CC BY
45
УДК 004; 595.762.12
05.00.00 Технические науки 03.00.00 Биологические науки
ИДЕНТИФИКАЦИЯ ВИДОВ ЖУКОВ-ЖУЖЕЛИЦ (COLEOPTERA, CARABIDAE) ПУТЕМ АСК-АНАЛИЗА ИХ ИЗОБРАЖЕНИЙ ПО ВНЕШНИМ КОНТУРАМ (ОБОБЩЕНИЕ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof. lutsenko @gmail. com
Сердюк Владислав Юрьевич, аспирант РИНЦ SPIN-^:8779-4695 [email protected] Кубанский государственный аграрный университет, Краснодар, Россия
Насекомые являются важнейшим компонентом естественных биоценозов и агроценозов. Одним из самых больших и многочисленных семейств - являются жужелицы (Carabidae), насчитывающие по разным данным более 30000 видов. Для жужелиц характерны различные способы питания, местообитания, занимаемые яруса, сезонная и суточная активность. Они обитают как на поверхности, так и в почве, реже на кустарниках и деревьях. Виды семейства жужелицы - активные жуки с длинными тонкими антеннами равномерной толщины, длинными надкрыльями и длинными ногами, приспособленными к беганию. Размеры их варьируют от нескольких миллиметров до 10 см. Являясь активными хищниками, жужелицы играют огромное практическое значение, уничтожая вредителей еще до достижения последними порога вредоносности, тем самым обеспечивая их естественную регуляцию. Исходя из того, что количество жужелиц велико, а размеры их иногда составляют всего несколько миллиметров, возникла проблема определения вида этих насекомых (или их идентификации), вследствие чего потребовался специальный инструмент, который, с одной стороны, упростил бы получение данных об этих насекомых, а с другой стороны, повысил бы их точность. В данной статье предлагается новый для данной предметной области подход к идентификации различных видов жужелиц по их внешнему контуру с применением программного инструментария автоматизированного системно-когнитивного анализа (АСК-анализ) - универсальной когнитивной аналитической системы «Эйдос», которая прекрасно себя зарекомендовала при изучении других объектов. Причина, по которой было решено использовать эту систему, состоит в том, что обычные (стандартные) способы определения жужелиц, имеют определен-
UDC 004; 595.762.12
Technical sciences Biology
SPECIES IDENTIFICATION OF BEETLES (COLEOPTERA, CARABIDAE) BY USING ASK-ANALYSIS FOR THEIR IMAGES ON EXTERNAL 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
Serdyuk Vladislav Yurevich postgraduate
RSCI SPIN-code: 8779-4695 [email protected]
Kuban State Agrarian University, Krasnodar, Russia
Insects are a major component of natural biocenoses and agrocenoses. One of the largest and most numerous families are ground beetles (Carabidae); their number, according to various estimates, is more than 30,000 species. For Carabidae beetles it is common to have different ways of eating, a place of habitation, occupied layers, seasonal and daily activity. They live both on the surface and in the soil, more rarely on bushes and trees. The types of the family of ground beetles - active beetles with long, thin antennae of uniform thickness, long elytra and long legs, adapted to running. Their sizes vary from a few millimeters to 10 cm. As active predators, ground beetles play a huge practical importance, destroying pests before reaching the last threshold, thereby providing a natural regulation. Based on the fact, that the number of beetles is large, and their sizes are sometimes only a few millimeters, there is a problem of determining the species of these insects (or their identification), therefore it took a special tool, which, on the one hand, facilitate obtaining data about these insects, and on the other hand, would increase their accuracy. This article proposes a new (to this subject area) approach to identify different species of ground beetles along their outer contour with the use of software tools for automated system-cognitive analysis (ASC-analysis) - the universal cognitive analytical system called "Eidos," which is well-proven in the study of other objects. The reason why it was decided to use this system is that normal (standard) identification of ground beetles, have certain disadvantages: the human factor (manifest error in the determination); quite time consuming; the inability to increase the number of criteria to improve the reliability of the model comparison. This article aims to overcome these drawbacks, by the use of universal cognitive analytical system "Eidos", the automated system-cognitive analysis (ASC-analysis). A
ные недостатки: человеческий фактор (явные numerical example is given
ошибки при определении); достаточно большие временные затраты; невозможность увеличения количества критериев для повышения достоверности модели сравнения. Данная статья направлена на преодоление этих недостатков, путем использования универсальной когнитивной аналитической системы «Эйдос», автоматизированного системно-когнитивного анализа (АСК-анализ). Приводится численный пример
Ключевые слова: АСК-АНАЛИЗ, Keywords: ASK-NALYSIS, AUTOMATED
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО- SYSTEM - COGNITIVE ANALYSIS, "EIDOS"
КОГНИТИВНЫЙ АНАЛИЗ, INTELLECTUAL SYSTEM, MULTIPARAMETER
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», TYPING, SYSTEM IDENTIFICATION, МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, INTELLIGENT IMAGE ANALYSIS, GROUND СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ BEETLES, BEETLES, INSECTS, COLEOPTERA,
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ CARABIDAE
ИЗОБРАЖЕНИЙ, ЖУЖЕЛИЦ, ЖУКИ, ЖЕСТКОКРЫЛЫЕ, НАСЕКОМЫЕ, COLEOPTERA, CARABIDAE
СОДЕРЖАНИЕ
1. ПОСТАНОВКА ЗАДАЧИ И ИДЕЯ ЕЕ РЕШЕНИЯ.................................................................................2
1.1. Традиционный подход и его недостатки...........................................................................................3
1.2. Идея решения............................................................................................................................................4
1.3. Имеющийся задел...................................................................................................................................4
2. ЧИСЛЕННЫЙ ПРИМЕР..............................................................................................................................4
2.1. Исходные данные....................................................................................................................................4
2.2. Автоматический ввод изображений жужелиц в систему «Эйдос»..............................................6
2.3. Синтез и верификация моделей обобщенных образов жужелиц по видам
(многопараметрическая типизация)........................................................................................................ 13
2.4. Количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц (системная идентификация)........................................................ 17
2.5. Количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых.................................................................21
2.6. Исследование моделируемой предметной области путем исследования ее модели............21
3. ВЫВОДЫ И РЕЗУЛЬТАТЫ.......................................................................................................................25
4. ПРИМЕНЕНИЕ.............................................................................................................................................26
5. ПЕРСПЕКТИВЫ..........................................................................................................................................26
ЛИТЕРАТУРА ................................................................................................................................................... 26
1. Постановка задачи и идея ее решения
В энтомологии существует актуальная задача определения различных видов насекомых, решение которой чаще всего является очень трудоемким и недостаточно точным [1-3].
