Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) Текст научной статьи по специальности «Компьютерные и информационные науки»

Научный журнал КубГАУ, №112(08), 2015 года

1

УДК 303.732.4

01.00.00 Физико-математические науки

РЕШЕНИЕ ЗАДАЧ АМПЕЛОГРАФИИ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА ИЗОБРАЖЕНИЙ ЛИСТЬЕВ ПО ИХ ВНЕШНИМ КОНТУРАМ (ОБОБЩЕНИЕ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ)1

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com

Кубанский государственный аграрный университет, Краснодар, Россия

Бандык Дмитрий Константинович РИНЦ SPIN-код: 4072-8442 bandyk dd@mail.ru

Разработчик интеллектуальных систем, Белоруссия

Трошин Леонид Петрович д. б. н., профессор РИНЦ SPIN-код: 3386-2768 lptroshin@mail.ru

Кубанский государственный аграрный университет, Краснодар, Россия

В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения ряда задач ампелографии: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных сортов; 4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства -различия между ними, т.е. идентификация сорта по листу; 5) количественное определение сходства-различия сортов, т. е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов. Предлагается новый подход к оцифровке изображений листьев, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) отно-

UDC 303.732.4

Physical-Mathematical sciences

THE SOLUTION OF PROBLEMS OF AMPELOGRAPHY BY USING ASC-ANALYSIS OF IMAGES OF LEAVES IN THEIR EXTERNAL CONTOURS (GENERALIZATION, ABSTRACTION, CLASSIFICATION AND IDENTIFICATION)

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com

Kuban State Agrarian University, Krasnodar, Russia

Bandyk Dmitry Konstantinovich RSCI SPIN-code: 4072-8442 bandvk dd@mail.ru artificial intelligence developer, Belarus

Troshin Leonid Petrovich Dr.Sci.Biol., professor RSCI SPIN-код: 3386-2768 lptroshin@mail.ru

Kuban State Agrarian University, Krasnodar, Russia

The article discusses the use of automatic systemic-cognitive analysis (ASC-analysis), its mathematical model is a system of information theory and software tools - an intellectual system called "Eidos" for the solution of some problems of ampelography: 1) digitization of scanned images of the leaves and creation of their mathematical models; 2) the formation of mathematical models of specific leaves using the spreading of information theory; 3) the formation of models of generalized images of leaves of various sorts; 4) comparing an image of a specific leaf with a generalized image of the leaf of different varieties and finding a quantitative degree of similarity and differences between them, i.e. the identification of the varieties on the leaf; 5) quantification of the similarities and differences of the varieties, i.e. cluster-constructive analysis of generalized images of the leaves of different varieties. We propose a new approach to digitizing images of leaves, based on using the polar coordinate system, the center of gravity of the image and its external contour. Before scanning images we may use transformation to standardize the position of the still images, their sizes and rotation angle. Therefore, the results of digitization and ASC-analysis of the images might be invariant (independent) relatively to their position, size and rotation. The specific shape of the contour of the leaf is regarded as noise information on the variety,

1 Работа выполнена при финансовой поддержке РГНФ (проект РГНФ №13-02-00440а) и РФФИ (проект РФФИ №15-06-02569 А).

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

2

сительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т. е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНОКОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ), АМПЕЛОГАРФИЯ, ЛИСТЬЯ, СОРТ

including information about the true shape of the leaf of the class (clean signal) and noise, which distort this true form, originating in a random environment. Software tools of ASC-analysis - intellectual "Eidos" system ensures noise reduction and the selection of the signal about the true shape of the leaf of each variety on the basis of a number of noisy concrete examples of the leaves of this variety. This creates a one way form of a leaf of each class, free from their concrete implementations, i.e., the "Eidos" of these images (in the sense of Plato) is a prototype or archetype (in the Jung-ian sense) of the images

Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" INTELLIGENT SYSTEM, INPUT, DIGITIZATION OF IMAGES, SYNTHESIS OF GENERALIZED IMAGES, ABSTRACTION, CLASSIFICATION, COMPARISON SPECIFIC IMAGES WITH GENERIC (IDENTIFICATION), AMPELOGRAPHY, LEAVES, VARIETY

Раз он в море закинул невод, -Пришел невод с одною тиной. Он в другой раз закинул невод, Пришел невод с травой морскою. В третий раз закинул он невод, -Пришел невод с одною рыбкой, С непростою рыбкой, - золотою.

/А. С. Пушкин/

Данная статья может рассматриваться как продолжение серии работ [1, 2, 3, 4, 5], посвященных применению автоматизированного системнокогнитивного анализа (АСК-анализ) [12] и его программного инструментария - системы «Эйдос» [10, 11] для интеллектуальной обработки изображений, т.е. для их оцифровки, создания моделей конкретных изображений, формирования обобщенных изображений на основе ряда конкретных, относящихся к одной категории (классу), абстрагирования, идентификации, классификации обобщенных изображений и решения ряда других задач.

2 См. сайт автора АСК-анализа и системы «Эйдос»: http://lc.kubagro.ru/

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

3

В частности, в работе [3] описаны основы АСК-анализа изображений по их внешним контурам. В этих работах описаны возможности применения АСК-анализа для решения задачи синтеза обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.

Все это позволяет ставить и решать на практике ряд важных задач ампелографии:

1) оцифровка сканированных изображений листьев и создание их математических моделей;

2) формирование математических моделей конкретных листьев с применением теории информации;

3) формирование моделей обобщенных образов листьев различных сортов;

4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу;

5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов.

Предлагается новый подход к оцифровке изображений листьев ви-града, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

4

изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т.е. «Эй-дос» этих изображений (в смысле Платона [6]) - прототип или архетип (в смысле Юнга [18]) изображений.

Рассмотрим на конкретном численном примере решение сформулированных выше задач ампелографии в АСК-анализе и системе «Эйдос-Х++» версии от 24.10.2015 и выше. Отметим, что система «Эйдос» имеет программные интерфейсы с внешними источниками данных различных типов: текстовые данные в форме текстовых файлов и значений полей Excel-таблиц, табличными данными dbf, xls и xlsx форматов, графическими объектами, анализируемыми по пикселям и внешним контурам.

Для решения поставленных в статье задач используем программный интерфейс с изображениями, которые анализируются по их внешним контурам в полярной системе координат. Программная реализация данного интерфейса разработана Д.К. Бандык по алгоритму и постановке проф. Е.В. Луценко [3, 4].

Для этого скачаем систему «Эйдос» с сайта автора по ссылке: http://lc.kubagro.ru/aidos/ Aidos-X.htm и установим ее в соответствии с инструкцией на сайте.

Запишем в папку ..\AID_DATA\Inp_data\ сканированные изображения листьев (рисунок 1):

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

5

сЛЛ*га»Лга_1ША\1г1р1Ыа\" l*J IzJ I В В

i TWi i Размер |1Дата kWm i Тот 1 Размер jfJZtera

t [--] (г=й[Гк«вя 3 14 191 |g)[ManapK 2 2 23] гЭ [Преобража н*с 3 24 н1 * Г-1 1

Ir^ilfoicrop 3 15 0] )|Иикпн> 3 29 1] ‘illtmioo 3 29 2] fr^ilftecrop 3 29 4] 3 29 5] (сЦйвсгор 3 29 12] Й[йж:п>р 3 29 29] Qirtenn 3 14 2] 1£)[Пвин 3 14 3] £Э[ГЬвив 3 14 4] £|[1Ъвия 3 14 6] 11 11| 3 14 8] Й[1Ъ«5ия 3 14 11] 1£)[Пвии 3 14 12] 0Э[Г»«ии 3 14 13] £э[ГЪвип 3 14 15] (сЦГЬинд 3 14 22] £|[Гкввд 3 14 24] 03[ГЪта«1 3 14 25] EairVmMt 3 14 26] 1Ё)[ГЪвил 3 14 28] ЁЗ[Мо«ар>с2 2 1] £Э[Монарх2 2 2] £|[Мона(вс2 2 4] 0Э[Мо«ар>с2 2 5] ЁЭ[Монарх2 2 7] (^[Монарх 2 2 9] ЁЗ[Мо«ар>с2 2 11] [г^ГМонаох 2 2 13] (^| [Монарх 2 2 16] Q[M«Hpic2 2 18] PlifMoHagx 2 2 19] Ip) [Монаде 2 2 26] In) [Монаде 2 2 30] Гг^ГМокарк: 2 2 31] |[п)ГГЪеображение 3 24 4] In) [ГЬеображеше 3 24 5] 1г=)П~Ьеображснис 3 24 6] 1'рЭ ПЪеобоажегае 3 24 7] ^[Преображение 3 24 Э] F=h ГГЬеображт ate 3 24 11] [Преображение 3 24 13] [рЭ 1Т1зеображение 3 24 14] 1г=)П~Ьеображснис 3 24 15] [рЭ ПЪеобоажение 3 24 17] !^)[ГЬеображение 3 24 18] ГпЬГГЬеображение 3 24 21] Ipj) ПЪеображение 3 24 29] Q[IQ6«nei* 15] ^[Юбилей 18] ш 1Э ш la ш Ш is S S Виктор - 0006 jpg Вжгор - 0002 jpg Виктор - 0001 jpg Виктор - 0011 jpg Виктор - 0010 jpg Виктор - 0009 jpg Виктор - 0008 jpg Виктор - 0003 jpg Виктор - 0005 jpg

[Виктор 3 15 0] <папка> 24.10.2015 16:44 -]

c:\Aldos-X\AlD_DATA\J гх>_(^а\Вмстор 3 15 0>

Рисунок 1. Экранная форма, поясняющая расположение и структуру

исходных данных: сканированных изображений листьев различных сортов

Изображения листьев помещены в папки, имена которых содержат информацию о сорте и месторасположении куста (слева). Внутри каждой папки (справа) содержаться файлы сканированных изображений листьев с одного куста. Имена файлов состоят из имени сорта (класса) и номера листа на кусте и внутри папки (номер реализации). В рассматриваемом примере в обучающей выборке используются изображения 451 листа.

Затем запустим режим: 2.3.2.4. Оцифровка изображений по их внешним контурам (рисунок 2):

Рисунок 2. Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам

Вместо описания данного режима приведем на рисунке 3 Help данного режима:

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

6

2.3,2,4, Интерфейс ввода изображений в систему "Эйдос"

■1"ВЫа«|

Режим: "2. 3.2.4. интерфейс ввода изображений в систему |Гэйдос'Г1Г.

