CC BY
18
УДК 004.8
06.02.00 Ветеринария и Зоотехния
РАЗРАБОТКА ВЕТЕРИНАРНОГО ТЕСТА ДЛЯ ДИАГНОСТИКИ ЖЕЛУДОЧНО-КИШЕЧНЫХ ЗАБОЛЕВАНИЙ ЛОШАДИ НА ОСНОВЕ ДАННЫХ РЕПОЗИТОРИЯ UCI С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail. com http://lc. kubagro. ru Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
Печурина Елена Каримовна РИНЦ SPIN-код: 1952-4286
Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
Сергеев Александр Эдуардович
к.ф.-м.н, доцент
РИНЦ SPIN-код: 7837-9566
Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия
В данной статье кратко рассматривается новый инновационный (доведенный до уровня, обеспечивающего практическое использование) метод искусственного интеллекта: автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос». Приводится подробный численный пример решения, демонстрирующий технологию создания ветеринарного диагностического теста желудочно-кишечных заболеваний лошади. В качестве исходных данных использованы данные репозитория UCI, предоставленные Мэри Маклиш и Мэтт Сесиль (Отдел компьютерных наук Гуэлф-ский университет, Онтарио, Канада N1G 2W1, при поддержке спонсора: Уилла Тейлора. Разработанный тест использован для решения задач диагностики, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели. Результаты исследования могут быть использованы всеми желающими, благодаря тому, что Универсальная автоматизированная система «Эйдос», являющаяся инструментарием АСК-анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm, а численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачное Эйдос-приложение № 129
Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ,
UDC 004.8
Veterinary and Zootechnics
DEVELOPING A VETERINARY TEST FOR THE DIAGNOSIS OF GASTROINTESTINAL DISEASES IN HORSES BASED ON DATA FROM THE UCI REPOSITORY WITH THE USE OF ASC-ANALYSIS
Lutsenko Evgeniy Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57188763047 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com http://lc.kubagro.ru Kuban State Agrarian University, Krasnodar, Russia
Pechurina Elena Karimovna
RSCI SPIN-code: 1952-4286
Kuban State Agrarian University, Krasnodar, Russia
Sergeev Aleksandr Eduardovich Cand.Phys.-Math.Sci., associate Professor RSCI SPIN-code: 7837-9566
Kuban State Agrarian University, Krasnodar, Russia
This article briefly discusses a new innovation (brought to a level that ensures its practical use) method of artificial intelligence: automated system-cognitive analysis (ASC-analysis) and its programmatic toolkit which is called intellectual system "Eidos". A detailed numerical example of the solution demonstrating the technology of creating a veterinary diagnostic test of gastrointestinal diseases of horses is given. As the source data, we use data from the UCI repository, kindly given by Mary McLeish and Matt Cecile (Department of computer science of University of Guelph, Ontario, Canada N1G 2W1, with the support of a sponsor: Will Taylor. The developed test is used to solve the problems of diagnosis, decision support and examining the simulated subject area by studying its model. The results of the study can be used by anyone, due to the fact that Eidos the universal automated system, which is a tool of ask-analysis, is in full open free access on the author's website at: http://lc.kubagro.ru/aidos/_Aidos-X.htm, and numerical examples of solving veterinary problems with the use of artificial intelligence technologies are placed as a cloud Eidos-application 129
Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, INTELLECTUAL SYSTEM "EIDOS",
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», COGNITIVE SPACE КОГНИТИВНОЕ ПРОСТРАНСТВО
Doi: 10.21515/1990-4665-141-033
СОДЕРЖАНИЕ
ВВЕДЕНИЕ..........................................................................................................................................................2
1. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС».........................................................................3
2. РАЗРАБОТКА ВЕТЕРИНАРНОГО ДИАГНОСТИЧЕСКОГО ТЕСТА ПО ЖЕЛУДОЧНО-КИШЕЧНЫМ ЗАБОЛЕВАНИЯМ ЛОШАДИ..............................................................................................4
2.1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных..............................................................................................................................................................4
2.2. Формализация предметной области.................................................................................................15
2.3. Синтез и верификация статистических и системно-когнитивных моделей............................ 26
2.4. Определение наиболее достоверной модели и придание ей статуса текущей........................ 28
3. РЕШЕНИЕ РАЗЛИЧНЫХ ЗАДАЧ С ПРИМЕНЕНИЕМ СОЗДАННОГО ТЕСТА..........................33
3.1. Идентификация, диагностика, классификация и прогнозирование.........................................33
3.2. Поддержка принятия решений............................................................................................................34
3.2.1. Метафоры, используемые при интерпретации классификационных и описательных шкал и градаций в АСК-анализе............................................................................................................................34
3.2.2. Постановка задачи лечения как задачи управления.....................................................................35
3.2.3. Понятие нелинейности объекта управления в теории управления............................................36
3.2.4. Проявление нелинейности объекта управления в ветеринарии..................................................36
3.2.5. Когнитивные SWOT-диаграммы как решение задачи поддержки принятия управляющих решений......................................................................................................................................................37
3.3. Исследование моделируемой предметной области путем исследования ее модели............40
3.3.1. Когнитивные диаграммы классов..................................................................................................40
3.3.2. Агломеративная когнитивная кластеризация классов................................................................42
3.3.3. Когнитивные диаграммы признаков..............................................................................................43
3.3.4. Агломеративная когнитивная кластеризация признаков............................................................44
3.3.5. Нелокальные нейроны и нелокальные нейронные сети................................................................45
3.3.6. Когнитивные функции....................................................................................................................46
3.3.7. 3Б интегральные когнитивные карты.........................................................................................53
3.3.8. Когнитивные диаграммы содержательного сравнения классов...............................................54
3.3.9. Когнитивные диаграммы содержательного сравнения признаков...........................................54
3.3.10. Значимость описательных шкал и их градаций для решения задач классификации, степень сформированности классов, критерии качества СК-моделей.............................................................56
4. НЕКОТОРЫЕ ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ..................................................56
ЛИТЕРАТУРА...................................................................................................................................................60
Введение
Диагностика заболеваний кишечника лошади является актуальной для ветеринарии задачей. В настоящее время эта задача решается врачами-ветеринарами без использования компьютерных технологий путем экспертных оценок. Даже для опытного врача это является непростой задачей, в которой достоверность диагностики не превышает 70% даже у экспертом. У молодых неопытных специалистов достоверность диагностики значительно ниже. Иногда сходную клиническую картину и симптоматику
имеют различные по причинам и способу лечения заболевания. Поставить неправильный диагноз в этих условиях особенно легко. А между тем от правильно поставленного диагноза самым непосредственным образом зависят результаты лечения.
Поэтому актуальной является задача разработки ветеринарного диагностического теста для диагностики заболеваний кишечника лошади. Наличие такого теста позволит избежать грубых ошибок не только начинающим ветеринарам, но может оказаться полезным даже для экспертов. Подобный тест может быть использован также в учебном процессе при подготовке будущих врачей-ветеринаров.
для разработки ветеринарного диагностического теста для диагностики заболеваний кишечника лошади предлагается использовать интеллектуальную систему «Эйдос», представляющую собой программный инструментарий автоматизированного системно-когнитивного анализа (АСК-анализа) [5-9]1.
1. Кратко об АСК-анализе и системе «Эйдос»
Об АСК-анализе и системе «Эйдос» есть много информации, представленной в 33 монографиях, 514 статьях, 30 свидетельствах РосПатента и других источниках, доступ к которым можно получить на сайте автора [10]. Обзор АСК-анализа и системы «Эйдос» дан в работе [9]. Математическая модель и основные теоретические понятия АСК-анализа кратко раскрыты в работе [11].
Поэтому в данной работе мы считаем целесообразным привести в упрощенной форме только этапы АСК-анализа, т.к. они по сути представляют собой этапы решения поставленной в работе задачи [11]:
1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных.
2. Формализация предметной области, т.е. автоматизированный ввод в систему Эйдос-Х++ исходных данных из Excel-файла с помощью стандартного программного интерфейса системы (разработка классификационных и описательных шкал и градаций и обучающее выборки).
3. Синтез и верификация 3-х статистических и 7 системно-когнитивных моделей.
4. Определение наиболее достоверной модели и придание ей статуса текущей.
5. Решение задач идентификации, диагностики, классификации и прогнозирования.
6. Решение задач поддержки принятия решений.
7. Исследование моделируемой предметной области путем исследования ее модели.
1 См. также: http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
Ниже рассмотрим разработку ветеринарного диагностического теста для диагностики заболеваний кишечника лошади путем выполнения этих этапов АСК-анализа, давая краткие пояснения по тексту и ссылаясь в необходимых случаях на другие работы, где те или иные вопросы рассмотрены более подробно.
2. Разработка ветеринарного диагностического теста по желудочно-кишечным заболеваниям лошади
2.1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных
На этапе когнитивной структуризации предметной области мы решаем, что будем исследовать и на основе чего. В данном случае мы хотели бы поставить диагноз на основе клинической картины и симптоматики лошади.
В качестве источника исходных данных используем данные по задаче: «Horse Colic» с сайта UCI: http: //archive.ics.uci .edu/ml/datasets/Horse+Colic.
Аннотация к задаче: Хорошо документированные атрибуты; 368 экземпляров с 28 атрибутами (непрерывными, дискретными и номинальными); 30% отсутствующих значений . Характеристика набора даны приведена в таблице:
Характеристики набора данных: Многофакторный Количество экземпляров: 368 Площадь: жизнь
Характеристики атрибута: Категориальный, Целочисленный, Реальный Число атрибутов: 27 Дата пожертвования 198908-06
Связанные задачи: классификация Отсутствующие ценности? да Количество веб-хитов: 102045
Исходные данные любезно предоставлены:
Мэри Маклиш и Мэтт Сесиль, Отдел компьютерных наук Гуэлфский университет (англ. University of Guelph), Онтарио, Канада N1G 2W1, mdmcleish@water.waterloo.edu при поддержке спонсора: Уилла Тейлора (taylor@pluto. arc .nasa. gov).
Данные имеют реальный (не выдуманный) характер.
На сайте UCI исходные данные (обучающая выборка) представлены в виде текстового файла по ссылке: http://archive.ics.uci.edu/ml/machine-learning-databases/horse-colic/horse-colic.data.
Оригинальные исходные данные имеют вид:
Таблица 1 - Оригинальный вид исходных данных с сайта UCI (фрагмент)
2 1 530101 38.50 66 28 3 3 ? 2 5 4 4 ? ? ? 3 5 45.00 8.40 ? ? 2 2 11300 00000 00000 2
1 1 534817 39.2 88 20 ? ? 4 1 3 4 2 ? ? ? 4 2 50 85 2 2 3 2 02208 00000 00000 2
2 1 530334 38.30 40 24 1 1 3 1 3 3 1 ? ? ? 1 1 33.00 6.70 ? ? 1 2 00000 00000 00000 1
1 9 5290409 39.10 164 84 4 1 6 2 2 4 4 1 2 5.00 3 ? 48.00 7.20 3 5.30 2 1 02208 00000 00000 1
2 1 530255 37.30 104 35 ? ? 6 2 ? ? ? ? ? ? ? ? 74.00 7.40 ? ? 2 2 04300 00000 00000 2 2 1 528355 ? ? ? 2 1 3 1 2 3 2 2 1 ? 3 3 ? ? ? ? 1 2 00000 00000 00000 2
1 1 526802 37.90 48 16 1 1 1 1 3 3 3 1 1 ? 3 5 37.00 7.00 ? ? 1 1 03124 00000 00000 2
1 1 529607 ? 60 ? 3 ? ? 1 ? 4 2 2 1 ? 3 4 44.00 8.30 ? ? 2 1 02208 00000 00000 2
2 1 530051 ? 80 36 3 4 3 1 4 4 4 2 1 ? 3 5 38.00 6.20 ? ? 3 1 03205 00000 00000 2
2 9 5299629 38.30 90 ? 1 ? 1 1 5 3 1 2 1 ? 3 ? 40.00 6.20 1 2.20 1 2 00000 00000 00000 1
1 1 528548 38.10 66 12 3 3 5 1 3 3 1 2 1 3.00 2 5 44.00 6.00 2 3.60 1 1 02124 00000 00000 1
2 1 527927 39.10 72 52 2 ? 2 1 2 1 2 1 1 ? 4 4 50.00 7.80 ? ? 1 1 02111 00000 00000 2
1 1 528031 37.20 42 12 2 1 1 1 3 3 3 3 1 ? 4 5 ? 7.00 ? ? 1 2 04124 00000 00000 2
2 9 5291329 38.00 92 28 1 1 2 1 1 3 2 3 ? 7.20 1 1 37.00 6.10 1 ? 2 2 00000 00000 00000 1 1 1 534917 38.2 76 28 3 1 1 1 3 4 1 2 2 ? 4 4 46 81 1 2 1 1 02112 00000 00000 2
1 1 530233 37.60 96 48 3 1 4 1 5 3 3 2 3 4.50 4 ? 45.00 6.80 ? ? 2 1 03207 00000 00000 2
1 9 5301219 ? 128 36 3 3 4 2 4 4 3 3 ? ? 4 5 53.00 7.80 3 4.70 2 2 01400 00000 00000 1
2 1 526639 37.50 48 24 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1 2 00000 00000 00000 2
1 1 5290481 37.60 64 21 1 1 2 1 2 3 1 1 1 ? 2 5 40.00 7.00 1 ? 1 1 04205 00000 00000 1
2 1 532110 39.4 110 35 4 3 6 ? ? 3 3 ? ? ? ? ? 55 8.7 ? ? 1 2 00000 00000 00000 2
1 1 530157 39.90 72 60 1 1 5 2 5 4 4 3 1 ? 4 4 46.00 6.10 2 ? 1 1 02111 00000 00000 2
2 1 529340 38.40 48 16 1 ? 1 1 1 3 1 2 3 5.50 4 3 49.00 6.80 ? ? 1 2 00000 00000 00000 2 1 1 521681 38.60 42 34 2 1 4 ? 2 3 1 ? ? ? 1 ? 48.00 7.20 ? ? 1 1 03111 00000 00000 2
1 9 534998 38.3 130 60 ? 3 ? 1 2 4 ? ? ? ? ? ? 50 70 ? ? 1 1 03111 00000 00000 2
1 1 533692 38.1 60 12 3 3 3 1 ? 4 3 3 2 2 ? ? 51 65 ? ? 1 1 03111 00000 00000 2
2 1 529518 37.80 60 42 ? ? ? 1 ? ? ? ? ? ? ? ? ? ? ? ? 1 2 00000 00000 00000 2
1 1 530526 38.30 72 30 4 3 3 2 3 3 3 2 1 ? 3 5 43.00 7.00 2 3.90 1 1 03111 00000 00000 1 1 1 528653 37.80 48 12 3 1 1 1 ? 3 2 1 1 ? 1 3 37.00 5.50 2 1.30 1 2 04122 00000 00000 1
1 1 5279442 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 2 04300 00000 00000 2
2 1 535415 37.7 48 ? 2 1 1 1 1 1 1 1 1 ? ? ? 45 76 ? ? 1 2 00000 00000 00000 2
2 1 529475 37.70 96 30 3 3 4 2 5 4 4 3 2 4.00 4 5 66.00 7.50 ? ? 2 1 04205 00000 00000 2 2 1 530242 37.20 108 12 3 3 4 2 2 4 2 ? 3 6.00 3 3 52.00 8.20 3 7.40 3 1 02207 00000 00000 1 1 1 529427 37.20 60 ? 2 1 1 1 3 3 3 2 1 ? 4 5 43.00 6.60 ? ? 1 1 02209 00000 00000 2 1 1 529663 38.20 64 28 1 1 1 1 3 1 ? ? ? ? 4 4 49.00 8.60 2 6.60 1 1 02208 00000 00000 1
1 1 529796 ? 100 30 3 3 4 2 5 4 4 3 3 ? 4 4 52.00 6.60 ? ? 1 1 01124 00000 00000 2
2 1 528812 ? 104 24 4 3 3 2 4 4 3 ? 3 ? ? 2 73.00 8.40 ? ? 3 1 07111 00000 00000 2
2 1 529493 38.30 112 16 ? 3 5 2 ? ? 1 1 2 ? ? 5 51.00 6.00 2 1.00 3 2 05205 00000 00000 1
1 1 533847 37.8 72 ? ? 3 ? 1 5 3 1 ? 1 ? 1 1 56 80 1 2 1 1 03111 00000 00000 2
2 1 528996 38.60 52 ? 1 1 1 1 3 3 2 1 1 ? 1 3 32.00 6.60 1 5.00 1 2 00000 00000 00000 1 1 9 5277409 39.20 146 96 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 1 02113 00000 00000 2
1 1 529498 ? 88 ? 3 3 6 2 5 3 3 1 3 ? 4 5 63.00 6.50 3 ? 2 1 04205 00000 00000 2
2 9 5288249 39.00 150 72 ? ? ? ? ? ? ? ? ? ? ? ? 47.00 8.50 ? 0.10 1 1 09400 00000 00000 1 2 1 530301 38.00 60 12 3 1 3 1 3 3 1 1 1 ? 2 2 47.00 7.00 ? ? 1 2 03111 00000 00000 2
1 1 534069 ? 120 ? 3 4 4 1 4 4 4 1 1 ? ? 5 52 67 2 2 3 1 03205 00000 00000 2
1 1 535407 35.4 140 24 3 3 4 2 4 4 ? 2 1 ? ? 5 57 69 3 2 3 1 03205 00000 00000 2
2 1 529827 ? 120 ? 4 3 4 2 5 4 4 1 1 ? 4 5 60.00 6.50 3 ? 2 1 03205 00000 00000 2
1 1 529888 37.90 60 15 3 ? 4 2 5 4 4 2 2 ? 4 5 65.00 7.50 ? ? 1 1 02305 00000 00000 1
2 1 529821 37.50 48 16 1 1 1 1 1 1 1 1 1 ? 1 ? 37.00 6.50 ? ? 1 2 00000 00000 00000 2
1 1 528890 38.90 80 44 3 3 3 2 2 3 3 2 2 7.00 3 1 54.00 6.50 3 ? 2 1 07111 00000 00000 2
2 1 529642 37.20 84 48 3 3 5 2 4 1 2 1 2 ? 2 1 73.00 5.50 2 4.10 2 2 04300 00000 00000 1 2 1 529766 38.60 46 ? 1 1 2 1 1 3 2 1 1 ? ? 2 49.00 9.10 1 1.60 1 2 03111 00000 00000 1
1 1 527706 37.40 84 36 1 ? 3 2 3 3 2 ? ? ? 4 5 ? ? 3 ? 2 1 07209 00000 00000 1
2 1 529483 ? ? ? 1 1 3 1 1 3 1 ? ? ? 2 2 43.00 7.70 ? ? 1 2 03111 00000 00000 2
2 1 530544 38.60 40 20 ? ? ? 1 ? ? ? ? ? ? ? ? 41.00 6.40 ? ? 1 2 03111 00000 00000 1
Однако в таком виде эти данные не могут быть непосредственно использованы, поэтому возникает задача для их преобразования в такую форму, которая воспринимается одним из программных интерфейсов (API) системы «Эйдос»с внешними источниками данных.
Наименования атрибутов (колонок) в этом файле и смысл их значений приведены в файле наименований атрибутов, который находится по ссылке: http://archive.ics.uci.edu/ml/machine-learning-databases/horse-
colic/horse-colic.names.
Ниже приведены наименования атрибутов (полужирным шрифтом) и смысл их значений:
1: хирургия?
1 = Да, у него была операция
2 = Лечилась без операции 2: Возраст
1 = Взрослая лошадь
2 = Молодой (<6 месяцев)
3: Номер больницы (эта колонка не используется для диагностики)
- числовой идентификатор
- номер дела, назначенный лошади (может быть не уникальным, если лошадь лечится> 1 раз) 4: ректальная температура
- линейная
- в градусах Цельсия.
- Повышенная температура может возникнуть из-за инфекции.
- температура может быть уменьшена, когда животное находится в позднем шоке
- нормальная температура составляет 37,8
- этот параметр обычно изменяется по мере продвижения проблемы, например. может начинаться нормально, а затем повышаться из-за поражения, проходя через нормальный диапазон, когда лошадь переходит в шок
5: пульс
- линейный
- частота сердечных сокращений в ударах в минуту
- это отражение состояния сердца: 30 -40 является нормальным для взрослых
- редко бывает ниже нормы, хотя у спортивных лошадей может быть скорость 20-25
- животные с болезненными поражениями или страдающие от кровообращения, могут иметь повышенную частоту сердечных сокращений
6: частота дыхания
- линейная
нормальная скорость От 8 до 10
- полезность сомнительна из-за больших колебаний 7: температура конечностей
- субъективное указание периферической циркуляции
- возможные значения:
1 = нормальный
2 = теплый
3 = холодный
4 = холодный
- холодный до холодных конечностей указывает на возможный удар
- горячие конечности должны коррелировать с повышенной ректальной температурой. 8: периферический импульс
- субъективный
- возможные значения:
1 = нормальный
2 = увеличенный
3 = уменьшенный
4 = отсутствует
- нормальная или повышенная рр указывают на адекватную циркуляцию, в то время как уменьшенные или отсутствующие указывают на плохую перфузию
9: слизистые оболочки
- субъективное измерение цвета
- возможные значения:
1 = нормальный розовый
2 = ярко-розовый
3 = бледно-розовый
4 = бледно-цианотический
5 = ярко-красный / впрыснутый
6 = темный цианоз
- 1 и 2, вероятно, указывают на нормальную или слегка увеличенную циркуляцию
- 3 могут возникать при раннем шоке
- 4 и 6 указывают на серьезный компромисс кровообращения
- 5 больше указывает на септицемию 10: время заполнения капилляров
- клиническое суждение. Чем дольше пополнение, тем хуже кровообращение
- возможные значения
1 = <3 секунды
2 = >= 3 секунды
11: боль - субъективное суждение о уровне боли в лошади
- возможные значения:
1 = предупреждение, отсутствие боли
2 = депрессия
3 = прерывистая мягкая боль
4 = прерывистая сильная боль
5 = постоянная сильная боль
- НЕ следует рассматривать как упорядоченную или дискретную переменную!
