДЕЛИ Е »НЕДЕЛИ Е ■IMHEДЕЛИ Е » НЕДЕЛИЕ » НЕДЕЛИ Е
ГОДУ-НПО' ГОДУ-НПО? ГОДУ-НПО!
году-нпо:
ГОДУ-НПОЕ ГОДУ-НПО!
»НЕДЕЛИ В Г0ДУ-НП1Е
» НЕДЕЛИ Е » НЕДЕЛИЕ ■1М-1ЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е
Г0ДУ-НП1" году-нт: году-нп1:
Г0ДУ-НГ:1< Г0ДУ-НП1! Г0ДУ-НП1Е
»недели в году-нт;
»НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е ■1М-1ЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е
Г0ДУ-НП1Е Г0ДУ-НП1! Г0ДУ-НП2С Г0ДУ-НП2"
году-нпг; году-нг:2;
1.762
33.333 22.222
1.258
3.061
г. 645
;. S94
3.045
3.2S9 _ 4. 049
L.613
¡.350
2.926
? .705
6.948 5.998
6.176
5.107
3.266 2.138
Рисунок 6 - Статистическая модель Prc2 - матрица условных и безусловных процентных распределений (фрагмент)
5,5. Модель: "4. INFI - частный .критерий: количество знаний по А.Харкевичу; вероятности из PRC1 |т=ц|вО»|ИЕЗИ|'
Кед Наименован ли описате ьной 1. г. а.; 4. 5, вИ 7. 3. :9. |lO. Ш 12. 1:3.
признака шкалы и грас ации МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МАКСИМАЛЬ... МИНИМАЛЬН.. МИНИМАЛЬН... миник
ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕРАТУРА ТЕМПЕ
1-Л0С 2/10{ 4/10{ эдо 6/Ю 7/10 зле. 9Л0 10/10 1Л0{ . ipse И
¿20. 15.5. 3.0. ? 5, {4,0,. 00.5. {17Д {2ä5.. {зад. {зе.5. 33,7,.
15.55 iDi: ш 4.0): 10.9 17.0) 2ST: 51 зо.'й 36.5? 43,0} 27,8} 1жЯ ¡Н'И
1 НЕДЕЛИ! ! ГОДУ-НГ: J31_ 0.682 0.630 0.477 0.409 -0.095 -1.480 0.179
:2 N НЕДЕЛИ Е ! ГОДУ-НГ: :02 1.132 0.697 0.686 0.560 0.334 -0.186 -1.746 0.639 1.171
3- N НЕДЕЛИ Е ( ГОДУ-НГ: 03 0.699 0.748 0.653 0.236 -0.372 -1.556 0.963 0.237
4 N НЕДЕЛИ Е ! ГОДУ-НГ: :04 1.323 0.Ё44 0.789 0.588 0.261 -0.268 -1.555 1.152 0.936
5 N НЕДЕЛИ Е ! ГОДУ-НГ: :05 1.133 1.165 0.726 0.542 0.290 -0.259 -1.319 0.640 0.984
G N НЕДЕЛИ Е ! ГОДУ-НГ: :06 0.612 1.022 0.696 0.514 0.327 -0.112 -1.556 0.963 0.936
7 N НЕДЕЛИ Е ! ГОДУ-НГ: 07 0. €59 0.613 0.538 0.316 -0.080 -0.805 0.644 0.666
8 N НЕДЕЛИ Е ! ГОДУ-НГ: 03 0.100 0.542 0.482 0.371 -0.009 -0.626 0.241
э N НЕДЕЛИ Е i ГОДУ-НГ: 09 0.104 0.324 0.456 0.365 0,087 -0.509 0.649 0.671
10 N НЕДЕЛИ Е ! ГОДУ-НГ: 10 0.004 0.400 0.402 0,104 -0.341 -1.455 0.652 0.248
11 N НЕДЕЛИ Е ( ГОДУ-НГ: IT: -0.169 0.293 0.403 0.255 -0.405 -1.560
12 N НЕДЕЛИ Е ! ГОДУ-НГ: 12 -0.682 -0.007 0.427 0.352 -0.207 -1.697
13 N НЕДЕЛИ Е ! ГОДУ-НГ: :13 -0.235 0.323 0.423 -0.026 -1.089
14 N НЕДЕЛИ Е ! ГОДУ-НГ: 14 -1.129 0.081 0.403 0.284 -0.529
15 N НЕДЕЛИ Е ! ГОДУ-НГ: :13 -1.137 -0.043 0.402 0.319 -0.490 -1.446
16 н НЕДЕЛИ Е ! ГОДУ-НГ: :16 -1.564 -0.373 0.408 0.347 -0.269 -1,446
17 н НЕДЕЛИ Е ! ГОДУ-НГ: :17 -0.508 0.381 0.402 -0.289 -1.766
18 N НЕДЕЛИ Е ! ГОДУ-НГ: :18 -1.123 0,134 0.464 0.061 -1.449
19 N НЕДЕЛИ Е ! ГОДУ-НГ: :19 -1.380 0,062 0.457 0.113 -0.747
20 N НЕДЕЛИ Е ! ГОДУ-НГ: 20 -2.029 -0.166 0.409 0. 239 -0.405
21 N НЕДЕЛИ Е ! ГОДУ-НГ: :21 -0.383 0.354 0.332 -0.300
22 N НЕДЕЛИ Е ! ГОДУ-НГ: 22 -0.625 0.350 0.344 -0.188
23 N НЕДЕЛИ Е ! ГОДУ-НГ: 23 -1.067 0.224 0. 437 -0.124
±Г
Рисунок 7 - Системно-когнитивная модель Infi - матрица информативностей
(фрагмент)
<*> 5.5. Модель: "6. IIMF3 - ч;
й критерий: Хи-квадрат. разности между фактическими и ожидаемыми абс.частстамп"
»НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е
году-иного ду-нпо: году-нпо:
ГОДУ-НПО'
году-нпо;
ГОДУ-НПОЕ
»НЕДЕЛИ В ГОДУ -нпо; »НЕДЕЛИ В ГОДУ-НПО!
»НЕДЕЛИ В ГОДУ-НПО!
»НЕДЕЛИ ! »НЕДЕЛИ Е »НЕДЕЛИ Е »JHEflEflH Е »НЕДЕЛИ Е »НЕДЕЛИ Е
ГОДУ-НП1Е ГОДУ-НПГ
году-нт; году-нт:
ГОДУ-НП1' ГОДУ-НП1!
»НЕДЕЛИ В ГОДУ-НП1Е
»НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е »НЕДЕЛИ Е »JHEflEflH Е »НЕДЕЛИ Е
ГОДУ-НП1; ГОДУ-НП1Е ГОДУ-НП1! Г0ДУ-НП2С Г0ДУ-НП2" году-нпг;
»недели в году-нпг;
1. 2:
МАКСИМАЛЬ... МАКСИМАЛЬ...
ТЕМПЕРАТУРА ТЕМПЕРАТУРА
1Л0-{ 2/10 {'
22:0. 15,5.
15.55. т.
-0.174 2.826
-0.179 -0.175
МАКСИМАЛЬ... ТЕМПЕРАТУРА
-82.410
-62,273
143.326 122.339
32.340 79.983 124,988 129.204
МИНИМАЛЬН... ТЕМПЕРАТУРА 2/10 {
Рисунок 8 - Системно-когнитивная модель Inf3 - хи-квадрат (фрагмент)
2.4. Верификация моделей
Статистические и системно-когнитивные модели создаются не ради самих моделей, не как самоцель, а для решения в этих моделях различных задач (рисунок 1).
Однако успешно решать эти задачи можно только в достоверных моделях, верно (адекватно) отражающих моделируемую предметную область. Если модель адекватна, достоверна, т.е. соответствует действительности, то и результаты решения задач в этой модели также соответствуют действительности. Это значит, что если достоверность модели низка или неизвестна, то применять ее для решения реальных задач нельзя. Если же это делается, то это крайне рискованно и является авантюризмом и профанацией науки.
Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации объектов обучающей выборки по обобщенным образам классов и подсчета количества истинных и ложных положительных и отрицательных решений по F-мере Ван Ризбергена, а также по критериям L1- Ь2-мерам проф. Е.В.Луценко, которые предложены для того, чтобы смягчить или полностью преодолеть некоторые недостатки F-меры [1:[5].
Достоверность моделей можно оценивать и путем решения других задач, например задач прогнозирования, выработки управляющих решений, исследования объекта моделирования путем исследования его модели. Но это более трудоемко, не всегда возможно, и даже очень рискованно, особенно на экономических и политических моделях.
Оценка достоверности (верификация) моделей проведена в режиме 3.5 при параметрах, приведенных на рисунке 3. На рисунке 4 приведена экранная форма с отображением стадии исполнения верификации моделей и прогнозом времени исполнения. Как видно из этого рисунка время синтеза и верификации моделей составило 17 часов 25 минут расчетов на CPU i7. Такая значительная длительность вычислений связана со сравнительно большой размерностью моделей (70 класса, 150 признаков) и довольно большим объемом обучающей выборки (24834 наблюдения). Дело в том, что для верификации моделей в каждой из 10 моделей каждый из 24834 объектов обучающей выборки сравнивается с каждым из 70 классов по всем своим 150 признакам. Это и требует довольно значительного объема вычислений, а значит и затраченного на них машинного времени.
В режиме 3.4 мы видим результаты проверки статистических и системно-когнитивных моделей на достоверность (рисунок 9):
3.4.Обоб|ц.ф-орма по достов-моделей прк разн.имт.^цзит. 1еку1цая модель: "INFI" ^^ fl ^^ ^ • - i ■ ■—ф ■ ^ ^ • L— 1
Наименование модели и частного критерия Интегральный критерий Суммами^.,. SТочность: S-Полногэ Li-мера Средний модуль уровней' сно... модели модели проф уровней скоас... Средний модуль Средний монуяь Средний модуль) А-Точность A-Полнота 1_2;мера уровней Спаде.. уровней скодо... уровней скоцс... модели модели проф. *
■ решений [SF... _ |. решений решений решений решений | = АТР^АТР... =АТР/(АТР... -1
1. ABS - частный критерий: количество встреч сочетаний: "клас... Корреляция абс.частот с обр... 0.158 1.000 0.273 0.255 0.030 0.128 0.666 1.000 0.800
1.. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс. частот по признак- 0.277 1.000 0.434 0.454 0.109 0.806 1.000 0.392
2. PRC1 - частный критерий: усл. вероятность i-ro признака сред... Корреляция усл. отн. частот с о... 0.158 1.000 0.273 0.255 0.030 0.128 0.666 1.000 0.800
2. PRC1 - частный критерий: усл. вероятность i-ro признака сред... Сумма усл.отн.частот по приз... 0.109 1.000 0.197 0.092 0.069 0.569 1.000 0.726
3. PRC2 - частный критерий: условная вероятность i-ro признака... Корреляция усл. отн. частот с о... 0.158 1.000 0.273 0.255 0.030 0.128 0.666 1.000 0.800
3. PRC2 - частный критерий: условная вероятность 1-го признака... Сумма усл.отн.частот по приз... 0.109 1.000 0-197 0.092 0.069 0.569 1.000 0.726
4. INFI - частный критерий: количество знаний по АХаркевичу; в Семантический резонанс зна... 960.S71 0.166 0.924 0.309 0.100 0.077 0.075 0.057 0.563 о.бзг 0;59в
4. INF1 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 1337.494 0.159 0.913 0.271 0.125 0.107 0.097 О.ОЁО 0.564 0.675 0.615
5. INF2 - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 360.371 0.18« 0.924 0.309 0.100 0.077 0.078 0.057 0.563 о.бзг 0.5Э8
5. INF2 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 1337.494 0.159 0.913 0.271 0.125 0.107 0.097 О.ОЁО 0.564 0.675 0.615
G. INF3 - частный критерий: Хи-квадрат. разности между Фактич... Семантический резонанс зна... 2017.130 0.214 0.917 0.347 0.202 0.094 0.162 0.087 0.555 0.700 0.619 0.637
Б INF3 - частный критерий: Хи-квадрат. разности между -рактич... Сумма знаний 2621.990 0.421 0.942 0.582 0.386 0.090 0.116 0.113 0.769 0.774
7. INF4 - частный критерий: R01 (Return On Investment); вероятно:.. Семантический резонанс зна.. 1723.395 0.271 0.911 0.418 0.163 0.067 0.119 0.066 0.577 0.710
7. INF4 - частный критерий: ROI [Return On Investment); вероятно... 65.694 0.112 0.971 0.201 0.020 0.004 0.022 0.003 0.469 0.853 0.605
8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна.. 1723.400 0.271 0.911 0.418 0.163 0.067 ¡ 0.119 0.066 0.577 0.710 0.637
8. INF5 - частный критерий: ROI [Return On Investment); вероятно... Сумма знаний 65.694 0.112 0.971 0.201 0.020 0.004 0.022 о.ооз 0.469 0.853 0.605
3. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 2259.455 0.213 0.906 0.344 0.204 0.069 0.162 0.059 0.558 0.696 0.619
9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 155.329 0.108 0.962 0.194 0.036 0.009 0.042 0.007 0.460 0.843 0.595
1Ü.INF7 - частный критерий: разн.усл.и безусл.вероятносгей; ве... Семантический резонанс зна... 2289.457 0.213 0.90« 0.344 0.204 0.069 0.162 0.089 0.558 0.696 0.619
1Ü.INF7 - частный критерий: разн.усл.и безусл.вероятностей; ве... Сумма знаний 155.329 0.108 0.962 0.194 0.03« 0.009 0.042 0.007 0.460 0.843 0.595
<1
Помощь по мерам достоверности | Помощь по частотным распределениям | TP,TN,FP,FN | (TP-FPUTN-FHJ | [T-FMT+FHOO Задать интервал сглаживания
- - - -1
Рисунок 9 - Экранные формы результатов верификации моделей по различным критериям достоверности: Е-мере Ван Ризбергена и мерам Ь1 и Ь2 Е.В.Луценко
Из экранных форм на рисунке 9 мы видим, что по L2 мере проф.Е.В.Луценко [1:[5] достоверность системно-когнитивной модели ЮТ3 (хи-квадрат) с интегральным критерием «Сумма знаний» составляет: Ь2=0,771, что неплохо для приложений, связанных с анализом и прогнозированием климатических показателей.
