CC BY
22
УДК 004.8
06.02.00 Ветеринария и Зоотехния
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ В ВЕТЕРИНАРИИ (НА ПРИМЕРЕ РАЗРАБОТКИ ДИАГНОСТИЧЕСКИХ ТЕСТОВ)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57191193316 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail. com http://lc. kubagro. ru
Кубанский государственный аграрный университет имени И.Т.Трубилина, Россия, 350044, Краснодар, Калинина, 13,
В статье рассмотрено применение Автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария интеллектуальной технологи «Эйдос» для реализации уже разработанных ветеринарных и медицинских диагностических тестов без программирования в форме, удобной для индивидуального и массового тестирования, анализа его результатов и выработки индивидуальных и групповых рекомендаций. Возможно объединение нескольких ветеринарных тестов в один супертест
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВЕТЕРИНАРНЫЕ И МЕДИЦИНСКИЕ ДИАГНОСТИЧЕСКИЕ ТЕСТЫ
Doi: 10.21515/1990-4665-137-031
UDC 004.8
Veterinary and Zootechnics
AUTOMATED SYSTEM-COGNITIVE ANALYSIS IN VETERINARY SCIENCE (ON THE EXAMPLE OF DIAGNOSTIC TESTS DEVELOPMENT)
Lutsenko Evgeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57191193316 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru
Kuban State Agrarian University, Krasnodar, Russia
The article considers the application of Eidos intellectual technologies for implementation of developed veterinary and medical diagnostics statistical tests without programming in the convenient form for the individual and mass testing, the analysis of the results and development of the individual and group recommendations. It is possible to merge several tests in one supertest
Keywords: COMPUTERIZED SYSTEM-COGNITIVE ANALYSIS, EIDOS INTELLECTUAL SYSTEM, VETERINARY AND MEDICAL DIAGNOSTIC TESTS
В последнее время особую актуальность приобретает повышение качества (достоверности) постановки диагнозов в ветеринарии и медицине. Одним из направлений работы, направленных на достижение этой цели, является обеспечение возможности накопления профессиональных знаний экспертов в этой области в форме баз знаний систем искусственного интеллекта с обеспечением общего доступа к этим базам знаний для осуществления диагностики всех специалистов. Особенно полезно это может быть для молодых специалистов, не облагающих профессиональным опытом, достаточным для постановки высокодостоверного диагноза. Но и для опытных специалистов применение подобных диагностических систем может быть оправданным как при массовых обследованиях (диспансеризации) просто для экономии времени и сил для выявления случаев, требующих специального внимания, так и при индивидуальной диагностике, т.к. способно застраховать от грубых диагностических ошибок, цена которых может быть максимально высокой.
Недостатка в информации о симптоматике различных заболеваний не ощущается. Однако информации о том, в какой степени тот или иной симптом характерен для данного конкретного заболевания уже меньше, а информации о диагностической ценности различных симптомов и синдромов для общей или дифференциальной диагностики различных классов заболеваний вообще недостаточно. А это значит, что конкретный врач должен сам решать задачу определения этой диагностической ценности и соответственно с учетом этого строить план получения дополнительной информации путем специальных лабораторных исследований. Ощущается также дефицит в программном инструментарии, обеспечивающем создание диагностических тестов и супертестов и их массовое применение в адаптивном режиме с сохранением и накоплением всех исходных данных и результатов с возможностью их использования дальнейшем после верификации диагноза для адаптации модели. В принципе подобные разработки есть за рубежом. Однако зарубежные разработчики никогда принципиально не продают сам инструментарий или технологию, а предоставляют лишь возможность использования продукта или результат этих технологий, т.е. самих диагностических тестов. У российских пользователей эти тесты, как правило, нелицензионные и требуют локализации (привязки к особенностям места применения), а также адаптации (учета динамики предметной области).
Ясно, что стоимость технология на порядки выше продуктов, с помощью нее созданных, а для локализации и адаптации продуктов необходимо владение технологией, по сути, очень сходной с разработкой этих продуктов, а значит, эти работы по локализации адаптации продуктов могут быть проведены только разработчиками этих продуктов или их представителями, в распоряжении которых есть эти технологии. Конечно, работы по локализации и адаптации ветеринарных и медицинских диагностических тестов стоят дешевле самих технологий, необходимых для их проведения, однако и эти работы являются весьма наукоемкими и достаточно дорогими. По всем этим причинам на практике, как правило, они не могут быть проведены, более того, фактически их просто некому проводить, т.к. просто нет специалистов с соответствующей компетенцией в этой области.
В данной статье предлагается содержательное рассмотрение этих проблем и их решение с помощью интеллектуальной системы «Эйдос-Х++», являющейся программным инструментарием автоматизированного системно-когнитивного анализа [1-4]. Отметим, что впервые применить систему Эйдос для реализации тестов различного назначения без программирования предложено в монографии [5] в 1996 году. Медицинские диагностические методики и даже списки симптомов в медицинских фолиантах с описаниями болезней тоже вполне можно считать слабоформализо-ванными и не очень профессионально разработанными тестами. При этом
уровень сложности работ соответствует требованиям к лабораторным работам по дисциплинам «Интеллектуальные информационные системы» и «Представление знаний в интеллектуальных информационных системах», которые ведут авторы в своих вузах. Мы этим хотим сказать, что наши студенты (по крайней мере, те, которые посещали занятия) вполне способны решать эти проблемы. Таким образом, проблемы с дефицитом интеллектуальных технологий и специалистов полностью снимаются.
Итак, рассмотрим технологию и методику, не требующую программирования, обеспечивающую реализацию в среде системы «Эйдос-Х++» тестов различного назначения. Сделаем это на примере теста ветеринарного назначения, предназначенного для диагностики заболеваний кошек. Данный тест взят с сайта: http://mau.ru/pub/health/?p=table [6] и выбран в качестве примера потому, что он является достаточно актуальным, очень наглядным и в тоже время достаточно простым, т.к. тестовый материал и ключи представляет собой дихотомические текстовые шкалы (лингвистические переменные). С другой стороны он может служить хорошей иллюстрацией технологии и прототипом для разработки подобных тестов, но другого назначения, в ветеринарии и медицине.
Мы бы хотели отметить, что для иллюстрации интеллектуальной технологии «Эйдос» выбор того или иного конкретного диагностического теста для примера не имеет принципиального значения, т.к. статья посвящена не диагностике кошек, а технологии переноса диагностических тестов в среду системы искусственного интеллекта «Эйдос-Х++», хотя и для повышения качества диагностики кошек, мы надеемся, наша статья также может быть полезной.
Интеллектуальную технологию, необходимую для решения поставленных проблем, реализует сама универсальная автоматизированная система «Эйдос-Х++» [1-4].
Эта методика включает следующие этапы (рисунок 1):
1. Подготовка Excel-файла исходных данных на основе стимульного материала и ключей (шкал) теста.
2. Автоматизированный ввод данных в систему Эйдос-Х++ из Excel-файла исходных данных с помощью стандартного программного интерфейса системы (формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающее выборки).
3. Синтез и верификация 3-х статистических и 7 интеллектуальных моделей.
4. Определение наиболее достоверной модели и назначение ее текущей.
5. Решение задач тестирования и выработки рекомендаций.
6. Исследование предметной области путем исследования ее моделей.
Последовательность обработки данных, информации и знаний в системе Эйдос-Х++
Когнитивная структуризация предметной области
Формализация предметной области
Classic, GrJISc Классификационные калы и градации
/ 1
Opls_Sc, Gr_OpSc
Описательные
калы и градации
Обучающая
Obl.Zag
Заголовки объектов обучающей выборки
Obl.Kcl
Коды классов объектов обучающей выборки
А.
Obl.Kpr
Коды признаков объектов обучающей выборки
г Исходные БД Ргс1 Abs Ргс2 \
для расчета БЗ Вероятность тога, что если у объекта Матрица абсолютных частот встреч Вероятность того, что если предъявлен
¡■го класса обнаружен признак, сочетании:класс х признак объект ¡-го класса,то у него будет
то это 1-й признак (матрица сопряженности) обнаружен 1-й признак.
знании
INF1
Количество знаний по А.Харкевичу
INF4
ROI- Return On Investment
Разность условной и безусловной вероятностей
INF3
Хи-квадрат: разности между фактическими и теоретически ожидаемыми по критерию
INF2
Количество знаний по А.Харкевичу
INF5
ROI- Return On Investment
INF7
Разность условной и безусловной вероятностей
Решение задач
Г \ !
Решение задач Решение задач
идентифкар и поддержки принятия
прогнозирования V решении /
Решение задач исследования предметной области,путем исследования ее модели_
Рисунок 1. Последовательность обработки данных, информации и знаний в системе Эйдос-Х++
На первом этапе подготовим Excel-файл, который может быть непосредственно введен в систему Эйдос-Х++ с помощью одного из ее стандартных программных интерфейсов с внешними базами данных (режим 2.3.2.2). Для этого используем методику из 4 шагов.
На рисунке 2 приведен Help данного режима, в котором приведены требования к этому Excel-файлу, из которых вытекает данная методика.
Помощь по режиму 23.2.2 для случая Ехсе.-файлов исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных и1пр_0а*а.х15и в систему иЭйдос-х+ + ' и формализации предметной области.
- Данный программный интерфейс обеспечивает .аЕтоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. формализацию: предметной области, на основе XLS или XLSX-Файла с исходными данными приведенного ниже стандарта.
- Файл иснодных данный должен иметь имя: INP_DATA.XLS или INF'_DATA.XLSX и может быть получен в Ексе1-2003[2007-2010), а Файл распознаваемой выборки имя: INF'_RASP.XLS или INP_RASP,XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSX] и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /'AI D 0 S-X/Al D_D А Т A/l np_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во веек колонка;-;, при этом объединение ячеек и переносы слов не допускается. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до G5536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 043 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
- 1-й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержал-данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующим объекты обучающей выборки.
- Е! результате работы режима Формируется Файл INP_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_.DATА и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.
- Распознаваемая выборка формируется на основе Файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура Файла INP_RASP должна быть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество отрок.
Принцип организации таблицы исходных данных:
Наименование объема обучающей выборки Наименование 1-м классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкапы Наименование г-й описательной шкалы
-й объект обучающей зыборки Значение показателя Значение показателя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показания Значение показателя Значение показателя Значение показателя
... ... ...
fljj^J Cancel
Рисунок 2. Help программного интерфейса системы Эйдос-Х++ с вешними базами данных 2.3.2.2.
Шаг 1-й. Откроем на сайте http : //mau .ru/pub/health/table 1 .php таблицу, которая на называется: «Таблица симптомов заболеваний кошек».
Конечно, эта таблица названа на сайте несколько неверно, т.к. является не только таблицей симптомов, но и содержат нозологические образы, т.е. сами названия заболеваний или диагнозов, а также взаимосвязь между симптомами и заболеваниями, указанную в форме символов.
Шаг 2-й. Затем скопируем эту таблицу через буфер обмена в MS Excel начиная с ячейки A1. Потом уберем объединение ячеек в названиях
EiUss-n
колонок и сделаем названия вертикальными. В результате получим таблицу исходных данных (таблица 1):
Таблица 1 - Исходная таблица данных с сайта: http://mau.ru/pub/health/table1.php
для создания ветеринарного диагностического теста
Источник: http://mau.ru/pub/health/?p=table
*
Шаг 3-й. На этом шаге мы приводим таблицу 1 к виду, необходимому для того, что она воспринималась универсальным программным интерфейсом системы Эйдос с внешними базами данных (эти требования приведены на рисунке 2). Для этого необходимо транспонировать таблицу 1, чтобы в строках были классы (заболевания), а в колонках симптомы, а также добавить еще один столбец с информацией об источнике данных (для этого мы используем колонку с классами, т.е. диагнозами).
Шаг 4-й. На сайте http : //mau .ru/pub/health/table 1 .php говорится о различной характерности диагностических признаков (симптомов), приведенных в таблице 1, для постановки различных диагнозов:
Условные обозначения:
!! - главные, наиболее характерные симптомы, имеющие место всегда
при данном заболевании или состоянии;
! - симптомы, обычно наблюдающиеся при данном заболевании, но не
имеющие решающего значения;
? - второстепенные симптомы
То, что признаки должны иметь различную характерность видно уже из того (см. таблицу 1), что одни признаки встречаются у многих заболеваний, тогда как другие только у нескольких, один заболевания описываются большим количеством симптомов, а другие гораздо меньшим.
Однако на сайте это различие имеет качественный уровень и выражено в текстовом виде обозначениями: «!!», «!» и «?». В системе Эйдос-Х++ эта степень характерности симптома для заболевания выражена количественно причем система определяет ее сама. Кроме того в системе Эйжос-Х++ расчет значимости признаков (т.е. средней характерности по всем заболеваниям) - это одна из основных особенностей применяемых в системе интеллектуальных моделей и не требует ввода разных вариантов симптомов, если у них различная характерность. Мы еще рассмотрим этот вопрос на 6-м этапе методики.
Поэтому заменяем в транспонированной таблице исходных данных все «!!» на «*», затем все «!» на «*» и все «-?»1 на «*». После этого таблица 1 приобретает вид, представленный в таблице 2.
Колонка классов выделена желтым фоном.
1 Символ «~» перед знаком вопроса используется для экранирования его как спецсимвола, используемого для обозначения любого одного символа, и для рассмотрения его как обычного символа
Таблица 2 - Таблица исходных данных для ввода в систему Эйдос-Х++ с помощью стандартного программного интерфейса с внешним базами данных
На первый взгляд данная методика может выглядеть несколько усложненной, однако реализация на компьютере этих шагов занимает буквально считанные минуты и фактически осуществляется очень просто.
На втором этапе вводим Ехсе1-файл исходных данных в систему «Эйдос-Х++» с помощью программного интерфейса 2.3.2.2 с параметрами, приведенными на рисунке 3. Обратим внимание на то, что, знак диез «#» обозначает в таблице 2 наличие симптома у заболевания, а пробел - его отсутствие. И первое, и второе мы считаем значимой информацией, поэтому на экранной форме, приведенной на рисунке 3 справа вверху задана опция, считать нуди и пробелы значениями данных.
-
2.3.2.2. Универсальный программный интерфейс импорта данных в систему ЭИДОС.-Х--ь
; I 111 |
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходных данных: "lnp_data'
- MS Excel-2003 Г XLSK;MS Excel-20G7(2010) Г DBF -DBASE IV [DEiF/NTX) Стэгщарт DBF-Файла
C~ CSV -;Comma-Separated Values Стацдарг CSV-файла
H ули и пробелы считать Ü Т СУ Т CT Й И Е М данных (В Нули и пробелы считать ЗНАЧЕНИЯМИ данных i " ]Еоздаветь оД средних г:о классам' :: :p_dav;.dbf"^ Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал:
Конечный столбец описательных шкал:
36
Задайте режим1
<• Формализации предметной области (на основе "Inpda'a" С Генерации распознаваемой выборки (ha основе "lnp_rasp"j
Задайте способ выбооа размера интервалов:
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АЕК-анализа Применить сценарный метод АСК^анализа
Г Применить спец.интерпретацию текстовых полей классов Г Применить спец.интерпретацию тексгоьых полей признаков
Параметры интерпретации значений текстовых полей "1пр_<1а1а":
Интерпретация TXT-полей классов
Значения полей текстовых классификационных шкал Файла исходных данных 'llrip_data1' рассматриваются как целое
Интерпретация ТХТ-полей признаков
Значения полей текст овых описательных шкал Файла
исходных данных ''hp data1' рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать: !• Только интервальные числовые значения С Только наименования интербальных числовых значений Г' И интервальные числовые значения, и их наименования
(например (например (например
"1 /3-{5Э8?3. 0000000, 178545. ЬБВВББ7}''] "Минимальное")
"Минимальное: 1 ,'3-{59873.0000000,17S545.GGGGGG7}"
Ok
Cancel
Рисунок 3. Вид первого окна программного интерфейса системы Эйдос-Х++ с вешними базами данных 2.3.2.2 с параметрами для ввода обучающей выборки
Для этого используем методику, приведенную ниже и основанную, как и предыдущая, на требованиях, приведенных в Help режима 2.3.2.2 (рисунок 2). Эта методика включает следующие 4 шага.
Шаг 1-й. Копируем приведенный выше Excel-файл в папку: «Место расположения системы на диске»\АГО_БАТА\1пр_ёа1а\ с именем "Inp_data.xls".
Шаг 2-й. Запускаем режим 2.3.2.2 системы Эйдос-Х++ и задаем в окне, представленном на рисунке 3, следующие параметры:
- тип файла исходных данных: XLS-MS Excel-2003;
- нули и пробелы считаются отсутствием данных;
- диапазон колонок классификационных шкал: 2-2;
- диапазон колонок описательных шкал: 3-36;
- формализация предметной области (файл исходных данных Inp_data.xls);
- равные интервалы с разным числом наблюдений;
- сценарный метод прогнозирования СК-анализа не применять.
