Автоматизированный системно-когнитивный анализ влияния пробиотиков в рационах на телосложение бычков Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

06.02.00 Ветеринария

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ВЛИЯНИЯ ПРОБИОТИКОВ В РАЦИОНАХ НА ТЕЛОСЛОЖЕНИЕ БЫЧКОВ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 [email protected] http://lc.kubagro.ru Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Печурина Елена Каримовна РИНЦ SPIN-код: 1952-4286 [email protected]

Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Статья посвящена применению автоматизированного системно-когнитивного анализа для исследования пробиотиков на рост бычков, причем в качестве индикаторов роста использована не живая масса, а индексы, характеризующие форму телосложения и пропорции тела животных. Приводится подробный численный пример решения поставленной задачи на реальных данных

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК-АНАЛИЗ СИСТЕМА «ЭЙДОС», СЕВООБОРОТ

Doi: 10.21515/1990-4665-146-033

UDC 004.8

06.02.00 Veterinary sciences

AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE EFFECTS OF PROBIOTICS IN DIETS ON BODY TYPE OF YOUNG BULLS

Lutsenko Evgeniy Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

Scopus Author ID: 57188763047

RSCI SPIN-code: 9523-7101

[email protected] http://lc.kubagro.ru

Kuban State Agrarian University, Krasnodar, Russia

Pechurina Elena Karimovna RSCI SPIN-code: 1952-4286 [email protected]

Kuban State Agrarian University, Krasnodar, Russia

The article is devoted to the use of automated system-cognitive analysis for the study of probiotics for the growth of bulls. Moreover, as growth indicators we have not used live weight, but indices characterizing the shape and proportions of the body of animals. A detailed numerical example of solving the problem using real data is given

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, ASC-ANALYSIS, "EIDOS" SYSTEM,

1. Введение (Introduction)

На сайте АгроВестника: https://biokorova.ru помещена содержательная статья известных авторов Естефеева Д.В., Левахина Ю.И. и Нуржанова Б.С. «Влияние пробиотиков на рост бычков» [1]. В этой статье приведены данные эксперимента по добавлению различных доз пробиотиков в рацион бычков месячного возраста. Проведенный авторами традиционный анализ показал влияние пробиотика на форму тела животных, были даны научно-обоснованные рекомендации о выборе наиболее рациональной дозы про-биотика в рационе.

Эти рекомендации вполне достаточны для применения на практике. Однако традиционный подход не предусматривает углубленный научный анализ полученных в эксперименте данных, который также может представлять интерес, если ставится цель провести развернутое научное исследование того, как влияет на форму тела месячных телят добавление различных доз комплексного пробиотика в их рационы.

Для достижения поставленной цели решим следующие задачи, которые получаются путем декомпозиции цели:

Задача 1: сформулировать идею и концепцию решения проблемы;

Задача 2: обосновать выбор метода и инструмента решения проблемы;

Задача 3: применить выбранный метод и инструмент для достижения поставленной цели.

Задача 4: описать эффективность предложенного решения проблемы.

Задача 5: рассмотреть ограничения и недостатки предложенного решения проблемы и перспективы его развития путем их преодоления этих ограничений и недостатков.

Ниже рассмотрим решение этих задач в численном примере на реальных данных из работы [1].

2. Материалы и методы (Materials and methods)

2.1. Идея и концепция решения проблемы (задача 1)

Идея решения проблемы состоит в применении для достижения поставленной цели современных интеллектуальных технологий.

Концепция решения проблемы состоит в применении теории информации для того, чтобы рассчитать какое количество информации содержится пропорциях тела телят о том, какая доза пробиотика присутствовала в их рационе. Имея эту информацию можно решать различные задачи: классификации, принятия решений и научного исследования моделируемой предметной области путем исследования ее модели.

2.2. Обоснование выбора метода и инструмента решения проблемы (задача 2)

Существует много систем искусственного интеллекта, обладающих различными характеристиками. В данной статье для достижения поставленной цели предлагается применить интеллектуальную систему «Эйдос», которая является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ) и отличается от других интеллектуальных систем следующими параметрами:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http: //lc.kubagro .ru/aidos/index.htm);

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта

(есть акт внедрения системы «Эйдос» 1987 года) (http://lc .kubagro.ru/aidos/aidos02/PR-4 .htm) ;

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумлен-ных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их 31 и 143, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);

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

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http : //aidos.byethost5 .com/map 5 .php);

- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний;

- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18 LLS/aidos18 LLS.pdf).

Описание АСК-анализа и системы «Эйдос» дано в многочисленных работах автора [2, 3] и в данной статье приводить его нецелесообразно.

2.3. Численный пример (задача 3)

Решение задачи 3 предполагает выполнение следующих этапов, полученных в результате декомпозиции цели и являющихся этапами ее достижения:

- когнитивная структуризация предметной области;

- формализация предметной области;

- синтез и верификация модели;

- повышение качества модели и выбор наиболее достоверной модели

- решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Все эти этапы являются стандартными для АСК-анализа, за исключением 1-го, автоматизированы в системе «Эйдос». Рассмотрим их в порядке исполнения.

2.3.1. Когнитивно-целевая структуризация предметной области

На этапе когнитивно-целевой структуризации предметной области мы решаем на качественном уровне, что будем рассматривать в качестве факторов, действующих на моделируемый объект (причин), а что в качестве результатов действия этих факторов (последствий).

В данной работе в качестве классификационных шкал выбрана группа животных и доза пробиотика, а в качестве описательных шкал различные параметры, характеризующие форму тела животных.

2.3.2. Формализация предметной области и описание исходных данных

Исходные данные представляют собой экспериментальные данные из работы [1].

