CC BY
115
Научный журнал КубГАУ, №114(10), 2015 года
1
УДК 303.732.4
01.00.00 Физико-математические науки
ИДЕНТИФИКАЦИЯ ТИПОВ И МОДЕЛЕЙ САМОЛЕТОВ ПУТЕМ АСК-АНАЛИЗА ИХ СИЛУЭТОВ (КОНТУРОВ) (ОБОБЩЕНИЕ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ)1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com
Кубанский государственный аграрный университет, Краснодар, Россия
Бандык Дмитрий Константинович Разработчик интеллектуальных систем РИНЦ SPIN-код: 4072-8442 bandyk dd@mail.ru
Белоруссия
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения задач, связанных с идентификацией типов и моделей самолетов по их силуэтам снизу, точнее, по внешним контурам: 1) оцифровка сканированных изображений самолетов и создание их математических моделей; 2) формирование математических моделей конкретных самолетов с применением теории информации; 3) формирование моделей обобщенных образов самолетов различных типов и моделей и их наглядная визуализация; 4) сравнение образа конкретного самолета с обобщенными образами самолетов различных типов и моделей и определение количественной степени сходства -различия между ними, т.е. идентификация типа и модели самолета по его силуэту (контуру) снизу; 5) количественное определение сходства-различия обобщенных образов самолетов друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов самолетов различных типов и моделей. Предлагается новый подход к оцифровке изображений самолетов, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений, могут применяться их преобразования, стандартизирующие положение изображений, их размеры (разрешение, расстояние) и угол поворота (ракурс) в трех плоскостях. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независи-
UDC 303.732.4
Physical-Mathematical sciences
IDENTIFICATION OF TYPES AND MODELS OF AIRCRAFT USING ASC-ANALYSIS OF THEIR SILHOUETTES (CONTOURS) (GENERALIZATION, ABSTRACTION, CLASSIFICATION AND IDENTIFICATION)
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com
Kuban State Agrarian University, Krasnodar, Russia
Bandyk Dmitry Konstantinovich Artificial intelligence systems developer RSCI SPIN-code: 4072-8442 bandyk dd@mail.ru Belarus
The article discusses the application of automated system-cognitive analysis (ASC-analysis), its mathematical model which is system theory of information and its software tool, which is intellectual system called "Eidos" for solving problems related to identification of types and models of aircraft by their silhouettes on the ground, to be more precise, their external contours: 1) digitization of scanned images of aircraft and creation of their mathematical models; 2) formation of mathematical models of specific aircraft with the use of the information theory; 3) modeling of the generalized images of various aircraft types and models and their graphic visualization; 4) comparing an image of a particular plane with generalized images of various aircraft types and models, and quantifying the degree of similarities and differences between them, i.e., the identification of the type and model of airplane by its silhouette (contour) on the ground; 5) quantification of the similarities and differences of the generalized images of the planes with each other, i.e., cluster-constructive analysis of generalized images of various aircraft types and models. The article gives a new approach to digitizing images of aircraft, based on the use of the polar coordinate system, the center of gravity of the image and its external contour. Before digitizing images, we may use their transformation, standardizing the position of the images, their sizes (resolution, distance) and the angle of rotation (angle) in three dimensions. Therefore, the results of digitization and ASC-analysis of the images can be invariant (independent) relative to their position, dimensions and turns. The shape of the contour of a particular aircraft is considered as a noise information on the type and
1 Работа выполнена при финансовой поддержке РГНФ (проект РГНФ №13-02-00440а) и РФФИ (проект РФФИ №15-06-02569 А).
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
2
мы) относительно их положения, размеров и поворотов. Форма контура конкретного самолета рассматривается как зашумленное информационное сообщение о типе и модели самолета, включающее как информацию об истинной форме самолета данного типа и модели (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный зашумляющими воздействиями как средств противодействия обнаружению и идентификации, так и окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает идентификацию типа и модели самолета по его силуэту, что продемонстрировано на упрощенном численном примере
Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ), ТИП И МОДЕЛЬ САМОЛЕТА
model of aircraft, including information about the true shape of the aircraft type and its model (clean signal) and noise, which distort the real shape, due to noise influences, both of the means of countering detection and identification, and environment. Software tool of ASC-analysis, i.e. Eidos intellectual system, provides identification of the type and the model of airplane by its silhouette, as it was shown in a simplified numerical example
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENT SYSTEM, INPUT, DIGITIZATION OF IMAGES, GENERALIZED IMAGE SYNTHESIS, ABSTRACTION, CLASSIFICATION, COMPARISON OF SPECIFIC IMAGES WITH GENERIC (IDENTIFICATION), TYPE AND MODEL OF AIRPLANES
Данная статья может рассматриваться как продолжение серии работ [1, 2, 3, 4, 5, 6], посвященных применению автоматизированного системнокогнитивного анализа (АСК-анализ) [7, 8] и его программного инструментария - системы «Эйдос» [9, 11, 12] для интеллектуальной обработки изображений, т.е. для их оцифровки, создания математических моделей конкретных изображений, формирования обобщенных изображений на основе ряда конкретных, относящихся к одной категории (классу), абстрагирования, идентификации, классификации обобщенных изображений и решения ряда других задач.
В частности, в работах [4, 5, 6] описаны основы АСК-анализа изображений по их внешним контурам. В этих работах описаны возможности применения АСК-анализа для решения задачи синтеза обобщенных контурных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации по классам, а также степень характерности тех или
2
См. сайт автора АСК-анализа и системы «Эйдос»: http://lc.kubagro.ru/
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
3
иных признаков для конкретных классов изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения, что и является основной задачей данной работы. Смысл решения задачи идентификации состоит в том, что когда какой-либо конкретный объект идентифицирован, т.е. отнесен к определенным обобщающим категориям или классам, то о нем становится известно все, что известно об этом классе.
Все это позволяет ставить и решать ряд важных задач:
1) оцифровка сканированных изображений самолетов и создание их математических моделей;
2) формирование математических моделей конкретных самолетов с применением теории информации;
3) формирование моделей обобщенных образов самолетов различных типов и моделей и их наглядная визуализация;
4) сравнение образа конкретного самолета с обобщенными образами самолетов различных типов и моделей и определение количественной степени сходства -различия между ними, т. е. идентификация типа и модели самолета по его силуэту (контуру) снизу;
5) количественное определение сходства-различия обобщенных образов самолетов друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов самолетов различных типов и моделей.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
4
Идея решения задач.
Предлагается новый подход к оцифровке изображений самолетов, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры (разрешение, расстояние) и угол поворота (ракурс) в трех плоскостях (в т.ч. дающие эффект зеркального отражения относительно различных плоскостей). Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворотов. Форма контура конкретного самолета рассматривается как зашумленное информационное сообщение о типе и модели самолета, включающее как информацию об истинной форме самолета данного типа и модели (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный зашумляющими воздействиями как средств противодействия обнаружению и идентификации, так и окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме самолета каждого типа и модели на основе ряда зашумленных конкретных примеров изображений самолетов.
Таким образом создается один образ формы самолета каждого типа и каждой модели, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона [13]) - прототип или архетип (в смысле Юнга [14]) изображений.
Рассмотрим на конкретном численном примере решение сформулированных выше задач в АСК-анализе и системе «Эйдос-Х++» версии от 20.12.2015 и выше.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
5
Задача 1: оцифровка сканированных изображений самолетов и создание их математических моделей.
