CC BY
48
УДК 303.732.4
ПРОГНОЗИРОВАНИЕ УРОЖАЙНОСТИ ЗЕРНОВЫХ КОЛОСОВЫХ И ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПО РАЦИОНАЛЬНОМУ ВЫБОРУ АГРОТЕХНОЛОГИЙ С ПРИМЕНЕНИЕМ СК-АНАЛИЗА
Луценко Евгений Вениаминович д. э. н., к. т. н., профессор
Лойко Валерий Иванович д. т. н., профессор
Великанова Л.О. к. э. н., доцент
Кубанский государственный аграрный Университет, Краснодар, Россия
Поддержано грантом КубГАУ
В статье приводятся методики: 1) прогнозирования хозяйственных результатов применения тех или иных агротехнологий; 2) поддержки принятия решений по выбору таких сортов зерновых колосовых и рациональных агротехнологий для их выращивания, которые с наиболее высокой вероятностью дали бы заранее заданный желаемый хозяйственный результат.
UDC 303.732.4
PROGNOSIS OF GRAINS YIELDING AND SUPPORT OF DECISIONS TAKING ON RATIONAL CHOICE OF AGRO TECHNOLOGIES WITH APPLICATION OF S^ANALYSIS
Lutsenko Evgeny Veniaminovich
Dr. Sci. Econ., Сand. Tech. Sci., professor
Loiko Valery Ivanovich Dr. Sci. Tech., professor
Velikanova L.O.
Cand. Econ. Sci., assistant professor
Kuban State Agrarian University, Krasnodar, Russia
Supported by the grant of KSAU
Prognosis of industrial results of some or other agro technologies application and support of decision taking by choice of such varieties of grains and rational agro technologies for their cultivation, which with most probability would show the given desirable industrial result in advance are cited in the article.
Ключевые слова: ПРОГНОЗИРОВАНИЕ, ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ, АГРОТЕХНОЛОГИИ, ЗЕРНОВЫЕ КОЛОСОВЫЕ, УРОЖАЙНОСТЬ, СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, РАСТЕНИЕВОДСТВО.
Key words: PROGNOSIS, SUPPORT OF DECISION TAKING, AGRO TECHNOLOGIES, GRAINS, PRODUCTIVITY, SYSTEMIC - COGNITIVE ANALYSIS, PLANT GROWING.
Данная статья является непосредственным продолжением статьи [25] в этом же номере Научного журнала КубГАУ, поэтому в ней продолжена нумерация рисунков, таблиц и рассмотрение решаемых задач.
6. Решение задач идентификации состояний объекта управления, прогнозирования и поддержки принятия управленческих решений по управлению с применением СИМ.
Отметим, что задачи идентификации (распознавания) и прогнозирования в СК-анализе математически ничем не отличаются, кроме того, что в задаче идентификации признаки объекта и принадлежность его состояния к определенному классу практически одновременны (или очень незна-
чительно отстоят друг от друга во времени), тогда как при прогнозировании признаки состояния или детерминирующие его значения факторов (градации описательных шкал) относятся к прошлому или настоящему, а состояния объекта - к будущему.
В нашем случае задача прогнозирования состоит в том, чтобы по планируемым к применению или уже применяемым агротехнологиям спрогнозировать наиболее вероятные хозяйственные результаты.
Для решения задачи прогнозирования информация о планируемых к применению агротехнологиях заносится в систему "Эйдос" в режиме ввода анкет распознаваемой выборки. Например, в анкете №2 введена информация о применении следующих агротехнологий (таблица 7).
23-04 Таблица 7 - АНКЕТА РАСПОЗНАВАЕМОЙ ВЫБОРКИ №2 -08 12:11:22 г. Краснодар
Код Наименование описательных шкал и градаций
3 10. ПРЕДШЕСТВЕННИКИ-Многолетние травы
7 11. УРОВЕНЬ ПЛОДОРОДИЯ-Средний.
8 12. ОБРАБОТКА ПОЧВЫ-Безотвальная.
14 13. УДОБРЕНИЕ-Отсутствует
15 14. ЗАЩИТА РАСТЕНИИ- Бактороденцид 3 кг/га : Фосфид цинка т.п. (5%) 4 кг/га
Универсальная когнитивная аналитическая система НПП *ЭЙДОС*
Результаты сравнения конкретного образа, описанного данными значениями факторов, приведены в экранной форме на рисунке 3.
СЛ F:\WINDUWS\system32\cmd.exe
I Универсальная когнитивная аналитическая система.
і
12:45 (с) НПП *ЭИДОС*
Т
№ анкеты:
2 Наим.физ.источника: 1 Качество: 16.184
Код
31 6.
14 3.
32 6.
57 8.
6 2.
51 7.
19 3.
30 6.
Наименование класса
% Сх
Гистограмма сходств/различий
КУЛЬТУРА+СО РТ+У РОЖАЙ НОСТЬ-03
урожайность (точн.знач.): {з
КУЛЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-О 3 КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая СОРТ-Победа-50
КУЛЬТУРА+СОРТ+КАЧЕСТВО-ОЗИМа УРОЖАЙНОСТЬ СТОЧН.ЗНАЧ.): {7 КУЛЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-О 3
у 37 36 27 У 27 У 27 У 27 24 21
67
41
13
37
29
45
63
12
8. КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой 6. КУЛЬТУРА+СО РТ+УРОЖАЙ НОСТЬ-О 3 3. УРОЖАЙНОСТЬ СТОЧН.ЗНАЧ.): {3 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-ОЗ 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-ОЗ 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-ОЗ 8. КУЛЬТУРА+УРОЖАЙНОСТЬ-ОЗИМЫИ 3. УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {7
-40
-41
-42
-43
-46
-47
-47
-61
РІСвернуть классы Р2Развернуть классы РЗПечать карточки Р4Печать всех карточек
Рисунок 3 - Экранная форма с результатами прогнозирования для анкеты №2
В экранной форме наименования классов видны не полностью и показаны только те классы, с которыми данная конкретная ситуация наиболее сходна или наиболее различна. Полная информация о результатах прогнозирования представлена в распечатке (таблица 8).
