CC BY
34
УДК 303.732.4
КОСВЕННАЯ ИДЕНТИФИКАЦИЯ СЕЛЕКЦИОННО-ЗНАЧИМЫХ ОСОБЕННОСТЕЙ ГЕНОТИПА ПОДСОЛНЕЧНИКА С ПРИМЕНЕНИЕМ АВТОМАТИЗИРОВАННОГО СИСТЕМНОКОГНИТИВНОГО АНАЛИЗА
Луценко Е. В. - д. э. н., к. т. н., профессор
Кубанский государственный аграрный университет
В статье рассматривается применение АСК-анализа для косвенной (опосредованной) идентификации особенностей генотипа подсолнечника, значимых для селекционной работы, путем исследования его непосредственно наблюдаемых, т.е. наблюдаемых без использования инструментальных средств, фенотипических признаков. Это позволяет сэкономить время и другие ресурсы при отборе растений для следующих селекционных поколений, ускорить процессы селекции и повысить ее качество.
Традиционно отбор растений для формирования следующих селекционных поколений осуществляется на основе инструментального измерения их хозяйственных свойств или исследования генотипа, что может осуществляться лишь в лабораторных условиях, дорого, трудоемко и требует больших затрат времени.
Данная проблема решается путем разработки полевой неинструментальной экспресс-методики, обеспечивающей непосредственно на основе внешне наблюдаемых признаков растений прогнозирование того, будет ли данное растение обладать заданными хозяйственными свойствами.
Идея решения проблемы основана на том, что генотип растения определяет не только его хозяйственные свойства, но фенотип. Поэтому фенотип связан с хозяйственными свойствами. Зная эту связь возможно про-
гнозировать хозяйственные свойства растения по внешне-наблюдаемым фенотипическим признакам.
Необходимо отметить, что на фенотипические признаки, кроме генотипа растения, оказывают влияние также и внешние для растения факторы. Эти внешние факторы можно разделить на две основные группы по степени их зависимости от воли человека:
1. Факторы окружающей среды (прежде всего виды почв и метеорологические факторы) практически не зависят от человека.
2. Технологические факторы, т.е. связанные с использованием различных агротехнологий (вспашка, нормы высева, способы удобрения и защиты растений, полив, освещение, севооборот, и т.д.) во многом зависят от человека.
Исследование влияния почв и метеорологических факторов на количественные и качественные результаты выращивания плодовых культур проводились И. А. Драгавцевой, Е. В. Луценко и Л. М. Лопатиной [1-6; 9; 10]. По семечковым, в частности яблокам, подобная работа, насколько известно по литературным данным, по-видимому, впервые проведена А. М. Максимовым [13] под научным руководством Е. В. Луценко. Влияние технологических факторов на количественные и качественные результаты выращивания зерновых колосовых изучалось О. А. Засухиной и Е. В. Луценко [11; 12].
Способ учета влияния всех этих внешних факторов один и тот же и не отличается от способа выявления зависимостей между фенотипом и потребительскими свойствами растений. Это означает, что технически мы могли бы исследовать все эти группы факторов в комплексе. Однако в данном исследовании учитывать мы этого делать не будем по двум основным причинам:
- первое: в процессах многолетней селекции подсолнечника морозоустойчивого сорта «Победа» в агрономических журналах не фиксировались внешние факторы;
- второе: внешние факторы выращивания не менялись в процессе селекции, т.е. выращивание осуществлялось в одной микрозоне с постоянными метеоусловиями и по одной технологии. Поэтому даже если бы эти факторы и учитывались в журналах, их влияние на потребительские свойства изучить не представлялось бы возможным из-за практически полного отсутствия вариабельности по этим факторам.
Поэтому в данном исследовании внешними факторами вполне корректно можно пренебречь.
Актуальность для науки данной работы определяется также ее научной новизной. Как уже упоминалось выше, в какой-то мере сходные исследования и разработки проводились И. А. Драгавцевой, Л. М. Лопатиной, Е. В. Луценко, А. М. Максимовым, О. А. Засухиной. Однако исследование взаимосвязи фенотипа и потребительских свойств подсолнечника, в частности для морозоустойчивого сорта «Победа», с целями совершенствования методов его компьютерной селекции, по всей видимости проводится впервые [8], в этом и состоит научная новизна данной работы.
Актуальность для практики темы работы определяется возможностью применения ее результатов в практике работы научно-селекционных и образовательных организаций.
В научно-селекционных организациях разработанные методы компьютерной селекции позволяют существенно снизить затраты различных видов ресурсов, прежде всего времени и финансовых средств, на проведение селекционной работы методом отбора лучших по генотипу растений и использования их для формирования следующего селекционного поколения.
В учебном процессе методика разработки и решения перечисленных выше задач может быть использована для разработки полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе специальности 351400 - Прикладная информатика.
Таким образом, объектом исследования является изучение взаимосвязи фенотипа и потребительских свойств культурных растений.
Предмет исследования состоит в изучении взаимосвязи фенотипа и потребительских свойств подсолнечника сорта «Победа».
Цель исследования: выявление причинно-следственных зависимостей между фенотипом и хозяйственными свойствами подсолнечника, и, на основе этого, разработка неинструментальной полевой методики прогнозирования хозяйственных свойств и поддержки принятия решений по отбору растений для следующего селекционного поколения на основе исследования их внешне наблюдаемых признаков.
Данная цель достигается путем декомпозиции в следующую последовательность задач и их решения:
- задача 1: Выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;
- задача 2: Разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;
- задача 3: Разработка методики поддержки принятия решений по отбору растений для следующего селекционного поколения не по их хозяйственным свойствам, а на основе анализа внешне наблюдаемых фенотипических признаков
Информационной базой для выполнения данной работы являются данные, предоставленные научно-селекционной агрофирмой ООО «Эве-
рест-Олвик», специализирующейся на селекции морозоустойчивых высокотехнологичных сортов подсолнечника, прежде всего совершенствовании сорта «Победа».
Агрофирму ООО «Эверест-Олвик» создал и уже более 13 лет бессменно возглавляет известный ученый, продолжатель дела академика В. С. Пустовойта, ученик академика И. А. Рапопорта, заслуженный деятель науки Кубани, профессор, доктор сельскохозяйственных наук Ашот Андраникович Калайджян - автор 225 научных работ, 3-х монографий и двух новых сортов подсолнечника Салют и Победа. Сегодня возглавляемая им агрофирма - одно из ведущих хозяйств России по выведению новых сортов подсолнечника.
