Автоматизированный системно-когнитивный анализ зависимости субъективных сомелье-оценок качества вина от его объективных физико-химических свойств Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

06.01.01 Общее земледелие, растениеводство

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ ЗАВИСИМОСТИ СУБЪЕКТИВНЫХ СОМЕЛЬЕ-ОЦЕНОК КАЧЕСТВА ВИНА ОТ ЕГО ОБЪЕКТИВНЫХ ФИЗИКО-ХИМИЧЕСКИХ СВОЙСТВ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru

Печурина Елена Каримовна РИНЦ SPIN-код: 1952-4286 geskov@mail.ru

Сергеев Александр Эдуардович

к.ф.-м.н, доцент

РИНЦ SPIN-код: 7837-9566

Кубанский государственный аграрный

университет имени И.Т.Трубилина, Краснодар,

Россия

Сомелье оценивает качество вина на основе своих субъективных ощущений. При этом то, что говорит сомелье, когда оценивает вино, непосвященному в это искусство трудно или вообще невозможно понять рационально. Сам процесс оценивания качества вина сомелье не поддается формализации и осуществляется полностью на чувственном уровне. Иногда разные сомелье по-разному оценивают одно и тоже вино, разлитое из одной и той же бочки в бутылки разной престижности с наклейками, отличающимися количеством звездочек. В этой связи возникает по крайней мере два закономерных и естественных вопроса. Первый вопрос о том, связаны ли как-либо субъективные сомелье-оценки качества вина с его объективными физико-химическими свойствами? Второй вопрос возникает в случае положительного ответа на первый: можно ли анализируя объективными методами физико-химические свойства вина предсказать его субъективную оценку различными сомелье или некоторым «обобщенным сомелье», обобщающим много подобных субъективных оценок? Данная статья посвящена получению аргументированных ответов на эти вопросы. Целью данной работы, представляющей большой научный и практический интерес, является создание модели, обеспечивающей автоматизированную оценку качества вина на основе анализа его объективных физико-химические свойства, совпадающую с его сомелье-оценкой. Для достижения этой цели применяется Автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная

UDC 004.8

General agriculture and crop production

AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE DEPENDENCE OF SUBJECTIVE SOMMELIER WINE QUALITY ASSESSMENT ON ITS OBJECTIVE PHYSICAL AND CHEMICAL PROPERTIES

Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57188763047 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru

Pechurina Elena Karimovna RSCI SPIN-code: 1952-4286 geskov@mail.ru

Sergeev Aleksandr Eduardovich Cand.Phys.-Math.Sci., associate Professor RSCI SPIN-code: 7837-9566

Kuban State Agrarian University, Krasnodar, Russia

Sommelier evaluates the quality of wine on the basis of their subjective feelings. At the same time, what the sommelier says when evaluating wine, it is difficult or impossible to rationally understand for the uninitiated to this art. The process of assessing the quality of wine by sommelier can not be formalized and is carried out entirely at the sensual level. Sometimes, different sommeliers differently evaluate the same wine poured from the same barrel into bottles of different prestige, with stickers differing in the number of stars. This raises at least two legitimate and natural questions. The first question is whether any subjective sommelier evaluations of the quality of wine are connected with its objective physical and chemical properties? The second question arises in the case of a positive answer to the first one: is it possible to analyze the objective methods of physical and chemical properties of wine to predict its subjective assessment by various sommeliers or some " generalized sommelier", generalizing many such subjective assessments? This article is devoted to obtaining reasoned answers to these questions. The purpose of this work, which is of great scientific and practical interest, is to create a model that provides an automated assessment of the quality of wine based on the analysis of its objective physical and chemical properties, coinciding with its sommelier-evaluation. To achieve this goal, we use Automated system-cognitive analysis (ASC-analysis) and its software tools - the intelligent system called "Eidos". A detailed numerical example based on 1599 real-world examples of sommelier evaluation of wine quality with known physical and chemical properties is considered. In addition to the answer to the two questions in the article, there is a study of the created

система «Эйдос». Рассматривается подробный system-cognitive model

численный пример, основанный на 1599 реальных

примерах оценки сомелье качества вин с

известными физико-химическими свойствами.

Кроме ответа на два поставленных вопроса, в

статье приводится и исследование созданной

системно-когнитивной модели

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АСК-АНАЛИЗ, СИСТЕМА «ЭЙДОС», СОМЕЛЬЕ, КАЧЕСТВО ВИНА, ФИЗИКО-ХИМИЧЕСКИЕ СВОЙСТВА ВИНА Рок 10.21515/1990-4665-149-015

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, ASC-ANALYSIS, "EIDOS" SYSTEM, SOMMELIER, WINE QUALITY, PHYSICAL AND CHEMICAL PROPERTIES OF WINE

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..........................................................................................................................................................2

ЗАДАЧА 1: КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ...............................6

ЗАДАЧА 2: ПОДГОТОВКА ИСХОДНЫХ ДАННЫХ И ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ............................................................................................................................................................6

ЗАДАЧА 3: СИНТЕЗ И ВЕРИФИКАЦИЯ СТАТИСТИЧЕСКИХ И СИСТЕМНО-КОГНИТИВНЫХ МОДЕЛЕЙ И ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ.........................................................11

ЗАДАЧА 4: РЕШЕНИЕ РАЗЛИЧНЫХ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ...........18

Подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание,

идентификация)........................................................................................................................................... 18

Подзадача 4.2. Поддержка принятия решений (SWOT-анализ).........................................................20

Подзадача 4.3. Исследование моделируемой предметной области путем исследования ее модели...........................................................................................................................................................25

4.3.1. Когнитивные диаграммы классов................................................................................................25

4.3.2. Агломеративная когнитивная кластеризация классов..............................................................26

4.3.3. Когнитивные диаграммы значений факторов............................................................................27

4.3.4. Агломеративная когнитивная кластеризация значений факторов.........................................29

4.3.5. Нелокальные нейроны и нелокальные нейронные сети.............................................................30

4.3.6. 3ё-интегральные когнитивные карты........................................................................................32

4.3.7. Когнитивные функции...................................................................................................................32

4.3.8. Сила влияния значений физико-химических свойств вина и самих этих свойств на сомелье -

оценки качества вина..............................................................................................................................35

4.3.8. Степень детерминированности (обусловленности) сомелье-оценок качества вина его объективными физико-химическими свойствами................................................................................39

5. ВЫВОДЫ........................................................................................................................................................40

СПИСОК ЛИТЕРАТУРЫ...............................................................................................................................41

Введение

Сомелье оценивает качество вина на основе своих субъективных ощущений.

Однако, то, что говорит сомелье, когда оценивает вино, непосвященному в это искусство трудно или вообще невозможно понять рационально. Кроме того считается, что сам процесс оценивания качества вина сомелье не поддается формализации и осуществляется полностью на чувственном уровне. Более того, иногда разные сомелье по-разному

оценивают одно и тоже вино, разлитое из одной и той же бочки в бутылки разной престижности с наклейками, отличающимися количеством звездочек. Это можно считать последней каплей дегтя, переполнившей бочку с вином, т.е. проблемой, которую надо решать.

В этой связи возникает по крайней мере два закономерных и естественных вопроса.

Первый вопрос о том, связаны ли как-либо субъективные сомелье оценки качества вина с его объективными физико-химическими свойствами?

Второй вопрос возникает в случае положительного ответа на первый: можно ли анализируя объективными методами физико-химические свойства вина предсказать его субъективную оценку различными сомелье или даже некоторым «обобщенным сомелье», обобщающим много подобных субъективных оценок?

Данная статья посвящена получению аргументированных ответов на эти вопросы.

Целью данной работы, представляющей большой научный и практический интерес, является создание модели, обеспечивающей автоматизированную оценку качества вина на основе анализа его объективных физико-химические свойства, совпадающую с его сомелье-оценкой.

Для достижения этой цели применяется Автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос». Рассматривается подробный численный пример, основанный на 1599 реальных примерах оценки сомелье качества вин с известными физико-химическими свойствами. Кроме ответа на два поставленных вопроса в статье приводится и исследование созданной системно-когнитивной модели.

Для достижения этой цели необходимо решить следующие задачи, которые получаются путем декомпозиции цели и являются этапами ее достижения:

Задача 1: когнитивная структуризация предметной области.

Задача 2: подготовка исходных данных и формализация предметной области.

Задача 3: синтез и верификация статистических и системно-когнитивных моделей и выбор наиболее достоверной модели.

Задача 4: решение различных задач в наиболее достоверной модели:

- подзадача 4.1. Прогнозирование (диагностика, классификация, распознавание, идентификация);

- подзадача 4.2. Поддержка принятия решений;

- подзадача 4.3. Исследование моделируемой предметной области путем исследования ее модели (когнитивные диаграммы классов и значений факторов, агломеративная когнитивная кластеризация классов и

значений факторов, нелокальные нейроны и нейронные сети, 3d-интегральные когнитивные карты, когнитивные функции).

Эти задачи по сути представляют собой этапы Автоматизированного системно-когнитивный анализа (АСК-анализ), который и поэтому и предлагается применить для их решения.

АСК-анализ представляет собой метод искусственного интеллекта, разработанный проф. Е.В. Луценко в 2002 году [1] для решения широкого класса задач идентификации, прогнозирования, классификации, диагностики, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели. АСК-анализ доведен до инновационного уровня благодаря тому, что имеет свой программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос-Х++» (система «Эйдос»).

Система «Эйдос» выгодно 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 зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их 31 и 149, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);

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

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5 .com/map3 .php);

- 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 некоторых форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf).

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария - интеллектуальной системы «Эйдос» в качестве метода и инструмента решения поставленной проблемы (рисунок 1).

Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»

с

Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)

J

Формализация предметной области

Средства кодирования исходных данных

lnp_data, lnp_data.xls

Исходные данные

Class_Sc, Gr_CISc

Классификационные шкалы и градации

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания и решения задач в АСК-анализе

и системе «Эйдос»

Рассмотрим решение поставленных задач в численном примере.

Задача 1: когнитивная структуризация предметной области

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

При этом необходимо отметить, что системно-когнитивные модели (СК-модели) отражают лишь сам факт наличия зависимостей между значениями факторов и результатами их действия. Но они не отражают причин и механизмов такого влияния. Это значит, что содержательная интерпретация СК-моделей - это компетенция специалистов-экспертов хорошо разбирающихся в данной предметной области. Иногда встречается ситуация, когда и то, что на первый взгляд является причинами, и то, что казалось бы является их последствиями, на самом деле является последствиями неких глубинных причин, которых мы не видим и никоим образом непосредственно не отражаем в модели.

В данной работе в качестве классификационной шкалы выбрана субъективная сомелье-оценка качества вина, а в качестве факторов, влияющих на эту оценку - различные устанавливаемые объективными методами физико-химические свойства вина.

Задача 2: подготовка исходных данных и формализация предметной области

Исходные данные для данной статьи (таблица 1) взяты с известных сайтов с данными для машинного обучения Kaggle и UCI [2, 3]. Авторами этих данных являются авторы работы: [4].

Из-за ограничений на объем статьи в таблице 1 приведен фрагмент исходных данных из 40 строк, что составляет около 2.5% всех наблюдений (полная таблица включает 1599 наблюдение).

Затем с параметрами, показанными на рисунке 2, запустим режим 2.3.2.2 системы «Эйдос», представляющий собой автоматизированный программный интерфейс (API) с внешними данными табличного типа. На рисунке 2 приведены реально использованные параметры.

Обратим внимание, что заданы адаптивные интервалы, учитывающее неравномерность распределения данных по значениям. В классификационных шкалах задано 5 числовых интервальных значений (5-бальная шкала), а в описательных - 10.

На рисунке 3 приведен Help данного режима, в котором объясняется принцип организации таблицы исходных для данного режима.