Шаг 3-й. После нажатия кнопки ОК появляется отображение процесса открытия и загрузки Ехсе1-файла, а затем появляется второе окно режима 2.3.2.2, представляющее собой специальный калькулятор, позволяющий при наличии числовых классификационных и/или описательных шкал подбирать количество интервалов (градаций) в числовых шкалах
рисунок 4):
Ф 2.3.2.2. Задание размерное-/: модели сястемь ЭЙДСС-Х-ИНФОРМАЦИЯ 0 РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационных и описательных шкал: [30 х ВЗ]
Количество Количество
описательных грацаций
щкал ■описательных1
шкал
ВСЕГО: 1
Задайте число интервалов (градаций] в шкала.
Пересчитать шкалы и градации
Выйти на создание модели
Рисунок 4. Вид второго окна программного интерфейса системы Эйдос-Х++
с вешними базами данных 2.3.2.2.
В данном случае числовые шкалы отсутствуют, и число градаций задавать нет необходимости и возможности.
Шаг 4-й. При клике на кнопке «Выйти на создание модели» появляется отображение стадии процесса формализации предметной области (рисунок 5):_
ф 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 "Еуеп(5К0" на основе БД "1пр_с1а(а" - Готово 3/3: Переиндексация всех баз данных нового приложения - Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Прогноз времени исполнения
Начало: 21:10:20 Окончание: 21:10:22
0к
Прошло: 0:00:02
□ сталось: 0:00:00
Рисунок 5. Вид третьего окна программного интерфейса системы Эйдос-Х++
с вешними базами данных 2.3.2.2.
Таким образом, на втором этапе на основе Ехсе1-файла исходных данных создаются классификационные и описательные шкалы и градации, а потом с их использованием и обучающая выборка, т.е. осуществляется формализация предметной области (рисунки 6, 7, 8):_
i I i:i ¿ä f
2.L Классификационные шкалы и градации. Текущая модель: "INF1™4
Код шкалы I Наименование классификационной шкалы
l|
ЗАБОЛЕВАНИЕ
Код градации Наименование градации классификационной шкалы Hü
1 Абсцесс (гнойник, нарыв)
2 Беременность
3 Бешенство
4 Блоки; клещи; грибок
5 В ируоная лейкемия (белокровие)
6 Волосяные пробки (безоары)
7 Воспаление роговой оболочки глаз (кератит)
8 В оспаление рта (стоматит]
9 В оспаление слизистой оболочки глаза (конгьюктивит)
10 В оспаление уха (отит)
11 Гематома (кровоизлияние)
12 ГерпесУ ринотрахеиг
13 Гинекологические проблемы
14 Инфекционая анемия (малокровие)
15 Инфекционный перитонит (ФИП]
1G Колйт
17 Круглые глисты (аскариды)
18 Ленточные глисты
19 Неправильное питание
20 □травление
21 Панлейкопения (вирусный э нтерит)
22 Пищевое отравление/гастроэнтерит
Л
Помощь Доб.шкалу Доб.град.шкалы Копир.шкалу Копир.град.шкалы Копир.шкалу с град. Удал.шкалу с град. Удал.град.шкалы Удаление и перекодирование
Рисунок 6. Экранная форма режима 2.1 просмотра и корректировки классификационных шкал и градаций системы Эйдос-Х++ (фрагмент)
| 2.2, Описательные шкалы и градации. 1 екущая модель; "INFI" ■ MLaljäkbea 11
н -1
||| Код шкалы | Наименование опноагелызой икалы [| I Код градации Наименование градации описательной шкалы *
П РВОТА 1 т
2 ДИАРЕЯ(П0Н0С) 3 #
3 ЗАПОР'
А КРОВЬ В вШЕ
5 ОТСУТСТВИЕ АППЕТИТА
ЧРЕЗМЕРНАЯ ЖАЖДА
7 НЕНОРМАЛЬНОЕ'МОЧЕИСПУСКАНИЕ
8 СЛЮНОТЕЧЕНИЕ
® КАШЕЛЬ И .ЧИХАНИЕ
Щ ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА
п ВЫДЕЛЕНИЯ - И^.ГЛАЗ
1.2 ВЫДЕЛЕНИЯ ИЗ УШЕЙ
13 ВЫДЕЛЕНИЯ ИЗ НОЙ:
14 АНАЛЬНЫЕ ВЫДЕЛЕНИЯ
15 ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ
16 ОБЕЗВОЖИВАНИЕ
17 ПОТЕРЯ ВЕСА
1Б. БЛЕДНОСТЬ ДЕСЕН
13 ЗАТРУДНЕННОЕ ДЫХАНИЕ
20 ПОТЕРЯ СОЗНАНИЯ
21 ПАРАЛИЧ
22 ВНЕЗАПНАЯ СМЕРТЬ б___ □ ! 3
<1 У <J 1 i
ПОМОЩЬ Доб.шкалу Доб.град.шкалы Копир, шкалу Копир, град, шкалы Копир, шкалу с град. Удал, шкалу с град. Удал. град, шкалы Перекодировать Очистить
Рисунок 7. Экранная форма режима 2.2 просмотра и корректировки описательных шкал и градаций системы Эйдос-Х++ (фрагмент)
{¿)у2.3.1. Ручной ввод-корректировка обучающей выборки, Текущая модель;
рЕВЕК | Время !
Панлейкопения (вирусныйэнтерит]
2 Пищевое отравление/гастроэнтерит
3 Волосяные пробки(безоары)
4 Колит
5 Бешенство
6 Респираторная вирусная инфекция
7 Герпес/ ринотракеит
8 Инфекционая анемия (малокровие)
Э Вирусная лейкемия (белокровие] ж
Код объекта Класс 1 Класс 2 Класс: 3 Класс 4 —
21 О 0 0
л!
Код объекта Признак 1 Признак'2 Признак 3 Признак 4 Призмам 5 Признак 6 Признак' 71
4 6 7 10 12 1Н
1 16 17 20 21 23 25 20
1 Щ 32 34 ¡Щ 40 41
1 44 46 48 Й 51 53 55
1 Ш 60 61 64 66 67 0
Помощь Скопировать обуч.выб.в расп.
Добавить объект
Добавить классы
Добавить признаки
Удалить объект
Удалить классы
Удалить признаки
2,4. Просмотр эвенгологуческих баТданных [баз событий). Текущая модель:
1 Наименование объекта 2 ЗАЕО'ЛЕЕАНИЕ .3: РВОТА 4. ДИАРЕЯ(ПОНОС) ■5.' 34ПЕ1Р КРОВЬ 9 РАПЕ г ОТСУТСТВИЕ АППЕТИТА 8. ЧРЕЗМЕРНАЯ ЖАЗША а НЕНОРМ, МОЧЕЙС
1 П анлейкопения (вирусный э нтерит] 21 2 4 6 7 10 12
2 Пищевое отравление/гастроэнтерит 22 2 4 6 7 10 12
3 В олосяные пробки (безоары) 6 2 4 6 7 10 12
4 Колит 16 1 3 5 а 9 11
5 Бешенство 3 1 3 5 7 3 12
8 Респираторная вирусная инфекция 25 1 3 5 7 9 11
7 Герпес/ ринотрахеит 1-2 1 3 5 7 10 11
8 Инфекционая анемия (малокровие) 14 2 4 5 7 10 12
Э Вирусная лейкемия (белокровие) 5 2 4 5 7 10 12
10 Инфекционный перитонит (ФИП) 15 2 4 5 7 10 11
11 Урологический синдром / мочекаменная болезн... 30 2 3 5 7 10 11
12 Почечная недостаточность 23 2 3 6 7 10 12
13 Сердечная недостаточность 26 1 3 5 7 10 11
1Л Трплпвпй иплп 2 4 5 7 11
0 1 £_. Й_¡] 0_1 шш 1_ [е 3
Рисунок 8. Экранная форма режима 2.3.1 просмотра и корректировки обучающей выборки системы Эйдос-Х++ (фрагмент)
На третьем этапе запускается режим 3.5 системы Эйдос-Х++, который обеспечивает синтез и верификацию 3 статистических и 7 системно-когнитивных моделей (моделей знаний). Окно задания параметров данного режима приведено на рисунке 9 (вид по умолчанию).
^ 3,5, Выбор моделей для синтеза и верификации
I | ЕЁ1
Задайте модели для синтеза и верификации-
Статистические базы:
IJ7 =1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки р 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса IJ7 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):
IJ7 4.1N Fl - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
[7 5 W 6 Ф 7 W 8 Р 9
INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
INF3 - частный Критерий; Хи-квадрагт, разности между Фактическими и ожидаемыми абс.частотами
INF4 - частный критерий: ROI (Return.On Investment); вероятности из PRC1
INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2
INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1
IJ7 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Параметры копирования обучающей выборки в распознаваемую:
-Какие объекты обуч.выборки копировать: (• Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайных объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку
~ Поясн^н^ по^лгоритму верификации j -
Удалять из обуч.выборки скопированные объекты: (• Не удалять С Удалять
Подробнее
Измеряется внутренняя достоверн. модели
Текущая модель
С ABS С PRC1 С PRC2
G INF1 С INF2 Г INF3 С INF4 С INF5 С INFG С INF7
Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию
Рисунок 9. Вид окна задания параметров режима 3.5 системы Эйдос-Х++
На рисунке 10 приведено окно отображения стадии процесса испол-нення данного режима (на рисунке вид по окончании работы режима)
3.5, Синтез и верификация заданных из 10 моделей
I 'Э
Стадии исполнения процесса
Копирование обучающей выборки в распознаваемую - Готово Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл,^ распр.) - Готово Синтез.Ноделей Знаний: INFI -INF? - Готово
Шаг 1-й из 11 Шаг2-йиз11 Шаг 3-й из 11 Шаг А-й из 11
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ.-Шаг 5-й из 11: Задание модели "INF?" в качестве текущей - Готово Шаг Ё-й из 11: Пакетное распознавание в модели "INF7" - Готово
Шаг 7-й из 1 i: Измерение достоверности модепи "Inf?" - Интегральный критерий: "Сумма знаний"- Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОЗО'-...
Шаг 8-й из 11: объединение БД DostRspi в БД DcstRasp - Готово
Шаг 3-й из 11: Печать сводной формы по результатам верификации моделей - Готово
Шаг т 0-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг 11 "й из 11 "Присвоение заданной модели: Infi статуса текущей" - Готово
Синтез и верификация заданных стат.моделей и моделей знаний упешно завершена !!!
- Прогноз Бремени исполнения
Начало: 21:13:16 Окончание: 21:13:51
Ж
Ok
Прешла: 0:00:34
Осталось: U:00:Ü0
Рисунок 10. Окна отображения стадии исполнения режима 3.5 системы Эйдос-Х++
(вид по окончании работы режима)
Видно, что процесс синтеза и верификации 3 статистических и 7 системно-когнитивных моделей предметной области занял 34 секунды машинного времени.
Ниже дано краткое математическое описание расчетов, проводимых в системе «Эйдос» при синтезе и верификации моделей.
Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (таблица 1).
Таблица 3 - Матрица абсолютных частот
Классы
1 1 W Сумма
— 1 N / N
о а
о н » К Я и V г N N Ж Nу = I N / /=1
ев Я
СО М N N N МЖ
Суммарное количество Признаков по классу п Ж М NЕу= Ц ЦN¡/ ¿=1 /=1
Суммарное количество объектов обучающей выборки по классу Ыу/ Ж ^ = I NI/| /=1
На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).
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 Ыу используется суммарное количество признаков по классу;
2-й способ: в качестве Ыу используется суммарное количество объектов обучающей выборки по классу.
Таблица 4 - Матрица условных и безусловных _процентных распределений_
Классы Безусловная вероятность признака
1 j W
Значения факторов 1 Pll P1j P 11W
i Pl P II N N J j: P 1 iW P = Na Ps N SS
M P 1 Ml P rMj P 1 MW
Безусловная вероятность класса PSj
Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3 рассчитываются матрицы системно-когнитивных моделей (таблица 4).
Таблица 5 - Различные аналитические формы _частных критериев знаний_
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
ABS, матрица абсолютных частот — Nj
PRC1, матрица условных и безусловных процентных распределений, в качестве NSj используется суммарное количество признаков по классу — P - Nj j Nsj
PRC2, матрица условных и безусловных процентных распределений, в качестве NSj используется суммарное количество объектов обучающей выборки по классу — P II 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 обнару- 1 j = Yx Log 2 P NN I tI = Yx Log 2-11 N ,N, i J
жен признак, то это i-й признак
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. Ij = Yx Log, p N,,N I. =Yx Log 2 1 NN, 1 J
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — n,n, i = n.. 1 j j j n
INF4, частный критерий: ROI -Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу P P - P Ij = 1 1 = 1 ' j P P n,,n i ,, = 1 j nn J
INF5, частный критерий: ROI -Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу P P - P Ij = 1 1 = 1 ' j P P n lN i j = 1 j nn J
INF6, частный критерий: разность условной и безусловной вероятностей, 1 -й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу i j = p - p I = nL - N 1 N, N
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу il = p - p I = nj N 1 N] N
Обозначения к таблице 3: I - значение прошлого параметра; j - значение будущего параметра;
Щ - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра;
М- суммарное число значений всех прошлых параметров;
Ж - суммарное число значений всех будущих параметров.
N - количество встреч 1-м значения прошлого параметра по всей выборке;
Щ - 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.
- частный критерий знаний: количество знаний в факте наблюдения ¡-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее ]-му значению будущего параметра;
¥ - нормировочный коэффициент [1], преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Р■ - безусловная относительная частота встречи ■-го значения прошлого параметра в обучающей выборке;
Р/ - условная относительная частота встречи ¡-го значения прошлого параметра при /-м значении будущего параметра .
Таблица 6 - Матрица системно-когнитивной модели
Классы Значимость фактора
1 .1 W
Значения факторов 1 Л / 'ш *х = 2 1 ш 2 Ж -1У- )
г 1,1 '■ш 1 ш 2 1 У (' -')
М 'м1 'М/ 'мш = 2 1 Ж 2 ш-1У'м)
Степень редукции класса 1 ш м , ч2 н = 2 1 УУ{', I) ]1(Ж • М -1) /=1 ;
Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников [7].
На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями), 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 [1-4].
Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два интегральных критерия, кратко описанные ниже.
Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое
состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.
Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы в будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев. В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:
- сумма знаний;
- резонанс знаний.
1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений 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:
= (I,,, I,).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
М
Ь = X1 ,
¡=1 ,
где: М - количество градаций описательных шкал (признаков);
= {1у } - вектор состояния _]-го класса;
Ц = {Ц} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если , - й фактор действует;
Ьг = < 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).
2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид: 1 М
'.--¡¿м 5 1-1 *
где:
М - количество градаций описательных шкал (признаков);
1 - средняя информативность по вектору класса;
Ь - среднее по вектору объекта;
о j - среднеквадратичное отклонение частных критериев знаний вектора класса;
¡1 - среднеквадратичное отклонение по вектору распознаваемого объекта.
= {1^ } - вектор состояния j-го класса;
—
Ь = {Ц} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если , - й фактор действует;
Ь, = <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).
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.
Интеллектуальные модели, некоторые из которых приведены в таблицах 7-9, отличающиеся частными критериями знаний (таблица 5) в непосредственной декларативной форме содержат знания о принадлежности и непринадлежности распознаваемого объекта, обладающего некоторым признаком, к каждому из классов, т.е. содержат информацию о силе и направлении влияния каждого признака на принадлежность объекта с этим признаком к каждому из классов.
Таблица 7 - МАТРИЦА АБСОЛЮТНЫХ ЧАСТОТ (ABS) (фрагмент)
'о^стре^сцётанГиГ'^шсопризнё^ ' [ д I В
Таблица 8 - МАТРИЦА ЗНАНИЙ INFI (фрагмент)
Таблица 9 - МАТРИЦА ЗНАНИИ ШЕЭ (фрагмент)
Необходимо обратить внимание на то, что весовые коэффициенты в моделях системы Эйдос-Х++, созданные на основе исходных данных, отличаются друг от друга, в частности в интеллектуальных моделях в общем случае отличаются не только весами, но и знаками весовых коэффициентов (например, в приведенных моделях ЮТ1- количество знаний по А.Харкевичу и ЮТ3 - Хи-квадрат).
Базы знаний, представленные в таблицах 4, 5, 6, имеют декларативную форму и содержат 30*34=1020 элементов, отражающих силу и направление причинно-следственной связи между значениями факторов и градациями классификационных шкал, которые могут быть представлены в продукционной форме в виде 1020 продукций вида: «Если то». Это количество продукций близко к максимальному пределу для большинства систем искусственного интеллекта, основанного на классических продукциях с Аристотелевской логикой «истина-Ложь». Это связано с тем, что «При большом числе продукций в продукционной модели усложняется проверка непротиворечивости системы продукций, т.е. множества правил. Поэтому число продукций, с которыми работают современные системы ИИ, как правило, не превышают тысячи» . Однако в системе «Эйдос» используются нечеткие продукции с переменной степенью истинности импликаций. Поэтому в системе «Эйдос» нет проблемы, с которыми сталкиваются экспертные системы, состоящей в необходимости проверка непротиворечивости системы продукций, и они все учитываются в интегральном критерии со своей степенью истинности.