- В целом, чем больнее, тем более вероятно, что потребуется хирургическое вмешательство
- до лечения боли может маскировать уровень боли до некоторой степени
12: перистальтика
- показатель активности в кишечнике лошади. По мере того, как кишечник становится более растянутым, или лошадь становится более токсичной, активность уменьшается
- возможные значения:
1 = гипермотиль
2 = нормальный
3 = гипототический
4 = отсутствует
13: растяжение брюшной полости
- ВАЖНЫЙ параметр.
- возможные значения 1 = нет
2 = незначительные
3 = умеренные
4 = тяжелые
- животное с растяжением живота, вероятно, будет болезненным и уменьшит подвижность кишечника.
- лошадь с тяжелым вздутием живота, вероятно, потребует хирургического вмешательства только для снятия давления
14: назогастральная трубка
- это относится к любому выходящему из трубки газу
- возможные значения:
1 = нет
2 = незначительный
3 = значительный
- большой газовый колпачок в желудке, вероятно, даст дискомфорт лошади 15: назогастральный рефлюкс
- возможные значения
1 = нет
2 => 1 литр
3 = <1 литр
- большее количество рефлюкса, тем больше вероятность того, что существует некоторая серьезная непроходимость к прохождению жидкости из остальной части кишечника
16: назогастральный рефлюкс РН
- линейная
шкала от 0 до 14, причем 7 являются нейтральными
- нормальные значения находятся в 3 - 4 диапазон 17: ректальное исследование - фекалии
- возможные значения
1 = нормальный
2 = увеличенный
3 = уменьшенный
4 = отсутствует
- отсутствие фекалий, вероятно, указывает на препятствие 18: живот
- возможные значения
1 = нормальный
2 = другой
3 = фирма фекалий в толстой кишке
4 = растянута тонкая кишка
5 = вздутие толстой кишки
- 3, вероятна препятствие , вызванное механическим сдавлением и обычно обрабатывают с медицинской точкой зрения
- 4 и 5 показывают , хирургическое поражение 19: упаковано клеточный объем
- линейный
- количество красных клеток по объему в крови
- нормальный диапазон от 30 до 50. Уровень повышается по мере того, как кровообращение становится скомпрометированным или когда животное становится обезвоженным.
20: общее содержание белка
- линейно
- нормальное значение лежит в диапазоне 6-7,5 (г / мкл)
- чем выше значение, тем выше обезвоживание 21: внешний вид абдоминоцентеза
- игла помещается в живот лошади, и жидкость из брюшной полости получается
- возможные значения:
1 = ясно
2 = облачно
3 = серозная
- нормальная жидкость прозрачна, а облачная или серонезуальная - указывает на скомпрометированную кишку 22: абдоминоз общий белок
- линейный
- чем выше уровень белка, тем более вероятно, что он имеет скомпрометированную кишку. Ценности приведены в gms / dL 23: результат
- что в итоге произошло с лошадью?
- возможные значения:
1 = жил
2 = умер
3 = была подвергнута эвтаназии 24: хирургическое поражение?
- ретроспективно, была ли проблема (поражение) хирургической?
- все случаи либо действуют, либо вскрываются, так что это значение и тип поражения всегда известны
- возможные значения:
1 = Да
2 = Нет
25, 26, 27: тип поражения
- первое число - участок поражения
1 = желудок
2 = см кишечника
3 = ^ толстой кишки
4 = ^ толстой кишки и слепой кишки
5 = слепой кишки
6 = поперечная толстая кишка
7 = повторная / нисходящая ободочная кишка
8 = матка
9 = мочевой пузырь
11 = все кишечные участки
00 = нет
- второе число - тип
1 = простой
2 = удушение
3 = воспаление
4 = другое
- третье число подтип
1 = механическое
2 = паралитическое
0 = н / а
- четвертое число - конкретный код
1 = обтурация
2 = внутренняя
3 = внешняя
4 = адинамическая
5 = крутизна / кручение
6 = Миввирйоп
7 = тромбоэмболический
8 = грыжа
9 = липома / сленевое заключение
10 = смещение
0 = п / 8 28: cp_data
- данные о патологии, присутствующие в этом случае?
1 = Да
2 = Нет
- эта переменная не имеет значения, поскольку данные патологии не включены или не собираются
Информация о классах (выделена желтым фоном) содержится в колонках: 23, 24, 25, 26, 27. Но мы используем только 23 и 24, а также колонку 25 после специального преобразования, т.к. колонки 26-27 имеют неоднозначную интерпретацию, а 28-ю авторы исходных данных сами не рекомендуют использовать.
Проанализировав приведенную выше информацию авторы приняли решение, которое и должны были принять на этапе когнитивно-целевой структуризации предметной области, а именно это решение о том, что мы хотим узнать с помощью создаваемого теста и на основе чего.
Мы хотим узнать: результат, хирургическое поражение, участок поражения, тип поражения, подтип поражения, конкретный код поражения (таблица 2).
Таблица 2 - Классификационные шкалы
Код Наименование
1 РЕЗУЛЬТАТ
2 ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ
3 УЧАСТОК ПОРАЖЕНИЯ
4 ТИП ПОРАЖЕНИЯ
5 ПОДТИП ПОРАЖЕНИЯ
6 КОНКРЕТНЫЙ код поражения
На основе информации по следующим параметрам: хирургия, возраст, ректальная температура, пульс, частота дыхания, температура конечностей, периферический импульс, слизистые оболочки, время заполнения капилляров, боль - субъективное суждение о уровне боли в лошади, перистальтика, растяжение брюшной полости, назогастральная трубка, назога-стральный рефлюкс, назогастральный рефлюкс р^ ректальное исследование - фекалии, живот, упаковано клеточный объем, общее содержание белка, внешний вид абдоминоцентеза, абдоминоз общий белок, подсистемы из 2 альтернативных признаков, подсистемы из 3 альтернативных признаков (таблица 3):
Таблица 3 - Описательные шкалы2
Код Наименование
1 ХИРУРГИЯ
2 ВОЗРАСТ
3 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА
4 ПУЛЬС
5 ЧАСТОТА ДЫХАНИЯ
6 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ
7 ПЕРИФЕРИЧЕСКИМ ИМПУЛЬС
8 СЛИЗИСТЫЕ ОБОЛОЧКИ
9 ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ
10 БОЛЬ - СУБЪЕКТИВНОЕ СУЖДЕНИЕ О УРОВНЕ БОЛИ В ЛОШАДИ
11 ПЕРИСТАЛЬТИКА
12 РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ
13 НАЗОГАСТРАЛЬНАЯ ТРУБКА
14 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС
15 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН
16 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ
17 ЖИВОТ
18 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ
19 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА
20 ВНЕШНИЙ ВИД АБДОМИНОЦЕНТЕЗА
21 АБДОМИНОЗ ОБЩИЙ БЕЛОК
22 ПОДСИСТЕМЫ ИЗ 2 АЛЬТЕРНАТИВНЫХ ПРИЗНАКОВ
23 ПОДСИСТЕМЫ ИЗ 3 АЛЬТЕРНАТИВНЫХ ПРИЗНАКОВ
Используя приведенные выше результаты, для удобства ввода в систему «Эйдос» таблицы 1, преобразуем ее в MS Excel (версии 2007 и выше) к виду, представленному в таблице 4.
Для этого сначала заменим в файле исходных данных точки на запятые. Это нужно для того, чтобы числа в таблице исходных данных интерпретировались как числа, а не как даты или тексты. Затем в MS Excel пункт меню «Данные», а в нем: «Из текста» и укажем путь на файл исходных данных: horse-colic-data.txt и нажмем «OK». Этот файл должен иметь стандарт DOS-TEXT и может быть получен в MS Word или блокноте. MS Excel выведет 1-е окно, представленное на рисунке 1, во 2-м окне в качестве разделителя выберем пробел:
Мастер текстов (импорт) - шаг 1 из 3
9 I.-^-Г
Данные восприняты как список значений фиксированной ширины. Если это верно, нажмите кнопку "Далее >", в противном случае укажите формат данных. Формат исходных данных Укажите формат данных:
|ф'' |с разделителями! - значения полей отделяются знаками -разделителями
фиксированной ширины - поля имеют заданную ширину
Начать импорт со строки: |l Формат файла; j 866 : Кириллица (DOS)
Предварительный просмотр файла С ¡downloads Viorse-colic-data.txt.
2 1 530101 за.50 Si ;в 3 3 ? 2 5 4 4 7 ? ? 3 5 45.00 8.40 ? ? 2 2 11300 00000 00С
1 1 534817 ЗЭ.2 88 20 ?? 4 1 3 4 2 ? ? ? 4 2 50 85 2 2 3 2 02208 00000 0000Q 2
2 1 530334 38.30 40 24 1 1 3 1 3 3 ?? 1 1 33.00 6.70 ? ? 1 2 00000 00000 00С
1 Э 52Э040Э ЗЭ.10 164 84 416224412 5.00 3 7 48.00 7.20 3 5.30 2 1 02208 С
2 1 530255 37.30 104 35 ?? 6 2 ??????? ? 74.00 7.40 ? ? 2 2 04300 00000 ОС
[ Отмена J | Далее > j | Готово
2 О шкалах симптомокомплексов с кодами 22 и 23 пояснения даны ниже.
Мастер текстов (импорт) - шаг 2 из 3
Данный диалог позволяет установить разделители для текстовых данных. Результат выводится в окне образца
разбора.
Символом-разделителем является:
~1 |знак табуляции j
О точка с запятой [V] Считать последовательные разделители одним
i запятая 1-
[j/] пробел Ограничитель строк: 1-
□ аругой: —
2 1 530101 38.50 S6 23 3 3 ? 2 s 4 i 7 ■j 7 *
1 1 534317 ЗЭ .2 38 20 ? •з 4 1 3 4 2 7
2 1 Б30334 38.30 40 24 1 1 3 1 3 3 L ?
1 э S2S0409 ЗЭ.10 154 34 4 1 □ 2 2 4 i 1 2 5_0<
г 1 5302S5 37.30 104 35 1 ? = z •з 7 2 7 7 7 5Г
ш d
Отмена 1. < Назад Далее > | Готово |
Рисунок 1. Экранная форма MS Excel преобразования файла DOS-TXT в Excel-таблицу
И в результате получим таблицу 2:
Таблица 4 - Исходные данные в Excel-таблице (фрагмент)
2 1 530101 38,5 66 28 3 3 ? 2 5 4 4 ? ? ? 3 5 45 8,4 ? ? 2 2 11300 0 0 2
1 1 534817 39,2 88 20 ? ? 4 1 3 4 2 ? ? ? 4 2 50 85 2 2 3 2 2208 0 0 2
2 1 530334 38,3 40 24 1 1 3 1 3 3 1 ? ? ? 1 1 33 6,7 ? ? 1 2 0 0 0 1
1 9 5290409 39,1 164 84 4 1 6 2 2 4 4 1 2 5 3 ? 48 7,2 3 5,3 2 1 2208 0 0 1
2 1 530255 37,3 104 35 ? ? 6 2 ? ? ? ? ? ? ? ? 74 7,4 ? ? 2 2 4300 0 0 2
2 1 528355 ? ? ? 2 1 3 1 2 3 2 2 1 ? 3 3 ? ? ? ? 1 2 0 0 0 2
1 1 526802 37,9 48 16 1 1 1 1 3 3 3 1 1 ? 3 5 37 7 ? ? 1 1 3124 0 0 2
1 1 529607 ? 60 ? 3 ? ? 1 ? 4 2 2 1 ? 3 4 44 8,3 ? ? 2 1 2208 0 0 2
2 1 530051 ? 80 36 3 4 3 1 4 4 4 2 1 ? 3 5 38 6,2 ? ? 3 1 3205 0 0 2
2 9 5299629 38,3 90 ? 1 ? 1 1 5 3 1 2 1 ? 3 ? 40 6,2 1 2,2 1 2 0 0 0 1
1 1 528548 38,1 66 12 3 3 5 1 3 3 1 2 1 3 2 5 44 6 2 3,6 1 1 2124 0 0 1
2 1 527927 39,1 72 52 2 ? 2 1 2 1 2 1 1 ? 4 4 50 7,8 ? ? 1 1 2111 0 0 2
1 1 528031 37,2 42 12 2 1 1 1 3 3 3 3 1 ? 4 5 ? 7 ? ? 1 2 4124 0 0 2
2 9 5291329 38 92 28 1 1 2 1 1 3 2 3 ? 7,2 1 1 37 6,1 1 ? 2 2 0 0 0 1
1 1 534917 38,2 76 28 3 1 1 1 3 4 1 2 2 ? 4 4 46 81 1 2 1 1 2112 0 0 2
1 1 530233 37,6 96 48 3 1 4 1 5 3 3 2 3 4,5 4 ? 45 6,8 ? ? 2 1 3207 0 0 2
1 9 5301219 ? 128 36 3 3 4 2 4 4 3 3 ? ? 4 5 53 7,8 3 4,7 2 2 1400 0 0 1
2 1 526639 37,5 48 24 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 1 2 0 0 0 2
1 1 5290481 37,6 64 21 1 1 2 1 2 3 1 1 1 ? 2 5 40 7 1 ? 1 1 4205 0 0 1
2 1 532110 39,4 110 35 4 3 6 ? ? 3 3 ? ? ? ? ? 55 8,7 ? ? 1 2 0 0 0 2
1 1 530157 39,9 72 60 1 1 5 2 5 4 4 3 1 ? 4 4 46 6,1 2 ? 1 1 2111 0 0 2
2 1 529340 38,4 48 16 1 ? 1 1 1 3 1 2 3 5,5 4 3 49 6,8 ? ? 1 2 0 0 0 2
1 1 521681 38,6 42 34 2 1 4 ? 2 3 1 ? ? ? 1 ? 48 7,2 ? ? 1 1 3111 0 0 2
1 9 534998 38,3 130 60 ? 3 ? 1 2 4 ? ? ? ? ? ? 50 70 ? ? 1 1 3111 0 0 2
1 1 533692 38,1 60 12 3 3 3 1 ? 4 3 3 2 2 ? ? 51 65 ? ? 1 1 3111 0 0 2
2 1 529518 37,8 60 42 ? ? ? 1 ? ? ? ? ? ? ? ? ? ? ? ? 1 2 0 0 0 2
1 1 530526 38,3 72 30 4 3 3 2 3 3 3 2 1 ? 3 5 43 7 2 3,9 1 1 3111 0 0 1
1 1 528653 37,8 48 12 3 1 1 1 ? 3 2 1 1 ? 1 3 37 5,5 2 1,3 1 2 4122 0 0 1
1 1 5279442 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 2 4300 0 0 2
2 1 535415 37,7 48 ? 2 1 1 1 1 1 1 1 1 ? ? ? 45 76 ? ? 1 2 0 0 0 2
2 1 529475 37,7 96 30 3 3 4 2 5 4 4 3 2 4 4 5 66 7,5 ? ? 2 1 4205 0 0 2
2 1 530242 37,2 108 12 3 3 4 2 2 4 2 ? 3 6 3 3 52 8,2 3 7,4 3 1 2207 0 0 1
1 1 529427 37,2 60 ? 2 1 1 1 3 3 3 2 1 ? 4 5 43 6,6 ? ? 1 1 2209 0 0 2
1 1 529663 38,2 64 28 1 1 1 1 3 1 ? ? ? ? 4 4 49 8,6 2 6,6 1 1 2208 0 0 1
1 1 529796 ? 100 30 3 3 4 2 5 4 4 3 3 ? 4 4 52 6,6 ? ? 1 1 1124 0 0 2
2 1 528812 ? 104 24 4 3 3 2 4 4 3 ? 3 ? ? 2 73 8,4 ? ? 3 1 7111 0 0 2
2 1 529493 38,3 112 16 ? 3 5 2 ? ? 1 1 2 ? ? 5 51 6 2 1 3 2 5205 0 0 1
1 1 533847 37,8 72 ? ? 3 ? 1 5 3 1 ? 1 ? 1 1 56 80 1 2 1 1 3111 0 0 2
2 1 528996 38,6 52 ? 1 1 1 1 3 3 2 1 1 ? 1 3 32 6,6 1 5 1 2 0 0 0 1
1 9 5277409 39,2 146 96 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 1 2113 0 0 2
1 1 529498 ? 88 ? 3 3 6 2 5 3 3 1 3 ? 4 5 63 6,5 3 ? 2 1 4205 0 0 2
2 9 5288249 39 150 72 ? ? ? ? ? ? ? ? ? ? ? ? 47 8,5 ? 0,1 1 1 9400 0 0 1
2 1 530301 38 60 12 3 1 3 1 3 3 1 1 1 ? 2 2 47 7 ? ? 1 2 3111 0 0 2
1 1 534069 ? 120 ? 3 4 4 1 4 4 4 1 1 ? ? 5 52 67 2 2 3 1 3205 0 0 2
1 1 535407 35,4 140 24 3 3 4 2 4 4 ? 2 1 ? ? 5 57 69 3 2 3 1 3205 0 0 2
2 1 529827 ? 120 ? 4 3 4 2 5 4 4 1 1 ? 4 5 60 6,5 3 ? 2 1 3205 0 0 2
1 1 529888 37,9 60 15 3 ? 4 2 5 4 4 2 2 ? 4 5 65 7,5 ? ? 1 1 2305 0 0 1
2 1 529821 37,5 48 16 1 1 1 1 1 1 1 1 1 ? 1 ? 37 6,5 ? ? 1 2 0 0 0 2
1 1 528890 38,9 80 44 3 3 3 2 2 3 3 2 2 7 3 1 54 6,5 3 ? 2 1 7111 0 0 2
2 1 529642 37,2 84 48 3 3 5 2 4 1 2 1 2 ? 2 1 73 5,5 2 4,1 2 2 4300 0 0 1
2 1 529766 38,6 46 ? 1 1 2 1 1 3 2 1 1 ? ? 2 49 9,1 1 1,6 1 2 3111 0 0 1
1 1 527706 37,4 84 36 1 ? 3 2 3 3 2 ? ? ? 4 5 ? ? 3 ? 2 1 7209 0 0 1
2 1 529483 ? ? ? 1 1 3 1 1 3 1 ? ? ? 2 2 43 7,7 ? ? 1 2 3111 0 0 2
2 1 530544 38,6 40 20 ? ? ? 1 ? ? ? ? ? ? ? ? 41 6,4 ? ? 1 2 3111 0 0 1
2 1 529461 40,3 114 36 3 3 1 2 2 3 3 2 1 7 1 5 57 8,1 3 4,5 3 1 7400 0 0 1
1 9 5282839 38,6 160 20 3 ? 5 1 3 3 4 3 ? ? 4 ? 38 ? 2 ? 2 1 7111 0 0 1
1 1 528872 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 24 6,7 ? ? 1 1 3112 0 0 2
1 1 529640 ? 64 36 2 ? 2 1 5 3 3 2 2 ? ? ? 42 7,7 ? ? 2 1 3209 0 0 2
1 1 528298 ? ? 20 4 3 3 ? 5 4 3 2 ? ? 4 4 53 5,9 3 ? 2 1 3205 0 0 1
2 1 528904 ? 96 ? 3 3 3 2 5 4 4 1 2 ? 4 5 60 ? ? ? 2 1 4205 0 0 2
2 1 530438 37,8 48 32 1 1 3 1 2 1 ? 1 1 ? 4 5 37 6,7 ? ? 1 2 2124 0 0 2
2 1 527957 38,5 60 ? 2 2 1 1 1 2 2 2 1 ? 1 1 44 7,7 ? ? 1 2 0 0 0 2
1 1 528630 37,8 88 22 2 1 2 1 3 ? ? 2 ? ? 4 ? 64 8 1 6 2 1 3205 0 0 1
2 1 534293 38,2 130 16 4 3 4 2 2 4 4 1 1 ? ? ? 65 82 2 2 3 2 2209 1400 0 2
1 1 529667 39 64 36 3 1 4 2 3 3 2 1 2 7 4 5 44 7,5 3 5 1 1 2113 0 0 1
1 1 534885 ? 60 36 3 1 3 1 3 3 2 1 1 ? 3 4 26 72 2 1 1 1 2208 0 0 2
2 1 534784 37,9 72 ? 1 1 5 2 3 3 1 1 3 2 3 4 58 74 1 2 1 1 2322 0 0 2
2 1 528931 38,4 54 24 1 1 1 1 1 3 1 2 1 ? 3 2 49 7,2 1 ? 1 2 3111 0 0 1
2 1 529777 ? 52 16 1 ? 3 1 ? ? ? 2 3 5,5 ? ? 55 7,2 ? ? 1 2 2124 0 0 2
2 1 530276 38 48 12 1 1 1 1 1 3 ? 1 1 ? 3 2 42 6,3 2 4,1 1 2 3111 0 0 1
2 1 528214 37 60 20 3 ? ? 1 3 ? 3 2 2 4,5 4 4 43 7,6 ? ? 3 1 2209 0 0 1
1 1 529424 37,8 48 28 1 1 1 1 1 2 1 2 ? ? 1 1 46 5,9 2 7 1 2 0 0 0 1
1 1 5299253 37,7 56 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 2 1 2113 0 0 2
1 1 528469 38,1 52 24 1 1 5 1 4 3 1 2 3 7 1 ? 54 7,5 2 2,6 2 1 2112 0 0 1
1 9 5292929 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 37 4,9 ? ? 2 1 11124 0 0 2
1 9 534092 39,7 100 ? 3 3 5 2 2 3 ? ? ? ? ? ? 48 57 2 2 3 1 1400 0 0 2
1 1 534615 37,6 38 20 3 3 1 1 3 3 2 ? ? ? 3 ? 37 68 ? ? 1 1 3205 0 0 2
1 534753 38,7 52 20 2 ? 1 1 1 1 1 1 1 ? 1 1 33 77 ? ? 1 2 0 0 0 2
1 1 530693 ? ? ? 3 3 3 3 5 3 3 3 2 ? 4 5 46 5,9 ? ? 2 1 3025 0 0 2
1 1 527463 37,5 96 18 1 3 6 2 3 4 2 2 3 5 ? 4 69 8,9 3 ? 1 1 2208 0 0 1
Преобразуем таблицу 4 в стандарт универсального программного интерфейса (API) системы «Эйдос» с внешними базами данных - Excel-таблицами.