Первичная форма существования исходных данных - это полевые журналы агрономов-селекционеров, в которых они на протяжении 35 лет проведения селекционной работы по сорту «Победа» фиксировали регенеративные (потребительские) и вегетативные (фенотипические) характеристики растений на различных делянках. Вид агрономических журналов с исходными данными представлен ниже.
Для исследования в данной работе выбраны данные за 10 лет: с 1994 по 2003 годы, по 100 делянок на каждый год. Анализ этих данных показывает, что они отражают не все возможные сочетания значений признаков.
Традиционные методы обработки имеющихся исходных данных не обеспечивают решение поставленных задач и необходимо использование нового подхода, обеспечивающего выявление зависимостей между потребительскими свойствами растений подсолнечника и их фенотипическими признаками при неполных (фрагментированных) данных.
Традиционные статистические модели требуют информации о результатах действия всех сочетаний исследуемых факторов («повторности»), что в исследуемой предметной области практически.
Необходимо особо подчеркнуть, что восполнить отсутствующие данные из опыта не представляется возможным, т.к. объект исследования принципиально не допускает повторение условий прошедших периодов с заданными сочетаниями факторов, которые не зависят от воли человека. Восполнение данных путем интерполяции также некорректно, т.к. в каж-
дой строке и столбце корреляционной матрицы имеется более одного пропуска.
Кроме того, статистические модели очень сложно содержательно интерпретировать, для чего требуются большой труд квалифицированных аналитиков.
Таким образом, можно сделать вывод, что для моделирования такого сложного и малоисследованного объекта, каким является подсолнечник в процессе селекции, применение традиционных математических моделей является проблематичным.
По-видимому, решение поставленных задач может быть получено путем применения системно-когнитивного анализа (СК-анализ) [11; 12], -нового перспективного математического метода системного анализа, основанного на теории информации, системном анализе и когнитивном моделировании.
Метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы.
Для метода СК-анализа разработаны и методика численных расчетов, и соответствующий программный инструментарий, а также технология и методика их применения. Они прошли успешную апробацию при решении ряда задач в различных предметных областях [1-6; 8-13].
Наличие инструментария СК-анализа позволяет не только осуществить синтез семантической информационной модели (СИМ), но и периодически поводить адаптацию и синтез ее новых версий, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую адекватность модели в изменяющихся условиях.
Таким образом, метод системно-когнитивного анализа для решения этих задач выбран в связи с тем, что он позволяет обрабатывать зашумлен-
ные фрагментарные данные больших размерностей и для него есть программный инструментарий.
В работе [11] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез модели и исследование модели объекта управления:
I. Синтез содержательной информационной модели предметной области.
1. Когнитивная структуризация и формализация предметной области.
2. Формирование исследуемой выборки и управление ею.
3. Синтез или адаптация модели.
4. Оптимизация модели.
5. Измерение адекватности модели (внутренней и внешней, интегральной и дифференциальной валидности), ее скорости сходимости и семантической устойчивости.
II. Идентификация и прогнозирование состояния объекта управления, выработка управляющих воздействий.
1. Ввод распознаваемой выборки.
2. Пакетное распознавание.
3. Вывод результатов распознавания и их оценка.
III. Углубленный анализ содержательной информационной модели предметной области.
1. Информационный и семантический анализ классов и признаков.
2. Кластерно-конструктивный анализ классов распознавания и признаков, включая визуализацию результатов анализа в оригинальной графической форме когнитивной графики (семантические сети классов и признаков).
3. Когнитивный анализ классов и признаков (когнитивные диаграммы и диаграммы Вольфа Мерлина, нейросетевой анализ, классические и интегральные когнитивные карты).
Учитывая эти этапы СК-анализа выполним декомпозицию цели работы в ряд задач, решение которых обеспечит ее поэтапное достижение:
1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных.
2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (журналы).
3. Разработка Excel-формы для представления исходных данных.
4. Преобразование исходных данных в Excel-форму.
5. Контроль достоверности исходных данных и исправление ошибок.
6. Использование программного интерфейса для преобразования исходных данных из формы по датам в стандартную форму по фенофазам.
7. Использование программного интерфейса для преобразования исходных данных из стандартной формы по фенофазам в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) - когнитивной аналитической системе "Эйдос" (система "Эйдос").
8. Синтез семантической информационной модели (СИМ).
9. Оптимизация СИМ.
10. Измерение адекватности СИМ.
11. Задача І: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его потребительскими свойствами;
12. Задача 2: разработка методики прогнозирования потребительских свойств растений подсолнечника на основе анализа их фенотипических признаков;
13. Задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их потребительским свойствам, а на основе анализа фенотипических признаков.
14. Разработка принципов оценки экономической эффективности разработанных технологий при их применении:
- в научно-селекционных организациях;
- в образовательных учреждениях.
15. Исследование ограничений разработанной технологии и перспектив ее развития.
В соответствии с технологией АСК-анализа в результате проведения когнитивной структуризации предметной области были построены две справочные таблицы для кодирования исходной информации: хозяйственные свойства и внешне-наблюдаемые признаки.
Таблица 1 - КЛАССИФИКАЦИОННЫЕ ШКАЛЫ
Код Наименование класса
1 Год
2 Урожайность (г.)
3 Сборы масла (г.)
4 Средняя масличность (%)
5 Натура (г/л)
Таблица 2 - ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)
Код Наименование класса
1 Вес семян с 1 корзины (г.)
2 Время посева
3 Высота растения (см.)
4 Облиственность (шт.)
5 Диаметр корзины (см.)
Затем была выполнена формализация предметной области, т.е. разработаны справочники (табл. 3 и 4).
Таблица 3 - КЛАССИФИКАЦИОННЫЕ ШКАЛЫII ГРАДАЦИИ (КЛАССЫ)
Код Наименование класса
1 Год
1 1994
2 1995
3 1996
4 1997
5 1998
6 1999
7 2000
8 2001
Э 2002
10 2003
г Урожайность (г.)
11 менее 400
12 [400, 500)
13 [500, 600)
14 [600, 700)
15 [700, 800)
16 800 и более
3 Сборы 1.1 «1 СП <1 (г.)
