CC BY
56
УДК 004.8, 343.983.22
05.00.00 Технические науки 12.00.00 Юридические науки
ОПРЕДЕЛЕНИЕ ТИПА И МОДЕЛИ СТРЕЛКОВОГО НАРЕЗНОГО ОРУЖИЯ ПО БОЕПРИПАСАМ МЕТОДОМ АСК-АНАЛИЗА1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БРШ-код: 9523-7101 prof.lutsenko@gmail.com
Кубанский государственный аграрный университет, Краснодар, Россия
Швец Сергей Владимирович д.ю.н., профессор РИНЦ БРШ-код:7584-8573 baharat@yandex.ru
Кубанский государственный аграрный университет, Краснодар, Россия
В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. 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 боеприпасов 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 боеприпасов и создание математических моделей их контуров; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация); 4) количественное определение сходства-различия
UDC 004.8, 343.983.22
Technical sciences Legal sciences
HOW TO SOLVE THE TASK OF CLASSIFICATION OF TYPES OF RIFLE AMMUNITION USING THE METHOD OF ASC-ANALYSIS
Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof. lutsenko@gmail.com
Kuban State Agrarian University, Krasnodar, Russia
Shvets Sergey Vladimirovich Dr.Sci. in Laws, associate professor RSCI SPIN-code: 7584-8573 baharat@yandex.ru
Kuban State Agrarian University, Krasnodar, Russia
In criminology, there are actual problems of determining the type (machine gun, rifle, large caliber, pistol) and a particular model of small rifle for its ammunition, in particular, discovered in the use of weapons. The article proposes a solution to this problem with the use of a new innovative method of artificial intelligence: automated system-cognitive analysis (ASC-analysis) and its programmatic toolkit - a universal cognitive analytical system called "Eidos". In the system of "Eidos", we have implemented a software interface that provides input to the system images, and the identification of their external contours on the basis of luminance and color contrast. Typing by multiparameter contour images of specific ammunition, we create and verify the system-cognitive model, with the use of which (if the model is sufficiently reliable), we can solve problems of system identification, classification, study of the simulated object by studying its model and others. For these tasks we perform the following steps: 1) enter the images of ammunitions into the system of "Eidos" and create mathematical models of their contours; 2) synthesis and verification of models of the generalized images of ammunition for types of weapons based on the contour images of specific munitions (multivariate typology); 3) quantification of the similarities-differences of the specific ammunition with generalized images of ammunition of various types and models of small rifle (system identification); 4) quantification of the similarities-differences of the types of munitions, i.e. cluster-constructive analysis
1 Работа выполнена при финансовой поддержке РФФИ, проект №16-06-00114 А
типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях
Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ
Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENCE SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION, INTELLIGENT IMAGE ANALYSIS
СОДЕРЖАНИЕ
1. ПОСТАНОВКА ЗАДАЧИ..............................................................................................................................2
2. ТРАДИЦИОННЫЙ ПОДХОД И ЕГО НЕДОСТАТКИ...........................................................................3
3. ИДЕЯ РЕШЕНИЯ...........................................................................................................................................4
4. ИМЕЮЩИЙСЯ НАУЧНЫЙ И ТЕХНОЛОГИЧЕСКИЙ ЗАДЕЛ.........................................................6
5. ЧИСЛЕННЫЙ ПРИМЕР..............................................................................................................................6
5.1. Исходные данные....................................................................................................................................6
5.2. Этапы решения задач.............................................................................................................................7
5.2.1. Автоматический ввод изображений боеприпасов в систему «Эйдос».......................................8
5.2.2. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация).......................................................................................................19
5.2.3. Задание наиболее достоверной модели в качестве текущей......................................................23
5.2.4. Количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей оружия (системная идентификация)...............24
5.2.5. Количественное определение сходства-различия обобщенных образов боеприпасов различных типов и моделей оружия (кластерно-конструктивный анализ)..........................................................28
5.2.6. Исследование моделируемой предметной области путем исследования ее модели.................31
6. ВЫВОДЫ И РЕЗУЛЬТАТЫ.......................................................................................................................35
7. ПЕРСПЕКТИВЫ..........................................................................................................................................36
8. ПРИМЕНЕНИЕ.............................................................................................................................................36
ЛИТЕРАТУРА...................................................................................................................................................36
1. Постановка задачи
В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. [1].
В работе [2] описано решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа. В данной статье рассмотрим решение в одной модели как этой задачи, так и задачи
определения вероятной модели стрелкового нарезного оружия по его боеприпасам.
2. Традиционный подход и его недостатки
Традиционно установление типа и назначения боеприпаса при производстве криминалистических экспертиз осуществляется методом визуального сравнения патрона с имеющимися в распоряжении эксперта справочными данным. В качестве таких данных используют различные книги-справочники, а так же справочные коллекции патронов, созданные на базе Экспертно-криминалистического центра МВД России и региональных пу-легильзотек на базе экспертно-криминалистических подразделений МВД, ГУВД, УВД.
Кроме этого в рамках ведения криминалистических учетов в системе МВД России имеется автоматизированная информационно-справочная система «Выстрел» [1], содержащая информацию в том числе и о боеприпасах к пистолетам, револьверам, пистолетам-пулеметам, винтовкам, карабинам, автоматам, охотничьим ружьям. Поиск боеприпасов в данной системе осуществляется по 30 количественным признакам.
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 боеприпасов;
б) в случае автоматизированного сравнения с использованием АИСС «Выстрел»:
- необходимость проводить ручные измерения патронов с помощью измерительных инструментов для получения количественных значений критериев для конкретного боеприпаса;
- ограниченная доступность (невозможность использования данной АИСС вне рамок системы МВД РФ и, как следствие, невозможность использования данной АИСС в учебном и научно-исследовательском про-
цессе для подготовки специалистов в области информатики и юриспруденции в гражданских ВУЗах);
- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных с учетом потребностей конкретного пользователя (эксперта);
- отсутствие возможности производства исследований в моделируемой области;
- 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) [3] и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос» [4]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [5]. В системе «Эйдос» реализовано два программных интерфейса, обеспечивающих ввод в систему изображений и выявление их внешних контуров [2, 6, 11,12, 13].
Первый интерфейс реализован в виде внешнего исполнимого модуля _2324.exe, основан на основе исследования яркостной контрастности изображения и уже сейчас является весьма быстродействующим, а в будущем его скорость работы еще может возрасти в десятки раз.