Таблица 8 - РЕЗУЛЬТАТ ПРОГНОЗИРОВАНИЯ ХОЗЯЙСТВЕННЫХ РЕЗУЛЬТАТОВ ВЫРАЩИВАНИЯ В УСЛОВИЯХ ПРИМЕНЕНИЯ НАБОРА АГРОТЕХНОЛОГИЙ ИЗ ТАБЛИЦЫ 7
23-04-08 12:33:59
Номер анкеты: 2 Наим.физ.источника: 2 Качество ' ' ' ПІ результата распознавания: 16.184% || II
Код Наименование класса распознавания % I Сх| Гистограмма сходств/различий | —II. Л
31 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{3 4,9-52,4} 1 V 37 II
14 3 УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {39.50, 47.40} 36 ■■■■■■■■■■
32 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{52,4-6 9,8} 27 ■■■■■■■■
57 8 КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{34,9-52,4} V 27 ■■■■■■■■
6 2 СОРТ-Победа-50 V 27 ■■■■■■■
51 КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Победа-50+Ценная V 27 ■■■■■■■
19 3 УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {79.00, 86.90} 24 ■■■■■■■
30 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{00,0-17,5} 21 ■■■■■■
16 3 УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {55.30, 63.20} 20 ■■■■■■
15 3 УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): { 47.40, 55.30 } V 17 ■■■■■
9 3 УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {0.00, 7.90} 17 ■■■■■
20 4 УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{00,0-17,5} 17 ■■■■■
56 8 КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{00,0-17,5} 16 ■■■■
1 1 КУЛЬТУРА-Озимая пшеница V 14 ■■■■
26 5 КАЧЕСТВО-Ценная V 14 ■■■■
68 9 КУЛЬТУРА+КАЧЕСТВО-Озимая пшеница+Ценная V 14 ■■■■
58 8 КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{52,4-69,8} 14 ■■■■
33 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{69,8-87,3} 13 ■■■
22 4 УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{34, 9-52, 4} V I 6 ■ II
34 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{0 0,0-17,5} 1 12 ІМ 1
5 2 СОРТ-Батько 14 ■■■■
50 КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Батько+Ценная 14 ■■■■
38 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна + {0 0,0-17,5} 14 ■■■■
7 2 СОРТ-Руфа 16 ■■■■
52 КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Руфа+Ценная 16 ■■■■
40 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна + {52, 4-6 9, 8 } 17 ■■■■
44 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{52, 4-69, 8} 17 ■■■■■
62 8 КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{ 52, 4-69, 8 } 17 ■■■■■
36 6 КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{52,4-6 9,8} 18 ■■■■■
СОРТ-Юна.
КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимая пшеница+Юна+Ценная. КУЛЬТУРА-Озимый Ячмень.
КУЛЬТУРА-Яровой ячмень.
СОРТ-КАЧЕСТВО-
КУЛЬТУРА+СОРТ+КАЧЕСТВО-Озимый Ячмень++.......................
КУЛЬТУРА+СОРТ+КАЧЕСТВО-Яровой ячмень++.......................
КУЛЬТУРА+КАЧЕСТВО-Озимый Ячмень+.............................
КУЛЬТУРА+КАЧЕСТВО-Яровой ячмень+.............................
КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимая пшеница+{ 69,8-87,3}.............
УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.) : {23.70, 31.60 }...................
УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{17,5-34,9}.........................
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{17,5-3 4,9}........
КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{17,5-34,9}...............
УРОЖАЙНОСТЬ (ИНТ.ОЦЕНКА)-{69,8-87,3}.........................
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна + {3 4, 9-52, 4 }. . .
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{3 4,9-5 2,4}.......
КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{ 3 4, 9-52, 4 }..........
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{52,4-69,8}
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{3 4, 9-5 2, 4}.....
КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{34,9-52,4}...............
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Яровой ячмень++{52, 4-69, 8}.......
КУЛЬТУРА+УРОЖАЙНОСТЬ-Яровой ячмень+{52,4-6 9,8}..............
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Юна+{69,8-87,3}...
УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): {31.60, 39.50 }....................
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Руфа+{69,8-87,3}.. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Батько+{69,8-87,3}
КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимый Ячмень++{69,8-87,3}.........
КУЛЬТУРА+УРОЖАЙНОСТЬ-Озимый Ячмень+{ 69, 8-87, 3 }...........
УРОЖАЙНОСТЬ (ТОЧН.ЗНАЧ.): { 7 1.10 , 7 9.00 }................
Универсальная когнитивная аналитическая система
НПП *ЭЙДОС*
Классы, к которым объект (ситуация) действительно относится, отмечены символом: "V".
Важно, что инструментарий СК-анализа система ”Эйдос” не только обеспечивает прогнозирование, но и оценивает достоверность этого прогнозирования. Это делается на нескольких уровнях:
1. На рисунке 3 и в таблице 8 в карточке идентификации есть параметр: "% Сх", обозначающий процент сходства конкретного образа объекта и обобщенного образа класса.
2. В таблице 6 [25] есть информация о степени достоверности идентификации, посчитанной для каждого класса по всем объектам, действительно относящимся к нему, а также с учетом ошибочно к нему отнесенных.
3. В карточке идентификации на рисунке 3 и в таблице 8 есть параметр: "Качество результата распознавания:" (в примере он равен
16.184 %).
1-й и 2-й параметры используются совместно: если мы знаем что по данному классу результаты идентификации в данной модели обычно недостоверны, то не следует доверять такому результату, даже если этот класс первый в карточке идентификации и с ним высокий уровень сходства. 3-й параметр представляет собой эвристический критерий, сходный по
форме со средне-квадратичным отклонением, но с весовым коэффициентом, увеличивающим роль первых строк гистограммы и отражает результаты идентификации по всей карточке в целом: он увеличивается при увеличении уровня сходства с классами в начале гистограммы и увеличением разницы в уровне сходства между разными классами.
Задача поддержки принятия решений является обратной по отношению к задаче прогнозирования: если в задаче прогнозирования требуется по значениям факторов определить, в какие состояния может под их влиянием перейти объект управления, то в задаче поддержки принятия решений, наоборот, по заданному будущему состоянию объекта управления (обычно целевому) определить значения факторов, которые с наибольшей вероятностью переведут объект управления в это состояние.
Примечание: мы называем задачу выработки научно обоснованных рекомендаций по выбору агротехнологий задачей поддержки принятия решений, а не задачей приятия решений, т.к. считаем, что в нашем случае компьютер и интеллектуальная система не принимают решений, что является прерогативой специалиста, а лишь консультируют специалиста о наиболее вероятных последствиях тех или иных решений. Таким образом, компьютер и интеллектуальная система являются лишь инструментом, помогающим специалисту выполнять работу, за результаты которой именно он и несет ответственность.
Предположим нас, как руководителя или специалиста хозяйства, интересует вопрос о том, какие необходимо применить агротехнологии, чтобы получить очень высокую урожайность озимой пшеницы сорта Пебеда-50.
Для ответа на это вопрос необходимо в системе "Эйдос" войти в подсистему "Типология" и выбрать режим:____511 "Информационные порт-
реты классов", а затем в нем выбрать класс, система детерминации которо-
го нас интересует, в данном случае класс с кодом 33. После нажатия клавиши Enter, появится экранная форма, приведенная на рисунке 4.
С' h:\WINUOWS\syslemJ^Vcmd.exe
Универсальная когнитивная аналитическая система.
