CC BY
97
УДК 004.8
05.00.00 Технические науки
ПРИМЕНЕНИЕ ТЕОРИИ ИНФОРМАЦИИ И КОГНИТИВНЫХ ТЕХНОЛОГИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ГЕНЕТИКИ (на примере вычисления количества информации в генах о признаках и свойствах различных автохтонных сортов винограда)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БРШ-код: 9523-7101 [email protected]
Кубанский государственный аграрный университет имени И. Т. Трубилина, Краснодар, Россия
Трошин Леонид Петрович Заслуженный деятель науки Кубани, д. б. н., профессор РИНЦ БРШ-код: 3386-2768 [email protected]
Кубанский государственный аграрный университет имени И. Т. Трубилина, Краснодар, Россия
Общеизвестно, что генетика изучает механизмы изменчивости/наследственности и очень широко пользуется понятием «наследственная информация». При этом генетика под информацией подразумевает содержание генетического кода - структуры молекул ДНК и РНК, входящих в состав клетки живого организма. Генетика изучает механизмы записи, копирования, считывания генетической информации, возможности ее модификации, а также ее влияние на признаки и свойства организма. В разговорном и научном языке прочно закрепились фразы, типа «Гены содержат информацию о признаках/свойствах организма». Парадоксально, но мы не видим попыток определения количества информации, содержащейся в конкретных генах о конкретных фенотипи-ческих признаках или свойствах организма. Казалось бы, применение теории информации в генетике является совершенно естественным и напрашивается само собой. Тем более странно, что практически нет работ, посвященных применению теории информации для решения задач генетики. Данная статья призвана в какой-то степени восполнить этот пробел на примере вычисления количества информации в генах о признаках или свойствах различных сортов винограда. В ней рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос» для решения одной из важных задач генетики: определения количества информации, содержащейся в генах о различных фенотипических признаках/свойствах винограда. Для решения этой зада-
UDC 004.8 Technical sciences
APPLICATION OF THE INFORMATION THEORY AND COGNITIVE TECHNOLOGIES FOR SOLVING PROBLEMS OF GENETICS (on the example of calculation of the amount of information in the genes about characteristics and properties of the various indigenous grape varieties)
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
Troshin Leonid Petrovich Dr.Sci.Biol., professor RSCI SPIN-code: 3386-2768 [email protected]
Kuban State Agrarian University, Krasnodar, Russia
It is well known that genetics studies the mechanisms of variation/heredity and widely uses the concept of "genetic information". While genetics considers the information as the content of the genetic code - structure of DNA and RNA included in the cell of a living organism. Genetics examines the mechanisms of recording, copying, readout of genetic information, the possibility of its modification and its influence on the characteristics and properties of the organism. In conversational and scientific language we know phrases, such as " Genes contain information about the characteristics/properties of the body." Paradoxically, we see no attempts to determine the amount of information contained in specific genes on specific characteristics or phenotypic properties of the organism. It would seem that the application of information theory in genetics is a completely natural and suggests itself. More strange that there are practically no works devoted to the application of information theory for solving problems of genetics. This article is intended, to some extent, to fill this gap on the example of calculating the amount of information in the genes of the characteristics or properties of different grape varieties. It examines the application of automated system-cognitive analysis (ASC-analysis), its mathematical model -system of information theory and software tools -intellectual system called "Eidos" for solving one of the important tasks of genetics: determine the amount of information contained in the genes on various phenotypic characteristics/properties of the grapes. To solve this problem, we perform the fol-
чи выполняются следующие этапы: 1) когнитивно-целевая структуризация предметной области; 2) формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающей выборки; 3) синтез и верификация информационной модели, отражающей количество информации в генах о фенотипических признаках/свойствах (многопараметрическая типизация); 4) вывод информации о генетической системе детерминации фенотипических признаков/свойств (SWOT-анализ феносвойства); 5) вывод информации о силе и направлении влияния конкретного гена на феноти-пические признаки/свойства (SWOT-диаграммы генов); 6) решение задачи системной идентификации фенотипических признаков/свойств по наличию тех или иных генов; 7) количественное определение сходства-различия различных фенотипических признаков/свойств по их системе детерминации генами. Конкретное фенотипическое свойство (или признак) рассматривается как зашумленный генетический текст, включающий как генетическую информацию об истинном феносвойстве (чистый сигнал), так и шум, искажающий эту информацию, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение истинного сигнала
lowing steps: 1) cognitive-targeted structuring of the subject area; 2) the formalization of the subject area, i.e. development of classification and descriptive dials and graduations and training samples; 3) synthesis and verification of information model, reflecting the amount of information in the genes on the phenotypic characteristics/properties (multiparameter typing); 4) displaying the information about the genetic determination system of phenotypic characteristics/properties (SWOT analysis of Fennovoima); 5) displaying the information about the strength and direction of influence of a specific gene on phenotypic characteristics/properties (SWOT-diagrams of genes); 6) the solution to the problem of system identification phenotypic characteristics/properties by the presence of certain genes; 7) quantification of the similarities-differences of the various phenotypic characteristics/properties, upon determination system genes. A specific phenotypic property (or characteristic) is regarded as a noisy genetic text, including genetic information about the true gene property (clean signal) and the noise that distorts this information due to the random effects of the environment. The software tool of the ask-analysis which is "Eidos" intellectual system provides the noise suppression and the selection of true signal
Ключевые слова: МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ, ВИНОГРАД, ГЕНОМ, ГЕН, ДНК, РНК, ГЕНЕТИЧЕСКИЙ КОД, АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, СИСТЕМА «ЭЙДОС» Ро1: 10.21515/1990-4665-121-003
Keywords: PARAMETRIC TYPING, SYSTEM IDENTIFICATION, GRAPES, GENOME, GENE, DNA, RNA, GENETIC CODE, ASK ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" SYSTEM
СОДЕРЖАНИЕ
1. ФОРМУЛИРОВКА ПРОБЛЕМЫ...........................................................................................................................................................3
2. ИДЕЯ И ПРЕДПОСЫЛКИ РЕШЕНИЯ ПРОБЛЕМЫ.......................................................................................................................3
3. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КАК МЕТОД РЕШЕНИЯ ПРОБЛЕМЫ..............4
3.1. Кратко об АСК-анализе...................................................................................................................................................................4
3.2. Истоки АСК-анализа.......................................................................................................................................................................5
3.3. Методика АСК-анализа..................................................................................................................................................................5
3.4. Некоторые результаты применения АСК-анализа в различных предметных областях....................................................9
4. РЕШЕНИЕ ПРОБЛЕМЫ.......................................................................................................................................................................10
4.1. Когнитивно-целевая структуризация предметной области.................................................................................................10
4.2. Формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающей выборки............................................................................................................................................................................. 12
4.3. Синтез и верификация информационной модели, отражающей количество информации в генах о фенотипических свойствах (многопараметрическая типизация)............................................................................................18
4.4. Решение задачи системной идентификации фенотипических признаков и свойств по наличию тех или иных генов........................................................................................................................................................................................................ 23
4.5. Автоматизированный SWOT-анализ системы детерминации фенотипических признаков и свойств структурой генома..................................................................................................................................................................................................... 27
4.6. Автоматизированный SWOT-анализ силы и направления влияния конкретного гена на фенотипические свойства/признаки...............................................................................................................................................................................29
4.7. Количественное определение сходства-различия различных фенотипических свойств по их системе детерминации генами. Совместимые и несовместимые фенотипические свойства............................................................31
4.8. Количественное определение сходства-различия различных генов по их влиянию на фенотипических свойства. Возможность замены одних генов другими....................................................................................................................................35
4.9. Алгоритм принятия решения о структуре генома с целью создания нового сорта с заданной системой фенотипических свойств/признаков................................................................................................................................................36
4.10. Когнитивные функциональные зависимости между структурой генома и степенью выраженности фенотипических свойств/признаков................................................................................................................................................38
5. ВЫВОДЫ И ПЕРСПЕКТИВЫ..............................................................................................................................................................42
ЛИТЕРАТУРА.............................................................................................................................................................................................. 44
1. Формулировка проблемы
Общеизвестно, что генетика изучает механизмы наследственности и изменчивости и очень широко пользуется понятием «наследственная информация». При этом генетика под информацией подразумевает содержание генетического кода - структуры молекул ДНК и РНК, входящих в состав клетки живого организма. Генетика изучает механизмы записи, копирования, считывания генетической информации, возможности ее модификации, а также ее влияние на признаки и свойства организма. В разговорном и научном языке прочно закрепились фразы, типа «Гены содержат информацию о признаках и свойствах организма». Парадоксально, но мы не видим систематических попыток определения количества информации, содержащейся в конкретных генах о конкретных фенотипических признаках и свойствах организма. Казалось бы, применение теории информации в генетике является совершенно естественным и напрашивается само собой. Тем более странно, что практически нет работ, посвященных применению теории информации для решения задач генетики.
В качестве исключения приведем две цитаты из работ 1980 и 1974 годов, в которых совершенно четко осознается роль информации в генетике [46, 47] «Абсолютным критерием живого принято считать наличие определенного количества бит информации, заключенных в информационных молекулах» [46, 47]. «... быстрый рост количества информации дал новое качество - способность к самовоспроизведению (качество, присущее только нуклеиновым кислотам, обладающим несравненной со всеми другими соединениями нашего мира информационной емкостью; качество давшее начало новой форме существования материи)» [46] (курсив наш. авт.). И все же конкретных расчетов количества информации в генах не приводится и в этих работах.
Данная статья призвана представить научной общественности один из возможных вариантов решения этой проблемы на примере вычисления количества информации в генах о признаках и свойствах различных сортов винограда.
2. Идея и предпосылки решения проблемы
По-видимому, сформулированная проблема обусловлена отсутствием доступа у исследователей-генетиков к программному инструментарию, реализующему теорию информации и обеспечивающему решение задач генетики с применением теории информации. Между тем, такой инструментарий существует и находится в полном открытом и бесплатном доступе: это - автоматизированный системно-когнитивный анализ (АСК-анализ) [1], его математическая модель - системная теория информации [2] и реализующий их программный инструментарий - интеллектуальная система «Эйдос» [3].
Этот инструментарий обеспечивает решение одной из важных задач генетики: определения количества информации, содержащейся в генах о различных фенотипических признаках и свойствах винограда. Впервые в четкой и развитой форме эта мысль высказана автором в статье [4].
Для решения этой задачи выполняются следующие этапы АСК-анализа [1]: 1) когнитивно-целевая структуризация предметной области; 2) формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающей выборки; 3) синтез и верификация информационной модели, отражающей количество информации в генах о фенотипических признаках и свойствах (многопараметрическая типизация); 4) вывод информации о генетической системе детерминации фенотипических признаков и свойств (8ШОТ-анализ феносвойства); 5) вывод информации о силе и направлении влияния конкретного гена на фено-типические признаки и свойства (8ШОТ-диаграммы генов); 6) решение задачи системной идентификации фенотипических признаков/свойств по наличию тех или иных генов; 7) количественное определение сходства-различия различных фенотипических признаков/свойств по их системе детерминации генами. Конкретное фенотипическое свойство (или признак) рассматривается как зашумленный генетический текст, включающий как генетическую информацию об истинном феносвойстве (чистый сигнал), так и шум, искажающий эту информацию, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение истинного сигнала.
Имеется большой опыт успешного применения АСК-анализа для решения широкого круга задач в различных предметных областях.
3. Автоматизированный системно-когнитивный анализ как метод решения проблемы
3.1. Кратко об АСК-анализе
Системный анализ представляет собой современный метод научного познания, общепризнанный метод решения проблем [5, 6]. Однако возможности практического применения системного анализа ограничиваются отсутствием программного инструментария, обеспечивающего его автоматизацию. Существуют разнородные программные системы, автоматизирующие отельные этапы или функции системного анализа в различных конкретных предметных областях.
Автоматизированный системно-когнитивный анализ (АСК-анализ) представляет собой системный анализ, структурированный по базовым когнитивным операциям (БКО), благодаря чему удалось разработать для него математическую модель, методику численных расчетов (структуры данных и алгоритмы их обработки), а также реализующую их программную систему - систему «Эйдос» [1-3, 7]. Систе-
ма «Эйдос» разработана в постановке, не зависящей от предметной области, и имеет ряд программных интерфейсов с внешними данными различных типов [3]. АСК-анализ может быть применен как инструмент, многократно усиливающий возможности естественного интеллекта во всех областях, где используется естественный интеллект. АСК-анализ был успешно применен для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемого объекта путем исследования его модели во многих предметных областях, в частности в экономике, технике, социологии, педагогике, психологии, медицине, экологии, ампелографии, геофизике, энтомологии, криминалистике и др. [8, 9].
3.2. Истоки АСК-анализа
Известно, что системный анализ является одним из общепризнанных в науке методов решения проблем и многими учеными рассматривается вообще как метод научного познания. Однако, как впервые заметил еще в 1984 году проф. И.П. Стабин, на практике применение системного анализа наталкивается на проблему [10]. Суть этой проблемы в том, что обычно системный анализ успешно применяется в сравнительно простых случаях, в которых в принципе можно обойтись и без него, тогда как в действительно сложных ситуациях, когда он действительно чрезвычайно востребован и у него нет альтернатив, сделать это удается гораздо реже. Проф. И.П. Стабин предложил и путь решения этой проблемы, который он видел в автоматизации системного анализа [10].
Однако путь от идеи до создания программной системы долог и сложен, т.к. включает ряд этапов:
- выбор теоретического математического метода;
- разработка методики численных расчетов, включающей структуры данных в оперативной памяти и внешних баз данных (даталогическую и инфологическую модели) и алгоритмы обработки этих данных;
- разработка программной системы, реализующей эти математические методы и методики численных расчетов.
3.3. Методика АСК-анализа
3.3.1. Предпосылки решения проблемы
Перегудов Ф.И. и Тарасенко Ф.П. в своих основополагающих работах 1989 и 1997 годов [5, 6] подробно рассмотрели математические методы, которые в принципе могли бы быть применены для автоматизации отдельных этапов системного анализа. Однако даже самые лучшие математические методы не могут быть применены на практике без реализующих их программных систем, а путь от математического метода к программной системе долог и сложен. Для этого необходимо разработать численные методы или методики численных расчетов (алгоритмы и структуры данных),
реализующие математический метод, а затем разработать программную реализацию системы, основанной на этом численном методе.