Для этого выполним в MS Excel следующие операции:
1. Вставим 1-ю пустую строку и внесем в нее наименования колонок (для этого возьмем наименования атрибутов, преобразуем разрыв строки в конец абзаца, потом в таблицу, вставим ее в MS Excel, выделим блоком, и вставим с транспонированием в таблицу данных).
2. Перенесем колонку с id лошадей с 3-й на 1-ю позицию.
3. В числовых колонках заменим отсутствие данных «?» на 0 (для этого заменим в колонке «~?» на «0». В текстовых колонках оставим «?»).
4. В текстовых колонках заменим коды значений атрибутов к колонках на их наименования (контекстной заменой: Ctrl+H).
5. Удалим колонки 25-28.
6. Вставим справа 4 колонки из базы данных: «aKod25.DBF» (она открывается в MS Excel), представляющие собой распакованное значение поля 25 исходных данных.
Пункт 6 требует специального рассмотрения того, как и зачем осуществляется это специальное преобразование (распаковка) колонки 25. Оно необходимо потому, что авторы задачи в этой колонке предоставили данные в упакованном виде. Например, значение в этой колонке выглядит следующим образом: «02208». Это значение состоит из четырех чисел, которые представляют собой, коды участка поражения (1-е число), его типа и подтипа (2-е и 3-е числа), а также кода конкретного характера поражения (4-е число). При этом первое число является двузначным, т.к. у него есть двузначные коды (11 = все кишечные участки, 00 = нет), а остальные коды однозначные. Учитывая, что исходные данные включают данные по 300 лошадям, было приятно решение распаковку значения 25-го поля сделать не вручную, а программно, что менее трудоемко (включая трудоемкость разработки программы). Для этой цели на языке xBase++ была разработана небольшая программа, исходный текст которой приведен ниже:
FUNCTION Main()
LOCAL GetList[0], GetOptions, nColor, oMessageBox, oMenuWords, oDlg, n := 0, oPrinter
DC_IconDefault(1000)
SET DECIMALS TO 15 SET DATE GERMAN SET ESCAPE On
oScrn := БС_ДОа1ЪОп( 'Заполнение БД: "aKod25
аСЬ1 := {} // Участок поражения
ААББ(аСЬ1,'желудок 1) ААББ(аСЬ1,'см кишечника 1) ААББ(аСЬ1,'1д толстой кишки 1)
ААББ(аСЬ1,,1д толстой кишки и слепой кишки1)
ААББ(аСЬ1,'слепой кишки 1)
ААББ(аСЬ1,'поперечная толстая кишка 1)
ААББ(аСЬ1,'повторная / нисходящая ободочная кишка 1)
ААББ(аСЬ1,'матка')
ААББ(аСЬ1,'мочевой пузырь 1)
ААББ(аСЬ1,1 все кишечные участки 1)
ААББ(аСЬ1,'нет')
aCh2 := {}
AADD(aCh2,'простой') AADD(aCh2,'удушение') AADD(aCh2,'воспаление') AADD(aCh2,'другое')
aCh3 := {} AADD(aCh3,'механическое') AADD(aCh3,'паралитическое') AADD(aCh3,'н / а')
// Тип поражения
// Подтип поражения
// Конкретный код поражения
аСЬ4 := {} ААББ(аСЬ4,'обтурация') ААББ(аСЬ4,'внутренняя') ААББ(аСЬ4,'внешняя') ААББ(аСЬ4,'адинамическая') ААББ(аСЬ4,'крутизна / кручение') ААББ(аСЬ4,'л.пЪиззирЪ1оп') ААББ(аСЬ4,'тромбоэмболический') ААББ(аСЬ4,'грыжа')
ААББ(аСЬ4,'липома / сленевое заключение') ААББ(аСЬ4,'смещение') ААББ(аСЬ4,'п / а')
т1 = -999;РОИ j=1 ТО LEN(aCh1);m1 = MAX(m1,LEN(aCh1[j]));NEXT т2 = -999;РОИ j=1 ТО LEN(aCh2);m2 = MAX(m2,LEN(aCh2[j]));NEXT т3 = -999;РОИ j=1 ТО LEN(aCh3);m3 = MAX(m3,LEN(aCh3[j]));NEXT т4 = -999;РОИ j=1 ТО LEN(aCh4);m4 = MAX(m4,LEN(aCh4[j]));NEXT
aStructure := {
DbCreate( 'aKod25', aStructure )
{ "id" , "C",
{ "Kod" , "C", 5, 0 } ,
{ "F1" , "C", ml, 0 } ,
{ "F2" , "C", m2, 0 } ,
{ "F3" , "C", m3, 0 } ,
{ "F4" , "C", m4, 0 }
CLOSE ALL
USE aKod25 EXCLUSIVE NEW SELECT aKod25
cInpFile ='horse-colic-data.txt1
nHandle := DC_TxtOpen(cInpFile)
DO WHILE !DC_TxtEof(nHandle)
cLine := DC_TxtLine(nHandle,Chr(10),10 0 0 0 0 0) // Считывание строки из csv-файла
aTokens := DC_TokenArray(cLine,' ') // Ммассив значений полей текущей строки
mF25 = aTokens[25]
* 11300 // Поле с составным кодом
* 1 345 // Позиция
* 2 111 // Число знаков
* 11 3 0 0
11 = VAL(SUBSTR(mF2 5,1,2))
12 = VAL(SUBSTR(mF2 5,3,1))
13 = VAL(SUBSTR(mF2 5,4,1))
14 = VAL(SUBSTR(mF2 5,5,1))
APPEND BLANK
REPLACE id WITH aTokens[3] REPLACE kod WITH mF25
REPLACE F1 WITH IF(i1>0.AND.i1<=LEN(aCh1),aCh1[i1],"")
REPLACE F2 WITH IF(i2>0.AND.i1<=LEN(aCh2),aCh2[i2],"")
REPLACE F3 WITH IF(i3>0.AND.i1<=LEN(aCh3),aCh3[i3],"")
REPLACE F4 WITH IF(i4>0.AND.i1<=LEN(aCh4),aCh4[i4],"")
DC_TxtSkip(nHandle,1,Chr(10),1000000) ENDDO
DC_TxtClose(nHandle) DC_Impl(oScrn)
CLOSE ALL
LB_Warning('Создание БД: "aKod25.dbf" успешно завершено успешно!1)
CLOSE ALL RETURN NIL
Эта программа создает базу данных: «aKod25.DBF» (она открывается в MS Excel), содержащую распакованные значения поля 25 исходных данных для каждой из 300 лошадей (таблица 5):
Таблица 5 - Фрагмент базы данных: «aKod25.DBF» с распакованными значениями поля 25 исходных данных для каждой лошади
ID лошади Поле 25 Р1 Р2 Р3 Р4
530101 11300 нет
534817 02208 см кишечника удушение грыжа
530334 00000
5290409 02208 см кишечника удушение грыжа
530255 04300 1д толстой кишки и слепой кишки воспаление
528355 00000
526802 03124 1д толстой кишки простой паралитическое адинамическая
529607 02208 см кишечника удушение грыжа
530051 03205 1д толстой кишки удушение крутизна / кручение
5299629 00000
528548 02124 см кишечника простой паралитическое адинамическая
527927 02111 см кишечника простой механическое обтурация
528031 04124 1д толстой кишки и слепой кишки простой адинамическая
5291329 00000
534917 02112 см кишечника простой механическое внутренняя
530233 03207 1д толстой кишки удушение тромбоэмболический
5301219 01400 желудок другое
526639 00000
5290481 04205 1д толстой кишки и слепой кишки удушение крутизна / кручение
532110 00000
530157 02111 см кишечника простой механическое обтурация
529340 00000
521681 03111 1д толстой кишки простой механическое обтурация
534998 03111 1д толстой кишки простой механическое обтурация
533692 03111 1д толстой кишки простой механическое обтурация
529518 00000
530526 03111 1д толстой кишки простой механическое обтурация
В результате получим таблицу 6 исходных данных, готовую для ввода в систему «Эйдос»:
Таблица 6 - Ехсе1-таблица исходных данных, _готовая для ввода в систему «Эйдос» (фрагмент) _
1
I а
Колонки классов заболеваний (диагнозов, нозологических образов) выделены желтым фоном, остальные колонки содержат описание клинической картины и симптоматики.
Специально отметим, что мы полностью приводим исходные данные по данной работе (т.е. таблицу 6), чтобы желающие могли проверить полученные в ней результаты и использовать их в научных и учебных целях. Но из-за ограниченности объема статьи эти данные приводятся не в самой статье, а на на РТР-сервере системы «Эйдос» по ссылке: http://aidos.byethost5.com/Source_data_app1ications/App1ications-000129/Inp_data.x1s, а также на сайте журнала (в котором опубликована данная статья) по ссылке: http://ej.kubagro.ru/2018/07/pdf/33.zip.
После получения таблицы 6 все готово для перехода к следующему этапу АСК-анализа, на котором выполняется формализация предметной области.
3 Таблица 4 включена в статью в виде рисунка высокого разрешения (600 dpi) и вполне читабельна при увеличении масштаба
2.2. Формализация предметной области
На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации и с их помощью кодируются исходные данные, в результате чего получается обучающая выборка, по сути представляющая собой нормализованную базу исходных данных. В системе «Эйдос» процесс формализации предметной области полностью автоматизирован и реализуется в режиме 2.3.2.2 (рисунок 2):
2.32.2. Универсальны? программны/ интерфейс импорта данных б систему ЭЙДОС-Х-»-
, а
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_(1а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип Файла исходных данных: "lnp_clata":
- ms Excei-2003 Г XLSK;MS Excel-20G7(2010)
Г DBF -DBASE IV [DEiF/NTX) Стэгщарт DBF-Файло CSV -Ш^М^Йф^гСтацдарг CSV-файла
i* H ули н пробелы считать 0 Т СУ Т СТ В И Е М даннык Нули и пробелы считать ЗНАЧЕНИЯМИ данных Г" Создавать БД средник по классам "!пр_ davi.dfcf1'^ Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2 3
Конечный столбец классификационных шкал: ¿Т
-■Задайте режим
(г Формализации предметной области (на основе "1пр_с1а!а"] Генерации распознаваемой выборки (на основе "1пр_гагр")
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный сголбец описательных шкал.
22
Задайте способ выбора размера интервалов:
<• ¿Равныегинтервалы с разным числом наблюдений г" Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "1пр_с!а!а":
<• Не применять сценарный метод АСК-анализа Г Применить сценарный метод АСК-анализа
Г Применить спец.интерпретацию текстовых полей классов Г" Применить спец.интерпретацию тексговых полей признаков
Параметры интерпретации значений текстовых полей "1пр_<1а1а":
Интерпретация ТХТ-полей классов
Значения полей текстовых классификационных шкал Файла исходных данных 'llrip_data1' рассматриваются как целое
Интерпретация ТХТ-полей признаков
Значения полей текст овых описательных шкал Файла
исходных данных ''bp data1' рассматриваются как целое
Какие наименования ГРАДАЦИИ числовых тикал использовать:
!• Топько интервальные числовые значения (например: "1/3-{5Э873.00Ш000,17854!?. 6666667}"]
Г" Только наименования интервальных числовых значений (например: "Минимальное")
С* И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-{5Я873.0Ш0Ш0, 173545.6666667}'"
Ok
Cancel
Рисунок 2. Экранная форма режима 2.3.2.2 системы «Эйдос»
В экранной форме на рисунке 2 приведены реально использованные в данном режиме параметры. После нажатия «ОК» через некоторое время появляется окно внутреннего калькулятора (рисунок 3):
^ 2.3.2.2. Задание размерности модели системы "ЭЙДОС-Х-1- +
ЗАДАНИЕ Р ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационных и описательны;-: шкал: [36 ;■; 35]
Тип шкалы Количество Количество Среднее Количество Количество Среднее
классифи- градаций количество описательных градаций количество
кационных классифи- градаций. щкал" -плииате.пьмы:-: градаций
шкал кационных на класс.шкалу шкал на опис. шкалу
0 0 0,00 7 21 3,00
Числовые
Текстовые
6 зе е,оо 14 64 4,57
ВСЕГО: 6 36 6,00 21 65 4,05
Задайте число интервалов (градаций) в шкале.
Е описательных шкалах:
Пересчитать шкалы и градации
Выйти на создание модели
Рисунок 3. Экранная форма внутреннего калькулятора режима 2.3.2.2.
В этой экранной форме мы видим, сколько текстовых и числовых классификационных и описательных шкал система обнаружила при заданных параметрах и сколько в них обнаружено градаций. Если обнаружены шкалы числового типа, то появляется возможность ввести количество интервальных числовых значений в этих шкалах. Это делается отдельно для классификационных и описательных шкал, таким образом число интервальных числовых значений в классификационных и описательных шкалах может отличаться. Если это число изменяется, то необходимо кликнуть по левой кнопке, а затем уже выходить на создание модели.
Формирование классификационных и описательных шкал и градаций, а также базы событий и обучающей выборки, в данном приложении происходит за 4 секунды (рисунок 4):
2.3.2.2. Процесс импорта данных из внешней БД "1гтр_с1а1а" в систему гтЭИДОС-Х++"
в
Стадии исполнения процесса
1/3; Формирование классификационных и описательных шкал и градаций на основе ЕЛ "!пр_йа(а"- Готово 2/3: Генерация обучающей выборки и базы событий :|Еуеп(5К0" на основе БД "1пр_с1а(а|!- Готово 3/3: Переиндексация всех баз данных нового приложения- Го гово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Прогноз времени исполнения
Начало: 0Я:20:53 Окончание: 3:20:57
р
Прошло: 0:00:04 Осталось: 0:00:00
Рисунок 4. Экранная форма процесса исполнения режима 2.3.2.2.
На рисунке 5 приведены требования к файлу исходных данных:
(*) Помощь по режиму 2.3.2.2 для случая Ехсе1-файлов исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данным "I пр_с1акаи15и 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 ХЬБ или Х1_5Х-файла с исходными данными стандарта приведенного ниже.
- Файл исходных данных должен иметь имя: ШР_0АТА.Х1.5 или INP_DATA.XI.SX 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 1ЫР_НА5Р."ХЬБХ] должны находиться в папке /АЮ05-Х/АЮ_0АТАЛпр_с1а1а/ и имеют совершенно одинаковую структуру.
- 1-я строка этого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во 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 Ехсе1-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007[2010] возможно до 1 048 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа [с десятичными знаками после запятой].
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если 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, чтобыэти наименования были не очень длинными.
- Столбцы со 2-го по 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 (т.е. значениях факторов], характеризующих объекты обучающей выборки.
- В результате работы режима Формируется Файл INP_NAME.TXT стандарта М5 005 (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 Н Р_0ДТА и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.