17 менее 200
18 [200, 250)
19 [ 250, 300)
20 [300, 350)
21 [350, 400)
22 400 и более
4 Средняя М.1СЛИЧНО СТЬ <%)
23 менее 50
24 [50, 51)
25 51,52
26 52,53
27 53,54
28 54 и более
5 Натура (г/л)
29 менее 420
30 420,430
31 430,440
32 440,450
33 450,460
34 460,470
35 470 и более
Таблица 4- ОПИСАТЕЛЬНЫЕ ШКАЛЫ II ГРАДАЦИИ (ФАКТОРЫ)
Код
призн
Н а и ненов а ы и шкал и градаций признаков
[ 1] ВЕС СЕМЯН С 1 КОРЗИНЫ (Г)
1 менее 60
2 [60, 7 0)
3 [70 г 80)
4 [80, 90)
5 [90 г 100)
б 100 и более
[ 2] ВРЕМЯ ПОСЕВА
7 ПОЗДНЕЗИМНИЙ (ДЕКАБРЬ)
8 РАННЕВЕСЕННИЙ(ФЕВРАЛЬ)
9 ОПТИМАЛЬНЫЙ
[ 3] ВЫСОТА РАСТЕНИЯ (см.)
10 менее 5 0
11 [50, 8 0)
12 [80 г 110)
13 [110, 140)
14 [140, 170)
15 [170, 200)
16 200 и более
[ 4] ОБЛИСТВЕННОСТЬ (игг.)
17 менее 30
18 30
19 31
20 32
21 33
22 34
23 35
24 35 и более
[ 5] ДИАМЕТР КОРЗИНЫ (см.)
25 менее 19
26 19
27 20
28 21
29 22
30 23
31 24
32 24 и более
С их использованием этих справочников произведено кодирование исходных данных. Результаты кодирования исходных данных из журналов с помощью разработанных классификационных и описательных шкал представлены БХСБЬ-таблице, фрагмент которой представлен в таблице 6.
Таблица 6 - ФРАГМЕНТ ЕХСЕЬ-ТАБЛНЦЫ ДЛЯ ВВОДА ИСХОДНЫХ ДАННЫХ
N9 примера Год. № делянки Код ы классов Коды значений факторов
01 02 03 04 05 06 07 08 09 10 11 12
1 1994-1521 1 14 20 26 32 1 7 16 18 29
2 1994-1522 1 14 21 28 35 4 7 16 17 29
3 1994-1523 1 15 22 28 34 4 7 15 22 25
4 1994-1527 1 15 21 28 32 5 7 16 19 27
5 1994-1528 1 15 21 26 33 5 7 16 20 28
6 1994-1529 1 14 20 23 35 5 7 15 20 27
7 1994-1535 1 12 18 27 35 1 7 15 17 25
8 1994-1537 1 13 20 25 32 4 7 15 19 27
9 1994-1541 1 16 22 26 30 3 7 15 19 26
10 1994-1545 1 14 20 27 33 3 7 15 17 26
Разработан программный интерфейс, обеспечивающий автоматический ввод обучающей выборки из Ехсе1-файла с входной информацией в соответствующие базы данных системы "Эйдос", которая представляет собой инструментарий АСК-анализа.
вывод ТИТУЛЬНОЙ ВИДЕОГРАММЫ + —
ЗАДАНИЕ НАЧАЛЬНЫХ УСТАНОВОК
I
ОТКРЫТИЕ ИСХОДНОЙ БАЗЫ ДАННЫХ И БАЗ ДАННЫХ ОБУЧАЮЩЕЙ ИНФОРМАЦИИ (БАЗЫ ЗАГОЛОВКОВ И БАЗЫ КОДОВ ПРИЗНАКОВ)
НАЧАЛО ЦИКЛА ПО ЗАПИСЯМ ИСХОДНОЙ БАЗЫ ДАННЫХ
Генерация массива кодов классов и признаков БД 1пр_12.с1ЬГ Запись массива кодов классов в БД ОЫпГ2ад
“Г
ПЕРЕИНДЕКСАЦИЯ ВЫХОДНЫХ БАЗ ДАННЫХ
X
Дальнейшие этапы выполнялись с помощью системы «Эйдос» в подсистеме синтеза модели. При этом на основе обучающей выборки были автоматически сформированы матрица абсолютных частот и матрица информативностей.
Атрибуты Классы - будущие состояния объекта управления Сумма
Целевые состояния Нежелательные состояния
*** І *** і ***
Факторы, характеризующие текущее и прошлые состояния объекта управления, в т.ч. его рефлексивность ***
г и жм*
***
Управляющие факторы системы управления і N0 II
***
Факторы, характеризующие прошлые, текущее и прогнозируемые состояния окружающей среды к N. н
•кісіс
Сумма м 1=1 II ЕМ* н д;М^ їм^
где:
N1= - количество встреч 1-го признака у объектов ]-го класса по данным обучающей выборки
Атрибуты
Классы - будущие состояния объекта управления
Целевые состояния
Нежелательные состояния
Средняя детерминирующая мощ-________ность фактора________
Факторы, характеризующие текущее и прошлые состояния объекта управления, в т.ч. его рефлексивность
м ж
1г]=^-ЬоЯ2 м "1£1
5Х-5Х
1=1 >1
1Г, = ^ -іог, -л—-
Е^-Е^
Управляющие факторы системы управления
^■ЕЕ*,
і = 1 У=1 М !/,V
Е^-Е",
І=1 у=\
а^-ЕЕ^ ^ = ^-^2м -у
Е^-Е*.
а‘
і ш / \2 ^ЕМ.)
Факторы, характеризующие прошлые, текущее и прогнозируемые состояния окружающей среды
^■ЕЕ^
Е^-Е^:
л'ы-ЕХ*',,
1и = Ч>-ЬоЄг м---
Е^'Е^
Средняя детерминированность будущих состояний АОУ
м
я=?
^ ш м . фУ-М-
=— У7,
м
9 £оё21¥
- среднее значение координат вектора класса,
М - количество факторов.
Ф - коэффициент эмерд-жентности Хартли.
I, = ----Ті,
1
- среднее значение координат вектора фактора,
ж м - средняя инфор-
2 _ -*■ ^ 2 мативность при-
Ьоё2Ы
- количество классов цг у знаков по матрице
(будущих состояний АОУ). -?_1 1-1 информативностей.