В новой версии системы «Эйдос» органично реализован программный интерфейс, обеспечивающий ввод в систему изображений и выявление их внешних контуров на основе исследования как яркостной, так и цветовой контрастности изображений. Этот второй интерфейс работает медленнее, чем первый, но зато обеспечивает выявление контуров на изображениях практически без яркостной контрастности между изображением и фоном, на которых первый просто не работает. Пример такого изображения приведен на рисунках 1:
Файл: "C:\1\AIDOS-X\AID_DATA\lnp_data\.\ptlcl_235.jpg" оригинальное RGB-изображение и изображения в лучах Red, Green, Blue
RGB-изображение файла: "C:\1\AIDOS-X\AID_DATA\lnp_dataUptlcl_235.jpg" и изображения в лучах Red, Green, Blue с первичными контурами и центром тяжести
Внешний контур изображения: "ptici_235.jpg"
Рисунок 1. Результаты выявления контуров изображений по яркостной и цветовой контрастности в системе «Эйдос»
Путем многопараметрической типизации контурных изображений конкретных боеприпасов 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 [7, 8].
4. Имеющийся научный и технологический задел
У авторов имеется научный задел и опыт успешного решения подобных задач не только в криминалистике, но и в других предметных областях [2-14].
5. Численный пример 5.1. Исходные данные
В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения боеприпасов (в снаряженном состоянии) стрелкового нарезного оружия различных типов (автомат, винтовка, крупный калибр, пистолет) (рисунок 2).
При этом изображение каждого боеприпаса приведено в виде нескольких файлов:
- с именем, соответствующим типу боеприпаса;
- с именами, соответствующими конкретным моделям оружия, в которых используется данный тип боеприпаса;
- с именем, соответствующим типу оружия (автомат, винтовка, крупный калибр, пистолет);
Это сделано для того, чтобы в созданной модели были сформированы обобщенные образы боеприпасов не только различных типов оружия, как в модели [2], но и конкретных моделей оружия.
Рисунок 2. Изображения боеприпасов стрелкового нарезного оружия, использованные в качестве обучающей выборки (всего 230 файлов изображений)
Имя файла используется в системе «Эйдос» как способ группировки изображений при формировании обобщенных образов, т.е. для формирования имен классов. Если в имени файла есть черточка-тире: '-', то в качестве имени класса используется часть имени файла до этой черточки. Если этой черточки в имени файла нет, то в качестве имени класса используется все имя файла до расширения. Часть имени файла после черточки может использоваться для нумерации файлов изображений, относящихся к одному классу, например: 'Пистолет-001.jpg', 'Пистолет-002.jpg'.
Это обеспечивает формирование обобщенных образов соответствующих классов на основе конкретных примеров изображений, относящихся к этим классам.
5.2. Этапы решения задач
Для решения этих задач выполняются следующие этапы: 1) ввод в систему «Эйдос» изображений боеприпасов и создание математических моделей их контуров;
2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);
3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация);
4) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях [2-14].
5.2.1. Автоматический ввод изображений боеприпасов в систему «Эйдос»
Запишем в папку ..\АГО_БАТА\1пр_ёа1а\ в отдельной папке (в данном случае с именем: '2') сканированные изображения боеприпасов (рисунок 3):
Рисунок 3. Экранная форма, поясняющая расположение и структуру исходных данных: сканированных изображений боеприпасов оружия различных типов и моделей
Всего в данной обучающей выборке использовано 143 вида боеприпасов и моделей оружия, которые относятся к 4 типам: автомат, винтовка, крупный калибр, пистолет.
Имена файлов представляют собой наименования боеприпасов, модель оружия или тип оружия. Если к одному типу оружия относится несколько файлов, то в именах файлов после наименования типа оружия через черточку идет номер файла этого типа оружия (номер реализации).
В системе «Эйдос» в настоящее время есть ограничение на размер файла исходного изображения: 450 pix х 800 pix. Это связано с тем, что в программном интерфейсе ввода изображений в систему в настоящее время не используется масштабирование изображений. Поэтому если в обучающей выборке встречаются изображения большего размера, то нужно пропорционально уменьшить все изображения. Это можно сделать многими способами, но авторы использовали возможности стандартного для Windows просмотрщика графических файлов Microsoft Office Picture Manager (рисунок 4)
Рисунок 4. Экранная форма, поясняющая способ пропорционального уменьшения размеров изображений обучающей выборки в пикселях
Затем в геоконитивной подсистеме 4.8 [14] запустим режим «Окон-туривание» (рисунок 6):
Рисунок 6. Экранная форма запуска геоконитивной подсистемы 4.8 [14]
Вместо описания данной подсистемы приведем ее Help (рисунок 7):
f*) 4.8. Геокогнит'ивная подсистема "Эйдос"
н а -I
помощь го режиму: "4.В. 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: "Р01гГС5_ХУг": 1. Координаты и цвета точек из графического файла.
этот файл должен иметь имя: "Delorte.bmp" и находиться в папке: ". ./аю_оата/1ЫР_оата/".
Из Id Excel-таблицы исходных данных: "Inpjapl. dbf" из распознаваемой Id Excel-таблицы: "Rspjtapl. dbf" из 2d Excel-таблицы исходных данных: "lnp_map2.dbf" Из распознаваемой 2d Excel-таблицы: "R5p_map2.dbf" из базы исходных данных: "lnp_data.dbf '. из распознаваемой выборки: "lnp_rasp.dbf". из итоговых результатов распознавания: "Rsp_lT.dbf"
при зтом при проведении триангуляции Делоне можно рисовать или не рисовать окружности и ребра в градиентной цветовой заливке.
Требования к Id Excel-таблице: (должна быть в папке: "../AID_DATA/INP_DATA/"):
- первая строка должна содержать наименования колонок: -х"Y","Z1,'Z11,'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 колонку должна быть с числовыми значениями координаты Y;
- в ячейках с координатами (x,Y) 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 900 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 государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2016. - надо 1/>. с. 1 - 51. - IDA [article ID]: 1171603001. - Режим доступа: http://ej. kubagro. ru/2016/03/pdf/01. pdf, ЗДВ8 у. п. л.
Рисунок 7. Help геоконитивной подсистемы 4.8 [14] http://ej .kubagro.ru/2016/04/pdf/01 .pdf
На главной экранной форме геоконитивной подсистемы 4.8 кликаем на кнопке «Оконтуривание». В результате появляются экранные формы:
- задания параметров ввода изображений (рисунок 8);
- 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 9);
- визуализации изображения с найденными точками внешнего контура и самим внешним контуром (в динамике) (рисунок 10):
Рисунок 8. Экранная форма задания параметров ввода изображений (с параметрами «по умолчанию»)
Файл: "C:\AIDOS-X\AID_DATA\lnp_data\2\KpyriHbi£i калибр-ООб^рд" оригинальное RGB-изображение и изображения в лучах Red, Green, Blue
RGB-изображение файла: "C:\AIDOS-X\AID_DATA\lnp_dataV2\KpynHbm калибр-006-jpg" и изображения в лучах Red, Green, Blue с первичными контурами и центром тяжести
Рисунок 9. Экранная форма поиска центра тяжести изображения
Внешний контур изображения: "Крупный калибр-ООб^рд"
Рисунок 10. Экранная форма с центром тяжести и внешним контуром http://ej .kubagro.ru/2016/04/pdf/01 .pdf
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 [15] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы «Эйдос».