- Распознаваемая выборка Формируется на основе Файла ШР_НА5Р 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 МР.ИАЗР были пустыми. Структура файла МР.ПАЭР должна быть такая же, как 1ЫР_0АТА, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
Принцип организации таблицы исходных данных:
Наименование объекта обучающей еы&рки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы
1-й обьект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
2'й обьект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя
I а мм
Рисунок 5. Требования к файлу исходных данных
В результате выполнения данного режима формируются классификационные и описательные шкалы и градации и обучающая выборка (таблицы 7, 8 и 9):
Таблица 7 - Классификационные шкалы и градации
Код Наименование
1 РЕЗУЛЬТАТ-жил
2 РЕЗУЛЬТАТ-умер
3 РЕЗУЛЬТАТ-эвтаназия
4 ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ-Да
5 ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ-Нет
6 УЧАСТОК ПОРАЖЕНИЯ-1д толстой кишки
7 УЧАСТОК ПОРАЖЕНИЯ-1д толстой кишки и слепой кишки
8 УЧАСТОК ПОРАЖЕНИЯ-желудок
9 УЧАСТОК ПОРАЖЕНИЯ-матка
10 УЧАСТОК ПОРАЖЕНИЯ-мочевой пузырь
11 УЧАСТОК ПОРАЖЕНИЯ-нет
12 УЧАСТОК ПОРАЖЕНИЯ-повторная / нисходящая ободочная кишка
13 УЧАСТОК ПОРАЖЕНИЯ-поперечная толстая кишка
14 УЧАСТОК ПОРАЖЕНИЯ-слепой кишки
15 УЧАСТОК ПОРАЖЕНИЯ-см кишечника
16 ТИП ПОРАЖЕНИЯ-воспаление
17 ТИП ПОРАЖЕНИЯ-другое
18 ТИП ПОРАЖЕНИЯ-простой
19 ТИП ПОРАЖЕНИЯ-удушение
20 ПОДТИП ПОРАЖЕНИЯ-механическ
21 ПОДТИП ПОРАЖЕНИЯ-н / а
22 ПОДТИП ПОРАЖЕНИЯ-паралитиче
23 КОНКРЕТНЫЙ КОД-т^ББир^оп
24 КОНКРЕТНЫЙ КОД-адинамическая
25 КОНКРЕТНЫЙ КОД-внешняя
26 КОНКРЕТНЫЙ КОД-внутренняя
27 КОНКРЕТНЫЙ КОД-грыжа
28 КОНКРЕТНЫЙ КОД-крутизна / кручение
29 КОНКРЕТНЫЙ КОД-липома / сленевое заключение
30 КОНКРЕТНЫЙ КОД-обтурация
31 КОНКРЕТНЫЙ КОД-тромбоэмболический
Таблица 8 - Описательные шкалы и градации без симптомокомплексов
Код Наименование
1 ХИРУРГИЯ-Да, у него была операция
2 ХИРУРГИЯ-Лечилась без операции
3 ВОЗРАСТ-Взрослая лошадь
4 ВОЗРАСТ-Молодой (<6 месяцев)
5 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-1 /5-{35.4000000, 36.4800000}
6 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-2/5-{36.4800000, 37.5600000}
7 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-3/5-{37.5600000, 38.6400000}
8 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-4/5-{38.6400000, 39.7200000}
9 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-5/5-{39.7200000, 40.8000000}
10 ПУЛЬС-1 /5-{30.0000000, 60.8000000}
11 П УЛ ЬС-2/5-{60.8000000, 91.6000000}
12 ПУЛЬС-3/5-{91.6000000, 122.4000000}
13 ПУЛЬС-4/5-{122.4000000, 153.2000000}
14 ПУЛЬС-5/5-{153.2000000, 184.0000000}
15 ЧАСТОТА ДЫХАНИЯ-1/5-{8.0000000, 25.6000000}
16 ЧАСТОТА ДЫХАНИЯ-2/5-{25.6000000, 43.2000000}
17 ЧАСТОТА ДЫХАНИ Я -3/5-{43.2000000, 60.8000000}
18 ЧАСТОТА ДЫХАНИ Я -4/5-{60.8000000, 78.4000000}
19 ЧАСТОТА ДЫХАНИ Я -5/5-{78.4000000, 96.0000000}
20 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ-нормальный
21 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ-очень холо
22 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ-теплый
23 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ-холодный
24 ПЕРИФЕРИЧЕСКИЙ ИМПУЛЬС-нормальный
25 ПЕРИФЕРИЧЕСКИЙ ИМПУЛ ЬС-отсутствуе
26 ПЕРИФЕРИЧЕСКИЙ ИМПУЛЬС-увеличенны
27 ПЕРИФЕРИЧЕСКИЙ ИМПУЛЬС-уменьшенны
28 СЛИЗИСТЫЕ ОБОЛОЧКИ-бледно-роз
29 СЛИЗИСТЫЕ ОБОЛОЧКИ-бледно-циа
30 СЛИЗИСТЫЕ ОБОЛОЧКИ-нормальный
31 СЛИЗИСТЫЕ ОБОЛОЧКИ-темный циа
32 СЛИЗИСТЫЕ ОБОЛОЧКИ-ярко-красн
33 СЛИЗИСТЫЕ ОБОЛОЧКИ-ярко-розов
34 ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ-3
35 ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ-<3 секунды
36 ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ->= 3 секун
37 БОЛЬ - СУБЪЕКТИВНОЕ СУЖДЕНИЕ О УРОВНЕ БОЛИ В ЛОШАДИ-депрессия
38 БОЛЬ - СУБЪЕКТИВНОЕ СУЖДЕНИЕ О УРОВНЕ БОЛИ В ЛОШАДИ-постоянная
39 БОЛЬ - СУБЪЕКТИВНОЕ СУЖДЕНИЕ О УРОВНЕ БОЛИ В ЛОШАДИ-предупрежд
40 БОЛЬ - СУБЪЕКТИВНОЕ СУЖДЕНИЕ О УРОВНЕ БОЛИ В ЛОШАДИ-прерывиста
41 ПЕРИ СТАЛ ЬТИ КА-ги пермотил
42 ПЕРИ СТАЛ ЬТИ КА-ги пототиче
43 ПЕРИСТАЛЬТИКА-нормальный
44 ПЕРИСТАЛЬТИ КА-отсутствуе
45 РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ-незначител
46 РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ-нет
47 РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ-тяжелые
48 РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ-умеренные
49 НАЗОГАСТРАЛЬНАЯ ТРУБКА-значительн
50 НАЗОГАСТРАЛЬНАЯ ТРУБКА-незначител
51 НАЗОГАСТРАЛЬНАЯ ТРУБКА-нет
52 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС-<1 литр
53 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС-> 1 литр
54 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС-нет
55 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН-1/5-{1.0000000, 2.3000000}
56 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН-2/5-{2.3000000, 3.6000000}
57 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН-3/5-{3.6000000, 4.9000000}
58 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН-4/5-{4.9000000, 6.2000000}
59 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН-5/5-{6.2000000, 7.5000000}
60 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ-нормальный
61 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ-отсутствует
62 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ-увеличенный
63 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ-уменьшенный
64 ЖИВОТ-вздутие толстой кишки
65 ЖИВОТ-другой
66 ЖИВОТ-нормальный
67 ЖИВОТ-растянута тонкая кишка
68 ЖИВОТ-фирма фекалий в толстой кишке
69 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ-1/5-{23.0000000, 33.4000000}
70 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ-2/5-{33.4000000, 43.8000000}
71 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ-3/5-{43.8000000, 54.2000000}
72 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ-4/5-{54.2000000, 64.6000000}
73 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ-5/5-{64.6000000, 75.0000000}
74 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА-1/5-{3.3000000, 20.4400000}
75 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА-2/5-{20.4400000, 37.5800000}
76 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА-3/5-{37.5800000, 54.7200000}
77 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА-4/5-{54.7200000, 71.8600000}
78 ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА-5/5-{71.8600000, 89.0000000}
79 ВНЕШНИЙ ВИД АБДОМИНОЦЕНТЕЗА-облачно
80 ВНЕШНИЙ ВИД АБДОМИНОЦЕНТЕЗА-серозная
81 ВНЕШНИЙ ВИД АБДОМИНОЦЕНТЕЗА-ясно
82 АБДОМИНОЗ ОБЩИЙ БЕЛОК-1/5-{0.1000000, 2.1000000}
83 АБДОМИНОЗ ОБЩИЙ БЕЛОК-2/5-{2.1000000, 4.1000000}
84 АБДОМИНОЗ ОБЩИЙ БЕЛОК-3/5-{4.1000000, 6.1000000}
85 АБДОМИНОЗ ОБЩИЙ БЕЛОК-4/5-{6.1000000, 8.1000000}
86 АБДОМИНОЗ ОБЩИЙ БЕЛОК-5/5-{8.1000000, 10.1000000}
ЕГ
Й £
а*
№
ю о
о -о
а-
а->-+>
1528890 | сл ю со 00 ю 1529888 1 сл ю со 00 ю 1535407 1 сл со о со со 1530301 I 152882491 1529498 1 152774091 1528996 1 1533847 1 сл ю со со со 1528812 I сл ю со со со 1529663 1 сл ю со ю 1530242 1 1529475 1 1535415 I 152794421 1528653 1 1530526 1 сл ю со сл 00 1533692 1 сл со со со 00 1521681 I сл ю со со о 1530157 I 1532110 I 15290481I 1526639 1 |5301219| 1530233 1 сл со со |52913291 сл ю 00 о со 1527927 1 сл ю 00 сл 00 152996291 1530051 I 1529607 1 1526802 1 1528355 1 1530255 1 сл ю со о о со 1530334 1 сл со 00 1530101 I - ¡с) лошади
ю ю ю ю ю сл ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю сл ю ю ю ю ю ю ХИРУРГИЯ
ю 00 со о ю со ю со ю со ю со ю 00 со со о со ю ю 00 ю со со о со о ю со ю со со о со о ю 00 ю 00 ю со со о со ю со со со ю со ю со со о со со со о со со со ю со о ю 00 со о ю 00 со со ю 00 ю со со ВОЗРАСТ
со со со сл со со со со со со со сл со сл со со со сл со сл со со со со со со со сл со сл со со со со со сл со сл со со со сл со сл со сл со сл со со со сл со со со сл со сл со сл со сл со сл со сл со сл со сл со сл со сл со сл со со со со со сл со сл со со ^ РЕКТАЛЬНАЯ ТЕМПЕРАТУРА
со со со со 00 со 00 о о о со 00 о со 00 о со 00 о о со со 00 со со о со со со со со 00 со о со 00 о со со о со о со 00 о о со со о о со 00 сл ПУЛЬС
ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю а> ЧАСТОТА ДЫХАНИЯ
00 со со 00 сл со со 00 00 сл со сл 00 00 со со 00 со 00 00 со сл 00 сл со со сл 00 сл со сл N ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ
сл о сл сл о сл сл о сл сл сл сл сл со сл о со сл сл сл о со сл о со сл со сл о сл о со со сл сл о сл о сл о сл о сл сл о сл 00 ПЕРИФЕРИЧЕСКИЙ ИМПУЛЬС
сл со сл сл со сл сл сл сл сл ю сл сл сл со сл ю сл ю сл сл ю сл со сл сл сл сл со сл ю сл сл сл ю сл со сл сл сл сл сл сл сл сл сл со со СЛИЗИСТЫЕ ОБОЛОЧКИ
сл со сл 00 сл сл сл сл 00 сл сл со сл со сл 00 о ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ
со со со о со со со ю со со о со о со со со со со со со о со со со о со со со ю со со со со о со со со ю со со со со со со со со со со со со со о со со со ^ БОЛЬ
со а> со со со со со сл со со 00 со со со со сл со со со со 00 со со 00 со со 00 со со со со со со со со со со со со со 00 со со со сл со ю ПЕРИСТАЛЬТИКА
о со ю ю ю со со ю со о со о о ю о о о о о со со со со РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ
00 00 00 00 ^ НАЗОГАСТРАЛЬНАЯ ТРУБКА
00 о 00 о 00 о со 00 о 00 00 со со 00 о со со со 00 00 о 00 00 со 00 00 о со сл НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС
00 ю 00 ю 00 ю 00 00 ю 00 ю 00 сл 00 сл 00 ю 00 со 00 00 ю 00 со 00 со 00 00 ю а> НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС РН
ю ю со со ю ю со со со ю ю ю ю ю со ю ю ю со ю N РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ - ФЕКАЛИИ
сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл сл 00 живот
ю сл со со со со о сл со ю 00 сл сл сл со со со со сл 00 со сл сл сл со сл со сл сл со УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ
со со со со 00 со 00 00 00 со со со со со 00 00 00 00 00 00 со со 00 00 00 00 со со 00 со со со ю о ОБЩЕЕ СОДЕРЖАНИЕ БЕЛКА
ю о ю о ю о ю ю ю о ю о ю о ю о ю о ю о ю о ю ю ю ю ю ВНЕШНИЙ ВИДАБД0МИН0ЦЕНТЕЗА
со о ю 00 ю 00 ю 00 ю 00 со о ю 00 ю сл со о ю 00 со о ю ю ю со со ю 00 ю со со о со о со о со о со о ю 00 со ю со ю со о ю ю 00 ю ю ю ю ю ю АБД0МИН03 ОБЩИЙ БЕЛОК
ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю ю со РЕЗУЛЬТАТ
со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со со ю ^ ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ
00 со сл 00 00 со со со 00 со со 00 со 00 00 ю сл УЧАСТОК ПОРАЖЕНИЯ
о о ю со ю о со со о ю ю ю -»■ о ю ю о о -»■ о о со о о ю -»■ о со ю -»■ ю о о о ю о -»■ ю а> ТИП ПОРАЖЕНИЯ
сл сл сл сл 00 со сл сл со со сл со сл со со сл со сл со сл сл со со со сл сл со сл со со сл сл со ю N ПОДТИП ПОРАЖЕНИЯ
ю со ю о ю со ю ю со ю со ю со ю со ю о ю ю со ю о ю ю ю со ю со ю ю ю со ю ю со ю ю ю о ю о ю ю о ю со ю со ю со ю о ю ю ю ю ю со ю о ю со ю со ю о ю ю ю ю о ю со ю 00 КОНКРЕТНЫЙ код
Н
Р
о\
й
к
а
р
ю
О о\
Ч §
В ё и Е о\ о -о
о\
О)
со
О
К 2 а н о 2
о «
о
Ж
рэ
^
Л X
Е
*
43 X рэ Й
я
О) >
О -О
ю о
00
п о Й РЭ
а
й
О) «
о о и
ю о
529642 27 32 36 40 41 45 51 53 62 66 73 74 79 83 2 5 7 16 2 3 6 11 17 23
529766 24 33 35 39 42 45 51 54 65 71 74 81 82 1 5 6 18 20 30 2 3 7 10 20
527706 28 36 40 42 45 61 64 80 2 4 12 29 1 3 6 11 16 20
529483 24 28 35 39 42 46 62 65 70 74 1 5 6 18 20 30 2 3 20
530544 35 70 74 1 5 6 18 20 30 2 3 7 10 15
529461 27 30 36 37 42 48 50 54 59 60 64 72 74 80 84 3 4 12 2 3 9 12 16 23
5282839 32 35 40 42 47 49 61 70 79 2 4 12 30 1 4 7 14 15 23
528872 69 74 1 4 6 18 20 26 1 3
529640 33 35 38 42 48 50 53 70 74 2 4 6 19 29 1 3 11 16 22
528298 27 28 38 44 48 50 61 67 71 74 80 2 4 6 19 28 1 3 15 21
528904 27 28 36 38 44 47 51 53 61 64 72 2 4 7 19 28 2 3 12 23
530438 24 28 35 37 41 51 54 61 64 70 74 1 5 15 18 22 24 2 3 7 10 16 20
527957 26 30 35 39 43 45 50 54 60 66 71 74 1 5 2 3 7 10 22
528630 24 33 35 40 50 61 72 74 81 84 2 4 6 19 28 1 3 7 11 15 22
534293 27 29 36 37 44 47 51 54 73 78 79 82 3 5 15 19 29 2 3 7 13 15 21
529667 24 29 36 40 42 45 51 53 59 61 64 71 74 80 84 1 4 15 18 20 25 1 3 8 11 16 23
534885 24 28 35 40 42 45 51 54 63 67 69 78 79 82 1 4 15 19 27 1 3 10 16 23
534784 24 32 36 40 42 46 51 52 55 63 67 72 78 81 82 1 4 15 16 22 26 2 3 7 11 20
528931 24 30 35 39 42 46 50 54 63 65 71 74 81 1 5 6 18 20 30 2 3 7 10 15 20
529777 28 35 50 52 58 72 74 1 5 15 18 22 24 2 3 10 15 20
530276 24 30 35 39 42 51 54 63 65 70 74 79 83 1 5 6 18 20 30 2 3 7 10 15 20
528214 35 40 48 50 53 57 61 67 70 74 3 4 15 19 29 2 3 6 10 15 23
529424 24 30 35 39 43 46 50 60 66 71 74 79 85 1 5 1 3 7 10 16 20
5299253 2 4 15 18 20 25 1 3 7 10
528469 24 32 35 40 42 46 50 52 59 60 71 74 79 83 2 4 15 18 20 26 1 3 7 10 15 20
5292929 70 74 2 4 11 24 1 4
534092 27 32 36 37 42 71 77 79 82 3 4 8 17 1 4 8 12 23
534615 27 30 35 40 42 45 63 70 77 1 4 6 19 28 1 3 7 10 15 23
534753 30 35 39 41 46 51 54 60 66 69 78 1 5 2 3 8 10 15 22
530693 27 28 38 42 48 49 53 61 64 71 74 2 4 6 22 28 1 3 23
527463 27 31 36 40 44 45 50 52 58 67 73 74 80 1 4 15 19 27 1 3 6 12 15 20
527518 27 29 35 40 42 45 61 67 71 74 80 83 2 4 15 19 28 1 3 5 12 16 23
534756 27 30 35 37 42 45 49 54 63 64 70 80 82 1 4 6 18 20 30 1 3 6 10
5290759 24 33 35 40 44 46 60 70 74 1 4 6 18 20 30 1 4 7 12 19 23
5279822 27 31 36 38 47 51 54 73 74 2 4 6 19 28 1 3 7 15 23
529849 27 33 36 37 42 48 53 58 61 70 74 79 1 4 14 23 1 3 7 10 19 20
529304 27 28 40 41 45 50 53 67 71 74 1 5 17 2 3 7 10 16 22
529388 27 29 36 38 44 48 49 61 64 71 74 80 82 2 4 7 19 28 1 3 11 16 23
528006 35 71 74 79 83 3 4 15 19 27 2 3 10 15
529703 24 32 35 40 42 45 50 54 63 68 70 74 79 83 1 5 14 2 3 8 11 16 20
535381 24 30 35 39 41 46 70 77 1 5 2 3 7 10 15 20
534197 37 52 55 60 66 71 78 1 4 15 16 22 26 2 3 7 10 15
529461 27 30 36 37 42 48 50 54 59 60 64 72 74 80 84 2 4 6 19 28 2 3 9 12 16 23
530251 24 30 35 39 41 46 50 54 63 66 70 74 1 5 2 3 8 10 15 23
530310 27 30 35 38 42 48 51 54 61 64 70 74 2 4 6 19 28 2 3 23
528729 24 28 35 43 46 51 54 60 66 71 74 1 5 2 3 6 10 16 21
535158 24 33 35 40 42 48 50 54 63 64 70 77 1 4 6 19 28 1 3 6 10 15
530319 28 35 42 46 50 54 63 65 71 74 1 4 6 18 20 30 2 3 11 16
534145 27 29 35 37 42 48 52 55 61 64 72 77 3 5 6 19 28 1 3 7 11 16 23
534135 24 28 35 39 42 45 51 54 60 64 70 77 1 5 2 3 7 10 16 22
530002 27 31 36 37 44 48 51 53 63 64 72 74 79 83 1 5 7 16 2 3 8 12 17 23
535364 27 30 35 39 42 60 66 70 77 1 5 1 3 7 10 15 23
534899 27 29 36 38 44 54 61 64 3 4 6 19 28 1 3 10 15 21
534938 30 35 37 70 77 1 5 2 3 7 10 15 23
5292489 24 30 35 40 42 45 62 66 70 74 1 4 12 30 1 4 7 13 18 20
527563 27 28 35 40 44 46 50 52 58 62 64 71 74 81 83 2 4 14 1 3 7 10 15 20
530381 28 36 37 42 45 50 61 64 70 74 1 4 1 3 11 16 20
528668 27 28 35 51 54 60 70 74 1 4 6 19 29 1 3 7 10 19
529764 24 28 35 39 42 45 60 71 74 1 5 2 3 6 10 16 20
533696 27 33 36 40 44 47 61 64 71 77 80 82 3 4 6 19 28 1 3 8 10 16 21
5297379 27 33 35 40 42 48 51 54 70 74 79 83 2 4 15 19 28 1 4 7 11 16 23
527544 25 32 36 37 42 45 50 54 61 64 72 74 2 4 15 18 20 26 1 3 11 15 23
533736 35 39 42 45 70 77 81 82 1 4 6 18 20 30 1 3 7 10 15 23
534963 24 30 35 39 42 46 51 54 64 70 77 1 4 6 18 20 30 1 3 10 22
527933 86 2 4 6 19 28 1 3 6 10 16
532349 29 38 44 48 50 54 61 64 71 78 1 4 6 19 28 1 3 7 10 15 23
533723 24 30 35 40 42 45 71 77 1 5 2 3 16 23
535208 24 30 35 40 42 48 50 54 61 64 70 77 1 4 6 19 28 1 3 7 10 15 20
5290482 27 29 36 40 44 48 52 58 61 64 74 81 3 4 7 19 28 2 3 8 23
533983 30 35 38 42 46 54 70 78 79 82 1 4 6 18 20 26 1 3 6 11 16 20
535166 24 33 35 39 42 46 51 54 71 77 1 5 2 3 7 10 15 22
528682 24 33 35 37 42 45 51 54 63 67 70 74 79 1 4 15 19 23 1 3 8 10 18 20
534556 31 36 40 42 46 53 60 67 73 74 79 82 3 4 15 19 27 1 3 7 11 16
534579 24 30 35 40 41 46 60 70 77 81 82 1 5 2 3 8 10 16 22
530360 24 28 35 40 44 48 50 54 61 67 71 74 81 82 2 4 6 19 28 1 3 7 11 15 20
529840 24 29 35 39 41 48 50 54 60 66 70 74 3 4 15 19 28 2 3 7 10 15 23
528461 24 30 35 40 42 45 50 53 61 67 70 74 1 4 15 19 28 1 3 7 10 18 21
530384 24 28 35 38 44 45 69 74 79 1 4 1 3 8 23
5262541 27 35 40 44 46 50 54 60 71 74 79 82 1 4 15 19 27 1 3 6 10 16 23
535330 28 35 37 42 48 69 77 82 3 5 15 19 27 1 3 6 11 15
527698 30 35 46 50 54 71 74 1 4 15 19 23 1 3 7 10
528964 2 4 15 18 20 25 1 3 7 10 15
В исходных данных, предоставленными иС1, градации описательных шкал являются симптомами. Но хорошо известно, что гораздо более высокую диагностическую ценность, чем симптомы, имеют симптомо-комплексы и синдромы.
Сначала рассмотрим несколько определений.
Симптомокомплекс - это совокупность симптомов, характерная для того или иного заболевания. При этом причины объединения симптомов в симптомокомплекс могут быть различны и неизвестны.
Синдром определяется как совокупность симптомов с общими этиологией и патогенезом. Таким образом «симптомокомплекс» - это более общее понятие, чем «синдром». Используя его и специфический признак можно дать классическое определение синдрома через более общее понятие и выделение специфического признака.
Синдром - это симптомокомплекс, в котором симптомы обладают общими этиологией и патогенезом.
Конечно, чтобы определить, является тот или иной симптомоком-плекс синдромом нужны очень серьезные, обычно многолетние, содержательные исследования заболевания специалистами, результаты которых признаны научным сообществом. Самого факта одновременного наблюдения тех или иных симптомов при тех или иных заболеваниях для этого совершенно недостаточно.
По этим причинам, используя исходные данные ИС1 или любые другие эмпирические данные (данные наблюдений и лабораторных, в т.ч. экспериментальных исследований), мы можем говорить лишь о выявлении симптомокомплексов, некоторые из которых возможно и являются синдромами. Но для нас, при решении задачи, поставленной в данной статье, это не так уж и важно. А важно лишь то, что выявление и включение в описательные шкалы и градации симптомокомплексов способно существенно повысить достоверность созданных моделей и и диагностическую ценность создаваемого ветеринарного теста.
В системе есть режим 3.7.8, обеспечивающий формирование систем признаков из их сочетаний, по 2, 3,..., N и докодирования обучающей или распознаваемой выборки (рисунок 6):
3.7.8. Генерация сочетаний признаков и декодирование обучающей и распознаваемой выборки
. | в ММ
- Задайте, являются ли градации шкал альтернативными:-
Г- НЕТ,т.е. у объекта может быть по нескольку признаков каждой шкалы (неальтернативные признаки) ДА , т.е. у объекта возможно только по одному признаку каждой шкалы (альтернативные признаки)
- Учитывать все или только наиболее значимые признаки;--
¡Учитывать все признаки (будет много градаций описательным шкал, сколько именно - написано ниже! Г" Учитывать только те признаки и их сочетания, по которым есть данные в обучающей выборке ^ Учитывать заданный % признаков и их сочетаний, по которым есть данные, от их суммарного количества:
С Учитывать наиболее значимые признаки, имеющие не менее заданного X значимости от суммарной (модели должны быть созданы): Будет создано много сочетаний признаков (сколько именно - написано ниже), в т.ч. не представленным в обучающей выборке
1 Число сочетаний из í 5 признаков по 1 = 86 ...Сумма = 86 ...Только альтернативные = 86 ...Сумма = 86
2 Число сочетаний из £ э признаков по 2 = 3655 ..Сумма = 3741 ...Только альтернативные = 3510 ...Сумма = 35ЭБ
1? 3 Число сочетаний из $ 3 признаков по 3 = 102340 ...Сумма = 106081 ...Только альтернативные = 80416 ...Сумма = 84012
Г 4 Число сочетаний из 1 3 признаков по 4 = 2123555 ...Сумма = 106081 ...Только альтернативные = 1648023 ...Сумма = 84012
Г 5 Число сочетаний из í 5 признаков по 5 = 3482Б302 ...Сумма = 106081 ...Только альтернативные = 22641318 ...Сумма = 84012
- Задайте, что генерировать:--
♦ Генерация сочетаний признаков и декодирование обучающей выборки С Докодирование сочетаний признаков в распознаваемой выборке
-Задайте макс.число признаков в шкалах и градациях шкал: Максимальное число признаков в шкалах: Максимальное число признаков в градациях шкал:
Рисунок 6. Экранная форма режима генерации сочетаний признаков и докодирования обучающей и распознаваемой выборки
В данном режиме были сгенерированы две дополнительные описательные шкалы, приведенные в таблице 3 с кодами 22 и 23:
- 22-ПОДСИСТЕМЫ ИЗ 2 АЛЬТЕРНАТИВНЫХ ПРИЗНАКОВ;
- 23-ПОДСИСТЕМЫ ИЗ 3 АЛЬТЕРНАТИВНЫХ ПРИЗНАКОВ.
В первой из этих шкал 3510 сочетаний симптомов по 2, а во второй -90416 симптомокоплексов по 3 симптома, что вместе с 86 базовыми симптомами составляет 94012 градаций описательных шкал. В этой связи необходимо сделать несколько замечаний.
Замечание 1-е. При увеличении числа признаков в сочетаниях быстро увеличивается количество симптомокомплексов, а значит и размерность моделей, и затраты вычислительных ресурсов и времени на решение различных задач. Даже при небольшом числе признаков в сочетаниях добавление всего еще одного признака способно резко увеличить это время и сделать его неприемлемо большим.
