Система "Эйдос" как геокогнитивная система (ГКС) для заполнения «Белых пятен» на карте по описательной информации картографических баз данных Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.8

05.00.00 Технические науки

СИСТЕМА "ЭЙДОС" КАК ГЕОКОГНИТИВНАЯ СИСТЕМА (ГКС) ДЛЯ ВОССТАНОВЛЕНИЯ НЕИЗВЕСТНЫХ ЗНАЧЕНИЙ ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕННЫХ ФУНКЦИЙ НА ОСНОВЕ ОПИСАТЕЛЬНОЙ ИНФОРМАЦИИ КАРТОГРАФИЧЕСКИХ БАЗ ДАННЫХ1

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ БРШ-код: 9523-7101 [email protected]

Кубанский государственный аграрный университет, Краснодар, Россия

Бандык Дмитрий Константинович Разработчик интеллектуальных систем РИНЦ БРШ-код: 4072-8442 Ьапёук [email protected]

Беларусь

В статье предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий систему «Эйдос» для решения задач многопараметрической типизации, системной идентификации и картографической визуализации пространственно-распределенных природных, экологических и социально-экономических систем. Пусть есть исходное облако точек с координатами (Х,У,Ъ), для каждой из которых известны значения градаций описательных шкал номинального, порядкового или числового типа Тогда система «Эй-

дос» обеспечивает: 1) построение модели, содержащей обобщенные знания о силе и направлении влиянии градаций описательных шкал на значения Ъ=М(Б); 2) оценку значения Ъ для точек (Х,У), описанных в тех же описательных шкалах

но не входящих в исходное облако точек; 3) картографическую визуализацию пространственного распределения значений функции Ъ=М(Б) для точек, не входящих в исходное облако, с использованием триангуляции Делоне. По сути это означает, что система «Эйдос» обеспечивает восстановление неизвестных значений функции по признакам аргумента и реализует это в универсальной постановке, не зависящей от предметной области. Предлагается новое научное понятие: «Геокогнитивная система», под которым понимается программная система, обеспечивающая преобразование исходных данных в информацию, а ее в знания и картографическую визуализацию этих знаний, в результате чего карта становится когнитивной графикой. Эта возможность может быть

UDC 004.8

Technical sciences

"EIDOS" SYSTEM AS A GEO-COGNITIVE SYSTEM (GCS) FOR RECOVERING UNKNOWN VALUES OF SPATIALLY DISTRIBUTED FUNCTIONS BASED ON DESCRIPTIVE INFORMATION FROM CARTOGRAPHIC DATABASES

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

Kuban State Agrarian University, Krasnodar, Russia

Bandyk Dmitry Konstantinovich Artificial intelligence systems developer RSCI SPIN-code: 4072-8442 bandyk [email protected]

Belarus

The article proposes to use the automated system-cognitive analysis (ASC-analysis) and its software tool which is "Eidos" system to solving multiparameter typing, system identification and cartographic visualization of spatially-distributed natural, environmental and socio-economic systems. Imagine, that we have an original point cloud with coordinates (X,Y,Z), each with known values of gradation descriptive scales of nominal, ordinal, or numeric type S(s1,s2,...,sn). Then the "Eidos" system provides: 1) building a model that contains generalized knowledge about the strength and the direction of the influence of descriptive gradations of scales at Z=M(S); 2) estimation of the values of Z for points (X,Y) described in the same descriptive scales S(s1,s2,...,sn), but not a part of the original point cloud; 3) a cartographic visualization of the spatial distribution of values of the function Z=M(S) for points outside the initial cloud, using Delaunay triangulation. Basically, this means that the "Eidos" system ensures recovery of the unknown function values on the grounds of the argument and implements it in a generic setting, independent of subject area. We propose a new scientific concept called " Geo-cognition system", which is defined as a software system that provides conversion of source data into information, and knowledge in visualization and mapping of this knowledge, resulting in the cognitive map becomes graphics. This feature can be used to quantify the degree of suitability of the watersheds for cultivation of certain crops, the evaluation of the ecological situation on particular territories on the structure and intensity of anthropogenic load, visualization of results of forecasting of earthquakes and other unwanted risks or