4. Затем режим «Оконтуривание» геоконитивной подсистемы 4.8 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.dbf, в которой содержатся результаты оцифровки изображений. При этом выводится сообщение, приведенное на рисунке 11:
4,8. Геокопнлтлвная подсистема "Эйдос"
Преобразование изображений в Файл исконных данный: "1пр_с1а(а.с]ЬГ завершено успешно!
В процессе работы были обнаружены некорректные изображения. Информация о ник в Файле: С:*Лс1ог-Х\Еггог1гпаде.М Для создания модели надо выполнить режимы 2.3.2.2 и 3.5 с параметрами по умолчанию
Рисунок 11. Сообщение о завершении режима: «Оконтуривание» геоконитивной подсистемы 4.8 [14]
Если открыть файл ошибок преобразования: ErrorImage.txt, то увидим текст:
Файлы изображений, для которых не удалось найти центры тяжести:
1 C:\AIDOS-X\AID_DATA\Inp_data\2\6_5 Grendel.jpg
2 C:\AIDOS-X\AID_DATA\Inp_data\2\9x18 ПП93.jpg
Изображения этих боеприпасов приведены на рисунке 10:
6_5 Grendel.j pg
Рисунок 10. Отбракованные изображения боеприпасов (режим: «Оконтуривание» геоконитивной подсистемы 4.8 [14]
После исправления этих изображений можно повторить ввод информации.
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 11.
9x18 ПП93.jpg
ff) 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 иЭйдос-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 Х1_Б или Х1_БХ-Файла с исходными данными приведенного ниже стандарта.
- Файл исходных данный должен иметь имя: INP_DATA.XLS или 1МР_0АТА.Х1_5Х и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INР'_Р АЗ P.XLS или INP.RASP.XLSX. Файлы INP_DATA.XLS (INP_DATA.XI.SX] и INP_RASP.XLS или ШР.НАЭР. Х1_5Х) должны находиться в папке /'А! 00Б-Х/А!0_[|ДТА/1 пр_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 колонка;-;, 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 и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 364 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 котя 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 М-й являются классификационными шкалами (выходными параметрами) и содержал-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), характеризующим объекты обучающей выборки.
- В результате работы режима Формируется файл INP_NAME.TXT стандарта М5 РОЭ (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 МР_С'АТА 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 ШР_ПА6Р 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 1МР_ЯА5Р были пустыми, Структура Файла INР_ЯАЭР должна быть такая же, как 1МР_0АТА, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могцг иметь разное количество отрок.
Принцип организации таблицы исходных данных:
Наименование объема обучающей выборки Наименование 1-м классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкапы Наименование г-й описательной шкалы
-й объект обучающей зыборки Значение показателя Значение показателя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показателя Значение показатели Значение показателя Значение показателя
... ... ...
fljj^J Cancel
з
Рисунок 11. 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)
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».
2 Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.
Главная экранная форма режима 2.3.2.2 приведена на рисунке 12, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию:
: I 1-^1
2.3.2.2. Универсальный программный интерфейс импорта данных в систему ЭЙДОС-Х- +
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходных данных: "lnp_tjata' Г - v " Г •'-'Ivf/t! Г •. И". Excel-20G7(2G10)
DBF -DBASE IV [DEiF/NTX) Стандарт DBF-Файла
CSV -iComiina-Sepafafed Values Стандарт CSV-файла
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
<• Н ули и пробелы считать 0 Т СУ Т СТ В И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!гр_ Требования к Файлу исходных данных
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный сголбец описательных шкал:
123
Задайте режим1
f* Формализации предметной области (на основе "Inp da'a" Г Генерации распознаваемой выборки (ha основе "lnp_rasp"j
Задайте способ выбеоа размера интервалов:
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-пояей:
Сценарный метод АСК-анализа:
Записи Файла исходных данных 'lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга
Спец.интерпретация ТХТ-полей
Значения текстовых полей Файла исходных данных
"! no data" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
» Только интервальные числовые значения (например
Г' Топько наименования интервальных числовых значений (например
V И интервальные числовые значения, и их наименования (например
"1 Ш5Э873.0000С0(]. 178545.6868667}"] "Минимальное")
"Минимальное: 1/3-!53873.П|]00П00.178545.GGGGGG7}"
Пк
Cancel
Рисунок 12. 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.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего каль-
кулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 13):
2.3,2,2, Задание размерности модели системы "ЭЙДОС-Х++
в ММ
ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационных и описательных шкал: [146 х 2420]
Тип шкалы Количество классификационных шкал Количество градаций классификационных Среднее количество градаций на класс.шкалу Количество описательных шкал Количество градаций описательных шкал Среднее количество градаций на опис.шкалу
Числовые 0 0 0,00 121 2420 20,00
Текстовые 1 146 146,00 0 0 0,00
ВСЕГО: 1 146 146,00 121 2420 20,00
Задайте число интервалов (градаций) в шкале:
:! описательных шкалах:
Г
Пересчитать шкалы и градации
Выйти на создание модели
Рисунок 13. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
В это форме задано 20 интервальных значений (градаций) в описательных шкалах, а татем пересчитаны шкалы и градации. После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос».
При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологиче-ская база данных) (рисунок 14). Этот процесс завершается за 25 секунд.
(¿1 2.3.2.2. Процесс импорта данных из внешней БД "1пр_е1а1а" в систему тЭЙДОС-Х++"
\Ш1
Стадии исполнения пооцесса
1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с1а1а" - Готово 2/3: Генерация обучающей выборки и базы событий "Еуеп(5К0" на основе БД "1пр_с1а(а" - Готово 3/3: Переиндексация всех баз данных нового приложения - Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Поогноз времени исполнения
Начало: 22:05:50 Окончание: 22:ОБ: 1Б
т%
0к
Прошло: 0:00:25
□ сталось: 0:00:00
Рисунок 14. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»
Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.
Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.
5.2.2. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)
Далее автоматически запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 15):
3,5, Выбор моделей для синтеза и верификации
| ¿Л |
-Задайте стат. модели и модели знаний для синтеза и верификации-Статистические базы:
lí? |1. ABS ■ частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки ф 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов j-го класса 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:
15" 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
р" 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
15" G. INF3 - частный критерий; Хи-квадрат.. разности между Фактическими и ожидаемыми абс.частотами
р" 7. INF4 - частный критерий: ROI (Return.On Investment); вероятности из PRC1
15" S. INF5 - частный Критерий: ROI (Return On Investment); вероятности из PRC2
Р 9. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1
s? 11J.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Параметры копирования обучающей выборки в распознаваемую:
—Какие объекты обуч.выборки копировать: Пояснение по алгоритму верификации \ -
(• Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайный объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку
Удалять из обуч. выборки скопированные объекты: (* Не удалять С Удалять
Подробнее |-
Измеряется внутренняя достоверн. модели
Ok
Cancel
Задайте текущую модель
Г ABS Г PRC1 Г PRC2
{• INF1 Г INF2 Г INF3 Г INF4 Г INF5 Г INF6 Г INF7
Для каждой заданной модели выполнить: í* Синтез и верификацию С Только верификацию
Рисунок 15. 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 16 и 17) [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 16. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям3
' Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу
(*) 3.5. Синтез и верификация заданных из 10 моделей
® Ш£Ш
Копирование обучающей выборки в распознаваемую - Готово Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Синтез моделей знаний: INFI-INF7 - Готово
Стадии исполнения процесса Шаг 1-й из 11 Шаг 2-й из 11 Шаг 3-й из 11 Шаг А-й из 11
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...
Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Готово Шаг Б-й из 11: Пакетное распознавание в модели "INF7" - Готово
Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - Интегральный критерий: "Сумма знаний" - Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...
Шаг 8-й из 11: объединение БД DostRsp# в БД DostRasp - Готово
Шаг Э-й из 11: Печать сводной формы по результатам верификации моделей - Готово
Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг 11-й из 11: "Присвоение заданной модели: Infi статуса текущей" - Готово
Синтез и верификация заданных стат.моделей и моделей знаний упешно завершена !!!
Прогноз времени исполнения
Начало: 22:07:34
Окончание: 0:52:25
mz
0k
Прошло: 2:44:51
□ сталось: 0:00:00
Рисунок 17. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей
Из рисунка 17 видно, что процесс синтеза и верификации 10 моделей на выборке из 230 боеприпасов занял 2 часа 44 минуты 51 секунду. 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 18 и 19).
4.1,3.6. Обобщ.формз по достов.моделей при разн.инт.крит.. Текущая модель: "LNF1" _
I-.езьаЦ'
модели и частного критерий
Интегральный критерий
Вероятность Вероятность Средняя Дата Время
правильной правильной вероятно... получения получения
идентифка... не шентиф... правильн... результата результ.. результата
100.000 51.826 75.913 17.04.2016 22:32:04
1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 43.270 71.635 17.04,2016 22:32:05
2. PRC1 ■ частный критерий-.усл. вероятность i-го признака сред.. Корреляция усл.стн.частот с'¿а... 100.000 51,526 75.913 17.04.2016 22:47:25
2. PRP - частный критерий:, усл. вероятность, i-ro признака сред.. Сумма усл.стн.частот по приз... 100.000 43.270 71.635 17.04.2016 22:47:25
■Ш PRC2 - частный критерий: условная вероятность ¡-то признака.. Корреляция усл. стн. частот со... 100.000 51,826 75.913 17.04.2016 23:02:22
■ Ш PRC2 - частный критерий: условная вероятность ¡то признака... Сумма усл.стн.частот по приз... 100.000 43.270 71.635 17.04,2016 23:02:22
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... юа. ООО 53.036 76.518 17,04.2016 23:17:19
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в. . Сумма знаний 100.000 43.270 71.635 17.04.2016 23:17:20
5. INF2 - частный критерий: количество знаний по А.Харкевичу: в.. Семантический резонанс зна... 100.000 53.036 76.518 17.04.2016 23:33:00
5. INF2 - частный критерий: количество знаний по А.Харкевичу: в... Сумма знаний 100.000 43.270 71.635 17.04,2016 23:33:00
Ç. INF3 - частный критерий: Хи-квацраг, разности между Фактич... Семантический резонанс зна.. 100.ООО 64.571 82.286 17.04,2016 23:48:49
Б. INF3 - частный критерий: Хи-квацрат, разности между Фактич .. Сумма знаний 100.000 64.571 82.286 17.04.2016 23:48:49
7. INF4 - частный критерий: RCI (Return Gn Investment); вероятно.. Семантический резонанс зна... 100.000 57.763 78.882 18.04.2016 00:04:06
7. INF4 - частный критерий: RQI (Return Gn Investment); вероятно... Сумма знаний 100.000 43.270 71.635 18.04,2016 00:04:06
' El. INF5 - частный критерий: RDI (Return Gn investment); вероятно.. Семантический резонанс зна... 100.000 57.763 78.882 18.04.2016 00:20:00
■ :!: INF5 - частный критерий: RGI (Return On Investment); вероятно.. Сумма знаний 100.000 43.270 71.635 18.04.2016 00:20:00
3. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 100.000 52,174 76.087 18.04.2016 00:37:00
: INFG - частный критерий: разн.уол.и безусл.вероятностей: вер.. Сумма знаний 100.000 43.270 71.635 18.04,2016 00:37:00
1П IMF7 - ч^птный критерий::.разн;усл.Ч ЁгезусгЛ.. вероятностей:.- ёе... } Семантический резонанс знач. 100.000 52.174 76.087 18.04.2016 00:52:23
10.INF7 - частный критерий: разн.усл.и'б&зусл. вероятностей; ве... Сумма знаний 100.000 43.270 71.635 18.04.2016 00:52:23
Помощь
Рисунок 18. Оценка достоверности моделей, созданных на 1-й итерации, с помощью непараметрической метрики, сходной с Б-критерием
Помощь по решму: 41.1&: Виды протшзов и принцип опрделения доповености моделей е системе Эйдос-Х+ +
Режим: помощь го режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе "эйдос-х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100Ж 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 « 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.
ОТРИЦАТЕЛЬНЬЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным Г-критерием и сходные оценки качества моделей.
Рисунок 19. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием
Из рисунка 18 мы видим, что наиболее достоверная модель, основанная на критерии X2 [7], дает среднюю достоверность определения типа и модели оружия по боеприпасу около 82%, причем достоверность правильного отнесения боеприпаса к типу и модели оружия, к которым он относится, составляет 100%, а правильного не отнесения к типу и модели оружия, к которым он не относится - около 64%.
5.2.3. Задание наиболее достоверной модели в качестве текущей
В соответствии со схемой, приведенной на рисунке 16, и информацией по достоверности моделей, приведенной на рисунке 18, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель Г№Р3 в качестве текущей (рисунок 20) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 21):
Рисунок 20. Экранная форма, позволяющая задать любую модель
в качестве текущей
4.1.2. Пакетное распознавание, Текущая модель: . ъ ^ I И 1 !—'I 1 I
Стадии исполнения процесса
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "№3" 1/11: Распознавание (идентификация) 230-го объекта обучающей выборки из 230 - Готово 2/11: Исследование распределений уровней сходства верно и ошиб идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит ■ Готово 4/11: Создание подробной наглядной формы: "Объект-классы". Ин г крит.-корреляция- Готово 5/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит-сумма инф - Готово 6/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит-корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма инф. - Готово В/11: Создание подробной наглядной формы:"Класс-объекты". Инт.крит.-коррепяция - Готово 9/11: Создание подробной наглядной формы:'"Класс-объекты". Инт.крит.-сумма инф - Готово 10/11: Создание итоговой наглядной формьг "Класснзбъекты". Инт.крит.-корреляция - Готово 11/11: Создание итоговой наглядной формы "Класснзбъекты". Инт.крит.-сумма инф - Готово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !
-Прогноз времени исполнеыч
Начало: 01:02:11 Окончание: 1:19:60
т%
Прошло: 0:17:52
Рисунок 21. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных боеприпасов с обобщенными образами боеприпасов по типам оружия
Из данной экранной формы видно, что идентификация 230 боепри-паса с обобщенными образами 146 классов (4-х типов и 142 моделей оружия) выполнена за 17 минут 52 секунды, т.е. 7.3 секунды на боеприпас.
5.2.4. Количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей оружия (системная идентификация)
Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:
- поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые боеприпасы» изображения классифицируемых боеприпасов 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»;
Ок
□ сталось: 0:00:-4
- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 12), но с опцией: «Генерация распознаваемой выборки (на основе файла 1пр_гавр)» (рисунок 22);
- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».
2.1.2.2. Универсальный программный интерфейс импорта данным в систему "ЭЙДОС-Х- +
III
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходных данных: "lnp_data": Г-^LS - MS Excel-2003 Г XI_SX';MS Excel-20G7(2010) (f DBF -DBASE IV (DEiF/NTX) Стандарт DBF-Файле
C~ CSV -;Comma-Separated Values Стаццарг CSV-файла
<• H ули и пробелы считать 0 Т СУ Т СТ Й И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!rp_ davi.dfcf1'^ Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал:
Конечный сголбец описательных шкал:
Задайте режим1
С Формализации предметной области (на основе "Inpda'a") Генерации распознаваемой выборки (га основе "lnp_ rasp^j.
Задайте способ выбора размера интервалов:
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:
Сценарный метод АСК-анализа:
Записи Файла исходных данных lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга
Спец.ингерпретация ТХТ-полей
Значения текстовых полей Файла исходных данных
"I no data" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
» Только интервальные числовые значения (например
С Топько наименования интервальных числовых значений (например
С И интервальные числовые значения, и их наименования (например
"1 Ш5Э873.0800001]. 178545. G86G667}"] "Минимальное")
"Минимальное: 1/3-!5S873.0lI00000. 178545.6GGG6G7}"
Пк
Cancel
Рисунок 22. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опцией ввода распознаваемой выборки
Режимы 2.3.2.2 и 4.1.2 запускаются с нужными параметрами автоматически после оконтуривания с опцией генерации распознаваемой выборки.
В результате в режиме 4.1.3.1 получим следующую выходную форму с результатами классификации конкретного боеприпаса (рисунок 23):
^ 4.1.3.1. Визуализация результатов распознавания в отношении: "Объект-!
классы", Текущая модель: "1NF3"
Распознаваемые объекты
\2\0.36.jpg
\2\10mm Auto.jpg
42412.7x108 jpg
\2Ч 2.7x81 S R Breda.jpg
\2 VI 2.7x99 Browning.jpg
\2\14.5x114.jpg
Ч2Ч222 Remington.jpg
\2\223 Rem_composite.jpg
.Т imba.jpg
\2\224 Winchester E2.jpg
Л2Ц5 NAA.jpg
ч<2\25 Wiritiiestër.jpg
\2\30 Ml.ipç
EOT Winchester Magnum.jpçr
\2\Э0Э"Ык VII ¡рр
\2\30_06.US.jpg
42V32 NAA.jpg
&2У398 LapuaM agnum.jpg
^2\35? SI.G.jpg
\2\38 Super.ipg
КШ SW.jpg \2\406!Chey_ttaO:fog
ВЩб Barett.jpg
\2\41AE.jps
W5 ACP.jpg
Л2УЙ GAP.pg
\2\45 V/inbtiestfer M agnum. jpg
\2\4G0;St%irjpg
ШИШ6
\2\4_85x49 Enfleld.jpg
ад.45к10МПЦ.ю
\2\5.7x28 FN SS:i92jpg ЩШ AE.jpg
Л2\5_45к39_7 HG.jpg
^.2\5_56x45 NATO, ¡pa
\2ffi 6x42 DAP ¡pg Ï
Интегральный критерий сходства:. "Семантический резонанс знаний"
Код H аименсрание класса CxpncTBO СнОДСТБО [.дата-
8 CLAS S -2^3'R em_comp.osife 97.40... 1.8.04.2016
7 CLASS-222 Remington 63,20.. 18.04.2016
ТО ÈWÉS-224 Winchester-E 2 IBCI.iS 18М-2016-
Ш CLASS-5_5fe45'NAT0 59,76.. 18.04.2016
139 CLASS-MS Winchester 49,88.. 18.Ц4.2016
Щ CLASS-»Super 47,82.. 18.04.2016
148 CLASS-Пистолет- 4S',2'i.. 18.04.-2О16
140 CLASS-3x25 Mauser 48,22.. 18.04.2016
136 CLAS S-9x21 Щ 46,20.. 18.04.2016
23 CLASS-4_85x43 Enfield 45,33.. 18.04.2016
гг CLASS-4_6x36HK 40,34.. 18.04.2016
137 ш&ямшш 38,13.. 13.04.2016
134 CLASS.j9.x19Luger 35,43.. 18.04.2016
36 CLA3:S:-5LBK42 BAP 31,11... 18.04:2016
100 CLASS-3 Winchester Magnum ■28,50.. 18.04.201S
135 CLASèfSiSQSR; В rnWiiihg :25,W 1аЬД,201-6
п ¿ЧЧ-Ч-.91 SP11 qq 1 &МШ1 к.
< . M à
Интегральный критерий сходства: "Сумма знаний"
■ten Наименование класса | С:-одет ею | Сходствп Дата —
146 CLAS S-Пистолет 45,91... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII 18.04.201®
8 CLASS -223'F! em_composite 3,297... V 18.04.2016
7 CLAS S-2ZZB emington W0v- 18.84.201Б
35 CLAS S-5_56x45 NAT 0 2,048... 18.84 2016
10 CLASS-224 Winchester E.2 2.011... 18.04.gms.
Ш CLAS S-4_85x49 Enfield 1.6Û7... 18.84.2016
133 CLAS S':Sx23 Winchester 1,534... 18.04.201Б
Щ CLASS-38 Super 1,497... 18.84,2016
Щ CLASS-4_6x36HK Т.437... 18.04.Щ6.
