Научная статья на тему 'Классификация жуков-жужелиц (Coleoptera, Carabidae) по видам и родам путем АСК-анализа их изображений'

Классификация жуков-жужелиц (Coleoptera, Carabidae) по видам и родам путем АСК-анализа их изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
515
57
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
АСК-АНАЛИЗ / АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА "ЭЙДОС" / МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ / СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ / ЖУЖЕЛИЦ / ЖУКИ / ЖЕСТКОКРЫЛЫЕ / НАСЕКОМЫЕ / COLEOPTERA / CARABIDAE / ASK-ANALYSIS / AUTOMATED SYSTEM COGNITIVE ANALYSIS / "EIDOS" INTELLECTUAL SYSTEM / MULTIPARAMETER TYPING / SYSTEM IDENTIFICATION / INTELLIGENT IMAGE ANALYSIS / GROUND BEETLES / BEETLES / INSECTS

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Луценко Евгений Вениаминович, Сердюк Владислав Юрьевич

Из огромного количества организмов, населяющих нашу планету, насекомые составляют 70%, являясь самым многочисленным из беспозвоночных животных классов, насчитывающих более 2 млн. видов. Сложно отыскать такое место, где нельзя было бы встретить представителей этого огромного класса. Они полностью освоили все среды обитания воду, сушу, воздух. Для них характерны сложные инстинкты, всеядность, высокая плодовитость, для некоторых общественный образ жизни. Насекомых можно встретить на огромных высотах, доходящих до уровня 5000 метров, населяют они и безжизненные пустыни, где практически никогда не бывает дождей, не говоря уж об отсутствии какой либо растительности. Глубокие пещеры, в которых нет ни солнечного света, ни условий для питания и существования живых организмов это тоже места обитания насекомых, встретить их можно далеко за Полярным кругом, и даже на многих островах Антарктики, где кроме безжизненных скал, казалось бы, нет ничего. Среди насекомых, одним из самых больших и многочисленных семейств являются жужелицы (Carabidae). Они тонко реагируют на изменения почвенно-растительных, гидротермических и микроклиматических условий среды, что делает их удобным модельным объектом различных экологических и зоологических исследований. Жужелицам принадлежит большое число родов и видов, нередко трудно различимых, в связи с этим для диагностики используются много различных признаков: принимаются во внимание окраска, форма тела, наружное строение, структура поверхности, размеры, строение гениталий и хетотаксия. Вследствие того, что количество жужелиц огромно, а по внешнему виду очень трудно определить их родовую принадлежность, возникла потребность автоматизации процесса их идентификации, вследствие чего потребовался специальный механизм, который бы повысил точность определения этих насекомых. В предыдущей работе авторов (http://ej.kubagro.ru/2016/05/pdf/01.pdf) в перспективе рассматривалась возможность с помощью метода АСК-анализа классифицировать насекомых не только по видам, но и по родам, отрядам, тем самым повысив достоверность определения жужелиц, что и будет сделано в данной статье. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях. Данная статья может рассматриваться, как продолжение серии работ, посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария системы «Эйдос»

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Луценко Евгений Вениаминович, Сердюк Владислав Юрьевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

CLASSIFICATION OF GROUND BEETLES (COLEOPTERA, CARABIDAE) IN SPECIES AND GENERA USING ASC-ANALYSIS OF THEIR IMAGES

From a huge number of the organisms inhabiting our planet, insects make 70%, being the most numerous of the invertebrate animal classes numbering more than 2 million types. It is difficult to find such place where it would be impossible to meet representatives of this huge class. They completely took over the entire environment water, the land, air. For them, it is the common characteristic: complex instincts, omnivorous, high fecundity, and for some of them a public way of life. Insects can be found at tremendous heights, reaching the level of 5000 meters, and they inhabit the desert where it practically never rains, not to mention the absence of any vegetation. Deep caves where no sunlight, nor the conditions for food and existence of living organisms it is also the habitat of insects, they can be found far beyond the Arctic circle, and even on many Islands of Antarctica, where in addition to lifeless rock, it would seem that there is nothing else. Among insects, one of the largest and most numerous families are the ground beetles (Carabidae). They subtly respond to changes in soil and vegetation, hydrothermal and micro-climatic conditions of the environment, which makes them a convenient model subject to various environmental and Zoological researches. Ground beetles belong to a large number of genera and species, often difficult to see, in this regard, we use many different signs to diagnose. We have taken into consideration the coloration, body shape, external structure, surface structure, size, and arrangement of the genitals and chaetotaxy. Due to the fact, that the number of ground beetles is enormous, and, using their appearance, it is very difficult to determine their generic identity, there is a need of automation of the identification process, due to which we require a special mechanism that would increase the accuracy of these insects. In the previous work of the authors (http://ej.kubagro.ru/2016/05/pdf/01.pdf) we considered the further possibility of using the method of ASCanalysis to classify insects, not only in species but also in genera, orders, thereby increasing the reliability of determination of ground beetles, which will be done in this article. A numerical example is given. We also have gained a successful experience of solving such problems in other subject areas. This article can be considered as a continuation of the series of works dedicated to governmental use of the automated system-cognitive analysis (ASC-analysis) and its software tools the system of "Eidos"

Текст научной работы на тему «Классификация жуков-жужелиц (Coleoptera, Carabidae) по видам и родам путем АСК-анализа их изображений»

УДК 004.8; 595.762.12

05.00.00 Технические науки 03.00.00 Биологические науки

КЛАССИФИКАЦИЯ ЖУКОВ-ЖУЖЕЛИЦ (COLEOPTERA, CARABIDAE) ПО ВИДАМ И РОДАМ ПУТЕМ АСК-АНАЛИЗА ИХ ИЗОБРАЖЕНИЙ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof. lutsenko @gmail. com

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

Сердюк Владислав Юрьевич аспирант

РИНЦ SPIN-^:8779-4695 vladislav-serdyuk@yandex.ru Кубанский государственный аграрный университет имени И. Т. Трубилина, Краснодар, Россия

Из огромного количества организмов, населяющих нашу планету, насекомые составляют 70%, являясь самым многочисленным из беспозвоночных животных классов, насчитывающих более 2 млн. видов. Сложно отыскать такое место, где нельзя было бы встретить представителей этого огромного класса. Они полностью освоили все среды обитания - воду, сушу, воздух. Для них характерны сложные инстинкты, всеядность, высокая плодовитость, для некоторых - общественный образ жизни. Насекомых можно встретить на огромных высотах, доходящих до уровня 5000 метров, населяют они и безжизненные пустыни, где практически никогда не бывает дождей, не говоря уж об отсутствии какой - либо растительности. Глубокие пещеры, в которых нет ни солнечного света, ни условий для питания и существования живых организмов — это тоже места обитания насекомых, встретить их можно далеко за Полярным кругом, и даже — на многих островах Антарктики, где кроме безжизненных скал, казалось бы, нет ничего. Среди насекомых, одним из самых больших и многочисленных семейств - являются жужелицы (Carabidae). Они тонко реагируют на изменения почвенно-растительных, гидротермических и микроклиматических условий среды, что делает их удобным модельным объектом различных экологических и зоологических исследований. Жужелицам принадлежит большое число родов и видов, нередко трудно различимых, в связи с этим для диагностики используются много различных признаков: принимаются во внимание окраска, форма тела, наружное строение, структура поверхности, размеры, строение гениталий и хетотаксия. Вследствие того, что количество жужелиц огромно, а по внешнему виду очень трудно определить их родовую

