SCENARIO AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE CLIMATE IN KRASNODAR IN 1933-2020

Lutsenko Evgeny Veniaminovich

УДК 004.8

05.13.10 - Управление в социальных и экономических системах (технические науки)

СЦЕНАРНЫЙ АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ КЛИМАТА КРАСНОДАРА ЗА 1933-2020 ГОДЫ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Web of Science ResearcherID S-8667-2018 Scopus Author ID: 57188763047 РИНЦ SPIN-код: 9523-7101

prof.lutsenko@gmail.com http://lc.kubagro.ru

https://www.researchgate.net/profile/Eugene Lutsenko Кубанский Государственный Аграрный университет имени И.Т.Трубилина, Краснодар, Россия

В данной работе решается задача изучения структуры изменчивости метеорологических параметров: «Максимальная температура Минимальная температура Средняя температура Атмосферное давление Скорость ветра Осадки Эффективная температура» в городе Краснодаре по многолетним данным с 1933 по 2020 годы. Таким образом, исходные данные включают наблюдения в Краснодаре за 24834 суток по за 7 климатическим параметрам. Для решения поставленной задачи применяется сценарный автоматизированный системно-когнитивный анализ (сценарный АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос». Сценарный АСК-анализ отличается от классического тем, что кроме точечных значений факторов и результатов их действия на объект моделирования позволяет удобно исследовать и их динамику, т.е. Сценарии их изменения. АСК-анализ включает: теоретические основы, в частности базовую формализуемую когнитивную концепцию; математическую модель, основанную на системном обобщении теории информации (СТИ); методику численных расчетов (структуры баз данных и алгоритмы их обработки); программный инструментарий, в качестве которого в настоящее время выступает универсальная когнитивная аналитическая система «Эйдос» (интеллектуальная система «Эйдос»). Весь процесс создания моделей и их применения для решения задач в АСК-анализе и системе «Эйдос» предусматривает следующие этапы АСК-анализа. 1 -й этап АСК-анализа: «Когнитивно-целевая структуризация предметной области». На 1-м и единственном неавтоматизированном этапе АСК-анализа, по сути, производится смысловая постановка задачи, т.е. определяются: объект моделирования (управления); факторы, действующие на объект моделирования (описательные шкалы) и будущие

UDC 004.8

05.13.10 - Management in social and economic systems (technical sciences)

SCENARIO AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE CLIMATE IN KRASNODAR IN 1933-2020

Lutsenko Evgeny Veniaminovich

Doctor of Economics, Cand.Tech.Sci., Professor

Web of Science ResearcherID S-8667-2018

Scopus Author ID: 57188763047

RSCI SPIN code: 9523-7101

prof. lutsenko@gmail.com http://lc.kubagro.ru

https://www.researchgate.net/profile/Eugene Lutsenko Kuban State Agrarian University named after I.T. Trubilin, Krasnodar, Russia

This work solves the problem of studying the structure of the variability of meteorological parameters: "Maximum temperature Minimum temperature Average temperature Atmospheric pressure Wind speed Precipitation Effective temperature" in the city of Krasnodar according to long-term data from 1933 to 2020. Thus, the initial data include observations in Krasnodar for 24834 days according to 7 climatic parameters. To solve the problem, we use scenario automated system-cognitive analysis (scenario ASC-analysis) and its software tools - the intellectual system "Eidos". Scenario ASC analysis differs from the classical one in that, in addition to point values of factors and the results of their action on the modeling object, it makes it possible to conveniently study their dynamics, i.e. Scenarios for their change. ASC analysis includes: theoretical foundations, in particular, the basic formalizable cognitive concept; a mathematical model based on a systemic generalization of information theory (STI); methods of numerical calculations (database structures and algorithms for their processing); software tools, which is currently the universal cognitive analytical system "Eidos" (intellectual system "Eidos"). The entire process of creating models and applying them to solve problems in ASC analysis and the Eidos system includes the following stages of ASC analysis. 1 st stage of ASC-analysis: "Cognitive-target structuring of the subject area". At the 1st and only non-automated stage of ASC-analysis, in fact, a semantic statement of the problem is made, i.e. are determined: object of modeling (control); factors acting on the object of modeling (descriptive scales) and future states, into which the modeling object passes under the influence of these factors (classification scales). 2nd stage of ASC-analysis: "Formalization of the subject area". At this stage of the ASC analysis using automated program interfaces of the Eidos system (API-Eidos) with external sources of data of various types, tabular, textual and graphic, classification and descriptive

состояния, в которые объект моделирования переходит под действием этих факторов (классификационные шкалы). 2-й этап АСК-анализа: «Формализация предметной области». На этом этапе АСК-анализа с применением автоматизированных программных интерфейсов системы «Эйдос» (АР1-Эйдос) с внешними источниками данных разных типов, табличных, текстовых и графических сначала разрабатываются классификационные и описательные шкалы и градации, а затем исходные данные кодируются с применением классификационных и описательных шкал и градаций, в результате чего формируется обучающая выборка, по сути, представляющая собой нормализованную базу исходных данных. 3-й этап АСК-анализа: «Синтез и верификация моделей». На этом этапе АСК-анализа: путем многопараметрической типизации осуществляется синтез 3 статистических и 7 системно-когнитивных моделей; проводится верификация всех созданных моделей, т.е. С помощью стандартной классической Г-меры Ван Ризбергена и ее нечеткого мультиклассового обобщения, инвариантного относительно объема распознаваемой выборки, предложенного автором, оценивается достоверность моделей путем решения задачи идентификации объектов обучающей выборки, о которых уже достоверно известно к каким классам они относятся. В результате выбирается наиболее достоверная модель и определяется корректно ли ее использовать для решения различных задач. 4-й этап АСК-анализа: «Решение задач» в наиболее достоверной модели (если она для этого достаточно достоверна) решаются следующие задачи: задачи распознавания, системной идентификации, классификации, диагностики и прогнозирования; задачи принятия решений (управления и типологического анализа); задачи исследования моделируемой предметной области путем исследования ее модели: Инвертированные SWOT-диаграммы значений описательных шкал (семантические потенциалы); кластерно-конструктивный анализ классов; кластерно-конструктивный анализ значений факторов; Модель знаний системы «Эйдос» и нелокальные нейроны; нелокальная нейронная сеть; 3Б-интегральные когнитивные карты; 2Б-интегральные когнитивные карты содержательного сравнения классов (опосредованные нечеткие правдоподобные рассуждения); 2Б-интегральные когнитивные карты содержательного сравнения значений факторов (опосредованные нечеткие правдоподобные рассуждения); когнитивные функции; значимость градаций описательных шкал (значений климатических параметров); значимость описательных шкал (климатических параметров); степень детерминированности классов (временных периодов) и классификационных шкал. Приводится подробный численный пример

scales and gradations are first developed, and then the source data are encoded using classification and descriptive scales and gradations, as a result of which a training sample is formed, which, in fact, is a normalized base of the initial data. 3rd stage of ASC-analysis: "Synthesis and verification of models". At this stage of ASC-analysis: by means of multiparameter typing, synthesis of 3 statistical and 7 system-cognitive models is carried out; verification of all created models is carried out, i.e. Using the standard classical F-measure of Van Riesbergen and its fuzzy multiclass generalization, invariant with respect to the size of the recognizable sample, proposed by the author, the reliability of the models is estimated by solving the problem of identifying the objects of the training sample, which are already reliably known to which classes they belong. As a result, the most reliable model is selected and it is determined whether it is correct to use it for solving various problems. 4th stage of ASC-analysis: "Problem solving" in the most reliable model (if it is sufficiently reliable for this), the following tasks are solved: tasks of recognition, system identification, classification, diagnostics and forecasting; decision-making tasks (management and typological analysis); tasks of studying the modeled subject area by studying its model: Inverted SWOT-diagrams of the values of descriptive scales (semantic potentials); cluster-constructive analysis of classes; cluster-constructive analysis of factor values; The knowledge model of the "Eidos" system and non-local neurons; non-local neural network; 3D-integrated cognitive maps; 2D-integrated cognitive maps of meaningful class comparison (mediated fuzzy plausible reasoning); 2D-integrated cognitive maps of meaningful comparison of factor values (mediated fuzzy plausible reasoning); cognitive functions; the significance of gradations of descriptive scales (values of climatic parameters); the significance of descriptive scales (climatic parameters); the degree of determinism of classes (time periods) and classification scales. A detailed numerical example of the implementation of all these stages and a detailed step-by-step instruction of user actions in the Eidos system with an explanation of their meaning are given, which makes it possible to use this work for educational purposes

выполнения всех этих этапов и детальная пошаговая инструкция действий пользователя в системе «Эйдос» с пояснением их смысла, что обеспечивает возможность применения данной работы в учебных целях

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ Keywords: AUTOMATED SYSTEM-COGNITIVE СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, АСК- ANALYSIS, FORMALIZED COGNITIVE АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА CONCEPT, ASC-ANALYSIS, "EIDOS" «ЭЙДОС» INTELLECTUAL SYSTEM

http://dx.doi.org/10.21515/1990-4665-177-011

CONTENT

1. INTRODUCTION..............................................................................................................................................................................4

1.1. Description of the researched subject area.........................................................................................................................4

1.2. Object and subject of research...............................................................................................................................................4

1.3. The problem solved in the work and its relevance..............................................................................................................4

1.4. Purpose and tasks of the work.................................................................................................................................................5

2. METHODS........................................................................................................................................................................................5

2.1. Justification of the requirements for the method of solving the problem...................................................................5

2.2. Literature review of problem solving methods, their characteristics and assessment of the degree of

compliance with reasonable requirements....................................................................................................................................6

2.3. Automated system-cognitive analysis (ASC-analysis).........................................................................................................6

2.4. "Eidos" system - ASC-analysis toolkit.....................................................................................................................................7

3.RESULT S........................................................................................................................................................................................13

3.1. Task-1. Cognitive structuring of the subject area. Two interpretations of the classification and descriptive scales and gradations.......................................................................................................................................................................13

3.2. Task-2. Formalization of the subject area...........................................................................................................................14

3.3. Task-3. Synthesis of statistical and system-cognitive models. Multiparameter typing and partial knowledge criteria...................................................................................................................................................................................................33

3.4. Task-4. Model Verification........................................................................................................................................................41

3.5. Task-5. Choosing the Most Reliable Model..........................................................................................................................43

3.6. Task-6. System identification and forecasting....................................................................................................................44

3.6.1. Integral criterion "Amount of knowledge"................................................................................................................................44

3.6.2. Integral criterion "Semantic resonance of knowledge"............................................................................................................45

3.6.3. Important Mathematical Properties of Integral Criteria...........................................................................................................46

3.6.4. Output forms of the Eidos system based on the results of numerical calculations..................................................................47

3.7. Task-7. Decision Support...........................................................................................................................................................55

3.7.1. Simplified decision-making as an inverse forecasting problem, positive and negative information portraits of classes, SWOT analysis..............................................................................................................................................................................................55

3.7.2. Advanced Decision-Making Algorithm in ASC Analysis.............................................................................................................57

3.8. Task-8. Examining the object of modeling by examining its model..................................................................................60

3.8.1. Inverted SWOT Diagrams of Descriptive Scale Values (Semantic Potentials)...........................................................................60

3.8.2. Cluster-constructive analysis of classes....................................................................................................................................61

3.8.3. Cluster-constructive analysis of the values of descriptive scales...............................................................................................67

3.8.4. Knowledge Model of the Eidos System and Nonlocal Neurons.................................................................................................71

3.8.5. Non-local neural network.........................................................................................................................................................72

3.8.6. 3D Integral Cognitive Maps......................................................................................................................................................74

3.8.7. 2D Integral Cognitive Maps of Meaningful Class Comparison (Mediated Fuzzy Plausible Reasoning).....................................75

3.8.8. 2D-integrated cognitive maps of meaningful comparison of factor values (mediated fuzzy plausible reasoning)...................78

3.8.9. cognitive functions...................................................................................................................................................................80

3.8.10. Significance of descriptive scales and their gradations...........................................................................................................88

3.8.11. Degree of determinism of classes and classification scales....................................................................................................93

4. DISCUSSION..................................................................................................................................................................................99

5. CONCLUSIONS...........................................................................................................................................................................100

REFERENCES (LITERATURE)......................................................................................................................................................100

1. INTRODUCTION

1.1. Description of the researched subject area

This article solves the problem of studying the structure of the variability of meteorological parameters: "Maximum temperature, Minimum temperature, Average temperature, Atmospheric pressure, Wind speed, Precipitation, Effective temperature" in the city of Krasnodar according to long-term data from 1933 to 2020.

Thus, the initial data includes 24834 observations for 7 climatic parameters.

1.2. Object and subject of research

Object of studying in this work is the climate in the city of Krasnodar according to long-term data from 1933 to 2020.

Subject of studying is the Scenario automated system-cognitive analysis of the climate of Krasnodar for 1933-2020, i.e. study of the influence of the dynamics of the values of 7 climatic parameters in the past on the dynamics of the values of the same 7 climatic parameters in the future.

1.3. The problem solved in the work and its relevance

At present, on the one hand, undoubted successes, obvious to all, have been achieved in the field of short-range weather forecasting. On the other hand, these successes have been achieved by processing information received by spacecraft on supercomputers.1.

However, both supercomputers and space sensing information are very expensive and require an extremely high level of technology development, which not all countries possess.

It is clear that at the regional level, and even more so at the level of individual farms, these technologies are completely inaccessible. Currently, these farms use weather forecasts received centrally using global telecommunications (Internet).

But as the experience of recent sanctions shows, access to these technologies may be terminated. Therefore, it is of interest to independently obtain reliable short-term weather forecasts for the main climatic indicators.

Thus, the problem solved in the work is to develop a technology for short-term weather forecasting available to agricultural enterprises according to the main climatic indicators without access to global resources solely on the basis of retrospective local data of a significant longitudinal (on the example of the city of Krasnodar).

1See for example:https://earth.nullschool.net/

1.4. Purpose and tasks of the work

aim of the work is to solve the problem posed above by decomposing the goal into the following sequence of tasks, the solution of which is the stages of achieving the goal:

Task-1.Cognitive structuring of the subject area. Two interpretations of classification and descriptive scales and gradations.

Task-2.Formalization of the subject area.

Task-3. Synthesis of statistical and system-cognitive models. Multiparameter typification and particular knowledge criteria.

Task-4.Model verification.

Task-5. Selection of the most reliable model.

Task-6. System identification and forecasting.

Task-7.Decision support (A simplified version of decision making as an inverse forecasting problem, positive and negative information portraits of classes, SWOT analysis; Developed decision making algorithm in ASC analysis).

Task-8. Study of the modeling object by studying its model (Inverted SWOT diagrams of descriptive scale values (semantic potentials); Cluster-constructive analysis of classes; Cluster-constructive analysis of descriptive scale values; Eidos system knowledge model and non-local neurons; Non-local neural network; 3d- integral cognitive maps; 2d-integral cognitive maps of meaningful class comparison (mediated fuzzy plausible reasoning); 2d-integral cognitive maps of meaningful comparison of factor values (mediated fuzzy plausible reasoning); Cognitive functions; Significance of descriptive scales and their gradations; Degree of determinism of classes and classification scales).

2. METHODS

2.1. Justification of the requirements for the method of solving the problem

The method used to solve the problem posed should provide a stable identification in a comparable form of strength and direction of cause-and-effect relationships in incomplete noisy (inaccurate) interdependent (nonlinear) data of a very large dimension of numerical and non-numerical nature, measured in various types of scales (nominal, ordinal and numerical) and in various units of measurement (i.e., it should not impose strict requirements on data that cannot be met, but should ensure the processing of the data that really exists). In addition, the method should provide for taking into account not only point values in time series, but also the dynamics and nature, i.e. scenarios for changing them.

2.2. Literature review of problem solving methods, their characteristics and assessment of the degree of compliance with reasonable requirements

All the above requirements are met by a new method of artificial intelligence: scenario automated system-cognitive analysis (scenario ASC-analysis), which has its own software tools, which is currently the personal intellectual online environment "Eidos-Xpro".

Below we will briefly review this method and its software tools.

2.3. Automated system-cognitive analysis (ASC-analysis)

Automated system-cognitive analysis (ASC-analysis) was proposed by Prof. E.V. Lutsenko in 2002 in a number of articles and a fundamental monograph [1]. The term itself: "Automated system-cognitive analysis (ASC-analysis)" was proposed by Prof. E.V. Lutsenko. At that time, he did not meet on the Internet at all. Today, according to the corresponding request, Yandex has 9 million sites with this combination of words. .

ASC analysis includes:

- theoretical foundations, in particular the basic formalizable cognitive concept;

- a mathematical model based on a systemic generalization of information theory (STI);

- method of numerical calculations (database structures and algorithms for their processing);

- software tools, which is currently the universal cognitive analytical system "Eidos" (intellectual system "Eidos").

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

ASC analysis is described in more detail in [1, 2, 3] and a number of others. About half of the more than 650 scientific papers published by the author are devoted to the theoretical foundations of ASC analysis and its practical applications in a number of subject areas. At the time of writing this work, the author has published more than 40 monographs, 27 textbooks, incl. 3 textbooks with stamps of the UMO and the Ministry, 31 patents of the Russian Federation for artificial intelligence systems, 334 publications in publications included in the list of the Higher Attestation Commission of the Russian Federation and equivalent to them (according to the dataRSCI), 6 articles in journals included

3

inWoS, 5 publications in journals included inScopus .

Three monographs are included in the holdings of the US Library of Congress4.

2 https://yandex.ru/search/?lr=35&clid=2327117-18&win=360&text=%20360&text=Automated+system-cognitive+analysis+(ASC-analysis)

3 http://lc.kubagro.ru/aidos/Sprab0802.pdf

4 https://catalog.loc.gov/vwebv/search?searchArg=Lutsenko+EV. (and click: "Search")

ASC analysis and the "Eidos" system were successfully applied in 8 doctoral and 8 master's theses in economic, technical, biological, psychological and medical sciences, several more doctoral and master's theses using ASC analysis at the stage of defense.

The author is the founder of the interdisciplinary scientific school: "Automated system-cognitive analysis"5. Scientific school: "Automated system-cognitive analysis" is an interdisciplinary scientific direction at the intersection of at least three scientific specialties (according to the recently approved new nomenclature of scientific specialties of the Higher Attestation Commission of the Russian Federation6). The main scientific specialties to which the scientific school corresponds:

- 5.12.4. cognitive modeling;

- 1.2.1. Artificial intelligence and machine learning;

- 2.3.1. System analysis, management and information processing. Scientific school: "Automated system-cognitive analysis" includes the

following interdisciplinary scientific areas:

- Automated system-cognitive analysis of numerical and textual tabular

data;

- Automated system-cognitive analysis of text data;

- Spectral and contour automated system-cognitive analysis of images;

- Scenario automated system-cognitive analysis of time and dynamic

series.

It is hardly expedient here to give references to all these works here. We only note that the author has a personal website [4] and a page in ResearchGate [5], where you can get more complete information about the ASC analysis method. Brief information about ASC-analysis and the Eidos system is in the material:http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf.

2.4. "Eidos" system - ASC-analysis toolkit

There are many artificial intelligence systems. The universal cognitive analytical system "Eidos" differs from them in the following parameters:

- is universal and can be applied in many subject areas, because developed in a universal setting that does not depend on the subject area (http://lc.kubagro.ru/aidos/index.htm) and has 6 automated programming interfaces (API) for data entry from external data sources of various types: tables, texts and graphics. The Eidos system is an automated system, i.e. involves the direct participation of a person in real time in the process of creating models and using them to solve problems of identification, forecasting,

5 https://www.famous-scientists.ru/school/1608

6 https://www.garant.ru/products/ipo/prime/doc/400450248/

decision-making and research of a subject area by studying its model (automatic systems work without such human participation);

- is in full open access free of charge (http://lc.kubagro.ru/aidos/ Aidos-X.htm), and with actual source texts (http://lc.kubagro .ru/ AidosALL.txt): open license:CC BY SA 4.0(https://creativecommons.org/licenses/by-sa/4.0/), and this means that anyone who wishes can use it, without any additional permission from the primary copyright holder - the author of the Eidos system prof. E.V. Lutsenko (we note that the Eidos system was created completely using only licensed tool software and there are 31 certificates of RosPatent of the Russian Federation for it);

- is one of the first domestic artificial intelligence systems of a personal level, i.e. does not require the user to have special training in the field of artificial intelligence technologies: "has a zero entry threshold" (there is an act of introducing the Eidos system in 1987) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);

- really works, provides stable identification in a comparable form of strength and direction of cause-and-effect relationships in incomplete noisy interdependent (nonlinear) data of a very large dimension of numerical and non-numerical nature, measured in various types of scales (nominal, ordinal and numerical) and in various units measurements (i.e. does not impose strict requirements on data that cannot be met, but processes the data that is);

- has a "zero entry threshold", contains a large number of local (supplied with the installation) and cloud educational and scientific Eidos applications (currently there are 31 and more than 300, respectively:http://aidos.byethost5.com/Source data applications/WebAppls.ht m) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);

- supports an on-line environment for knowledge accumulation and exchange, widely used throughout the world (http://aidos.byethost5 .com/map5 .php);

- provides multilingual interface support in 51 languages. Language databases are included in the installation and can be replenished automatically;

- the most computationally intensive operations of model synthesis and recognition are implemented using a graphics processor (GPU), which on some tasks accelerates the solution of these problems by several thousand times, which actually provides intelligent processing of big data, big information and big knowledge (graphic processor must be on an NVIDIA chipset);

- provides the transformation of the initial empirical data into information, and it into knowledge and the solution using this knowledge of the problems of classification, decision support and research of the subject area by studying its system-cognitive model, while generating a very large number of tabular and

graphical output forms (development cognitive graphics), many of which have no analogues in other systems (examples of forms can be found in the work:http://lc.kubagro.ru/aidos/aidos18 LLS/aidos18 LLS.pdf);

- well imitates the human style of thinking: provides analysis results that are understandable to experts based on their experience, intuition and professional competence;

- instead of imposing practically impracticable requirements on the initial data (such as the normality of distribution, absolute accuracy and complete repetitions of all combinations of factor values and their complete independence and additivity), automated system-cognitive analysis (ASC-analysis) offers without any preliminary processing comprehend this data and thereby transform it into information, and then transform this information into knowledge by applying it to achieve goals (i.e. for management) and solve problems of classification, decision support and meaningful empirical research of the domain being modeled.

What is the strength of the approach implemented in the Eidos system? The fact that it implements an approach whose effectiveness does not depend on what we think about the subject area and whether we think at all. It forms models directly on the basis of empirical data, and not on the basis of our ideas about the mechanisms for the implementation of patterns in these data. That is why Eidos models are effective even if our ideas about the subject area are erroneous or absent altogether.

This is the weakness of this approach implemented in the Eidos system.. Models of the Eidos system are phenomenological models that reflect empirical patterns in the facts of the training sample, i.e. they do not reflect the causal mechanism of determination, but only the very fact and nature of determination. A meaningful explanation of these empirical patterns is already formulated by experts at the theoretical level of knowledge in meaningful scientific laws.7.

The development of the Eidos system included the following stages:

1st stage, "preparatory": 1979-1992.The mathematical model of the "Eidos" system was developed in 1979 and was first tested experimentally in 1981 (the first calculation on a computer based on the model). From 1981 to 1992, the Eidos system was repeatedly implemented on the Wang platform (on Wang-2200C computers). In 1987, for the first time received implementation act to one of the early versions of the "Eidos" system, implemented in the environment of the personal technological system "Vega-M" developed by the author (see Act 2).

7Link to this brief description of the Eidos system in English:http://lc.kubagro.ru/aidos/The Eidos en.htm

Stage 2, "IBM PC and MS DOS era": 1992-2012. For IBM-compatible personal computers, the Eidos system was first implemented in the CLIPPER-87 and CLIPPER-5.01 (5.02) languages in 1992, and in 1994 the certificates of RosPatent, the first in the Krasnodar Territory and, possibly, in Russia, on artificial intelligence systems (on the left is the title videogram of the final DOS version of the Eidos-12.5 system, June 2012). From then until now, the system has been continuously improved on the IBM PC.

Stage 3, "MS Windows xp, 8, 7 era": 2012-2020.From June 2012 to 12/14/2020, the Eidos system developed in the language Alaska-1.9+Express+++ library for working with Internet xb2net. The Eidos-X1.9 system worked well on all versions of MS Windows except Windows-10, which required special settings. The most computationally intensive operations of model synthesis and recognition are implemented with the help of a graphics processor (GPU), which, on some tasks, accelerates the solution of these problems by several thousand times, which really ensures the intelligent processing of big data, big information and big knowledge (the graphics processor must be on an NVIDIA chipset).

Stage 4, "MS Windows-10 era": 2020-2021.From 12/13/2020 to the present, the Eidos system has been developing in the languageAlaska-2.0+Express++. The xb2net library is no longer used in it, because all the possibilities of working with the Internet are included in basic programming language features.

Stage 5, "the era of Big data, information and knowledge": from 2022 to the present. Since 2022, the author and developer of the Eidos system, Prof. E.V. Lutsenko, has come to grips with the development of a professional version of the Eidos system in the Alaska + Express language, which provides processing of big data, information and knowledge (Big Data, Big Information, Big Knowledge) using ADS (Advantage Database Server), as well as in C# (Visual Studio | C#).

Figure 1 shows the title videogram of the DOS version of the Eidos system, and Figure 2 shows the current version of the Eidos system, and Figure 3 shows the sequence of processing data, information and knowledge in the Eidos system:

I-LJ-j: L'I F7j .j- г J ._ni:-:i I v 35m75ö IIJ^JI l >.г: nfГЛ555 M

CnpyRigtit (Ci Kcipiitit'rr: ¡1 enterprise AIDIJS, KiL^ia, 1474-ZOG5.

Russian Га teilt Ho 940217. llli Rights Fie ec rued.

НДУЧНО-ПРОИЗВОДСТВЕННиК 11РК7ШРИЯ THE *ЭЙЛОС* г.КросноЛчр, (JUL; }itip:уЛсМлrud.ru pltitufj: O.J.h., к.т.н., профессор Е.В.Пциенко

когнитивная аналитическая с ист е ж й

При созЗинии системы применены слесЗушие лицензионные прогроннные продукты;

fii !■!■'-С--С1' CflPir^ Stijri, 1ГБЙ- :'1£> DOS, 5 Й0 21, 7 II

lt*nl*i»f СовлчжаЬэп. USA CLI№ER Е .61 ftu. М CSX 2Ъ1&?4 Coneuir* Айдомч^ inreitniiicmj. inc..- UbR- roeu-il aus н гваэзг ГаиЛбг LWlred, foUitf- E^S^h ЗЛШ И li. 2 .fl H ifll

KMi it». CiiP*>ee bj SniiR»1 fl.Stmeneti, fiussta Htw^/sias-spiu R*/so4t4iaRe/Hiis.Hl№

о

Picture 1. Title videogram of the DOS version of the Eidos system (until 2012)

t) и Автолизэц/? e системе ЭЛ.ДОС-Х"

I = ■ IHI K^M

Задайте имя и пароль:

Щ—

Login : Password:

e

Advantage Database Server (ADSJ - OFF

Особенности работы в системе

1. Пели система й данной папке запускается впервые, то бщет произведена Л 0 КАЛ И ЙАЦ И й системы, т.е. будут уда пены все приложения и пользователи и заново прописаны пути на все базы данных

по Фактическому расположению системы.

2. Новое окно главного меню можно открывать только после закрытия всех предыдущих.

Главное, что делает система:

1; Альберт Эйнштейн писал, что научные законы это лишь высказывания о пие;тпрения:-: в наблюдаемы:-: явлениях Конечно наверное он имел в виду не сами законы природы, а лишь Формулировки этих

законов В системе "Нйдос1 з ги наблюдения повторений называются событиями или Фактами.

2. Например. Фактом является наблюдение определен моги значения какого либо свойства у объектов некоторой обобщенной категории [класса], или наблюдение определенного значения Фактора при переходе объекта в будущее состояние, соответствующее к классу.

3. Система 'Эйаос" выявляет эмпирические закономерности в Фактах и тем самым преобразует исход ные данные в информацию, а ее в знания и решает на основе этих знаннй задачи идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Д. Кроме того система 'о ид о и1 выводит информацию об обнаруженных закономерностях в большом количестве разнообразных и оригинальных текстовых, табличных и графических выходных Форм.