В числе первых попыток реальной автоматизации системного анализа следует отметить докторскую диссертацию проф. Симанкова В. С. (2001) [11]. Эта попытка была основана на высокой детализации этапов системного анализа и подборе уже существующих программных систем, автоматизирующих эти этапы. Идея была в том, что чем выше детализация системного анализа, чем мельче этапы, тем проще их автоматизировать. Эта попытка была реализована, однако, лишь для специального случая исследования в области возобновляемой энергетики, т.к. системы оказались различных разработчиков, созданные с помощью различного инструментария и не имеющие программных интерфейсов друг с другом, т.е. не образующие единой автоматизированной системы. Эта попытка, безусловно, явилась большим шагом по пути, предложенному проф. И.П. Стабиным, но и ее нельзя признать обеспечившей достижение поставленной цели, сформулированной Стабиным И.П. (т.е. создание автоматизированного системного анализа), т.к. она не привела к созданию единой универсальной программной системы, автоматизирующий системный анализ, которую можно было бы применять в различных предметных областях.
Необходимо отметить работы Дж. Клира по системологии и автоматизации решения системных задач, которые внесли большой вклад в автоматизацию системного анализа путем создания и применения универсального решателя системных задач (УРСЗ), реализованного в рамках оригинальной экспертной системы [12, 13]. Однако в экспертной системе применяется продукционная модель знаний, для получения которых от эксперта необходимо участие инженера по знаниям (когнитолога). Этим обусловлены следующие недостатки экспертных систем:
- они генерируют знания каждый раз, когда они необходимы для решения задач, и это может занимать значительно большее время, чем при использовании декларативной формы представления знаний;
- продукционные модели обычно построены на бинарной логике (if then else), что вызывает возможность логического конфликта продукций в процесс логического вывода, что приводит к необратимому останову логического процесса;
- эксперты - люди чаще всего заслуженные и их время и знания стоят очень дорого; поэтому привлечение экспертов для извлечения готовых знаний на длительное время проблематично и обычно эксперт просто физически не может сообщить очень большой объем знаний, а иногда и не хочет этого делать и сообщает неадекватные знания;
- чаще всего эксперты формулируют свои знания неформализуемым путем на основе своей интуиции, опыта и профессиональной компетенции, т.е. не могут сформулировать свои знания в количественной форме, а пользуются для их формализации порядковыми или даже номинальными
шкалами, поэтому экспертные знания являются не очень точными и для их формализации необходим инженер по знаниям (когнитолог).
3.3.2. АСК-анализ как решение проблемы
Автоматизированный системно-когнитивный анализ разработан профессором Е.В. Луценко и предложен в 2002 году [1], хотя разработан он был значительно раньше, причем с программным инструментарием: системой «Эйдос» [1, 3, 7]. Основная идея, позволившая сделать это, состоит в рассмотрении системного анализа как метода познания (отсюда и «когнитивный» от «cognitio» - знание, познание, лат.). Эта идея позволила структурировать системный анализ не по этапам, как пытались сделать ранее, а по базовым когнитивным операциям системного анализа (БКОСА), т.е. таким операциям, к комбинациям которых сводятся остальные. Эти операции образуют минимальную систему, достаточную для описания системного анализа, как метода познания, т.е. конфигуратор. Понятие конфигуратора предложено В.А. Лефевром [14]. В 2002 году Е.В. Луценко был предложен когнитивный конфигуратор [1], включающий 10 базовых когнитивных операций.
Когнитивный конфигуратор:
1) присвоение имен;
2) восприятие (описание конкретных объектов в форме онтологий, т.е. их признаками и принадлежностью к обобщающим категориям - классам);
3) обобщение (синтез, индукция);
4) абстрагирование;
5) оценка адекватности модели;
6) сравнение, идентификация и прогнозирование;
7) дедукция и абдукция;
8) классификация и генерация конструктов;
9) содержательное сравнение;
10) планирование и поддержка принятия управленческих решений.
Каждая из этих операций оказалась достаточно элементарна для
формализации и программной реализации.
Компоненты АСК-анализа:
- формализуемая когнитивная концепция и следующий из нее когнитивный конфигуратор;
- теоретические основы, методология, технология и методика АСК-анализа;
- математическая модель АСК-анализа, основанная на системном обобщении теории информации;
- методика численных расчетов, в универсальной форме реализующая математическую модель АСК-анализа, включающая иерархическую структуру данных и 24 детальных алгоритма 10 БКОСА;
- специальное инструментальное программное обеспечение, реализующее математическую модель и численный метод АСК-анализа - Универсальная когнитивная аналитическая система "Эйдос".
Этапы АСК-анализа:
1) когнитивно-целевая структуризация предметной области;
2) формализация предметной области (конструирование классификационных и описательных шкал и градаций и подготовка обучающей выборки);
3) синтез системы моделей предметной области (в настоящее время система «Эйдос» поддерживает 3 статистические модели и 7 системно-когнитивных моделей (моделей знаний);
4) верификация (оценка достоверности) системы моделей предметной области;
5) повышение качества системы моделей;
6) решение задач идентификации, прогнозирования и поддержки принятия решений;
7) исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает: кластерно-конструктивный анализ классов и факторов; содержательное сравнение классов и факторов; изучение системы детерминации состояний моделируемого объекта; нелокальные нейроны и интерпретируемые нейронные сети прямого счета; классические когнитивные модели (когнитивные карты); интегральные когнитивные модели (интегральные когнитивные карты), прямые обратные 8ШОТ-диаграммы; когнитивные функции и т.д.
Математические аспекты АСК-анализа
Математическая модель АСК-анализ основана на теории информации, точнее на системной теории информации (СТИ), предложенной Е.В. Луценко [1, 2, 3]1. Это значит, что в АСК-анализе все факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [8, 9].
Это напоминает подход Дугласа Хаббарда [15], но, в отличие от него, имеет открытый универсальный программный инструментарий (систему «Эйдос»), разработанный в постановке, не зависящей от предметной области [1-3]. К тому же на систему «Эйдос» уже в 1994 году было три патента РФ [3, 16 ], а первые акты ее внедрения датируются 1987 годом [1,
1 Математическая модель АСК-анализа описана в ряде работ: http://elibrary.ru/author items.asp?authorid= 123162
2 См., например: http://lc.kubagro.ru/aidos/index.htm
3
3] , тогда как основная работа Дугласа Хаббарда [15] появилась лишь в 2009 году. Это означает, что идеи АСК-анализа не только появились, но и были доведены до программной реализации в универсальной форме и применены в различных предметных областях на 22 с лишним года раньше появления работ Дугласа Хаббарда.
Поэтому АСК-анализ обеспечивает корректную сопоставимую обработку числовых и нечисловых данных, представленных в разных типах измерительных шкал и разных единицах измерения [8, 9]. Метод АСК-анализа является устойчивым непараметрическим методом, обеспечивающим создание моделей больших размерностей при неполных и зашумлен-ных исходных данных о сложном нелинейном динамичном объекте управления. Этот метод является чуть ли не единственным на данный момент, обеспечивающим многопараметрическую типизацию и системную идентификацию методов, инструментарий которого (интеллектуальная система «Эйдос») находится в полном открытом бесплатном доступе [3, 16]4.
3.4. Некоторые результаты применения АСК-анализа в различных предметных областях
Метод системно-когнитивного анализа и его программный инструментарий интеллектуальная система "Эйдос" были успешно применены при проведении 6 докторских и 7 кандидатских диссертационных работ в ряде различных предметных областей по экономическим, техническим, психологическим и медицинским наукам.
АСК-анализ был успешно применены при выполнении десятков грантов РФФИ и РГНФ различной направленности за длительный период -с 2002 года по настоящее время (2016 год).
По проблематике АСК-анализа издана 21 монография, получено 29 патентов на системы искусственного интеллекта, их подсистемы, режимы и приложения, опубликовано более 200 статей в изданиях, входящих в Перечень ВАК РФ (по данным РИНЦ). В одном только Научном журнале КубГАУ (входит в Перечень ВАК РФ с 26-го марта 2010 года) автором АСК-анализа Луценко Е.В. опубликовано 186 статей общим объёмом 321,559 у.п. л., в среднем 1,729 у.п.л. на одну статью.
По этим публикациям, грантам и диссертационным работам видно, что АСК-анализ уже был успешно применен в следующих предметных областях и научных направлениях: экономика (региональная, отраслевая, предприятий, прогнозирование фондовых рынков), социология, эконометрика, биометрия, педагогика (создание педагогических измерительных инструментов и их применение), психология (личности, экстремальных ситуаций, профессиональных и учебных достижений, разработка и применение профессиограмм), сельское хозяйство (прогнозирование результатов при-
3 http://lc.kubagro.ru/aidos/aidos02/PR-4.htm
4 http://lc.kubagro.ru/aidos/ Aidos-X.htm
менения агротехнологий, принятие решений по выбору рациональных аг-ротехнологий и микрозон выращивания), экология, ампелография, геофизика (глобальное и локальное прогнозирование землетрясений, параметров магнитного поля Земли, движения полюсов Земли), климатология (прогнозирование Эль-Ниньо и Ла-Нинья), возобновляемая энергетика, мелиорация и управление мелиоративными системами, криминалистика, энтомология и ряд других областей.
АСК-анализ вызывает большой интерес во всем мире. Сайт автора АСК-анализа [16] посетило около 500 тыс. посетителей с уникальными IP-адресами со всего мира. Еще около 500 тыс. посетителей открывали статьи по АСК-анализу в Научном журнале КубГАУ.
Необходимо отметить, что в развитии различных теоретических основ и практических аспектов АСК-анализа приняли участие многие ученые: д.э.н., к.т.н., проф. Луценко Е.В., Засл. деятель науки РФ, д.т.н., проф. Лойко В.И., к.ф.-м.н., Ph.D., проф., Трунев А.П. (Канада), д.э.н., д.т.н., к.ф.-м.н., проф. Орлов А.И., к.т.н., доц. Коржаков В.Е., д.э.н., проф. Барановская Т.П., д.э.н., к.т.н., проф. Ермоленко В.В., к.пс.н. Наприев И.Л., к.пс.н., доц. Некрасов С.Д., к.т.н., доц. Лаптев В.Н., к.пс.н, доц. Третьяк В.Г., к.пс.н., Щукин Т.Н., д.т.н., проф. Симанков В.С., д.э.н., проф. Ткачев А.Н., д.т.н., проф. Сафронова Т.И., д.э.н., доц. Горпинченко К.Н., к.э.н., доц. Ма-каревич О.А., к.э.н., доц. Макаревич Л.О., к.м.н. Сергеева Е.В. (Фомина Е.В.), Бандык Д.К. (Белоруссия), Чередниченко Н.А., к.ф.-м.н. Артемов А.А., д.э.н., проф. Крохмаль В.В., д.т.н., проф. Рябцев В.Г., к.т.н., доц. Марченко А.Ю., д.т.н., проф. Фролов В.Ю., д.ю.н, проф. Швец С.В., Засл. деятель науки Кубани, д.б.н., проф. Трошин Л.П., Засл. изобр. РФ, д.т.н., проф. Серга Г.В., Сергеев А.С., д.б.н., проф. Стрельников В.В. и другие.
4. Решение проблемы
В данном разделе рассмотрим решение поставленной проблемы путем последовательного выполнения различных этапов АСК-анализа [1].
4.1. Когнитивно-целевая структуризация предметной области
На этом этапе экспертом неформализуемым путем на основе опыта, интуиции и профессиональной компетенции определяется, что является причинами (факторами), а что следствиями (результатами действия факторов) в моделируемой предметной области.
В нашем случае вполне очевидно, что как факторы целесообразно рассматривать количество резервных генов различных видов, а как результаты их действия - различные фенотипические признаки или свойства различных сортов винограда.
В таблице 1 представлены классификационные шкалы, с помощью которых будут кодироваться фенотипические признаки, а в таблице 2 -описательные шкалы, т.е. резервные гены на 1-й и 2-й спиралях ДНК:
Таблица 1 - Классификационные шкалы
Код Наименование
1 ТИП ЦВЕТКА (151)
2 СРЕДНЯЯ МАССА ГРОЗДИ, Г
3 УРОЖАЙНОСТЬ, Ц/ГА
4 САХАРИСТОСТЬ, Г/100 КУБ. СМ
5 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л
6 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)
7 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)
8 ВЕРХНИЕ ВЫРЕЗКИ ЛИСТЬЕВ (094-1)
9 НИЖНИЕ ВЫРЕЗКИ ЛИСТЬЕВ (094-2)
10 ОПУШЕНИЕ ЛИСТЬЕВ (084)
11 РАЗМЕР ГРОЗДИ (202)
12 ПЛОТНОСТЬ ГРОЗДИ (204)
13 РАЗМЕР ЯГОДЫ (220)
14 ФОРМА ЯГОДЫ (223)
15 ОКРАСКА ЯГОДЫ (225)
16 АРОМАТ ЯГОДЫ (236)
17 НАПРАВЛЕНИЕ ИСПОЛЬЗОВАНИЯ (603)
18 ПЕРИОД СОЗРЕВАНИЯ (629)
19 ПРОДОЛЖИТЕЛЬНОСТЬ ПРОДУКЦИОННОГО ПЕРИОДА, ДНИ
20 РОСТ ПОБЕГОВ (351)
Таблица 2 - Описательные шкалы
Код Наименование Код Наименование Код Наименование
1 УК2АС47-2 18 УУМР25-1 35 УУ!У37-2
2 УК2АС47-1 19 УУ!Р60-2 36 УУ!У37-1
3 УУБ2-2 20 УУ!Р60-1 37 УУ!И54-2
4 УУБ2-1 21 УУ!Б01-2 38 УУ!И54-1
5 УУМР7-2 22 УУ!Б01-1 39 УУМР24-2
6 УУМР7-1 23 УК2АС83-2 40 УУМР24-1
7 УУМР5-2 24 УК2АС83-1 41 УУ!У67-2
8 УУМР5-1 25 УУМР27-2 42 УУ!У67-1
9 УК2АС62-2 26 УУМР27-1 43 УУ!Ы73-2
10 УК2АС62-1 27 УУМР21-2 44 УУ!Ы73-1
11 УК2Ав79-2 28 УУМР21-1 45 УМ04Р3.1-2
12 УК2АС79-1 29 УМ01Б11-2 46 УМ04Р3.1-1
13 УУМР28-2 30 УМ01Б11-1 47 УУ!Ы16-2
14 УУМР28-1 31 УУ!052-2 48 УУ!Ы16-1
15 УУМР32-2 32 УУ!052-1 49 УУ!Р31-2
16 УУМР32-1 33 УК2АС67-2 50 УУ!Р31-1
17 УУМР25-2 34 УК2АС67-1
Последующие этапы АСК-анализа автоматизированы в его инструментарии - интеллектуальной системе «Эйдос».