UDC 004.8; 595.762.12

Technical sciences Biology

CLASSIFICATION OF GROUND BEETLES (COLEOPTERA, CARABIDAE) IN SPECIES AND GENERA USING ASC-ANALYSIS OF THEIR IMAGES

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com vladislav-serdyuk@yandex.ru

Serdyuk Vladislav Yurevich postgraduate student RSCI SPIN-code: 8779-4695 vladislav-serdyuk@yandex.ru

Kuban State Agrarian University, Krasnodar, Russia

From a huge number of the organisms inhabiting our planet, insects make 70%, being the most numerous of the invertebrate animal classes numbering more than 2 million types. It is difficult to find such place where it would be impossible to meet representatives of this huge class. They completely took over the entire environment - water, the land, air. For them, it is the common characteristic: complex instincts, omnivorous, high fecundity, and for some of them - a public way of life. Insects can be found at tremendous heights, reaching the level of 5000 meters, and they inhabit the desert where it practically never rains, not to mention the absence of any vegetation. Deep caves where no sunlight, nor the conditions for food and existence of living organisms — it is also the habitat of insects, they can be found far beyond the Arctic circle, and even on many Islands of Antarctica, where in addition to lifeless rock, it would seem that there is nothing else. Among insects, one of the largest and most numerous families are the ground beetles (Carabidae). They subtly respond to changes in soil and vegetation, hydrothermal and micro-climatic conditions of the environment, which makes them a convenient model subject to various environmental and Zoological researches. Ground beetles belong to a large number of genera and species, often difficult to see, in this regard, we use many different signs to diagnose. We have taken into consideration the coloration, body shape, external structure, surface structure, size, and arrangement of the genitals and chaetotaxy. Due to the fact, that the number of ground beetles is enormous, and, using their appearance, it is very difficult to determine their generic identity, there is a need of automation of the identification process, due to which we require a special mechanism that would increase the accuracy of these insects. In the previous work of the authors

принадлежность, возникла потребность автоматизации процесса их идентификации, вследствие чего потребовался специальный механизм, который бы повысил точность определения этих насекомых. В предыдущей работе авторов (http://ej .kubagro.ru/2016/05/pdf/01 .pdf) в перспективе рассматривалась возможность с помощью метода АСК-анализа классифицировать насекомых не только по видам, но и по родам, отрядам, тем самым повысив достоверность определения жужелиц, что и будет сделано в данной статье. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях. Данная статья может рассматриваться, как продолжение серии работ, посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - системы «Эйдос»

(http://ej.kubagro.ru/2016/05/pdf/01.pdf) we considered the further possibility of using the method of ASC- analysis to classify insects, not only in species but also in genera, orders, thereby increasing the reliability of determination of ground beetles, which will be done in this article. A numerical example is given. We also have gained a successful experience of solving such problems in other subject areas. This article can be considered as a continuation of the series of works dedicated to governmental use of the automated system-cognitive analysis (ASC-analysis) and its software tools - the system of "Eidos"

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС» МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ, ЖУЖЕЛИЦ, ЖУКИ, ЖЕСТКОКРЫЛЫЕ, НАСЕКОМЫЕ, COLEOPTERA, CARABIDAE Doi: 10.21515/1990-4665-121-004

СОДЕРЖАНИЕ

1. ПОСТАНОВКА ЗАДАЧИ..............................................................................................................................3

2. НЕДОСТАТКИ ОБЩЕПРИНЯТОГО ПОДХОДА...................................................................................3

3. ИДЕЯ РЕШЕНИЯ...........................................................................................................................................4

4. ИМЕЮЩИЙСЯ ЗАДЕЛ................................................................................................................................4

5. ЧИСЛЕННЫЙ ПРИМЕР..............................................................................................................................4

5.1. Исходные данные....................................................................................................................................4

5.2. Этапы АСК-анализа................................................................................................................................6

5.3. Автоматический ввод изображений насекомых в систему «Эйдос»...........................................6

5.4. Синтез и верификация моделей обобщенных образов насекомых по видам и родам (многопараметрическая типизация)........................................................................................................16

5.5. Задание наиболее достоверной модели в качестве текущей......................................................20

5.6. Количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных видов и родов (системная идентификация)..............................21

5.7. Количественное определение сходства-различия обобщенных образов насекомых различных видов и родов друг с другом (кластерно-конструктивный анализ)..............................25

5.8. Исследование моделируемой предметной области путем исследования ее модели............26

6. ВЫВОДЫ И РЕЗУЛЬТАТЫ.......................................................................................................................31

7. ПЕРСПЕКТИВЫ..........................................................................................................................................32

ЛИТЕРАТУРА ................................................................................................................................................... 32

Keywords: ASK-ANALYSIS, AUTOMATED SYSTEM - COGNITIVE ANALYSIS, "EIDOS" INTELLECTUAL SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION, INTELLIGENT IMAGE ANALYSIS, GROUND BEETLES, BEETLES, INSECTS, COLEOPTERA, CARABIDAE

Бог, велик в малом!

(Ян Сваммердам)

1. Постановка задачи

В различных областях науки, существует актуальная задача определения изучаемых объектов. В частности в энтомологии, определение различных видов насекомых является очень трудоемким и не всегда точным, вследствие чего потребовался специальный механизм, который позволил бы классифицировать насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

2. Недостатки общепринятого подхода

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 насекомых;

- 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.

3. 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 «Эй-дос» [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].

4. Имеющийся задел

У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [12-16].

5. Численный пример

5.1. Исходные данные

В качестве исходных данных для решения поставленной задачи ис-

пользовались сканированные на светлом фоне с одинаковым разрешением изображения видов жуков-жужелиц различных родов (рисунок 1)

Рисунок 1. Жужелицы разных видов

При этом изображение каждого насекомого приведено в виде двух файлов:

- в папке: .ЛА1ёо8-Х\АГО_ВАТА\1пр_ёа1а\Виды жужелиц\ с именем, в качестве которого используется наименование вида жужелиц после которого идет тире и номер изображения насекомого этого вида в папке (если по каждому виду приводится одно изображение, то тире и его номер можно не указывать);

- в папках вида: ..\А1ёо8-Х\АГО_ВАТА\1пр_ёа1а\род Асторш\ с именами, в качестве которых используются имена родов жужелиц после которого через тире указывается номер изображения насекомого этого рода в папке.