Таблица 1 - Исходные данные для ввода в систему «Эйдос» (фрагмент)1

fixed acidity volatile acidity citric acid residual sugar chlorides free sulfur dioxide total sulfur dioxide density X Πsulphates alcohol quality

1 l,4 0,10 0,00 1,9 0,016 11 34 0,9918 3,51 0,56 9,4

2 l,8 0,88 0,00 2,6 0,098 25 61 0,9968 3,20 0,68 9,8

3 l,B 0,16 0,04 2,3 0,092 15 54 0,9910 3,26 0,65 9,8

4 11,2 0,28 0,56 1,9 0,015 11 60 0,9980 3,16 0,58 9,8

б l,4 0,10 0,00 1,9 0,016 11 34 0,9918 3,51 0,56 9,4

б l,4 0,66 0,00 1,8 0,015 13 40 0,9918 3,51 0,56 9,4

l l,9 0,60 0,06 1,6 0,069 15 59 0,9964 3,30 0,46 9,4

В l,3 0,65 0,00 1,2 0,065 15 21 0,9946 3,39 0,41 10,0

9 l,B 0,58 0,02 2,0 0,013 9 18 0,9968 3,36 0,51 9,5

10 l,5 0,50 0,36 6,1 0,011 11 102 0,9918 3,35 0,80 10,5

11 6,1 0,58 0,08 1,8 0,091 15 65 0,9959 3,28 0,54 9,2

12 l,5 0,50 0,36 6,1 0,011 11 102 0,9918 3,35 0,80 10,5

13 б,б 0,62 0,00 1,6 0,089 16 59 0,9943 3,58 0,52 9,9

14 1,8 0,61 0,29 1,6 0,114 9 29 0,9914 3,26 1,56 9,1

15 8,9 0,62 0,18 3,8 0,116 52 145 0,9986 3,16 0,88 9,2

1б 8,9 0,62 0,19 3,9 0,110 51 148 0,9986 3,11 0,93 9,2

1l 8,5 0,28 0,56 1,8 0,092 35 103 0,9969 3,30 0,15 10,5

18 8,1 0,56 0,28 1,1 0,368 16 56 0,9968 3,11 1,28 9,3

19 1,4 0,59 0,08 4,4 0,086 6 29 0,9914 3,38 0,50 9,0

20 1,9 0,32 0,51 1,8 0,341 11 56 0,9969 3,04 1,08 9,2

21 8,9 0,22 0,48 1,8 0,011 29 60 0,9968 3,39 0,53 9,4

22 1,б 0,39 0,31 2,3 0,082 23 11 0,9982 3,52 0,65 9,1

23 1,9 0,43 0,21 1,6 0,106 10 31 0,9966 3,11 0,91 9,5

24 8,5 0,49 0,11 2,3 0,084 9 61 0,9968 3,11 0,53 9,4

25 б,9 0,40 0,14 2,4 0,085 21 40 0,9968 3,43 0,63 9,1

2б б,3 0,39 0,16 1,4 0,080 11 23 0,9955 3,34 0,56 9,3

2l 1,б 0,41 0,24 1,8 0,080 4 11 0,9962 3,28 0,59 9,5

2В 1,9 0,43 0,21 1,6 0,106 10 31 0,9966 3,11 0,91 9,5

29 1,1 0,11 0,00 1,9 0,080 14 35 0,9912 3,41 0,55 9,4

30 1,8 0,65 0,00 2,0 0,082 8 16 0,9964 3,38 0,59 9,8

31 б,1 0,68 0,01 2,4 0,089 11 82 0,9958 3,35 0,54 10,1

32 б,9 0,69 0,00 2,5 0,105 22 31 0,9966 3,46 0,51 10,6

33 8,3 0,66 0,12 2,3 0,083 15 113 0,9966 3,11 0,66 9,8

34 б,9 0,61 0,12 10,1 0,013 40 83 0,9993 3,45 0,52 9,4

35 5,2 0,32 0,25 1,8 0,103 13 50 0,9951 3,38 0,55 9,2

Зб 1,8 0,65 0,00 5,5 0,086 5 18 0,9986 3,40 0,55 9,6

3l 1,8 0,60 0,14 2,4 0,086 3 15 0,9915 3,42 0,60 10,8

38 8,1 0,38 0,28 2,1 0,066 13 30 0,9968 3,23 0,13 9,1

39 5,1 1,13 0,09 1,5 0,112 1 19 0,9940 3,50 0,48 9,8

40 1,3 0,45 0,36 5,9 0,014 12 81 0,9918 3,33 0,83 10,5

1 Полную таблицу исходных данных, представленную в таблице 1, можно скачать с FTP-сервера системы «Эйдос» по ссылке: http://aidos.byethost5.com/Source data applications/Applications-000148/Inp data.xls

Рисунок 2. Экранные форма программного интерфейса (API) 2.3.2.2 системы «Эйдос» с внешними данными табличного типа2

' Все рисунки в статье приведены с достаточно высоким разрешением и при увеличении масштаба просмотра вполне читабельны

Рисунок 3. Экранные форма HELP программного интерфейса (API) 2.3.2.2

В результате работы режима сформировано классификационная шкалы с суммарным количеством градаций (классов) 5 (таблица 2) и 10 описательных шкал с суммарным числом градаций 50 (таблица 3, рисунок 4).

Таблица 2 - Классификационные шкалы и градации (субъективные сомелье-ценки оценки качества вина)

KOD CLS NAME CLS

1 QUALITY-1/5-{8.4000000, 9.5000000}

2 QUALITY-2/5-{9.5000000, 9.9000000}

3 QUALITY-3/5-{9.9000000, 10.5000000}

4 QUALITY-4/5-{10.5000000, 11.3000000}

5 QUALITY-5/5-{11.3000000, 14.9000000}

Таблица 3 - Описательные шкалы и градации

(объективные физико-химические свойства вина)

KOD ATR NAME ATR

1 VOLATILE ACIDITY-1/5-{4.6000000, 7.0000000}

2 VOLATILE ACIDITY-2/5-{7.0000000, 7.6000000}

3 VOLATILE ACIDITY-3/5-{7.6000000, 8.3000000}

4 VOLATILE ACIDITY-4/5-{8.3000000, 9.7000000}

5 VOLATILE ACIDITY-5/5-{9.7000000, 15.9000000}

6 CITRIC ACID-1/5-{0.1200000, 0.3700000}

7 CITRIC ACID-2/5-{0.3700000, 0.4700000}

8 CITRIC ACID-3/5-{0.4700000, 0.5700000}

9 CITRIC ACID-4/5-{0.5700000, 0.6600000}

10 CITRIC ACID-5/5-{0.6600000, 1.5800000}

11 RESIDUAL SUGAR-1/5-{0.0000000, 0.0700000}

12 RESIDUAL SUGAR-2/5-{0.0700000, 0.2100000}

13 RESIDUAL SUGAR-3/5-{0.2100000, 0.3200000}

14 RESIDUAL SUGAR-4/5-{0.3200000, 0.4600000}

15 RESIDUAL SUGAR-5/5-{0.4600000, 1.0000000}

16 CHLORIDES-1/5-{0.9000000, 1.8000000}

17 CHLORI DES-2/5-{1.8000000, 2. 1000000}

18 CHLORI DES-3/5-{2. 1000000, 2.3000000}

19 CHLORIDES-4/5-{2.3000000, 2.7000000}

20 CHLORIDES-5/5-{2.7000000, 15.5000000}

21 FREE SULFUR DI0XIDE-1/5-{0.0120000, 0.0670000}

22 FREE SULFUR DI0XIDE-2/5-{0.0670000, 0.0760000}

23 FREE SULFUR DI0XIDE-3/5-{0.0760000, 0.0820000}

24 FREE SULFUR DI0XIDE-4/5-{0.0820000, 0.0940000}

25 FREE SULFUR DI0XIDE-5/5-{0.0940000, 0.6110000}

26 TOTAL SULFUR DI0XIDE-1/5-{1.0000000, 6.0000000}

27 T0TAL SULFUR DI0XIDE-2/5-{6.0000000, 11.0000000}

28 T0TAL SULFUR DI0XIDE-3/5-{11.0000000, 16.0000000}

29 T0TAL SULFUR DI0XIDE-4/5-{16.0000000, 24.0000000}

30 T0TAL SULFUR DI0XIDE-5/5-{24.0000000, 72.0000000}

31 DENSITY-1/5-{6.0000000, 19.0000000}

32 DENSITY-2/5-{19.0000000, 30.0000000}

33 DENSITY-3/5-{30.0000000, 45.0000000}

34 DENSITY-4/5-{45.0000000, 69.0000000}

35 DENSITY-5/5-{69.0000000, 289.0000000}

36 PH-1/5-{0.9900700, 0.9953400}

37 PH-2/5-{0.9953400, 0.9963000}

38 PH-3/5-{0.9963000, 0.9971400}

39 PH-4/5-{0.9971400, 0.9981700}

40 PH-5/5-{0.9981700, 1.0036900}

41 SULPHATES-1/5-{2.7400000, 3.1800000}

42 SULPHATES-2/5-{3.1800000, 3.2800000}

43 SULPHATES-3/5-{3.2800000, 3.3500000}

44 SULPHATES-4/5-{3.3500000, 3.4200000}

45 SULPHATES-5/5-{3.4200000, 4.0100000}

46 ALC0H0L-1/5-{0.3300000, 0.5400000}

47 ALC0H0L-2/5-{0.5400000, 0.5900000}

48 ALC0H0L-3/5-{0.5900000, 0.6500000}

49 ALC0H0L-4/5-{0.6500000, 0.7600000}

50 ALC0H0L-5/5-{0.7600000, 2.0000000}

ПАРАМЕТРЫ ШКАЛ И ГРАДАЦИЙ С АДАПТИВНЫМИ ГРАНИЦАМИ И ПРИМЕРНО с коррекцией ошибки округления числа наблюдений по интервалу

КЛАССИФИКАЦИОННАЯ ШКАЛА:код: [ 1], н

: "QUALITY"j набл.н

1 H им.градации: 1/5-{ 8.4000t 300 , 9.1

2 H им.градации: 2/5-{ 9.5000С 300, 9 Л

3 H им.градации: 3/5-{ 9.9000É 300, 10.!

4 H им.градации: 4/5-{10.5000( 300, 11.:

5 H им.градации: 5/5-{11.3888С 300, 14.<

АВНЫМ КОЛИЧЕСТВОМ НАБЛЮДЕНИЙ ПО ГРАДАЦИЯМ радации при переходе к следующей градации

шкалу (всего):1599, тип/число градаций азмер интервала= 1.1000000, расч./фан азмер интервала^ 0.4000000, расч./факт азмер интервала= 0.6000000, расч./факт азмер интервала^ 0.8000000, расч./факт азмер интервала= 3.6000000, расч./факт

людений н людений н людений н

событий в интервалах"/5

адацию: адацию: адацию:

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 1], h

im.градации: 1/5-{ 4

im.градации: 2/5-{ 7.06

im.градации: 3/5-{ 7.66

im.градации: 4/5-{ 8.300

im.градации: 5/5-{ 9.7

"VOLATILE ACIDITY", набл.на шкалу (всего):1599, тип/число градаций в

ie:"Равное ч

Э}, размер интервала= 2.4

30}, размер интервала^ 0.60Ё

8.3000000}, размер интервала= 0.70G

, размер интервала= 1.40Ё

, расч./факт.число наблюдений на градацию

, расч./факт.число наблюдений на градацию

, расч./факт.число наблюдений на градацию

, расч./факт.число наблюдений на градацию

, расч./факт.число наблюдений на градацию

событий в интервалах"/5 319/319 320/320 320/320 320/320 320/320

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 2], наим.: "CITRIC ACID", набл.на шкалу (всего):1599, тип/' о.градации: 1/5-{0.1200000, 0.3700000}, размер интервалам.2500000, градации: 2/5-{0.3700000, 0.4700000}, размер интервалам. 1000000, градации: 3/5-{0.4700000, 0.5700000}, размер интервалам. 1000000 градации: 4/5-{0.5700000, 0.6600000}, размер интервалам.