1 Работа выполнена при финансовой поддержке РФФИ, проект №16-06-00114 А

использовано для количественной оценки степени пригодности микрозон для выращивания тех или иных культур, оценки экологической обстановки на тех или иных территориях по структуре и интенсивности антропогенной нагрузки, визуализации результатов прогнозирования землетрясений и рисков других нежелательных или чрезвычайных ситуаций, а также для решения многих других подобных по математической сути задач в самых различных предметных областях. Приводится простой численный пример

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ

ГЕОИНФОРМАЦИОННАЯ СИСТЕМА «ЭЙДОС», МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ КАРТОГРАФИЧЕСКИЕ БАЗЫ ДАННЫХ КОГНИТИВНАЯ ГРАФИКА

СОДЕРЖАНИЕ

ПОСТАНОВКА ПРОБЛЕМЫ..........................................................................................................................2

ТРАДИЦИОННЫЕ ПОДХОДЫ К РЕШЕНИЮ ПРОБЛЕМЫ И ИХ НЕДОСТАТКИ.........................4

РЕШЕНИЕ ПРОБЛЕМЫ В СИСТЕМЕ «ЭЙДОС».....................................................................................4

Формальная (математическая) постановка задачи..............................................................................6

Технологическая постановка задачи.......................................................................................................9

Описание геокогнитивной подсистемы «Эйдос»................................................................................. 10

Триангуляция Делоне случайного облака точек.................................................................................. 12

Триангуляция Делоне спирали Архимеда.............................................................................................. 14

Визуализация 2d-функций и восстановление значений функций по признакам аргумента...... 16

Картографическая визуализация обучающей выборки..........................................................................16

Картографическая визуализация распознаваемой выборки..................................................................19

Синтез геокогнитивной модели...............................................................................................................23

Восстановление неизвестных значений функции по описательной информации на основе модели. 26 Исследование погрешностей распознавания..........................................................................................31

ВОЗМОЖНЫЕ ОБЛАСТИ ПРИМЕНЕНИЯ ПРЕДЛАГАЕМОЙ ТЕХНОЛОГИИ.............................37

ВЫВОДЫ...........................................................................................................................................................40

ПЕРСПЕКТИВЫ..............................................................................................................................................42

ЛИТЕРАТУРА...................................................................................................................................................42

Постановка проблемы

С одной стороны, картографические базы данных (КБД) геоинформационных систем (ГИС) содержат не только графическую информацию, но и описательную, атрибутивную часть, представляющую собой более или менее развернутую и подробную количественную и качественную ха-

emergencies, as well as for solving many other similar mathematical essence of tasks in a variety of subject areas. We have also shown a simple numerical example

Keywords: ASC-ANALYSIS, AUTOMATED SYSTEM-COGNITIVE ANALYSIS, "EIDOS" GEOINFORMATION INTELLIGENT SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION MAPPING DATABASE COGNITIVE GRAPHICS

рактеристику различных пространственно-соотнесенных объектов, изображенных на карте.

С другой стороны, для некоторых из этих объектов, но не для всех, известно значение каких-либо интегральных характеристик, обобщающих, агрегирующих описательную информацию о них различными способами. Таким образом, картографическая визуализация пространственного распределения этих интегральных характеристик фрагментирована и из-за этого на карте получаются «белые пятна».

Проблема состоит в том, чтобы сначала по описательной информации восстановить значение этих интегральных характеристик для тех пространственно-соотнесенных объектов, для которых они неизвестны, а затем получить полную картографическую визуализацию пространственного распределения интегральной характеристики: заполнить «белые пятна».