4.2. Формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающей выборки
На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации и с их помощью кодируются исходные данные, в результате чего формируется обучающая выборка.
В соответствии с результатами когнитивно-целевой структуризации предметной области исходные данные представлены в виде Excel-таблицы (таблица 3). Полностью в статье таблица 3 не приводится из-за ее размерности: в ней 90 строк и 71 колонка. Но она (вместе с другими материалами по статье) приводится по ссылке: http://ej .kubagro.ru/2016/07/upload/03 .zip.
Структура таблицы 3 соответствует требованиям системы «Эйдос», приведенным на рисунке 1, точнее требованиям ее универсального программного интерфейса импорта данных из внешних баз данных (режим 2.3.2.2)_
" Помощь по режиму 2.13.2 I
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных 'lnp_data.xlsB в систему 'Эйдос-х++' и формализации предметной области.
- Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. формализацию предметной области, на основе XLS или XLSX-файла с исходными данными приведенного ниже стандарта.
- Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP,XLSX. Файлы INP_DATA.XLS [INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /AIDOS-X/AID_DATA/lnp_datay 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 всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, ■ т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007[2010) возможно до 1 048 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут бьпъ текстового (номинального] или числового типа (с десятичными знаками после запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами. -1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления], к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей выборки.
- В результате работы режима Формируется Файл INP_NAME.TXT стандарта MS DOS (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 NP_DATA 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 INP_RASP аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в файле INP_RASP были пустыми. Структура файла INP_RASP должна быть такая же, как INP_DATA, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
Принцип организации таблицы исходных данных:
Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкапы Наименование 1-й описательной шкалы Наименование 2-й описательной шкапы
1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
Рисунок 1. Требования к внешнему файлу исходных данных
Таблица 3 - Исходные данные (фрагмент)
Наименование сорта Тип цветка (151) Средняя масса грозди, г Урожайность, ц/га Сахаристость, г/100 куб. см Кислотность титруемая, г/л Рассеченность листьев (072) Пузырчатость листьев (075) Вырезки верхние листьев (094-1) Вырезки нижние листьев (094-2) Опушение листьев (084) Грозди размер (202) Плотность грозди (204) Ягоды размер (220) Ягоды форма (223) Ягоды окраска (225) Ягоды аромат (236) Направление использования (603) Период созре-вания (629) Продолжительность продукционного периода, дни Рост побегов (351) 2-7 4 О С N > -7 4 О С N > 2-2 <п £ -2 <п £ 2-7 О £ -7 О £ 2-5 О £
Аджем мискет 4 40,0 25,0 21,5 3,0 7 3 7 1 3 3 3 5 4 1 2 1 6 157 5 182 188 143 145 239 239 242
Аг изюм 3 220,0 120,0 18,5 8,0 7 5 7 7 6 5 3 7 3 1 4 1 5 130 5 180 195 135 145 249 249 230
Аккерманский черный 3 95,0 55,0 20,5 6,5 3 5 3 3 4 3 7 5 2 7 1 4 6 152 7 182 195 133 143 239 249 240
Аклык желтый 3 180,0 35,0 17,5 6,5 3 5 3 1 3 5 5 7 4 1 1 3 5 142 5 195 195 143 145 239 249 236
Аленький 4 60,0 30,0 21,9 10,7 5 5 5 5 3 5 3 3 3 7 1 4 5 143 5 180 195 133 135 239 249 228
Алый терский 3 225,0 175,0 18,0 6,7 7 9 7 7 5 5 3 5 3 6 1 4 7 146 7 182 195 135 143 245 249 238
Амет аджи ибрам 3 110,0 65,0 17,5 5,5 3 5 3 1 8 5 5 5 3 1 1 4 6 152 5 180 182 143 143 239 239 236
Асма 3 400,0 95,0 17,1 7,6 1 5 5 3 1 7 7 7 7 7 1 1 8 160 7 186 195 149 151 243 247 234
Баят капы 3 312,0 148,0 17,9 10,0 5 5 5 5 9 7 9 5 3 6 8 4 5 141 7 182 182 135 145 239 243 236
Богос зерва 3 135,0 60,0 19,0 5,5 5 4 7 5 8 5 7 3 3 1 1 4 5 151 5 182 182 145 149 239 239 240
Бор кара 3 286,0 150,0 16,0 5,5 7 5 7 7 7 7 5 5 3 6 1 4 7 144 7 176 186 141 143 239 253 238
Борю изюм 3 225,0 170,0 14,5 4,5 5 1 5 5 3 5 5 5 3 1 1 1 5 143 5 190 195 135 137 239 249 236
Брусковатенький 4 100,0 17,5 22,1 8,5 5 5 5 3 1 3 3 3 3 7 1 4 5 140 5 180 182 129 143 239 243 230
Будай шули 3 325,0 275,0 17,5 7,4 7 5 7 7 7 7 5 7 7 1 4 3 7 147 6 180 186 141 143 239 247 238
Буланый белый 3 125,0 80,0 20,2 7,2 5 5 5 3 1 5 5 3 2 1 1 3 5 140 7 180 184 133 145 239 239 240
Чауш чабан 3 250,0 100,0 17,0 5,0 7 5 7 7 2 6 5 6 3 1 4 1 6 150 7 180 190 135 143 243 247 230
Чол бер 4 277,0 151,0 15,0 6,9 3 4 3 3 1 7 5 7 3 6 1 3 7 150 5 180 182 133 135 239 247 238
Чоркуца розовэ 3 240,0 125,0 17,0 7,0 7 4 7 7 8 5 5 3 3 2 4 4 6 152 7 182 195 133 135 239 239 230
Демир кара 3 165,0 65,0 20,5 7,2 7 4 7 3 3 5 7 5 2 7 7 4 5 151 5 180 188 135 145 239 253 234
Докур 3 304,0 70,0 16,0 5,5 7 1 7 7 1 7 5 6 4 1 1 1 7 150 5 186 186 135 151 249 249 230
Дубут 3 325,0 150,0 17,4 6,0 3 4 5 3 8 7 5 7 3 1 4 1 7 143 7 182 195 135 145 239 259 230
Джагар 3 308,0 249,0 17,0 6,2 7 4 7 7 3 7 5 7 3 2 1 3 7 148 7 182 186 135 143 245 259 236
Джеват кара 3 172,0 120,0 19,2 4,2 5 7 5 3 8 5 5 5 3 6 1 4 6 153 5 180 184 143 145 239 249 230
Ь«р;//ед .kubagro.ru/2016/07/рёШ3 .р^
В 1-й колонке таблицы приведены наименования сортов винограда. В колонках со 2-й по 21-ю приведены классификационные шкалы, с помощью градаций которых описывается степень выраженности фенотипи-ческих признаков и свойств. При этом и в наименованиях самих шкал, и в наименованиях их градаций используется общепринятая международная система кодирования фенотипических признаков и свойств (выделены светло-голубым фоном) [17]. В колонках с 22-й по 71-ю приведены наименования микросателлитных генов на 1-й и 2-й спиралях ДНК. В таблице 1 допускаются колонки с текстовым и числовым типом данных [26-45].
Резервные гены выбраны авторами для исследования по двум причинам:
- во-первых, потому, что по ним была информация;
- во-вторых, потому, что традиционно считается, что они не связаны с фенотипическими признаками и свойствами, что на самом деле не так, как показало данное исследование. Для ввода исходных из таблицы 3 в систему «Эйдос» и формирования классификационных и описательных шкал и градаций и обучающей выборки запускаем режим 2.3.2.2 с параметрами, приведенными на рисунке 2._
2.3.2.2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х++
в U&4
Автоматическая формализация предметной области: генерация классификационных и описательных шкап и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"
—Задайте параметры:—
Стандарт XLS-Файла
Задайте тип Файла исходных данных: "lnp_data": С? XLS -MS Excel-2003 Г XLSX-MS Excel-2ÜÜ7(2010) С DBF - DBASE IV (DBF/NTX) Стандарт DBF-Файла
С CSV ■ Comma-Separated Values Стандарт CSV-файла
(* Нули и пробелы считать ОТСУТСТВИЕМ данных С" Нули и пробелы считать ЗНАЧЕНИЯМИ данных Создавать БД средник по классам "lnp_davr.dЬf"? Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2
Конечный столбец классификационных шкал: I 21
Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:
22 71
—Задайте режим:-
(* Формализации предметной области (на основе "lnp_data") С Генерации распознаваемой выборки (на основе "lnp_rasp")
~ Задайте способ выбора размера интервалов:
Г* Равные интервалы с разным числом наблюдений (* разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_data":— (* Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей
С Применить сценарный метод прогнозирования АСК-анализа Пояснения по режиму С* Применить специальную интерпретацию текстовых полей "lnp_data" _
Не применять сценарный метод АСК-анализа и спец.интерпретацню ТХГ-полей:
Сценарный метод АСК-анализа: -Записи Файла исходных данных "lnp_data" рассматриваются каждая сама по себе независимо друг от друга
Спец.интерпретация ТХТ-полей:
Значения текстовых полей Файла исходных данных
"lnp_data" рассматриваются как целое
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
С Только интервальные числовые значения (например: "1/3-{59873.0000000,178545.6666667}")
С Только наименования интервальных числовых значений (* И интервальные числовые значения, и их наименования
(например: ' 'Минимальное")
(например: "Минимальное: 1 /3-{59873.0000000,178545.GGGGGG7}")
Рисунок 2. Параметры программного интерфейса импорта данных http://ej .kubagro.ru/2016/07/pdf/03 .pdf
Во внутреннем калькулятор (рисунок 3) задаем по 5 градаций в числовых классификационных и описательных шкалах. В результате работы программного интерфейса получаем классификационные шкалы и градации (таблица 4), описательные шкалы и градации (таблица 5) и обучающую выборку или эвентологическую базу данных (таблица 6). Обучающая выборка (таблица 6) представляет собой исходные данные (таблица 1), закодированные с помощью классификационных и описательных шкал и градаций (таблицы 4, 5).
Рисунок 3. Внутренний калькулятор программного интерфейса импорта
данных из внешних баз данных
В течение 3-х секунд формируются классификационные и описательные шкалы и градации и обучающая выборка (рисунок 4);
2.12.2. Процесс импорта данных из внешней БД 1пр_с1а1а,: б систему 'ЭЙДОС-Х*-"-"
1 Ищ
Стадии исполнения процесса
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 внешней БД "¡пр_|На(а!| - Готово 3/3: Переиндексация всех баз данных нового приложения - Гот обо
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Прогноз времени исполнения
Начало: 11:57:15 Окончание: 11:57:20
0к
Прошло: 0:00:03
Осталось: 0:00:00
Рисунок 4. Отображение процесса формализации предметной области
В таблицах 4, 5, 6 и последующих часто приводятся лишь фрагменты таблиц из-за их большой размерности ограниченности объема статьи. Но полностью модель вместе с системой можно скачать по ссылке; Мр://е1 .kubagro.ru/2016/07/цр1оаё/03 .гаг.