10 Наим.градации: 5/5-{0.6600000, 1.5800000}, размер интервалам.9200000

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 3], наим.: "RESIDUAL SUGAR", набл.на шкалу (всего):1599,

11 Наим.градации: 1/5-{0.0000000, 0.0700000}, размер интервалам.0700000

12 Наим.градации: 2/5-{0.0700000, 0.2100000}, размер интервалам, ■(.градации: 3/5-{0.2100000, 0.3200000}, размер интервалам. 1100000 о.градации: 4/5-{0.3200000, 0.4600000}, размер интервалам. 1400000 л. градации: 5/5-{0.4608000, 1.0000000}, размер интервалам. 5400000

15 Наим

расч./фак расч./фак расч./фак расч./фак расч./фак

число наблюдений число наблюдений число наблюдений число наблюдений

число событий в интервалах"/5 з градацию: 319/319 а градацию: 320/320 з градацию: 320/320 а градацию: 320/320 з градацию: 320/320

ип/число градаций в

расч./факт.число наблюдений н расч./факт.число наблюдений ^ расч./факт.число наблюдений ^ расч./факт.число наблюдений н расч./факт.число наблюдений н

;:"Равное число событий в интервалах"/5

градацию: 319/319

градацию: 320/320

градацию: 320/320

i градацию: 320/320

i градацию: 320/320

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [

4], Н

17 Наим

18 Наим

19 Наим

i.градации: 1/5-{ 0.!

i.градации: 2/5-{ 1.1

i.градации: 3/5-{ 2.1Í

I.градации: 4/5-{ 2.3(

i.градации: 5/5-{ 2.7Í

CHLORIDES", набл.на шкалу (всего):1599, тип/число градаций в шкале:"Равное числ

наблюдений н

наблюдений на градацию:

наблюдений на градацию:

наблюдении на градацию:

, 15.5000000}, размер интервала=12.8000000, расч./факт.число наблюдений на градацию:

размер интервала= 0.9000000, расч./факт.ч

размер интервала= 0.3000000, расч./факт.ч

2.3000000}, размер интервала= 0.2000000, расч./факт.ч

I}, размер интервала= 0.4000000, расч./факт.ч

I}, размер интервала=12.8000000, расч./факт.ч

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 5], h

25 Наим

i. градации: 1/5-{0.0120000

i.градации: 2/5-{0.0670000

i.градации: 3/5-{0

I.градации: 4/5-{0.0820000

i.градации: 5/5-{0

"FREE SULFUR DIOXIDE", набл.на шкалу (всего):1599, тип/число градаций е

i, 0.0670000}, размер интервалам.0550000

i, 0.0760000}, размер интервалам.0090000

', 0.0820000}, размер интервалам.0060000

i, 0.0940000}, размер интервалам.0120000

', 0.6110000}, размер интервалам.5170000

расч./фак расч./фак расч./фак расч./фак расч./фак

число наблюдений н

число наблюдений н

число наблюдений н

число наблюдений н

число наблюдений н

радацию: радацию: радацию: радацию: радацию:

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 6], наим.: "TOTAL SULFUR DIOXIDE"

26 Наим.градации: 1/5-{ 1.0000000, 6.0000000}, разм

27 Наим.градации: 2/5-{ 6.0000000, 11.0000000}, разм

28 Наим.градации: 3/5-{11.0000000, 16.0000000},

29 Наим.градации: 4/5-{1б.0000000, 24.0000000}, разм

30 Наим.градации: 5/5-{24.0000000, 72.0000000}, разм

на шкалу (все интервала= 5. р интервала= 5.

о):1599, тип/число градаций в шкале:"Равное ч

, расч./факт

, расч./факт

, расч./факт

, расч./факт

, расч./факт

з наблюдений на градацию:

з наблюдений на градацию:

з наблюдений на градацию:

з наблюдений на градацию:

з наблюдений на градацию:

событий в интервалах"/5

з событий в интервалах"/5

320

320

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 7],

35 Наим

i. градации: 1/5-{

i.градации: 2/5-{ 19.0

i.градации: 3/5-{ 30.0

i.градации: 4/5-{ 45.0

i.градации: 5/5-{ 69.0

"DENSITY", набл.на шкалу (всего):1599, тип/число градаций в

, 289

размер интервала= 13.0 размер интервала= 11.0 размер интервала= 15.0 размер интервала^ 24.0 размер интервала=220.0

, расч./факт.

, расч./факт.

, расч./факт.

, расч./факт.

, расч./факт.

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 8], наим.: "РН", набл.на шкалу (всего):1599, тип/число градаций в шка/

36 Наим.градации: 1/5-{0.9900700, 0.9953400}, размер интервалам.0852700, расч./факт

37 Наим.градации: 2/5-{0.9953400, 0.9963000}, размер интервалам.0009600, расч./фа!

38 Наим.градации: 3/5-{0.9963000, 0.9971400}, размер интервалам.0008400, расч./фа!

39 Наим.градации: 4/5-{0.9971400, 0.9981700}, размер интервалам.0010300, расч./фа>

40 Наим.градации: 5/5-{0.9981700, 1.0036900}, размер интервалам.0055208, расч./фа!

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 9], наим.: "SULPHATES", набл.на шкалу (всего) :1599, тип/число градаций в

41 Наим.градации: 1/5-{2.7400000, 3.1800000}, размер интервалам.4400000, расч./факт.чи

42 Наим.градации: 2/5-{3.1888800, 3.2888888}, размер интервалам. 1800000, расч./факт.чи

43 Наим.градации: 3/5-{3.2800000, 3.3500000}, размер интервалам.0700000, расч./факт.чи

44 Наим.градации: 4/5-{3.3500000, 3.4200000}, размер интервалам.0700000, расч./факт.чи

45 Наим.градации: 5/5-{3.4288800, 4.0188000}, размер интервалам.5900008, расч./факт.чи

ОПИСАТЕЛЬНАЯ ШКАЛА:код: [ 18], наим.: "ALCOHOL", набл.на шкалу (всего) :1599, тип/число градаций в ш

46 Наим.градации: 1/5-{0.3300000, 0.5400000}, размер интервалам.2100000, расч./факт.чи

47 Наим.градации: 2/5-{0.5400000, 0.5900000}, размер интервалам.0500000, расч./факт.чи

48 Наим.градации: 3/5-{0.5900000, 0.6500000}, размер интервалам.0600000, расч./факт.чи

49 Наим.градации: 4/5-{0.6588880, 0.7688880}, размер интервалам. 1100000, расч./факт.чи _50 Наим.градации: 5/5-{0.7600000, 2.0000000}, размер интервалам.2400068, расч./факт.чи

"Равное число событий в интервалах"/5

жсло наблюдений на градацию: 319/319

жсло наблюдений на градацию: 320/328

жсло наблюдений на градацию: 320/320

жсло наблюдений на градацию: 320/320

жсло наблюдений на градацию: 320/320

з событий в интервалах"/5

з наблюдений на градацию:

э наблюдений на градацию:

з наблюдений на градацию:

з наблюдений на градацию:

з наблюдений на градацию:

319/319 328/328 320/320 320/320 320/320

з наблюдений н

з наблюдений н

з наблюдений н

з наблюдений н

э наблюдений н

з наблюдений н

з наблюдений н

з наблюдений н

з наблюдений н

з наблюдений н

з событий в интервалах"/5

градацию градацию градацию градацию градацию

319/319 320/328 320/320 320/320 320/320

по событий в интервалах"/5 з градацию: 319/319 з градацию: 320/328 з градацию: 320/320 а градацию: 328/328 а градацию: 320/320_

Рисунок 4. Классификационные и описательные шкалы и градации http://ej .kubagro.ru/2019/05/pdf/15.pdf

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

t) 2.4. Просмотр ЭБентологических баз данных (баз событий). Текущая

ii

Наименований объекта 12. QUALITY а Ц VOLATILE CITRIC ACfDITY ACID RESIDUAL SUGAR.. 5, CHLORIDES sto FREE SULFUR DIOXIDE Ш TOTAL SULFUR DIOXIDE |f |i| -

J 1 1 2 10 11 17 22 27 33 39 45 47

2 2 2 3 10 11 19 25 30 34 38 42 49

3 3 2 3 10 11 18 24 28 34 38 42 48

4 4 2 5 6 15 17 22 29 34 39 41 47

5 5 Г 2 10 11 17 22 тГ 33 зГ 45 47

6 6 1 2 9 11 1« 22 28 33 39 45 47

7 7 1 3 9 11 16 22 28 34 38 43 46

8 8 3 2 9 11 16 21 28 32 36 44 46

9 8 1 3 9 11 17 22 27 31 38 44 47

10 10 3 2 8 14 20 22 29 35 39 43 50

11 11 г 1 9 12 16 25 28 34 37 42 46

12 12 3 2 s 14 20 22 29 35 39 43 50

13 13 г 1 11 16 24 2fT 34 зГ 45 46

14 14 1 q 13_ 1i „ Л7 чп

г и н |Д : ш н M Л 11 d

1 '' I

III- _

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 (таблицы 2 и 3).

Номера колонок в обучающей выборке (внизу) совпадают с номерами колонок в таблице 1.

Таким образом созданы все необходимые и достаточные условия для выполнения следующего этапа АСК-анализа: т.е. для синтеза и верификации моделей.

Задача 3: синтез и верификация статистических и системно-когнитивных моделей и выбор наиболее достоверной модели

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

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).

Из рисунка 7 видно, что весь процесс синтеза и верификации моделей занял 1 минуту 42 секунды. 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 возможной обработку больших объемов исходных данных за

разумное время. В процесс синтеза и верификации моделей осуществляется также расчет 10 выходных форм, на что уходит более 99% времени исполнения.

Рисунок 6. Экранная форма режима синтеза и верификации статистических и системно-когнитивных моделей системы «Эйдос»

Ф 3.5. Выбор моделей дл»

и верификации

I виеМ

г Стадии исполнения процесса-

Шаг 1 -й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "АВЭ" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "РРС1" и "Р1ЧС2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11:Синтез системно-когнитивных моделей: 1ЫРНЫР7- Готово

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...

Шаг 5-й из 11: Задание модели "1МР7" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "1МР7" - Готово

Шаг 7-й из 11: Измерение достоверности модели: "1п{7" - Интегральный критерий: "Сумма знаний" - Готово

КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...

Шаг 8-й из 11: Объединение БД 0о81Р1зр# в БД DostRasp - Готово

Шаг 9-й из 11: Печать сводной формы по результатам верификации моделей - Готово

Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово

Шаг 11-й из 11 "Присвоение заданной модели:1пЛ статуса текущей" - Готово

Синтез и верификация статистических и системно-когнитивных моделей упешно завершены !!!

—Прогноз времени и Начало: 05:42:40

Прошло: 0:01:42

Осталось: 0:00:00

Рисунок 7. Экранная форма с отображением стадии процесса исполнения синтеза и верификации моделей и прогноза времени его окончания

Фрагменты самих созданных статистических и системно-когнитивных моделей (СК-модели) приведены на рисунках 8, 9, 10:

С) 5.5. Моде ль: "1. ABS - частный критерий: количество встреч сочетаний: "Класс-признак*" у объектов !"

Код. Наименование описательной 1. признака шкалы и градации QUALITY 1/5 18.4000000. 9.50000001 р QUALITY 2Л (9.5000000. 9.9000000} 3.. 4. QUALITY QUALITY 3/5 4/5 0.9000000. (10.5000000. 10.5000000} 11.3000000} 8 QUALITY 5/5 (11.3000000. 14.9000000} Сумма Среднее'

1 VOLATILE ACID1Т Y-1 /5-{4.6000000.7.00000001 64 41 66 85 106 362 72.40 24 42

2 VOLATILE ACI D1Т Y-2/5-{7.0000000.7.60000001 97 60 66 50 37 310 62.00 22 44

3 VOLATILE ACIDITY-3/5-{7.6000000.8.3000000} 119 50 38 51 39 297 59.40 33 86

4 VOLATILE ACI D1T Y-4/5-{8.3000000.9.70000001 91 51 61 51 59 313 62.60 i7 52~

5 VOLATILE ACIDITY-5/5-0.7000000,15.90000001 65 41 73 67 71 317 63.40 12~ 92 '

6 51 25 54 95 111 336 67.20 35 03

1 7 CITRIС ACID-2/5-10.3700000, 0.47000001 87 37 «7 55 70 316 63.20 18 58

8 CITRIC ACID-3/5-Ю.4700000, 0.57000001 99 43 62 54 54 312 62.40 21 .55

9 CITRI С ACID-4/5-{0.5700000, 0.6600000} 106 76 60 40 38 320 64.00 2Г IT

10 93 62 61 60 39 315 63.00 -19.