данный режим обеспечивает кодирование bmp и jpg изображений и формирование файла исходных данных lclrrp_data. xls'r, в котором каждое изображение представлено строкой, зтот файл исходных данных используется для формализации предметной области в универсальном программном интерфейсе системы о идо о с внешними базами данных (режим 2. 3.2.2, а затем для созданиями и верификации моделей в режиме 3.5.

исходные изображения в виде графических файлов должны находиться в папке: ...aid_data/inp_data/ и вложенных папках, имена папок и файлов изображении должны удовлетворять требованиям ms windows, т.е. могут включать русские символы и пробелы.

стандартизация размеров обеспечивает инвариантность моделей изображений относительно их размеров, стандартизация поворота обеспечивает инвариантность моделей изображений относительна их поворота, число точек контура, сипользуемых при анализе, чем оно меньше, тем меньше учитываются высокочастотные гармоники.

Б файле исходных данных irlnp_data.xlsx'r:

- значения 1-й колонки: наименования объектов обучающей выборки> формируются путем <склеивания> наименования папки с изображениями + < - > + имя файла изображения;

- значения 2-й колонки: <классы> - это имена файлов изображений;

- значения 3-й и 4-й колонок: Координаты X и У центров тяжести изображений;

- смысл колонок 5-й, б-й и 7-й: <площадь (пикс.)>, <среднее> и <ср.кв.откл.> ясен из их названий. Единственное, что нужно пояснить, что их значения берутся до стандартизации;

- значения последующих колонок имеют смысл длины радиус-вектора от центра тяжести изображения до его границы (контура) при соответствующем значении угла в полярной системе координат, число градаций угла не может быть меньшим 2 и большим 360, т.е. шаг изменения угла не должен быть меньше 1’ и больше 180'.

Изображения, полученные в результате анализа исходных изображений и заданных в диалоге преобразований, фактически использованные для оцифровки, сохраняются в папке ...AlD_DATA/lNP_DATA/out_data. на изображениях серым цветом показано исходное изображение, обведенное оранжевым контуром, а голубым контуром с желтыми точками показан итоговый повернутый и приведенный к заданному количеству градаций контур.

данный интерфейс описан в работе авторов:

Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал кубгду) [электронный ресурс]. - Краснодар: кубгду, 2015. -№06(110). с.138-167. - ida [article id]: 1101506009. - режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.

Луценко Е.В. , Бандык д.к. интерфейс ввода изображений в систему 1Гэйдос|Г (подсистема ойдос-img>). свид. Роспатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.per.№ 2С15618040, зарегистр. 29.07.2015.

Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал кубгду) [электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). с. 366 - 394.

- IDA [article ID]: 1111507019. - Режим доступа: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.

Рисунок 3. Help режима 2.3.2.4. Оцифровка изображений по их внешним контурам

В результате появляется главная экранная форма, отображающая процесс оцифровки сканов листьев, расположенных в виде файлов в указанных выше папках (рисунок 4):

Рисунок 4. Экранная форма с отображением стадии процесса исполнения оцифровки изображений листьев по их внешним контурам

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

7

Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в поддиректориях.

2. Находит контуры в этих графических файлах и их центры тяжести.

3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура при различных углах поворота радиуса-вектора (эта идея, а также математическая модель и алгоритм ее реализации предложены проф.Е. В. Луценко в 2014 и реализованы в модуле 2.3.2.4 и режиме 4.7 системы «Эйдос» в 2015 году ). При этом структура поддиректорий и имена файлов в папках: ..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Пример контурного изображения листа приведен ниже на рисунке 5:

Рисунок 5. Пример контурного изображения листа: c:\Aidos-X\AID_DATA\Out_data\Виктор 3 15 0\Виктор - 0010.jpg

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

8

4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержаться результаты оцифровки изображений. Кроме того, он формирует таблицу:

..\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4 (рисунок 3). Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 6:

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных "lnp_data.xls" в систему "Эйдос-х++" и формализации предметной области.

• Данный программный интерфейс обеспечивает автоматическое Формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS илиХ1_5Х-Файла с исходными данными приведенного ниже стандарта.

- Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP.XLSX. Файлы INP_DATA.XLS [INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /AIDOS-X/AID_DATA/lnp_data/ и имеют совершенно одинаковую структуру.

- 1-я строка этого Файла должна содержать наименования колонок на любом языке, вт. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.

- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 384 колонок.

- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут 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, вт.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

■ Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

- Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей выборки.

- В результате работы режима Формируется Файл INP_NAME.TXT стандарта М5 D05 (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и Формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных NP_DATA и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

- Распознаваемая выборка Формируется на основе Файла INP_RA5P аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле INP_RA5P были пустыми. Структура Файла INP_RA5P должна быть такая же, как INP_DATA, т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

—Принцип организации таблицы исходных данных:

Наименование объекта обучающей выборки Наименование 1-й классификационной шкапы Наименование 2-й классификационной шкалы Наименование t-й описательной шкапы Наименование 2-й описательной шкалы

1-й объект обучающей выборки Значение показателя Значение показателя Значение показатели Значение показателя

2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

Пк .....I Cancel

Рисунок 6. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

9

В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений:

Таблица 1. - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx

3

с результатами оцифровки изображений (фрагмент)

Объект обучающей выборки Класс X центра тяжести Y центра тяжести Площадь (пике.) Среднее Ср.кв.откл. 000“ 006” 012” 018” 024” 030” 036” 042” 048” 054”

Виктор 3 15 0 Виктор - 0001.jpg Виктор 523,2445679 521,0330811 482404 393,2113342 69,19618225 446,2554321 428,6207275 441,9306335 423,6690674 423,2148438 416,6568604 378,1242065 417,1932373 387,5145569 350,9679565

Виктор 3 15 0 Виктор - 0002.jpg Виктор 463,6763306 534,9440308 480475 389,7762756 64,97786713 436,8236694 431,7338867 425,2532043 398,93927 352,8468018 406,0336914 371,4310303 351,8190918 284,5681458 352,1831055

Виктор 3 15 0 Виктор - 0003.jpg Виктор 632,234375 994,9671631 408976 360,5716553 56,27049637 342,265625 361,2731628 365,8599548 335,7876892 325,0150452 388,7317505 394,6768188 391,7500916 391,8068848 364,6287842

Виктор 3 15 0 Виктор - 0005.jpg Виктор 635,8223267 881,7377319 508511 398,4096375 71,72354126 300,6777954 494,8920898 455,7449646 439,3427429 427,1205139 430,3794861 420,8408203 445,3179932 417,7479553 405,9719543

Виктор 3 15 0 Виктор - 0006.jpg Виктор 557,9083862 570,222229 617519 439,3176575 87,81826782 489,5922241 436,0014954 443,7912903 461,8765865 416,082428 317,8754578 471,9879761 451,2850952 432,1959839 434,9383545

Виктор 3 15 0 Виктор - 0008.jpg Виктор 676,0410767 807,7052002 433507 370,5643616 67,46533203 397,4590454 394,6254883 388,0694885 377,481842 391,3460388 397,9577332 350,5802307 401,9918213 385,7383423 359,2565613

Виктор 3 15 0 Виктор - 0009.jpg Виктор 433,3112488 547,6583252 424596 366,3581238 70,9707489 408,1889038 391,3783569 372,9037781 397,1635437 376,8017578 281,4615173 343,9929199 400,4103088 391,9475708 401,3368835

Виктор 315 0 Виктор - 0010.jpg Виктор 467,7971191 606,0999146 477726 390,7294312 79,01052094 363,7029114 358,7106934 436,2776184 428,8170776 420,0413513 394,8737793 403,4440918 367,9032593 396,2747498 360,5881042

Виктор 3 15 0 Виктор - 0011.jpg Виктор 342,2991943 424,8275757 267668 287,4330444 58,06876755 295,2008667 271,2206421 232,8447113 277,8988037 300,847229 291,4989319 283,6893005 259,4141541 249,5263672 240,894043

Виктор 3 291 Виктор - 0001.jpg Виктор 593,5333862 824,6776733 525618 410,4035339 87,95569611 428,9667358 389,1666565 361,8919983 315,9895325 400,7564697 391,0320129 371,0048523 381,8355408 362,0529785 367,5921631

Виктор 3 29 1 Виктор - 0002.jpg Виктор 463,8235168 619,7706299 524637 407,9255981 91,86073303 321,6765747 404,4400024 382,5765381 392,528656 371,5675964 368,7798157 343,5126648 346,8827515 353,2789917 333,636322

Виктор 3 291 Виктор - 0005.jpg Виктор 470,7612915 590,2772827 513857 403,4757996 89,64984894 369,7394104 398,9265442 424,1225281 447,7694092 415,2810364 424,1494446 375,4673462 395,4244995 371,3777771 343,3728333

Виктор 3 29 1 Виктор - 0006.jpg Виктор 415,2677307 486,3330078 365774 342,3085632 69,70681763 351,2329102 386,3783569 360,6523743 336,9033813 256,5539551 368,796875 360,7250366 364,5730286 346,9150391 362,2180481

Виктор 3 291 Виктор - 0007.jpg Виктор 499,401947 507,2240906 448550 376,4179077 74,05376434 346,598175 403,8171082 349,7533569 369,7028198 368,6205139 359,3067932 345,6821594 340,4638977 302,9772339 310,7262573

Виктор 3 29 1 Виктор - 0008.jpg Виктор 657,2131958 790,3666992 297655 313,317749 74,28656769 336,7868347 291,8986511 302,0653687 304,3720093 258,1635742 260,4212036 249,0335388 259,7867432 245,652359 236,2069397

Виктор 3 291 Виктор - 0009.jpg Виктор 619,0779419 931,0441284 608462 433,2292175 119,4068527 486,4220581 456,9454651 450,332428 447,8611755 396,3023682 261,5652771 348,1454773 401,031311 378,4005432 341,0581055

Виктор 3 29 1 Виктор - 0010.jpg Виктор 546,9959717 932,0869751 433513 372,4175415 84,6202774 337,5040283 334,8817139 413,7359009 382,7800598 373,5150452 369,1553345 341,7901611 345,8004761 336,6503906 291,7764282

Виктор 3 291 Виктор - 0011.jpg Виктор 619,9771118 809,6966553 404848 356,2887878 79,90909576 334,5230408 303,692749 380,8704834 375,0133667 368,5630798 355,4749146 339,8297119 349,6429443 333,3852234 318,4966736

Виктор 3 29 12 Виктор - 0001.jpg Виктор 590,8446655 952,7417603 483438 394,8630676 73,13809967 372,655426 360,1401672 417,8674316 396,6304626 380,0880737 387,8153687 394,3160095 381,561554 358,9353027 385,1485901

