CC BY
83
УДК 004.8
05.00.00 Технические науки
РЕШЕНИЕ ЗАДАЧИ КЛАССИФИКАЦИИ БОЕПРИПАСОВ ПО ТИПАМ СТРЕЛКОВОГО НАРЕЗНОГО ОРУЖИЯ МЕТОДОМ АСК-АНАЛИЗА1
Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БРШ-код: 9523-7101 [email protected]
Кубанский государственный аграрный университет, Краснодар, Россия
Швец Сергей Владимирович д.ю.н., доцент РИНЦ БРШ-код:7584-8573 [email protected]
Кубанский государственный аграрный университет, Краснодар, Россия
Бандык Дмитрий Константинович Разработчик интеллектуальных систем РИНЦ БРШ-код: 4072-8442 bandyk [email protected]
Беларусь
В криминалистике существует актуальная задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия. Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос». В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели. Для решения этой задачи выполняются следующие этапы: 1) ввод в систему «Эй-дос» изображений боеприпасов и создание их математических моделей; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) повышение качества модели путем разделения классов на типичную и нетипичную части; 4) количественное определение сходства-
UDC 004.8
Technical sciences
HOW TO SOLVE THE TASK OF CLASSIFICATION OF TYPES OF RIFLE AMMUNITION USING THE METHOD OF ASC-ANALYSIS
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
Shvets Sergey Vladimirovich Dr.Sci. in Laws, associate professor RSCI SPIN-code: 7584-8573 [email protected]
Kuban State Agrarian University, Krasnodar, Russia
Bandyk Dmitry Konstantinovich Artificial intelligence systems developer RSCI SPIN-code: 4072-8442 bandyk [email protected] Belarus
In forensics there is an urgent need to determine the type of rifle (automatic, rifle, large caliber pistol) depending on its used ammunition found at the scene of the use of weapons. We offer a solution to this problem with the use of new innovative method of artificial intelligence: automated system-cognitive analysis (ASC-analysis) and its program toolkitwhich is a universal cognitive analytical system called "Eidos". In the "Eidos" system we have implemented the software interface that allows posting of images and identifying their outer contours. By multivariable typing, the system creates a systemic-cognitive model, the use of which, if the model is sufficiently accurate, may be helpful in solving problems of system identification, prediction, classification, decision support and research of the modeled object by studying its model. For this task the following stages: 1) input images of ammunitions into the "Eidos" system and creation of their mathematical models; 2) the synthesis and verification of the models of generalized images of ammunition for types of weapons based on the contour images of specific munitions (multiparameter typing); 3) improving the quality of the model by separating classes for typical and atypical parts; 4) quantification of the similarities-the differences between specific types of munitions with generic images of different types of ammunition of the weapon (system identification); 5) quantification of the similarity-differences between types of ammunition, i.e. cluster-constructive analysis of generalized images of ammunition. A numerical
1 Работа выполнена при финансовой поддержке РФФИ, проект №16-06-00114 А
различия конкретных типов боеприпасов с обоб- example is given. We also possess a successful experi-щенными образами боеприпасов различных типов ence of solving similar problems in other subject areas оружия (системная идентификация); 5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях
Ключевые слова: АСК-АНАЛИЗ, Keywords: ASC-ANALYSIS, AUTOMATED
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО- SYSTEM-COGNITIVE ANALYSIS,
КОГНИТИВНЫЙ АНАЛИЗ, INTELLIGENCE SYSTEM "EIDOS",
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», MULTIPARAMETER TYPING, SYSTEM МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, IDENTIFICATION, INTELLIGENT IMAGE СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ANALYSIS
ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ
СОДЕРЖАНИЕ
1. ПОСТАНОВКА ЗАДАЧИ..............................................................................................................................2
2. ТРАДИЦИОННЫЙ ПОДХОД И ЕГО НЕДОСТАТКИ...........................................................................3
3. ИДЕЯ РЕШЕНИЯ...........................................................................................................................................4
4. ИМЕЮЩИЙСЯ ЗАДЕЛ................................................................................................................................4
5. ЧИСЛЕННЫЙ ПРИМЕР..............................................................................................................................4
5.1. Исходные данные...................................................................................................................................4
5.2. Первая итерация......................................................................................................................................6
5.2.1. Автоматический ввод изображений боеприпасов в систему «Эйдос»....................................... 7
5.2.2. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация).......................................................................................................15
5.2.3. Повышение качества модели путем разделения классов на типичную и нетипичную части. 19
5.3. Вторая итерация....................................................................................................................................22
5.3.1. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация).......................................................................................................22
5.3.2. Количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация).......23
5.3.3. Количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.................................................................27
5.3.4. Исследование моделируемой предметной области путем исследования ее модели.................28
6. ВЫВОДЫ И РЕЗУЛЬТАТЫ.......................................................................................................................31
7. ПЕРСПЕКТИВЫ..........................................................................................................................................32
8. ПРИМЕНЕНИЕ.............................................................................................................................................32
ЛИТЕРАТУРА................................................................................................................................................... 32
1. Постановка задачи
В криминалистике существует актуальная задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия.
2. Традиционный подход и его недостатки
Традиционно установление типа и назначения боеприпаса при производстве криминалистических экспертиз осуществляется методом визуального сравнения патрона с имеющимися в распоряжении эксперта справочными данным. В качестве таких данных используют различные книги-справочники, а так же справочные коллекции патронов, созданные на базе Экспертно-криминалистического центра МВД России и региональных пу-легильзотек на базе экспертно-криминалистических подразделений МВД, ГУВД, УВД.