Система «Эйдос» имеет программные интерфейсы с внешними источниками данных различных типов: текстовые данные в форме текстовых файлов и значений полей Excel-таблиц, табличными данными dbf, xls и xlsx форматов, графическими объектами, анализируемыми по пикселям и внешним контурам (рисунок 1):
2.3.2.1. Импорт данных из текстовых файлов
2.3.2.2. Универсальный программный интерфейс импорта данных в систему
2.3.2.3. Импорт данных изтранспонированных внешних баз данных
2.3.2.4. Оцифровка изображений по внешним контурам
2.3.2.5. Оцифровка изображений по всем пикселям
2.3.2.6. Транспонирование файлов исходных данных
2.3.2.7. Объединение нескольких файлов исходных данных в один
Рисунок 1. Программные интерфейсы системы «Эйдос» с внешними источниками данных различных типов
Для решения поставленных задач используем программный интерфейс с изображениями, которые анализируются по их внешним контурам в полярной системе координат. Программная реализация и алгоритмы данного интерфейса разработаны Д.К. Бандык по постановке и алгоритмам проф. Е.В. Луценко [4, 6]. Отметим, что авторами уже решались очень сходные задачи, но не с изображениями самолетов различных типов и моделей, а с листьями винограда различных сортов [5]. Ясно, что аналогичным образом могут быть решены задачи этого типа и для изображений объектов из других самых различных предметных областей: от силуэтов символов [4], до силуэтов гражданских и военных кораблей (судов), силуэтов зданий, людей, снежинок, бабочек или жужелиц.
Прежде всего скачаем систему «Эйдос» с сайта автора по ссылке: http://lc.kubagro.ru/aidos/ Aidos-X.htm и установим ее в соответствии с инструкцией на сайте.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
6
Запишем в папку ..\AID_DATA\Inp_data\ изображений силуэтов самолетов (вид снизу) (рисунок 2):
[-с-] т 1 [_нет_| 55 835 Э08 КБ вэ 1120Q c:\Aidos-X\AI D_DATA\3np_dalaVri 0 0
c:\A(faM-X\AlD_DATA\lry_data\Cwry3TV
I Тип
| Размер i rfria
tc-J - |_нет_| 55 835 Э08 КБ вэ 112 334 844
!№r
\ [-]
IQ [Силуэт!
1пр_сЕзуг dbf
1пр_сЫа dbf
CdurmNames anc
Snpname Inpname/JI inp_drfa_30 lnp_name jirp_dda_avr ® inpdate inp_data_G0
bet
txt
ids
anc
ids*
ids*
ids
Есмбирдфонцис A 20 G 20 jpg
Бомбардировщик В 25A HA jpg
И Бомбард^зовщис Ju 87 В 2 jpg
Щ] Бомбардировщик Ju 88 A 4 jpg
Бомбардфовщис Пе 2 110 серил jpg Ксфебтеш A6M2 Model 21 jpg
|Ejj Истребитесь Buffalo F2A 2 jpg
Истребитесь Cr.42 Falco jpg
Истребитесь F4U 4 jpg
|Ы Истребитесь Rat G.SObis jpg
~ " Истребитесь FW 130 A 3 4 jpg
Истребитесь Hawker Hurricane №. I LA jpg Истреби теть MC 202 Folgore jpg
||Ц Истребитесь Me 108 F 4RG jpg
Истребитесь Me 2G2 A 1a jpg
Истреби теть P 38 jpg
Истребитесь P 47 D 22 jpg
Истребитесь P 51B 5 HA jpg
Истреби теть Spitfire Mk.VB jpg
Истребитесь И 1G тип 29 jpg
Истребитесь И 153 jpg
Истребитесь Па 5Ф jpg
Истребитесь йс 9Т jpg
Штурмовик Ип 2 jpg
р
исунок 2. Экранная форма, поясняющая расположение и структуру исходных данных: силуэтов самолетов различных типов и моделей
Изображения силуэтов самолетов различных типов и моделей помещены в папку «Силуэт» (рисунок 3):
Рисунок 3. Изображения силуэтов самолетов различных типов и моделей, использованные в упрощенном численном примере
http ://ej. kubagro .ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
7
Чтобы получить изображения, приведенные на рисунке 2, в качестве исходных были использованы изображения силуэтов с сайта: http://il2-sturmovik.ni/sihiets.html. Из исходных файлов путем кадрирования в графическом редакторе Adobe PhotoShop, были выделены силуэты самолетов вид снизу. Затем наименования моделей самолетов были исключены из графических файлов, а сами файлы записаны с именами, приведенными на рисунках 1 и 2. Тип самолета был определен по его модели с использованием поиска в Internet. Имена файлов состоят из имени типа самолета и краткого наименования его модели. При этом в именах файлов не используются символы тире «-» и точка «.», т.к. они используются как разделители между наименованием класса и номером реализации объекта этого класса. В рассматриваемом упрощенном примере в обучающей выборке используются изображения силуэтов 24 различных модели самолета трех типов: бомбардировщики (5), истребители (18) и штурмовик (1).
Упрощение заключается в том, что:
- рассматривается довольно мало примеров обучающей выборки;
- используются только силуэты самолетов в ракурсе: «вид снизу» направление движения «север».
Как показывает опыт подобных исследований в системе «Эйдос» [4,
5] количество объектов обучающей выборки не сказывается существенно на достоверности создаваемых моделей.
Что касается ракурса, то здесь все не так просто, что в буквальном смысле очевидно, даже если посмотреть силуэты самолетов по ссылке: https://vandex■щ/images/search?text=силvэты%20самолетов%20&stvpe=imag e&lr=35&noreask=1&source=wiz и на рисунке 4:
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
8
|. tfu ч- ли £ дч tf и спч^о'дрт
\} ■ 1 1 •-------------------------------
- ) / У -*- У \
'ф / У'-У'У \ f*
Рисунок 4. Изображения силуэтов самолета в различных ракурсах (источник: http: //il2-sturmovik.ru/siluets .html)
Здесь возникает две идеи решения:
1) идентифицировать не только тип и модель самолета, но и его ракурс;
2) создать на основе проекций такую трехмерную модель самолета, которая бы наилучшим образом позволяла воспроизводить эти проекции.
Для реализации 1-й идеи остаточно увеличить количество объектов обучающей выборки. А обсуждению и анализу 2-й идеи посвящена статья [14] и некоторые другие статьи, на которые из нее есть ссылки. В данной работе мы рассматриваем именно упрощенный вариант решения задачи, т.е. такой вариант, который мог бы использоваться в качестве лабораторной работы по дисциплинам, связанным с искусственным интеллектом [15, 16].
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
9
Итак, после скачивания и инсталляции системы «Эйдос» запустим режим: 2.3.2.4. Оцифровка изображений по их внешним контурам (рисунок 5):
Рисунок 5. Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам
Вместо описания данного режима приведем Help данного режима (рисунок 6):
Режим: "2. 3.2.4. интерфейс ввода изображений в систему ,гэйдос'мг.
данный режим обеспечивает кодирование bmp и jpg изображений и формирование файла исходных, данных lclrrp_data. xls'r, в котором каждое изображение представлено строкой, этот файл исходных данных используется для формализации предметной области в универсальном программном интерфейсе системы оидоо с внешними базами данных (режим 2.3.2.2, а затем для созданиями и верификации моделей в режиме 3.5.
исходные изображения в виде графических файлов должны находиться в папке: ...aid_data/inp_data/ и вложенных папках, имена папок и файлов изображении должны удовлетворять требованиям MS windows, т.е. могут включать русские символы и пробелы.
стандартизация размеров обеспечивает инвариантность моделей изображений относительно их размеров, стандартизация поворота обеспечивает инвариантность моделей изображений относительно их поворота, число точек контура, сипользуемых при анализе, чем оно меньше, тем меньше учитываются высокочастотные гармоники.