Работы автора системы "Эйдос" прсФ.Е.В.ЛуценкоС''. по АСК:анализу и системе 'Нйдос"

Кратко об АСК-анализе Подборки публикаций по АСК-анализу

СЕРТИФИКАТ об освоении системы "Эйдос" от проф.Е.ВЛуценко. ПОДДЕРЖКА

Пк

Cancel

Picture2. Title videogram of the current version of the Eidos system

8 http://lc.kubagro.ru/pic/aidos titul.jpg

Последовательность обработки данных, информации и знаний в системе «Эйдос», повышение уровня системности данных, информации и знаний, повышение уровня системности моделей

/\

Когнитивно-целевая структуризация предметной области (единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа) На этом этапе разработчик интеллектуального Эйдос-приложения решает, что он рассматривает как объект моделирования и управления, что как факторы, действующие на этот объект, а что как будущие состояния, в которые объект управления может перейти под действием этих факторов

Если модель адекватна, достоверна, т.е. соответствует действительности, то и результаты решения задач в этой модели также соответствуют действительности. Это значит, что если достоверность модели низка или неизвестна, то применять ее для решения реальных задач нельзя. Если же это делается, то является авантюризмом и профанацией науки. О соотношении задач.

- распознавание, классификация, идентификация и диагностика (это одно и тоже, т.е. синонимы). При решении этих задач определяется степень сходства/

- идентификация и прогнозирование (при идентификации значения свойств и принадлежность объекта к классу относятся к одному моменту времени, а при прогнозировании значения факторов относятся к прошлому, а переход объекта под действием этих факторов в состояние, соответствующее классу относится к будущему, по сути, прогнозирование - это идентификация будущих состояний, т.е. это тоже идентификация, но не в пространстве (настоящем), а в пространстве-времени;

- прогнозирование и принятие решений (при прогнозировании по значениям факторов, действующих на объект моделирования, определяется в какое будущее состояние он перейдет под их действием. При принятии решений, наоборот, по будущему целевому состоянию объекта моделирования определяются значения факторов, которые обуславливают его переход в это будущее целевое состояние. Таким образом задача принятия решений является обратной по

- принятие решений путем многократного многовариантного прогнозирования при различных сочетаниях значений факторов невозможно из-за комбинаторного взрыва. Прогнозирование может быть элементом принятия решения, т.е. применено для оценки адекватности рассматриваемого уже ранее сформированного другим методом варианта решения, но оно в реальных случаях, т.е. когда много факторов, не может быть применено для выработки самого варианта решения;

- принятие решений и исследование моделируемой предметной области (задача принятия решений является обратной по отношению к задаче прогнозирования только в простейшем случае: в случае использования 8\Л/ОТ-анализа. Однако 8\Л/ОТ-анализ имеет свои ограничения: может быть задано только одно будущее целевое состояние, некоторые рекомендуемые факторы может не быть технологической и финансовой возможности использовать. Поэтому в АСК-анализе и системе «Эйдос» реализован развитый алгоритм принятия решений п.6.3 в котором кроме 8\Л/ОТ-анализа используются также результаты решения задачи прогнозирования и результаты кластерно-конструктивного анализа классов и значений факторов, т.е. некоторые результаты решения задачи исследования предметной области.)

Picture3. The sequence of data, information and knowledge processing in the Eidos

system

3.RESULTS

3.1. Task-1. Cognitive structuring of the subject area. Two interpretations of the classification and descriptive scales and gradations

The stage of cognitive-target structuring of the subject area is the only non-automated stage of scenario ASC analysis in the Eidos system.

At the stage of cognitive-target structuring of the subject area, we decide in a non-formalized way at a qualitative level what we will consider as factors acting on the modeled object (causes), and what as the results of these factors (consequences). In essence, this is a statement of the problem to be solved.

Descriptive scales serve to formally describe the factors, and classification scales - the results of their action on the modeling object. Scales can be numerical and textual. Text scales can be nominal and ordinal.

Cognitive structuring of the subject area is the first and only non-automated stage of ASC analysis in the Eidos system, i.e. all subsequent stages of ASC analysis in it are fully automated.

In ASC-analysis and the "Eidos" system, two interpretations of classification and descriptive scales and gradations are used: static and dynamic and the corresponding terminology (generalizing, static and dynamic).

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Static interpretation and terminology:

- gradations of classification scales are generalizing categories of types of objects (classes);

- descriptive scales - properties of objects, gradations of descriptive scales - values of properties (attributes) of objects.

Dynamic interpretation and terminology:

- gradations of classification scales are generalizing categories of future states of the modeling object (classes);

- descriptive scales - factors acting on the object of modeling, gradations of descriptive scales - the values of factors acting on the object of modeling.

General terminology:

- classification scales and gradations;

- descriptive scales and gradations.

In this paper, we will mainly adhere to the dynamic interpretation and terminology.

As a result of the stage of cognitive-target structuring of the subject area:

- as an object of modeling, we will choose the climate in the city of Krasnodar (Russia. Southern Federal District);

- as factors influencing the object of modeling, we will choose the following past climatic factors (Table 1);

- as the results of the influence of factors on the modeling object, we will choose the following current and future climatic states (Table 2);

table 1 - Climatic factors affecting the modeling object (descriptive scales)

KOD OPSC NAME OPSC

1 MAXIMUM TEMPERATURE

2 MINIMUM TEMPERATURE

3 AVERAGE TEMPERATURE

4 ATMOSPHERE PRESSURE

5 WIND SPEED

6 PRECIPITATION

7 EFFICIENT TEMPERATURE

8 MAXIMUM TEMPERATURE-PAST3

9 MINIMUM TEMPERATURE-PAST3

10 MEDIUM TEMPERATURE-PAST3

11 ATMOSPHERIC PRESSURE-PAST3

12 WIND SPEED-PAST3

13 RAIN-PAST3

14 EFFECTIVE TEMPERATURE-PAST3

table 1- The results of the influence of factors on the object of modeling (classification __scales)_

KOD CLSC NAME CLSC

1 MAXIMUM TEMPERATURE

2 MINIMUM TEMPERATURE

3 AVERAGE TEMPERATURE

4 ATMOSPHERE PRESSURE

5 WIND SPEED

6 PRECIPITATION

7 EFFICIENT TEMPERATURE

8 MAXIMUM TEMPERATURE-FUTURE3

9 MINIMUM TEMPERATURE-FUTURE3

10 AVERAGE TEMPERATURE-FUTURE3

11 ATMOSPHERIC PRESSURE-FUTURE3

12 WIND SPEED-FUTURE3

13 RAIN-FUTURE3

14 EFFECTIVE TEMPERATURE-FUTURE3

3.2. Task-2. Formalization of the subject area

At the stage of formalization of the subject area, classification and descriptive scales and gradations are developed, and then the initial data are encoded using them, resulting in a training sample. The training sample, in fact, is the original data, normalized with the help of classification and descriptive scales and gradations.

The Eidos system has a large number of various automated program interfaces (APIs) that provide input into the system of external data of various types: textual, tabular and graphic, as well as others that can be presented in this form, for example, audio or electroencephalogram (ECG) data. ) or cardiogram (ECG).

This ensures the user-friendly use of the Eidos system for conducting scientific research in various areas of science and solving practical problems in

various subject areas, almost everywhere where a person uses natural intelligence.

In this work, long-term weather data in Krasnodar, taken from the site, are used as initial data:

http://pogoda-service.ru/archive gsod.php. However, data can be downloaded from this site in chunks no larger than 1000 lines. Therefore, these portions were downloaded and combined by the author into one file manually. In addition, dots have been replaced with commas in numeric columns. The result is an Excel table of initial data, a fragment of which is shown in Table 3.

ta ble 2- Init ial с ata fragment)

date of Maximum temperature Minimum temperature average temperature Atmosphere pressure Wind speed Precipitation Effective temperature Maximum temperature Minimum temperature average temperature Atmosphere pressure Wind speed Precipitation Effective temperature

05.01.1933 0,0 -5,0 -1,5 0,0 2,0 0,0 0,0 0,0 -5,0 -1,5 0,0 2,0 0,0 0,0

06.01.1933 0,0 -2,8 -1,4 0,0 1,0 0,0 0,0 0,0 -2,8 -1,4 0,0 1,0 0,0 0,0

07.01.1933 -1,1 -5,0 -3,5 0,0 4,0 0,0 0,0 -1,1 -5,0 -3,5 0,0 4,0 0,0 0,0

08.01.1933 -2,8 -7,8 -5,2 0,0 8,0 0,0 0,0 -2,8 -7,8 -5,2 0,0 8,0 0,0 0,0

09.01.1933 -2,8 -11,1 -7,7 0,0 4,0 0,0 0,0 -2,8 -11,1 -7,7 0,0 4,0 0,0 0,0

10.01.1933 -2,2 -12,2 -7,4 0,0 5,0 0,0 0,0 -2,2 -12,2 -7,4 0,0 5,0 0,0 0,0

11.01.1933 0,0 -10,0 -2,3 0,0 2,0 0,0 0,0 0,0 -10,0 -2,3 0,0 2,0 0,0 0,0

12.01.1933 1,1 -3,9 -1,8 0,0 1,0 0,0 0,0 1,1 -3,9 -1,8 0,0 1,0 0,0 0,0

13.01.1933 -2,8 -6,1 -4,4 0,0 1,0 0,0 0,0 -2,8 -6,1 -4,4 0,0 1,0 0,0 0,0

14.01.1933 -2,8 -7,8 -5,4 0,0 5,0 0,0 0,0 -2,8 -7,8 -5,4 0,0 5,0 0,0 0,0

15.01.1933 -7,8 -12,2 -9,2 0,0 4,0 0,0 0,0 -7,8 -12,2 -9,2 0,0 4,0 0,0 0,0

16.01.1933 -10,0 -12,2 -10,6 0,0 3,0 0,0 0,0 -10,0 -12,2 -10,6 0,0 3,0 0,0 0,0

17.01.1933 -3,9 -11,1 -6,2 0,0 2,0 0,0 0,0 -3,9 -11,1 -6,2 0,0 2,0 0,0 0,0

18.01.1933 7,8 -5,0 0,8 0,0 0,0 0,0 0,0 7,8 -5,0 0,8 0,0 0,0 0,0 0,0

19.01.1933 2,2 -5,0 -0,4 0,0 1,0 0,0 0,0 2,2 -5,0 -0,4 0,0 1,0 0,0 0,0

20.01.1933 7,8 -2,2 1,4 0,0 4,0 0,0 0,0 7,8 -2,2 1,4 0,0 4,0 0,0 0,0

21.01.1933 -2,8 -10,0 -5,7 0,0 6,0 0,0 0,0 -2,8 -10,0 -5,7 0,0 6,0 0,0 0,0

22.01.1933 2,2 -10,0 -3,2 0,0 4,0 0,0 0,0 2,2 -10,0 -3,2 0,0 4,0 0,0 0,0

23.01.1933 2,8 -7,2 -1,7 0,0 4,0 0,0 0,0 2,8 -7,2 -1,7 0,0 4,0 0,0 0,0

24.01.1933 -3,9 -10,0 -7,5 0,0 7,0 0,0 0,0 -3,9 -10,0 -7,5 0,0 7,0 0,0 0,0

25.01.1933 -10,0 -12,8 -11,5 0,0 2,0 0,0 0,0 -10,0 -12,8 -11,5 0,0 2,0 0,0 0,0

26.01.1933 -7,2 -13,9 -9,6 0,0 4,0 0,0 0,0 -7,2 -13,9 -9,6 0,0 4,0 0,0 0,0

27.01.1933 -7,8 -12,8 -11,1 0,0 1,0 0,0 0,0 -7,8 -12,8 -11,1 0,0 1,0 0,0 0,0

29.01.1933 0,0 -7,2 -1,2 0,0 3,0 0,0 0,0 0,0 -7,2 -1,2 0,0 3,0 0,0 0,0

30.01.1933 2,2 -7,2 -1,2 0,0 1,0 0,0 0,0 2,2 -7,2 -1,2 0,0 1,0 0,0 0,0

31.01.1933 2,8 -10,0 -1,2 0,0 3,0 0,0 0,0 2,8 -10,0 -1,2 0,0 3,0 0,0 0,0

01.02.1933 5,0 0,0 1,4 0,0 1,0 0,0 0,0 5,0 0,0 1,4 0,0 1,0 0,0 0,0

02.02.1933 1,1 -2,2 -0,3 0,0 2,0 0,0 0,0 1,1 -2,2 -0,3 0,0 2,0 0,0 0,0

03.02.1933 1,1 -2,8 0,1 0,0 1,0 0,0 0,0 1,1 -2,8 0,1 0,0 1,0 0,0 0,0

04.02.1933 3,9 0,0 2,1 0,0 1,0 0,0 0,0 3,9 0,0 2,1 0,0 1,0 0,0 0,0

05.02.1933 0,0 -3,9 -2,5 0,0 2,0 0,0 0,0 0,0 -3,9 -2,5 0,0 2,0 0,0 0,0

07.02.1933 12,8 -2,2 2,9 0,0 2,0 0,0 0,0 12,8 -2,2 2,9 0,0 2,0 0,0 0,0

08.02.1933 2,2 -2,8 -0,6 0,0 1,0 0,0 0,0 2,2 -2,8 -0,6 0,0 1,0 0,0 0,0

09.02.1933 -5,0 -7,8 -6,5 0,0 2,0 0,0 0,0 -5,0 -7,8 -6,5 0,0 2,0 0,0 0,0

10.02.1933 -5,0 -8,9 -6,5 0,0 1,0 0,0 0,0 -5,0 -8,9 -6,5 0,0 1,0 0,0 0,0

13.02.1933 2,8 -6,1 -2,8 0,0 4,0 0,0 0,0 2,8 -6,1 -2,8 0,0 4,0 0,0 0,0

14.02.1933 2,2 -12,2 -1,7 0,0 3,0 0,0 0,0 2,2 -12,2 -1,7 0,0 3,0 0,0 0,0

15.02.1933 3,9 -3,9 1,7 0,0 3,0 0,0 0,0 3,9 -3,9 1,7 0,0 3,0 0,0 0,0

16.02.1933 2,2 -3,9 -1,2 0,0 4,0 0,0 0,0 2,2 -3,9 -1,2 0,0 4,0 0,0 0,0

17.02.1933 1,1 -6,1 -0,4 0,0 5,0 0,0 0,0 1,1 -6,1 -0,4 0,0 5,0 0,0 0,0

18.02.1933 0,0 -1,1 -0,3 0,0 1,0 0,0 0,0 0,0 -1,1 -0,3 0,0 1,0 0,0 0,0

19.02.1933 2,2 -7,2 1,4 0,0 1,0 0,0 0,0 2,2 -7,2 1,4 0,0 1,0 0,0 0,0

20.02.1933 2,2 -1,1 0,6 0,0 1,0 0,0 0,0 2,2 -1,1 0,6 0,0 1,0 0,0 0,0

21.02.1933 2,2 -2,2 1 -0,6 I 0,0 4,0 0,0 0,0 2,2 -2,2 I -0,6 I 0,0 4,0 0,0 0,0

22.02.1933 6,1 -1,1 0,4 0,0 3,0 0,0 0,0 6,1 -1,1 0,4 0,0 3,0 0,0 0,0

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

23.02.1933 12,2 -3,9 3,8 0,0 1,0 0,0 0,0 12,2 -3,9 3,8 0,0 1,0 0,0 0,0

24.02.1933 7,8 0,0 3,5 0,0 2,0 0,0 0,0 7,8 0,0 3,5 0,0 2,0 0,0 0,0

25.02.1933 8,9 0,0 3,9 0,0 2,0 0,0 0,0 8,9 0,0 3,9 0,0 2,0 0,0 0,0

26.02.1933 11,1 -1,1 3,5 0,0 2,0 0,0 0,0 11,1 -1,1 3,5 0,0 2,0 0,0 0,0

27.02.1933 5,0 -2,2 0,6 0,0 4,0 0,0 0,0 5,0 -2,2 0,6 0,0 4,0 0,0 0,0

28.02.1933 2,2 -3,9 -0,3 0,0 1,0 0,0 0,0 2,2 -3,9 -0,3 0,0 1,0 0,0 0,0

01.03.1933 0,0 -2,8 -2,1 0,0 1,0 0,0 0,0 0,0 -2,8 -2,1 0,0 1,0 0,0 0,0

02.03.1933 -2,8 -6,1 -5,0 0,0 2,0 0,0 0,0 -2,8 -6,1 -5,0 0,0 2,0 0,0 0,0

03.03.1933 -5,0 -10,0 -7,8 0,0 1,0 0,0 0,0 -5,0 -10,0 -7,8 0,0 1,0 0,0 0,0

04.03.1933 2,8 -11,1 -3,1 0,0 1,0 0,0 0,0 2,8 -11,1 -3,1 0,0 1,0 0,0 0,0

05.03.1933 6,1 -2,2 4,0 0,0 10,0 0,0 0,0 6,1 -2,2 4,0 0,0 10,0 0,0 0,0

06.03.1933 10,0 3,9 7,7 0,0 11,0 0,0 0,0 10,0 3,9 7,7 0,0 11,0 0,0 0,0

07.03.1933 12,8 7,2 9,3 0,0 10,0 0,0 0,0 12,8 7,2 9,3 0,0 10,0 0,0 0,0

08.03.1933 0,0 -5,0 -2,5 0,0 6,0 0,0 0,0 0,0 -5,0 -2,5 0,0 6,0 0,0 0,0

09.03.1933 0,0 -10,0 -5,4 0,0 4,0 0,0 0,0 0,0 -10,0 -5,4 0,0 4,0 0,0 0,0

10.03.1933 5,0 -8,9 -2,3 0,0 4,0 0,0 0,0 5,0 -8,9 -2,3 0,0 4,0 0,0 0,0

12.03.1933 6,1 -2,8 1,0 0,0 6,0 0,0 0,0 6,1 -2,8 1,0 0,0 6,0 0,0 0,0

14.03.1933 2,8 -2,8 0,3 0,0 1,0 0,0 0,0 2,8 -2,8 0,3 0,0 1,0 0,0 0,0

15.03.1933 11,1 -3,9 5,0 0,0 7,0 0,0 0,0 11,1 -3,9 5,0 0,0 7,0 0,0 0,0

16.03.1933 11,1 3,9 6,8 0,0 9,0 0,0 0,0 11,1 3,9 6,8 0,0 9,0 0,0 0,0

17.03.1933 15,0 1,1 6,7 0,0 1,0 0,0 0,0 15,0 1,1 6,7 0,0 1,0 0,0 0,0

18.03.1933 21,1 -7,2 6,9 0,0 2,0 0,0 0,0 21,1 -7,2 6,9 0,0 2,0 0,0 0,0

20.03.1933 20,0 1,1 9,7 0,0 1,0 0,0 0,0 20,0 1,1 9,7 0,0 1,0 0,0 0,0

22.03.1933 22,8 1,1 10,4 0,0 2,0 0,0 0,0 22,8 1,1 10,4 0,0 2,0 0,0 0,0

24.03.1933 22,8 1,1 11,0 0,0 2,0 0,0 0,0 22,8 1,1 11,0 0,0 2,0 0,0 0,0

26.03.1933 3,9 -2,2 1,2 0,0 2,0 0,0 0,0 3,9 -2,2 1,2 0,0 2,0 0,0 0,0

27.03.1933 8,9 -2,8 4,2 0,0 5,0 0,0 0,0 8,9 -2,8 4,2 0,0 5,0 0,0 0,0

28.03.1933 3,9 -2,8 0,8 0,0 3,0 0,0 0,0 3,9 -2,8 0,8 0,0 3,0 0,0 0,0

29.03.1933 7,2 -3,9 3,5 0,0 7,0 0,0 0,0 7,2 -3,9 3,5 0,0 7,0 0,0 0,0

30.03.1933 6,1 2,2 3,8 0,0 1,0 0,0 0,0 6,1 2,2 3,8 0,0 1,0 0,0 0,0

31.03.1933 10,0 0,0 4,6 0,0 1,0 0,0 0,0 10,0 0,0 4,6 0,0 1,0 0,0 0,0

01.04.1933 13,9 0,0 6,0 0,0 3,0 0,0 0,0 13,9 0,0 6,0 0,0 3,0 0,0 0,0

02.04.1933 16,1 -2,8 8,1 0,0 4,0 0,0 0,0 16,1 -2,8 8,1 0,0 4,0 0,0 0,0

03.04.1933 10,0 1,1 6,5 0,0 2,0 0,0 0,0 10,0 1,1 6,5 0,0 2,0 0,0 0,0

04.04.1933 7,8 2,8 5,3 0,0 1,0 0,0 0,0 7,8 2,8 5,3 0,0 1,0 0,0 0,0

05.04.1933 11,1 2,2 5,6 0,0 2,0 0,0 0,0 11,1 2,2 5,6 0,0 2,0 0,0 0,0

06.04.1933 8,9 1,1 5,4 0,0 2,0 0,0 0,0 8,9 1,1 5,4 0,0 2,0 0,0 0,0

07.04.1933 10,0 1,1 4,9 0,0 5,0 0,0 0,0 10,0 1,1 4,9 0,0 5,0 0,0 0,0

08.04.1933 12,2 1,1 5,8 0,0 4,0 0,0 0,0 12,2 1,1 5,8 0,0 4,0 0,0 0,0

10.04.1933 6,1 1,1 3,9 0,0 1,0 0,0 0,0 6,1 1,1 3,9 0,0 1,0 0,0 0,0

11.04.1933 5,0 2,2 2,8 0,0 2,0 0,0 0,0 5,0 2,2 2,8 0,0 2,0 0,0 0,0

12.04.1933 10,0 1,1 5,3 0,0 4,0 0,0 0,0 10,0 1,1 5,3 0,0 4,0 0,0 0,0

13.04.1933 8,9 -1,1 5,0 0,0 1,0 0,0 0,0 8,9 -1,1 5,0 0,0 1,0 0,0 0,0

14.04.1933 16,1 2,2 9,0 0,0 2,0 0,0 0,0 16,1 2,2 9,0 0,0 2,0 0,0 0,0

17.04.1933 7,8 1,1 6,4 0,0 9,0 0,0 0,0 7,8 1,1 6,4 0,0 9,0 0,0 0,0

18.04.1933 10,0 2,8 4,6 0,0 5,0 0,0 0,0 10,0 2,8 4,6 0,0 5,0 0,0 0,0

19.04.1933 17,8 0,0 11,5 0,0 5,0 0,0 0,0 17,8 0,0 11,5 0,0 5,0 0,0 0,0

20.04.1933 27,8 2,8 17,7 0,0 4,0 0,0 0,0 27,8 2,8 17,7 0,0 4,0 0,0 0,0

23.04.1933 22,8 12,2 17,6 0,0 4,0 0,0 0,0 22,8 12,2 17,6 0,0 4,0 0,0 0,0

24.04.1933 30,0 10,0 18,5 0,0 2,0 0,0 0,0 30,0 10,0 18,5 0,0 2,0 0,0 0,0

25.04.1933 26,1 10,0 16,5 0,0 4,0 0,0 0,0 26,1 10,0 16,5 0,0 4,0 0,0 0,0

26.04.1933 13,9 10,0 11,8 0,0 1,0 0,0 0,0 13,9 10,0 11,8 0,0 1,0 0,0 0,0

27.04.1933 13,9 8,9 11,5 0,0 1,0 0,0 0,0 13,9 8,9 11,5 0,0 1,0 0,0 0,0

28.04.1933 12,2 6,1 9,6 0,0 3,0 0,0 0,0 12,2 6,1 9,6 0,0 3,0 0,0 0,0

29.04.1933 17,2 5,0 10,8 0,0 1,0 0,0 0,0 17,2 5,0 10,8 0,0 1,0 0,0 0,0

30.04.1933 13,9 7,2 10,3 0,0 2,0 0,0 0,0 13,9 7,2 10,3 0,0 2,0 0,0 0,0

01.05.1933 18,9 5,0 11,5 0,0 3,0 0,0 0,0 18,9 5,0 11,5 0,0 3,0 0,0 0,0

03.05.1933 20,0 8,9 15,6 0,0 4,0 0,0 0,0 20,0 8,9 15,6 0,0 4,0 0,0 0,0

04.05.1933 17,2 7,8 12,2 0,0 2,0 0,0 0,0 17,2 7,8 12,2 0,0 2,0 0,0 0,0

05.05.1933 22,2 5,0 15,4 0,0 1,0 0,0 0,0 22,2 5,0 15,4 0,0 1,0 0,0 0,0

06.05.1933 16,1 8,9 12,8 0,0 2,0 0,0 0,0 16,1 8,9 12,8 0,0 2,0 0,0 0,0

07.05.1933 17,8 6,1 11,8 0,0 4,0 0,0 0,0 17,8 6,1 11,8 0,0 4,0 0,0 0,0

09.05.1933 23,9 7,2 16,4 0,0 1,0 0,0 0,0 23,9 7,2 16,4 0,0 1,0 0,0 0,0

10.05.1933 27,8 10,0 18,8 0,0 1,0 0,0 0,0 27,8 10,0 18,8 0,0 1,0 0,0 0,0

11.05.1933 27,8 10,0 18,9 0,0 1,0 0,0 0,0 27,8 10,0 18,9 0,0 1,0 0,0 0,0

13.05.1933 23,9 12,2 18,6 0,0 2,0 0,0 0,0 23,9 12,2 18,6 0,0 2,0 0,0 0,0

15.05.1933 17,8 8,9 14,0 0,0 5,0 0,0 0,0 17,8 8,9 14,0 0,0 5,0 0,0 0,0

16.05.1933 21,1 7,8 14,6 0,0 1,0 0,0 0,0 21,1 7,8 14,6 0,0 1,0 0,0 0,0

17.05.1933 22,2 7,8 16,1 0,0 5,0 0,0 0,0 22,2 7,8 16,1 0,0 5,0 0,0 0,0

18.05.1933 20,0 12,2 15,3 0,0 7,0 0,0 0,0 20,0 12,2 15,3 0,0 7,0 0,0 0,0

The full Excel table of the source data is in full open free access in the Eidos cloud at the link:

http://aidos.byethost5.com/Source data applications/Applications-000330/Inp data.xlsx.

In this work, to enter the initial data (Table 3) into the Eidos system and the automated development of classification and descriptive scales and gradations and the training sample (Tables 4, 5, 6), i.e. for automated formalization of the subject area, the universal automated API-2.3.2.2 was applied, with the parameters shown in Figure 4:

232.2. Универсалънъ v- грогоамзднь й интерфейс импорта да^т-э"-. в систему

I ё

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_с1а1а"

Задаче параметры:

Стандарт. XLS -Файла

Задайте тип Файла исходные данных: np_data" С"Ш - MS Excel-2003 (* XLSX': MS Excel-20G7(2G10)

f DBF -DBASE IV (DBF/NTX) Стандарт DBF-Файла

Г*1 CSV -; CSV =М> В F конвертер Стандарг CSV-файла

Задайте диапазон столбцов классификационных шкал:— Начальный столбец классификационных шкал: Конечный столбец классификационных шкал

ге Нули и пробелы считала ОТСУТСТВИЕМ данных (" Нули и пробелы считать ЗНАЧЕНИЯМИ данных Создавать БД средних по классам

Требования к файлу исходных данных

-Задайте диапазон столбцов описательных шкал Начальный столбец описательных шкал: Конечный столбец описательных шкал:

Задайте режим

<• Формализации предметной области (на основе "1пр_с1а'а") С* Генерации распознаваемой выборки (на основе "1пр_гагр")

Равные интервалы с разным числом наблюдений Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "1пр_с1э!а : Г" Не применять сценарный метод АСК-анализа (• Применить сценарный метод АСК-анализа

Параметры формирования сценариев: ь удуший периой:

Горизонт прогнозирования минимальный: Горизонт прогнозирования максимальный:

Прошлый перио:;:

Глубина предыстории минимальная: Глубине предыстории максимальная:

Рассматривать отдельно точки прошлых сценариез?-

(• ;Не рассматривать;

Рассматривать, нотопько Финальные точки Г Рассматривать все точки

Рассматривать отдельно точки будущих сценариев? (Ж Не рассматривать

С Рассмагривать, но только Финальные точки С Рассмагривать все точки

Подробное теоретическое описание сценарного АСК-анализа с детальным численным примером

15

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Задайте способ выбора размера интервалов:

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

!• Только интервальные числовые значения (например

С Только наименования интервальных числовыя значений (например

Г' И интервальные числовые значения, и их наименования (например

ШрШ ' 78545.6G6B6e7}M] "Минимальное")

"Минимальное: 1/3-{59873.0Gfl00[ia 178545. G66GGB7}";

uk

Cancel

Помощь по режиму 2.3.2,2 для случая Excel-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данный "lnp_data.xls" в систему 'Эйдос-Х++" и Формализации предметной области.