В результате, как показали численные эксперименты, в текущей версии системы «Эйдос-Х++» может быть до 10000*10000=100000000 нечетких продукций, что примерно в 100000 раз больше, чем в самых мощных экспертных системах с продукционными моделями. Даже если бы продук-
2 См., например: http://prof9.narod.ru/doc/016/index.html
ционные модели такой мощности было бы возможно реализовать, то для их работы были бы необходимы суперкомпьютеры. Декларативные же базы знаний системы «Эйдос» служат лишь основой для решения различных задач идентификации (прогнозирования), принятия решений и исследования предметной области, которые на продукционных моделях такой размерности, по-видимому, невозможно решать и на суперкомпьютерах.
Очевидно, что знания такого объема и детализации невозможно получить от экспертов по ряду причин, среды которых основными являются следующие:
1. Большинство экспертов пользуются знаниями в слабо формализованной форме, т.е. интуитивными невербализованными знаниями, основанными на опыте и профессиональной компетенции. Повышение степени формализации этих знаний до уровня, позволяющего внести их в компьютерные базы знаний, представляет собой большую проблему, чаще всего неразрешимую для эксперта, которые являясь экспертами в своей профессиональной области при этом обычно не имеют подготовки инженера по знаниям (когнитолога). Кроме того известно, что при любой формализации происходит необратимая потеря адекватности знаний. Даже начальный этап формализации: вербализация требует больших усилий, труда, времени и еще таланта писателя, хотя вербализации совершенно недостаточна для внесения в компьютерные базы знаний, т.е. для этого требуется более высокий уровень формализации.
2. На практике могут встречаться такие мотивы принятия решений, которые эксперт не просто не станет вербализовать, т.к. они предосудительны и вместо истинных мотивов и знаний сообщит неистинные.
3. Часто эксперт осознает процесс получения знаний от него и их формализации как процесс отчуждения от него тех знаний, которые он добывал всю профессиональную жизнь и на владении которыми основано его материальное, профессиональное и социальное благополучие. Поэтому он отрицательно относится к самой идее извлечения из него профессиональных знаний и придания им такой формы, в которой они могли бы быть включены в компьютерные базы знаний систем искусственного интеллекта, обобществлены и стать общим достоянием. Сами же системы искусственного интеллекта и специалистов в этой области он рассматривает как представляющих угрозу его благополучию.
По этим причинам эксперты часто не могут и не хотят делиться своими знаниями, и даже если они настроены доброжелательно это не всегда получается качественно.
В системе же «Эйдос» все эти проблемы вообще не возникают, т.к. степень истинности импликаций нечетких продукций, представленных в декларативной форме, вычисляется автоматически непосредственно на основе эмпирических данных без участия экспертов.
На четвертом этапе определяется наиболее достоверная модель и назначается текущей для дальнейшего применения.
Шаг 1-й. Из режима 4.1.3.6 видно (см. рисунок 11), что наивысшей достоверностью идентификации и не идентификации обладает модель 1п13 с частными критериями, приведенными в таблице 6 и интегральным критерием «сумма знаний», описанным выше.
4.1.3.6. Обобщ.форма по досгов .модел ей при разн.инт.крит. Текущая модель:
Наименований Модели Интегральный критерий Нейс«)... уровней ско... ний[ЗРР) 1 решений (SF... ■S-Точность а LI -мера Е.В, Луценко Средний Модуль Средний Модуль Средний модуль уровней сходс... решений- ш А-Точность А-ПолНота APrecision , ARecall =АТР/(АТР... =АТР/(АТР... и^мера1 Е.В.Луценко
1. ABS ■ частный критерий: количество встреч сочетаний: "мае... | Корреляция абс.частот с обр.... 203.647 0.128 1.000 0.228 1.000 0.300 0.125 0.769 1.000 0.869
1. ABS - частный критерий : количество встреч сочетаний: "мае... . Сумма абс. частот по признак... >24.324 0.054 1.000 0.103 1.000 0.603 0.624 1.000 0.768
2. PRC1 ■ частный критери *. усл. вероятность i-го признака сред... Корреляция ус л.отн. частот со... >03.647 0.128 1.000 0.228 1.000 0.300 0.125 0.769 1.000 0.869
2. PRC1 - частный критерии к я сл. вероятность i-ro признака среа... Сумма усл.отн.частот по приз... 324.824 0.054 1.000 0.103 1.000 0.603 0.624 1.000 0.768
3.PRC2-частный критери "г. условная вероятность i-ro признака... Корреляция усл.отн. частот е о... ¡03.647 0.128 1.000 0.228 1.000 0.300 0.125 0.769 1.000 0.869
3. PRC2 ■ частный критери £ ¡¡слоеная вероятность ¡то признака... Сумма усАотчастот по приз... P24.S24 0.054 1.000 0.103 1.000 0.603 0 .«24 1.000 0.768
4. INF1 - частный критерий: : количества знаний по АХаркевичу; в... Семантический резонанс зна... «1.535 0.307 1.000 0.470' 0.910 0.208 0.250 0.814 1.000 0.897
4. INFI - частный критерий: : количество знаний по АХаркевичу; в... Сумма знаний >27,529 0.073 1.000 0.136 0.599 0.262 0.696 1.000 0.821
5. INF2- частный критерий: : количества знаний по АХаркевичу; в... Семантический резонанс зна... «1.535 0.307 1.000 0.470 0.910 0.208 0.250 0.814 1.000 0.897
5. INF2- частный критерий: : количества знаний по АХаркевичу; в... Сумма знаний >27.529 0.073 1.000 0.136 0.599 0.2«2 0.696 1.000 0.821
6. INF3 - частный критерий: Семантический резонанс зна... 86.239 0.250 1.000 0.401 0.Э61 0.218 0.221 0.815 1.000 0.898 0.883
ß. INF3- частный критерий: : Хи-квадрят. разности между Фактич... Сумма знаний €0,227 _ 0.2«0 1.000 0.412 0.152 0,172 0.822 1.000
7. INF4-частный критерий: : ROI (Return On Investment); вероятно... Семантический резонанс зне.:. 40.165 0.363 1.000 0.533- 0.764 0.202 0.276 0.791 1.000
7. INF4 - частный критерий: : ROI (Return On Investment]; вероятно... Сумма знаний |.50.357 0.087 1.000 0.160 0.477 0.173 1 0.734 1.000 0.847
8. INF5- частный критерий: : ROI (Return On Investment); вероятно... Семантический резонанс зна... 40.165 0.363 1.000 0.533 0.764 0.276 0 Л 91 1.000 0.883
8. INF5- частный критерий: : ROI [Return On Investment): вероятно... Сумма знаний .50.357 0.087 1.000 0.160' 0.477 0.173 0.734 1.000 0.847
9. INF6 - частный критерий: : разн.уел. и безуел. вероятностей; вер... Семантический резонанс зна... 33.936 0.250 1.000 0.401 0.935 0.211 0.217 0.816 1.000 0.899
10.INF7 -частный критери* i: разн.усл.и бездел.вероятностей; ве... Семантический резонанс зна... 83.936 0.250 1.000 0.401 0.935 0.215 0.213 0.813 1.000 0.897
10. IN F7-частный критери* i: разн.усл.и безусл.вероятностей; ве... Сумма знаний >35.511 0.067 1.000 0.125 0.704 0.340 0.674 1.000 0.806
ч 1 1 »
---
С) Помощь по режимам: 4,1.3.6,4,1.3.7Г 4,1.3,8,4,1,3.10: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х-ь-"
Помощь по режимам: 4.1.3.6, 4.1.3.7, 4.1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в системе "эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации. ИДЕАЛЬНЫЙ ПРОГНОЗ.
если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом. РЕАЛЬНЫЙ ПРОГНОЗ.
на практике мы чаще всего сталкиваемся именно с этим видом прогноза, реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью. Теперь представите себе, что у 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 всех 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 1994 году, эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0, 1}: L1 = ( тр + tn - fp - fn ) / ( тр + tn + fp + fn ) (нормировка: {-1,+1})
l2 = (1+(tp + tn-fp-fn) / (tp + tn + fp + fn)) / 2 (нормировка: { 0, 1})
где количество: ТР - истино-положительных решений; TN - истино-отрицательных решений; FP - ложно-положительных решений; FN - ложно-отрицательных решений;
классическая f-мера достоверности моделей ван ризбергена (колонка выделена ярко-годубым фоном): F-mera = 2ft(PrecisionífRecall)/(Precisior>fllecall) Precisión = tp/(tp+fp) - точность модели; Recaí1 = tp/(tp+fn) - полнота модели;
Ll-мера проф.Е.в.луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым фоном):
Ll-mera = 2*(sprecision*SRecall)/(sprecision+SRecall)
SPrecision = 5TP/(STP+SFP) - точность с учетом сумм уровней сходства;
SRecall = 5TP/(STP+SFN) - полнота с учетом сумм уровней сходства;
STP - Сумма модулей сходства истино-положительных решении; 5TN - Сумма модулей сходства истино-отрицательных решений; SFP - Сумма модулей сходства ложно-положительных решений; 5FN - Сумма модулей сходства ложно-отрицательных решений.
L2-Mepa проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической F-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым фоном):
L2-mera = 24(APrecision*ARecall)/(APrec1sion+ARecall)
APrecision = АТР/(ATP+AFP) - точность с учетом средних уровней сходства;
ARecall = АТР/(atp+AFN) - полнота с учетом средних уровней сходства;
АТР=5ТР/ТР - Среднее модулей сходства истино-положительных решений; afn=sfn/fn - Среднее модулей сходства истино-отрицательных решений; afp=sfp/fp - среднее модулей сходства ложно-положительных решений; afn=sfn/fn - среднее модулей сходства ложно-отрицательных решений.
строки с максимальными значениями F-меры, Ll-меры и 1.2-меры выделены фоном цвета, соответствующего колонке.
Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе "эйдос" / Е.В. Луценко // политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал кубГАУ) [электронный ресурс]. - Краснодар: кубгду, 2017. - №02(126). с. 1 - 32. - ida [article id]: 1261702001. - режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у. п.л.
Рисунок 11. Данные о достоверности статистических моделей и моделей знаний системы Эйдос-Х++ в созданном интеллектуальном приложении
Для пояснения на рисунке 11 приведен Help данного режима: На рисунке 12 приведено Частотное распределение уровней сход-ства-различня объектов с классами в наиболее достоверной модели INF3:
f*) 4.L3.1L Част.распр.разностей ур.сх.; (TP-FP), (TN-FN) реш.в модели: 6. iNF3 инт.крит.-сумма знаний
Част.распр.разностей ур.сх.решений в модели: 6. INF3 инт.крит.-сумма знаний Приложение: "АСК-анализ в ветеринарии."
Разность количества положительных истинных и ложных решений (ТР-РР) при разных уровнях сходства Разность количества отрицательных истинных и ложных решений (ТМ-РМ) при разных уровнях сходства
Рисунок 12. Частотное распределение уровней сходства-различия объектов с классами в наиболее достоверной модели
Из этого рисунка видно, что:
- отрицательные решения (т.е. решения о непринадлежности объекта к классу) всегда истинные;
- положительные решения (т.е. решения о принадлежности объекта к классу) с уровнями сходства ниже 55% всегда ложные;
- положительные решения с уровнями сходства выше 55% всегда истинные.
При этом чем выше уровень сходства, тем выше вероятность истинной классификации. Все это вполне разумные результаты.
Шаг 2-й. Модель, показавшая наивысшую достоверность (см. рисунок 11) принимается текущей, для чего применяется режим 5.6 (рисунки 13 и 14):
В 5.6. Выбрать модель к сделать ее текущей
Задайте текущую слет.модепь или модели, знаний Статистические базьг
1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки С 2. RRC1 - частный критерий: усл. вероятность i-го признака среди признаков объектов ¡-го класса 3. PRC2 - частный критерий: условная вероятность i-го признака у объектов i-го класса Базы знаний:
Д. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 5. INF2 - частный критерий: количество знаний по А.Харкевич^; вероятности из PRC2
(5 liTIrVFJ'
Г 7. INF4 Г 3. INF5 Л 3. INFB
'устный критерий: Хи-квадроТ, размоете мн>жду лактичеокимн и ожидаемыми же.частотами
частный критерий: RCi (Return On Investment); вероятности из PRC1 частный критерий: RG! (Return On Investment); вероятности из PRC2 частный критерий: разн.усл.м безусл. вероятностей; вероятности из PRC1
10.INF7 - частный критерий: разн усл.и безусл.вероятностей; вероятности из PRC2
Как задавглъ параметры синтеза моделей
В качестве текущей можно задать ¡¡юбчю из ранее расчитанньл в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INF'i. Смысл моделей знаний, применяемых в системе 'Зйдос-Х++" раскрыт в публикациях; размещенных по адресам http:vVlc.kubagro.rii/aidos/index.htrin. http://vwiw t'A'irpx.ccm/Hle/793311/
Uk-
Cancel
Рисунок 13. Окно режима 5.6 задания в качестве текущей модели, показавшей наивысшую достоверность
t) 5.6. Выбрать модель и щелатв ее текущей ,
¡ЦЦ ш j
Стадии исполнения процесса
ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕ ПИ "INF3" СТАТУСА ТЕКУЩЕЙ МОДЕЛИ
1/7: Копирование в массивы итоговых строк и столбцов текущей модели - Готово
2/7: Перенос информации из текущей модели в базы классов:-' Classes' и Gr_CISc ■ Го tobo
3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_OpSc - Готово
4/7: Расчет значимости класс.и опис.шкал-Сброс су ммат оров - Гот обо
Б/7: Расчет значимости класс.и опис.шкал-Накопление данных-Готово
6/7: Расчет значимости класс.и опис.шкал-Порасчет - Готово
7/7: Запись информации о текущей модели - Готово
Выбор мидели знаний "INF3" а качестве текущей прошел успешно!!!
■ Прогноз времени исполнен.-^
Начало: 21:21:13
Окончание: 21:21:15
100 %,
Ok
Прошло: C:0U:02
Осталось: |](Ю:00
Рисунок 14. Окно отображения стадии исполнения режима 5.6, задания в качестве текущей модели, показавшей наивысшую достоверность
Шаг 3-й. Распознавание в наиболее достоверной модели проводится в режиме 4.1.2 (рисунок 15):
4.1.2. Пакетное распознавание, Текущая модель: Стадии исполнения процесса
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "1МРЗ"' 1/11: Распознавание (идентификация) 30-го объекта обучающей выборки из 30 - Готово 2/11: Исследование распределений уровней-сходства верно и ошиб идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Готово 4/11 ■ Создание подробной наглядной формы: "Объект-классы". Инг.крит.-корреляция - Готово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит-сумма инф - Готово 6/11' Создание итоговой наглядной формы: "Объект-класс". Инт.крит -корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма инф. - Готово 3/11' Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-корреляция - Готово 9/11: Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф - Готово 10/1"! Создание итоговой наглядной формы:"Класснзбъекты". Инт.крит.-корреляция - Готово 11/11: Создание итоговой наглядной формы: Тласс^объекты". Инт.крит.-сумма инф. - Г отово
"1^4' Щ I
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !
■ Прогноз времени исполнен.-^
Начало: 21:21:41 Окончание: 21:21:45
100 %,
Ok
Прошло: 0:0U:Ü3
Осталось: U:B0:Ü0
Рисунок 15. Окно отображения стадии исполнения режима 5.6, задания в качестве текущей модели, показавшей наивысшую достоверность
Результаты контрольного распознавания отображаются в режиме 4.1.3.1 (рисунки 16), а также в ряде других режимов:
t) 4.1.3.1. Визуализация результатов распоз .J.TI,™ .„„IC1 иении: "Объеет-классы". Текущая модель: "INF3"
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс зна ний"
1 Наим, объекта | Сад Наименование класса Схшетве:|ф... Сходство -
| ^П Панлейкопения (вирусныйэ... ■ " ЗАБОЛЕВАНИЕ-Панлейкопения (вирусный з нтерит) 96,48... V lllllll lllllll IIB
2 Пищевое отравление/гастр... 20 ЗАБОЛЕВАНИЕ -Отравление 58,17... iiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiii1i —
3 Волосяные пробки (безоар... 23 ЗАБОЛЕВАНИЕ-Почечная недостаточность 44,64... ■■■■■■■■■■III
4 КОЛИТ 13 ЗАБОЛЕВАНИЕ -Гинекологические проблемы 40.62... llllllllllllllllllllllllllllllllllllllll
5 Бешенство 22 ЗАБ ОЛЕВАНИЕ-Пищевое отрав ление/гастроэ нтерит 31,34... ■■■■■lllllll
е Респираторная вирусная ин... 27 ЗАБОЛЕВАНИЕ-Тепловой удар 29.80... .■■■■■■III
7 Герпес/ ринотрахеит 5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 25,41... ■■■■■а
8 ИнФекционая анемия (мало... 30 ЗАБОЛЕВАНИЕ-Урологический синдром / мочекаменная бол... 23.04... III lllllll
Э Вирусная лейкемия (белокр... 3 ЗАБ 0 Л Е В АН И Е -Б ешенство 22,92... ...................... ■
10 Инфекционный перитонит (... <1 1 Jj
11 Урологический синдром / м... Интегральный критерий сходства: "Сумма знаний
12 Почечная недостаточность . | Коя Наименование класса Сходство —
13 Сердечная недостаточность... ■ ЗАБОЛЕВАНИЕ-П ан лейкопения (вирусный э нтерит) 82.01... V llllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllllll
14 Тепловой удар 20 ЗАБОЛЕВАНИЕ -Отравление 49,64... ■■■■■■■■■■в
15 Рак 13 ЗАБОЛЕВАНИЕ -Гинекологические проблемы 33.45... ■■■■■lllllll
IG Н еправи льное питание 23 ЗАБОЛЕВАНИЕ-Почечная недостаточность 33;45... ■■■■■in«
17 Круглые глисты (аскариды)... 22 ЗАБОЛЕВАНИЕ-Пищевое отрав ление/гастроэ нтерит 22.66... ■■■ИИ
18 Ленточные глисты 27 ЗАБОЛЕВАНИЕ-Тепловой удар 22,66... III lllllll
19 Токсоплазмоз 3 ЗАБОЛЕВАНИЕ-Б ешенство 17,26... lllttl
20 Воспаление рта [стоматит) ... 5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие] 17.26... и
21 Воспаление слизистой обол... ! 30 ЗАБОЛЕВАНИЕ-Урологический синдром / мочекаменная бол... 17,26... ИЩИ Ж
- А с >
|| Помощь 9 классов | Классы с MaxMin УрСх j Э классс в с MaxMin УрСх | ВСЕ классы | ВКЛ. фильтр по класс.шкале ! | В ЫКЛ.фильтр п ¡Ж!«;,!, | | ||
■ "
[ G) 4.1.3.2, Визуализация результатов распознавания в отношении: "Класс- •обьектьГ, Текущая модель: "INF3". __
Классы Интегральный критерий сходства: "Семантический резонанс знаний"
1ИШ — 1 ш Наименование объекта Сходство % i
1 Ш ш Абсцесс (гнойник, нарыв] 95.55... V {■■■■■■■■■■■■■■■■■■■■■■а
2 ЗАБ 0 Л Е ВАН ИЕ-Б временность 26 Гематома (кровоизлияние) 56.29... ........................................................ —
3 ЗАБ 0 Л Е ВАН ИЕ-Б ешенство 23 Воспаление уха (отит) 55,81... ■иг ""■■"" t
4 ЗАБ 0 Л Е ВАН ИЕ -Б лохи; клещи; грибок 24 Блохи; клещи; грибок 32.16... ■■■■■ИИ
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белок... 4 Колиг 31,69... lllllll lllllll
6 ЗАБОЛЕВАНИЕ-Волосяные пробки (безоар... 21 25.54... lllllllllllllllllll
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболо... 28 Течка 24,59. lllllll
8 ЗАБОЛЕВАНИЕ-Воспаление рта (стоматит)... 7 Герпес/ ринотрахеит 16.55... ■■lllllll
9 ЗАБОЛЕВАНИЕ-Воспаление слизистой обо... 20 Воспаление рта (стоматит] 12,77... ............ -
10 ЗАБОЛЕВАНИЕ-Воспаление уха (отит) I в и
11 ЗАБОЛЕВАНИЕ -Гематома (кровоизлияние)... Интегральный критерий сходства: "Сумма знаний"
12 ЗАБОЛЕВАНИЕ-Герпес/ ринотрахеиг ! Щ Наименование объекта Сходство —
13 ЗАБОЛЕВАНИЕ -Гинекологические пробле... ■ < Абсцесс (гнойник, нарыв] 72.66... V
14 ЗАБОЛЕВАНИЕ-Инфекционая анемия (мал... 26 Гематома (кровоизлияние) 42,80... —
15 ЗАБОЛЕВАНИЕ-ИнФекционный перитонит... 23 Воспаление уха (отит) 42.44...
16 ЗАБОЛЕВАНИЕ-Колит 24 Блохи; клещи; грибок 24,46...
17 ЗАБОЛЕВАНИЕ-Круглые глисты (аскариды... 4 Колиг 24.10...
18 ЗАБОЛЕВАНИЕ-Л енточные глисты 21 Воспаление слизистой оболочки глаза.. 19,42... iiiiiii
19 ЗАБОЛЕВАНИЕ-Н еправильное питание ... 28 Течка 18.70... iiiiiiiiiiiii
20 ЗАБ 0 Л Е ВАН ИЕ-Отравление 7 Герпес/ ринотрахеит 12,58... Iiiiiiiiiiii
21 ЗАБОЛЕВАНИЕ-Панлейкопения (вирусный... д] 20 Воспаление рта (стоматит] 9.712... ■im -1
М I и «1 г
1 Помощь Поиск объекта | В начало БД | В конец БД | Тредыдущзя | Следующая | 9 записей | Все за писи | Печа TbXLG | Печать TXT | Печать ALL |
J
•Д1ДШ
4.1.3.3. Итоговая наглядная форма результатов распознавания: "Объект-класс". Текущая модель: 'ТЫРЗ"
Код !| Интегральный, критерий
¡^^ИСумма знаний
zn
н интегральных критериев
Части.крит. 7 моделей знаний | Инг.криг.: "Сумма знаний" | Инт.криг.: "Резонанс знаний" |
кад объекта распозн. Наименование объекта распознаваемой выборки ш класса сМД* с МАХ уровнем сходства уровень сходства ш класса с MIN с MIN уровнем сходства уровень сходств ДосгН вера нбсп
в.ыборкй-. J| | ур.сход. 1 ШЖ _
1 Панлейкопения (вирусныйэ... 21 ЗАБОЛЕВАНИЕ-Панлейкопения... £2.014 11 ЗАБОЛЕВАНИЕ-Гематома (кров... -36.691 59
2 Пищевое отравление/гастр... 22 ЗАБ 0 Л Е ВАН И Е -П ищевое отрав... 69.065 4 ЗАБОЛЕВАНИЕ-Блохи; клещи; г... -28.058 48
3 Волосяные пробки (безоар... 6 ЗАБОЛЕВАНИЕ-Волосяные про... 64.388 25 ЗАБОЛЕВАНИЕ-Респираторная... -21.942 43
4 Колит 16 ЗАБОЛЕВАНИЕ-Колит 72.662 24 ЗАБОЛЕВАНИЕ-Рак -67.626 7 С
5 Бешенство Э ЗАБОЛЕВАНИЕ-Бешенство 71.942 17 ЗАБОЛЕВАНИЕ-Круглые глисты... -35.971 53
В Респираторная вирусная ин... 25 ЗАБОЛЕВАНИЕ-Респираторная... 74.820 24 ЗАБОЛЕВАНИЕ-Рак -33.094 53
7 Герпес/ ринотрахеит 12 ЗАБ 0 Л Е ВАН И Е -Герпес/ ринотр.. 71.942 20 ЗАБ 0 Л Е ВАН И Е-Отравление -46.763 5?
8 ИнФекционая анемия (мало... 14 ЗАБ 0 Л Е ВАН И Е -И нФекционая а... 61.151 24 ЗАБОЛЕВАНИЕ-Рак -35.971 4S
9 Вирусная лейкемия (белокр... 5 ЗАБОЛЕВАНИЕ-Вирусная лейке... 65.103 1 ЗАБОЛЕВАНИЕ-Абсцесс (гнойн... -37.410 51
10 Инфекционный перитонит (... 15 ЗАБОЛЕВАНИЕ-Инфекционный... 69.784 16 ЗАБОЛЕВАНИЕ-Колит -32.734 51
11 Урологический синдром / м... 30 ЗАБ 0 Л Е ВАН И Е -У рологический... 71.583 24 ЗАБОЛЕВАНИЕ-Рак -47.122 53
12 Почечная недостаточность ... 23 ЗАБОЛЕВАНИЕ-Почечная недос... 71.583 24 ЗАБОЛЕВАНИЕ-Рак -30.935 51
13 Сердечная недостаточность... 26 ЗАБОЛЕВАНИЕ-Сердечная недо.. 75.899 21 ЗАБОЛЕВАНИЕ-Панлейкопения... -37.410 56
14 Тепловой удар 27 ЗАБОЛЕВАНИЕ-Тепловой удар ... 72.662 24 ЗАБОЛЕВАНИЕ-Рак -40.647 56
15 Рак 24 ЗАБОЛЕВАНИЕ-Рак 100.000 16 ЗАБОЛЕВАНИЕ-Колит -40.288 70
1С 1-1=™^ = ,,™.^= ПИГ.ЫИ. 1 q се. опс ж -
Б Л В конец БД ........ Следующая
Рисунок 16. Экранные формы по результатам идентификации
Красным цветом показаны ситуации, наступление которых прогнозируется, синим цветом - наступление которых не прогнозируется, при этом оценка достоверности прогноза дается величиной столбика гистограммы. «Птичками» отмечены верные прогнозы.
Из рисунка 11 и рисунков 16 видно, что в наиболее достоверной модели Г№3 все диагнозы однозначно идентифицируются своими описаниями, но с разной степенью обусловленности.
На пятом этапе решаются задачи диагностики, т.е. постановки диагноза по конкретной симптоматике, а также задача выработки рекомендаций.
Шаг 1-й. Подготовка и ввод данных для диагностики.
Есть два варианта подготовки и ввода в систему исходных данных для тестирования:
1. Ввод в Ехсе1-файл с абсолютно такой же структурой (даже с колонкой для классов, хотя она и не используется), как представленный в таблице 1, но с именем Inp_rasp.xls и информацией не о симптоматике заболеваний, а о тестируемых животных (рисунок 17). В этом случае для ввода данных в систему используется тот же самый программный интерфейс, что и для ввода обучающей выборки: режима 2.3.2.2, со всеми теми же самыми опциями, кроме одной: надо задать: «Генерация распознаваемой выборки (на основе 1пр_^р)» (рисунок 18).
2. Ввод данных непосредственно в систему в режиме 4.1.1 (рисунок 19).
ш лГ а £ 5 ш о о о.
ГС го О- 1< о
>■ и си о X ф 5 ф с Ь о. £ 1 1! х 0 с 1
Объект Заболевание 1 со о. о о с о. го X о. о (О го Кровь в кале Отсутствие аппетите Чрезмерная жажда ф о 0) О X с; го О. 0 1 Ф X |Слюнотечение Кашель и чихание си о. § I го ш т с Выделения из глаз Выделения из ушей Выделения из носа Анальные выделени с; ф ч ф X с; х ф Обезвоживание Потеря веса |Бледность десен Затредненное дыхан Потеря сознания Паралич Внезапная смерть го о 3 4 го о. о 5 с; а ф с ф го X I ф * I о с Вздутие живота Вздутие под кожей Раздражение кожи 1 1 о ф X ф * о. о с Потеря шерсти с; о ю го X со о; Хромота о с ф 0 1 с; го Е О. О X ф X о 3 X ф X ь £ ё
Панлейкопения
Мурка (вирусный энтерит) # # # # # # # # # # # # # # # # # #
Респираторная
Барсик вирусная инфекция # # # # # # # # # #
Пушок Тепловой удар # # # # # # # # #
Котя Блохи; клещи; грибок # # # # # # # # # # #
Рисунок 17. Ехсе1-файл с распознаваемой выборкой
В нашем примере Ехсе1-файл распознаваемой выборки получен из файла исходных данных, приведенного в таблице 2, путем удаления строк (клички животных условны).
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_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходные данных: "lnp_data'
■ MS Excel-2003 Г XLSK;MS Excel-2007(2010) Г DBF -DBASE IV [DEiF/NTX) Стандарт D В F-Файлз
CSV -iComma-Separafed Values Стандарт CSV-файла
H ули н пробелы считать 0 T СУ Т СТ В И Е М данных (В Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г" Создавать БД средник по классам "!пр_ davi.dfcf1'^ Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал:
Конечный столбец описательных шкал:
36
Задайте режим1
С Формализации предметной области (на основе "Inp da'a") Генерации распознаваемой выборки |ва основе "1пр_ rasp."j.
Задайте способ выбора размера интервалов:
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "1пр_йа!а": » Не применять сценарный метод АЕК-анализа Применить сценарный метод АСК^анализа
Г Применить спец.интерпретацию текстовых полей классов Г Применить спец.интерпретацию текстовых полей признаков
Параметры интерпретации значений текстовых полей "1пр_<1а1а":
Интерпретация ТХТ-полей классов
Значения полей текстовых классификационных шкал Файла исходных данных 'llrip_data1' рассматриваются как целое
Интерпретация ТХТ-полей признаков
Значения полей текст овых описательных шкал Файла
исходных данных ''hp data1' рассматриваются как целое
Какие наименования ГРАДАЦИЙ числозых [икал использовать:
(•■ Т о пько интервальные числовые значения (например
С Только наименования интервальных числовых значеннй (например
Г И интервальные числовые значения, и их наименования (например
"1 /3-{59873. 0000000, 178545. ЬБВВББ7}''] "Минимальное")
"Минимальное: 1/3459873.0000000,17S545.GGGGGG7}"
uk
Cancel
2.3.2.2. Процесс импорта данных из внешней Б£. Inp_rasp" в систему "ЭЙДОС-Х++"
Стадии исполнения процесса
1/2: Генерация распознаваемой выборки и базы событий "ЕуегйзКРГ на основе БД "1пр_газр" - Готово 2/2: Переиндексация всех баз данных распознаваемой выборки - Готово
ПРОЦЕСС ГЕНЕРАЦИИ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕН УСПЕШНО!!!
Прогноз времени исполнения
Начало: 21:33:48 Окончание: 21:33:43
100%
Ok
Прошло: 0:00:00
Осталось: 0:00:00
Рисунок 18. Вид первого окна программного интерфейса системы Эйдос-Х++ с вешней базой данных 2.3.2.2 с параметрами для ввода распознаваемой выборки
При вводе распознаваемой выборки используются ранее созданные
классификационные и описательные шкалы и градации._
4.1,1. Ручной
э распознаваемой выборки (режим сисадмина). Текущая модель: "ИМРЗ"
Код объекта [ Наименование объекта Время
. Мурка
2 Барсик
3 Пушок
4 Котя
*
1 Код объекта Класс 1 Класс 2 Класс: 3 Класс 4 Л II Код объекта Признак 1 Признак'2 Признак 3 Признак 1- I Признак 5 Признак 6 Признак' 7 ]
21 О 0 0 н 1 2 4 6 7 10 12 1Н
1 16 17 20 21 23 25 20
1 Щ 32 34 36 ¡Щ 40 41
1 44 46 48 43 51 53 55
1 Ш 60 61 64 £6 67 0
Скопировать расп.выб.в обуч.
Добавить объект
Добавить признаки
Удалить объект
Удалить классы
Удалить признаки
Рисунок 19. Экранная форма ручного ввода-корректировки распознаваемой выборки (вид режима администратора)
Шаг 2-й. Постановка диагноза.
По окончании ввода распознаваемой выборки в режиме 4.1.2 системы Эйдос-Х++ проводится само тестирование (распознавание, идентификация) респондентов. На рисунке 20 приведена экранная форма отображения стадии процесса тестирования после его окончания:_
4.1.2. Пакетное распознавание. Текущая модель: "!МРИ
Рисунок 20. Экранная форма отображения стадии исполнения процесса идентификации объектов распознаваемой выборки
Шаг 3-й. Отображение результатов диагностики и выработка рекомендаций по лечению.
Как видно из рисунка 20 в результате тестирования создается большое количество различных выходных форм, всесторонне с различной степенью детализации отражающих его результаты и позволяющих провести глубокий анализ этих результатов. В данной статье мы не ставим перед собой это задачи и ограничимся двумя формами:
- отображающей сходство клинической картины конкретного пациента с обобщенными нозологическими образами (рисунок 21);
- отображающей сходство клинической картины различных пациентов с заданным нозологическим образом (рисунок 22).
^ {*) 4.1.3.1. Визуализация результатов распознавания в отношении: 'Объект-классы'. Текущая модель: "1^3" ж [дЬи
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"
' Код Наименование класса Сходство *
Ш Мурка ■ & ЗАБОЛЕВАНИЕ-Панлейкопения (вирусныйэнтерит) 100,00... V
2 Барсик 20 ЗАБОЛЕВАНИЕ-Отравление 60,29...
1 Пушок ¡23 ЗАБОЛЕВАНИЕ-Почечная недостаточность 46,26...
4 Котя 13 ЗАБОЛЕВАНИЕ-Гинекологические проблемы 42,10...
22 ЗАБ 0 Л Е В АН И Е -П ищевое отравление/гастроэ нтерит 32,48...
27 ЗАБОЛЕВАНИЕ-Тепловой уаар 30,88... шмшмши
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 26,33... ниши
;зо ЗАБОЛЕВАНИЕ-Урологический синдром / мочекаменная бол... 23,87... .......................