12 RESIDUAL S U GAR -2/5 -{0.0700000.0.2100000} 109 64 70 43 38 324 64.60 -2S~ 17

13 RESIDUAL SUGAR-3/5-{0.2100000.0.3200000} 111 51 73 51 34 320 64.00 29 70

14 RESIDUAL SUGAR-4/5-{0.3200000,0.4600000} 73 16 45 68 94 296 59.20 29 ~lT

15 RESIDUAL SUGAR-5/5-{0.4600000,1.0000000} 73 36 60 67 83 319 63.80 17 68

16 CHL0 RIDES-1 /Н0.9000000. 1.8000000} 113 55 63 52 64 347 69.40 24 91

17 CHLO RIDES-2/5-{1 .8000000, 2.1000000} 119 74 79 71 60 403 80.60 22 TT

IS CHLO RIDES-3/5-{2.1000000, 2.3000000} 60 48 39 47 49 243 4S.60 --

20 CHLO RIDES-5/M2.7000000. 15.5000000} 79 27 66 64 79 315 63.00 21 32

21 FREE SULFUR DIOXIDE-1 /5-{0.0120000. 0.0670000} 21 4е 85 133 324 64.80 ii 7Г

1 22 FREE SULFUR DIOXIDE-2/5-{0.0670000. 0.0760000} 104 49 63 59 68 343 68.60 20 98

—— __

Рисунок 8. Матрица абсолютных частот (фрагмент)

Рисунок 9. Матрица информативностей INF1 (фрагмент)

5.5. Модель: "6. INF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс-частотами" Сумма Сроднее .«и 0 м» ■ J

1 1 VOLATILE ACIDITY-1/5-{4.6000000.7.0000000} -34.707 -14.013 -2.823 16.177 35.366 0.000 0.000

2 VOLATILE ACIDITY-2/5-{7.0000000.7.6000000} 12.472 12.889 7.063 -8.937 -23.488 0.000 0.000 15.836

3 VOLATILE ACIDITY-3/5-(7.6000000.8.3000000} 38.017 4.865 -18.465 -5.465 -18.951 0.000 0.000 23.446

4 VOLATILE ACIDITY-4/5-{8.3000000.9.7000000} 5.654 3.433 1.493 -8.507 -2.073 0.000 0.000 5.538

5 VOLATILE ACIDITY-5/5-{9.7000000.15.9000000}... -21.437 -7.174 12.732 6.732 9.146 0.000 14.161

6 -40.617 -26.062 -9.880 31.120 45.439 0.000 0.000 36.945

7 0.836 -11.023 6.922 -5.078 8.341 0.000 8.147

8 13.927 -4.415 2.683 -5.317 -6.878 0.000 8.606

9 CITRIC ACID-4/5-{0.5700000.0.6600000} 18.745 27.370 -0.838 -20.838 -24.439 0.000 0.000 23.090

10 7.109 14.129 1.113 0.113 -22.463 0.000 0.000 13.748

11 RESIDUAL SUGAR-1 /5-(0.0000000.0.0700000} ... -22.708 24.330 -8.640 10.360 -3.341 0.000 18.033

12 RESIDUAL SUGAR-2/5-{0.0700000.0.2100000} ... 20.655 14.762 8.402 -18.598 -25.220 20.598

13 RESIDUAL SUGAR-3/5-{0.2100000.0.3200000} ... 23.745 2.370 12.162 -9.838 -28.439 20.143

14 RESIDUAL SUGAR-4/5-{0.3200000.0.4600000} ... -7.710 -28.983 -11.275 11.725 36.244 0.000 0.000 24.888

15 RESIDUAL SUGAR-5/5-(0.4600000.1.0000000} ... -13.982 -12.478 -0.648 6.352 20.756 14.342

16 CHLORIDES-1 /5-{0.9000000.1.8000000} 18.383 2.266 -2.971 -13.971 -3.707 0.000 0.000 11.841

17 CHL0RIDES-2/5-(1.8000000.2.1000000} 9.114 12.756 2.382 -5.618 -18.634 0.000 0.000 12.552

18 CHL0RIDES-3/5-{2.1000000.2.3000000} -6.259 11.071 -7.199 o.eoi 1.585 0.000 0.000 7.361

19 CHLORIDES-4/5-(2.3000000.2.7000000} -14.347 -5.223 1.675 14.675 3.220 0.000 10.743

| 20 CHL0RIDES-5/5-(2.7000000.15.5000000} -6.891 -20.871 6.113 4.113 17.537 0.000 0.000 14.533

21 FREE SULFUR DIOXIDE-1/5-10.0120000.0.06700... -51.345 -28.238 -13.598 23.402 69.780 47.528

1 22 1 FREE SULFUR D10XIDE-2/5-ffl.0670000.0.07600... и -3.126 -2.211 -6.211 1.073 0.000 0.000 6.405

111- _ ^^^^^^^^^^ ^^^^^ —III

Рисунок 10. Модель ЮТ3 (фрагмент)

Отметим, что в АСК-анализе и СК-моделях степень выраженности различных физико-химических свойств вина рассматривается с одной единственной точки зрения: какое количество информации содержится в них о том, какую оценку качества даст этому вину сомелье [5]. Поэтому не играет никакой роли в каких единицах измерения измеряются те или иные

физико-химические свойства вина, а также в каких единицах измерения дает оценку качества вина сомелье [5]. Это решение проблемы сопоставимости в АСК-анализе и системе «Эйдос», отличающее их от других интеллектуальных технологий.

Верификация статистических и системно-когнитивных моделей

Отметим, что для исследования достоверности мы используем СК-модели с 5 адаптивными градациями классификационной шкалы и 50 адаптивными градациями в описательных шкалах, т.к. при таком варианте типа и числа градаций результаты более наглядные, чем при других (из исследованных).

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации объектов обучающей выборки 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 [6]. В режиме 3.4 системы «Эйдос» изучается достоверность каждой частной модели в соответствии с этими мерами достоверности (рисунок 11)._

£) 3.4, Обобщ,форма по достов,моделей при рази,инт.крит. Текущая модель: ТМР1" ^^ шя* Ф'

Интегральный критерий F-мера Ризбергена Сумма моду... решений IST... решений (ST... L1 -мера Е.В.Луценко Средний модуль уровней сходс... Средний модуль уровней скодс... Средний Модуль уровней скодс.. решений

1. ABS - частный критерий: количество встреч сочетаний: "клас... Корреляция абсчастот с обр.... 0. 462 353.779 621.964 500.4бе 25.377 0.434 0.938 0.593 0.287 0.175 0.176

1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 0,333 973.331 3170.283 0.235 1.000 0.380 0.609 0.496

2. PRC1 - частный критерий: усл. вероятность ¡-го признака сред... Корреляция усл.стн.частот с о... 0.462 383.779 621.964 500.468 25.377 0.434 0.938 0.593 0.288 0.175 0.176

2. PRC1 - частный критерий: усл. вероятность i-ro признака сред... Сумма усл.отн.частот по приз... 0.333 956.268 3268.952 0.226 1.000 0.369 0.598 0.511

3. PRC2 - частный критерий: условная вероятность ¡-го признака... Корреляция усл.стн.частот с о... 0. 461 383.779 621.964 500.468 25.377 0.434 0.938 0.593 0.288 0.175 0.176

3. PRC2 ■ частный критерий: условная вероятность i-ro признака... Сумма усл.отн.частот по приз... о.ззз 956.268 3268.952 0.226 1.Ó.00 0.369 0.598 Ó.511

4. INFI - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 0.469 394.649 870.733 501.495 26.283 0.440 0.938 0.599 0.287 0.248 0.174

4. INFI ■ частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 1139.S76 180.110 52.016 0.523 Ö.791 0.629 0.172 0.244 0.104

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 0.469 394.649 870.733 501.495 26.283 0.440 0.938 0.599 0.287 0.248 0.174

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 0.512 197.115 1139.876 180.110 .52.016 0.523 0.791 0.629 0.172 0.244 0.104

0.482 401.451 822.351 463.696 34.259 0.464 0.921 0.617 0.303 0.215 | 0.181

$. INF3'- частный критерий: Хи-кв-адрат, разности мяту Фактич... Сумма знаний 0. 482 293.289 562.863 291.637 22.063 0.501 0.9.30 0.652 0.222 Q.147 0.114

7. INF4 - частный критерий: ROI (Retuin On Investment); вероятно... Ссмлшчсс.иарсанкэ* . 0. 480 406.976 832.207 465.203 34.400 0.467 0.922 0.620 0.308 0.218 0.180

7. INF4 - частный критерий: ROI (Return On Investment]; вероятно... Сумма знаний 0.481 281.991 554.383 292.996 20.604 0.490 0.932 0.643 0.214 0.145 0.114

a INF5 ■ частный критерий: ROI (Retuin On Investment); вероятно... С.—, шрпон,НС ,н, . 0. 480 406.976 832.207 465.203 34.400 0.467 0.922 0. 620 0.308 0.218 0.180

a INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 0.481 281.991 554.383 292.996 20.604 0.490 0.932 0.643 0.214 0.145 0.114

9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 0. 482 401.451 822.351 463.696 34.259 0.464 0.921 0.617 0.303 0.215 0.181

a INF6 - частный критерий: разн.усл.и безусявероятностей; вер... Сумма знаний 0. 482 277.888 548.647 293.622 20.422 0.486 0.932 0.639 0.210 0.143 Ó.114

1Ü.INF7 - частный критерий: разнусяи безусл.вероятностей; ве... Семантический резонанс зна... 0.482 401.451 822.351 463.696 34.259 0.464 0.921 0.617 0.303 0.215 0.181

10.INF7 - частный критерий: разнусяи безусл.вероятностей; ве... Сумма знаний 0.482 277.888 548.647 293.622 20.422 0.486 0.932 0.639 0.210 0.143 0.114

<1 IT

Помощь по мерам достоверности | Помощь по частотным распределениям | TP.TN.FP.FnI (ТР-РР). (ТМ^И) | (Т-РУРЧР)'ЮО | Задать интервал сглаживания |

Рисунок 11. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и L1- и L2-критериям проф.Е.В.Луценко [34]

Из рисунка 10 мы видим, что в данном интеллектуальном приложении по F-критерию Ван Ризбергена наиболее достоверной ^=0,626 при максимуме 1,000) является модель ЮТ1 с интегральным критерием «Сумма знаний» (критерий L1 для этой модели имеет значение 0,771), что подтверждает наличие зависимости субъективных сомелье-оценок качества вина от его объективных физико-химических свойств. Однако сами значения F- и L1 критериев достоверности моделей говорят о том, что эта зависимость эта не очень сильная.

Отметим, что различные классы по качеству вина прогнозируются с разной достоверностью в разных моделях (т.е. с разными частными критериями) и с разными интегральными критериями (таблица 4):

Таблица 4 - Достоверность идентификации качества вина по Б-критерию

в разных моделях и с разными интегральными ^ критериями

Код класса 1 2 3 4 5

Наименование класса QUALITY-1/5-{8.40,9.50} QUALITY-2/5-{9.50,9.90} QUALITY-3/5-{9.90,10.50} QUALITY-4/5-{10.50,11.30} QUALITY-5/5-{11.30,14.90} Средневзвешенное

Максимальная достоверность 0,701 0,517 0,574 0,601 0,721 0,626

Модель с максимальной INF1 INF1 INF1 INF1 INF1 INF1

достоверностью

Интегральный

критерий с максимальной Сумма Сумма Сумма Сумма Сумма Сумма

достоверностью

ABSK 0,448 0,283 0,332 0,341 0,368 0,356

PRC1K 0,448 0,283 0,332 0,341 0,368 0,356

PRC2K 0,448 0,283 0,332 0,341 0,368 0,356

^Ж 0,619 0,430 0,482 0,540 0,617 0,539

INF2K 0,619 0,430 0,482 0,540 0,617 0,539

INF3K 0,632 0,421 0,492 0,529 0,620 0,540

INF4K 0,643 0,455 0,516 0,541 0,632 0,560

INF5K 0,643 0,455 0,516 0,541 0,632 0,560

INF6K 0,630 0,408 0,502 0,528 0,611 0,537

INF7K 0,630 0,408 0,502 0,528 0,611 0,537

ABSI 0,429 0,264 0,319 0,319 0,327 0,333

PRC11 0,429 0,264 0,319 0,319 0,327 0,333

PRC2I 0,429 0,264 0,319 0,319 0,327 0,333

1^11 0,701 0,517 0,574 0,601 0,721 0,626

INF2I 0,701 0,517 0,574 0,601 0,721 0,626

INF3I 0,632 0,421 0,492 0,529 0,620 0,540

INF4I 0,643 0,414 0,498 0,520 0,597 0,536

INF5I 0,643 0,414 0,498 0,520 0,597 0,536

INF6I 0,621 0,380 0,486 0,516 0,600 0,519

INF7I 0,621 0,380 0,486 0,516 0,600 0,519

Из таблицы 4 видно, что:

- по F-критерию наиболее достоверной при идентификации со всеми классами является модель INF1 с интегральным критерием «Сумма знаний»;

- с достоверностью выше средневзвешенной идентифицируются классы с максимальным и минимальным качеством вина, а ниже средневзвешенной - классы со средним качеством вина, а также ниже и выше среднего (средневзвешенная достоверность является очевидной, естественной и обоснованной базой сравнения).

По сути это означает, что сомелье наиболее четко различают только очень хорошее и откровенно плохое вино, а с винами среднего качества они чаще расходятся (путаются) в оценках (т.е. едва различают вина ниже среднего, среднего и выше среднего качества).