Т- коэффициент эмерд- Н - мера уровня системности предметной
жентности Харкевича, области в рамках СТИ
После синтеза семантической информационной модели, была измерена её адекватность, средневзвешенная достоверность прогнозирования, которая составила 66,42 %, что достаточно для поставленных целей и принятия решений.
ИЗМЕРЕНИЕ АДЕКВАТНОСТИ СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ
Анкет Физических: 1000 логических (всего/факт): 5000/ 5000
Верная идентификация: ЭЭ21 Ошибочная неидентификация: 1679
Верная идентификация: 66.42% Ошибочная неидентификация: ЭЗ.58%
Минимальный уровень сходства: 0.0 Максимальное кол-во классов: 99999
08-02-05 22:56:58 г.Краснодар
N л/л Код класса Наименование класса Всего логич анкет ИДЕНТИФИЦИР НеидентиФиц ИДЕНТИФИЦИРОВ НеидентиФицир
ВЕРНО Ошиб. Верно Ошиб. ВЕРНОЕ Ошиб.У, Верной Ошиб.%
1 1 ГОД - 1994 100 87 431 469 13 87.00 8.80 9.57 13.00
2 7 ГОД - 2000 100 78 451 449 22 78.00 9.20 9.16 22.00
3 2 ГОД - 1995 100 77 473 427 23 77.00 9.65 8.71 23.00
4 5 ГОД - 1998 100 74 461 439 26 74.00 9.41 8.96 26.00
5 6 ГОД - 1999 100 73 454 446 27 73.00 9.27 9.10 27.00
6 4 ГОД - 1997 100 72 497 403 28 72.00 10.14 8.22 28.00
7 25 СРЕДНЯЯ МАСПИЧНОСТЬ - [51, 52) 163 117 459 378 46 71.78 9.49 7.81 28.22
8 16 УРОЖАЙНОСТЬ - 800 и более 159 110 443 398 49 69.18 9.15 8.22 30.82
9 17 СБОРЫ МАСПА - менее 200 168 116 422 410 52 69.05 8.73 8.49 30.95
10 3 ГОД - 1996 100 69 427 473 31 69.00 8.71 9.65 31.00
11 33 НАТУРА - [450, 460) 152 104 405 443 48 68.42 8.35 9.14 31.58
12 30 НАТУРА - [420, 430) 136 93 414 450 43 68.38 8.51 9.25 31.62
13 22 СБОРЫ МАСАА - 400 и более 158 108 426 416 50 68.35 8.80 8.59 31.65
14 8 ГОД - 2001 100 68 424 476 32 68.00 8.65 9.71 32.00
15 31 НАТУРА - [430, 440) 159 107 450 391 52 67.30 9.30 8.08 32.70
16 27 СРЕДНЯЯ МАСАИЧНОСТЬ - [53, 54) 166 111 401 433 55 66.87 8.30 8.96 33.13
17 12 УРОЖАЙНОСТЬ - [400, 500) 165 110 398 437 55 66.67 8.23 9.04 33.33
18 9 ГОД - 2002 100 66 439 461 34 66.00 8.96 9.41 34.00
19 13 УРОЖАЙНОСТЬ - [500, 600) 164 108 452 384 56 65.85 9.35 7.94 34.15
20 28 СРЕДНЯЯ МАСАИЧНОСТЬ - 54 и более 184 120 410 406 64 65.22 8.51 8.43 34.78
21 19 СБОРЫ МАСАА - [250, 300) 158 103 410 432 55 65.19 8.47 8.92 34.81
22 21 СБОРЫ МАСАА - [350, 400) 154 100 382 464 54 64.94 7.88 9.57 35.06
23 35 НАТУРА - 470 и более 136 88 459 405 48 64.71 9.44 8.33 35.29
24 32 НАТУРА - [440, 450) 132 85 393 475 47 64.39 8.07 9.76 35.61
25 24 СРЕДНЯЯ МАСАИЧНОСТЬ - [50, 51) 168 108 404 428 60 64.29 8.36 8.86 35.71
26 11 УРОЖАЙНОСТЬ - менее 400 144 92 410 446 52 63.89 8.44 9.18 36.11
27 15 УРОЖАЙНОСТЬ - [700, 800) 173 110 389 438 63 63.58 8.06 9.07 36.42
28 18 СБОРЫ МАСАА - [200, 250) 171 108 421 408 63 63.16 8.72 8.45 36.84
29 23 СРЕДНЯЯ МАСАИЧНОСТЬ - менее 50 173 109 392 435 64 63.01 8.12 9.01 36.99
30 10 ГОД - 2003 100 63 439 461 37 63.00 8.96 9.41 37.00
31 14 УРОЖАЙНОСТЬ - [600, 700) 195 120 377 428 75 61.54 7.85 8.91 38.46
32 29 НАТУРА - менее 420 150 91 403 447 59 60.67 8.31 9.22 39.33
33 26 СРЕДНЯЯ МАСАИЧНОСТЬ - [52, 53) 146 87 393 461 59 59.59 8.10 9.50 40.41
34 20 СБОРЫ МАСАА - [300, 350) 191 112 362 447 79 58.64 7.53 9.30 41.36
35 34 НАТУРА - [460, 470) 135 77 405 460 58 57.04 8.32 9.46 42.96
Универсальная когнитивная аналитическая система НПП «ЭЙДОС
Получена матрица информативности с конкретными значениями силы и направления причинно-следственных связей между фенотипическими и хозяйственными свойствами подсолнечника.
На основе полученной матрицы информативности для каждого конкретного растения по его внешним признакам можно прогнозировать его хозяйственные свойства. Результаты прогнозирования выводятся системой "Эйдос" в специальной форме, каждая строка которой соответствует классу, с которым данный объект имеет наибольшее сходство.
Задача принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы по фенотипическим признакам определяем возможные хозяйственные свойства, то при принятии решений, наоборот, по заданным хозяйственным свойствам определяем
какими фенотипическим признаками должны обладать растения, имеющие эти свойства.
Получен основной результат, позволяющий принимать решения по отбору растений для следующих поколений по их фенотипическим признакам, отражающий какие внешние признаки характерны для тех или иных хозяйственных свойств.
Рассмотрим эти результаты подробнее.
Задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его потребительскими свойствами. Мерой причинно-следственных зависимостей в АСК-анализе является количество информации, которое содержится в факте действия определенного значения фактора о том, что растение подсолнечника будет иметь определенное потребительское свойство. Значение информативности может быть по модулю различной величины и положительным и отрицательным по знаку, что означает, соответственно, величину и направление влияния данного значения фактора на данное потребительское свойство.
В полном виде все зависимости содержаться в матрице информативностей. Вертикальная шапка данной матрицы содержит градации описательных, в горизонтальная шапка - градации классификационных шкал (табл. 7).
Таблица 7 - Матрица информативности (фрагмент)
1 2 3 4 5 6 7 8 9 10 11 12
1 -0,21 0,02 -0,03 0,02 0,05 0,10 -0,00 -0,03 -0,00 0,02 -0,06 0,14
2 -0,24 -0,03 -0,07 -0,07 0,11 0,00 0,14 0,06 -0,03 0,03 0,06 -0,03
3 0,16 0,01 -0,08 0,01 -0,08 -0,08 -0,01 0,04 0,01 -0,05 0,03 -0,03
4 0,09 0,06 0,06 -0,04 -0,08 -0,08 -0,04 -0,04 0,06 -0,04 0,03 0,02
5 0,04 -0,15 0,01 0,09 -0,08 -0,01 -0,11 0,07 0,01 0,07 0,05 -0,05
6 0,06 0,06 0,09 -0,06 0,03 0,03 0,00 -0,14 -0,06 -0,06 -0,15 -0,09
7 -0,04 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,04 0,07
8 -0,23 0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,11 -0,05
9 0,17 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,02 -0,18 -0,02
10 -0,47 -0,12 0,18 -0,17 0,18 -0,23 0,08 0,15 -0,03 0,08 0,12 0,20
11 -0,31 -0,10 0,16 0,01 0,01 0,13 0,04 0,04 0,04 -0,20 0,18 -0,15
12 -0,41 -0,10 -0,06 0,12 0,12 -0,06 0,02 -0,02 0,15 0,05 -0,07 -0,05
Из-за большой размерности данной матрицы полностью ее привести в данной работе не представляется возможным.
Задача 2: разработка методики прогнозирования потребительских свойств растений подсолнечника на основе анализа их фенотипических признаков. Данная задача решается на основе задачи 1. Суть методики прогнозирования состоит в следующем. Из матрицы информативностей известно, какое количество информации содержится в определенном фенотипическом признаке конкретного растения подсолнечника о том, что данное растение будет обладать каждым из исследованных в модели потребительских свойств. Если о растении известно, что оно обладает определенным набором фенотипических признаков, то естественно считать, что оно будет обладать теми потребительскими свойствами, о которых в данном наборе содержится наибольшее количество информации. Данный интегральный критерий предложен и обоснован в [11].
Исходные данные для прогнозирования вводятся в 1-м режиме 4-й подсистемы системы «Эйдос» в форме распознаваемой выборки, само прогнозирование осуществляется во 2-м режиме этой же подсистемы, а результаты в выводятся в 3-м режиме в двух разрезах:
- один объект - много классов;
- один класс - много объектов.
Результаты прогнозирования выводятся системой в обобщенной форме, каждая строка которой соответствует классу, с которым данный объект имеет наиболее сходство, и в детализированной форме карточек
прогнозирования (распознавания). Примеры этих карточек приведены на рисунке 1.
Рисунок 1 - Примеры карточки прогнозирования (экранные формы)
Карточка разделена на две части. В верхней части приведены классы, с которыми данный объект имеет наивысшее сходство в порядке его убывания, а в нижней - классы, от которых данный объект максимально отли-
чается. Задача идентификации может решаться в поле с использованием ноутбука, на котором установлена система «Эйдос».
Задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их потребительским свойствам, а на основе анализа фенотипических признаков. Задача принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы по фенотипическим признакам определяем возможные потребительские свойства, то при принятии решений наоборот, по заданным потребительским свойствам определяем какими фенотипическим признаками должны обладать растения, имеющие эти свойства. В системе «Эйдос» эта задача решается в 1-м режиме 5-й подсистемы, который позволяет генерировать и отображать так называемые «Информационные портреты классов». Эти информационные портреты показывают систему детерминации будущих состояний объекта управления, в нашем случае -потребительских свойств подсолнечника.
Они могут непосредственно использоваться при отборе растений подсолнечника для формирования следующего поколения при селекции (табл. 9).
Таблица 9 - Система детерминации хозяйственно-значимых свойств подсолнечника фенотипическими признаками
Приоритетность 1, вес 25%, Код: 16, Наименование: УРОЖАЙНОСТЬ -800 и более Приоритетность 2. вес 25%, Код: 22, Наименование: СБОРЫ МАСЛА -400 и более Приоритетность 3, вес 25%, Код: 28, Наименование: СРЕДНЯЯ МАСЛИЧНОСТЬ -54 И более Приоритетность 4, вес 25%, Код: 35, Наименование: НАТУРА -470 и более
№ Ч sc Наименование значения фактора Инф. Инф. N° =t Наименование значения фактора Инф. бит Инф. % 11° et Наименование значения ф актор а Инф. Инф. % и» Ч sc Наименование значения фактора Инф. Инф.