Характеристика файлов исходных данных. Паспорта специальностей (их 429) представляют собой doc-файлы MS Word (таблица 1):

Таблица

- Исходные данные

Группа Группа Доза пробиотика (гр/гол ову) Длиноногости Растянутости Тазогрудной Грудной Сбитости Костистости Мясности Перерослости Комплексный Массивности

I кон- I кон-

трольная трольная 0,00 49,21 119,75 106,19 70,68 128,30 15,94 96,57 101,34 143,58 153,50

группа группа

II опытная группа II опытная группа 27,50 48,83 119,78 106,63 70,80 128,43 15,90 96,66 101,42 143,80 153,74

III опыт-

III опытная ная груп- 30,50 47,65 120,94 108,92 71,18 128,97 15,83 97,69 102,72 144,50 154,56

группа па

IV опыт-

IV опыт- ная груп- 33,50 48,09 120,07 107,79 70,99 128,73 15,84 97,26 102,32 144,06 154,13

ная группа па

Таблица 1 несколько отличается по форме, от приведенной в работе [1], но по содержанию они совпадают. Это различие обусловлено требованиями к таблице исходных данных, предъявляемым программным интерфейсом (API) системы «Эйдос». Таблица 1 является транспонированной таблицей из работы [1]. Классификационные шкалы в таблице 1 выделены желтым фоном. Контрольная группа пронумерована как I, а остальные со-

ответственно, II, III и IV, чтобы они располагались по алфавиту по дозе пробиотика как градации порядковой шкалы.

Затем с параметрами, показанными на рисунке 1, запустим режим 2.3.2.2 системы «Эйдос», представляющий собой автоматизированный программный интерфейс (API) с внешними данными табличного типа:

2.3.2.2. Универсальна? программны/ интерфейс импорта данных в систему ЭЙДОС-Х-е

к ¡2я -I

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_йа1а"

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) Стандарт DBF-Файла

CSV Стаицарг CSV-файла

Г- Н ули и пробелы считать 0 Т СУ Т CT В И Е М данных (В Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г" Создавать БД средних по классам "!пр_ davi.dfcf1'^ Требования к Файлу исходных данных

-■Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2

Конечный столбец классификационных шкал: | 3

Задайте режим

Я" Формализации предметной области (на основе "1га_с1а!а"] Генераций распознаваемой выборки (на основе "1пр_гагр")

Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал:

Конечный сголбец описательных шкал:

13

Задайте способ выбора размера интервалов:

С Равные интервалы с разным числом наблюдений « разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "1пр_с!а!а":

<• Не применять сценарный метод АСК-анализа Г 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 'llnp_data1' рассматриваются как целое

Интерпретация ТХТ-полей признаков

Значения полей текст овых описательных шкал Файла

исходных данных |'1пр _с1а(а1' рассматриваются как целое

Какие наименования ГРАДАЦИИ числовых [икал использовать:

!• Топько интервальные числовые значения

Г" Только наименования интервальных числовых значений

С И интервальные числовые значения, и их наименования

(например: "1 /3-{58873.0000000,178545.6666667П (например: "Минимальное")

(например: "Минимальное: 1/3459873.0000000,178545.0660667}";

Ok

Cancel

Рисунок 1. Экранная форма программного интерфейса (API) 2.3.2.2 системы «Эйдос» с внешними данными табличного типа

На рисунке 1 приведены реально использованные параметры. На рисунке 2 приведен Help данного режима.

Помощь го режлчу 2.12,2 для случая Ехсе(-фаллов исходных данных

Режим 2.3.2:2: Универсальный программной интерфейс импоста данных из внешней базы данной "!iip_data xls" в систему "3fmoc-x++" и Формализации предметной области.

■ Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS илиЙЖййй® с исходными данными стандарта приведенного ниже.

■ Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Excel-2003 (2007-- 2010), а Файл распознаваемой выборки имя: INP_RASP:XLS илиINF_DATA.XLS (lhP_DATA.XLSX) и iNP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /AID0S-X/AID_DATA/lnp.da!a/ 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 всех коленках, при этом объединение ячеек и перекосы слов не допускаются. 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 писте может быть до E553G строк идо 256 колонок. В листе Ехсе1-2007(20101 возможно до1 [118 576 строк и 1В 384 колонок.

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

■ Столбцу присваивается числовой тип, если все значения его ячеек чиспового 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 содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

■ Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные с признаках (т.е. значениях Факторов), характеризующих о&ьекты обучающей выборки.

- 6 результате работы режима Формируется файл lt'iP_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. Ё 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 DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых' значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

- Распознаваемая выборка Формируется на основе Фай па !NF_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_RASF должна быть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

Принцип организации таблицы исходных данных:

Паи меновзние объезд обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной. шкалы Наименование 1-й описательной шкапы Наименование 2-й описательной шкалы

1-й объект обучающей выбор™ Значение показателя Значений показателя Значение показателя Значение показателя

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

... ... ...

^___л

Рисунок 2. Экранные форма HELP программного интерфейса (API) 2.3.2.2 системы «Эйдос» с внешними данными табличного типа

При исполнении данного режима открывается внутренний калькулятор (рисунок 3), в котором мы можем задать число адаптивных интервалов в числовых классификационных и описательных шкалах, если они есть.

Рисунок 3. Внутренний калькулятор режима 2.3.2.2.

Минимальное число градаций в шкалах (2) обусловлено тем, что в таблице 1 данных очень мало (всего 4 наблюдения) и их структура такова, что при большем числе интервалов получаются интервалы, не представленные ни одним наблюдением. Если бы в работе [1] были приведены не обобщенные данные по группам, а данные по самим телятам, то эта проблема снялась бы.

В результате работы режима сформировано две классификационных шкалы (рисунок 4) с суммарным количеством классов 480 и одна описательная шкала с числом слов-градаций 11346 (рисунок 8).

Рисунок 4. Классификационные и описательные шкалы и градации

С использованием классификационных и описательных шкал и градаций исходные тексты были закодированы и получена обучающая выборка (рисунок 5):

Рисунок 5. Обучающая выборка (фрагмент)

Обучающая выборка по сути представляет собой нормализованные исходные данные, т.е. таблицу исходных данных (таблица 1), закодированную с помощью классификационных и описательных шкал и градаций (рисунок 4). Таким образом созданы все необходимые и достаточные условия для выполнения следующего этапа АСК-анализа: т.е. для синтеза и верификации моделей.