13:11 (с) НПП *ЭИДОС*
Подсистема типологического анализа. Информационный портрет класса: 336. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{69,8-87,3}
10. ПРЕДШЕСТВЕННИКИ ■
10. ПРЕДШЕСТВЕННИКИ -Многолетние травы 11/
№ Наименование Инф-ть Инф-ть (%)
n/w Код признака (Бит)
НЕ 3 10. ПРЕДШЕСТВЕННИКИ-Многолетние травы 0.72027 11. 75
2 2 10. ПРЕДШЕСТВЕННИКИ-Кукуруза 0. 55920 9.12
3 13 13. УДОБРЕНИЕ-органическо-минерапьная 0.37239 6.08
4 6 11. УРОВЕНЬ ПЛОДОРОДИЯ-НИЗКИИ 0.10189 1.66
5 9 12. ОБРАБОТКА ПОЧВЫ-Отвальная 0.10189 1.66
6 12 13. УДОБРЕНИЕ-Органическая система 0.07799 1.27
7 11 13. УДОБРЕНИЕ-Минеральная система 0.07616 1.24
8 7 11. УРОВЕНЬ ПЛОДОРОДИЯ-СредниЙ 0.04341 0. 71
9 8 12. ОБРАБОТКА ПОЧВЫ-Безотвальная 0.04341 0. 71
10 5 11. УРОВЕНЬ ПЛОДОРОДИЯ-ВЫСОКИЙ -0.18023 -2.94
11 10 12. ОБРАБОТКА ПОЧВЫ-Поверхностная -0.18023 -2.94
РІГенерация портретаР2Сорт.РЗПечатьР4ПоискР5ДиаграммаР6ФильтрацияР7Интерпретация
Рисунок 4 - Экранная форма, отображающая систему детерминации класса 33
Распечатка информационного портрета данного класса (с более под-
робной и полной информацией) приведена в таблице 9.
Таблица 9 - ИНФОРМАЦИОННЫЙ ПОРТРЕТ КЛАССА Код класса: 33
Классификационная шкала: 6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ
Г Градация классификационной шкалы: -Озимая пшеница+Победа-50+{69,8-87,3}
№ Код Наименование фактора и его значения Количество информации
Бит % от теоретически максимально возможного
1 3 10. ПРЕДШЕСТВЕННИКИ-Многолетние травы 0,12021 11,15
2 2 10. ПРЕДШЕСТВЕННИКИ-Кукуруза 0,55920 9,12
3 13 13. УДОБРЕНИЕ-Органическо-минеральная 0,31239 б,0В
4 б 11. УРОВЕНЬ ПЛОДОРОДИЯ-Низкий 0,10189 1,бб
б 9 12. ОБРАБОТКА ПОЧВЫ-Отвальная 0,10189 1,бб
б 12 13. УДОБРЕНИЕ-Органическая система 0,01199 1,21
1 11 13. УДОБРЕНИЕ-Минеральная система 0,01б1б 1,24
В 1 11. УРОВЕНЬ ПЛОДОРОДИЯ-Средний 0,04341 0,11
9 В 12. ОБРАБОТКА ПОЧВЫ-Безотвальная 0,04341 0,11
10 5 11. УРОВЕНЬ ПЛОДОРОДИЯ-Высокий -0,18023 -2,94
11 10 12. ОБРАБОТКА ПОЧВЫ-Поверхностная -0,18023 -2,94
Теоретически максимально возможная информативность - это количество информации, которое мы в принципе можем получить из факта действия некоторого значения фактора, который однозначно переводит объект управления в заранее заданное состояние. Это количество информации определяется только количеством классов (градаций классификационных шкал) по формуле: Imax=Log2(70) и в нашем случае, когда у нас в модели 70 классов (см. таблицу 2), равно: 6,129 бита.
Данные таблицы 9 средствами системы "Эйдос" могут быть представлены в форме круговой диаграммы и нелокального нейрона (рисунки 5 и 6).
CopyRight (с) Scientific & industrial enterprise AIDOS, Russia, 13B1-Z007. Russian Patent Mo 340Z17. All Rights Reserued.
Информационный портрет класса распознавания:
[33]-6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-ОЗИМАЯ
ПШЕНИЦА + Г10БЕДА-5 0 + {6 9 ,8-87,3}
Positiue. Filter code: 1-15. Filter Inf: ALL.
^ [3J-10. ПРЕДШЕСТВЕННИКН-Многолетные т равь
ffiS [23-10. ПРЕДШЕСТВЕННИКИ-Кукуруэа
Д С 13 3-13. У ДО БРЕНИЕ-Органическо-мннеральная = [61-11. УРОВЕНЬ ПЛОДОРОДИЯ-Hliokliu
[91-12. ОБРЛБОТКЛ ПОЧВЫ-Отвальнан
Рисунок 5 - Круговая диаграмма информационного портрета класса: "Озимая пшеница+Победа-50+{69,8-87,3}"
"Озимая пшеница+Победа-50+{69,8-87,3}"
Из информационного портрета, приведенного на рисунках 5 и 6, а
также в таблице 9, видно, что более 3/4 суммарного влияния на получение хозяйственного результата: ”Озимая пшеница+Победа-50+{69,8-87,3}” обеспечивается системным (т.к. СИМ учитывает взаимодействие факторов) действием всего трех факторов: предшественники многолетние травы и кукуруза и органическо-минеральная система удобрений. При этом обработка почвы не играет особой роли, но желательна отвальная, а не поверхностная (которая препятствует этому результату). Возможно, это несколько парадоксально, но данный хозяйственный результат получается на почвах низкого или среднего плодородия, а не на плодородных почвах, как можно было бы ожидать. По-видимому, это связано с тем, что на плодородных почвах не применяются интенсивные технологии, в основном обуславливающие этот результат.
7. Системно-когнитивный и кластерно-конструктивный анализ
СИМ.
Необходимо отметить, что в системе "Эйдос" возможности исследования СИМ в системе "Эйдос" весьма разнообразны: достаточно сказать, что система генерирует 50 видов текстовых форм (отформатированных для MS Word и MS Excel) и 52 вида графических форм, подавляющее большинство которых не имеет аналога в Excel и других системах обработки данных и предложена автором [8]. В данном разделе мы рассмотрим лишь некоторые из них, чтобы не перегружать работу излишними деталями.
Задача выявления силы и направления влияния факторов
Прежде всего, обратим внимание на то, что значения разных агро-технологических факторов имеют разные силу и направление влияния на различные хозяйственный результаты. Информацию об этом можно получить из матрицы информативностей, приведенной в таблице 10.