Это сделано для того, чтобы в созданной модели были сформированы обобщенные образы насекомых не только различных видов, как в модели [2], но и конкретных родов насекомых.

5.2. Этапы АСК-анализа

Для решения поставленной в работе задачи выполняются следующие этапы АСК-анализа [2]:

- автоматический ввод в систему «Эйдос» изображений насекомых и создание математических моделей их контуров;

- синтез и верификация моделей обобщенных образов жесткокрылых по видам и родам на основе контурных изображений конкретных насекомых (многопараметрическая типизация);

- количественное определение сходства-различия конкретных жужелиц с обобщенными образами жужелиц различных видов и родов (системная идентификация);

- количественное определение сходства-различия видов насекомых друг с другом и родов друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов видов и родов жужелиц.

5.3. Автоматический ввод изображений насекомых в систему «Эйдос»

Изображения насекомых помещены в папки с именами: «Виды жужелиц» и «Род: название рода жужелиц». Внутри 1-й папки «Виды жужелиц» содержатся файлы сканированных изображений жужелиц разных видов, всего 52 изображения. Может быть приведено несколько изображений насекомых одно вида, тогда после наименования вида в имени файла должно идти тире и порядковый номер файла с изображением насекомого этого вида внутри папки. Внутри каждой папки с наименованием рода содержатся изображения всех видов насекомых из 1-й папки, относящихся к этому роду, но с именами, состоящими из названия рода насекомых после которого идет тире и порядковый номер изображения насекомого этого рода внутри папки.

[ ]

ц_)[Вмды жужелиц]

[род Аапориа) __|[рсд ¿тага] _}[род АроЕоппиз] __|[рсд Бгоэсиз] _)[рсд СагаЬиз] _Лрод Олнтиив]

[род ОуясМпоЬез] .,_Лрод Наград] |[рсд Родопиз] [род ПегозИс^иа]

^]Аапори5-001 ¡рд ^Азпори&-002 |рд ¡^]Аэпориз-003 ]рд ■-^Аэпори5-0041рд

Б)

Рисунок 2. Структура папок с исходными данными А) Файлы с изображениями жужелиц различных видов и родов из папки

«Виды жужелиц»,

Б) Файлы изображений жужелиц рода: «Асторш» в папке: «род Асторш»

Всего в данной обучающей выборке использовано 52 видов жужелиц, которые относятся к 10 различным родам.

Для ввода изображений жужелиц в систему «Эйдос» запускаем в геокогнитивной подсистеме 4.8 [14] режим «Оконтуривание» (рисунок 3):

Рисунок 3. Экранная форма запуска геокогнитивной подсистемы 4.8 [14]

Вместо описания данной подсистемы приведем ее Help (рисунок 4):

XÜ) Геоеогниглвнач подсистема :'Эйдосг

Помощь го режиму: '4.6. геокогнитивная подсистема "зйдос"' (восстановление значений функций по признакам аргумента)

в данном режиме пользователь может сформировать облако точек и провести его тринагуляцию Делоне с выводом результатов в форме ребер трегольников в стиле сетки и в форме градиентной заливки треугольников цветом, отражающим значения функции в вершинах треугольников.

Сгенерировать облако точек для триангуляции пользователь может многими различными способами.

для освоения геокогнитивной подсистемы предназначены режимы генерации облака точек со случайными координатами, а также облака точек для визуализации цветового круга с заданным числом секторов, спирали Архимеда и логарифмической спирали с заданными параметрами.

для реальной работы предназначены следущие способы формирования базы облака точек: "Pt>ints_XYZ":

1. Координаты и цвета точек из графического файла.

этот файл должен иметь имя: "Delone. Ьпер" и находиться в папке: "../aid_data/inp_data/".

2. Из Id Excel-таблицы исходных данных: "Inp_reapl. dbf".

3. из распознаваемой Id Excel-таблицы: "Rspjtapl. dbf".

4. из 2d Excel-таблицы исходных данных: "lnp_rnap2. dbf".

5. Из распознаваемой 2d Excel-таблицы: "Rsp_map2.dbf".

6. из базы исходных данных: "lrrp_data. dbf '.

7. из распознаваемой выборки: "lrtp_rasp. dbf".

В. из итоговых результатов распознавания: "Rsp_lT.dbf".

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

при зтом при проведении триангуляции Делоне можно рисовать или не рисовать окружности и ребра в градиентной цветовой залиЕке.

Требования к Id Excel-таблице: (должна быть в папке: "../AID_DATA/INP_DATA/"):

- первая строка должна содержать наименования колонок: 'х','г','Z","zl','Z2',... ,'ZN1;

- последующие строки содержат числовые значения кооринат точек (X,y,z) и признаки аргумента

Z1,Z2.....ZN, которые могут быть числовыми или текстовыми, количество признаков аргумента N

ограничено возможностями Excel:

- в файле исходных данных должна быть координаты и признаки аргумента не менее 3 точек, требования к 2d Excel-таблице: (должна быть в папке: "../aid_data/inp_data/")

- первая строка должна содержать наименования колонок вида: 'N1', 'N2',...

- 2-я строка должна быть с числовыми значениями координаты X;

- 1-я колонка должна быть с числовыми значениями координаты у;

- е ячейках с координатами (х,у) должно содержаться числовое значение функции Z;

- значением ячейки AI должен быть 0.

при оконтуривании файлы должны быть не больше, чем 450 пикселей по ширине и не более 600 по высоте, статьи автора, в которых подробно описывается применение данного режима:

луценко е.б. система "зйдос" как геокогнитивная система (гкс) для восстановления неизвестных значений пространственно-распределенных функций на основе описательной информации картографических баз данных ] Е.Б. луценко, Д.к. Бандык // политематический сетевой электронный научный журнал кубанского государ ственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). с. 1 - 51. - IDA [article ID]: 1171603001. - Режим доступа: http://ej.kubagro.ru/2016/03/pdf/01.pdf, 3,168 у.п.л.

Рисунок 4. Help геокогнитивной подсистемы 4.8 [14] http://ej .kubagro .ru/2016/07/pdf/04 .pdf

На главной экранной форме геокогнитивной подсистемы 4.8 кликаем на кнопке «Оконтуривание». В результате появляются экранные формы:

- задания параметров ввода изображений (рисунок 5);

- поиска центра тяжести изображения и первичных контуров и отображения исходного изображения в лучах Red, Green, Blue с указанием найденных точек первичного контура в дополнительных цветах (в динамике) (рисунок 6);

- визуализации изображения с найденными точками внешнего контура и самим внешним контуром в динамике (рисунок 6):

Рисунок 5. Экранная форма задания параметров ввода изображений (с параметрами «по умолчанию»)

Файл: "C:\AIDOS-X\AID_DATA\lnp_data\Bnflbi >Ky>Keni<m\Pterostichus Petrophilus tundrae.jpg" оригинальное RGB-изображение и изображения в лучах Red, Green, Blue

RGB-изображение файла: "C:\AIDOS-X\AID_DATA\lnp_data\Bиды жужелиц^егоэНсИиз Petrophilus tundrae.jpg" и изображения в лучах Red, Green, Blue с первичными контурами и центром тяжести

Внешний контур изображения: "Pterostichus Petrophilus tundrae.jpg"

Рисунок 6. Экранные формы поиска центра тяжести и контура изображения жужелицы

Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.