Пример. Для всех микрозон известны такие характеристики, как вид почвы, уровень и тип грунтовых вод, предшественники, освещенность (инсоляция), средние, максимальные и минимальные температуры в различные периоды года, мощность и длительность сохранения снегового покрова, количество осадков, сила и направление господствующих ветров и т.п. Имеется картографическая база данных, содержащая соответствующую описательную информацию. Для некоторых микрозон известно, в какой степени данная микрозона пригодна (или непригодна) для выращивания определенных конкретных сельскохозяйственных культур, т.е. какие количественные и качественные результаты выращивания этих культур как правило получается в этих микрозонах. Имеется фрагментарная картографическая визуализация степени пригодности микрозон для выращивания различных культур, построенная по тем микрозонам, для которых имеется многолетний опыт выращивания этих культур. Требуется оценить степень пригодности для выращивания каждой культуры всех микрозон, для которых есть описательная информация.

Традиционные подходы к решению проблемы и их недостатки

Традиционно подобные проблемы решаются путем совместного применения систем искусственного интеллекта (СИИ) и геоинформационных систем (ГИС). При этом приходиться искать конкретные СИИ и ГИС, пригодные для решения этих задач, а также чаще всего разрабатывать соответствующие программные интерфейсы, обеспечивающие как передачу исходных данных для формирования моделей знаний из ГИС в СИИ, так и наоборот: передачу результатов распознавания из СИИ в ГИС для их наглядной картографической визуализации в нужной форме. Необходимо отметить, что эти программные интерфейсы обычно являются специфическим для каждой задачи и различных видов систем СИИ и ГИС. Все это связано со значительными затратами квалифицированного труда и времени, и вообще на практике далеко не всегда возможно, что является недостатком традиционного подхода, существенно уменьшающим и сводящим на нет синергетический эффект от совместного применения ГИС и ИИС.

Решение проблемы в системе «Эйдос»

В системе «Эйдос» органично сочетаются:

- возможности обучающейся с учителем системы распознавания образов, имеющей разнообразные встроенные программные интерфейсы с внешними источниками текстовых, табличных, графических и звуковых данных;

- возможности синтеза системно-когнитивных моделей и их применения для решения различных задач, в т. ч. распознавания и анализа;

- возможности наглядной графической визуализации в форме когнитивной графики, в т.ч. картографической, как исходных данных, так и результатов решения задач.

Система «Эйдос» по описательной информации о пространственно-соотнесенных объектах и их интегральных характеристиках позволяет построить системно-когнитивную модель, отражающую

причинно-следственные взаимосвязи между атрибутами объектов, приведенными описательной информации баз данных ГИС с одной стороны, и их интегральными оценками, с другой стороны. На основе данной модели система «Эйдос» обеспечивает восстановление интегральных характеристик для всех объектов по их атрибутам и картографическую визуализацию пространственного распределения данной интегральной характеристики с применением триангуляции Делоне.

Таким образом система «Эйдос» на единой программной платформе в универсальной постановке, не зависящей от предметной области, позволяет решить сформулированную проблему и преодолевает сформулированные недостатки традиционного подхода.

Система «Эйдос» является инструментом для синтеза и применения интеллектуальных измерительных систем. С этой точки зрения она является инструментом для построения измерительных шкал на основе примеров эталонных объектов в различных состояниях и применения этих шкал для измерения других объектов путем сравнения их состояний с отраженными в шкалах.

Например, шкала Цельсия построена путем указания температуры воды при ее замерзании или плавлении льда, которая принимается за 0С°, и температуры ее кипения (при нормальном давлении), которая принимается за 100С°. Атрибуты воды описываются как твердое состояние, переходящее в жидкое (точка плавления-замерзания), и жидкое, переходящее в газообразное (точка кипения). Точке плавления-замерзания на классификационной шкале присваивается числовое значение 0, а точке кипения -100. Затем эта шкала продолжается и в сторону более низких, и более высоких температур и используется для измерения температуры различных объектов по сути путем сравнения их температуры с температурой воды. Аналогично, в системе «Эйдос» описательные шкалы используются для описания атрибутов эталонных объектов в известных состояниях, а сами состояния описаны в классификационных шкалах. После построения модели, отражающей взаимосвязи между атрибутами объектов и их принад-

лежностью к определенным градациям классификационных шкал, система может восстановить значения на классификационных шкалах и для других объектов, для которых известны только атрибуты.