Кроме этого в рамках ведения криминалистических учетов в системе МВД России имеется автоматизированная информационно-справочная система «Выстрел» [1], содержащая информацию в том числе и о боеприпасах к пистолетам, револьверам, пистолетам-пулеметам, винтовкам, карабинам, автоматам, охотничьим ружьям. Поиск боеприпасов в данной системе осуществляется по 30 количественным признакам.
К недостаткам традиционного подхода можно отнести следующее.
а) в случае ручного сравнения с использованием справочных и натурных фондов:
- значительные временные затраты;
- зависимость от опыта эксперта;
- зависимость от имеющихся в наличии специализированных книг и образцов боеприпасов;
б) в случае автоматизированного сравнения с использованием АИСС «Выстрел»:
- необходимость проводить ручные измерения патронов с помощью измерительных инструментов для получения количественных значений критериев для конкретного боеприпаса;
- ограниченная доступность (невозможность использования данной АИСС вне рамок системы МВД РФ и, как следствие, невозможность использования данной АИСС в учебном и научно-исследовательском процессе для подготовки специалистов в области информатики и юриспруденции в гражданских ВУЗах);
- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных с учетом потребностей конкретного пользователя (эксперта);
- отсутствие возможности производства исследований в моделируемой области;
- невозможность увеличения количества критериев для повышения достоверности модели сравнении.
Данная статья посвящена преодолению этих недостатков путем применения для решения поставленной задачи универсальной когнитивной аналитической системы «Эйдос».
3. Идея решения
Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос» [3]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [4]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [5]. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели [6, 7].
4. Имеющийся задел
У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [2-12].
5. Численный пример 5.1. Исходные данные
В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения боеприпасов (в снаряженном состоянии) стрелкового нарез-
ного оружия различных типов: автоматов (рисунок 1), винтовок (рисунок 2), оружия крупного калибра (рисунок 3) и пистолетов (рисунок 4) производства различных стран:
Рисунок 1. Боеприпасы автоматов
Рисунок 2. Боеприпасы винтовок
Рисунок 3. Боеприпасы оружия крупного калибра
Рисунок 4. Боеприпасы пистолетов 5.2. Первая итерация
Для решения поставленной задачи выполним следующие этапы: 1) ввод в систему «Эйдос» изображений боеприпасов и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типичную и нетипичную части;
4) количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация);
5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.
5.2.1. Автоматический ввод изображений боеприпасов в систему «Эйдос»
Запишем в папку ..\AID_DATA\Inp_data\ сканированные изображения боеприпасов (рисунок 5):
Total Commander 7.02а - SamLab.ws
I Eg 1 I- И I'
Файлы Выделение Навигация Сеть FTP Вид Вкладки Конфигурация Инструменты Запуск Оптимизация Папки
Справка
о | ® | г т I ш is||$ и # ;8i 1 .■ ЦТ] ■ - | а й а м й ö | » а Л Г.*; I гз üb I м I Ы
[-с] т [_нет_1 115 МО 544 KB из 157 286 396 KB свобод § В ¡НН * LuerJ 115 340 040 KB из 157 28G 396 KB свобод ЩЭ
с: \Aictos-X\A] D_DATA\lnp_data V Инн
Тип
Размер
"BE Ic^dcB-XWD.DATAMnp.dJaWTOHaTbiV -
Размер
вв
It [..) lnp_nameAJI tu
0[Двгома7ы] ;_^]lnp_data dbf
¡^[Винтовки] |пр_пате 1x1
_;[K('VTtt-»* K.jiv^'] "'пц; (:<;!; <: у I xlsx
_¡) [ТЪлстолеты] ^¡np_daia xlsx
-■; 'гр Ciivi dbf
_Cclumn Names arx _]rp_name arx
I] u
с :\Aidos-X4Aä D_DATA\lnp_dataVte томаты>
[ F3 Цдосмшр Ii F4 Правка ! [ F5 Кдпцдование 11F6 Первиииие! I_F7 Каталог F8 Удаление AII+F4 Выход
Дата
ALL
|^Г|Аб гомат-011 jpg ЩАв тома т-019 jpg
^"¡Автомат-ОВД ¡рд!^Авгомат-012 ¡рд^Автомат-020 jpg Д]Двтонаг-005 jpg ¿1]Двгоиат-013 jpg Щ Ав тома т-021 jpg Ш]Автомат-006 jpg 11^]Ав гомат-014 jpg ■] Ав томат-022 jpg Автомаг-007 jpg Щ Ав гомат-015 jpg Щ Автомат-023 jpg Автомат-008 jpg @]]Ав гомат-016 jpg Д]Автомаг-ООЭ jpg ¿]]Ав гомат-017 jpg ¡3j Автомаг-010 jpg Щ Ав гомат-018 jpg
Рисунок 5. Экранная форма, поясняющая расположение и структуру исходных данных: сканированных изображений боеприпасов
оружия различных типов
Изображения боеприпасов помещены в папки, имена которых содержат информацию о типе оружия (слева). Внутри каждой папки (справа) содержатся файлы сканированных изображений боеприпасов оружия соответствующего типа. Имена файлов состоят из имени типа оружия и номера файла внутри папки (номер реализации). В рассматриваемом
примере в обучающей выборке используются изображения 64 конкретных видов боеприпасов.
Затем запустим режим: 2.3.2.4. «Оцифровка изображений по их внешним контурам» (рисунок 6). Вместо описания данного режима приведем на рисунке 7 его Help.
В результате появляется главная экранная форма, отображающая процесс оцифровки сканов боеприпасов, расположенных в виде файлов в указанных выше папках (рисунок 8).
Рисунок 6. Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам
ВI- в
2.3.2.4, Интерфейс ввода изображений в систему "Эйдос"
режим: "2.3.2.4. интерфейс ввода изображений в систему "эйдос"".