_На рисунках 10 приведены экранные формы помощи по режиму 3.4:
jyal @ I" -и^Г
^^ Помощь по режимам: 3,4. 4.1.3,#: Виды прогнозов и. меры достоверности моделе? в системе "Эйдос-Х + +
'Эйаос-Х+-
iro выпадет лишь объектов будет решений - 5/6. Я i
и 6,1
случае модель к которым они прогноз бесполезен, поэтому
выпадет. Вероятность
псевдопрогноз.
) это идеальный прогноз, имеющий, неопределенность о будущем
Помощь по режимам: 3.4, 4.1.3!6, 4.1.3.7, 4.1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в ПОЛОЖИТЕЛЬНЫЙ ПСЕВДО ПРОГНОЗ.
Предположим, модель дает такой прогноз, что выпадет все: и 1, и 2, и 3, и 4, и 5, и G. Понятно, что из всего; предскажет, что не выпадет, но зато она обязательно предскажет, что выпадет. Однако при этом очень мне Тогда вероятность истинно-положительных решений у модели будет 1 /6, а вероятность л и назван мной псевдопрогнозом. О Т РИ ЦАТ ЕЛ ЬН ЫЙ П СЕВ Д О П РОГН О 3.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что
этого, естественно, обязательно выпадет. Конечно, модель не предсказала, что выпадет, загго она очень хорошо предсказала, ч ных решений у модели будет 5/6, а вероятность ложно-отрицательных решений -1/6. Такой прогноз гораздо достовернее, * ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3. 4, 5, и если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который п 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 ь , как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2. и,
i выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е.
• выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или í 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 число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всея объектов то это и будет критерий качества модели (классификатора), 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. Этот критерий предложен и реализован в системе 'Эйдос" проф. Е.В.Луценко в 1ЭЭ4 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0,1}: La = ( ТР + TN - FP - FN ) / ( ТР + TN + FP + FN ) (нормировка: {-1 ,+1» Lb = (1 + ( ТР + TN ■ FP - FN ] ! [ ТР + ТМ + FP + FN )) / 2 (нормировка: { 0,1»
где
ТР
решений; TN -
отрицательных решений; FP -
решений; FN -
D-отрицательных решений;
Классическая F-мера достоверности моделей Ван Ризбергена (колонка выделена ярко-голубым Фоном): F-mera = 2°I(Precisioni,Recall]/(Precision+Recall) - достоверность модели Precision = TP/(TP+FP] • точность модели; Recall = TP/(TP+FN)-полнота модели;
LI -мера проф.Е. В. Луценко - нечеткое мультиклассовое обобщение L1 -тега = 2*(S Precision^ R ecall)/(S Piecision+SR ecall) 5Precision = STP/(5TF'+5FF'j -точность с учетом сумм уровней сходства; SR ecall = STP/(STP+5FN] - полнота с учетом сумм уровней сходства;
STP - Сумма модулей сходства истинно-положительных решений; STN - Сумма модулей сходства 5FF' Сумма модулей сходства ложно-положительных решений: SFN - Сумма модулей сходства Л"
F-меры с учетом СУММ уровней сходства (колонка вьщелена ярко-:
■•отрицательных решений; отрицательных решений.
F-меры с учетом СРЕДНИХ уровней сходства (колонка вьщелена
L2-Mepa проф.Е. В. Луценко - нечеткое мультиклассовое обобщение L2-mera = 2"(APrecision*AR ecall)/(APrecision+AR ecall)
APrecision = ATP/(ATP+AFP) - точность с учетом средник уровней сходства; AR ecall = ATP/(ATP+AFN) - полнота с учетом средних уровней сходства;
ATP=STF'.'TP - Среднее модулей сходства истинно-положительных решений; AFN=5FN/FN - Среднее модулей сходства AFP=SFP/FP - Среднее модулей сходства ложно-положительных решений; AFN=SFN/FN - Среднее модулей сходства л>
F-меры, L1 -меры и L2-Mepbi выделены
цвета, соответствующего
Строки с
Из графиков частотных распределений истинно-положительных, истинно-отрицательных, ложно-положительных и ложно-отрицательных решений видно, что чем выше модуль уровня сходства, тем больше доля истинных решений. Это значит, что модуль уровня сходства является адекватной мерой степени истинности решения и степени уверенности системы в этом решении. Поэтому система 'Эйдос" имеет адекватный критерий достоверности собственных решений, с помощью которого она может отфильтровать заведомо ложные решения.
Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-. и системе 'Эйдос" /Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 201 7. - №02(126). С. 1 - 32. - IDA (article ID): 1261702001. - Режим доступа: http://ej kubagro.ru/2017/02/pdt/01 pdf, 2 у.п.л.
<•) Помощь по режиму 3,4. (С) Система "ЭИДОС-Х+-»-"
Режим: 4.1.3.11. РАСЧЕТ И ГРАФИЧЕСКАЯ ВИЗУАЛИЗАЦИЯ ЧАСТОТНЫХ РАСПРЕДЕЛЕНИЙ УРОВНЕЙ СХОДСТВА:
По нажатию кнопок: [ТР.ТКиР/М], [(ТР-РР],[ТN)], [(Т-Р]ДТ+Р)*100] отображаются графики частотных распределений для модели и интегрального критерия той строки, на которой в экранной Форме 3.4 стоит курсор. По клику на кнопке: [(Т-Р)/(Т+Р)*100] выводятся графики частотных распределений: (ТР-РР)/[ТР+РР]*100 и (ТМ-РЧУ(ТЫ+РМ)*100.
ТР-Тгие-Роз^уе; ТМ-ТгиеМедаЙуе; РР-Ра1зе Роз^уе; Р№-Ра18е-Медайуе, количество истинных и ложных положительных и отрицательных решений.
Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение Р-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе 'Эйдос" / Е.В. Луценко I! Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. ■ N±02(126). С: 1 • 32. -ЮА [аг11с1е Ю]: 1261702001. -Режим доступа: ИИр7/е|.киЬадго.1и/2017/02/pdf/01 .pd^ 2 у.ал.
Рисунок 10 - Помощь по режиму оценки достоверности моделей
На рисунке 11 мы видим частотное распределения истинных и ложных положительных и отрицательных решений в зависимости от уровня сходства в модели ЮТ3 (хи-квадрат) с интегральным критерием:
«Сумма знаний»
положительных и отрицательных решений в зависимости от уровня сходства
Из частотного распределения, представленного на рисунке 11, видно, что при всех уровнях сходства истинных отрицательных решений всегда значительно больше, чем ложных, точнее ложных вообще нет, а при
положительных решениях истинных решений больше начиная с уровня различия около 63%, причем доля истинных решений закономерно растет при увеличении уровня сходства. Это означает, что:
- системно-когнитивную модель ЮТ3 (хи-квадрат) обоснованно можно использовать для решения различных задач;
- в распоряжение исследователя есть адекватный критерий оценки результатов решения задачи идентификации: это уровень сходства (т.е. значение интегрального критерия) объекта с классом.
Таким образом, что в системе «Эйдос» есть достоверный внутренний критерий степени истинности решений задач, предлагаемых системой на основе созданных в ней моделей. Система «Эйдос» не просто идентифицирует, но и адекватно оценивает достоверность идентификации, не просто прогнозирует, но и оценивает достоверность прогнозирования, не просто предлагает решение, но и оценивает эффективность этого решения, и т.д. Следовательно, система Эйдос не только прогнозирует значения будущих параметров, но и адекватно оценивает достоверность их прогнозирования.
Наличие в системе «Эйдос» внутреннего достоверного критерия достоверности прогнозирования позволяет прогнозировать наступление точки бифуркации, т.е. точки неопределенности. В точках бифуркации резко уменьшается достоверность прогнозирования и резко возрастает разброс и взаимная несогласованность друг с другом (кучность) точечных прогнозов с различных позиций во времени.
Обучающая выборка является репрезентативной на определенный период в будущее, на котором основные закономерности в предметной области существенно не изменяются. Такие периоды называются периодами эргодичности. В точке бифуркации основные закономерности в предметной области изменяются качественно, т.е. формируются новые закономерности в предметной области и начинается новый период эргодичности. Периоды эргодичности являются периодами эволюционных изменений в предметной области, а в точках бифуркации происходят революционные изменения, т.е. в них происходит переход количественных изменений в качественные.
Фактически это означает, что в системе «Эйдос» можно либо достоверно прогнозировать, что произойдет, либо достоверно прогнозировать, что мы не можем достоверно прогнозировать что произойдет, т.е. достоверно прогнозировать точку бифуркации. Об этом есть в работе [1:[1]: http://lc.kubagro.rU/aidos/aidos02/7.4.htm.
В этой монографии 2002 года в разделе: «7.4. Прогнозирование развития различных сегментов рынка (на примере фондового рынка РФ)» описаны результаты, полученные автором еще в 1994 году.
2.5. Выбор наиболее достоверной модели
Все последующие задачи решаются в наиболее достоверной модели.
Причины этого просты. Если модель достоверна, то:
- идентификация объекта с классом достоверна, т.е. модель относит объекты к классам, к которым они действительно принадлежат;
- прогнозирование достоверно, т.е. действительно наступают те события, которые прогнозируются;
- принятие решений адекватно (достоверно), т.е. после реализации принятых управляющих решений объект управления действительно переходит в целевые будущие состояния;
- исследование достоверно, т.е. полученные исследования модели объекта моделирования выводы
в
результате могут быть с
полным основанием отнесены к объекту моделирования.
Технически сам выбор наиболее достоверной модели осуществляется в режиме 5.6 системы «Эйдос» и проходит быстро (в созданных моделях менее секунды) (рисунок 14).
Это необходимо лишь для решения задач идентификации и прогнозирования (в режиме 4.1.2) и задачи кластеризации (режимы 4.2.2.3 и 4.3.2.3), которые требуют наибольших вычислительных ресурсов и поэтому решается только для модели, заданной текущей.
Все остальные расчеты проводятся в системе «Эйдос» сразу во всех моделях.
Рисунок 12 - Экранные формы режима выбора наиболее достоверной модели для решения задач идентификации и прогнозирования
2.6. Решение задачи системной идентификации
При решении задачи идентификации каждый объект распознаваемой выборки сравнивается по всем своим признакам с каждым из обобщенных образов классов. Смысл решения задачи идентификации заключается в том, что при определении принадлежности конкретного объекта к обобщенному образу классу об этом конкретном объекте по аналогии становится известно все, что известно об объектах этого класса, по крайней мере, самое существенное о них, т.е. чем они отличаются от объектов других классов.
Задачи идентификации и прогнозирования взаимосвязаны и мало чем отличаются друг от друга. Главное различие между ними в том, что при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к будущему.
Задача решается в модели, заданной в качестве текущей, т.к. является весьма трудоемкой в вычислительном отношении. Правда с использованием графического процессора (GPU) для расчетов эта проблема практически снялась.
Сравнение объекта с классом осуществляется путем применения неметрических интегральных критериев, которых в настоящее время в системе «Эйдос» используется два: это «Сумма знаний» и «Резонанс знаний». Эти интегральные критерии описаны выше в разделах 1.3.2, 1.3.3, 1.3.4 и 1.3.5 данной работы.
На рисунках 13 и 14 приведены некоторые экранные формы ежима идентификации и прогнозирования:_
Рисунок 13 - Экранные формы режима идентификации и прогнозирование (4.1.2)
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"
||\од | Наим. объекта | Дата В Код | Наименование класса [Сходство Сходство |.Дата
21.. 25.07.2010 - 4D МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЮЛ0-{36.5, 43.0} 52,28... } IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII .05,11.2021 J
21.. 26.07.2010 30 СРЕДНЯЯ ТЕМПЕРАТУРА-ЮЛ0-{25.4, 31.3} 33,30... V ■■■■■■■■■IUI 05.11.2021
21.. 27.07.2010 20 М И Н И М А Л ЬНАЯ Т Е М П Е РАТ У РА-10/10-{19.5,25.4} 38.90.. V ■■■■■■II1II1II1I1I 05.11.2021
21.. 28.07.2010 9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛ 0Ч30.0,36.5} 37,45... ■■■■■■Hill 05.11.2021
21.. 29.07.2010 70 ЭФФЕКТИВНАЯ ТЕМПЕ РАТ У РА-10 Л 0-{26.9.33.4} 36.46... V ■■■■■■Hill 05.11.2021
21.. 30.07.2010 69 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-ЗЛ0-{20.4,26.3} 30,38... ■111 ■■ 05.11.2021
21.. 31.07.2010 19 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛ 0-{13.6.19.5} 26,33... ■ШИШИ 05.11.2021
21.. loi.os.2oio IIII^HI 29 СРЕДНЯЯ ТЕМПЕ РАТ У РА-9Л 0-{19.5.25.4} 25.48... шиш ниш: 05.11.2021
21.. 02.08.2010 59 0САДКИ-9Л 0-{240.2.270.1} 19,85... 05.11.2021
21.. 03.09.2010 50 СКОРОСТЬ ВЕТРА-ЮЛ 0-{26.2.29.0} 19.32... ■■■■in 05.11.2021
21.. 04.08.2010 <1 J И"
21.. 05.08.2010 Интегральный критерий сходства: "Сумма знаний"
21.. 06.08.2010 Код || Наименование класса | Сходство ||L:IJ Д.:'-. J
21.. 07.08.2010 щ МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-9Л 0-{13.6,19.5} 89.13.. ■шпнн 05,11.2021
21.. 08.08.2010 69 ЭФФЕКТИВНАЯ ТЕМПЕ РАТ У РА-ЭЛ 0(20.4.26.9} 85.36.. ■»■»■■■■■■чичшшии 05.11.2021
21.. 09.08.2010 29 СРЕДНЯЯ ТЕМПЕРАТУРА-ЗЛ0-{19.5,25.4} 80,36... ■■ iiai laiii ill Bill 05.11.2021
21.. 10.08.2010 9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛ 0-{30 0.36.5} 65.96... ■■»■■■■■■ми 05.11.2021
21.. 11.08.2010 9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-8Л0-{23.5,30.0} 47,21... »■■ичииииш 05.11.2021
21.. 12.09.2010 30 СРЕДНЯЯ ТЕМПЕРАТУРА-ЮЛ0-{25.4. 31.3} 46.20... V щи. .щи.. ли 05.11.2021
21.. 13.08.2010 20 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-10Л 0-{1 Э.5.25.4} 36,36... „ ■■■■■■■■■и 05.11.2021
21.. 14.08.2010 70 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-ЮЛ0-{26.9.33.4} 21.97... V ■■■■НИ! 05.11.2021
21.. 15.08.2010 41 СКОРОСТЬ ВЕТРА-1 ЛО-П.0,3.9} 12,71... IIIIIIIIIIII 05.11.2021
21.. IG. 08.2010 34 АТМОСФЕРНОЕ ДАВЛЕНИЕ-4Л 0-{1005.2.1010.5} 8,658... ■■I 05.11.2021
< <\ м 1
Помощь | 9 классов | Классы с MaxMi 9 классов с MäxMin УрСх | ВСЕ классы j ВКЛ. фильтр по класс.шкале | ВЫКЛ.фильтр по класс.шкале | Граф.диаграммы
1 и
4.1,3.2. Визуалиааци^^е?ультатрв распознавайся ь огношеи/у.