2.3.3. Синтез статистических и системно-когнитивных моделей

Синтез и верификация моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунок 6)._

(?) 3.5. Выбор моделей для синтеза и верификации

•Задайте модели для синтеза и верификации-Статистические базы:

К? ¡1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки [7 2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов j-го класса 17 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов j-го класса Системно-когнитивные модели (базы знаний):

17 4 17 5 17 6 17 7 [7 8 17 Э

INF1 - частнь INF2 - частнь INF3 - частнь INF4 - частнь INF5 - частнь INF6 - частнь

й критерий: количество знаний по А.Харкевичу; вероятности из PRC1 й критерий: количество знаний по А.Харкевичу; вероятности из PRC2

критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами й критерий: RDI [Return On Investment); вероятности из PRC! й критерий: ROI (Return On Investment); вероятности из PRC2 критерий: разн.усл и безус л. вероятностей; вероятности из PRC1

|7 10.INF7 - частный критерий: разнусл.и безусл. вероятностей; вероятности из PRC2

Параметры копирования обучающей выборки в распознаваемую:

-Какие объекты обуч.выборки копировать: (* Копировать всю обучающую выборку Г" Копировать только текущий объект С Копировать каждый Ы-й объект С Копировать N случайных объектов С" Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

Пояснение по алгоритму верификации]

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

- Подробнее |—

g I

Измеряется ен1ртренняя достоеерн. модели

—Текущая модель

Г l.iBS Г

Г 3. PRCS

ff 4 Г 5 С

Г 7 Г 0 С э

1NF2. Шр; WF4 INF5 1NFB

Для каждой заданной модели еыполмигь f* -Синтез ирер^фу^аиыю Г I с сько в.ёрифнк'ацив С Только синтез

Ha'.^aKibivi процессоре выполнять расчеты: Г CPU С GPU

Рисунок 6. Экранная форма режима синтеза и верификации моделей системы «Эйдос»

Обратим внимание на то, что на рисунке 6 в правом нижнем углу окна задана опция: «Расчеты проводить на графическом процессор (GPU)».

Стадия процесса исполнения синтеза и верификации моделей и прогноз времени его окончания отображается на экранной форме (рисунок 7).

Рисунок 6. Экранная форма с отображением стадия процесса исполнения синтеза и верификации моделей и прогноза времени его окончания

Из рисунка 6 видно, что весь процесс синтеза и верификации моделей занял 8 секунд. Отметим, что при синтезе и верификации моделей использовался графический процессор (GPU) видеокарты. На центральном процессоре (CPU) выполнение этих операций занимает значительно большее время (на некоторых задачах это происходит в десятки, сотни и даже тысячи раз дольше). Таким образом, неграфические вычисления на графических процессорах видеокарты делает возможным обработку реальных текстов за разумное время.

Фрагменты самих созданных статистических и системно-когнитивных моделей (СК-модели) приведены на рисунках 7-9:

Рисунок 7. Матрица абсолютных частот (фрагмент)

С) 5.5, Модель: "4. INFI - частный критерий: количество знаний ло А.Харкевичу; вероятности из PRC1"

k признака Наименование описательной шкалы И Градации 1. ГРУППА 1/4 1 КОНТРОЛЬНА .. ГРУППА 2: ГРУППА 2/4 II ОПЫТНАЯ ГР'УППА а ГРУППА 3/4 III ОПЫТНАЯ ГРУППА 4: ГРУППА 4/4IV ОПЫТНАЯ ГР'УППА 5. ДОЗА ПРОБИОТИКА (ГР/ГДЛОВУ) 1/2 {о.о. гш 6. ДОЗА ПРОБИОТИКА (ГР/ГОЛОВУ) 2/2 [27-5, 33.5) Среднее Средн.

ДЛИН0НС1Г0СТИ-1 /2447.6500000, 48.0900000) 0.409 0.409 0.409 1.227 0.204 0.224

2 ДЛИНО НОГО CT И -2/2448.0900000.49.2100000) 0.409 0.409 0.409 1.227 0.204 0.224

3 РАСТ ЯН У Т ОСТ И -1 /24119.7500000,119.7900000) 0.409 0.409 0.409 1.227 0.204 0.224

4 РАСТ ЯН У Т ОСТ И -2/24119.7800000.120.9400000) 0.409 0.409 0.409 1.227 0.204 0.224

5 ТАЗО ГРУДНОЙ-1/241 06.1900000,106.6300000) 0.409 0.409 0.409 1.227 0.204 0.224

6 ТАЗО ГРУ ДНО Й-2/24106.6300000.108.9200000) 0.409 0.409 0.409 1.227 0.204: 0.224

7 ГРУДНОЙ-1 /2470.6800000,70.8000000) 0.409 0.409 0.409 1.227 0.204 0.224

S ГРУДНОЙ -2/2470. 8000000.71.1800000) 0.409 0.409 0.409 1.227 0.204 0.224

э ЕБ.ИТОСТИ-1 /2-{128.3000000,128.4300000) 0.409 0.409 0.409 1.227 0.204 0.224

10 СБИТО CT И-2/24128.4300000.128.9700000) 0.409 0.409 0.409 1.227 0.204 0.224

11 КОСТИ CT ОСТИ-1 /2-{15.8300000,15.8400000) 0.409 0.409 0.409 1.227 0.204 0.224

12 КОСТИ CT 0 СТИ -2/2415.8400000.15.9400000) 0.409 0.409 0.409 1.227 0.204 0.224

13 МЯСНОСТИ-1 /2-{96.5700000,96.6600000} 0.409 0.409 0.409 1.227 0.204 0.224

14 МЯ СНОСТ И -2/2-06.6600000,97.6900000} 0.409 0.409 0.409 1.227 0.204 0.224

15. ПЕРЕРО С Л ОСТ И -1 /2-{101.3400000.101.4200000) 0.409 0.409 0.409 1.227 0.204 0.224

16 ПЕРЕРО С Л ОСТ И -2/24101.4200000,102.7200000) 0.409 0.409 0.409 1.227 0.204 0.224

17 КОМПЛЁКСНЫЙ-1 /2-{1 43.5800000.143.8000000} 0.409 0.409 0.409 1.227 0.204 0.224

18 КОМ ПЛЕ КСН Ы Й-2/2-1143.8000000,144.5000000} 0.409 0.409 0.409 1.227 0.204 0.224

19 МАССИВНО CT И-1 /24153.5000000.153.7400000) 0.409 0.409 0.409 1.227 0.204 0.224

20 МАССИВ НО CT И-2/24153.7400000,154.5800000) 0.409 0.409 0.409 1.227 0.204 0.224

Сумма 4.089 4.089 4.089 4.089 4.089 4.089 24.533.