136 CLAS S-9x21 IMI 1,423... 18.04.2016
140 CLASS-3x25 Mauser ШЙ.. 18.04:2016
137 CLASj-Sa fti^DAP ' 18.04,201$
36 CLAS №8x42 SÏK Щ ЩЩШ
134 CLASS-9x19 Luger 1,056... 18.04.2016
100 CLASWinchester Magnum Й-ЭЕЙ- 18.04:2016
14 CLASS-SO M1 0,872... 18.84.20Ш
1зв ri F!.-;i..n-,i(-,-i_ 0 794 1Я 043И6,
* ! >
9 классов Классы с MaxMin УрСх 9 классов с MaxMin УрСх ВСЕ классы ВКЛ. Фильтр по класс.шкале ВЫ К Л. Фильтр по класс, шкале Граф.диаграмма
Рисунок 23. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов
Из экранной формы на рисунке 23 видно, что система верно определила и тип, и модель оружия по изображению конкретного боеприпаса, а из экранной формы на рисунке 18 - что так обычно происходит и с другими боеприпасами, т.е. задач, 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 24:
4.1.3.1. Подробно наглядно: Объект - классы
4.1.3.2. Подробно наглядно: Класс- объекты
4.1.3.3. Итоги кагпядно: Объект - класс™
4.1.3.4. Итоги нагплдно: "Класс-объект' 4.1.3.Е-. Подробно сжато: Объекты - классы
4.1.3.6. Обобщ.форма по достое.моделей прм ра:ных интегральных крнт.
4.1.3.7. Сбобщ.стат.амапм? регуль^атоЕ ндент. го моделям и мнт.крит. 4.1.3.3. Стат.аналиг результ. ндент. по классам, моделям и пнт.крит 4.1.З.&. Распределения уроЕн.сходстЕЭ при ра:иыл моделях и инт.крнт. 4.1.3.1С.ДостоЕерность ндент. классоЕ при равных моделях и инт.крнт.
Рисунок 24. Наименования выходных форм системы «Эйдос» с результатами распознавания
Одну из них (4.1.3.1), наиболее подробную, мы привели в рисунке 26. Ниже на рисунке 25 приведем обобщающую форму (режим 4.1.3.3), в которой для каждого боеприпаса показан лишь один класс, с которым у данного боеприпаса наивысший уровень сходства по заданному интегральному критерию [7] (вверху слева):
ч 'Э I й- |
4.1.3.3. Итоговая наглядная форма результатов распознавания: "Объек1-класс". Текущая модель ^МГЗ"
I Семантический резонанс Знаний
2 Сумм^.'знаНиЙ-
Пояснения по смыслу частные и интегральных критериев
Частн.крит. 7 моцелей знаний ] Мнт.крит.: ЬЧмиа тэннн |
И нт.крит.: ' 'Рез'онан^ ^знаний''
Км объекта раслозн, выборки: Наименование объекта распознаваемой выборки. щ класса E-liftK уренод. Наименование класса с-ШХ уровнем сходства уровень сходства IS t.f^i'Iri eifiiw Наименование класса c-JvllN уровнемсхадства -
1 99 323 146 CLASS-Листолет
С: we B.S+MID_DAT Mlnp_dalaS241 OmnrAitts jpg г CLASS-lfrnmAuto. 97 352 35 CLASS-^56x4.5 NATO
■э С: VAID OS -X\AID_DATA\I np_ dolo\2M 2.7*1 OS. ipg 3 CiASS-li,7ji108 99 900 M CLASS-7_62x33 ТКБ517
4 Г"1ПТТ " Ж1Г_ЮТ ti >ЛШ1ЯИШ Breda.ipg 4 ClifeS-li-SieiSfl BTeda 99 928 в CLASS'-'t62x33T№517
5 ^ШШШШШШ^Ш'Щ Bromning.ipg 5 CLAS5-127x33 Brcmiirig 99 066 31 ¡ШВЩЩЙШ^
Щ DWM.S-X™_DATA\lnp_data\2\W.5x114.ipg В,- CLASS-14.5x114 I loo.oool 5» CLASS-7Х02Й?Т|;Е517
7 C:D OS >MID JDATA4np_data\2\222 Remington.ipg Ъ GLA3&-222 Remington 97. 437 101 CLASS:8.3xG4
8 C: VU D OS -X V.ID_DA'TA4 np_datai5S23:Sem_ccmposite. ¡pg 8 CLASff-223 Rem_cc!mposite 97. 404 101 CLASS-9/Зед
9 С: Й] В ОЗгШЁJ)ATA4np_data\»223 .TiMja ipg 8 CtASS-223 Timba 99. 215 Йе CLASS-Листолет
10' С: Щ OS-WAID JWF Ml np_dals\2SS4 fflfflfffiE 2'pa 10 CLA£SJ£24 Winchester £2 97. 473 101 CLASS'-8.3xG4
11 C: 1AID OS -XWID J)ATAy np_data!,2\25 NAA:ipg 11 GLASS-25MAA 99. 402 :31. CLASS-7_62x39 TKE517
12 C:lAID0S-XV4DJ>AtA4np_da.taiSfe^nche3ter.ipg "12 CLAiSjajWrnAesier 97. ,565 101 ОА55;Й££4}
g C: ^¡B~DS^iBlpAJA\lnp_dala\2\276 .Redistsen. ipg ш GlASSifB'Ped.Qjen 98. 962 si
14 I lilllH' mil IWIIWDHPiWHHIlM ipt? 14 CLASS;30M1 92.087 141
Ш. C: V.IDDS-XV.ID_DATA4np_dala\2\300 Winchester Magnum.ipg ... if CtASS-ЗШ Winchester. Magnum . 99.046 Si CLASS-7_G2x33 ТКБ517
...г-Ш [ i Г-тг.w ..г. .^-.jr.i.'^iiu'.'i.l 111..... '17. » MB г-MJ 1 '' fjv 'l.i '- СР1ПЛР. -
П: ■. ■1 I В Начало БД В.'конецБД Следующая
Рисунок 25. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов
Из форм на рисунках 24 и 25 видно, что если бы мы не знали к какому типу и модели оружия относится боеприпас, то система «Эйдос» на основе созданной системно-когнитивной модели позволила бы по его изображению это определить быстро и с высокой точностью.
5.2.5. Количественное определение сходства-различия обобщенных образов боеприпасов различных типов и моделей оружия (кластерно-конструктивный анализ)
На рисунках 26 и 27 приведены табличная и графическая выходные формы, количественно отражающие степень сходства обобщенных образов боеприпасов различных типов и моделей оружия друг с другом:
^ 4.2,2.2. Результаты ютастерно-конструктивного
анализа классов
■• I -В \шш£3т['
Конструкт класса: 146 "СЦ^З-Пистолет" в модели: 6 "INF3"
1 ш Наименование класса
125 CLASSAIS ППС
126 CLASSAI 8 P64
Ш CLAS£-5K18P83
128 CLAS5-Bi18PM63FIAK
m CLASSAIS PM 84
130 CLASS3$18f>opr12
131 CLAS£-5K18TOPT14
132 ССА55-Вя1'8Форг17
m ■CtAS£.-gni37H31
134 CLASS-BxISLuger
135 ÏÈUSÏ-SÎ2EKR'Bro™ning
136 CLASS.B^I IMI
13? i'CLi.S.£.-gj:23: SP10 AP
138 CLASS3K21 SR11
13Э CLASê-ЭЙЗ Winchester
140 CLASS-9x25 Mauser
141 CLA5S-9K33 СП 5
142 CLASS-ЭЙЗСПв
143 CLASS-Автомат
144 CLASS-Винтовка
145 :CLAS.S-Крупный калибр
146 GLASS-riHcTDfléT
iP
Помощь Abs Ргс1 Ргс2 Inf1 ln(2 Inf3 Inf4 Inf5
£ КШ класса Наименование класса Сходство
1 140 CLASS-9x25.Mauser 100.00!)