Виктор 3 29 12 Виктор - 0002.jpg Виктор 450,6937866 622,203125 478724 390,6043701 80,55039978 353,3063354 415,1230469 379,6791992 328,9533691 300,3338623 322,5346985 376,9624634 362,9313965 364,3795166 349,8681946

Виктор 3 29 12 Виктор - 0003.jpg Виктор 673,7693481 783,9578857 402998 351,7984619 76,95976257 245,7306519 268,2006836 363,7673645 363,1114807 373,7745972 362,9028015 367,0466919 336,8747864 318,5016479 355,7200317

Виктор 3 2912 Виктор - 0004.jpg Виктор 590,1437378 773,46698 491758 396,2037354 101,5990982 384,8562622 323,2063904 333,681366 472,0144043 424,0430603 414,9781494 361,4449768 370,2247314 294,4959412 314,283783

Виктор 3 29 12 Виктор - 0005.jpg Виктор 640,5181274 911,0059204 572600 427,5144348 88,50491333 453,9818726 391,1360474 360,4758301 357,0110474 462,6239929 449,3653564 455,2268372 424,8125305 440,4224854 405,2351074

Виктор 3 2912 Виктор - 0007.jpg Виктор 692,3566284 803,5777588 535907 417,565979 88,66092682 382,6433716 449,6510315 426,026825 402,5189514 304,0436707 463,61203 477,9230042 473,3843689 456,4207764 430,7846375

Виктор 3 29 12 Виктор - 0008.jpg Виктор 456,1778259 473,4581909 361263 330,5335693 91,74143219 283,8221741 257,7976074 406,21698 393,8699951 376,0920105 385,6194763 360,7241516 357,4578857 348,2941589 211,1568909

Виктор 3 2912 Виктор - 0009.jpg Виктор 682,218689 894,7062988 548440 418,0230103 81,63174438 477,2814026 449,7746887 455,7486572 440,8772888 472,2080383 407,4144592 341,1355286 477,6377258 458,5358582 447,9657288

Виктор 3 29 12 Виктор - 0010.jpg Виктор 392,515564 492,1979065 343759 326,5054932 72,21551514 330,4845886 278,0328369 346,1203613 385,4138485 358,0182495 329,204895 335,606781 355,2993469 325,5914307 307,7761536

Виктор 3 2912 Виктор - 0011.jpg Виктор 518,9729614 629,788208 413839 365,827301 77,82853699 363,5270996 324,3364563 363,0102844 331,3483887 311,0100098 365,043396 340,587616 342,5230713 342,5368347 344,9295959

Виктор 3 29 2 Виктор - 0001.jpg Виктор 560,4733276 941,4778442 607936 443,6492004 103,5622635 451,5266724 472,6282959 465,7443848 440,7058716 440,288147 433,0437012 411,276947 365,0295105 421,7051086 389,1829834

Виктор 3 29 2 Виктор - 0002.jpg Виктор 609,8459473 768,9053955 603990 440,1072083 113,470993 471,6540527 453,6575928 395,4820557 289,3733521 409,3139954 449,1319885 423,6271057 390,667511 381,4832764 370,0173035

Виктор 3 29 2 Виктор - 0003.jpg Виктор 379,5276489 521,5532227 365318 333,1146851 67,31273651 320,4723511 302,1658936 300,1471558 378,0170898 373,4999084 366,2297058 365,3847656 360,7017212 349,4018555 351,1902161

Виктор 3 29 2 Виктор - 0004.jpg Виктор 598,3536987 820,3204346 693449 471,4153748 69,21498871 470,6463318 531,0731812 507,2763672 494,9463806 502,7017517 458,7786865 479,4736328 451,5949097 448,8093872 487,4953003

Виктор 3 29 2 Виктор - 0005.jpg Виктор 682,2491455 809,8383789 388906 347,3416138 64,71369171 360,250885 391,4211426 360,1804199 310,5158997 431,1574402 408,6882019 411,1360779 393,2742004 403,9343262 366,9304504

Виктор 3 29 2 Виктор - 0006.jpg Виктор 660,5368042 809,8789673 420941 364,2625427 74,55214691 356,9632263 370,0369873 330,2770691 268,1703491 361,2759399 386,4644165 374,4862671 366,8322449 356,958313 350,2228088

Виктор 3 29 2 Виктор - 0007.jpg Виктор 534,171875 682,3366089 351571 335,0083923 49,40819931 316,8281555 298,0149841 376,634491 377,4717102 357,3623657 367,3293762 356,4994202 349,7758484 312,970459 359,4782715

Виктор 3 29 2 Виктор - 0008.jpg Виктор 574,8963623 921,7571411 373549 343,3984985 46,43451691 359,6037292 331,9269104 308,369751 384,5580135 371,7593689 368,7235718 380,6636963 363,8221436 375,9110413 340,6986694

Виктор 3 29 2 Виктор - 0009.jpg Виктор 465,2531128 617,6235352 380470 350,5062256 67,18574524 350,2471008 392,4342651 389,8349915 389,9543152 384,8918457 353,2229309 348,3614197 343,1314087 354,5135803 343,3906555

Виктор 3 29 28 Виктор - 0001.jpg Виктор 626,7283325 880,3054199 327754 320,7337036 62,90814209 337,2717285 282,3375549 246,2586517 341,5376587 344,7842407 342,8592224 328,1664124 326,7497559 303,4046631 276,0603943

Виктор 3 29 28 Виктор - 0002.jpg Виктор 650,2415771 711,2562866 325433 320,6549683 60,96237564 310,2593079 290,8876343 231,8336487 280,032196 349,7166138 337,4750671 323,5894775 325,695343 318,6702576 337,2988586

Виктор 3 29 28 Виктор - 0004.jpg Виктор 579,9335327 805,6219482 247520 281,2252808 51,71715927 316,5666809 309,8159485 269,5287781 335,2303162 311,774353 301,5292664 294,1050415 269,0037537 267,6140442 256,3849182

Виктор 3 29 28 Виктор - 0005.jpg Виктор 607,5668945 890,3296509 291076 302,8375854 59,09977722 328,4331665 302,5950012 313,8797913 374,2565918 357,0045471 331,3265381 328,2826843 308,420166 320,4788208 301,2437439

Виктор 3 29 28 Виктор - 0007.jpg Виктор 677,1339722 925,9922485 232806 269,4164429 53,76326752 258,3660278 234,1521301 258,0803223 311,2080688 306,0593262 310,5987854 318,1338806 296,2201843 286,344635 298,1679382

Виктор 3 29 28 Виктор - 0011.jpg Виктор 616,6850586 899,2592773 344183 328,2644958 59,93863678 344,315033 362,3385315 334,1732788 285,9340515 371,494812 337,7727661 296,026123 297,0446777 299,2314148 283,2171631

Виктор 3 29 4 Виктор - 0001.jpg Виктор 606,4054565 715,0643311 434451 369,7185669 55,68647003 379,0945435 378,2088928 344,6846008 272,9811401 389,293396 388,7172546 375,7704163 375,2796326 359,0265198 342,2460938

Виктор 3 29 4 Виктор - 0002.jpg Виктор 445,554657 482,3298645 429673 369,232605 53,84020233 346,9459839 314,2011414 396,6559448 420,7504883 419,9161072 408,1777344 381,3014221 396,2489929 360,8477173 341,943573

Виктор 3 29 4 Виктор - 0003.jpg Виктор 707,9902954 815,43927 502568 398,2993164 77,74208069 454,0097046 427,3917542 423,2714539 419,0417175 395,308197 341,8823242 384,4873047 362,5530701 326,506897 423,90625

Виктор 3 29 4 Виктор - 0004.jpg Виктор 510,7887878 585,6791382 562195 424,5055237 68,25497437 455,7113342 409,4564514 404,5953369 437,8117065 388,4398804 341,0710144 458,9129028 422,0057983 415,6956787 382,4390564

Виктор 3 29 4 Виктор - 0005.jpg Виктор 593,9522705 716,7180176 398898 357,9065552 73,74915314 272,5478821 417,3505554 423,84375 403,4903255 370,1506042 378,3056946 346,3435059 338,3120422 333,3859558 292,7991943

Виктор 3 29 4 Виктор - 0008.jpg Виктор 698,0639648 921,4464111 297687 306,40979 57,91362762 316,9360352 289,0553589 271,9873047 302,2776184 317,1077881 322,0924988 299,9106445 307,2668457 269,069519 300,0475464

Виктор 3 29 4 Виктор - 0009.jpg Виктор 664,6755981 769,4942017 402934 355,1698303 77,07043457 398,3244019 389,4889832 377,6803284 345,3218075 345,415863 317,7586365 328,7964478 300,4252014 285,6092834 338,9462891

Виктор 3 29 4 Виктор - 0010.jpg Виктор 531,1234131 765,5559692 456106 386,6596375 66,81906891 374,8765869 354,3604126 412,9196777 369,54422 331,5782166 437,5888062 455,1122742 438,8606262 437,490448 400,1334229

Виктор 3 29 5 Виктор-0001.jpg Виктор 439,4005737 627,2784424 472902 390,6695251 96,43011475 370,5994873 394,3128967 342,0954285 401,9396057 374,6410217 371,6243591 365,6492004 342,5470886 343,2986145 312,7777405

Виктор 3 29 5 Виктор - 0002.jpg Виктор 645,6802979 899,7141113 471931 389,186615 116,1831818 312,8198242 386,4778442 396,0682678 385,7276306 382,4833374 360,8699646 382,2608337 342,7536621 301,0145264 331,5599976

Виктор 3 29 5 Виктор - 0003.jpg Виктор 571,6980591 920,992981 358594 333,7295227 63,42856216 278,8019409 376,9311218 378,1475525 377,3982845 354,1276855 372,3753662 336,9768372 349,6517334 368,8071899 345,0365906

Виктор 3 29 5 Виктор - 0004.jpg Виктор 551,1141357 691,1914673 651274 450,8897095 116,8381119 424,3866272 464,9547729 497,3403625 453,1546326 444,5403442 433,4979553 399,5314636 396,6323547 412,9788818 376,7226257

Виктор 3 29 5 Виктор - 0005.jpg Виктор 606,0588379 749,8557739 322259 322,2477112 53,31393051 322,4411926 327,7771606 323,1014709 308,7902832 301,0552368 305,585144 289,5650635 265,9292603 302,7744141 308,321167

Виктор 3 29 5 Виктор - 0006.jpg Виктор 682,5899658 914,293335 543111 414,159668 72,92376709 419,4100647 452,4322815 414,4742432 435,2785335 408,4764404 397,8712769 412,7983093 388,4428711 397,6815186 380,6617737