1.1. Традиционный подход и его недостатки
Традиционно установление вида насекомого осуществляется методом визуального сравнения особи с имеющимися в распоряжении эксперта справочными данными. В качестве таких данных используют различные книги- справочники, а также справочные коллекции насекомых, созданные на базе научных учреждений.
К недостаткам традиционного подхода можно отнести следующее.
а) в случае ручного сравнения с использованием справочных и натурных фондов:
- значительные временные затраты;
- зависимость от опыта эксперта;
- зависимость от имеющихся в наличии специализированных книг и образцов жужелиц;
- невозможность увеличения количества критериев для повышения достоверности модели сравнения;
- человеческий фактор (явные субъективные ошибки при определении);
- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных для принятия решений с учетом потребностей конкретного пользователя (эксперта);
- отсутствие возможности производства исследований в моделируемой области, например количественного сравнения различных видов жужелиц по их изображениям;
- невозможность увеличения количества критериев для повышения достоверности модели сравнении.
Данная статья посвящена преодолению этих недостатков путем применения для решения поставленной задачи универсальной когнитивной аналитической системы «Эйдос».
1.2. Идея решения
Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос» [3]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [4]. Система обеспечивает построение информационно-измерительных систем в различных предметных областях [7, 8], в частности АСК-анализ изображений [9-16]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [11]. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели [9-16].
1.3. Имеющийся задел
У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [12-16].
2. Численный пример
2.1. Исходные данные
В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения насекомых - жужелиц (Carabidae) (рисунок 1)
| И i i I i Н I н
Acinopus Agonum
(Acinopus) (Europhilus)
picipes piceum
(Olivier, 1795) (Linne, 1758)
i I
Carabus Clivina
(Megodontus (Clivina)
} exaratus fossor Quensel, 1806 (Linnaeus, 1,,.
I I
Nebria Nomius
(Nebria) pygmaeus
brevicoltis Dejean, Fabricius, 1,„
Amara Anthracus (Zezea] consputus
plebeja (Duftschmid, (Gyllenhal,,.. 1812)
Apotomus Asaphidion testae eus cara beides Dejean, 1825 (Schrank, 1781)
Bembidion Bradycellus Broscus
(Metallina] (Bradycellus) semistriatus
lampros harpalinus (Dejean,
(Herbst 1784) (Audinet-Se.., 1828)
k
Dromrus (Dromius) agiiis (Fabricius, 1,.,
Drypta Dyschiriodes (Drypta) aeneus
dentata (P (Dejean, 1825]
Jeannelius Lebia (Lebia)
birsteini cruxminor
Ljovuschkin, (Linne, 1758) 1963
Leistus (Leistus) ferrugineus Linne, 1758
&
Notiophifus Odacantha
aeneus (Od аса nth a) (Herbst, 1806] melanura
Goulet Linn^ 1767
Olisthopus rotundatus (Paykull, 1790]
Omophron Ophonus
(Omophron] (Ophonus)
limbatum laticollis
Fabricius, l.„ Mannerhei,..
Patrobus Platynus
atrorufus (Platynus)
(Stroem, assimilis
1768) Paykull, 1790
Poecilus (Poecilus) cupreus Linne, 1758
Polistichus Porotachys connexus bisulcatus (Geoffroy, 1785)
Pterostichus Stomis Synuchus
(Platysma) (Stomis) (Synuchus)
nigerniger pumicatus viva lis III iger,
s.str. (Panzer, 1796) 1798
tachys_scutell aris kaef
Tschyta (Tachyta) nana (Gytlenhal,...
Thalassophilu s longicornis Sturm, 1825
Therm oscelis insignis insights Chaudoir, 1...
I i n h I n n
Zabrus (Zabrus) tenebrioides Goeze, 1777
Zuphium olens (P
Calo&oma (Calosoma) sycophanta Linne, 1758
J I § I i
Mast ax therm a rum Steven, 1806
I
Pogonistes convexicollis Chaudoir, 1871
Pogonus (Pogonus] littoralis Duftschmid
Рисунок 1. Разные виды жужелиц
Для решения поставленной задачи выполним следующие этапы АСК-анализа [4, 5]:
1) ввод в систему «Эйдос» изображений жужелиц и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов жужелиц по видам на основе контурных изображений конкретных насекомых (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типичную и нетипичную части;
4) количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц различных видов (системная идентификация);
5) количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых.
2.2. Автоматический ввод изображений жужелиц в систему «Эйдос»
Запишем в папку ..\AID_DATA\Inp_data\1\ сканированные изображения жужелиц. Имена файлов изображений жужелиц состоят из имени вида и номера файла внутри папки (номер реализации). В рассматриваемом примере в обучающей выборке используются изображения 47 конкретных видов жужелиц.
Затем запустим режим: 2.3.2.4. «Оцифровка изображений по их внешним контурам» (рисунок 2).