2. Находит в этих графических файлах предварительные контуры и центры тяжести. Если система не может их найти, то информация об этом заносится в файл ошибок: ErrorImage.txt.

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 «Эй-дос».

4. Затем режим «Оконтуривание» геокогнитивной подсистемы 4.8 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.dbf, в которой содержатся результаты оцифровки изображений. После окончания работы режима выводится сообщение, приведенное на рисунке 7:

Рисунок 7. Сообщение о завершении режима: «Оконтуривание» геокогнитивной подсистемы 4.8 [14]

Структура этой таблицы ..\AID_DATA\Inp_data\inp_data.dbf 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 8.

Помощь по режиму 2.3.2.2 для случая Excel-файлов исходных данных

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 классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе ХЬЭ или ХЬЭХ-Файла с исходными данными приведенного ниже стандарта

■ Файл исходных данных должен иметь имя: INP_DATA.XLS или 1МР_РАТА.Х1_6Х и может быть получен в Ехсе1-2003(2007-2010], а файл распознаваемой выборки имя: INP_RASP.XLS или 1ЫР_НА6Р.Х1_5Х. Файлы INP_DATA.XLS (1Ы P.DAT АХЬБХ) и INP_RASP.XLS или ШР_НДЗР. ХЬБХ) должны находиться в папке /АЮ05№АЮ_0АТА/1пр_с1а1а/' и имеют совершенно одинаковую структуру.

- 1-я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во веек колонках, 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 Ехсе1-2003, в листе может быть до 65536 строк идо 256 колонок. В листе Ехсе1-2007(201 □) возможно до 1 048 57Б строк и 1Б 384 колонок.

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

- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

- Столбцы со 2-го по И-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 признаках (значениях Факторов), характеризующих объекты обучающей выборки.

■ В результате работы режима Формируется Файл INP_NAME.TXT стандарта МБ ООЭ (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке файла исходных данных №Р_0АТА и содержит коды классов, соответствующие фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

• Распознаваемая выборка Формируется на основе Файла 1ЫР_НА5Р 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 IN АБ Р были пустыми. Структура Файла IN Р_ЯАБ Р должна быть такая же. как 1ЫР_0АТА,т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

—Принцип организации таблицы исходных данных:

Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкапы Наименование 1-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

Ok jj Cancel

Рисунок 8. 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.dbf с результатами оцифровки изображений:

Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.dbf с результатами оцифровки изображений (фрагмент)1

Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. «АСК-анализ изображений», либо из режима 4.8. «Геокогнитивная подсистема».

Главная экранная форма режима 2.3.2.2 приведена на рисунке 9, причем на ней показаны нужные параметры, которые формируются режимом оконтуривания как параметры по умолчанию. Единственное что изменено, так это задана опция: «Разные интервалы с равным числом наблюдений», т.к., как показали численные эксперименты, это обеспчеивает более высокую достоверность модели.

1 Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.

23.2.2. Универсальны? программный интерфейс импорта данных б систему ЭЙДОС-Х-+'

15! ЦаИ

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 тип файла исходных данных: '1np_data" Г XlS - MS Excel-2003 С XLSX- MS Excel-2007(2C10] fP DBF - DBASE IV (DRF/NTX) Стандарт DBF-Файле

f .CSV ЦComma-Separated Values Стандарт CSV-файла

<• Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробепы считать ЗНАЧЕНИЯМИ данных I?' Создавать БД средних по классам "!пр_.йа¥Г^У"Я! Требования 1 Файлу исходных данных

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:

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

Задайте режим:—

f* 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 г* разные интервалы Ё равны: 1 числом наб1юдени^

Задание параметров Формирования сценариев или способа интерпретации текстовых 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.нитерпретацню 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 лрчга

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

Г* Только интервальные числовые значения (например: "1 /3-{59873.0Э00С0[1,178545.6665667}"]

Г' Только наименования интервальных числовых значений (например: "Минимальное")

Г И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-[5Э873.006000С. 178545.6666667}'[

Пк

Cancel

Рисунок 9. Экранная форма задания параметров работы универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.dbf в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 10):

Рисунок 10. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

В это 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.dbf 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 (эвентологиче-ская база данных) (рисунок 11). Этот процесс завершается за 7 секунд.

Рисунок 11. 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.dbf с усредненными данными по классам.

Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.

5.4. Синтез и верификация моделей обобщенных образов насекомых по видам и родам (многопараметрическая типизация)

Далее автоматически запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 12):

{*) 3.5, Выбор моделей для синтеза и верификации

-Задайте стат. модели и модели знаний для синтеза и верификации Статистические базы:

II. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборкй Р" 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса

3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:

4. INFI " частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 Р" 5. IMF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

6. IISIF3 - частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами Р" 7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PR CI 8. INF5 - частный критерий: ROI [Return On Investment); вероятности из PRC2 P" 9. INFG - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 11J.INF7 - частный критерий; разн.усл.и безусл.вероятностей; вероятности из PRC2

Параметры копирования обучающей выборки в распознаваемую:

—Какие объекты обуч. выборки копировать: (•" Копировать всю обучающую выборку Г" Копировать только текущий объект

Копировать каждый Н-й объект Г" Копировать N случайных объектов

Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Пояснение по алгоритму верификации ¡

Удалять из обуч. выборки скопированные объекты: Í* Не удалять Г" Удалять

Подробнее |

И змеряется внутренняя достоверн. модели

Ok

Cancel

Задайте текущую модель

Г ABS С PRC1 Г PRC2

Í? INFI С INF2 Г INF3 С INF4 Г INF5 С INFG Г INF7

Для каждой заданной модели выполнить: (* Синтез и верификацию С" Только верификацию

Рисунок 12. Экранная форма режима синтеза и верификации моделей

системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию, сформированными в режиме «Оконтуривание». 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 13 и 14) [7]:

с

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

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

3

Рисунок 13. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям2

2 Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу

http://ej .kubagro.ru/2016/07^^04^

3.5. Синтез v верлфикацня заданные из 1С моделей

В

Ст<здии исполнении процесса

Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11 :!Синтез стат.модели "ABS" (расчет матрицы абсолютныхчастот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.)-Готово Шаг 4-й из 11:!Синтез моделей знаний: INFI-INF? - Готово

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - HCnOflFIEFIME.' Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Готово Шаг 5-й из 11: Пакетное распознавание в модели "INF7".:-Готово

Шаг 7-й из 11: Измерение достоверности модепи "Inf7" - Интегральный критерий: "Сумма знаний" - Готово КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО' Шаг 3-й из 11: объединение БД DostRsp# в БД DostRasp - Готово

Шаг Э-й из 11: Печать сводной формы по результатам верификации моделей - Гот обо

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

Шаг 11 -й из 1 ! "Присвоение заданной модели: Infi статуса текущей" - Го гово

Синтез и верификация заданных стат.моделей и моделей знаний унешне завершена !!!