2 146 CLASS-rincTO/ieT 100.000
3 Щ CLASS-38 Super Й2.55Е
4 133 CLAS S-9>£3 Winchester. 52.514
5 136 CLASS-9x21 IMI 47.123
6 135 CLASS>9k20SR Browning 40.045
7 134 CLASS-9n13Luger 33,144
8 138 CLASS-9n2i SP11 38.543
133 15 CLASS'30_06 US. -26.391
140 57 CLASS-7.65x53 Argentinean Mauser -27.203
141 141 CLifes-'3*39 015 -27.035
142 43 CLASS-6_5 Grendel -31.173
143 144 CLASS -B HHTOBKa -35.413
144 101 CLASS-9,3K64- -35,413
145 143 CLASS -AETOMST -37.031
146 142 CLASSES end -37.031
I nib I nf7 График El К..П. Фильтр по кл.шкале E! Ы КЛ. Фильтр по кл.шкале j В писать в окно! П оказать В СЕ
Рисунок 26. Степень сходства друг с другом обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия
Рисунок 27. Степень сходства друг с другом обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия
Это сравнение осуществляется в режиме 4.2.2.1. «Расчет матриц сходства, кластеров и конструктов классов». Результатами данного режима являются сами матрицы сходства (таблица 2), а также наглядное изображение их подматриц в форме когнитивных диаграмм (семантических сетей).
Таблица 2 - Файл: c:\Aidos-X\AID_DATA\A0000002\System\SxodClsInf3.DBF
с результатами сравнения классов друг с другом (фрагмент)4
Q liitsrffciieviewl - ICjUi.rlcic XWn rWAWnmMn^SyapmWvndniTnn.niRF] 1 ■=, S | S3 -|
KOD_CLS KOD CLSC NAME CLS N1 N2 N3 N4 N5 NG N7
1 CLASS-0.36 100 -2,4807748 15,4255185 15,5342028 15,2932123 13,712225 -8,1844916
2 1 CLASS-1 Omm Auto -2,4807748 100 0,855949 1,0079704 0,6708434 -1,9093503 ■26,3484401
3 1 CLASS-12.7x108 15,4255185 0,855949 100 23,8863138 43,4385299 15,2455606 -4,4703014
4 1 CLASS-12.7x816R Breda 15,5342028 1,0079704 23,8863138 100 28,5355406 16,0763905 -4,301178
5 1 CLASS-12.7x99 Browning 15,2932123 0,6708434 43,4385299 28,5355406 100 23,1339371 -4,6762411
Б 1 CLASS-14.5x114 13,712225 -1,9093503 15,2455606 16,0763905 23,1339371 100 -7,3695048
7 1 CLASS-222 Remington -8,1844816 -26,3484401 -4,4703014 -4,301179 -4,6762411 -7,3695048 100
8 1 CLASS-223 Rem_composite -7,4517734 -24,2400331 -3,7868506 -3,6199604 -3,9900708 -6,6681897 62,6921885
Э 1 CLASS-223 Timba 53,7520851 -0,5666288 14,9692188 15,0791854 14,8353502 12,5000503 -8,9434897
10 1 CLASS-224 Winchester E2 -8,840414 -30,5868014 -5,0819269 -4,9107974 -5,2903118 -7,9972877 56,162222
11 1 CLASS-25 NAA 68,5061171 -1,9865381 15,7501032 15,8578782 15,6189048 14,7843577 -7,6452248
12 1 CLASS-25 Winchester -10,1984928 33,9357407 -6,3477116 -6,1724001 -6,5611914 -9,2970193 -5,8926064
13 1 CLASS-276 Pedersen 11,3793878 -4,8265492 13,8569387 13,9700509 13,7192376 11,3674708 -10,798051
14 1 CLASS-30 Ml 6,3197075 -4,5571434 9,1013965 9,2282794 8,9469177 6,5193473 26,9053488
15 1 CLASS-30 06 US 6,4047898 19,7107305 9,1812841 9,3079313 9,0270924 6,6008667 -13,7005102
16 1 CLASS-300 Winchester Magnum 11,7813137 -0,768084 14,2351672 14,3472066 14,0987733 11,7526596 -10,1667058
17 1 CLASS-303 Mk.VII 7,382518 27,7665818 10,6630603 10,7853631 10,5141617 8,1124562 ■16,1585638
18 1 CLASS-32 NAA 68,3301878 -2,4425051 15,451161 15,5597734 15,3189424 12,9906305 -8,1418698
1Э 1 CLASS-338 Lapua Magnum 12,7150212 -2,9457693 15,1140845 15,2236435 14,9807126 12,6475226 -8,7024095
20 1 CLASS-357 SIG -8,0166193 44,1855509 -4,3137368 -4,1451267 -4,5190524 -7,2088298 ■15,0162058
21 1 CLASS-38 Super -14,2427073 -15,9155069 -10,1125049 -9,924531 -10,3414107 -13,1668069 42,2375799
22 1 CLASS-4 6x36 HK 0,4514353 -17,4162126 3,5995344 3,7430116 3,4248382 0,8884437 36,6822651
23 1 CLASS-4 85x49 Enfield -4,7089074 -16,2479124 -1,226383 -1,0677566 -1,4195355 -4,0425795 56,0323396
24 1 CLASS-40 SW -3,2681487 66,7384392 0,1198547 0,2741991 ■0,068081 -2,6632228 ■22,0152063
25 1 CLASS-406 ChejiJac 14,7103554 -0,1451812 16,9935453 18,468216 20,3019223 14,560025 -5,5842596
26 1 CLASS-416 Etarett 15,2802214 0,6526657 37,2960415 23,0791994 22,866244 15,1062803 -4,6964655
27 1 CLASS-41AE -1,1838732 65,5128174 2,0689672 2,2171888 1,8884909 -0,6675445 -22,1743213
28 1 CLASS-45 ACP 8,6614271 15,7664858 11,3010085 11,4214567 11,1543695 8,7629559 ■11,2157644
23 1 CLASS-45 GAP 8,5804825 20,2040087 11,2248466 11,3456154 11,0780387 8,6854063 -13,2759443
30 1 CLASS-45 Winchester Magnum 11,2917971 -4,0721297 13,7745212 13,8878677 13,6365348 11,2835285 -6,2455929
31 1 CLASS-460 Steyr 15,1833788 0,5179822 42,6856714 24,3576812 22,781248 15,0140243 -3,949336
32 1 CLASS-5.45x10 Mnil 63,5688792 -1,7539721 15,9127964 16,0201166 15,7821522 15,6902321 -7,375125
33 1 CLASS-5.7x28 FN 5S182 58,8672333 4,783775 15,0830808 15,1827271 14,8486027 13,3667914 -8,7539956
< a
► M H Si. 1:14G
В таблице 2 приведен фрагмент матрицы сходства обобщенных образов боеприпасов различных типов и моделей стрелкового нарезного оружия. Полностью матрицы сходства здесь не приводятся из-за большой размерности.