Таблица 10 - МАТРИЦА ИНФОРМАТИВНОСТЕЙ (ФРАГМЕНТ, Бит х 100)
Код Коды классов
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Коды признаков 1 -49 50 50 50 50 0 0 0 26 0 0 50 14 6 -26 -34 -73 -19 -139 26
2 24 0 0 0 0 40 84 0 -39 0 0 0 30 -15 35 16 35 20 -34 -39
3 24 0 0 0 0 94 0 0 -107 0 0 0 0 39 18 62 33 -25 64 -107
4 24 0 0 0 0 0 0 119 -4 0 0 0 0 -50 -46 -46 14 19 71 -4
5 -0 0 0 0 0 0 -2 0 26 0 0 0 0 -9 -49 -13 -43 -29 -29 26
6 -0 -0 -0 -0 -0 -0 1 -0 -246 0 0 70 60 49 43 30 33 43 15 -246
7 0 -0 -0 -0 -0 -0 1 -0 25 0 0 0 -55 0 -35 -35 -14 -60 6 25
8 0 -0 -0 -0 -0 -0 1 -0 25 0 0 0 -55 0 -35 -35 -14 -60 6 25
9 -0 -0 -0 -0 -0 -0 1 -0 -246 0 0 70 60 49 43 30 33 43 15 -246
10 -0 0 0 0 0 0 -2 0 26 0 0 0 0 -9 -49 -13 -43 -29 -29 26
11 0 -1 -1 -1 3 -1 0 -1 -5 0 0 44 34 -81 -77 -18 19 28 24 -5
12 0 -1 -1 -1 3 -1 1 -1 9 0 0 0 0 -11 20 13 -2 -30 -56 9
13 -1 3 3 3 -12 3 -2 3 0 0 0 0 0 -33 -73 -73 13 23 50 0
14 0 -1 -1 -1 3 -1 1 -1 -5 0 0 44 52 52 44 33 -47 -56 0 -5
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Каждое значение фактора имеет некоторую вариабельность в матрице информативностей, количественное значение которой (среднеквадратичное отклонение) принято в СК-анализе за ценность этого признака для решения задач прогнозирования и поддержки принятия решений. На рисунке 7 приведена Паррето-кривая (накопительная) ценности градаций факторов.
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 1981-2001. Russian Patent No 940217. All Tlights Reserued.
СЕЛЕКТИВНАЯ СИЛА СИСТЕМЫ ПРИЗНАКОВ
в.в 1.в 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9. 010. 011. 012.013. 014.015. 0
Признаки & порядке убывания селективной смуіьі
Рисунок 7 - Паррето-кривая ценности градаций факторов
Однако есть в СК-анализе и характеристика силы влияния описательной шкалы (фактора) в целом: это среднее от силы влияния всех градаций этой описательной шкалы. В таблице 11 приведены описательные шкалы с количественной оценкой силы их влияния.
Таблица 11 - ОПИСАТЕЛЬНЫЕ ШКАЛЫ С КОЛИЧЕСТВЕННОЙ ОЦЕНКОЙ СИЛЫ ИХ ВЛИЯНИЯ
N° п/п Код шкалы Наименования описательных шкал Значимость шкалы Коды градаций
1 2 3 4
1 1 10. ПРЕДШЕСТВЕННИКИ 0.36735 1 2 3 4
2 2 11. УРОВЕНЬ ПЛОДОРОДИЯ. 0.33853 б 6 7
З З 12. ОБРАБОТКА ПОЧВЫ 0.33853 в 9 10
4 4 13. УДОБРЕНИЕ 0.26107 11 12 13 14
б б 14. ЗАЩИТА РАСТЕНИИ 0.00000 1б
Из таблицы 11 мы видим, что наибольшее влияние на результат имеют предшественники и уровень плодородия почвы.
Возникает закономерный вопрос о том, почему фактор: "14.
ЗАЩИТА РАСТЕНИЙ" имеет нулевое влияние. Ответ на этот вопрос прост: "Потому, что у него одна единственная градация, и она есть во всех приведенных примерах выращивания, т.е. по градациям этой шкалы нулевая вариабельность".
Если бы в обучающей выборке были указаны разные варианты защиты растений, т е. были бы контрольные группы по этому параметру, как они есть по остальным1, то тогда появилась бы возможность определить, каким образом каждый из этих вариантов защиты растений влияет на хозяйственные результаты, т.е. определить силу и направление влияния значений этого фактора на все исследуемые в модели результаты применения агротехнологий.
Аналогично, если посчитать влияние на урожайность зерновых колосовых фактора "Наличие солнечного освещения", то получится тоже ноль, если не сравнить результаты с контрольной группой, выращиваемой в условиях абсолютной темноты, например, в какой-нибудь пещере, причем не обязательно при всех прочих равных условиях.
Отметим, что если бы в исходных данных была вариабельность по качеству пшеницы (в исследованных данных была только ценная птттени-ца), то модель позволила бы определить сиу и направление влияния технологических факторов и на этот показатель, а если бы в исходных данных были указаны предшественники не только прошлого года, как сейчас, но и позапрошлого, и 3, 4, 5, 6, 7, 8, 9, 10 и более лет назад, то семантическая информационная модель позволила бы исследовать их влияние на количество и качество урожая зерновых колосовых, а также количественно выявить и использовать для автоматизированного прогнозирования и поддержки принятия решений в растениеводстве законы севооборота.
Семантические сети классов и факторов.
Система "Эйдос" в режимах кластерно-конструктивного анализа позволяет исследовать классы по сходству их системы детерминации и факторы по их влиянию на поведение объекта управления.
Состояния объекта управления, соответствующие классам, сходным по их системам детерминации могут быть достигнуты одновременно, а различные (образующие полюса конструкта) являются альтернативными и одновременно получены быть не могут.
Значения факторов, сходные по их влиянию на поведение объекта управления могут быть использованы в качестве замены друг друга, если они имеют разную стоимость или какой-то из них нет возможности или нерационально использовать, а другой есть возможность или более рационально.
1 Луценко Е.В. Системно-когнитивный и факторный анализ. СК-анализ, как метод вариабельных контрольных групп. [Электронный ресурс]. - Режим доступа: http://lc.kubagro.ru/aidos/aidos06 1ecAndex.htm [10].
По этим причинам результаты кластерно-конструктивного анализа модели представляют не только научный, но и вполне прагматический интерес.
В таблицах 12 и 13 приведены фрагменты матриц сходства классов и значений факторов, а на рисунках 8 и 9 фрагменты соответствующих, т.е. отображающих эти матрицы семантических сетей классов и факторов.