данный режим обеспечивает кодирование bmp и jpg изображений и формирование файла исходных данных "irrp_data.xls", в котором каждое изображение представлено строкой. Этот файл исходных данных используется для формализации предметной области е универсальном программном интерфейсе системы оидос> 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 относительно их поворота, число точек контура, сипользуемых при анализе, чем оно меньше, тем меньше учитываются высокочастотные гармоники.
в файле исходных данных "inp_data.xlsx":
- значения 1-й колонки: наименования объектов обучающей выборки> формируются путем <склеивания> наименования папки с изображениями + < - > + имя файла изображения;
- значения 2-й колонки: <классы> - это часть имени файлов изображений до черточки: "-", пример имени файла: "гелиос - 0003.jpg", соответствующий класс: "гелиос , имеется в виду, что имя файла состоит из двух частей: до черточки - имя класса, после черточки - номер объекта, относящегося к этому классу, а потом расширение;
- значения 3-й и 4-й колонок: координаты х и v центров тяжести изображений;
- смысл колонок 5-й, 6-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 ...AiD_DATA/iNP_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.Б. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / е. в. луценко, д.к. вандык // 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., вандык д. к. интерфейс ввода изображений в систему "эйдос" (подсистема ойдос-ттд>). свид. Роспатента РФ на программу для ЭВМ, Заявка № 2015614954 от 11.06.2015, Гос.per.№ 2015618040, зарегистр. 29.07.2015.
Луценко Е.Б. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / е.б. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (научный журнал кубГАУ) [электронный ресурс]. - Краснодар: кубгду, 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.
Луценко Е.Б. Решение задач ампелографии с применением ACK-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.в. луценко, д. к. вандык, л.п. трошин // политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс].
- Краснодар: кубГАУ, 2015. - №08(112). с. 846 - 894. - IDA [article ID]: 1121508064. - Режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
Рисунок 7. Help режима 2.3.2.4. Оцифровка изображений по их внешним контурам
Рисунок 8. Экранная форма с отображением стадии процесса исполнения
оцифровки изображений боеприпасов по их внешним контурам
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 боеприпаса приведен ниже на рисунке 9:
Рисунок 9. Пример контурного изображения боеприпаса: c:\Aidos-X\AID_DATA\Out_data\Автоматы\Автомат-004.jpg
4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержатся 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 7). 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 10:
^f) Помощь по режиму 2.3.2.2 для случая Excef-файлов исходных данных
Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных 'lnp_data.xlsB в систему иЭйдос-х++и и формализации предметной области.
- Данный программный интерфейс обеспечивает аЕ;томатическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки, т. е. Формализацию предметной области, на основе XLS или XLSX-Файла с исходными данными приведенного ниже стандарта.
- Файл исходных данных должен иметь имя: INP_DATA.XLS или INP_DATA.XLSX и может быть получен в Ехсе1-2003(2007-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или INP_RASP,XLSX. Файлы INP_DATA.XLS (INF'_DATA.XLSX) и INP_RASP.XLS или INP.RASP. XLSX) должны находиться в папке /AIDOS-X/AID_DATA/Inp_data/ и имеют совершенно одинаковую структуру.
-1 -я строка этого файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.
- Каждая строка этого Файла, начиная со 2-й, содержит данные- об одном объекте обучающей выборки. Если Excel-2003, в листе может быть до 65536 строк и до 256 колонок. В листе Ехсе1-2007(2010) возможно до 1 043 576 строк и 16 384 колонок.
- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после Запятой).
- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.
-1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.
- Столбцы со 2-го по N-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.
- Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей выборки.
- В результате работы режима формируется файл INP_NAME.TXT стандарта MS DOS (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система формирует' классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке Файла исходных данных N P_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 INF'_FiASP 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 включггь коды классов, если столбцы классов в Файле INF_RASF были пустыми, Структура Файла INP_RASP должна бьть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.
Принцип организации таблицы исходных данных:
Паи менование объема обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкапы Наименование 2-й описательной шкалы
1-й объект обучающей выборки Значение показателя Значение показа геля Значение показателя Значение Показателя
2-й объект обучающей выборки Значение показателя ЗНАЧЕНИЕ показатели Значение показателя Значение показателя
... ... ... ...
| Cancel
Рисунок 10. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
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
2
с результатами оцифровки изображений (фрагмент)
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 11, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию:
2 Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более/ Полный файл исходных данных не приводится из-за большой размерности.
2.1.2.2. Универсальный, программный интерфейс импорта данным в систему "ЭЙДОС-Х- +
jg к
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходные данных: "lnp_data'
^US ''vMS ЕкееКООЗ Г •. (•••:•, Excel-20G7(2G10) Г DBF -DBASE IV [DEiF/NTX) Стэгщарт DBF-Файла
CSV -iComina-Separafed Values Стандарт CSV-файла
Задав® диапазон столбцов классификационной шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
<• Н ули и пробелы считать 0 Т СУ Т СТ В И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!пр_^«ЩЙШ® Требования к Файлу исходных данных
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный столбец описательных шкал:
Задайте режим1
f* Формализации предметной области (на основе "Inp da'a") С Генерации распознаваемой выборки (на основе "lnp_rasp")
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:
Сценарный метод АСК-анализа:
Записи Файла исходных данных 'lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга
Спец.интерпретация ТХТ-полей
Значения текстовых полей Файла исходных данных
"! пр data" рассматриваются как целее
127
Задайте способ выбооа размера интервалов:
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
» Только интервальные числовые значения (например
Г' Только наименования интервальных числовых значений (например
V И интервальные числовые значения, и их наименования (например
"1 Ш5Э873.0000С0(]. 178545.6868667}"] "Минимальное")
"Минимальное: 1/3-!53873.П|]00П0С. 178545.GGGGGG7}"
Пк
Cancel
Рисунок 11. 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 12):
Рисунок 12. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
В это форме задано 20 интервальных значений (градаций) в описательных шкалах, а татем пересчитаны шкалы и градации. 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 13):
Рисунок 13. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»
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.
Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.
5.2.2. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)
Далее запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 14):
f*) 3.5. Выбор моделей для синтеза и верификации
-Задайте стат. модели и модели знаний для синтеза и верификации Статистические базы:
Ii? II. ABS ■ частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки
2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов j-го класса F7 3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:
15" 4. IN Fl - частный критерий; количество знаний по А.Харкевичу; вероятности из PRC1
f? 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2
15" 6. INF3 - частный критерий; Хи-квадрат, разности между Фактическими и ожидаемыми абс.частстами
р" 7. INF4 - частный критерий: ROI (Return.On Investment]; вероятности из PRC1
15" 8. INF5 - частный критерий; ROI (Return On Investment]; вероятности из PRC2
Р" 9. INF6 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1
Is? 10.INF? - частный критерий; разн.усл.и безусл.вероятностей; вероятности из PRC2
П араметры копирования обучающей выборки в распознаваемую:
—Какие объекты обуч. выборки копировать:
(• Копировать всю обучающую выборку
С Копировать только текущий объект
С' Копировать каждый объект
С Копировать N случайный объектов
С Копировать все объекты от N1 до N2
С Вообще не менять распознаваемую выборку
Поясненне по алгоритму верификации j
Удалять из обуч. выборки скопированные объекты: (* Не удалять С Удалять
- Подробнее |-
Измеряегся внутренняя достоверн. модели
Ok
Cancel
Задайте текущую модель
Г ABS Г PRC1 Г PRC2
Г INF1 Г INF2 í* INF3 Г INF4 Г INF5 Г INF6 Г INF7
Для каждой заданной модели выполнить: í* Синтез и верификацию С Только верификацию
Рисунок 1. 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 безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 15 и 16) [7]:
с
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
3
Рисунок 2. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям3
' Подробнее об этом можно прочитать в работе [7] и других работах, посвященных АСК-анализу
{») 3.5, Синтез и верификация заданны* из 10 моделей Щ I — i !—1 |
Стации исполнения процесса
Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез ст ат.моделей "F'RCI" и "PRC2" (усл.безу сл.% распр.) - Гот обо Шаг 4-й из 11: Синтез моделей знаний: ¡NF1 -INF? - Готово
НАЧАЛО ЦИКЛА Г10 ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ.-Шаг 5-й из 11: Залание модели "INF?" в качестве текущей - Готово Шаг Б-й из 11: Пакетное распознавание в модели "INF?"- Готово
Шаг ?-й из 11: Измерение достоверности модепи "Inf?" - Интегральный критерий: "Сумма знаний" - Готово КОНЕЦ ЦИКЛА Г10 ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОЗО: Шаг 3-й из 11: объединение БД DostRsp# в БД DostRasp - Готово
Шаг 3-й из 11: Печать сводной формы по результатам верификации моделей - Готово
Шаг 13-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово
Шаг 11 -й из 11 'Присвоение заданной модели: \щ статуса текущей" - Готово
Синтез и верификация заданных стат.моделей и моделей знаний унешно завершена !!!
-Прогноз времени исполнеыч
Начадо: '11:33:35 Окончание: 11:4G:ÜG
Рисунок 3. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей
Из рисунка 16 видно, что процесс синтеза и верификации моделей на выборке из 64 боеприпасов занял 6 минут 32 секунды.
Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным Б-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 17 и 18).
100Х
0к
Прошло: 0:0G:32
□ сталось: П ОП: 00
ф 4.1.3.6. Обобщ.формз по достов. моделей при разн,1лнт.крит.. Текущая модель: "INFI"
g i1
модели й частного критерий
Интегральный критерий
Вероятность Вероятность Средняя Дата Время
правильной правильной вероятно... получения получения
идентифка... не шентиф... правильн... результата результ.. результата
100.000 66.825 83.412 25.03.2016 11:44:53
1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 100.000 29.502 64.751 25.03.2016 11 44:53
2. PRC1 ■ частный критерий:-.усл. вероятность i-го признака сред.. Корреляция усл.стн.частот с'¿а... 100.000 66.825 83.412 25.03.2016 11 45:01
2. PRP - частный критерий:, усл. вероятность, i-ro признака сред.. Сумма усл.стн.частот по приз... 100.000 29.502 64.751 25.03.2016 11 45:01
■ PRC2 - частный критерий: условная вероятность ¡-то признака.. Корреляция усл. стн. частот со... 100.000 66,825 83.412 25.03.2016 11:45:10
■ Ш PRC2 - частный критерий: условная вероятность ¡-го признака... Сумма усл.стн.частот по приз... 100.000 29.502 64.751 25.03.2016 11:45:10
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в... Семантический резонанс зна... 90.625 84.639 87,632 25.03.2016 11: 45 :18
4. INF1 - частный критерий: количество знаний по А.Харкевичу; в. . Сумма знаний 96.375 73.269 85.072 25.03.2016 11:45:18
5. INF2 - частный критерий: количество знаний по А.Харкевичу: в.. Семантический резонанс зна... 90.625 34.639 87.632 25.03.2016 11:45:26
5, INF2 - частный критерий: количество знаний по А.Харкевичу: в... Сумма знаний 96.375 73.269 85.072 25.03.2016 11:45:26
Ç. INF3 - частный критерий: Хи-квацраг, разности между Фактич... Семантический резонанс зна.. 93.438 83.320 90.879 25.03.2016 11:45:34
Б. INF3 - частный критерий: Хи-квацрат, разности между Фактич .. Сумма знаний 9В.433 33.32.0 90.379 25.03.101с 11:45:34