Рисунок 8. Матрица информативностей INF1 (фрагмент)

С) 5.5. Модель: "6, INR - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами"

Код 1: ГРУППА 1/41 КОНТРОЛЬН... ГРУППА 2, ГРУППА 2/411 ОПЫТНАЯ ГРУППА '3. ГРУППА 3/4 III ОПЫТНАЯ ГРУППА ГРУППА ОПЫТНАЯ ГРУППА 5. ДОЗА 6. ДОЗА ПРОБИОТИКА ПРОБИОТИКА (ГР/ГОЛОВУ! (ГР/ГОЛОВУ) 1?2 2/2 ЙД {27-5,. 27.5} 33,5) Средиее^ Средн.

1 ДЛИН ОНО ГОСТИ-1/2447.6500000,49.0900000} -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

2 ДЛИ НОНОГОСТИ -2/2448.0900000,49.2100000) 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

;3 РАСТЯ НУ Т 0 CT И-1 /2-{119.7500000,119.7900000} 0,500 0.500 -0.500 -0.500 1.000 -1.000 0.775

4 РАСТЯ НУ Т 0 CT И-2/2-{119.7800000.120.8400000} -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

5 ТАЗО ГРУДНОЙ-1/24106.1900000.106.6300000) 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

6 ТАЗО ГРУ ДН ОЙ -2/24106.6300000.108.9200000) -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

7 ГРУДНОЙ-1 /2470.6800000, 70.8000000) 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

8 ТРУДНО Й-2/2470.8000000. 71.1800000) -0.500 -0.500 0.500 0.500 -1.000 Г.000 0.775

9 СБИ Т ОСТИ -1 /2-(128.3000000,128.4300000) 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

10 СБИ Т ОСТИ -2/24128.4300000.128.8700000) -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

11 КО CT ИСТО CT И -1 /2-{15.8300000,15.8400000) -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

12 КОСТИСТОСТИ -2/2415.8400000.15.9400000) 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

13 МЯСНОСТИ-1 /2496.5700000,96.6600000) 0.500 0.500 -0.500 -0.500 1.000 -1.00.0 0.775

14 М ЯСН 0 СТИ-2/2496.6600000.97.6900000) -0.500 -0.500 0,500 0.500 -1.000 1.000 0.775

15 П Е РЕ РОСЛ 0 CT И-1 /2-{101.3400000,101.4200000} 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

16 П Е РЕ РОСЛ 0 CT И-2/2-{101.4200000,102.7200000} -0.500 -0.500 0.500 0.500 -1.000 1,000 0.775

17 КО МПЛ Е КСН ЫЙ -1 /24143.5800000.143.8000000} 0.500 0.500 -0.500 -0.500 1.000 -1.000 0.775

19 КО МП Л Е КСН ЫЙ <-2/24143.9000000,144.5000000) -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

18 МАССИВН ОСТИ-1 /24153.5000000.153.7400000) О.. 500 0.500 -0.500 -0.500 1.000 -1.000 0.775

20 МАССИВНОСТИ-2/24153.7400000.154.5600000) -0.500 -0.500 0.500 0.500 -1.000 1.000 0.775

Сумма

Рисунок 9. Модель INF3 (фрагмент)

2.3.4. Верификация статистических

и системно-когнитивных моделей

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации исходных изображений по обобщенным образам классов и подсчета количества истинных положительных и отрицательных, а также ложных положительных и отрицательных решений по F-мере Ван Ризбергена, а также по критериям L1- L2-мерам проф.Е.В.Луценко, смягчающие и преодолевающие недостатки F-меры [4].

В режиме 3.4 показана достоверность каждой частной модели в соответствии с этими мерами достоверности. В данном случае по L2-мере наивысшую достоверность имеет модель ШТ5 (рисунок 10)._

3.4. Обобщ.форма по достов.моделей при разн.инт.крит. Текущая модель: "TNFl"^^^ i -----■-i-

Наименование модели Интегральный критерий Частного критерия ш'- р~: КГ -- Ван Сумма моду... Сумма моду... S-Точность S-Полнота L1 -мера 1 проф.

. ABS - частный критерий: количество встреч сочетаний: "клас... Корреляция абсчастот с обр.... 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 В» 0.800 0,57

. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абсчастот по признак... 4 0.667 1.000 0.800 6.000 2.000 0.750

. PRC1 ■ частный критерий: цел. вероятность ¡то признака сред... Корреляция усл.отн.частст со... 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000

. PRC1 ■ частный критерий: усл. вероятность i-ro признака среа... Сумма усл.отн.частст по приз... 4 0.667 1.000 0.800 8.000 4.000 0.667 1.000 0.800

. PRC2 - частный критерий: условная вероятность ¡-го признака... Корреляция усл.отн.частот с о... 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 0.800

. PRC2 - частный критерий: условная вероятность ¡то признака... Сумма усл.отн.частот по приз,.. 4 0.667 1.000 0.800 8.000 4.000 0.667 Lom 0.800

. INF1 - частный критерий: количество знаний по АХаркевичу; в.. Семантический резонанс зна.. 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 0,00

. INF1 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 4 0.667 1.000 0.800 8.000 j 4.000 0.667 1.000 0.800

INF2 - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... * 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 0,00

INF2 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 4 0.667 1.000 0.800 8.000 4.000 0.667 1.000 0.800

. INF3 - частный критерий: Хи-кваарат. разности между Фактич... Семантический резонанс зна.. 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 мяУя

. INF3 - частный критерий: Хи-квадрат. разности между Фактич.. Сумма знаний 4 0.667 1.000 0.800 6.000 8.000 2.000 0.750 1.000

. INF4 - частный критерий: ROI (Relutn 0n Inveslmenl); вероятно... Семантический резонанс зна... 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 0,00

. INF4 - частный критерий: ROI (Relutn 0n Inveslmenl); вероятно... Сумма знаний 4 0.667 1.000 0.800 8.000 ] 4.000 0.667 1.000 0,00

. INF5 - частный критзрий: ROI (Relutn On Inveslmenl); вероятно... Семантический резонанс зна.. 4 0.667 1.000 0.800 8.000 12.000 4.000 0.667 1.000 0,00

. INF5 - частный критерий: ROI (Relutn On Inveslmenl); вероятно... Сумма знаний —Ч 0.667 1.000 0.800 8.000 4.000 0.667 1.000 0.800

. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 4 0.667 1.000 0.800 8.000 4.000 0.667 1,00 0,00

0.INF7 - частный кр^ерий: разнусли безусловностей; ве... Сумма знаний г 0.667 1.000 0.800 8.000 4.000 0.667 1,00 0,00 .