Рисунок 2. Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам
Вместо описания данного режима приведем на рисунке 3 его Help. В результате появляется главная экранная форма, отображающая процесс оцифровки сканов жужелиц, расположенных в виде файлов в указанных выше папках (рисунок 4).
2.3.2.4. Интерфейс в&ода изображений в систему "Эйдос"
Режим: "2.3.2.4. интерфейс ввода изображений в систему "эйдос"".
Данный режим обеспечивает кодирование bmp и jpg изображений и формирование файла исходных данных "lnp_data.xls", в котором каждое изображение представлено строкой, этот файл исходных данных используется для формализации предметной области в универсальном программном интерфейсе системы Оидос> 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 е папке: ...aid_data/inp_data/ и вложенных папках, имена папок и файлов изображений 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.
в файле исходных данных "lnp_data.xlsx":
- значения 1-й колонки: наименования объектов обучающей выборки> формируются путем <склеивания> наименования папки с изображениями + < - > + имя файла изображения:
- значения 2-й колонки: <классы> - это часть имени файлов изображений до черточки: "-", пример имени файла: "гелиос - 0003.jpg", соответствующий класс: "гелиос , имеется в виду, что имя файла состоит из двух частей: до черточки - имя класса, после черточки - номер объекта, относящегося к этому классу, а потом расширение;
- значения 3-й и 4-й колонок: координаты х и y 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-Еектора 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 I4 и больше 180*.
Изображения, полученные в результате анализа исходных изображений и заданных в диалоге преобразований, фактически использованные для оцифровки, сохраняются в папке ...AiD_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. вандык // 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 "эйдос" (подсистема Ойдос-шд>). сеид. Роспатента РФ на программу для ЭВМ, Заявка «s 2015614954 от 11.06.2015, Гос. per.fis 2015618040, зарегистр. 29.07.2015.
Луценко Е.Б. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, класси фикация 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. Збб - 394.
- IDA [article ID]: 1111507019. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
Луценко Е.В. Решение задач ампелографии с применением ACK-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 кубгду) [электронный ресурс]
- Краснодар: кубгду, 2015. - №08(112). с. 846 - 894. - ida [article id]: 1121508064. - режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
Рисунок 3. Help режима 2.3.2.4. Оцифровка изображений по их внешним контурам
{*) 2.3.2.4. Интерфейс ввода изображений в систему "Эйдос"'
Данный режим обеспечивает кодирование и ввод в систему "Эйдос" изображений и формирование файла исходных данных"lnp_data.xls", в котором каждое изображение представлено строкой, для их импорта в систему в режиме 2.3.2.4, Файлы изображений должны находится в папке ..'AID_DATA\lnp_data\ и вложенных папках. лА
фЪ 1 Идет обработка изображений V/ ^^^^^НИЕ^Н А
c:\Aidos-X\AID_DATA\lnp_data\1\Poecilus (Poecilus) cupreus Linne, 1758.jpg и
Разработано Д.К. Банды к (Беларусь) по постановке проф.Е.В.Луценко (Россия). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015.
Рисунок 4. Экранная форма с отображением стадии процесса исполнения оцифровки изображений жужелиц по их внешним контурам
Данный режим:
1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\1\ 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, лежащих на радиус-векторах, при различных углах поворота радиуса-вектора. В статье [17] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы «Эйдос».
4. При этом структура поддиректорий и имена файлов в папках:
..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Пример контурного изображения жужелицы приведен ниже на рисунке 5.
5. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержатся результаты оцифровки изображений. Кроме того, он формирует таблицу: ..\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. Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 6:
Рисунок 5. Пример контурного изображения жужелицы: c:\Aidos-X\AID_DATA\Out_data\1\Pterostichus (Platysma) niger niger s.str..jpg
Помощь по режиму 2.3,2,2 для случая Excel-файлов исходным данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных 'lnp_data.xls" е систему °Эйдос-х++° и формализации предметной ойласти.
■ Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описггельных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной ойласти, на основе XLS или XLSX-Файла с исходными данными приведенного ниже стандарта.
■ Файл исходных данных должен иметь имя. INP_DATA.XLS или INP_DATA.^l_.SXn может быть получен в Ехсе1-2003[2007-2010), а Файл распознаваемой выборки имя: INP_RA5P.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS (!NP_DATA.XLS>i] и INP_RASP.XLS или INP_RASP. XLS!^ должны находиться в папке /А1D fl S -X/Mi D_ _DATA/l np_ data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого Файла должна содержать наименования колонок на любом языке, в т ч. и русском. Эти наименования должны быть ео всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чгобы эти наименования были не очень длинными, тайк ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003. в листе может быть до 6у53ё строк и до 256 колонок. В листе Ехсе1-2007(2010] возможно до | S4S 576 строк и 1G 384 колонок.
- Столбцы, начиная со 2-го. являются классификационными и описательными шкалами и могут быть текстового (номинального] или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. при белим], то столбцу присваивается текстовый тип Это означает, чго нули должны быть указаны нулями, а не пробелами.
-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами] и содержат данные о классах (будущих состояниях объекта управления], к ксторым принадлежат объекты обучающей выборки.
- Столбцы с N->-1 по последний являются описагельными шкалами (факторами] и содержат данные о признаках (значениях факторов], характеризующих объекты обучающей выборки.
3 резупьтате работы режима формируется Файл IN P_NAME.TXT. стандарт a MS DOS (кириллица), в котором наименования классификацион ных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкапы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов. после чего числовые значения заменяются их интервапьными 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 когорой соогветствуйт одной строке файла исходных данных NP_DATA и содержит коды классов, соогветствующие фактам совпадения числовых или уникэпьных текстовых значений классов с градациями классификационных ¡икал и коды признаков, соогветствующие фактам совпадения числовых или уникэпьных текстовых значений признаков с градациями описательных шкал.