3 ЗАБ 0 Л Е В АН И Е -Б ешенство 23,76... .......................
- ■ •I
Интегральный критерий сходства: "Сумма знаний
Вод Наименование класса Сходство Сходство
■ : ЗАБОЛЕВАНИЕ-Панлейкопения (вирусныйэнтерит) 100,00... V
'20 ЗАБОЛЕВАНИЕ -Отравление 60,52...
13 ЗАБОЛЕВАНИЕ-Гинекологические проблемы 40,78..:
23 ЗАБОЛЕВАНИЕ-Почечная недостаточность 40,78...
22 ЗАБ ОЛЕВАНИЕ-Пищевое отравление/гастроэ нтерит 27,63...
27 ЗАБОЛЕВАНИЕ-Тепловой удар 27,63...
3 ЗАБОЛЕВАНИЕ-Б ешенство 21,05...
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 21,05...
30 ЗАБОЛЕВАНИЕ-Урологический синдром / мочекаменная бол 21,05... -
III <1 1 "1 : >1 г <| г_ >
■ |
1 П омощь | Э классов | Классы с МахМЬ УрСх | Эклассс в с Мэ:-:Мп УрСк | ВСЕ классы | ВКЛ. фильтр по класс.шкале ! | ВЫКЛ.фильтр п
1»-II
[ Д.1.3.1. Визуализация результатов рлсппзнлвдния я отношении: "Ойъект-к'лдггы11. Теиуп^ля модель: "1МПИ 1 а ®
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс знаний"
11 Ри | Наимобьекта 1" 1 Наименование класса Сходство *
1 Мурка ... | - Я5 ЗАБОЛЕВАНИЕ-Респираторная вирусная инфекция 99,16... V
2 Барсик 23 ЗАБОЛЕВАНИЕ-Токсоплазмоз 63,83...
9 Пушок 12 ЗАБ ОЛЕВАНИЕ -Герпес/ ринотрахеит 58,41... -
4 Котя 3 ЗАБОЛЕВАНИЕ-Воспаление рта (стоматит] 29,90...
'1.8 ЗАБОЛЕВАНИЕ-Ленточные глисты 26,25...
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболочки глаз (кератит) ... 24,81...
15 ЗАБОЛЕВАНИЕ-Инфекционный перитонит (ФИП] 21,94...
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 15,36...
3 ЗАБОЛЕВАНИЕ-Воспаление слизистой оболочки глаза (конь... 7.453...
| 1— >1
йкг^грайвпы'й.рригерийскшег9а:''.!Сумма знаний"
1 Кзд Наименование класса Сходство Сходство -
25 ЗАБОЛЕВАНИЕ-Респираторная вирусная инфекция 91,22... у
ЗАБОЛЕВАНИЕ-Герпес/ ринотрахеит 51,75...
ш ЗАБОЛЕВАНИЕ-Токсоплазмоз 45,17..:
8 ЗАБОЛЕВАНИЕ-Воспаление рта (стоматит] 25,43...
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболочки глаз (кератит) ... 18,85... —
15 ЗАБОЛЕВАНИЕ-Инфекционный перитонит (ФИП] 18,85...
1Й ЗАБОЛЕВАНИЕ-Ленточные глисты 18,85...
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 12,28... —
9 ЗАБОЛЕВАНИЕ-Воспаление слизистой оболочки глаза (конь.. 5,701... Ш
<1 I Т > Г
I
11-—-=-,-Н
4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-классы". Текушая модель: 1 1 1 ^
Распознаваемые объекты Интегральный критерий с.сдства: Хемзкг.г есгий резонанс знаний'
11 . ¡ё Наим. объекта — К.ОД Наименование класса Сходство | Сходство -
1 Мурка Ш Ж 0 Л Е ВАН И Е -Т опловой snap v
z Барсик .-да ЗАБОЛЕВАНИЕ-Урологический синдром / мочекаменная боя.. 33.33...
э Пушок 5 ЗАБ 0 Л Е ВАН ЙЕ -Б ешенство 33,16...
4 Котя 14 ЗАЕОЛЕВАНИЕ-Инфекционая анемия (малокровие]
2 ЗАБ 0 Л Е ВАН И Е -Б временность
21 ЗАБ 0 0 Е ВАН И Е -П анлейко'пыия [вирусный знтер^гт) 16,22...
ш ЗАБ 0 Л Е ВАН И Е -Отравление 16,16...
■29 ЗАБ 0 0 Е ВАН И Е -Т оксоплазмоз Й63';.:
28 ЗАБОЛЕВАНИЕ-Течка 12,78... т
<l I "
Интегральный критерий сходства: "Сумказнаний"
Наименование Класса Сходство | Сходство -
Ш .ЗАБ 0 fl Е ВАН И Е -Т епловой удар 88,53... v тшшшшшшшшштпшшшшшвшшаш
-3 ЗАБ 0Л Е ВАН И Е -Б ешенство 29,36...
30 ЗАБО Л Е ВАН ИЕ-Урологический синдром ¿мочекаменная йал : 29,38...
2 ЗАБ 0 0 Е ВАН И Е -Б временность ШШ-
14 ЗАБОЛЕВАНИЕ-ИнФекционая анемия (малокровие) 16,22...
20 ЗАБ 0 0 Е ВАН И Е -Отравление 16,22...
21' ЗАБ 0 Л Е ВАН И Е -П анлойкопения [вирусный знтерит| 16,22...
ш ЗАБООЕБАНИЕ-Течка 9,648... кии
..29 ЗАБ 0 Л Е ВАН И Е -Т окслплазйоз 9,649... в
■ «1 Г <
Помощь Э классов | Классы с MaxMin УрСх | Э классов с MaxMin УрСх | ВСЕ классы | ВКЛ. Фильтр по класс.шкале В ЫКЛ. Фильтр по класс, шкале | Граф.диаграмма |
41.il. Визуализация результатов распознавания в отношении: "Объект-классы'. Тегущэч модель: "1(^3"
Распознаваемые огтьекты Интегральный критерий сходства: "Семантический резонанс знаний"
| ^,'сд :| Наим о&ьекта Щ I Наименование класса Сходство Сходство —
1 Мурка 4 ■ЗАБОЛЕВАНИЕ-Блохи; клещй; грибок ШШ;; V lllllilllilllilllilllilllilllilllilllilllilllilllilllilllilllilllilll«
2 Барсик 10 ЗАБ0 Л Е ВАН И Е -Л енгочные глисты 59,62...
3 Пушок 8 ЛАБОЛЕВАНИЕ-Воспаление слизистой>сЙолочки глаза (конь 56,®.:
4 КОТЯ: 10 ЗАБ 0 Л Е ВАН И Е.-В осп^ленйе ущ (Отит) Й;57:.,
19 ЗАБОЛЕВАНИЕ-Неправильное питание 36,23...
1 ЗАБОЛЕВАНИЕ-Абёд^ос (гнойник, нарыв] 33,33...
11 ЗАБ 0 Л Е ВАН И Е -Гематома (кровоизлияние) 27,04:.:
■28 ЗАБ 0 Л Е ВАН И Е -Т оксоплазмоз 23,55...
29 ЗАБОЛЕВАНИЕ-Течка 22,07...
И
Интегральный критерий сходства: "Суммазнаний"
Код | Наименование Класса Сходство И- Сходство
4 ЗАБОЛЕВАНИЕ-Блохи; клещй; грибок 02,45.. V" itiilliiiiitiiiilliiiitilll
В МБОЛЕВАНИЕ-В.оспалёние^олизгйётрй.оболочки глаза (кони* 42,98...
8 ЗАБ ОЛЕВАНИЕ-Ленгочные глисты 42,98...
10 ЗАЕ0ЛЕВАН И Е.-Воспаление дга (отит) ЗЕ/40
1 ЗАБ 0 Л Е ВАН И Е -Абсцесс [гнойник, нарыв) 29,82...
19 ЗАБОЛЕВАНИЕ-Неправильное питание 29,92...
11 ЗАБ 0 Л Е ВАН И Е ^Гематома (кровоизлияние) 23,24...
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболочки глаз.(кератит) ... 16,66...
28 ЗАБОЛЕВАНИЕ-Течка t6;66;,:
Г1 <
Помощь 9 классов | Классы с МахМ1п УрСх | 9 классов с МахМ1п УрСх | ВСЕ классы | ВКЛ. Фильтр по класс, шкале В ЫКЛ. Фильтр по класс, шкале | Граф.диаграмма
LI-!J
Рисунок 21. Экранная форма с результатами диагностики пациентов: «Мурка», «Барсик», «Пушок» и «Котя» (симптоматика из обучающей выборки)
4.1.3.2. Визуализация результатов распознавания в отношении: "Класс-объекты". Текущая модель; "ШРИ"
Классы . Интегральный критерий сходства: "Семантический резонанс знаний"
ЗАБОЛЕВДНИЕ-Абсцесс (гнойник, нарыв) ... - Котя —
2 ЗАБ □ Л Е ВАНИЕ-Б еременнооть 2 Еаренк -24,7В... -о
3 ЗАБ □ Л Е ВАНИЕ-Б ешенство 1 Мурка -ЗОЙ... ■ШИШИ
4 ЗАБОЛЕВАНИЕ-Блохи; клещи; грибок щ П'У1ШК- -35,83 ИШЩ
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белок...
ЗАБОЛЕВАНИЕ-Волосяные пробки (безоар...
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболо...
8 ЗАБОЛЕВАНИЕ-Воспаление рта (стоматит)...
9 ЗАБОЛЕВАНИЕ-Воспаление слизистой обо.. г
10 ЗАБ □ Л Е ВАНИЕ -В оспаление уха (отит) — <|
Ш ЗАБ □ Л Е ВАНИЕ -Гематома (кровоизлияние)... Нейтральный критерии сходства: '.'Е^ма.знаний1
1? ЗАБОЛЕВАЙ И Е-Герпес/ ринотрахеит ! Ко» Наименование объекта СлПДГТБи Ф.. | Сходство *
Я ЗАБ 0 Л Е ВАН И Е -Гинекологические пробле... ■ Котя 32,45... щ —
щ ЗАБОЛЕВАЙ И Е-Инфекционая анемия (мал... ■Й -20,61
15 ЗАБОЛЕВАНИЕ-Инфекционный перитонит... 1 Мурка -24,93...
16 ЗАБОЛЕВАНИЕ-Колит 3 Пушок -28.82...
Ц ЗАБОЛЕВАЙ И Е-Круглые глисты (аскариды...
18 ЗАБ 0 Л Е ВАНИЕ -Ленточные глисты
19 ЗАБОЛЕВАНИЕ-Неправильное питание
20 ЗАБ 0 Л Е ВАНИЕ-Отравление
21 ЗАБОЛЕВАНИЕ-Панлейкопения (вирусный... - г
•1 Г <1
Помощь Поиск объекта В начало БД Б конец БД Предыдущая Следующая 9 записей Все записи Печать ХЬБ Печать ТХТ Печать АН
Рисунок 22. Экранная форма, отображающая сходство клинической картины различных пациентов с заданным нозологическим образом:
«Беременность»
Данные, приведенные на рисунке 21 необходимы для индивидуальной консультации врача по лечению конкретных пациентов. Однако если пациентов много, то имеет смысл сделать их группировку по предполагаемому диагнозу и провести лечение по группам, т.к. для пациентов каждой групп рекомендации будут сходными (рисунок 22).
Шаг 4-й. Выработка рекомендаций по лечению осуществляется врачом- ветеринаром на основе своего опыта и профессиональной компетенции в соответствии с действующими в данной предметной области медицинскими стандартами.
В этой связи необходимо сделать три взаимосвязанных замечания.
1. Совершенно ясно, что интеллектуальная система, хотя и может создавать такое впечатление, что она принимает решение, но поскольку сама система не является субъектом гражданского и уголовного права, т.е. не является гражданином, то необходимо выражаться аккуратнее и говорить, что система не принимает решения, а лишь поддерживает принятие решений, т.е. облегчает их для человека путем создания более комфортной информационной среды для принятия решений человеком. Понятно, что и юридическая ответственность за принимаемые решения может распространятся только на человека.
2. Система не принимает решения, а лишь консультирует специалиста. Статус интеллектуальной системы - именно статус консультанта.
3. Но даже для придания системе статуса консультанта необходимо провести специальное юридически оформленное и имеющее соответствующие полномочия исследование того, в какой степени рекомендуемые системой решения лучше тех, которые бы принимались без системы экспертами неформализуемым путем на основе собственной интуиции и профессиональной компетенции. И если система создает преимущества в степени адекватности и других аспектов качества решений, то ей может быть официально придан статус консультирующей, после чего является корректным ее применение для тех целей, для которых она предназначена.
Понятно, что ворованные зарубежные разработки, нелокализованные и неадаптированные для России и предназначенные не для тех целей, для которых они фактически применяются в России, применяются совершенно некорректно и это вообще является профанацией всего этого научно-практического направления.
На шестом этапе осуществляется исследование предметной области путем исследования ее моделей. Исследование моделей предметной области можно корректно считать исследованием самой предметной области только в том случае, если модели достаточно достоверны. В нашем случае это именно так (см. рисунки 11, 12).
На этом этапе может быть (в частности) исследована:
1. Значимость симптомов для диагностики, т.е. ценность их для дифференциации пациентов по диагнозам.
2. Характерность симптомов для тех или иных заболеваний (информационные портреты SWOT-диаграммы классов-диагнозов).
3. Диагностический смысл симптомов, т.е. их смысловая характеристика или количество информации в симптомах о заболеваниях (информационные портреты и SWOT-анализ признаков).
4. Сходство-различие нозологических образов друг с другом по их симптоматике (кластерно-конструктивный анализ классов).
5. Сходство-различие симптомов по их диагностическому смыслу (кластерно-конструктивный анализ симптомов). Выявление синдромов (устойчивых комплексов симптомов, как правило встречающихся вместе и имеющих сходный диагностический смысл).
6. Нелокальные нейроны и нейронные сети.
7. Содержательное сравнение классов друг с другом.
8. Содержательное сравнение симптомов друг с другом.
9. Интегральные когнитивные карты.
10. Когнитивные функции.
Кратко рассмотрим эти возможности исследования предметной области путем исследования ее наиболее достоверной модели INF3.
Шаг 1-й. Значимость симптомов для диагностики, т.е. ценность их для дифференциации по диагнозам.
Значимость или ценность симптома для диагностики тем выше, чем выше вариабельность количества информации в нем о принадлежности и непринадлежности пациента с этим симптомом к каждому из заболеваний. Вся эта информация представлена в таблице 10 и на рисунке 23.