1 3 ВЫСОТА РАСТЕНИЯ 1 5 ДИАМЕТР КОРЗИНЫ 1 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 1 3 ВЫСОТА РАСТЕНИЯ
15 [170,200) 0,13 2,58 28 21 0,19 3,74 2 [60,70] 0,12 2,26 14 [140,170) 0,13 2,53
2 4 ОБЛИСТВЕННОСТЬ 2 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 2 4 ОБЛИСТВЕННОСТЬ 2 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г)
23 35 0,12 2,26 6 100 и более 0,12 2,40 19 31 0,11 2,10 3 [70, 80) 0,10 1,95
3 5 ДИАМЕТР КОРЗИНЫ 3 4 ОБЛИСТВЕННОСТЬ 3 -і ВЫСОТА РАСТЕНИЯ 3 3 ВЫСОТА РАСТЕНИЯ
ЗО 23 0.11 2,18 19 31 0,12 2,34 13 [110,140) 0 11 2,08 12 [80,110) 0,09 1,78
4 4 ОБЛИСТВЕННОСТЬ 4 3 ВЫСОТА РАСТЕНИЯ 4 5 ДИАМЕТР КОРЗИНЫ 4 5 ДИАМЕТР КОРЗИНЫ
22 34 0,10 1,93 13 [110,140) 0,10 1,91 27 20 0,09 1,67 23 21 0,09 1,65
5 4 ОБЛИСТВЕННОСТЬ 5 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 5 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 5 4 ОБЛИСТВЕННОСТЬ
21 33 0,10 1,39 5 [90,100) 0,09 1,74 5 [90,100) 0,07 1,37 21 33 0,07 1,32
6 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 6 4 ОБЛИСТВЕННОСТЬ 6 5 ДИАМЕТР КОРЗИНЫ 6 4 ОБЛИСТВЕННОСТЬ
1 менее 60 0,08 1,64 21 33 0,03 1,57 28 21 0,07 1,29 17 менее 30 0,07 1,28
7 5 ДИАМЕТР КОРЗИНЫ 7 3 ВЫСОТА РАСТЕНИЯ 7 4 ОБЛИСТВЕННОСТЬ 7 4 ОБЛИСТВЕННОСТЬ
25 менее 19 0,08 1,55 15 [170.200) 0,07 1,32 22 34 0,05 0,90 18 30 0,06 1,10
8 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 8 5 ДИАМЕТР КОРЗИНЫ 3 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 8 2 ВРЕМЯ ПОСЕВА
3 [70, ВО) 0,07 1,33 32 более 24 0,06 1,24 6 100 и более 0,05 0,90 3 ранневесенний (февраль) 0,05 1,06
9 3 ВЫСОТА РАСТЕНИЯ 9 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 9 =| ВЫСОТА РАСТЕНИЯ 9 3 ВЫСОТА РАСТЕНИЯ
13 [110, 140) 0,06 1,09 1 менее 60 0,06 1,11 14 [140, 170) 0,04 0,82 13 [110, 140) 0,05 0,91
10 5 ДИАМЕТР КОРЗИНЫ 10 3 ВЫСОТА РАСТЕНИЯ 10 ' ВРЕМЯ ПОСЕВА 10 5 ДИАМЕТР КОРЗИНЫ
29 22 0,03 0,55 12 [30.110) 0,04 0,74 8 ранневесенний (февраль) 0,04 0,76 31 24 0,04 0,82
11 5 ДИАМЕТР КОРЗИНЫ 11 2 ВРЕМЯ ПОСЕВА 11 5 ДИАМЕТР КОРЗИНЫ 11 2 ВРЕМЯ ПОСЕВА
20 21 0,03 0,53 8 ранневесенний (февраль) 0,04 0,74 26 19 0,03 0,65 7 позднезимний (декабрь) 0,04 0,76
12 2 ВРЕМЯ ПОСЕВА 12 5 ДИАМЕТР КОРЗИНЫ 12 4 ОБЛИСТВЕННОСТЬ 12 5 ДИАМЕТР КОРЗИНЫ
3 ранневесенний (февраль) 0,03 0,49 31 24 0,02 0,44 21 33 0,02 0,45 29 22 0,03 0,48
13 2 ВРЕМЯ ПОСЕВА 13 5 ДИАМЕТР КОРЗИНЫ 13 4 ОБЛИСТВЕННОСТЬ 13 5 ДИАМЕТР КОРЗИНЫ
9 оптимальным 0,02 0,41 25 менее 19 0,02 0,29 23 35 0,02 0,38 25 менее 19 0,01 0,25
14 5 ДИАМЕТР КОРЗИНЫ 14 2 ВРЕМЯ ПОСЕВА 14 5 ДИАМЕТР КОРЗИНЫ 14 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (П
27 20 0,02 0,39 7 позднезимний (декабрь) 0,01 0,26 31 24 0,02 0,38 6 100 и более 0,01 0,18
15 3 ВЫСОТА РАСТЕНИЯ 15 4 ОБЛИСТВЕННОСТЬ 15 5 ДИАМЕТР КОРЗИНЫ 15 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (П
11 [50,80) 0,01 0,26 17 менее 30 0,01 0,24 29 22 0,00 0,04 1 менее 60 0,01 0,15
16 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (П 16 4 ОБЛИСТВЕННОСТЬ 16 4 ОБЛИСТВЕННОСТЬ 16 4 ОБЛИСТВЕННОСТЬ
2 [60,70) 0,01 0,21 24 более 35 0,01 0,23 24 более 35 -0,00 -0,01 19 31 0,00 0,04
17 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 17 4 ОБЛИСТВЕННОСТЬ 17 4 ОБЛИСТВЕННОСТЬ 17 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г)
5 [90,100) 0,00 0,06 22 34 0,01 0,10 17 менее 30 -0,00 -0,05 4 [80,90) -0,01 -0,26
13 3 ВЫСОТА РАСТЕНИЯ 18 3 ВЫСОТА РАСТЕНИЯ 18 2 ВРЕМЯ ПОСЕВА 13 5 ДИАМЕТР КОРЗИНЫ
10 менее 50 -0,01 -0,10 14 [140,170) -0,02 -0,42 7 позднезимний (декабрь) -0,01 -0,19 ЗО 23 -0,01 -0,28
19 4 ОБЛИСТВЕННОСТЬ 19 3 ВЫСОТА РАСТЕНИЯ 19 4 ОБЛИСТВЕННОСТЬ 19 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г)
24 более 35 -0,02 -0,29 11 [50.80) -0,03 -0,54 20 32 -0,02 -0,33 2 [60,70) -0,02 -0,35
20 5 ДИАМЕТР КОРЗИНЫ 20 4 ОБЛИСТВЕННОСТЬ 20 3 ВЫСОТА РАСТЕНИЯ 20 4 ОБЛИСТВЕННОСТЬ
26 19 -0,02 -0,33 20 32 -0,05 -0,91 1^ [170,200) -0,03 -0,54 23 35 -0,02 -0,41
21 4 ОБЛИСТВЕННОСТЬ 21 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 21 ' ВРЕМЯ ПОСЕВА 21 3 ВЫСОТА РАСТЕНИЯ
20 32 -0,02 -0,41 2 [60.70) -0,05 -0,94 9 оптимальный -0,03 -0,54 11 [50,80) -0,03 -0,50
22 4 ОБЛИСТВЕННОСТЬ 22 2 ВРЕМЯ ПОСЕВА 22 3 ВЫСОТА РАСТЕНИЯ 22 5 ДИАМЕТР КОРЗИНЫ
13 30 -0,02 -0,45 9 оптимальный -0,05 -0,97 10 менее 50 -0,03 -0,60 27 20 -0,03 -0,61
23 3 ВЫСОТА РАСТЕНИЯ 23 5 ДИАМЕТР КОРЗИНЫ 23 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 23 4 ОБЛИСТВЕННОСТЬ
12 [80, 110) -0 04 -0,70 29 22 -0,05 -1,00 4 [80,90) -0,03 -0,66 22 34 -0,04 -0,75
24 2 ВРЕМЯ ПОСЕВА 24 3 ВЫСОТА РАСТЕНИЯ 24 3 ВЫСОТА РАСТЕНИЯ 24 4 ОБЛИСТВЕННОСТЬ
7 позднезимний (декабрь) -0,05 -0,99 16 200 и более -0,06 -1,23 16 200 и более -0,04 -0,75 24 более 35 -0,04 -0,83
25 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 25 5 ДИАМЕТР КОРЗИНЫ 25 3 ВЫСОТА РАСТЕНИЯ 25 3 ВЫСОТА РАСТЕНИЯ
Є 100 н Волее -0,07 -1 36 26 19 -0,07 -1,43 1? [80,110) -0,04 -0,76 15 [170,200) -0,05 -1,03
2В 3 ВЫСОТА РАСТЕНИЯ 26 5 ДИАМЕТР КОРЗИНЫ 26 3 ВЫСОТА РАСТЕНИЯ 26 5 ДИАМЕТР КОРЗИНЫ
14 [140,170) -0,09 -1,74 ЗО 23 -0,09 -1,76 11 [50,80) -0,04 -0,73 26 19 -0,07 -1,27
27 3 ВЫСОТА РАСТЕНИЯ 27 4 ОБЛИСТВЕННОСТЬ 27 5 ДИАМЕТР КОРЗИНЫ 27 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г)
16 200 и более -0,13 -2,45 18 30 -0,11 -2,08 32 более 24 -0,06 -1,21 5 [90,100) -0,09 -1,72
20 5 ДИАМЕТР КОРЗИНЫ 28 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 28 5 ДИАМЕТР КОРЗИНЫ 23 5 ДИАМЕТР КОРЗИНЫ
31 24 -0,14 -2,64 4 [80.90) -0,12 -2,25 25 менее 19 -0.06 -1,21 32 более 24 -0,09 -1,74
29 4 ОБЛИСТВЕННОСТЬ 29 4 ОБЛИСТВЕННОСТЬ 29 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 29 2 ВРЕМЯ ПОСЕВА
17 менее 30 -0,14 -2,80 23 35 -0,13 -2,58 3 [70,80) -0,11 -2,11 9 оптимальный -0,10 -1,89
30 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 30 3 ВЫСОТА РАСТЕНИЯ 30 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 30 3 ВЫСОТА РАСТЕНИЯ
4 [80,90) -0,18 -3,41 10 менее 50 -0,15 -2,88 1 менее 60 -0,13 -2 45 10 менее 50 -0,14 -2,61
31 4 ОБЛИСТВЕННОСТЬ 31 1 ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) 31 5 ДИАМЕТР КОРЗИНЫ 31 4 ОБЛИСТВЕННОСТЬ
19 31 -0,19 -3,70 3 [70. 30) -0,19 -3,71 30 23 -0,14 -2,67 20 32 -0,15 -2,87
32 5 ДИАМЕТР КОРЗИНЫ 32 5 ДИАМЕТР КОРЗИНЫ 32 4 ОБЛИСТВЕННОСТЬ 32 3 ВЫСОТА РАСТЕНИЯ
32 более 24 -0,21 -4,02 27 20 -0,21 -4,01 18 30 -0,22 -4,22 16 200 и более -0,19 -3,75
Алгоритм использования этой таблицы может быть, например, следующим. Сначала отбираются все растения, у которых наблюдаются фенотипические признаки, показанные на желтом фоне. Затем из отобранных растений удаляются те, у которых наблюдаются фенотипические признаки, показанные на голубом фоне.
Аппарат СК-анализа позволяет строить функции взаимосвязи между описательными и классификационными шкалами. С учетом целей ресурсосберегающих технологий возделывания подсолнечника [7] для селекции особый интерес представляет взаимосвязь между высотой растения и его потребительскими свойствами, прежде всего сбором масла с одного растения (рис. 2).
Рисунок 2 - Взаимосвязь между высотой растения и сбором с него масла
Из этого графика очевидно, что оптимальной высотой растения является 110-140 см, а не 200, как считалось ранее. Объяснение причин этого явления сходно с содержательной интерпретаций взаимосвязи между количеством листьев на растении и масличностью собранных с него семян, представленная на рисунке 3.
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 1981-2004. Russian Patent Mo 940Z17. All Rights Reserued.
Задание 14. Функция влияния фактора! ОБЛИСТВЕННОСТЬ
на переход объекта управления в состояния! СРЕДНЯЯ МАСЛИЧНОСТЬ
1? 18 19 20 21 22 23 24
менее 30 30 31 32 33 34 35 более 35
Г р а да и, ы ы фа. кторов
Рисунок 3 - Взаимосвязь между количеством листьев на растении и масличностью собранных с него семян
При малом количестве листьев растение не имеет необходимых ресурсов для генерации масла в семенах, при количестве листьев 30-32 наблюдается максимальная масличность, при увеличении количества листьев масличность закономерно падает, что по-видимому можно объяснить тем, что ресурсы растения переориентируются с формирования регенеративных качеств растения на увеличение его вегетативной массы. Этот эффект, наблюдаемый у подсолнечника, полностью аналогичен известному «бройлерному эффекту», известному в птицеводстве и впервые был обнаружен методом СК-анализа эмпирических данных в 1993 году О. А. Засухиной и Е. В. Луценко при исследовании интенсивных технологий возделывания зерновых колосовых [11].
Все функции влияния, отражающие взаимосвязи между всеми описательными и классификационными шкалами и градациями (во всех сочетаниях), в данной статье привести нет возможности. Необходимо отметить, что их содержательная интерпретация является делом ученого-селекционера.