Классы _ Интегральный критерий схопства: "Семантический резонанс знаний" *
1 МАКСИМАЛЬНАЯ ТЕМПЕ PAT У РА-1Л 0-{-22.0, -15.5} ■1 01.08.2010 52,28... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII 05.11.2021 18:47:01
2 МАКСИ МАЛ ЬНАЯ ТЕ М П Е PAT У РА-2Л 0-{-15.5, -9.0} 21... 04.08.2010 52.28... 05 11 2021 18:47:01
3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛ 0-{-9.0, -2.5} 16... 02.08.1896 50.30... 05 T1:2021 18:47:01
.4 МАКСИ МАЛ ЬНАЯ ТЕ М П Е РАТ У РА-4Л 0-{-2.5. 4.0} 16... 05.08.1898 50.30... 05 11 2021 18:47:01
5 МАКСИ МАЛ ЬНАЯ ТЕ М П Е РАТ У РА-5Л 0-{4.0,10 5} 21... 05.08.2010 50.65... 05 11 2021 18:47:01
Б МАКСИМАЛЬНАЯ ТЕМПЕ PAT У РА-6Л 0-{10.5.17.0} 21... 03.08.2010 50.61... 05 11 2021 18:47:01
7 МАКСИ МАЛ ЬНАЯ ТЕ М П Е PAT У РА-7Л 0-{17.0.23.5} 21... 06.08.2010 50,03... 05 Tl:2021 18:47:01
8 МАКСИ МАЛ ЬНАЯ ТЕ М П Е PAT У РА-8Л 0-{23.5.30.0} >| Г 20... 05.08.2007 49,84... 0511 2021 18:47:01
Э МАКСИ МАЛ ЬНАЯ ТЕ М П Е PAT У РА-9Л 0-{30.0.36.5} 20... 08.08.2007 49,84... II II I II II II II II II II 05 Tl:2021 18:47:01
10 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЮЛ 0-136.5.43.0} 21... 07.08.2010 49,48... lllllllllllllllllllllllllllllllllllllllllllll! 05.11:2021 18:47:01
11 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-1 Л 0-{-33.7, -27.8} - 1 > г
12 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-2Л 0-{-27.8, -21.8} Интегральный критерий схоаства: "Сумма знаний"
13 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛ 0-{-21.9, -16.0} ^Н Код I Наименование объекта I Сходство |ф... (Сходство I Дата | Время -
14 МИ H И МАЛ ЬНАЯ ТЕ М П Е PAT УРА-4Л 0-{-16.0, -10.1} вя 01.08.2010 7.154... v 05.11.2021 18:52:40
15 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-5Л 0-{-10.1, -4.2} 21... 04.08.2010 7,154... V 05.11.2021 18:52:40
16 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-6Л 0-{-4.2,1.8} 16... 02.08.1896 6,966... V 05.11.2021 18:52:40
17 МИНИ МАЛ ЬНАЯ ТЕ М П Е PAT УРА-7Л 0-{1.8,7.7} 16... 05.08.1898 6.966... ¥ 05.11.2021 18:52:40
18 МИНИ МАЛ ЬНАЯ ТЕ М П Е PAT УРА-9Л 0-{7.7,13.6} 21... 05.08.2010 6.932... 05.11.2021 18:52:40
19 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-9Л 0-{13.6.19.5} 21... 03.08.2010 6.926... 05.11.2021 18:52:40
20 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-ЮЛ 0-{19.5,25.4} 21... 06.08.2010 6.855... т- 05.11.2021 18:52:40
21 СРЕДНЯЯ ТЕМПЕ PAT У РА-1 Л 0-{-27.9, -22.0} 20... 05.08.2007 6.821... 05.11.2021 18:52:40
.22 СРЕДНЯЯ ТЕМПЕ PAT У РА-2Л 0-{-22.0. -16.1} 20... 08.08.2007 6.820... 05.11.2021 18:52:40
23 <1 СРЕДНЯЯ ТЕМПЕРАТУРА-ЗЛ 0-{-16.1. -10.1} 21... «I 07.08.2010 6,771... 05.11.2021 18:52:40 li ► г
Помощь | Поиск объекта В начало Б Л В конец БД | Предыдущая | Следующая | Э записей | Все записи | Печать XLS | Печать TXT J Печать ALL |
Рисунок 14 - Некоторые результирующие экранные формы режима идентификации и прогнозирование (4.1.2)
2.7. Решение задачи выявления характерных
и нехарактерных климатических особенностей временных периодов (типологический анализ)
Задачи прогнозирования и принятия решений относятся друг к другу как прямая и обратная задачи:
- при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее состояние он перейдет под их действием;
- при принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения факторов, которые обуславливают его переход в это будущее целевое состояние.
Таким образом, задача принятия решений является обратной по отношению к задаче прогнозирования. Но это так только в простейшем
случае: в случае использования SWOT-анализа (режим 4.4.8 системы «Эйдос») [1:[7].
Ниже на рисунках 15 приведены SWOT-диаграммы некоторых из исследуемых временных периодов в модели INF3 (хи-квадрат). Все их привести невозможно из-за ограничений на объем данной работы. Да в этом и нет особой необходимости, т.к. читатель может и сам получить все выходные формы, которые ему будут необходимы.
Для этого нужно установить систему «Эйдос» на своем компьютере, скачав инсталляцию с сайта автора: http://lc.kubagro.ru/aidos/_Aidos-X.htm, а затем в диспетчере приложений (режим 1.3) установить интеллектуальное облачное Эйдос-приложение №297 и выполнить все этапы автоматизированного системно-когнитивного анализа (АСК-анализ)
в системе «Эйдос», как это описано в данной работе.
SWOTDiagrCls0010-06.jpg
СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:
Э\ЛЮТ-ДИАГРАММА КЛАССА В МОДЕЛИ: "1^3"
"Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы" Шкала: [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА Класс: [10] 10/10-{36.5, 43.0}
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-150
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ:
Значения факторов. СПОСОБСТВУЮЩИЕ переходу объеа Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объек
ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-150
Форма создана: 06.11.2021-11:42:09 зи КРАСНОГО цвета. Толщина линии отражает степень вл 1И СИНЕГО цвета. Толщина линии отражает степень влия>
Рисунок 15 - SWOT-диаграммы климатических особенностей исследуемых временных периодов
Слева на SWOT-диаграммах в порядке убывания степени характерности приведены климатические особенности, характерные для данного временного периода.
Справа на SWOT-диаграммах в порядке убывания степени нехарактерности приведены климатические особенности, нехарактерные для данного временного периода.
Линии, означающие характерность, изображены красным цветом, а нехарактерность - синим.
Степень характерности и нехарактерности отображается количественно и в форме толщины линии.
2.8. Решение задачи исследования объекта
моделирования путем исследования его модели
2.8.1. Инвертированные SWOT-диаграммы значений описательных шкал (семантические потенциалы)
Инвертированные SWOT-диаграмм (предложены автором в работе [1:[7]), отражают силу и направление влияния конкретной градации описательной шкалы на переход объекта моделирования в состояния, соответствующие градациям классификационных шкал (классы). Это и есть смысл (семантический потенциал) этой градации описательной шкалы.
Инвертированные SWOT-диаграммы выводятся в режиме 4.4.9 системы «Эйдос». На рисунках 16 приведены инвертированные SWOT-диаграммы значений климатических параметров, наиболее ценных для того, чтобы отличить (дифференцировать) один исследуемый период от другого (включая месяцы и декады):
Выбор значения фактора, оказывающег
переход объекта управления в будущие состояния
ГОД-П201 Э
46 ДЕ НЬНЕДЕЛ И -3/7 Сред а
47 ДЕ Н Ь Н Е ДЕЛ И -4/7-4
СРЕДНЯЯ ТЕМПЕРАТУ РА-В/1 Q-{1 7, 7.6)
ЭФФЕКТИВНАЯ ТЕМПЕ РАТ У РА 1 0/1 О- Í2G.9. 33.4>
МАКСИМАЛЬНАЯ ТЕМПЕРАТУ РА-8/1 0-Í23.5, ЗО.О}
3<P<PFKTHRHAn ТFМnFРАТНPA-ñ/1 í1-{-ñ R П Я
МИНИМАЛЬНАЯ ТЕМПЕРАТЫРА-5/1 0-{-1 0.1 , -4.2} АТМОСФЕРНОЕ ДАВ ЛЕНИЕ-6/1 0-{1 ОТ 5.3, 1 021.2}
СКОРОСТЬ ВЕТРА-3/1 0-{6.6, 9.4}
П7 АТ М П Г*Р F РН П F ЛАВ P1F Н И F -7/1 П-íl П?1 ? 1 П?В fil
ВКЛЮЧИТЬ Фи>
_L
ВЫКЛЮЧИТЬ <(
J
ВКЛЮЧИТЬ «4
ВЫКЛЮЧИТЬ <Ф
=J Abs | Prol | Pro2 | Infl | Inf2 j f ln¡3 ij Int4 j Inf5 | InfS | Inf7 |
EWÜT-диагра!
SWOTD¡agrAír0143-06.jpg
Состояния, которым данное знач.фактора СПОСОБСТВУЕТ:
SWOT-ДИAГPAMMA ЗНАЧЕНИЯ ФАКТОРА В МОДЕЛИ: "1МРЗ"
"Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
Фактор: [3] ГОД Значение: [143] Г:2020
Состояния, которым данное знач.фактора ПРЕПЯТСТВУЕТ:
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-70 ВЛИЯНИЕ ДАННОГО ЗНАЧЕНИЯ ФАКТОРА НА ПЕРЕХОД ОБЪЕКТА ЫПРАВЛЕНИЯ В СОСТОЯНИЯ, СООТВЕТСТВЫЮЩИЕ КЛАССАМ:
Состояния объекта управления (классы), перехопу в которые данное значение фактора СПОСОБСТВУЕТ, отобра» о стояния объекта управления (классы], перехопу в которые данное значение фактора ПРЕПЯТСТВУЕТ, отображ
[/| ЭФФЬКIИИНАЯ I tMI ItHAI УНА [64] 4/1(4-12.1,-5.6}
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-70
Эорма создана: 06.11.2021-11:46:59
Рисунок 16 - Инвертированные SWOT-диаграммы наиболее значимых климатических параметров
2.8.2. Кластерно-конструктивный анализ классов
В системе «Эйдос» (в режиме 4.2.2.1) (рисунок 17) рассчитывается матрица сходства классов по системе их детерминации (таблица 18) и на основе этой матрицы рассчитывается и выводится 4 основные формы:
- круговая 2ё-когнитивная диаграмма классов (режим 4.2.2.2) (рисунки 18, 19);
- агломеративная дендрограмма когнитивной (истинной) кластеризации классов (предложена автором в 2011 году в работе [1:[8]) (режим 4.2.2.3) (рисунки 20, 21);
- график изменения межкластерных расстояний (режим 4.2.2.3) (рисунок 22);
- 3ё-когнитивная диаграмма классов и признаков (режим 4.4.12).
4 2.2.1, Расчет матриц счодс'за кластеров и ^он^груктов муссов
В
Задаче модели, для которым проводить кластерно-конструктивный анализ: Статистические базы
Пояснение ;по режиму
ü/ П. ABS ■ частный кр1-лерий: количество рстреч сочетаний: "класс-признак" у объектов обчч. выборку
2. PRC! - частный критерий: усл. вероятность i-го признака среди признаков объектов ¡-го класса Iii? 3. PRC2 - частный кр1тгерий: условная вероятность i-го признака у объектов i-го класса
Системно-когнитивные модели (Вазы знаний):
Ii/ Д. INFI - частный критерий: копичество знаний по Д.Харкевичу; вероятности из PRC!