Виктор 3 29 5 Виктор - 0007.jpg Виктор 633,043335 868,392395 323719 323,6980286 58,1888504 320,9566956 303,658905 290,8416748 216,6138916 329,4841003 342,5430298 334,3670959 317,9471741 325,7624817 285,1056824

Виктор 3 29 5 Виктор - 0008.jpg Виктор 506,678772 863,8125 486981 388,98349 89,8647995 415,8212585 419,1568604 399,5765076 394,234375 383,1049805 382,7765198 307,1016235 343,3950195 356,9129333 303,5799866

Виктор 3 29 5 Виктор - 0009.jpg Виктор 626,1612549 892,2865601 328556 315,8924866 62,27145004 309,3395691 331,7131042 289,7705383 241,2019043 338,3553162 327,2352905 303,5285645 272,6264343 286,1075439 269,31427

Виктор 3 29 5 Виктор -0011.jpg Виктор 684,2978516 703,1102905 521457 405,3574524 100,4844742 341,7023621 505,9740295 478,7391663 457,7483826 423,3872375 417,938385 369,4337158 383,8392944 424,2140808 403,1850281

Ливия 3 1411 Ливия - 0001.jpg Ливия 586,9448242 972,9381714 728830 489,5858154 73,33148956 416,5551758 350,5200195 529,7217407 492,9217834 488,9142456 493,1215515 460,03125 437,9947815 464,9390259 436,5434875

Ливия 3 1411 Ливия - 0002.jpg Ливия 553,1798096 863,0531616 728647 491,3340454 67,15380096 458,3201904 494,0587158 473,1747131 481,9155273 490,2264404 475,1873169 457,5681152 405,1865845 467,520874 431,9002075

Ливия 3 1411 Ливия - 0003.jpg Ливия 692,2357788 1073,763672 577084 428,4836731 82,93161011 379,2642822 412,5361938 391,3940125 362,0978394 317,7347107 339,0933533 326,0895386 306,9266663 340,2611694 359,0949402

Ливия 3 14 11 Ливия - 0004.jpg Ливия 662,6112061 809,2894287 686748 469,7015076 86,0825119 508,3888245 456,3894348 421,124115 519,378475 500,9056396 501,1140442 493,6938171 524,3781738 491,1394653 491,5592041

Ливия 3 1411 Ливия - 0005.jpg Ливия 638,1942139 859,2390747 934853 545,0018921 66,86242676 525,8058472 549,3508301 536,0849609 564,0614014 524,1518555 534,4320068 549,0548096 524,7216187 478,7082825 446,8504333

Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. АСК-анализ изображений. Главная экранная форма режима 2.3.2.2 приведена на рисунке 7, причем на ней показаны нужные параметры, которые формируются режимом 2.3.24 как параметры по умолчанию:

3 Это изображение сделано с разрешением 600 dpi и четко просматривается при масштабе 500%/ Полный файл исходных данных включает еще 3 таких страницы и здесь не приводится из-за их большой размерности, как и базы данных, создаваемые в системе «Эйдос» в результате его нормализации и импорта в систему.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

10

Рисунок 7. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла:

..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 8):

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

11

Рисунок 8. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологическая база данных) (рисунок 9):

Рисунок 9. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

12

Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.

Затем запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 10):

Рисунок 10. Экранная форма режима синтеза и верификации моделей

системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию.

В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

13

безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 11 и 12) [7]:

Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»

Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)

т

' Ргс1

Матрица условных и безусловных процентных распределений, расчитанная по числу признаков классов

Abs

Матрица абсолютных частот (матрица сопряженности, корреляционная матрица)

' Ргс2 ^

Матрица условных и безусловных процентных распределений, расчитанная по числу объектов классов

Системно-когнитивные модели (модели знаний) (многопараметрическая типизация)

Решение задач распознавания системной идентификации и прогнозирования

Решение задач управления (поддержки принятия решений)

Решение задач исследования предметной области путем исследования ее модели

Рисунок 11. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям4

4 Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

14

Рисунок 12. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 12 видно, что процесс синтеза и верификации моделей на выборке из 451 листа занял 16 минут 54 секунды.

Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 13 и 14).

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

15

f*) 4.1.3,6, Обобщ,форма по достов-моделей при разн.ккг.крит,, Текущая модель: 1NF1"

Наименование модели и частного критерия Интегральный критерий Вероятность правильной идентифка... Вероятность правильной'-' не иденшф... Средняя вероятно... правидьн.;:;- результата Дата получения результата Время получения результ..

Корреляция абс.частот с обр.... 98-152 4,382 51,267 24,10.2015 18:30:36

1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.ООО 50,000 24,10,2015 18:30:36

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Корреляция уел.отн.частот с о... 93,152 4,377 51,264 24,10,2015 18:31:55

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100.000 50,000 24.10,2015 18:31:55

3. PRC2 - частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 98,152 4,382 51,267 24,10.2015 18:33:14

3. PRC2 - частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 50,000 24,10,2015 18:33:14

4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 66,359 90.918 78,638 24.10,2015 18:34:31

4. INF1 - частный критерий: количество знаний по А.Харкевичу: в... Сумма знаний 33,549 76,080 79,815 24.10,2015 18:34:31

5. INF2 - частный критерий: количество знаний по А.Харкевичу: в... Семантический резонанс зна... 66.359 90.918 78,638 24,10.2015 18:35:48

5. INF2 - частный критерий: количество знаний по А.Харкевичу: в... Сумма знаний S3.549 76.144 79,846 24.10.2015 18:35:48

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 38,355 64.566 76,460 24,10,2015 18:37:08

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 38.355 64.566 76,460 24.10,2015 18:37:08

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 49,538 97,155 73.346 24,10.2015 18:38:26

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 93.531 56.926 75.228 24,10,2015 18:38:26

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 49.538 97,155 73.346 24,10,2015 18:39:40

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 93,531 56,847 75.189 24.10,2015 18:39:40

8. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 85,582 66,584 76,083 24,10.2015 18:40:57

8. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний 88.355 59.010 73,682 24,10,2015 18:40:58

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Семантический резонанс зна... 85.582 66.647 76.115 24.10.2015 18:42:14

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Сумма знаний 38.355 59.010 73,682 24.10,2015 18:42:14

Помощь

Рисунок 13. Оценка достоверности моделей с помощью непараметрической метрики, сходной с F-критерием

Помощь по режиму: 41.3.6: Виды прогнозов л принцип опрделения доаовенортя моделей в системе "Эйдас-Х+ +

режим: пометь по режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе "эйдос-х+ъ". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100% достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся (и именно за счет этого у модели и будет очень высокая достоверность идентификации). Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

ОТРИЬЦДТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Представим себе, что мы выбрасываем кубик с б гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

ИДЕАЛЬНЫЙ ПРОГНОЗ.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,

4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

РЕАЛЬНЫЙ ПРОГНОЗ.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Ясно, что этот критерий очень сходен по смыслу с известным F-критерием и сходные оценки качества моделей.

Рисунок 14. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

16

Из рисунка 13 мы видим, что наиболее достоверная модель, основанная на модифицированной мере Харкевича [7], дает среднюю достоверность определения сорта по листу около 80%, причем достоверность правильного отнесения листа к сорту, к которому он относится, составляет 83%, а правильного не отнесения к сорту, к которому он не относится -около 79%.

В соответствии со схемой, приведенной на рисунке 11, и информацией по достоверности моделей, приведенной на рисунке 13, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель INF2 в качестве текущей (рисунок 15) и проведем в ней пакетную идентификацию в режиме 4.1.2 (рисунок 16):

5.6, Выбрать модель \л сделать ее текущей

—Задайте текущую стат.модель или модель знаний--------------------------------------------------------------------

Статистические базы:

С 1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки С 2. PRC1 - частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса Г" 3. PRC2 - частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:

Г 4. INF1 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

(• |5. iNF2 - частный критерии: количество знаний по А.Харкевичу; вероятности из PRC2 j

Г G. INF3 - частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами

С 7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PRC1

С 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2

С 9. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вероятности из PRC1

С 10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; вероятности из PRC2

—Как задавать параметры синтеза моделей---------------------------------------------------------------------------

В качестве текущей можно задать любую из ранее расчиганных 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 INF1. Смысл моделей знаний, применяемых в системе 'Эйдос-Х++" раскрыт в публикациях, размещенных по адресам: http://lc.kubagro.ru/aiclos/index.htm, http://www.twirpx.com/file/793311 /

_______Дк________| Cancel j

-^.Стадии исполнения процессу-------------------------------------------------------------------

ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕЛИ "INF2" СТАТЫСАТЕКЫЩЕИ МОДЕЛИ.

1/7: Копирование в массивы итоговых строк и столбцов текущей модели - Готово

2/7: Перенос информации из текущей модели в базы классов: Classes и Gr_CISc- Г отово

3/7: Перенос информации из текущей модели в базы признаков: Attributes и GrjOpSc- Готово

4/7: Расчет значимости класс.и опис.шкал-Сброс сумматоров - Готово

5/7: Расчет значимости класс.и опис.шкал-Накопление данных- Готово

6/7: Расчет значимости класс.и опис.шкал-Дорасчет-Готово

7/7: Запись информации о текущей модели-Готово

Выбор модели знаний "INF211 в качестве текущей прошел успешно!!!