Замечание 2-е. Многие из сочетаний признаков вообще не встречаются в обучающей выборке и могут быть без ущерба для качества моделей удалены еще до создания моделей, что очень существенно сократит время, затраченное на синтез и верификацию моделей и решение в них различных задач. В задаче, решаемой в данной статье, при добавлении 22-й и 23-й шкал таких симптомокомплексов, которые ни разу не встретились в обучающей выборке, оказалось примерно половина.
Замечание 3-е. При добавлении последующих шкал с большим числом симптомов в сочетаниях доля таких реально не встречающихся симп-томокомплексов в градациях описательных шкал увеличивается. Но в дан-
ной статье мы решили показать роль и влияние симптомокомплексов в принципе, и для этой цели достаточно и этих двух дополнительных описательных шкал: 22-й и 23-й.
Замечание 4-е. Добавление симптомокомплексов в модели существенно повышает их достоверность. Причины этого вполне понятны.
- сочетания признаков 1-го слоя создают во 2-м слое более уникальные признаки, чем были в 1-м слое;
- сочетания признаков 2-го слоя создают во 3-м слое более уникальные признаки, чем были в 2-м слое;
- сочетания признаков (п-1)-го слоя создают во n-м слое более уникальные признаки, чем были в (п-1)-м слое.
Если довести этот процесс до конца (до абсурда), то будут найдены совершенно уникальные сочетанные признаки, достоверность моделей достигнет 100%, т.к. задача распознавания редуцируется до задачи поиска. При увеличении числа признаков в сочетаниях модель становится все более детерминистской, в ней становится все больше уникальных признаков, у которых наблюдается взаимно-однозначное соответствие с классами. Но представляет ли это интерес? На взгляд авторов представляет, но только в конкретных частных случаях, типа решения конкурсных задач сайта https://www.kaggle.com/. В общем же случае повышение достоверности идентификации в моделях путем повышения их степени детерминированности оправдано лишь в том случае, если в модели сохраняется обобщение, т.е. признаки слоя не являются уникальными, а встречаются по крайней мере несколько раз в разных классах. Дело в том, что задача идентификации хотя и является очень важной, но обычно не является самоцелью, т.е. это далеко не единственная задача, которая решается системами искусственного интеллекта. И нужно найти баланс качества решения всех этих задач, а не оптимизировать модель под решение лишь одной из них в ущерб качеству решения остальных. Нейросеть со многими слоями просто превращает систему распознавания в информационно-поисковую систему (ИПС) и чем больше слоев, тем она ближе к ИПС и дальше от СИИ. Иногда для этого достаточно 3-х слоев, иногда больше. Чем выше достоверность многослойной нейросети на конкретных тренировочной и тестовой выборках, тем уже генеральная совокупность, по отношению к которой тренировочная выборка будет репрезентативна, и тем хуже он будет практически на всех остальных выборках. Таким образом при добавлении сочетаний признаков в систему градаций описательных шкал и соответствующих слоев в нейронную сеть необходимо соблюдать меру (как и везде), т.е. плохо не досолить, и пересолить тоже плохо, и еще неизвестно, что хуже. Это называется: «Переобучение нейронной сети (Overtraining)».
Ниже на рисунках 7 и 8 приведены фрагменты описательных шкал и градаций симптомокомплексов соответственно с 2-я и 3-я симптомами, а
на рисунке 9 фрагмент обучающей выборки с кодами как симптомов, так и симптомокомплексов:
i ä i gj i в i
2.2. Описательные шкалы и градации. 1екущая модель; INFI"
3 ¡щктальная температура
я яш
щ ■частота дыхания
температура конечностей
7 периф.ерйуЕскийимпвльс
я слизистыесболлчки
а ■зремяэдсспнения капищшров
10 боль ■ субъективное суждение 0 урввне'боп
11 перистальтика
12 растяжение брпмшми
13 назо гаст ральн^-тру б ка
11 назогастральный рефлкщ
15 шйгасммы! рефлйкс рк
ig ректальное;н13йедо|анйе ■ фекалии
17 живот
13 упаковано клеточный объем
13 общее содержание.бел&-
23 внешний вядаед0мин0центеза
21 абдоминювбщйй белок.
Щ ■^ЕИИ£ИЬ1.ИЗ-2АЛЬТЕРда}ИаНда;ЛРИЗНАрВ...
Ш I гишййй v :■■.■■ v ■■■.■.':.■■■■•■' iffiÖäsBüäf
1 1
й К- fi'1.435GB5 Ж7В sttSiB
Щ 1,4 0,3223300 84 '23,0000000
$5 Z3 $iHW105 410
30 2.4 0.3328650 15 5.0000000
31 Щ а:.. ЙШб'Й 10
32 1.6 0.2331502 ЩЗ 34.3333333
33 0 4Sä
34 1.8 8.1317436 ■117 33.0000000
Ж jiä 0,2306483 3 :з;ооооооо
ш щ . ЯШЩ 3 з.оосрюо
ш ш Я.-20Э8466 52 1ig3J3S33
38 2,7 8,2128008 224 74,6666667
'39 Ш |äü 0,3276038 .43 шиш
130 2,9 0,2737315 11 3,6666667
1.31. 1,10 <3,2016555 283 '83,6686667
132 1,11 0,1334517 273 30,0000000
133 1,12' ШЙЙЩ ■147 4ЭЮОООООО
104 l.ltf Щ is.oBuooBo
105 1.14 шйрф 13
106 2,1В: 0,2843100 233 73,6666667
107 Bf ri 0.2231104 74 .4iHiS66?
lS 2,12 ЩШШ 76 25,3333333
Помощь Лоб.шкалу Доб.град.шкалы Копир.шкалу Копир.град.шкалы Копир.шкалу с град. Удал.шкалу с град.
Удал. град, шкалы
Перекодировать
Рисунок 7. Экранная форма, показывающая описательную шкалу _симптомокомплексов с 2-я симптомами и ее градации_
2.2. Описательные шкалы и градации. Текущая моделы INFi"
■ I В
H айменованйе'.спйегггеЛыной шкалы
3 РЕК'ГАЛ ЬНАЯ Т Е МЛЕ РАТУРА
Я .ЩЙ1ЬС
Щ ЧАСТОТА ДЫХАНИЯ
6 ТЕМПЕРАТУРА КОНЕЧНОСТЕЙ
.7 ПЕРИФЕРИЧЕСКИЙ НМПНПЬС
'S' СЛИЗИСТЫЕОБОЛОЧКИ
3 врЕм^зАподагнй'ддапигтпяров
13 БОЛЬ ■ СУБЪЕКТИВНОЕ СУЖДЕНИЕ 0 УРОВНЕ БОЛ...
11 ПЕРИСТАЛЬТИКА
12 ШЯШИе брюшнойДИЩи
13 НАЗОГАСТРАЛЬНАЯ ТРУБКА
14 НАЗОГАСТРАЛЬНЫЙ РЕФЛЮ№
15 ■ЖЗвГАсШШнЫЙ РЕФЛЙЙС РН
16 РЕКТАЛЬНОЕ ИССЛЕДОВАНИЕ ФЕКАЛИИ
V ЖИВОТ
13 УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ
13 ЩЩЕСЙЗДЕР.ЖАНЙЙЕЛЙ •
20 ВНЕШНИ1ШДАБДОМИНС[ЦЕНТЕ®|.
21 АБДОМИНр'МОЙЩИЙ БЕЛОК
22 'Д0ЩМ.СТРЙЫ..ИЗ 2АЛ6ТЕРНАТИВНЫХ ПРИЗНАКОВ,..
jSs ■#®ШВДЫЙ'ЙАЛЬТЕЖИНЬВЛРИЛЙАКЩ.:..
vis ШВЩ 10 ЯШИ
3638 № а- ЩШШ 1.03 ЯШШЙМ
3533 щ 385
360Ü 1,3,8 0,1503447 82 27,3333333
3601 viä МИ® 3 8ЯЯЙЙ
3SÜ? 1,4,5 0,0000000 0 O.OBCIOOBB
3603 1.4.6 ciioqooocifl | ; pcpqqopoö
3604 1,4,7 0,2604388 38 12,6666687
äEfiS 1.4.8 ШИЗ Э5 шШей
зек 1,4,8 0,0000000 0 : о.ооооооо
3607 ЙШ t.aöEsae 9 ijiajojcio
3608 2,3,6 0,2038466 52 17,3333333
36,09 'Sit. ЕМ44701 sie. ЯШИЙЖ
3610 2,3,8 0,241.1754 44 вя
3611 KS? ;; V.1-!: 11 ЗЩЙЯ
3612 2,4,5 0,0000000 0 0,0000000
3613 2 •0,0000000 £i :Й'0В0Ш0
3614 2,4.7 |Й42ШВ 6 здярзш
3615 Z4,8 Щ 'issiees?
361Б 2.4-8 8.000СЮ00 0 0.0000000
3617. ШШШ ■283 SäMse'ej
361S 1.3.11 0.1ЕШ521 Я65 83.3333333
Помощь Доб. шкалу Доб. град, шкалы
Копир, шкалу Копир, град, шкалы Копир, шкалу с град. Удал, шкалу с град.
Удал. град, шкалы
Перекодировать Очистить
Рисунок 8. Экранная форма, показывающая описательную шкалу симптомокомплексов с 3-я симптомами и ее градации
§ 1В [
^ 2.3.1. Ручной ввод-корректировка обучающей выборки, Текущая модель:
Квд объекта Наименование объекта !
43 .536301.
14 534С69
45 535407
46 'ЙЙЙ2?
47 52Э888
40 ШКШ
43 520090
50 ЩЩ
51 529766
Й 527706
щ 529483'
54
55 529461
I -
объекта I Кда::г 1 Класс 2 ЩЦ | Класс: 4 1
54 1 5 Б 10
54 20 30 0 0
\2Г
К од объекта Признак 1 Признак'2 Пргнзнак'З Признак 4 Признак. 5 Признак 0 Признак'7
54 2 '3 7- 10 15 35 70
54 74 .В 0 0 0 0 а
54 Ш 90 106 116 153 225 234
54 /2Й. Ш У5. Щ 304 зр 429
54 454 '546 щ 749 004 900 1075
54 1099 1235 1410 1434 2407 2421 3432
54 Ш1 3627 3647 ■1720 3064 3003 ;:з®
54 401.0 4187 ,4551 4600 .4720 4301 ,-5281
54 5310. 5571 5900 791.0 7333 1Ш71
54 10291 10341 10520 10002 10931, 15051 11242
54 11592 11Б41 110Й 1ЙЙ Шй 14251 ЯШЕ
54 шш 19=Й ШШ 10030 10102 1001-8 1-э'ЯЗ
54 13337 24650 ■ЩШ Э005/ 30953 31020 :'31.952
54 36793 36367 42172 47203 47357 52662 77929
<1 >
Помощь Скопировать обуч.выб. в расп. Добавить объект Добавить классы Добавить признаки Удалить объект Удалить классы Уаалить признаки Очистить БД
Рисунок 9. Экранная форма, с описанием объекта обучающей выборки с кодами как симптомов, так и симптомокомплексов (фрагмент)
Отметим, что обучающая выборка с симптомокомплексами не существует в форме таблицы, аналогичной таблице 9, т.к. режим 3.7.8. формирует соответствующие описательные шкалы и градации на основе обучающей выборки с базовыми признаками (таблица 9), вносит информацию о них непосредственно в базы данных этих шкал и градаций, а затем с их использованием непосредственно докодирует обучающую или распознаваемую выборку (см. рисунок 9).
Обучающая выборка по сути представляет собой нормализованную с помощью классификационных и описательных шкал и градаций базу исходных данных. Это делает исходные данные готовыми для обработки в программной системе.
2.3. Синтез и верификация статистических и системно-когнитивных моделей
Синтез и верификация моделей осуществляется в режиме 3.5 (рисунок 10):
3.5, Выбор моделей для синтеза и верификации
Задайте; модели для синтеза и верификации Статистические базы:
Ii? |1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки р 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса р 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):
р" 4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 5. INF2 ■ частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 К? 6. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами
7. INF4 - частный критерий: RGI (Return.On Investment); вероятности из PRC1 Ф 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2 р 9. INF6 - частный критерий: разн.усл.и безус л. вероятностей; вероятности из PRC1 р 10.IWF7 - частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2
Параметры копирования обучающей выборки в распознаваемую:
Какие объекты обуч.выборки копировать: (* Копировать всю обучающую выборку Г" Копировать только текущий объект С Копировать каждый М-й объект С Копировать N случайный объектов
Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку
~ П ояснение по алrci ритм у верификации ] -
Удалять из обуч. выборки скопированные объекты: (• Не удалять С Удалять
Подробнее
Ok
Cancel
Текущая модель
С 1. ABS С 2. PRC1 С 3. PRC2
(• 4. INF1
С 5. INF2
Г G. INF3
С 7. INF4
С 8. INF5
С 9. INF6
С 10.INF7
Измеряется вн^ренняя достоверн. модели
Для каждой заданной модели выполнить: (• Синтез и верификацию С Только верификацию С Только синтез
Рисунок 10. Экранная форма режима синтеза и верификации моделей
Ниже на рисунке 11 приведены фрагменты созданных системно-когнитивных моделей (СК-моделей): ABS, PRC2, INFI и INF3:
Í С) 5.5. Модель: "X. ABS - частный критерий: количество встреч сочетаний: "Класс-признак" у объектов обуч.выборки" I кдМв) &—П
Код Г~~й РЕЗУЛЬТАТ ЖИЛ 2. РЕЗУЛЬТАТ УМЕР 3. РЕЗУЛЬТАТ ЭВТАНАЗИЯ ХИРУРГИЧЕ.. ПОРАЖЕНИЕ ® ХИРУРГИЧЕ... ПОРАЖЕНИЕ УЧАСТОК ПОРАЖЕНИЯ УЧАСТОК ПОРАЖЕНИЯ УЧАСТОК ПОРАЖЕНИЯ 10, УЧАСТОК ПОРАЖЕНИЯ УЧАСТОК ПОРАЖЕНИЯ т
ДА НЕТ ТОЛСТОЙ кишки LG ТОЛСТОЙ КИШКИ И СЛЕПОЙ кишки ЖЕЛУДОК МОЧЕВОЙ ПУЗЫРЬ НЕТ
1 ХИРУРГИЯ-Да. S него была операция 95 58 27 157 23 56 14 6 ü ] ►г
.2 ХИРУРГИЯ-Лечилась без операции 83 19 17 33 86 22 е 4 2
3 ВОЗРАСТ-Взрослая лошадь 166 66 43 174 102 77 20 8 3
4 ВОЗРАСТ-Молодой (<6 месяцев) 12 11 1 17 7 2 2 2
5 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-1/5-135.4000000.38.... 2 2 3 1 1 1
6 РЕКТАЛЬНАЯ Т Е М П Е PAT У РА-2/5-{36.4800000.37.... 20 9 9 22 16 9 3 1
7 РЕКТАЛЬНАЯ Т Е М П Е PAT У PA-3/5-Í37.5600000.38.... 109 27 15 88 64 43 е 3 2
8 РЕКТАЛЬНАЯ Т Е М П Е PAT У РА-4/5-{38.6400000.39.... 22 12 7 26 15 5 4 2 £
9 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-5/5-{39.7200000,40. .. 1 3 1 5 1 1
10 ПУЛЬС-1 /5-{30.0000000.60.80000001 107 14 12 61 73 38 4 1 2
11 ПУЛЬС-2/5-{60.8000000.91.6000000) 33 27 18 63 15 22 6 3 1 5
12 ПУЛЬС-3/5-{91.6000000.122.4000000) 20 17 11 35 13 е 5
13 ПУЛЬС-4/5-{122.4000000.153.2000000) 6 5 2 11 2 2 i 1
14 ПУЛЬС-5/5-{153.2000000.184.0000000) 3 3
15 ЧАСТОТА ДЫХАНИЯ-1 /5-{8.0000000.25.6000000) ... 78 22 21 66 56 33 4 1
16 ЧАСТОТА ДЫХАНИЯ-2/5-{25.6000000.43.2000000)... 50 25 9 51 33 20 5 6 2
17 ЧАСТОТА ДЫХАНИЯ-3/5-{43.2000000.60.8000000)... 8 8 3 14 5 4 3 1
18 ЧАСТОТА ДЫХАНИЯ-4/5-{60.8000000.78.4000000)... 5 2 6 1 1 1
19 ЧАСТОТА ДЫХАНИЯ-5/5-{78.4000000.96.0000000)... « з 1 10 з i
j И - __(явИ
—1
tg) 5.5. Модель: "В. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов j-ra класса- j | а | @ 1
Код шкалы и градации РЕЗУЛЬТ... ЖИЛ Ж РЕЗУЛЬТ... УМЕР i ЧАСТОК ОРАЖЕ... G ОЛСТОЙ ИШКИ 7. УЧАСТОК П0Р.АЖЕ... ТОЛСТОЙ КИШКИ И СЛЕПОЙ КИШКИ УЧАСТОК ПОРАЖЕ,. ЖЕЛУДОК 0Б0Д0Ч... КИШКА УЧАСТОК ПОРАЖЕ... СЛЕПОЙ КИШКИ 15. УЧАСТОК ПОРАЖЕ... СМ КИШЕЧН...