- Данный программный интерфейс обеспечивает Формализацию предметной области, т.е. анализ Файла немодный данных lnp_data.xls(x). Формирование классификационных и описательных шкал и градаций, а затем кодирование файла исходных с их использованием.

- Файл исходных данных должен иметь имя: lnp_data.xls(x), а файл распознаваемой выборки имя: lnp_rasp.xls(x). Файлы lnp_dala.xls(x) и lnp_rasp.xls(n) должны находиться в папке .VAIDOS-X/AID_DATAf'lnp_data/. Эти Файлы 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 переносы по словам разрешены, а объединение ячеек, разрыв строки знак абзаца не допускаются. Эти наименования должны быть короткими, но понятными, т. к. они будут в выходных Формах, а к ним еще будут добавляться наименования градаций. В числовых шкалах надо ОБЯЗАТЕЛЬНО указывать единицы измерения и число знаков после запятой в колонке должно быть ОДИНАКОВОЕ.

- 1-я колонка содержит наименование объекта обучающей выборки или наименование наблюдения. Оно может быть длинным: до 255 символов.

- Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки или одном наблюдении. В MS Excel-2003 в листе может быть до G5536 строк и до 25G колонок. В листе MS Excel-2010 и более поздних возможно до 104857G строк и 1G384 колонок.

- Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального i порядкового) или. числового типа (с десятичными знаками после запятой).

числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

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

- Столбцы с N+1 По последний являются описательными шкалами (свойствами или Факторами] и содержат данные о признаках (т.е. значениям свойств или 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. В каждой шкале ее градации сортируются по алфавиту. С использованием шкал и градаций кодируются исходные данные в результате

чего генерируется обучающая выборка, каждый объект которой соответствует одной строке файла исходных данных NPJÜATA и содержит коды классов, соответствующие фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие Фактам совпадения числовым или уникальным текстовым значений признаков с градациями описательных шкал

- Распознаваемая выборка формируется на основе файла INP_RASP 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_RASP были пустыми. Структура Файла INP_RASP должна быть такая же, как INP_DATA,T.e. они должны ПОЛНОСТЬЮ совпадать по наименованиям столбцов, но могут иметь разное количество строк с разными значениями в них.

—Принцип организации таблицы исходных данных:

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

1 -й объект обучающей выборки (1-е наблюдение) Значение шкалы Значение шкалы Значение шкапы Значение шкалы

2-й объект обучающей выборки (2-е наблюдение) Значение шкапы Значение шкалы Значение шкапы Значение шкалы

Определения основных терминов и профилактика типичных ошибок при подготовке Ехсе1-файла исходных данных

Помощь по режиму 2.3.2.2 для случав Excel-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данным из внешней базы данных "lnp_data.xls(x)M в систему 'Эйдос-Х++" ТЕРМИНЫ АСК-АНДЛИЗА И СИСТЕМЫ "ЭЙДОС":

Шкала представляет собой способ формализации предметной области. Используется числовые и текстовые шкалы, при этом текстовые могут быть номинальными и порядковыми. На номинальных шкалам есть только отношения эквивалентности и неэквивалентности, на порядковых.кроме того еще отношения "больше", "меньше", а на числовых - кроме того могут выполняться все арифметические операции. Каждый объект выборки (наблюдение) описан с одной стороны своими признаками, а с другой -принадлежностью к некоторым обобщающим категориям (классам). Такая структура описания называется онтологией или Фреймом экземпляром и является базовой для всех моделей представления знаний. В АСК-анализе и системе "Эйдос" используется три интерпретации шкал и градаций: универсальная, статическая и динамическая:

- в универсальной интерпретации: признаки - это градации описательных шкал;

- в статической интерпретации: описательная шкала - это свойство, а градация (признак] - это степень выраженности этого свойства;

- в динамической интерпретации: описательная шкала - это фактор, а градация (признак] - это значение фактора;

- в универсальной интерпретации: классы - это градации классификационных шкал;

■ в статической интерпретации: классификационная шкала - способ классификации обобщающих категорий (классов), к которым в настоящем времени ло отношению к признакам относятся состояния объекта моделирования;

- в динамической интерпретации: классификационная шкала - способ классификации обобщающих категорий (классов), к которым в будущем времени ло отношению к признакам относятся состояния объекта прогнозирования или управления;

ПРОФИЛАКТИКА ОШИБОК В ФАЙЛЕ ИСХОДНЫХ ДАННЫХ:

- 1-я строка Файла "lnp_dala.Mls(x)" должна содержать наименования колонок. Эти наименования должны быть во всех колонкам, при этом переносы по словам разрешены, а объединение ячеек, разрыв строки знак абзаца и неалфавитные символы не допускаются. Эти наименования должны быть короткими, но понятными, т. к: они будут в вымодных Формах, а к ним еще будут добавляться наименования градаций. В числовых шкалах надо обязательно указывать единицы измерения. Число знаков после запятой в числовой колонке должно быть одинаковым.

- 1-я колонка содержит наименование объекта обучающей выборки или наименование наблюдения. Оно может быть длинным: до 255 символов.

■ Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального I порядкового) или числового типа (со знаками после запятой]. Чтобы текстовая шкала была порядковой, нужно чтобы при сортировке по алфавиту градации этой шкалы образовывали осмысленную последовательность от минимального значения до максимального. Например, текстовая шкала "Размер" с градациями: "очень малое", "малое", "среднее", "большое", "очень большое", будет номинальной шкалой, т. к. при сортировке по алфавиту

они расположатся в порядке: "большое", "малое", "очень большое", "очень малое", "среднее". Чтобы шкала "Размер" стала порядковой нужно в этим градациям присвоить следующие значения: "1 /5-очень малое", "2/5-малое", "3/5-среднее", "4/5-большое". "5^5-очень большое".

■ 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.

Если в системе "Эйдос" в режимах 2.1,2.2 посмотреть на градации классификационных и описательных шкал, которые должны быть числовыми, то сразу будет видно, в какой Форме представлены числа: числовыми диапазонами или прямо числами. Если числовыми диапазонами, значит в Файле исходных данных в этом отношении все правильно, если же числами, то возможно в Емсе1-файле нужно заменить десятичные точки на запятые, а также найти и исправить нечисловые данные в числовых по смыслу колонкам. Быстро найти их можно перейдя на последнюю строку Файла исходных данных и задав расчет суммы колонки. В формуле будет видно с какой строки идет расчет суммы. Если со 2-й, то значит все верно, иначе будет указана строка, в которой находится нечисловое значение.

- Система "Эйдос" работает с областью данным файла исходных данных, которую можно выделить блоком, поставив курсор в ячейку А1, нажав Ctil+Home,'a затем зажав клавиши Shilt+CIrl нажать End. Если этот блок выходит за пределы области таблицы, фактически занятой данными надо скопировать эту фактическую область данных в буфер обмена, создать новый лист и скопировать в него, а исходный лист удалить.

■ Иногда бывает полезно сбросить все Форматирование Excel-таблицы исходным данным. Это можно сделать в MS Excel. А можно скопировать таблицу в MS Word, а потом обратно в MS Excel.

Принцип организации таблицы исходных данных:

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

1-й объект обучающей выборки (1-е наблюдение) Значение шкалы Значение шкалы Значение шкалы Значение шкалы

2-й объект обучающей выборки С2-е наблюдение) Значение шкалы Значение шкалы Значение шкалы Значение шкалы

Хелп по сценарному АСК-анализу

Когда сценарный метод АСК-анализа не применяется, то записи Файла исходных данных "lnp_data" рассматриваются сами по себе независмо друг от друга. Если же он применяется, то как классы рассматриваются сценарии изменения значений полей классификационным шкал на заданное количество записей вперед от текущей записи (горизонт прогнозирования], а за значения Факторов принимаются сценарии изменения значений полей описательных шкал на заданное их количество назад (глубина предыстории).

Чтобы рассмотрение сценариев изменения значений шкал было осмысленным записи в Файле исходных данных "lnp_data" должны упорядочены каким-либо образом, например по времени (временные ряды).

Подробное теоретическое описание сценарного АСК-анализа с детальными численными примерами приведено в работах автора:

Lutsenko E.V. Script ASC-analysis as a method for developing generalized basic functions and weight coefficients for the decomposition of a stale function of an arbitrary concrete object or situation in the theorem by A. N. Kolmogorov (1957) // August 2020, DOI: 10.13140/RG.2.2.28017.92007, LicenseCC BY-SA 4.0, https: ■■■'■■■' ww w. г ese archq ate, n e t/p ublication/343355649

Lutsenko E.V. Forecasting in financial markets using scenario-based ASC-analysis and the Eidos system (using the example of Google shares) //July 2021, DOI: 10.13140/RG.2.2.28157.081 68, LicenseCC BY-SA 4.0 https: //www, researchgate. net/publication/353157032

Lutsenko E.V. ASC-analysis and the Eidos system as a method and tools for solving problems // November 2021, DOI: 10.13140/RG.2.2.29823.74407, License CC BY 4.0, https: //www, researchgate. net/publication/353555996

Lutsenko E.V., Korzhakov V.E. Subsystem of intellectual system" Eidos-X++", which implements the scenario method of system-cognitive analysis ("Eidos-scenarios") // March 2019, https: //www, researchgate. net/publication/331 745001

Lutsenko E.V. Forecasting the values and scenarios of changes in the future economic indicators of the holding using scenario ASC-analysis //January 2022, DOI: 10.13140/RG.2.2.10006.47684, LicenseCC BY 4.0, https://www.researchqate.net/publication/357671568

2.3,2.2. Задание размерно-сп/ модели системы "ЭЙДОС-Х-1--*-

ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ: (равные интервалы}

Количество градаций классификационные и описательны;-; шкал е мсделил.е.' [2Л классов ;■: 21 признаков]

Тип шкалы Количество классиФи кационных шкал Количество градаций классификационных Среднее количества градаций на Класс.шкалу Количество описательных шкал Количество грааэций описательных шкал Среднее : количество градаций на опис:шкалу

Числовые 7 21 3,00 7 21 3,00

Текстовые 0 0 0,00 0 0 0,00

ВСЕГО: 7 21 3,00 7 21 3,00

Задайте количество числовых диапазонов (интервалов, градаций] в шкале: В классификационных шкалах: 3 В

описательных шкалах:

Пересчитать шкалы и градации

ВыГлн на создание модели

2.3.2.2. Процесс импорта данный из внешней Б/1 'Irip_data" б систему "ЭЙДОС-Х Стадии исполнения процесса

1/5: Формирование классификационных и описательных шкал и градаций на основе БД "lnp_data"- Готово 2/5: Создание базы событий "EventsKO" из "lnp_data" с кодами событий вместо значений шкал- Готово 3/5: Доформирование классиф.и описат.шкал и градаций на основе БД "EventsKO" (сценарии)- Готово 4/5: Генерация обучающей выборки на основе базы событий "EventsKO"- Готово 5/5: Переиндексация всех баз данных нового приложения- Готово

процесс формализации предметной области завершен успешно !!!

Прогноз Бремени исполнения Начало: 19:49:45

Окончание: 20:12:03

100%

Dk

Прошло: 0:22:23

□ сталось: 0:00:00

Picture 4. Screen forms of the universal automated programming interface API-2.3.2.2

of the Eidos system

As a result of the work of API-2.3.2.2, classification and descriptive scales and gradations were formed (Tables 4 and 5).

table 3- Classification scales and gradations (in full)

KOD CLS NAME CLS

1 MAXIMUM TEMPERATURE-1/3-{-22.0, -0.3}

2 MAXIMUM TEMPERATURE-2/3-{-0.3, 21.3}

3 MAXIMUM TEMPERATURE-3/3-{21.3, 43.0}

4 MINIMUM TEMPERATURE-1/3-{-33.7, -14.0}

5 MINIMUM TEMPERATURE-2/3-{-14.0, 5.7}

6 MINIMUM TEMPERATURE-3/3-{5.7, 25.4}

7 AVERAGE TEMPERATURE-1/3-{-27.9, -8.2}

8 AVERAGE TEMPERATURE-2/3-{-8.2, 11.6}

9 AVERAGE TEMPERATURE-3/3-{11.6, 31.3}

10 ATMOSPHERIC PRESSURE-1/3-{989.1, 1006.9}

11 ATMOSPHERIC PRESSURE-2/3-{1006.9, 1024.8}

12 ATMOSPHERIC PRESSURE-3/3-{1024.8, 1042.6}

13 WIND SPEED-1/3-{1.0, 10.3}

14 WIND SPEED-2/3-{10.3, 19.7}

15 WIND SPEED-3/3-{19.7, 29.0}

16 RAI N-1 /3-{1.0, 100.7}

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

17 RAIN-2/3-{100.7, 200.3}

18 RAIN-3/3-{200.3, 300.0}

19 EFFECTIVE TEMPERATURE-1/3-{-31.6, -9.9}

20 EFFECTIVE TEMPERATURE-2/3-{-9.9, 11.7}

21 EFFECTIVE TEMPERATURE-3/3-{11.7, 33.4}

22 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,01,01

23 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,01,02

24 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,01

25 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,02

26 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,03

27 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,03,03

28 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,01

29 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,02

30 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,03

31 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,01

32 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,02

33 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,03

34 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,03,02

35 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,03,03

36 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-03,02,02

37 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-03,02,03

38 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-03,03,02

39 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-03,03,03

40 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,04,04

41 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,04,05

42 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,05,04

43 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,05,05

44 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,04,04

45 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,04,05

46 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,04

47 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,05

48 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,06

49 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,06,05

50 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,06,06

51 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,05,05

52 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,05,06

53 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,06,05

54 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,06,06

55 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-07,07,07

56 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-07,07,08

57 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-07,08,07

58 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-07,08,08

59 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,07,07

60 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,07,08

61 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,08,07

62 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,08,08

63 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,08,09

64 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,09,08

65 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,09,09

66 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-09,08,08

67 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-09,08,09

68 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-09,09,08

69 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-09,09,09

70 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,10

71 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,11

72 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,12

73 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,10

74 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,11

75 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,12

76 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,12,12

77 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,10,10

78 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,10,11

79 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,10

80 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,11

81 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,12

82 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,12,11

83 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,12,12

84 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,10

85 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,11

86 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,12

87 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,12,11

88 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,12,12

89 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,13

90 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,14

91 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,15

92 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,13

93 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,14

94 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,15

95 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,13

96 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,14

97 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,15

98 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,13,13

99 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,13,14

100 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,13

101 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,14

102 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,15

103 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,13

104 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,14

105 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,15

106 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,13,13

107 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,14,13

108 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,14,14

109 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,13

110 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,14

111 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,15

112 REFERENCES-FUTURE3-REFERENCES-FUTURE3-16,16,16

113 RAIN-FUTURE3-REFIT-FUTURE3-16,16,17

114 REFERENCE-FUTURE3-REFERENCE-FUTURE3-16,16,18

115 RAIN-FUTURE3-REFIT-FUTURE3-16,17,16

116 RAIN-FUTURE3-REFERENCE-FUTURE3-16,17,17

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

117 RAIN-FUTURE3-REFIT-FUTURE3-16,18,16

118 RAIN-FUTURE3-REFIT-FUTURE3-17,16,16

119 RAIN-FUTURE3-REFIT-FUTURE3-17,16,17

120 REFERENCES-FUTURE3-REFERENCES-FUTURE3-17,17,16

121 RAIN-FUTURE3-REFIT-FUTURE3-17,17,17

122 RAIN-FUTURE3-REFIT-FUTURE3-18,16,16

123 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,19,19

124 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,19,20

125 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,20,19

126 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,20,20

127 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,19,19

128 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,19,20

129 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,19

130 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,20

131 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,21

132 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,21,20

133 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,21,21

134 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,20,20

135 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,20,21

136 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,21,20

137 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,21,21

table 5- Descriptive scales and gradations (in full)

KOD ATR NAME ATR

1 MAXIMUM TEMPERATURE-1/3-{-22.0000000, -0.3333333}

2 MAXIMUM TEMPERATURE-2/3-{-0.3333333, 21.3333333}

3 MAXIMUM TEMPERATURE-3/3-{21.3333333, 43.0000000}

4 MINIMUM TEMPERATURE-1/3-{-33.7000000, -14.0000000}

5 MINIMUM TEMPERATURE-2/3-{-14.0000000, 5.7000000}

6 MINIMUM TEMPERATURE-3/3-{5.7000000, 25.4000000}

7 AVERAGE TEMPERATURE-1/3-{-27.9000000, -8.1666667}

8 AVERAGE TEMPERATURE-2/3-{-8.1666667, 11.5666667}

9 AVERAGE TEMPERATURE-3/3-{11.5666667, 31.3000000}

10 ATMOSPHERIC PRESSURE-1 /3-{989.1000000, 1006.9333333}

11 ATMOSPHERIC PRESSURE-2/3-{1006.9333333, 1024.7666667}

12 ATMOSPHERIC PRESSURE-3/3-{1024.7666667, 1042.6000000}

13 WIND SPEED-1/3-{1.0000000, 10.3333333}

14 WIND SPEED-2/3-{10.3333333, 19.6666667}

15 WIND SPEED-3/3-{19.6666667, 29.0000000}

16 RAIN-1 /3-{1.0000000, 100.6666667}

17 RAIN-2/3-{100.6666667, 200.3333333}

18 RAIN-3/3-{200.3333333, 300.0000000}

19 EFFECTIVE TEMPERATURE-1/3-{-31.6000000, -9.9333333}

20 EFFECTIVE TEMPE RATUR E-2/3-{-9.9333333, 11.7333333}

21 EFFECTIVE TEMPERATURE-3/3-{11.7333333, 33.4000000}

22 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,01,01

23 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,01,02

24 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,01

25 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,02

26 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,03

27 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,03,03

28 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,01

29 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,02

30 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,03

31 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,01

32 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,02

33 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,03

34 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,03,02

35 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,03,03

36 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,02,02

37 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,02,03

38 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,03,02

39 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,03,03

40 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-04,04,04

41 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-04,04,05

42 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-04,05,04

43 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-04,05,05

44 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,04,04

45 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,04,05

46 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,05,04

47 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,05,05

48 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,05,06

49 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,06,05

50 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,06,06

51 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-06,05,05

52 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-06,05,06

53 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-06,06,05

54 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-06,06,06

55 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-07,07,07

56 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-07,07,08

57 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-07,08,07

58 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-07,08,08

59 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,07,07

60 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,07,08

61 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,08,07

62 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,08,08

63 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,08,09

64 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,09,08

65 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-08,09,09

66 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-09,08,08

67 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-09,08,09

68 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-09,09,08

69 AVERAGE TEMPERATURE-PAST3-AVERAGE TEMPERATURE-PAST3-09,09,09

70 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,10,10

71 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,10,11

72 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,10,12

73 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,10

74 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,11

75 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,12

76 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,12,12

77 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,10,10

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

78 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,10,11

79 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,10

80 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,11

81 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,12

82 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,12,11

83 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,12,12

84 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,10

85 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,11

86 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,12

87 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,12,11

88 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,12,12

89 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,13

90 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,14

91 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,15

92 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,13

93 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,14

94 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,15

95 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,13

96 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,14

97 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,15

98 WIND SPEED-PAST3-WIND SPEED-PAST3-14,13,13

99 WIND SPEED-PAST3-WIND SPEED-PAST3-14,13,14

100 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,13

101 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,14

102 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,15

103 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,13

104 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,14

105 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,15

106 WIND SPEED-PAST3-WIND SPEED-PAST3-15,13,13

107 WIND SPEED-PAST3-WIND SPEED-PAST3-15,14,13

108 WIND SPEED-PAST3-WIND SPEED-PAST3-15,14,14

109 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,13

110 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,14

111 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,15

112 DRAINAGE-PAST3-RAIDITATION-PAST3-16,16,16

113 DRAINAGE-PAST3-RAIDITATION-PAST3-16,16,17

114 DRAINAGE-PAST3-RADIATION-PAST3-16,16,18

115 DRAINAGE-PAST3-RADIATION-PAST3-16,17,16

116 DRAINAGE-PAST3-RADIATION-PAST3-16,17,17

117 DRAINAGE-PAST3-RADIATION-PAST3-16,18,16

118 DRAINAGE-PAST3-RAIDITATION-PAST3-17,16,16

119 DRAINAGE-PAST3-RADIATION-PAST3-17,16,17

120 DRAINAGE-PAST3-RAIDITATION-PAST3-17,17,16

121 DRAINAGE-PAST3-RADIATION-PAST3-17,17,17

122 DRAINAGE-PAST3-RAIDITATION-PAST3-18,16,16

123 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-19,19,19

124 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-19,19,20

125 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-19,20,19

126 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-19,20,20

127 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,19,19

128 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,19,20

129 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,20,19

130 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,20,20

131 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,20,21

132 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,21,20

133 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,21,21

134 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,20,20

135 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,20,21

136 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,21,20

137 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,21,21

At risks 4 and 5, past and future scenarios for changing the values of climatic parameters found by API-2.3.2.2 in the initial data are shown (Table 3).

Picture 5. Past scenarios of changing climate parameter values detected by API-2.3.2.2

in the raw data (Table 3)

Picture 5. Future scenarios for changing climate parameter values detected by API-

2.3.2.2 in the raw data (Table 3).

In the process of formalizing the subject area using API-2.3.2.2, the initial data (Table 3) were encoded using classification and descriptive scales and gradations (Tables 4 and 5), resulting in a training sample (Table 6), in fact, which is the initial data normalized with the help of these directories.

Figure 7 shows a screen form with a fragment of the training set:

Picture6. Training sample (fragment)

The full training sample is not presented due to its very large volume (24826 daily observations over 88 years from 1933 to 2020).

3.3. Task-3. Synthesis of statistical and system-cognitive models. Multiparameter typing and partial knowledge criteria

Synthesis and verification of statistical and system-cognitive models (SC-models) of models is carried out in mode 3.5 of the Eidos system. Mathematical models, on the basis of which statistical and SC models are calculated, are described in detail in a number of monographs and articles by the author. Therefore, in this paper, we will consider these issues very briefly. We only note that the models of the "Eidos" system are based on the matrix of absolute frequencies, which reflects the number of meetings of gradations of descriptive scales by gradations of classification scales (facts). But to solve all the problems, this matrix itself is not used directly, but matrices of conditional and unconditional percentage distributions and system-cognitive models that are calculated on its basis and reflect how much information is contained in the fact of observing a certain gradation of the descriptive scale about

The mathematical model of ASC analysis and the Eidos system is based on systemic fuzzy interval mathematics [7, 14, 18, 50] and provides comparable processing of large volumes of fragmented and noisy interdependent data presented in various types of scales (nominal, ordinal and numerical) and different units of measurement.

The essence of the mathematical model of ASC-analysis is as follows.

Directly on the basis of empirical data (see Help mode 2.3.2.2) the matrix of absolute frequencies is calculated (Table 6).

_table 4- Absolute frequency matrix (ABS statistical model)_

Classes Sum

one ... j ... W

Factor values one N11 N1 / N

...

i Ni N Nw W N. s = IN/ /=1

...

M N iVM1 NM/ N iV MW

Total number of features by class N il ïM M N W M Nss= I IN, i=1 ,=1

The total number of training sample objects by class NSj W Nss = I NS/ /=i

On its basis matrices of conditional and unconditional percentage distributions are calculated (Table 7).

table 5 - Matrix of conditional and unconditional percentage distributions _(statistical models PRC1 and PRC2)_

Classes Unconditional Feature Probability

one ... j ... W

Factor values one Pii pi / P 11W

...

i Pi p = N, N, p W P _ NS N

...

M p 1 Mi P rMj p 1 MW

Unconditional class probability

It should be noted that in the ASC-analysis and its software tools, the intellectual system "Eidos" uses two methods for calculating the matrices of conditional and unconditional percentage distributions:

1st way: as NSj the total number of features by class is used;

2nd way: as NSj the total number of training sample objects by class is

used.

In practice, there is often a significant imbalance in the data, which is understood as a very different number of objects in the training sample belonging to different classes. Therefore, it would be very unreasonable to solve the problem on the basis of the matrix of absolute frequencies directly (Table 6), and the transition from absolute frequencies to conditional and unconditional relative frequencies (frequencies) is very reasonable and logical.

This transition completely removes the problem of data imbalance, since in the subsequent analysis, not the matrix of absolute frequencies is used, but matrices of conditional and unconditional percentage distributions and matrices of system-cognitive models (SC-models, Table 9), in particular, the matrix of informativeness.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

This approach also removes the problem of ensuring the comparability of processing in one model of the initial data presented in different types of scales (nominal, ordinal and numerical) and in different units of measurement [6].

In the Eidos system, all this is always carried out when solving any problems.

Then, on the basis of table 7, using particular criteria, the knowledge given in table 8, matrices of system-cognitive models are calculated (table 9).

Table 8 shows the formulas:

- to compare actual and theoretical absolute frequencies;

- to compare conditional and unconditional relative frequencies ("probabilities").

And this comparison in table 8 is carried out in two possible ways: by subtraction and by division.

When we compare the actual and theoretical absolute frequencies by subtraction, we get a private criterion of knowledge: "chi-square" (IC-model INF3), when we compare them by dividing, we get a private criterion: "the amount of information on A. Kharkevich" (SC-models INF1, INF2) or "return on investment ratio ROI" - Return On Investment (SC-models INF4, INF5), depending on the normalization method.

When we compare the conditional and unconditional relative frequencies by subtraction, we get a private criterion of knowledge: "relationship coefficient" (CK-models INF6, INF7), when we compare them by dividing, then we get a private criterion: "the amount of information on A .Kharkevich" (SC-models INF1, INF2).

table 6- Various analytical forms of partial knowledge criteria used in ASC _analysis and the Eidos system_

Name of the knowledge model and particular criterion Expression for a particular criterion

, . .. , . through absolute through relative frequencies , a . a ^ frequencies

ABS, the matrix of absolute frequencies, Nij - the actual number of occurrences of the i-th attribute in objects of the j-th class; Nh- -the theoretical number of occurrences of the i-th feature in objects of the j-th class; Ni is the total number of features in the i-th line; Nj is the total number of features or objects of the training sample in the j-th class; N is the total number of features in the entire sample (Table 1) W M W M N = Z N; N = Z N;N = ZZ N; j=1 i=i i=i j=1 Nv - фактическая частота; - NN, Nj = - теоретическая частота.

PRC1,conditional matrixP/j and unconditionalP/percentage distributions, Nj is the total number of features in the class --- P N 9. P N

PRC2,conditional matrixP/j and unconditionalP/percentage distributions, Nj is the total number of training sample objects by class 19 Nv' '' N

INF1,particular criterion: the amount of knowledge according to A. Kharkevich, the 1st option for calculating probabilities: Nj - the total number of features for the j-th class. The probability that if an object of the j-th class has a feature, then this is the i-th feature I j = Yx Log 2 p Nv NvN T =Yx Tog ij =Yx Tog ij

INF2,particular criterion: the amount of knowledge according to A. Kharkevich, the 2nd option for calculating probabilities: Nj is the total number of objects in the j-th class. The probability that if an object of the j-th class is presented, then the i-th attribute will be found in it. Jj LOg2 N 2 N,Nj

INF3,partial criterion: Chi-square: differences between actual and theoretically expected absolute frequencies — - NN, I .. = N .. N .. = N .. ' j i ij ij ij N

INF4,partial criterion: ROI - Return On Investment, 1st option for calculating probabilities: Nj - the total number of features for the j-th class P P - P I = j 1 = j i r N9 1 N9N 1

INF5, partial criterion: ROI - Return On Investment, 2nd option for calculating probabilities: Nj - the total number of objects in the j-th class 9 P P ^ Nj * NNj *

INF6,particular criterion: difference between conditional and unconditional probabilities, 1st option for calculating probabilities: Nj - total number of features in the j-th class I = P P v v i I = Nt - N j n9 N

INF7,particular criterion: the difference between conditional and unconditional probabilities, 2nd option for calculating probabilities: Nj - the total number of objects in the j-th class

Legend for table 3:

i- value of the past parameter; j- value of the future parameter;

Nij-the number of meetings of the j-th value of the future parameter with the i-th value of the past parameter; Mis the total number of values of all past parameters; W- total number of values of all future parameters.

Ni-the number of occurrences of the i-th value of the past parameter throughout the sample; Nj-the number of occurrences of the j-th value of the future parameter throughout the sample;

N-the number of occurrences of the j-th value of the future parameter with the i-th value of the past parameter throughout the sample.

lij-private criterion of knowledge: the amount of knowledge in the fact of observing the i-th value of the past parameter that the object will go into a state corresponding to the j-th value of the future parameter;

V is a normalization coefficient (E.V. Lutsenko, 2002), which converts the amount of information in the A. Kharkevich formula into bits and ensures compliance with the principle of correspondence with the R. Hartley formula for it; Pi- unconditional relative frequency of meeting the i-th value of the past parameter in the training sample; Pij- conditional relative frequency of meeting the i-th value of the past parameter at the j-th value of the future parameter.