—Прогноз времени исполнения---------------------------------------------------------------------

Начало: 09:31:20 Окончание: 9:32:40

100* | Ok

Прошло: 0:01:28 Осталось: 0:00:00

Рисунок 15. Экранная форма, позволяющая задать любую модель

в качестве текущей

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

17

Рисунок 16. Экранная форма с отображением этапов и стадии решения задачи идентификации листьев с обобщенными образами листьев сортов

Из данной экранной формы видно, что идентификация 541 листа с

обобщенными образами листьев сортов выполнена за минуту 23 секунды. На рисунке 17 представлен пример результатов идентификации:

4.1.3,2, Визуализация результатов распознавания в отношении: "Класс-объекты", Текущая модель; "INF2" = I 0

| Классы | Интегральный критерий сходства: "Семантический резонанс знаний"

Наим, класса - ■I Код Наименование объекта | Сходство |ф.. | Сходство _1

КЛАСС-Виктор ... ■ 42 Виктор 3 29 28 Виктор • 0007.jpg ... 81,71... V

2 КЛАСС-Ливия ... 40 Виктор 3 29 28 Виктор • 0004.jpg ... 54,29... V

3 КЛАСС-Монарх ... 9 Виктор 3 15 0 Виктор - 0011 .jpg ... 45,43... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

4 КЛАСС-Преображение ... 41 Виктор 3 29 28 Виктор • 0005.jpg ... 40,91... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

5 КЛАСС-ЮбилейН .... 15 Виктор 3 29 1 Виктор • 0008.jpg ... 40,32... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

G КЛАСС-Юбилей Новочеркасска ю ... 39 Виктор 3 29 28 Виктор - 0002.jpg ... 35,90... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

25 Виктор 3 29 12 Виктор • 0008.jpg ... 35,65... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

397 Преображение 3 24 13 Преображение - 0011 jpg ... 31,48... IIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

35 Виктор 3 29 2 Виктор • 0007.jpg ... 28,78... V IIIIIIIIIIIIIIIIIIIIIIIIIIII ж

Л 1 ~ ~ no Г

Интегральный критерий сходства: "Сумма знаний"

■I Код Наименование объекта Сходство ф~ Сходство

■ Виктор 3 29 28 Виктор • 0007.jpg ... 55,40... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

40 Виктор 3 29 28 Виктор • 0004.jpg ... 49,55... V IIIIIIIIIIIII IIIIIIIIIIIIIIIIIIIIIIIIIIII II

9 Виктор 315 0 Виктор • 0011 .jpg ... 42,56... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

41 Виктор 3 29 28 Виктор - 0005.jpg ... 38,88... V IIIIIIIIIIIII llllllll IIIIIIIIIIIII

15 Виктор 3 29 1 Виктор • 0008.jpg ... 38,53... V llllllllllllllllllllllllllllllllllllll

39 Виктор 3 29 28 Виктор • 0002.jpg ... 35,04... V IIIIIIIIIIIII llllllll llllllll II

25 Виктор 3 29 12 Виктор • 0008.jpg ... 34,84... V llllllllllllllllllllllllllllllllll

397 Преображение 3 24 13 Преображение - 0011 jpg ... 31,55... IIIIIIIIIIIIIIIIIIIIIIIIIIII

35 Виктор 3 29 2 Виктор - 0007.jpg ... 29,43... V lllllllllllllllllllllllllllll ▼

ч 1 г <1 ► | r

III Помощь Поиск объекта В начало БД В конец БД Предьвдщая | Следующая | 9 записей | Все записи | Печать XLS Печать TXT Печать ALL |

1— 5 ^т

Рисунок 17. Экранная форма с результатами идентификации листьев с обобщенным образом листьев сорта «Виктор»

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

18

При идентификации возникают ошибки неидентификации и ложной идентификации, снижающие достоверность модели. По мнению авторов, основной причиной этих ошибок является наличие в обучающей выборке по каждому сорту винограда «нетипичных» для данного сорта листьев, значительно отличающихся по своей форме от основной массы листьев сорта (явление полиморфизма). По сути это связано с не очень высоким качеством обучающей выборки.

В системе «Эйдос» есть много различных средств повышения качества моделей, в частности за счет улучшения качества обучающей выборки. Для поиска и удаления из обучающей выборки данных по нетипичным листьям может быть применен режим: 3.7.6. Разделение классов на типичную и нетипичную части. Этот режим был реализован в DOS-версии системы «Эйдос» [8, 9, 10], а во время работы над статьей он был реализован в несколько усовершенствованном виде и в новой версии системы «Эйдос-Х++» [11]. На рисунке 18 приведена экранная форма этого режима:

Рисунок 18. Экранная форма режима: 3.7.6. Разделение классов на типичную и нетипичную части

Вместо описания данного режима приведем его Help (рисунок 19):

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

19

Рисунок 19. Help режима: 3.7.6. Разделение классов на типичную и нетипичную части

В результате работы данного режима при параметрах, приведенных в экранной форме на рисунке 18, из обучающей выборки было убрано 182 нетипичных изображения листьев из 541, в результате чего осталось 359 изображений (рисунок 20):

Рисунок 20. Экранная форма с результатами удаления нетипичных объектов обучающей выборки и рекомендациями по последующим действиям

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

20

Форма отчета по ним представлена в таблице 2:

Таблица 2. - Файл ..\AID_DATA\A0000001\System\Obj_err1.dbf с данными

об отбракованных нетипичных объектах обучающей выборки (фрагмент)

После выполнения рекомендуемых режимов (параметры их работы задаются программно, т.е. для пользователя «по умолчанию»), достоверность моделей возросла за счет уменьшения вариабельности формы листьев внутри классов, соответствующих сортам винограда (рисунок 21). Из этого рисунка мы видим, что достоверность моделей, созданных на основе улучшенных обучающих выборок, повышается по сравнению с исходной (рисунок 13) примерно на 4-5% за итерацию. Отметим, что режим 3.7.6 сделан таким образом, чтобы можно было удобно применять его итерационно, т.е. просто запускать его последовательно несколько раз подряд. При этом сначала повышается качество обучающей выборки путем удаления из нее нетипичных объектов, затем на основе улучшенной обучающей выборки создается новое приложение, а потом это новое приложение готовится для следующего применения режима 3.7.6 (см. рисунок 20).

5

Это изображение сделано с разрешением 600 dpi и четко просматривается при масштабе 500%/

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

21

4.1,3,6, Обобщ.форма по досгов.моделей при разн.икг.крит,, Текущая модель: TNF2"

I в 1ыз-Г

Наименование модели и частного критерия Интегральный критерий Вероятность правильной иденгифка... Вероятность правильной не иденгиф... Средняя вероятно... правильн... результата Дата получения результата Время получения результ..

Корреляция абс.частот с обр.... 98,607 11.347 54,977 25.10.2015 10 г 13 г26

1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 50,000 25.10,2015 10:18:26

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Корреляция уел.отн.частот с о... 98,607 11.122 54,865 25.10,2015 10:19:17

2. PRC1 • частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100.000 50,000 25.10,2015 10:19:17

3. PRC2 • частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 98,607 11.347 54,977 25.10.2015 10:20:05

3. PRC2 • частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 50,000 25.10,2015 10:20:05

4. INF1 • частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 89.136 77.272 83,204 25.10,2015 10:20:52

4. INF1 • частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 92.479 67.841 80.160 25.10,2015 10:20:52

5. INF2 • частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 89,136 77.272 83,204 25.10.2015 10:21141

5. INF2 • частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 92.479 67.841 80,160 25.10,2015 10:21:41

6. INF3 • частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 96,379 63.072 79,725 25.10,2015 10:22:29

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 96.379 63.072 79,725 25.10,2015 10:22:29

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 86.072 82.777 84,425 25.10.2015 10:23:17

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 99.443 51.485 75.464 25.10,2015 10:23:17

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 86.072 82.777 84,425 25.10.2015 10:24:06

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 99.443 51.485 75,464 25.10,2015 10:24:06

9. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Семантический резонанс зна... 94.708 62,113 78,410 25.10.2015 10:24:55

9. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Сумма знаний 96.379 54.455 75.417 25.10,2015 10:24:55

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Семантический резонанс зна... 94.708 62.113 78,410 25.10,2015 10:25:43

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Сумма знаний 96.379 54.455 75,417 25.10,2015 10:25:43

Помощь

Наименование модели и частного критерия Интегральный критерий Вероятность правильной иденгифка... Вероятность правильной не иденгиф... Средняя вероятно... правильн... результата Дата получения результата Время получения результ..

Корреляция абс.частот с обр.... 98,706 16.636 57,671 25.10.2015 10;53:25

1. ABS • частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 50,000 25.10,2015 10:53:25

2. PRC1 - частный критерий: уел. вероятность i-ro признака сред... Корреляция уел.отн.частот с о... 99.029 16,621 57,825 25.10,2015 10:54:08

2. PRC1 - частный критерий: уел. вероятность i-ro признака сред... Сумма уел.отн.частот по приз... 100.000 50,000 25.10,2015 о СП о со

3. PRC2 - частный критерий: условная вероятность i-ro признака... Корреляция уел.отн.частот с о... 98,706 16.636 57,671 25.10.2015 10;54:50

3. PRC2 - частный критерий: условная вероятность i-ro признака... Сумма уел.отн.частот по приз... 100.000 50,000 25.10,2015 10:54:50

4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 93.204 76,086 84,645 25.10,2015 10:55:32

4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 97.087 66.757 81.922 25.10,2015 10:55:32

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 93.204 76.086 84.645 25.10.2015 10:56:16

5. INF2 - частный критерий: количество знаний по А.Харкевичу; в... Сумма знаний 97.087 66.757 81,922 25.10,2015 10:56:16

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Семантический резонанс зна... 99.676 64.870 82,273 25.10,2015 10:56:58

6. INF3 - частный критерий: Хи-квадрат, разности между Фактич... Сумма знаний 99,676 64.870 82.273 25.10,2015 10:56:58

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... 95,793 80.886 88,339 25.10.2015 10:57:40

7. INF4 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 100.000 51.355 75,677 25.10,2015 10:57:40

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна.. 95.793 80.886 88,339 25.10.2015 10:58:22

8. INF5 - частный критерий: ROI (Return On Investment); вероятно... Сумма знаний 100.000 51.301 75,650 25.10,2015 10:58:22

9. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Семантический резонанс зна... 98,382 63.615 80,998 25.10.2015 о СП ю о

9. INF6 - частный критерий: разн.усл.и безусл.вероягностей; вер... Сумма знаний 99.676 53.600 76,638 25.10,2015 10:59:04

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Семантический резонанс зна... 98,382 63,615 80.998 25.10,2015 10:59:46

10.INF7 - частный критерий: разн.усл.и безусл.вероягностей; ве... Сумма знаний 99,676 53.600 76,638 25.10,2015 10:59:46

Помощь

Рисунок 21. Оценка достоверности моделей, созданных на основе обучающей выборки с удаленными данными о нетипичных листьях на 1-й и 2-й итерациях (непараметрическая метрика, сходная с F-критерием)

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

22

Из рисунка 21 видно, что в наилучшей модели, созданной на 2-й итерации (INF4), достоверность идентификации, определения сорта винограда по форме листа (контуру) составляет 95,8%, а достоверность неидентификации, т.е. определения сортов, к которым данный лист не относится -80,9%. Это уже результат, достаточно высокий для того, чтобы можно было говорить не только о научной новизне, но и о практической значимости предлагаемых подходов к решению некоторых сформулированных в работе важных задач ампелографии.

Отметим также, что дальнейшие итерации в данном случае проводить нецелесообразно, т.к. наиболее эффективны, т.е. наиболее сильно повышают достоверность моделей именно первые итерации, а последующие все в меньшей и меньшей степени, что вполне естественно, ведь достоверность модели асимптотически приближается к 100%. Кроме того, в результате проведенных итераций уже достигнут достаточный уровень достоверности. В исходной обучающей выборке был 541 объект (лист), в модели 1й итерации - 359, а в модели 2-й итерации - 309.