1 ХИРУРГИЯ-Да. S него была операция 53.371 75 325 61 364 8 .199 21.101 70.886 63.636 60.00 33.333 66.667 75.000 75.000 100.000 50.000 80 -6 =
1 2 ХИРУРГИЯ-Лечилаоь без операции 46.629 24 675 38 636 1 .277 78.899 27.848 36.364 40. ОС 66.667 33.333 25.000 25.000 50.000 19 2:1
3 ВОЗРАСТ-Взрослая лошадь 93.258 85 714 97 727 9 .099 93.578 97.468 90.909 80.00 100.000 75.000 66.667 100.000 100.000 92 •о;
4 ВОЗРАСТ-Молодой (<6 месяцев) 6.742 14 286 2 273 .901 6.422 2.532 9.091 20.00 100.000 25.000 33.333 с о;
5 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-1 /5-135.4000000.... 2 597 545 0.917 1.266 10.00 2 5с4
е РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-2/5-06.4800000.... 11.236 11 688 20 455 1 14.679 11.392 13.636 10.00 16.667 20.000 8.333 12 ■ 21 Г
7 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-3/5-О7.5600000.... 61.236 35 065 34 091 4 58.716 54.430 36.364 30.00 66.667 33.333 25.000 33.333 60.000 66.667 47 45«
8 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-4/5-08.6400000.... 12.360 15 584 15 909 1 13.761 6.329 18.182 20.00 33.333 25.000 16.667 16
9 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-5/5-09.7200000.... 0.562 3 896 2 273 1.266 33.333 25.000 В.333 1 28 =
10 ПУЛЬС-1 /5-О0.0000000,60.80000001 60.112 18 182 27 273 3 .937 66.972 48.101 18.182 10.00 66.667 8.333 60.000 50.000 35 с 3"
11 ПУЛЬС-2/5-О0.8000000.91.6000000) 18.539 35 065 40 909 3 .984 13.761 27.848 27.273 30.00 33.333 75.000 41.667 20.000 33.333 26 32:
12 ПУЛЬС-3/5-01.6000000,122.4000000) 11.236 22 078 25 000 1 .325 11.927 10.127 36.364 50.00 25.000 20.000 16.667 21 -35
13 ПУЛЬС-4/5-{122.4000000,153.2000000) 3.371 6 494 4 545 .759 1.835 2.532 4.545 10.00 66.667 8.333 - сзг
14 ПУЛЬС-5/5-{153.2000000,184.0000000) 896 .571 16.667 1 2в\
15 ЧАСТОТА ДЫХАН И Я-1/5-18.0000000,25.60000... 43.820 ге 571 47 727 3 .555 51.376 41.772 18.182 10.00 25.000 40.000 66 667 42 зог
16 ЧАСТОТА ДЫХАН И Я -2/5-Í25.6000000,43.2000... 28.090 32 468 20 455 2 .702 30.275 25.316 22.727 60.00 66.667 50.000 25.000 60.000 ¡Г "ззз 25 Id
17 ЧАСТОТА ДЫХАНИЯ-3/5-143.2000000.60.8000... 4.494 10 390 6 818 • ЗЗС 4.587 5.063 13.636 10.00 25.000 8 333 8 97J
18 ЧАСТОТА ДЫХАН И Я -4/5-О0.8000000,78.4000... 2.809 4 545 .141 0.917 1.266 4.545 33.333 8.333 в "ззз 2 sd
19 ЧАСТОТА ДЫХАНИЯ-5/5-{78.4000000.96.0000... _ 3.896 _i i73 _ •236 _Í1™ _ 33•333 8.333 _1 333 _i 3
<1-1:- ^J
с) 5.5. Модель: "4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1" J 1 = 1 ® U^Jl
Код РЕЗУЛЬТАТ ЖИЛ 2. РЕЗУЛЬТАТ УМЕР а. РЕЗУЛЬТАТ ЭВТАНАЗИЯ ХИРУРГИЧЕС.. ПОРАЖЕНИЕ ДА 5. ХИРУРГИЧЕС... ПОРАЖЕНИЕ НЕТ УЧАСТОК ПОРАЖЕНИЯ LG ТОЛСТОЙ КИШКИ УЧАСТОК ПОРАЖЕНИЯ ТОЛСТОЙ КИШКИ И СЛЕПОЙ КИШКИ УЧАСТОК ПОРАЖЕНИЯ ЖЕЛУДОК 5BL, 12. УЧАСТ1 ПОРАЖ n08T0f НИИ! 0Б0Д0 КИШКА
1 ХИРУРГИЯ-Да, а него была операция -0.078 .045 -0 019 0 07 С -0.398 0 039 0.013 -0.017 -0.305 0.431 0.302
1 2 ХИРУРГИЯ-Лечилаоь без операции 0.126 - .103 0 067 -0 237 0.328 -0 044 0.065 0.090 0.196 0.434 0.160
3 ВОЗРАСТ-Взрослая лошадь 0.005 - .026 0 031 -0 010 0.020 0 036 0.024 -0.031 -0.028 0.185
4 ВОЗРАСТ-Молодой (<6 месяцев) РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-1 /5-05.4000000,... РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-2/5-06.4800000,... РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-3/5-{37.5600000,„. РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-4/5-О8.6400000,.. -0.045 .224 -0 427 0 04е -0.049 -0 382 0.090 0.364 1.352 0.683
5 .204 0 415 0 01В -0.155 -0 038 0.708
8 -0.023 - .009 0 201 -0 020 0.087 -0 003 0.075 -0.046
7 0.070 - .131 -0 131 -0 039 0.069 0 043 -0.089 -0.167 0.042 0.281 0.007
8 -0.013 .069 0 086 0 015 0.039 -0 239 0.154 0.179 0.772
9 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-5/5-О9.7200000.... -0.363 .331 0 14- 0 183 -0 057 1.044 1.257
10 ПУЛЬС-1 /5-Í30.0000000,60.8000000) 0.129 - .301 -0 146 -0 104 0.182 0 064 -0.272 -0.496 0.108
11 ПУЛЬС-2/5-{60.8000000,91.6000000) -0.129 .099 0 164 0 071 -0.223 0 032 0.038 0.063 0.023 0.630
12 ПУЛЬС-3/5-{91.6000000,122.4000000) -0.153 .088 0 142 0 016 -0.118 -0 176 0.296 0.401
13 ПУЛЬС-4/5-{122.4000000,153.2000000) -0.126 .109 -0 010 0 060 -0.331 -0 214 0.009 0.283 1.374
14 ПУЛЬС-5/5-{153.2000000,184.0000000) .486 0 154
15 ЧАСТОТА ДЫХАН И Я-1/5-18.0000000,25.60000... 0.038 - .117 0 077 -0 054 0.108 0 035 -0.250 -0.474
16 ЧАСТОТА ДЫХАН И Я-2/5-Í25.6000000,43.2000... 0.015 .066 -0 090 -0 010 0.055 -0 00S -0.033 0.306 0.267 0.480
17 ЧАСТОТА ДЫХАН И Я-3/5-{43.2000000,60.8000... -0.160 .139 -0 002 0 008 -0.140 -0 103 0.266 0.145
18 ЧАСТОТА ДЫХАН И Я -4/5-О0.8000000,78.4000... 0.058 0 239 0 091 -0.331 -0 214 0.258 1.374
19 ЧАСТОТА ДЫХАНИЯ-5/5-{78.4000000,96.0000... 0.014 0.065 _Ii 119 _ WS _1 0-1 1.265
1 " <1 М
«1-1
Код шкалы и градации РЕЗУЛЬТАТ ЖИЛ 2. РЕЗУЛЬТАТ УМЕР а. РЕЗУЛЬТАТ ЭВТАНАЗИЯ ХИРУРГИЧЕС.. ПОРАЖЕНИЕ ДА 5. ХИРУРГИЧЕС... ПОРАЖЕНИЕ НЕТ Б. УЧАСТОК ПОРАЖЕНИЯ LG ТОЛСТОЙ КИШКИ УЧАСТОК ПОРАЖЕНИЯ LG ТОЛСТОЙ кишки и СЛЕПОЙ кишки УЧАСТОК ПОРАЖЕНИЯ ЖЕЛУДОК а УЧАСТОК ПОРАЖЕНИЯ МАТКА ТО. УЧАСТОК ПОРАЖЕНИЯ МОЧЕВОЙ ПУЗЫРЬ УЧАСТОК ПОРАЖЕНИЯ НЕТ 12. УЧАСТ1 ПОРАЖ n08T0f НИ Mi 0Б0Д0 КИШКА
1 ХИРУРГИЯ-Да, S него была операция -23. 14 .800 -1 489 27 931 -4Í .643 5 709 0 506 -0 294 -1 341 1 1.707|
2 ХИРУРГИЯ-Лечилаоь без операции 24. 11 .332 2 905 -30 858 5 .543 -2 882 1 324 0 .. • 0 842 0 -02 0.2 сО
3 ВОЗРАСТ-Взрослая лошадь 2. 11 - .928 3 533 -4 803 .521 7 330 1 306 -0 719 чГ 243 т 835 1.2 0:
4 ВОЗРАСТ-Молодой (<6 месяцев) -1. 01 .099 -2 283 2 125 - .026 -3 796 0 445 1 275 -0 270 2 351 0.S 51
5 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-1 /5-05.4000000,... -2. 10 .868 1 370 0 145 - .540 -0 112 -0 298 0 чГ 052 чГ 013 -о.с 29
8 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-2/5-06.4800000,... -1. 95 .239 3 859 -1 290 .433 -0 075 0 565 -0 136 -0 ^422 -0 103 -0.5 33
7 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-3/5-О7.5600000,... 19. 25 -1 .862 -6 624 -9 966 1 .139 4 828 -2 242 -1 777 0 223 0 545 О.С 1:
8 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-4/5-08.6400000,... -0. 06 .106 1 494 1 058 .542 -4 719 1 392 0 -14 -0 ^452 0 -0.5 50
9 РЕКТАЛЬНАЯ ТЕМПЕРАТУРА-5/5-О9.7200000,... -1. 48 .808 0 337 1 995 .622 -0 171 -0 314 -0 147 0 945 -0 014 0.S 70
10 ПУЛЬС-1 /5-130.0000000,80.8000000} 32. ;оС' -1! . 365 -6 009 -20 588 2£ .976 6 209 -4 530 -2 979 0 -0 381 -0.Е 18
11 ПУЛЬС-2/5-{60.8000000,91.6000000) -14?" 261 .496 г 5 31 IT ~312 -15 7890 Г ~860 0 53с ¡Г 479 о" ~062 чГ 241 2.4 82
12 ПУЛЬС-3/5-01.6000000,122.4000000) -10. 637 .708 3 ¿04 1 493 .080 -5 056 4 497 3 ¿с-; -0 ~608 чГ 156 -0.3 36
13 ПУЛЬС-4/5-{122.4000000,153.2000000) -2. 518 .105 -0 056 1 684 .027 -1 630 0 024 0 54с -0 Тб9 1 35с -о.с 33
14 ПУЛЬС-5/5-{153.2000000,184.0000000) -1. 786 .225 -0 431 1 047 .054 -0 761 -0 204 чГ 095 -0 035 -0 009 -о.с 20
15 ЧАСТОТА ДЫХАН И Я-1/5-0.0000000,25.60000... 7. :?б .457 4 052 -10 780 14 .571 3 083 -4 027 -2 744 -1 ~393 -0 359 -0.7 69
16 ЧАСТОТА ДЫХАН И Я-2/5-Í25.6000000,43.2000... 2.1 о 5 i .198 -2 575 -1 ~439 .-05 -0 433 -0 ^482 44 = 1 049 -D 245 -4
17 ЧАСТОТА ДЫХАН И Я-3/5-{43.2000000,60.8000... 502 .576 -0 018 0 327 Т378 -1 328 1 570 0 -0 ~248 -0 064 -0.1 37
18 ЧАСТОТА ДЫХАН И Я-4/5-О0.8000000,78.4000... 0.' -41 .848 0 972 1 342 .513 -0 815 0 513 -0 227 -0 084 0 ?-: -О.С 47
19 ЧАСТОТА ДЫХАНИЯ-5/5-{78.4000000,96.0000... _— _ _ 393 _1 .405 _1 _± Í60 _— 308 _± U4 _ 971 -О.С 63 _
1 ш-1 >\
Рисунок 11. Фрагменты созданных СК-моделей: ABS, PRC2, INFI и INF3
Описание этих моделей приведено в работе [14].
2.4. Определение наиболее достоверной модели и придание ей статуса текущей
В режиме 4.1.3.6 мы видим, что наиболее достоверной по критерию L2 является модель INF4 с интегральным критерием «Сумма знаний» (рисунок 12):
3 I а Ыз»)'
5 4.1,3.6, Обобщ,форма по достов.моделей при разл.инт.крит. Текущая модель: "ИРГ
Рисунок 12. экранная форма результатов верификации СК-моделей
На в работе [12] рисунке 13 приведено описание различных мер достоверности моделей, в настоящее время применяемых в системе «Эйдос»:
к»*-*..- рд-Н"!'
С) Помощь по режимам: 4.1.3.6,4.1,3.7, 4,1,3.8,4,1,3.10; Виды прогнозов и меры достоверности моделей в
Помощь по режимам: 4.1.3.6; 41.3.7. 4.1:3.8.4.1.3.10: Вины прогнозов и меры достоверности ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ. Предположим, модель дает такой прогноз: выпадет 1,2, 3, 4.5 ил
бесполезен, поэтому он и назван мной I ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ,
Представим себе, что мы выбрасываем кубик, о 6 гранями, и мод< модель дает ошибку в прогнозе в том плане, что не предсказала, что предсказано, поэтому такого рада предсказания хорошо 100% достоверность не идентификации, но очень низкая достоверность ИДЕАЛЬНЫЙ ПРОГНОЗ.
Если в случае с кубиком мы прогнозируем, что выпадет, например
случае у нее будет 100% достоверность >го у модели и будет очень высокая достоверность идентификации]. Н<
будет ни одного объекта,
ество объект. ;ой прогноз
) не выпадет: 1.2.3.4.5 и зчень корошо угадала, что I |е произошло и плохо в тол-
то. Конечно, случае у модели будет
. 100% д(
РЕАЛЬНЫЙ ПРОГНОЗ. На практике мы чаще е
удается получить к[
.о и обычно м
|к идеальный прогноз,,
но с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, не некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, и 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е.
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 все» этих видов прогнозов.
Таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность вернс относить объекты к классам, которым они относятся, так иве способность верно не относить объекты к тем классам, к которым они не относятся. Этот критерий реализован в системе 'Эйдос" проф. Е.В.Луценко в 1ЭЭ4 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1. +11 и ¡0.1}: ТР + Т1Ч-РР-РМ I / [ ТР + ТЫ +ГР + П-1) [нормировка: (-1.+1})
12 = (1
■ [ ТР + ТМ - РР - РМ ) / (ТР + ТН + РР + РМ ])! 2 (нормировка: {0,1})
гй Ван Ризбергена (колонка
ТР:ИС
Классическая Р-мер« Р-те1а = 2 "[Ргега з1оп "Я еса11) /[Ргес1 эгс
Р еса11 = ТР/(Т Р»РИ) - полнота моде
И -мера проф.Е.Б. Луценко - нечеткое мультиклассовое обобщение И -тега = 2"(5Р1еаяоп"5Р еса11)У(5 Ргесшог+5 И есаИ) 5Ргес!$юп = 5ТР/(5ТР+5РР) • точность с учетом сумм уровней 5Неса11 = 5ТР/(5ТР+5РМ) -полнота с учетом сумм уровней 5ТР ■ Сумма модулей сходства исгино-положительных решений: ЭТИ • Сумма модулей 5РР - Сумма модулей сходства ложно-положительных решений; БРМ - Сумма модулей
|роФ.Е.В. Луценко ■ нечеткое мультиклассовое обобщение классической Р-ме = гЧАРгеЫвюп'АН есаНУ (АРгесвюп+АЯ есаИ) I = АТР/(АТР+АРР) - точность с учетом средних уровней АИесаИ = АТР/(АТР+АРН| -полнота с учетом средних уровней
Р-меры с учетом СУММ уровней сходства (колонка вьделена ярко-
с учетом СРЕДНИХ уровней о
АТР=5ТР/ТР - Среднее модулей а АРР-З РР/РР - Среднее модулей сходства лс
решений; АРН=5РМ/РМ - Сроднее модулей о-решений; АР^ЕРМ/РИ - Среднее модулей сходства лс
ы и 1.2-м
Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение Р-меры достоверности моделей Ван Ризбергена в АСК-анализ8 и системе 'Эйдос" / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ] [Электронный ресурс]. - Краснодар: КубГАУ. 2017. - №02(126). С. 1 - 32. - ЮА [агЫе 10]: 1261702001. - Режим доступа: №р://ej.kubagFO.ru/2017/02/рсЛ/01.pdf. 2 у.п.л.
Рисунок 13. Описание используемых в системе «Эйдос» метрик достоверности
Видно, что достоверность СК-модели Г№Р5 с интегральным критерием «Семантический резонанс знаний» довольно высока, метрика Ь1=0.844, а Ь2=0.825 (при максимуме 1).
На рисунке 14 приведены частные распределения уровней сходства ложных и истинных, положительных и отрицательных решений в наиболее достоверной СК-модели ШЕ5 с интегральным критерием «Семантический резонанс знаний»:
^ Ьр 1 ^
Рисунок 14. Частное распределение уровней сходства ложных и истинных, положительных и отрицательных решений в наиболее достоверной СК-модели с интегральным критерием «Семантический резонанс знаний»
Из рисунка 14 видно, что:
- истинно-отрицательных решений при всех уровнях различия всегда значительно больше, чем ложно-отрицательных;
- ложно-положительные решения встречаются, но их количество резко снижается при увеличении уровня сходства;
- при уровне сходства от 0% до 5% количество ложно-положительных решений больше, чем истинно-положительных;
- при уровне сходства от 5% до 10% количество истинно-положительных решений больше, чем ложно положительных;
- при уровне сходства выше 10% ложно-положительных решений вообще нет, т.е. все положительные решения истинные.
Это вполне разумные результаты.
В СК-модели мы наблюдаем сходную картину (рисунок 15), может быть даже более наглядно:
4.1,3.11. Част.распр.ур.сХг: ТРДГЦ.РР.РМ реш.в модели: 6. ШРЗ инт.крит.-резонанс знаний
[ ы , I—53 —I
Рисунок 15. Частное распределение уровней сходства ложных и истинных, положительных и отрицательных решений в достоверной СК-модели ШЕ3 с интегральным критерием «Семантический резонанс знаний»
Из общего вида частотных распределений уровней сходства ложных и истинных, положительных и отрицательных решений, представленных на рисунках 14 и 15 можно сделать несколько интересных наблюдений и выводов:
1. Каждый из этих рисунков содержит изображения, похожие на два нормальных распределения, сдвинутые относительно друг друга.
2. Вид частотного распределения уровней сходства истинно-отрицательных и ложно-положительных решений напоминает нормальное распределение высокой амплитуды сдвинутое в область отрицательных уровней сходства.
3. Вид частотного распределения уровней сходства ложно-отрицательных и истинно-положительных решений напоминает нормальное распределение с низкой амплитуды, сдвинутое в область положительных уровней сходства.
4. Сдвиг этих частотных распределений относительно друг друга шкале уровней сходства, а также различие их по амплитуде и позволяет решать задачу классификации объектов тестовой выборки по нозологическим образам (градациям классификационных шкал, т.е. классам).
В этой связи интересно посмотреть также на разности частотных распределений:
- положительных истинных и ложных решений;
- отрицательных истинных и ложных решений (рисунок 16):
4-L3.lL Част.распр.разностей ур.сх.: {ТР-РР), (ГРу1-Р1Ч) реш.в модели: 8. ШР5 инт.крит.-сумма знаний [ с=д | [ЁЗ
Част.распр.разностей ур.сх^решений в модели: 8. инт.крит.-резонанс знаний Приложение: "АСК-диагностика жел.-кишечных заболеваний лошади (5=инт.соч.по 2,3 призн,)."
Разность количества положительных истинных и ложных решений (ТР-РР) при разных уровнях сходства Разность количества отрицательных истинных и ложных решений (ТМ-РМ) при разных уровнях сходства
Рисунок 16. Разности частотных распределений: положительных истинных и ложных решений; отрицательных истинных и ложных решений в СК-модели ШЕ5 с интегральным критерием «Семантический резонанс знаний»
Из этого рисунка может быть более наглядно, чем из рисунка 14, видно, что:
- количество истинно-отрицательных решений всегда больше чем ложно-отрицательных;
- количество ложно-положительных решений больше, чем истинно-положительных до при уровнях сходства от 0% до 5%;
- при уровнях сходства выше 5%;количество истинно-положительных решений всегда больше, чем ложно-положительных.
По всем этим причинам придадим СК-модели ШБ5 статус текущей модели (рисунок 17):
t) 5.6. Выбрать модель ^ сделать те текучиe^J
Задайте текущую стат. модель или модели, знаний-Статистические базы'
1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч выборки Г 2. PRC! - частный критерий: усл. вероятность i-го признака среди признаков объектов ¡-го класса
3. PRC2 - частный критерий: условная вероятность i-го признака у объектов ¡-го класса Базы знаний:
4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1
5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
tl. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами
7. INF4 - частный критерий: RCi (Return Gn Investment); вероятности из PRC1 * 16. Щ5 - 'устный крглерий: §©} jRfefürn Qb investment); вероятности из PRiSj
3. INF6 - частный критерий: разн.усл.м безусл.вероятностей; вероятности из PRC1
10.INF7 - частный критерий: разн усл.и Зезусл.вероятностей; вероятности из PRC2
Как задавать параметры синтеза моцепей В качестве текущей можно задать ¡¡юбчю из ранее расчитанных в режимах 3.1, 3.2, 3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3 5 рекомендуется выбрать в качестве текущей базу знаний INFI. Смысл моделей знаний, применяемы* в системе 'Зйаос-Х++:' раскрыт в публикациях; размещенных по адресам http://lc.kubagro.rii/aidos/index.htm. http://iwm twirpx.com/rile/793311/
Ok_J Cancel
Рисунок 17. Экранная форма режима 5.6 придания СК-модели статуса текущей
3. Решение различных задач с применением созданного
теста
С помощью наиболее достоверной из созданных СК-моделей могут быть решены задачи идентификации, принятия решений и исследования предметной области путем исследования ее модели.
3.1. Идентификация, диагностика, классификация и прогнозирование
Для решения задачи идентификации используется режим 4.1.2, работающий с текущей моделью.
Но в данной работе в качестве тестовой выборки мы используем обучающую выборку, распознавание которой во всех статистических и системно-когнитивных моделях было проведено сразу после их синтеза.
Результаты распознавания отображаются в 12 формах, из которых мы приведем лишь две (рисунок 18):
(¿) 4.1.3.1. Визуализация результатов распознавания в отношении: Объект-классы'. Текущая модель:
Распознаваемые объекты Интегральный критерий сходства: "Семантический резонанс зна
1 Кад | Иаим. объекта !'- | к« Наименование класса Сходство Ся^'Ствй
1 530101 ■ УЧАСТОК ПОРАЖЕНИЯМ толстой кишки 37.49...
2 534817 — 19 ТИП ПОРАЖЕНИЯ-простой 36,58... V —
3 530334 1 РЕЗУЛЬТАТ-жил 27,91..: «
4 5290409 24 КОНКРЕТНЫЙ КОД-адинамическая 27.99... •V
5 530255 21 ПОДТИП ПОРАЖЕНИЯ-н ! а 26,43...
В 528355 30 КОНКРЕТНЫЙ КОД-обтурация 25.77...
7 526802 20 ПОДТИП ПОРАЖЕНИЯ-механическ 23.18..:
8 529607 14 УЧАСТОК ПОРАЖЕНИЯ-слепой кишки 22,79... НИШ
Э 530051 23 КОНКРЕТНЫЙ ЮШШивщрйоп 15,84... ■1111 -
10 5299629 - «
11 528548 Интегральный критерий сходства: "Сумма знаний
12 527927 ! в« Наименование класса Сходство Ся^д'Ствй ■
13 520031 ■ " ПОДТИП ПОРАЖЕНИЯ-н } а 27.20... ■ШИШ
14 5291329 9 УЧАСТОК ПОРАЖЕНИЯ-матка 6.784... -
15 534917 14 УЧАСТОК ПОРАЖЕНИЯ-слепой кишки 6.388..:
16 530233 23 КОНКРЕТНЫЙ КО Дчп1из$ир(юп 6,261...
17 5301219 13 УЧАСТОК ПОРАЖЕНИЯ-поперечная толстая кишка 5.786...
18 526839 24 КОНКРЕТНЫЙ КОД-адинамическая 4,756... V
19 5290481 30 КОНКРЕТНЫЙ КОД-обтурация 3,725..:
20 532110 19 ТИП ПОРАЖЕНИЯ-простой 3,650...