Прогноз времени иополненич

Начало: 12:28:38 Окончание: 12:44:40

юох.

Ük

Прошло 0:16:01

Осталось: U:B0:Ü0

Рисунок 14. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 14 видно, что процесс синтеза и верификации 10 моделей на выборке из 52 жужелиц занял 16 минут 1 секунда. В основном это время было затрачено на верификацию моделей.

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 15 и 16).

4.1,3.6. Обобщ.формз по достов. моделей при разн.кнт.крит.. Текущая модель: INFI"

H -a i

модели и частного критерий

Интегральный критерий

Вероятность Вероятность Средняя правильной правильной вероятно... идентифка... неидентиф. правильн...

результата

Дата

получения

Время получения

результата результ..

100.000 79.013 89,506 01.OB.2016 12:33:01

1. ABS ■ частный критерий: количество встреч сочетаний: "клас... !Сумма а 6 с частит по признак.. 100.000 3.306 51.653 01.OS.2016 12:33:01

2. PRC1 ■ частный критерий:-, усл. .вероятность i-го признака сред .. Корреляция усл. отн. частот с 6 100.000 79.013 89,506 01.OS.2016 12:34,-21

2. PR СП - частный критерий:, уел. вероятность, i-ro признака сред.. Сумма усл.отн.частот по приз... 100.000 3.306 51.653 01.OS,2016 12:34:21

.3.: PRC2 - частный критерий: условная вероятность ¡-го признака.. Корреляция усл.отн.частот с о... 100.000 79.013 89,506 01.OS.2016 12:35:39

■ 3 - PRC2 - частный критерий: условная вероятность ¡-го признака... Сумма усл.отн.частот по приз... 100.000 3.306 51.653 01.OS.2016 12:35:39

4. INF1 - частный критерий:,ксличествс знаний по А.Харкевичу; в... Семантический резонанс зна.. юа.ооо 79.369 89.685 01.08.2016 12:36:56

4. INF1 - частный критерий: количество знаний по А.Харкевичу; в. . Сумма знаний 100.000 3.306 51.653 01.OS,2016 12:36:56

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в.. Семантический резонанс зна.. 100.000 79.369 89.685 01.OS.2016 12:38:12

5, INF2 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 100.000 3.306 51.653 01.OS.2016 12:33:12

6. INF3 - частный критерий: Хи-квацраг, разности между Фактич... Семантический резонанс зна.. 100.000 SO.252 90.126 01.OS.2016 12:39:27

6. INF3 - частный критерий: Хи-квацраг, разности между фактич... Сумма знаний 100.000 во.252 90 .126 01.0B,2016 12:39:27

7. INF4 - частный критерий: RDI (Return On Investment]; вероятно... Семантический резонанс зна.. 100.000 El.512 90,756 01.OS.2016 12:40:42

7. INF4 - частный критерий: RQI (Return On Investment); вероятно.. Сумма знаний 100.000 3.306 51.653 01.OS.2016 12:40:43

S. INF5 - частный критерий: RCI (Return Gn Investment), вероятно.. Семантический резонанс зна.. 100.000 El.512 9D.756 01.OS.2016 12:42:03

■ '8, INF5 - частный критерий: RDI (Return Gn Investment); вероятно.. Сумма знаний 100.000 3.306 51.653 01.OB,2016 12:42:03

3. INFG - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна.. 100.000 7Ё.ВЁ4 89.442 01.OB.2016 12:43:21

Э. INFH- частный критерий: разн.усл.и'безусл.вероягностей; вер.. Сумма знаний 100.000 3.306 51.653 01.OS.2016 12:43:21

10INF7- частный кригерий::.р^н1усл.Чб.езу£л..&ероягн<1!СТей:. :Семантше'екий резонанс зна: 100.000 7В.B34 89.442 01.0B.2016 12:44:39

10.INF7 - частный критерий: разн.усл.й 0&зусл.вероятностей; ве... Сумма знаний 100.000 3.306 51.653 01.OB,2016 12:44:39

Помощь

Рисунок 15. Оценка достоверности моделей, созданных на 1-й итерации, с помощью непараметрической метрики, сходной с F-критерием

^ 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 Е-критерием, но не предполагающей независимости и аддитивности факторов.

ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, 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: Еыпадет 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 Р-критерием и сходные оценки качества моделей.

Рисунок 16. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 15 мы видим, что в данном исследовании наиболее достоверной является модель INF4 [7], которая дает среднюю достоверность

определения рода и вида насекомого около 91%, причем достоверность правильного отнесения насекомого к виду и роду, к которым оно относится, составляет 100%, а правильного не отнесения к виду и роду, к которым оно не относится - около 82%.

5.5. Задание наиболее достоверной модели в качестве текущей

В соответствии со схемой, приведенной на рисунке 13, и информацией по достоверности моделей, приведенной на рисунке 15, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель Г№Р4 в качестве текущей (рисунок 17) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 18):

Рисунок 17. Экранная форма, позволяющая задать любую модель

в качестве текущей

ф 4.1.2. Пакетное распознавание. Текущая модель: "¡NF4" ^ I *——1 ! '—'

-^Цтадии исполнения процесса-

Ц1ЕРАЦИЯ- РАКЕТНОЕ РАСПОЗНАВАНИЕМ ТЕКУЩЕЙ МОДЕЛИ "INRI" 1/11 : Распознавание (идентификация) 97-го'объёкт-&'об.у4аю14ей е: ь 16 о р: . н - т л е: г 2/11 ■ Исследование распределений -уровней-сходства верно и'ошиб.идент.'объектов - Готово ?/11 Й! J iHhf- u'i-f i"::t Vv-J^L-LHV.JMf^.Ηrî-ifc i [ lU irhiy интргр К|3ит г. Гат.й^Ь'1

'4/11 "Создание подробной наглядной.<рормь!:'''Объект-КЛассы". Инт'.критЖорреляция-Готово 5/11 :.Создание подробной наглядной;ф'0рмь::'||ОбъекттКлаЬсьГ. Инт^й^.^чиий инф - Готово 6/11 ИТОГС^ЗЙ.'Н&ГЛЯДНЗЙ ф M f КI ; " 0 flfr; J1Н/. :г11 NT H I ^.rt'T.-Mif f iK) l'^j 1,ИЧ -ГоТ&Ёв