Выберем в качестве текущей модель INF4 2-й итерации и решим в ней сформулированные в начале статьи важные задачи ампелографии:

1) оцифровка сканированных изображений листьев и создание их математических моделей;

2) формирование математических моделей конкретных листьев с применением теории информации;

3) формирование моделей обобщенных образов листьев различных сортов;

4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу;

5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

23

Задача 1: оцифровка сканированных изображений листьев и создание их математических моделей.

Решение этой задачи подробно описано в начале статьи. Оцифровка сканированных изображений осуществляется модулем 2.3.2.4, программная реализация которого разработана Д.К. Бандык по постановке и алгоритму проф. Е.В. Луценко [3, 4]. В результате работы модуля создается Excel-файл обучающей выборки (таблица 1), в строках которого содержатся следующие количественные данные об изображениях, представляющие их математическую модель (при заданных параметрах оцифровки):

Колонки с 1-й по 7:

1. Объект обучающей выборки

2 . Класс

3 . X центра тяжести

4 . Y центра тяжести 5. Площадь (пикс.)

6 . Среднее 7. Ср.кв.откл.

Колонки с 8-й по 6 7:

8 . 000° 18 . 060° 28 . 120° 38. 180° 48 . 240° 58 . 300°

9. 006° 19 . 066° 29. 126° 39. 186° 49. 246° 59 . 306°

10 . 012° 20. 072° 30. 132° 40. 192° 50 . 252° 60. 312°

11. 018° 21. 078° 31. 138° 41. 198° 51 . 258° 61. 318°

12 . 024° 22 . 084° 32 . 144° 42 . 204° 52 . 264° 62 . 324°

13 . 030° 23 . 090° 33 . 150° 43 . 210° 53 . 270° 63 . 330°

14 . 036° 24 . 096° 34 . 156° 44 . 216° 54 . 276° 64 . 336°

15 . 042° 25 . 102° 35. 162° 45 . 222° 55 . 282° 65 . 342°

16 . 048° 26 . 108° 36. 168° 46 . 228° 56 . 288° 66 . 348°

17 . 054° 27 . 114° 37. 174° 47 . 234° 57 . 294° 67 . 354°

Задача 2: формирование математических моделей конкретных листьев с применением теории информации.

В результате выполнения режима 3.5. Синтез и верификация моделей, создано 3 статистических модели и 7 когнитивных моделей исследуемой предметной области. Наименования этих моделей приведены на рисунках 10 и 11, а подробнее они описаны в работе [7] и других работах, посвященных АСК-анализу6. В таблице 3 приведен фрагмент базы знаний модели INF1 на 2-й итерации:

6 Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

24

Таблица 3. - Модель INF1 на 2-й итерации (фрагмент) (миллибиты)

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

25

Всего в этой базе знаний 1800 записей, т.е. в таблице 3 приведено 3,8% ее объема.

Колонки приведенной базы знаний соответствуют классам, в данной работе это сорта винограда.

Строки приведенной базы знаний представляют собой градации описательных шкал, в данной работе это интервальные значения расстояний от центра тяжести листа до его контура в пикселях при различных углах поворота радиуса-вектора.

Значения на пересечениях строк и колонок в модели INF1 представляют собой количество информации по А.Харкевичу [ 7 ] в элементе контура о принадлежности листа с данным элементом контура к сорту винограда. Это количество информации выражено в миллибитах, т.е. тысячных долях бита с целью экономии знакомест в таблице (т.к. все значения начинаются с нуля и запятой). Знак и модуль значения отражают степень характерности или не характерности соответствующего элемента контура данному сорту винограда. Положительные значения говорят о том, что данный элемент контура характерен для данного сорта винограда, а отрицательные - о том, что он не характерен. Степень характерности или не характерности выражается модулем значения. Пустые значения соответствуют случаю, когда данный элемент контура листа никогда не встречался у данного сорта по данным обучающей выборки. Положительные значения получаются, если данный элемент контура встречается у данного сорта с более высокой вероятностью, чем в среднем по выборке, а отрицательные - если реже, чем в среднем по выборке. Подробнее о способах расчета статистических и когнитивных моделей в АСК-анализе и системе «Эйдос» можно ознакомится в работе [7] и других работах по этой проблематике.

Модели конкретных листьев с применением теории информации представляют собой количество информации в элементах их контуров о том, что эти листья принадлежат определенным сортам. В соответствии с подходом, развиваемым в АСК-анализе и реализованным в системе «Эй-дос», считается, что лист относится к тому сорту винограда, о принадлеж-

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

26

ности к которому в элементах его контура содержится больше всего информации, т.е. используется аддитивный интегральный критерий [7].

Задача 3: формирование моделей обобщенных образов листьев различных сортов.

Модели обобщенных образов листьев содержатся в когнитивных моделях INF1 - INF7, фрагмент одной из которых приведен в таблице 3. Такая модель представляет собой вектор, координатами которого являются частные критерии, в частности в моделях INF1 и INF2 - количество информации [7]. Синтез и верификация этих моделей осуществляется в режиме 3.5 и подробно описаны в данной работе выше. Наименования этих моделей приведены на рисунках 10 и 11, а подробнее они описаны в работе

[7] и других работах, посвященных АСК-анализу .

В системе «Эйдос» реализован режим 4.7. АСК-анализ изображений, в котором можно выполнить практически все операции по оцифровке и анализу изображений, описанные в данной статье (рисунок 22):

Рисунок 22. Экранная форма режима 4.7. АСК-анализ изображений

7 Ссылки на многие из них есть на сайте: http://lc.kubagro.ru/

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

27

Вместо описания возможностей данного режима приведем его Help (рисунок 23):

оцифровку и АСК-анализ изображений возможно проводить:

1. По всем пикселям изображений.

2. по внешним контурам изображений.

3. по внешним и внутренним контурам изображений.

в 1-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.3, в БД inp_data.dbf будут содержаться данные о всех пикселях изображения.

во 2-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.2, в базе данных lnp_data.xls будут содержаться данные о пикселях внешнего контура изображения.

в 3-м случае формируется база данных результатов оцифровки изображений в стандарте программного интерфейса с внешними БД 2.3.2.2, В базе данных Inp_data.xls будут содержаться данные о пикселях как внешнего, так и внутренних контуров изображения С'мульти контур1')

(режим в процессе разработки).

публикации по теме:

Луценко Е.в. системно-когнитивный подход к синтезу эффективного алфавита / Е.в. Луценко // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр информрегистра: 04209000120067, IDA [article ID]: 0510907005. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.

Луценко Е.в. системно-когнитиЕный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.в. Луценко // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 04209000120017, IDA [article ID]: 0460902010.

- Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.

Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.в. Луценко, д.к. Бандык // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167. - IDA [article id]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.

Луценко Е.В., Бандык Д.К. Интерфейс ввода изображений в систему "Эйдос" (Подсистема <Эйдос-шд>). Свид. Роспатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.per.№ 2015618040, зарегистр. 29.07.2015.

Луценко Е.в. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) /Е.в.Луценко // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 366 - 394. - IDA [article ID]: 1111507019. - Режим доступа: http://ej.Kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.

Рисунок 23. Help режима 4.7. АСК-анализ изображений

Экранная форма режима задания параметров формируемых и отображаемых информационных портретов приведена на рисунке 24:

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

28

Рисунок 24. Экранная форма режима задания параметров формируемых и отображаемых информационных портретов обобщенных изображений

На рисунке 25 в наглядной графической форме приведена система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев, а на рисунке 26 - изображений листьев, усредненных по сортам. На рисунке 25 цветом обозначена ценность градаций описательных шкал для решения задачи идентификации сорта по элементу контура листа. На верхнем рисунке выделена область наиболее значимых элементов контура, на нижнем указаны они все. Для каждого угла поворота радиус-вектора диапазон от минимального до максимального его значений для конкретных листьев обучающей выборки разделен на 30 интервальных значений - градаций (число интервальных значений задано в диалоге в режиме 2.3.2.2). Решение о количестве интервальных значений задается с учетом объема выборки таким образом, чтобы все они были достаточно широко представлены в ней (по крайней мере по 5 попаданий в каждое интервальное значение каждой шкалы) и не было вообще не представленных. Это значит, что при небольшом объеме выборки корректно выбирать небольшое количество интервальных значений и соответственно точность модели будет не очень высока, а при увеличении объема выборки есть возможность повысить точность модели. Это одно из следствий известной теоремы Котельникова об отсчетах.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

29

Рисунок 25. Система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

30

(£) Визуализация информационного портрета символа б системе ЭЙД0С-Х+ + ■ = 10

СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ

Стиль: "Прозрачная сеть (невод). Наиболее значимые градации описательных шкал закрашены цветом, соответствующим значимости"

Рисунок 26. Система описательных шкал и градаций, используемая для оцифровки усредненных по сортам изображений листьев

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

31

Из сравнения шкал и градаций на рисунках 25 и 26 хорошо видно, на сколько в действительности различаются изображения листьев сортов и на сколько велик уровень шума, вносящий вариабельность в формы конкретных листьев. Из рисунка 26 видно, что усредненная форма листьев разных сортов довольно мало отличается друг от друга. Ясно, что чем выше отличие (вариабельность) элементов усредненных контуров по сортам, тем выше ценность этих элементов для того, чтобы отличить эти сорта друг от друга.

На рисунках 27 приведены информационные портреты обобщенных образов листьев различных сортов, отраженных в модели, построенной по оригинальным изображениям листьев, с указанием количества информации в элементе контура о том, что лист с данным элементом принадлежит данному сорту. Количество информации в элементе контура кодируется цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым.