Это позволяет обоснованно предположить, что субъективные сомелье-оценки качества вина менее достоверны, чем оценки, основанные на технологиях искусственного интеллекта и объективных физико-химических свойствах вина. Иначе говоря, учитывая точность сомелье-

оценок, можно предположить, что даже 5 градаций качества вина для них это слишком много, и вполне можно было бы ограничиться 3 или даже 2 градациями. Сейчас же используется шкала, в которой 100 (!) градаций, что, конечно, очень сильно переоценивает возможности сомелье и может рассматриваться не как объективная оценка их возможностей, а скорее как большой им комплемент и аванс, а вероятнее просто маркетинговым ходом. А вот для объективной оценки физико-химических свойств вина использование 50 или даже 100 градаций (при достаточно большом объеме выборки) вполне оправдано и обоснованно.

На рисунке 12 приведены частотные распределения числа истинных и ложных положительных и отрицательных решений и их разности, по результатам прогнозирования субъективных сомелье-оценок качества вина на основе его объективных физико-химических свойств в СК-модели INF1 по данным обучающей выборки, включающей 1599 наблюдений.

А

Б

В

Рисунок 12. Частотные распределения числа истинных и ложных положительных и отрицательных решений и их разности в СК-модели !пП

Рисунок 12-А содержит изображения двух частотных распределений, очень похожих на нормальные, сдвинутых относительно друг друга по фазе. Левое, большее по амплитуде включает истинно-отрицательные и ложно-положительные решения, а правое, меньшее по амплитуде, включает ложные отрицательные и истинно-положительные решения. Сдвиг этих распределений относительно друг друга и другие различия между ними и позволяют решать задачу идентификации. Видно, что для отрицательных решений количество истинных решений всегда значительно превосходит количество ложных решений, причем при уровнях различия больше примерно 40% ложные отрицательные решения вообще отсутствуют. Видно также, что для положительных решений картина более сложная и включает 3 диапазона уровней сходства 1) при уровнях сходства от 0% до примерно 14% количество ложных решений больше числа истинных; 2) при уровнях сходства от 14% до примерно 44% есть и истинные и ложные положительные решения, но число истинных больше числа ложных; 3) при уровнях сходства выше 44% встречаются только истинные решения.

Из рисунка 12-В видно, что чем выше уровень сходства, тем больше доля истинных решений; при уровнях сходства выше примерно 14% число истинных решений превосходит число ложных решений (это видно также и из рисунка 12-Б).

На рисунке 13 приведен Help по режиму 3.4, в котором описаны меры достоверности моделей, применяемые в системе «Эйдос»:

l.gJ.aUiM

Рисунок 13. Экранная форма с информацией о достоверности моделей по Б-критерию Ван Ризбергена и Ь1- и Ь2-критериям проф.Е.В.Луценко [6]

Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» (рисунок 1), присвоим СК-модели ШБ1 статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 14):

Рисунок 14. Экранные формы придания наиболее достоверной по Ь2-критерию СК-модели Inf4 статуса текущей модели

Задача 4: решение различных задач в наиболее достоверной модели

Подзадача 4.1. Прогнозирование (диагностика,

классификация, распознавание, идентификация)

Решим задачу прогнозирования обучающей выборки в наиболее достоверной СК-модели INF1 на GPU. Для этого запустим режим 4.1.2 (рисунок 15).

Из рисунка 15 видно, что идентификация 1599 наблюдений заняло 8 секунд.

Отметим, что 99,999% этого времени заняло не само прогнозирование на GPU, а создание 10 выходных форм на основе результатов этого прогнозирования. Эти формы отражают результаты прогнозирования в различных разрезах и обобщениях:

4Л.2. Пакетное распознавание s текущей модели : :

На каком процессоре быполнять распознавание:

;Н(, льном процессоре рР®

с* На графическом процессоре (БР11)

У к

Cancel

4.1.2, Пакетное распознавание, Текущая модель: "iNFl"

Ч 13 I

-гКт.ййии исполнения процесса-

(¡ОПЕРАЦИЯ:ПАКЕТНОЙРАСПОЗНАВАНИЙ&ТёКУЩЕйНрЙЕЛЙ "ИР: Щ ' .. ^ШЩШЩШ ^ндентНф^бцйя^ 1М9'объек-трв рлллиЛН0ЕЯ1егч ли еыбЬр^яГйтово

1 :: Исследование распределейпй^?рвней:'С?;$аЕТ&а верно и ошиб.'идент.'объ.ектов- Готб&<э:

щ 1 : >н^г'т[я^-1 кь рллрррл р!р [ л 1;л

я'Л 1: яллр--:лллллл.прплрлр рлллял,нл:рррлляля ''О^ Л.лр_,яллглн1 ,:'[нт р лрт ил'ррл лягр.ряЛпТпр л л' ■ Рлгдлтяннлидрилрирлллпядлсл, срлрллл "р<е ъ е:рл глоссы1 лЫтррРт сф-л'йл'лф "лтне-л; ^11 ::Сйзданиё итого вой.наглядной фермы: "Объект-класс". Инт.,Критлкерреляция- Готово 1 ■ * -о.■::.- ^Яя^.гл 1.1 ¡'-М-^ );л: ipti.Hr ллл'ЯллллТ'л ПЕЙЗ^УЗ

т:;'" 1 лллллллолрГ|лрл ( иллля/рнг-,рррлглля "К ллллллл-е/т:л' I'" н~ р::р11 т кллрлля| кля Готово Щ; \ лрр^ллтлнрлидроррирлллпяднлл, срлрллл и11:д:лрллллълЛты'' к н_л'рмт ля.лР1ллн ф Готово I •Создан1-+е:итогоёой:наглядной формы: 'лрргл-илл. лр.тя1 Нртррля-рлррелллрЛ" Гитллл

11.11 ЛН РрР ЛЛ.ЛР! ЛДРЛР фирт'ЛЬЛл/ллГлигрлЛРЛЛ Лр]р| рр Л лРуЛГЛл ШрЭл I Р ЛЛР

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !

—Пропясте-Бремени исполнения-

Начало: 12:36:04 Окончание: 12:36:12

юог

□ сталось: Й:В0:00

1.1.3.1 Подробно нагпядно: '"Объект - классы 4.1.3.2. Подробно нагпядно: Класс- объекты 4.1.3.5. Итоги наглядно: Объект - класс" 4.1.3.А. Итоги наглядно: Класс - объект" а.1.3.Е. Подробно сжато: Объекты - классы

4.1.3.6. Обойщ.форма по до стое.моделей при ра°иых интегральных крпт.

4.1.3.7. Обойщ.стат.аналиг регультатоЕ идент. по моделям и инт.крит. 4.1.3.3. Стэт.анапп; регул ьт. идент. по классам, моделям и инт.крит.

4.1.З.&. Достоверность пдент.объектов при равных моделях и инт.крит. 4.1.3.Ю.ДостоЕерность идект.классоЕ при ра:ных моделях и инт.крпт. 4.1.3.11. Ра сп ре деле ния уроен.сходстЕЭ при рагных моделях и инт.крит. 4.1.3.12.0бъедпнение е одной ЕД строк по самым достоверным моделям

Рисунок 15. Экранные формы отображения процесса решения задачи прогнозирования в текущей модели

Приведем две из этих 10 форм: 4.1.3.1 и 4.1.3.2 (рисунок 16).

Символ «V» стоит против тех результатов прогнозирования, которые подтвердились на опыте, т.е. соответствуют факту. Из рисунка 15 видно, что результаты прогнозирования являются очень хорошими, естественно при учете информации из рисунка 12-Б о том, что достоверные прогнозы в данной модели имеют уровень сходства выше 14%, т.е. по сути прогнозы с более низки уровнем сходства надо просто игнорировать.

Рисунок 16. Выходные формы по результатам идентификации качества вина на основе его физико-химических свойств

Подзадача 4.2. Поддержка принятия решений (SWOT-анализ)

При принятии решений определяется сила и направление влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам, соответствующим различным будущим состояниям. По сути это решение задачи 8ШОТ-анализа [7]. Применительно к задаче, решаемой в данной работе, 8ШОТ-анализ показывает степень влияния различных значений физико-химических свойств вина на его принадлежность к различным классам по качеству с точки зрения сомелье.

В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи. При этом выявляется система детерминации заданного класса, т.е. система значений факторов, обуславливающих переход объекта

моделирования и управления классу (рисунки 17).

SWOTDiagrCls0001-04.jpg ■ в

SWOT-ДИАГРАММА КЛАССА: "[1] QUALITY-1/5-{8.4, 9.5}" В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

:ПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: Шкала: [1] QUALITY Класс: [1] 1/5-{8.4, 9.5} ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[7] DENSITY [35] 5/5-{69.0,289.0} 1=0.124 bit 1= 0.546 bit [8] РН [36] 1/541.0,1.0}

[1] VOLATILE ACIDITY [3] 3/5-{7.6,8.3} 1=0.092 bit 1= 0.209 bit [5] FREE SULFUR DIOXIDE [21] 1/5-{0.0,0.1}

[8] РН [38] 3/5-{1.0,1.0} 1=0.005 bit i=-0.175 bit [10] ALCOHOL [49] 4/5-{0.7,0.8}

[8] РН [39] 4/5-{1.0,1.0} 1=0.002 bit 1=0.141 bit [2] CITRIC ACID [6] 1 /5-{0 1. 0.4}

[5] FREE SULFUR DIOXIDE [25] 5/5-{0.1,0.6} 1=0.070 bit l=-0.104 bit [1] VOLATILE ACIDITY [1] 1/5-{4.6,7.0}

[10] ALCOHOL [46] 1/540.3, 0.5} 1=0.060 bit 1= 0.002 bit [9] SULPHATES [45] 5/5-{3.4,4.0}

[9] SULPHATES [41] 1/542.7, 3.2} 1=0.065 bit 1= 0.002 bit [7] DENSITY [31] 1/546.0,19.0}

>ильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: -50 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-50

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Ф орма создана: 09.05.2019-12:52:26

Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управлени . СОСТОЯНИЕ,' COОТВЕСТВуЮ ЩСС^ КЯ^СС.' ОТОбрЗЖЛСТСЯ ...„., CO язи СИНЕГО цвета т лщина линии отражает степень влияния.

SWOTDiagrCls0002-04.jpg ш _

SWOT-ДИАГРАММА КЛАССА: "[2] QUALITY-2/5-{9.5, 9.9}" В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

:ПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: Шкала: [1] QUALITY Класс: [2] 2/5-{9.5, 9.9} ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[2] CITRIC ACID [9] 4/5-{0.6,0.7} 1=0.107 bit 1= 0.300 bit [8] РН [36] 1/541.0, 1.0}

[8] РН [39]4/5Ч1.0,1.0} 1=0.101 bit 1= 0.248 bit [3] RESIDUAL SUGAR [14] 4/5-{0.3,0.5}

[5] FREE SULFUR DIOXIDE [23] 3/5-{0.1, 0.1} 1=0.090 bit 1= 0.204 bit [5] FREE SULFUR DIOXIDE [21] I/54O.0,0.1}

[10] ALCOHOL [46] 1/540.3, 0.5} 1=0.093 bit 1=0.171 bit [2] CITRIC ACID [6] I /54O 1, 0.4}

[3] RESIDUAL SUGAR [11] 1/5-{0.0,0.1} 1=0.093 bit l=-0.137 bit [4] CHLORIDES [20] 5/5-{2.7,15.5}

[7] DENSITY [35] 5/5-{69.0,289.0} 1=0.074 bit 1= 0.134 bit [10] ALCOHOL [48] З/54О.6,0.7}

[3] RESIDUAL SUGAR [12] 2/540.1, 0.2} 1=0.063 bit i=-0.123 bit [7] DENSITY [31] 1/546.0,19.0}

Сильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: -50 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-50

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Ф орма создана: 09.05.2019-12:52:47

Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управлени О C._C, СООТОСС,«. К„С» ОТОбрОЖЛСТСЯ ....... CO язи СИНЕГО цвета т лщина линии отражает степень влияния.

SWOTDiagrCls0003-04.jpg ш _ Ii.