- Распознаваемая выборка формируется на основе Файла INP_RASP аналогично, за исключением того, что классификационные н описательные шкалы и градации не создаются, а используюгся ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_FIASP были пустыми. Структура Файла INP_FIASP должна бьггь такая же, как INP_DATA, т.е они должны ПОЛНОСТЬЮ совпадать по столбцам, но могуг иметь разное количество строк.
Принцип организации таблицы исходных данных.
Наименование ойьвьта обучающей ву Гюркк Наименование 1-й классификационной щкапи Наименование 2-й классификационной шкалы Наименование 1-й описательной шкапы Наименование 2-й описательной шпалы
1-й объект обучающей выборки Значение показателя Значвниа покаэатепя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значений показателя Значение покзаатепя
... ...
Ok И Cancel
Рисунок 6. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений:
Таблица 1. - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений (фрагмент)
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 7, причем на ней показаны нужные параметры, которые формируются режи-
мом 2.3.2.4 как параметры по умолчанию.
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 и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 8):
I
С) 2,3.2.2. Универсальный программный интерфейс импорта данных в систему ЭЙДОС-Х- +
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"
Задайте параметры:
Стандарт XLS-Файла
Задайте тип файла исходных данных: ''lnp_data": Г XlS - MS Excel-2003
Г DBF DBASE IV (DBF/NTX) Стандарт DBF-Файла
f .CSV ЦComma-Separated Values Стаидарг CSV-файла
Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробепы считать ЗНАЧЕНИЯМИ данных [7 Создавать БД средних по классам "!пр_.йауг.с1Ы"^: Требования | Файла исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | £
Конечный столбец классификационных шкал: -
- Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: | g
Конечный столбец описательных шкал: | 3^7
Задайте режим:—
Г* Формализации предметной области (на основе "1пр_йа'а") С" Генерации распознаваемой выборки (на основе "1пр_гаф")
- Задайте способ выбора размера интервалов:
г» Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовые полей "lnp_daia": f* Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ полей I" Применить сценарный метод прогнозирования АСК-анализа (| Применить специальную интерпретацию текстовых полей "lnp_aaia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.ннтерлретгцню ТХТ-пплей:
— Сценарный меток АСК-анализа: Спец.ингерпретация ТХТ-полей
Записи Файла исходных данных "lrip_daia" рассматриваются каждая сама по себе независимо друг от друга
Значения текстовых полей Файла исходных пенных "lnp._daia" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать: Г* Только интервельные числовые значения I" Только наименования интервальных числовых значений Г" И интервальные числовые значения, и их наименования
(например: "1 ^{59873.080086(1 178545.6685667}"] (например: "Минимальное")
(например: "Минимальное: 1 /3-{5Э873.(ЮСЕЮ0С. 17B545.6G666G7}")
Пк
Cancel
Рисунок 7. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
Рисунок 8. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
В этой форме задано 10 интервальных значений (градаций) в описательных шкалах, а затем пересчитаны шкалы и градации. 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 9):
Рисунок 9. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»
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.
Таким образом, подготавливаются все исходные базы данных для синтеза и верификации модели.
2.3. Синтез и верификация моделей обобщенных образов жужелиц по видам (многопараметрическая типизация)
Далее запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 10):
3,5. Выбор моделей для синтеза и верификации
■
а I-
-Задайте стат. модели и модели знаний для синтеза и верификации Статистические базы:
Ii? |1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборкй f/ 2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса Ii? 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:
Ii? 4. INF1 - частный критерий; количество знаний по А.Харкевичу; вероятности из PRC1
f/ 5. IMF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
Ii? 6. INF3 - частный критерий: Хи-квадрат.. разности между Фактическими и ожидаемыми aöc.частотами
р" 7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PRC1
Ii? 8. INF5 - частный критерий; ROI [Return On Investment); вероятности из PRC2
f/ Э. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1
Ii? 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Параметры копирования обучающей выборки в распознаваемую:
—Какие объекты обуч.выборкй копировать:— — г- Пояснение по алгоритму верификации]-
(• Копировать всю обучающую выборку Г" Копировать только текущий объект С Копировать каждый М-й объект Г" Копировать N случайный объектов С Копировать все объекты от N1 до N2 Г" Вообще не менять распознаваемую выборку
Удалять из обуч.выборкй скопированные объекты: (• Не удалять Г" Удалять
Подробнее j|
И змеряется внутренняя достоверн. модели
Ok
Cancel
Задайте текущую модель
Г ABS С PRC1 Г PRC2
f? INFI Г INF2 Г INF3 Г INF4 Г INF5 Г INF6 Г INF7
Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию
Рисунок 10. Экранная форма режима синтеза и верификации моделей
системы «Эйдос» (режима 3.5)
Запускаем этот режим с параметрами по умолчанию. 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 11 и 12) [7, 8]:
с
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
Формализация предметной области
Средства кодирования исходных данных
1пр_с1а1а, lnp_data.xls
Исходные данные
С1ав5_8с, 0г_С18с
Классификационные шкалы и градации
Решение задач распознавания системной идентификации и прогнозирования
Решение задач управления (поддержки принятия решений)
V
Решение задач исследования предметной области путем исследования ее модели
Рисунок 11. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
3.5, С/нгез ч верифи^циц зэданнык из 10 моделей
} ! Н
Стадии исполнения процесса
Шаг 1-й из i i. Копирование обучающей Еыборки е распознаваемую - Готово Шаг 2-й из 1:: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11. Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.)- Готово Шаг 4-й из 11. Синтез моделей знаний: ¡NF1 -INF? - Готово
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОПНЕНИВ--..