На рисунках 28 приведены информационные портреты обобщенных образов листьев различных сортов, отраженных в модели, построенной по усредненным по сортам изображениям листьев, с указанием количества информации в элементе контура о том, что лист с данным элементом принадлежит данному сорту. Количество информации в элементе контура кодируется цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым. Если считать, что форма контура реального листа является суммой идеальной формы листа того сорта, к которому относится лист, и белого шума, обусловленного случайным воздействием окружающей среды и вносящего искажение в эту форму, то можно предположить, что при усреднении формы листьев по сортам этот шум может быть подавлен. Поэтому исследование информационных портретов усредненной формы листьев разных сортов, приведенные ниже на рисунках 28.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

32

С) Визуализация и нф орма ц ион него портрета символа в системе ЭИДОС-Х-* * ~ ывсга'

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [1]-"КЛАСС-Викгор" В МОДЕЛИ: nlnf3"

Показаны градации со значимостью не менее 0% от максимальной. Модель: "Inf3"

Стиль: "Сеть (невод)" ..___________________________________________________________________________ Стиль: "Витраж”

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [2]-"КЛАСС-Ливиян В МОДЕЛИ: "Intt" Показаны градации со значимостью не менее 0% от максимальной. Модель: ”lnf3”

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [3]-"КЛАСС-Монарх" В МОДЕЛИ: "Inf3" Показаны градации со значимостью не менее 0% от максимальной. Модель: ”lnf3”

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

33

Рисунок 27. Информационные портреты обобщенных образов листьев

различных сортов (классов)

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

34

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

35

О вюукшза ия информац ■юнкогс портрета символа системе ЗЙЦОС-Х-и- ■ I-J,

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [4]-”КЛАСС-Преображением В МОДЕЛИ: Mlnf3' Показаны градации со значимостью не менее 0% от максимальной. Модель: "Inf3r

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [5]-мКЛАСС-Юбилей Ни В МОДЕЛИ: Tnf3” Показаны градации со значимостью не менее 0% от максимальной. Модель: "Inf3r

^__I

О Визуализация информации юге портрета символа в исгеме ЭЙДОС-Х-и- ■ ■ \тХ*тШгШЫ

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [6]-иКЛАСС-Юбилей Новочеркасска юм В МОДЕЛИ: "Inf3n Показаны градации со значимостью не менее 0% от максимальной. Модель: "lnf3M

Рисунок 28. Информационные портреты обобщенных образов листьев различных сортов, построенные по модели INF1 для усредненных по сортам изображений листьев

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

36

Из портретов на рисунках 27 и 28 видно какое количество информации о принадлежности листа к каждому из сортов содержат различные элементы контура, а из рисунок 25 и 26 видно в какой степени эти элементы контура вносят различие между сортами, т.е. в какой степени они вообще полезны для дифференциации листьев по сортам. По сути это означает, что на рисунках 27 и 28 в приведены редуцированные и нередуцированные когнитивные функции, причем редуцированные когнитивные функции по сути представляют нам вид идеального, т.е. не зашумленного случайным воздействием окружающей среды, контура листа каждого сорта [].

Различные варианты частных и интегральных критериев, применяемых в системе «Эйдос», описаны в работе [7] и других работах по АСК-анализу [12, 13]. По-видимому, при решении задачи идентификации сорта по образцу листа есть смысл обращать основное внимание именно на эти наиболее информативные и значимые элементы контуров. В системе «Эйдос» реализован фильтр, в результате действия которого на изображениях будут показаны лишь те элементы контуров изображений, которые имеют значимость не менее заданной пользователем величины. Примеры изображений шкал и информационных портретов с фильтром, ограничивающим отображение градаций шкал с низким уровнем значимости, приведены на рисунках 29 и 30:

Рисунок 29. Система описательных шкал и градаций, используемая для оцифровки оригинальных изображений листьев, с фильтром, ограничивающим отображение градаций шкал с низким уровнем значимости

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

37

Визуализация информационного портрета символа в системе ЭЙДОС-Х-*-*- Я 1> -

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [3]-"КЛАСС-Монарх" Б МОДЕЛИ: "Inf3"

Показаны градации со значимостью не менее 25% от максимальной. Модель: "lnf3M Стиль: "Сеть (невод)" _ ... - - Стиль: "Витраж"

Рисунок 30. Информационный портрет обобщенного образа листьев сорта «Монарх», построенная в модели INF3 на основе оригинальных изображений листьев, с фильтром, ограничивающим отображение градаций шкал, нехарактерных (малоинформативных) для данного сорта

Задача 4: сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу.

Результаты идентификации листьев с сортами и сортов с листьями приводятся в многочисленных выходных формах (рисунок 31), из которых мы в связи с ограниченностью объема работы приведем лишь первые 2 (рисунки 32 и 33):

4.1.3.1. Подробно наглядно: ’’Объект - классы"

4.1.3.2. Подробно наглядно: "Класс - объекты"

4.1.3.3. Итоги наглядно: "Объект-класс'

4.1.3.4. Итоги наглядно: 'Класс - объект"

4.1.3.5. Подробно сжато: "Объекты - классы"

4.1.3.6. Обобщ.форма по достов.моделей при разных интегральных крит.

4.1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.крит.

4.1.3.S. Стат.анализ результ. идент. по классам, моделям и инт.крит.

4.1.3.9. Распределения уровн. сходств а при разных моделях и инт.крит.

4.1.3.10. Достоверность идент. классов при разных моделях и инт.крит.

Рисунок 31. Выходные формы с результатами идентификации

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

38

Рисунок 32. Результаты идентификации листа с сортами

f 4.1.З.2. Визуализация результатов распознавания в отношении: "К/пасс-объекты". Текущая модель: "INF4"_^^— и т л

i Классы 1 Интегральный критерий сходства: "Семантический резонанс знаний"

I l I Наим, класса - HI Наименование объекта Сходство |ф... Сходство —

КЛАСС-Виктор ... ■ 23 В иктор 3 28 28 В иктор • 0007. jpg ... 83,72.. V

2 КЛАСС-Ливия ... 27 Виктор 3 29 28 Виктор • 0004.jpg ... 83,88... V

3 КЛАСС-Монарх ... 28 Виктор 3 29 28 Виктор • 0005.jpg ... 54,32... V

4 КЛАСС-Преображение ... 10 Виктор 3 29 1 Виктор - 0008.jpg .. 52,59... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

5 КЛАСС-ЮбилейН ... 28 Виктор 3 29 28 Виктор • 0002.jpg ... 47,10... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

6 КЛАСС-Юбилей Новочеркасска ю ... 5 Виктор 315 0 Виктор • 0011 .jpg ... 46,48... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

15 В иктор 3 29 12 В иктор • 0008. jpg ... 43,88... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

41 Виктор 3 29 5 Виктор • 0007.jpg ... 37,66... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

18 В иктор 3 29 12 В иктор • 0010. jpg .. 35,01... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII ... d

^1 1 л Г

Интегральный критерий сходства: "Сумма знаний"

HI Кщ Наименование объекта Сходство |ф... Сходство —

Н 28 Виктор 3 29 28 Виктор • 0007.jpg ... 42,12... V

27 Виктор 3 29 28 Виктор • 0004.jpg .. 33,85... V IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

28 Виктор 3 29 28 Виктор • 0005.jpg ... 28,89... V IIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

10 В иктор 3 29 1 В иктор • 0008. jpg ... 28,27... V IIIIIIIIIIIIIIIIIIIIIIIIIIIII ...

28 Виктор 3 29 28 Виктор • 0002.jpg ... 27,01... V IIIIIIIIIIIIIIIIIIIIIIIIIII ...

5 Виктор 315 0 Виктор • 0011 .jpg ... 26,75... V IIIIIIIIIIIIIIIIIIIIIIIIII ...

15 В иктор 3 29 12 В иктор • 0008. jpg ... 25,69... V IIIIIIIIIIIIIIIIIIIIIIIII ...

41 Виктор 3 29 5 Виктор • 0007.jpg ... 23,12... V IIIIIIIIIIIIIIIIIIIIIII ...

16 Виктор 3 29 12 Виктор • 0010.jpg ... 22,02... V IIIIIIIIIIIIIIIIIIIIII ... d

III < 1 1 > Г <1 1 ► Г

II Помощь Поиск объекта В начало БД В конец БД Предыдущая | Следующая Э записей Все записи | Печать XLS | Печать TXT | Печать ALL |

— т 4

Рисунок 33. Результаты идентификации сорта с листьями

Объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Мы

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

39

видим, что результаты весьма разумные и по своей достоверности соответствуют уровню эксперта в данной предметной области.

Задача 5: количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов (решение задачи классификации).

Для решения этой задачи необходимо запустить режим 4.2.2.1, а затем 4.2.2.2 (рисунки 31 и 32):

Рисунок 34. Экранная форма запуска режима кластерно-конструктивного анализа

При кластерном анализе наиболее сходные классы объединяются в группы, которые называются кластерами. При конструктивном анализе наиболее сильно отличающиеся кластеры рассматриваются как смысловые полюса конструкта, а другие классы и кластеры с промежуточными смысловыми градациями образуют смысловой спектр между полюсами. Кластерно-конструктивный анализ предложен проф. Е.В. Луценко в 2002 году как одна из возможностей АСК-анализа и реализован в системе «Эй-дос» [13].

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

40

Рисунок 35. Табличные экранные формы с результатами кластерноконструктивного анализа в когнитивных моделях INF1 и INF4

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

41

Из сравнения первой и второй экранных форм на рисунке 31 видно, что в более достоверной модели INF4 сорта сильнее отличаются друг от друга, что соответствует интуитивным ожиданиям экспертов, основанным на их опыте и профессиональной компетенции. На рисунке 33 результаты сравнения друг с другом обобщенных образов листьев различных сортов винограда приведены в графической форме когнитивной диаграммы:

обобщенных образов классов (идеальных листьев различных сортов)

Сорта «Виктор» и «Преображение» являются сибсами - родственниками, поэтому у них сходная форма листьев, что количественно строго объективно и определено системой непосредственно на основе эмпирических данных без участия экспертов. Сорт «Юбилей Новочеркасска» также является родственником этих двух сортов, однако его форма листьев отличается от них. Сорта Ливия и Монарх (ныне назван Хризолитом) получены путем скрещивания различных исходных форм винограда [14- 17], поэтому естественно, что они отличаются друг от друга по форме листьев.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

42

SWOT-анализ изображений. Характерные и нехарактерные признаки контуров обобщенных изображений листьев по сортам можно получить в форме таблиц и графических диаграмм в режиме 4.4.8 (рисунки 34):

Рисунок 37. Характерные и нехарактерные признаки контуров обобщенного изображения листьев по сорту «Юбилей Новочеркасска»

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

43

Парето-оптимизация (абстрагирование). Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут не учитываться в моделях практически без ущерба для их достоверности (рисунок 35):

([) 3.7.5. Значимость градаций описательных и ал (признаков) т

ПАРЕТТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "INF4"

2

о о.в

0.1 10.1 20.0 30.0 40.0 60.0 50.0 70.0 80.0 90.0 100.0

Градации описательных шкал (признаки) в порядке убывания значимости (в % от их количества)

Значимость градации описательной шкалы (ее числового интервального или номинального текстового значения), т.е. признака, представляет ее пол езность для решения задачи разделения объектов с этим признаком по классам. Количественной мерой значимости признака в системе "Эйдсс-Х++'’ является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частных критериев, основанных на этом признаке, по классам а статистических моделях: Abs. Prd. Ргс2 и в моделях знаний: Infl. Inf2,1rf3, Inf4.1nfS. InfS, Inf7. Иначе говоря некоторый признак является тем более значимым, чем больше он всреднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности кдругим.