SWOT-ДИАГРАММА КЛАССА: "[3] QUALITY-3/5-{9.9, 10.5}" В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

:ПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: Шкала: [1] QUALITY Класс: [3] 3/5-{9.9, 10.5} ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[5] FREE SULFUR DIOXIDE [24] 4/5-{0.1,0.1} 1=0.101 bit 1= 0.215 bit [8] РН [36] I/54I .O, 1.0}

[10] ALCOHOL [48] 3/5-{0.6, 0.7} 1=0.002 bit 1= 0.095 bit [1] VOLATILE ACIDITY [3] З/547.6,8.3}

[9] SULPHATES [44] 4/5-{3.4, 3.4} 1=0.062 bit i=-0.077 bit [7] DENSITY [35] 5/5469.0,289.0}

19] SULPHA IhS [43] 3/5-{3.3,3.4} 1=0.054 bit 1= 0.067 bit 19] SULPHA I tS [45] 5/54З.4,4.0}

[8] PH [40] 5/5-{1.0,1.0} 1=0.050 bit l=-0.063 bit [5] FREE SULFUR DIOXIDE [25] 5/54O.1,0.6}

[7] DENSITY [34] 4/5445.0,69.0} 1=0.046 bit 1= 0.063 bit [9] SULPHATES [42] 2/54З.2,3.3}

[8] PH [37] 2/5-{1.0,1.0} 1=0.046 bit 1= 0.060 bit [5] FREE SULFUR DIOXIDE [21] I/54Ó.0,0.1}

Сильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: -50 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-50

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Ф орма создана: 09.05.2019-12:53:05

Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу о СОСТОЯНИЕ,' „.„.„.,„.. -, ------ язи СИНЕГО цвета Т

в состояние, соответствующее данному

SWOTDiaqrCls0004-04.ipq Л • « Л ^ ' Ш » - ш. ш

SWOT-ДИАГРAMМА КЛАССА: "[4] QUALITY-4/5-{10.5, 11.3}" В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: Шкала: [1] QUALITY Класс: [4] 4/5-{10.5, 11.3} ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[2] CITRIC ACID [6] 1/5-{0.1,0.4} 1=0.095 bit 1= 0.266 bit [7] DENSITY [35] 5/5-{69.0,289.0}

[10] ALCOHOL [49] 4/5-{0.7, 0.8} 1=0.003 bit 1= 0.170 bit [8] РН [39] 4/5-{1.0,1.0}

[10] ALCOHOL [50] 5/5-{0.8,2.0} 1=0.001 bit 1=-0.1Ю bit [10] ALCOHOL [46] 1/5-{0.3,0.5}

19] SULPHA I tS [44] 4/5-{3.4,3.4} 1=0.070 bit 1=0.101 bit [2] Gl IKIC AGIL) [9] 4/5-{0.6,0.7}

[5] FREE SULFUR DIOXIDE [21] 1/5-{0.0,0.1} 1=0.077 bit i=-0.006 bit [3] RESIDUAL SUGAR [12] 2/5-{0.1,0.2}

[8] PH [36] 1/541.0,1-0} 1=0.076 bit 1= 0.063 bit [9] SULPHATES [42] 2/5-{3.2,3.3}

[8] PH [37] 2/5-{1.0,1.0} 1=0.062 bit 1= 0.057 bit [4] CHLORIDES [16] 1/5-{0.9,1.8}

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-50 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-50

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Ф орма создана: 09.05.2019-12:53:23

Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управлени . „„.,.„, С.™,«, K„CW „„,«„,*,„„ ...„., „ язи СИНЕГО цвета т лщина линии отражает степень влияния.

SWOTDiagrCls0005-04.jpg s Щ т

S WOT-Д И АГР AM М А КЛАССА: "[5] QUALITY-5/5-{11.3, 14.9}" В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

:ПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: Шкала: [1] QUALITY Класс: [5] 5/5-{11.3, 14.9} ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

[8] РН [36] 1/5-{1.0,1.0} 1=0.265 bit 1= 0.250 bit [8]РН [39] 4/5-{1.0,1.0}

[5] FREE SULFUR DIOXIDE [21] 1/5-{0-0, 0.1} 1=0.178 bit 1= 0.237 bit [8] РН [38] 3/5-{1.0,1.0}

[7] DENSiTY [31] 1/5-16-0,19.0} 1=0.133 bit 1= 0.210 bit [8] РН [40] 5/5-{1.0,1.0}

[2J CI IKIC ACIL) [6] 1/5-{0.1, 0.4} 1=0.126 bit 1=0.171 bit [Ь] FKhh SULFUR UlUXlUt [23] 3/5-{0.1,0.1}

[3] RESIDUAL SUGAR [14] 4/5-{0.3,0.5} 1=0.117 bit l=-0.146 bit [3] RESIDUAL SUGAR [13] 3/5-{0,2,0.3}

[1] VOLATILE ACIDITY [1] 1/5-{4.6,7.0} 1=0.097 bit 1= 0.142 bit [5] FREE SULFUR DIOXIDE [24] 4/5-{0.1,0.1}

[9] SULPHATES [45] 5/5-{3.4,4.0} 1=0.096 bit 1= 0.122 bit [3] RESIDUAL SUGAR [12]2/5-{0.1,0.2}

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-50 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-50

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Ф орма создана: 09.05.2019-12:53:39

Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу -------------, ------ язи СИНЕГО цвета т

Рисунок 17. SWOT-диаграммы, отражающие степень влияния различных значений физико-химических свойств вина

на его принадлежность к различным классам по качеству

Выходные формы, приведенные на рисунках 17, как говорят «интуитивно понятны», т.е. не требуют особых комментариев. Отметим лишь, что информация 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 базах данных, расположенных по пути: c:\Aidos-X\AID_DATA\A0000003\System\SWOTCls####Inf1.DBF, где: «####» - код класса с ведущими нулями. Эти базы открываются в MS Excel.

Отметим также, что система «Эйдос» обеспечивала решение этой всегда, т.е. даже в самых ранних DOS-версиях и в реализациях системы

«Эйдос» на других языках и типах компьютеров. Например, первый акт внедрения системы «Эйдос», где об этом упоминается в явном виде, датируется 1987 годом, а первый подобный расчет относится к 1981 году.

у г у :•; ;; л дав

УТВЕРЖДАЮ

Заведующий Кук сектором "

Ц

одарским рССР.к.ф.н. А.Хагур он 87г.

^т-'-' Дироктэр. Северо-Кавказского филиала ЗМГЭДУС-агр о ресурсы", к.э.н, II;; I • ■-з Э.М.Трахов и : -1987Г.

XV "

:

Настоящий акт составлен комиссией в составе: Кириченко М.М., Лялко Г.Л., Самсонов Г.А., Коренец В.Й., Луценко Е.В. в том, что в соответствии с договором о научно-техническом сотрудничестве между Северо-Кавказским филиалом ВШЦ "АКУС-агроресурсы11 и Краснодарским сектором Института социологических исследований АН СССР СевероКавказским филиалом ВНИЦ "АИУС-агроресурсы" выполнены следующие работы:

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

- разработаны математическая модель и программное обеспечение подсистемы распознавания образов, позволявшие релать данную задачу в среде персональной технологической системы ВЕГА-М;

- на профессиональной персональной ЭВМ "Иекра-226" осуществлены расчёты по задаче в объёме;

Входная информация составила Ч2Ъ анкет по 9-ти предприятиям.

Выходная информация - 4 вида выходных форм объёмом 90 листов формата АЗ и 20 листов формата А4 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 '¿12 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 ИС X АН СССР: Уш.научный сотрудник

'/"""М.М,. Кириченко £П937г.

Л

От СКФ ВНИЦ "АИУС-агроресурсы":

Зав.отделом аэрокосмических и тематических (изысканий М,к.э.,н.

''ШгиссеиЗг Г. А, Самсонов —" Ш ' ; '/"} "198 7 г,

№л.научный сотрудник Г. А. Ляяко

"1987г.

жБж

оекта Коренец 1987г.

О^

^о.нмруктор проекта - В. В. Луценко

т г, "т о £! <7 »

1987г.

Но тогда 8ШОТ-диаграммы назывались позитивным и негативным информационными портретами классов.

На рисунке 18 приведены примеры инвертированных 8ШОТ-диаграмм, отражающих влияние заданных значений физико-химических свойств вина на сомелье-оценку его качества:

влияние заданных значений физико-химических свойств вина на сомелье-оценку его качества

Из рисунка 18 видно, что кислые вина сомелье оценивают как вина низкого и среднего качества, а вина с низким содержанием свободного диоксида серы, как вина высокого качества.

В заключение отметим, что SWOT-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых чаще всего является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают

неформализуемым путем (интуитивно), на основе своего опыта и профессиональной компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже более 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос» [6].

Подзадача 4.3. Исследование моделируемой

предметной области путем исследования ее модели

Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования, «переносить на него».

В системе «Эйдос» есть довольно много возможностей для такого исследования, но в данной работе из-за ограничений на ее объем мы рассмотрим лишь результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети, З^интегральные когнитивные карты и когнитивные функции.

4.3.1. Когнитивные диаграммы классов

Эти диаграммы отражают сходство/различие классов. Мы получаем

их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 19):

Рисунок 19. Когнитивная диаграмма классов

Отметим также, что на когнитивной диаграмме, приведенной на рисунке 19, показаны количественные оценки сходства/различия

различных опасных природно-климатических явлении, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

В системе «Эйлос» есть возможность управлять параметрами формирования и вывода изображения, приведенного на рисунке 19. Для этого используется диалоговое окно, приведенное на рисунке 20.

4.2.2.2. Задание классов для отображения

Задание параметров отображения классов:^

Задайте число отображаемых классов: Щзээ"

Задайте MIN модуль уровня сходства отображаемый классов: j q Задайте способ выбора классов для отображения: (* Классы с М.АХ и MIN уровнями сходства С Классы с МДх! по модулю уровнем сходства

Задайте размер изображения в пикселям (не более 4К):

Размер поX: JlSOO Размер по Y: Hqoo

0 k Cancel

Рисунок 20. Диалоговое окно управления параметрами формирования и вывода изображения когнитивной диаграммы классов

4.3.2. Агломеративная когнитивная кластеризация классов

Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 18, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации [8] (рисунок 21):

ClustCis-04.jpg Ц

ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

QUAUTY-4/5-{10.5000000, 11.3000000} 4 -у.

QUAÜTY-5/5-{11.3000000,14.9000000} 5 QUAUTY-3/5-{9.9000000,10.5000000} 3 о О g я

5 к

= =

QUAUTY-1/5-{8.4000000,9.5000000} 1

к

QUALITY-2/5-{9.5000000,9.9000000} 2

к с.

МЕЖКЛАСТЕРНЫЕ РАССТОЯНИЯ: КЛАСТЕРНАЯ ФОРМУЛА: ((4.5),(3.(1,2))) 17 34 50 67 84 101 118 135 151 168 Форма создана: 09.05.2019-16:46:04

Рисунок 21. Дендрограмма когнитивной агломеративной кластеризации

классов по качеству вина

Из рисунка 21 мы видим, что некоторые классы качества вина сходны по системе значений физико-химических свойств, и, следовательно, могут наблюдаться одновременно, а другие по этой системе свойств сильно отличаются, и, следовательно, являются взаимоисключающими, т.е. альтернативными. Из дендрограммы когнитивной агломеративной кластеризации классов, приведенной на рисунке 21, мы видим также, что все классы качества вина образуют два противоположных по системе значений физико-химических свойств кластера, являющихся полюсами конструкта: в верхнем кластере собраны классы с высоким и очень высоким качеством вина, а в нижнем - с очень низким, низким и средним качеством вина.

На рисунке 22 мы видим график изменения межкластерных

расстояний:_

ClustCisDist-04.jpg Ц§

ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ КЛАССОВ В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

Межкластерные расстояния № Наим.кластера в кодах исх.классов Расст 1 (1,2) 36.53 2 (4,5) 43.16 3 (3,(1.2)) 55.28 4 ((4 5) (3.(1 .2))) 187 9 С Ч ^ Я es сз g =; я я я ^ о л я CL и =

1 2 3 Номера кластеров Форма создана: 09.05.2019-16:49 КЛАСТЕРНАЯ ФОРМУЛА: ((4.5),(3,(1.2)))

Рисунок 22. График изменения межкластерных расстояний

4.3.3. Когнитивные диаграммы значений факторов

Эти диаграммы отражают сходство/различие значений физико-химических свойств по их смыслу, т.е. по содержащейся в них информации о качестве вина с этими свойствами. Эти диаграммы мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 23).

Из рисунка 23 видно, что все значения факторов образуют два крупных кластера, противоположных по их смыслу. Эти кластеры образуют полюса конструкта.

Отметим, что на когнитивной диаграмме, приведенной на рисунке 23, показаны количественные оценки сходства/различия значений факторов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

СЕМАНТИЧЕСКАЯ 2D СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "INF1"

КОНСТРУКТ ПРИЗНАКА: |1]-VOLATILE ACIDITY-1/5-{4.бОООООО, 7.0000000} Приложение: АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)

Рисунок 23. Когнитивная диаграмма и конструкт сходства/различия

значений физико-химических свойств вина по их смыслу, т.е. по содержащейся в них информации о качестве вина с этими свойствами

Диаграмма, приведенная на рисунке 23, получена при параметрах, приведенных на рисунке 24.