Б файле исходных данных irinp_data.xlsx'r:
- значения 1-й колонки: наименования объектов обучающей выборки> формируются путем <склеивания> наименования папки с изображениями + < - > + имя файла изображения;
- значения 2-й колонки: <классы>- - это имена файлов изображений;
- значения 3-й и 4-й колонок: координаты х и У центров тяжести изображений;
- смысл колонок 5-й, б-й и 7-й: <площадь (пикс.)>, <среднее> и <ср.кв.откл.> ясен из их названий. Единственное, что нужно пояснить, что их значения берутся до стандартизации;
- значения последующих колонок имеют смысл длины радиус-вектора от центра тяжести изображения до его границы (контура) при соответствующем значении угла в полярной системе координат, число градаций угла не может быть меньшим 2 и большим 360, т.е. шаг изменения угла не должен быть меньше 1" и больше 1304.
изображения, полученные в результате анализа исходных изображений и заданных в диалоге преобразований, фактически использованные для оцифровки, сохраняются в папке ...AlD_DATA/lNP_DATA/out_data. на изображениях серым цветом показано исходное изображение, обведенное оранжевым контуром, а голубым контуром с желтыми точками показан итоговый повернутый и приведенный к заданному количеству градаций контур.
данный интерфейс описан в работе авторов:
Луценко Е.в. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / е.в. Луценко, д.к. Бандык // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал кубгду) [электронный ресурс]. - Краснодар: КубГАУ, 2015. -№06(110). с.138-167. - IDA [article id]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.
Луценко Е.в. , Бандык д.к. интерфейс ввода изображений в систему 1Гэйдос|Г (подсистема <эйдос-1тд>). свид. Роспатента РФ на программу для ЭВМ, заявка № 2015614954 от 11. 06. 2015, Гос. per.№ 2015618040, зарегистр. 29.07.2015.
Луценко Е.в. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). с. 366 - 394.
- IDA [article id]: 1111507019. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
Рисунок 6. Help режима 2.3.2.4. Оцифровка изображений
по их внешним контурам
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
10
В результате появляется главная экранная форма, отображающая процесс оцифровки сканов листьев, расположенных в виде файлов в указанных выше папках (рисунок 7):
Рисунок 7. Экранная форма с отображением стадии процесса оцифровки изображений силуэтов самолетов по их внешним контурам
Данный режим:
1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.
2. Находит контуры в этих графических файлах и их центры тяжести.
3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура при различных углах поворота радиуса-вектора (эта идея, а также математическая модель и алгоритм ее реализации предложены проф.Е.В.Луценко в 2014 и реализованы в модуле 2.3.2.4 и режиме 4.7 системы «Эйдос» в 2015 году ). При этом структура поддиректорий и имена файлов в папках:
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
11
..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Сформированные по силуэтам контурные изображения самолетов приведены на рисунке 8:
Рисунок 8. Контурные изображения самолетов, полученные по силуэтам обучающей выборки: c:\Aidos-X\AID_DATA\Out_data\. Первое изображение показано также в увеличенном виде
4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержаться результаты оцифровки изображений. Кроме того, он формирует таблицу:
http ://ej. kubagro .ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
12
..\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4 (рисунок 3). Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2 рисунок 1), которые приведены в Help этого режима и представлены на рисунке 9:
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных "lnp_data.xls" в систему "Эйдос-х++" и формализации предметной области.
- Данный программный интерфейс обеспечивает автоматическое формирование классификационным и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. формализацию предметной области, на основе XLS или XLSX-файла с исходными данными приведенного ниже стандарта.
- Файл исходным данным должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ексе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSXJ и INP_RASP.XLS или INP_RASP. XLSX] должны находиться в папке /'AIDOS-X/AID_DATAAnp_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны бьпъ во всех колонкам, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может бьпъ до 65536 строк и до 256 колонок. В листе Емсе1-2007(2010) возможно до 1 048 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, вт.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
-1 -й столбец содержит наименование источника данным длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (факторами) и содержат данные о признакам (значениях факторов), характеризующих объекты обучающей выборки.
- В результате работы режима Формируется Файл INP_NAME.TXT стандарта MS D05 (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются им интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальным текстовых значений классов с градациями классификационным шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.
- Распознаваемая выборка Формируется на основе Файла INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RASP были пустыми. Структура Файла INP_RASP должна бытьтакая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
—Принцип организации таблицы исходных данным:-
Май меновзние объекта обучающей выборке Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование t-й описательной шкалы Наименование 2-й описательной шкалы
1-й объект -обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
... ... ...
0к | Cancel
Рисунок 9. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
13
В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла ..\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений после небольшой модификации:
Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений (фрагмент)3____________
Объект обучающей выборки Тип самолета Модель самолета X центра тяжести У центра тяжести Площадь (пике,) Среднее Ср. кв. откл. 000“ 006“ 012“ 018“ 024“ 030“ 036” 042“
Силуэт Бомбардировщик А 20 G 20.jpg Бомбардировщик Бомбардировщик А 20 G 20 175,77 136,94 23133 81,55 41,51 67,73 56,06 56,04 56,05 56,64 57,60 21,32 18,95
Силуэт Бомбардировщик В 25А NA.jpg Бомбардировщик Бомбардировщик В 25А NA 174,36 150,28 24240 83,29 44,57 96,64 55,54 54,41 53,80 24,84 20,38 18,44 16,87
Силуэт Бомбардировщик Ju 87 В 2.jpg Бомбардировщик Бомбардировщик Ju 87 В 2 171,99 134,92 24922 86,48 45,63 77,51 53,30 40,92 34,34 30,70 27,40 24,76 23,07
Силуэт Бомбардировщик Ju 88 А 4.jpg Бомбардировщик Бомбардировщик Ju 88 А 4 174,63 114,33 22563 79,42 47,49 73,38 29,55 15,32 13,69 14,50 14,30 14,70 16,65
Силуэт Бомбардировщик Пе 2110 cepnn.jpg Бомбардировщик Бомбардировщик Пе 2110 серии 173,95 131,12 24149 81,97 43,40 111,05 70,44 50,73 49,50 29,75 26,66 22,47 22,23
Силуэт Истребитель А6М2 Model 21.jpg Истребитель Истребитель А6М2 Model 21 169,45 136,65 25693 80,71 48,92 32,05 22,73 21,12 20,08 19,89 19,95 21,66 22,95
Силуэт Истребитель Buffalo F2A 2.jpg Истребитель Истребитель Buffalo F2A 2 181,11 128,09 28037 86,08 50,56 47,89 22,58 17,83 17,42 18,20 19,15 20,86 22,16
Силуэт Истребитель Сг.42 Falco.jpg Истребитель Истребитель Сг 171,22 138,57 29198 87,97 56,90 22,28 22,41 22,93 23,49 24,60 26,02 27,68 28,82
Силуэт Истребитель F4U 4.jpg Истребитель Истребитель F4U 4 172,62 148,08 30382 90,03 54,72 66,38 16,00 16,36 16,95 17,74 18,03 18,46 20,37