Шаг 5-й из 11 Задание модели "INF7|: в качестве текущей-Готово Шаг6-й из 11. Пакетное распознавание в модепи "INF7"- Готово
Шаг ?-й из 11. Измерение достоверности модели "Inf?" - Интегральный критерий: "Сумма знаний11 - Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...
Шаг 3-й из 11. объединение БД DostRsp# в БД DostRasp - Готово
Шаг 3-й из 11: Печать сводной формы по результатам верификации моделей-Гот обо
Шаг 10-й из 11: Создание формы: "Достоверность идент .классов в различных моделях" - Готово
Шаг 11-й из 1V "Присвоение заданной модели: Infi статуса текущей" - Готово
Синтез и верификация заданных стат.моделей и моделей знаний упешно завершена !!!
Прогноз времени исполнена
Начало: 15:10:23
Прошло: 0:02:29
Окончание: 15:13:53
Ш:-
Ük
Осталось: 13:00:00
Рисунок 12. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей
Из рисунка 12 видно, что процесс синтеза и верификации моделей на выборке из 47 жужелиц занял 2 минуты 29 секунд.
Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным Б-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 13 и 14).
Рисунок 13. Оценка достоверности моделей, с помощью непараметрической метрики, сходной с Б-критерием
и 4
Помощь по режиму: 4,1.3.6; Виды прогнозов и принцип опрделения достовености моделей в системе Эйдос-Х++
Режим: Помощь по режиму: 4.1.3.6: виды прогнозов и принцип оценки достоверности моделей в системе "эйдос-х++" с применением метрики (предложена проф.Е.в.луценко), сходной с Р-критерием, но не предполагающей независимости и аддитивности факторов.
ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или б. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3,4, 5иб, а что-то из этого естественно выпало, конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3,4, 5 или 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 Г-критерием и сходные оценки качества моделей.
Рисунок 14. Help режима 4.1.3.6: пояснение смысла непараметрической
метрики, сходной с F-критерием
Из рисунка 14 мы видим, что наиболее достоверная модель, основанная на критерии X2 [7], дает среднюю достоверность определения вида
насекомого по его изображению около 80%, причем достоверность правильного отнесения жужелицы к типу виду составляет 100%, а правильного не отнесения к ее виду, к которому она не относится - около 60%. Эти показатели значительно лучше, чем у экспертов в этой области.
2.4. Количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц (системная идентификация)
Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:
- поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые жужелицы» изображения классифицируемых жужелиц в том же стандарте, что и в обучающей выборке;
- выполнить режим: 2.3.2.4. «Оцифровка изображений по внешним контурам»;
- переименовать файл: c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xlsx в Inp_rasp.xlsx или скопировать его с переименованием;
- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 7), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_rasp)» (рисунок 15);
- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».
С) 23.2.2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х-+ '
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_(1а1а"
Задайте параметры:
Стандарт XLS-Файла
Задайте тцг1 файла исходных данных: Vlnp_data' Г XlS - MS Excel-2003
Г DBF - DBASE IV (DRF/NTX) Стандарт DBF-Файло
f .CSV ЦComma-Separated Values Стандарг CSV-файла
<• Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробепы считать ЗНАЧЕНИЯМИ данных I?' Создавать БД средних по классам "!пр_.йауг.с]Ы"Я: Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал Начальный столбец описательных шкал: Конечный сголбец описательных шкал:
Задайте режим:—
Г" Формализации предметной области (на основе "lnp_daia") <■ Генерации распознаваемой выборки (на основе "lnp_rasp")
Задайте способ выбора размера интервалов: <* Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовые полей "lnp_daia": f* Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей I" Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_aaia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.иитерпретацню ТХТ-полей:
Спец.интерпретация ТХТ-полей Значения текстовых полей Файла исходных данных "!np__daia" рассматриваются как целое
Сценарный меток АСК-анализа: Записи Файла исходных данных "lnp_daia" рассматриваются каждая сама по себе независимо друг от друга
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
Г* Только интервальные числовые значения (например: "1Л-{5Э8?Э.000ПС0[1,178545.6665667}"]
Г1 Только наименования интервальных числовых значений (например: "Минимальное")
Г" И интервальные числовые значения, и их наименования (например: "Минимальное: !Л-{5Э873.(ЮС000С. 173545.6666667}"'
Пк
Cancel
Рисунок 15. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опцией ввода распознаваемой выборки
В результате в режиме 4.1.3.1 получим выходную форму, представленную на рисунке 16. Отметим, что в подобных формах есть случаи «Ложных срабатываний», т.е. отнесения изображения жужелицы не к тем, к которым она в действительности относится. Но необходимо отметить, что правильная идентификация всегда, т.е. во всех случаях, имеет более высокий уровень сходства, чем эти «Ложные срабатывания».
4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-классьг, Текущая модель: "1МРЗ" « 1 ,=н а iMaMi
1 . i
Распознаваемые о(уьекты Интегральный критерий сходства: '.Тематический резонанс знаний1
| <3и Наим. объекта | Код Наименование класса Скоасгва Ф... Сходство *
И
1 1 Acinopus (Acinopus) pieipes ... 1 КЛАСС-Acinopus (Acinopus) pieipes (Olivier, 1785l.jpg 88,38,.. У
2 1 Agonum (Europhilus] piceum... 23 MACC-Licinus.{LicinusJ depressus h'ai'kjl 17Э0. ipg 44,80...
Э 1 Amara iZezeaj plebeja (Gylle... 48 КЛАСС-Zabrus (Zabrus] tenebrioides Goeze, 1777.jpg 37,41 ..
4 1 Anthracus consputus (Dufts... 3 ItflACC-Amars ßlsftatptebeja HSÜ181 Qfjpg 34.84 :
5 1 Aphaonus compressus Rost,... 18 КЛАСС-Dixusiobscuius Dejeah'1S25,jpg 32,86,..