Таблица 12 - МАТРИЦА СХОДСТВА КЛАССОВ (ФРАГМЕНТ, %)
Код 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 100 -82 -82 -82 -78 49 36 36 -19 0 0 -43 -2 -9 17 31 68 16
2 -82 100 100 100 95 -9 -7 -7 19 0 0 29 2 4 -11 -25 -56 -7
3 -82 100 100 100 95 -9 -7 -7 19 0 0 29 2 4 -11 -25 -56 -7
4 -82 100 100 100 95 -9 -7 -7 19 0 0 29 2 4 -11 -25 -56 -7
5 -78 95 95 95 100 -10 -6 -7 18 0 0 35 8 8 1 -8 -59 -15
6 49 -9 -9 -9 -10 100 33 -10 -21 0 0 -26 -1 23 29 54 40 -2
7 36 -7 -7 -7 -6 33 100 -7 -3 0 0 -16 17 -8 33 18 33 22
8 36 -7 -7 -7 -7 -10 -7 100 9 0 0 -19 -8 -37 -22 -32 14 21
9 -19 19 19 19 18 -21 -3 9 100 0 0 -66 -64 -58 -63 -60 -62 -62
10 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
12 -43 29 29 29 35 -26 -16 -19 -66 0 0 100 76 41 40 33 6 44
13 -2 2 2 2 8 -1 17 -8 -64 0 0 76 100 31 53 53 25 64
14 -9 4 4 4 8 23 -8 -37 -58 0 0 41 31 100 79 67 -4 -18
15 17 -11 -11 -11 1 29 33 -22 -63 0 0 40 53 79 100 83 28 10
16 31 -25 -25 -25 -8 54 18 -32 -60 0 0 33 53 67 83 100 31 6
17 68 -56 -56 -56 -59 40 33 14 -62 0 0 6 25 -4 28 31 100 66
18 16 -7 -7 -7 -15 -2 22 21 -62 0 0 44 64 -18 10 6 66 100
ца 13 - МАТРИЦА СХ< ОДСТВА СМЫСЛОВ] ЫХ З >НАЧЕН] НИ Ф АКТОР
Код 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 100 -31 -38 -23 43 9 33 33 9 43 3 30 9 18 0
2 -31 100 32 -17 -24 18 -33 -33 18 -24 -2 -14 -12 6 0
3 -38 32 100 -12 -23 40 -26 -26 40 -23 -7 -19 -0 18 0
4 -23 -17 -12 100 -3 -4 13 13 -4 -3 25 4 27 -25 0
5 43 -24 -23 -3 100 -39 72 72 -39 100 16 21 7 -2 0
6 9 18 40 -4 -39 100 -41 -41 100 -39 11 -3 10 20 0
7 33 -33 -26 13 72 -41 100 100 -41 72 9 32 18 -25 0
8 33 -33 -26 13 72 -41 100 100 -41 72 9 32 18 -25 0
9 9 18 40 -4 -39 100 -41 -41 100 -39 11 -3 10 20 0
10 43 -24 -23 -3 100 -39 72 72 -39 100 16 21 7 -2 0
11 3 -2 -7 25 16 11 9 9 11 16 100 -3 39 -21 0
12 30 -14 -19 4 21 -3 32 32 -3 21 -3 100 -24 -6 0
13 9 -12 -0 27 7 10 18 18 10 7 39 -24 100 -35 0
14 18 6 18 -25 -2 20 -25 -25 20 -2 -21 -6 -35 100 0
15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
CopuRight (с) Scientific й industrial enterprise AIDOS, Russia, 1981-Z001. Russian Patent No 940217. All Ttights Reserued.
2D - СЕМАНТИЧЕСКАЯ СЕТЬ КЛАССОВ
6. КУЛЬТУРЙ*С0РТ* УРОЖАЙНОСТЬ-озим эя пшенииа+Батьк 0+<52,4-69,8)
6. КУПЬТУРЙ+СОРТ* УРОЖАЙНОСТЬ-03ИН
ПШкНИИЭ+БЭТЫ-::
6 . КУПЬТУРЙ+СОРТ*
урожайность-озин эя пшенича+Побеэ Э.~5й*<ЗЧ.9-52,4>
6. КУПЬТУРЙ+СОРТ* УРОЖАЙНОСТЬ-озим эя пшениц а* Юн а* <
69,8-87,3>
6. КУПЬТУРН+СОРТ* УРОЖАЙНОСТЬ-Озин эя пшеница+Побеэ Э-50К52 А -69,8>
6. КУЛЬТУРА+С0РТ+ УРОЖАЙНОСТЬ-ОЗИМ эя пшениц а* Юн а* < 34.9-52,4>
t-. КУЛЬТУРА+СОРТ* УРОЖАЙНОСТЬ-ОЗИМ эя пшенииа+РУФа+ <3-1.9-52,4>
Отношения схобстба:
различия:
Сила связи - толщина линии
6. КУЛЬТУРА*С0РТ* УРОЖЙЙНОСТЬ-ОЗИМ эя пшенииа+РУФа* <69,8-87,3)
h . КУЛЬТУРА+СОРТ* УРОЖАЙНОСТЬ-ОЗИМ эя пшеницэ+Руфа*
<52-69,8)
Рисунок 8 - Семантическая сеть классов, соответствующих различным урожайностям исследуемых сортов озимой пшеницы:
Батько, Победа-50, Руфа и Юна
На рисунке 8 приведена семантическая сеть, показывающая степень сходства различных классов по системе детерминирующих их значений агротехнологических факторов.
На рисунках 8 и 9 цветом показан знак отношения (связи): красными линиями показаны отношения сходства, а синими - различия, толщина линий отражает силу связи по модулю.
CopuRight (c) Scientific & industrial enterprise AIDOS, Russia, 19B1-1997. Russian Patent Mo 940217. All Ttights Reserued.
2D
СЕМАНТИЧЕСКАЯ СЕТЬ ПРИЗНАКОВ
1Й. ПРЕАШЕСТВЕННИ К И
10. ПРЕАШЕСТВЕННИ
1Й. ПРЕАШЕСТВЕННИ ки КИ-Многолетние тр эвы И. УРОВЕНЬ ПгЮАО РОДИЯ
1й. ПРЕАШЕСТВЕННИ КИ-Кукуруза Сз) И. УРОВЕНЬ ПЛ0А0 РОДИЯ-Высокий
13. УДОБРЕНИЕ
13. УДОБРЕНИЕ-OPS аническо -минераль
Н5:Ч
И. УРОВЕНЬ ПЛОЛО РОДИЯ
11. УРОВЕНЬ ПГ10А0
родия-Низкий
13. УДОБРЕНИЕ (21) (10) i;-39i 12. ОБРАБОТКА П0Ч ВЫ
13. УДОБРЕНИЕ-орг 12. ОБРАБОТКА П0Ч
аническая система 12. ОБРАБОТКА П0Ч ВЫ ВЫ-Отвальная
12. ОБРАБОТКА П0Ч БЫ-Поверхностная
Отношения сходства:
различия:
Сила связи - толщина линии
Рисунок 9 - Семантическая сеть значений агротехнологических факторов, показывающая их сходство и различие по силе и направлению влияния на поведение объекта управления, т.е. получение хозяйственных результатов
На рисунке 9 приведена семантическая сеть значений факторов, показывающая их сходство и различие по силе и направлению влияния на поведение объекта управления, т.е. получение хозяйственных результатов
Когнитивные диаграммы классов и факторов.
Если семантические сети классов показывают сходство и различие многих классов между собой по системе детерминирующих их значений факторов, но при этом структура каждой связи содержательно не раскрывается, т.е. на сети не показано, какие значения какой вклад вносят в сходство - различие классов, то на когнитивной диаграмме мы содержательно и на сколько возможно детально видим именно структуру связи, но только между двумя выбранными классами.
Когнитивная диаграмма имеет следующую структуру:
- справа и слева мы видим информационные портреты выбранных классов;
- в каждом информационном портрете в верхней части красным цветом изображены значения факторов, способствующих переходу объекта управления в состояние, соответствующее данному классу; в нижней части синим цветом изображены значения факторов, препятствующих переходу объекта управления в это состояние;
- линии красного цвета показывают вклад в сходство двух классов, а синие - вклад в различие, толщина линий отражает силу их вклада в сходство - различие по модулю.
Рассмотрим когнитивную диаграмму на рисунке 10.