Thus, we see that all particular criteria of knowledge are closely interconnected with each other. Of particular interest is the connection between the famous Pearson's chi-square criterion with the remarkable measure of the amount of information by A. Kharkevich and with the well-known ROI coefficient in economics.

Probability is considered as the limit to which the relative frequency (the ratio of the number of favorable outcomes to the number of trials) tends with an unlimited increase in the number of trials. It is clear that probability is a mathematical abstraction that never occurs in practice (as well as other mathematical and physical abstractions, such as a mathematical point, a material point, an infinitesimal point, etc.). In practice, only relative frequency occurs. But it can be very close to the probability. For example, at 480 observations the difference between the relative frequency and probability (error) is about 5%, at 1250 observations it is about 2.5%, at 10000 observations it is 1%.

table 9 - Matrix of the system-cognitive model

Classes Significance of the factor

one ... j ... W

Factor values one Iii I1W S = 2 1 W 2 W-1Y (I1 j- A )

...

i Ii Ij IiW Ss = 2 1 W 2 1 Y -1 ) w -1 j-t*

...

M IM1 IMj IMW SMS = 2 1 W 2 w-1Y (Imj Im )

Class reduction degree SS1 S 1 W M , ч2 H=\\ Y Y I, I) \ (W -M-1) i!Vj y

The essence of these methods is that the amount of information in the value of the factor is calculated that the modeling object will pass under its action to a certain state corresponding to the class. This allows comparable and correct processing of heterogeneous information about the observations of the simulation object, presented in different types of measuring scales and different units of measurement [6].

Based on the system-cognitive models presented in Table 9 (they differ in frequent criteria given in Table 8), the problems of identification (classification, recognition, diagnostics, forecasting), decision support (the inverse problem of forecasting), as well as the problem of studying the modeled subject matter are solved. area by studying its system-cognitive model [10-64].

Note that as the significance of the factor value, the degree of determinism of the class and the value or quality of the model in ASC analysis, the variability of the values of particular criteria of this factor value, class or model as a whole is considered (Table 10).

Numerically, this variability can be measured in different ways, for example, the average deviation of the modules of partial criteria from the mean, dispersion or standard deviation or its square. In the Eidos system, the latter option is adopted, because. this value coincides with the power of the signal, in particular, the power of information, and in the ASC analysis, all models are considered as a source of information about the modeling object.

Therefore, there is every reason to clarify the traditional terminology of ASC analysis (Table 10):

table 7- Clarification of the terminology of ASC analysis

No. Traditional terms (synonyms) New term Formula

one 1. Significance of the value of the factor (attribute). 2. Differentiating power of the value of the factor (attribute). 3. The value of the factor (attribute) value for solving the problem of identification and other problems The root of the information power of the factor value Ss = 2 W2 1 S [i -i ) w -1 j-rlj lj

2 1. The degree of determinism of the class. 2. The degree of conditionality of the class. Root of class information power 2 1 M 2 M -1S1- ]j >

3 1. The quality of the model. 2. The value of the model. 3. The degree of formation of the model. 4. Quantitative measure of the degree of severity of regularities in the modeled subject area The root of the information power of the model я=2 i WM, ч2 1 ss ss (i., I ) (W ■ M -1) t!Vj y

All the above calculations are carried out in mode 3.5 of the Eidos system. The screen forms of this mode with the parameters actually used in this work are shown in Figures 8:

{*) 3,5, Синтез и верификация моделей

Mg Д -Г

- Задайте модели для синтеза и верификации Статистические базы:

-1. АВЗ - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборки

2. РВС1 - частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса

3. РБ1С2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):

p 4 INF1

W 5 INF2

W e INF3

P 7 INF4

!✓ 8 INF5

i 8 INF6

ф 10.INF7 - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC2

Текущая модель

Г 1 ABS

r i PRC1

r 3, PFIC2

P 4 INF1

r 5 INF2

r 8 INF3

г 7 INF4

r 8 INF5

r 8 INF6

г 10.INF7-

Параметры копирования обучающей выборки в распознаваемую (бутстрепный подход):

Какие объекты обуч.выборки копировать:---Пояснение по алгоритму верификации | -

(• Копировать всю обучающую выборку

С Копировать только текущий объект

С Копировать каждый М-й объект

С Копировать N случайных объектов

С Копировать объекты от N1 до N2

С Вообще не менять распознаваемую выборку

Удалять из обуч.выборки скопированные объекты: i* Не удалять С Удалять

Подробнее |

Измеряется внутренняя достоверн. модели

Для каждой заданной модели выполнить: (* Синтез и верификацию С Только верификацию С Только синтез

Задайте процессор-

С CPU с GPU

Задайте алгоритм:-С Классика - дольше (* Упрощенно-быстрее

Использование только наиболее достоверных результатов распознавания: Вазр.с^ и целесобразность применения бутстрепного подхода Расчетный размер БД результатов распознавания Пазр.сЫ равен 170113094 байт, т.е.: 7.9215082 % от МАК-возможного, (от 2Гб) Задайте, сколько X от исходной БД Вазр,с1Ы оставить, удаляя наименее достоверные результаты распознавания: | Юг ООООООО В примении бутстрепного подхода нет необходимости. Синтез и верификация моделей будут выполнены на основе всей выборки.

Ь,5, Синтез и верификация моделей

з I В

Копирование обучающей выборки в распознаваемую-Готово Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Синтез стат.моделей "PRC111 и "PRC2" (усл.безусл.% распр.) - Готово Синтез моделей знаний: INFI -INF7 - Готово

-Стадии исполнения процесса Шаг 1-й из 11 Шаг 2-й из 11 Шаг 3-й из 11 Ша.г 4-й из 11

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОЛНЕНИЕ:-...

Шаг 5-й из 11: Задание модели "INF7" в качестве текущей - Готово Шаг G-й из 11: Пакетное распознавание в модели "INF7" - Готово

Шаг 7-й из 11: Измерение достоверности модели: "Inf7" - Интегральный критерий: "Сумма знаний" - Готово

КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...

Шаг 8-й из 11: Объединение БД DostRsp# в БД DostRasp - Готово

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Шаг 9-й из 11: Печать сводной формы по результатам верификации моделей-Готово

Шаг 10-й из 11: Создание формы: "Достоверность идент.классов в различных моделях" - Готово

Шаг 11-й из 11: "Присвоение заданной модели: Infi статуса текущей" - Готово

Синтез и верификация статистических и системно-когнитивных моделей упешно завершены !!!

[—Прогноз времени исполнения Начало: 20:14:52 Окончание: 1:00:48

100%

Ok

Прошло: 4:45:55

Осталось: 0:00:00

Picture 7. Screen forms of mode 3.5 of the Eidos system, in which the synthesis and verification of 3 statistical and 7 system-cognitive models

Figure 9 shows screen forms of mode 5.5. "Eidos" systems, which display fragments of statistical and system-cognitive models created in the 3.5 mode:

Picture 9. Screen forms of mode 5.5 of the Eidos system, with fragments of statistical system-cognitive models created in mode 3.5

3.4. Task-4. Model Verification

The assessment of the reliability of models in the "Eidos" system is carried out by solving the problem of classifying objects of the training sample according to generalized images of classes and counting the number of true and false positive and negative solutions by Van Riesbergen's F-measure, as well as by the criteria of L1-L2-measures of prof. E.V. Lutsenko, which are proposed in order to mitigate or completely overcome some of the shortcomings of the F-measure [8].

The reliability of models can also be assessed by solving other problems, such as forecasting problems, developing control decisions, studying the modeling object by studying its model. But it is more laborious and even always possible, especially on economic and political models.

In mode 3.4 of the Eidos system and a number of others, the reliability of each particular model is studied in accordance with these reliability measures (Figure 10)._

(*) 5.4, Обобщ,форма по достав,моделей р. 1азн.инт,крит. Тек ущая модель: "INFl^^^^ l-UnUKUl

Г" ■

Наименование модели. Интегральный критерий ■ЛОЖНО- Число ложно- Точность F 1 1 Ж F-мера Сумма-моду.,, Сумма м оду... Сумма моду... Сум «la Моду... 5-*Точность Ы1ЫЫШ1 Ii L1-мера

и частного критерия итель.. отрицатель.. МОДвЛИ Ван уровней схо... уровней rao... уровне й'схо... уровней ско.. МО дели ЙШда 1 проФ.

|ий (FP] решений (FN) Ризбергена истино-поло.. истино-,0- та« ложно поло... лож о-отриц... Е.Б.Луценко

■■ решений [ST.. решений (ST... решен ?(SFP) ний (SF,..

1 ABS -частнь й критерий: количество встреч очетаний "клас... Корреляция абс.частот с обр.... 19776 2 0.491 1.000 0.659 235899.307 6.768 168744.594 0.050 0.583 1.000 0.737

1 ABS -частнь й критерий: количество встреч очетаний "клас... Сумма абс.частот по признак... СО 43 0.491 l.ooü 0.658 161293.570 9892.542 0.942 1.000 0.970

2 PRC1 - части ый критерий: усл. вероятное ьк о признак а сред... Корреляция усл. отн. частот со... 19776 2 0.491 1.000 0.659 235899.361 6.768 168744.631 0.050 0.583 1.000 0.7.3?

2 PRC1 - части э1й критерий: усл. вероятность i-r о признака сред... Сумма усл.отн.частот по приз... 0043 0.491 1.000 0.658 197498.329 148023.359 0.572 1.000 0.727 }

3 PRC2 - части ый критерий: условная веро; Tbi-ronp изнака... Корреляция усл. стн. частит со... 19776 2 0.491 1.000 0.659 235898.723 6.768 168744.207 0.050 0.583 1.000 0-73? 1

3. PRC2 - части :-1й критерий: условная вероятность i-ro признака... : Сумма усл.отн.частот по приз... 0043 0.491 1.000 0.658 170866.097 130554.722 0.567 1.000

4. INF1 - частнь 1й критерий: количество знан 1ИЙ г ю А. X арке ¡вичу; в... Семантический резонанс зна..: Î4769 20831 а.766 0.930 0.840 41791.307 44109.863 12775.577 2440.440 0.766 0.945 0.84Й f

4. INFI - частнь 1й критерий: количество знан инй г ю А.Харкевичу; в...! Сумма знаний 9694 51757 0.639 0.827 0.721 29106.901 29058 257 12254.941 2702.555 0.704 0.915

5. INF2-частнь 1й критерий: количество знаний по А.Харкевичу; в... г Семантический резонанс зна... Î6601 20844 0.762 0.930 0.838 41810.055 43536 789 13207.250 2440.053 0.760 0.945 0-84^.

5, INF2-частнь |й критерий: количество знак 1ИЙ г ю А.Харке ;вичу; в... ! Сумма знаний 4268 54682 0.629 0.817 0.711 29007.181 27929 762 1282 1.490 2720.946 0.693 0. 914

G. INF3-частнь 1й критерий: Хи-квадрет. раз! HÜCT и между фактич... [ Семантический резонанс зна... 5910 32510 0.697 0.891 0.782 154249.714 S4147 671 40664.066 6531.Б71 0.791 0.959 0.867

В. INF3 - частнь |й критерий: Хи-квацрат, pasi ÍOCT и между 4 >актич... Сумма знаний 5910 32510 0.697 0.891 0.782 131661.5S2 122.7Í 562 2360.7S1 3154.302 0.982 0.977 —

7, INF4 - частнь 1й критерий: R01 (Return On Investment); вероятно:.. Семантический резонанс зна.. . €557 1 47756 0.873 1 0.840 0.856 57072.339 28957 429 7117.439 3983.992 Q.B89 0.935 0.911

II 7. INF4 - частнь 1й критерий: ROI (Return On Investment); вероятно... Сумма знаний ¡7734 37089 0.609 0.876 0.719 509.298 75 382 230.957 6.311 0.688 0.988 o.sii

8. INF5-частнь 1й критерий: ROI (Return On Investment); вероятно... Семантический резонанс зна... ¡7S06 47864 0.869 0.840 0.854 56888.577 28843 068 7161.205 3990.526 0.888 0. 934 O.&lJ

8. INF5-частнь 1й критерий: ROI (Return On lr ívesi ment); вер юятно... Сумма знаний 2656 42974 0.597 0.856 0.704 470.547 65 206 220.651 6.207 0.681 0.987 о. зов

Э, INFG-частнь 1й критерий: рази. усл. и безусл. вероятностей; вер. Семантический резонанс зна... ¡6936 33189 0.660 0.889 0.757 132421.989 45927 729 42855.213 5789.288 0.756 0.958 0.S4S ':

8. INF6-частнь 1й критерий: разн.усл.и безусл.вероятностей; вер... Сумма знаний ¡0208 32510 0.624 0.891 0.734 70206.425 21695 452 29853.090 1678.383 0.702 0.977 О.81Я

1( 1INF7-частик >1й критерий: разн. усл. и безу СЛ.В1 зроягност ей; ве... Семантический резонанс зна... 12124 38611 0.647 0.871 0.742 130544.864 42401 651 45422.639 10582.061 0.742 0. 925 0.323.

10.INF7 - частт .1й критерий: разн. усл. и безу СЛБ1 5 РОЯТ НОСТ ей; ве... Сумма знаний ¡7526 39120 0.608 0.869 0.715 , 71074.026 20345.188 32897.434 1804.978 0.684 0.975 0.304

<

Г 1омощь по ме рам достоверности | ГЬ .ощьпоч, эстетным i распределениям | TP.WRFN J (TP-FP),[TN-FN) J [T-F)/(T+F)1Ü0 Задать интерЕ J

zz _ _ _ _ -J

Г FreqDistr000003.jpg. |ö||

Ч исл о ТР,ТМ,РР,РМ решений в модели: 6. 1МРЗ, интегральный критерий - сумма знаний

"Сценарный автоматизированный системно-» (ОГНИТИВН ый анализ t климата Краснодара за 1933-2020 годы"

i L

Pf

00 30 -80 -7 -50 Щ -20 ° в 1с , 20 30 Л »

1 1ЬнНыхХреш «и»0 с™> -Част: CÏ:"C™HHO:OT0PH0L cnpTNFÍ FNTP": Интервал1 cí

Picture 8. Screen forms of mode 3.4 of the Eidos system, with information on the results of assessing the reliability of statistical and system-cognitive models created in mode 3.5

Figures 11 show screen forms with help modes 3.4:

Помощь по режимам: 3.4, 4.1.3.*: Виды прогнозов и меры достоверности моделей в системе "Эйдос-Х**"

1 | В ¿3—f

Помощь по режимам: 3.4, 4.1.3.6. 4.1.3.7, 4.1.3.8, 4.1.3.10: Виды прогнозов и меры достоверности моделей в системе 'Эйдос-Х++". ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Предположим, мшель дает такой прогноз, что выпадет все: и 1, и 2, и 3, и 4, и 5, и В. Понятно, что из всего этого выпадет лишь что-то одно. В этом случае модель не предскажет, что не выпадет, но зато она обязательно предскажет, что выпадет. Однако при этом очень много объектов будет отнесено к классам, к которым они не относятся. Тогда вероятность истинно-положительных решений у модели будет 1/6, а вероятность ложно-положительных решений - 5/6. Ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом. ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что ничего не выпадет, т.е. не выпадет ни 1, ни 2, ни 3, ни 4, ни 5, ни 6, но что-то из этого; естественно, обязательно выпадет. Конечно, модель не предсказала, что выпадет, зато она очень хорошо предсказала, что не выпадет. Вероятность истинно-отрицательных решений у модели будет 5/6, а вероятность ложно-отрицательных решений -1 /6. Такой прогноз гораздо достовернее, чем положительный псевдопрогноз, но тоже бесполезен. 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 число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели [классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся. Этот критерий предложен и реализован в системе "Эйдос" проФ. Е.В.Луценко в 1994 гвду. Эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0,1}: 1_а = [ ТР + Т1Ч - РР - ПЧ ) Л [ ТР + Т1Ч + РР + ПЧ ) (нормировка: {-1 .+1}) 1_Ь = (1 + ( ТР + Т1Ч - РР - Р1Ч ) / ( ТР + ТЫ + РР + Р1Ч ]) / 2 (нормировка: { 0,1})

где количество: ТР - истинно-положительных решений; ТЫ - истинно-огтрицательных решений; РР - ложно-положительных решений; РЫ - ложно-отрицательных решений;

Классическая Р-мера достоверности моделей Ван Ризбергена (колонка выделена ярко-голубым фоном): Р-тега = 2*(Ргеа8юп!1Йеса11)/[Р[есЫоп+Яеса11) - достоверность модели Ргескюп = ТР/(ТР+РР) - точность модели; ЯесаН = ТР/(ТР+Р1Ч) - полнота модели;

1_1-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической Р-меры с учетом СУММ уровней сходства (колонка выделена ярко-зеленым фоном): 1_1 -тега = 2* [5 Ргесвюпк5 Я есаН)/(5 Ргес^юп+Э Я есаН) Э РгесЫоп = Э Т Р/(Э Т Р+Э РР] - точность с учетом су мм уровней сходства; ЭЯесаН = ЭТРДБТР+ЗРМ] -полнота с учетом сумм уровней сходства;

5ТР - Сумма модулей сходства истинно-положительных решений; ЭТЫ - Сумма модулей сходства истинно-отрицательных решений; ЙРР- Сумма модулей сходства ложно-положительных решений; ЭРЫ - Сумма модулей сходства ложно-отрицательных решений.

1_2-мера проф.Е.В.Луценко - нечеткое мультиклассовое обобщение классической Р-меры с учетом СРЕДНИХ уровней сходства (колонка выделена желтым фоном):

1_2-тега = 2*[АРгесвюп*АЯеса11)/(АРгес15юп+АЯеса11)

АРгесЫоп = АТР/(АТР+АРР] - точность с учетом средних уровней сходства;

АЯёсаП = АТР/(АТР+АРЫ] -полнота с учетом средних уровней сходства;

АТР=ЭТР/ТР - Среднее модулей сходства истинно-положительных решений; АРЫ=ЭРЫ/РЫ - Среднее модулей сходства истинно-отрицательных решений; АРР=ЭРР/РР - Среднее модулей сходства ложно-положительных решений; АРЫ »ЭРЫ/РЫ - Среднее модулей сходства ложно-отрицательных решений

Строки с максимальными значениями Р-меры, 1_1 -меры и 1_2-меры выделены фоном цвета, соответствующего колонке.

Из графиков частотных распределений истинно-положительных, истинно-отрицательных, ложно-положительных и ложно-отрицательных решений видно, что чем выше модуль уровня сходства, тем больше доля истинных решений. Это значит, что модуль уровня сходства является адекватной мерой степени истинности решения и степени уверенности системы в этом решении. Поэтому система 'Эйдос" имеет адекватный критерий достоверности собственных решений, с помощью которого она может отфильтровать заведомо ложные решения.

Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение Р-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе "Эйдос" /Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ] Рлектронный ресурс]. - Краснодар: КубГАУ, 2017. - N±02(126]. С. 1 -32. - ЮА [агИс1е Ю]: 1261702001. - Режим доступа: ИКр://е| kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.

Помощь по режиму ЗА (С) Система "ЭЙДОС-Х*

Ш

Режим: 4.1 311 РАСЧЕТ И ГРАФИЧЕСКАЯ ВИЗУАЛИЗАЦИЯ ЧАСТОТНЫХ РАСПРЕДЕЛЕНИИ УРОВНЕЙ СХОДСТВА:

По нажатию кнопок: [ТРЛЧ.РР/Ы]. [(ТР-РР],(Т1Ч-РЫ)]. [(Т-Р)/(Т+р]*100] отображаются графики частотных распределений для модели и интегрального критерия той строки, на которой в экранной Форме 3.4 стоит курсор. По клику на кнопке: [(Т-Р]/(Т+Р]*100] выводятся графики частотных распределений: (ТР-РР]/(ТР+РР)*100 и (ТЫ-РН)/(ТЫ+РМ)*100.

ТР-Тгие-Роя^е; Т1Ч-Тгие-1Чедай7е; РР-РаЬе Рогйуе; ПЧ-Раие-Ыеда^е, количество истинных и ложным положительным и отрицательным решений.

Луценко Е.В. Инвариантное относительно объемов данным нечеткое мультиклассовое обобщение Р-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе "Эйдос" / Е.В. Луценко // Полигемагтический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. -ЮА [агйс!е Ю]: 1261702001. -Режим доступа: http://ei.kubagfo.ru/2017/02/pdf/01.pdf, 2 у.п.л.

—Примерные графики ТРД:№,РР,Р1Ч, а также Р-меры и критериев И, 12 при увеличении объема выборки:--

Picture9. Screen forms Helps of mode 3.4 of the Eidos system,

3.5. Task-5. Choosing the Most Reliable Model

All subsequent tasks are solved in the most reliable model.

The reasons for this are simple. If the model is valid, then:

- identification of an object with a class is reliable, i.e. the model refers objects to the classes to which they actually belong;

- forecasting is reliable, i.e. those events that are predicted actually occur;

- making decisions adequately (reliably), i.e. after the implementation of the adopted control decisions, the control object actually passes into the target future states;

- the study is reliable, i.e. the conclusions obtained as a result of the study of the model of the object of simulation can be rightly attributed to the object of simulation.

Technically, the selection of the most reliable model is carried out in mode 5.6 of the Eidos system and is fast (Figure 12). This is necessary only for solving the problem of identification and prediction (in mode 4.1.2), which requires the most computational resources and therefore is solved only for the model specified by the current one. All other calculations are carried out in the Eidos system in all models at once.

' 7--. epai

(J -■ 6. Бь брать уолелэ и сде/;-= es Текущей

Задайте текущую стат. моде пь или модель знаний Статистические базы:

1. AI3S - частный критерий: количество встреч сочетаний: "класс признак" у объектов обуч.выборки С 2. PRC1 - частный критерий: усл. вероятность ¡-го признака среди признаков объектов ¡-го класса

3. PRC2 - частный критерий: условная вероятность ¡то признака у объектов ¡-го класса Системно-когнитивные модели (Базы знаний):

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

5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 ■I ;ё. INF3 - "Устный 1ф^тер:<::й: Хи-ирацрст, размосги мн>вду Фактическими 3 эжияаемыми абс.частотам^

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

7. INF4 - частный критерий: RCi (Return Or. Investment); вероятности из PR CI

8. INF5 - частный критерий: R0! (Return On Investment); вероятности из PRC2

Э. INF6 - частный критерий: разн.усл.н безусл.вероятностей; вероятности из PRC1

"10.INF7 - частный критерий: разн усл.и безусл.вероятностей, вероятности из PRC2

Как задавать параметры синтеза маце пей В качестве текущей можно задать любую из ранее расчитанных в режимам 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 'Зйдос-Х++:' раскрыт в публикациях, размещенных по адресам http:/Vlc.kubagro.iLi/aidos/inrlex.hrrin. http://www twlrpx.com/rile/793311 /

□ k_| Cancel |

Picture 10. Screen forms of mode 5.6 of the Eidos system: Setting the current model

3.6. Task-6. System identification and forecasting

When solving the identification problem, each object of the recognizable sample is compared in all its features with each of the generalized class images. The meaning of solving the identification problem lies in the fact that when determining whether a particular object belongs to a generalized image of a class, everything that is known about objects of this class becomes known by analogy, at least the most essential about them, i.e. how they differ from objects of other classes.

The tasks of identification and forecasting are interrelated and differ little from each other. The main difference between them is that when identifying the property values and the object belonging to the class refer to the same moment in time, and when predicting the values of the factors refer to the past, and the transition of the object under the influence of these factors to the state corresponding to the class refers to the future (Figure 3). ).

The problem is solved in the model set as the current one, because is very computationally intensive. True, with the use of a graphics processor (GPU) for calculations, this problem has practically disappeared.

Comparison is carried out by applying non-metric integral criteria, of which two are currently used in the Eidos system. These integral criteria are interesting because they are correct9in non-orthonormal spaces, which are always encountered in practice and are noise suppression filters.

3.6.1. Integral criterion "Amount of knowledge"

Integral criterion "Amount of knowledge" represents the total amount of knowledge contained in the system of factors of various nature, characterizing

9In contrast to the Euclidean distance, which is used for such purposes most often

the control object itself, control factors and the environment, about the transition of the object to future target or undesirable states.

The integral criterion is an additive function of the particular knowledge criteria presented in the help mode 5.5:

—► —►

I1 = (i,, L).

In the expression, parentheses denote the scalar product. In coordinate form, this expression looks like:

M

I, = I hA,,

i=1

where: M is the number of gradations of descriptive scales (features);

—

Iij = {Iij } is the state vector of the jth class;

L. = {L.} is the state vector of the recognizable object, which includes all types of factors that characterize the object itself, control actions and the environment (locator array), i.e.:

L =

1, если г - й фактор действует;

п, где: п > 0, если г - й фактор действует с истинностью п; 0, если г - й фактор не действует.

In the current version of the Eidos-X++ system, the values of the coordinates of the state vector of the recognized object were taken equal to either 0 if there is no sign, or n, if it is present in the object with intensity n, i.e. presented n times (for example, the letter "o" in the word "milk" is presented 3 times, and the letter "m" - once).

3.6.2. Integral criterion "Semantic resonance of knowledge" Integral criterion "Semantic resonance of knowledge"represents a

normalized total amount of knowledge contained in a system of factors of various nature, characterizing the control object itself, control factors and the environment, about the transition of the object to future target or undesirable states.

The integral criterion is an additive function of partial knowledge criteria presented in help mode 3.3 and has the form:

I., =SSM Z(/» - 7> - L i

ajalM {=1

where:

M -the number of gradations of descriptive scales (features); 7j -average informativeness by class vector; L -average over the object vector;

sj -standard deviation of particular criteria of knowledge of the class

vector; S -root-mean-square deviation along the vector of the recognized object.

7, = {7,} is the state vector of the jth class; L1 = [L1} is the state vector of

the recognizable object (state or phenomenon), which includes all types of factors that characterize the object itself, control actions and the environment (locator array), i.e.:

1, если i — й фактор действует; L = < n, где: n > 0, если i — й фактор действует с истинностью n; 0, если i — й фактор не действует.

In the current version of the Eidos-X++ system, the values of the coordinates of the state vector of the recognized object were taken equal to either 0 if there is no sign, or n, if it is present in the object with intensity n, i.e. presented n times (for example, the letter "o" in the word "milk" is presented 3 times, and the letter "m" - once).

The above expression for the integral criterion "Semantic resonance of knowledge" is obtained directly from the expression for the criterion "Amount of knowledge" after replacing the coordinates of the multiplied vectors with

their standardized values: 7 ® 7j — Ij l ® Li — L Therefore, in its essence, it is

j s ' s

also the scalar product of two standardized (unit) vectors of a class and an object. There are many other ways to normalize, for example, by applying

7 7 min l Lmin

splines, in particular linear interpolation: 7 ® ij — j . L ® i ——- This

ij 7 max 7 min ' i Lmax Lmin '

allows us to propose other types of integral criteria. But they are not currently implemented in the Eidos system.

3.6.3. Important Mathematical Properties of Integral Criteria

These integral criteria have very interesting mathematical properties that provide it with important advantages:

Firstly, the integral criterion has a non-metric nature, i.e. it is a measure of the similarity of the class and object vectors, but not the distance between them, but the cosine of the angle between them, i.e. this is the inter-vector or informational distance. Therefore, its application is correct in non-orthonormal spaces, which, as a rule, are encountered in practice and in which the application of the Euclidean distance (Pythagorean theorem) is incorrect.

Secondly, this integral criterion is a filter that suppresses white noise, which is always present in empirical initial data and in models created on their basis. This property of suppressing white noise is manifested in this criterion the brighter, the more gradations of descriptive scales in the model.

Thirdly, the integral criterion of similarity is a quantitative measure of the similarity/difference of a particular object with a generalized image of a class and has the same meaning as the membership function of an element in a set in the fuzzy logic of Lotfi Zadeh. However, in fuzzy logic, this function is set a priori by the researcher by choosing from several possible options, and in ASC analysis and its software tools - the Eidos intellectual system, it is calculated in accordance with a well-founded mathematical model directly based on empirical data.

Fourth, in addition, the value of the integral criterion of similarity is an adequate self-assessment of the degree of confidence of the system in a positive or negative decision about the belonging / non-membership of an object to a class or the risk of error in such a decision.

Fifth, in fact, during recognition, the coefficients Ij of the expansion of the function of the object Li in a series of functions of the classes Iij are calculated, i.e. the weight of each generalized class image in the object image is determined, which is described in more detail in monographs [46, 50].