6 1 Apotomus testaceus Dejean,... 24 КЛАСС-Maitax-the'm-iar'tim Sleven, 1808 jpg 25.43...
7 1 Asaphidion caraboides (Sehr... — '34 КЛАСС-Poecilus (Pöecilus) cupfeus Linne, 1758. jpg 22,43...
8 1 Bembidion (Metallina] lampro... ■35 K(1ACC-Pogonistes co^vexicdliSi'GhauclÖir, 18171. jpg ¡ÜÜ:
9 1 Biadycellus (B radycellus] har... 25 КЛАСС-Netirö (Nebria) brevicollis Fabricius^ 1792.jpg 22,84... „
10 1 Broscus semistriatus (Dejean... и Jc=
11 1 Callislus lunatus lunatus Fabr... Интегральный критерий сходства: "Сумма знаний"
12 1 Calosoma (Calosoma) sycop... к® Наименреание класса Сноаство ф... Сходство ж
13 1 Carabus (Megodontus) exara... ■ КЛА£С-Acinopus (Acinopus) pieipes (Oliver, 1735). ipg 88:3i...
14 1 Clivina [Clivina] fossor (Linna... 23 КЛАСС-L cinus.fLicinus) depressus Г'-avkjl 17-80,ipg 43,87...
15 1 Diachromus germanus (Linn... 48 КЛACC>Zsbms' (Z&brus} tenebrioides 6оегЁ.'1777 jpg ЩЩ
16 1 Dixus obscurus Dejean 1825... 18 КЛАСС-Dinus; ob?"c.u[us D ejeafi T 825. jpg 35,11 .
17 1 Dromius (Dromius) agilis (Fab... 3 КЛДСС-Amara (Zezea) plebeja [Gjillenhal, 1810).jpg 34,23...
18 1 Drypta [Drypta] dentata (P.jp... 24 КЛАСС-Mästax herri.jrtirr Steven 1808 jpg 27,33...
18 1 Dyschiriodes aeneus (Dejea... 25 КЛДСС'Ме-иг а [МеЬма] brevicollis Fabricius, 1732.jpg 26,7Ü!.:
20 1 Jeannelius birsteini Ljovusch... 34 КЛАСС-Poecilus (Poecilüs) cupfeus Linne, 1758.jpg Й.83'.-.:
21 1 Lebia (Lebia) cruKminor (Linn... 35 КЛАСС-Pocjonistes convenicollis Chaudoir, 1871.jpg 23;83„.
'I « п
_ . . 1
Помощь | 9 классов | Классы с МахМг: УрСк | Э классов с МахМп УрСх ВСЕ классы ВКЛ. Фильтр по класс.шкале ; ВЫКЛ.Фильтр по класс.шкале Граф диаграмма | |
1
Рисунок 16. Степень сходства образа конкретной жужелицы с обобщенными образами различных видов жужелиц
В подсистеме 4.1.3. «Вывод результатов распознавания» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 17:
-
1.1.3.1. Псдрсбнс наглчднс: Объект - классы
1.1.3.2. Псдрсбнс иагляднс: Класс- объекты
1.1.3.3. Итоги иагпядно: Объект - класс''
1.1.3.4. Итоги иэгплдно: Класс - объект 1.1.3.Б. Псдрсбнс скато: Сбъакты - классы
4.1.3.6. Сбсбц.форма пс дсстсе.моделей при равных интеграпьных крпт.
4.1.3.7. Сбсбц.стат.анапи? ре^ультатсЕ идент. пп моделям и инт.крит 4.1.3.3. Стат.анализ результ. ндент. пс классам, моделям н пнт.крит. 4.1.3.Э. Распределения уроЕн.схсдстЕЗ при равных моделях г иит.крпт. 4,1.3.1 С.ДостоЕерность ндент. класссЕ при равных меделлх и иит.крпт.
Рисунок 17. Наименования выходных форм системы «Эйдос» с результатами распознавания
Две из них, количественно отражающие степень сходства образа конкретной жужелицы с обобщенными образами различных видов жужелиц, приведены на рисунках 18 (режимы 4.1.3.1 и 4.1.3.3):
1 ¡- а т
4.1,3.3. Итоговая наглядная форма результатов распознавания: "Объект-класс". Текущая модель: 'ШРЗ"
Пояснения по смыслу частных и интегральны« критериев
Семантический резонанс знаний
Сумма знаний
Частн.крит. 7 моделей знаний | Инг.криг.: "Сумма знаний" | Инг.криг.: "Резонанс знаний" |
Код объекта распозн. выборки Наименование объекта распознаваемой выборки Код класса с МАХ ур.сход. Наименование класса с МАХ уровнем сходства МАХ уровень сходства Км класса ур-скод. Наименование класса с М1М уровнем сксдства уровень ексдства Достоверность.