Путь на отображаемый ф айл: С :\AI D О S-X'AIO_DATA,'A0D0 00 C3\SYSTEMWParetcGrOpSc\ParetoGrOpSc-INF4.bmp

Рисунок 38. Общий вид Парето-кривой ценности градаций описательных шкал (элементов контуров изображений) для идентификации конкретных изображений с обобщенными образами классов

Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно.

Выводы.

В статье рассмотрено применение автоматизированного системнокогнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для решения ряда задач ампелографии: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

44

листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных сортов; 4) сравнение образа конкретного листа с обобщенным образом листа разных сортов и определение количественной степени сходства-различия между ними, т.е. идентификация сорта по листу; 5) количественное определение сходства-различия сортов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных сортов. Предложен новый подход к оцифровке изображений листьев, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о сорте, включающее как информацию об истинной форме листа данного сорта (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа - интеллектуальная система «Эй-дос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого сорта на основе ряда зашумленных конкретных примеров листьев данного сорта. Таким образом создается один образ формы листа каждого сорта, независящий от их конкретных реализаций, т.е. «Эй-дос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений

Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных се-

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

45

тей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые ав-

8

тор ведет в настоящее время , а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). В частности с применением предложенной технологии АСК-анализа изображений по их контурам могут быть модифицированы лабораторные работы 1 и 3 [19].

Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (с открытыми исходными текстами) на сайте автора по адресу:

http://lc.kubagro.ru/aidos/ Aidos-X.htm.

Запланировано совершенствование методологии, технологии, методики и программного инструментария АСК-анализа изображений путем развития, применения и обобщения описанного в данной работе подхода, что будет способствовать развитию науки ампелографии и ее ветви - ампелологии.

Литература

1. Луценко Е.В. Системно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej .kubagro.ru/2009/02/pdf/10 .pdf, 1,188 у.п.л.

2. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.

8

http://lc.kubagro.ru/Mv training schedule.doc

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

46

3. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167. - IDA [article ID]: 1101506009. -Режим доступа: http://ej .kubagro.ru/2015/06/pdf/09.pdf. 1,875 у.п.л.

4. Луценко Е.В., Бандык Д.К. Интерфейс ввода изображений в систему "Эйдос" (Подсистема «Эйдос-img»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.рег.№ 2015618040, зарегистр. 29.07.2015. - Режим доступа:

http://lc.kubagro.ru/aidos/2015618040.ipg.

5. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа: http://ei.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.

6. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа: http://ei.kubagro.ru/2009/01/pdf/08.pdf, 0,625 у.п.л.

7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http: //ei .kubagro. ru/2013/08/pdf/58 .pdf, 1,562 у.п.л.

8. Луценко Е.В. Повышение адекватности спектрального анализа личности по астросоциотипам путем их разделения на типичную и нетипичную части / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №02(036). С. 153 - 174. - Шифр Информрегистра: 0420800012\0017, IDA [article ID]: 0360802010. - Режим доступа: http: //ei .kubagro. ru/2008/02/pdf/ 10.pdf, 1,375 у.п.л.

9. Луценко Е.В. Повышение качества моделей «knowledge management» путем разделения классов на типичную и нетипичную части / Е.В. Луценко, Е.А. Лебедев, В.Н. Лаптев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. -№10(054). С. 78 - 93. - Шифр Информрегистра: 0420900012\0109, IDA [article ID]: 0540910005. - Режим доступа: http://ei .kubagro.ru/2009/10/pdf/05 .pdf, 1 у.п.л.

10. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универ-

сальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 - 77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа:

http://ei.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

11. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ei .kubagro.ru/2012/09/pdf/25 .pdf, 1,812 у.п.л.

12. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой элек-

http://eJ.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

47

тронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf. 1,25 у.п.л.

13. 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. - Режим доступа: http://elibrary.ru/item.asp?id=18632909.

14. Трошин Л.П. Три сибса современного приватного виноградарства России и Украины / Л.П. Трошин, А.В. Милованов, Б. А. Маховицкий // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №05(089). С. 463 - 482. - IDA [article ID]: 0891305032. - Режим доступа: http://ej .kubagro.ru/2013/05/pdf/32.pdf, 1,25 у.п.л., им-пакт-фактор РИНЦ=0,5 81.

15. Трошин Л. П. Интерактивная ампелография - наука и педагогика // Интерактивная ампелография и селекция винограда. - Краснодар: КубГАУ, 2012. - С. 215-221.

16. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадеб-

ного виноградарства: перспективные сорта-генеты Кострикина-Крайнова / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. -№ 08 (102). - IDA [article ID]: 1021408036. - Режим доступа:

http://ei.kubagro.ru/2014/08/pdf/36.pdf, 2,188 у.п.л.

17. Трошин Л.П. Модернизация столового сортимента для фермерского и приусадеб-

ного виноградарства: перспективные сорта-генеты Кострикина-Павловского / Трошин Л.П. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - № 08 (102). - IDA [article ID]: 1021408037. - Режим досту-

m^py/ei .kubagro.ru/2014/08/pdf/37.pdf, 1,688 у.п.л.

18. Юнг К.Г. Человек и его символы. М., 1997.

19. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с. - Режим доступа: http://elibrary.ru/item.asp?id=21683721

20. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №01(095). С. 122 - 183. - IDA [article ID]: 0951401007. - Режим доступа: http://ei .kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.

Literatura

1. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie,

klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa:

http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.

2. Lucenko E.V. Sistemno-kognitivnyj podhod k sintezu jeffektivnogo alfavita / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU,

2009. - №07(051). S. 109 - 129. - Shifr Informregistra: 0420900012\0067, IDA [article ID]: 0510907005. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 u.p.l.

3. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko,

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

48

D. K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhumal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. - Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.

4. Lucenko E.V., Bandyk D.K. Interfejs vvoda izobrazhenij v sistemu "Jejdos" (Podsistema

«Jejdos-img»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2015614954 ot 11.06.2015, Gos.reg.№ 2015618040, zaregistr. 29.07.2015. - Rezhim dostupa:

http://lc.kubagro.ru/aidos/2015618040.jpg.

5. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih

pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. -№07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa:

http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.

6. Lucenko E.V. SK-analiz i sistema "Jejdos" v svete filosofii Platona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. -№01(045). S. 91 - 100. - Shifr Informregistra: 0420900012\0010, IDA [article ID]: 0450901008. -Rezhim dostupa: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 u.p.l.

7. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. -Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.

8. Lucenko E.V. Povyshenie adekvatnosti spektral'nogo analiza lichnosti po astrosociotipam putem ih razdelenija na tipichnuju i netipichnuju chasti / E.V. Lucenko, A.P. Trunev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2008. -№02(036). S. 153 - 174. - Shifr Informregistra: 0420800012\0017, IDA [article ID]: 0360802010. -Rezhim dostupa: http://ej.kubagro.ru/2008/02/pdf/10.pdf, 1,375 u.p.l.

9. Lucenko E.V. Povyshenie kachestva modelej «knowledge management» putem razdelenija klassov na tipichnuju i netipichnuju chasti / E.V. Lucenko, E.A. Lebedev, V.N. Laptev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. -№10(054). S. 78 - 93. - Shifr Informregistra: 0420900012\0109, IDA [article ID]: 0540910005. -Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/05.pdf, 1 u.p.l.

10. Lucenko E.V. 30 let sisteme «Jejdos» - odnoj iz starejshih otechestvennyh universal'nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nastojashhee vremja /

E. V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2009. - №10(054). S. 48 - 77. - Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. - Rezhim dostupa: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.

11. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2012. - №09(083). S. 328 - 356. - IDA [article ID]: 0831209025. - Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.

12. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №04(088). S. 340 - 359. - IDA [article ID]: 0881304022. - Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

http://ej.kubagro.ru/2015/08/pdf/64.pdf

Научный журнал КубГАУ, №112(08), 2015 года

49

13. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi

ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. - Rezhim dostupa:

http://elibrary.ru/item.asp?id=18632909.

14. Troshin L.P. Tri sibsa sovremennogo privatnogo vinogradarstva Rossii i Ukrainy / L.P. Troshin, A.V. Milovanov, B.A. Mahovickij // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №05(089). S. 463 - 482. - IDA [article ID]: 0891305032. -Rezhim dostupa: http://ej.kubagro.ru/2013/05/pdf/32.pdf, 1,25 u.p.l., impakt-faktor RINC=0,581.

15. Troshin L. P. Interaktivnaja ampelografija - nauka i pedagogika // Interaktivnaja ampelografija i selekcija vinograda. - Krasnodar: KubGAU, 2012. - S. 215-221.

16. Troshin L.P. Modernizacija stolovogo sortimenta dlja fermerskogo i priusadebnogo vinogradarstva: perspektivnye sorta-genety Kostrikina-Krajnova / Troshin L.P. // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - № 08 (102). -IDA [article ID]: 1021408036. - Rezhim dostupa: http://ej.kubagro.ru/2014/08/pdf/36.pdf, 2,188 u.p.l.

17. Troshin L.P. Modernizacija stolovogo sortimenta dlja fermerskogo i priusadebnogo

vinogradarstva: perspektivnye sorta-genety Kostrikina-Pavlovskogo / Troshin L.P. //

Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - № 08 (102). - IDA [article ID]: 1021408037. - Rezhim dostupa:http://ej.kubagro.ru/2014/08/pdf/37.pdf, 1,688 u.p.l.

18. Jung K.G. Chelovek i ego simvoly. M., 1997.

19. Lucenko E.V. Laboratornyj praktikum po intellektual'nym informacionnym sistemam: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd., pererab. i dop. - Krasnodar: KubGAU, 2006. - 318s. -Rezhim dostupa: http://elibrary.ru/item.asp?id=21683721

20. Lucenko E.V. Kognitivnye funkcii kak obobshhenie klassicheskogo ponjatija funkcional'noj zavisimosti na osnove teorii informacii v sistemnoj nechetkoj interval'noj matematike / E.V. Lucenko, A.I. Orlov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2014. - №01(095). S. 122 - 183. - IDA [article ID]: 0951401007. - Rezhim dostupa: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 u.p.l.

http://ej.kubagro.ru/2015/08/pdf/64.pdf