3.6.4. Output forms of the Eidos system based on the results of numerical calculations

Figure 13 shows the screen forms of the identification and forecasting mode 4.1.2 of the Eidos system:

^ 4.1.2. Пакетное распознавание. Текущая модель: 'TNF3"

■ Стадии исполнения процесса

ОПЕРАЦИЯ: ПАКЁТЙОЕ РАСПОЗНАВАНИЕ Б ТЕКУЩЕЙ МОДЕЛИ "INF.3": 1/11 Н : > - ■ ■■. ; •■ : \ _уУ ■ ■ Off;ПЩГ-1

Zf\ 1 :Расчет распределений .уровней сходства верно и'ошиб;-идент.объектов i Lllj OOOOQÖO1^-Готово

3/11;: Создан и&.™'ат;ы^.;п'олных распезнпо двум инТегр крит.' 1UU IJJIJIj;JJ}3ii- Готово

4/11;: Создание подр нагп.формы-: "Объект-Классы". Инт.-криГгкез'рреляция: 100.0000000%-Готово

5/11;: Создание подр нагл.формы: "Объект-Классы". Инт.1<рит-:-йумма инф. 100 0000000-^- Готова

6/11;: Создание итоговой наглядной формы: "Объект-класс". Инт.крит.-корреляция 1 NOÜJOOCÜÖ'V Готово

7Й1:. Создание итоговой наглядно^-формы "ОбъеКт^Ущсе11, 'Йнт.крйт.-суг^та инф.: 1 □□.'□□□□□□ Готово

8/11;:Создание подробной наглядной формы:'%1аес-0бъекты". Инт.криг.-корреляция: 10О.ОЙОрОО.О^-Готово

9/11;: Создание подробной наглядной формы^'^дассгобъекты". Инт.крит.-с^'гУйа инф.: 100.0000000%- Готово

1 |V"1 ИнткШйг^йсроалацйя: 1 ПГ|Г|ГмОрТ|:Ц- ГоМвд:

14'Щ:.Создание итоговой.нагляднйй;формы. '^пас(>объектьг'. Инт.^ркй^щмйаинф. jjj üü:(0[0[1^>-Гг|тое:о

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО Г

-Прогноз времени исполнение

Начали: 14:[Ш:0Б Окончание: 14:35:52

100%

Прошло: 0:28:46

Осталось: U:RO:DO

1.3.1. Подробно наглядно: 'Объект - классы"

1.3.2. Подробно наглядно: "Класс - объекты"

1.3.3. Итоги наглядно: "Объект - класс"

1.3.4. Итоги наглядно: "Класс - объект"

1.3.5. Подробно сжато: "Объекты - классы"

1.3.6. Обобщ.форма по достов.моделен при разных интегральных крнт.

1.3.7. Обобщ.стат.анализ результатов идент. по моделям и инт.кркт.

1.3.8. Стат.анализ результ. ндент. по классам, моделям и инг.крит.

1 3.9. Достоверность идент.объектов при разных моделях и иит.крит. 1.3.10.Достоверность идент.классов при разных моделях и инг.крит. 1.3,11.Объединение в одной БД строк по самым достоверным моделям

ЧАСТНЫЕ И СРЕДНЕВЗВЕШЕННЫЙ ПРОГНОЗНЫЕ СЦЕНАРИИ "ЧЕГО НЕ БУДЕТ" В МОДЕЛИ: "1^3" Распознаваемый объект: 59-08.03.1933. Интегральный критерий: "Сумма знаний". Сплайны Безье "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

1с г2 1.4 1.6 1$ 2 0 22 2=1 2.6 28 30

Шкала времени на период прогнозирования- 3 ccl1lAldos-XlAvrScen-lnf3-l-Neji-59-5plaln.jpg

14.03.2022-00:07:42

"Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

1.0 12 1.4 1.6 1.8 20 22 2 4 2 6 28 3 0

Шкала времени на перноц прогнозирования2 3 е.11УИлв''<й«5«|И|1Й+Й15-51|рд

14.03,2022-00:02:32

ЧАСТНЫЕ И СРЕДНЕВЗВЕШЕННЫЙ ПРОГНОЗНЫЕ СЦЕНАРИИ "ЧТО БУДЕТ" В МОДЕЛИ: "¡№3" Распознаваемый объект: 59-08.03.1933. Интегральный критерий: "Сумма знаний". Полиномы п-й степени "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

10 12 1.4 1.6 1.8 2 0 2 2 2 4 2 6 2 8 3 0

Шкала времени на перноа прогнозирования: з еЛ1Ю111оЕ-Х№угЗсегНп13-1-Рс№-59-Ро1МР9

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

14.03.2022-00:02:17

Picture 11. Screen forms of the identification and forecasting modebi 4.1.2, 4.1.3.1,

4.1.3.2 of the Eidos system

3.7. Task-7. Decision Support

3.7.1. Simplified decision-making as an inverse forecasting problem, positive and negative information portraits of classes, SWOT analysis

The problems of forecasting and decision making are related to each other as direct and inverse problems:

- when forecasting by the values of the factors acting on the modeling object, it is determined in what future state it will go under their action;

- when making decisions, on the contrary, according to the future target state of the modeling object, the values of the factors that determine its transition to this future target state are determined.

Thus, the decision-making problem is the inverse of the forecasting problem. But this is true only in the simplest case: in the case of using SWOT analysis (mode 4.4.8 of the Eidos system) [9].

Figure 14 shows the screen forms of the SWOT analysis mode 4.4.8 of the Eidos system:_

44.8. Количественный автоматизированный SWOT-энализ классов средствами АСК-анализа в системе "Эйдост [ czr| ED

Выбор класса, соответствующего будущему состоянию объекта управления

Кдц H аименование класса Редукция кгае N объектов [ade. I N обьектов ['к] Ев-

1 .ргишиши игошшш 241,1?ЗЙ768 16591 5,5005235

МАКСИМАЛЬНАЯ ТЕМПЕРАТУFA-a^^fl.3, 21-.3}. ■ 1503,08035... ■182784 -54;2361-279

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУ PA^/3ï{2î;3, 43.0} 1597,29668... 119493 40,2633486

4 M И H ИМдЛ ЬНАЯ Т Е МП ЕРАТ У РА-1 ШЙШ4. Й SB;4553586 5145 Т,72'34437:

5 МИНИМАЛЬНАЯ ТЕМПЕРАТУРД-2^{-14.P,:S7Ï ■1803,63898... 135272 44,4914230

1 МИНИМАЛЬНАЯТЕМПЕРАТУ РЙ^З-Ш. T. 25.4}' 1.625,41474... 160439 53,7811065

¡лГ

ЗУ/ОТ-анализ класса 1 "МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-Ш-(-22 0. -03}' в мол о пег В "ШРЗ"

Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния

Код H аименоеание фактора

н его интервального значения

I МАКСИМАЛЬНАЯ 1ЕМПЕРАТУРА-1 ^.22.0000000. -■■■

13 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-1/3-{-31.6000000,-9.

22

МАКСИМАЛЬНАЯ ТЕMПЕРАТУPA-PASТ3-01,01,01

СРЕДНЯЯ Т ЕМП ЕРАТ У РА-1 /3-{-27 '.9ГООООО, -В.1.06В6...

МАКСИ МАЛ ЬНАЯ Т Е M П Е РАТУ PA-PAS Т 3-02,02,01

M И H ИМАЛ ЬНАЯ Т Е МП ЕРАТ У PA-PAST 3-05,05:05.

МИНИМАЛЬНАЯ ТЕМПЕРАТУРОЙ'!-!4ШШШ5...

ЭФФ Е KT И В НАЯ ТЕ МП Е PAT У PA-PAST 3-19.19.19'

M И H ИМА П ЬНАЯ Т Е МП ЕРАТ У PÀ1 «-{-33.7000000, -1..

МАКСИ МАЛ ЬНАЯ Т Е M П Е РАТУ РА-РА5ТЗ®.:Ш .,01

ЭФФ Е KT И В НАЯ Т Е МП Е PAT У PA-PAST а;20,20,19

СРЕ ДН ЯЯ Т ШП Е PAT У PA2/3-{-8.166Б667.11.56G6G67} СРЕ ДН ЯЯ Т Е М П Е PAT У PA-PAS Т 3-08,08,03

5я г:ре лияя трмпература-разтЗ:П7:Г17.07

'211 456 179.4S2

Кш Наименование фактора Сша

и егоингервального значения влияния

а МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА^/З-М^ЗЩ 21... -745.107

6 МИНИМАЛЬНАЯ Т Е М П Е РАТУ РА-3/3-{5.7000000, 25.4... ■734. З^

9 СРЕДНЯЯ ТЕМПЕРАТУРА;3«!1Т.5686687, 31.30000... ■702. C68

54 МИНИМАЛЬНАЯ ТЕМПЕРАТУШШ|ЭДЙОбЛб -640.402

89 СРЕ ЛН Я Я Т Е М П ЕРАТ У PA-PAST 3-09.09,09 -831.9®2

32 МАКСИМАЛЬНАЯ Т EMnEPATyPA-FteT3-02,02,02' ■599.121

21 ЭФФЕКТИВНАЯ ТЕМ ПЕРАТУ ЙЙ/З-'Ш.7333333, 33... -581-483

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗШ21 3333333, 4 -548.360

137 ЭФФЕКТИВНАЯ ТЕМПЕ РАГУ PA-PAS Т3:21 Zi ,21 -492.ЙТ

39 МАКСИ МАЛ ЫНАЯ Т ЕМ П Е PAT У РА-РА9 Т 3'-03даЭ,СВ ■ ■452.213

130 ЭФФЕКТИ8НАЯ ТЕМПЕРА ГУPA;P£5i3r2O;2O,20. 254.820

20 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-2Л-{-Э.933ЙЙ;11 ... ■241.455

10 ATM С СФ Е FH 0 Е ДАЗ Л Е НИ Е1Д-Й89.1000000,1006.... -62.615

яо АТМПСФЕРНПР J1AR0EHHF-PA9T3-11 11 11 -Ей 01 fj

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

■АГк Ргс1 Infi- Inl3 1п14 1п15 Inf G nF7

S WO Т -диаграмма

э\лют-диаграмма класса в модели: "1^3"

"Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы" Шкала: [8] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-РиТЧЖЕЗ

СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния:

Класс: [39] МАКСИМАЛЬНАЯ TEMnEPATyPA-FUTURE3-03,03,03

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений:

ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-137

СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма созвана: 08.03.2022-13:27:05

Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень вл Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влия>

Picture 14. Screen forms of the SWOT-analysis mode 4.4.8 of the Eidos system

3.7.2. Advanced Decision-Making Algorithm in ASC Analysis

However, the SWOT analysis (mode 4.4.8 of the Eidos system) has its limitations: only one future target state can be set, some recommended factors may not be technologically and financially feasible to use.

Therefore, in the ASC analysis and the Eidos system, a developed decision-making algorithm (mode 6.3) is implemented, in which, in addition to the SWOT analysis, the results of solving the forecasting problem and the results of a cluster-constructive analysis of the classes and values of factors are also used, i.e. some results of solving the problem of researching the subject area. This algorithm is described in [10] and a number of subsequent works (Figure 15).

Step 1.Management sets management goals, i.e. determines the future target states of the control object. Typically, the target states in physical terms are the quantity and quality of products, and in value terms - profit and profitability. The control object as a system, the effectiveness of the control object as a system property, increasing the level of systemicity of the control object as a control goal (nonlinearity) . The model reflects a certain level of technology, so the target states that are unattainable in one model may be achievable in another with a large number of factors.

Шаг 1-й. Руководство ставит цели управления, т.е. определяет будущие целевые

состояния объекта управления. Обычно целевые состояния в натуральном выражении - это количество и качество продукции, а в стоимостном выражении -

прибыль и рентабельность. Объект управления как система, эффективность объекта управления как системное свойство, повышение уровня системности объекта управления как цель управления (нелинейность) . Модель отражает определенный уровень технологий, поэтому целевые состояния, недостижимые в одной модели, могут оказаться достижимыми в другой с большим числом факторов

Шаг 2-й (см.реж.6.4). Когнитивно-целевая структуризация и формализация предметной области (реж.2.3.2.2), синтез и верификация моделей (реж.3.5), определяем наиболее достоверную из них по Р-критерию Ван Ризбергена и критериям 1_1 и 1_2 проф.Е.В.Луценко (реж.3.4). Повышение уровня системности и адекватности модели объекта управления (принцип Уильяма Росса Эшби)

Шаг 4-й. Иначе оцениваем корректность поставленных целей путем сравнения системы детерминации целевых состояний методом когнитивной кластеризации (4.2.2.3) или на основе матрицы сходства (4.2.2.1), т.е. определяем, являются ли целевые состояния совместимыми, т.е. достижимыми одновременно, по обуславливающим их значениями факторов, или они являются взаимоисключающими (альтернативными) по системе детерминации и одновременно недостижимы

Picture 12. Developed decision-making algorithm in intelligent control systems based on

ASC-analysis and the Eidos system

Step 2 (see dir.6.4).Cognitive-targeted structuring and formalization of the subject area (dir. 2.3.2.2), synthesis and verification of models (dir. 3.5), we determine the most reliable of them according to the Van Riesbergen F-criterion and the L1 and L2 criteria of Prof. E.V. Lutsenko ( dir.3.4). Increasing the level of consistency and adequacy of the control object model (principle of William Ross Ashby).

Step 3.If the target state is one, then go to step 6, otherwise go to step 4.

Step 4.Otherwise, we evaluate the correctness of the goals set by comparing the target state determination system using the cognitive clustering method (4.2.2.3) or based on the similarity matrix (4.2.2.1), i.e. determine whether the target states are compatible, i.e. achievable simultaneously, according to the factors that determine them, or they are mutually exclusive (alternative) according to the system of determination and at the same time unattainable.

Step 5.Are the goals of management correct, compatible, achievable at the same time? If yes, go to step 6, otherwise go to step 1.

Step 6.We solve the decision support problem in a simplified version by solving the inverse forecasting problem in an automated SWOT analysis (dir.4.4.8) for each of the target states and combine the recommended factor values into one system of control factors.

Step 7.We evaluate the technological and financial possibilities of applying in practice the values of the factors recommended in step 6.

Step 8.If such a possibility exists for all factor values, then we accept them for implementation in practice and go to step 13 to check the effectiveness of the decisions made, otherwise go to step 9.

Step 9.If this is not possible, then we exclude from the system of factor values recommended in step 6 those of them that for some reason cannot be put into practice (dir. 4.1.1) and go to step 10.

Step 10.We predict the results of the application in practice of a reduced system of factor values in which there are only those that have a real opportunity to be applied in practice (dir. 4.1.2).

Step ll.Does the abbreviated system of factor values lead to the achievement of target states? If yes, then exit the decision algorithm, otherwise go to step 12.

Step 12.We replace the values of the factors recommended in step 6, but removed in step 9, with others similar in their effect on the control object, but which can be used (4.1.1). These replacement factor values are selected using cognitive cluster-constructive analysis of factor values (4.3.2.3) or simply a similarity matrix (4.3.2.1).

Step 13.Forecasting the results of applying in practice the system of factor values formed at the previous stages (dir.4.1.2)

Step 14.Does the formed system of factor values lead to the achievement of target states? If yes, then exit the decision-making algorithm, otherwise go to step 1.

As we can see, in the developed decision-making algorithm, the results of solving various problems are widely used: both the forecasting problem and some problems of studying the modeling object by studying its model. It should be specially noted that all these tasks are solved in the Eidos system.

Therefore, below we briefly consider the solution of these problems.

3.8. Task-8. Examining the object of modeling by examining its model

3.8.1. Inverted SWOT Diagrams of Descriptive Scale Values (Semantic Potentials)

Inverted SWOT-diagrams (proposed by the author in [9]) reflect the strength and direction of the influence of a particular gradation of the descriptive scale on the transition of the modeling object to states corresponding to the gradations of classification scales (classes). This is the meaning (semantic potential) of this gradation of the descriptive scale. Inverted SWOT-diagrams are displayed in mode 4.4.9 of the Eidos system (Figure 16).

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

SWOTDiagrAtr0003-06.jpg _

: swoi "Сценарный автоматиз! остояния, которым данное знач.фактора СПОСОБСТВУЕТ: ■-диагра фованный Фак- мма значения фактора в м системно-когнитивный анализ клиг/ гор: [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТ Значение: [3] 3/3-{21.3, 43.0} одели: " ата Красно; УРА nf3" Чара за 1933-2020 годы" остояния, которым данное знач.фактора ПРЕПЯТСТВУЕТ:

[1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА [3] 3/3421.3,43.0} 1=6059.587 « [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА [2] 2/34-0.3,21.3}

[7] ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА [21] 3/3-{11.7, 33.4} 1=4980.980 l=-4549.624 [3] СРЕДНЯЯ ТЕМПЕРАТУРА [8] 2/34-8.2,11.6}

[3] СРЕДНЯЯ ТЕМПЕРАТУРА [9] 3/3-{11.6, 31.3} 1=4907.508 1= 4423.872 [7] ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА [20]2/3-{-9.9,11.7}

[10] СРЕДНЯЯ TEMnEPATyPA-FUTURE3 [69] СРЕДНЯЯ TEMnEPATyPA-FUTURE3-09,09,09 1=4878.091 l=-4073.675 [2] МИНИМАЛЬНАЯ ТЕМПЕРАТУРА [5] 2/3+14.0, 5.7}

[9] МИНИМАЛЬНАЯ TEMnEPATyPA-FUTURE3 [54] МИНИМАЛЬНАЯ TEMnEPATyPA-FUTURE3-06,06,06 1=4779.199 1=3775.849 [8] МАКСИМАЛЬНАЯ TEMnEPATyPA-FUTURE3 [32] МАКСИМАЛЬНАЯ TEMnEPATyPA-FUTURE3-02,02,02

[14] ЭФФЕКТИВНАЯ TEMnEPATyPA-FUTURE3 [137] ЭФФЕКТИВНАЯ TEMnEPATYPA-FUTURE3-21,21,21 1=4532.178 1=-3768.390 [10] СРЕДНЯЯ TEMnEPATyPA-FUTURE3 [62] СРЕДНЯЯ TEMnEPATyPA-FUTURE3-08,08,08

[8] МАКСИМАЛЬНАЯ TEMnEPATyPA-FUTURE3 [39] МАКСИМАЛЬНАЯ TEMnEPATyPA-FUTURE3-03,03,03 1=4491.590 1=-3731.373 [14] ЭФФЕКТИВНАЯ TEMnEPATyPA-FUTURE3 [130] ЭФФЕКТИВНАЯ TEMnEPATyPA-FUTURE3-20,20,20

Фильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-137 !>ильтр по классам ВЫКЛЮЧЕН. Диапазон кодов: 1-137

ВЛИЯНИЕ ДАННОГО ЗНАЧЕНИЯ ФАКТОРА НА ПЕРЕХОД ОБЪЕКТА УПРАВЛЕНИЯ В СОСТОЯНИЯ, СООТВЕТСТВУЮЩИЕ КЛАССАМ: Форма создана: 13.03.2022-20:50:52 Состояния объекта управления (классы), переходу в которые данное значение фактора СПОСОБСТВУЕТ, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Состояния объекта управления (классы), переходу в которые данное значение фактора ПРЕПЯТСТВУЕТ, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.

t) 4.4.9 Количественный автоматизированный SWOi -анал/з значений факторов средствами ACK-энализз в системе Эйдос"

Выбор значения фактора, оказывающего влияние на переход объекта управления в будущие состояния

ij Код Наименование значения фактора

1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/3-{-22.0000000, -0.3333333}

2 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-0.3333333,21.3333333}

3

4 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-1 /3-{-33.7000000, -14.0000000}

5 МИНИМАЛЬНАЯ ТЕ М П Е PAT У РА-2^3-{-14.0000000.5:7000000}

6 МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-3/3-{5.7000000,25.4000000}

<1 ► Г

SWOT-анализ значения срактора:3 "МАКСИМАЛЬНАЯ ТЕМ ПЕРАТУРА-3/3-{21.3333333. 43.0000000}" в мод

СПОСОБСТВУЕТ: ПРЕПЯТСТВУЕТ:

Код Состояния объекта управления, пере к оду в которые IS Состояния о^екта управления, переходу в которые щщ II л

данное значение фактора СПОСОБСТВУЕТ данное значение фактора ПРЕПЯТСТВУЕТ йзи

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3,43.0} 6059.587 * МАКСИМАЛЬНАЯ ТЕМПЕ РАТУ РА-2/3-{-0.3.21.3} -5366.6..

21 ЭФФЕКТИВНАЯ Т Е М П Е РАТ У РА-3/3-{11.7,33.4} 4980. Э80 8 СРЕДНЯЯ ТЕМПЕРАТУРА-2/3-{-8.2,11.6} -4549.6...

9 СРЕДНЯЯ ТЕМПЕРАТУРА-3/3-{11.6.31.3} 4907.508 —J 20 ЭФФЕКТИВНАЯ Т Е М П Е РАТ У РА-2/3-{-8.8.11.7} -4423.8..

69 СРЕДНЯЯ ТЕМПЕРАТУРА-РШТШЕЗ-СРЕДНЯЯ ТЕМП... 4878.091 5 М И Н И МА Л ЬН АЯ Т Е М П Е РАТ У РА-2/3-{-14.0,5.7} -4073.6..

54 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-ПЛиЯЕЗ-МИНИМАЛ... 4779.199 32 М АКСИМАЛ ЬН АЯ Т ЕМП Е РАТУ PA-FU Т UR Е 3-М АКСИ М АЛ... ■3775.8...

137 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-РиТШЕЗ-ЭФФЕКТИ... 4532.178 62 СРЕДНЯЯ ТЕМПЕРАТУРА-ПЛиРЕЗ-СРЕДНЯЯ ТЕМПЕР... -3768.3...

39 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-РиТ11ЯЕЗ-МАКСИМА... 4491.590 130 ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-РитиЯЕЗ-ЭФФЕКТИВ... -3731.3...

6 МИНИМАЛЬНАЯ ТЕМПЕ РАТ У РА-3/|3-{5.7,25.4} 4388.690 47 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-П-1ТиПЕЗ-МИНИМАЛЬН... -3453.8..

89 СКОРОСТЬ ВЕТРА-ГитиНЕЗ-СКОРОСТЬ ВЕТРА-Р!Л11Р... 304.181 16 ОСАДКИ-1ЛИ1Д 100.7} -898.056

10 АТМОСФЕРНОЕ ДАВ Л Е Н И Е -1 /3-{989.1,1006.9} 257.628 1 МАКСИМАЛЬНАЯ Т ЕМП Е РАТУ РА-1 /3-{-22 0, -0.3} -546.968

38 МАКСИ МАЛ ЬНАЯ Т Е М П ЕРАТ У РА-Р11Т11Р ЕЗ-МАКСИ М А... 254.115 18 ЭФФЕКТИВНАЯ Т Е М П Е РАТ У РА-1 /3-{-31.6, -9.9} -411.108

13 СК0 РО СТ Ь В Е Т РА-1 /3-{1.0.10.3} 225.148 48 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-РитиНЕЗ-МИНИМАЛЬН... -257.984

70 АТМОСФЕРНОЕ ДАВЛЕНИЕ-РитиРЕЗАТМОСФЕРНО... 160.183 80 АТМОСФЕРНОЕ ДАВЛЕНИЕ-РШТШЕЗ-АТМОСФЕРНОЕ... -253.740

< МАК ПИ М А П КНАЯ ТРМПРРДТУРД.Р! 1Т11ПРЗ.МАКГИМА 15fi 3Rj? Г . g, ПГАЛКИ-R ITI 1Р1РЗ-ПГАЛКИ.Р1 ITI IRFVIP1R 1R г

ВК Л Ю Ч И Т Ь Фильтр по к л. шка ле В Ы КЛ Ю Ч И Т Ь фильтр по и л. шкале ВКЛЮЧИТЬ фильтр по к л. шкале ВЫКЛЮЧИТЬ Фильтр по к. л. шкале j

Picture 13. Screen forms of the SWOT-analysis mode 4.4.9 of the Eidos system

3.8.2. Cluster-constructive analysis of classes

In the Eidos system (in mode 4.2.2.1), the matrix of similarity of classes is calculated according to the system of their determination, and on the basis of this matrix, four main forms are calculated and displayed (Figure 17):

- circular 2d-cognitive class diagram (mode 4.2.2.2);

- agglomerative dendrograms obtained as a result of cognitive (true) class clustering (proposed by the author in 2011 in [11]) (mode 4.2.2.3);

- graph of changes in intercluster distances (mode 4.2.2.3);

- 3d-cognitive diagram of classes and features (mode 4.4.12).

4 2.2,2. Зада-ле классов дл? зтобрзже-^я

Задание параметров отображения классов Задайге число отображаемых классов: Задайте MlN модуль уровня сходства отображаемым классов. Задайте способ выбора классов для отображения;

* Классы с МАХ и MIN уровнями сходства Классы с МАХ по модулю уровнем сходства

Задайте размер изображения в пикселях (не более 4К): Размер no X: 1SGQ Размер по Y' I goo

Ük

Cancel

Ш i

4.2.2.2. Результаты озстерно-конструктивного анализа классов

Конструкт класса:1 "МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/3-{-22.0, -0.3}" в модели:6 "INF3"

щ

И МАКСИМАЛЬНАЯ ТЕЫПЕРАТУРДЧ.Щ-22 0. -0...

2 МАКСИМАЛЬНАЯ ЯЯМЮВЙЩШЗ. 21.3}

3 МАКСИМАЛЬНАЯIDHIÜIII IHJMtfflgSs-

4 M^MAÄ№flTEMnEPATyPA-l/3-{-33;®-14..

5 МИНИЩД^НАЯ :ГЩЩЙЫРА-2/3-{-14.0,5.71

6 ШАШ ТЕМПЕРАТ аРА-3/3-{5.7,25.4}

i §8Е-ЩЯЯ'Т:ЕМПЁРАТУРА-1/3-{-27.3.-8.2}

8 ::ИЕДНЯЙ.7£МПЕРАТУРА-2/3-{-8.2,'ПЙ

3 ЙШЩ 'Т:ЕМПЁРАТУ РА-З/З-П 1,6. 31.3}

10 АТМ0СФЁМЕ:-тВЖНИЕ^£йЩ:1:.Аб.Э(

11 ДТМОСФЕРНДЕ;тВ-[1Еа0£;2?31ЙООВ.Э,1О24.а¥

12 АТМ0СФЕМЕ:-тВЖНИЕ.ЗгЙ-М]24.8,1042.81

13 СКОРОСТЬ BETPA-Vat;[IJ0.3}

14' скороотьзе^а2Ш:о.з. 13.7}

15 СКОРОСТЬ 8ETPA-3/3--I19.7. 23.0}

те 0СДДКИ-1/3-{1.0,100.7}

.Я ОСАДКИ-ЗМТОЙМЩЗ}

18 0САДЙЩШ1.3, 300.0}

13 ■ЭФФЕКТМАЯ ТЕ ч." ■■'" -3.3}

20 ЭФФЕКТЙВ'НАЯ::ТЁМПЕвЙУРА-2/3-{-Э.Э, 11.Й'

21 эффектмая твшрмммв-'-33 41

22 МАКСИМАПЩАЙТЕЙЙЕРАТУЕА-ЕОТОЙВй-М...

23 МАКСИМАЛЬНАЯ TiMtltPATyPA-f0t0re3-m...

Ы МАКСИМАЛЩАЙ1ЕЙЕВДУРА-Р0Т0ДВЗ-М...

25 ■ МАКСИМАЛЬНАЯ Tim(PATyPA-F0T0RE3-M...