CopuRight (с) Scientific й industrial enterprise AIDOS, Russia, 1981-2001. Russian Patent No 940Z17. All Rights Reserued.
КОГНИТИВНЫЕ ДИАГРАММЫ КЛАССОВ РАСПОЗНАВАНИЯ I
[31]
i
h
u
0
z
a
щ
h
a
a
a
x
s
2
z
rd
u
л
0
с
I
X
it
z
CO
I
а
c
-6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ Наименоб.признакоб:
10 . ПРЕДШЕСТВЕННИКИ
10. предшественники-многолетние травы
13. УДОБРЕНИЕ
13. УДОБРЕНИЕ-Отсутствует
10 . ПРЕДШЕСТВЕННИКИ
10. ПРЕДШЕСТВЕННИКИ-КУКУРУЗа
И. УРОВЕНЬ ПЛОДОРОДИЯ
11. УРОВЕНЬ ПЛОДОРОДИЯ-высокий
12. ОБРАБОТКА ПОЧВЫ
12. ОБРАБОТКА ПОЧВЫ-ПОВеРННОСТНа
И. УРОВЕНЬ ПЛОДОРОДИЯ И. УРОВЕНЬ ПЛОДОРОДИЯ-Средний
И. УРОВЕНЬ ПЛОДОРОДИЯ И. УРОВЕНЬ ПЛОДОРОДИЯ-НИЗКИЙ
12. ОБРАБОТКА ПОЧВЫ
12. ОБРАБОТКА ПОЧВЫ-Отвальная
[Признаки: 1-15 |
Коп=1 Кпп=3 1=0 .99BiT I=lt- 19Х
КОП=4 кпп=н I=0.SSBit 1=Н .41 У.
К0П=1 Кпп=2 1=0 .34BiT 1=5 ЛУУ.
КОП=2 КПП=5 1=0 .20Bit 1=3 .33^
Коп=3 КПП=10 1=0 .20BiT 1=3 .ззх
КОП=2 КПП=7 I = -0.13Bit
1 = -2 .12^
Коп=2 Кпп=6 I = -0 .13BiT 1 = -2 .16^
коп=з
КПП=9 I = -0.13Bit
1 = -2 1ЪУ.
ОЗИ [33]
K0R=44.61X
Отношения схобстба:
различия:
6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ Наименоб.признакоб:
Коп=1 кпп=з =0 .72Bit =11.75^
Коп=1 Кпп=2 =0 .56BiT =9 .12'/.
Коп=4 Кпп=13 =0 .37BiT =6 АЬУ.
КОП=2 Кпп=6 =0 .16Bit
=1.ььу.
коп=з Кпп=9 = й ,10Bit =1.66^
К on=2 КПП=5 = -0 .ISBit = -2 .94У.
Коп=3 КПП=10 = -0 .ISBit = -2 .94У.
10. ПРЕДШЕСТВЕННИКИ
10. ПРЕАШЕСТВЕННИКИ-Многолетние ТРЭВЫ
10. ПРЕДШЕСТВЕННИКИ
10. ПРЕДШЕСТВЕННИКИ-КУКУРУЗа
13. УДОБРЕНИЕ
13 . удобрение-органическо-минера льная
11. УРОВЕНЬ ПЛОДОРОДИЯ
11. УРОВЕНЬ ПЛОДОРОДИЯ-НИЗКИЙ
12. ОБРАБОТКА ПОЧВЫ
12. ОБРАБОТКА ПОЧВЫ-Отвальная
11. УРОВЕНЬ ПЛОДОРОДИЯ
11. УРОВЕНЬ ПЛОДОРОДИЯ-ВЫСОКИЙ
12. ОБРАБОТКА ПОЧВЫ
12. ОБРАБОТКА ПОЧВЫ-ПОВеРННОСТНа
| Признаки: 1—15~|
Сила сбязи - толщина линии
Рисунок 10 - Когнитивная диаграмма двух классов:
6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{34,9-52,4}
6. КУЛЬТУРА+СОРТ+УРОЖАЙНОСТЬ-Озимая пшеница+Победа-50+{б9,8-87,з}
Эта когнитивная диаграмма (см. рисунок 10) содержательно отражает в наглядной графической форме сходство и различие систем детерминации состояний, соответствующих высокой и низкой урожайности
озимой пшеницы сорта Победа-50. Основной вклад в сходство этих двух состояний вносит то, что для них обоих характерны предшественники -многолетние травы. Однако на этом сходство заканчивается: если для высокой урожайности характерно применение органическо-минерального удобрения и отвальной обработки почвы, то при низкой урожайности удобрения не применяются и почва обрабатывается поверхностно. Видимо, это различие в агротехнологиях и обуславливает различие в хозяйственном результате выращивания, в данном случае в урожайности озимой пшеницы сорта Победа-50 по этим агротехнологиям.
Если семантические сети значений факторов показывают сходство и различие многих значений факторов между собой по тому, какие классы они детерминируют, но при этом структура каждой связи содержательно не раскрывается, т.е. на сети не показано, какие значения какой вклад вносят в сходство - различие значений факторов, то на инвертированной когнитивной диаграмме мы содержательно и на сколько возможно детально видим именно структуру связи, но только между двумя выбранными значениями факторов.
Инвертированная когнитивная диаграмма имеет следующую структуру:
- справа и слева мы видим семантические информационные портреты выбранных значений факторов;
- в каждом информационном портрете в верхней части красным цветом изображены классы, переходу в которые данное значение фактора способствует; в нижней части синим цветом изображены классы, переходу в которые данное значение фактора препятствует;
- линии красного цвета показывают вклад в сходство двух значений факторов, а синие - вклад в различие, толщина линий отражает силу их вклада в сходство - различие по модулю.
Рассмотрим инвертированную когнитивную диаграмму на рисунке 11.
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 19B1-2001. Russian Patent Mo 940217. All Ttights Reserued.
КОГНИТИВНЫЕ ДИАГРАММЫ признаков:
M]-13. УДОБРЕНИЕ МЫЗ. УДОБРЕНИЕ
[131-13. УДОБРЕНИЕ -0РГЙНИЧЕСК0-МИНЕРАЛЬНАЯ [Н ] -13 . УДОБРЕНИЕ-ОТСУТСТВУЕТ
Рисунок 11 - Содержательное сравнение силы и направления влияния двух значений факторов на урожайность озимой пшеницы сорта Победа-50
Эта инвертированная когнитивная диаграмма содержательно отражает в наглядной графической форме сходство и различие двух значений факторов по тому, какую урожайность озимой пшеницы сорта Победа-50 они детерминируют. Из этой диаграммы (см. рисунок 11) видно, что применение органическо-минерального удобрения детерминирует получение очень высокой урожайности, тогда как отсутствие удобрений, наоборот, детерминирует очень низкую урожайность.
Когнитивные карты (классические и интегральные).
Если объединить нелокальный нейрон (рисунок б) семантической сетью значений факторов (рисунок 9), то получим классическую или простую когнитивную карту (рисунок 12).
CopuRight (с) Scientific fi industrial enterprise AIDOS, Russia, 1979-2007. Russian Patent Mo 940217. All Rights Reserued.