Таблица 10 - Ценность симптомов для диагностики
в системно-когнитивной модели
№ Код симптома Наименование симптома Код Шкалы Значимость (%)
1 1 РВОТА- 1 1,7001259
2 2 РВОТА-# 1 1,7001259
3 33 ПОТЕРЯ ВЕСА- 17 1,7001259
4 34 ПОТЕРЯ ВЕСА-# 17 1,7001259
5 57 ПОТЕРЯ ШЕРСТИ- 29 1,7001259
6 58 ПОТЕРЯ ШЕРСТИ-# 29 1,7001259
7 59 ЯВНАЯ БОЛЬ- 30 1,7001259
8 60 ЯВНАЯ БОЛЬ-# 30 1,7001259
9 67 ОТСУТСТВИЕ ЯВНЫХ СИМПТОМОВ- 34 1,7001259
10 68 ОТСУТСТВИЕ ЯВНЫХ СИМПТОМОВ-# 34 1,7001259
11 63 НЕНОРМАЛЬНОЕ ПОВЕДЕНИЕ- 32 1,6963438
12 64 НЕНОРМАЛЬНОЕ ПОВЕДЕНИЕ-# 32 1,6963438
13 3 ДИАРЕЯ(ПОНОС)- 2 1,6849458
14 4 ДИАРЕЯ(ПОНОС)-# 2 1,6849458
15 37 ЗАТРЕДНЕННОЕ ДЫХАНИЕ- 19 1,6657765
16 38 ЗАТРЕДНЕННОЕ ДЫХАНИЕ-# 19 1,6657765
17 49 ВЗДУТИЕ ЖИВОТА- 25 1,6657765
18 50 ВЗДУТИЕ ЖИВОТА-# 25 1,6657765
19 17 КАШЕЛЬ И ЧИХАНИЕ- 9 1,6385623
20 18 КАШЕЛЬ И ЧИХАНИЕ-# 9 1,6385623
21 19 ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА- 10 1,6385623
22 20 ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА-# 10 1,6385623
23 35 БЛЕДНОСТЬ ДЕСЕН- 18 1,6385623
24 36 БЛЕДНОСТЬ ДЕСЕН-# 18 1,6385623
25 45 ЛИХОРАДКА(ВЫСОКАЯ ТЕМПЕРАТУРА)- 23 1,6385623
26 46 ЛИХОРАДКА(ВЫСОКАЯ ТЕМПЕРАТУРА)-# 23 1,6385623
27 47 ПОНИЖЕННАЯ ТЕМПЕРАТУРА- 24 1,6385623
28 48 ПОНИЖЕННАЯ ТЕМПЕРАТУРА-# 24 1,6385623
29 11 ЧРЕЗМЕРНАЯ ЖАЖДА- 6 1,6028941
30 12 ЧРЕЗМЕРНАЯ ЖАЖДА-# 6 1,6028941
31 15 СЛЮНОТЕЧЕНИЕ- 8 1,6028941
32 16 СЛЮНОТЕЧЕНИЕМ 8 1,6028941
33 53 РАЗДРАЖЕНИЕ КОЖИ- 27 1,6028941
34 54 РАЗДРАЖЕНИЕ КОЖИ-# 27 1,6028941
35 39 ПОТЕРЯ СОЗНАНИЯ- 20 1,5581912
36 40 ПОТЕРЯ СОЗНАНИЯ-# 20 1,5581912
37 55 ПОРАЖЕНИЕ КОЖИ/СЛИЗИСТЫХ/РОГОВИЦЫ- 28 1,5036478
38 56 ПОРАЖЕНИЕ КОЖИ/СЛИЗИСТЫХ/РОГОВИЦЫ-# 28 1,5036478
39 5 ЗАПОР- 3 1,4381454
40 6 ЗАПОР-# 3 1,4381454
41 9 ОТСУТСТВИЕ АППЕТИТА- 5 1,4381454
42 10 ОТСУТСТВИЕ АППЕТИТА-# 5 1,4381454
43 31 ОБЕЗВОЖИВАНИЕ- 16 1,4381454
44 32 ОБЕЗВОЖИВАНИЕМ 16 1,4381454
45 43 ВНЕЗАПНАЯ СМЕРТЬ- 22 1,4381454
46 44 ВНЕЗАПНАЯ СМЕРТЬ-# 22 1,4381454
47 21 ВЫДЕЛЕНИЯ ИЗ ГЛАЗ- 11 1,3601008
48 22 ВЫДЕЛЕНИЯ ИЗ ГЛАЗ-# 11 1,3601008
49 51 ВЗДУТИЕ ПОД КОЖЕЙ- 26 1,3601008
50 52 ВЗДУТИЕ ПОД КОЖЕЙ-# 26 1,3601008
51 65 ШОК- 33 1,3601008
52 66 ШОК-# 33 1,3601008
53 23 ВЫДЕЛЕНИЯ ИЗ УШЕЙ- 12 1,2671990
54 24 ВЫДЕЛЕНИЯ ИЗ УШЕЙ-# 12 1,2671990
55 29 ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ- 15 1,2671990
56 30 ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ-# 15 1,2671990
57 25 ВЫДЕЛЕНИЯ ИЗ НОСА- 13 1,1558634
58 26 ВЫДЕЛЕНИЯ ИЗ НОСА-# 13 1,1558634
59 41 ПАРАЛИЧ- 21 1,1558634
60 42 ПАРАЛИЧ-# 21 1,1558634
61 61 ХРОМОТА- 31 1,1558634
62 62 ХРОМОТА-# 31 1,1558634
63 13 НЕНОРМАЛЬНОЕ МОЧЕИСПУСКАНИЕ- 7 1,0200756
64 14 НЕНОРМАЛЬНОЕ МОЧЕИСПУСКАНИЕМ 7 1,0200756
65 27 АНАЛЬНЫЕ ВЫДЕЛЕНИЯ- 14 1,0200756
66 28 АНАЛЬНЫЕ ВЫДЕЛЕНИЯ-# 14 1,0200756
67 7 КРОВЬ В КАЛЕ- 4 0,8481717
68 8 КРОВЬ В КАЛЕ-# 4 0,8481717
Из таблицы 10 видно, что симптомы имеют различную значимость, т.е. ценность, для диагностики. На рисунке 23 приведена Ценность симптомов для диагностики «нарастающим итогом» в системно-когнитивной модели Г№Р4:
3.7.5. Значимость градаций
в I ^
ПАРЕТТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "INF4"
Градации
Значимость градации описательной шкалы [ее числового интервального или номинального текстового значения), т.е. признака, представляет ее полезность для решения задачи разделения объектов с этим признаком ло классам. Количественной мерой значимости признака в системе "Эйдос-Х++'' является БАРИАБЕЛЬНОСТЪ ЗНАЧН1ИЙ частных критериев, основатных на этом признаке, по классам а статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi. Inf?. rf.T InfS, lnf6, 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:V\IDOS-X\AlD_DATAV\OßßQWM\SYST£M\\ParetoG(OpSc\PaTeLoGTOpSc-INF4.binp
Рисунок 23. Ценность симптомов для диагностики «нарастающим итогом» в системно-когнитивной модели
Из рисунка 23 видно, что 50% наиболее значимых симптомов обеспечивают около 83% суммарной ценности системы всех симптомов, а 50% суммарной ценности обеспечивают менее 20% наиболее ценных симптомов.
Ценностью диагностической шкалы будем считать среднее значимо-стей ее градаций (таблица 11):
Таблица 11 - Ценность описательных шкал для диагностики в системно-когнитивной модели ШЕ3_
№ Код шкалы Наименование шкалы Значимость (%)
1 1 РВОТА 3,4002517
2 17 ПОТЕРЯ ВЕСА 3,4002517
3 29 ПОТЕРЯ ШЕРСТИ 3,4002517
4 30 ЯВНАЯ БОЛЬ 3,4002517
5 34 ОТСУТСТВИЕ ЯВНЫХ СИМПТОМОВ 3,4002517
6 32 НЕНОРМАЛЬНОЕ ПОВЕДЕНИЕ 3,3926876
7 2 ДИАРЕЯ(ПОНОС) 3,3698917
8 19 ЗАТРУДНЕННОЕ ДЫХАНИЕ 3,3315530
9 25 ВЗДУТИЕ ЖИВОТА 3,3315530
10 9 КАШЕЛЬ И ЧИХАНИЕ 3,2771246
11 10 ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА 3,2771246
12 18 БЛЕДНОСТЬ ДЕСЕН 3,2771246
13 23 ЛИХОРАДКА(ВЫСОКАЯ ТЕМПЕРАТУРА) 3,2771246
14 24 ПОНИЖЕННАЯ ТЕМПЕРАТУРА 3,2771246
15 6 ЧРЕЗМЕРНАЯ ЖАЖДА 3,2057882
16 8 СЛЮНОТЕЧЕНИЕ 3,2057882
17 27 РАЗДРАЖЕНИЕ КОЖИ 3,2057882
18 20 ПОТЕРЯ СОЗНАНИЯ 3,1163823
19 28 ПОРАЖЕНИЕ КОЖИ/СЛИЗИСТЫХ/РОГОВИЦЫ 3,0072956
20 3 ЗАПОР 2,8762909
21 5 ОТСУТСТВИЕ АППЕТИТА 2,8762909
22 16 ОБЕЗВОЖИВАНИЕ 2,8762909
23 22 ВНЕЗАПНАЯ СМЕРТЬ 2,8762909
24 11 ВЫДЕЛЕНИЯ ИЗ ГЛАЗ 2,7202015
25 26 ВЗДУТИЕ ПОД КОЖЕЙ 2,7202015
26 33 ШОК 2,7202015
27 12 ВЫДЕЛЕНИЯ ИЗ УШЕЙ 2,5343980
28 15 ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ 2,5343980
29 13 ВЫДЕЛЕНИЯ ИЗ НОСА 2,3117267
30 21 ПАРАЛИЧ 2,3117267
31 31 ХРОМОТА 2,3117267
32 7 НЕНОРМАЛЬНОЕ МОЧЕИСПУСКАНИЕ 2,0401513
33 14 АНАЛЬНЫЕ ВЫДЕЛЕНИЯ 2,0401513
34 4 КРОВЬ В КАЛЕ 1,6963435
Из таблицы 11 видно, что ценность диагностических шкал отличается примерно в 2 раза.
Шаг 2-й. Характерность симптомов для тех или иных заболеваний (информационные портреты SWOT-диаграммы классов-диагнозов).
Информационный портрет класса - это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее - факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам. Пример информационного портрета и SWOT-диаграммы класса (нозологического образа) «Беременность» в модели Inf3 (Хи-квадрат) приведен на рисунке 24:
4.2,1. Информационные портреты классов
Ц§ 'lä Г
Инф.портрет класса: 2 "ЗАБОЛЕВАНИЕ-Беременность" в модели: 6 "INF3"
1 щ Наименование класса *
1 ЗаБ 0 Л Е Е!ДН ИЕ -Дбсце-с (гнойник нарыв)
г ЗАБОЛЕВАНИЕ-Беременность
3. ЗАБ 0 Л Е ВАН ИЕ-Б ешенсгво
4 ЗАБОЛЕБАНИЕ-Бяоки. кпеши: грибок
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокров...
6 ЗАБОЛЕБАНИЕ-Волосяные пробки (безоары) ...
7 ЗАБОЛЕВАНИЕ-Воспаление роговой оболочки...
8 ЗАБОЛЕБАНИЕ-Боспаление рта (стоматит)
9 ЗАБ 0 Л Е ВАН ИЕ -В оспаление сгийисгой оболоч..
10 ЗАБОЛЕВАНИЕ-Воспаление ука (отит)
п ЗАБОЛЕ-ВАНИЕ-Гемагома (кровоизлияние)
12 ЗАБОЛЕБАНИЕ-Еерпес/ ринотранеиг
13 ЗАБОЛЕВАНИЕ-Еинекодогинеские проблемы
14 ЗАБОЛЕВАНИЕ-ИнФекционая анемия (Мйнтжр
15 ЗАБОЛЕВАНИЕ-ИнФекционный перитонит (ФИ .
16 ЗАБОЛЕВАНИЕ-Кояит
17 ЗАБ 0 Л Е ВАН ИЕ -Круглыег-лй'сг'ы (аскар>чць1[.
18 ЗАБОЛЕБАНИЕ-Ленточные глисты
13 ЗАБОЛЕВАНИЕ-Неправильное питание
20 ЗАБ □ Л Е ВАН ИЕ-Отравление
Ш ЗАВ СГЛ Е ВАН ИЕ -П анлейкопения (вирусный з кг ..
22 ЗАБ0 Л ЕБАНИЕ-Пиш.евое огравление/гасгро?н...
■23 ЗАБОЛЕВАНИЕ-Поче.чная.нещостшшнасть.. . ... ■L
<1
Кед Наименование признака Значимость 1
TS ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА- 0.633
ДИАРЕЯ(П0Н0С)-в 0.567
2 РВОТА-в 0.500
17 КАШЕЛЬ И ЧИХАНИЕ- 0.367
11 ЧРЕЗМЕРНАЯ ЖАЖДАВ 0.333
15 СЛЮНОТЕЧЕНИЕ- 0.333
5 ЗАПОР- о.гзз
10 ОТСУТСТВИЕ АППЕТИТА-» 0.233
21 ВЫДЕЛЕНИЯ ИЗ ГЛАЗ- 0.200
23 ВЫДЕЛЕНИЯ ИЗ УШЕЙ- 0.167
13 НЕНОРМАЛЬНОЕ МОЧЕИСПУСКАНИЕ- 0.100
7 КРОВЬ В КАЛЕ- 0. 067
8 КРОВЬ В КАЛЕ-Й -0.057
14 НЕНОРМАЛЬНОЕ МОЧЕИСПУСКАНИЕ » -0.100
■ Й ВЫДЕЛЕНИЯ ИЗГЛАЗИ -0.200
В ЗАПОР-» -0.233
8 ОТСУТСТВИЕ АППЕТИТА- -0.233
1-2 ЧРЕЗМЕРНАЯ ;*А*;ДА-* -0.333
1В СЛЮНОТЕЧЕНИЕ-« -0.333
18 КАШЕЛЬ И ЧИХАНИЕ-Я -0.367
1 РВОТА- -0.500
■3 ДИАРЕЯ(ПОНОС)- -0.567
20 ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА-В -о.езз
-
Помощь
Abs Ргс1 Ptc2 Infi Inf 2 Inf3 Inf4 Inf5
InfG Inf7 MS Excel ВКЛ.Фильтр по Фактору ВЫКЛ.Фильтр по Фактору Вписать в окно
tí 4.4.8. Копичрггврнный SWOT-аналич клаг<-™ федгглами ДГК-аналича. (Г) Уншк-ргальная когнитивна» аналитич^кая гиггриа "ЗЙДОГ-Х-и-- 1 i=> | (=1
БУ^ЮТ-Д И АГРАМ М/ СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: V КЛАССА Пр : "[2] ЗАБОЛЕВАНИЕ-БЕРЕМЕ иложение: "АСК-анализ в ветеринар Шкала: [1] ЗАБОЛЕВАНИЕ Класс: [2] Беременность ННОСТЬ" ии" В МОДЕЛИ: "INF3" 1РЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
[15] ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ [30] # 1=0.033 I 1=0.033 [15] ГЕНИТАЛЬНЫЕ ВЫДЕЛЕНИЯ [29]
[10] ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА [19] 1=0.033 1=0.033 [24] ПОНИЖЕННАЯ ТЕМПЕРАТУРА [47]
[24] ПОНИЖЕННАЯ ТЕМПЕРАТУРА [48] # 1=0.033 1=0.033 [10] ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА [20] #
[19] ЗАТРЕДНЕННОЕ ДЫХАНИЕ [38] # 1=0.000 1=0.000 [25] ВЗДУТИЕ ЖИВОТА [49]
[25] ВЗДУТИЕ ЖИВОТА [50] # 1=0.000 1=0.000 [19] ЗАТРЕДНЕННОЕ ДЫХАНИЕ [37]
[2] ДИАРЕЯ(ПОНОС) [4]# 1=0.507 1=0.507 [2] ДИАРЕЯ(ПОНОС) [3]
[32] НЕНОРМАЛЬНОЕ ПОВЕДЕНИЕ [64] # 1=0.533 1=0.533 [32] НЕНОРМАЛЬНОЕ ПОВЕДЕНИЕ [63]
Рильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-68 йильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-68
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 27.02.2010-22:29:04 I Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 24. Пример информационного портрета и SWOT-диаграммы класса (нозологического образа) «Беременность» в модели 1пВ (Хи-квадрат)
Если сравнить оценку характерности симптомов в системе Эйдос-Х++ на рисунке 24 по этому нозологическому образу и в таблице 1, с информацией с сайта [6], то мы увидим высокое соответствие их друг другу. Из этого можно сделать вывод, что система «Эйдос» сама может определять характерность симптомов.
Шаг 3-й. Диагностический смысл симптомов, т.е. их смысловая характеристика или количество информации в симптомах о заболеваниях (информационные портреты и SWOT-анализ признаков).
Информационный (семантический) портрет значения фактора (симптома) - это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие состояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния - переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.
Пример информационного портрета и инвертированной 8ШОТ-диаграммы симптома: «Выпячивание третьего века» в модели 1пО (Хи-квадрат) приведен на рисунке 25 [11]:_
; I j I- Ц -I'
4.3.1, Информационные портреты признаков
Инф.портрет признака: 20 "ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА-«" в модели: 6 "INF3"
Г щ Наименование признака
1 рвота-
г рветд-а
а ди аре я [п 0 н □ с]-
4 диаре я (п 0 н 0 с)-8
5 зап0р-'
в 34.п0 р-в
7 кровь в кале-
8 кровь в кале-»
8 отсутствие аппетита-
10 ОТСУТСТВИЕ АППЕТИТАв
tt чрезйёрная'жЖда-
тг чрезмерная жажда-й
13 ненормальное мочеиспивднме-
и ненормальное мочеиспускание #
15 слюнотечение
16 слюнотечение-«
17 кашель и чихание ■
18 КАШЕЛЬ и чиданиЕ-и
13 выпячивание третьего века-
го выпячивание третьего beka-tt
21 ВЫДЕЛЕНИЯ ИЗ ГЛАЗ-
22 ВЫДЕЛЕНИЯ из глАЗ-а
äl ВЫДЕЛЕНИЯ ИЗ УШЕЙ- z.
1 i
Кед Наименование класса Значимость
3 ЗАь 0 Л Е ВАН И Е -ь ешенство 0.357
ЗАБОЛЕВАНИЕБлоки.'клёщ^; грибок 0,367
5 ЗАБОЛЕВАНИЕ-Вирусная лейкемия (белокровие) 0.367
В ЗАБОЛЕБАНИЕ-Волосяные пробки [безоары) 0.367
7 ЗАБОЛЕВАНИЕ -Воспаление роговой оболочки глаз кератит 0.367
Э ЗАБОЛЕВАНИЕВоспаление слизистой оболочки глаза |ки|гьюктие1л| 0.367
12 ЗАБОЛЕВАНИЕ-Герпес/ риногракеит 0.367
13 ЗАБ 0 Л Е ВАН И Е -Гинекологические проблемы 0.367
15 ЗАБОЛЕВАНИЕ-Инфекционный перитонит (ФИП) 0.367
17 ЗАБОЛЕВАНИЕКруглые глисты (аскариды) 0,367
щ ЗАБО Л Е ВАН И Е-Л енгочные глисты 0.367
19 ЗАБОЛЕБАНИЕ-Неправилькое питание 0.367
1 ЗАБОЛЕВАНИЕ-Абсц'есс (гнойник, нарыв) -0.633
2 ЗАБ С Л Е ВАН И Е -Б временность -0.633
8 ЗАБОЛЕВАНИЕВоспаление рта (стоматит) -0.633
10 ЗАБ0 Л Е ВАН И Е -В оспаление уиа (отит) -0.633
11 ЗАБОЛЕВАНИЕ-Гематома (кровоизлияние) -0.633
14 ЗАБОЛЕВАНИЕ Инсрекционая анемия (малокровие) -0.633
16 ЗАБОЛЕВАНИЕ-Колит- -0.633
26 ЗАБ 0 Л Е ВАН И Е -Сердечная недостаточность -0.633
ЗАБОЛЕВАНИЕ-Теплсвой даар -0.633 .т.