5. INF2 - частный кр^пгерий: количество знаний по Д.Харкевичу; вероятности из PRC2 Г</ В. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами Р 7. INF4 - частный кр^пгерий: ROÍ (Return On Investment); вероятности из PR CI
8.1 NFS - частный критерий: ROI (Return On Investment); вероятности из PRC2
3. INFB - частный кр^пгерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 Iii? 10.INF7 - частный критерий: рази усл. и безусл.вероягностей; вероятности из PRC2
Задайте диапазон кодов классов (подматрицу) для анализа:
134
№
Cancel
Рисунок 17 - Экранная форма управления расчетом матрицы сходства
Примечательно, что в таблице 18 похожие и непохожие друг на друга по климатическим параметрам временные периоды образуют характерные пятна закономерно изменяющихся размеров.
Таблица 12 - Матрица сходства классов
СЕМАНТИЧЕСКАЯ 2С> СЕТЬ КЛАССОВ в МОДЕЛИ: "1ЫРЗ"
КОНСТРУКТ КЛАССА: [21]-СРЕДНЯЯ ТЕМПЕРАТУРА-1>10-{ 27.9, -22.0} Пркпошемие: Автоматизированный системно-когнитивный а наши «лимата Краснодара за 1933-2020 годы
Рисунок 18 - 2^круговая когнитивная диаграмма классов11
10 При увеличении масштаба просмотра изображения до 500% все вполне читабельно
11 При увеличении масштаба просмотра изображения до 500% все вполне читабельно
t) 4.2,2.2. Задана классов дл? отобрзже-у'с
IHI
Задание параметре!? отображения классов. Задайге число отображаемых классов: Задайте MIN модуль уровня сходства отображаемых классов. Задайте способ выбора классов для отображения:
Классы с МАХ и MIN уровнями сходства <=■ Классы с МАХ по модул-с уровнем сходства
■Г
30
Задайте размер изображения в пикселях (ме более 4К): Размер поХ:
20-38
Размер по Y'
12.D4 8
U к
Cancel
Рисунок 19 - Параметры, при которых получена 2^круговая когнитивная диаграмма классов, приведенная на рисунке 18
4.2.2.3, Агломеративная древовидная кластеризация классов
Задайте размер шрифта: Г" Очень мелкий С Мелкий (• Средний С Крупный
Задайте толщину линий: С Тонкие S" Толстые
Сохранять промежуточные базы данным? № Нет Г Да.
Рисовать кластеры на цветном Фоне? С Нет (* Да.
Задайте размер изображения в пикселях (не более 4К]: Размер по X: Размер по V:
1500
¡2 0 43
Задайте ранее просчитанную модель для перерисовки без перерасчета: С Abs С Prcl С Ргс2 С Infi С Ы2 № Inf3 С Inf4 С Inf5 С InfG С 1пН7
□ к
Cancel
Рисунок 20 - Экранные формы режима когнитивной кластеризации классов
ДЕНДРОГРАММА КОГНИТИВНОМ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ:
"Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
ОСАДКИ4/10-[90 7 120 6) ОСАПКИ-«Л(НЭТО 1, 300 0} ОСАДКИ-9/Ю-1240 2 270.1} ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-8/10-{13.9. 20.4) МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-7Л0-(17.0. 23.5) МИНИМАЛЬНАЯ ТЕМПЕРАТУРАЛ/1(Ц7 7.13.fi} СРЕДНЯЯ ТЕМПЕРАТУРА*/10-{13.5.19 5} ОСАДКИ-7/Ю-|130 4 210 3} АТМОСФЕРНОЕ ДАБЛЕНИЕ-2/10-{И4 5.999.5} АТМОСФЕРНОЕ ДАВЛЕНИЕ-5/1О-{1О10.5,1015:9) АТМОСФЕРНОЕ ДАВЛЕНИЕ-3/10^999.8, 1005 2) АТМОСФЕРНОЕ ДАВЛЕНИЕ 4/10-{1005 2,1010 5) ОСАДКИ-8/Ю-{210 3, 240 2) ОСАДКИ-2/Ю-1ЭО 9.60.8) СКОРОСТЬ ВЕТРА-1/1(^1.0, 3.8} МАКСИМАЛЬНАЯ ТЕМПЕРАТУРАА10-{23.5. 30 0} ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-9Л0-Р0 4, 26 9) МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10-(13 6.19 5} СРЕДНЯЯ ТЕМПЕРАТУРА-9/10Ч19.5. 25.4} МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-(36 6 43.0) МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10^30 0. 36 5} ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-М/Кфб 9, 334) МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-10'10-{19 5. 264) СРЕДНЯЯ ТЕМПЕРАТУРА-10'1(Н25 4,31 3) ОСАДЮШЮ-{150 5, 180.4) СКОРОСТЬ ВЕТРА-№1(Ц20.б, 234) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-7Л0-Р.4,13.9) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-^0-{0 9.7.4) СРЕДНЯЯ ТЕМПЕРАТУРАМ(Н7 6,13.5} МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-В10ЧЮ 5, 17.0} МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-7/10-[1.8, 7.7} ОСАДКИ-ЗЛ0-{60 8. 90 7] ОСАДКИ-5М0Ч120.е. 1505] СКОРОСТЬ ВЕТРА-ЭЛ0Ч23 4, 26.2) СКОРОСТЬ ВЕТРА-7/10^17.8, 20 6} СКОРОСТЬ ВЕТРА-10Л(Ц26 2. 29.0} АТМОСФЕРНОЕ ДАВЛЕНИЕ-1/10-{989 1 994 5) АТМОСФЕРНОЕ ДАВЛЕНИЕ-9/10-{1031.9.1037 3) АТМОСФЕРНОЕ ДАВЛЕНИЕ-10/10-(1037.3,1042 6} ОСАДКИ-1/10-11 0.30 9} СКОРОСТЬ ВЕТРА.5Л0-[122 15.0} СКОРОСТЬ ВЕТРА-Й10^15.0,17 8) СКОРОСТЬ ВЕТРА-г/1043 8; 6.6} СКОРОСТЬ ВЕТРА-ЖИ6 6, 94} СКОРОСТЬ ВЕТРА-4Л0-{9 4, 12.2) МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1М&{-22Д -15.5) СРЕДНЯЯ ТЕМПЕРАТУРА-1 ЛО^-27.9. -220} МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1'1НЗЗ-278}. ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-1/10-{-31 6. -251) АТМОСФЕРНОЕ ДАБЛЕНИЕ-6/10-{1015.9, 10212) АТМОСФЕРНОЕ ДАВЛЕНИЕ-7/10-{102и, 1026.6) АТМОСФЕРНОЕ ДАВЛЕНИЕ-8/10-{1026.6, 1031.9) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-5/10-{-5 6.0 9) МИНИМАЛЬНАЯ ТШ1ЕРАТУРА-Ф10-Н 2.1 8} МАКСИМАЛЬНАЯ ТЕМЛЕРАТУРА-5Л*Н4.0.10.5} СРЕДНЯЯ ТЕМПЕРАТУРА-6У10-(17.7.6} МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/10-(-27.8, -21 9) МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗпО-(-219, -16 0) СРЕДНЯЯ ТЕМПЕРАТУРА-3'10-(-16 1. -101) МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/1<К-15.5. -9.0} СРЕДНЯЯ ТЕМПЕРАТУРА-2№(-22.0. -16.1) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-2Л0-{-25.1 -18.8) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА4/10-{-12 1, -5-4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-5М0Т-10 1. 4 2} МАКСИМАЛЬНАЯ ТЕМП£РАТУРА^1<Н-2 5.4.0) СРЕДНЯЯ ТЕМПЕРАТУРА-5У10-{-4.2.1.7) ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-ЗЛ0-{-18.6. -12.1) МАКСИМАЛЬНАЯ ТЕЫПЕРАТУРА-ЗЛО-С-9 0, -25) МИНИМАЛЬНАЯ ТЕМПЕРАТУРА4/1Ц-16.0. -10 1) СРЕДНЯЯ ТЕМПЕРАТУРА4У10-[-101. -52)
Р"
?
:>1 й
О-
МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЯ 22 44 67 89 111 133 155 178 200
Форма создана- 25 10 2051-0849:11
КЛАСТЕРНАЯ ФОРМУЛА: ((54,((60,(69,(68,(7.(18,28)))}),(Б7.{Р2,<35,(33,34))).(58,(52,(41.((9,(69.(19.29))),(10,{9 (70 (20,30)))|)))))))Н(56,(48,(67 (66.(27,(6,17)))))Ц^
Рисунок 21 - Агломеративная дендрограмма когнитивной кластеризации
классов12
12 При увеличении масштаба просмотра изображения до 500% все вполне читабельно http://ej.kubagro.ru/2021/10/pdf/20.pdf
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИИ ПРИ КОГНИТИВНОИ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" "Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
Н» Ноим клэстера в кодах ис»,классов
1 (<9.29}
2 (20.30)
3 (4.2$) Б (18.23)
I (И.241 6 (70.(20,30))
4 (15.(4.25)}
II (6.17)
12 (5.26)
13 (11.23) ]? (3.(14.24))
14 (69.(19.29)1
15 (9.(70.(20.30)))
16 (16,(5,26)) 10 (63 (3,(14 24)))
17 (22.62)
18 (2.(22.62))
19 ((64,(15, (4,26»), (63.(3.(14.24)») 0 (10.(9.(70.(20.30))))
20 ((13.231.(2,(22,62») 22 (1.21)
23 (27,(6.17))
24 (12.((13.23).(2.(22.62)»)
25 (37.38) 36 (7.(18.28))
27 £8,(69,(19.29)))
28 (33.34)
29 (65,(16, (5.26)))
30 ((12.((13:гЗ).(2.(г2.62)))).((64,(15.(4.25й),(&з:(3.(М.24)Ш)
31 £3в,(37.38|)
32 ((8.(69 ,< 19,29)»,(10,(9.(70, |2в, 30)))))
33 (43.14) .34 (11.61)
35 (66,(27, (6.17}))
36 (68.(7,(18.28))) -
37 ((65.(16.(5,26))).((12Д13;23};(2.(22.62)И)1((64Г(15.(4.25))),(63;£3,(М.24|)))))
38 £(1.21),<11.61)) ' " : ^ ; ^__; ____1 ; • ; I I I I ! ; I ;
¡39" (42.(43.44))
40 (41,((8,(69,(19.29)».(10.(э.(70.(20,э0й})))
41 (35,(33.34)!
42 (45.46)
43 (53.55)
44 ¡67.(66.(27.(«.17))))
45 ((36(37.33)),£(6Ь 116.(5.26))}.((12.((13,23).(2.(22.62))Й.((64.(15!(4;25))).(63.[3Г(1454)))))))
46 («121)01 61)1 «36.(37.38)).((65.(16.(5.26»),((1г((13.23)(2.(22.бг))В «64.(16.(4^(63.(3.(14.24»)))»»
47 (32,(35.(33.34)1)
48 ((45.461.(42,(43.44)»
49 («45 46).(42.-(4 3 44»),(((1 21).(11.61» ((36 (37.38)) ((65 (16.(5.26»),((12. ((13.23).(2.(22.62)))),((64,(15.^,Зв))).^,(3.(14,24))))»)))
50 (39.40)
51 £51.Н(15,4б).(42.(4.3,44)|(.^((1-,г11.(11,61))Х(36 (37".3в)).<(65.( 1в,(&,26»},|(12,^(13.23.> ,25Ц),(63.(3.<1-4
52 (31 (39,40))
53 ((31 <39.40)1,(51 (((45,46!,(42.(43,44)».(((1,21М11.61».((36.(37.38)).((65 <16,(5.26}»((12.((13 23)^.(22.62)))),((64.(15,(4«))) (53.(3.(14.Ь
54 (62.(41,((8.(69,(19.29И).(1О.(9.(79.(2О.30)|)))))
55 (47.50|
56 (49.(47.50)1
57 (58.(52,(41 «8 (69.(19.29»).(10 (9.(70.(20.301)))»)) - 58 ((32435,133.341» (58.152,(41 .((8, (69 .(19.29))). (10.(9.(70 .(20.30))))»)))
М |.|4Н |4.' 50 и,3* 1.35 40:; 4 -14: „ I Л:, М е г: ,7* , V ! ((65 (16 (5.26))) ((1?,|(1Э,23).<2 (22 62)»).((64 (15 £4.25»),(63.(3.(14.24»)»)»»»)
60 (69.(69.(7,(18.26}»)
61 £67.((32.(36.(33 34»).(581( 52 ^41 ((8.(69 (19.29))).(10.(9.(70.(20.30)))»»)))
62 (48.(67.(€6,(27,(6,17»»)'
63 (56.(48.(67,(66,(27,(6,17»»»
64 (60.(59.(63,(7,(18.28»»)
65 ((53 55).|(49 (47 50» ((31.(39.40» (51 (((45 46) (42,(43.44))).(((1 21).(11.61».(£36,(37.38»((65 (16(5 26))).((12((13!23),Р,(22,(Э)))И(64(15 (425)» (63,(3.(14 Й
66 £(60.|5Э. (б9.^?.(1&.29)1Ш.С5?.((3^{35Д33.34)>>.(Ьб.С&2.СлТ.((8.^Э.С1&.2ЭН).<1О.<Э,(70.С21>. ЗОЙШ)))1)))
67 ((66.(48.(67.(66.(27.(6.17)»»К(53.55).((49.(47.50)).((31 ,<ЗЭ.-10».(.51 .£((45.46).(42.£43.ДД)))=(«1Г21) (11 ,|15.(4.25))).(63.(3.( 14,24)))»»»»)))
68 (54 ,((60. (59,(68, £7 ,(18,28))»), (57 ,((32;(35,(33,34))) .(58,(52.(41.((8 ^69, (19,29»),(10; (9, (70,(20.30)))))»»)))
69 £(54_((50,(5Э,-£63 (7,(;18.2В))}>К5Г.<Г32 <35 (ЗЭ.34))).С5В <52 <41((а.£Б&.[1Э.2Э)!'1 <10 (Э £70 (20.30)))))»)»!, ££66443.167 (66 (27 (6,17)ШЦ|((53.5ЬМ(4Э,(47 50)),((31 (38 40)),(51((С4546).(42 (43 44)„ («121) (11 61)),((36,(37 38»((65,(16 (6 гб)»((12«13
27 02 гз4б 52 50
1 2 3 6 7 5 4 11 12 13 9 8 14 16 16 10 17 18 19 21 20 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 65 66 5 7 58 59 60 61 62 6 3 64 65 66 67 6 8 69
Номера кластеров Форма создана 26 10 2021-08 4 9 39
КЛАСТЕРНАЯ ФОРМУЛА: (С54.((60.(59.<га.(Т.С1в.геШ>,С67.«32Л35,03.34Н).С5в.(52.И1Л(е.№Э.ПЭ.2ЭЮ.{10.(Э.С70.С^^ .С1Э.4в)),С51.Са45.4е).С42.(43.Д4)Н1«».21>.(11.61Н.«<36.(37.3в».П65Д1еД5.гб)П,Н12.С(»3.гЗ),£г.(2г.е2^
Рисунок 22 - График межкластерных расстояний при кластеризации классов
13
Из 2d-круговой когнитивной диаграммы классов (рисунок 18) и агломеративной дендрограммы когнитивной кластеризации классов (рисунок 21) можно обоснованно сделать выводы о том, какие временные
периоды сходны друг с климатическим параметрам.