21 530157 29 КОНКРЕТНЫЙ КОД-липома/сленевое заключение 3.609... 3
1 > н >
I Помощь | 9 классов | Классы с МахМи-1 УрСх | 9 класы в с МахМт УрСх | ВСЕ классы | ВКЛ. фильтр по класс.шкале ! | ВЫКЛ.фильтр п | ГраФ.диаграмма | |
1-1
Рисунок 18. Экранная форма режима пакетного распознавания
Г ,4. 1.3,2. Визуализация результатов распознавания в отношении: 'Класс-объекты . Текущая модель: 'НЧИЛ^Ш ~ 1)
1 Классы Интегральный критерий сходства: "Семантический резонанс знаний"
| »¿¡я ■ (ли'.' клэс.са -1 Код | Наименование объекта Сходство Ф Окод^гй; *
1 РЕЗУЛЬТАТ-жил 279 528019 53,7/ V
2 РЕЗУЛЬТАТ-умер 90 535381 51.82 V
3 РЕЗУЛЬТАТ эвтаназия 48 529821 48,1 £ V
4 ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ-Да 134 530294 45,0Е V ■11111111111111111111111111111111111111111
5 ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ-Нег 157 528996 45,0! V ■11111111111111111111111111111111111111111
6 УЧАСТОК П 0 РАЖЕ Н И Я -1д толстой кишки ... 295 533902 44.4Е V
7 УЧАСТОК ПОРАЖЕНИЯМ толстой кишки... 68 528931 43.11 V
8 УЧАСТОК ПОРАЖЕНИЯ-желуаок 285 530438 43.02... V
8 У ЧАСТ 0 К П 0 РАЖЕ Н И Я-матка 237 528178 42,11... -
10 УЧАСТОК ПОРАЖЕНИЯ-мочевой пузырь ... < II
11 УЧАСТОК ПОРАЖЕНИЯ-нет Интегральный критерий сходства: "Сумма знаний"
12 УЧАСТОК ПОРАЖЕНИЯ-повторная / ниох... Код | Наименование объекта | Сходство[| Ф.. | Сходство
13 УЧАСТОК ПОРАЖЕНИЯ-поперечная толст... 157 528996 5.501... V —
14 УЧАСТОК ПОРАЖЕНИЯ-слепой кишки ... 226 528931 5.000... V
15 УЧАСТОК ПОРАЖЕНИЯ-см кишечника ... 68 528931 4,883... V
16 ТИППОРАЖЕНИЯ-воспаление 279 520019 4,703... V
17 ТИППОРАЖЕНИЯ-другое 48 529821 4,617... V
19 ТИП ПОРАЖЕНИЯ-простой 285 530439 4.495... V
19 ТИП ПОРАЖЕНИЯ-удушение 70 530276 4.269... V
20 ПОДТИП ПОРАЖЕНИЯ-механическ 259 534718 4.241... V
21 ПОДТИП ПОРАЖЕНИЯ-н ! а — 216 529135 4,207... -
<1 1 Ч < ■ ►г
Помощь | Поиск объекта | | В конец БД | ¡реп 1 1 Следующая I 9 записей | Все за писи | Пе ¡ча
_ — - -II
Рисунок 19. Экранная форма режима пакетного распознавания
3.2. Поддержка принятия решений
3.2.1. Метафоры, используемые при интерпретации классификационных и описательных шкал и градаций в АСК-анализе
В АСК-анализе есть две метафоры (способа интерпретации) классификационных и описательных шкал и градаций: статичная и динамичная.
В статичной метафоре градации классификационных шкал рассматриваются как группы объектов (классы), описательные шкалы рассматриваются как свойства объектов, а градации описательных шкал как степень выраженности этих свойств (признаки).
Например: возраст людей может быть выражен в числовой классификационной шкале в годах, а может в порядковой: молодые, среднего возраста и старые (классы). У них есть свойство: «Вес», который может быть выражен в числовой описательной шкале, например в килограммах, а может быть указан в порядковой текстовой шкале, например: «Тяжелый», «Средний», «Легкий».
В динамичной метафоре градации классификационных шкал (классы) представляют собой прошлые, текущие и будущие состояния объекта управления, как желательные (целевые), так и нежелательные, описательные шкалы представляют собой факторы, воздействующие на объект управления, а градации - значения этих факторов. Классификационные шкалы позволяют описывать различные аспекты объекта управления, давать его количественную и качественную характеристику как в натуральном, так и в стоимостном выражении.
Задача поддержки принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы значениям факторов определяем будущее поведение объекта управления, то при принятии решений наоборот, по заданному будущему целевому состоянию объекта управления определяем значения факторов, с наибольшей силой способствующие и препятствующие переходу объекта управления в это целевое состояние.
3.2.2. Постановка задачи лечения как задачи управления
Рассмотрим классическую схему замкнутой системы управления (т.е. системы управления с обратной связью), представленную на рисунке 50:
ЦЕЛЬ УПРАВЛЕНИЯ
УПРАВЛЯЮЩАЯ СИСТЕМА:
ЗАДАЧИ:
1. Идентификация текущего состояния объекта управления.
2. Прогнозирование развития объекта управления и окружающй среды.
3. Выработка управляющего воздействия.
А ОБЪЕКТ УПРАВЛЕНИЯ
/ ИНФОРМАЦИЯ ОБРАТНОЙ СВЯЗИ о состоянии объекта управления ВНУТРЕННИЕ ФАКТОРЫ:
\
\ N 1. Факторы предыстории объекта управления.
УПРАВЛЯЮЩИЕ ФАКТОРЫ ) 2. Факторы текущего состояния объекта управления.
/
Рисунок 20. Цикл управления в замкнутой системе управления
В ветеринарии в систему управления входят следующие элементы: - объект управления - это организм животного;
- управляющая система - ветеринарная служба организации или конкретный ветеринар;
- информация обратной связи о состоянии объекта управления - это диагностическая информация о внешне наблюдаемой клинической картине и результаты объективных лабораторных исследований (симптоматика);
- управляющие факторы: лечебные воздействия, обычно с помощью медицинских препаратов и хирургического вмешательства;
- цели управления - перевод животного из состояния болезни в здоровое состояние.
3.2.3. Понятие нелинейности объекта управления в теории управления
Объект управления называется линейным, если результат совместного действия на него совокупности факторов равен сумме результатов влияния на него каждого из этих факторов по отдельности [13, 23, 24].
Это означает, что в линейном объекте управления факторы не взаимодействуют между собой внутри объекта управления, не образуют подсистем детерминации, т.е. по сути, являются не системой, а множеством факторов.
В нелинейных объектах управления факторы напротив образуют систему с определенным уровнем системности, с новыми эмерджентными (системными) свойствами, не сводящимися к свойствам факторов, рассматриваемым по отдельности.
Чем ниже уровень системности (эмерджентность) объекта управления, тем он как система ближе к множеству и к линейности.
Понятие линейных объектов является предельной абстракцией наподобие материальной математической точки и реально линейных объектов не существует. Но на практике нелинейностью объектов в ряде случаев можно обоснованно и корректно пренебречь, т.к. степень их нелинейности настолько мала, что ее неучет существенно не сказывается на адекватности модели и достоверности решаемых на ее основе задач прогнозирования, принятия решений и исследования моделируемого объекта.
Однако в ряде случаев уровень системности объекта управления настолько высок, что его нелинейностью еже пренебречь нельзя без существенной потери адекватности моделирования и решения перечисленных выше задач.
3.2.4. Проявление нелинейности объекта управления в ветеринарии
К подобным существенно нелинейным объектам относятся биологические объекты, такие, например, как организм животного.
Обычно подобными существенно нелинейными объектами пытаются с переменной степенью успешности управлять с использованием сла-
боформализованных подходов (на основе интуитивных экспертных оценок на основе опыта и профессиональной компетенции) без использования математического моделирования и компьютерных технологий, как говорят, «в режиме ручного управления».
Оправданием этого является то, что в настоящее время математическая теория управления нелинейными системами находится в процессе становления и является крайней сложной математически. Программные средства автоматизации для нелинейных систем управления практически отсутствуют, тем более с интерфейсом персонального уровня и в полном открытом бесплатном доступе [13].
Однако это не совсем так, вернее совсем не так потому, что существует АСК-анализ и его программный инструментарий - интеллектуальная система «Эйдос», которые еще в 2003 году были заявлены как средства создания систем управления сложными многофакторными активными нелинейными объектами [19].
В ветеринарии нелинейность объекта управления, в качестве которого выступает организм животного, проявляется в изменении действия лекарств, в частности антибиотиков, если они применяются сочетано, т.е. одно на фоне другого или других [27]. При этом действие каждого из них может усиливаться или ослабляться. В первом случае мы говорим о системной эффекте [23], а во втором об антисистемном [25]. В любом случае результат совместного действия лечебных факторов не является суммой их действия по отдельности, т.е. организм животного является нелинейной системой.
3.2.5. Когнитивные SWOT-диаграммы как решение задачи поддержки принятия управляющих решений
Задача поддержки принятия решений является обратной по отношению к задаче диагностики. Если при диагностике мы по набору симптомов и симптомокомплексов ставим диагноз, то при принятии решений, наоборот, по заданному диагнозу определяем наиболее характерные и не характерные для него симптомы и симптомокомплексы. Эту задачу позволяет решить автоматизированный когнитивный 8ШОТ-анализ [36], в выходных формах которого указано не просто наличие тех или иных симптомов и симптомокомплексов при некотором заболевании, но и указаны как наиболее характерные, так и наиболее нехарактерные из него, причем с количественной оценкой степени характерности и не характерности. Характерность симптома или симптомокомплекса означает, что его вероятность встречи при данном заболевании выше, чем в среднем по всем заболеваниям. Не характерность не означает отсутствия свойства, а означает, что его вероятность встречи при данном заболевании ниже, чем в среднем.
Причем эти количественные оценки даются с применением системно-когнитивной модели, созданной непосредственно на основе эмпириче-
ских данных, а не как традиционно на основе экспертных оценок неформа-лизуемым путем на основе опыта, интуиции и профессиональной компетенции. На рисунках 21 и 22 приведена SWOT-характеристика конкретного нозологического образа «Жил» в модели 1№3 с симптомокомплексами из 2 и 3 симптомов и без них.
SWOT-ДИАГРАММА КЛАССА: "[1] РЕЗУЛЬТАТ-ЖИЛ" В МОДЕЛИ: "1^3" Приложение: "АСК-диагностика жел.-кишечных заболеваний лошади (5=инт.соч.по 2,3 призн.)"
СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:
Шкала: [1] РЕЗУЛЬТАТ Класс: [1] жил
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-94012 СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ:
Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управ Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управ!
ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
[22] ПОДСИСТЕМЫ ИЗ 2 АЛЬТЕРНАТИВНЫХ ПРИЗНАКОВ [1714] 23,74
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-94
Форма создана: 11.09.2018-19:24:18 зи КРАСНОГО цвета. Толщина линии отражает степень вл (и СИНЕГО цвета. Толщина линии отражает степень влия!
Рисунок 21. SWOT-характеристика конкретного нозологического образа «Жил» в модели с симптомокомплексами из 2 и 3 симптомов
СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:
SWOT-ДИАГРАММА КЛАССА: "[1] РЕЗУЛЬТАТ-ЖИЛ" В МОДЕЛИ: "1^3"
Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)" Шкала: [1] РЕЗУЛЬТАТ Класс: [1] жил
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-86 СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ:
Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управ Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управ.
ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
[12] РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ [48] умеренные
1И КРАСНОГО цвета. Тоя и СИНЕГО цвета. Толщи
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-8
11.09.2018-19:29:42
Рисунок 22. SWOT-характеристика конкретного нозологического образа «Жил» в модели без симптомокомплексов
Из сравнения рисунков 21 и 22 видно, что симптомокомплексы действительно очень информативны, лишь отдельные симптомы не уступают им в этом отношении. Слева на SWOT-диаграмах мы видим наиболее характерные для данного заболевания симптомы (и симптомокомплексы), а справа наиболее нехарактерные.
3.3. Исследование моделируемой предметной области путем исследования ее модели
Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования.
В системе «Эйдос» есть довольно много возможностей для такого исследования, но мы рассмотрим лишь: результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети и когнитивные функции и некоторые другие.
3.3.1. Когнитивные диаграммы классов
Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 (рисунок 23 и 4.2.2.2 (рисунок 24):
Рисунок 23. Экранная форма расчета матриц сходства классов
в разных моделях
^jj 4.2.2.2. Результаты кластерно-конструктивного анализа классов, (С) Универ«
СЕМАНТИЧЕСКАЯ 20 СЕТЬ КЛАССОВ В МОДЕЛИ: "1^3"
КОНСТРУКТ КЛАССА: [1]-РЕЗУЛЬТАТ-жил
Приложение: АС К-диа гностика желудочно-кишечных заболеваний лошади (5=инт.)
Диапазон кодов классов: 1-31 Уровень сходства не менее: 40% Число отображаемых классов: 9999 С пособ выборки классов: МАХ и MIN у р.сх. Дата и время создания формы: 11.09.2018-20:26:53
Сходство и различие между классами по их признакам (градациям факторов, системе детерминации):
СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 24. Когнитивная диаграмма классов и конструкт со смысловыми полюсами: «Жил» «Умер»
На верхней когнитивной диаграмме показаны все связи между классами, а на нижней только те, модуль которых не менее 40%.
Отметим, что на когнитивных диаграммах, приведенных на рисунке 24, приведены количественные оценки сходства/различия классов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
3.3.2. Агломеративная когнитивная кластеризация классов
Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, примеры которых приведены на рисунке 24, но и в форме агло-меративных дендрограмм, полученных в результате когнитивной кластеризации [16, 17] (рисунок 25):_
Рисунок 25. Дендрограмма когнитивной кластеризации классов и график изменения межкластерных расстояний
3.3.3. Когнитивные диаграммы признаков
Эти диаграммы отражают сходство/различие признаков. Мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 26):
|° Д В -I
5J) 4.3.2.2. Результаты кластерно-та
НСТруКТИв!-
о анализа признаков признаков. (С) Универсальная
СЕМАНТИЧЕСКАЯ 20 СЕТЬ ПРИЗНАКОВ В МОДЕЛИ: "1^3"
КОНСТРУКТ ПРИЗНАКА: [1]-ХИРУРГИЯ-Да, у него была операция Приложение: АС К-диа гностика желудочно-кишечных заболеваний лошади (5=инт.)
Диапазон кодов признаков: 1 -86 Уровень сходства не менее: 82% Число отображаемых признаков:9999 С пособ выборки классов: МАХ н MIN ур.сх. Дата и время создания формы: 11,09,2018-20:36:16
Сходство и различие между признаками по их признакам (градациям факторов, системе детерминации):
СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии} отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 26. Когнитивная диаграмма симптомов
На 1-й когнитивной диаграмме показаны все связи между признаками, а на второй не менее по модулю чем 82%.
Отметим, что на когнитивных диаграммах, приведенных на рисунке 26, приведены количественные оценки сходства/различия признаков, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
3.3.4. Агломеративная когнитивная кластеризация признаков
_Рассмотрим рисунок 27:_
ДЕНДРОГРАММА КОГНИТИВНОМ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1ЫРЗ"
Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
ИЗМЕНЕНИЕ МЕЖКЛАСТЕРНЫХ РАССТОЯНИЙ ПРИ КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1МРЗ" Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
Номера кластеров ■
Рисунок 27. Дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний
На этом рисунке приведена агломеративная дендрограмма когнитивной кластеризации признаков и график изменения межкластерных расстояний, полученная на основе той же матрицы сходства симптомов по их диагностическому смыслу, что и в когнитивных диаграммах, примеры которых приведены на рисунке 26 [16, 17].
3.3.5. Нелокальные нейроны и нелокальные нейронные
сети
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [20] и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что: 1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети); 2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации; 3) нейросеть является нелокальной [29], как сейчас говорят «полносвязной». От фреймовой модели представления знаний модель системы «Эй-дос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них.
На рисунках 28, 29 и 30 приведены примеры нелокального нейрона, фрагмента однослойной нейронной сети и нейросеть полностью (без симп-томокомплексов):
4.4.10. Графическое отображение нелокальных нейронов в системе "Эйдос"^.«^^ Д . [ сз | И
Рисунок 28. Пример нелокального нейрона
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3"
Отображено: 33.76% наиболее значимых синаптических связей Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
Нейроны: {1,31}=>
Рецепторы: {1,86} =>
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
Копы нач.и кон.нейронов: 1-31 Копы нач.и кон.рецепторов: 1-86
Отображать не более: 1000 связей
Отображать связи с интенс.более: 0.000% от факт.мак
дТЛ вренГсо3зпИанияМ формы 9.2 [иТ-21-07:17
Рисунок 29. Фрагмент однослойной нейронной сети: 33,76% наиболее значимых связей
'-Н-Ч^-1
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3"
Отображено: 100.00% наиболее значимых синаптических связей Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
шжшшш
тштшш
шррщриии
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-')> а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
1Н.рецепторов: 1-86
Отображать не более: 999999 I Дата и время сознания формь
:: 0.000% от факт.мак!
«формативное™
11.09.2010-21:09:05
Рисунок 30. Однослойная нейронная сеть: 100% связей 3.3.6. Когнитивные функции
Когнитивные функции отражают в визуальной форме количество информации в градациях описательных шкал (признаках) о принадлежности объектов с этими признаками к градациям классификационных шкал (классам) [18] (рисунок 31):
I 4.5. Визуализация когнитивны* функций!
||рк||г^—I
Что такое когнитивная Функция:
Визуализация прямых, обратных, 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 'Зйдос". 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] Рлектронный ресурс]. - Краснодар: КубГАУ, 2011. -N±03(67). С. 240 - 282. - Шифр Информрегистра: 0421100012\0077., 2,688 у.п.л. - Режим доступа: ЬНр: //еккиЬаого. ги/2011 ¿ОЗ/рсКЛ 8.pdf Задайте нужный режим:
Визуализации когнитивных функций Скачать подборку публикаций по когнитивным Функциям
Л игератур. ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями
Рисунок 31. Экранная форма режима визуализации когнитивных функций
На рисунке 32 приведены примеры когнитивных функций:
ЕГ ¡=t V.
W
с
er
SS
OQ
to о
00
о ^
G.
CJJ U> U>
•b
10 l/5-{30.0000000, 60.8000000}
2/5-<60.8000000, 91.6000000}
1.4000000}
13 4/54122.4000000, 153.2000000}!
14 5/5-{153.2000000, 184.0000000}
5 l/5-<35.4000000, 36.4800000}
6 2/5-Í36.4800000, 37.5600000}
1^73/
8 4/5-{38.6400000, 39.7200000}
9 5/5-{39.7200000, 40.8000000}
I!
11 а
41
.¡II
1-РЕЗУЛЬТДТ
«¡1|1р »3?
3 35
ггээ § £
I
п
2 Лечилась без операции
чохснрс их в2 паз § £ 9 ?
1|1|=|| III¡31;
«II ¡¡¡1 н!ЫИН| |1|-|1? УрШйа
#11-3 3 "= 3333 =11 ?
|1 И
'НИ!
Рисунок 32. Примеры когнитивных функций
3.3.7. 3й интегральные когнитивные карты
Интегральная когнитивная карта (рисунок 33) представляет собой графическую форму, на которой объединена информация о связях между симптомами и диагнозами, а также о сходстве/различии диагнозов друг с другом по их симптоматике, и симптомов друг с другом по их диагностическому смыслу. Эта информация представлена в графических формах на рисунках: 24, 26, 29.
I = | В 1—^-1
с) 4.4.12. Отображение Парето-подмнож
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОЙ КОГНИТИВНОЙ КАРТЫ В МОДЕЛИ: "1^3" Отображено: 100.00% наиболее значимых синаптических связей Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
Нейроны: {1,31}=>
Рецепторы: {1,86} =>
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-')> а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
Копы нач.и кон.нейронов: 1-31 Копы нач.и кон.рецепторов: 1-86 Отображать не более: 31 нейронов Отображать не более: 86 рецепторов
Отображать не более: 999999 связей ^ Дат™!? в р е^со з п а н ня формы ""^09.2оТв*-21-40:16
ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОЙ КОГНИТИВНОЙ КАРТЫ В МОДЕЛИ: "1^3" Отображено: 10.46% наиболее значимых синаптических связей Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
Нейроны: {1,31} =>
Рецепторы: {1,86}=>
Связи между рецепторами и нейронами. Цвет линии обозначает знак связи ('+7-'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом
1Н.рецепторов: 1-86
Отображать не более: 999999 связей Отображать связи с интенс.более: 0.000% от фак
Дэта"« времГсо3зепан0ИяМ формы "У £ 0 5.2 ОТ* 21 -4 "
Рисунок 33. Примеры 3d интегральных когнитивных карт
Параметры, при которых получены эти изображения, приведены на них самих в легенде.
3.3.8. Когнитивные диаграммы содержательного сравнения классов
На когнитивной диаграмме, представленной на рисунке 24, мы видим лишь сами линии сходства/различия между классами по их симптоматике, но не видим, как они образуются. Для вывода информации вкладе конкретных симптомов в сходство/различие диагнозов предназначены когнитивные диаграммы классов (рисунок 34):
4.2,3, Когнитивные диаграммы классов. (С) Универсальная когнитивная аналитическая система "ЭИДОС-Х**
Ч-151^
Кл.шкала: [1] РЕЗУЛЬТАТ Класс: [1] жил Наименования признаков:
КОГНИТИВНАЯ ДИАГРАММА КЛАССОВ В МОДЕЛИ: "1^3"
Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.
Сход./разл.классов: -12.264%
Наименования признаков:
[4] ПУЛЬС [10]1/5-{30.0,60.8;
[7] ПЕРИФЕРИЧЕСКИМ ИМПУЛЬС [24] нормальный
[8] СЛИЗИСТЫЕ ОБОЛОЧКИ [30] нормальный
[18] УПАКОВАНО КЛЕТОЧНЫЙ ОБЪЕМ [70] 2/5-{33.4,43.8}
[9] ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ [35] <3 секунды
[7] ПЕРИФЕРИЧЕСКИЙ ИМПУЛЬС [27] уменьшенны
[9] ВРЕМЯ ЗАПОЛНЕНИЯ КАПИЛЛЯРОВ [36] >= 3 секун
Кл.шкала: [3] УЧАСТОК ПОРАЖЕНИЯ
Класс: [12] повторная / нисходящая ободочная кишка
Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-86
Сходство и различие между классами по их признакам с учетом сходства/различия между признаками (градациям факторов, системе детерминации):
[8] СЛИЗИСТЫЕ ОБОЛОЧКИ [30] нормальный
[12] РАСТЯЖЕНИЕ БРЮШНОЙ ПОЛОСТИ [48] умеренные
[20] ВНЕШНИИ ВИДАБДОМИНОЦЕНТЕЗА [80] серозная
[3] РЕКТАЛЬНАЯ ТЕМПЕРАТУРА
[7] 3/5-[37.6, 38.6}
[11] ПЕРИСТАЛЬТИКА [44] отсутствие
[14] НАЗОГАСТРАЛЬНЫЙ РЕФЛЮКС [54] нет
[4] ПУЛЬС [10] 1/5^30.0,60.8:
Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-86
Форма создана: 11.09.2018-21:50:33. Показано количество связей <=999
СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина ж РАЗЛИЧИЕ классов отображается линиями связи СИНЕГО цвета, толщина лини
|нн (приведенная в кружочке в центре линии) отражает степень сходства, (приведенная в кружочке в центре линии) отражает степень различия.