Из рисунков 26 и 27 видно, что обобщенный образ класса «Пистолет» (код: 146) сходен с различными моделями пистолетов, причем в различной степени и образует центр кластера: «Пистолеты». А обобщенный образ класса «Автомат» (код: 143) сходен с различными моделями автоматов, причем тоже в различной степени и образует центр кластера: «Авто-
4 Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.
маты». Еще есть обобщенный образ класса типа оружия «Винтовка» (144), который стоит особняком и имеет слабое сходство с некоторыми моделями автоматов и тяготеет к кластеру: «Автоматы». Кластеры «Пистолеты» и «Автоматы» образуют противоположные по смыслу полюса ярко выраженного конструкта: «Пистолеты-Автоматы».
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.
5.2.6. 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 27), а также информационные портреты обобщенных образов различных типов боеприпасов (рисунки 28):
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Стиль: "Прозрачная сеть (невод). Наиболее значимые градации описательных шкал закрашены цветом, соответствующим значимости"
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Стиль: "Витраж," Показаны градации со значимостью не менее 0% от максимальной. Модель: 'ШЗ"
Рисунок 27. Система описательных шкал и градаций системно-когнитивной модели
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [146]-"С1-АЗЗ-Писталет" В МОДЕЛИ: "1пТЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пга"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [143]-"С1-А33-Авт0мат" В МОДЕЛИ: "1пГЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пТЗ"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [1443-"С1-АЗЗ-Винтовка" В МОДЕЛИ: "1пТЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пТЗ"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [145]-"С1-АЗЗ-Крупный калибр" В МОДЕЛИ: "1пТЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пга"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [25]-"С1-А35-406 С|1еу_1аси В МОДЕЛИ: "1пТЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1пга"
Рисунок 28. Информационные портреты обобщенных образов классов боеприпасов для различных типов и моделей стрелкового нарезного оружия) в системно-когнитивной модели
На рисунках 27 цветом показана ценность градаций описательных шкал для классификации конкретных боеприпасов по типам и моделям стрелкового нарезного оружия: красный цвет - максимальная ценность, фиолетовый - минимальная. На нижнем рисунке 27 указана ценность всех градаций всех описательных шкал, а на верхнем - для каждой шкалы оставлена только наиболее ценная градация.
На рисунках 28 цветом показана степень характерности и не характерности градаций шкал для различных боеприпасов различных типов и моделей оружия: красный цвет - максимальная характерность, фиолетовый - минимальная.
6. Выводы и результаты
В криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, обнаруженным на месте применения оружия. 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 боеприпасов 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 боеприпасов и создание математических моделей их контуров;
2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);
3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация);
4) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.
Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях.
7. Перспективы
Планируется решить методом АСК-анализа задачу классификации боеприпасов не только по типам стрелкового нарезного оружия, но и по его конкретным маркам.
8. Применение
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в криминалистике, но и в других областях, чему может способствовать и то, что система «Эйдос» разработана в универсальной постановке, не зависящей от предметной области, и размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по применению информационных технологий в криминалистике и по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта.
Литература
1. Криминалистика (учебник) / под ред. В.Д. Зеленского, Г.М. Меретукова. -СПб: «Юридический центр», 2015. - 704 с.
2. 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 государствен-
ного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2016. - №03(117). С. 838 - 872. - IDA [article ID]: 1171603055. -Режим доступа:Ьйр://е1.киЬааго.ш/2016/03/рё1:'/55.рё1:, 2,188 у.п.л.
3. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340
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=18271217
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. 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.
7. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.
8. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
9. Луценко Е.В. Системно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
10. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа: http://ej .kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
11. Луценко Е.В. 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 // Политематиче-
ский сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 8в2 - 910. - IDA [article ID]: 11215080в4. - Режим доступа: httpy/ej.kubagro.ru^Q^^/pdf^.pdf, 3,0в2 у.п.л.
12. 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, 201в. - №02(11в). С. 1205 - 1228. - IDA [article ID]: 11в1в02077. - Режим доступа: http://ej.kubagro.ru/201 в/02^/77^1 1,5 у.п.л.
13. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (обобщение, абстрагирование, классификация и идентификация) / Е. В. Луценко, Д. К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 131в -13в7. - IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.
14. Луценко Е.В. Система "Эйдос" как геокогнитивная система (ГКС) для восстановления неизвестных значений пространственно-распределенных функций на основе описательной информации картографических баз данных / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 201в. - №03(117). С. 1 - 51. - IDA [article ID]: 1171в03001. - Режим доступа: http://ej.kubagro.ru/201в/03/pdf/01.pdf, 3,0в2 у.п.л.
15. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http ://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya
Literatura
1. Kriminalistika (uchebnik) / pod red. V.D. Zelenskogo, G.M. Meretukova. - SPb: «Juridicheskij centr», 2015. - 704 s.
2. Lucenko E.V. Reshenie zadachi klassifikacii boepripasov po tipam strelkovogo nareznogo oruzhija metodom ASK-analiza / E.V. Lucenko, S.V. Shvec, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 201в. - №03(117). S. 838 - 872. - IDA [article ID]: 1171в03055. - Rezhim dostupa:http://ej.kubagro.ru/201 в/03/pdf/55.pdf, 2,188 u.p.l.
3. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatizirovannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJuI MVD RF, 199в. - 280s. http://elibrary.ru/item.asp?id=21745340
4. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - в00 s. ISBN 978-5-94в72-830-0.http://elibrarv.ш/item.asp?id=18271217
5. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - в00 s. ISBN 978-5-94в72-757-0.http://elibrarv.ш/item.asp?id=21358220
в. 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://ei.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.
7. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.
8. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
9. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie, 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 .kub agro.ru/2009/02/pdf/ 10.pdf, 1,188 u.p.l.
10. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa: http://ej .kubagro.ru/2015/07/pdf/19.pdf, 1,812 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. 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]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077. - Rezhim dostupa:http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.
13. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silujetov (konturov) (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №10(114). S. 1316 - 1367. - IDA
[article ID]: 1141510099. - Rezhim dostupa:http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.
14. Lucenko E.V. Sistema "Jejdos" kak geokognitivnaja sistema (GKS) dlja vosstanovlenija neizvestnyh znachenij prostranstvenno-raspredelennyh funkcij na osnove opisatel'noj informacii kartograficheskih baz dannyh / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 1 - 51. - IDA [article ID]: 1171603001. - Rezhim dostupa: http://ej.kubagro.ru/2016/03/pdf/01.pdf, 3,062 u.p.l.
15. 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