другом, а какие отличаются по своим
13 При увеличении масштаба просмотра изображения до 500% все вполне читабельно
2.8.3. Кластерно-конструктивный анализ значений описательных шкал
В системе «Эйдос» (в режиме 4.3.2.1) (рисунок 23) рассчитывается матрица сходства признаков по системе их смыслу (таблица 19) и на основе этой матрицы рассчитывается и выводится 4 основные формы:
- круговая 2ё-когнитивная диаграмма признаков (режим 4.3.2.2) (рисунки 24, 25);
- агломеративных дендрограмм, полученных в результате когнитивной (истинной) кластеризации признаков (предложена автором в 2011 году в работе [1:[8]) (режим 4.3.2.3) (рисунки 26, 27);
- график изменения межкластерных расстояний (режим 4.3.2.3) (рисунок 28);
- 3ё-когнитивная диаграмма классов и признаков (режим 4.4.12).
£) 4 3,2,1, Расчет матриц суолстээ кластеров v кюнструктой
Задаче модем, для которых проводить кластер™-конструктивный анализ: Статистические базы Г1 ояснение по режиму
li? ;1. ABS - частный кр1-лерий: количество встреч сочетаний: "класс-признак" у объектов обчч. выборку У 2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса Я 3. PRC2 - частный кр;тгерий: условная вероятность ¡ го признака у объектов j-го класса Системно-когнитивные модели (Вазы знаний): Я 4'.:-№Fl ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 И 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 Я 6. INF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами
V 7. INF4 - частный критерий: PC! (Return On Investment); вероятности из PR CI Я 8. lNr5 - частный критерий: R0! (Return On Investment); вероятности из PRC2
V Э. INFG - частный критерий: разн.исл.и безусл.вероятностей; вероятности из PRC1 II/ 1 G.INF7 - частный критерий: рази усл.и безусл.вероятностей; вероятности из PRC2
Qk
Cancel
Рисунок 23 - Экранная форма управления расчетом матрицы сходства признаков
Примечательно, что похожие по влиянию на временные периоды значения климатических показателей образуют характерные пятна.
Таблица 13 - Матрица сходства признаков по системе их смыслу14
семантическая 20 сеть признаков в модели: "ш^з"
КОНСТРУКТ ПРИЗНАКА: [140]-ГОД-Г:2С1Т Приложение: Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы
Рисунок 24 - 2^ когнитивная диаграмма значений климатических параметров
14 При увеличении масштаба просмотра изображения до 500% все вполне читабельно
4.3,2.2. Задание признаков для отображения
Задание параметров отображения признаков: Задайте число отображаемых признаков:
В эээ
1 75
Задайте способ выбора признаков для отображения:
(*" Признаки с МАХ и MIN уровнями сходства С' Признаки с МАХ по модулю уровнем сходства
Задайте размер изображения в пикселях (не более 4К): Размер по X:
Размер по У:
2 043 [2043
□ к
Cancel
Рисунок 25 - Параметры, при которых получена когнитивная диаграмма значений климатических параметров, приведенная на рисунке 25
4.3.2.3, Агломерзтивная древовидная кластеризация признаков
[ .=. | И
Задайте размер шрифта: Г" Очень мелкий С Мелкий Г" Средний (• Крупный
Задайте толщину линий: С Тонкие S" Толстые
Сокранять промежуточные базы данным? № Нет Г Да.
Рисовать кластеры на цветном Фоне? С Нет (* Да.
Задайте размер изображения в пикселях (не более 4К]: Размер по X: Размер по V:
2 045
4096
Задайте ранее просчитанную модель для перерисовки без перерасчета: С Abs С Prcl С Ргс2 С Infi С Ы2 № Ш С 1п14 С Inf5 С InfG С 1пН7
□ к
Cancel
Рисунок 26 - Параметры, при которых получена дендрограмма значений
климатических показателей
дендрограмма когнитивной кластеризации признаков в модели: "|мез
Рисунок 27 - Агломеративная дендрограмма когнитивной кластеризации значений климатических параметров
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1МРЗ-"Автоматизированный системно-когнитивный анализ климата Краснодара эа 1933-2020 годы"
5,(50.вв»>
ЖИМ!».
ИВ)))))Ш
[(125 139))»
1.В5Ш(12,57).. 3? 13вУ((133,1
|.(4в.49)Ш
а,» за»)»
15>М<42,вД),(|' (
106)11)1
|.<(в,(а,с7,5в)»,(5.(з,с<.!г.55)|)»))|
..В0ШШ1 108.(100.102)).
160) »>))»>»
ада
|.(гг,(вэ.<г1.за)»)).|
Рисунок 28 - График изменения межкластерных расстояний при когнитивной кластеризации значений климатических параметров
Из приведенных экранных форм можно сделать обоснованные выводы о сходстве/различии значений климатических показателей по их характерности/нехарактерности для исследуемых временных периодов.
2.8.4. Модель знаний системы «Эйдос» и нелокальные нейроны
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые положительные особенности нейросетевой и фреймовой моделей представления знаний.
Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
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. Поэтому в системе «Эйдос» при увеличении числа фреймов само количество баз данных не увеличивается, а увеличивается лишь их размерность. Это является очень важным свойством моделей системы «Эйдос», существенно облегчающим и упрощающим программную реализации.
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что [1:[9]:
1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а рассчитываются методом прямого счета 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, как сейчас говорят «полносвязной».
В системе «Эйдос» нелокальные нейроны визуализируются (режим 4.4.10 системы «Эйдос») в виде специальных графических форм, на которых сила и направление влияния рецепторов нейрона на степень его активации/торможения отображается в форме цвета и толщины дендрита (рисунки 29).
Нелокальные нейроны в наглядной форме отображают специфику значений климатических параметров основных исследуемых временных периодов.
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"
Нейрон: [1]-МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/10-{-22.0, -15.5} Приложение: Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"
Нейрон: [10]-МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-{36.5, 43.0} Приложение: Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "1^3"
Нейрон: [21]-СРЕДНЯЯ ТЕМПЕРАТУРА-1Л0-{-27.9, -22.0} Приложение: Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы
Рисунок 29 — Нелокальные нейроны разных климатических показателей
2.8.5. Нелокальная нейронная сеть
В системе «Эйдос» есть возможность построения моделей, соответствующих многослойным нейронным сетям [1:[9].
Есть также возможность визуализации любого одного слоя нелокальной нейронной сети (режим 4.4.11 системы «Эйдос»).
Такой слой в наглядной форме отражает силу и направление влияния рецепторов ряда нейрона на степень их активации/торможения в форме цвета и толщины дендритов.
Нейроны на изображении слоя нейронной сети расположены слева направо в порядке убывания модуля суммарной силы их детерминации рецепторами, т.е. слева находятся результаты, наиболее жестко обусловленные действующими на них значениями факторов, а справа -менее жестко обусловленные (рисунок 30):
Рисунок 30 - Один слой нейронной сети, отражающей степень характерности/нехарактерности значений климатических параметров для исследуемых временных периодов (фрагмент 29,4%)
2.8.6. Эй-интегральные когнитивные карты
3ё-интегральная когнитивная карта является отображением на одном рисунке когнитивных диаграмм классов (рисунок 18) и значений факторов (рисунок 24) вверху и внизу соответственно и одного слоя нейронной сети (рисунок 30) (режим 4.4.12 системы «Эйдос») (рисунок 31).
IntCognMapQQQlInfljpg
ПАРЕТ0-П0ДМН0ЖЕСТВ0 НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОМ К0ГНИТИВН0И КАРТЫ В МОДЕЛИ: "Ш"
Отображено: 6.59% наиболее значимых синаптических связей НейР°ны: "Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
{1,70} =>
Рецепторы: {1,150} =>
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи С*','-'), а толщина линии - силу связи;
АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
Коды нач.н кон.нейронов: 1-70 Копы нач.и кон.рецепторов: 1-150 Отображать не более: 5 нейронов Отображать не более: 7 рецепторов
Отображать не более: 1000 связей Отображать связи с ннтенс.более: 0.000% от факт.макс. Сортировка связей по мопулю информативности Дата и время сознания формы: 07.11.2021-16:41:45
Рисунок 31 - 3(1-когнитивная карта (фрагмент 9%)
2.8.7. 2й-интегральные когнитивные карты содержательного сравнения классов (опосредованные нечеткие правдоподобные рассуждения)
В 2^когнитивных диаграммах сравнения классов по системе их детерминации видно, насколько сходны или насколько отличаются друг от друга классы по значениям обуславливающих их факторов.
Однако мы не видим из этой диаграммы, чем именно конкретно сходны и чем именно отличаются эти классы по значениям обуславливающих их факторов.
Это мы можем увидеть из когнитивной диаграммы содержательного сравнения классов, которая отображается в режиме 4.2.3 системы «Эйдос».
2В-интегральные когнитивные карты содержательного сравнения классов являются примерами опосредованных нечетких правдоподобных логических заключений, о которых может быть первым писал Дьердь Пойа [1: [10]. Впервые об автоматизированной реализации рассуждений подобного типа в интеллектуальной системе «Эйдос» написано в 2002 году в работе [1:[1] на странице 52115. Позже об этом писалось в работе [1:[7] и ряде других работ автора, поэтому здесь подробнее рассматривать этот вопрос нецелесообразно.
15 https://www.elibrary.ru/download/elibrary 18632909 64818704.pdf, Таблица 7. 17, стр. 521
16 http://ej .kubagro.ru/2013/07/pdf/15.pdf, стр.44.
Например, нам известно, что один человек имеет голубые глаза, а другой черные волосы. Спрашивается, эти признаки вносят вклад в сходство или в различие этих двух людей? В АСК-анализе и системе «Эйдос» этот вопрос решается так. В модели на основе кластерно-конструктивного анализа классов и значений факторов (признаков) известно, насколько те или иные признаки сходны или отличаются по их влиянию на объект моделирования. Поэтому понятно, что человек с голубыми глазами вероятнее всего блондин, а брюнет, скорее всего, имеет темные глаза. Так что понятно, что эти признаки вносят вклад в различие этих двух людей.
На рисунках 32 приведены 2ё-когнитивные диаграммы содержательного сравнения пар классов, соответствующих основным исследуемым временным периодам:
КОГНИТИВНАЯ ДИАГРАММА КЛАССОВ В МОДЕЛИ: "1^3" "Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы" Кл.шкала; [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА _ , 1П АЛЛъ, Кп шкала; 16]ОСАДКИ Класс: [1] 1/10^-22.0000000, .16.6000000) »-ХОД./рЭЗЛ .КЛЭССОВ. iu.fl.ai /о Класс [54] 4/10 (90 7000000. 120 6000000) Наименования признаков: Наименования признаков:
[21 МЕСЯЦ |55] 01/12 Январь 1Ь«Б,231 1с=в.огз 1Ь = 1.846 1р = ЗП,1?1 И' о.озя [1] Мч НЕДЕЛИ В ГОДУ |40| НГ 40
|3( ГОД |74] Г 1950 1р-47.Б7Н 1Ь-1.845 |р-30.100 |1] Г* НЕДЕЛИ В ГОДУ [3] НГ 03
[3) ГОД [12«] Г 2006 к-0,136 1с"0.0Э* |1] №. НЕДЕЛИ В ГОДУ [20] НГ20
|1) № НЕДЕЛИ В ГОДУ 14] НГ 04 Ц|' г.виб 1рл4В.ЮЗ 1 и о.о5 г №■1.3« 1р-?1.т 1с 0.00/ [2] МЕСЯЦ |63]09'12-Сентчбрь
11) № НЕДЕЛИ 3 ГОДУ [51НГ05 |р-гэ.гог |р-г1,475 1 г; 0.00 Б |2] МЕСЯЦ [55]01М2-Январь
|1| № НЕДЕЛИ В ГОДУ [21 НГ 02 1Ь'1.вгь 1р -29из №■1.305 1р-21.294 |2] МЕСЯЦ [59] 05/12-Май
[21 МЕСЯЦ [56] 02/12 Февраль 1Ь=1.Э04 №=0.845 1с»0.01? 11] № НЕДЕЛИ В ГОДУ [50] НГ 50
Фильтр по ап.шкала: [О) ВСЕ ОПИСАТЕЛЬНЫ 1-160 Фильтр по оп.шкале: [0]ВСЕ ОПИСАТЕЛЬНЫ 1150
Сходен«, и рлаличио можду кд*сс»н« по и» пр»»««.« сучсюн схоаст0*Л>*»личмя приэимянн ||рапидом фикторо*. сиетене ав«7|>нни«цни): Шар»« сотой»: 07.11,£02 м 6:51:50. По«»»»«» к»*нч*«оо св«««* <> пяв
Рисунок 32 - 2^когнитивные карты содержательного сравнения пар классов,
соответствующих различным значениям климатических показателей
На приведенных 2d-когнитивных картах содержательного сравнения пар классов слева мы видим информационный портрет одного сравниваемого временного периода, а справа - второго.