7/11 ::Создание итоговой наглядной формы: "Об'-.^кт-к лр::!:11 Инт.крйт.-сумманнф. - Готово 8/11 "Создание подробной нагляднсй.фермы:■^л(аес-0бъекТй1|-|,.Инт.криТ'.-корреляция - Готово 0/11: Создание подробной |-|аглядной^фСрмь::^'^ас1^объек^м:-Инт.крит.-с^мйаинфз.-Готово 10/11 :-:Создание итоговой:наглядной-формы;-'№ласс-обтьек.ты". Инт.Крит -корреляция - Готово 11/11 ;.,Созд£нио итоговой^глядной формьг.'^ласс^объе^тьГ. Инт.^рит -суйг^а:1чнф ■ Готово'

пакетное распознавание объектов распознаваемой выборки завершено нспешно f

!рогнсз времени исполнения.- Начало: 12:50:23 Окончание: 12:51:53

i'Mfc 0k |

Прошло: 0:01:24 □ сталось: 0:00: 1

Рисунок 18. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных насекомых с обобщенными образами жуков по родам

Из данной экранной формы видно, что идентификация 52 жужелиц с обобщенными образами видов и родов выполнена за 1 минуту 24 секунды.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

5.6. Количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных видов и родов (системная идентификация)

Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:

- поместить в поддиректорию: ..\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые насекомые», изображения классифицируемых жуков в том же стандарте, что и в обучающей выборке;

- выполнить режим: «Оконтуривание» в геокогнитивной подсистеме 4.8 с опцией: «Генерация распознаваемой выборки и идентификация (классификация) изображений»;

- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе

обучающей выборки (рисунок 9), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_rasp)» (рисунок 19);

- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».

2.3.2,2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х-и-"

ЛI- Ём

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 XLSX- MS Excel-2007(2010)

DBF - DBASE IV (DBF/NTX) Стандарт DBF-Файла

С CSV - Comma-Separated Values Стандарт CSV-файла

(* Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных J7 Создавать БД средних по классам "lnp_davr.dbf"? Требования к файлу исходных данных |

Задайте диапазон столбцов классификационных шкал: Н ачальный столбец классификационных шкал: Конечный столбец классификационных шкал:

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

—Задайте режим:-

С Формализации предметной области (на основе "lnp_data") Генерации распознаваемой выборки (на основе "1пр_га$р"|

Задайте способ выбора размера интервалов: Р Равные интервалы с разным числом наблюдений (• Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_data": <* Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Р Применить сценарный метод прогнозирования АСК-анализа

С Применить специальную интерпретацию текстовых полей llnp_data" _

Пояснения по режиму

Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:

—Спец.интерпретация ТХТ-полей:--

Значения текстовых полей Файла исходных данных "lnp_data" рассматриваются как целое

—Сценарный метод АСК-анализа:-

Записи Файла исходных данных "lnp_data" рассматриваются каждая сама по себе независимо друг от друга

— Какие наименования ГРАДАЦИЙ числовых шкал использовать: (• Только интервальные числовые значения (например

С' Только наименования интервальных числовых значений С" И интервальные числовые значения, и их наименования

"1ЛН59873.0000000,178545.6666667}") "Минимальное")

"Минимальное: 1 /3-{5Э873.0000000,178545 6666667}")

(например (например

Рисунок 19. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опциями ввода распознаваемой выборки с адаптивными интервалами

Режимы 2.3.2.2 и 4.1.2 запускаются с нужными параметрами автоматически после оконтуривания с опцией генерации распознаваемой выборки. Единственное, вручную необходимо выбрать опцию: «Разные интервалы с равным числом наблюдений».

Результаты идентификации выводятся во многих экранных формах и базах данных, которые можно открывать в MS Excel. Одна из этих форм приведена на рисунке 20:

1 .1

Распознаваемые объекты Интегральны!- критерий сходства: '.Тематический резонанс знаний"

№ ж Код Н аименование класса Сходство Ф... Сходство -

SAcinopus Osinnus ammophilus.jpg 6 CLASS-6/55-Amara Amara on:-:iq 98,11... Г мииишиимиим

V\cinopus_laevigatus_mg. jpg - 8 CLASS -8/55-Amará-B radytus- glaclalls 80,17...

SAcinopus_megacephalus.jpg 2 CLA£S'-2/S5-Acinopus' Шк: ammophilus 56.51...

|M\Amara Amara anxia. jpg 40 П1 AS S -40/55-H arpalus H arpalus brevicornis 55,37 -

\Amara Amara nigricornis.jpg - 41 CLAS S -41 /55-Н arpalus ЩйшждагмреБ 54,42...

1 'Ámara Brady tus glacialis.jpg 7 CLASS-7/55-Amara Amara nigricorhis 58,02...

1 WnaraXenoceliaingenua.jpg 47 CLASS -47.?55-Fcigonlstes rtifoaeneus 32,33...

\Apotomus rufithorax.jpg ■25 CLASS -25/55-CarabijiJrTegu airs ..; 2438.,

I V^potomus rufus.jpg 18 CLASS-16/55-Beqscus nobllls 17,85...

SApotomus testaceus Dejean.jpg И 1

Ц \Broscus cephalotes.ipg Интегральный критерий сходства: "Сумма знаний"

\B roscus nobilis.jpg Код H аименоеание класса Сходство Ф... Сходство -

\Broscus punctatus.jpg 8 CLAS S-6/55-Arnara Amara anula 88:46... ШИШМИШШШМШШШШИИШМШМЩ

' \Broscus semistriatus.jpg 8 CLASS -8/55-Amara Bradytusglacialis 65,03...

(I \Broscus uhagoni.jpg 40 CLASS -40/55-H arpalus Harpalus^brftviccmis : 61..25 :

\Carabus (Megodontus) exaratus Quensel... 2 CLASS-2/55-Acinopus O.&fnus ammophilus. 58,8¿l...

\Carabus_arvensis.jpg 41 CLAS S -41 /55-Н arpalus Híroal':: veriipe;:1: 54,3.7-.;.

| \Carabus_granulatus.jpg 7 CLASS-7/55-Amara Amara nlgrlcornls 51,37...

\Carabus_intricatus.jpg 47 CLASSY?^55-Pógonistes rufoaeneus 3Í50...

\Carabus_irregularis. jpg 25 CLAS S -25/55-CarabúsJrT agulafis 36,48...

\Carabus_nemoralis_M ueller.jpg 18 CLASS-1 8/55-Beü£c£s semistríatiis; 22,20...

aj

1 Помощь | 9 классов | Классы с MaxMin УрСх 8 классов с MaxMIn УрСх ВСЕ классы | ВКЛ. Фильтр покдасе. шкале ВЫКЛ. Фильтр по класе'.шкале Граф диаграмма | |

U-=-tí

Рисунок 20. Степень сходства образа конкретного насекомого с обобщенными образами различных насекомых

Из экранной формы на рисунке 20 видно, что система верно определила и вид, и род по изображению конкретного насекомого, а из экранной формы на рисунке 15 - что так обычно происходит и с другими насекомыми, т.е. задача, поставленная в статье, успешно решена.