Рисунок 24. Параметры отображения когнитивной диаграммы, приведенной на рисунке 23

4.3.4. Агломеративная когнитивная кластеризация значений факторов

На рисунке 25 приведена агломеративная дендрограмма когнитивной кластеризации значений факторов и график изменения межкластерных расстояний, полученные на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на

рисунке 23.

Рисунок 25. Дендрограмма агломеративной когнитивной кластеризации значений физико-химических свойств вина по их смыслу, т.е. по содержащейся в них информации о качестве вина с этими свойствами

Из дендрограммы на рисунке 25 мы видим, что все значения факторов образуют 2 четко выраженных кластера, объединенных в полюса конструкта (показаны синими и красным цветами).

Хорошо видна группировка значений физико-химических свойств вина по наблюдающимся при них качествам вина. Значения факторов на полюсах конструкта факторов (рисунок 25) обуславливают переход объекта моделирования в состояния, соответствующие классам, представленным на полюсах конструкта классов (рисунки 19 и 21).

На рисунке 26 приведен график межкластерных расстояний значений физико-химических свойств вина.

Рисунок 26. График изменения межкластерных расстояний при когнитивной кластеризации значений факторов

4.3.5. Нелокальные нейроны и нелокальные нейронные сети

На рисунке 27 приведены пример нелокального нейрона, а на

рисунке 28 и фрагмент одного слоя нелокальной нейронной сети:

Neuron0005Infl.jpg , . * _ ♦ - * §

НЕЛОКАЛЬНЫЙ НЕЙРОН В МОДЕЛИ: "INFI"

Нейрон: [5]-QUALITY-5/5-{11.3000000,14.9000000} Приложение: АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)

DIOXIDE-3/S-{C|RESIDUAL SUQ^-i--IVOLATILE ACIll®"

0760000. 0.08: AR-3/540.2100( ™= SULFUR fRES|DUAL SUG OTWC АСЮ-4/ |TY-2/S-(7.000( 5E _ 000> 00, 0.3200000} DIOXIDE.4/540. AR.2/5-{0.0700( 540.5700000. 0 000 7.600000(

Форма создана: 09.05.2019-20:42:30

Сортировка рецепторов по информативности

Антипишимгг * ктагипгп I 1 Отобрэжаетга количество рецепторов не более: 999

АКТИВИРУЩЕЕ влияние отображается линияни КРАСНОГО цвета, толщина линии [приведенная в кружочке в центре линии) отражает относительную силу влияния. Показаны связи с относительной силой влияния выше: 0%

Визуализация нейрона с кодаии и наиненованияни рецепторов

Влияние рецепторов на актвацию/торможение нелокального нейрона, соотвествующего классу (система детерминации класса):

АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщ» ^ш> ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина

(приведенная в кружочке в центре линии) отражает относительную силу влияния.

Рисунок 27. Пример нелокального нейрона

Рисунок 28. Один слой нелокальной нейронной сети (фрагмент)

В приведенном слое нейронной сети нейроны соответствуют классам качества вина, а рецепторы различным обуславливающим их значениям физико-химических свойств. Нейроны расположены слева на право в порядке убывания силы детерминации, т.е. слева находятся наиболее жестко обусловленные явления, а с права - менее жестко обусловленные.

Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [9] и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам). От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них. Поэтому в системе «Эйдос» при увеличении числа фреймов само количество баз данных не увеличивается, а увеличивается лишь их размерность. От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:

1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);

2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;

3) нейросеть является нелокальной [9], как сейчас говорят «полносвязной».

4.3.6. З^интегральные когнитивные карты

На рисунке 29 приведен фрагмент 3d-интегральной когнитивной карты, отражающая СК-модель 1пВ. 3d-интегральная когнитивная карта является отображением на одном рисунке когнитивных диаграмм классов и значений факторов, отображенных соответственно на рисунках 19 и 23, и

одного слоя нейронной сети, приведенного на рисунке 28.

Рисунок 29. З^интегральная когнитивная карта в СК-модели Inf3 4.3.7. Когнитивные функции

Вместо описания того, что представляют собой когнитивные функции, приведем help соответствующего режима системы «Эйдос» (рисунок 30) и сошлемся на работу, в которой это описано [10].

t) 4.5, Визуализация когнитивных функций

—Что такое когнитивная Функция:-

Визуализация прямым, обратным, позитивным, негативных, полностью и частично редуцированных когнитивных Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различных значений некоторого Факторе на перемоды объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирическим законов. Разработка содержательной научной интерпретации когнитивным Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние 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 нереауцированную 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 эмпирическим данных большой размерности ! Е.В. Луценко, А. П. Трунев. Д. К. Бандык И Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ] Рлектронный ресурс]. - Краснодар: КубГАУ. 2011. -№03(67]. С. 240 - 282. - Шифр Информрегистра: 0421100012^0077., 2,688 у.п. л. - Режим доступа: [Щр: //е1 киЬааго. ш/2011 /ОЗ/оЛП 8.pdf ^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 |

Рисунок 30. Help режима визуализации когнитивных функций

На рисунках 31 приведены некоторые когнитивные функции, наглядно отражающие силу и направление влияния значений (т.е. степени выраженности) различных объективно-установленных физико-химических свойств вина на субъективную сомелье-оценку качества этого вина.

Качество вина тем выше, чем больше в нем алкоголя

Качество вина тем выше, чем меньше в нем лимонной кислоты

Качество вина тем выше, чем больше в нем хлорида

Качество вина тем выше, чем меньше в нем свободного диоксида серы

Качество вина тем выше, чем меньше в нем общего диоксида серы

Качество вина тем выше, чем меньше его плотность

3 3/3-{10.8000000, 14.9000000}

2 2/3-{9.7000000,10.8000000}

11/3-{8.4000000, 9.7000000}

Качество вина тем выше, чем меньше его кислотность

Качество вина тем выше, чем больше в нем сульфатов

Рисунок 31. Примеры когнитивных функций

Знание того, какие объективные физико-химические свойства вина обуславливают высокую оценку его качества сомелье, можно приготовить некую смесь различных веществ, которая будет оцениваться не только простыми потребителями вина, но даже и экспертами, как вино достаточно высокого качества. Пример этого мы видим в нашумевшем видео: https: //www.youtube .com/watch?v=hGj e6LFGQY0.

4.3.8. Сила влияния значений физико-химических свойств вина и самих этих свойств на сомелье-оценки качества вина

На рисунках 8, 9, 10 приведены фрагменты некоторых статистических и системно-когнитивных моделей, отражающих моделируемую предметную область.

Строки матриц моделей соответствуют значениям факторов, т.е. степени выраженности различных физико-химических свойств вина

(градации описательных шкал), устанавливаемых объективными методами в результате лабораторных исследований.

Колонки матриц моделей соответствуют различным классам по субъективными сомелье-оценкам качества вина (градации классификационных шкал).

Числовые значения в ячейках матриц моделей, находящихся на пересечении строк и колонок, отражают направление (знак) и силу влияния значения физико-химического свойства, соответствующего сроке, на принадлежность вина к классу качества, соответствующего колонке.

Если какое-то определенное значение физико-химического свойства слабо влияет на сомелье-оценку качества вина, то в соответствующей строке матрицы модели будут малые по модулю значения, если же влияние сильное - то и значения будут большие по модулю.

Если значение физико-химического свойства повышает сомелье-оценку качества вина, то в соответствующей строке матрицы модели будут положительные значения, если же понижает - то и значения будут отрицательные.

Из этого понятно, что суммарную силу влияния того или иного значения физико-химического свойства вина на сомелье-оценку его качества (т.е. ценность данного значения физико-химического свойства для решении задачи идентификации и других задач) можно количественно оценивать степенью вариабельности значений в строке матрицы модели, соответствующей этому значению свойства.

Существует много мер вариабельности значений: это и среднее модулей отклонения от среднего, и дисперсия, и среднеквадратичное отклонение и другие. В АСК-анализе и системе «Эйдос» для этой цели принято использовать среднеквадратичное отклонение. Численно оно равно стандартному отклонению и вычисляется по той же формуле, но мы предпочитаем не использовать термин «стандартное отклонение», т.к. он предполагает нормальность распределения исследуемых последовательностей чисел, а значит и проверку соответствующих статистических гипотез.

Самая правая колонка в матрицах моделей на рисунках 8, 9, 10 содержит количественную оценку вариабельности значений строки модели (среднеквадратичное отклонение), которая и представляет собой ценность значения физико-химического свойства, соответствующего строке, для решения задач идентификации качества вина и решения других задач, рассмотренных в работе.

Если рассортировать матрицу модели по этой самой правой колонке в порядке убывания, а потом просуммировать значения в ней нарастающим итогом, то получим логистическую парето-кривую, отражающую зависимость ценности модели от числа наиболее ценных признаков в ней (рисунок 32, таблица 5).

Ценность же физико-химического свойства (всей описательной шкалы или фактора), для решения этих задач можно количественно оценивать как среднее от ценности значений этого свойства (таблица 6).

ParetoGrOpSc-06.jpg ■

ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: •INF3"

Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

зг 90.8 1

I

1

1

! ял

!

|

!

1

■и* гГ.:.».. —..ы.« ™..2 (признаки] в * *

50% наиболее значимых признаков обеспечивают 71% суммарной знаимости - - ---

Рисунок 32. Парето-кривая значимости градаций описательных шкал

Таблица 5 - Парето-таблица значимости градаций описательных шкал

5 s х а в т .з и ф .з и ф м ф в S o4- ф в м

со сй о я а ин я а ог ино я а ин я а ог ино

Ъ в с не ив не ив ти не ив не ив ти

№ гг- ГО 1 i ф ш Наименование значения физико-химического свойства вина и -х * 2 « S S ro 5 1 S ^ « о 3 * 2 « Б ГО ro 5 « о J

Т ГО ГО m о ° .з иф а 4 X i- о нсо .овс нне .ми Й S ro X ш 1- о с тс н . а 1 5 d Ф ^ m 1- о нсо .овс нне .ми sS ro свт о с тс н . а Ф ^ m