В информационном портрете значения климатических параметров расположены сверху вниз в порядке убывания степени их характерности для данного класса. Вверху расположены характерные значения климатических параметров, а внизу нехарактерные.
Светло-желтый цвет фона, на котором слева и справа изображены значения климатических параметров, означает, что они характерны для соответствующих временных периодов (слева и справа), а светло-зеленый фон означает, что они нехарактерны.
Линии означают знак и силу вклада конкретных значений климатических параметров в сходство/различие классов.
Цвет линии означает знак вклада: красный цвет означает вклад в сходство, а синий - в различие.
Толщина линии соответствует величине вклада.
2.8.8. 2й-интегральные когнитивные карты содержательного сравнения значений факторов (опосредованные нечеткие правдоподобные рассуждения)
Из 2d-когнитивных диаграммах сравнения значений факторов по их влиянию на объект моделирования, т.е. на его переходы в состояния, соответствующие классам вполне понятно, насколько сходны или отличаются любые два значения факторов по их смыслу.
Напомним, что смысл, согласно концепции смысла Шенка-Абельсона, используемой в АСК-анализе, состоит в знании причин и последствий [1:[14].
Однако из этой диаграммы не видно, чем именно конкретно сходны или отличаются значения факторов по их смыслу.
Это видно из когнитивных диаграмм, которые можно получить в режиме 4.3.3 системы «Эйдос» (рисунки 33):
Рисунок 33 - Примеры 2^когнитивных карт содержательного сравнения
различных временных периодов
На приведенных 2d-когнитивных картах содержательного сравнения пар значений климатических факторов слева мы видим информационный портрет одного сравниваемого значения климатического параметра, а справа - второго.
В информационном портрете значения классов, соответствующие исследуемым временным периодам, расположены верху вниз в порядке убывания степени характерности для них данного значения климатического параметра. Вверху расположены характерные значения классов, а внизу нехарактерные.
Светло-желтый цвет фона, на котором слева и справа изображены значения классов, означает, что они характерны для соответствующих значений климатических параметров (слева и справа), а светло-зеленый фон означает, что они нехарактерны.
Линии означают знак и силу вклада конкретных классов в сходство/различие сравниваемых значений климатических параметров.
Цвет линии означает знак вклада: красный цвет означает вклад в сходство, а синий - в различие.
Толщина линии соответствует величине вклада.
2.8.9. Когнитивные функции
Когнитивные функции являются обобщением классического математического понятия функции на основе системной теории информации и предложены Е.В.Луценко в 2005 году [1:[12].
Когнитивные функции отображают, какое количество информации содержится в градациях описательной шкалы о переходе объекта моделирования в состояния, соответствующие градациям классификационной шкалы. При этом в статистических и системно-
когнитивных моделях в каждой градации описательной шкалы содержится информация обо всех градациях классификационной шкалы, т.е. каждому значению аргумента соответствуют все значения функции, но соответствуют в разной степени, причем как положительной, так и отрицательной, которая отображается цветом.
В системе «Эйдос» когнитивные функции отображаются в зежиме 4.5 (рисунок 34)
СО 4.5, В^зуз.Пг'зэцгя <о~нитивт-гых функций ^^^^^^^^^ [;-с=д-|-[°]
Что такое когнитивная Функция:
Визуализация прямым, обратный, позитивным, негативным, полностью и частично редуцированным когнитивным Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различным значений некоторого Фактора на переноды объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирическим законов. Разработка содержательной научной интерпретации когнитивным Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации: негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всем значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениям Функции] различной степенью редукции или степенью детерминации,, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на перекод объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственным зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необнодимо отметить, что на вид Функций влияния математической моделью АСК-анализа не накладывается никаким ограничений, в частности, они могут быть И не дифференцируемые.
Л уценке ЕВ. Метод визуализации когнитивным Функций - новый инструмент исследования эмпирическим данным большой размерности / Е В Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - N£03(67). С. 240 - 282. - Шифр Информрегистра: 0421100012У0077. , 2,688 у.п.л. - Режим доступа: икр://ei.kubaafo.ru/2011 /03/рсИ/1 8.pdf
Задайте нужный режим:
Визуализации когнитивных функций ] Литератур.ссылки на работы по когнитивным Функциям
Литератур. ссылки на работы по когнитивным Функциям
Литератур.ссылки на работы по управлению знаниями
Рисунок 34 - Экранная форма режима визуализации когнитивных функций
Сами когнитивные функции приведены ниже на рисунках 35:
ПШШШШПШПШ
11111111! 1111
Рисунок 35 - Когнитивные функции в СК-модели ШЕ3
Большинство когнитивных функций, приведенных на рисунка 35, имеет вполне ожидаемый вид. Но некоторые, например распределение климатических показателей по дням недели, содержат неожиданную информацию: оказывается на периоде наблюдений за 1933-2020 годы, т.е. за период 88 лет, одни дни недели четко отчаются от других по некоторым значениям климатических показателей.
2.8.10. Значимость градаций описательных шкал
В АСК-анализе все факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта моделирования и управления, на который они действуют, в определенное будущее состояние, описываемое классом (градация классификационной шкалы), и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [1:[4].
Значимость (селективная сила) градаций описательных шкал в АСК-анализе - это вариабельность частных критериев в статистических и системно-когнитивных моделях, например в модели 1пП, это вариабельность информативностей в строке матрицы модели, в модели 1пВ - это вариабельность хи-квадрат в строке матрицы модели.
Если рассортировать все градации факторов (признаки) в порядке убывания селективной силы и получить сумму селективной силы системы значений факторов нарастающим итогом (кумулятивная сумма), то получим Парето-кривую, представленную на рисунке 36.
Все это можно сделать в режиме 3.7.5 системы «Эйдос».
ParetoSrOpSc-06,jpg _ |ö
Суммарная значимость градаций описательных шкал (признаков) в % ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "1^3" "Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
0.0
4.4 0 7 10.6 20.5 30.5 40.4 50.3 60.3 70.2 80.1 90.1 10 Градации описательных шкал (признаки) в порядке убывания значимости (в % от их количества)
Значимость градации описательной шкапы (ее числового интервального или номинального текстового значения), т.е. признака, представляет ее полезность для решения задачи разделения объектов с этим признаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частных критериев, основанных на этом признаке, по классам в статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf7 Иначе говоря некоторый признак является тем более значимым, чем больше он в среднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности к другим. Путь на отображаемый файл: C:\l\AIDOS-X\AID_DATA\AOOOOOOI\SYSTEMWParetoGrOpSc\ParetoGrOpSc-INF3.jpg 50% наиболее значимых признаков обеспечивают 87% суммарной значимости 14% наиболее значимых признаков обеспечивают 50% суммарной значимости Расстояние между точками Red-Blue: 73% от максимально возможного Форма создана: 08.11.2021-13:32:56
Рисунок 36 - Парето-кривая ценности значений временных периодов для дифференциации значений климатических показателей
В таблице 14 представлены значения временных периодов, ранжированные в порядке убивания их ценности (значимости) для дифференциации значений климатических показателей, на основе которой построен рисунок 36:
Таблица 14 - Ценность значений временных периодов для дифференциации значений климатических показателей в СК-модели ШЕ3
Наименование значения Значимость Значимость
№ № в % Код климатического параметра в % кумулятивно
1 0,67 61 МЕСЯ Ц-07/12-Июль 4,3716592 4,3716592
2 1,33 62 МЕСЯ Ц-08/12-Август 4,1895177 8,5611769
3 2,00 60 МЕСЯ Ц-06/12-Июнь 3,8069155 12,3680924
4 2,67 55 МЕСЯ Ц-01/12-Январь 3,5511904 15,9192828
5 3,33 59 МЕСЯ Ц-05/12-Май 3,4343992 19,3536820
6 4,00 66 МЕСЯ Ц-12/12-Декабрь 3,3644541 22,7181361
7 4,67 58 МЕСЯ Ц-04/12-Апрель 3,1868958 25,9050319
8 5,33 57 МЕСЯ Ц-03/12-Март 3,1103658 29,0153976
9 6,00 56 МЕСЯ Ц-02/12-Февраль 3,0487882 32,0641859
10 6,67 63 МЕСЯ Ц-09/12-Сентябр ь 3,0485256 35,1127115
11 7,33 65 МЕСЯ Ц-11/12-Ноябрь 2,8910556 38,0037671
12 8,00 64 МЕСЯ Ц-10/12-0ктябрь 2,7830688 40,7868359
13 8,67 29 № НЕДЕЛИ В ГОДУ-НГ 29 1,0358866 41,8227225
14 9,33 27 № НЕДЕЛИ В ГОДУ-НГ 27 1,0309130 42,8536355
15 10,00 32 № НЕДЕЛИ В ГОДУ-НГ 32 1,0111719 43,8648074
16 10,67 31 № НЕДЕЛИ В ГОДУ-НГ 31 0,9982786 44,8630860
17 11,33 30 № НЕДЕЛИ В ГОДУ-НГ 30 0,9926660 45,8557520
18 12,00 33 № НЕДЕЛИ В ГОДУ-НГ 33 0,9831652 46,8389172
19 12,67 34 № НЕДЕЛИ В ГОДУ-НГ 34 0,9773572 47,8162744
20 13,33 28 № НЕДЕЛИ В ГОДУ-НГ 28 0,9646466 48,7809210
21 14,00 26 № НЕДЕЛИ В ГОДУ-НГ 26 0,9631372 49,7440582
22 14,67 25 № НЕДЕЛИ В ГОДУ-НГ 25 0,9242018 50,6682600
23 15,33 24 № НЕДЕЛИ В ГОДУ-НГ 24 0,9045003 51,5727603
24 16,00 35 № НЕДЕЛИ В ГОДУ-НГ 35 0,8992650 52,4720252
25 16,67 23 № НЕДЕЛИ В ГОДУ-НГ 23 0,8682094 53,3402347
26 17,33 3 № НЕДЕЛИ В ГОДУ-НГ 03 0,8572228 54,1974575
27 18,00 4 № НЕДЕЛИ В ГОДУ-НГ 04 0,8313245 55,0287820
28 18,67 36 № НЕДЕЛИ В ГОДУ-НГ 36 0,8280647 55,8568467
29 19,33 20 № НЕДЕЛИ В ГОДУ-НГ 20 0,8274333 56,6842800
30 20,00 18 № НЕДЕЛИ В ГОДУ-НГ 18 0,8191757 57,5034557
31 20,67 21 № НЕДЕЛИ В ГОДУ-НГ 21 0,8131586 58,3166143
32 21,33 17 № НЕДЕЛИ В ГОДУ-НГ 17 0,8076436 59,1242579
33 22,00 52 № НЕДЕЛИ В ГОДУ-НГ 52 0,8057203 59,9299783
34 22,67 19 № НЕДЕЛИ В ГОДУ-НГ 19 0,8047695 60,7347478
35 23,33 2 № НЕДЕЛИ В ГОДУ-НГ 02 0,8029668 61,5377146
36 24,00 37 № НЕДЕЛИ В ГОДУ-НГ 37 0,8010989 62,3388135
37 24,67 51 № НЕДЕЛИ В ГОДУ-НГ 51 0,7998491 63,1386626
38 25,33 38 № НЕДЕЛИ В ГОДУ-НГ 38 0,7920344 63,9306970
39 26,00 12 № НЕДЕЛИ В ГОДУ-НГ 12 0,7894480 64,7201449
40 26,67 22 № НЕДЕЛИ В ГОДУ-НГ 22 0,7871617 65,5073066
41 27,33 6 № НЕДЕЛИ В ГОДУ-НГ 06 0,7840868 66,2913934
42 28,00 16 № НЕДЕЛИ В ГОДУ-НГ 16 0,7803015 67,0716949
43 28,67 5 № НЕДЕЛИ В ГОДУ-НГ 05 0,7786388 67,8503337
44 29,33 7 № НЕДЕЛИ В ГОДУ-НГ 07 0,7635536 68,6138873
45 30,00 9 № НЕДЕЛИ В ГОДУ-НГ 09 0,7586687 69,3725559
46 30,67 15 № НЕДЕЛИ В ГОДУ-НГ 15 0,7534135 70,1259695