7. INF4 - частный критерий: RCI (Return Gn Investment); вероятно.. Семантический резонанс зна... 92.188 86,126 89.157 25.03.2016 11:45:42
7. INF4 - частный критерий: RQI (Return Gn Investment); вероятно... Сумма знаний 100.000 69.977 84.988 25.03.2016 11:45:42
' El. INF5 - частный критерий: RDI (Return Gn investment); вероятно.. Семантический резонанс зна... 92.183 86.126 89.157 25.03.2016 11:45:51
■ ¡i: INF5 - частный критерий: RGI (Return On Investment); вероятно.. Сумма знаний 100.000 69.977 84.988 25.03.2016 11:45:51
3. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 96.875 82.720 89.798 25.03.2016 11:45:59
: INFS - частный критерий: разн.уол.и безусл.вероятностей: вер.. Сумма знаний 98.438 69.317 83.877 25.03.2016 11:45:59
1П IMF7 - ч^птный критерий::.разн:уоЛ'Ч. ЁгезусгЛ.. вероятностей:.- ёе.-. } Семантический резонанс знач. 96.875 82.882 89.879 25.03.2016 11:46:07
10.INF7 - частный критерий: разн.усл.и'б&зусл. вероятностей; ве... Сумма знаний 98.433 69.317 83.877 25.03.2016 11:46:07
Помощь
Рисунок 4. Оценка достоверности моделей, созданных на 1-й итерации, с помощью непараметрической метрики, сходной с Б-критерием
I ° ! I ИГ
¿I Помощь по решму: 41.1&: Виды пролазов и принцип опрделения достовености моделей в системе Эйдос-Х+ +
Режим: помощь го режиму: 4.1.3.6: виды прогнозов и принцип опрделения достовености моделей в системе "эйдос-х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.
предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или 6. в этом случае у нее будет 100Ж 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 « 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.
ОТРИЦАТЕЛЬНЬЙ ПСЕВДОПРОГНОЗ.
Представим себе, что мы выбрасываем кубик с 6 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 6. 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 Г-критерием и сходные оценки качества моделей.
Рисунок 5. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием
Из рисунка 17 мы видим, что наиболее достоверная модель, основанная на критерии X2 [7], дает среднюю достоверность определения типа оружия по боеприпасу около 91%, причем достоверность правильного отнесения боеприпаса к типу оружия составляет более 98%, а правильного не отнесения к типу оружия, к которому он не относится - около 83%.
5.2.3. Повышение качества модели путем разделения классов на типичную и нетипичную части
В соответствии со схемой, приведенной на рисунке 15, и информацией по достоверности моделей, приведенной на рисунке 17, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель ГЫБЗ в качестве текущей (рисунок 19) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 20):
Рисунок 6. Экранная форма, позволяющая задать любую модель
в качестве текущей
С) 4.1.2. Пакетное распознавание, Текущая модель:
Стации исполнения процесса
ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ 3 ТЕКУЩЕЙ МОДЕЛИ 1/11: Распознавание (идентификация) 64-го объекта обучающей выборки из 64 - Готово 2/11: Исследование распределений уровней-сходства верно и ошиб идент.объектов - Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. - Готово 4/1 г Создание подробной наглядной формы: "Объект-классы". Ин г крит.-корреляция- Готово Б/11: Создание подробной наглядной формы: "Объект-классы". Инт.крит-сумма инф - Готово 6/1 г Создание итоговой наглядной формы: "Объект-класс". Инт.крит-корреляция - Готово 7/11: Создание итоговой наглядной формы: "Объект-класс". Инт.крит -сумма инф. - Готово 3/11 ■ Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-корреляция - Готово 3/11: Создание подробной наглядной формы: "Класс-объекты". Инт.крит.-сумма инф - Готово 10/1"! Создание итоговой наглядной формьг "Класснзбъекты". Инт.крит.-корреляция - Готово 11/11: Создание итоговой наглядной формы "Класмбъекты". Инт.крит.-сумма инф. - Г отово
ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !
■ Прогноз времени исполнен.-^
Начадо: '11:53:10 Окончание: 11:53:21
Ю»
0к
Прошло: 8-08:19
Осталось: |]:(Ю:00
Рисунок 20. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных боеприпасов с обобщенными образами боеприпасов по типам оружия
Из данной экранной формы видно, что идентификация 64 боеприпа-са с обобщенными образами 4-х типов оружия выполнена за 10 секунд.
Запустим режим 3.7, обеспечивающий повышение достоверности модели путем разделения классов на типичную и нетипичную части (рисунок 21):
Рисунок 21. Экранная форма режима повышения достоверности модели путем разделения классов на типичную и нетипичную части
Вместо описания данного режима приведем его Help (рисунок 22):
Помощь по режиму: 3.7.6. Разделение классов на типичную и нетипичную части
данный режим работает с базой исходных данных стандарта интерфейса 2.3.2.2: "1гтр_<^ага. " и предполагает, что текущая модель создана путем ввода данных из внешней базы данных в режиме 2.3.2.2.
нетипичными объектами обучающей выборки считаются те, которые по результатам распознавания в текущей модели:
- не были отнесены системой к тем классам, к которым они в действительности относятся, т.е. привели к ошибке неидентификации;
- бььли отнесены системой к классам, к которым они в действительности не относятся, т.е. привели к ошибке ложной идентификации.
см. "помощь" в режиме 4.1.3.6.
Режим 2.3.3.4 обеспечивает 2 варианта обработки нетипичных объектов:
1. Удаление нетипичных объектов из |г1пр_с!а1:а. с^".