Н 1 Асипориз (АЫпориз] рюрег... КЛАСС-Аапори$ (Ас1пориг) рЫре... 99.391 |<Л'Афг0гур1а (0гур1а) Йеп1а1а (Р. -11.111 55.251
1 Адопит (ЕигорЬНиг) рюеит... КЛАСС-Адопит (ЕигорИЛие] рюеи... 99.072 КЛАЕС-Огур1а ШШ Йеп1а1э (Р. -11.111 55.092
1 Атага \Zezea] р1еЬе|а (БуНе... КЛАСС-Атага ^егеа) р1еЬе|а (Бу!... цо §23 КЛАСС-0 гурКа (0г)1р1а) Йеп1а!а (р. -11.111 54.970
1 АпкИгасий сопйри^й (ОиКй.. КЛАСС-Ап^гасий сопзри^ (ОиК.. 99.596 КЛАСС-0 г^р1а гдо1а] -с1ес1(а1а (р. -11.111 55.353
1 АрЬаоте сотргеззий Иой*,. . КЛАСС-АрИаопий сотрге85и8 По.. 96.992 '[¿ЩССЮот(а р Г11р1а) йе«а|а (Р -11.111 55.052
1 Аро1оти$ 1е$1асеи$ 0е|еап,... КЛАСС-Аро1оти$ 1ез1асеи$ Ве!еа... 99.337 Ш€С-0гур1а ГОфр1а) Йеп1а1а !Р. -11.111 55.224
1 АзарЫсКоп caraЬo¡des (БсИг... КЛАСС-АзарИМай caraboides (Бс... 99.423 КЛАСС-0гур1а РтоМ йем(а!а (Р. -11.111 55.267
1 ВетЫс1юп (МеЫУпа) 1атрго... КЛАСС-ВетЬ^юп {МеЫУпа] 1атрг... 99.636 КЛАСИгдаа (0г^р1а) йеп(а(а (Р. -11.111 55.373
1 Вгас1усе11и5 (ВгафсеНи®) Иаг... КЛАСС-ВгафсеЯиз [В га^оеИиа) И... 99.262 КЛАСИгур'а (0гур1а) с!еп1а1а [Р. -11.111 55.167
1 Вгозсиз «ет^па^ (Ое^ап... КЛАСС-Вго$си$ $етЫпа1и$ (Ое|е... 99.024 КЛАЕС-0гир1а (0гур1а) Йеп1а1а [Р. -11.111 55.066
1 СаНЫш 1ипа!:и;: 1ипа1иг РаЬг. . КЛАСС-СаН^ш1ипа1и$ 1ипа1и$ Га... 99.104 КЛАСС-Ргур1а (0гур1а) ¿еп!а!а (Р. -11.111 55.107
1 Са1о®ота (Са1о$ота) зусор... КЛАСС-Са!о$ота (СаЫота) зусо.. 100.000 КЛАСС-Родопиг (Родопиг) ИКогаН... -и.оео 55.540
1 СагаЬш (Meдodontus) ехага... КЛАСС-СагаЬи$ (Megodontus) еха... 99.299 КЛАСИгур'а (0гур1а) с!еп1а1а [Р.|... -11.111 55.205
1 С1мпа (ймпа) ^зог (Ыппа... КЛАСС-С1мпа (С1мпа) ^зог (Ь1пп... 99.376 КЛАЕС-0гир1а (0гур1а) Йеп1а1а (Р|.. -11.111 55.245
1 01асИготи$ дегтагш (ипп... КЛАСС-01асИготи5 дегтапиз (Ып... ^8 822 КЛАСС-Ргур1а (0гур1а) ¿еп!а!а [1=. ¡... -10.904 54,663
<1 1 п ¡VI 'с .г. ><> п 1 к' п л гг.п ¡М1 ок^. |пп ¿не л а оо ^.плгг.Пглп^ гпг„г.^1¡р ; — 1 _ОПЛ. *
Помощь
В начало БД В конец БД
Следующая
Рисунок 18. Степень сходства образа конкретной жужелицы с обобщенными образами различных видов жужелиц
2.5. Количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых
На рисунке 19 приведена одна из выходных форм, количественно отражающая степень сходства обобщенных образов жужелиц друг с другом:
Рисунок 19. Степень сходства друг с другом обобщенных образов различных видов жужелиц
2.6. Исследование моделируемой предметной области путем исследования ее модели
В системе «Эйдос» реализовано много различных средств анализа созданных моделей, применяются различные формы когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисун-
ки 20), а также примеры информационных портретов обобщенных образов некоторых видов жужелиц (рисунки 21):
С) Визуализация информационного портрета символа в системе ЭЙДОС-Х-* ■
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Стиль: "Прозрачная сеть (невод). Наиболее значимые градации описательных шкал закрашены цветом, соответствующим значимости"
- .........т
щ
с) Визуализация информационного портрета символа в системе ЭЙДОС-Х+-
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Стиль: "Витраж." Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пГЗ"
_________ __________175
Рисунок 20. Система описательных шкал и градаций системно-когнитивной модели 2-й итерации
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [4]-"КЛАСС-АпН1гаси5 сопвриШв (ОиЙвсЬтШ, 1812)орд" В МОДЕЛИ: 'ЧшИ' Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пГЗ"
Стиль: "Сеть (невод)'
Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [5]-"CTACC-Aphaonus compressus Rost, 1892.jpg" В МОДЕЛИ: "Inf3' Показаны градации со значимостью не менее 0% от максимальной. Модель: "Inf3"
Стиль: "Сеть (невод)'
Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [6]-"КЛАСС-Аро1оти5 1е51асеи5 Офап, 1825.jpg" В МОДЕЛИ: 'ЧпТЗ' Показаны градации со значимостью не менее 0% от максимальной. Модель: "1лГЗ"
Стиль: "Сеть (невод)'
Стиль: "Витраж"
Рисунок 21. Примеры информационных портретов обобщенных образов некоторых видов жужелиц
На рисунках 21 цветом показана ценность градаций описательных шкал для классификации конкретных жужелиц по типам: красный цвет -максимальная ценность, фиолетовый - минимальная. На правом рисунке указана ценность всех градаций всех описательных шкал, а на левом для каждой шкалы оставлена только наиболее ценная градация, наиболее характерная для данного вида жужелиц, которой она наиболее сильно отли-
чающая ее от всех остальных. Все информационные портреты видов жужелиц в статье не приводятся из-за ограниченности ее размеров, но их, а также их исходные и контурные изображения жужелиц, можно скачать по ссылке: http://ej .kubagro .ru/2016/05/upload/01 .zip.