Кластерно-конструктивный и системно-когнитивный анализ результатов выращивания и факторов обеспечивается режимами 5-й подсистемы "Типология" системы «Эйдос» (рис. 4).
Рисунок 4 - Режимы подсистемы типологического анализа
классов и факторов
Кластерный анализ классов показывает, какие качественные и количественные результаты выращивания различных сортов детерминируются (вызываются) сходными системами факторов, и могут быть получены одновременно, а какие противоположными, несовместимыми и одновременно недостижимыми. В графической форме любые заданные фрагменты матрицы сходства могут отображаются в виде семантических сетей (рис. 5, 6 и 7).
Рисунок 5 - Семантическая сеть классов
Рисунок б - Семантическая сеть фенотипических признаков:
«Высота растения»
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 1981-1997. Russian Patent Mo 940217. All Ttights Reserved.
2D - СЕМАНТИЧЕСКАЯ СЕТЬ ПРИЗНАКОВ
Рисунок 7 - Семантическая сеть фенотипических признаков: «Облиственность» и «Высота растения»
Итак, в результате проведенной работы осуществлены когнитивная структуризация и формализация предметной области, спроектирована структура исходных данных; получены исходные данные в форме агрономических журналов; разработана Ехсеї-форма для ввода исходных данных; исходные данные введены в Ехсеї-форму; выполнены контроль достоверности исходных данных и исправление ошибок ввода; разработан программный интерфейс, с помощью которого исходные данные импортированы в базы данных, используемые в инструментарии системнокогнитивного анализа - когнитивной аналитической системе "Эйдос"; в
этой системе осуществлен синтез семантической информационной модели (СИМ); выполнена оптимизация СИМ; измерена адекватность СИМ.
Получены следующие основные результаты:
- решена задача 1: выявлены причинно-следственные зависимости между фенотипическими признаками подсолнечника и его хозяйственными свойствами;
- решена задача 2: разработана методика прогнозирования хозяйственных свойств растений подсолнечника на основе анализа фенотипических признаков;
- решена задача 3: Разработана методика поддержки принятия решений по отбору растений для селекции не по их хозяйственным (потребительским) свойствам, а на основе анализа фенотипических признаков;
- разработаны принципы оценки экономической эффективности разработанных методов компьютерной селекции при их применении: в научно-селекционных и в образовательных учреждениях;
- исследованы ограничения разработанной технологии и обоснованы перспективы ее развития.
Решение данной проблемы позволит избежать инструментального изучения хозяйственных свойств и генотипа при отборе растений для следующих селекционных поколений, что позволяет получить существенную экономию различных ресурсов и является актуальным как для науки, так и для практики селекции и может быть использовано в селекционных организациях, а также в учебном процессе КубГАУ при проведении лабораторных работ по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе специальности 351400 - Прикладная информатика.
Список литературы
1. Драгавцева И. А., Луценко Е. В., Лопатина Л. М. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003610433 РФ. Заяв. № 2002611927 РФ. Опубл. от 18.02.2003.
2. Драгавцева И. А., Луценко Е. В., Лопатина Л. М. База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003620035 РФ. Заяв. № 2002620178 РФ. Опубл. от 20.02.03.
3. Драгавцева, И. А. Автоматизация системного анализа продуктивности плодовых культур Юга России / И. А. Драгавцева, Е. В. Луценко, Л. М. Лопатина // Научные труды Российской академии сельскохозяйственных наук. - 2002. - С. 11—14.
4. Драгавцева, И. А. Применение системного анализа для прогнозирования успешности выращивания сельскохозяйственных культур (на примере плодовых) / И. А. Драгавцева, Е. В. Луценко, Л. М. Лопатина, Н. Е. Луценко // в сб. "Формы и методы повышения эффективности координации исследований для ускорения процесса передачи реальному сектору экономики завершенных разработок". — Краснодар : СКЗНИИСиВ, 2002. — С. 62—67.
5. Драгавцева, И. А. Применение автоматизированного системного анализа для прогноза продуктивности плодовых культур на Юге страны / И. А. Драгавцева, Е. В. Луценко, Л. М. Лопатина, Н. Е. Луценко // Материалы Всероссийской научнопрактической конференции. — Краснодар : СКЗНИИСиВ, 2002. — С. 8—11.
6. Егоров, Е. А. Интенсивные технологии возделывания плодовых культур / Е. А. Егоров [и др.] : Монография (научное издание). — Краснодар : СКЗНИИСиВ, 2004. — 394 с.
7. Калайджан, А. А. Индуцированные макромутанты подсолнечника в биологизации защиты растений / А. А. Калайджан, Н. Г. Малюга // Трансгенные растения — новое направление в биологической защите растений. — Краснодар, 2003. — С. 233— 238.
8. Калустов, А. А. Применение автоматизированного системно-когнитивного анали-
за для совершенствования методов компьютерной селекции подсолнечника / А. А. Калустов, Е. В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. — Краснодар : КубГАУ, 2005. — № 02(10). — Режим доступа:
http:// ej. kubagro. ru/2005/02/10/p10. asp
9. Лопатина, Л. М. Создание автоматизированной системы мониторинга, анализа,
прогноза и управления продуктивностью сельскохозяйственных культур / Л. М. Лопатина, Е. В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. -Краснодар : КубГАУ, 2003. - № 02(2). - Режим доступа:
http://ei.kubagro.ru/2003/02/07/p07.asp.
10. Лопатина, Л. М. Концептуальная постановка задачи: "Прогнозирование количественных и качественных результатов выращивания заданной культуры в заданной точке" / Л. М. Лопатина, Е. В. Луценко, И. А. Драгавцева // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар : КубГАУ, 2004. - № 05(7). - Режим доступа: http://ei.kubagro.ru/2004/05/08/p08.asp.
11. 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.
12. Луценко, Е. В. Интеллектуальные информационные системы : учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". - Краснодар : КубГАУ, 2004. - 633 с.
13. Максимов, А. М.| Прогнозирование продуктивности и качества плодовых культур на основе применения систем искусственного интеллекта (по данным ЗАО Агрофирмы "Сад Гигант" Славянского района Краснодарского края) : Дипломная работа под научн. рук. проф. Луценко Е. В. - Краснодар : КубГАУ, 2004. - 100 с.