Силуэт Истребитель Fiat G.50bis.jpg Истребитель Истребитель Fiat G 173,58 131,29 25360 81,73 49,56 48,42 32,13 25,57 21,66 20,17 20,03 19,76 21,68
Силуэт Истребитель FW190 А 3 4.jpg Истребитель Истребитель FW190 А 3 4 175,62 144,53 26259 80,75 54,90 14,89 15,09 14,31 14,28 14,42 14,89 15,20 16,52
Силуэт Истребитель Hawker Hurricane Mk. llA.jpg Истребитель Истребитель Hawker Hurricane Mk 173,83 141,62 25156 77,28 50,66 33,68 27,33 23,30 22,26 20,47 19,64 19,27 19,15
Силуэт Истребитель МС 202 Folgore.jpg Истребитель Истребитель МС 202 Folgore 175,27 142,97 25098 79,15 51,86 22,23 19,34 17,70 17,62 18,11 19,08 20,20 22,12
Силуэт Истребитель Me 109 F 4R6.jpg Истребитель Истребитель Me 109 F 4R6 176,08 159,39 25930 80,49 55,28 30,92 20,03 15,84 15,47 15,86 16,79 17,90 19,83
Силуэт Истребитель Me 262 А la.jpg Истребитель Истребитель Me 262 A la 171,52 154,17 27179 88,59 45,20 174,98 74,39 73,11 28,39 28,55 29,05 31,28 32,43
Силуэт Истребитель Р 38.jpg Истребитель Истребитель Р 38 174,84 123,51 23098 95,77 30,89 80,16 63,54 61,16 62,76 64,36 76,10 78,82 81,50
Силуэт Истребитель Р 47 D 22.jpg Истребитель Истребитель Р 47 D 22 171,32 150,68 28888 88,08 52,89 62,18 26,83 23,78 23,36 24,46 24,50 26,74 28,67
Силуэт Истребитель Р 51В 5 NA.jpg Истребитель Истребитель Р 51В 5 NA 178,66 164,94 25964 85,64 48,54 69,84 43,58 33,59 27,70 23,39 20,31 19,91 20,45
Силуэт Истребитель Spitfire Mk.VB.jpg Истребитель Истребитель Spitfire Mk 171,17 145,30 25895 81,75 50,58 77,83 38,06 22,44 19,82 19,39 18,99 19,28 19,82
Силуэт Истребитель И 153.jpg Истребитель Истребитель И 153 174,79 112,07 25566 83,71 45,44 111,21 26,87 22,26 20,89 20,06 19,44 19,72 20,26
Силуэт Истребитель И 16 тип 29.jpg Истребитель Истребитель И 16 тип 29 179,33 121,08 30291 91,52 43,69 46,67 35,39 32,91 31,76 31,66 31,49 31,49 32,63
Силуэт Истребитель Ла 50.jpg Истребитель Истребитель Ла 5Ф 178,75 161,92 31150 89,59 53,54 48,75 33,44 25,86 20,34 17,93 16,63 16,25 16,15
Силуэт Истребитель Як 9T.jpg Истребитель Истребитель Як 9Т 174,85 157,61 28405 87,59 49,80 66,66 46,41 33,48 28,57 24,93 23,40 22,86 23,39
Силуэт Штурмовик Ил 2.jpg Штурмовик Штурмовик Ил 2 177,71 132,79 28901 88,75 48,48 128,79 54,59 38,67 31,49 27,87 24,80 22,86 21,22
В таблице 1 классификационные шкалы выделены светло-желтым цветом, а описательные - светло-зеленым. Модификация заключалась в том, что внесено наименование столбца: «Модель самолета» и добавлен столбец: «Тип самолета» и в него внесена соответствующая информация из столбца «Модель самолета».
Итак, в результате работы режима 2.3.2.4 создается Excel-файл обучающей выборки (таблица 1), в строках которого содержатся следующие количественные данные об изображениях, представляющие собой их
математическую модель (при заданных параметрах оцифровки):
Колонки с 1-й по 7:
1. Объект обучающей выборки
2. Тип самолета
3 . Модель самолета
4 . X центра тяжести
5. Y центра тяжести
6. Площадь (пикс.)
7. Среднее
8. Ср.кв.откл.
3
В полной таблице колонки описательных шкал по градусам идут до 360°.
http://ej .kubagro.ru/2015/10/pdf/99 .pdf
Научный журнал КубГАУ, №114(10), 2015 года
14
Колонки с 9-й по 68 : содержат длины радисус-вектора от центра тяжести силуэта самолета до его контура при заданном угле поворота радиусвектора:
9 . 000° 19 . 060° 29. 120° 39. 180° 49. 240° 59 . 300°
10 . 006° 20. 066° 30. 126° 40. 186° 50 . 246° 60. 306°
11. 012° 21. 072° 31. 132° 41. 192° 51 . 252° 61. 312°
12 . 018° 22 . 078° 32 . 138° 42 . 198° 52 . 258° 62 . 318°
13 . 024° 23 . 084° 33 . 144° 43 . 204° 53 . 264° 63 . 324°
14 . 030° 24 . 090° 34 . 150° 44 . 210° 54 . 270° 64 . 330°
15 . 036° 25 . 096° 35. 156° 45 . 216° 55 . 276° 65 . 336°
16 . 042° 26 . 102° 36. 162° 46 . 222° 56 . 282° 66 . 342°
17 . 048° 27 . 108° 37. 168° 47 . 228° 57 . 288° 67 . 348°
18 . 054° 28 . 114° 38. 174° 48 . 234° 58 . 294° 68 . 354°
В этом и состоит решение задачи 1.
Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. АСК-анализ изображений. Главная экранная форма режима 2.3.2.2 приведена на рисунке 10, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию и немного модифицированы, т.к. нами был добавлена еще одна классификационная шкала и соответствующий столбец.
После запуска процесса ввода данных из файла:
..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [17] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 11).
После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологическая база данных) (рисунок 12):
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
15
Рисунок 10. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
Рисунок 11. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
16
Рисунок 12. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»
Здесь можно обратить внимание на то, что процесс импорта данных из внешней базы данных занял 2 секунды.
Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.
Задача 2: формирование математических моделей конкретных самолетов с применением теории информации и Задача 3: формирование моделей обобщенных образов самолетов различных типов и моделей и их наглядная визуализация.
Обе эти задачи решаются путем запуска режима 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 13). Запускаем этот режим с параметрами по умолчанию, приведенными на рисунке 13.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
17
Рисунок 13. Экранная форма режима синтеза и верификации статистических и системно-когнитивных моделей системы «Эйдос» (режима 3.5)
При очень большом количестве объектов обучающей выборки для оценки достоверности моделей может быть использован бутстрэпный метод [18], параметры работы которого могут быть заданы в окне: «Параметры копирования обучающей выборки в распознаваемую». В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 14 и 15). Подробнее преобразование исходных данных в информацию, а ее в знания, и использование этих знаний для решения задач идентификации, принятия решений и исследования моделируемой предметной области путем исследования ее модели описано в ряде работ по АСК-анализу, например в [18], а также в режиме 6.4 системы «Эйдос».
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
18
О соотношении содержания понятий: «Данные», «Информация» и «Знания»
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
с
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
3
Формализация предметной области
Средства кодирования исходных данных
lnp_data, lnp_data.xls
Исходные данные
Class_Sc, Gr_CISc
Классификационные шкалы и градации
J
Opis_Sc, Gr_OpSc
Описательные шкалы и градации
Обучающая выборка, эвентологическая база данных
Решение задач распознавания системной идентификации и прогнозирования
Решение задач управления (поддержки принятия решений)
Решение задач исследования предметной области путем исследования ее модели
Рисунок 14. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
http://ej .kubagro.ru/20 1 5/107pdf799.pdf
Научный журнал КубГАУ, №114(10), 2015 года
19
Рисунок 15. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей
Из рисунка 15 видно, что процесс синтеза и верификации моделей занял 2 минуты 22 секунды.
В результате выполнения режима 3.5. «Синтез и верификация моделей», создано 3 статистических модели и 7 системно-когнитивных моделей исследуемой предметной области. Наименования этих моделей приведены на рисунке 18, а подробнее они описаны в работе [17] и других работах, посвященных АСК-анализу4 и здесь их описывать нецелесообразно.