ИНТЕГРАЛЬНАЯ КОГНИТИВНАЯ КАРТА: ЗАДАНИЕ N 33 ( СЕМАНТИЧЕСКИЕ СЕТИ НЕЙР0Н0Н И РЕЦЕПТ0Р0Н С НЕЙРОННОЙ СЕТЬЮ ) Семантическая сеть НЕЙРОНОВ: N<=1 .
Семантическая сеть РЕЦЕПТОРОВ: М<=0
+ связь >0: - связь <0: _ Вес связи - толщина линии, показаны =>1
Рисунок 1 - Классическая когнитивная карта, отражающая систему детерминации класса: "Озимая пшеница+Победа-50+{69,8-87,3}" с учетом сходства и различия силы и направления влияния значений факторов
на это состояние
Данная когнитивная карта (см. рисунок 12) отображает в наглядной графической форме систему детерминации состояния с объекта управления, т.е. класса с кодом 33: "Озимая пшеница+Победа-50+{69,8-87,3}" (очень высокая урожайность). В нижней части карты указаны коды значений технологических факторов, расшифровка смысла которых дана в таблице 3 работы [25]. Красные и синие линии, соединяющие значения факторов, отражают, соответственно, их сходство и различие по влиянию на поведение объекта управления, т.е. его переход во все состояния, соответ-
ствующие всем классам (таблица 2 [25]) а толщина, этих линий отражает величину этого сходства или различия. Вертикальные линии отражают силу и направление влияния значений факторов на переход объекта управления в состояние с кодом 33: сиреневые линии обозначают способствующие этому факторы, а зелеными - препятствующие, толщина линий обозначает силу влияния.
Приведем пример интегральной когнитивной карты, представляющей собой небольшой фрагмент системно-когнитивной модели предметной области (рисунок 13). Несмотря на то, что эта модель сформирована в системе "Эйдос", отобразить ее целиком не представляется возможным по чисто техническим причинам из-за ее большой размерности.
CopuRight (с) Scientific & industrial enterprise AIDOS, Russia, 1979-2007. Russian Patent Mo 940217. All Rights Reserued. ИНТЕГРАЛЬНАЯ КОГНИТИВНАЯ КАРТА: ЗАДАНИЕ N 19 ( СЕМАНТИЧЕСКИЕ СЕТИ НЕЙРОНОВ И РЕЦЕПТОРОВ С НЕЙРОННОЙ СЕТЬЮ )
+ связь >0:
связь <0:
Вес связи - толщина линии, показаны =>1
Рисунок 2 - Пример интегральной когнитивной карты
Интегральная когнитивная карта представляет собой систему из семантических сетей классов и значений факторов, при этом каждый класс соединен как нелокальный нейрон линиями детерминации с системой детерминирующих его значений факторов.
Интегральная когнитивная карта представляет собой суперпозицию нескольких простых когнитивных карт, каждая из которых устроена так, как описано в пояснении к рисунку 12.
В верхней части карты указаны коды классов, соответствующих будущим состояниям объекта управления, расшифровка смысла которых дана в таблице 2 работы [25]. Красные и синие линии, соединяющие классы, отражают, соответственно, их сходство и различие по системе их детерминации, т.е. значениям факторов, обуславливающих переход объекта управления во все состояния, соответствующие всем классам (таблица 2 [25]), а толщина этих линий отражает величину этого сходства или различия.
Задача 5. Описать результаты применения методики (эффективность, научные результаты и выводы, практические рекомендации).
Ученые-агрономы, увидев, какие знания мы выявили с применением СК-анализа из эмпирических данных, могу возразить: "Но ведь это же все давно известно!"
Что на это можно ответить?
1-е: едва ли эти закономерности были известны в количественной форме да еще с такой точностью.
2-е: в научной литературе и учебных пособиях эти знания содержаться в текстовой форме, не позволяющей непосредственно использовать их для решения задач прогнозирования и поддержки принятия решений.
3-е: форма, в которой в системе "Эйдос" содержатся эти знания, непосредственно позволяет решать задачи прогнозирования и поддержки
принятия решений, в т.ч. в перспективе и в режиме on-line доступа к серверу через Internet (для этого необходима программная разработка).
4-е: это хорошо, что знания, выявленные нами с применением технологии СК-анализа непосредственно из эмпирических данных, совпали с точкой зрения специалистов и экспертов в данной предметной области. Это подтверждает работоспособность метода СК-анализа и позволяет предположить и надеяться, что те знания, которые с помощью этого метода можно выявить в других предметных областях, в которых еще нет экспертов, также будут адекватны в смысле соответствия действительности, а это означает, что у нас в распоряжении новый инструмент научного познания с уникальными возможностями.
5-е: наличие технологии СК-анализа позволяет в принципе уточнять эти знания, как в явной, так и в неявной форме, внося в них учет локальных (местных) особенностей как регионов, так и районов и даже отдельных хозяйств, а также учитывать изменения, происходящие с течением времени (динамику). Ожидается, что эти уточненные, "локализованные", "адаптированные" знания будут более адекватны, а значит - и более эффективны на практике, чем знания, не учитывающие местную специфику, взятые из общероссийских или иностранных научных работ и учебников.
6-е: интеллектуальные системы, подобные системе "Эйдос", способны накапливать огромные базы эмпирических данных, эквивалентные опыту многих тысяч специалистов, посвятивших возделыванию данной культуры всю свою жизнь, и не просто накапливать, но и выявлять знания непосредственно из этих эмпирических данных, обрабатывать эти знания и использовать их для прогнозирования, поддержки принятия решений и исследования предметной области. Авторы выражают уверенность, что применение подобных систем и баз знаний на практике может предостеречь молодых специалистов, а в некоторых случаев даже и более опытных
от просчетов и ошибок в планировании технологических процессов, повысить качество их работы.
7-е: основной научный вывод, который можно сделать из проделанной работы, состоит в том, что существуют, более того, находятся в нашем распоряжении работоспособные интеллектуальные технологии, обеспечивающие выявление знаний непосредственно из эмпирических данных, и эти технологии позволяют использовать эти знания для решения задач прогнозирования результатов применения тех или иных агротехнологий в растениеводстве, а также для поддержки принятия решений по выбору рациональных агротехнологий, с наивысшей вероятностью обуславливающих заранее заданный хозяйственный и экономический результат.
8-е: на основе вышеизложенного можно обоснованно дать практическую рекомендацию применять подобные интеллектуальные технологии на уровне КубГАУ и департамента сельского хозяйства, для чего необходимо создать соответствующую инфраструктуру (подразделение, типа аналитического и консалтингового центра).
9-е: материал данной статьи может стать основой полноценной лекции и лабораторной работы по дисциплине "Интеллектуальные информационные системы" для факультета прикладной информатики, а также спецкурса по применению современных информационных технологий для студентов и специалистов агрономических специальностей и курсов повышения квалификации.
Задача 6. Рассмотреть ограничения метода и методики его применения, перспективы их развития и применения.