47 31,33 14 № НЕДЕЛИ В ГОДУ-НГ 14 0,7479097 70,8738792
48 32,00 50 № НЕДЕЛИ В ГОДУ-НГ 50 0,7461237 71,6200029
49 32,67 11 № НЕДЕЛИ В ГОДУ-НГ 11 0,7404764 72,3604793
50 33,33 13 № НЕДЕЛИ В ГОДУ-НГ 13 0,7387279 73,0992072
51 34,00 8 № НЕДЕЛИ В ГОДУ-НГ 08 0,7367445 73,8359517
52 34,67 10 № НЕДЕЛИ В ГОДУ-НГ 10 0,7303783 74,5663299
53 35,33 41 № НЕДЕЛИ В ГОДУ-НГ 41 0,7256319 75,2919619
54 36,00 40 № НЕДЕЛИ В ГОДУ-НГ 40 0,7253961 76,0173579
55 36,67 45 № НЕДЕЛИ В ГОДУ-НГ 45 0,7246688 76,7420267
56 37,33 39 № НЕДЕЛИ В ГОДУ-НГ 39 0,7227306 77,4647573
57 38,00 49 № НЕДЕЛИ В ГОДУ-НГ 49 0,7212080 78,1859653
58 38,67 46 № НЕДЕЛИ В ГОДУ-НГ 46 0,7182006 78,9041658
59 39,33 48 № НЕДЕЛИ В ГОДУ-НГ 48 0,7147235 79,6188893
60 40,00 47 № НЕДЕЛИ В ГОДУ-НГ 47 0,6912053 80,3100946
61 40,67 42 № НЕДЕЛИ В ГОДУ-НГ 42 0,6854995 80,9955941
62 41,33 43 № НЕДЕЛИ В ГОДУ-НГ 43 0,6836532 81,6792473
63 42,00 44 № НЕДЕЛИ В ГОДУ-НГ 44 0,6386840 82,3179313
64 42,67 71 ГОД-Г:1937 0,5626340 82,8805653
65 43,33 1 № НЕДЕЛИ В ГОДУ-НГ:01 0,4506776 83,3312429
66 44,00 53 № НЕДЕЛИ В ГОДУ-НГ:53 0,4445169 83,7757598
67 44,67 70 ГОД-Г 1936 0,4210790 84,1968388
68 45,33 67 ГОД-Г 1933 0,4184049 84,6152437
69 46,00 68 ГОД-Г 1934 0,3608074 84,9760511
70 46,67 69 ГОД-Г 1935 0,3567836 85,3328347
71 47,33 130 ГОД-Г 2007 0,3507546 85,6835893
72 48,00 129 ГОД-Г 2006 0,3254158 86,0090051
73 48,67 127 ГОД-Г 2004 0,3157896 86,3247947
74 49,33 118 ГОД-Г 1995 0,3076010 86,6323956
75 50,00 128 ГОД-Г 2005 0,3072698 86,9396654
76 50,67 121 ГОД-Г 1998 0,3037264 87,2433918
77 51,33 115 ГОД-Г 1992 0,2930852 87,5364769
78 52,00 119 ГОД-Г 1996 0,2909739 87,8274508
79 52,67 114 ГОД-Г 1991 0,2895454 88,1169962
80 53,33 131 ГОД-Г 2008 0,2892241 88,4062202
81 54,00 90 ГОД-Г 1966 0,2879415 88,6941618
82 54,67 117 ГОД-Г 1994 0,2825790 88,9767408
83 55,33 120 ГОД-Г 1997 0,2654855 89,2422263
84 56,00 113 ГОД-Г 1990 0,2502365 89,4924628
85 56,67 116 ГОД-Г 1993 0,2467879 89,7392508
86 57,33 126 ГОД-Г 2003 0,2420731 89,9813238
87 58,00 138 ГОД-Г 2015 0,2311716 90,2124954
88 58,67 133 ГОД-Г 2010 0,2268277 90,4393231
89 59,33 124 ГОД-Г 2001 0,2232166 90,6625397
90 60,00 149 ДЕНЬ НЕДЕЛИ-6/7-Суббота 0,2214808 90,8840205
91 60,67 135 ГОД-Г 2012 0,2212249 91,1052454
92 61,33 140 ГОД-Г 2017 0,2149544 91,3201998
93 62,00 136 ГОД-Г 2013 0,2139739 91,5341737
94 62,67 132 ГОД-Г 2009 0,2118712 91,7460449
95 63,33 88 ГОД-Г 1964 0,2081452 91,9541900
96 64,00 141 ГОД-Г 2018 0,1995260 92,1537161
97 64,67 137 ГОД-Г 2014 0,1970717 92,3507878
98 65,33 146 ДЕНЬ Н ЕДЕЛ И-3/7-Среда 0,1921581 92,5429459
99 66,00 150 ДЕНЬ НЕДЕЛИ-7/7-Воскресенье 0,1890711 92,7320169
100 66,67 143 ГОД-Г 2020 0,1886322 92,9206491
101 67,33 101 ГОД-Г 1978 0,1868104 93,1074595
102 68,00 91 ГОД-Г 1967 0,1862350 93,2936946
103 68,67 78 ГОД-Г 1954 0,1837820 93,4774766
104 69,33 134 ГОД-Г 2011 0,1837317 93,6612083
105 70,00 73 ГОД-Г 1949 0,1834316 93,8446399
106 70,67 139 ГОД-Г 2016 0,1782845 94,0229244
107 71,33 125 ГОД-Г 2002 0,1764893 94,1994137
108 72,00 92 ГОД-Г 1968 0,1729872 94,3724009
109 72,67 87 ГОД-Г 1963 0,1689476 94,5413486
110 73,33 100 ГОД-Г 1977 0,1681331 94,7094816
111 74,00 123 ГОД-Г 2000 0,1661338 94,8756154
112 74,67 94 ГОД-Г 1970 0,1654284 95,0410438
113 75,33 148 ДЕНЬ НЕДЕЛИ-5/7-Пятница 0,1636269 95,2046708
114 76,00 97 ГОД-Г 1974 0,1630982 95,3677690
115 76,67 104 ГОД-Г 1981 0,1625904 95,5303594
116 77,33 102 ГОД-Г 1979 0,1609183 95,6912777
117 78,00 98 ГОД-Г 1975 0,1605981 95,8518758
118 78,67 85 ГОД-Г 1961 0,1599232 96,0117990
119 79,33 89 ГОД-Г 1965 0,1595207 96,1713197
120 80,00 93 ГОД-Г 1969 0,1572298 96,3285495
121 80,67 105 ГОД-Г 1982 0,1557489 96,4842983
122 81,33 86 ГОД-Г 1962 0,1554348 96,6397331
123 82,00 84 ГОД-Г 1960 0,1533599 96,7930929
124 82,67 122 ГОД-Г 1999 0,1519037 96,9449966
125 83,33 103 ГОД-Г 1980 0,1517181 97,0967147
126 84,00 74 ГОД-Г 1950 0,1505334 97,2472482
127 84,67 77 ГОД-Г 1953 0,1489543 97,3962025
128 85,33 79 ГОД-Г 1955 0,1440912 97,5402937
129 86,00 96 ГОД-Г 1973 0,1423588 97,6826525
130 86,67 99 ГОД-Г 1976 0,1413147 97,8239672
131 87,33 108 ГОД-Г 1985 0,1397753 97,9637425
132 88,00 111 ГОД-Г:1988 0,1394960 98,1032385
133 88,67 81 ГОД-Г:1957 0,1381490 98,2413874
134 89,33 107 ГОД-Г:1984 0,1331472 98,3745347
135 90,00 80 ГОД-Г:1956 0,1298678 98,5044025
136 90,67 145 ДЕНЬ НЕДЕЛИ-2/7-Вторник 0,1294295 98,6338320
137 91,33 106 ГОД-Г:1983 0,1288309 98,7626629
138 92,00 110 ГОД-Г:1987 0,1285103 98,8911732
139 92,67 75 ГОД-Г:1951 0,1281391 99,0193123
140 93,33 144 ДЕНЬ НЕДЕЛИ-1/7-Понедельник 0,1271539 99,1464662
141 94,00 83 ГОД-Г:1959 0,1270328 99,2734990
142 94,67 147 ДЕНЬ Н ЕДЕЛ И-4/7-Четверг 0,1263129 99,3998119
143 95,33 76 ГОД-Г:1952 0,1201146 99,5199265
144 96,00 109 ГОД-Г:1986 0,1135822 99,6335086
145 96,67 112 ГОД-Г:1989 0,1084519 99,7419606
146 97,33 95 ГОД-Г:1971 0,1074031 99,8493636
147 98,00 82 ГОД-Г:1958 0,0808070 99,9301706
148 98,67 142 Г0Д-Г:2019 0,0622754 99,9924460
149 99,33 72 ГОД-Г:1948 0,0040154 99,9964614
150 100,00 54 № НЕДЕЛИ В ГОДУ-НГ:54 0,0035386 100,0000000
Желтым фоном выделена 22-я строка из 150 (т.е. 14,67%), в которой находятся значение временного периода, к которому накоплена суммарная ценность значений примерно 50% от максимальной.
Зеленым фоном выделена 75-я строка из 150 (т.е. 50%), в которой находятся значение временного периода, к которому накоплена суммарная ценность значений примерно 87% от максимальной.
Информация о полных именах файлах с информацией, приведенной в таблице 14 по всем моделям приведена на экранной форме ниже (рисунок 37):_^^
Сообщение об успешном завершена стрв-лл
По I
Отображение Порето-диаграмм признаков завершено!
Результаты расчета оилы влияния [значимости] признаков или значений Факторов содержатся в следующим базах данных, созданным на осноЕе статистических и ингелпектуальных моделей: 'Zpr.Abs.wls''", 'Zpr_Prc1 .х1э"„ "Zpr_Prc2.Hls". Zprjnil 'Zpn_lnf2 !.-;b'1.
Е папке текущего приложения: fc:\AIDQS-»AID_DATA\A0000lJ01 \SYSTEMV
Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков.
Сила влияния (значимость) признака или значения фактора представляет собой вариабельность копичества информации в этом признаке о переходе объекта моделирования во все будущие состояния, соотвествующие классам, имеющимся в мидели, т е. это "жесткость"^.'скоторой данное значение Фактора обуславливают ¡детерминируют] переход объекта мсдепирования в различные состояния,, соответствующие классам.
Рисунок 37 - Экранная форма с информацией о полных именах файлов с информацией, приведенной в таблице 20
2.8.11. Значимость описательных шкал
Значимость всей описательной шкалы (климатического параметра) является средним от степени значимости ее градаций (т.е. значений климатических параметров) (режим 3.7.4 системы «Эйдос») (рисунок 38, таблица 15);
Результаты расчета значимости описательных шкал содержатся в базах данных статистических и интеллектуальных моделей: ' 70 5_АЫ. х1г'1 70 5_Ргс1. Ж",' 70 5_Ргс2. х1г",' 70 5 _1 пП. хк",' 70 5 _1 Ы2. х1г'' 70 5 _1 п( 3. х1г'170 5_1 М. х1г",170 5_1 гй. хк", 'ZOS_lnfG.xls", 'ZOS_lnf7.xls" в папке текущего приложения: С:ЩЮОЗ-ХУ\Ю_ОАТАЩ0000001 \SYSTEMV
Эти базы данных открываются в М5 Ехое! и подготовлены для печати и получения графиков. Значимость шкалы является средним значимостей ее градаций.
Значимость градации шкалы (признака] представляет собой вариабельность количества информации в этом признаке о принадлежности или не принадлежности объекта с этим признаком к различным классам, которые есть в модели.
0к
Рисунок 38 - Экранная форма с информацией о полных именах файлов с оценкой значимости описательных шкал (временных периодов)
Таблица 15 - Значимость описательных шкал (временных периодов)
в СК-модели 1^3_
Значимость,
Значимость, кумулятивная
№ Код Наименование % сумма
1 25 МЕСЯЦ 74,6706888 74,6706888
2 50 № НЕДЕЛИ В ГОДУ 17,2619123 91,9326011
3 75 ГОД 4,4606034 96,3932045
4 100 ДЕНЬ НЕДЕЛИ 3,6067955 100,0000000
Из таблицы 15 видно, что наиболее значимым является временной период «Месяц».
2.8.12. Степень детерминированности классов и классификационных шкал
Степень детерминированности (обусловленности) класса в системе «Эйдос» количественно оценивается степенью вариабельности значений факторов (градаций описательных шкал) в колонке матрицы модели, соответствующей данному классу классов (режим 3.7.3 системы «Эйдос»).
Чем выше степень детерминированности класса, тем более достоверно он прогнозируется по значениям факторов.
Степень детерминированности (обусловленности) всей классификационной шкалы является средним от степени детерминированности ее градаций, т.е. классов (режим 3.7.2 системы «Эйдос»).
ParetoGrCISc-06.jpg - Ш 1 -т g
Суммарная детерминированность градаций классификационных шкал (классов) в % ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "1^3" "Автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"
5.8 4 11.3 21.1 31.0 40.9 50.7 60.6 70.4 80.3 90.1 10 0.0
Степень детерминированности класса (градации классификационной шкалы) представляет собой количественную оценку суммарной силы влияния всех факторов на переход объекта моделирования в состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ сипы и направления влияния различных значений факторов по данному классу в статистических: Abs. Ргс1. Ргс2 и в системно-когнитивных: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf7 моделях. Иначе говоря степень детерминированности класса тем выше, чем больше среднее количество информации в различных значений факторов о переходе объекта моделирования в состояние, соответствующее классу. Путь на отображаемый файл: C:\1\AIDOS-XlAID_DATA\A0000001\SYSTEMWParetoGrCISc\ParetoGrCISc-INF3.jpg 50% наиболее значимых классов обеспечивают 96% суммарной значимости 16% наиболее значимых классов обеспечивают 50% суммарной значимости Форма создана: 08.11.2021-14:05:24
Рисунок 39 - Степень детерминированности классов кумулятивной суммой
Сообщение об успешном завершена/ операции
Ъ
Отображение Парето-диаграмМ классов завершено!
Результаты расчета степени детерминированности (значимости) классов содержатся в следующих базах данных, созданных на основе статистических и интеллектуальных моделей: 1 Zkl_Abs.xls1', 'Zkl_Prc1.xls", 'Zkl_Prc2.xls",'Zkl_lnf1.xls", 'Zkl_lnf2.xls",
1 Zkljnf3.xls", 1 Zkl_lnf4.xls",'Zkl_lnf5.xls",1 Zkl_lnf6.xls", 'ZklJ nf7.xls" в папке текущего приложения: C:\AIDOS-X\AID_DATA\AOOOOOOnSYSTEMV Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков.
Степень детерменированности класса представляет собой вариабельность количества информации в всех признаках модели о принадлежности или не принадлежности объекта с этими признаком к данному классу, т.е. это "жесткость", с которой значения Факторов обуславливают (детерминируют) переход объекта моделирования в состояние, соответствующее классу.