Таблица 4 - Классификационные шкалы и градации (фрагмент)
Код Наименование класса
1 ТИП ЦВЕТКА (151 )-1 /2-:3
2 ТИП ЦВЕТКА (151)-2/2-:4
3 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Очень малое: 1/5-{27.0000000, 112.0000000}
4 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Малое: 2/5-{112.0000000, 173.0000000}
5 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Среднее: 3/5-{173.0000000, 220.0000000}
6 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Большое: 4/5-{220.0000000, 280.0000000}
7 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Очень большое: 5/5-{280.0000000, 400.0000000}
8 УРОЖАЙНОСТЬ, Ц/ГА-Очень малое: 1/5-{9.0000000, 60.0000000}
9 УРОЖАЙНОСТЬ, Ц/ГА-Малое: 2/5-{60.0000000, 95.0000000}
10 УРОЖАЙНОСТЬ, Ц/ГА-Среднее: 3/5-{95.0000000, 120.0000000}
11 УРОЖАЙНОСТЬ, Ц/ГА-Большое: 4/5-{120.0000000, 170.0000000}
12 УРОЖАЙНОСТЬ, Ц/ГА-Очень большое: 5/5-{170.0000000, 409.0000000}
13 САХАРИСТОСТЬ, Г/100 КУБ. СМ-Очень малое: 1/5-{14.5000000, 17.0000000}
14 САХАРИСТОСТЬ, Г/100 КУБ. СМ-Малое: 2/5-{17.0000000, 18.0000000}
15 САХАРИСТОСТЬ, Г/100 КУБ. СМ-Среднее: 3/5-{18.0000000, 18.7000000}
16 САХАРИСТОСТЬ, Г/100 КУБ. СМ-Большое: 4/5-{18.7000000, 20.5000000}
17 САХАРИСТОСТЬ, Г/100 КУБ. СМ-Очень большое: 5/5-{20.5000000, 24.0000000}
18 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Очень малое: 1/5-{2.8000000, 5.5000000}
19 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Малое: 2/5-{5.5000000, 6.4000000}
20 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Среднее: 3/5-{6.4000000, 6.9000000}
21 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Большое: 4/5-{6.9000000, 7.8000000}
22 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Очень большое: 5/5-{7.8000000, 10.7000000}
23 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-1/6- 1
24 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-2/6- 3
25 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-3/6- 5
26 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-4/6- 6
27 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-5/6- 7
28 РАССЕЧЕННОСТЬ ЛИСТЬЕВ (072)-6/6- 9
29 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-1/6- 1
30 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-2/6- 3
31 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-3/6- 4
32 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-4/6- 5
33 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-5/6- 7
34 ПУЗЫРЧАТОСТЬ ЛИСТЬЕВ (075)-6/6- 9
Таблица 5 - Описательные шкалы и градации (фра гмент)
Код Наименование
1 УР7А347-2-Очень малое: 1/5-{176.0000000, 180.0000000}
2 УР7А047-2-Малое: 2/5-{180.0000000, 182.0000000}
3 УР7А047-2-Среднее: 3/5-{182.0000000, 182.0000000}
4 УР7А047-2-Большое: 4/5-{182.0000000, 186.0000000}
5 УР7А347-2-Очень большое: 5/5-{186.0000000, 195.0000000}
6 УР7А047-1 -Очень малое: 1/5-{180.0000000, 184.0000000}
7 УР7А047-1-Малое: 2/5-{184.0000000, 186.0000000}
8 УР7А047-1-Среднее: 3/5-{186.0000000, 190.0000000}
9 УР7А047-1-Большое: 4/5-{190.0000000, 195.0000000}
10 УР7А047-1 -Очень большое: 5/5-{195.0000000, 195.0000000}
11 УУв2-2-Очень малое: 1/5-{123.0000000, 133.0000000}
12 УУв2-2-Малое: 2/5-{133.0000000, 135.0000000}
13 УУв2-2-Среднее: 3/5-{135.0000000, 135.0000000}
14 УУв2-2-Большое: 4/5-{135.0000000, 143.0000000}
15 УУв2-2-Очень большое: 5/5-{143.0000000, 149.0000000}
16 УУв2-1-Очень малое: 1/5-{135.0000000, 141.0000000}
17 УУв2-1-Малое: 2/5-{141.0000000, 143.0000000}
18 УУв2-1-Среднее: 3/5-{143.0000000, 143.0000000}
19 УУв2-1-Большое: 4/5-{143.0000000, 145.0000000}
20 УУв2-1-Очень большое: 5/5-{145.0000000, 155.0000000}
21 УУМй7-2-Очень малое: 1/5-{231.0000000, 239.0000000}
22 УУМй7-2-Малое: 2/5-{239.0000000, 239.0000000}
23 УУМй7-2-Среднее: 3/5-{239.0000000, 239.0000000}
24 УУМй7-2-Большое: 4/5-{239.0000000, 247.0000000}
25 УУМй7-2-Очень большое: 5/5-{247.0000000, 249.0000000}
26 УУМй7-1-Очень малое: 1/5-{235.0000000, 243.0000000}
27 УУМй7-1-Малое: 2/5-{243.0000000, 247.0000000}
28 УУМй7-1 -Среднее: 3/5-{247.0000000, 249.0000000}
29 УУМй7-1 -Большое: 4/5-{249.0000000, 249.0000000}
30 УУМР7-1-Очень большое: 5/5-{249.0000000, 265.0000000}
Таблица - Обучающая выборка (эвентологическая база ^ данных) (фрагмент)
NAME OBJ N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 N17 N18 N19 N20 N21 N22 N23 N24 N25 N26 N27 N28 N29 N30 N31 N32 N33
Аджем мискет 2 3 8 17 18 27 30 38 40 47 54 60 65 72 77 84 90 97 104 105 2 8 14 19 21 26 35 40 41 46 53 56
Аг изюм 1 5 10 15 22 27 32 38 43 50 55 60 67 71 77 85 90 96 100 105 1 9 12 19 25 28 31 37 44 48 55 58
Аккерманский черный 1 3 8 16 20 24 32 36 41 48 54 62 65 70 82 83 92 97 103 107 2 9 11 17 21 28 35 40 41 48 52 59
Аклык желтый 1 5 8 14 20 24 32 36 40 47 55 61 67 72 77 83 91 96 101 105 5 9 14 19 21 28 33 37 41 47 55 59
Аленький 3 8 17 22 25 32 37 42 47 55 60 64 71 82 83 92 96 101 105 1 9 11 16 21 28 31 36 41 46 52 58
Алый терский 1 6 12 14 20 27 34 38 43 49 55 60 65 71 81 83 92 98 102 107 2 9 12 17 24 28 34 37 44 47 53 59
Амет аджи ибрам 1 3 9 14 18 24 32 36 40 52 55 61 65 71 77 83 92 97 103 105 1 6 14 17 21 26 33 40 41 46 51 56
Асма 1 7 9 14 21 23 32 37 41 45 57 62 67 75 82 83 90 99 104 107 4 9 15 20 24 27 33 39 43 46 51 56
Баят капы 1 7 11 14 22 25 32 37 42 53 57 63 65 71 81 88 92 96 101 107 2 6 12 19 21 26 33 39 41 49 55 59
Богос зерва 1 4 8 16 18 25 31 38 42 52 55 62 64 71 77 83 92 96 103 105 2 6 15 20 21 26 35 40 44 49 51 56
Бор кара 1 7 11 13 18 27 32 38 43 51 57 61 65 71 81 83 92 98 101 107 1 7 14 17 21 30 34 39 44 48 51 56
Борю изюм 1 6 11 13 18 25 29 37 42 47 55 61 65 71 77 83 90 96 101 105 5 9 12 16 21 28 33 36 41 47 52 58
Брусковатенький 3 8 17 22 25 32 37 41 45 54 60 64 71 82 83 92 96 101 105 1 6 11 17 21 26 31 37 41 46 52 59
Будай шули 1 7 12 14 21 27 32 38 43 51 57 61 67 75 77 85 91 98 102 106 1 7 14 17 21 27 34 37 45 49 52 56
Буланый белый 1 4 9 16 21 25 32 37 41 45 55 61 64 70 77 83 91 96 101 107 1 6 11 19 21 26 35 39 41 49 51 56
Чауш чабан 1 6 10 13 18 27 32 38 43 46 56 61 66 71 77 85 90 97 102 107 1 8 12 17 24 27 31 38 44 49 52 59
Чол бер 6 11 13 20 24 31 36 41 45 57 61 67 71 81 83 91 98 102 105 1 6 11 16 21 27 34 39 44 49 52 56
Чоркуца розовэ 1 6 11 13 21 27 31 38 43 52 55 61 64 71 78 85 92 97 103 107 2 9 11 16 21 26 31 40 41 46 52 59
Демир кара 1 4 9 16 21 27 31 38 41 47 55 62 65 70 82 87 92 96 103 105 1 8 12 19 21 30 33 39 41 47 51 56
Докур 1 7 9 13 18 27 29 38 43 45 57 61 66 72 77 83 90 98 102 105 4 7 12 20 25 28 31 36 44 47 53 56
Дубут 1 7 11 14 19 24 31 37 41 52 57 61 67 71 77 85 90 98 101 107 2 9 12 19 21 30 31 36 41 46 53 59
Джагар 1 7 12 13 19 27 31 38 43 47 57 61 67 71 78 83 91 98 102 107 2 7 12 17 24 30 33 36 44 46 53 59
Джеват кара 1 4 10 16 18 25 33 37 41 52 55 61 65 71 81 83 92 97 103 105 1 6 14 19 21 28 31 37 43 49 52 56
Джунга 6 12 13 21 27 29 38 42 45 56 61 67 71 77 83 90 98 102 107 2 9 12 16 21 26 31 38 41 46 53 59
Джвари 4 9 13 21 25 34 37 41 52 55 62 65 71 77 83 92 97 104 105 1 9 12 16 25 30 33 39 44 47 51 56
Ефремовский 1 7 8 15 21 27 32 38 43 51 56 60 67 71 77 83 90 95 100 107 1 6 11 16 25 28 34 38 41 46 52 58
Ефремовский второй 1 5 8 14 20 24 32 38 43 52 55 60 65 71 77 83 92 96 100 105 1 6 11 17 21 27 35 40 41 49 51 56
Эмчек изюм 1 6 11 13 19 25 33 38 42 49 55 60 67 73 77 83 90 97 101 105 4 9 12 17 25 28 31 37 44 47 53 58
Галабура 1 4 10 14 21 24 29 36 41 48 57 62 67 72 77 83 92 94 100 105 1 7 14 17 21 26 31 36 41 46 51 56
Гендерил цибил 1 6 10 14 21 27 29 38 43 45 55 63 65 71 82 83 92 98 103 105 1 7 15 19 24 28 43 48 51 56
Гок ала 1 7 11 14 21 28 32 38 43 49 57 61 65 71 82 83 92 97 101 106 1 7 12 17 21 26 33 37 43 47 52 56
Гюляби белый 1 6 10 15 21 27 32 38 43 47 55 61 66 71 77 85 91 99 104 107 5 9 12 17 24 28 33 37 44 47 53 58
Гюляби дагестанский 1 6 11 16 20 27 32 38 43 47 55 61 66 71 78 85 91 99 104 107 2 9 12 16 21 28 31 36 41 47 55 59
Ири тумут 6 12 13 20 27 32 37 41 52 55 63 65 71 78 83 90 98 104 105 4 9 12 17 21 27 33 36 41 46 53 56
Кабассия 1 6 10 13 19 24 32 36 40 53 57 63 67 76 80 83 91 97 101 107 4 9 11 17 21 28 33 40 41 49 52 56
Кайтаги 7 12 14 21 24 32 36 40 48 55 60 67 72 78 83 91 98 101 107 2 8 12 17 21 28 35 39 43 46 53 59
Кандаваста 1 4 9 16 19 25 32 37 42 52 55 62 65 71 77 83 92 98 101 107 2 8 14 19 21 28 31 40 44 48 53 59
Кечи эмчеки черный 1 5 10 16 18 25 30 37 42 51 55 60 65 73 81 83 90 95 100 105 4 6 21 26 31 40 44 49 51 56
Хади тумут 1 5 9 13 18 24 32 37 42 50 55 61 67 74 77 85 90 95 101 107 1 9 12 16 24 30 31 38 43 46 53 58
Халиль изюм 1 5 11 16 20 27 32 38 42 52 55 61 65 71 77 83 91 96 103 105 5 8 15 19 21 28 31 40 43 46 52 56
Харко 1 5 9 15 19 24 32 36 41 51 56 61 65 71 77 83 92 96 102 105 1 6 11 19 21 26 35 39 41 49 51 56
Хатал-баар 2 5 12 15 18 24 32 36 41 53 57 60 66 71 81 89 90 97 100 105 5 9 14 19 21 27 35 39 45 48 51 56
http://ej .kubagro.ru/2016/07/pdf/03 .pdf
4.3. Синтез и верификация информационной модели, отражающей количество информации в генах о фенотипиче-ских свойствах (многопараметрическая типизация)
После формализации предметной области запускаем режим 3.5, обеспечивающий синтез и верификацию моделей с параметрами, приведенными на рисунке 5.
Рисунок 5. Окно запуска режима синтеза и верификации модели (3.5)
Частные модели ABS, PRC#, INF#, отличаются друг друга частными критериями знаний [8, 9] (таблица 7).
Таблица 7 - Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j -го класса обнаружен признак, то это i-й признак I j = Yx Log2 p N,N I« = Yx Log 1 NN, ' 1
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj - суммарное количество I у = YxLog2 p N,,N I« =Yx Log 1 n.N, ' 1
объектов по j-му классу. Относительная частота того, что если предъявлен объект j -го класса, то у него будет обнаружен i-й признак.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — NtN, I = N.. 1 J j j N
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета относительных частот: Nj - суммарное количество признаков по j-му классу5 P P - P I = J 1 = J 1 j P P N.N i. = 1 j NN J
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета относительных частот: Nj - суммарное количество объектов по j-му классу P P.. - P I = J 1 = J ' j P P N.N I и = 1 j NN j
INF6, частный критерий: разность условной и безусловной относительных частот, 1 -й вариант расчета относительных частот: Nj -суммарное количество признаков по j-му классу ju = Pj - P ! = - N j N. N
INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj -суммарное количество объектов по j-му классу ju = Pj - P j = Nu N j N. N
Обозначения:
I - значение прошлого параметра;
Ц - значение будущего параметра;
N ц - количество встреч Ц-го значения будущего параметра при ¡-м значении прошлого параметра;
М- суммарное число значений всех прошлых параметров;
Ж - суммарное число значений всех будущих параметров;
N - количество встреч 1-м значения прошлого параметра по всей выборке;
Щ - количество встреч Ц-го значения будущего параметра по всей выборке;
N - количество встреч Ц-го значения будущего параметра при 1-м значении прошлого параметра по всей выборке;
I ц - частный критерий знаний: количество знаний в факте наблюдения ¡-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее Ц-му значению будущего параметра;
¥ - нормировочный коэффициент (Е.В. Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Р, - безусловная относительная частота встречи ¡-го значения прошлого параметра в обучающей выборке;
Рц - условная относительная частота встречи ¡-го значения прошлого параметра при Ц-м значении будущего параметра.
5 Применение предложено Л. О. Макаревич
Все эти способы метризации с применением 7 частных критериев знаний (таблица 7) реализованы в системно-когнитивном анализе и интеллектуальной системе «Эйдос» и обеспечивают сопоставление градациям всех видов шкал числовых значений, имеющих смысл количества информации в градации о принадлежности объекта к классу. Поэтому является корректным применение интегральных критериев, включающих операции умножения и суммирования, для обработки числовых значений, соответствующих градациям шкал. Это позволяет единообразно и сопоставимо обрабатывать эмпирические данные, полученные с помощью любых типов шкал, применяя при этом все математические операции.
На рисунке 6 приведено окно с отображением процесса исполнения режима 3.5. Из этого рисунка видно, что синтез и верификация модели была выполнена за 6 минут 48 секунд (процессор 17). Отметим, что встречаются задачи интеллектуальной обработки больших данных, в которых этот режим может выполняться неделю и даже более.
3.5. Синтеза &ерлфикэцид заданный из 10 моделей
И —¿&-I
Стадии исполнения процесса
Копирование обучающей выборки в распознаваемую - Готово Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез ст ат.моделей "PRC1" и "PRC2" (усл.безу сл.% распр.) - Гот обо Синтез моделей знаний: ¡NF1 -INF? - Готово
Шаг 1-й из 11 Шаг 2-й из 11 Шаг 3-й из 11 Шаг #|| из 11
НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ. Шаг 5-й из 11. Задание модели "INF?" в качестве текущей - Готово Шаг Б-й из 11. Пакетное распознавание в модели "INF?"- Готово
Шаг?-й из 1!. Измерение достоверности модели "Inf?"-Интегральный критерий: "Сумма знаний"-Готово
КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...
Шаг 3-й из 1 !. объединение ЕЛ 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 исполнйыч
Начало: 12:09:05 Окончание: 12:0В: 53
100%.
Ск
Прошло: 0:05:4В
Осталось: U:fi0:00
Рисунок 6. Отображение стадии исполнения режима 3.5.
Достоверность идентификации и не идентификации объектов обучающей выборки в созданных моделях приведена в экранной форме режима 4.1.3.6 (рисунок 7):
Рисунок 7. Достоверность идентификации и не идентификации объектов обучающей выборки в созданных моделях
Для оценки достоверности моделей используется предложенная проф. Е.В. Луценко метрика, сходная с известным Б-критерием (рисунок
8):
Помощь по режиму: 4,1.3.6; Виды прогнозов и принцип опрделения досговености моделей в системе ~Эйдос-Х++"
режим: помощь по режиму: 4.1.3.6: виды прогнозов и принцип оценки достоверности моделей в системе "зйдос-х-м-" с применением метрики (предложена проф.Е. В.Луценко), сходной с Г-критерием, но не предполагающей независимости и аддитивности факторов.
ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
Предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. В этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.
ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100Ж достоверность не идентификации, но очень низкая достоверность идентификации.
ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.
РЕАЛЬНЫЙ ПРОГНОЗ.
На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3,4, 5 или б. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.
таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, ясно, что этот критерий очень сходен по смыслу с известным р-критерием и сходные оценки качества моделей.
Рисунок 8. Оценка достоверности моделей в системе «Эйдос»
Ниже, на рисунках 9 приведены фрагменты моделей, отражающих взаимосвязи между структурой генома и фенотипическими признаками и свойствами винограда, отличающихся частными критериями знаний [8, 9] (экранные формы получены в режиме 5.5, названия моделей приведены на экранных формах).
Рисунок 9. Фрагменты моделей, отражающих взаимосвязи между структурой генома и фенотипическими свойствами/признаками винограда
4.4. Решение задачи системной идентификации феноти-пических признаков и свойств по наличию тех или иных генов
Смысл этой задачи состоит в том, чтобы используя отраженные в моделях знания о силе и направлении влияния различных структур генома (степень выраженности генов на спиралях ДНК) на степень выраженности различных фенотипических признаков и свойств по описанию структур генома определить, какими фенотипическими признаками и свойствами будет обладать виноград с таким геномом.
В АСК-анализе и системе «Эйдос» эта задача решается двумя способами:
1) считается, что объект тем в большей степени относится к некоторому классу, чем больше информации о принадлежности к нему содержится в его признаках;
2) считается, что объект тем в большей степени относится к некоторому классу, чем больше его профиль по степени выраженности признаков сходен с профилем класса, в котором отражена степень характерности этих признаков для класса.
Первый способ соответствует применению интегрального критерия: «Сумма знаний», а второй - «Резонанс знаний».
Рассмотрим интегральные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++» для верификации мо-
делей и решения задач идентификации и прогнозирования, а затем приведем некоторые выходные формы с результатами распознавания. Все их не приведем, т.к. их довольно много (рисунок 10):
■5.1.3.1. Подробно наглядна: 'Объект - классы 1.3.2. Подробно нагляднс: Класс- объекты ■5.1.3.3. Ито-ги наглядно: Объект - класс ^.1.3.4. Итоги нагляднс: Класс-объект' 4.1.З.Е. Подробно сжато: Объекты - классы
4.1.3.3. Обсбщ.форма по достсе.моделей при равных интегральных крнт. 4.1.3.7. Обсбц.стат.анапнэ рез-ультатоЕ идент. по моделям и инт.крит. 4.1.3.3. Стат.энапиг регулы, идент. по классам, моделям и инт.крит. 4.1.3.ь Распределения уроЕн.сходстЕа при разных моделях и инт.крит. 4.1.3 Ю.ДостоЕернссть идент. классов при разных моделях и инт.крит.
Рисунок 10. Формы с результатами распознавания системы «Эйдос»
4.4.1. Интегральный критерий - «Сумма знаний»
1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию
от частных критериев знаний и имеет вид::
—*■ —*■
1} = (Ц, Ц).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
М
Р = 1^
1=1
где: М- количество градаций описательных шкал (признаков); = {1у} - вектор состояния ]-го класса;
Ц = {Ц} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если г - й фактор действует; = < п, где : п > 0, если г - й фактор действует с истинностью п;
0, если г - й фактор не действует.
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
4.4.2. Интегральный критерий - «Резонанс знаний»
2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:
где: м
ь а ]
количество градаций описательных шкал (признаков); средняя информативность по вектору класса;
среднее по вектору объекта;
среднеквадратичное отклонение частных критериев знаний вектора класса;
среднеквадратичное отклонение по вектору распознаваемого объекта.
Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:
Ь -Ь
1у -а1
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния _]-го класса и состояния распознаваемого объекта.
4.4.3. Идентификация объекта с классами
Экранная форма, в которой для каждого объекта обучающей выборки приводятся все классы в порядке убывания релевантности, приведена на рисунке 11:
Рисунок 11. Результаты решения задачи идентификации фенотипических признаков и свойств сорта винограда по структуре его генома
4.4.4. Степень сходства объектов с классом
Экранная форма, в которой для каждого объекта обучающей выборки приводятся все классы в порядке убывания релевантности, приведена на рисунке 12:
Рисунок 12. Результаты решения задачи идентификации сортов винограда с заданными фенотипическими признаками и свойствами по структуре их генома
4.5. Автоматизированный SWOT-анализ системы детерминации фенотипических признаков и свойств структурой генома
На экранных формах режима 4.4.8 системы «Эйдос», приведенных на рисунке 13, пользователь может выбрать любое фенотипическое свойство или признак и модель, в которой отображать систему детерминации этого фенотипического свойства/признака структурой генома и степенью выраженности различных генов в двух спиралях ДНК [18]:_
' 4.4,8. Количественный автоматизированный ЭМ/ОТ-анализ классов средствами АСК-анал1/за в системе "Эйдост [ р [ ЁЗ [^^^¿Р
Выбор класса, соответствующего будущему состоянию объекта управ ления □
1 Код Наименование ft-Aïfefcâ
8 УтаЙШн|0СТЬ.Ц/ГА-Малое гШШюМЙШЮО)
10 УРОЖАЙНОСТЬ, Ц/ГА-Среднее: S/Sit® .0000000,120 0000000}
11 УРОЖАЙНОСТЬ, Ц/ГА-Большое: 4/5-{Т20,0000000, 17Ù.0000000}
12 УРОЖАЙНОСТЬ Ц/ТА Очень еооВшёй: S5-{1;70,0000000. «В, 0000000} .1
13 'САХАРИСТОСТЬ, Г Л 00 КУБ. СМ-0чеиь молоа]/5-{14.5000000,17.0000000}.
:
Г
SWOT-аналиэ класса -2 "УРОЖАЙ H ОСТЬ. ЩГА-Очень большое: 70.0000000, 409.0000000}" в модели
Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния
1 jp Наименование Фактора него 'интервального значения вила влияния - ш Наименование Фактора и его интервального -значения $ В ила 1ИЯИ ИД -
БО VRZ4S79-1 -Очень большое: 0.966 — VRZAG 79^М алое: 2-/S{239.0000000, 249.0000000} -0 .995 —
Ш VRZ4G В2-2-[1йенй большей^ЩЩЩЩШ■ -Ш 0000 0.76Й 88 УШЙЩ:1-Очень малой: 0000000, ЙТШПЙШ} , -0 .816
74 VWID32-2íonbmoe;:4/g;f2S2.0000000,256.0000000} ... 0.555 226 VMC4F31 -1 -0 чень малое: 1Ï54} 61.0000000..171.0000000}., -0 ■ 7S5
2Ü5 WIV67-2-04eHb большое: 3/5-065.0000000,373.0000000... 0.476 208 Ш -Среднее: ЗЩб5.0000000,373.0000000} -0 .785
173 ЯШ -Большое: 4/5-Í166. 0000000, i 72 0000000} 0.454 126 WMD27:1-Очень малое: V5-{'l.8g.OOÛOOOÛ, 184.0000000} ... -0 .735
247 ДИМПЦИМГ Í/S.-ÍIО'0000000,1Ш.ООООООО} 0.464 6 VRZAG'47-1 -0 чень малое:' 1Щ 88.0000000,184.8000000} .. -0 ,735
W WtHB4-2-OíéHii:Majipe.;-1 Л-{1ЗрОООООО,151.0000000} ... 0.447 25 WM в7-2фчень болвшшЯ Щ([247.0000000,249.0000000}.. -0. .753
27 WMD7-1-Mamoe: 2Ы243.0000000, 247.0000000} 0.440 198 WM D 24-1 -Среднее: ЗМ208.0000000,210.0000000} -0 719
35 |Ш?5-2-0чень большое: 5/5-Í238 0ЙЕЙШ&Й2 OÛfriKl, 0.423 133 VV.M D 21 -2-Среднее: З^ЩООООООО, 24э|вЙ8 -0. .719
163 ■№айВ7-2':Средне%;3?5Щ21.0000000,127.0000000} .... 0.394 Щ WM D 25-1 -М алое: 2?5;{24!. 0000000 249.0000000} -0 ,719
64 да|р2§-2:Б£1Льшое;:'4?5-{236.0000000,244.0000000} ... 0.334 76 WM D 32-1 -0 чень Maíloé: 1 /5-{240.0080000,252.0000000} -0. .719
ЭЙ ;®Й027-1-БолбШое:-4Я-(190.0000000,165.0000000} ... 0.334 40 ; WM В 5-1 -0чень-|^льшое:.В№{242.0000000,248.8800000}.. -0 719
Г «I 1 ► Г
ЁКЙЙЧИТЬ фильтр по Фактору | ..Е|Б[КрЮЧИТЬ Фильтр по фактору ВКЛЮЧИТЬ Фильтр по Фактору ВЫКЛЮЧИТЬ Фильтр по Фактору 1
Помощь | Abs j Ffcï | Ргс2 | пИ Щ | Inï3 | Ш14 Inf5 N6 | Ш | Нейрон ЗВД0Т:диагра№1а J Интегральная когнитивная карта 1
5WC )Т-ДИАГРАММА КЛАССА: "[12] УРС Приложение: :ПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ЖАИНОС 'Применен Класс: [12 ТЬ, Ц/ГА-ОЧЕНЬ БОЛЬШОЕ: 5/ ие теории информации в генетике (с Шкала: [3] УРОЖАЙНОСТЬ, Ц/ГА Очень большое: 5/5-{170.0000000, 4С 5-{170.000 даптивные 9.0000000} 0000, 409.0000000}" В МОДЕЛИ: "1Г интервалы)" ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния: sJF1 *
[12] УР£АС79-1 [60] Очень большое: 5/5-{259.0000000,261.0000000} ,0,60 b» ,-0,,6Ь» [11] VRZAG79-2 [52] Малое: 2/5-{239.0000000,249.0000000}
[9] \ZRZAG62-2 [45] Очень большое: 5/5-{200.0000000,202.0000000} ,0,60 b» ,-о.оюь» [18] WMD25-1 [86] Очень малое: 1/5-{239.0000000,241.0000000}
[15] \Л/М032-2 [74] Большое: 4/5-{252.0000000,256.0000000} ,0,66 bit [46] VMC4F3.1-1 [226] Очень малое: 1/5-{161.0000000,171.0000000}
[41] \Л/М37-2 [205] Очень большое: 5/5-{365.0000000, 379.0000000} ,-0,06 ь„ [42] WIV67-1 [208] Среднее: 3/5-{365.0000000, 373.0000000}
[36] \ZVIV37-1 [179] Большое: 4/5-{168.0000000,172.0000000} ,0,64 b« ,-0,06 b« [26] WMD27-1 [126] Очень малое: 1/5-{180.0000000,184.0000000}
[50] \Л/1Р31-1 [247] Малое: 2/5-{181.0000000,183.0000000} ,0,64 b« [2] VRZAG47-1 [6] Очень малое: 1/5-{180.0000000,184.0000000}
[37] \Л/1Н54-2 [181] Очень малое: 1/5-{133.0000000,151.0000000} ,0,47 b« ,-0,63 b* [5] WMD7-2 [25] Очень большое: 5/5-{247.0000000, 249.0000000}
>ильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-250 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-25
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 26.07.2016-01:23,1 ■ Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линняни связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 13. Экранные формы автоматизированного SWOT-анализа, показывающие, какие гены способствуют, а какие препятствуют проявлению заданного фенотипического признака/свойства в модели INF1
В верхней экранной форме, приведенной на рисунке 13, пользователь может выбрать любой ген и включить фильтр по нему. Тогда на экранных формах будет отражено влияние степени выраженности именно этого гена на заданное фенотипическое свойство (рисунок 14):
Рисунок 14. Экранные формы автоматизированного БШОТ-анализа, показывающие, что высокая степень выраженности гена У^А079-1 способствует, а низкая У^А079-2 препятствует проявлению фенотипическо-го свойства: «Очень большая урожайность» в модели ШБ1
4.6. Автоматизированный SWOT-анализ силы и направления влияния конкретного гена на фенотипические свойства/признаки
На экранных формах режима 4.4.9 системы «Эйдос», приведенных на рисунке 15, пользователь может выбрать любой ген и степень его выраженности в 1-й или 2-й аллели и модель, в которой отображать - какое влияние он оказывает на фенотипические свойства/признаки:
Рисунок 15. Экранные формы автоматизированного БШОТ-анализа, показывающие, какое влияние заданный ген оказывает на степень выраженности различных фенотипических свойств/признаков в модели ШБЭ
В верхней экранной форме, приведенной на рисунке 16, пользователь может выбрать любое фенотипическое свойство и включить фильтр по нему. Тогда на экранных формах будет отражено влияние заданной степени выраженности заданного гена на это фенотипическое свойство (рисунок 17):
Рисунок 16. Экранные формы автоматизированного БШОТ-анализа, показывающие, что высокая степень выраженности гена У^А079-1 способствует очень высокой урожайности и препятствует всем остальным степеням выраженности урожайности в модели ШБ3
Таким образом, используя автоматизированный когнитивный БШОТ-анализ генов и фенотипических свойств/признаков, мы можем получить информацию о том, какими генами детерминируется заданное фенотипи-ческое свойство/признак и наоборот, какие фенотипические признаки/свойства обуславливаются заданным геном. Обладание этими знаниями вселяет надежду на возможность получения ответа на вопрос о том, каким должен быть геном, чтобы сорт обладал заданными желательными фенотипическими свойствами.
Однако здесь есть по меньшей мере одна проблема, которая состоит в том, что некоторые фенотипические свойства/признаки детерминируются наличием или сильной выраженностью определенных генов, а другие либо их полным отсутствием, либо слабой выраженностью. Ясно, что одновременно ген не может и присутствовать, и отсутствовать, быть и сильно, и слабо выраженным.
Из этого следует, что некоторые фенотипические свойства/признаки невозможно одновременно получить в одном сорте, а другие вполне возможно. Например, ягода не может быть и сладкой, и кислой, и темной, и светлой. Может быть в этом и состоит оправдание существования многих сортов. Чтобы узнать, конкретно какие свойства совместимы в одном сорте, а какие нет, необходимо провести сравнение различных фенотипиче-ских свойств по их системе детерминации генами.
4.7. Количественное определение сходства-различия различных фенотипических свойств по их системе детерминации генами. Совместимые и несовместимые фенотипиче-ские свойства
Эта задача решается в режиме 4.2.2 системы «Эйдос», в котором сначала рассчитываются матрицы сходства классов (рисунки 17 и 18), а затем они просто визуализируются в форме когнитивных диаграмм или, кроме того, на их основе проводится когнитивный кластерный анализ [19]6. Результаты кластерного анализа классов приведены на табличной экранной форме режима 4.2.2.2 (рисунок 19) и в графической форме когнитивной диаграммы (рисунки 20 и 21).
6 Он был реализован в БОБ-версии системы «Эйдос», а в новой версии его еще нет.
4.2.2.1. Расчет матриц сходсте^, кластеров:/ конструктов юпэссов
LHJ - ■
Задайте моде пи. для которых проводить кластерно-конструктивный анализ: Статистические базы
:7 1. Ali S - частный критерий: количестве встреч сочетаний: "класс-признак" у объектов обуч. выборки
2. PRC1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса :7 3. PRC2 - частный критерий: условная вероятность i-го признака у объектов i-го класса Базы знаний:
:7 4. IN FT - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC!
5. INF2 - частный Kpi-гтерий: количество знаний по А.Харкевичу; вероятности из PRC2 :7 6. INF3 - частный критерий: Хи-квадрэт, разности между Фактическими и ожидаемыми абс.частотами 17 7. IN F 4 - частный Kpi-гтерий: ROi (Return On Investment); вероятности из PR CI 17 3. I NFS - частный критерий: RD! (Return On Investment); вероятности из PRC2 17 3. INF6 - частный Kpi-гтерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 17 10.INF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Задайте диапазон кодов классов (подматрицу) для анализа:
7 Г
10£
а к
Cancel
Рисунок 17. Форма задания параметров формирования матрицы сходства классов
в ДЩГ
Помощь по режлчу: "4,2.2, Клас-ерны? и конструктивный анализ пассов"
кластерно-конструктивный анализ - это математический метод анализа данных, обеспечивающий:
- выявление классов, наиболее сходных по системе их детерминации и объединение их в кластеры;
- выявление кластеров классов, наиболее сильно отличающиеся по системе их детерминации и построение из них полюсов конструктов классов, при этом остальные кластеры включаются в конструкты е качестве промежуточных между полюсами;
- выявление факторов, наиболее сходных по детерминируемым ими классам и объединение их в кластеры;
- выявление кластеров факторов, наиболее сильно отличающиеся по детерминируемым ими классам и построение из них полюсов конструктов факторов, при этом остальные кластеры включаются е конструкты в качестве промежуточных между полюсами.
состояния объекта управления, соответствующие классам, включенным в один кластер, могут быть достигнуты одновременно, т.е. являются совместимыми (коалиционными) по детерминирующим их факторам, состояния объекта управления, соответствующие классам, образующим полюса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
КОНСТРУКТ КЛАССОВ ПРЕДСТАВЛЯЕТ СОБОЙ СИСТЕМУ ПРОТИВОПОЛОЖНЫХ, Т.Е. НАИБОЛЕЕ НЕПОХОЖИХ
ДРУГ НА ДРУГА КЛАССОВ (КОТОРЫЕ НАЗЫВАЮТСЯ ПОЛЖАМИ КОНСТРУКТА) И СПЕКТР ПРОМЕЖУТОЧНЫХ КЛАССОВ,
РАСПРЕДЕЛЕННЫХ МЕЖДУ ПОЛЮСАМИ В СООТВЕТСТВИИ СО СБОИМ СХОДСТВОМ-РАЗЛИЧИЕМ С НИМИ.
Факторы, включенные в один кластер, оказывают сходное влияние на поведение объекта управления и могут, при необходимости, быть использованы для замены друг друга. Факторы, образующие полюса конструкта, оказывают противоположное влияние на поведение объекта управления.
кластерно-конструктивный анализ классов позволяет сравнить их по сходству системы детерминации и отобразить эту информацию в наглядной графической форме семантической сети классов.
кластерно-конструктивный анализ факторов позволяет сравнить факторы по сходству их влияния на переход объекта в будущие состояния и отобразить эту информацию в наглядной графической форме семантической сети факторов.
Рисунок 18. Help режима кластерного анализа классов системы «Эйдос»
j I j i- -а К
4.2,2.2. Результаты кластерно-конструктивного анализа классов
Конструкт класса: 12 "УРОЖАЙНОСТЬ, Ц/ГА-Очень большое: 5/5-{1 70.0000000, ¿109.0000000}" в модели: А "INF1"
Ц§ Наименование класса
1 ТИП ЦВЕТКА (151'1-Ш:3
г ТИП ЦВЕТ№.1151 ]-2/2-:4
а СРЕДНЯЯ МАССА ГРОЗДИ, Г-Очень малое: 1/.
4 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Малое:.2/5-{11:2....
5 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Среянее:' 3/5,Щ...
e СРЕДНЯЯ МАССА ГРОЗДИ, Г-Большое: 4/Я2.2... ■
7 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Очень большое: ..
8 У РОЖАЙ Н □ СТ Ь, Ц /ГА-0 чень малое'; 1 /5-{Э. 000...
3 УРОЖАЙНОСТЬ, Ц,'ГА-Малое:3/5№0.0000000,..
10 УРОЖАЙНОСТЬ Ц/ГА-Среднее: 3/5-05.00000...
П .УРОЖАЙ НО СТЬ,- Ц /ГА-Болами: 4/5-{120 0000
12 УРОЖАЙНОСТЬ, 11/ГА-Очень большое: 5/5:{1.7...
13 ОХРИСТО СГЬ, Г/100 КУБ. СМ-Очень малое: .
14 САХАРИСТОСТЬ. Г/100 КУБ. СМ-Малое; 2/.6-{1... |
15 САХАРИСТОСТЬ, ГЛОВКУБ. сМ-Срщнев:^Ж.. |
16 САХАРИСТОСТЬ, Г/ЮОКУБ. СМ-Большое: 4/5-...
17 САХАРИСТОСТЬ, Г/100.КУБ. СМ-Очень большо.
18 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Очень мало...
13 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Малое: 2'/5-{... |
20 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л Среднее: 3/... |
21 КИЕДЙ^НОСТЬ ТИТРУЕМАЯ, Г/Л-Большое' 4/.
22 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Очень боль..
я й РАССЕЧЕННОСТЬ ЛИСТЬЕВ 1(К2Щ6-:1
№ Köa класса Наименование класса Сксдсгво
1 12 УРОЖАЙНОСТЬ, Ц/ГА-Очень большое: 5/5-117Й.0000000. 403.00... 100.000
2 '33 ПЕРИОД СОЗРЕВАНИЯ ■■(623)-В/7-:7 40.236
3 31 ЯГОДЫ 0КРАСИ'(2Й):5/К6 30.459
4 :66 ЯГОДЫ РАЗМЕР (220)-3/5::В 37.895
5 2 ТИП ЦВЕТКА (151}^/2-:4 36.689
е 7 СРЕДНЯЯ МАССА ГРОЗДИ, Г-Очень большое: 5/5;.{280.0000000.... 36.289
7 ii ВЫРЕЗКИ НИЖНИЕ ЛИСТЬЕВ (0Э4^)-5/5-:Й 34.985
3 43 ВЫРЕЗКИ.НИЖНИЕ ЛИСТЬЕВ (034-2М/5-:7 29.462
3 КИСЛОТНОСТЬ ТИТРУЕМАЯ, Г/Л-Среднее: 3/5^6.4000000.6.30... 28.466
10 31 НАПРАВ ПЕНИЕ ИСПОЛЬЗОВАНИЯ (603)-2/3-:3 27.701
11 53 ПЛОТНОСТЫСРМДИ (ЙЙр/6-:1 27.261
12 53 П П О Т Н О СТ Ь ГРО 3ДИ 1204)-?/6-: 2' 27.009
38 РАССЕЧЕННОСТЬ ЛИСТЬЕВ.(0йда-:6 -23.337
33 37 ЯГОДЫ АРОМАТ (236]-5/7-:7 -23.461
100 103 РОСТ ПОБЕГОВ (351)-4/4-:Э -24.065
101 30 ЯГО ДЫ. ОКРАСКА (225>4/6-:5 -25.073
102 1 ТИП ЦВЕТКА (1511-1/2^3 -25.950
103 16 ЮХАРИСТОСТЬ, Г/1 Ш КУБ СМ-Большое: 4/5-{16.7000000,20.5... -26.254
104 10 УРОЖАЙНОСТЬ, Ц/Гд-Среднее: ЗЙ-05.0000000,120.0000000} ... -27.121
105 36 ПЕРИОД СОЗРЕВАНИЯ ШШШ -32.969
106 32 НАПРАВЛЕНИЕ ИСПОЛЬЗОВАНИЯ (603]-3/3-:4 -33.661
107 3 УРОЖАЙНОСТЬ, Ц/ГА-Малое: 2/5:00.0000000, 35.0000000} -34.969
103 37 В ЫРЕ.ЗКК'ВЕЯНИЕ ЛИСТЬЕВ 1094-11-3/5- 5 -34.974
Помощь Abs Ргс1 Рю2 Infi Inf2 Inf3 Inf4 Inf5 Inf6 Inf7 График BKJ1.Фильтр по кл.шкале ВЫКЛ.Фильтр по кл.шкале Вписать в окно
Рисунок 19. Табличная форма с результатом кластерного анализа классов
Имеется возможность сразу получить графическую диаграмму, соответствующую приведенной таблице. Однако в этом случае эта диаграмма будет нечитабельна из-за большого количества графических элементов. Поэтому перед отображением графической диаграммы кликнем на кнопке: «Вписать в окно» на появившейся экранной форме, приведенной на рисунке 19, зададим 12 отображаемых классов, нажмем ОК, а уже затем кликнем по кнопке: «График» (рисунок 20):
Рисунок 20. Задание параметров графической диаграммы с результатами кластерно-конструктивного анализа
А затем выведем саму диаграмму:
Рисунок 21. Когнитивная диаграмма с результатами кластерно-конструктивного анализа
На этой диаграмме изображен конструкт с двумя кластерами на полюсах. На одном полюсе кластер с центром в классе - код: 12 «Урожайность очень большая» (этот центр мы задаем в экранной форме, приведенной на рисунке 19) и классами 98, 81, 66 и 2, а на другом полюсе мы видим кластер с фенотипическими признаками: 37, 9, 92, 93, 10, 16.
Классы, находящиеся в одном кластере, детерминируются сходными системами генов и достижимы одновременно в одном сорте.
Классы, относящиеся к противоположным кластерам, находящимся на полюсах конструкта, не достижимы одновременно в одном сорте.
Например, перед селекционерами корректно ставить задачу получить высокоурожайный сорт винограда с окраской ягод 225 (код: 81) и размером ягод 220 (код: 66), и очень массивной гроздью (код: 7), при этом у этого сорта будет длительный период созревания 629 (код: 98). А вот требовать от селекционеров, чтобы эти ягоды были сладкими (код: 16) некорректно, т.к. это требует совершенно другого генома, чем обуславливающий ранее перечисленные фенотипические свойства. Если же мы хотим получить сладкий сорт, то, по-видимому, придется смириться с его малой или в лучшем случае средней урожайностью.
Отметим, что обычно подобными знаниями располагают только эксперты в данной предметной области, а в данной работе показано, как они могут быть получены с помощью современных автоматизированных интеллектуальных технологий (АСК-анализа и системы «Эйдос») непосредственно на основе эмпирических данных.
4.8. Количественное определение сходства-различия различных генов по их влиянию на фенотипических свойства. Возможность замены одних генов другими
Традиционно считается, что определенные гены обуславливают соответствующие фенотипические свойства и эти свойства не могут быть детерминированы другими генами. Но наше исследование показывает, что, по-видимому, это не так. Об этом говорит факт сходства между генами по их влиянию на фенотип, из-за чего они объединяются в кластеры, а противоположные кластеры образуют полюса конструктов. В одном кластере оказываются гены, оказывающие сходное влияние на фенотипические свойства, а на полюсах конструкта - противоположное.
Для получения соответствующих выходных форм сначала сформируем матрицу сходства генов по их влиянию, а потом отобразим ее в табличном и графическом виде (рисунки 22 и 23):
4.3.2.2. Результаты клэстерно-конструкги&ного анализа признаков
Кинструкт признака: БО "VRZAG7S-1 -Очень большое: 5/5-{?5Э.0000000, 261.0000000}" в модели: 4 "¡NF1" 71
| ^сщ I Наименование признака ■ Код призна... Наименование признака Сходство I
53 VRZAG792-Среднее} 3/5(249.0000000,251.000.. 1 60 VR2AG 79-1 -0 чень большое:;5/51259.0000000,261.0000000} 100.000
54 VRZAG79-2-B ольшое: 4/5-{251.0000000, 251.000.. 2 5 VRZAG 47-2-0 чень большое: 5/5:(106.0000000,195.0000000} 43.409
'55 VRZAG 79-2-0 чень большое:.В/Й;251:0000000, 2.. 3 125 WMD27-2-04eHb большое: ШЙ86.0000000,195.0000000} 43.403
56 VRZAG 79-1 ■ 0 чень l^nEifei ;#{237.0000000,251... 4 167 VRZAG 67-1 -Малое:'''2/5;{135.0000000,143.0000000} 37.650
5? VRZAG 79-1 -М алое:' 2/^{251.. 0000000, 251.00000... 5 210 WIV67-1-Очень большое': 5/5:{376:0000000, 400.0000000} 36.439
58 VRZAG79-1 -Осеннее: 3/5i{251.0000000,257.000... 6 203 WIV67-2-CpeflHee: 3/5-057.0000000, 358.0000000} 32.063
'53 №ÄB7a-T--6 ольшое:-.4?5:'Й67. ООО'ШЩ-.'гЙШО... .7 224 VM¿41-3.1 -2-Большое: ШШШЙШЙВ77.0000000} ге.423
60 VR2AB7iKi чень большое-Й^Й ODOOODÖ;:2.. , 8 Ш ■™®Й2-2-Среднее: 3>5-.i2BD,Üb0d0DÖ, 252,ШООИШ 26.310
61 WMD28;2:Ü4eHb малое: 1Ä{218.0000000, 234.... 8 173 :^УЗ?^-Среднее:'.:Ж-:{"156.0000000,160.0000000} 25.629
62 WMD28-2-Manoe: ^{234:0000000, 236.000000.. 10 .83 WMD25-2-Cpeanee: 3/.5-{239.0000000, 241.0000000} 25.327
Ш WMD28-2-CpefiHee: i/5-'{2'36.0000000, 236.0000... 11 247 WIP31-1-Малое: .2/541-81 0000000,183.0000000} 23.995
64 WM D28:2-E ольшое: 4/5-.{236.0000000, 244.0000... 12 16 Wä2'-1 -Очень малое: 1 /5-{135.0000000,141.0000000} 22.362 - Г
65 WMD28;2:Ü4eHb большое: 5/Я244.0000000, 25... .240 85 WMD25-2-Ü4eHb большое: 5/5-Й45.0000000, 255.0000000} -19.451
66 WMD28-1-Ü4eHb малое: 1/5-{234.0000000. 244.... 241 71 WMD32-2-Ü4eHb малое: 1 /5-Й36.0000000, 248.0000000} -20.255
67 WM D28-1 -M алое: Е-ШШ0000000, 258.000000.. '242 '25 WMD7-2-Ü4eHb большое: 5/5-{247.00G0000, 248.0000000} -20.412
68 WMD28-1-Среднее: 0000000, 258.0000... 243 207 Wjy674-M алое)'3/5-{361.0000000, '365.0000000} -20.620
63 WMD28-1-Большое: 4/5^258.0000000, 258.0000... .244 ■226 :i?MC4F3.1 -1 -Очень малое: 1 61.0000000. 171.0000000} -20.717
70 WMD28-1-Ü4eHb большое: 5/5-Й58.0000000, 27... 245 221 VMC4F3.1 -2-0чень малое: 1 /5-{161.0000000,165.0000000} -21.794
.ЧЙ WMD32-2-Ü4enb малое: '1 /5-{236.0000000, 248.... '246 48 VRZAG 62-1-Б ольшое: 4/5-{202.0000000, 204.0000000} -21.876
72 WMD32-2:Mалое:8.0000000, 250.000000... '247 153 ЭДйШШШЙ 3Ä176.0000000, 78.0000000} -22.936
73 WMD'32-г-Среднее: 3/5-Й50.0000000, 252.0000.. .248 146 :i?S1C1B11-1-Очень малое: 1/5:0 67.0000000,178.0000000} -23.353
71 WMD32-2 Bольшое: 4/5-Й52.0000000, 256.0000... 248 26 WMD7-1-Ü4eHb малое: 1/5-{235.0000000,243.0000000} -24.103
ч * WM 032й0 вяй=. бплыиоЕ,Щ5-Й56 ЛПОПООО. 27... 250 - 103 W1B01 -2-Соеднее: '3/bi231.0000000. 285.0000000) -26.525 и
Помощь Abs | 'Fiel | Pic2 Infi | Inf2 Щ | Inf4 | InfS InfG Inf7 График ВКП.Фильтр по.кл.шкале ВЫЙ/^фильтр по кл.шкале ;Вписать в окно; Показать ВСЕ
1-.........." ............................." .....- - ...............................■
Рисунок 22. Результат кластерно-конструктивного анализа генов
по их влиянию на фенотип
Рисунок 23. Результат кластерно-конструктивного анализа генов
по их влиянию на фенотип
Из этих выходных форм видно, какие гены оказывают сходное, а какие - противоположное влияние на фенотип. Если бы между генами и фе-нотипическими признаками/свойствами было взаимно-однозначное соответствие, то между ними не было бы сходства и различия по их влиянию на фенотип, т.е. их система была бы ортонормированна.
Отметим, что обычно подобными знаниями располагают только эксперты в данной предметной области, а в данной работе показано, как они могут быть получены с помощью современных автоматизированных интеллектуальных технологий (АСК-анализа и системы «Эйдос») непосредственно на основе эмпирических данных.
4.9. Алгоритм принятия решения о структуре генома с целью создания нового сорта с заданной системой феноти-пических свойств/признаков
Авторы предлагают следующий алгоритм принятия решения о структуре генома с целью создания нового сорта с заданной системой фе-нотипических свойств/признаков, по сути совпадающий с логикой изложения в данной работе (предполагающий, что все этапы АСК-анализа до создания и верификации моделей успешно выполнены):
Шаг-1: 4.7. Количественное определение сходства-различия различных фенотипических свойств по их системе детерминации генами. Выбираем совместимые в одном сорте фенотипические свойства.
Шаг-2: 4.5. Провести автоматизированный 8ШОТ-анализ системы детерминации каждого из выбранных на 1-м шаге фенотипического свойства структурой генома. Выбрать гены, детерминирующие выбранные фе-нотипические свойства.
Шаг-3: Исключить повторы генов, выбранных на 2-м шаге.
Шаг-4: 4.4. Решить задачу системной идентификации сорта по выбранным на 3-м шаге генам. Этот сорт и берем за основу для селекции.
Для выполнения 4-го шага создаем еще одну модель совершенно аналогично описанному выше, но в качестве классов выбираем наименования сортов, а в качестве признаков - гены. Авторами эта модель создана. На рисунке 24 приводится одна из форм, отражающая результаты кластер-но-конструктнвного анализа сравнения сортов по их геному в этой модели:
Рисунок 24. Результаты кластерно-конструктивного анализа сравнения сортов по их геному
4.10. Когнитивные функциональные зависимости между структурой генома и степенью выраженности фенотипиче-ских свойств/признаков
Когнитивные функции - это предложенное проф. Е.В. Луценко обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике [20]. Для их генерации и визуализации в системе «Эйдос» предназначен режим
4.5 (рисунок 25); ■- ^^
4.5. Визуализация когнитивных функций
Что такое когнитивная Функция:
Визуализация прямых, обратный, позитивных, негативных, полностью и частично редуцированных когнитивных Функций Когнитивная Функция представляет собой графическое отображение силы и направления влияния различных значений некоторого Фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы) количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью СК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. См.: Луценко Е.В. Метод визуализации когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№03(67). С. 240 - 282. - Шифр Информрегистра: 0421100012\0077. , 2,688 у.п.л. - Режим доступа: http://ei.kubaoro.ru/2011 /03/рс^/1 8.pdf
Задайте нужный режим:
Визуализации КОГНИТИВНЫХ функций | Скачать подборку публикаций по когнитивным Функциям | Литератур.ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями
Рисунок 25. Начальная экранная форма режима визуализации
когнитивных функций
Модуль визуализации когнитивных функций разработан по постановке проф. Е.В. Луценко разработчиком интеллектуальных систем из Белоруссии Д.К. Бандык [21].
На рисунке 26 приведена визуализации всей базы знаний Г№Р1 [8], а на рисунке 28 - примеры некоторых когнитивных функций;
Рисунок 26. Когнитивная функция всех подматриц модели INF1
Всего в каждой из 7 моделей знаний получается подобных 1000 когнитивных функций, т.к. в каждой модели знаний 20 классификационных шкал и 50 описательных шкал, т.е. 1000 подматриц (на рисунке они отделены черными линиями).
Если бы в предметной области не было ярко выраженных закономерностей, то изображение на рисунке напоминало бы изображение на экране телевизора при отсутствии сигнала (случайная рябь). На рисунке приведено изображение базы знаний модели INF 1 случайной модели [22] , созданной на основе модели, представленной на рисунке 26:
Рисунок 27. Когнитивная функция всех подматриц случайной модели INF1 Различие рисунков 26 и 27 очевидно.
7 См., например: http://lc.kubagro.ru/aidos/aidos06 lab/lab 10.htm http://ej .kubagro.ru/2016/07/pdf/03 .pdf
Рисунок 28. Примеры некоторых когнитивных функций
Эти когнитивные функции отражают зависимости степени выраженности различных фенотипических свойств/признаков винограда от степени выраженности определенных генов.
5. Выводы и перспективы
Общеизвестно, что генетика изучает механизмы наследственности/изменчивости и очень широко пользуется понятием «наследственная информация». При этом генетика под информацией подразумевает содержание генетического кода - структуры молекул ДНК и РНК, входящих в состав клетки живого организма. Генетика изучает механизмы записи, копирования, считывания генетической информации, возможности ее модификации, а также ее влияние на свойства/признаки организма. В разговорном и научном языке прочно закрепились фразы, типа «Гены содержат информацию о признаках и свойствах организма». Парадоксально, но мы не видим попыток определения количества информации, содержащейся в конкретных генах о конкретных фенотипических свойствах/признаках организма. Казалось бы, применение теории информации в генетике является совершенно естественным и напрашивается само собой. Тем более странно, что практически нет работ, посвященных применению теории информации для решения задач генетики. Данная статья призвана в какой-то степени восполнить этот пробел на примере вычисления количества информации в генах о свойствах/признаках различных сортов винограда. В ней рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос» для решения одной из
важных задач генетики: определения количества информации, содержащейся в генах о различных фенотипических свойствах/признаках винограда. Для решения этой задачи выполняются следующие этапы: 1) когнитивно-целевая структуризация предметной области; 2) формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций и обучающей выборки; 3) синтез и верификация информационной модели, отражающей количество информации в генах о фенотипиче-ских свойствах/признаках (многопараметрическая типизация); 4) вывод информации о генетической системе детерминации фенотипических свойств/признаков (8ШОТ-анализ феносвойств); 5) вывод информации о силе и направлении влияния конкретного гена на фенотипические свойства/признаки (8ШОТ-диаграммы генов); 6) решение задачи системной идентификации фенотипических свойств/признаков по наличию тех или иных генов; 7) количественное определение сходства-различия различных фенотипических свойств/признаков по их системе детерминации генами. Конкретное фенотипическое свойство/признак рассматривается как за-шумленный генетический текст, включающий как генетическую информацию об истинном феносвойстве/признаке (чистый сигнал), так и шум, искажающий эту информацию, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» - обеспечивает подавление шума и выделение истинного сигнала.
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только при генетических исследованиях в ампелографии, но и в других предметных областях, чему может способствовать и то, что система «Эйдос» размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Конечно данная работа далека от завершенности и лишь продемонстрировала возможность применения теории информации и когнитивных технологий в исследованиях в области генетики. В перспективе авторы планируют провести более масштабное исследование на значительно большем объеме исходных данных: большем количестве сортов винограда, большем количестве их фенотипических свойств/признаков и большем количестве генов, причем не только резервных, микросателлитных, но и оказывающих непосредственное влияние на фенотипические свойства/признаки.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта, а также по эконометрике, биометрии, экологии, педагогике, психологии, медицине, криминалистике, энтомологии и др.
Литература8
1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ, 2002. -605 с. http://elibrary.ru/item.asp?id=18632909.
2. 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.
3. Луценко Е.В. Универсальная когнитивная аналитическая система «Эй-дос". Монография (научное издание). - Краснодар: КубГАУ, 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=22401787.
4. Луценко Е.В. Исследование влияния подсистем различных уровней иерархии на эмерджентные свойства системы в целом с применением АСК-анализа и интеллектуальной системы "Эйдос" (микроструктура системы как фактор управления ее макросвойствами) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №01(075). С. 638 - 680. - Шифр Информрегистра: 0421200012\0025, IDA [article ID]: 0751201052. - Режим доступа: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 у.п.л.
5. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. - М.: Высшая школа, 1989. - 320 с.
6. Перегудов Ф.И., Тарасенко Ф.П. Основы системного анализа. - Томск: Изд-во науч.-техн. лит., 1997. - 389 с.
7. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej .kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.
8. 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.
9. 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.
10. Стабин И.П., Моисеева B.C. Автоматизированный системный анализ. - М.: Машиностроение, 1984. - 309 с.
8 Ссылки на эти и другие работы автора есть на сайте: http://lc.kubagro.ru/
11. Симанков В.С. Автоматизация системных исследований в альтернативной энергетике. Диссерт. на соиск. уч. ст. докт, техн. наук. По спец.: 05.13.01. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike.
12. Klir G.J. Architecture of Systems Problem Solving, with D. Elias. - New York:. Plenum Press, 1974. -354 p.
13. Клир Дж. Системология. Автоматизация решения системных задач. - Москва: Радио и связь, 1990. - 538 с. http://www.twirpx.com/file/486296/.
14. Лефевр В.А. Конфликтующие структуры . Издание второе, переработанное и дополненное. — М.: Изд-во «Советское радио», 1973. - 158 с. с ил.
15. Хаббард Дуглас У. Как измерить все, что угодно. Оценка стоимости нематериального в бизнесе / Дуглас У. Хаббард / [Пер. с англ. Е. Пестеревой]. — М.: ЗАО «Олимп-Бизнес», 2009. — 320 с.: ил. ISBN 978-5-9693-0163-4 (рус.). http://www.twirpx.com/file/1546361/.
16. Сайт автора АСК-анализа проф. Е.В. Луценко: http://lc.kubagro.ru/.
17. Трошин Л.П., Маградзе Д.Н. Ампелографический скрининг генофонда винограда (Учебное наглядное пособие). - Краснодар, 2013. - 120 с.
18. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
19. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 -576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
20. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.
21. Луценко Е.В., Бандык Д.К. Подсистема визуализации когнитивных (каузальных) функций системы «Эйдос» (Подсистема «Эйдос-VCF»), Пат. № 2011612056 РФ. Заяв. № 2011610347 РФ 20.01.2011. Опубл. от 09.03.2011. http://lc.kubagro.ru/aidos/2011612056.jpg
22. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318 с. http://elibrary.ru/item.asp?id=21683721
23. Биометрическая оценка полиморфизма сортогрупп винограда Пино и Рислинг по морфологическим признакам листьев среднего яруса кроны / Л.П. Трошин, Е.В. Луценко, П.П. Подваленко, А.С. Звягин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №08(052). С. 1 -
14. - Шифр Информрегистра: 0420900012\0097, IDA [article ID]: 0520908001. - Режим доступа: http://ej.kubagro.ru/2009/08/pdf/01.pdf, 0,875 у.п.л.
24. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015.
- №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ei.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
25. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луценко, Л.П. Трошин, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 - 1228. - IDA [article ID]: 1161602077. - Режим доступа: http://ei.kubagro.ru/2016/02/pdf/77.pdf, 1,5 у. п. л.
26. Анапская ампелографическая коллекция / Е.А. Егоров, О.М. Ильяшенко, А.Г. Коваленко [и др.]. - Краснодар: СКЗНИИСиВ, 2009. - 216 с.
27. Грамотенко П.М., Трошин Л.П. Микросистематика винограда: классификация сортов винограда А. М. Негруля и ее дальнейшее развитие) // Виноградарство и виноделие. - 1994. - № 1. - С. 10-17.
28. Интерактивная ампелография и селекция винограда: (Сб. материалов Между-нар. симп.). - Краснодар: КубГАУ, 2012. - 264 с.
29. Операционные данные ампелографической коллекции "Магарач" за 1985-1987 гг. / Л.П. Трошин, А.М. Панарина, А.М. Пискарева [и др.]; ВНИИВиПП "Магарач". -Ялта, 1988. - 86 с.
30. Трошин Л.П. Ампелография и селекция винограда. - Краснодар: РИЦ «Вольные мастера», 1999. - 138 с.
31. Трошин Л. П. Лучшие сорта винограда Евразии. - Краснодар: Алви-Дизайн, 2006. - 224 с.
32. Трошин Л. П., Федоров Ю. К. Биометрический анализ генофонда винограда / ВНИИВиПП "Магарач". - Ялта, 1988. - 90 с.
33. Трошин Л.П. Ампелографическая и селекционная научно-исследовательская работа Кубанского госагроуниверситета [Электронный ресурс] // Науч. журн. КубГАУ.
- Краснодар: КубГАУ, 2012. - № 07 (81). - С. 524-544. - Режим доступа: http://ej.kubagro.ru/2012/07/pdf/39.pdf, 1,312 у.п.л.
34. Трошин Л.П., Радчевский П.П. Виноград: иллюстрированный каталог. Районированные, перспективные, тиражные сорта. - Ростов н/Д: Феникс, 2010. - 271 с.: ил.
- (Мир садовода).
35. Website:
http://www.bioversityinternational.org/fileadmin/bioversity/publications/pdfs/393.pdf.
36. Website: http://www.diprove.unimi. it/GRAPENET/index.php.
37. Website: http://www.eu-vitis.de/index.php и http://www.vivc.de/index.php.
38. Website: http://www.oiv.int/oiv/info/frplubicationoiv#desc.
39. Website http ://pl antgrap e.pl antnet-proi ect.org/ и http://lescepages.free.fr/cepmc.html.
40. Website: http://www.vitis.ru и http://kubsau.ru/chairs/viniculture/.
41. Изучение генетического разнообразия генофода винограда Северного Кавказа / Р. Тёпфер, Э. Мауль, А.В. Милованов и др. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный жур-
нал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 201в. - №05(119). С. 1337 - 1355. - IDA [article ID]: 1191в05090. - Режим доступа: http://ej.kubagro.ru/201в/05/pdf/90.pdf, 1,188 у.п.л.
42. Милованов А.В. Генотипирование новых перспективных технических прото-клонов винограда с использованием микросателлитных маркёров / А. В. Милованов, А. С. Звягин, Л. П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №04(098). С. 139 - 157. - IDA [article ID]: 0981404010. - Режим доступа: http://ej.kubagro.ru/2014/04/pdf/10.pdf, 1,188 у.п.л., импакт-фактор РИНЦ=0,34в.
43. Милованов А.В. Генотипирование сортов винограда по молекулярным маркёрам / А.В. Милованов, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №02(09в). С. 53 - в5. -IDA [article ID]: 09в1402005. - Режим доступа: http://ej.kubagro.ru/2014/02/pdf/05.pdf, 0,812 у.п.л., импакт-фактор РИНЦ=0,34в.
44. Трошин Л.П., Милованов А.В., Звягин А.С. Ампело-генетический скрининг перспективных столовых и технических сортов и протоклонов винограда // Виноделие и виноградарство. - 2015. - № 2. - С. 33-3в.
45. Трошин Л.П., Милованов А.В., Звягин А.С. Этюд совершенствования клоно-вой селекции винограда // Магарач. Виноградарство и виноделие. - 2015. - №3. - С. 333в.
4в. Хильчевская Р. И. Роль асимметрии-симметрии материи в процессах происхождения жизни на Земле // Ж-л ВХО им. Д.И. Менделеева, Том XXV4, 1980 г. - Изд-во. «Химия». - С. 418-424. Адрес доступа: http://omdp.narod.ru/gip/rolasim.htm
47. А. Ленинджер. В кн.: Биохимия. - М., Мир, 1974. - С. 8в9, в55, вв1.
Literatura
1. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - в05 s. http://elibrary.ru/item.asp?id=18в32909.
2. 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://elibrary.ru/item.asp?id=21358220.
3. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - в00 s. ISBN 978-5-94в72-830-0. http://elibrary.ru/item.asp?id=18271217
4. Lucenko E.V. Issledovanie vlijanija podsistem razlichnyh urovnej ierarhii na jemerdzhentnye svojstva sistemy v celom s primeneniem ASK-analiza i intellektual'noj siste-my "Jejdos" (mikrostruktura sistemy kak faktor upravlenija ee makrosvojstvami) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstven-nogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2012. - №01(075). S. в38 - в80. - Shifr Informregistra: 0421200012\0025, IDA [article ID]: 0751201052. - Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,в88 u.p.l.
5. Peregudov F.I., Tarasenko F.P. Vvedenie v sistemnyj analiz. M.: Vysshaja shkola, 1989. - 320 s.
6. Peregudov F. I., Tarasenko F. P. Osnovy sistemnogo analiza. Tomsk Izd-vo nauch.-tehn. lit. 1997. - 389 s.
7. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.
8. 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 jel-ektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 -60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.
9. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom an-alize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
10. Stabin I.P., Moiseeva B.C. Avtomatizirovannyj sistemnyj analiz. - M.: Mashi-nostroenie, 1984. - 309 s.
11. Simankov V.S. Avtomatizacija sistemnyh issledovanij v al'ternativnoj jenergetike. Dissert. na soisk. uch. st. dokt, tehn. nauk. Po spec.: 05.13.01. http://tekhnosfera.com/avtomatizatsiya-sistemnyh-issledovaniy-v-alternativnoy-energetike.
12. Klir G.J. Architecture of Systems Problem Solving, with D. Elias, Plenum Press, New York. - 354 pp.
13. Klir Dzh. Sistemologija. Avtomatizacija reshenija sistemnyh zadach. Moskva: Radio i svjaz'. 1990. 538 s. http://www.twirpx.com/file/486296/.
14. Lefevr V.A. Konfliktujushhie struktury . Izdanie vtoroe, pererabotannoe i dopolnen-noe. — M.: Izd-vo «Sovetskoe radio», 1973. - 158 s. s il.
15. Habbard Duglas U. Kak izmerit' vse, chto ugodno. Ocenka stoimosti nemateri-al'nogo v biznese / Duglas U. Habbard / [Per. s angl. E. Pesterevoj]. — M.: ZAO «Olimp-Biznes», 2009. — 320 s.: il. ISBN 978-5-9693-0163-4 (rus.). http://www.twirpx.com/file/1546361/.
16. Sajt avtora ASK-analiza prof. E.V. Luceko: http://lc.kubagro.ru/.
17. Troshin L.P., Magradze D.N. Ampelograficheskij skrining genofonda vinograda (Uchebnoe nagljadnoe posobie). - Krasnodar, 2013. - 120 s.
18. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
19. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Ku-banskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jel-
ektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Inform-registra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
20. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj ma-tematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhur-nal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.
21. Lucenko E.V., Bandyk D.K. Podsistema vizualizacii kognitivnyh (kauzal'nyh) funkcij sistemy «Jejdos» (Podsistema «Jejdos-VCF»), Pat. № 2011612056 RF. Zajav. № 2011610347 RF 20.01.2011. Opubl. ot 09.03.2011. http://lc.kubagro.ru/aidos/2011612056.jpg.
22. Lucenko E.V. Laboratornyj praktikum po intellektual'nym informacionnym siste-mam: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd.,pererab. i dop. - Krasnodar: KubGAU, 2006. - 318 s. http://elibrary.ru/item.asp?id=21683721.
23. Biometricheskaja ocenka polimorfizma sortogrupp vinograda Pino i Risling po mor-fologicheskim priznakam list'ev srednego jarusa krony / L.P. Troshin, E.V. Lucenko, P.P. Podvalenko, A.S. Zvjagin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №08(052). S. 1 - 14. - Shifr Informregis-tra: 0420900012\0097, IDA [article ID]: 0520908001. - Rezhim dostupa: http://ej.kubagro.ru/2009/08/pdf/01.pdf, 0,875 u.p.l.
24. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobra-zhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identif-ikacija) / 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.
25. 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.
26. Anapskaja ampelograficheskaja kollekcija / E.A. Egorov, O.M. Il'jashenko, A.G. Kovalenko [i dr.]. - Krasnodar: SKZNIISiV, 2009. - 216 s.
27. Gramotenko P. M., Troshin L.P. Mikrosistematika vinograda klassifikacija sortov vinograda A.M. Negrulja i ee dal'nejshee razvitie) // Vinogradarstvo i vinodelie. - 1994. - № 1. - S. 10-17.
28. Interaktivnaja ampelografija i selekcija vinograda: (Sb. materialov Mezhdunar. simp.). - Krasnodar: KubGAU, 2012. - 264 s.
29. Operacionnye dannye ampelograficheskoj kollekcii "Magarach" za 1985-1987 gg. / L.P. Troshin, A.M. Panarina, A.M. Piskareva [i dr.]; VNIIViPP "Magarach". - Jalta, 1988. -86 s.
30. Troshin L.P. Ampelografija i selekcija vinograda. - Krasnodar: RIC «Vol'nye mas-tera», 1999. - 138 s.
31. Troshin L.P. Luchshie sorta vinograda Evrazii. - Krasnodar: Alvi-Dizajn, 2006. -224 s.
32. Troshin L.P., Fedorov Ju.K. Biometricheskij analiz genofonda vinograda / VNIIViPP "Magarach". - Jalta, 1988. - 90 s.
33. Troshin L. P. Ampelograficheskaja i selekcionnaja nauchno-issledovatel'skaja rabota Kubanskogo gosagrouniversiteta [Jelektronnyj resurs] // Nauch. zhurn. KubGAU. - Krasnodar: KubGAU, 2012. - № 07 (81). - S. 524-544. - Rezhim dostupa: http://ej.kubagro.ru/2012/07/pdf/39.pdf, 1,312 u.p.l.
34. Troshin L.P., Radchevskij P.P. Vinograd: illjustrirovannyj katalog. Rajonirovannye, perspektivnye, tirazhnye sorta. - Rostov n/D: Feniks, 2010. - 271 s.: il. - (Mir sadovoda).
35. Website:
http://www.bioversityinternational.org/fileadmin/bioversity/publications/pdfs/393.pdf.
36. Website: http://www.diprove.unimi.it/GRAPENET/index.php.
37. Website: http://www.eu-vitis.de/index.php i http://www.vivc.de/index.php.
38. Website: http://www.oiv.int/oiv/info/frplubicationoiv#desc.
39. Website http://plantgrape.plantnet-project.org/ i http://lescepages.free.fr/cepmc.html.
40. Website: http://www.vitis.ru i http://kubsau.ru/chairs/viniculture/.
41. Izuchenie geneticheskogo raznoobrazija genofoda vinograda Severnogo Kavkaza / R.Tjopfer, Je.Maul', A.V.Milovanov i dr. // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №05(119). S. 1337 - 1355. - IDA [article ID]: 1191605090. - Rezhim dostupa: http://ej.kubagro.ru/2016/05/pdf/90.pdf, 1,188 u.p.l.
42. Milovanov A.V. Genotipirovanie novyh perspektivnyh tehnicheskih protoklonov vinograda s ispol'zovaniem mikrosatellitnyh markjorov / A.V. Milovanov, A.S. Zvjagin, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstven-nogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №04(098). S. 139 - 157. - IDA [article ID]: 0981404010. - Rezhim dostupa: http://ej.kubagro.ru/2014/04/pdf/10.pdf, 1,188 u.p.l., impakt-faktor RINC=0,346.
43. Milovanov A.V. Genotipirovanie sortov vinograda po molekuljarnym markjoram / A.V. Milovanov, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Ku-banskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jel-ektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №02(096). S. 53 - 65. - IDA [article ID]: 0961402005. - Rezhim dostupa: http://ej.kubagro.ru/2014/02/pdf/05.pdf, 0,812 u.p.l., impakt-faktor RINC=0,346.
44. Troshin L.P., Milovanov A.V., Zvjagin A.S. Ampelo-geneticheskij skrining perspektivnyh stolovyh i tehnicheskih sortov i protoklonov vinograda // Vinodelie i vinogra-darstvo. - 2015. - № 2. - S. 33-36.
45. Troshin L.P., Milovanov A.V., Zvjagin A.S. Jetjud sovershenstvovanija klonovoj selekcii vinograda // Magarach. Vinogradarstvo i vinodelie. - 2015. - №3. - S. 33-36.
46. Hil'chevskaja R.I. Rol' asimmetrii-simmetrii materii v processah proishozhdenija zhizni na Zemle. // Zh-l VHO im.D.I.Mendeleeva, TomXXV,4, 1980g. Izd-vo. «Himija». s. 418-424. Adres dostupa: http://omdp.narod.ru/gip/rolasim.htm.
47. A. Lenindzher. V kn.: Biohimija. - M., Mir, 1974. - S. 869, 655, 661.