28 ЗАБОЛЕВАНИЕ-Течка -0.633
30 « ЗАБОЛЕВАНИЕ-Уоологический синдоом / мочекаменная болезнь -0.633
Помощь
Abs Frei Ргс2 Infi Inf2 Inf3 Inf4 !nf5 Inf6 Inf7 MS Excel ВКЛ.Фильтр по кл.шкале ВЫКЛ.Фильтр по кл.шкале Вписать в окно
SWOT-ДИAГPAMMA ЗНАЧЕНИЯ ФАКТОРА: "[20] ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА-Г В МОДЕЛИ: "1^3"
Приложение: "АСК-анализ в ветеринарии" Фактор: [10] ВЫПЯЧИВАНИЕ ТРЕТЬЕГО ВЕКА Значение: [20] #
Состояния, которым данное знач.фактора СПОСОБСТВУЕТ:
11] ЗАБОЛЕВАНИЕ
[7] Воспаление роговой оболочки глаз (кератш)
[1] ЗАБОЛЕВАНИЕ [3] Воспаление
т)
оболочки глаза (конъюктиви
Состояния, которым данное знач.фактора ПРЕПЯТСТВУЕТ:
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-30
ВЛИЯНИЕ ДАННОГО ЗНАЧЕНИЯ ФАКТОРА НА ПЕРЕХОД ОБЪЕКТА УПРАВЛЕНИЯ В СОСТОЯНИЯ, СООТВЕТСТВУЮЩИЕ КЛАССАМ:
Состояния объекта управления (классы), переходу в которые панное значение фактора СПОСОБСТВУЕТ, отображается л Состояния объекта управления (классы), переходу в которые данное значение фактора ПРЕПЯТСТВУЕТ, отображается Л1
[1] ЗАБОЛЕВАНИЕ [27] Тепловой удар
[1] ЗАБОЛЕВАНИЕ [16] Колит
[1] ЗАБОЛЕВАНИЕ
[14] Инфекционая анемия (малокровие)
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-30
Форма создана: 27.02.2018-22:32:32
Рисунок 25. Пример информационного портрета и инвертированной SWOT-диаграммы симптома: «Выпячивание третьего века» в модели 1пО (Хи-квадрат)
Шаг 4-й. Сходство-различие нозологических образов друг с другом по их симптоматике (кластерно-конструктивный анализ классов).
В таблице 12 приведена матрица сходства-различия нозологических образов в модели Г№3, фрагмент которой в графической форме показан на рисунке 26:
Таблица 12 - Матрица сходства-различия нозологических образов в модели ШГЗ
№ Наименование заболевания N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 N17 N18 N19 N20 N21 N22 N23 N24 N25 N26 N27 N28 N29 N30
1 Абсцесс (гнойник, нарыв) 100 -22 6 38 -52 -22 17 17 34 62 63 20 -33 -28 -20 35 -27 13 -9 -47 -35 -36 -31 -11 -19 3 -15 33 -6 -10
2 Беременность -22 100 -31 -14 27 8 -25 -20 -5 -2 -1 -31 19 22 24 -13 16 -11 20 1 -28 6 -23 -26 -0 11 13 -13 18
3 Бешенство 6 -31 100 -17 -46 2 7 -7 8 24 9 -3 -0 -38 -29 13 -50 3 -34 23 23 -15 -11 5 1 -4 35 7 -17 12
4 Блохи; клещи; грибок 38 -14 -17 100 -12 -31 9 -6 46 43 28 14 -13 -2 -29 15 12 43 33 -43 -30 -46 -10 -6 -27 -3 -39 9 4 -33
5 Вирусная лейкемия (белокровие) -52 27 -46 -12 100 9 -42 -35 -41 -51 -34 -30 35 62 42 -44 34 -10 21 31 16 24 43 10 7 1 -20 -43 9 -14
6 Волосяные пробки (безоары) -22 8 2 -31 9 100 -6 15 -24 -19 -18 -15 4 2 7 -30 16 -11 20 16 1 75 -7 21 -26 -16 -22 -26 -13 -15
7 Воспаление роговой оболочки глаз (кератит) 17 -25 7 9 -42 -6 100 56 60 3 4 24 -38 -32 -23 42 -13 -5 -29 -24 -25 -6 -19 -38 11 -12 -17 40 15 7
8 Воспаление рта (стоматит) 17 -20 -7 -6 -35 15 56 100 21 5 5 39 -46 -8 -34 24 -10 -2 -40 -34 -34 12 -31 -10 27 6 -13 20 16 -7
9 Воспаление слизистой оболочки глаза (конъюктивит) 34 -5 8 46 -41 -24 60 21 100 21 22 42 -37 -31 -39 42 5 37 9 -39 -39 -41 -19 -51 -5 -27 -17 40 -6 -10
10 Воспаление уха (отит) 62 -2 24 43 -51 -19 3 5 21 100 53 -6 -17 -26 -33 40 -25 36 -6 -46 -34 -35 -45 -21 -17 -8 2 38 -3 -7
11 Гематома (кровоизлияние) 63 -1 9 28 -34 -18 4 5 22 53 100 -6 -45 -7 -33 25 -24 36 -6 -46 -46 -34 -14 -32 -2 21 3 21 -2 -6
12 Герпес/ ринотрахеит 20 -31 -3 14 -30 -15 24 39 42 -6 -6 100 -41 -21 2 -2 25 21 -18 -42 -29 -30 -25 5 58 -4 -9 -11 38 -47
13 Гинекологические проблемы -33 19 -0 -13 35 4 -38 -46 -37 -17 -45 -41 100 -0 45 -39 -3 -28 15 35 47 17 33 26 -23 -27 -6 -23 -29 26
14 Инфекционая анемия (малокровие) -28 22 -38 -2 62 2 -32 -8 -31 -26 -7 -21 -0 100 2 -19 29 3 16 -3 -4 1 22 -8 -15 11 7 -13 24 -21
15 Инфекционный перитонит (ФИП) -20 24 -29 -29 42 7 -23 -34 -39 -33 -33 2 45 2 100 -42 30 -29 2 14 14 5 9 31 20 -15 -20 -23 7 -14
16 Колит 35 -13 13 15 -44 -30 42 24 42 40 25 -2 -39 -19 -42 100 -19 22 -17 -28 -15 -29 -24 -39 -12 -17 6 59 -16 12
17 Круглые глисты (аскариды) -27 16 -50 12 34 16 -13 -10 5 -25 -24 25 -3 29 30 -19 100 18 43 -18 -32 -2 -13 3 -1 7 -27 -32 17 -36
18 Ленточные глисты 13 -11 3 43 -10 -11 -5 -2 37 36 36 21 -28 3 -29 22 18 100 23 -62 -47 -31 -7 -44 7 0 -23 15 32 -34
19 Неправильное питание -9 20 -34 33 21 20 -29 -40 9 -6 -6 -18 15 16 2 -17 43 23 100 -3 -3 1 5 -7 -44 -4 -25 -11 -18 -19
20 Отравление -47 1 23 -43 31 16 -24 -34 -39 -46 -46 -42 35 -3 14 -28 -18 -62 -3 100 66 41 29 33 -12 -4 30 -25 -48 36
21 Панлейкопения (вирусный энтерит) -35 -28 23 -30 16 1 -25 -34 -39 -34 -46 -29 47 -4 14 -15 -32 -47 -3 66 100 27 42 33 0 -29 30 -26 -32 22
22 Пищевое отравление/гастроэнтерит -36 6 -15 -46 24 75 -6 12 -41 -35 -34 -30 17 1 5 -29 -2 -31 1 41 27 100 8 19 -10 -16 -6 -25 -13 16
23 Почечная недостаточность -31 -23 -11 -10 43 -7 -19 -31 -19 -45 -14 -25 33 22 9 -24 -13 -7 5 29 42 8 100 -1 8 -12 -17 -20 -8 18
24 Рак -11 -4 5 -6 10 21 -38 -10 -51 -21 -32 5 26 -8 31 -39 3 -44 -7 33 33 19 -1 100 -3 13 -11 -52 -18 -18
25 Респираторная вирусная инфекция -19 -26 1 -27 7 -26 11 27 -5 -17 -2 58 -23 -15 20 -12 -1 7 -44 -12 0 -10 8 -3 100 -1 9 -22 42 -28
26 Сердечная недостаточность 3 -0 -4 -3 1 -16 -12 6 -27 -8 21 -4 -27 11 -15 -17 7 0 -4 -4 -29 -16 -12 13 -1 100 3 -12 34 9
27 Тепловой удар -15 11 35 -39 -20 -22 -17 -13 -17 2 3 -9 -6 7 -20 6 -27 -23 -25 30 30 -6 -17 -11 9 3 100 -1 -6 34
28 Течка 33 13 7 9 -43 -26 40 20 40 38 21 -11 -23 -13 -23 59 -32 15 -11 -25 -26 -25 -20 -52 -22 -12 -1 100 -8 23
29 Токсоплазмоз -6 -13 -17 4 9 -13 15 16 -6 -3 -2 38 -29 24 7 -16 17 32 -18 -48 -32 -13 -8 -18 42 34 -6 -8 100 -36
30 Урологический синдром / мочекаменная болезнь -10 18 12 -33 -14 -15 7 -7 -10 -7 -6 -47 26 -21 -14 12 -36 -34 -19 36 22 16 18 -18 -28 9 34 23 -36 100
Отметим, что для улучшения восприятия на рисунке 26 число классов уменьшено до 12.
'■H^r^fi
С) 42,2,2, Результаты кластерно-конструктивного анализа классов, (С) Универсальная когнитивная аналитическая система т,Эйдос-Х++'
СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"
КОНСТРУКТ КЛАССА: [2]-ЗАБОЛЕВАНИЕ-Беременность Приложение: АСК-анализ в ветеринарии
ЗАБОЛЕВАНИЕ -Воспаление ро гонйй оОолочки глаз (кератит}
Диапазон коров классов: 1-30
Уровень сходства не менее: Ott
Число отображаемых классов: 12
Способ выборки классов: МАХ и MIN ур.сх
Дата и время создания формы: 27.02,2018-22:37:51
Сходство и различие мещ классами по их признакам (градациям факторов, системе детерминации):
СХОДСТВО классов отображается линиям и связи КРАС КОГО цвета, толщина линии (приведенная в кружочке в центре линии] отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия,
Рисунок 26. Пример когнитивной диаграммы сходства-различия нозологических образов (классов) в модели 1пВ (Хи-квадрат) (фрагмент)
Шаг 5-й. Сходство-различие симптомов по их диагностическому смыслу (кластерно-конструктивный анализ симптомов). Выявление синдромов (устойчивых комплексов симптомов, как правило встречающихся вместе и имеющих сходный диагностический смысл).
В таблице 13 приведена матрица сходства-различия симптомов в модели !№3, фрагмент которой в графической форме показан на рисунке 27:
Таблица 13 - Матрица сходства-различия симптомов в модели IN
в И*-!'
£) 43,2,2, Результаты шстерно-кшарушвного анализа признаков признаков, (С) Универсальная когнитивная аналитическая система "Эйдос-Х++"
СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "Ш"
КОНСТРУКТ ПРИЗНАКА: [2]-РВ0ТА-#
Приложение: АСК-анализ в ветеринарии
Дшаэон кодов признаков: Уровень сходства не шщ № Число отображаем ыхлри; Способ выборки классов: МАХ и 1,1 ур-.ск, Дата и время создания формы: 27 02.2013-22:52:26
Сходство и различи и е>щ признаками по их признакам (градациям факторов, снст&ме детерминации):
СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толцина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиям и связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 27. Пример когнитивной диаграммы сходства-различия симптомов в модели 1пГ3 (Хи-квадрат) (фрагмент)
Красные линии на рисунке 27 соединяют симптомы, имеющие сходный диагностический смысл и обычно встречающиеся вместе, т.е. синдромы.
Шаг 6-й.. Нелокальные нейроны и нейронные сети.
На рисунках 28 и 29 приведены фрагменты нелокальных нейронов и нелокальной нейронной сети в модели ГОТЗ [8]:
= ¡а \т;ш\
5) 4.4,10, Графическое отображение нелокальных нейронов в системе "Эйдос* |
НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "Ш"
Нейрон: [2]-ЗАБОЛЕВАНИЕ-Беременность Приложение: АСК-анализ в ветеринарии
Форма создана: 27.02.2018-22:54:35
Сортировка рецепторов по информативности
............ее „ „п,»ипп„ , , Отображается количество рецепторов не более: 24
АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщина линии [приведенная в кружочке в центре линии) отражает относительную силу влияния. Показаны связи с относительной силой влияния выше: 0% ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния, Визуализация нейрона с кодами и наименованиями рецепторов
Влияние рецепторов на актвацию/торможение нелокального нейрона, соотвествующего классу (система детерминации класса):
Рисунок 28. Фрагмент нелокального нейрона в системно-когнитивной модели 1пГ3 (Хи-квадрат)
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3" Отображено: 5.69% наиболее значимых синаптических связей Приложение: "АСК-анализ в ветеринарии"
Нейроны: {1,30} =>
Рецепторы: {1,68}=>
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
Отображать не более: 1000 связей
Отображать связи с интенс.более: 0.000% от факт.мак
дГЛ в р е^со з п а н ия формы "г 5.2 018*2-55:27
Рисунок 29. Фрагмент слоя нелокальной нейронной сети в системно-когнитивной модели 1пО (Хи-квадрат)
Шаг 7-й. Содержательное сравнение классов друг с другом. Пример когнитивной диаграммы содержательного сравнения двух классов в модели Тпй (Хи-квадрат) приведен на рисунке 30:
¡В В -I
{*) Помощь по режиму; 4.2.3. Когнитивные диаграммы icnaccae
Данный режим формирует и отображает в графической форме когнитивные диаграммы, т.е. автоматизирует содержательное сравнение двух информационных портретов обобщенных образов
классов распознавания:
1. Формируются информационные портреты двух классов.
2. Выявляются признаки, которые есть по крайней мере в одном из портретов, такие признаки называются СВЯЗЯМИ, т.к. благодаря им существуют определенные ОТНОШЕНИЯ сходства/различия между обобщенными образами классов.
3. Для каждого признака известно, какое количество информации о принадлежности объекта к данному классу он содержит.
4. кроме того для любых двух признаков известно, насколько они являются сходными по смыслу (из матрицы сходства признаков).
5. Будем считать, что любые два признака вносят определенный вклад в сходство или различие двух классов распознавания, определяемый по формулам:
// теоретически максимальная информативность
// Информативность 1-го пр. в // Информативность 2-го пр. в
от теор.МАХ-возможнои от теор.МАХ-возможной
mTeorwaxinf = log(n_c1s)/log(2)
mlnfPerTMl = alnfAtrl[i]/mTeorMaxlnf*100 mlrifPerTM2 = alnfAtr2[j]/mTeorMaxlnf*lQ0
mlnf Standi = (alnfAtrl [i]-msrl)/mDil mlnfstand2 = (alnfAtr2[j]-mSr2)/mDi2
mRelBit = mK12 * alnfAtrl [i] * alnfAtr2[j]
mMaxRelBit = 1 * mTeorMaxlnf * iriTeorMaxlrrf
mRelPercTM = mRelBit / mMaxRelBit * 100
mRelStand = mKl2 * mlnfStandi * mlnfstand2 / 2
где:
- msrl - средняя информативность 1-го признака;
- msr2 - средняя информативность 2-го признака;
- mDil - среднеквадратичное отклонение информативносттей 1-го признака;
- mDi2 - среднеквадратичное отклонение информативносттей 1-го признака;
- тК12 - сходство 1-го и 2-го классов по их системе детерминации из матрицы сходства классов.
б. на диаграмме отображается 7 признаков, образующих наиболее значимые по модулю связи, знак связи изображается цветом: красный "+', синий "-", а величина-толщиной линии.