Hf!:l' ;C4;iTi.1FIUr

1 максимальная :т£щ{ратира-1 ш-22.0. л.з} ■1d0.ООО

5 22 максимальная температура-еотинез-макскмальиая... 97.2s3

3 123 эффективная'■тдаиер^ра-швдез^текдшйя т... 96.599

4 58 СЙг^няя Темпе РАТУРА-Fo тон е^ёйеднЙйтЕмпё^Ату pa... 96.323

5 124 эффективная ■t:smltei,Aä;yPA-F0T|JRE3-a;ip41ifithefiafl т... 95.зге

8 58 с!йняя iemnepatypa-fotoreiese'bhfinemnefiatypa... 95.225

132 87 CPEflHafl-TEMnEPATyPA-f0t0re3,JPE;flHjWTgM®patapa;.. -44.316

133 ■64 минимайьндятемперат.аРА-ритияез-минимальная те... -44.759

134 3 средйяя-температура-3/3-(п-.6. 31.3} -45.35g

ш ¡•is ck0'h0ctbbetpa-f0t0re'3ck0p0cttfe£tpa-füt0re3-13,13... -46.310

138 8 минимальная'те мпктмура-3/3-{5.7,25.4} -47.705

W 35 максимаимая TEMnEPATyPA-F0TÜRE3-MAKCHfenbWAfl... -50.397

Помощь Abs Prcl Pic2

Inf7 График I В К Л. Фильтр по к л. шкале ВЫКЛ.Фильтр по кл.шкале ! Параметры ; Показать ВСЕ

3.8.3. Cluster-constructive analysis of the values of descriptive scales

In the "Eidos" system (in mode 4.3.2.1), a matrix of similarity of features is calculated according to the system of their meaning, and on the basis of this matrix, three main forms are calculated and displayed (Figure 18):

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

- circular 2d cognitive feature diagram (mode 4.3.2.2);

- agglomerative dendrograms obtained as a result of cognitive (true) feature clustering (proposed by the author in 2011 in [11]) (mode 4.3.2.3);

- graph of changes in intercluster distances (mode 4.3.2.3);

- 3d-cognitive diagram of classes and features (mode 4.4.12).

ДЕНДРОГРАММА КОГНИТИВНОЙ КЛАСТЕРИЗАЦИИ ПРИЗНАКОВ В МОДЕЛИ: "1МРЗ" 'Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы'

Picture15. Screen forms of subsystem 4.3.2: "Cluster-constructive analysis of factor

values"

3.8.4. Knowledge Model of the Eidos System and Nonlocal Neurons

The knowledge model of the Eidos system belongs to fuzzy declarative hybrid models and combines some positive features of the neural network and frame models of knowledge representation.

Classes in this model correspond to neurons and frames, and signs correspond to receptors and spaces (descriptive scales correspond to slots).

From frame model knowledge representation model of the "Eidos" system is distinguished by its efficient and simple software implementation, obtained due to the fact that different frames differ from each other not in a set of slots and spaces, but only in the information in them. Therefore, in the Eidos system, with an increase in the number of frames, the number of databases does not increase, but only their dimension increases. This is a very important property of the Eidos system models, which greatly facilitates and simplifies software implementation.

From the neural network model knowledge representation model of the system "Eidos" differs in that [12]:

1) the weight coefficients on the receptors are not selected by the iterative backpropagation method, but are calculated by the direct counting method based on a well theoretically substantiated model based on information theory (this resembles Bayesian networks);

2) weight coefficients have a well theoretically substantiated meaningful interpretation based on information theory;

3) the neural network is non-local, as they say now "fully connected".

In the "Eidos" system, non-local neurons are visualized (mode 4.4.10 of the "Eidos" system) in the form of special graphic forms, on which the strength and direction of the influence of neuron receptors on the degree of its activation / inhibition is displayed in the form of color and thickness of the dendrite.

4.4.10.Графическое отображение нелокального нейрона в системе Эйдос"

Код ¡1 Наименование нелокального нейрона, (класса)

1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-22.0, -0.3}

2 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-0.3, 21.3}

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3, 43.0}

4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-33.7, -14.0}

5 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-14 0, 5.7}

6 МИНИМАЛЬНАЯ ТЕМПЕРАТУ РА-3/3-{5.7. 25.4}

7 СРЕДНЯЯ ТЕМПЕРАТУРА-1 /3-{-27.9, -8.2}

8 СРЕДНЯЯ ТЕМПЕРАТУРА-2/3-{-8.2,11.6}

Э СРЕ ДН Я Я Т Е М ПЕРАТУ РА-3/3-{11.6, 31.3}

LlT

Подготовка визуализации нейрона 3 "МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21 .3, 43.0}" в модели.6 "ШЕЗ" АКТИВИРУЮЩИЕ рецепторы и сила их влияния ТОРМОЗЯЩИЕ рецепторы и сила их влияния_

Код Наименование Фактора и его интервального значения Сила ' влияния 1

69 МАКСИМАЛЬНАЯ ТЕМПЕ PAT У РА-3/3-{21.3333333, 43.000... 6059.587

СРЕДНЯЯ Т Е М П Е PAT У РА-РА5 Т3-09,09,09 5027.437

39 МАКСИ МАЛ ЬНАЯ ТЕМПЕ PAT УРА-РАБ Т 3-03,03,03 5020.992

21 3 Ф ФЕКТ И В НАЯ Т Е М ПЕРАТ У РА-3/3-{11.7333333, 33.400... 4981.045

9 СРЕДНЯЯ ТЕМПЕРАТУРА-3/3-{11.5666667, 31.3000000} 4907.598

137 Э Ф ФЕКТ И В НАЯ Т Е М ПЕРАТ У PA-PAS Т 3-21,21,21 4685.566

54 МИНИ МАЛ ЬНАЯ Т Е М ПЕРАТУ PA-PAST3-06,06,06 4617.644

6 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{5.7000000, 25.4000... 4388.811

33 МАКСИ МАЛ ЬНАЯ ТЕМПЕ PAT У PA-PAS Т 3-02,02,03 426.014

< -

ы

ВКЛЮЧИТЬ фильтр по Фактору | ВЫКЛЮЧИТЬ Фильтр по Фактору

Помощь | Abs | Ргс1 | Ргс2 | Infi | Inf2 | ln(3 | Inf4 | Irif5 | Inf6 Inf7 |

СРЕДНЯЯ ТЕМПЕРАТУРА-2/3-{-8.1666667,11.5666667}

ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-2/3-{-9.9333333,11.73..

МАКСИ МАЛ ЬНАЯ ТЕМПЕ PAT УРА-РАБ Т 3-02,02,02

МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-1 4.0000000, 5.70..

СРЕДНЯЯ ТЕМ ПЕРАТУ РА-РА5ТЗ-08,08,08

3ФФЕКТИВНАЯ ТЕМПЕРАТУPA-PAST3-20,20.20

МИНИ МАЛ ЬНАЯ ТЕМ П Е РАТУ PA-PAST3-05,05,05

О САДКИ-1 /3-{1.0000000,100.6666667}

ВКЛЮЧИТЬ Фильтр по Фактору

ВЫКЛЮЧИТЬ Фильтр по Фактору

Максимальное количество отображаемы« рецепторов: J Минимальный вес.коэФФ.отображаемык рецепторов: ||

Ог ООО

-Сортировать рецепторы: (* по информативности С* по модулю информативности

Отображать рецепторы: (* с наименованиями С только с кодами

нелокальный нейрон в модели: "1^3"

Нейрон: [3]-МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3,43.0} Приложение: Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы

Форма создана: 08.03.2022-11:08:23

АКТИВИРУЩЕЕ влияние отображается линиями КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. пок ТОРМОЗЯЩЕЕ влияние отображается линиями СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает относительную силу влияния. Визуализация нейрона с кодами и наименованиями рецепторов

Picture16. Screen forms of subsystem 4.4.8 of the Eidos system

3.8.5. Non-local neural network

The Eidos system has the ability to build models corresponding to multilayer neural networks [12].

It is also possible to visualize any one layer of a non-local neural network (mode 4.4.11 of the Eidos system).

Such a layer in a visual form reflects the strength and direction of the influence of the receptors of a number of neurons on the degree of their activation/inhibition in the form of color and thickness of the dendrites.

Neurons in the image of the neural network layer are located from left to right in descending order of the modulus of the total strength of their determination by receptors, i.e. on the left are the results that are most rigidly conditioned by the values of the factors acting on them, and on the right - less rigidly conditioned.

Figure 20 shows a small fragment of one layer of a neural network and a screen form for setting its visualization parameters:

ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ НЕЙРОННОЙ СЕТИ В МОДЕЛИ: "1^3" Отображено: 32.30% наиболее значимых синаптических связей "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

Нейроны: {1,137}=>

Рецепторы: {1,137}=>

Связи между рецепторами и нейронами. Цвет линии обозначает знак связи С+','-'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом

Отображать не Более: 1Б рецепторов

Отображать не Более: 100 связей

Отображать связи с интенс.Волее: 0.000% от факт.мак

Дата и время создания формы: 08^03.2022-14:09:46

I д j Еа M^J

4v4.ll. Отображение Парето-подмножеств одного слоя нелокальной нейронной сети б системе "Эйдос"

Выбор нелокальных нейронов (классов) для визуализации в нейросети

m МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/3-{-22.0, -0.3}

2 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2ЛЗ-{-0.Э, 21.3}

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3, 43.0}

4 М ИНИ М АЛ ЬНАЯ ТЕМПЕ PAT У РА-1 /3:{-33.7, -14.0}

5 М ИНИ МАЛ ЬНАЯ Т Е М П Е PAT У РА-2ЛЗ-{-14.0, 5.7}

6 МИНИМАЛЬНАЯ Т Е М П Е PAT У РА-3/3-{5.7, 25.4}

7 СРЕДНЯЯ ТЕМПЕРАТУРА-1 /3-{-27.9, -8.2}

8 СРЕДНЯЯ ТЕМПЕРАТУРА-2^3-{-8.2.11.6}

9 СРЕДНЯЯ ТЕМПЕРАТУРА-3/3-Л1.6, 31.3}

Максимальное количество отображаемых нейронов: Максимальное: количество отображаемых связей:

Диапазон кодов отображаемых нейронов: Диапазон кодов отображаемых рецепторов:

if

Подготовка визуализации нейрона:1 "МАКСИМАЛЬНАЯ ТЕМ П ЕРАТУРА-1УЗ-{-22.0, -0.3}" в модели:6 "1ЫРЗ" АКТИВИРУЮЩИЕ рецепторы и сила их влияния ТОРМОЗЯЩИЕ рецепторы и сила их влияния

ЭФФ'ЕКТИ БНДЯ ТЕМПЕРДТУРА-1 /3-{-31.6000000, -9.933... МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-РАЭТЗ-О! £1.01

СРЕ Д Н Я Я Т Е М П Е РА Т Ы F'A 1 ,■' 3 {-27 9000000, 8.1 66666 7 }

МАКСИМАЛЬНАЯ ТЕМ ПЕРАТУ РА-РА9Т3-02,02,01

МИНИ МАЛ ЬНАЯ ТЕМПЕ PAT У PA-PAS Т 3-05.05,05

МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-2/*3-{-14.0000000, 5.7000. ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-РА9ТЗ-19,19,1 9

М И Н И МАЛ ЬНАЯ Т Е М П Е PAT У РА-1 /3 {- 33.7000000,14 00...

375.964 373.641

HFi

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-3/3-{5.7000000. 25.400.. СРЕДНЯЯ ТЕМПЕРАТУРА-3/3-{11.5666667, 31.3000000}

М И Н И М А Л Ь Н А ЯТЕ М П Е FA т У PA FA S Т 3 0 6. 0 6.. 0 6

СРЕ ДНЯЯТЕМПЕ PAT У РА-РА9 Т 3-09,09,09

МАКСИ МАЛ ЬНАЯ ТЕМПЕ PAT У PA-PAS Т 3-02.02,02

ЭФФЕКТИВНАЯ ТЕМП Е PAT У РА-3/3-{11.7333333, 33.4... МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3333333, 43.0..

ЭФФЕ КТ И В Н АЯ ТЕМПЕ PAT У PA-PAS Т 3-21,21,21

561.403 546.969

LlI

ВКЛЮЧИТЬ фильтр по фактору ВЫКЛЮЧИТЬ фильтр по фактору I

Abs Picl Pic2 Inf1 Inf2 I nf3 I nf4 Inf5 Inf6 nf7 j

НейроСеть Максимальное количество отображаемых рецепторов: | Отображать связи с интенсивностью >= % от макс.: I п 16 ООО

ВКЛЮЧИТЬ фильтр по фактору_|_ВЫКЛЮЧИТЬ фильтр по фактору

—Сортировать связи:--- Отображать наименования:-

'V по модулю информативности № нейронов

f по информативности и знаку рецепторов

3.8.6. 3D Integral Cognitive Maps

The 3d-integrated cognitive map is a display in one figure of cognitive class diagrams and factor values at the top and bottom, respectively, and one layer of the neural network (mode 4.4.12 of the Eidos system) (Figure 21).

=»•1 ^ uw

4.4,12. Отображение Парето-подмножеств одного слоя интегральной когнитивной карты в системе "Эйдос"

Выбор нелокальных нейронов (классов) для визуализации в когнитивной карте

НИИ Наименование нелокального нейрона (класса)

■ 1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/3-{-22Д -0.3}

2 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-1-0Д 21.3}

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-ЗЛЗ-{21Д43.0}

4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-33.7, -14.0}

5 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-14.0,5.7}

e МИНИМАЛЬНАЯ ТЕМПЕ РАТУ РА-3/3-{5.7, 25.4}

7 СРЕ ДНЯЯ ТЕМПЕРАТУРА-1 /3-{-27.9, -8.2}

8 СРЕДНЯЯ ТЕМПЕ РАТУ РА-2Ш-8.2,11,6}

< 9 СРЕДНЯЯ ТЕМПЕPATУРА-3/3-{11.8, 31,3}

Помощь

Максимальное количество отображаемы« нейронов: j" Максимальное количество отображаемы« связей:

ClearSet

Диапазон кодов отображаемых нейронов: Диапазон кодов отображаемых рецепторов:

Подготовка визуализации нейрона:1 "МАКСИМАЛЬНАЯ ТЕМ П Е РАТУ РА-1/3-{-22.0, -0.3}" в модели:6 "ШЕЗ" АКТИВИРУЮЩИЕ рецепторы и сила их влияния ТОРМОЗЯЩИЕ рецепторы и сила их влияния

Код Н аименованйе Фактора и его интервального значения Сила влияния

1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-22.0000000, -0.333... 1290.056

19 ЭФФЕКТИВНАЯ ТЕМПЕ PAT У РА-1 /3-{-31.6000000, -9.933... 800.919

22 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-РА5ТЗ-01,01,01 558.340

7 СРЕДНЯЯ ТЕМПЕРАТУРА-1 /3-{-27.9000000, -8.1666667} 488.581

31 МАКСИ МАЛ ЬНАЯ ТЕМПЕ РАТУ PA-PAST3-02,02,01 382.278

47 МИНИ МАЛ ЬНАЯ Т Е М ПЕРАТ У PA-PAST 3-05,05,05 380.754

5 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-14.0000000. 5.7000... 375.964

123 Э Ф ФЕКТ И Б НАЯ Т Е М ПЕ PAT У PA-PAS Т 3-19,19.19 373.641

4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-33.7000000, -14.00... 356.449

i bJAI^mjUAm IU Л ТГИПГПЛТ1 in* ПЙГТ1 пл ГН ГЦ ......I !►

Код Н аименование фактора и его интервального значения Сила влияния

6 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-2/3-{-0.3333333, 21.3... -745.107

МИНИМАЛЬНАЯ ТЕМПЕ PAT У РА-3/3-{5.7000000,25.400... -734.377

9 СРЕДНЯЯ ТЕМПЕ PAT У РА-3/3-{11.5666667,31.3000000} -702.056

54 М И Н ИМАЛ ЬНАЯ Т Е МП Е PAT У PA-PAS Т 3-06,06,06 -640.402

G9 СРЕ ДН Я Я Т Е МП Е PAT У PA-PAS Т 3-09,09,09 -631.9В2

32 МАКСИ МАЛ ЬНАЯ Т Е М ПЕРАТУ PA-PAST3-02,02,02 -598.121

21 ЭФ' Ф Е КТ И В НАЯ Т Е МП Е PAT У РА-3/3-{11.7333333,33.4... -561.483

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21.3333333,43.0... -546.968

137 ЭФ Ф Е КТ И В НАЯ Т Е МП Е PAT У PA-PAS Т 3-21,21,21 -492.821

<1 h J Л V i~M 1 J А П1 II.1 П ТгиПГПЛТМП! ПАГТЛ П1 ГП

■

ВКЛЮЧИТЬ фильтр по фактору

ВЫКЛЮЧИТЬ фильтр по фактору

ВКЛЮЧИТЬ фильтр по фактору

ВЫКЛЮЧИТЬ фильтр по фактору

Когн. карта

Abs Prcl Prc2 Infl Inl

Inf4 Inf5 InfG Inf7

Максимальное количество отображаемых рецепторов:

Отображать связи с интенсивностью >= X от макс.: j qqq

Сортировать связи:—

(? по мадулю информативности

С по информативности и знаку

Отображать наименования: 1у нейронов рецепторов

ntCognMap0001Inf3.jpg

Нейроны: {1,137} =>

ПАРЕТО-ПОДМНОЖЕСТВО НЕЛОКАЛЬНОЙ ИНТЕГРАЛЬНОЙ КОГНИТИВНОИ КАРТЫ В МОДЕЛИ: "1^3" Отображено: 7.71% наиболее значимых синаптических связей "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

Рецепторы: {1,137}=>

шгш

горами и нейронами. Цвет линии обозначает знак связи ('+','-'), а толщина линии - силу связи: АКТИВИРУЮЩАЯ связь между рецептором и нейроном отображается КРАСНЫМ цветом ТОРМОЗЯЩАЯ связь между рецептором и нейроном отображается СИНИМ цветом

3.8.7. 2D Integral Cognitive Maps of Meaningful Class Comparison (Mediated Fuzzy Plausible Reasoning)

In 2d-cognitive diagrams of class comparison according to the system of their determination, one can see how similar or how different the classes are from each other according to the values of the factors that determine them.

However, we do not see from this diagram how exactly these classes are similar and how exactly these classes differ in terms of the values of the factors that determine them.

We can see this from the cognitive diagram of meaningful class comparison, which is displayed in mode 4.2.3 of the Eidos system.

2D cognitive maps of meaningful class comparisons are examples of mediated fuzzy plausible logical conclusions, which Gyorgy Poya may have been the first to write about [13]. For the first time, the automated implementation of reasoning of this type in the Eidos intellectual system was written in 2002 in [1] on page 52110. This was later discussed in [7]11and a number of other works of the author, so it is inappropriate to consider this issue in more detail here.

For example We know that one person has blue eyes and the other has black hair. The question is, do these features contribute to the similarity or difference between these two people? In the ASC-analysis and the Eidos system, this issue is solved in the following way. In a model based on a cluster-constructive analysis of classes and values of factors (features), it is known how similar or different features are in terms of their influence on the modeling object. Therefore, it is clear that a person with blue eyes is most likely blond, and a brunette is most likely to have dark eyes. So it is clear that these features contribute to the difference between these two people.

Figure 22 shows the screen forms of the Eidos system that provide the setting of visualization parameters for cognitive diagrams of meaningful class comparison and examples of such diagrams:

10 https://www.elibrary.ru/download/elibrary 18632909 64818704.pdf, Table 7. 17, p. 521

11 http://ei.kubagro.ru/2013/07/pdf/15.pdf, p.44.

■ I i i- в- -I

4.2.3. Когнитивные диаграммы классов. Задание параметров генерации выходных форм

-Выбор классов для когнитивной диаграммы-

Задайте коды двух классов, для левого и правого информационных портретов когнитивной диаграммы по очереди выбирая их курсором в таблице и кликая на соответствующей кнопке ниже нее

Код Наименование класса А

0 ВСЕ КЛАССЫ

1 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-1/3-{-22.0, -0.3}

2 МАКСИ МАЛ ЬНАЯ ТЕМПЕ РАТУ РА-2/3-{-0.3,21.3}

3 МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА-3/3-{21 Д 43.0}

4 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА-1 /3-{-33.1, -14.0}

5 МИ Н И МАЛ ЬНАЯ Т Е М ПЕРАТ У РА-2/3-{-14.0,5.7}

Б МИНИМАЛЬНАЯ T Е М ПЕРАТ У РА-3/3-{5.7, 25.4}

г

Выбор кода класса левого инф.портрета

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Выбор кода класса правого инф.портрета

Выбор способа фильтрации признаков в информационных портретах когнитивной диаграммы

Задайте коды двух описательных шкал, для левого и правого информационных портретов когнитивной диаграммы по очереди выбирая их курсором в таблице и кликая на соответствующей кнопке ниже нее

Код Наименование Минимальный Максимальный

описательной шкалы код градации код градации

0 ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1 137

1 МАКСИ МАЛ ЬНАЯ Т Е М П Е РАТУ РА 1 3

2 МИНИМАЛЬНАЯ ТЕМПЕРАТУРА 4 6

3 СРЕДНЯЯ ТЕМПЕРАТУРА 7 9

4 АТМОСФЕРНОЕ ДАВЛЕНИЕ 10 12

5 СКОРОСТЬ ВЕТРА 13 15

Ы"

Выбор кода описательной шкалы левого инф.портрета

Выбор кода описательной шкалы правого инф.портрета

Задайте модели, в которых проводить расчеты когнитивных диаграмм-

Г Abs Г Pic1 Г Ргс2 Г Infi Г Inf2 (7 Inf3 Г Inf4 Г Inf5 Г InfG Г Inf7

Задайте max количество отображаемых связей:

1001

Помощь |

- В диалоге заданы следующие параметры расчета когнитивных диаграмм: Класс для левого инф.портрета: [0] ВСЕ КЛАССЫ Класс для правого инф.портрета: [0] ВСЕ КЛАССЫ

Описательная шкала для левого инф.портрета: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ Описательная шкала для правого инф.портрета: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ Модели, заданные для расчета: Abs, Prcl, Prc2, Infi, Inf2, Inf3, InM, Inf5, Inf6, Inf?

0k

Cancel

CogDiagCls0001-0006-06jpg

когнитивная диаграмма классов в модели: "1^3" "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

Кл.шкала: [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА Класс: [1] 1/3-{-22.0000000, -0.3333333} Наименования признаков:

Сход./разл.классов: -47.705%

I [14] Э< [137]:

МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА

3/3-{21.3.43:0}

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-137

Кл.шкала: [2J МИНИМАЛЬНАЯ ТЕМПЕРАТУРА Класс: [6] 3/3-{5.7000000, 25.4000000}

Наименования признаков:

[14] ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-РАЭТЗ

[130] ЭФФЕКТИВНАЯ ТЕМПЕРАТУРА-РАЗТЗ-20,20,20

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1

Форма создана: 13.03.2022-21:15:46. Показано количество связей

когнитивная диаграмма классов в модели: "inf3"

"Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

Кл.шкала: [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА Гупп /пачп кпалгпв' 9Я П9П°/ Кл.шкала: [4] АТМОСФЕРНОЕ ДАВЛЕНИЕ

Класс: [1] 1/3-{-22.0000000, -0.3333333} »-ХОД.фЭЗЛ .КЛаССОВ. -¿Ц.и/и /о Класс: [10] 1/3-{989.1000000,1006.9333333}

Наименования признаков:

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-137

Наименования признаков:

[14] ЭФФЬКIИВНАН I tMI ItPA I УРА-РАЙ 13

[130] ЭФФЕКТИВНАЯ ТЕМПЕРАТУРA-PAST3-20,20,20

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-137

СХОДСТВО классов отображается линиями связи КРАСНОГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень сходства РАЗЛИЧИЕ классов отображается линияии связи СИНЕГО цвета, толщина линии (приведенная в кружочке в центре линии) отражает степень различия.

13.03.2022-21:17:02. Показ

CogDiagCls0001-0011-06.jpg

когнитивная диаграмма классов в модели: "1^3" "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

Кл.шкала: [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА р , - ->.>-»о/ Кл.шкала: [4] АТМОСФЕРНОЕ ДАВЛЕНИЕ Класс: [1] 1/3-{-22.0000000, -0.3333333} ОХОД./раЗЛ .КЛЭССОВ. ¿.¿¿О /о Класс: [11] 2/3-{1006.9333333,1024.7666667} Наименования признаков: ___Наименования признаков:

I [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА

[2] 2/3-{-0.3, 21.3}

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-137

СХОДСТВО классов отображается линияии связи КРАСНОГО цвета, то. РАЗЛИЧИЕ классов отображается линияии связи СИНЕГО цвета, толща

аками (градациям фак цина линии (приведен

Фильтр по оп.шкале: [0] ВСЕ ОПИСАТЕЛЬНЫЕ ШКАЛЫ 1-137

13 создана: 13.03.2022-21:17:25. Показано количество связей <=100

3.8.8. 2D-integrated cognitive maps of meaningful comparison of factor values (mediated fuzzy plausible reasoning)

From 2d-cognitive diagrams comparing the values of factors according to their influence on the object of modeling, i.e. on its transitions to states corresponding to classes, it is quite clear how similar or different any two values of factors are in their meaning.

Recall that meaning, according to the Schenk-Abelson concept of meaning used in ASC analysis, consists in knowing the causes and consequences [14].

However, it is not clear from this diagram how exactly the values of the factors are similar or differ in their meaning.

This can be seen from the cognitive diagrams that can be obtained in mode 4.3.3 of the Eidos system (Figure 23):

CogDiagAtr0001-0010-06.jpg

когнитивная диаграмма признаков в модели: "1^3" "Сценарный автоматизированный

Оп.шкала: [14] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА Признак: [1] 1/3-{-22.0000000, -0.3333333} Наименования классов:

системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

м пп«/ Оп.шкала: [14] АТМОСФЕРНОЕ ДАВЛЕНИЕ

Сход./разл.признаков: -32.004% Признак: Пщ шчммоооооо, 1006.93ззззз}

Наименования классов:

[9] МИНИМАЛЬНАЯ TEMnEPATYPA-FUTURE3 [54] МИНИМАЛЬНАЯ TEMnEPATyPA-FUTURE3-06,0l

[1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА

[2]2/3-{-0.3,21.3}

Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-137

:жду признаками по НЕСХОДСТВО признак РАЗЛИЧИЕ признак!

теме детерминирующих их г и нии (приведенная в кружоч и (приведенная в кружочке

Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-137

13 создана: 13.03.2022-21:24:31. Показано количество связей <=100

CogDiagAtr0001-0011-06.jpg

когнитивная

"Сценарный автоматизированный

Наименования классов:

диаграмма признаков в модели: "1^3"

системно-когнитивный анализ климата Краснодара за 1933-2020 годы" Сход./разл.признаков: 2.029%

Наименования классов:

[4| АIМОСФЬРНОЬ ДАШ IhHHt [11)2/341006.9,1024.8}

[1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА

[2] 2/34-0.3, 21.3}

Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-137

¡жду признакаии по их классам с СХОДСТВО признаков отобра» РАЗЛИЧИЕ признаков отображ

ся линиями связи КРАСНОГО цвета, тог я линиями связи СИНЕГО цвета, толщи

к нии (приведенная в кружочке в центре линии) отра» и (приведенная в кружочке в центре линии) отражав

13.03.2022-21:25:01. Показ

CogDiagAtr0001-0012-06.jpg

когнитивная диаграмма признаков в модели: "1^3" "Сценарный автоматизированный

Оп.шкала: [14] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА Признак: [1] 1/3-{-22.0000000, -0.3333333} Наименования классов:

системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

_ „„ ее кпсо/ Оп.шкала: [14] АТМОСФЕРНОЕ ДАВЛЕНИЕ

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Сход./разл.признаков: 66.506% Признак:иуз/з-{1024.76 66667,1042.6000000}

Наименования классов:

I [1] МАКСИМАЛЬНАЯ ТЕМПЕРАТУРА

[2] 2/34-0.3, 21.3}

Фильтр по кл.шкале: [0] ВСЕ КЛАССИФИКАЦИОННЫЕ ШКАЛЫ 1-137

¡жду признаками по их классам с СХОДСТВО признаков отобра» РАЗЛИЧИЕ признаков отображ

ся линиями связи КРАСНОГО цвета. я линиями связи СИНЕГО цвета, тол

олщина линии (приведенная в кружочке в центре линии) отражает степень сходства цина линии (приведенная в кружочке в центре линии) отражает степень различия.

Форма создана: 13.03.2022-21:25:23. Показано количе

3.8.9. cognitive functions

Cognitive functions are a generalization of the classical mathematical concept of a function based on system information theory and were proposed by E.V. Lutsenko in 2005 [7, 15-22].

Cognitive functions reflect how much information is contained in the gradations of the descriptive scale about the transition of the modeling object to the states corresponding to the gradations of the classification scale. At the same time, in statistical and system-cognitive models, each gradation of the descriptive scale contains information about all gradations of the classification scale, i.e. each value of the argument corresponds to all values of the function, but they correspond to varying degrees, both positive and negative, which is displayed in color.

In the Eidos system, cognitive functions are displayed in mode 4.5 (Figure

24).