Рассмотренный в данной статье вариант решения проблемы ограничен как по самому набору агротехнологических факторов, так и их по вариабельности и объему исследуемой выборки.
Набор агротехнологических факторов ограничен в связи со сложностью и ограничениями доступа к первичной фактографической информации, содержащейся в журналах агрономов. Этой же причиной обусловлен и довольно ограниченный объем исследуемой выборки: всего 3-9 случаев выращивания. Вариабельность исследуемых факторов ограничена в связи с тем, что информация, которую удалось получить и обработать и описать, в данной статье соответствует применению стандартных технологических карт, которым обязаны следовать агрономы в соответствии с условиями договоров на научное обслуживание хозяйств.
Конечно, такая исходная база данных далека от желаемой. Ограниченностью исходной информации обусловлена относительная скромность результатов, которые удалось продемонстрировать. По этой причине авторы предлагают рассматривать данную статью лишь в качестве примера, демонстрирующего принципиальные возможности предлагаемой технологии и показывающего, какие задачи и как можно было бы решать, если бы исследователям и разработчикам был обеспечен доступ к реальной исходной информации по истории выращивания тех или иных культур в хозяйствах за длительный период времени.
Заключение
В заключение хотелось бы выразить благодарность доктору сельскохозяйственных наук, профессору Малюге Николаю Григорьевичу за предоставленную исходную информацию, также выразить надежду, что данная работа будет продолжена.
Список литературы
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.
2. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности: 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ, 2004. - 633 с.
3. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом: Монография (научное издание). -Краснодар: КубГАУ, 2005. - 480 с.
4. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"): Монография (научное издание). - Краснодар: КЮИ МВД РФ, 1996. - 280 с.
5. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов: Монография (научное издание). -Краснодар: ТУ КубГТУ, 1999. - 318 с.
6. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание) /Под науч. ред. В.С. Симанкова.
- Краснодар: ИСТЭК КубГТУ, 2001. - 258 с.
7. Луценко Е.В., Драгавцева И.А., Луценко Н.Е., Лопатина Л.М. Применение
автоматизированного системного анализа для прогноза продуктивности плодовых культур на Юге страны // Материалы Всероссийской научно-
практической конференции. - Краснодар: СКЗНИИСВ, 2002. - С. 8-11.
8. Луценко Е.В., Драгавцева И.А., Лопатина Л.М., Луценко Н.Е. Применение системного анализа для прогнозирования успешности выращивания сельскохозяйственных культур (на примере плодовых) // Формы и методы повышения эффективности координации исследований для ускорения процесса передачи реальному сектору экономики завершенных разработок: Сборник.
- Краснодар: СКЗНИИСиВ, 2002. - С. 62-67.
9. Луценко Е.В., Лопатина Л.М. Создание автоматизированной системы мони-
торинга, анализа, прогноза и управления продуктивностью сельскохозяйственных культур // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(2). - Режим доступа:
http://ei.kubagro.ru/2003/02/07/p07.asp.
10. Луценко Е.В., Егоров Е.А., Драгавцева И.А., Лопатина Л.М. и др. Интенсивные технологии возделывания плодовых культур: Монография (научное издание) / СКЗНИИСиВ. - Краснодар, - 2004. -394 с.
11. Луценко Е.В., Драгавцева И. А., Лопатина Л.М. Концептуальная постановка задачи: "Прогнозирование количественных и качественных результатов выращивания заданной культуры в заданной точке" // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №05(7). - Режим доступа: http://ei.kubagro.ru/2004/05/08/p08.asp.
12. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. Автоматизация системного анализа продуктивности плодовых культур Юга России // Научные труды Российской академии сельскохозяйственных наук. - 2005. - №4. - С. 11-14.
13. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. Автоматизированная система мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003610433 РФ. Заяв. № 2002611927 РФ. Опубл. от 18.02.2003.
14. Луценко Е.В., Драгавцева И.А., Лопатина Л.М. База данных автоматизированной системы мониторинга, анализа и прогнозирования развития сельхозкультур "ПРОГНОЗ-АГРО". Пат. № 2003620035 РФ. Заяв. № 2002620178 РФ. Опубл. от 20.02.03.
15. Луценко Е.В., Драгавцева И. А., Лопатина Л.М., Немоляев А.Н. Подсистема агрометеорологической типизации лет по успешности выращивания плодовых и оценки соответствия условий микрозон выращивания ("АГРО-МЕТЕО-ТИПИЗАЦИЯ"). Пат. № 2006613271 РФ. Заяв. № 2006612452 РФ. Опубл. от 15.09.2006.
16. Луценко Е.В., Калустов А.А. Применение автоматизированного системно-
когнитивного анализа для совершенствования методов компьютерной селекции подсолнечника // Научный журнал КубГАУ [Электронный ресурс]. -Краснодар: КубГАУ, 2005. - №02(10). - Режим доступа:
http://ei .kubagro.ru/2005/02/10/p10.asp.
17. Луценко Е.В., Головин В.П., Калайджян А. А., Калустов А.А. Совершенствование методов компьютерной селекции подсолнечника путем применения АСК-анализа // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 397411.
18. Луценко Е.В., Головин В.П., Калайджян А. А., Калустов А.А. Прогнозирование селекционных свойств растений подсолнечника на основе их фенотипических признаков путем применения АСК-анализа // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 463-464.
19. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А. Кластерноконструктивный и системно-когнитивный анализ результатов выращивания подсолнечника и факторов // Материалы XIV Международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005.
- С. 476-478.
20. Луценко Е.В., Головин В.П., Калайджян А.А., Калустов А.А. Поддержка принятия решений по отбору растений для селекции на основе анализа их фенотипических признаков методом АСК-анализа // Материалы XIV международного симпозиума "Нетрадиционное растениеводство. Эниология. Экология и здоровье" - 2-й съезд селекционеров. 3-11 сентября 2005 г., г. Алушта. - Симферополь, 2005. - С. 492-496.
21. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие. - М.: Высшая школа, 1997. - 389 с.
22. Денисов А. А.. Информационное поле. - СПб.: Изд-во "Омега", 1998. - 3,9 п. л.
23. Луценко Е.В. Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе / Е.В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №01(3). -Режим доступа: http://ei.kubagro.ш/2004/01/pdf/1б.pdf .
24. Луценко Е.В. Системно-когнитивный анализ как развитие концепции смысла Шенка - Абельсона / Е.В. Луценко // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(5). - Режим доступа: http://ei.kubagro.ru/2004/03/pdf/04.pdf .
25. Луценко Е.В., Лойко В.И., Великанова Л.О. Постановка задачи, синтез и оценка адекватности семантической информационной модели прогнозирования урожайности зерновых колосовых и поддержки принятия решений по рациональному выбору агротехнологий // Научный журнал КубГАУ [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №04(38). - Режим доступа: http://ei.kubagro.ru/2008/04/pdf/0б.pdf.
Для удобства читателей некоторые из этих работ размещены по адресу: http://lc. ^Ь agro.ru/aidos/Eidos. Ыт.