I | Помощь по мерам достоверности | Помощь по частотным распределениям | TPJN <1 1 ►Г

FP.FN | (TP-FP), (TN-FN) | (TF)AT+F)"I00 Задать интервал сглаживания |

Помощь по режимам: 4.1.3.6, 4.13.7, 4.13.8, 4.1.3.10: Виды прогнозов ía меры достоверности моделей в системе "Эйдос-Х+-»-" 1 c-:, 1 ^ jus j

Помощь по режимам; 4.1.3.6, 4.1.3.7, 4.1.3.8, 4.1.3.10; Виаы прогнозов и меры достоверности моделей в системе 'Эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Предположим, модель дает такой прогноз;- выпадет 1,2, 3; 4,5 или 5. 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 ее счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 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, имеюший, 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 о 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 1Э94 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1. +1} и -{0,1}: 1_1 = ( ТР + Т1Ч-РР-РМ )/(ТР + ТМ+ РР + Р1Ч ) (нормировка: {-1.+131 1.2- (1 + ( ТР-+ Т1Ч - РР - Ж ] / [ ТР + Т1Ч + РР + ПЧ ]) / 2 (нормировка: { 0,1}) где количество: ТР - истино-положительных решений; ТЫ - истино-отрицательных решений; РР - ложно-положительных решений; ГЫ - ложно-отрицательных решений; Классическая Р-мера достоверности моделей Ван Ризбергена (колонка выделена ярко-голубым фоном): Р-тега = 21Р1есгсюп'Р1еса11У(Р1ес15юп+Р1еса11] Ргеаяоп = Т рЩ Р+РР] - точность модели; Веса« = ТР/[ТР+РЫ] - полнота модели; И-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической Р-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым фоном!: 1_1-те1а = 2*(5 Ргегавюп'б И есаВДб Р|ес1®1оп+5 И есаИ] 3Р|ес1$юп - 3ТР/(ЭТР+ЭГР) -точность с учетом сумм уровней сходства; 5Реса11 = 5ТР/(5ТР+5РЫ) -полнота с учетом сумм уровней сходства; 5ТР - Сумма модулей сходства истино-положительных решений; 5ТМ - Сумма модулей сходства истино-отрицательных решений; 6РР - Сумма модулей сходства ложно-положительных решений; 6Р1Ч - Сумма модулей сходства ложно-отрицательных решений. 1_2-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической Р-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым Фоном): ЬЗ-тега - 2"(АРгесЬ1оп"АНеса11]/(АРгес1з1оп+АНеса11] АЙесЫоп = ДТ Р /(А ТР+АГР) -точность с учетом средних уровней сходства; АНесаН -ДТ Р/(АТ Р +ДЯ N ] -полнота с учетом средних уровней сходства; АТР=5ТР/ТР - Среднее модулей сходства истино-положительных решений; АРМ=5РМ/Р1Ч - Среднее модулей сходства истино-отрицательных решений; АРР=БРР/РР - Среднее модулей сходства ложно-положительных решений; АЖ=5 РМ/РМ - Среднее модулей сходства ложно-отрицательных решений. Строки с максимальными значениями Р-меры, 1_1 -меры и 1_2-меры выделены Фоном цвета, соответствующего колонке. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение Р-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе 1 с1йдос" / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) Рлектронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - ЮА (а|йс1е Ю): 1261702001. - Режим доступа: ИИр://е|.киЬадто.ш,'2017/02/р(й,,01 .рсК. 2 у.п.л:

¿= - - —

Рисунок 10. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и L1- и L2-криетриям проф.Е.В.Луценко [4]

Из рисунка 10 мы видим, что в данном интеллектуальном приложении по критерию L1 наиболее достоверной (0,857) является модель ЮТ3 с интегральным критерием «сумма знаний», что является хорошим показателем для данной предметной области. Эту модель мы и примем для дальнейшего рассмотрения.

2.3.5. Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» [3], присвоим наиболее достоверной СК-модели ЮТ3 статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 11):

Рисунок 11. Экранные формы придания СК-модели !п£3 статуса текущей

2.4. Семантические ядра научных специальностей и групп специальностей ВАК РФ

При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи SWOT-анализа [5]. В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи. На рисунках 12 приведены наиболее характерные и нехарактерные параметры формы тела для различных групп телят:

SWOTDiagrCls0003-06.jpg ш _ . . _ _ Щ * _ ^. Ж ¡¡Э|

Б^ЛЮТ-ДИАГРАММ/ При СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: КЛАССА ложение: " : "[3] ГРУППА-3/4-Ш ОПЫТНАЯ ^СК-анализ влияния пробиотиков н Шкала: [1] ГРУППА Класс: [3] 3/4-1II опытная группа ГРУППА" рост бычк В МОДЕЛИ: "11^3" ов" 1РЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния: 1-20

[1]ДЛИНОНОГОСТИ [1] 1/2-{47.7,48.1} 1=0.500 1=0.500 1 [10] МАССИВНОСТИ [19] 1/2-{153.5,153.7}

[2] РАСТЯНУТОСТИ [4]2/2-{119.8,120.9} 1=0.500 1=0.500 [9] КОМПЛЕКСНЫЙ [17] 1/2-{143.6,143.8}

[3] ТАЗОГРУДНОЙ [6] 2/2-{106.6,108.9} 1=0.500 1=0.500 I [8] ПЕРЕРОСЛОСТИ [15] 1/2-{101.3,101.4}

[4] ГРУДНОЙ [8] 2/2-{70.8,71.2} 1=0.500 1=0.500 I [7] МЯСНОСТИ [13] 1/2-{96.6, 96.7}

[5] СБИТОСТИ [10]2/2-{128.4,129.0} 1=0.500 1=0.500 [6] КОСТИСТОСТИ [12] 2/2-{15.8,15.9}

[6] КОСТИСТОСТИ [11] 1/2415.8,15.8} 1=0.500 1=0.500 [5] СБИТОСТИ [9] 1/2-{128.3,128.4}

[7] МЯСНОСТИ [14] 2/2-{96.7,97.7} 1=0.500 1=0.500 [4] ГРУДНОЙ [7] 1/2-{70.7,70.8}

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-20 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 15.02.2019-17:53:54 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.