'—;-

4.5 Бизуэ.п^зэщ'ч >;о_нитивпз1х ¿¡унщи Что такое когнитивная Функция:

Визуализация прямых, обратный, позитивных, негативных, попностью и частично редуцирозанныхкогнитивных Функций Когнитивная Функция представляет собой графическое отображение силы и направления впияния различным значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнигизные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной ит ерпретации когнитивных Функций представляет собой способ познания природы, общества н человека. Когнитивные Функции могут бьпь. прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации, негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние scex значений Факторов на поведение объекта [причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции] различной степенью редукции или степенью детерминации, которая отражает в г рафической Форме [в Форме полосы] количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцмрованную когнитивную Функцию. Когнитивные Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой 'Эйдос". Необходимо отметить, что на вид Функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые

Луценко Е..В Метод визуализации когнитивных Функций - новый инструмент исследования эмпирических данных большой размерности / Е..Е. Луценко, А I" ТрунеЕ. Д.К. 5андык И Политематический сетевой электронный научный-журнал Кубанского государственного аграрного университета [Научный журнал КубГАУ) ¡Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(67). С. 240 - 282. - Шифр ИнФормрегистра. 042110001240077. , 2.В8В у.п.л Режим доступа: liiia/Vei. kub5Cifjj.ru/2011ЩЩ S.pdi

Задайте нужный режим

Визуализации КОГНИТИВНЫХ функций Питератур ссылки на работы по когнитивным Функциям

Литератур.ссылки на работы по когнитивным Функциям Литератур.ссылки на работы по управлению знаниями

в

Picture 20. Screen forms of mode 4.5 of the Eidos system: Cognitive functions

Among the given cognitive functions, there are interesting regularities in the modeled subject area. But a meaningful interpretation of these patterns is the business of climatologists.

3.8.10. Significance of descriptive scales and their gradations

In the ASC analysis, all factors are considered from one single point of view: how much information is contained in their values about the transition of the modeling and control object, on which they act, to a certain future state described by the class (gradation of the classification scale), and at the same time the strength and direction the influence of all factor values on an object is measured in one unit of measurement common to all factors: units of the amount of information [6].

Significance (selective power) of gradations of descriptive scalesin ASC analysis, this is the variability of particular criteria in statistical and system-cognitive models, for example, in the Infl model, this is the variability of informativeness (mode 3.7.5 of the Eidos system).

Significance of the entire descriptive scaleis the average of the degree of significance of its gradations (mode 3.7.4 of the Eidos system).

If we sort all the gradations of factors (features) in descending order of selective power and get the sum of the selective power of the system of factor values on an accrual basis, we will get the Pareto curve shown in Figure 25.

ParetoG r0pSc-Q6.jpg й

Суммарная значимость градаций описательных шкал (признаков) в % ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "ШРЗ" "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы"

/

7 10.7 20.6 30.5 40.4 50.4 60.3 70.2 80.1 90 1 100.0 " Градации описательных шкал [признаки) в порядке убывания значимости (в % от их количества)

Значимость градации описательной шкапы (ее числового интервального или номинального текстового значения), т е признака, представляет ее полезность для решения задачи разделения объектов с этим признаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частных критериев, основанных на этом признаке, по классам в статистических моделях: Abs, Ргс1, Ргс2 и в моделях знаний: Infi, Inf2, Irif3, Inf4, Inf5, Infö, Inf7. Иначе говоря некоторый признак является тем более значимым, чем больше он в среднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности к другим. Путь на отображаемый файл: C:\l\AIDOS-X\AID_DATA\AOOOOOOI\SYSTEMWParetoGrOpSc\ParetoGrOpSc-INF3.jpg 50% наиболее значимых признаков обеспечивают 98% суммарной значимости 7% наиболее значимых признаков обеспечивают 50% суммарной значимости Расстояние между точками Red-Blue: 91% от максимально возможного Форма создана: 13.03.2022-21:30:40

Picture 21. The significance of the values of factors on a cumulative basis:

mode 3.75 of the Eidos system

The names of the Excel tables with the information on the basis of which Figure 25 is built are shown in Figure 26:

<(*) Сообщение об успешном завершении операции

lO I

Отображение Парето-диаграмм признаков завершено!

Результаты расчета силы влияния (значимости] признаков или значений Факторов содержатся в следующим базан данный, созданный на основе статистических и интеллектуальных моделей: 'Zpr_Abs.xls", 'Zpr_Prc1.xls", 'Zpr_Prc2.xls", 'Zpr_lnf1.xls", 'Zpr_lnf2.xls",

'Zpr_lnf3.xls", 'Zpr_lnf4.xls", 'Zprjnf5.xls",1 Zpr_lnf6.xls",'Zprjnf7.xls" в папке текущего приложения: СЛ1VMD0S-XV\ID_DATAV^QQQQQQI SSYSТЕМV Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков.

Сила влияния (значимость] признака или значения Фактора представляет собой вариабельность количества информации в этом признаке о переходе объекта моделирования во все будущие состояния, соотвествующие классам, имеющимся в модели, т.е. это "жесткость", с которой данное значение Фактора обуславливают (детерминируют) переход объекта моделирования в различные состояния, соответствующие классам.

|........¿к........]|

Picture 22. Names of Excel tables with information on the basis of which Figure 25 is

built

Table 11 provides information on the significance of the values of climatic factors on a cumulative basis:

ta ble 1 - The significance of the values of climatic : actors

No. No.% Factor value code Factor value name Factor code Significance of the factor value, % Significance of the factor value, % cumulatively

1 0,73 9 AVERAGE TEMPERATURE-3/3-{11.5666667, 31.3000000} 3 5.54 5.54

2 1,46 69 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-09,09,09 10 5.47 11.01

3 2,19 8 AVERAGE TEMPERATURE-2/3-{-8.1666667, 11.5666667} 3 5.42 16.43

4 2,92 21 EFFECTIVE TEMPERATURE-3/3-{11.7333333, 33.4000000} 7 5.36 21.79

5 3,65 6 MINIMUM TEMPERATURE-3/3-{5.7000000, 25.4000000} 2 5.23 27.03

6 4,38 54 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-06,06,06 9 5.23 32.25

7 5,11 3 MAXIMUM TEMPERATURE-3/3-{21.3333333, 43.0000000} 1 5.22 37.47

8 5,84 5 MINIMUM TEMPERATURE-2/3-{-14.0000000, 5.7000000} 2 5.13 42.60

9 6,57 20 EFFECTIVE TEMPERATURE-2/3-{-9.9333333, 11.7333333} 7 5.12 47.72

10 7,30 137 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,21,21 14 4.89 52.61

11 8,03 2 MAXIMUM TEMPERATURE-2/3-{-0.3333333, 21.3333333} 1 4.86 57.47

12 8,76 62 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,08,08 10 4.76 62.23

13 9,49 130 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-20,20,20 14 4.71 66.94

14 10,22 39 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,03,03 8 4.54 71.48

15 10,95 32 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,02 8 4.46 75.94

16 11,68 47 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,05,05 9 4.30 80.24

17 12,41 85 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,11 11 2.01 82.25

18 13,14 112 DRAINAGE-PAST3-RAIDITATION-PAST3-16,16,16 13 1.28 83.53

19 13,87 16 RAIN-1/3-{1.0000000, 100.6666667} 6 1.25 84.78

20 14,60 11 ATMOSPHERIC PRESSURE-2/3-{1006.9333333, 1024.7666667} 4 1.25 86.03

21 15,33 80 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,11 11 0.93 86.96

22 16,06 1 MAXIMUM TEMPERATURE-1/3-{-22.0000000, -0.3333333} 1 0.76 87.72

23 16,79 19 EFFECTIVE TEM PERATU RE-1/3-{-31.6000000, -9.9333333} 7 0.62 88.33

24 17,52 77 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,10,10 11 0.53 88.86

25 18,25 10 ATMOSPHERIC PRESSURE-1/3-{989.1000000, 1006.9333333} 4 0.48 89.35

26 18,98 13 WIND SPEED-1/3-{1.0000000, 10.3333333} 5 0.38 89.73

27 19,71 89 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,13 12 0.38 90.11

28 20,44 7 AVERAGE TEMPERATURE-1/3-{-27.9000000, -8.1666667} 3 0.37 90.49

29 21,17 22 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,01,01 8 0.35 90.84

30 21,90 35 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,03,03 8 0.32 91.16

31 22,63 51 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-06,05,05 9 0.31 91.47

32 23,36 4 MINIMUM TEMPERATURE-1/3-{-33.7000000, -14.0000000} 2 0.30 91.77

33 24,09 123 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-19,19,19 14 0.29 92.06

34 24,82 33 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,03 8 0.26 92.32

35 25,55 66 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-09,08,08 10 0.24 92.56

36 26,28 38 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,03,02 8 0.23 92.79

37 27,01 53 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-06,06,05 9 0.23 93.02

38 27,74 133 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,21,21 14 0.23 93.25

39 28,47 31 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,02,01 8 0.22 93.47

40 29,20 48 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-05,05,06 9 0.22 93.69

41 29,93 70 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSU RE-PAST3-10,10,10 11 0.22 93.91

42 30,66 25 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,02 8 0.21 94.12

43 31,39 68 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-09,09,08 10 0.20 94.32

44 32,12 131 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,20,21 14 0.19 94.50

45 32,85 129 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,20,19 14 0.18 94.68

46 33,58 49 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-05,06,05 9 0.17 94.86

47 34,31 63 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,08,09 10 0.17 95.02

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

48 35,04 36 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,02,02 8 0.16 95.19

49 35,77 28 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,01 8 0.16 95.35

50 36,50 136 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,21,20 14 0.16 95.51

51 37,23 50 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-05,06,06 9 0.15 95.66

52 37,96 126 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-19,20,20 14 0.15 95.81

53 38,69 37 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-03,02,03 8 0.15 95.96

54 39,42 12 ATMOSPHERIC PRESSURE-3/3-{1024.7666667, 1042.6000000} 4 0.14 96.11

55 40,15 55 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-07,07,07 10 0.14 96.25

56 40,88 118 DRAINAGE-PAST3-RAIDITATION-PAST3-17,16,16 13 0.14 96.39

57 41,61 23 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,01,02 8 0.14 96.53

58 42,34 79 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,10 11 0.14 96.67

59 43,07 134 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,20,20 14 0.13 96.80

60 43,80 127 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,19,19 14 0.13 96.93

61 44,53 65 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,09,09 10 0.13 97.06

62 45,26 74 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,11 11 0.13 97.19

63 45,99 113 DRAINAGE-PAST3-RAIDITATION-PAST3-16,16,17 13 0.13 97.32

64 46,72 61 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,08,07 10 0.12 97.44

65 47,45 71 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,10,11 11 0.12 97.56

66 48,18 14 WIND SPEED-2/3-{10.3333333, 19.6666667} 5 0.11 97.67

67 48,91 124 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-19,19,20 14 0.11 97.78

68 49,64 64 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,09,08 10 0.11 97.89

69 50,36 46 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-05,05,04 9 0.11 97.99

70 51,09 29 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,02 8 0.10 98.09

71 51,82 40 MINIMUM TEMPERATURE-PAST3-MINIMUM TEMPERATURE-PAST3-04,04,04 9 0.10 98.19

72 52,55 115 DRAINAGE-PAST3-RADIATION-PAST3-16,17,16 13 0.10 98.29

73 53,28 135 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEMPERATURE-PAST3-21,20,21 14 0.10 98.39

74 54,01 59 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,07,07 10 0.09 98.48

75 54,74 58 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-07,08,08 10 0.09 98.57

76 55,47 78 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,10,11 11 0.09 98.65

77 56,20 34 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,03,02 8 0.08 98.74

78 56,93 90 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,14 12 0.08 98.82

79 57,66 44 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-05,04,04 9 0.08 98.89

80 58,39 43 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-04,05,05 9 0.07 98.97

81 59,12 52 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-06,05,06 9 0.07 99.04

82 59,85 128 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,19,20 14 0.06 99.10

83 60,58 56 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-07,07,08 10 0.06 99.16

84 61,31 132 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-20,21,20 14 0.06 99.22

85 62,04 81 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,11,12 11 0.05 99.27

86 62,77 41 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-04,04,05 9 0.05 99.32

87 63,50 67 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-09,08,09 10 0.05 99.37

88 64,23 98 WIND SPEED-PAST3-WIND SPEED-PAST3-14,13,13 12 0.05 99.42

89 64,96 88 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,12,12 11 0.05 99.47

90 65,69 24 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,01 8 0.04 99.51

91 66,42 60 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-08,07,08 10 0.04 99.55

92 67,15 92 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,13 12 0.04 99.59

93 67,88 87 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,12,11 11 0.04 99.63

94 68,61 83 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,12,12 11 0.04 99.67

95 69,34 45 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-05,04,05 9 0.03 99.70

96 70,07 17 RAIN-2/3-{100.6666667, 200.3333333} 6 0.03 99.73

97 70,80 125 EFFICIENT TEMPERATURE-PAST3-EFFICIENT TEM PERATU RE-PAST3-19,20,19 14 0.03 99.76

98 71,53 73 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,10 11 0.02 99.78

99 72,26 82 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-11,12,11 11 0.02 99.80

100 72,99 114 DRAINAGE-PAST3-RADIATION-PAST3-16,16,18 13 0.02 99.82

101 73,72 93 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,14 12 0.02 99.84

102 74,45 57 AVERAG E TEMPERATURE-PAST3-AVERAG E TEM PERATU RE-PAST3-07,08,07 10 0.02 99.86

103 75,18 42 MINIMUM TEMPERATURE-PAST3-MINIMUM TEM PERATU RE-PAST3-04,05,04 9 0.02 99.88

104 75,91 116 DRAINAGE-PAST3-RADIATION-PAST3-16,17,17 13 0.01 99.89

105 76,64 100 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,13 12 0.01 99.91

106 77,37 122 DRAINAGE-PAST3-RAIDITATION-PAST3-18,16,16 13 0.01 99.92

107 78,10 15 WIND SPEED-3/3-{19.6666667, 29.0000000} 5 0.01 99.93

108 78,83 101 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,14 12 0.01 99.94

109 79,56 117 DRAINAGE-PAST3-RADIATION-PAST3-16,18,16 13 0.01 99.95

110 80,29 94 WIND SPEED-PAST3-WIND SPEED-PAST3-13,14,15 12 0.01 99.95

111 81,02 120 DRAINAGE-PAST3-RAIDITATION-PAST3-17,17,16 13 0.01 99.96

112 81,75 86 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,12 11 0.00 99.96

113 82,48 119 DRAINAGE-PAST3-RADIATION-PAST3-17,16,17 13 0.00 99.97

114 83,21 99 WIND SPEED-PAST3-WIND SPEED-PAST3-14,13,14 12 0.00 99.97

115 83,94 18 RAIN-3/3-{200.3333333, 300.0000000} 6 0.00 99.97

116 84,67 106 WIND SPEED-PAST3-WIND SPEED-PAST3-15,13,13 12 0.00 99.98

117 85,40 91 WIND SPEED-PAST3-WIND SPEED-PAST3-13,13,15 12 0.00 99.98

118 86,13 107 WIND SPEED-PAST3-WIND SPEED-PAST3-15,14,13 12 0.00 99.98

119 86,86 103 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,13 12 0.00 99.98

120 87,59 75 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,11,12 11 0.00 99.98

121 88,32 121 DRAINAGE-PAST3-RADIATION-PAST3-17,17,17 13 0.00 99.99

122 89,05 105 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,15 12 0.00 99.99

123 89,78 84 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-12,11,10 11 0.00 99.99

124 90,51 110 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,14 12 0.00 99.99

125 91,24 104 WIND SPEED-PAST3-WIND SPEED-PAST3-14,15,14 12 0.00 99.99

126 91,97 102 WIND SPEED-PAST3-WIND SPEED-PAST3-14,14,15 12 0.00 99.99

127 92,70 111 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,15 12 0.00 99.99

128 93,43 96 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,14 12 0.00 99.99

129 94,16 108 WIND SPEED-PAST3-WIND SPEED-PAST3-15,14,14 12 0.00 99.99

130 94,89 97 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,15 12 0.00 100.00

131 95,62 76 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,12,12 11 0.00 100.00

132 96,35 95 WIND SPEED-PAST3-WIND SPEED-PAST3-13,15,13 12 0.00 100.00

133 97,08 72 ATMOSPHERIC PRESSURE-PAST3-ATMOSPHERIC PRESSURE-PAST3-10,10,12 11 0.00 100.00

134 97,81 26 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,02,03 8 0.00 100.00

135 98,54 109 WIND SPEED-PAST3-WIND SPEED-PAST3-15,15,13 12 0.00 100.00

136 99,27 27 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-01,03,03 8 0.00 100.00

137 100,00 30 MAXIMUM TEMPERATURE-PAST3-MAXIMUM TEMPERATURE-PAST3-02,01,03 8 0.00 100.00

From Figure 25 and Table 11, we see that only 7% of the factor values provide 50% of their total significance, and 50% of the factor values provide almost 98% of the total significance.

Figure 27 shows a screen form with the names of Excel tables containing information on the significance of climatic factors for forecasting:

Результаты расчета значимости описательных шкал содержатся в базам данным статистическим и интеллектуальным моделей: 1Z0 S_Abs. Mis' 1ZO S_Prc1. His"/ ZO S_Prc2. xls", ' ZO S J nfl. xls", ' ZO S J nf 2. xls' ', ' ZÜ S J nf 3. xls' ',1ZÜ S J nf 4. xls", 1 ZD S J nf 5. xls", 'ZOSJnfG.Hls", 'Z0S_lnf7.xls" в папке текущего приложения: C:S1\AIDOS-X\AID_DATA\AOOOOOOUSYSTEMV

Эти базы данным открываются в MS Excel и подготовлены для печати и получения графиков. Значимость шкалы является средним значимостей ее градаций.

Значимость градации шкалы (признака] представляет собой вариабельность количества информации в этом признаке о принадлежности или не принадлежности объекта с этим признаком к различным классам, которые есть в модели.

Дк

Mcture 23. Names of Excel tables with information on the significance of climatic factors

table 8- Significance of climatic factors for climate forecast ing

No. No.% The cod e Factor name Significance, % Significance, %, cumulative

1 7,14 3 AVERAGE TEMPERATURE 19,68 19,68

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

2 14,29 7 EFFICIENT TEMPERATURE 19,25 38,94

3 21,43 1 MAXIMUM TEMPERATURE 18,83 57,77

4 28,57 2 MINIMUM TEMPERATURE 18,50 76,28

5 35,71 10 MEDIUM TEMPERATURE-PAST3 4,06 80,34

6 42,86 14 EFFECTIVE TEMPERATURE-PAST3 3,96 84,30

7 50,00 9 MINIMUM TEMPERATURE-PAST3 3,87 88,17

8 57,14 8 MAXIMUM TEMPERATURE-PAST3 3,31 91,48

9 64,29 4 ATMOSPHERE PRESSURE 3,26 94,73

10 71,43 6 PRECIPITATION 2,23 96,96

11 78,57 11 ATMOSPHERIC PRESSURE-PAST3 1,20 98,16

12 85,71 5 WIND SPEED 0,89 99,05

13 92,86 13 RAIN-PAST3 0,81 99,86

14 100,00 12 WIND SPEED-PAST3 0,14 100,00

From Table 12 and the graph in Figure 28 built on the basis of it, we see that the following climatic factors are the most valuable for climate forecasting:

- average temperature;

is the effective temperature;

- Maximum temperature; And the least significant:

- wind speed;

- precipitation-past3;

- wind speed-past3.

The significance of the most and least significant climatic indicators differs by about 150 times, which is very, very significant.

Picture 24. Significance of climatic factors

3.8.11. Degree of determinism of classes and classification scales

The degree of determinism (conditionality) of a class in the Eidos system is quantified by the degree of variability in the values of factors (gradations of descriptive scales) in the column of the model matrix corresponding to this class.

The higher the degree of determinism of the class, the more reliably it is predicted by the values of the factors.

The degree of determination (conditionality) of the entire classification scale is the average of the degree of determination of its gradations, i.e. classes (mode 3.7.2 of the Eidos system).

If we sort all classes in descending order of selective power and get the sum of the selective power of the system of classes on an accrual basis (cumulatively), then we get the Pareto curve shown in Figure 29.

' ParetoGrCISc-06.jpg | _ _ @

ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "1^3" "Сценарный автоматизированный системно-когнитивный анализ климата Краснодара за 1933-2020 годы" 0.0

S g g £ s Б S 3 g I

5.7 7 10.7 20.6 30.5 40.4 50.4 60.3 70.2 80.1 90.1 10

Степень детерминированности класса (градации классификационной шкалы) представляет собой количественную оценку суммарной силы влияния всех факторов на переход объекта моделирования а состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ сипы и направления влияния различных значений факторов по данному классу в статистических: Abs, Ргс1. Ргс2 и в системно-когнитивных: Infi Inf2. Inf3. Inf4. Inf5. Inf6. Inf7 моделях. Иначе говоря степень детерминированности класса тем выше, чем больше среднее количество информации в различных значений факторов о переходе объекта моделирования в состояние, соответствующее классу. Путь на отображаемый файл: C:\1\AIDOS-XlAID_DATA\A0000001\SYSTEMWParetoGrCISc\ParetoGrCISc-INF3.jpg 50% наиболее значимых классов обеспечивают 93% суммарной значимости Расстояние между точками Red-Blue: 92% от максимально возможного Форма создана: 13.03.2022-22:01:48

Picture 25. The degree of determinism of classes on a cumulative basis: mode 3.73 of the Eidos system

The names of the Excel tables with the information on the basis of which Figure 39 is built are shown in Figure 30:

ф Сообщение об успешном завершении операции

Отображение Парето-диаграмм классов завершено!

Результаты расчета степени детерминированности (значимости) классов содержатся в следующим базах данный, созданный на основе статистических и интеллектуальных моделей: 'Zkl_Abs.xls", 'Zkl_Prc1.xls", 'Zkl_Prc2.xls", 'Zkl_lnf1.xls", 'Zkl_lnf2.xls",

"Zkl_lnf3.xls",1 Zkl_lnf4.xls",'Zkl_lnf5.xls", "Zkljnf6.xls",1 Zkl_lnf7.xls" в папке текущего приложения: CA1\AIDOS-X\AID_DATA\AOOOOOOnSVSTEM\. Эти базы данных открываются в MS Excel и подготовлены для печати и получения графиков.

Степень детерменированности класса представляет собой вариабельность количества информации в всех признаках модели о принадлежности или не принадлежности объекта с этими признаком к данному классу, т.е. это "жесткость", с которой значения Факторов обуславливают (детерминируют) переход объекта моделирования в состояние, соответствующее классу.

Ok

Picture 30. Names of Excel tables with information on the basis of which Figure 29 is

built

Table 13 provides information on the degree of determinism of the classes corresponding to the future values of the values of climatic indicators, on an accrual basis:

table 9- Degree of determinism of classes

No. No.% The code class Class name Indicator code Degree of determination, % Degree of determination, % cumulative

1 0,73 9 AVERAGE TEMPERATURE-3/3-{11.6, 31.3} 3 5,69 5,69

2 1,46 8 AVERAGE TEMPERATURE-2/3-{-8.2, 11.6} 3 5,61 11,30

3 2,19 21 EFFECTIVE TEMPERATURE-3/3-{11.7, 33.4} 7 5,54 16,84

4 2,92 6 MINIMUM TEMPERATURE-3/3-{5.7, 25.4} 2 5,48 22,32

5 3,65 5 MINIMUM TEMPERATURE-2/3-{-14.0, 5.7} 2 5,40 27,72

6 4,38 3 MAXIMUM TEMPERATURE-3/3-{21.3, 43.0} 1 5,38 33,10

7 5,11 20 EFFECTIVE TEM PERATU RE-2/3-{-9.9, 11.7} 7 5,34 38,44

8 5,84 54 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,06,06 9 5,33 43,77

9 6,57 69 AVERAG E TEM PERATU RE-FUTU RE3-AVERAG E TEMPERATURE-FUTU RE3-09,09,09 10 5,32 49,10

10 7,30 2 MAXIMUM TEMPERATURE-2/3-{-0.3, 21.3} 1 5,06 54,16

11 8,03 137 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,21,21 14 4,84 59,00

12 8,76 62 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,08,08 10 4,59 63,59

13 9,49 130 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,20 14 4,59 68,19

14 10,22 39 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-03,03,03 8 4,42 72,60

15 10,95 47 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,05 9 4,30 76,90

16 11,68 32 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,02 8 4,19 81,09

17 12,41 85 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,11 11 2,04 83,14

18 13,14 11 ATMOSPHERIC PRESSURE-2/3-{1006.9, 1024.8} 4 1,31 84,45

19 13,87 112 REFERENCES-FUTURE3-REFERENCES-FUTURE3-16,16,16 13 1,29 85,74

20 14,60 16 RAIN-1/3-{1.0, 100.7} 6 1,26 87,00

21 15,33 80 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,11 11 0,86 87,87

22 16,06 1 MAXIMUM TEMPERATURE-1/3-{-22.0, -0.3} 1 0,81 88,68

23 16,79 19 EFFECTIVE TEM PERATU RE-1/3-{-31.6, -9.9} 7 0,66 89,34

24 17,52 77 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,10,10 11 0,53 89,87

25 18,25 10 ATMOSPHERIC PRESSURE-1/3-{989.1, 1006.9} 4 0,52 90,38

26 18,98 7 AVERAGE TEMPERATURE-1/3-{-27.9, -8.2} 3 0,41 90,79

27 19,71 13 WIND SPEED-1/3-{1.0, 10.3} 5 0,40 91,19

28 20,44 89 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,13 12 0,37 91,57

29 21,17 4 MINIMUM TEMPERATURE-1/3-{-33.7, -14.0} 2 0,33 91,90

30 21,90 48 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,06 9 0,30 92,20

31 22,63 22 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,01,01 8 0,30 92,50

32 23,36 38 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-03,03,02 8 0,27 92,77

33 24,09 123 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,19,19 14 0,26 93,03

34 24,82 70 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,10 11 0,21 93,23

35 25,55 63 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-08,08,09 10 0,20 93,44

36 26,28 50 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,06,06 9 0,20 93,64

37 27,01 31 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,01 8 0,20 93,83

38 27,74 36 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-03,02,02 8 0,20 94,03

39 28,47 25 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,02 8 0,19 94,22

40 29,20 136 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,21,20 14 0,19 94,42

41 29,93 51 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,05,05 9 0,19 94,61

42 30,66 49 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,06,05 9 0,17 94,78

43 31,39 65 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-08,09,09 10 0,16 94,94

44 32,12 118 RAIN-FUTURE3-REFIT-FUTURE3-17,16,16 13 0,16 95,10

45 32,85 35 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-02,03,03 8 0,16 95,26

46 33,58 126 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,20,20 14 0,15 95,42

47 34,31 12 ATMOSPHERIC PRESSURE-3/3-{1024.8, 1042.6} 4 0,15 95,57

48 35,04 134 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,20,20 14 0,15 95,72

49 35,77 129 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,19 14 0,15 95,87

50 36,50 23 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,01,02 8 0,14 96,01

51 37,23 28 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,01 8 0,14 96,15

52 37,96 14 WIND SPEED-2/3-{10.3, 19.7} 5 0,13 96,28

53 38,69 37 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-03,02,03 8 0,13 96,42

54 39,42 55 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-07,07,07 10 0,12 96,54

55 40,15 71 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,11 11 0,12 96,66

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

56 40,88 79 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,10 11 0,12 96,78

57 41,61 74 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,11 11 0,12 96,90

58 42,34 133 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,21,21 14 0,11 97,01

59 43,07 33 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,02,03 8 0,11 97,13

60 43,80 124 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,19,20 14 0,11 97,24

61 44,53 113 RAIN-FUTURE3-REFIT-FUTURE3-16,16,17 13 0,11 97,35

62 45,26 58 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-07,08,08 10 0,11 97,46

63 45,99 66 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-09,08,08 10 0,11 97,57

64 46,72 53 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,06,05 9 0,11 97,67

65 47,45 127 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,19,19 14 0,11 97,78

66 48,18 43 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,05,05 9 0,10 97,88

67 48,91 115 RAIN-FUTURE3-REFIT-FUTURE3-16,17,16 13 0,10 97,98

68 49,64 64 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,09,08 10 0,10 98,08

69 50,36 131 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,20,21 14 0,10 98,17

70 51,09 29 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,02 8 0,10 98,27

71 51,82 40 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,04,04 9 0,09 98,36

72 52,55 135 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-21,20,21 14 0,09 98,45

73 53,28 61 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,08,07 10 0,09 98,54

74 54,01 68 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-09,09,08 10 0,09 98,63

75 54,74 78 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,10,11 11 0,09 98,71

76 55,47 56 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-07,07,08 10 0,08 98,79

77 56,20 46 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,05,04 9 0,07 98,86

78 56,93 41 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,04,05 9 0,07 98,93

79 57,66 128 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,19,20 14 0,06 98,99

80 58,39 59 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEMPERATURE-FUTURE3-08,07,07 10 0,06 99,05