Рисунок 34. Пример когнитивной диаграммы содержательного сравнения классов
3.3.9. Когнитивные диаграммы содержательного сравнения признаков
На когнитивной диаграмме, представленной на рисунке 26, мы видим лишь сами линии сходства/различия между симптомами по их диагностическому смыслу, но не видим в чем этот диагностический смысл заключается. Диагностический смысл любого заданного симптома мы моем увидеть в SWOT-диаграмме признака (рисунок 34).
Для вывода информации вкладе различных диагнозов в сходство/различие симптомов по их диагностическому смыслу когнитивные диаграммы признаков (рисунок 35).
Пояснения по смыслу цвета и толщины линий приведены легенде диаграмм.
с) 4.4.9. Количес венный ЗМТОТ-анализ градаций факторо в средствами АСК-анализа. (С) Универсальная когнитивная а алитическая система "ЭЙДОС-Х+*"
SWOT-ДИAГPAMMA ЗНАЧЕНИЯ ФАКТОРА: "[4] ВОЗРАСТ-МОЛОДОЙ (<6 МЕСЯЦЕВ)" В МОДЕЛИ: "1^3"
Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)" Фактор: [2] ВОЗРАСТ Значение: [4] Молодой (<6 месяцев)
Состояния, которым данное знач.фактора СПОСОБСТВУЕТ:
[1] РЕЗУЛЬТАТ
[2] умер
[3] УЧАСТОК ПОРАЖЕНИЯ
[12] повторная / нисходящая ободочная кишка
[3] УЧАСТОК ПОРАЖЕНИЯ [10] мочевой пузырь
[2] ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ [4] Да
[6] КОНКРЕТНЫЙ КОД [30] обтурация
[3] УЧАСТОК ПОРАЖЕНИЯ [8] желудок
[4] ТИП ПОРАЖЕНИЯ [17] другое
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-31
Состояния, которым данное знач.фактора ПРЕПЯТСТВУЕТ:
[3] УЧАСТОК ПОРАЖЕНИЯ [6] 1д толстой кишки
[1] РЕЗУЛЬТАТ [3] эвтаназия
[1] РЕЗУЛЬТАТ [1] жил
[4] ТИП ПОРАЖЕНИЯ [19] удушение
[6] КОНКРЕТНЫЙ КОД
[29] липома / сленевое заключение
[6] КОНКРЕТНЫЙ КОД [28] крутизна I кручение
[4] ТИП ПОРАЖЕНИЯ [18] простой
Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-31
ВЛИЯНИЕ ДАННОГО ЗНАЧЕНИЯ ФАКТОРА НА ПЕРЕХОД ОБЪЕКТА УПРАВЛЕНИЯ В СОСТОЯНИЯ, СООТВЕТСТВУЮЩИЕ КЛАССАМ:
Состояния объекта управления (классы), переходу в которые данное значение фактора СПОСОБСТВУЕТ, отображается Л1 Состояния объекта управления (классы), переходу в которые данное значение фактора ПРЕПЯТСТВУЕТ, отображается ли
Форма создана: 11.03.2018-22:00:18 т связи КРАСНОГО цвета. Толщина линии отражает степень влияния. 1И связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 35. Пример SWOT-диаграммы симптома, раскрывающей его диагностический смысл
н^га1'
4.3.3. Ког(
Оп.шкала: [6] ХИРУРГИЯ Признак: [2] Лечилась без операции Наименования классов:
КОГНИТИВНАЯ ДИАГРАММА ПРИЗНАКОВ В МОДЕЛИ: "1^3" Приложение: "АСК-диагностика желудочно-кишечных заболеваний лошади (5=инт.)"
Сход./разл.признаков: 32.040%
Наименования классов:
[2] ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ [5] Нет
[1] РЕЗУЛЬТАТ
[2] умер
|] КОНКРЕТНЫЙ КОД !8] крутизна / кручение
[3] УЧАСТОК ПОРАЖЕНИЯ [15] см кишечника
[4] ТИП ПОРАЖЕНИЯ [19] удушение
[2] ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ [4] Да
Оп.шкала: [6] ВОЗРАСТ Признак: [3] Взрослая лошадь
Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-31
1Ь=2.3 3 6 1р=47.159 1с=0.624 [4] ТИП ПОРАЖЕНИЯ [18] простой
1Ь=2.146 1р=43.309 1с=8.176 [2] ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ [5] Нет
1Ь=1.429 1р=28.836 1с=0.410 [5] ПОДТИП ПОРАЖЕНИЯ [20] механическ
1Ь=1.246 1р=25.154 1с=0.102 [1] РЕЗУЛЬТАТ [1]жил
1Ь--2.838 У 1р=-57.279 Г 1с=-0.386 [2] ХИРУРГИЧЕСКОЕ ПОРАЖЕНИЕ [4] Да
1Ь=-3.969 1р=-80.11 о Г 1с=-0.616 [1] РЕЗУЛЬТАТ [2] умер
I 1Ь--4.098 У 1р=-82.713 П 1с=-1.151 [6] КОНКРЕТНЫЙ КОД [30] обтурация
Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-31
Сходство и различие между признаками по их классам с учетом сходства/различия между классами по системе детерминирующих их признаков:
СХОДСТВО признаков отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства. РАЗЛИЧИЕ признаков отображается линиями связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.
Форма создана: 11.09.2018-22:06:27. Показано количество связей <=99999
Рисунок 36. Пример когнитивной диаграммы содержательного сравнения симптомов по их диагностическому смыслу
3.3.10. Значимость описательных шкал и их градаций для решения задач классификации, степень сформированности классов, критерии качества СК-моделей
На рисунке 37 приведена Парето-кривая значимости градаций описательных шкал, т.е. симптомов, представляющая собой накопительную кривую их ценности для диагностики:
3.7.5. Значимость градаций
ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "INF3"
-4;
i
;
Градации
40.7 л (признаки) в
орядке y6i
(в%о
Значимость градации описательной шкалы (ее числового интервального или номинального текстового значения), т.е. признака, представляет ее полезность для решения задачи разделения объектов с этим признаком ло классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частных критериев, основанных на этом признаке, по классам в статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi. Inf2, Inf3, Inf4. Inf5. Inf6, Inf7 Иначе говоря некоторый признак явпяется тем более значимым чем больше он в среднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности к другим. Путь на отображаемый ф айл: C:\AIDOS-X\AID_DATAV\OOOa001\SYSTEMWParetoGrOpSc\ParetoGrOpSc-INF3.bmp
Рисунок 37. Парето-кривая ценности симптомов для диагностики
Из этого рисунка видно, что примерно 50% симптомов обеспечивают около 80% суммарной ценности системы симптомов для диагностики, а 50% суммарной ценности обеспечивается всего 20% наиболее ценных симптомов.
Ценность симптома для диагностики - это вариабельность количества информации, которое в нем содержится по всем диагнозам.
Ценность диагностической шкалы - это среднее от ценностей ее градаций.
Ценность модели для диагностики - это вариабельность количества информации, которое в ней содержится по всем диагнозам и симптомам.
4. Некоторые выводы, рекомендации и перспективы
В работах [14-17], а также в данной работе, описано решение различных научных и практических задач ветеринарии:
- задача 1: разработка и применение тестов и супертестов для ветеринарной и диагностики [14, 15];
- задача 2: агломеративная когнитивная кластеризация нозологических образов в ветеринарии [16];
- задача 3: агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии [17];
- задача 4: классификация антибиотиков по их характеристикам и принципу действия [данная работа];
- задача 5: классификация антибиотиков по их совместимости [данная работа].
Хотя решенных задач еще не так много, но уже достаточно для того, чтобы можно было обоснованно сделать вывод о возможности и целесообразности применения интеллектуальных технологий вообще и автоматизированного системно-когнитивного анализа (АСК-анализ) и системы «Эй-дос» в частности для проведения научных исследований и разработок диагностических методик и планов лечения в ветеринарии.
Необходимо отметить, что системно-когнитивные модели, разработанные в результаты этих исследований могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов, разрабатывать новые модели для других животных и классов заболеваний и т.п, и т.д. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.
Возникает закономерный вопрос о возможности решения и других задач ветеринарии (а также других наук) путем применения автоматизированного системно-когнитивного анализа.
По мнению автора с АСК-анализ и система «Эйдос» представляют собой новый инновационный, т.е. доведенный до возможности практического применения, метод искусственного интеллекта может рассматриваться как универсальный инструмент решения всех тех задач в области ветеринарии (и других наук), для решения которых используется естественный интеллект. Причем это инструмент, многократно увеличивающий возможности естественного интеллекта, примерно также, как микроскоп и телескоп многократно увеличивает возможности естественного зрения, естественно только в том случае, если оно есть. Поэтому, конечно, этих задач огромное количество.
В качестве перспектив можно было бы отметить в частности решение следующих задач ветеринарии с применением автоматизированного системно-когнитивного анализа:
- поддержка принятия решений по выбору антибактериальных препаратов в зависимости от характера микробной флоры;
- поддержка принятия решений по определению дозы и пути введения препаратов группы пенициллина;
- поддержка принятия решений по определению дозы и пути введения цефалоспоринов;
- поддержка принятия решений по выбору антибактериальных препаратов с учетом основных токсических и аллергических реакций на антибактериальные препараты;
- исследование взаимодействия антибактериальных препаратов с другими препаратами при приеме внутрь и поддержка принятия решений по выбору антибактериальных препаратов с учетом результатов этих исследований.
Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эй-дос», предлагается назвать «Когнитивной ветеринарией».
Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии4.
Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [3, 4]5 и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/ AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта, как решенные в данной статье, так и описанные в работах [14, 15, 16, 17], размещены как облачные Эйдос-приложения под номерами, соответственно: 127, 128, 100, 125, 126 и доступны всем желающим в режиме 1.3 системы «Эйдос».
Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эйдос-облаке под номером 129.
Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:
- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc .kubagro.ru/aidos/index .htm);
4 Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия» [21], «когнитивная экономика» [19, 22] и т.д.. Автор пытался развивать когнитивную математику [18] и когнитивную теорию управления [19], а также применять их в других областях науки и практики [10].
5 http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AIDOS-X.txt);
- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc .kubagro.ru/aidos/aidos02/PR-4 .htm) ;
- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумлен-ных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения;
- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их около 30 и 128, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);
- обеспечивает мультиязычную поддержку интерфейса на 44 языках. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;
- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5 .com/map3 .php).
Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнаружить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [26].
В заключение авторы выражают благодарность проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи.
Литература
1. Сайт: http://zoovetcnab.ru/antibiotiki
2. Сайт: http://www.zivotnovodstvo.ru/sovmestimost-atibiotikov/
3. 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.
4. Луценко Е.В., Подсистема агломеративной когнитивной кластеризации классов системы «Эйдос» ("Эйдос-кластер"). Пат. № 2012610135 РФ. Заяв. № 2011617962 РФ 26.10.2011. Опубл. От 10.01.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 у.п.л.
5. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная online среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.
6. Луценко Е.В., Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. -Режим доступа: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 у.п.л.
7. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - Режим доступа: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 у.п.л.
8. Луценко Е.В., Универсальная когнитивная аналитическая система "ЭЙДОС-X++". Пат. № 2012619610 РФ. Заявка № 2012617579 РФ от 10.09.2012. Зарегистр. 24.10.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 у.п.л.
9. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная online среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. - Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.6
10. Сайт проф.Е.В.Луценко: http://lc.kubagro.ru/
11. Луценко Е.В. Автоматизированный системно-когнитивный анализ в агрономии / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №02(136). С. 87 - 145. - IDA [article ID]: 1361802011. - Режим доступа: http://ej.kubagro.ru/2018/02/pdf/11 .pdf, 3,688 у.п.л.
12. Луценко Е.В. Инвариантное относительно объемов данных нечеткое муль-тиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. -IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01 .pdf, 2 у. п. л.
13. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных боль-
6 Актуальный вариант: http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf
шой размерности в системно-когнитивном анализе и интеллектуальной системе «Эй-дос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 164 -188. - IDA [article ID]: 0911307012. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.
14. Луценко Е.В. Автоматизированный системно-когнитивный анализ в ветеринарии (на примере разработки диагностических тестов) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №03(137). С. 143 - 196. - IDA [article ID]: 1371803031. - Режим доступа: http://ei.kubagro.ru/2018/03/pdf/31 .pdf, 3,375 у.п.л.
15. Луценко Е.В. Реализация тестов и супертестов для ветеринарной и медицинской диагностики в среде системы искусственного интеллекта «Эйдос-Х++» без программирования / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 167 - 207. - IDA [article ID]: 0891305014. - Режим доступа: http://ei.kubagro.ru/2013/05/pdf/14.pdf, 2,562 у.п.л.
16. Луценко Е.В. Агломеративная когнитивная кластеризация нозологических образов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №04(138). С. 122 - 139.
- IDA [article ID]: 1381804033. - Режим доступа: http://ei .kubagro.ru/2018/04/pdf/33.pdf, 1,125 у.п.л.
17. Луценко Е.В. Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №05(139). С. 99 - 116.
- IDA [article ID]: 1391805033. - Режим доступа: http://ei .kubagro.ru/2018/05/pdf/33.pdf, 1,125 у.п.л.
18. 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
19. 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
20. 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(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.
21. Луценко Е.В. Автоматизированный системно-когнитивный анализ в агрономии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №02(136). С. 87 - 145. - IDA [article ID]: 1361802011. - Режим доступа: http://ei.kubagro.ru/2018/02/pdf/11 .pdf, 3,688 у.п.л.
22. Абдикеев Н. М., Аверкин А. Н., Ефремова Н. А. Когнитивная экономика в эпоху инноваций // Вестник РЭА, 2010, № 1. - Режим доступа: https://www.rea.ru/ru/org/managements/izdcentr/PublishingImages/Pages/Archive/01 2010 . pdf
23. 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.
24. 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.
25. Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2005. - №03(011). С. 181 - 199. - IDA [article ID]: 0110503019. -Режим доступа: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 у.п.л.
26. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.
27. Луценко Е.В. Автоматизированный системно-когнитивный анализ антибиотиков в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №06(140). С. 171 - 220. - IDA [article ID]: 1401806033. - Режим доступа: http://ej .kubagro.ru/2018/06/pdf/33.pdf, 3,125 у.п.л.
28. 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.
29. 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(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ej.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.
References
1. Sajt: http://zoovetcnab.ru/antibiotiki
2. Sajt: http://www.zivotnovodstvo.ru/sovmestimost-atibiotikov/
3. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizaciya na osnove znanij (klaste-rizaciya v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Ku-banskogo gosudarstvennogo ag-rarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr In-formregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Re-zhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
4. Lucenko E.V., Podsistema aglomerativnoj kognitivnoj klasterizacii klassov sistemy' «E'j-dos» ("E'jdos-klaster"). Pat. № 2012610135 RF. Zayav. № 2011617962 RF 26.10.2011. Opubl. Ot 10.01.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012610135.jpg, 3,125 u.p.l.
5. Lucenko E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya on-line sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'jdos» / E.V. Lucenko // Politema-ticheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. - Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.
6. Lucenko E.V., Universal'naya avtomatizirovannaya sistema raspoznavaniya obrazov "E'JDOS". Svidetel'stvo RosAPO №940217. Zayav. № 940103. Opubl. 11.05.94. - Rezhim dostupa: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 u.p.l.
7. Lucenko E.V., Universal'naya kognitivnaya analiticheskaya sistema "E'JDOS". Pat. № 2003610986 RF. Zayav. № 2003610510 RF. Opubl. ot 22.04.2003. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 u.p.l.
8. Lucenko E.V., Universal'naya kognitivnaya analiticheskaya sistema "E'JDOS-X++". Pat. № 2012619610 RF. Zayavka № 2012617579 RF ot 10.09.2012. Zaregistr. 24.10.2012. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 u.p.l.
9. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda «E'j-dos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Zayavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. -Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.
10. Sajt prof.E.V.Lucenko: http://lc.kubagro.ru/
11. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v agronomii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2018. - №02(136). S. 87 - 145. - IDA [article ID]: 1361802011. -Rezhim dostupa: http://ej.kubagro.ru/2018/02/pdf/11.pdf, 3,688 u.p.l.
12. Lucenko E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'tiklassovoe obob-shhenie F-mery' dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.
13. Lucenko E.V. Modelirovanie slozhny'x mnogofaktorny'x nelinejny'x ob'ektov up-ravleniya na osnove fragmentirovanny'x zashumlenny'x e'mpiricheskix danny'x bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos-X++» / E.V. Lucenko, V.E. Korzhakov // Poli-tematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universi-teta (Nauchny'j zhurnal KubGAU)
[E'lektronny'j resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.
14. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v veterinarii (na primere razrabotki diagnosticheskix testov) / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. -№03(137). S. 143 - 196. - IDA [article ID]: 1371803031. - Rezhim dostupa: http://ej.kubagro.ru/2018/03/pdf/31.pdf, 3,375 u.p.l.
15. Lucenko E.V. Realizaciya testov i supertestov dlya veterinarnoj i medicinskoj diag-nostiki v srede sistemy' iskusstvennogo intellekta «E'jdos-X++» bez programmirovaniya / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo ag-rarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №05(089). S. 167 - 207. - IDA [article ID]: 0891305014. - Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/14.pdf, 2,562 u.p.l.
16. Lucenko E.V. Aglomerativnaya kognitivnaya klasterizaciya nozologicheskix obra-zov v veteri-narii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarst-vennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronnyj resurs]. - Krasnodar: Kub-GAU, 2018. - №04(138). S. 122 - 139. - IDA [article ID]: 1381804033. - Rezhim dostupa: http://ej.kubagro.ru/2018/04/pdf/33.pdf, 1,125 u.p.l.
17. Lucenko E.V. Aglomerativnaya kognitivnaya klasterizaciya simptomov i sindromov v veteri-narii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarst-vennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronnyj resurs]. - Krasnodar: Kub-GAU, 2018. - №05(139). S. 99 - 116. - IDA [article ID]: 1391805033. - Rezhim dostupa: http://ej.kubagro.ru/2018/05/pdf/33.pdf, 1,125 u.p.l.
18. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya interval'naya matematika. Mono-grafiya (nauch-noe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-7570. http://elibrary.ru/item.asp?id=21358220
19. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v upravlenii ak-tivny'mi ob'ektami (sistemnaya teoriya informacii i ee primenenie v issledovanii e'konomicheskix, social'no-psixologicheskix, texnologicheskix i organizacionno-texnicheskix sistem): Monografiya (nauchnoe izda-nie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
20. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretiruemy'e nejronny'e se-ti pryamogo scheta / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronnyj resurs]. - Krasno-dar: KubGAU, 2003. - №01(001). S. 79 - 91. -IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
21. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v agronomii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [Flektronny'j resurs]. -Krasnodar: KubGAU, 2018. - №02(136). S. 87 - 145. - IDA [article ID]: 1361802011. -Rezhim dostupa: http://ej.kubagro.ru/2018/02/pdf/11.pdf, 3,688 u.p.l.
22. Abdikeev N. M., Averkin A. N., Efremova N. A. Kognitivnaya e'konomika v e'poxu innovacij // Vestnik RFA, 2010, № 1. - Rezhim dostupa: https://www.rea.ru/ru/org/managements/izdcentr/PublishingImages/Pages/Archive/01_2010_. pdf
23. Lucenko E.V. Issledovanie vliyaniya podsistem razlichny'x urovnej ierarxii na e'merdzhent-ny'e svojstva sistemy' v celom s primeneniem ASK-analiza i intellektual'noj sistemy' "E'jdos" (mik-rostruktura sistemy' kak faktor upravleniya ee makrosvojstvami) /
E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosu-darstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2012. - №01(075). S. 638 - 680. - Shifr Informregistra: 0421200012\0025, IDA [article ID]: 0751201052. - Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/52.pdf, 2,688 u.p.l.
24. Lucenko E.V. Metodologicheskie aspekty' vy'yavleniya, predstavleniya i ispol'zovaniya znanij v ASK-analize i intellektual'noj sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lek-tronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal Kub-GAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №06(70). S. 233 - 280. - Shifr Informregi-stra: 0421100012\0197. -Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.
25. Lucenko E.V. ASK-analiz kak metod vy'yavleniya kognitivny'x funkcional'ny'x zavisimostej v mnogomerny'x zashumlenny'x fragmentirovanny'x danny'x / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2005. - №03(011). S. 181 - 199. - IDA [article ID]: 0110503019. - Rezhim dostupa: http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1,188 u.p.l.
26. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo poznaniya i avtomati-zirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespe-chivayushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. -Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [ar-ticle ID]: 1271703001. -Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
27. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz antibiotikov v vet-erina-rii / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarst-vennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: Kub-GAU, 2018. - №06(140). S. 171 - 220. - IDA [article ID]: 1401806033. - Rezhim dostupa: http://ej.kubagro.ru/2018/06/pdf/33.pdf, 3,125 u.p.l.
28. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lek-tronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal Kub-GAU) [E'lektronny'j 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.
29. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretiruemy'e nejronny'e se-ti pryamogo scheta / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasno-dar: KubGAU, 2003. - №01(001). S. 79 - 91. -IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