SWOTDiagrCls0004-06.jpg щ

Б \ЛЮТ-Д И АГРАМ М^ При СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: КЛАССА ложение: " : "[4] ГРУППА-4/4-1У ОПЫТНАЯ ^СК-анализ влияния пробиотиков н Шкала: [1] ГРУППА Класс: [4] 4/4-1\/ опытная группа ГРУППА" рост бычк В МОДЕЛИ: "1^3" ов" 1РЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния: 1-20

[1]ДЛИНОНОГОСТИ [1] 1/2-{47.7,48.1} 1=0.500 1=0.500 1 [10] МАССИВНОСТИ [19] 1/2-{153.5,153.7}

[2] РАСТЯНУТОСТИ [4] 2/2-{119.8,120.9} 1=0.500 1=0.500 I [9] КОМПЛЕКСНЫЙ [17] 1/2-{143.6,143.8}

[3] ТАЗОГРУДНОЙ [6] 2/2-{106.6,108.9} 1=0.500 1=0.500 I [8] ПЕРЕРОСЛОСТИ [15] 1/2-{101.3,101.4}

[4] I РУДНОЙ [8] 2/2-{70.8,71.2} 1=0.500 1=0.500 I 1/]МИСНОСШ [13] 1/2-{96.6, 96.7}

[5] СБИТОСТИ [10]2/2-{128.4,129.0} 1=0.500 1=0.500 [6] КОСТИСТОСТИ [12] 2/2-{15.8,15.9}

[6] КОСТИСТОСТИ [11] 1/2415.8,15.8} 1=0.500 1=0.500 [5] СБИТОСТИ [9] 1/2-{128.3,128.4}

[7] МЯСНОСТИ [14] 2/2-{96.7,97.7} 1=0.500 1=0.500 [4] ГРУДНОЙ [7] 1/2-{70.7,70.8}

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-20 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 15.02.2019-17:54:10 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 12. Наиболее характерные и нехарактерные

параметры формы тела для различных групп телят

Выходные формы, приведенные на рисунках 12, как говорят «интуитивно понятны», т.е. не требуют особых комментариев. Отметим лишь, что информация о семантических ядрах и антиядрах ветеринарных специальностей и ветеринарии в целом может быть приведена не только в приведенных, но и во многих других табличных и графических формах, которые в данной работе не приводятся только из-за ограниченности ее размера. В частности в этих формах может быть выведена значительно более полная информация (в т.ч. вообще вся имеющая в модели). Подобная подробная

информация содержится в базе данных, расположенной по следующему пути: c:\Aidos-X\AID_DATA\A0000001\System\SWOTQs0269Inf3.DBF1.

Отметим, что система «Эйдос» обеспечивала решение этой задачи всегда, даже в самых ранних версиях. Первый акт внедрения системы «Эйдос», где об этом упоминается в явном виде, датируется 1987 годом.

у .т-г-в,р ж д а ¡а

Заведующий Краснодарским сектосок ЩСССР.к.ф.н. '''"У я / \ ".А.Хагуроа

УТВЕРЖДАЮ

У0*** '■Дирёжвйа Северо-.г1ааказского филиала ЗИЩ ^МУС-ад:оресурсн", к.э.н,

U, ' CJtjri

Э.М. Трахов 1987г.

H^ T

Настоящий акт составлен комиссией в составе: Кириченко М.М., Лязко Г. А., Самсонов Г. А., Коренец ВЛ1., Лу ценна В. В. в том, что в соответствий с договором о научно-техническом сотрудничестве между Свзеро-Навказскин филиалом йШЩ "АКУС-агроресурсы1' и Краснодар с кик сектором Института социологических исследований АН СССР СевероКавказским филиалом ЗНИЦ "АИУС-агроресурсн" выполнены следующие работы :

- осуществлена постановка задачи: "Обработка на ЭВМ социологических анкет Крайагропрома";

- разработаны математическая модель и программное обеспечение подсистемы распознавания образов, позволяющие решать данную задачу

в среде персональной технологической системы ВЕГА-М;

- на профессиональной персональной ЭВМ "Искра-226" осуществлены расчёты по задаче в объёме:

Входная информация составила ^25 анкет по 9-ти предприятиям.

Выходная информация - вида выходных форм объёмом 90 листов формата АЗ и 20 листов формата А1! содержит:

- процентное распределение ответов в разрезе по социальным типам корреспондентов; . .

- распределение информативноетей признаков (.в битах; для распознавания социальных типов корреспондентов;

- позитивные и негативные информационные портреты 30-ти социальных типов на языке 212 признаков;

- обобщённая характеристика информативности признаков для выбора такого минимального набора признаков, который содержит максимум информации о распознаваемых объектах Оптимизация анкет;=

Работы выполнены на высоком научно-методическом уровне и в срок.

От ИСК АН СССР: Мл.научный сотрудник

LLJf^ М.М.Кириченко

,Лг 1987г.

(■5л. научный сотрудник

Г. А. Ляжо "fc?—1987г.

От CP ВЕИЦ "АИУС-агроресурсы":

Зав,отделом аэрокосмических и темадаиеских изысканий М,к.э.н.

Г. А„Самсонов ~ ' ^ ^ ' -д- "1987г.

^тор проекта 1, й. Коренец ,г._.. ъ 1987г.

Главны!

^онмруктор проекта Е.В.Луценкй /> 6Ti\ 1987г.

Но тогда левая и правая части SWOT-диаграммы назывались соответственно позитивным информационным портретом класса.

1 Отметим, что dbf-файлы нормально открываются в MS Excel, в который встроен соответствующий конвертер.

3. Результаты и обсуждение (Results and discussion): применение системы «Эйдос» для классификации телят по форме тела 3.1. Подготовка исходных данных

В качестве исходных те же данные, что и в таблице 1, но без указания группы телят и дозы пробиотика в рационе (таблица 2), т.к. их как раз надо определить по форме тела телят:

Таблица 2 - Таблица исходных данных для решения задачи

классификации телят то форме тела

Группа Группа Доза пробиотика (гр/голову) Длиноногости Растянутости Тазогрудной Грудной Сбитости Костистости Мясности Перерослости Комплексный Массивности

I контрольная группа 49,21 119,75 106,19 70,68 128,30 15,94 96,57 101,34 143,58 153,50

II опытная группа 48,83 119,78 106,63 70,80 128,43 15,90 96,66 101,42 143,80 153,74

III опытная группа 47,65 120,94 108,92 71,18 128,97 15,83 97,69 102,72 144,50 154,56

IV опытная группа 48,09 120,07 107,79 70,99 128,73 15,84 97,26 102,32 144,06 154,13

Таблица 2 помещается в виде Ехсе1-файла по пути: c:\Aidos-Х\АГО_БАТА\1пр_ёа1а\1пр_га8р .хЪ.