3. Выводы и результаты
В статье предложено решение актуальной для энтомологии задача определения вида жужелиц. Преодолены некоторые недостатки традиционных подходов.
Описано решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно- когнитивного анализа (АСК-анализ) и его программного инструментария -универсальной когнитивной аналитической системы «Эйдос».
В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров.
Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели. Для решения этой задачи выполняются следующие этапы:
1) ввод в систему «Эйдос» изображений жужелиц и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов насекомых по видам на основе контурных изображений конкретных жесткокрылых (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типичную и нетипичную части;
4) количественное определение сходства-различия конкретных ви-
дов жужелиц с обобщенными образами насекомых различных видов (системная идентификация);
5) количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов жужелиц.
Приведен численный пример успешного решения поставленной в статье задачи.
4. Применение
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в энтомологии, но и в других областях, чему может способствовать и то, что система «Эйдос» разработана в универсальной постановке, не зависящей от предметной области, и размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по применению информационных технологий по дисциплинам, связанным с интеллектуальными технологиями, биологическими дисциплинами, представлением знаний и системами искусственного интеллекта.
5. Перспективы
Планируется решить методом АСК-анализа задачу классификации насекомых не только по видам, но и по отрядам.
Литература
1. Бондаренко А.С., Замотайлов А.С. Пространственно-временная дифференциация некоторых массовых видов жужелиц (Coleoptera, Carabidae) нагорной части Северо-Западного Кавказа // Вестник Адыгейского государственного университета. Серия «Естественно-математические и технические науки». 2011. 4(91). С. 73-83.
2. Жесткокрылые насекомые (Insecta, Coleoptera) Республики Адыгея (аннотированный каталог видов) (Конспекты фауны Адыгеи. №1) / Под ред. А.С. Замотайлов и Н.Б. Никитского. - Майкоп: Издательство Адыгейского государственного университета, 2010. - 404 с.
3. Жеребцов А.К. Определитель жужелиц Республики Татарстан. Казань, 2000 -
74 с.
4. 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
5. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=18271217
6. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
7. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.
8. 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.
9. Луценко Е.В. Системно-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://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
10. 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://ej. kubagro.ru/2015/07/pdf/ 19.pdf, 1,812 у.п.л.
11. 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://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.
12. 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 :httД:ZZej.kubagro.ruZ2015Z08ZEdfZ64.ßdf, 3,062 у.п.л.
13. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (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. - №10(114). С. 1316 -1367. - IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.
14. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луцен-ко, Л.П. Трошин, Д. К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 -1228. - IDA [article ID]: 1161602077. - Режим доступа: http://ej .kubagro.ru/2016/02/pdf/77.pdf, 1,5 у.п.л.
15. Луценко Е.В. Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа / Е.В. Луценко, С.В. Швец, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2016. - №03(117). С. 838 - 872. - IDA [article ID]: 1171603055. -Режим доступа: http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 у.п.л.
16. Луценко Е.В. Определение типа и модели стрелкового нарезного оружия по боеприпасам методом АСК-анализа / Е.В. Луценко, С.В. Швец // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №04(118). С. 1 - 40. - IDA [article ID]: 1181604001. - Режимдоступа: http://ej.kubagro.ru/2016/04/pdf/01.pdf, 2,5 у.п.л.
17. 15. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya
Literatura
1. Bondarenko A.S., Zamotajlov A.S. Prostranstvenno-vremennaja differenciacija nekotoryh massovyh vidov zhuzhelic (Coleoptera, Carabidae) nagornoj chasti Severo-Zapadnogo Kavkaza // Vestnik Adygejskogo gosudarstvennogo universiteta. Serija «Estestvenno-matematicheskie i tehnicheskie nauki». 2011. 4(91). S. 73-83.
2. Zhestkokrylye nasekomye (Insecta, Coleoptera) Respubliki Adygeja (annotiro-vannyj katalog vidov) (Konspekty fauny Adygei. №1) / Pod red. A.S. Zamotajlov i N.B. Ni-kitskogo. - Majkop: Izdatel'stvo Adygejskogo gosudarstvennogo universiteta, 2010. - 404 s.
3. Zherebcov A.K. Opredelitel' zhuzhelic Respubliki Tatarstan. Kazan', 2000 - 74 s.
4. 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. http://elibrary.ru/item.asp?id=18632909
5. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. http://elibrary.ru/item.asp?id=18271217
6. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Mono-grafija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=213 5 8220
7. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s prime-neniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jel-ektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 -60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.
8. 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.
9. 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.
10. 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 dostu-pa:http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.
11. 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.
12. 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.
13. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silu-jetov (konturov) (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. - №10(114). S. 1316 - 1367. - IDA [article ID]: 1141510099. -Rezhim dostupa: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.
14. Lucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy «Jejdos» / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudar-
stvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077. -Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.
15. Lucenko E.V. Reshenie zadachi klassifikacii boepripasov po tipam strelkovogo nareznogo oruzhija metodom ASK-analiza / E.V. Lucenko, S.V. Shvec, D.K. Bandyk // Poli-tematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 838 - 872. - IDA [article ID]: 1171603055. - Rezhim dostupa: http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 u.p.l.
16. Lucenko E.V. Opredelenie tipa i modeli strelkovogo nareznogo oruzhija po boepripasam metodom ASK-analiza / E.V. Lucenko, S.V. Shvec // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №04(118). S. 1 - 40. - IDA [article ID]: 1181604001. - Rezhimdostupa: http://ej.kubagro.ru/2016/04/pdf/01.pdf, 2,5 u.p.l.
17. Karkishhenko A.N., Lepskij A.E., Bezuglov A.V. Ob odnom sposobe vektornogo i analiticheskogo predstavlenija kontura izobrazhenija. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya
