CC BY
33
УДК 303.732.4
ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ПОДСОЛНЕЧНИКА ПО КРАСНОДАРСКОМУ КРАЮ С ПРИМЕНЕНИЕМ СИСТЕМНОКОГНИТИВНОГО АНАЛИЗА (Часть 3-я: Решение задач прогнозирования и исследования предметной области)
UDC 303.732.4
FORECASTING OF SUNFLOWER YIELD FOR THE KRASNODAR REGION WITH THE USE OF SYSTEM-COGNITIVE ANALYSIS (PART III: Decision of the tasks of forecasting and research of the subject area)
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор
Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail.com
Познышева Наталья Олеговна Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13
В данной работе предложены технология и методика постановки и решения задачи прогнозирования сценариев изменения урожайности подсолнечника на уровне региона и его районов на основе системно-когнитивной модели, отличающиеся от традиционных: высокой степенью формализации модели знаний; возможностью синтеза матричной передаточной функции объекта прогнозирования непосредственно на основе эмпирических данных; корректной работой при неполных (фрагментированных) и зашумленных исходных данных. Впервые проведено исследование системнокогнитивной модели искусственной экосистемы насаждений подсолнечника Краснодарского края, которое корректно считать исследованием самой экосистемы, так как верификация данной модели показала ее высокую адекватность
Ключевые слова: СИСТЕМНЫЙ ПОДХОД, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, МНОГООТРАСЛЕВАЯ КОРПОРАЦИЯ, ПРОГНОЗИРОВАНИЕ, СЕМАНТИЧЕСКАЯ ИНФОРМАЦИОННАЯ МОДЕЛЬ
Lutsenko Eugeny Veniaminovich
Dr.Sci.Econ., Cand.Tech.Sci., professor
Kuban State Agrarian University, Krasnodar, Russia
Poznysheva Natalya Olegovna
Kuban State Agrarian University, Krasnodar, Russia
In the article we have offered the technology and the methodology for the formulation and the solution of the problem of forecasting scenarios of changes in yield sunflower seeds at the level of a region and its districts, on the basis of the system-cognitive model that is different from the traditional: a high degree of formalization of the model of knowledge; the possibility of the synthesis matrix transfer function of the object of forecasting directly on the basis of empirical data; correct work with incomplete (fragmented) and noisy data. For the first time, the study of the system-cognitive model of artificial ecosystems of sunflower in the Krasnodar Region, which is correctly regarded as the study of the ecosystem, as the verification of this model has shown its high adequacy has been conducted
Keywords: SYSTEM APPROACH, SYSTEM-COGNITIVE ANALYSIS, DIVERSIFIED CORPORATION, FORECASTING, SEMANTIC INFORMATION MODEL
Решение задач идентификации и прогнозирования
Идентификация - количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, которые относятся к тому же моменту времени, что и состояние.
Прогнозирование - количественная оценка степени сходства конкретного объекта или его состояния с классом по признакам, причем признаки относятся к более раннему времени, чем состояние (рисунок 1):
Рисунок 1. Экранная форма результата прогнозирования будущего сценария изменения урожайности подсолнечника
В верхней части карточки прогнозирования приведены сценарии, осуществление которых вероятно, а в нижней - осуществление которых не ожидается.
Решение задачи исследования предметной области Информационные портреты классов и факторов
Информационный портрет класса - это список факторов, ранжированных в порядке убывания силы их влияния на переход объекта управления в состояние, соответствующее данному классу. Информационный портрет класса отражает систему его детерминации. Генерация информационного портрета класса представляет собой решение обратной задачи прогнозирования, т.к. при прогнозировании по системе факторов определяется спектр наиболее вероятных будущих состояний объекта управления, в которые он может перейти под влиянием данной системы факторов, а в информационном портрете мы наоборот, по заданному будущему состоянию объекта управления определяем систему факторов, детерминирующих это состояние, т.е. вызывающих переход объекта управления в это состояние. В начале информационного портрета класса идут факторы, оказывающие положительное влияние на переход объекта управления в заданное состояние, затем факторы, не оказывающие на это существенного влияния, и далее - факторы, препятствующие переходу объекта управления в это состояние (в порядке возрастания силы препятствования). Информационные портреты классов могут быть от отфильтрованы по диапазону факторов, т.е. мы можем отобразить влияние на переход объекта
управления в данное состояние не всех отраженных в модели факторов, а только тех, коды которых попадают в определенный диапазон, например, относящиеся к определенным описательным шкалам.
Пример информационного портрета класса: «В следующем году ожидается высокая урожайность подсолнечника», приведен в таблице 12:
Таблица 1 - ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА:
Код: 1, Наименование: «В», Полный портрет.
Фильтрация по кодам признаков: 1-172.
Фильтрации по модулю информативности нет.
07-12-12 16:22:02 г.Краснодар
№ Предыдущий сценарий Количество информации в битах
Код Наименование
1 22 ББББ 2,837
2 37 ВВВВС 2,837
3 53 ББББСС 2,837
4 68 ББББССС 2,837
5 82 ББББСССС 2,837
6 95 ББББССССС 2,837
7 107 ББББСССССН 2,837
8 118 ББББСССССНН 2,837
9 128 ББББСССССННН 2,837
10 137 ББББСССССНННН 2,837
11 145 ББББСССССННННС 2,837
12 152 ББББСССССННННСС 2,837
13 158 ББББСССССННННССС 2,837
14 163 ББББСССССННННСССС 2,837
15 167 ББББСССССННННССССБ 2,837
16 170 ББББСССССННННССССББ 2,837
17 172 ББББСССССННННССССББ Б 2,837
18 23 БББС 2,136
19 38 БББСС 2,136
20 54 БББССС 2,136
21 69 БББСССС 2,136
22 83 БББССССС 2,136
23 96 БББСССССН 2,136
24 108 БББСССССНН 2,136
25 119 БББСССССННН 2,136
26 129 БББСССССНННН 2,136
27 138 БББСССССННННС 2,136
28 146 БББСССССННННСС 2,136
29 153 БББСССССННННССС 2,136
30 159 БББСССССННННСССС 2,136
31 164 БББСССССННННССССБ 2,136
32 168 БББСССССННННССССББ 2,136
33 171 БББСССССННННССССБББ 2,136
34 12 ББС 1,727
35 24 ББСС 1,727
36 39 ББССС 1,727
37 55 ББСССС 1,727
38 70 ББССССС 1,727
39 84 ББСССССН 1,727
40 97 ББСССССНН 1,727
41 109 ББСССССННН 1,727
42 120 ББСССССНННН 1,727
43 130 ББСССССННННС 1,727
44 139 ББСССССННННСС 1,727
45 147 ББСССССННННССС 1,727
46 154 ББСССССННННСССС 1,727
47 160 ББСССССННННССССБ 1,727
48 165 ББСССССННННССССББ 1,727
49 169 ББСССССННННССССБББ 1,727
50 5 БС 1,436
51 13 БСС 1,436
52 25 БССС 1,436
53 40 БСССС 1,436
54 56 БССССС 1,436
55 71 БСССССН 1,436
56 85 БСССССНН 1,436
57 98 БСССССННН 1,436
58 110 БСССССНННН 1,436
59 121 БСССССННННС 1,436
60 131 БСССССННННСС 1,436
61 140 БСССССННННССС 1,436
62 148 БСССССННННСССС 1,436
63 155 БСССССННННССССБ 1,436
64 161 БСССССННННССССББ 1,436
65 166 БСССССННННССССБББ 1,436
66 44 ССССС 1,210
67 59 СССССН 1,210
68 73 СССССНН 1,210
69 86 СССССННН 1,210
70 99 СССССНННН 1,210
71 111 СССССННННС 1,210
72 122 СССССННННСС 1,210
73 132 СССССННННССС 1,210
74 141 СССССННННСССС 1,210
75 149 СССССННННССССБ 1,210
76 156 СССССННННССССББ 1,210
77 162 СССССННННССССБББ 1,210
78 11 БББ 0,460
79 4 ББ 0,437
80 1 Б 0,398
81 29 СССС -0,416
82 16 ССС -1,054
83 7 СС -1,471
84 2 С -1,787
В информационном портрете прошлые сценарии приведены в порядке убывания степени, в которой они обусловливают будущий сценарий: «В
следующем году ожидается высокая урожайность подсолнечника». Видно, что чем больше лет до этого была такая урожайность, тем выше вероятность того, что такой она будет и в будущем. Видно также, что на этот результат влияют, в основном, предыдущие четыре года, т.к. у всех сценариев, у которых совпадают эти четыре года, а остальные годы не совпадают, наблюдается одинаковое влияние на результат. Кроме того если в предшествующие четыре года была средняя урожайность, то это отрицательно сказывается на получении высокой урожайности в будущем году, причем чем больше лет со средней урожайностью предшествует нынешнему, тем меньше это отрицательное влияние, а когда таких лет паять, то это даже повышает ожидания высокой урожайности.
В таблице 13 приведен информационный портрет класса: «В течение ближайших трех лет ожидается высокий урожай подсолнечника».
Таблица 2 - ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА:
Код: 11, Наименование: «ВВВ», Полный портрет.
Фильтрация по кодам признаков: 1-172.
Фильтрации по модулю информативности нет.
07-12-12 16:46:44 г.Краснодар
№ Предыдущий сценарий Количество информации в битах
Код Наименование
1 12 ВВС 2,334
2 24 ВВСС 2,334
3 39 ВВССС 2,334
4 55 ВВСССС 2,334
5 70 ВВССССС 2,334
6 84 ВВСССССН 2,334
7 97 ВВСССССНН 2,334
8 109 ВВСССССННН 2,334
9 120 ВВСССССНННН 2,334
10 130 ВВСССССННННС 2,334
11 139 ВВСССССННННСС 2,334
12 147 ВВСССССННННССС 2,334
13 154 ВВСССССННННСССС 2,334
14 160 ВВСССССННННССССВ 2,334
15 165 ВВСССССННННССССВВ 2,334
16 169 ВВСССССННННССССВВВ 2,334
17 5 ВС 2,043
18 13 ВСС 2,043
19 25 ВССС 2,043
20 40 ВСССС 2,043
21 56 ВССССС 2,043
22 71 ВСССССН 2,043
23 85 ВСССССНН 2,043
24 98 ВСССССННН 2,043
25 110 ВСССССНННН 2,043
26 121 ВСССССННННС 2,043
27 131 ВСССССННННСС 2,043
28 140 ВСССССННННССС 2,043
29 148 ВСССССННННСССС 2,043
30 155 ВСССССННННССССВ 2,043
31 161 ВСССССННННССССВВ 2,043
32 166 ВСССССННННССССВВВ 2,043
33 44 ССССС 1,817
34 59 СССССН 1,817
35 73 СССССНН 1,817
36 86 СССССННН 1,817
37 99 СССССНННН 1,817
38 111 СССССННННС 1,817
39 122 СССССННННСС 1,817
40 132 СССССННННССС 1,817
41 141 СССССННННСССС 1,817
42 149 СССССННННССССВ 1,817
43 156 СССССННННССССВВ 1,817
44 162 СССССННННССССВВВ 1,817
45 29 СССС 0,191
46 1 В -0,105
47 4 ВВ -0,357
48 16 ССС -0,447
49 7 СС -0,864
50 2 С -1,179
Видно, что этому результату способствует высокий урожай в предыдущие один и особенно два года, если им предшествовали годы со средней урожайностью, и в меньше степени средний урожай в последние 5 лет, но препятствует средний урожай за последние 1, два, три года. При этом видно, что урожайность подсолнечника 5 и более лет назад влияния на высокую урожайность в последующие 3 года уже практически не оказывает.
Информационный (семантический) портрет фактора - это список классов, ранжированный в порядке убывания силы влияния данного фактора на переход объекта управления в состояния, соответствующие данным классам. Информационный портрет фактора называется также его семантическим портретом, т.к. в соответствии с концепцией смысла системно-когнитивного анализа, являющейся обобщением концепции смысла Шенка-Абельсона, смысл фактора состоит в том, какие будущие со-
стояния объекта управления он детерминирует. Сначала в этом списке идут состояния объекта управления, на переход в которые данный фактор оказывает наибольшее влияние, затем состояния, на которые данный фактор не оказывает существенного влияния, и далее состояния - переходу в которые данный фактор препятствует. Информационные портреты факторов могут быть от отфильтрованы по диапазону классов, т.е. мы можем отобразить влияние данного фактора на переход объекта управления не во все возможные будущие состояния, а только в состояния, коды которых попадают в определенный диапазон, например, относящиеся к определенным классификационным шкалам.
На рисунке 2 приведена Экранная форма семантического портрета признака: «Предшествующие 5 лет был средний урожай подсолнечника»:
V C:\WINDOWS\system32\cmd.exe
Универсальная когнитивная аналитическая система
16:58 (с) НПП *ЭИДОС*
Типологический анализ. Информационный (ранговый) портрет признака:
44ССССС
№ п/и Код Наименование класса Инф-ть (Бит) .а Н 1 -0"^ I Сум.инф-ть ОО
1 36 ввввв 2.92907 40.30 40. 30
2 22 вввв 2.25743 30.43 70.73
3 11 ввв 1.81746 24. 50 95.23
4 4 вв 1.48308 19.99 115.22
5 1 в 1.21028 16.32 131.54
■ ---------------------------------------------------------------------------------- I
Р1Генерация портрета Р2 Сортировка РЗ Печать Р4 Поиск Р5 Диаграмма Р6 Фильтрация
Рисунок 2. Экранная форма семантического портрета признака: «Предшествующие 5 лет был средний урожай подсолнечника»
Из этой формы видно, что этот предшествующий сценарий в наи-больше степени обусловливает высокий урожай в течение последующих 5 лет, во все меньшей степени - 4, 3, 2 лет и 1 года. Эти же данные приведены на рисунке 3:
CopyRiglit (с) Scientific & industrial enterprise AIDOS, Russia, 1S81-2007. Russian Patent No 94Q217. All Rights Reserued.
Информационный портрет признака!
[44]-CCCCC
[Positiue. Filter code: 1-171. Filter Inf: ftLL.|
[361-BBBBB m [223-BBBB Щ [111-BBB ## [43-BB
■} [ 11-B
Рисунок 3. Семантический портрет предыдущего сценария: «Предшествующие 5 лет был средний урожай подсолнечника»
Размеры секторов на круговой диаграмме соответствуют относительной силе влияния предшествующего сценария изменения урожайности подсолнечника: «Предшествующие 5 лет был средний урожай подсолнечника» на будущие сценарии изменения его урожайности.
Кластерный анализ и семантические классов и факторов
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 в 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 в 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 по-
люса конструкта, не могут быть достигнуты одновременно, т.е. являются противоположными по детерминирующим их факторам (антагонистическими).
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 4. Экранная форма режима расчета матрицы сходства классов
системы «Эйдос»
Рисунок 5. Экранная форма режима расчета матрицы сходства факторов
системы «Эйдос»
В результате работы режимов кластерно-конструктивного анализа системы «Эйдос» формируются матрицы сходства классов и значений факторов (таблицы 3 и 4):
Таблица 3 - Матрица сходства будущих сценариев динамики урожайности подсолнечника (классов) в % (фрагмент)
Код Сценарии 1 2 3 4 5 6 7 8 9 10 11 12
1 В 100 -52 -31 33 -19 -4 -44 -16 -11 -25 11 -19
2 С -52 100 -30 -51 53 -4 73 -16 6 -25 -43 53
3 н -31 -30 100 -30 -11 -5 -25 58 -5 78 -25 -11
4 ВВ 33 -51 -30 100 -19 -4 -43 -16 -11 -25 54 -19
5 ВС -19 53 -11 -19 100 -3 -17 -6 -3 -9 -16 100
6 СВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
7 СС -44 73 -25 -43 -17 -3 100 -12 -8 -21 -36 -17
8 сн -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
9 НС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
10 нн -25 -25 78 -25 -9 -4 -21 -6 -4 100 -21 -9
11 ВВВ 11 3 - -25 54 -16 -4 - <Л> О) -13 -9 -21 100 -16
12 ВВС -19 53 -11 -19 100 -3 -17 -6 -3 -9 -16 100
13 ВСС -19 43 -12 -18 -7 -3 56 -6 -3 -9 -15 -7
14 СВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
15 ССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
16 ССС -35 53 - ГО о -35 -14 -1 73 -9 -7 -17 -29 -14
17 ССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
18 СНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
19 НСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
20 ННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
21 ННН -19 -18 55 -19 -6 -3 -16 -6 -2 72 -16 -6
22 ВВВВ 2 -33 -19 29 -12 -4 -28 -10 -7 -16 59 -12
23 ВВВС -19 53 -11 -19 100 -3 -17 -6 -3 -9 -16 100
24 ВВСС -19 43 -12 -18 -7 -3 56 -6 -3 -9 -15 -7
25 ВССС -19 35 -12 -18 -7 -3 47 -6 -4 -9 -15 -7
26 ССВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
27 СССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
28 СССС -26 35 -14 -26 -10 2 50 -5 -6 -13 -22 -10
29 СССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
30 ССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
31 СННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
32 НССС -10 3 -6 -10 -4 -1 7 -3 -1 -5 -8 -4
33 ННСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
34 НННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
35 НННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
36 ВВВВВ -2 -20 -12 13 -7 -3 -18 -7 -4 -9 30 -7
37 ВВВВС -19 53 -11 -19 100 -3 -17 -6 -3 -9 -16 100
38 ВВВСС -19 43 -12 -18 -7 -3 56 -6 -3 -9 -15 -7
39 ВВССС -19 35 -12 -18 -7 -3 47 -6 -4 -9 -15 -7
40 ВСССС -18 29 -12 -18 -7 -3 40 -6 -4 -10 -15 -7
41 СССВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
42 ССССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
43 ССССС -17 19 -6 -17 -7 -3 28 -0 -4 -7 -14 -7
44 ССССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
45 СССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
46 ССННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
47 СНННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
48 НСССС -5 -2 -5 -5 -3 50 1 -3 -2 -4 -6 -3
49 ННССС -10 3 -6 -10 -4 -1 7 -3 -1 -5 -8 -4
50 НННСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
51 ННННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
52 ВВВВВС -19 53 -11 -19 100 -3 -17 -6 -3 -9 -16 100
53 ВВВВСС -19 43 -12 -18 -7 -3 56 -6 -3 -9 -15 -7
54 ВВВССС -19 35 -12 -18 -7 -3 47 -6 -4 -9 -15 -7
55 ВВСССС -18 29 -12 -18 -7 -3 40 -6 -4 -10 -15 -7
56 ВССССС -17 19 -6 -17 -7 -3 28 -0 -4 -7 -14 -7
57 ССССВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
58 СССССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
59 ССССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
60 СССННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
61 ССНННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
62 СННННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
63 НССССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
64 ННСССС -5 -2 -5 -5 -3 50 1 -3 -2 -4 -6 -3
65 НННССС -10 3 -6 -10 -4 -1 7 -3 -1 -5 -8 -4
66 ННННСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
67 ВВВВВСС -19 43 -12 -18 -7 -3 56 -6 -3 -9 -15 -7
68 ВВВВССС -19 35 -12 -18 -7 -3 47 -6 -4 -9 -15 -7
69 ВВВСССС -18 29 -12 -18 -7 -3 40 -6 -4 -10 -15 -7
70 ВВССССС -17 19 -6 -17 -7 -3 28 -0 -4 -7 -14 -7
71 ВСССССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
72 СССССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
73 ССССННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
74 СССНННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
75 ССННННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
76 СННННСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
77 НССССВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
78 ННССССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
79 НННСССС -5 -2 -5 -5 -3 50 1 -3 -2 -4 -6 -3
80 ННННССС -10 3 -6 -10 -4 -1 7 -3 -1 -5 -8 -4
81 ВВВВВССС -19 35 -12 -18 -7 -3 47 -6 -4 -9 -15 -7
82 ВВВВСССС -18 29 -12 -18 -7 -3 40 -6 -4 -10 -15 -7
83 ВВВССССС -17 19 -6 -17 -7 -3 28 -0 -4 -7 -14 -7
84 ВВСССССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
85 ВСССССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
86 СССССННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
87 ССССНННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
88 СССННННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
89 ССННННСС -10 4 -6 -10 -4 -2 8 -3 0 -5 -8 -4
90 СННННССС -10 3 -6 -10 -4 -1 7 -3 -1 -5 -8 -4
91 ННССССВВ -3 -4 -3 -3 -2 54 -3 -2 -1 -3 -3 -2
92 НННССССВ -4 -4 -5 -4 -3 100 -3 -2 -2 -4 -4 -3
93 ННННСССС -5 -2 -5 -5 -3 50 1 -3 -2 -4 -6 -3
94 ВВВВВСССС -18 29 -12 -18 -7 -3 40 -6 -4 -10 -15 -7
95 ВВВВССССС -17 19 -6 -17 -7 -3 28 -0 -4 -7 -14 -7
96 ВВВСССССН -16 -16 58 -16 -6 -2 -12 100 -4 -6 -13 -6
97 ВВСССССНН -16 -16 52 -15 -6 -2 -13 -3 -4 66 -13 -6
98 ВСССССННН -15 -16 46 -15 -6 -2 -13 -4 -3 60 -12 -6
99 СССССНННН -12 -9 27 -11 -1 -2 -9 -4 2 37 -9 -1
100 ССССННННС -11 6 -5 -11 -3 -2 -8 -4 100 -4 -9 -3
Таблица 4 - Матрица сходства прошлых сценариев (значений факторов) _______________ в % (фрагмент)..........................
Код Сценарии 1 2 3 4 5 6 7 8 9 10 11 12
1 В 100 -47 -32 37 -6 -17 -38 -11 -16 -26 13 -5
2 С -47 100 -43 -39 -8 61 64 2 -21 -35 -25 -8
3 н -32 -43 100 -26 -8 -17 -35 -9 58 75 -17 -7
4 ВВ 37 -39 -26 100 -5 -14 -32 -9 -13 -21 44 -4
5 ВС -6 -8 -8 -5 100 -4 -5 -3 -4 -6 -4 65
6 СВ -17 61 -17 -14 -4 100 -20 -6 -8 -13 -9 -4
7 СС -38 64 -35 -32 -5 - ГО о 100 -13 -16 - ГО со - ГО о -6
8 сн -11 2 -9 -9 -3 -6 -13 100 -6 -7 -5 -3
9 НС -16 -21 58 -13 -4 -8 -16 -6 100 -10 -8 -4
10 нн -26 -35 75 -21 -6 -13 - ГО со -7 -10 100 -13 -6
11 ВВВ 13 -25 -17 44 -4 -9 - го о -5 -8 -13 100 -3
12 ВВС -5 -8 -7 -4 65 -4 -6 -3 -4 -6 -3 100
13 ВСС -6 -8 -8 -5 100 -4 -5 -3 -4 -6 -4 65
14 СВВ -17 61 -17 -14 -4 100 - го о -6 -8 -13 -9 -4
15 ССВ -17 44 -17 -14 -4 -9 63 -6 -8 -13 -9 -4
16 ССС -29 39 -26 -24 -2 -16 64 -10 -12 -22 -16 -3
17 ССН -11 1 -10 -9 -3 -5 7 -1 -5 -8 -6 -3
18 СНН -11 2 -9 -9 -3 -6 -13 100 -6 -7 -5 -3
19 НСС -16 -21 58 -13 -4 -8 -16 -6 100 -10 -8 -4
20 ННС -15 -21 50 -13 -4 -8 -17 -5 -5 65 -8 -3
21 ННН -20 -27 52 -16 -5 -10 -22 -4 -9 71 -10 -4
22 ВВВВ -3 -5 -4 -2 26 -2 -4 -2 -2 -3 -1 40
23 ВВВС -4 -7 -6 -3 43 -3 -5 -2 -3 -5 -1 67
24 ВВСС -5 -8 -7 -4 65 -4 -6 -3 -4 -6 -3 100
25 ВССС -6 -8 -8 -5 100 -4 -5 -3 -4 -6 -4 65
26 СВВВ -17 61 -17 -14 -4 100 - ГО о -6 -8 -13 -9 -4
27 ССВВ -17 44 -17 -14 -4 -9 63 -6 -8 -13 -9 -4
28 СССВ -17 32 -16 -14 -4 -9 50 -6 -8 -13 -9 -4
29 СССС -20 19 -15 -16 3 -11 34 -7 -6 -14 -11 1
30 СССН -11 0 -10 -9 -3 -5 6 -2 -5 -8 -6 -2
31 ССНН -11 1 -10 -9 -3 -5 7 -1 -5 -8 -6 -3
32 СННН -11 2 -9 -9 -3 -6 -13 100 -6 -7 -5 -3
33 НССС -16 -21 58 -13 -4 -8 -16 -6 100 -10 -8 -4
34 ННСС -15 -21 50 -13 -4 -8 -17 -5 -5 65 -8 -3
35 НННС -15 -21 43 -12 -4 -8 -17 -5 -6 57 -8 -3
36 НННН -12 -16 28 -10 -3 -6 -14 1 -6 39 -6 -3
37 ВВВВС -3 -5 -4 -2 26 -2 -4 -2 -2 -3 -1 40
38 ВВВСС -4 -7 -6 -3 43 -3 -5 -2 -3 -5 -1 67
39 ВВССС -5 -8 -7 -4 65 -4 -6 -3 -4 -6 -3 100
40 ВСССС -6 -8 -8 -5 100 -4 -5 -3 -4 -6 -4 65
41 ССВВВ -17 44 -17 -14 -4 -9 63 -6 -8 -13 -9 -4
42 СССВВ -17 32 -16 -14 -4 -9 50 -6 -8 -13 -9 -4
43 ССССВ -16 21 -12 -13 -4 -9 35 -6 -4 -11 -9 -4
44 ССССС -7 -5 -8 -6 53 -4 -2 -3 -4 -6 -4 34
45 ССССН -10 -1 -10 -9 -3 -5 5 -3 -5 -8 -5 -2
46 СССНН -11 0 -10 -9 -3 -5 6 -2 -5 -8 -6 -2
47 ССННН -11 1 -10 -9 -3 -5 7 -1 -5 -8 -6 -3
48 СНННН -11 2 -9 -9 -3 -6 -13 100 -6 -7 -5 -3
49 НСССС -16 -21 58 -13 -4 -8 -16 -6 100 -10 -8 -4
Б0 HHCCC -1б -21 6Q -13 -4 -В -17 -б -б 6б -В -3
51 HHHCC -1б -21 43 -12 -4 -В -17 -б -6 б7 -В -3
Б2 HHHHC -12 -16 2В -1Q -3 -6 -14 1 -6 39 -6 -3
53 BBBBCC -3 -б -4 -2 26 -2 -4 -2 -2 -3 -1 4Q
54 BBBCCC -4 -7 -6 -3 43 -3 -б -2 -3 -б -1 67
55 BBCCCC -б -В -7 -4 6б -4 -6 -3 -4 -6 -3 1QQ
56 BCCCCC -6 -В -В -б 1QQ -4 -б -3 -4 -6 -4 6б
57 CCCBBB -17 32 -16 -14 -4 -9 6Q -6 -В -13 -9 -4
58 CCCCBB -16 21 -12 -13 -4 -9 Зб -6 -4 -11 -9 -4
59 CCCCCH -7 -б -В -6 бЗ -4 -2 -3 -4 -6 -4 34
60 CCCCHH -1Q -1 -1Q -9 -3 -б б -3 -б -В -б -2
61 CCCHHH -11 Q -1Q -9 -3 -б 6 -2 -б -В -6 -2
62 CCHHHH -11 1 -1Q -9 -3 -б 7 -1 -б -В -6 -3
63 CHHHHC -11 2 -9 -9 -3 -6 -13 1QQ -6 -7 -б -3
64 HCCCCB -16 -21 бВ -13 -4 -В -16 -6 1QQ -1Q -В -4
65 HHCCCC -1б -21 6Q -13 -4 -В -17 -б -б 6б -В -3
66 HHHCCC -1б -21 43 -12 -4 -В -17 -б -6 б7 -В -3
67 HHHHCC -12 -16 2В -1Q -3 -6 -14 1 -6 39 -6 -3
6В BBBBCCC -3 -б -4 -2 26 -2 -4 -2 -2 -3 -1 4Q
69 BBBCCCC -4 -7 -6 -3 43 -3 -б -2 -3 -б -1 67
70 BBCCCCC -б -В -7 -4 6б -4 -6 -3 -4 -6 -3 1QQ
71 BCCCCCH -6 -В -В -б 1QQ -4 -б -3 -4 -6 -4 6б
72 CCCCBBB -16 21 -12 -13 -4 -9 Зб -6 -4 -11 -9 -4
73 CCCCCHH -7 -б -В -6 бЗ -4 -2 -3 -4 -6 -4 34
74 CCCCHHH -1Q -1 -1Q -9 -3 -б б -3 -б -В -б -2
75 CCCHHHH -11 Q -1Q -9 -3 -б 6 -2 -б -В -6 -2
76 CCHHHHC -11 1 -1Q -9 -3 -б 7 -1 -б -В -6 -3
77 CHHHHCC -11 2 -9 -9 -3 -6 -13 1QQ -6 -7 -б -3
7В HCCCCBB -16 -21 бВ -13 -4 -В -16 -6 1QQ -1Q -В -4
79 HHCCCCB -1б -21 6Q -13 -4 -В -17 -б -б 6б -В -3
В0 HHHCCCC -1б -21 43 -12 -4 -В -17 -б -6 б7 -В -3
В1 HHHHCCC -12 -16 2В -1Q -3 -6 -14 1 -6 39 -6 -3
В2 BBBBCCCC -3 -б -4 -2 26 -2 -4 -2 -2 -3 -1 4Q
ВЗ BBBCCCCC -4 -7 -6 -3 43 -3 -б -2 -3 -б -1 67
В4 BBCCCCCH -б -В -7 -4 6б -4 -6 -3 -4 -6 -3 1QQ
В5 BCCCCCHH -6 -В -В -б 1QQ -4 -б -3 -4 -6 -4 6б
В6 CCCCCHHH -7 -б -В -6 бЗ -4 -2 -3 -4 -6 -4 34
В7 CCCCHHHH -1Q -1 -1Q -9 -3 -б б -3 -б -В -б -2
ВВ CCCHHHHC -11 Q -1Q -9 -3 -б 6 -2 -б -В -6 -2
В9 CCHHHHCC -11 1 -1Q -9 -3 -б 7 -1 -б -В -6 -3
90 CHHHHCCC -11 2 -9 -9 -3 -6 -13 1QQ -6 -7 -б -3
91 HCCCCBBB -16 -21 бВ -13 -4 -В -16 -6 1QQ -1Q -В -4
92 HHCCCCBB -1б -21 6Q -13 -4 -В -17 -б -б 6б -В -3
93 HHHCCCCB -1б -21 43 -12 -4 -В -17 -б -6 б7 -В -3
94 HHHHCCCC -12 -16 2В -1Q -3 -6 -14 1 -6 39 -6 -3
95 BBBBCCCCC -3 -б -4 -2 26 -2 -4 -2 -2 -3 -1 4Q
96 BBBCCCCCH -4 -7 -6 -3 43 -3 -б -2 -3 -б -1 67
97 BBCCCCCHH -б -В -7 -4 6б -4 -6 -3 -4 -6 -3 1QQ
9В BCCCCCHHH -6 -В -В -б 1QQ -4 -б -3 -4 -6 -4 6б
99 CCCCCHHHH -7 -б -В -6 бЗ -4 -2 -3 -4 -6 -4 34
100 CCCCHHHHC -1Q -1 -1Q -9 -3 -б б -3 -б -В -б -2
Фрагменты матриц сходства могут отображаться средствами системы «Эйдос» в наглядной форме семантических сетей классов и факторов (рисунки 6, 7):
Рисунок 6. Семантическая сеть классов, отображающая конструкт будущих сценариев: «Высокая урожайность подсолнечника - низкая и средняя урожайность подсолнечника в последующие годы»
Из данной семантической сети наглядно видно, что высокая урожайность подсолнечника имеют особую специфическую систему детерминации, отличающуюся от систем детерминации низкой и средней урожайности, которые очень сходны между собой и образуют противоположный полюс конструкта.
Рисунок 7. Семантическая сеть классов, отображающая конструкт прошлых сценариев: «Высокая урожайность подсолнечника - низкая и средняя урожайность подсолнечника в предыдущие годы»
Из данной семантической сети наглядно видно, что прошлые сценарии высокой урожайности подсолнечника представляет собой особую специфическую систему детерминации, обусловливающую будущие сценарии, существенно отличающиеся от сценариев, обусловленных прошлыми сценариями низкой и средней урожайности, которые очень сходны между собой и образуют противоположный полюс конструкта.
Когнитивные диаграммы классов и факторов
Когнитивные диаграммы классов (факторов) - это графические диаграммы, позволяющие отобразить в чем конкретно состоит сходство и различие любых двух классов (или любых двух факторов), т.е. детально увидеть структуру каждой линии связи в семантической сети. Когнитивные диаграммы представляет собой графическое изображение обобщенного коэффициента корреляции профилей классов (или факторов), при этом каждая линия, вносящая вклад в сходство или различие соответствует одному слагаемому, ее цвет - знаку, а толщина - модулю этого слагаемого.
Экранная форма управления формированием когнитивных диаграмм приведена на рисунке 8, а сама когнитивная диаграмма а рисунке 9:
с-С C:\WINDOWS\systcm32\cmd.exe
Ун и версальная когнитивная аналитическая система.___________17:50 СО НПП *ЗЙДОС*
Подсистема анализа. Когнитивные диаграммы классов
Заданы классы распознавания: .
класса
распознавания
1 Б
2 С
3 н
4 вв
Б ВС
6 СВ
Задайте диапазон кодов признаков для 1-го портрета: - ШВВ
Задайте диапазон кодов признаков для 2-го портрета: - ИЯ
Задайте максимальное количество связей, отображаемых на диаграмме:
Задайте порог сходства признаков, отображаемых на диаграмме: Задайте вид связей в диаграмме: 0-ВСЕ,0-Сходство,0 Различие:
идет расчет диаграммы, пожалуйста подождите ! ! ! [
Задайте фильтр по: 1Р1 Диапазону признаков Р2 По уровням системной организации
Рисунок 8. Экранная форма управления формированием когнитивных диаграмм
Рисунок 9. Когнитивная диаграмма содержательного сравнения систем детерминации будущих сценариев: «Два последующих года ожидается высокая урожайность подсолнечника» и «Два последующих года ожидается средняя урожайность подсолнечника»
Из приведенной когнитивной диаграммы видно, что высокую урожайность в два последующих года обусловливает высокая урожайность в прошлом году и этому препятствует средняя урожайность в предыдущие три года, тогда как средняя урожайность в последующие два года детерминируется средней урожайностью в предыдущий год и высокой 2, 3 и 4 года назад.
Рассмотрим когнитивную диаграмму содержательного сравнения прошлых сценариев, представленную на рисунке 10:
Рисунок 10. Когнитивная диаграмма содержательного сравнения прошлых сценариев по их влиянию на будущие сценарии изменения урожайности
подсолнечника
Из этой диаграммы видно, что прошлый сценарий «ВВСС» детерминирует высокую урожайность в течение ближайших трех лет, а сценарий «С» - обусловливает низкую урожайность в ближайшие годы и среднюю в более отдаленной перспективе.
Нелокальные нейроны и нейронные сети
Нелокальные нейроны и интерпретируемые нейронные сети [11]
позволяют в наглядной форме отобразить систему детерминации будущих
состояний. Нелокальный нейрон представляет собой будущее состояние объекта управления с изображением наиболее сильно влияющих на него факторов с указанием силы и направления (способствует-препятствует) их влияния (рисунок 11):
CopyRight (с) Scientific fi industrial enterprise AIDOS, Russia, 1979-Z003. Russian Patent No 940217. All Rights Reserued.
2D - МОДЕЛЬ НЕЛОКАЛЬНОГО НЕЙРОНА:
[11] - BBB
Рисунок 11. Пример нелокального нейрона будущего сценария «ВВВ» с весовыми коэффициентами наиболее сильно влияющих на него рецепторов, соответствующих прошлым сценариям изменения урожайности
Нейронная сеть представляет собой совокупность взаимосвязанных нейронов. В классических нейронных сетях связь между нейронами осуществляется по входным и выходным сигналам, а в нелокальных нейронных сетях - на основе общего информационного поля, реализуемого семантической информационной моделью. Система «Эйдос» обеспечивает построение любого подмножества многослойной нейронной сети с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности (рисунок 12):
Рисунок 12. Паретто-подмножество нелокальной нейронной будущих сценариев с весовыми коэффициентами наиболее сильно влияющих на них рецепторов, соответствующих прошлым сценариям изменения урожайности подсолнечника
Когнитивные функции
Когнитивные функции или функции влияния представляет собой график зависимости вероятностей перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора [6, 7]. Если взять несколько информационных портретов факторов, соответствующих градациям одной описательной шкалы, отфильтровать их по диапазону градаций некоторой классификационной шкалы и взять из каждого информационного портрета по одному состоянию, на переход в которое объекта управления данная градация фактора оказывает наибольшее влияние, то мы и получим зависимость, отражающую вероятность перехода объекта управления в будущие состояния под влиянием различных значений некоторого фактора, т.е. функцию влияния. Функции влияния 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 нелинейные.
На рисунке 13 полностью визуализирована база знаний:
Рисунок 13. Визуализация баз знаний СИМ-1 (количество знаний по А.Харкевичу) в виде двумерных когнитивных функций
Отметим, что графическое отображение базы знаний СИМ-3 (хи-квадрат), показавшей наивысшую достоверность на решаемой задаче, визуально ничем не отличается от рисунка 13.
Видно, что есть довольно значительная область, в которой прошлые сценарии с высокой степенью детерминируют аналогичные или противоположные будущие сценарии, что позволяет с высокой достоверностью (до 94,272%) решать задачу прогнозирования будущих сценариев изменения урожайности подсолнечника по прошлым.
Классические и интегральные когнитивные карты
Классические когнитивные карты являются графической формой представления фрагментов СИМ, объединяющей достоинства таких форм, как нейроны и семантические сети факторов. Классическая когнитивная карта представляет собой нейрон, соответствующий некоторому состоянию объекта управления с рецепторами, каждый из которых соответствует фактору в определенной степени способствующему или препятствующему переходу объекта в это состояние. Рецепторы соединены связями как с
нейроном, так и друг с другом. Связи рецепторов с нейроном отражают силу и направление влияния факторов, а связи рецепторов друг с другом, отображаемые в форме семантической сети факторов, - сходство и различие между рецепторами по характеру их влияния на объект управления. Таким образом, классическая когнитивная карта представляет собой нейрон с семантической сетью факторов, изображенные на одной диаграмме (рисунок 14):
Рисунок 14. Пример простой когнитивной карты, отражающей силу и направление влияния прошлых сценариев на будущий, и их сходство и различие по влиянию на будущие сценарии
Обобщенные когнитивные карты позволяют объединить в одной графической форме семантические сети классов и факторов, объединенных нейронной сетью. Если объединить несколько классических когнитивных карт на одной диаграмме и изобразить на ней также связи между нейронами в форме семантической сети классов, то получим обобщенную (интегральную) когнитивную карту (рисунок 15).
Рисунок 15. Пример интегральной когнитивной карты, отражающей силу и направление влияния прошлых сценариев на будущий, и их сходство и различие по влиянию на будущие сценарии, а также сходство и различие будущих сценариев по их системе детерминации
Система «Эйдос» обеспечивает построение любого подмножества многоуровневой семантической информационной модели с заданными или выбираемыми по заданным критериям рецепторами и нейронами, связанными друг с другом связями любого уровня опосредованности в форме классических и обобщенных когнитивных карт. В частности, в системе полуавтоматически формируется задание на генерацию подмножеств обобщенной когнитивной карты.
Сравнение результатов решения проблемы методами клеточных автоматов и системно-когнитивного анализа Сходство методов клеточных автоматов и СК-анализа:
1. В обоих методах перед проведением исследования исходные данные преобразуются в форму лингвистических переменных, интервальных значений.
Различия методов клеточных автоматов и СК-анализа:
1. В методе клеточных автоматов в качестве предыстории используется 1 год и прогноз делается на следующий год, а в СК-анализе в качестве
предыстории используются сценарии изменения урожайности длительностью от 1 до 20 лет от текущего года и прогноз также делается на все будущие периоды длительностью от 1 до 20 лет, если по ним есть данные.
2. В качестве количественной меры силы и величины причинноследственной связи значений входных факторов и выходных параметров в клеточных автоматах используются абсолютные частоты их совместного наблюдения в исследуемой выборке, а в СК-анализе количество знаний.
3. Достоверность прогнозирования обоих методов выше 90%.
Задачи, для решения которых привлекается метод СК-анализа:
1. Прогнозирование сценария изменения урожайности в будущем на период от 1 до 4, 5 лет (сценарии на более длительные периоды в будущее, как показывают исследования, не зависят от предыстории, известной на текущий год).
2. Исследование моделируемого объекта путем исследования его модели, в частности:
- информационные портреты классов и факторов;
- кластерный анализ и семантические классов и факторов;
- когнитивные диаграммы классов и факторов;
- нелокальные нейроны и нейронные сети;
- когнитивные функции;
- простые и интегральные когнитивные карты.
Выводы
В данной работе предложены технология и методика постановки и решения задачи прогнозирования сценариев изменения урожайности подсолнечника на уровне региона и его районов на основе системнокогнитивной модели, отличающиеся от традиционных:
- высокой степенью формализации модели знаний;
- возможностью синтеза матричной передаточной функции объекта прогнозирования непосредственно на основе эмпирических данных;
- корректной работой при неполных (фрагментированных) и зашумленных исходных данных.
Впервые проведено исследование системно-когнитивной модели искусственной экосистемы насаждений подсолнечника Краснодарского края, которое корректно считать исследованием самой экосистемы, так как верификация данной модели показала ее высокую адекватность.
По мнению авторов на основе этих результатов можно обоснованно сделать главный вывод о том, что найдено новое, ранее не описанное в специальной литературе, общее научное и практическое решение пробле-
мы прогнозирования динамики урожайности подсолнечника по районам Краснодарского края и краю в целом.
В основе этого решения - применение методов системнокогнитивного анализа, обеспечивающих как синтез и верификацию системно-когнитивной модели искусственной экосистемы насаждений подсолнечника Краснодарского края, так и решение задач прогнозирования и исследования на ее основе.
При решении проблемы была проведена многоэтапная многоуровневая детализированная декомпозиция цели, в результате которой поставлены задачи, являющиеся этапами ее достижения, разработаны соответствующие методики решения поставленных задач, которые не остались чисто теоретическими разработками, но были реально применены на практике.
Сформулированы требования к методу решения проблемы, рассмотрены недостатки традиционного подхода и предложено ее общее решение путем применения системно-когнитивного анализа (СК-анализ), проведена когнитивная структуризация объекта управления.
Осуществлены когнитивная структуризация и формализация предметной области: проанализированы исходные данные для построения системно-когнитивной модели искусственной экосистемы насаждений подсолнечника Краснодарского края, поставлена и решена задача их автоматизированного преобразования к виду, непосредственно воспринимаемому системой "Эйдос" с помощью одного из ее стандартных программных интерфейсов; приведен алгоритм и исходный текст программы, обеспечивающей эти функции, а также результаты ее работы и автоматически сформированные на их основе системой "Эйдос" справочники классов и факторов, а также обучающая выборка.
Приведена классификация исследовательских задач, которые можно решать с помощью созданной системно-когнитивной модели искусственной экосистемы насаждений подсолнечника Краснодарского края, включающая, в частности, следующие задачи:
- информационные портреты классов и факторов;
- кластерный анализ и семантические классов и факторов;
- когнитивные диаграммы классов и факторов;
- нелокальные нейроны и нейронные сети;
- когнитивные функции;
- простые и интегральные когнитивные карты.
В работе приведены общие методики и конкретные примеры решения некоторых из этих задач.
Литература
1. Луценко Е.В. Применение СК-анализа и системы «Эйдос» для синтеза когнитивной матричной передаточной функции сложного объекта управления на основе эмпирических данных / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой элек-
тронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. -№01(75). С. 681 - 714. - Шифр Информрегистра: 0421200012\0008. - Режим доступа: http://ej.kubagro.ru/2012/01/pdf/53.pdf, 2,125 у.п.л.
2. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационнотехнических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. -605 с.
3. Луценко Е. В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №06(70). С. 233 - 280. - Шифр Информрегистра: 0421100012\0197. - Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.
4. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). С. 388 - 414. - Режим доступа: http://ej.kubagro.ru/2004/01/pdf/16.pdf, 1,688 у.п.л.
5. 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(71). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253. - Режим доступа:
http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
6. 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. - Режим доступа: http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 у.п.л.
7. Луценко Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е.В. Луценко // Политема-тический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: Куб-ГАУ, 2010. - №09(63). С. 1 - 23. - Шифр Информрегистра: 0421000012\0233. - Режим доступа: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 у.п.л.
8. Теория нечетких множеств и клеточных автоматов как инструментарий прогноза и адекватного отражения стохастической природы экономических процессов / Е.В. Попова, Н.О. Позднышева, Д.Н. Савинская и др. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№03(67). С. 293 - 314. - Шифр Информрегистра: 0421100012\0088. - Режим доступа: http://ej.kubagro.ru/2011/03/pdf/20.pdf, 1,375 у.п.л.
9. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: Куб-ГАУ. 2005. - 480 с.
10. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с.
11. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(1). С. 79 -91. - Режим доступа: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 у.п.л.
12. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(83). С. 340 - 368. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.