В подсистеме 4.1.3. «Вывод результатов распознавания» системы «Эйдос» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 21:

4.1 3.1. Подробно наглядно: 'Объект - классы —

4.1 3.2. Подробно наглядно: "Класс - объекты

4.1 3.3. Итоги нагпядно: 1 Объект - класс"

4.1 3.4. Итоги нагпядно: "Класс - объект"

4.1 З.Е-. Подробно сэкато: Объекты - классы

4.1 3.6. Обобщ. форма по до сто е. моделей при равных интегральных крнт.

4.1 3.7. Обобщ.стат.анализ результатов идент. по моделям и ннт.крит

4.1 3.3. Стат. а мал и г резупьт. идент. по классам, моделям и ннт.крит

4.1 3.&. Распределения уроЕн.сходстЕЭ при равных моделях п ннт.крит.

4.1 3.1 С.Достоверность гдент. классов пр;: равных моделях и ннт.крит.

Рисунок 21. Наименования выходных форм системы «Эйдос» с результатами распознавания

Одну из них (4.1.3.1), наиболее подробную, мы привели в рисунке 20. Ниже на рисунке 22 приведем обобщающую форму (режим 4.1.3.3), в которой для каждого насекомого показан лишь один класс, с которым у данного вида наивысший уровень сходства по заданному интегральному критерию [7] (вверху слева):

Рисунок 22. Степень сходства изображения конкретного насекомого с обобщенными образами различных видов (верхняя форма)

и родов (нижняя форма)

Ьйр://д .kubagro.ru/2016/07/pdf704.pdf

Из форм на рисунках 22 и 22 видно, что если бы мы не знали к какому виду и роду относится насекомое, то система «Эйдос» на основе созданной системно-когнитивной модели позволила бы по его изображению это определить быстро и с высокой точностью.

5.7. Количественное определение сходства-различия обобщенных образов насекомых различных видов и родов друг с другом (кластерно-конструктивный анализ)

Это сравнение осуществляется в режиме 4.2.2. «Кластерно-конструктивный анализ классов. Предварительно нужно выполнить режим 4.2.2.1. «Расчет матриц сходства, кластеров и конструктов классов», а затем вывести результаты в режиме 4.2.2. «Результаты кластерно-конструктивного анализа классов». На рисунках 23 и 24 приведены табличная и графическая выходные формы, количественно отражающие степень сходства обобщенных образов насекомых различных видов и родов друг с другом в наиболее достоверной модели ШБ4:

(*) 4.2.2.2. Результаты к-частерно-комструкгивного анализа классов

Конструкт класса: 1 MCU\SS-1/55-Acinopus" в модели: 7 "INF4"

CLASS-1/55-Acinopus

2 CLAS S -2/55-Acinopus 0 simus ammophilus

3 CLASS-S/SS-AcinopusJaevigatus^g

4 CLAS S-4/55-Acinopus_megacephalus

5 CLASS-5/55-Amara

6 CLASS-G/55-Amara Amara anxia

7 CLAS S-7/55-Amara Amara nigricornis

8 CLASS-8/55-Amara Bradytus glacialis

3 CLASS-9/55-Amara Xenooelia ingenua

10 CLASS-10/55-Apotomus

11 CLASS-11 /55-Apotomus rufithorax

12 CLAS S -12/55-Apotomus ruf us

13 CLAS S -1З/55-Apotomus testaceus D e jean

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

U CLASS-14/55-B roscus

15 CLASS-15/55-Bioscus cephalotes

IG CLASS-16/55-B roscus nobilis

17 CLASS-17/55-B roscus punctatus

18 CLASS-18/55-Bioscus semistriatus

13 CLASS-1 Э/55-В roscus uhagoni

20 CLAS S -20/55-Carabus

21 CLASS-21 /55-Carabus (Megodon(us) exaratus Que...

22 CLASS-22/55-Carabus_arvensis

23 CLASS-23/55-Carabus aranulatus

< -

| №||КоДклаоса Наименование Kiiaoea Сходство

а 1 CLAS S -1 /55-Acinopus 100.000

2 4 CLAS S -4/55-Acinop4^_m0gaC'6phatJS- 1DO.OOO

3 12 CLASS-12/55-ApoLcimus rufus 7.109

i 53 CLASS-53/55-Pterostichtrs.Nidcie fujisajius 3.313

5 '21 CLAS S ;21 /55-Carabus [M egodontuf): eHafatus Q uensel 3.741

G 34 CLASS-34/55-Diischinodes aeneus Dejean 0.927

7 23 CLASS-29/55-Drom1us'-KiopLe;tis bates o.eeo

3 23 CLAS S-23/55-Cara.bw^gfahijlatus 0.556

| 48 CLASS'-'4S/-55:PogofiLjs. Pogqnoicliui' tiimanus 0.041

10 3 CLAS S -3/55-AcinopusJa0vigatus_mg -0.052

11 38 CLASS -38/5SBysefmjs_yezoensis -0.141

12 Ш CLASS -52/55-Pterostichtrs tei^p.te^Lrs -0.616

45 ш .CLSSSi^SSjHarpalus -8.617

4G 4G CLAS S-4€/55-H arpa us-rttfip&i ■ -0.617

47 5 CLASS-5/55-Amaia -S.735

48 3 CLiiSS-37S5-AFnaiaXeppGfe11a ingenua -8.735

43 51 CLASS-51/55:Pierdstickiijs; -8.954

50 55 CLASS-55/55-Pterostichus Pseudoferonina lolo -8.954

51 20 CLiSS^'Q^^sbus -9.057

.52 2G CLASS -26/55-Carabus_nemftEiiliiLW uoller -9 .057

S3 40 CLASS -4Cf/55-11 aip'^us. H.srpalus brevjpeiitlis: -9.232

54 14 CLASS H/SSijEiscLjs-. -9.532

_:JS5 13 .CLAi.S.:1.&K5:Eias™: uhaaon! -9.532

Помощь Abs F'rcl Prc2 Infi ln(2 Inf3 Inf4 Inf5

InfG Inf7 График ВКЛ.Фильтр по кл.шкале ВЫ К Л. Фильтр по кл. шкале !Вписагь в окно; Показать ВСЕ

Рисунок 23. Степень сходства друг с другом обобщенных образов

насекомых различных родов

ö 4.2,2,2, Результ ты ыасгерно-конструктианого анализ классов. (С) Универсальная когнитивная анали- тическая система "Эйдос-Х++" I -1

СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^4"

КОНСТРУКТ КЛАССА: [1]-С1_АЗЗ-1/55-Асториэ Приложение: Классификация жужелиц по родам и видам с применением АСК-анализа из изображений (10 адапт.инт.)

uensel Способ выборки классов: МАХ и MIN ур.сх, ----Дата и время создания формы: 01,08.2016-13:64:02

Сходство и различие межлу классами по их признакам (градациям факторов, системе детерминации):

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

Рисунок 24. Сходство-различие друг с другом обобщенных образов насекомых различных видов и родов

При получении формы, приведенной на рисунке 24, предварительно в опции «Вписать в окно» было выбрано отображение 16 классов.