// Информативность 1-го пр. в стандартизированных величинах // Информативность 2-го пр. в стандартизированных величинах
// Сила связи в битах
// МАХ-теоретически возможная сила связи в битах // Сила связи в Эй от теор.МАХ-возможной // Сила связи в стандартизированных величинах
Рисунок 30. Пример когнитивной диаграммы содержательного сравнения двух классов в модели 1пО (Хи-квадрат) (фрагмент)
Шаг 8-й. Содержательное сравнение симптомов друг с другом. Пример когнитивной диаграммы содержательного сравнения двух симптомов в модели 1п£3 (Хи-квадрат) приведен на рисунке 31:
<9 4.3.3. Ког итивные диаграму ь, признаков. (С) Универсальная когнитивная аналитическа система 'ЭЙДОС-Х* V - § 1 0 1 в и&,1
КОГНИТИВНАЯ ДИАГРАММА ПРИЗНАКОВ В МОДЕЛИ: "1^3"
Приложение: "АСК-анализ в ветеринарии" Сход./разл.признаков: 0.000%
Наименования ю
Наименования ы
I [1] ЗАБОЛЕВАНИЕ [5] Вирусная пб
е: [1] ЗАБОЛЕВАНИЕ 1-30
Фильтр по кл.шкале: [1] ЗАБОЛЕВАНИЕ 1-30
Форма создана: 27.02.2018-23:14:37. Показано количс
КОГНИТИВНАЯ ДИАГРАММА ПРИЗНАКОВ В МОДЕЛИ: "1^3"
Приложение: "АСК-анализ в ветеринарии" Сход./разл. признаков: 11.111%
Наименования ю
Наименования ы
[1] ЗАБОЛЕВАНИЕ
е: [1] ЗАБОЛЕВАНИЕ 1-30
[1] ЗАБОЛЕВАНИЕ 1-30
СХОДСТВО признаков отображается линиями связи КРАСНОГО цв РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета
а: 27.02.2018-23:16:33. I
Ф Помощь по режиму: 4.3.3. Когнитивные диаграммы признаков
Данный режим формирует и отображает в графической форме когнитивные диаграммы, т.е. автоматизирует содержательное сравнение двух информационных портретов обобщенных образов признаков:
1. Формируются информационные портреты двух признаков.
2. Выявляются классы, которые есть по крайней мере в одном из портретов, такие классы называются связями, т.к. благодаря им существуют определенные отношения сходства/различия между обобщенными образами признаков.
3. Для каждого признака известно, какое количество информации о принадлежности объекта с ним к каждому из классов он содержит.
4. кроме того для любых двух классов известно, насколько они являются сходными по смыслу (из матрицы сходства классов).
5. Будем считать, что любые два класса вносят определенный вклад в сходство или различие двух признаков, определяемый формулами:
// теоретически максимальная информативность
ттеогмах1ггР [_ОС(М_С15)/1_ОС(2) //
mIпfPerTNl = а1г#с!51[1]/ттеогм ах1г# *10 0 И
т1г^Регтм2 - аи-^сЪг [ }] /итеогмах1г^1*10С //
липГзгапсЛ = (а1п1"с151 [т ] -1Л5г1) /пел! //
т1^5Тапс12 = (а1п^152 [}] -]я5г2)/тт'2 //
тР1е1в1т - тК12 * а1п№151 [1 ] * а1пГс152[Л //
тмах?*е1В1Т = 1 * ттеогмахГгй" * штеогмах1^ /У
ткеТРегстм - тиеТвтг / тмахие"1в1г * 100 //
тиеТзтапс! = тк12 * виг^ТапсИ * т^5Тапе12 / 2 //
где:
- тБг! - средняя информативность 1-го признака;
- т5г2 - средняя информативность 2-го признака;
- июН - среднеквадратичное отклонение информатиЕносттей 1-го признака;
- 1Ш>12 - среднеквадратичное отклонение информативносттей 1-го признака;
- тк12 - сходство 1-го и 2-го классов по их системе детерминации из матрицы сходства классов.
6. на диаграмме отображается 7 признаков, образующих наиболее значимые по модулю связи, знак связи изображается цветом: красный "+', синий "-", а величина-толщиной линии.
Рисунок 31. Пример когнитивной диаграммы содержательного сравнения двух симптомов в модели ТпО (Хи-квадрат) (фрагмент)
Шаг 9-й. Интегральные когнитивные карты.
Система «Эйдос» обеспечивает формирование и отображение когнитивных диаграмм (рисунок 32), объединяющих нейронную сеть (рисунок 26), когнитивные диаграммы сходства различия классов (рисунок 26) и когнитивные диаграммы сходства различия симптомов (рисунок 27):
с) 4.4.12. Отобрал в интегральной когнитив ной карты в шсгеме "Эйдос" UlaLaJ
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОМ КОГНИТИВНОМ КАРТЫ В МОДЕЛИ: "1^3" Отображено: 1.42% наиболее значимых синаптических связей Приложение: "АСК-анализ в ветеринарии"
Нейроны: {1,30}=>
Рецепторы:
{1,68} =>_
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-'),а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
Отображать не более: 1000 связей
Отображать связи с интенс.более: 0.000% от факт.мак
Дата'и вренГсо3зеданияМ формы2.2[иТ-23-32:43
Рисунок 32. Пример интегральной когнитивной карты в модели 1пГС (Хи-квадрат) (фрагмент)
Шаг 10-й. Когнитивные функции.
На экранной форме, приведенной на рисунке 33, дано общее представление о когнитивных функциях:_
Ф 4.5. Визуализация когнитивных фун
————-1
Визуализация прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различных значений некоторого Фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений Факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы] количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.: Луценко Е.В. Метод визуализации когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А. П Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ] Рлектронный ресурс]. - Краснодар: КубГАУ, 2011. -№03(67). С. 240 - 282. - Шифр Информрегистра: 042110001240077., 2,688 у.п. л. - Режим доступа: http: //ei. kubaaro.ru/2011 /03/odf/18.odf Задайте нужный режим:-
Визуализации когнитивных функций | Скачать подборку публикаций по когнитивным Функциям |
Литератур.ссылки на статьи по когнитивным Функциям | Скачать подборку публикаций по управлению знаниями |
L -II
Рисунок 33. Пояснение по смыслу понятия: «Когнитивные функции»
3
Подробнее это понятие раскрыто в ряде работ автора [4] . Примеры самих когнитивных функций приведены на рисунке 34:
¡11 11.11 I и I II I I
дИИЯД ■иИидт.
■ I I I :<| I •И 1 1 *„| I I • I II I». I' ,3 11 и I №. ■ I к 1111»: I I II I II ГГГ|' и
I 1 I I мни л
I I I
■ II' II №
II 1.11*1 II I I 1 I ( I I I 1ГЧ1 1 III I 1Р.1
' II I I II II 1 '.I к.) • I
■ шршли си ■ ¡1'' • • I II • * I I ИГ •.-". I
10 Воспаление уха (отит) 9 Воспаление слизистой о боло-8 Воспаление рта (стоматит)
Вирусная лейкемия (белокровие)
1 Абсцесс (гнойник, нарыв)
I 11П1ИП1Г1ПМиИ I I 1.1 М 111 II й I I I К I I III» «III
| в»: I и «: и!
111111Ш I • I | 1
и С1Р1У1 I II I' I I II
' ? I» 11
• 4 ■ • и
I ! I
II * III В I >! • и I II 1
II I «111Ш11 I I 11 » |Т III I |||ПI 111 .11 II III II! II I IVIII й I I П1 « а я- Ми 1 II I
Д^ I 1/У >'\1 у « М
а а • I
11« II
Хп 1111 • ■
«■11111» | и
II : I II» ) IV'
мЕ ии I • • I • . . 1111« I II Г I I I .1111 11111Г ■ Г 11 II « и , I I I II III ш _ и ■ г: I • 1 я
л • ' «II
1 й А А I1
И/пУуууч
! ми г I
I II 1РЛ
11■ В,
II к I I 1 111 I I
юци ил
1ГКЯИ1 ПК ■|ш о I > ъ
иИИиИ
■■ I» ■
№ >11 I И I 1 Г I
¡пшдиг ЛУИнШ^
I 1 II I 1
Н1ИГ1||| I» № I
III* II II И 1 II I ! |! ^ | I | I ■ к |щ| [1 [ III И I I 11
I II II '
»УЧА! V
КОГНИТИВНАЯ ФУНКЦИЯ: 30 Урологический синдром / мочекаменная болезн
26 Течка
27 Тепловой удар 26 Сердечная недостаточность 25 Респираторная вирусная инфекция 24 Рак
23 Почечная недостаточность 22 Пищевое отравление/гастроэнтерит 21 Панлейкопения (вирусный энтерит) 20 Отравление
19 И
«ариды)
18 Ленточньи 17 Круглые г, С 16 Колит
^ 15 Инфекционный перитонит {ФИП) 14 Инфекционая анемия (малокровие) 13 Гинекологические проблемы 12 Герпес,/ ринотрахеит 11 Гематома (кровоизлияние) Ю Воспаление уха (отит) 9 Воспаление слизистой оболочки глаза 8 Воспаление рта (стоматит) 7 Воспаление роговой оболочки глаз (ке 6 Волосяные пробки (безоары) 5 Вирусная лейкемия (белокровие)
3 Бешенство
1 Абсцесс (гнойник, нарыв)
Изображение создано: _27.0272018 21:57:53
Рисунок 34. Когнитивная функция системно-когнитивной модели 1пО (Хи-квадрат)
Выводы
Таким образом, можно сделать обоснованный вывод о том, что применение интеллектуальной системы «Эйдос-Х++» обеспечивает реализацию уже разработанных ветеринарных и медицинских диагностических тестов без программирования в форме, удобной для массового тестирования, анализа его результатов и выработки индивидуальных рекомендаций.
https://www.twirpx.com/file/775236/
3
Материалы данной статьи могут быть использованы в учебном процессе при преподавании дисциплин: «Интеллектуальные информационные системы», «представление знаний в информационных системах», «Современные технологии в образовании (магистратура)», «Управление знаниями (магистратура)», «Введение в искусственный интеллект», «Интеллектуальные и нейросетевые технологии в образовании (магистратура)», «Основы искусственного интеллекта» и других.
Перспективы продолжения исследований и разработок
Планируется продолжить направление исследований и разработок, представленное в данной статье, по следующим направлениям:
1. Разработка в среде интеллектуальной системы Эйдос-Х++ ветеринарных диагностических тестов и проведение научных исследований на основе эмпирических данных (данных наблюдений и экспериментов).
2. Интеграция в среде интеллектуальной системы Эйдос-Х++ без программирования нескольких диагностических тестов в батарею тестов или в супертест с одной общей моделью.
Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований и находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm. Это дает свои результаты: за год систему «Эйдос» в мире запускали около 10 тысяч раз во многих странах (Белоруссия, Бельгия, Дания, Канада, Китай, Египет, Франция, Германия, Гонконг, Казахстан, Нидерланды, Португалия, Россия, Словакия, Словения, Украина, США, Англия и др.) (рисунок 35) [9, 10]4.
Автор благодарен всем ученым, коллегам и соавторам, поддержавшим его в разработке и применении Автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария -интеллектуальной системы «Эйдос»: Засл. деятель науки РФ, д. т. н. , проф. Лойко В. И. , к. ф. -м. н. , Ph. D. , проф. , Трунев А. П. (Канада), д. э. н. , д. т. н. , к. ф. -м. н. , проф. Орлов А. И. , к. т. н. , доц. Коржаков В. Е. , д. э. н. , проф. Барановская Т. П. , д. э. н. , к. т. н. , проф. Ермоленко В. В. , к. пс. н. Наприев И. Л. , к. пс. н. , доц. Некрасов С. Д. , к. т. н. , доц. Лаптев В. Н. , к. пс. н, доц. Третьяк В. Г. , к. пс. н. , Щукин Т. Н. , д. т. н. , проф. Си-манков В. С. , д. э. н. , проф. Ткачев А. Н. , д. т. н. , проф. Сафронова Т. И. , д. э. н. , доц. Горпинченко К. Н. , к. э. н. , доц. Макаревич О. А. , к. э. н. , доц. Макаревич Л. О. , к. м. н. Сергеева Е. В. (Лаптева Е. В. ), Бандык Д. К. (Белоруссия), Чередниченко Н. А. , к. ф. -м. н. Артемов А. А. , д. э. н. , проф. Крохмаль В. В. , д. т. н. , проф. Рябцев В. Г. , к. т. н. , доц. Марченко А. Ю. , д. т. н. , проф. Фролов В. Ю. , д. ю. н, проф. Швец С. В. , Засл. дея-
4 http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
тель науки Кубани, д. б. н. , проф. Трошин Л. П. , Засл. изобр. РФ, д. т. н. , проф. Серга Г. В. , Сергеев А. С. , д. б. н. , проф. Стрельников В. В. и другие.
Автор благодарен разработчику языка программирования, на котором написана система «Эйдос» Роджеру Доннэю (США) и всем специалистам со всего мира, которые общаются на его форуме5 и бескорыстно помогают друг другу.
Рисунок 35. Запуски системы «Эйдос» в мире и Европе за период с 9.12.2016 по 27.02.2018
http://bb.donnav-software.com/donnav/viewforum.php?f=2
5
Список литературы
1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909
2. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=22401787
3. Сайт автора АСК-анализа и системы «Эйдос» проф. Е.В.Луценко: http://lc.kubagro.ru/
4. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
5. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340
6. Сайт: http://mau.ru/pub/health/?p=table
7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
8. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. -№01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ej.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.
9. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эй-дос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.
10. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная online среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. - Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.
11. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
12. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных боль-
шой размерности в системно-когнитивном анализе и интеллектуальной системе «Эй-дос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 164 -188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.
13. Луценко Е.В. Интеллектуальная консалтинговая система выявления технологических знаний и принятия решений по их эффективному применению на основе системно-когнитивного анализа бизнес-процессов / Е. В. Луценко, В. Е. Коржаков, А. И. Ладыга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №05(059). С. 79 - 110. - Шифр Информреги-стра: 0421000012\0091, IDA [article ID]: 0591005007. - Режим доступа: http://ei.kubagro.ru/2010/05/pdf/07.pdf, 2 у.п.л.
14. Луценко Е.В. Инвариантное относительно объемов данных нечеткое муль-тиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. -IDA [article ID]: 1261702001. - Режим доступа: http://ei.kubagro.ru/2017/02/pdf/01.pdf, 2 у. п. л.
15. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Режим доступа: https://arxiv.org/pdf/1710.07264
16. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е. В. Луценко, В. Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 -576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ei.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
17. Луценко Е.В. Автоматизация Функционально-стоимостного анализа и метода "Директ-костинг" на основе АСК-анализа и системы "Эйдос" (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№07(131). С. 1 - 18. - IDA [article ID]: 1311707001. - Режим доступа: http://ei .kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.
18. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ei.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.
19. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с. http://elibrary.ru/item.asp?id=2172063 5
Spisok literatury
1. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
2. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. http://elibrary.ru/item.asp?id=22401787
3. Sajt avtora ASK-analiza i sistemy «Jejdos» prof. E.V.Lucenko: http://lc.kubagro.ru/
4. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
5. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatizirovannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJul MVD RF, 1996. - 280s. http://elibrary.ru/item.asp?id=21745340
6. Sajt: http://mau.ru/pub/health/?p=table
7. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
8. Lucenko E.V. Sistemnaja teorija informacii i nelokal'nye interpretiruemye nejronnye seti prjamogo scheta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. - IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
9. Lucenko E.V. Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda dlja obuchenija i nauchnyh issledovanij na baze ASK-analiza i sistemy «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. -Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.
10. Lucenko E.V., Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda «Jejdos» («Jejdos-online»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.
11. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
12. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj
razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.
13. Lucenko E.V. Intellektual'naja konsaltingovaja sistema vyjavlenija tehnologicheskih znanij i prinjatija reshenij po ih jeffektivnomu primeneniju na osnove sistemno-kognitivnogo analiza biznes-processov / E.V. Lucenko, V.E. Korzhakov, A.I. Ladyga // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. -№05(059). S. 79 - 110. - Shifr Informregistra: 0421000012\0091, IDA [article ID]: 0591005007. - Rezhim dostupa: http://ej.kubagro.ru/2010/05/pdf/07.pdf, 2 u.p.l.
14. Lucenko E.V. Invariantnoe otnositel'no ob#emov dannyh nechetkoe mul'tiklassovoe obobshhenie F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].
- Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. -Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.
15. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Rezhim dostupa: https://arxiv.org/pdf/1710.07264
16. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
17. Lucenko E.V. Avtomatizacija Funkcional'no-stoimostnogo analiza i metoda "Direkt-kosting" na osnove ASK-analiza i sistemy "Jejdos" (avtomatizacija upravlenija natural'noj i finansovoj jeffektivnost'ju zatrat bez soderzhatel'nyh tehnologicheskih i finansovo-jekonomicheskih raschetov na osnove informacionnyh i kognitivnyh tehnologij i teorii upravlenija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №07(131). S. 1 - 18. - IDA [article ID]: 1311707001. - Rezhim dostupa: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 u.p.l.
18. Lucenko E.V. Problemy i perspektivy teorii i metodologii nauchnogo poznanija i avtomatizirovannyj sistemno-kognitivnyj analiz kak avtomatizirovannyj metod nauchnogo poznanija, obespechivajushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].
- Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. -Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
19. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agropromyshlennym kompleksom. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2005. - 480 s. http://elibrary.ru/item.asp?id=21720635