После этого запускается программный интерфейс 2.3.2.2 с парамет-

рами, приведенными на рисунке 13.

Рисунок 13. Экранная форма программного интерфейса 2.3.2.2 для ввода в систему «Эйдос» данных для классификации телят по форме тела

На рисунке 14 приведен фрагмент распознаваемой выборки:

Рисунок 14. Экранная форма распознаваемой выборки

В верхнем окне написано наименование файла распознаваемой выборки, а в правом нижнем окне перечислены коды признаков формы тела телят той группы, на которой в верхнем окне установлен курсор.

3.2. Решение задачи классификации телят по форме тела

Сначала необходимо задать наиболее достоверную системно-когнитивную модель (СК-модель) Inf3 в качестве текущей (рисунок 15):

--II

С;) 5,6. Бь¡брать модель к делать ее текущей

Задайте текущую стаг.модель или модели, знаний Статистические базь:

1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч выборки J™ 2. PRC! - 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 Системно-когнитивные модели (Базы знаний):

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

5. INF2 ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 (? !6. INF3 ■ 'устный критерий: Хи-к.вадР0Т, размости мн>жду ■."л-тичеокимн и слипаемыми абс. частотами

7. INF4 ■ частный критерий: RCi (Return On Investment); вероятности из PRC1

8. INF5 ■ частный критерий: RGI (Return On Investment); вероятности из PRC2 3. INF6 ■ частный критерий: разн.усл.м безусл. вероятностей; вероятности из PRC1 10.INF7 - частный критерий: рази усл.и безусл.вероятностей; вероят ности из PRC2

Как задавать параметры синтеза моде пей В качестве текущей можно задать ¡¡юбую из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, подо исследованиядссговерности моделей в режиме 3.5 рекомендуется выбрать s качестве текущей базу знаний INF'i. Смысл моделей знаний, применяемых в сисгеме 'Зйаос-Х++:' раскрыт в публикациях; размещенных по адресам http^/lc.kubagro.ru/aidos/index.htrri. http^/iwm (здгрх.соппЛНе^ЭЗЗП/

Ok_J Cancel

Рисунок 15. Экранная форма задания СК-модели Inf3 текущей http://ej .kubagro.ru/2019/02/pdf/03 3 .pdf

Затем запускается режим пакетного распознавания на графическом процессоре (рисунок 16):

Рисунок 16. Экранные формы запуска и исполнения режима пакетного распознавания на графическом процессоре

На рисунке 17 мы видим выходную форму по результатам классификации телят по форме тела

Рисунок 17. Выходная форма по результатам классификации

телят по форме тела

В верхнем правом окне мы видим результаты классификации текстов с применением интегрального критерия: «Семантический резонанс знаний», в правом нижнем окне - «Сумма знаний». Рекомендуется использовать информацию из того окна, по интегральному критерию которого в режиме 3.4 мы видим более высокую достоверность (рисунок 10).

Отметим, что приведенные на рисунке 17 и других рисунках экранные формы вполне читабельны при увеличенном масштабе изображения.

3.3. Анализ результатов классификации телят по форме тела

На рисунке 18 приведена когнитивная диаграмма, отражающая сходство-различие различных групп телят по форме тела.

На рисунке 19 приведена дендрограмма когнитивной агломератив-ной кластеризации классов [6], отражающая сходство-различие различных групп телят по форме тела.

Из рисунков 18 и 19 хорошо видно, что контрольная группа телят (I) очень сходна со II группой, получавшей минимальное количество пробио-тика в рационах и они образуют кластер, которому противоположен кластер из III и IV групп и большое количество пробиотика в рационах.

На рисунке 20 приведена когнитивная диаграмма параметров формы тела бычков, а на рисунке 21 - дендрограмма когнитивной агломеративной кластеризации параметров формы тела[6], отражающая их сходство-различие по информации, которую они содержат о принадлежности телят к различным группам.

Рисунок 18. Когнитивная диаграмма, отражающая сходство-различие различных групп телят по форме тела

лысыми

ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "1^3" Приложение: "АСК-анализ влияния пробиотиков на рост бычков"

ЛША ОЛШУИйЧ&и, 2У-Ь[ Ь ЕШШДаМомиоягютм 2 ЯШОРйШЖЯЙвВШШВШИШВД 6 ГРУППА М 9 а?*тная группа 3

1 5 1 ™ I п С Ё ж

2 Ч |

МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЙ: КЛАСТЕРНАЯ ФОРМУЛА: «5,(1.2)И6,(3.4)» 22 и 67 89 133 156 178 200 Форма создана: 15.022011-20:23:23

Рисунок 19. Дендрограмма когнитивной агломеративной кластеризации [6], отражающая сходство-различие различных групп телят по форме тела:

СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1^3

КОНСТРУКТ ПРИЗНАКА: [1]-ДПИНОНОГС1СТИ-1/2-{47.6500000, 48.0900000} Приложение: АСК-анализ влияния пробиотиков на рост бычков

Сходство и различие межф признаками по и* признакам {градациям факторов, си стоне детерминации):

СХОДСТВО признаков отображается линиям и связи КРАСНОГО цвета, толщина лннин (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиям нсвпзи СИНЕГО цвета, толщина линии [приведенная в колючке в центре ганнн)отражает степень различия

Рисунок 20. Когнитивная диаграмма, отражающая сходство-различие

параметров формы тела бычков

ClustAtr-06.jpg

ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: Приложение: "АСК-анализ влияния пробиотиков на рост бычков" "1^3"

СБИТОСТИ-1/2-{128.3000000, 128.4300000} 9 КОСТИСТОС™-2/2-{15.8400000,16.9400000} 12 МЯСНОСТИ-1/2-{96.5700000,96.6600000} 13 ПЕРЕРОСЛОСТИ-1/2-{101.3400000,101.4200000} 15

1 ! 1 1 1 1 I I I о = ; ; = = ■ ; = - О : ! ; 1 ; 1 ! ! :