2. Создание новых классов для нетипичных объектов.
Б 1-м случае строки с данными нетипичных объектов просто удаляются из базы исходных данных: "1пр_с1ага.<йгГ"
во 2-м случае строки с данными нетипичных объектов из базы исходных данных: "1пр_йата. с1М" не удаляются, а изменяются имена классов путем добавления к ним символов: |Г-Егг1" в случае, если данный объект приводит к ошибке неидентикации или символов: "-Егг2", если он приводит к ошибке ложной идентификации. Б результате при формировании модели в режиме 2.3.2.2 с источником данных: "1пр_с1а1:а. с1Ь1=" будут созданы новые классы для нетипичных объектов.
в любом случае вариабельность объектов внутри классов уменьшается и достоверность модели возрастает.
данный режим может применяться несколько раз, но каждый раз нужно создавать новую модель на основе модифицированной базы исходных данных "lnp_data.dbf" и выполнять режим синтеза и верификации моделей 3.5, делать наиболее достоверной модель (режимы 4.1.3.6 и 5.6) и проводить распознавание в этой модели в режиме 4.1.2.
публикации по теме:
луценко Е.Б. повышение адекватности спектрального анализа личности по астросоциотипам путем их разделения на типичную и нетипичную части / Е.В. Луценко, A.n. 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: 04 208000120017, IDA [article ID]: 0360602010. - Режим доступа: http://ej.kubagro.ru/2008/02/pcif/10.pdf, 1,375 у.п.л.
луценко Е. Б. повышение качества моделей <knowledge ntanagement> 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: 04209000120109, IDA [article ID]: 0540910005. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/0 5.pdf, 1 у.п.л.
Рисунок 22. Help режима повышения достоверности модели путем разделения классов на типичную и нетипичную части
Запустим данный режим с параметрами, приведенными на рисунке 21. В результате файл исходных данных 1пр_ёа1а.ёЬ1?, сформированный режимом 2.3.2.4 при вводе изображения в систему «Эйдос», будет модифицирован таким образом, что для объектов (боеприпасов), которые приводили к ошибкам неидентифкации (т.к. эти объекты были нетипичными для тех классов, к которым они отнесены в обучающей выборке), создают-
ся новые классы.
Чтобы создать модель второй итерации на основе этого модифицированного файла 1пр_ёа1а.ёЬГ запускаем режим 2.3.2.2 с параметрами, заданными по умолчанию (рисунок 23):
I- В -I
С) 2.3.Z2. Универсальный программный интерфейс импорта данным в систему "ЭЙДОС-Xf+
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с]а1а"
Задайте параметры:
Стандарт XLS -файла
Задайте тип файла исходные данных: "lno_data' Г • V " Г -'-^k-iVT! Г •. ::,/'•• (•••:". Excel-20G7(2Ü10)
DBF -DBASE IV [DEiF/NTX) Стандарт DBF-Файла
CSV -iComiina-Separaled Vaiues Стандарг CSV-файла
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
<• Н ули и пробелы считать 0 Т СУ Т СТ В И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам "!пр_ йа¥;.с1Ь("^ Требования к Файлу исходных данных
Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный сголбец описательных шкал:
Задайте режим1
{• Формализации предметной области (на основе "Inp da'a") С Генерации распознаваемой выборки (ha основе "lnp_rasp")
(• Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений
Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_daia"
Пояснения по режиму
Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:
Сценарный метод АСК-анализа:
Записи Файла исходных данных lnp_daia" рассматриваются казкдая сама по себе независимо друг от друга
Спец. интерпретация ТХТ-полей
Значения текстовых полей Файла исходных данных
"Inp data" рассматриваются как целое
127
Задайте способ выбооа размера интервалов:
Какие наименования ГРАДАЦИЙ числовых шкал использовать:
» Только интервальные числовые значения (например
С Только наименования интервальных числовых значений (например
С И интервальные числовые значения, и их наименования (например
"1 /3-{59873.0G00C0(]. 178545. G66G667}"] "Минимальное")
"Минимальное: 1/3-!53Й73.П|]00Г10С. 178545.GGGGGG7}"
Пк
Cancel
Рисунок 23. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
5.3. Вторая итерация
5.3.1. Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)
Затем, как и в первой итерации, запускаем режим 3.5, обеспечивающий синтез и верификацию модели. В результате получаем модель второй итерации с более высокой достоверностью, чем первая (рисунок 94):
Рисунок 24. Оценка достоверности моделей, созданных на 2-й итерации, с помощью непараметрической метрики, сходной с Б-критерием
Сравнивая рисунки 17 и 24 видим, что лучшая модель та же, что и была, и ее средняя достоверность выросла примерно на 1 процент. Модель имеет 100% достоверность идентификации типа боеприпаса.