81 59,12 34 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-02,03,02 8 0,06 99,11

82 59,85 44 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,04,04 9 0,05 99,16

83 60,58 98 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,13,13 12 0,05 99,22

84 61,31 52 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-06,05,06 9 0,05 99,27

85 62,04 90 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,14 12 0,05 99,32

86 62,77 81 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,11,12 11 0,05 99,37

87 63,50 88 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,12,12 11 0,04 99,41

88 64,23 92 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,13 12 0,04 99,45

89 64,96 24 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,01 8 0,04 99,50

90 65,69 60 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-08,07,08 10 0,04 99,54

91 66,42 132 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-20,21,20 14 0,04 99,57

92 67,15 67 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-09,08,09 10 0,04 99,61

93 67,88 17 RAIN-2/3-{100.7, 200.3} 6 0,04 99,65

94 68,61 87 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,12,11 11 0,04 99,68

95 69,34 83 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,12,12 11 0,03 99,72

96 70,07 45 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-05,04,05 9 0,03 99,75

97 70,80 125 EFFECTIVE TEMPERATURE-FUTURE3-EFFECTIVE TEMPERATURE-FUTURE3-19,20,19 14 0,02 99,77

98 71,53 73 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,10 11 0,02 99,79

99 72,26 82 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-11,12,11 11 0,02 99,81

100 72,99 57 AVERAGE TEMPERATURE-FUTURE3-AVERAGE TEM PERATU RE-FUTU RE3-07,08,07 10 0,02 99,83

101 73,72 114 REFERENCE-FUTURE3-REFERENCE-FUTURE3-16,16,18 13 0,02 99,84

102 74,45 42 MINIMUM TEMPERATURE-FUTURE3-MINIMUM TEMPERATURE-FUTURE3-04,05,04 9 0,02 99,86

103 75,18 116 RAIN-FUTURE3-REFERENCE-FUTURE3-16,17,17 13 0,01 99,88

104 75,91 122 RAIN-FUTURE3-REFIT-FUTURE3-18,16,16 13 0,01 99,89

105 76,64 100 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,13 12 0,01 99,91

106 77,37 93 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,14 12 0,01 99,92

107 78,10 15 WIND SPEED-3/3-{19.7, 29.0} 5 0,01 99,93

108 78,83 117 RAIN-FUTURE3-REFIT-FUTURE3-16,18,16 13 0,01 99,94

109 79,56 101 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,14 12 0,01 99,95

110 80,29 120 REFERENCES-FUTURE3-REFERENCES-FUTURE3-17,17,16 13 0,01 99,95

111 81,02 86 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,12 11 0,00 99,96

112 81,75 94 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,14,15 12 0,00 99,96

113 82,48 106 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,13,13 12 0,00 99,97

114 83,21 18 RAIN-3/3-{200.3, 300.0} 6 0,00 99,97

115 83,94 119 RAIN-FUTURE3-REFIT-FUTURE3-17,16,17 13 0,00 99,97

116 84,67 99 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,13,14 12 0,00 99,98

117 85,40 107 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,14,13 12 0,00 99,98

118 86,13 103 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,13 12 0,00 99,98

119 86,86 121 RAIN-FUTURE3-REFIT-FUTURE3-17,17,17 13 0,00 99,98

120 87,59 75 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,11,12 11 0,00 99,98

121 88,32 110 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,14 12 0,00 99,99

122 89,05 91 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,13,15 12 0,00 99,99

123 89,78 84 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-12,11,10 11 0,00 99,99

124 90,51 105 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,15 12 0,00 99,99

125 91,24 104 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,15,14 12 0,00 99,99

126 91,97 102 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-14,14,15 12 0,00 99,99

127 92,70 111 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,15 12 0,00 99,99

128 93,43 96 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,14 12 0,00 99,99

129 94,16 72 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,10,12 11 0,00 99,99

130 94,89 76 ATMOSPHERIC PRESSURE-FUTURE3-ATMOSPHERIC PRESSURE-FUTURE3-10,12,12 11 0,00 100,00

131 95,62 26 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-01,02,03 8 0,00 100,00

132 96,35 108 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,14,14 12 0,00 100,00

133 97,08 95 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,13 12 0,00 100,00

134 97,81 27 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEM PERATU RE-FUTU RE3-01,03,03 8 0,00 100,00

135 98,54 30 MAXIMUM TEMPERATURE-FUTURE3-MAXIMUM TEMPERATURE-FUTURE3-02,01,03 8 0,00 100,00

136 99,27 97 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-13,15,15 12 0,00 100,00

137 100,00 109 WIND SPEED-FUTURE3-WIND SPEED-FUTURE3-15,15,13 12 0,00 100,00

Table 13 and Figure 29 show that about 7% of the most deterministic classes provide approximately 50% of the total determinism of future climate situations, and 50% of the most strongly deterministic classes provide about 98% of the total climate determinism.

The following values of climatic indicators are most rigidly determined:

- average temperature-3/3-{11.6, 31.3};

- average temperature-2/3-{-8.2, 11.6};

- effective temperature-3/3-{11.7, 33.4};

- minimum temperature-3/3-{5.7, 25.4};

- minimum temperature-2/3-{-14.0, 5.7};

- maximum temperature-3/3-{21.3, 43.0};

- effective temperature-2/3-{-9.9, 11.7};

- minimum temperature-future3-minimum temperature-future3-06,06,06;

- average temperature-future3-average temperature-future3-09,09,09. The most weakly determined values of climatic indicators are at the end

of Table 13.

Результаты расчета значимости классификационных шкал содержатся в базах данных статистических и интеллектуальных моделей: "ZCS_Abs.xls'1, 'ZCS_Prc 1.xls",1 ZCS_Prc2.xls", 'ZCSJnfl xls-", 'ZCSJnfZ-xIs",1 ZCS_lnf3.xls-",1 ZCSJnM.xls1 УZCS_lnf5.xls-", "ZCSJniS.xIS"; 'ZCS_lnf7.xls" в папке текущего приложения: СЛ1 WDO5'-XV\ID_DATA,1A0DMG01 \SYST ЕМ V

Эти базы данных открываются в МЭ Ехсе1 и подготовлены для печати и получения графиков. Значимость классификационной шкалы является средним значимостей ее градаций,т.е. классов.

Значимость градации классификационной шкалы, т.е. класса, представляет собой вариабельность количества информации е ео всех признаках мщели с принадлежности или не принадлежности объекта с этим признаками к данному к пассу. Значимость градации классификационной шкалы (класса) ■ это степень детерминированности этого класса (см. режим 3.7.3).

Ok

Picture 26. Names of Excel tables with information on the degree of determinism of future climate indicators and scenarios for changing their values

Table 14 and the figure built on its basis provide information on the degree of determinism of future climate indicators and scenarios for changing their values:

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

table 14 - The degree of determinism of future climate indicators and scenarios for

No. No.% The code Name Degree determinism, % Degree determinism, % cumulative

1 7,14 3 AVERAGE TEMPERATURE 19,78 19,78

2 14,29 7 EFFICIENT TEMPERATURE 19,50 39,28

3 21,43 1 MAXIMUM TEMPERATURE 19,02 58,30

4 28,57 2 MINIMUM TEMPERATURE 18,94 77,24

5 35,71 10 AVERAGE TEMPERATURE-FUTURE3 3,76 81,00

6 42,86 9 MINIMUM TEMPERATURE-FUTURE3 3,75 84,75

7 50,00 14 EFFECTIVE TEMPERATURE-FUTURE3 3,71 88,46

8 57,14 4 ATMOSPHERE PRESSURE 3,35 91,80

9 64,29 8 MAXIMUM TEMPERATURE-FUTURE3 3,00 94,80

10 71,43 6 PRECIPITATION 2,20 97,01

11 78,57 11 ATMOSPHERIC PRESSURE-FUTURE3 1,15 98,15

12 85,71 5 WIND SPEED 0,92 99,08

13 92,86 13 RAIN-FUTURE3 0,80 99,87

14 100,00 12 WIND SPEED-FUTURE3 0,13 100,00

Picture27. The degree of determinism of future climate indicators and scenarios for

changing their values

From table 14 and figure 32, built on its basis, it can be seen that the following values of future economic indicators are most strictly determined by past climatic factors:

- average temperature;

is the effective temperature;

- Maximum temperature.

The following future climate indicators are the least rigidly conditioned:

- atmospheric pressure-future3;

- wind speed;

- precipitation-future3;

- wind speed-future3.

The degree of determination of the most and least rigidly conditioned by the past future climatic states differs by more than 150 times, i.e. very, very significant.

4. DISCUSSION

This way, we conducted an Automated system-cognitive analysis of the climate of the city of Krasnodar for a period of 88 years: from 1933 to 2020.

According to the L2 measure of Prof. E.V. Lutsenko [6], the reliability of the system-cognitive model INF3 (chi-square) with the integral criterion "Amount of knowledge" is: L2=0.979, which is very, very good for applications related to analysis and forecasting climate indicators.

It should be noted that in [41] the value of the L2-significance criterion for the most reliable INF3 model was only 0.771. Such a significant increase in the reliability of the models was achieved through the use of scenario ASC analysis and is one of the main results of this work.

This means that the created system-cognitive models as a whole correctly reflect the modeled subject area and they can reasonably be used to solve various problems of identification, forecasting, decision-making and research of the modeled subject area by studying its model, which is done in this work.

In particular:

- the INF3 system-cognitive model can reasonably be used to solve various problems;

- at the disposal of the researcher there is an adequate criterion for evaluating the results of solving the identification problem: this is the level of similarity (ie the value of the integral criterion) of an object with a class.

It should be noted that the models of the Eidos system are phenomenological models that reflect empirical patterns in the facts of the training sample, i.e. they do not reflect the mechanism of causal determination, but only the very fact and nature of determination. A meaningful explanation of these empirical patterns is already formulated by experts at the theoretical level of knowledge in meaningful scientific laws [52].

5. CONCLUSIONS

Based on the analysis carried out, we can make a reasonable conclusion that when solving the problem of analyzing the climate of the city of Krasnodar Territory in 1933-2020, posed in this work, Automated system-cognitive analysis is an adequate tool, both in terms of its mathematical model, and in terms of the software that implements it. tools, which is currently the intellectual system "Eidos".

Problem set in the work is solved, the goal of the work is achieved.

You can personally get acquainted with the proposed solution by downloading at: http://lc.kubagro.ru/aidos/ Aidos-X.htm and installing the Eidos system on your computer, and then installing the intelligent cloud Eidos application in the application manager (mode 1.3)№330.

As a perspective, we note that in the future it is planned to fulfill the research and development plans justified in [51], i.e., for example:

- apply scenario ASC analysis for weather forecasting;

- to identify the strength and direction of the influence of climatic factors on the quantitative, qualitative and financial and economic results of growing various crops;

- predict the results of growing crops in kind and value terms of crops in a given microzone;

- it is reasonable to choose microzones for growing crops.

Specifically, the author has at his disposal all the necessary artificial

intelligence technologies that make it possible to identify cause-and-effect relationships between natural and climatic factors and success and efficiency in kind (quantity and quality of products, its technical and consumer properties) and in value terms of growing various agricultural crops.

Knowing these cause-and-effect relationships, it is possible to reasonably recommend growing zones and microzones for various crops.

To carry out these researches and developments, only initial data on the actual results of growing crops in various natural and climatic conditions, the will of management and funding are needed.

REFERENCES (LITERATURE)

1. Lutsenko E.V. Automated system-cognitive analysis in the management of active objects (system theory of information and its application in the study of economic, socio-psychological, technological and organizational-technical systems): Monograph (scientific edition). - Krasnodar: KubGAU. 2002. - 605 p.http://elibrary.ru/item.asp?id=18632909

2. Lutsenko EV Automated system-cognitive analysis in the management of active objects (a system theory of information and its application in the study of economic, socio-psychological, technological and organizational-technical systems) // March 2019, Publisher: KubSAU, ISBN: 5-94672-020-1,https://www.researchgate.net/publication/331745417

3. Lutsenko EV Theoretical foundations, mathematical model and software tools for Automated system-cognitive analysis // July 2020, D01:10.13140/RG.2.2.21918.15685, LicenseCC BY SA 4.0,https://www.researchgate.net/publication/343057312

4. Website of Prof. E.V. Lutsenko: http ://lc. kub agro. ru/

5. E.V. Lutsenko's blog in RGhttps://www.researchgate.net/profile/Eugene-Lutsenko

6. Lutsenko E.V. Metrization of measuring scales of various types and joint comparable quantitative processing of heterogeneous factors in system-cognitive analysis and the Eidos system / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. -Krasnodar: KubGAU, 2013. - No. 08 (092). pp. 859 - 883. - IDA [article ID]: 0921308058. -Access mode:https://www.researchgate.net/publication/331801337, 1.562 c.u.l.

7. Orlov A.I., Lutsenko E.V. System fuzzy interval mathematics. Monograph (scientific edition). - Krasnodar, KubGAU. 2014. - 600 p. ISBN 978-5-94672-757-0.http://elibrary.ru/item.asp?id=21358220/.

8. Lutsenko E.V. Data volume-invariant fuzzy multiclass generalization of the F-measure of reliability of Van Riesbergen models in ASCanalysis and the Eidos system / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2017. - No. 02 (126). P. 1 - 32. - IDA [article ID]: 1261702001. - Access mode:http://ej.kubagro.ru/2017/02/pdf/01.pdf2 u.p.l.

9. Lutsenko E.V. Quantitative automated SWOT- and PEST-analysis by means of ASC-analysis and intellectual system "Eidos-X++" / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2014. - No. 07 (101). pp. 1367 -1409. - IDA [article ID]: 1011407090. - Access mode:http://ej.kubagro.ru/2014/07/pdf/90.pdf2,688 c.p.l.

10. Lutsenko E.V. Developed decision-making algorithm in intelligent control systems based on ASC analysis and the Eidos system / E.V. Lutsenko, E.K. Pechurina, A.E. Sergeev // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2020. - No. 06 (160). pp. 95 - 114. - IDA [article ID]: 1602006009. - Access mode:http://ej.kubagro.ru/2020/06/pdf/09.pdf, 1.25 a.p.l.

11. Lutsenko E.V. Cognitive clustering method or knowledge-based clustering (clustering in system-cognitive analysis and intellectual system "Eidos") / E.V. Lutsenko, V.E. Korzhakov // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2011. - No. 07 (071). pp. 528 - 576. - Informregister code: 0421100012\0253, IDA [article ID]: 0711107040. - Access mode:http://ej.kubagro.ru/2011/07/pdf/40.pdf3.062 c.p.l.

12. Lutsenko E.V. System Information Theory and Nonlocal Interpretable Neural Networks of Direct Counting / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2003. - No. 01 (001). pp. 79 - 91. - IDA [article ID]: 0010301011. - Access mode:http://ej.kubagro.ru/2003/01/pdf/11.pdf0.812 c.p.l.

13. Poya Gyorgy. Mathematics and plausible reasoning. // edited by S.A. Yanovskaya. Per. from English by I.A. Vainshtein., M., Nauka, 1975 - 464 p.,http://ilib.mccme.ru/djvu/polya/rassuzhdenija.htm

14. Lutsenko E.V. System-cognitive analysis as a development of the Schenk-Abelson concept of meaning / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. -

Krasnodar: KubGAU, 2004. - No. 03 (005). pp. 65 - 86. - IDA [article ID]: 0050403004. -Access mode:http://ej.kubagro.ru/2004/03/pdf/04.pdf, 1.375 c.u.l.

15. Lutsenko E.V. ASC-analysis as a method for identifying cognitive functional dependencies in multidimensional noisy fragmented data / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2005. - No. 03 (011). pp. 181 - 199. - IDA [article ID]: 0110503019. - Access mode:http://ej.kubagro.ru/2005/03/pdf/19.pdf, 1.188 c.u.l.

16. Lutsenko E.V. Cognitive functions as a generalization of the classical concept of functional dependence based on information theory in system fuzzy interval mathematics / E.V. Lutsenko, A.I. Orlov // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2014. - No. 01 (095). pp. 122 - 183. - IDA [article ID]: 0951401007. - Access mode:http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 c.u.l.

17. Lutsenko E.V. Cognitive functions as an adequate tool for the formal presentation of cause-and-effect relationships / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2010. - No. 09 (063). pp. 1 - 23. - Informregister code: 0421000012\0233, IDA [article ID]: 0631009001. - Access mode:http://ej .kubagro.ru/2010/09/pdf/01.pdf, 1.438 c.u.l.

18. Lutsenko E.V. Cognitive functions as a generalization of the classical concept of functional dependence based on information theory in system fuzzy interval mathematics / E.V. Lutsenko, A.I. Orlov // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2014. - No. 01 (095). pp. 122 - 183. - IDA [article ID]: 0951401007. - Access mode:http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 c.u.l.

19. Lutsenko E.V., A system for restoring and visualizing function values based on the features of an argument ("Eidos-map" system). Pat. No. 2009616034 RF. App. No. 2009614932 RF. Published from 30.10.2009. - Access mode:http://lc.kubagro.ru/aidos/2009616034.jpg, 3.125 c.u.l.

20. Lutsenko E.V. System-cognitive analysis of functions and restoration of their values according to the features of the argument based on a priori information (intelligent technologies for interpolation, extrapolation, forecasting and decision-making on cartographic databases) / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2009. - No. 07 (051). pp. 130 - 154. - Informregister code: 0420900012\0066, IDA [article ID]: 0510907006. - Access mode:http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1.562 c.u.l.

21. Lutsenko E.V., Bandyk D.K., Visualization subsystem of cognitive (causal) functions of the system "Eidos" ("Subsystem "Eidos-VCF"). Pat. No. 2011612056 RF. App. No. 2011610347 RF 20.01.2011. - Access mode:http://lc.kubagro.ru/aidos/2011612056.jpg, 3.125 c.u.l.

22. Lutsenko E.V. Method of visualization of cognitive functions - a new tool for the study of high-dimensional empirical data / E.V. Lutsenko, A.P. Trunev, D.K. Bandyk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2011. - No. 03 (067). pp. 240 - 282. - Informregister code: 0421100012\0077, IDA [article ID]: 0671103018. - Access mode:http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 c.p.l.

23. Lutsenko E.V. System-cognitive analysis of images (generalization, abstraction, classification and identification) / E.V. Lutsenko // Polythematic network electronic scientific

journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2009. - No. 02 (046). pp. 146 - 164. - Informregister code: 0420900012\0017, IDA [article ID]: 0460902010. - Access mode:http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1.188 c.u.l.

24. Lutsenko E.V. System-cognitive approach to the synthesis of an effective alphabet / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2009. - No. 07 (051). pp. 109 - 129. - Informregistr code: 0420900012\0067, IDA [article ID]: 0510907005. - Access mode:http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1.312 c.u.l.

25. Lutsenko E.V. Automated system-cognitive analysis of images by their external contours (generalization, abstraction, classification and identification) / E.V. Lutsenko, D.K. Bandyk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2015. - No. 06 (110). pp. 138 - 167. - IDA [article ID]: 1101506009. - Access mode:http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1.875 c.u.l.

26. Lutsenko E.V. Automated system-cognitive analysis of images by their pixels (generalization, abstraction, classification and identification) / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2015. - No. 07 (111). pp. 334 - 362. - IDA [article ID]: 1111507019. - Access mode:http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1.812 c.u.l.

27. Lutsenko E.V. Solving problems of ampelography using ASC-analysis of leaf images by their external contours (generalization, abstraction, classification and identification) / E.V. Lutsenko, D.K. Bandyk, L.P. Troshin // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2015. - No. 08 (112). pp. 862 - 910. - IDA [article ID]: 1121508064. - Access mode:http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3.062 c.p.l.

28. Lutsenko E.V. Identification of species of ground beetles (Coleoptera, Carabidae) by ASC analysis of their images by external contours (generalization, abstraction, classification and identification) / E.V. Lutsenko, V.Yu. Serdyuk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2016. - No. 05 (119). P. 1 - 30. -IDA [article ID]: 1191605001. - Access mode:http://ej .kubagro.ru/2016/05/pdf/01.pdf, 1.875 c.u.l.

29. Lutsenko E.V. Classification of ground beetles (Coleoptera, Carabidae) by species and genera by ASC analysis of their images / E.V. Lutsenko, V.Yu. Serdyuk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2016. - No. 07 (121). pp. 166 - 201. - IDA [article ID]: 1211607004. - Access mode:http://ej.kubagro.ru/2016/07/pdf/04.pdf, 2.25 a.p.l.

30. Serdyuk V.Yu. Creation of generalized images of the genera of ground beetles (Coleoptera, Carabidae) based on images of their species using the ASC-analysis method / V.Yu. Serdyuk, E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. -Krasnodar: KubGAU, 2016. - No. 09 (123). pp. 30 - 66. - IDA [article ID]: 1231609002. -Access mode:http://ej.kubagro.ru/2016/09/pdf/02.pdf, 2,312 c.u.l.

31. Lutsenko E.V. Automated system-cognitive spectral analysis of specific and generalized images in the "Eidos" system (application of information theory and cognitive technologies in spectral analysis) / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU)

[Electronic resource]. - Krasnodar: KubGAU, 2017. - No. 04 (128). P. 1 - 64. - IDA [article ID]: 1281704001. - Access mode:http://ej.kubagro.ru/2017/04/pdf/01.pdf, 4 c.p.l.

32. Lutsenko E.V. Identification of types and models of aircraft by ASC analysis of their silhouettes (contours) (generalization, abstraction, classification and identification) / E.V. Lutsenko, D.K. Bandyk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. -Krasnodar: KubGAU, 2015. - No. 10 (114). pp. 1316 - 1367. - IDA [article ID]: 1141510099. - Access mode:http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3.25 a.p.l.

33. Lutsenko E.V. Solving the problem of classifying ammunition by types of rifled weapons using the ASC-analysis method / E.V. Lutsenko, S.V. Shvets, D.K. Bandyk // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubSAU) [Electronic resource]. - Krasnodar: KubGAU, 2016. - No. 03 (117). pp. 838 - 872. - IDA [article ID]: 1171603055. - Access mode:http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2.188 c.p.l.

34. Lutsenko E.V. Determination of the type and model of rifled weapons by ammunition using the ASC-analysis method / E.V. Lutsenko, S.V. Shvets // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2016. - No. 04 (118). P. 1 - 40. - IDA [article ID]: 1181604001. - Access mode:http://ej .kubagro.ru/2016/04/pdf/01.pdf, 2.5 a.p.l.

35. Lutsenko E. V., Laptev V. N., Sergeev A. E. System-cognitive modeling in the agro-industrial complex: textbook. allowance / E. V. Lutsenko, V. N. Laptev, A. E. Sergeev, -Krasnodar: Ecoinvest, 2018. - 518 p. ISBN 978-5-94215-416-5.https://elibrary.ru/item.asp?id=35649123

36. Lutsenko E.V., Bandyk D.K., Interface for inputting images into the "Eidos" system (Subsystem "Eidos-img"). Certificate RosPatent of the Russian Federation for a computer program, Application No. 2015614954 dated 06/11/2015, State Reg. No. 2015618040, reg. 07/29/2015. - Access mode:http://lc.kubagro.ru/aidos/2015618040.jpg, 2 c.p.l.

37. Lutsenko EV Scenario and spectral automated system-cognitive analysis // July

2021, D0I:10.13140/RG.2.2.22981.37608, LicenseCC_BY_SA

4.0,https://www.researchgate.net/publication/353555996

38. Lutsenko EV ASC-analysis and the Eidos system as a method and tools for solving problems // November 2021, D0I:10.13140/RG.2.2.29823.74407, LicenseCCBY 4.0,https://www.researchgate.net/publication/356084911,https://www.elibrary.ru/item.asp?id= 47159725

39. IMRAD. Basic technical rules for the design of the article.https://publ.science/ru/blog/imrad-osnovnyye-tekhnicheskiye-pravila-oformleniya-stati

40. Lutsenko EV Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, D0I:10.13140/RG.2.2.23546.41920, LicenseCC BY SA 4.0,https://www.researchgate.net/publication/349039044

41. Lutsenko E.V. Automated system-cognitive analysis of the climate of Krasnodar for 1933-2020 / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. -Krasnodar: KubGAU, 2021. - No. 10 (174). pp. 202 - 276. - IDA [article ID]: 1742110020. -Access mode:http://ej.kubagro.ru/2021/10/pdf/20.pdf, 4,688 c.u.l.

42. Lutsenko E.V., Dragavtseva I.A., Marchenko N.N., Svyatkina O.A., Ovcharenko L.I., Agro-ecological system for predicting the risk of crop loss of fruit crops from adverse climatic conditions of the winter-spring period (System "PROGNOZ -LIMIT". Pat. No. 2009616032 of the Russian Federation. Application No. 2009614930 of the Russian

Federation. Published on 10.30.2009. - Access

mode:http://lc.kubagro.ru/aidos/2009616032.jpg, 3,125 / 2,500 c.p.l.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

43. Trunev A.P. Forecasting seismic activity and climate based on semantic information models / A.P. Trunev, E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2009. - No. 09 (053). pp. 98 - 122. -Informregistr code: 0420900012\0098, IDA [article ID]: 0530909009. - Access mode:http://ej.kubagro.ru/2009/09/pdf/09.pdf, 1.562 c.u.l.

44. Cherednichenko N.A. Modeling and forecasting the dynamics of global climatic anomalies such as El Niño and La Niña / N.A. Cherednichenko, A.P. Trunev, E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2015. - No. 06 (110). pp. 1545 - 1577. - IDA [article ID]: 1101506102. - Access mode:http://ej.kubagro.ru/2015/06/pdf/102.pdf, 2.062 c.u.l.

45. Lutsenko E.V. Automated system-cognitive analysis of natural and climatic phenomena dangerous for the agro-industrial complex of Russia / E.V. Lutsenko, E.K. Pechurina, A.E. Sergeev // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2019. - No. 04 (148). pp. 68 - 117. - IDA [article ID]: 1481904015, doi:10.21515/1990-4665-148-015. - Access mode:http://ej.kubagro.ru/2019/04/pdf/15.pdf, 3.125 c.u.l.

46. Lutsenko EV Scenario and spectral automated system-cognitive analysis // July

2021, D0I:10.13140/RG.2.2.22981.37608, LicenseCC_BY_SA

4.0,https://www.researchgate.net/publication/353555996

47. Lutsenko EV ASC-analysis and the Eidos system as a method and tools for solvingproblems // November 2021, D0I:10.13140/RG.2.2.29823.74407, LicenseCCBY 4.0,https://www.researchgate.net/publication/356084911,https://www.elibrary.ru/item.asp?id= 47159725

48. IMRAD. Basic technical rules for the design of the article.https://publ.science/ru/blog/imrad-osnovnyye-tekhnicheskiye-pravila-oformleniya-stati

49. Lutsenko EV Methods of writing scientific papers, logic and the manner in which scientific statements // February 2021, D0I:10.13140/RG.2.2.23546.41920, LicenseCC BY SA 4.0,https://www.researchgate.net/publication/349039044

50. Orlov, AI Analysis of data, information and knowledge in systemic fuzzy interval mathematics / AI Orlov, EV Lutsenko. - Krasnodar: Kuban State Agrarian University named after. IT. Trubilina, 2022. - 405 p. - ISBN 978-5-907550-62-9. - DOI 10.13140/RG.2.2.15688.44802,https://www.researchgate.net/publication/357957630

51. Lopatina L.M. Conceptual statement of the problem: "Forecasting quantitative and qualitative results of growing a given culture at a given point" / L.M. Lopatina, I.A. Dragavtseva, E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. -Krasnodar: KubGAU, 2004. - No. 05 (007). pp. 86 - 100. - IDA [article ID]: 0070405008. -Access mode:http://ej.kubagro.ru/2004/05/pdf/08.pdf, 0.938 c.p.l.

52. Lutsenko E.V. Problems and prospects of the theory and methodology of scientific knowledge and automated system-cognitive analysis as an automated method of scientific knowledge that provides meaningful phenomenological modeling / E.V. Lutsenko // Polythematic network electronic scientific journal of the Kuban State Agrarian University (Scientific journal of KubGAU) [Electronic resource]. - Krasnodar: KubGAU, 2017. - No. 03 (127). P. 1 - 60. - IDA [article ID]: 1271703001. - Access mode:http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3.75 a.p.l.

SCENARIO AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE CLIMATE IN KRASNODAR IN 1933-2020 Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Lutsenko Evgeny Veniaminovich

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Lutsenko Evgeny Veniaminovich

Текст научной работы на тему «SCENARIO AUTOMATED SYSTEM-COGNITIVE ANALYSIS OF THE CLIMATE IN KRASNODAR IN 1933-2020»