ъг. О 03 иа U X I иа U X I

1 36 PH-1/5-{0.9900700, 0.9953400} 8 0,32 0,32 8,43 8,43

2 21 FREE SULFUR DI0XIDE-1/5-{0.0120000, 0.0670000} 5 0,17 0,49 4,53 12,96

3 39 PH-4/5-{0.9971400, 0.9981700} 8 0,16 0,65 4,27 17,23

4 35 DENSITY-5/5-{69.0000000, 289.0000000} 7 0,15 0,81 4,06 21,29

5 14 RESIDUAL SUGAR-4/5-{0.3200000, 0.4600000} 3 0,14 0,94 3,63 24,92

6 6 CITRIC ACID-1/5-{0.1200000, 0.3700000} 2 0,13 1,08 3,55 28,47

7 38 PH-3/5-{0.9963000, 0.9971400} 8 0,12 1,20 3,23 31,70

8 40 PH-5/5-{0.9981700, 1.0036900} 8 0,11 1,31 2,96 34,66

9 46 ALC0H0L-1/5-{0.3300000, 0.5400000} 10 0,10 1,42 2,77 37,43

10 49 ALC0H0L-4/5-{0.6500000, 0.7600000} 10 0,10 1,52 2,71 40,14

11 31 DENSITY-1/5-{6.0000000, 19.0000000} 7 0,10 1,62 2,63 42,77

12 23 FREE SULFUR DI0XIDE-3/5-{0.0760000, 0.0820000} 5 0,10 1,72 2,61 45,38

13 9 CITRIC ACID-4/5-{0.5700000, 0.6600000} 2 0,10 1,81 2,54 47,93

14 24 FREE SULFUR DI0XIDE-4/5-{0.0820000, 0.0940000} 5 0,09 1,91 2,45 50,37

15 12 RESIDUAL SUGAR-2/5-{0.0700000, 0.2100000} 3 0,09 1,99 2,25 52,62

16 1 V0LATILE ACIDITY-1/5-{4.6000000, 7.0000000} 1 0,08 2,07 2,20 54,82

17 13 RESIDUAL SUGAR-3/5-{0.2100000, 0.3200000} 3 0,08 2,16 2,18 57,00

18 48 ALC0H0L-3/5-{0.5900000, 0.6500000} 10 0,08 2,24 2,13 59,13

19 3 V0LATILE ACIDITY-3/5-{7.6000000, 8.3000000} 1 0,08 2,32 2,13 61,25

20 20 CHL0RIDES-5/5-{2.7000000, 15.5000000} 4 0,08 2,39 2,00 63,26

21 50 ALC0H0L-5/5-{0.7600000, 2.0000000} 10 0,07 2,47 1,95 65,20

22 45 SULPHATES-5/5-{3.4200000, 4.0100000} 9 0,07 2,54 1,92 67,12

23 2 V0LATILE ACIDITY-2/5-{7.0000000, 7.6000000} 1 0,07 2,61 1,88 69,01

24 44 SULPHATES-4/5-{3.3500000, 3.4200000} 9 0,07 2,68 1,86 70,86

25 10 CITRIC ACID-5/5-{0.6600000, 1.5800000} 2 0,06 2,74 1,67 72,54

26 11 RESIDUAL SUGAR-1/5-{0.0000000, 0.0700000} 3 0,06 2,81 1,65 74,19

27 26 T0TAL SULFUR DI0XIDE-1/5-{1.0000000, 6.0000000} 6 0,06 2,87 1,56 75,75

28 25 FREE SULFUR DI0XIDE-5/5-{0.0940000, 0.6110000} 5 0,06 2,92 1,52 77,27

29 41 SULPHATES-1/5-{2.7400000, 3.1800000} 9 0,06 2,98 1,46 78,73

30 15 RESIDUAL SUGAR-5/5-{0.4600000, 1.0000000} 3 0,05 3,03 1,45 80,18

31 37 PH-2/5-{0.9953400, 0.9963000} 8 0,05 3,09 1,43 81,61

32 42 SULPHATES-2/5-{3.1800000, 3.2800000} 9 0,05 3,14 1,42 83,03

33 32 DENSITY-2/5-{19.0000000, 30.0000000} 7 0,05 3,19 1,34 84,37

34 5 V0LATILE ACIDITY-5/5-{9.7000000, 15.9000000} 1 0,05 3,24 1,32 85,70

35 34 DEN SITY-4/5-{45.0000000, 69.0000000} 7 0,05 3,29 1,22 86,92

36 47 ALCOHO L-2/5-{0.5400000, 0.5900000} 10 0,04 3,33 1,14 88,06

37 17 CHLORIDES-2/5-{1.8000000, 2.1000000} 4 0,04 3,37 1,11 89,17

38 19 CHL0RIDES-4/5-{2.3000000, 2.7000000} 4 0,04 3,41 1,07 90,24

39 29 TOTAL SULFUR DI0XIDE-4/5-{16.0000000, 24.0000000} 6 0,04 3,45 1,06 91,30

40 18 CHL0RIDES-3/5-{2.1000000, 2.3000000} 4 0,04 3,49 1,04 92,34

41 7 CITRIC AC I D-2/5-{0.3700000, 0.4700000} 2 0,04 3,53 1,01 93,35

42 33 DEN SITY-3/5-{30.0000000, 45.0000000} 7 0,04 3,57 0,98 94,33

43 16 CHLORIDES-1/5-{0.9000000, 1.8000000} 4 0,04 3,61 0,96 95,29

44 43 SULPHATES-3/5-{3.2800000, 3.3500000} 9 0,03 3,64 0,91 96,20

45 8 CITRIC AC I D-3/5-{0.4700000, 0.5700000} 2 0,03 3,67 0,74 96,94

46 27 TOTAL SULFUR DIOXIDE-2/5-{6.0000000, 11.0000000} 6 0,03 3,70 0,71 97,65

47 28 TOTAL SULFUR DIOXIDE-3/5-{11.0000000, 16.0000000} 6 0,02 3,72 0,63 98,28

48 30 TOTAL SULFUR DIOXIDE-5/5-{24.0000000, 72.0000000} 6 0,02 3,74 0,62 98,91

49 4 VOLATILE ACIDITY-4/5-{8.3000000, 9.7000000} 1 0,02 3,76 0,59 99,49

50 22 FREE SULFUR DIOXIDE-2/5-{0.0670000, 0.0760000} 5 0,02 3,78 0,51 100,00

Таблица 6 - Парето-таблица значимости описательных шкал

№ Код физ.-хим. свойства вина Наименование физ.-хим. свойства вина Число градаций физ.-хим. свойства вина Код минимальной градации физ.-хим. свойства вина Код максимальной градации физ.-хим. свойства вина Значимость физ.-хим. свойства вина Значимость физ.-хим. свойства вина нарастающим итогом Значимость физ.-хим. свойства вина в % Значимость физ.-хим. свойства вина нарастающим итогом в %

1 8 PH 5 36 40 0,15 0,15 20,32 20,32

2 5 FREE SULFUR DIOXIDE 5 21 25 0,09 0,24 11,61 31,93

3 3 RESIDUAL SUGAR 5 11 15 0,08 0,33 11,17 43,10

4 10 ALCOHOL 5 46 50 0,08 0,41 10,70 53,79

5 7 DENSITY 5 31 35 0,08 0,48 10,24 64,03

6 2 CITRIC ACID 5 6 10 0,07 0,56 9,52 73,55

7 1 VOLATILE ACIDITY 5 1 5 0,06 0,62 8,12 81,67

8 9 SULPHATES 5 41 45 0,06 0,68 7,56 89,23

9 4 CHLORIDES 5 16 20 0,05 0,72 6,19 95,42

10 6 TOTAL SULFUR DIOXIDE 5 26 30 0,03 0,76 4,58 100,00

Из таблицы 6 видно, что наибольшую роль в оценке качества вина сомелье играет такое физико-химическое свойство, как кислотность (рН) вина, и далее в порядке убывания значимости идут:

Ph

Free sulfur dioxide Residual sugar Alcohol Density Citric acid Volatile acidity Sulphates Chlorides

Total sulfur dioxide

Водородный показатель

Свободный диоксид серы

Остаточный сахар

Алкоголь

Плотность

Лимонная кислота

Летучая кислотность

Сульфаты

Хлорид

Общий диоксид серы причем значимость последнего физико-химического свойства в этом рейтинге в 5 раз ниже значимости первого, т.е. разница в значимости весьма существенная.

4.3.8. Степень детерминированности (обусловленности) сомелье-оценок качества вина его объективными физико-химическими свойствами

Степень детерминированности (обусловленности) класса в системе «Эйдос» количественно оценивается степенью вариабельности значений описательных шкал в колонке матрицы модели, соответствующей данному классу (таблица 7). На рисунке 33 мы видим Парето-кривую степени

детерминированности классов нарастающим итогом.

ParetoGrCISc-04.jpg » . . _ - "Л . _ __ A |ä|

ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "INF1" Приложение: "АСК-анализ качества вина сомелье и по физико-химическим свойствам (5x5 адапт.инт)"

S S 2 S 5 i a s 5 i

24.9 2 .0 28.0 3 .0 .0 52 .0 6 .0 6 степени петерминировг .0 76 .0 84.0 9 .0 10 0.0

Степень детерминированности класса (градации классификационной шкалы) представляет собой количественную оценку суммарной сипы влияния всех факторов на переход объекта моделирования в состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ сипы и направления влияния различных значений факторов по данному классу в статистических: Abs, Ргс1. Ргс2 и в системно-когнитивных: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf7 моделях. Иначе говоря степень детерминирован- Путь на отображаемый файл: C:\AIDO¿>WID_DATA\AOOOOOOASYSTEM\\ParetoGrCISc\ParetoGrCISif-INF1-jpg Д Д Р У Щ У 50% наиболее значимых классов обеспечивают 60% суммарной значимости Расстояние между точками Red-Blue: 20% от максимально возможного Форма создана: 21.05.2019-21:52:29

Рисунок 33. Парето-кривая степени детерминированности классов

Таблица 7 - Парето-таблица степеней детерминированности (обусловленности) классов, т.е. сомелье-оценок качества вина

в СК-модели INF 1

Степень Сумма степени Степень Сумма степени

детерми детерми детерми детерми

нирован нирован нирован нирован

Ко ности ности ности ности

№ д Наименование класса (бит) (бит) (%) (%)

1 5 QUALITY-5/5-{11.3000000, 14.9000000} 0,103 0,103 24,881 24,881

2 1 QUALITY-1/5-{8.4000000, 9.5000000} 0,102 0,205 24,759 49,640

3 2 QUALITY-2/5-{9.5000000, 9.9000000} 0,088 0,293 21,240 70,880

4 4 QUALITY-4/5-{10.5000000, 11.3000000} 0,069 0,362 16,564 87,443

5 3 QUALITY-3/5-{9.9000000, 10.5000000} 0,052 0,414 12,557 100,000

Из таблицы 7 мы видим, что объективные физико-химические свойства вина наиболее жестко детерминируют (обуславливают) сомелье-оценку качества вина как максимальную и минимальную, а наиболее слабо - среднюю. При этом степень детерминированности наиболее и наименее детерминированных классов отличается примерно в два раза, что весьма существенно. Оценки выше и ниже среднего по степени

детерминированности занимают промежуточное положение между максимальными и минимальными оценками качестве вина с одной стороны, и средней его оценкой с другой. Это значит, что для сомелье проще всего идентифицировать вина максимального и минимального качества, а сложнее всего среднего качества. Вина качества выше и ниже среднего идентифицируются сомелье лучше, чем среднего, но хуже, чем максимального и минимального. Все это весьма логично и хорошо вписывается в предыдущие результаты анализа.

Однако, из данного исследования можно сделать обоснованный вывод о том, что шкала сомелье-оценок качества вина со 100 градациями -это большой аванс и комплемент сомелье, а фактически вполне достаточно 5, или даже 3 градаций, т.к. именно при таком количестве градаций субъективные сомелье-оценки хорошо совпадают с оценками качества вина на основе его объективных физико-химических свойств.

Степень детерминированности (обусловленности) всей классификационной шкалы является средним от степени детерминированности ее градаций, т.е. классов.

Поскольку в СК-модели, рассматриваемой в данной работе, только одна классификационная шкала, то мы не можем ранжировать классификационные шкалы в порядке убывания средней степени детерминированности их градаций.

5. Выводы

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, проблема решена.

В результате проделанной работы, с помощью системы «Эйдос» были созданы 3 статистические и 7 системно-когнитивных моделей, в которых непосредственно на основе эмпирических данных сформированы обобщенные образы классов по различным классам качества вина, изучено влияние значений различных объективных физико-химических свойств вина на субъективную сомелье-оценку качества вина, и, на основе этого, решены задачи идентификации, принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Со всеми моделями, созданными в данной статье, можно ознакомиться установив облачное Эйдос-приложение №148 в режиме 1.3 системы «Эйдос».

Автор благодарен доктору биологических наук профессору Андрею Георгиевичу Кощаеву https://kubsau.ru/university/rectorate/ за предоставленную возможность опубликования данной статьи.

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. Исходные данные: https://www.kaggle.com/uciml/red-wine-quality-cortez-et-al-

2009

3. Исходные данные: https://archive.ics.uci.edu/ml/datasets/wine+quality

4. P. Cortez, A. Cerdeira, F. Almeida, T. Matos and J. Reis. Modeling wine preferences by data mining from physicochemical properties. In Decision Support Systems, Elsevier, 47(4):547-553, 2009. https://doi.orq/10.1016/i.dss.2009.05.016

5. 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.

6. 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: 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.

7. 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.

8. 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.

9. 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.

10. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-757-0. http://elibrary.ru/item.asp?id=21358220

Spisok literatury"

1. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v upravlenii aktivny'mi ob'ektami (sistemnaya teoriya informacii i ee primenenie v issledovanii e'konomicheskix, social'no-psixologicheskix, texnologicheskix i organizacionno-texnicheskix sistem): Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

2. Isxodny'e danny'e: https://www.kaggle.com/uciml/red-wine-quality-cortez-et-al-

2009

3. Isxodny'e danny'e: https://archive.ics.uci.edu/ml/datasets/wine+quality

4. P. Cortez, A. Cerdeira, F. Almeida, T. Matos and J. Reis. Modeling wine preferences by data mining from physicochemical properties. In Decision Support Systems, Elsevier, 47(4):547-553, 2009. https://doi.org/10.1016Zj.dss.2009.05.016

5. Lucenko E.V. Metrizaciya izmeritel'ny'x shkal razlichny'x tipov i sovmestnaya sopostavimaya kolichestvennaya obrabotka raznorodny'x faktorov v sistemno-kognitivnom analize i sisteme «E'jdos» / 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, 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.

6. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'tiklassovoe 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 KubGAU) [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.

7. 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 gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j 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.

8. 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 nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j 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.

9. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretiruemy'e nejronny'e seti pryamogo scheta / 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, 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.

10. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Monografiya (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220