5.3.2. Количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация)
Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:
- поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые боеприпасы» изображения классифицируемых боеприпасов в том же стандарте, что и в обучающей выборке;
- выполнить режим: 2.3.2.4. «Оцифровка изображений по внешним контурам»;
- переименовать файл: c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xlsx в Inp_гasp.xlsx или скопировать его с переименованием;
- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 11), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_гasp)» (рисунок 25);
@ I i Ш I- i I
tf) 2.3.2,2. Универсальный программный интерфейс импорта данных: в систему ЭЙДОС-Х
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"
Стандарт XLS-файла
[—Задайте тип Файла исходных данных; "lnp_data' Г XLS - MS Excel-2003 & XLSX-MS Excel-2007(2010) Г DBF - DBASE IV (DBF/NTX) Стандарт DBF-Файла
Г" CSV - Comma-Separated Values Стандарт CSV-файла
Задайте параметры;
(* Нули н пробелы считаггь ОТСУТСТВИЕМ данных С" Н у ли и п р обе л ы с чит ать ЗН АЧ Е Н И Я М И данных ф Создавать БД средних по классам "lnp_davг.dbf"? Требования к файлу исходных данных
[—Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:
■—Задайте режим:—
Формализации предметной области (на основе "lnp_data") Генерации распознаваемой выборки (на основе "lnp_rasp"]
—Задайте способ выбора размера интервалов:
(* Равные интервалы с разным числом наблюдений Г" Разные интервалы с равным числом наблюдений
[—Задание па| fi-
ne Формирования сценари
I способа интерпретации те !Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-г Р П рименить сценарный метод прогнозирования АСК-анализа Р Применить специальную интерпретацию текстовых полей "lnp_data"
полей "lnp_data":
Пояснения по режиму
Не применять сценарный метоп АСК-анализа и спец.интерпретацию ТХТ-полей:
Сценарный метод АСК-анализа: Записи Файла исходных данных "lnp_dal:a" рассматриваются каждая сама по себе независимо друг от друга
Спец.интерпретация ТХТ-полей:- ■
Значения текстовых полей Файла исходных данных
"lnp_data" рассматриваются как целое
■—Какие наименования ГРАДАЦИЙ числовых шкал использовать:
Только интервальные числовые значения (например: "1/3-{59873.0000000,178545.6666667}"]
Р Только наименования интервальных числовых значений (например: "Минимальное")
Р И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-{5Э873.0000000,173545.6666667}")
Ok
Cancel
Рисунок 25. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опцией ввода распознаваемой выборки
ли».
му:
- выполнить режим 4.1.2. «Пакетное распознавание в текущей моде-
В результате в режиме 4.1.3.1 получим следующую выходную фор-
Л 14 1 й^уяпмчя^ма р^чультлтпн рлгпп^някямиа д отношении: "Лй>,^1гг-«-ллггьГ Т^куира ыпдрль- "1МРЯ" -ЩШ^Ш/^ЛЯЪ- -1 1 1
II II
Распознаваемые объекты Интегральны!- критерий с-:сдле-э: Хемачти ес---: 1 ач резонанс знаний"
А Код Наименование класса Сходства Ф... | Скоасгво - _
В| Автоматы Автомат-004.рд ... 1 КЛАСС-Автомаг 00,00... г
6 КЛАСС-Пистолет 37.50...
4 КЛАСС-Пистолет:Егг1 ■11,11 ..
3 |СГ1АСС-Крупный калибр
2 КЛАС£-Е|ингоЁка -32,39...
И 1
Интегральный критерий сходства: "Сумма знаний"
Код Н аименование класса Сноаство Ф... | Снадство -
1 КЛ^СС-АЕТомат -
5 КЛАСС-Пистолет 33,41... ЩШШШШШШШШ
4 ШШттжМм -1.456 :
3 КЛАСС-Крупный калибр ,. -10,33..: ■I»
2 КЛАС£-Е!инговка 00,00...
11 <
И III
| Помощь | 9 классов J Классы с МакМп УрСх | Э классов с МахМп УрСн ВСЕ классы | ВКЛ. Фильтр по класс.шкале | ВЫКЛ.Фильтр по класс.шкале | Граф.диаграмма | |
Рисунок 25. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов
В подсистеме 4.1.3. «Вывод результатов распознавания» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 26:
4.1.3.6. Обобщ.форма по достое.моделей при ра:ных интегральных крнт.
4.1.3.7. Обсбщ.стат.аиапиз регультатоЕ ндент. па моделям и инт.крит
4.1.3.8. Стат. а нал ид результ. идент. пс классам, моделям и инт.крит. 4.1.З.&. Распределения уроЕн.сходстЕа при равных моделях и инт.крит. 4.1.3.1С!.ДостоЕерность идент. кпэсссе при равных р.1 оделях и инт.крит.
Рисунок 26. Наименования выходных форм системы «Эйдос» с результатами распознавания
Две из них, количественно отражающие степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов, приведены на рисунках 27 (режимы 4.1.3.1 и 4.1.3.3):
Г
4.1,3.1, Визуализация результатов распознавания в отношении: "Объект-классы", Текущая модель: "INF3"
Распознаваемые огтьекты
1
г Автоматы Автомат-009. jpg ...
а Автомапы Автомат-010. jpg ...
4 Автоматы Автомат-012. jpg ...
5 Автоматы Автомат-013. jpg ...
6 Автоматы Автомат-014. jpg ...
i Автоматы Автомат-015. jpg ...
8 Автоматы Автомат-016. jpg ...
9 Автоматы Автомат-018. jpg ...
10 Автоматы Автомат-019. jpg ...
11 Автоматы Автомат-020. jpg ...
12 Автоматы ABTOMar-021.jpg ...
13 Автоматы Автомат-022. jpg ...
14 Автоматы Автомат-023. jpg ...
15 Винтовки Винтовка-006.jpg ...
1G Винтовки Винтовка-007. jpg ...
1? Винтовки Винтовка-008.jpg ...
18 Винтовки Винтовка-009.jpg ...
18 Винтовки Винтовка-010.jpg ...
20 В интовки Винтовка-011. jpg ...
21 В интовки Винтовка-012. jpg ... ж
<l
Интегральный критерий сходства: "Семантический резонанс знаний"
Код I Наименование класса Сходство nk, Сходство
5 КЛАСС-Автомаг 50,28...
КЛАСС-Писголет 18,24...
4 КЛ АСС-П истолет-Е гг1 -10,67..:
3 КЛАСС-Крупный калибр -27,69...
2 КЛАСС-Винговка -41,09...