КОМПЛЕКСНЫИ-1/2-{143.5800000, 143.8000000} 17

ДЛИНОНОГОСТИ-2/2-{48.0900000,49.2100000} 2 РАСТЯНУГОСТИ-1/2Ч119.7500000,119.7800000} 3 ТАЗОГРУД НОЙ-1/2-{106.1900000, 106.6300000} 5 ГРУДНОЙ-1/2-{70.6800000,70.8000000} 7 СБИТОСТИ-2/2-{128.4300000, 128.9700000} 10 КОС™СТОС™-1/2-{15.8300000, 15.8400000} 11 МЯСНОСТИ-2/2-{96.6600000,97.6900000} 14 ПЕРЕРОСЛОСТИ-2/2-{101.4200000.102.7200000} 16 5

II!!!!!:

| | \ я

! | | ) | | а

КОМПЛЕКСНЫИ-2/2-{143.8000000.144.5000000} 18 МАССИВНОСТИ-2/2-{153.7400000. 154.5600000} 20 ДЛИНОНОГОСТИ-1/2-{47.6500000.48.0900000} 1 РАСТЯНУТОСТИ-2/2-{119.7800000,120.9400000} 4 ТАЗОГРУД НОЙ-2/2-{106.6300000. 108.9200000} 6 ГРУДНОЙ-2/2-{70.8000000,71.1800000} 8 1 и

1 \ 1 ! 1 1 3 ! Ч

О а

111111 о

МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЯ: 22 44 67 89 111 133 КЛАСТЕРНАЯ ФОРМУЛА: ((((9,12),(13.15)),((17.19),((2,3),(5.7)))),(((10.11),(14.16)),((18,20),((1.4),(6,8))))) 156 178 200 Форма создана: 15.02.2019-20:32:46

Рисунок 21. Дендрограмма когнитивной агломеративной кластеризации параметров формы тела бычков [6]

4. Выводы (СопЫыбюпб)

4.1. Эффективность предложенного решения проблемы

Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута.

4.2. Ограничения и недостатки предложенного решения проблемы и перспективы его развития путем

их преодоления этих ограничений и недостатков

В данной статье использовались исходные данные, уже обобщенные по группам телят, различающихся дозой пробиотика в рационах. Если бы исходные содержали первичную информацию по самим конкретным телятам, то исследование было бы более содержательным и интересным.

4.3. Заключение

Необходимо отметить, что системно-когнитивные модели, разработанные в системе «Эйдос», могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.

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

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

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

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

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

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

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

Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эйдос», предлагается назвать «Когнитивной ветеринарией» или шире «Математической ветеринарией» по аналогии с математической экономикой (08.00.13), Прикладной и математической лингвистикой (10.02.21), когнитивной лингвистикой и т.д.

Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии2.

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

Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [2, 3] и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm. [2-11].

Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения под номерами: 100, 125, 126, 127, 128, 131, 133, 134 и доступны всем желающим в режиме 1.3 системы «Эйдос». Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эй-дос-облаке под номером 144.

Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнаружить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [7].

5. Благодарности (Acknowledgements)

Автор благодарен проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи: http s: //kub sau. ru/university/rectorate/.

Список литературы (References)

1. Естефеев Д.В., Левахин Ю.И., Нуржанов Б.С. Влияние комплексного пробио-тического препарата на линейный рост подопытных животных https://biokorova.ru/vliyanie-probiotikov-na-rost-bychkov/

2. 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.

3. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эй-

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

дос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01 .pdf, 3,438 у.п.л. http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf

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

5. 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.

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

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

8. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. -№01(003). С. 388 - 414. - IDA [article ID]: 0030401016. - Режим доступа: http://ej.kubagro.ru/2004/01/pdf/16.pdf, 1,688 у.п.л.

9. Луценко Е.В. Универсальный информационный вариационный принцип развития систем / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №07(041). С. 117 - 193. - Шифр Информрегистра: 0420800012\0091, IDA [article ID]: 0410807010. - Режим доступа: http://ej.kubagro.ru/2008/07/pdf/10.pdf, 4,812 у.п.л.

10. Луценко Е.В. Системно-когнитивный анализ функций и восстановление их значений по признакам аргумента на основе априорной информации (интеллектуальные технологии интерполяции, экстраполяции, прогнозирования и принятия решений по картографическим базам данных) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. -

№07(051). С. 130 - 154. - Шифр Информрегистра: 0420900012\0066, IDA [article ID]: 0510907006. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1,562 у.п.л.

11. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.

References

1. Estefeev D.V., Levaxin Yu.I., Nurzhanov B.S. Vliyanie kompleksnogo probio-ticheskogo preparata na linejny'j rost podopy'tny'x zhivotny'x https://biokorova.ru/vliyanie-probiotikov-na-rost-bychkov/

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

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

4. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'ti-klassovoe obobshhenie F-mery' dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal Kub-GAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.

5. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvenno-go agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Kras-nodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Re-zhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.

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

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

8. Lucenko E.V. Tipovaya metodika i instrumentarij kognitivnoj strukturiza-cii i for-malizacii zadach v SK-analize / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2004. - №01(003). S. 388 - 414. -IDA [article ID]: 0030401016. - Rezhim dostu-pa: http://ej.kubagro.ru/2004/01/pdf/16.pdf, 1,688 u.p.l.

9. Lucenko E.V. UniversaFny'j informacionny'j variacionny'j princip raz-vitiya sistem / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhur-nal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Rlektronny'j resurs]. - Krasnodar: KubGAU, 2008. - №07(041). S. 117 - 193. - Shifr Informregistra: 0420800012\0091, IDA [article ID]: 0410807010. - Rezhim dostu-pa: http://ej.kubagro.ru/2008/07/pdf/10.pdf, 4,812 u.p.l.

10. Lucenko E.V. Sistemno-kognitivny'j analiz funkcij i vosstanovlenie ix znachenij po priznakam argumenta na osnove apriornoj informacii (intellektuaF-ny'e texnologii interpoly-acii, e'kstrapolyacii, prognozirovaniya i prinyatiya reshenij po kartograficheskim bazam dan-ny'x) / E.V. Lucenko // Politematicheskij setevoj e'lek-tronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Na-uchny'j zhurnal KubGAU) [Flektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №07(051). S. 130 - 154. - Shifr Informregistra: 0420900012\0066, IDA [article ID]: 0510907006. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1,562 u.p.l.

11. Lucenko E.V. UniversaFnaya kognitivnaya analiticheskaya sistema «E,jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Ku-banskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Rlek-tronny'j resurs]. - Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. - Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.