Ok
Рисунок 40 - Полные имена файлов с информацией о степени детерминированности классов (значений климатических показателей) в разных
моделях
Таблица 16 - Степень детерминированности классов (значений климатических
Степень
детермини- Степень детермини-
рованности рованности класса ,
№ № в % Наименование класса класса кумулятивная сумма
1 1,4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10-{13.6, 19.5} 5,8235286 5,8235286
2 2,9 СРЕДНЯЯ ТЕМПЕРАТУРА-9/10-{19.5, 25.4} 5,4591094 11,2826380
3 4,3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-8/10-{23.5, 30.0} 4,9734664 16,2561043
4 5,7 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-9/10-{20.4, 26.9} 4,8337427 21,0898470
5 7,1 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-6/10-{-4.2, 1.8} 4,2578428 25,3476897
6 8,6 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-8/10-{7.7, 13.6} 4,1589693 29,5066590
7 10,0 СРЕДНЯЯ ТЕМПЕРАТУРА-8/10-{13.5, 19.5} 4,0965911 33,6032501
8 11,4 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-8/10-{13.9, 20.4} 3,7791791 37,3824292
9 12,9 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-5/10-{-5.6, 0.9} 3,7707663 41,1531956
10 14,3 СРЕДНЯЯ ТЕМПЕРАТУРА-6/10-{1.7, 7.6} 3,7435885 44,8967841
11 15,7 СРЕДНЯЯ ТЕМПЕРАТУРА-7/10-{7.6, 13.5} 3,6306310 48,5274150
12 17,1 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-7/10-{1.8, 7.7} 3,5845597 52,1119747
13 18,6 ЭФФЕКТИВНАЯ ТЕ М ПЕРАТУРА-7/10-{7.4, 13.9} 3,3525531 55,4645278
14 20,0 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-5/10-{4.0, 10.5} 3,2513653 58,7158931
15 21,4 СРЕДНЯЯ ТЕ М ПЕРАТУРА-5/10-{-4.2, 1.7} 3,2253143 61,9412074
16 22,9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-4/10-{-2.5, 4.0} 3,2106422 65,1518496
17 24,3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-7/10-{17.0, 23.5} 3,1333670 68,2852166
18 25,7 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-6/10-{0.9, 7.4} 3,0819141 71,3671307
19 27,1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-9/10-{30.0, 36.5} 3,0255528 74,3926835
20 28,6 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-6/10-{10.5, 17.0} 2,8443060 77,2369896
21 30,0 СРЕДНЯЯ ТЕМПЕРАТУРА-10/10-{25.4, 31.3} 2,0225534 79,2595430
22 31,4 СКОРОСТЬ ВЕТРА-1/10-{1.0, 3.8} 1,8429370 81,1024800
23 32,9 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-5/10-{-10.1, -4.2} 1,8070933 82,9095733
24 34,3 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-4/10-{-12.1, -5.6} 1,7389324 84,6485057
25 35,7 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-{19.5, 25.4} 1,6081178 86,2566234
26 37,1 ОСАДКИ-1/10-{1.0, 30.9} 1,3054445 87,5620680
27 38,6 СРЕДНЯЯ ТЕМПЕРАТУРА-4/10-{-10.1, -4.2} 1,1555572 88,7176251
28 40,0 АТМОСФЕРНОЕ ДАВЛЕНИЕ-4/10-{1005.2, 1010.5} 1,1333181 89,8509432
29 41,4 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-10/10-{26.9, 33.4} 1,0321591 90,8831024
30 42,9 СКОРОСТЬ ВЕТРА-2/10-{3.8, 6.6} 1,0148304 91,8979328
31 44,3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/10-{-9.0, -2.5} 0,9083559 92,8062887
32 45,7 АТМОСФЕРНОЕ ДАВЛЕНИЕ-5/10-{1010.5, 1015.9} 0,8629664 93,6692552
33 47,1 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-4/10-{-16.0, -10.1} 0,7676544 94,4369096
34 48,6 АТМОСФЕРНОЕ ДАВЛЕНИЕ-6/10-{1015.9, 1021.2} 0,6770759 95,1139855
35 50,0 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-3/10-{-18.6, -12.1} 0,6646160 95,7786015
36 51,4 СКОРОСТЬ ВЕТРА-3/10-{6.6, 9.4} 0,6431422 96,4217437
37 52,9 АТМОСФЕРНОЕ ДАВЛЕНИЕ-3/10-{999.8, 1005.2} 0,4662787 96,8880224
38 54,3 АТМОСФЕРНОЕ ДАВЛЕНИЕ-7/10-{1021.2, 1026.6} 0,4227429 97,3107653
39 55,7 СРЕДНЯЯ ТЕМПЕРАТУРА-3/10-{-16.1, -10.1} 0,4147661 97,7255314
40 57,1 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-3/10-{-21.9, -16.0} 0,3758175 98,1013489
41 58,6 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-10/10-{36.5, 43.0} 0,2354401 98,3367890
42 60,0 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-2/10-{-25.1, -18.6} 0,2224378 98,5592268
43 61,4 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/10-{-15.5, -9.0} 0,2206507 98,7798775
44 62,9 СКОРОСТЬ ВЕТРА-4/10-{9.4, 12.2} 0,2043321 98,9842096
45 64,3 АТМОСФЕРНОЕ ДАВЛЕНИЕ-8/10-{1026.6, 1031.9} 0,1547447 99,1389542
46 65,7 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/10-{-27.8, -21.9} 0,1150553 99,2540095
47 67,1 СРЕДНЯЯ ТЕМПЕРАТУРА-2/10-{-22.0, -16.1} 0,1095189 99,3635284
48 68,6 ОСАДКИ-3/10-{60.8, 90.7} 0,0873373 99,4508657
49 70,0 ОСАДКИ-5/10-{120.6, 150.5} 0,0789558 99,5298215
50 71,4 СКОРОСТЬ ВЕТРА-5/10-{12.2, 15.0} 0,0681378 99,5979593
51 72,9 АТМОСФЕРНОЕ ДАВЛЕНИЕ-2/10-{994.5, 999.8} 0,0664697 99,6644290
52 74,3 ОСАДКИ-2/10-{30.9, 60.8} 0,0593859 99,7238149
53 75,7 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-1/10-{-31.6, -25.1} 0,0463383 99,7701532
54 77,1 СКОРОСТЬ ВЕТРА-6/10-{15.0, 17.8} 0,0305385 99,8006917
55 78,6 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1/10-{-33.7, -27.8} 0,0275061 99,8281978
56 80,0 СКОРОСТЬ ВЕТРА-7/10-{17.8, 20.6} 0,0235487 99,8517465
57 81,4 АТМОСФЕРНОЕ ДАВЛЕНИЕ-9/10-{1031.9, 1037.3} 0,0217750 99,8735215
58 82,9 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/10-{-22.0, -15.5} 0,0217500 99,8952715
59 84,3 СКОРОСТЬ ВЕТРА-8/10-{20.6, 23.4} 0,0200293 99,9153008
60 85,7 ОСАДКИ-4/10-{90.7, 120.6} 0,0146009 99,9299017
61 87,1 СРЕДНЯЯ ТЕМПЕРАТУРА-1/10-{-27.9, -22.0} 0,0136538 99,9435555
62 88,6 АТМОСФЕРНОЕ ДАВЛЕНИЕ-1/10-{989.1, 994.5} 0,0123085 99,9558640
63 90,0 СКОРОСТЬ ВЕТРА-9/10-{23.4, 26.2} 0,0079137 99,9637777
64 91,4 ОСАДКИ-8/10-{210.3, 240.2} 0,0067156 99,9704932
65 92,9 ОСАДКИ-10/10-{270.1, 300.0} 0,0049213 99,9754145
66 94,3 ОСАДКИ-7/10-{180.4, 210.3} 0,0049210 99,9803356
67 95,7 ОСАДКИ-6/10-{150.5, 180.4} 0,0049187 99,9852543
68 97,1 СКОРОСТЬ ВЕТРА-10/10-{26.2, 29.0} 0,0049183 99,9901726
69 98,6 АТМОСФЕРНОЕ ДАВЛЕНИЕ-10/10-{1037.3, 1042.6} 0,0049159 99,9950885
70 100,0 ОСАДКИ-9/10-{240.2, 270.1} 0,0049115 100,0000000
Из рисунка 39 и таблицы 16 видно, что 16% классов имеют суммарную степень детерминированности 50%, а 50% классов - около 96%. Это значит, что классы очень сильно отличаются друг от друга по степени детерминированности.
На рисунке 41 приведены полные имена файлов с информацией о
степени детерминированности классификационных шкал в разных
моделях: в-
{у Сообщение об успешном завер-ие-//1 спера^,* в
Результаты расчета значимости классификационных шкал содержатся в базах данных статистических и интеллектуальным моделей: "ZCS_Abs.xls'1, 'ZCS_Prc1 .xls", 'гСЗ.Ргсг.«!?", 'ZCSJnfl кЬ", 'ZCS.InfZ-Klsi^/ZCSJnfa.Mls-", "ZCS_! nM :r ZCS J nfS.Hls", "ZCSJniG.KlS"; 'ZCS_lnf7.xls;' в папке текущего припожения: DWDOS-^ID.DATAWTOOMISSYSTEM^
Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков.
Значимость классификационной шкалы является средним значимостей ее градаций,т.е. классов.
Значимость градации классификационной шкалы, т.е. класса, представляет собой вариабельность количества информации б ео всех признаках мщели о принадлежности или не принадлежности объекта с этим признаками к данному кпассу. Значимость градации классификационной шкалы (класса) ■ это степень детерминированности этого класса (см. режим 3.7.3).
Ok
Рисунок 41 - Полные имена файлов с информацией о степени детерминированности классификационных шкал в разных моделях
В таблице 17 приведена степень детерминированности классификационных шкал в СК-модели ГОТЗ. Видно, что шкала СРЕДНЯЯ ТЕМПЕРАТУРА имеет в 15,2 раза более высокую детерминированность, чем шкала: ОСАДКИ.
Таблица 17 - Степень детерминированности классификационных шкал
в СК-модели I [NF3
Значимость, %
№ №% Наименование Значимость,% кумулятивно
1 14,3 СРЕДНЯЯ ТЕМПЕРАТУРА 23,8712836 23,8712836
2 28,6 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА 22,5261447 46,3974283
3 42,9 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА 22,5226389 68,9200672
4 57,1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА 21,8248963 90,7449635
5 71,4 СКОРОСТЬ ВЕТРА 3,8603281 94,6052916
6 85,7 АТМОСФЕРНОЕ ДАВЛЕНИЕ 3,8225959 98,4278875
7 100,0 ОСАДКИ 1,5721125 100,0000000
3. Обсуждение результатов
Итак, мы провели Автоматизированный системно-когнитивный анализ климата города Краснодара за период 88 лет: с 1933 по 2020 годы.
По Ь2 мере проф.Е.В.Луценко [ 1:[5] достоверность системно-когнитивной модели ГОТЗ (хи-квадрат) с интегральным критерием «Сумма знаний» составляет: Ь2=0,771, что неплохо для приложений, связанных с анализом и прогнозированием климатических показателей.
Это означает, что созданные системно-когнитивные модели в целом правильно отражают моделируемую предметную область и их обоснованно можно применять для решения различных задач
идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области путем исследования ее модели, что и сделано в данной работе.
В частности:
- системно-когнитивную модель ШБ3 обоснованно можно использовать для решения различных задач;
- в распоряжение исследователя есть адекватный критерий оценки результатов решения задачи идентификации: это уровень сходства (т.е. значение интегрального критерия) объекта с классом.
Необходимо отметить, что модели системы «Эйдос» - это феноменологические модели, отражающие эмпирические закономерности в фактах обучающей выборки, т.е. они не отражают механизма причинно-следственного детерминации, а только сам факт и характер детерминации. Содержательное объяснение этих эмпирических закономерностей формулируется уже экспертами на теоретическом уровне познания в содержательных научных законах [1:[13].
Выводы
На основе проведенного анализа можно обоснованно сделать вывод о том, что при решении поставленной в данной работе задачи анализа климата города Краснодарского края за 1933-2020 годы Автоматизированный системно-когнитивный анализ является адекватным инструментом, как по своей математической модели, так и по реализующему ее программному инструментарию, в качестве которого в настоящее время выступает интеллектуальная система «Эйдос».
Поставленная в работе полностью решена.
Лично познакомится с предлагаемым решением можно скачав по адресу: 1Шр://1с,киЬаето.ги/а1ёов/ Aidos-X.htm и установив на своем компьютере систему «Эйдос», а затем установив в диспетчере приложений (режим 1.3) интеллектуальное облачное Эйдос-приложение №297.
В качестве перспективы отметим, что в будущем планируется выполнить планы научных исследований и разработок, обоснованные в работах [1:[14-20], т.е., например:
- применить сценарный АСК-анализ для прогнозирования погоды;
- выявить силу и направление влияния климатических факторов на количественные, качественные и финансово-экономические результаты выращивания различных сельскохозяйственных культур;
- прогнозировать результаты выращивания сельскохозяйственных культур в натуральном и стоимостном выражении культур в заданной микрозоне;
- обоснованно выбирать микрозоны выращивания сельскохозяйственных культур.
Конкретно у автора в распоряжении есть все необходимые технологии искусственного интеллекта, позволяющие выявить причинно-следственные зависимости между природно-климатическими факторами и успешностью и эффективностью в натуральном (количество и качество продукции, ее технические и потребительские свойства) и стоимостном выражении выращивания различных сельскохозяйственных культур.
Зная эти причинно-следственные зависимости можно обоснованно рекомендовать зоны и микрозоны выращивания для различных сельскохозяйственных культур.
Для осуществления этих исследований и разработок необходимы лишь исходные данные по фактическим результатам выращивания сельскохозяйственных культур в различных природно-климатических условиях, воля руководства и финансирование.
Литература
1. Lutsenko E.V. Automated system-cognitive analysis of Krasnodar climate for 1933-2020 // November 2021, DOI: 10.13140/RG.2.2.33693.64480, License CC BY 4.0, https://www.researchgate.net/publication/356030994