В таблице 2 приведен фрагмент базы знаний модели INF1:
4
Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
20
Таблица 2 - Системно-когнитивная модель типов и моделей и самолетов
INF1 (миллибиты) (фрагмент)
Код Наименование шкалы и градации Бомбарди- ровщик Истре- битель Штур- мовик Бомбардировщик A 20 G 20 Истребитель Buffalo F2A 2
1 000°-1/10-{14.8908710, 30.8999315} 172
2 000°-2/10-{30.8999315, 46.9089920} 172
3 000°-3/10-{46.9089920, 62.9180524} 172 1068
4 000°-4/10-{62.9180524, 78.9271129} 429 -162 734
5 000°-5/10-{78.9271129, 94.9361734} 172
6 000°-6/10-{94.9361734, 110.9452339} 935
7 000°-7/10-{110.9452339, 126.9542944} 521 -242
8 000°-8/10-{126.9542944, 142.9633548} 1896
9 000°-9/10-{142.9633548, 158.9724153}
10 000°-10/10-{158.9724153, 174.9814758} 172
11 006°-1/10-{15.0871391, 21.0177425} 172
12 006°-2/10-{21.0177425, 26.9483459} 172 935
13 006°-3/10-{26.9483459, 32.8789493} 279 -70
14 006°-4/10-{32.8789493, 38.8095527} 172
15 006°-5/10-{38.8095527, 44.7401562} 172
16 006°-6/10-{44.7401562, 50.6707596} 172
17 006°-7/10-{50.6707596, 56.6013630} 763 1068 1068
18 006°-8/10-{56.6013630, 62.5319664}
19 006°-9/10-{62.5319664, 68.4625698} 172
20 006°-10/10-{68.4625698, 74.3931732} 521 -242
21 012°-1/10-{14.3107233, 20.1902360} -135 63 826
22 012°-2/10-{20.1902360, 26.0697487} 172
23 012°-3/10-{26.0697487, 31.9492614}
24 012°-4/10-{31.9492614, 37.8287741} 172
25 012°-5/10-{37.8287741, 43.7082868} 521 1482
26 012°-6/10-{43.7082868, 49.5877994}
27 012°-7/10-{49.5877994, 55.4673121} 935
28 012°-8/10-{55.4673121, 61.3468248} 521 -242 1482
29 012°-9/10-{61.3468248, 67.2263375}
30 012°-10/10-{67.2263375, 73.1058502}
31 018°-1/10-{13.6948805, 18.6011268} -135 63 826
32 018°-2/10-{18.6011268, 23.5073731} 172
33 018°-3/10-{23.5073731, 28.4136193} 172
34 018°-4/10-{28.4136193, 33.3198656} -70 1240
35 018°-5/10-{33.3198656, 38.2261119} 935
36 018°-6/10-{38.2261119, 43.1323582}
37 018°-7/10-{43.1323582, 48.0386045}
38 018°-8/10-{48.0386045, 52.9448507} 935
39 018°-9/10-{52.9448507, 57.8510970} 935 1482
40 018°-10/10-{57.8510970, 62.7573433} 172
41 024°-1/10-{14.4171963, 19.4113020} -307 93 654
42 024°-2/10-{19.4113020, 24.4054077} 172
43 024°-3/10-{24.4054077, 29.3995135} -135 -70 826
44 024°-4/10-{29.3995135, 34.3936192} 693 -484
45 024°-5/10-{34.3936192, 39.3877249}
46 024°-6/10-{39.3877249, 44.3818306}
47 024°-7/10-{44.3818306, 49.3759363}
48 024°-8/10-{49.3759363, 54.3700421}
49 024°-9/10-{54.3700421, 59.3641478} 935 1896
50 024°-10/10-{59.3641478, 64.3582535} 172
51 030°-1/10-{14.3007908, 20.4811228} -227 80 320
52 030°-2/10-{20.4811228, 26.6614548} -26 -133 935
53 030°-3/10-{26.6614548, 32.8417868} 279 -70
54 030°-4/10-{32.8417868, 39.0221188}
55 030°-5/10-{39.0221188, 45.2024508}
56 030°-6/10-{45.2024508, 51.3827827}
57 030°-7/10-{51.3827827, 57.5631147}
58 030°-8/10-{57.5631147, 63.7434467} 935 1896
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
21
Всего в этой базе знаний 600 записей, т.е. в таблице 2 приведено 9,7% ее объема.
Колонки приведенной базы знаний соответствуют классам, в данной работе это типы и модели самолетов.
Строки приведенной базы знаний представляют собой градации описательных шкал, в данной работе это интервальные значения расстояний от центра тяжести силуэта самолета до его контура в пикселях при различных углах поворота радиуса-вектора.
Значения на пересечениях строк и колонок в модели INF1 представляют собой количество информации по А.Харкевичу [17] в элементе контура о принадлежности конкретного самолета с данным элементом контура в силуэте к данному типу и модели самолета (классу). Это количество информации выражено в миллибитах, т.е. тысячных долях бита с целью экономии знакомест в таблице (т.к. все значения в ней начинаются с нуля и запятой). Знак и модуль значения отражают степень характерности или не характерности соответствующего элемента контура для данного типа и модели самолета. Положительные значения говорят о том, что данный элемент контура характерен для данного типа и модели самолета, а отрицательные - о том, что он не характерен. Степень характерности или не характерности выражается модулем значения. Пустые значения соответствуют случаю, когда данный элемент контура силуэта самолета никогда не встречался у самолетов данного типа и модели по данным обучающей выборки. Положительные значения получаются, если данный элемент контура встречается у данного типа и модели самолета с более высокой вероятностью, чем в среднем по выборке, а отрицательные - если реже, чем в среднем по выборке. Подробнее о способах расчета статистических и когнитивных моделей в АСК-анализе и системе «Эйдос» можно ознакомится в работе [17] и других работах по этой проблематике.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
22
Модели конкретных самолетов с применением теории информации представляют собой структуры данных, содержащие количество информации в элементах их контуров о том, что эти самолеты относятся к определенным типам и моделям. В соответствии с подходом, развиваемым в АСК-анализе и реализованным в системе «Эйдос», считается, что самолет относится к тому типу и модели, о принадлежности к которым в элементах его контура суммарно содержится больше всего информации, т.е. используется аддитивный интегральный критерий [17].
Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов и линейности объекта моделирования (рисунки 16 и 17).
Рисунок 16. Оценка достоверности моделей с помощью непараметрической метрики, сходной с F-критерием
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
23
режим: помощь по режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе |,эйдос-х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЬЦДТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,
4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным F-критерием и сходные оценки качества моделей.
Рисунок 17. Help режима 4.1.3.6: пояснение смысла
непараметрической метрики, сходной с F-критерием
Из рисунка 16 мы видим, что наиболее достоверная модель INF3, основанная на частном критерии хи-квадрат, дает среднюю достоверность определения типа и модели самолета по его силуэту около 90%, причем достоверность правильной идентификации составляет 96%, а правильной не идентификации - 83%.
Модели обобщенных образов типов и моделей самолетов содержатся в системно-когнитивных моделях INF1 - INF7, фрагмент одной из которых приведен в таблице 2. Такая модель представляет собой вектор, координатами которого являются частные критерии, в частности в моделях INF1 и INF2 - количество информации [17]. Синтез и верификация этих моделей осуществляется в режиме 3.5 и подробно описаны в данной работе выше.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
24
Наименования этих моделей приведены на рисунке 18, а подробнее они описаны в работе [17] и других работах, посвященных АСК-анализу5.
В системе «Эйдос» реализован режим 4.7. «АСК-анализ изображений», в котором можно выполнить практически все операции по оцифровке и анализу изображений, описанные в данной работе (рисунок 18). Вместо описания возможностей данного режима приведем его Help (рисунок 19). Экранная форма режима задания параметров формируемых и отображаемых информационных портретов приведена на рисунке 20.
Рисунок 18. Экранная форма режима 4.7. АСК-анализ изображений
5 Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
25
Рисунок 19. Help режима 4.7. АСК-анализ изображений
Рисунок 20. Экранная форма режима задания параметров формируемых и отображаемых информационных портретов обобщенных изображений
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
26
На рисунках 21 в наглядной графической форме приведена система описательных шкал и градаций, используемая для оцифровки оригинальных изображений силуэтов самолетов, причем цветом обозначена ценность градаций описательных шкал для решения задачи идентификации типа и модели самолета по элементам контура.