т
Интегральный критерий сходства: "Сумма знаний"
Код Наименование класса
Сходство Ф... Сходство
■5 КЛАСС-Автомаг 63,45.. у--
КЛАСС-Писголет 25.ЭВ
;4 КЛАСС-П исголет-Е г|1 -2,233..
3 К^А!Х-Круг1нь1й калибр .-16,53-:
2 КЛАСС-EI интовка ■70,60... шшшммшшмш
ЕЕ
Помощь 9 классов Классы с MaxMin УрСх 9 классов с ЩЦ} ЦрСк ВСЕ классы ВКЛ. Фильтр по класс.шкале ВЫКЛ.Фильтр по класс.шкале Граф.диаграмма
Рисунок 27. Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов
5.3.3. Количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов
На рисунке 28 приведена одна из выходных форм, количественно отражающая степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов:
Рисунок 28. Степень сходства друг с другом обобщенных образов различных типов боеприпасов
5.3.4. Исследование моделируемой предметной области путем исследования ее модели
В системе «Эйдос» реализовано много различных средств анализа
созданных моделей, применяются различные формы когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 29), а также информационные портреты обобщенных образов различных типов боеприпасов (рисунки 30):
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ
Стиль: "Прозрачная сеть (невод). Наиболее значимые градации описательных шкал закрашены цветом, соответствующим значимости"
СИСТЕМА ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИИ
Стиль: "Витраж," Показаны градации со значимостью не менее 0% от максимальной. Модель: "1п13"
Рисунок 29. Система описательных шкал и градаций системно-когнитивной модели 2-й итерации
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [5]-"КЛАСС-Пистолет" В МОДЕЛИ: "(пй" Показаны градации со значимостью не менее 0% от максимальной. Модель: "№3'
Стиль: "Сеть (невод)'
Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [1]-"КЛАСС-Автомат" В МОДЕЛИ: "ШИ" Показаны градации со значимостью не менее 0% от максимальной. Модель: Чпге1
Стиль: "Сеть (невод)'
Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [2]-"КЛАСС-Винтовка" В МОДЕЛИ: "11*3" Показаны градации со значимостью не менее 0% от максимальной. Модель: "№3'
Стиль: "Сеть (невод)'
Стиль: "Витраж"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [3]-"КЛАСС-Крупный калибр" В МОДЕЛИ: "1пГЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: "№3"
ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [4]-"КЛАСС-Пистолет-Егг1" В МОДЕЛИ: "1пГЗ" Показаны градации со значимостью не менее 0% от максимальной. Модель: Чпге"
Рисунок 30. Информационные портреты обобщенных образов различных типов боеприпасов в системно-когнитивной модели 2-й итерации
На рисунках 29 цветом показана ценность градаций описательных шкал для классификации конкретных боеприпасов по типам: красный цвет - максимальная ценность, фиолетовый - минимальная. На нижнем рисунке указана ценность всех градаций всех описательных шкал, а на верхнем для каждой шкалы оставлена только наиболее ценная градация.
На рисунках 30 цветом показана степень характерности и не характерности градаций шкал для различных типов боеприпасов: красный цвет - максимальная характерность, фиолетовый - минимальная.
6. Выводы и результаты
В статье предложено решение актуальной для криминалистики задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия. Преодолены некоторые недостатки традиционных подходов.
Описано решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария -универсальной когнитивной аналитической системы «Эйдос».
В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров.
Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели.
Для решения этой задачи выполняются следующие этапы:
1) ввод в систему «Эйдос» изображений боеприпасов и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типичную и нетипичную части;
4) количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация);
5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.
Приведен численный пример успешного решения. Поставленной в статье задачи.
7. Перспективы
Планируется решить методом АСК-анализа задачу классификации боеприпасов не только по типам стрелкового нарезного оружия, но и по его конкретным маркам.
8. Применение
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в криминалистике, но и в других областях, чему может способствовать и то, что система «Эйдос» разработана в универсальной постановке, не зависящей от предметной области, и размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по применению информационных технологий в криминалистике и по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта.
Литература
1. Криминалистика (учебник) / под ред. В. Д. Зеленского, Г.М. Меретукова. -СПб: «Юридический центр», 2015. - 704 с.
2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340
3. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=18271217
4. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
5. 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.
6. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.
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://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
8. 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.
9. 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://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
10. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015.
- №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
11. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луценко, Л.П. Трошин, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный жур-
нал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205
- 1228. - IDA [article Id]: 1161602077. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 у.п.л.
12. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал Куб-ГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 1316 - 1367. -IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п. л.
Literatura
1.Kriminalistika (uchebnik) / pod red. V.D. Zelenskogo, G.M. Meretukova. - SPb: «Ju-ridicheskij centr», 2015. - 704 s.
2 Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatizirovannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJuI MVD RF, 1996. - 280s. http://elibrary.ru/item.asp?id=21745340
3. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Mono-grafija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217
4. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Mono-grafija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=213 5 8220
5. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal 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.
6. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s prime-neniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 -60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.
7. Lucenko E.V. Metrizacija izmeritel'nyh shkal razlichnyh tipov i sovmestnaja sopostavimaja kolichestvennaja obrabotka raznorodnyh faktorov v sistemno-kognitivnom an-alize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №08(092). S. 859 - 883. - IDA [article ID]: 0921308058. - Rezhim dostupa: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 u.p.l.
8. 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.
9. 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 dos-tupa: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.
10. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobraz-henij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №08(112). S. 862 - 910. -IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.
11. Lucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy «Jejdos» / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].
- Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077.
- Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.
12. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silu-jetov (konturov) (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].
- Krasnodar: KubGAU, 2015. - №10(114). S. 1316 - 1367. - IDA [article ID]: 1141510099.
- Rezhim dostupa: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.