Из рисунков 23 и 24 видно, что обобщенный образ вида насекомых соответствует своему роду.

Необходимо отметить, что в системе «Эйдос» эти диаграммы рассчитываются автоматически, а не заполняются экспертами неформализуе-мым способом на основе интуиции, опыта и профессиональной компетенции, как обычно.

5.8. Исследование моделируемой предметной области путем исследования ее модели

Если модель достоверно (адекватно) отражает предметную область, то исследование модели предметной области корректно можно считать исследованием самой моделируемой предметной области. В системе «Эйдос» достоверность модели устанавливается в режиме 3.5 сразу после ее

синтеза при ее верификации путем идентификации (классификации) объектов обучающей выборки, о которых уже известно к каким классам они относятся, т.е. путем количественного определения степени их сходства с обобщенными образами классов в соответствии с моделью.

В системе «Эйдос» реализовано много различных средств анализа созданных моделей, применяется большое количество различных форм когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 25), а также информационные портреты обобщенных образов различных видов насекомых (рисунки 26) в модели INF1.

Чтобы вывести эти изображения необходимо в подсистеме 4.7. «АСК-анализ изображений» выбрать последний режим: 7. «Просмотр и запись информационных портретов классов - обобщенных изображений ».

Рисунок 26. Система описательных шкал и градаций системно-когнитивной модели

(■) Визуализация информационного портрета

: ЭЙДОС-

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [11]-"CLASS-11/55-Apotomus rufithorax" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

Стиль: "Сеть (невод)'

Стиль: "Витраж"

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [14]-"CLASS-14/55-Broscus" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi

Стиль: "Сеть (невод)"

Стиль: "Витраж"

:ЭЙДОС-

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [28]-"CLASS-28/55-DromiUS (Dromius) agilis" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

Стиль: "Сеть (невод)'

Стиль: "Витраж"

(•) Визуализация информационного портрета

:ЭЙДОС-

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [33]-"CLASS-33y55-Dyschiriodes" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

Стиль: "Сеть (невод)'

Стиль: "Витраж"

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [35]-"CLASS-35/55-Dyschiriodes Eudyschirius erwini" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

Стиль: "Сеть (невод)"

Стиль: "Витраж"

:ЭЙДОС-

портрета

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [36]-"CLASS-36y55-Dyschiri0des_p0litus" В МОДЕЛИ: "Infi Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

Стиль: "Сеть (невод)'

Стиль: "Витраж"

Рисунок 27. Информационные портреты обобщенных образов насекомых для различных родов в системно-когнитивной модели

На рисунках 26 цветом показана ценность градаций описательных шкал для классификации конкретных жужелиц по видам и родам: красный цвет - максимальная ценность, фиолетовый - минимальная.

На рисунках 27 цветом показана степень характерности и не характерности градаций описательных шкал для жужелиц различных видов и родов: красный цвет - максимальная характерность, фиолетовый - минимальная.

6. Выводы и результаты

В различных областях науки, существует актуальная задача определения изучаемых объектов. В частности в энтомологии, определение различных видов насекомых является очень трудоемким и не всегда точным, вследствие чего потребовался специальный механизм, который позволил бы классифицировать насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

Предлагается 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 на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных насекомых в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие.

Для решения этих задач выполняются следующие этапы:

1) ввод в систему «Эйдос» изображений жужелиц и создание мате-

матических моделей их контуров;

2) синтез и верификация моделей обобщенных образов насекомых по родам на основе контурных изображений конкретных жесткокрылых (многопараметрическая типизация);

3) количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных родов (системная идентификация);

4) количественное определение сходства-различия видов насекомых, т.е. кластерно-конструктивный анализ обобщенных образов жуков.

Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях.

7. Перспективы

Планируется решить методом АСК-анализа не только задачу классификации различных насекомых (в частности жужелиц) по видам, родам, но и в перспективе создать региональный электронный атлас жесткокрылых, используя программный инструментарий АСК-анализа интеллектуальную систему «Эйдос».

Литература

1. Жеребцов А.К. Определитель жужелиц Республики Татарстан. Казань, 2000 -

74 с.

2. 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. кйр://еНЬгагу.ш/Цет.а8р?1ё=18632909

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

3. Луценко Е.В., Сердюк В.Ю.: Идентификация видов жуков-жужелиц (Со1еор1ега, СагаЫёае) путем АСК-анализа их изображений по внешним контурам (обобщение, абстрагирование, классификация и идентификация)[Электронный ресурс] / Е.В. Луценко, В.Ю. Сердюк // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ).Краснодар: КубГАУ. - 2016. - № 119 (05). - Режим доступа: Ьйр://д .киЬаето.ш/2016/05/рё#01.рё£

4. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос".

Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=22401787

5. 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

6. 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.

7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

8. Луценко Е.В. 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.

9. 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.

10. 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.

11. 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://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.

12. 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://ei.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.

13. 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.

14. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луценко, 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://ei.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://ei.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://ei.kubagro.ru/2016/04/pdf/01.pdf, 2,5 у.п.л.

17. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http ://cvberleninka.ru/arti cle/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniva-kontura-izobrazheniva

Literatura

1. Zherebcov A.K. Opredelitel' zhuzhelic Respubliki Tatarstan. Kazan', 2000 - 74 s.

2. Lucenko E.V. Avtomatizirovannvj sistemno-kognitivnvj analiz v upravlenii ak-tivnvmi 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

3. Lucenko E.V., Serdjuk V.Ju.: Identifikacija vidov zhukov-zhuzhelic (Coleoptera, Carabidae) putem ASK-analiza ih izobrazhenij po vneshnim konturam (obobshhenie, abstra-girovanie, klassifikacija i identifikacija)[Jelektronnvj resurs] / E.V. Lucenko, V.Ju. Serdjuk // Politematicheskij setevoj jelektronnvj nauchnvj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnvj zhurnal KubGAU).Krasnodar: KubGAU. - 2016. - № 119 (05). - Rezhim dostupa: http://ej.kubagro.ru/2016/05/pdf/01.pdf

4. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. http://elibrarv.ru/item.asp?id=18271217

5. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=213 5 8220

6. Lucenko E.V. Sintez adaptivnvh intellektual'nvh izmeritel'nvh sistem s prime-neniem ASK-analiza i sistemv «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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

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 gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Kras-

nodar: 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 agrar-nogo 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

i Надоели баннеры? Вы всегда можете отключить рекламу.