Рисунок 21. Система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
27
На верхнем рисунке 21 выделена область наиболее значимых элементов контура, на нижнем указаны они все. Для каждого угла поворота радиус-вектора диапазон от минимального до максимального его значений для конкретных самолетов обучающей выборки разделен на 10 интервальных значений - градаций (число интервальных значений задано в диалоге в режиме 2.3.2.2). Решение о количестве интервальных значений задается с учетом объема выборки таким образом, чтобы все они были достаточно широко представлены в ней (по крайней мере по 5 попаданий в каждое интервальное значение каждой шкалы) и не было вообще не представленных. Это значит, что при небольшом объеме выборки корректно выбирать небольшое количество интервальных значений и соответственно точность модели будет не очень высока, а при увеличении объема выборки есть возможность повысить точность модели. Это одно из следствий известной теоремы Котельникова об отсчетах.
Из сравнения шкал и градаций на рисунке 21 хорошо видно, на сколько в действительности различаются изображения самолетов различных типов и моделей и на сколько велик уровень вариабельности их формы.
На рисунках 22 приведена наглядная визуализация (средствами системы «Эйдос») информационных портретов обобщенных образов самолетов различных типов и моделей с указанием количества информации в элементах контура о том, что самолет с данным элементом принадлежит определенным типу и модели. Количество информации в элементе контура кодируется цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
28
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
29
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
30
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
31
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
32
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
33
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
34
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
35
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
36
Рисунок 22. Информационные портреты обобщенных образов листьев
различных сортов (классов)
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
37
Из портретов на рисунках 22 видно какое количество информации о принадлежности самолета к каждому из типов и моделей содержат различные элементы контура, а из рисунков 21 видно в какой степени эти элементы контура вносят различие между различными типами и моделями самолетов, т.е. в какой степени они вообще полезны для дифференциации самолетов по типам и моделям.
По сути это означает, что на рисунках 22 приведены редуцированные и нередуцированные когнитивные функции, причем редуцированные когнитивные функции по сути представляют нам вид идеального, т.е. не зашумленного средствами противодействия и случайным воздействием окружающей среды, контура самолета каждого типа и модели [21].
Различные варианты частных и интегральных критериев, применяемых в системе «Эйдос», описаны в работе [17] и других работах по АСК-анализу [7, 8]. По-видимому, при решении задачи идентификации типа и модели самолета по его силуэту есть смысл обращать основное внимание именно на эти наиболее информативные и значимые элементы контуров. В системе «Эйдос» реализован фильтр, в результате действия которого на изображениях будут показаны лишь те элементы контуров изображений, которые имеют значимость не менее заданной пользователем величины. Примеры изображений шкал и информационных портретов с фильтром, ограничивающим отображение градаций шкал с низким уровнем значимости, в данной работе не приводятся из-за ограниченности ее объема, но подобные изображения приведены в статье [5].
Задача 4: сравнение образа конкретного самолета с обобщенными образами самолетов различных типов и моделей и определение количественной степени сходства-различия между ними, т.е. идентификация типа и модели самолета по его силуэту (контуру) снизу.
В соответствии со схемой, приведенной на рисунке 14, и информацией по достоверности моделей, приведенной на рисунке 16, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель INF3 в качестве текущей (рисунок 23) и проведем в ней пакетную идентификацию в режиме 4.1.2 (рисунок 24):
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
38
—Задайте текущую стагт. модель или модель знаний------------------------------------------------------------------
Статистические базы:
С 1. ABS ■ частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки С 2. PRC1 - частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса С 3. PRC2 - частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:
С 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
С 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
(* :6. iNF3 - частный критерий: Хи-квадрэг, разности между фактическими и ожидаемыми абс.частотами i
С 7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PRC1
С 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2
С Э. INFG - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1
С 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
—Как задавать параметры синтеза моделей---------------------------------------------------------------------------
В качестве текущей можно задеть любую из ранее расчиганных в режимах 3.1,3.2, 3.3 или 3.4 стет. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INF1. Смысл моделей знаний, применяемых в системе 'Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://lc.kubagro.ru/aidos/index.htnn, http://wwiai.twirpx.com/file/793311/
_______Дк_______| Cancel |
Рисунок 23. Экранная форма, позволяющая задать любую модель (но обычно наиболее достоверную) в качестве текущей
4.1,2, Пакетное распознавание, Текущая модель: TNF3"
р-Стации исполнения процессу
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "INF3":
1/11: Распознавание (идентификация) 24-го объекта обучающей выборки из 24-Готово 2/11: Исследование распределений уровней сходства верно и ошиб.идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Г отово 4/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-корреляция - Г отово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-сумма инф. - Готово 6/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция - Г отово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-сумма инф.- Готово 8/11: Создание подробной наглядной формы: "Класстобъекты". Инт.крит.-корреляция - Готово 9/11: Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф. - Г отово 10/11: Создание итоговой наглядной формы: "Класс-объекты". Инт.крит.-корреляция - Г отово 11/11: Создание итоговой наглядной формы: "Класообъекты". Инт.крит.-сумма инф. - Г отово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !
-Прогноз времени исполнения----------------------------------------------------------------
Начало: 14:28:57 Окончание: 14:29:04
103%.
Прошло: 0:00:06
Осталось: 0:00:00
Ok
Рисунок 24. Экранная форма с отображением этапов и стадии решения задачи идентификации типа и модели самолета
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
39
Из данной экранной формы видно, что идентификация 24 самолета выполнена за 6 секунд.
Результаты идентификации самолетов с обобщенными образами типов и моделей самолетов приводятся в многочисленных выходных формах (рисунок 25), из которых мы в связи с ограниченностью объема работы приведем лишь первые 2 (рисунки 26 и 27):
4.1.3.1. Подробна наглядно: "Объект - классы”
4.1.3.2. Подробно наглядно: "Класс - объектьГ
4.1.3.3. Итоги наглядно: "Объект-класс"
4.1.3.4. Итоги наглядно: "Класс-объект"
4.1.3.5. П одро б н о сжато: "О бъекты - кл ассы"
4.1.З.Б. Обобщ.форма по достов.моделей при разных интегральных крит.
4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.крит.
4.1.3.5. Стат.анализ результ. идент. по классам, моделям' и инт.крит.
4.1.3.9. Распределения у ро в н. сходств а при разных моделях и инт.крит.
4.1.3.10. До сто верность идент. классов при разных моделях и инт.крит.
Рисунок 25. Выходные формы системы «Эйдос» с результатами идентификации (распознавания и прогнозирования)
[ О 4Л-3-2. Визуализация результатов распознавания в отношемым: ‘'Класс-объектьГ. Текущая модель; 'TNF3"_JJ ^Ш -г=-
Классы I Интегральный критерий сходства: "Семантический резонанс знаний"
III Наим, класса Код' Наименование объекта Сходство Ф.„ Сходство E
II ТИП САМОЛЕТА-Бомбардировщик .... ■ Г Силуэт Бомбардировщик А 20 G 20.jpg... 53,55... V ...
2 ТИП САМОЛЕТА-Истребигель ... 2 Силуэт Бомбардировщик В 25А MA.jpg... 51.93... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
3 ТИП САМОЛЕТА-Штурмовик ... 5 Силуэт Бомбардировщик Пе 2 110 сер... 51.01... V ..
4 МОДЕЛЬ САМОЛЕТА-Бомбардировщик А... 4 Силуэт Бомбардировщик Ju 88 А 4.jpg ... 42,30... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
5 МОДЕЛЬ САМОЛЕТА-Бомбардировщик В ... 3 Силуэт Бомбардировщик Ju 87 В 2.jpg ... 38,89... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...
6 МОДЕЛЬ САМОЛЕТА-Бомбардировщик Ju... 1G Силуэт Истребитель Р 38. рд ... 13.51... IIIIIIIIIIIII ..
7 МОДЕЛЬ САМОЛЕТА-Бомбардировщик Ju... 18 Силуэт Истребитель Р 51В 5 NA.jpg ... 4,661... Ill ..
8 МОДЕЛЬ САМОЛЕТА-Бомбардировщик Пе... 24 Силуэт Штурмовик Ил 2.jpg ... -4,612... IIII ...
Э МОДЕЛЬ САМОЛЕТА-Истребигель А6М2... гг 21 Силуэт Истребитель И 16 тип 29.jpg ... -7,312... Ill ... -r
10 МОДЕЛЬ САМОЛЕТА-Истребигель Buffalo .. Д 1 ► г
11 МОДЕЛЬ САМОЛЕТА-Истребигель Or ... Интегральный критерий сходства: "Сумма знаний"
12 МОДЕЛЬ САМОЛЕТА-Истребигель F4U 4 ... Код Наименование объекта Сходство ф... Сходство E
13 МОДЕЛЬ САМОЛЕТА-Истребигель Fiat G ... ■ г Силуэт Бомбардировщик А 20 G 20.jpg... 97,52... V
14 МОДЕЛЬ САМОЛЕТА-Истребигель FW190... 2 Силуэт Бомбардировщик В 25А NA.jpg ... 94,57... V
15 МОДЕЛЬ САМОЛЕТА-Истребигель Hawker... 5 Силуэт Бомбардировщик Пе 2 110 сер... 92,88... V
16 МОДЕЛЬ САМОЛЕТА-Истребигель МО 202... 4 Силуэт Бомбардировщик Ju 88 А 4.jpg ... 77,03...
17 МОДЕЛЬ САМОЛЕТА-Истребигель Me 109... 3 Силуэт Бомбардировщик Ju 87 В 2.jpg ... 70.82... V
18 МОДЕЛЬ САМОЛЕТА-Истребигель Me 2G2... 1G Силуэт Истребитель Р 38. рд ... 24,05... llllllllllllllllllllllll ...
19 МОДЕЛЬ САМОЛЕТА-Истребигель Р 98 ... 18 Силуэт Истребитель Р 51В 5 NA.jpg ... 8,487... Illlllll ..
20 МОДЕЛЬ САМОЛЕТА-Истребигель Р 47 D ... 24 Силуэт Штурмовик Ил 2.jpg ... -8,388... ilium ...
21 МОДЕЛЬ САМОЛЕТА-Истребигель Р 51В 5.... J 21 Силуэт Истребитель И 16 тип 29.jpg ... -13.31... iiiiimiiin ...
Л I л Г -I Г ► г
Помощь Поиск объекта ВначаЛЗБД | БконецБД | Предыдущая | Следующая | 9 записей Всезаписи ПечатьХЬЗ Печать TXT | ПечатьАЬЬ j
= — ^т —— J
Рисунок 26. Экранная форма с результатами идентификации типа самолетов с силуэтами конкретных самолетов
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
40
Рисунок 27. Экранная форма с результатами идентификации конкретного самолета с обобщенными образами различных типов и моделей самолетов
«Птичками» отмечены результаты достоверной идентификации. Из рисунков 26 и 27 видно, что в результатах идентификации есть ошибки ложного срабатывания (и не идентификации), но объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Мы видим, что эти результаты весьма разумные и по своей достоверности соответствуют уровню эксперта в данной предметной области.
При идентификации возникают ошибки неидентификации и ложной идентификации, снижающие достоверность модели. В системе «Эйдос» есть много различных средств повышения качества моделей, в частности за счет улучшения качества обучающей выборки. Для этого может быть применен режим: 3.7.6. Разделение классов на типичную и нетипичную части. Этот режим был реализован еще в DOS-версии системы «Эйдос» [19, 20], а недавно в несколько усовершенствованном виде и в новой версии системы «Эйдос-Х++» [9, 10, 11]. На рисунке 28 приведена экранная форма этого режима:
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
41
Рисунок 28. Экранная форма режима: 3.7.6. Разделение классов на типичную и нетипичную части
Вместо описания данного режима приведем его Help (рисунок 29):
Рисунок 29. Help режима: 3.7.6. Разделение классов на типичную и нетипичную части
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
42
Но в данной статье мы этот режим применять не будем из-за того, в что в обучающей выборке очень мало объектов. Подробнее его применение описано в работе [3].
Задача 5: количественное определение сходства-различия обобщенных образов самолетов друг с другом, т.е. кластерноконструктивный анализ обобщенных образов самолетов различных типов и моделей.
Для решения этой задачи необходимо запустить режим 4.2.2.1, а затем 4.2.2.2 (рисунки 30 и 31):
Рисунок 30. Экранная форма запуска режима кластерно-конструктивного анализа
При кластерном анализе наиболее сходные классы объединяются в группы, которые называются кластерами. При конструктивном анализе наиболее сильно отличающиеся кластеры рассматриваются как смысловые
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
43
полюса конструкта, а другие классы и кластеры с промежуточными смысловыми градациями образуют смысловой спектр между полюсами. Кластерно-конструктивный анализ предложен проф. Е.В. Луценко в 2002 году как одна из возможностей АСК-анализа и реализован в системе «Эй-дос» [7, 9]. На рисунке 31 приведена табличная экранная форма с результатами кластерно-конструктивного анализа типов и моделей самолетов в системно-когнитивной модели INF3:
Рисунок 31. Табличная экранная форма с результатами кластерноконструктивного анализа типов и моделей самолетов в системнокогнитивной модели INF3
На рисунке 32 результаты сравнения друг с другом обобщенных образов самолетов различных типов и моделей приведены в графической форме когнитивной диаграммы. Из рисунков 31 и 32 видно, что:
- бомбардировщики похожи друг на друга значительно больше, чем истребители друг на друга;
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
44
- бомбардировщики образуют один кластер, а истребители второй
кластер;
- кластеры бомбардировщиков и истребителей образуют полюса
конструкта;
- штурмовики находятся вблизи середины конструкта и не имеют ярко выраженного сходства ни с бомбардировщиками, ни с истребителями.
Рисунок 32. Результаты сравнения друг с другом обобщенных образов классов (самолетов различных типов и моделей)
Все эти результаты кластерно-конструктивного анализа разумны и соответствуют ожиданиям экспертов, основанных на их интуиции, опыте и профессиональной компетентности.
Парето-оптимизация (абстрагирование). Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений самолетов. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут не учитываться в моделях практически без ущерба для их достоверности (рисунок 33).
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
45
Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно. Отметим лишь, что в системе «Эйдос» есть выходные формы, в которых градации описательных шкал и сами описательные шкалы расположены в порядке убывания их ценности для дифференциации объектов обучающей выборки по классам.
Рисунок 33. Общий вид Парето-кривой ценности градаций описательных шкал (элементов контуров изображений) для идентификации конкретных
изображений с обобщенными образами классов
Отметим, что 50% градаций описательных шкал содержат более 80% суммарной ценности всех градаций для дифференциации объектов по классам.
Выводы.
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллек-
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
46
туальной системы «Эйдос» для решения задач, связанных с идентификацией типов и моделей самолетов по их силуэтам снизу, точнее, по внешним контурам: 1) оцифровка сканированных изображений самолетов и создание их математических моделей; 2) формирование математических моделей конкретных самолетов с применением теории информации; 3) формирование моделей обобщенных образов самолетов различных типов и моделей; 4) сравнение образа конкретного самолета с обобщенными образами самолетов различных типов и моделей и определение количественной степени сходства -различия между ними, т.е. идентификация типа и модели самолета по его силуэту (контуру) снизу; 5) количественное определение сходства-различия обобщенных образов самолетов друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов самолетов различных типов и моделей. Предлагается новый подход к оцифровке изображений самолетов, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры (разрешение, расстояние) и угол поворота (ракурс) в трех плоскостях. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворотов. Форма контура конкретного самолета рассматривается как зашумленное информационное сообщение о типе и модели самолета, включающее как информацию об истинной форме самолета данного типа и модели (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный зашумляющими воздействиями как средств противодействия обнаружению и идентификации, так и окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает идентификацию типа и модели самолета по его силуэту, что продемонстрировано на упрощенном численном примере.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
47
Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время6, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). В частности с применением предложенной технологии АСК-анализа изображений по их контурам могут быть модифицированы лабораторные работы 1 и 3 [15, 16].
Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Запланировано совершенствование методологии, технологии, методики и программного инструментария АСК-анализа изображений путем развития, применения и обобщения описанного в данной работе подхода.
Литература
1. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ei.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
6 http://lc.kubagro.ru/My training schedule.doc
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
48
2. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ei.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.
3. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа: http://ei.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
4. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 -167. - IDA [article ID]: 1101506009. - Режим доступа:
http://ei.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.
5. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ei.kubagro.ru/2015/08/pdf/64.pdf. 3,062 у.п.л.
6. Луценко Е.В., Бандык Д.К. Интерфейс ввода изображений в систему "Эйдос" (Подсистема «Эйдос-img»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015. - Режим доступа: http://lc.kubagro.ru/aidos/2015618040.ipg.
7. 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. - Режим доступа: http://elibrary.ru/item.asp?id=18632909.
8. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ei.kubagro.ru/2013/04/pdf/22.pdf. 1,25 у.п.л.
9. Луценко Е.В. Универсальная когнитивная аналитическая система «Эй-
дос». Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. [Электронный ресурс]. - Режим доступа:
http://elibrary.ru/item.asp?id=18271217.
10. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный жур-
http://ei.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
49
нал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 -77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ei.kubagro.ru/2009/10/pdf/04.pdf. 1,875 у.п.л.
11. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ei.kubagro.ru/2012/09/pdf/25.pdf. 1,812 у.п.л.
12. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа:
http://ei.kubagro.ru/2009/01/pdf/08.pdf, 0,625 у.п.л.
13. Юнг К.Г. Человек и его символы. М., 1997.
14. Луценко Е.В. Формирование субъективных (виртуальных) моделей физической и социальной реальности сознанием человека и неоправданное придание им онтологического статуса (гипостазирование) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. -№09(113). С. 1 - 32. - IDA [article ID]: 1131509001. - Режим доступа:
http://ei.kubagro.ru/2015/09/pdf/01.pdf, 2 у.п.л.
15. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. -615 с. - Режим доступа: http://elibrary.ru/item.asp?id=18632602
16. Луценко Е.В. Лабораторный практикум по интеллектуальным информаци-
онным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с. - Режим доступа:
http://elibrary.ru/item.asp?id=21683721
17. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ei.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
18. Луценко Е.В. Методологические аспекты выявления, представления и ис-
пользования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(070). С. 233 - 280. - Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. - Режим доступа:
http://ei.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.
19. Луценко Е.В. Повышение адекватности спектрального анализа личности по астросоциотипам путем их разделения на типичную и нетипичную части / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №02(036). С. 153 - 174. - Шифр
http://eJ.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
50
Информрегистра: 0420800012\0017, IDA [article ID]: 0360802010. - Режим доступа: http://ei.kubagro.ru/2008/02/pdf/10.pdf, 1,375 у.п.л.
20. Луценко Е.В. Повышение качества моделей «knowledge management» путем
разделения классов на типичную и нетипичную части / Е.В. Луценко, Е.А. Лебедев, В.Н. Лаптев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 78 - 93. - Шифр Информрегистра: 0420900012\0109, IDA [article ID]: 0540910005. - Режим доступа:
http://ei.kubagro.ru/2009/10/pdf/05.pdf. 1 у.п.л.
21. Луценко Е.В. Когнитивные функции как обобщение классического понятия
функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа:
http://ei.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.
References
1. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragiro-vanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. -Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.
2. Lucenko E.V. Sistemno-kognitivnyj podhod k sintezu jeffektivnogo alfavita / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №07(051). S. 109 - 129. - Shifr Informregistra: 0420900012\0067, IDA [article ID]: 0510907005. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 u.p.l.
3. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.
4. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. -Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.
5. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobrazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №08(112). S. 862 - 910. -IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
51
6. Lucenko E.V., Bandyk D.K. Interfejs vvoda izobrazhenij v sistemu "Jejdos" (Podsistema «Jejdos-img»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2015614954 ot 11.06.2015, Gos.reg.№ 2015618040, zaregistr. 29.07.2015. - Rezhim dostu-pa: http://lc.kubagro.ru/aidos/2015618040.jpg.
7. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii ak-tivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomich-eskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. - Rezhim dostupa: http://elibrary.ru/item.asp?id=18632909.
8. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatiziro-
vannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jel-ektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 -359. - IDA [article ID]: 0881304022. - Rezhim dostupa:
http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.
9. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos». Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. [Jelektronnyj resurs]. - Rezhim dostupa: http://elibrary.ru/item.asp?id=18271217.
10. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh univer-
sal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nasto-jashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregis-tra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa:
http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.
11. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.
12. Lucenko E.V. SK-analiz i sistema "Jejdos" v svete filosofii Platona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №01(045). S. 91 - 100. - Shifr Informregistra: 0420900012\0010, IDA [article ID]: 0450901008. - Rezhim dostupa: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 u.p.l.
13. Jung K.G. Chelovek i ego simvoly. M., 1997.
14. Lucenko E.V. Formirovanie sub#ektivnyh (virtual'nyh) modelej fizicheskoj i so-cial'noj real'nosti soznaniem cheloveka i neopravdannoe pridanie im ontologicheskogo statusa (gipostazirovanie) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №09(113). S. 1 - 32. - IDA [article ID]: 1131509001. - Rezhim dostupa: http://ej.kubagro.ru/2015/09/pdf/01.pdf, 2 u.p.l.
15. Lucenko E.V. Intellektual'nye informacionnye sistemy: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd., pererab. i dop.- Krasnodar: KubGAU, 2006. - 615 s. - Rezhim dostupa: http://elibrary.ru/item.asp?id=18632602
16. Lucenko E.V. Laboratornyj praktikum po intellektual'nym informacionnym siste-mam: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)"
http://ej.kubagro.ru/2015/10/pdf/99.pdf
Научный журнал КубГАУ, №114(10), 2015 года
52
i drugim jekonomicheskim special'nostjam. 2-e izd., pererab. i dop. - Krasnodar: KubGAU,
2006. - 318s. - Rezhim dostupa: http://elibrary.ru/item.asp?id=21683721
17. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom an-alize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
18. Lucenko E.V. Metodologicheskie aspekty vyjavlenija, predstavlenija i ispol'zovanija znanij v ASK-analize i intellektual'noj sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №06(070). S. 233 - 280. - Shifr Informregistra: 0421100012\0197, IDA [article ID]: 0701106018. - Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.
19. Lucenko E.V. Povyshenie adekvatnosti spektral'nogo analiza lichnosti po astro-sociotipam putem ih razdelenija na tipichnuju i netipichnuju chasti / E.V. Lucenko, A.P. Trunev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2008. - №02(036). S. 153 - 174. - Shifr Informregistra: 0420800012\0017, IDA [article ID]: 0360802010. - Rezhim dostupa: http://ej.kubagro.ru/2008/02/pdf/10.pdf, 1,375 u.p.l.
20. Lucenko E.V. Povyshenie kachestva modelej «knowledge management» putem razdelenija klassov na tipichnuju i netipichnuju chasti / E.V. Lucenko, E.A. Lebedev, V.N. Laptev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №10(054). S. 78 - 93. - Shifr Informregistra: 0420900012\0109, IDA [article ID]: 0540910005. - Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/05.pdf, 1 u.p.l.
21. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj ma-tematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.
http://ej.kubagro.ru/2015/10/pdf/99.pdf