Предлагается новое научное понятие: «Геокогнитивная система» (ГКС), под которым понимается программная система, обеспечивающая преобразование исходных данных в информацию, а ее в знания и картографическую визуализацию этих знаний, в результате чего карта становится когнитивной графикой. Поэтому система «Эйдос» является геокогнитивной системой, возможно на данный момент единственной, находящейся в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами). В Internet искать систему «Эй-дос» не сложно: она на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

Формальная (математическая) постановка задачи

Пусть в ряде конкретных точек многомерного пространства таблично задана скалярная функция (многих аргументов):

В классическом регрессионном анализе этого достаточно, чтобы попытаться восстановить аналитическое представление этой функции в том или ином виде по этим значениям, точнее подобрать такие числовые значения коэффициентов в некоторых заранее выбранных видах функций, которые по определенным критериям дают наилучшее приближение к известным табличным значениям.

Ранее автором высказывались и обосновывались идеи о системном обобщении математики суть которых в том, чтобы заменить понятие «множество» понятием «система» и проследить все следствия этого. При этом все математические понятия, прямо или косвенно основанные на понятии множества, а понятие функции относится к их числу (т.к. функция является отображением множества аргументов на множество значений функции), будут обобщены, и при этом будет выполнятся принцип соот-

(1)

ветствия, обязательный для более общих теорий, т.к. при уровне системности стремящемся к нулю система переходит в множество.

Одна из основных идей, связанных с системным обобщением математики, состоит в том, что понятие математической точки необходимо обогатить новыми свойствами, которыми это понятие не обладает в современной геометрии. В общем виде это можно сделать, приписав или поставив во взаимно-однозначное соответствие каждой точке многомерно пространства аргументов функции (которое в общем случае неортонорми-ровано, с осями, которые являются шкалами номинального, порядкового и числового типа, измеряемыми в различных единицах измерения) обобщенный вектор свойств, элементы которого по своей природе может быть или количественными, или качественными (лингвистическими) переменными:

В этом случае значения аргумента X можно рассматривать как координаты точки, а свойства аргумента г можно интерпретировать как значения факторов, обусловливающих значения функции (каждый элемент вектора 2 соответствует фактору, а значение этого элемента - значению этого фактора: числовому, интервальному или лингвистическому. Факторы вообще говоря действуют не в чистом виде, а всегда являются более или менее зашумленными, т.е. любое значение фактора реалистичнее всего рассматривать как сумму некоторого неизвестного истинного значения фактора и шума. АСК-анализ позволяет оценивать долю шума в модели.

Идея применения автоматизированного системно-когнитивного анализа (АСК-анализ) для восстановления значений функции У состоит в том, чтобы на основе априорной информации об известных значениях функции в тех точках, в которых они заданы, выявить взаимосвязь между свойствами точек аргумента 2 и значениями функции У, а затем зная эту взаимосвязь восстановить значения функции У для всех точек, для которых известны их свойства, но неизвестно значение функции, т.е. найти вид функции О:

(2)

у = ) (3)

Символически эту идею можно выразить в форме:

У^Ш ^ У = п(г)

(4)

Казалось бы в этом нет ничего сложного и достаточно сначала найти функцию ¥, обратную а затем подставить ее в Р:

х=¥(г) (5)

После чего, получаем:

у = р (х )=р (¥(г)), (6)

т.е.:

у = д(г )=р (?(г)) (7)

следовательно: О = Р .

Однако на самом деле все не так просто по крайней мере по следующим трем причинам:

- во-первых, потому, что аналитический вид функции ¥ неизвестен и регрессионный анализ не позволяет найти ее, а всего лишь обеспечивает ее аппроксимацию другими функциями, заданными специалистом, которая практически всегда выполняется с определенной погрешностью;

- во-вторых, сама эта операция: выражение признаков аргумента через координаты точек, предполагает, что сами координаты содержат информацию о признаках, что далеко не всегда так (т.е. многие признаки аргумента не обусловливаются координатами, а просто по независимым от координат причинам наблюдаются по определенным координатам);

- в-третьих, для разных значений аргумента известны значения различных атрибутов, т.е. пространственно-соотнесенные объекты описаны в различных системах шкал и градаций, причем сами шкалы могут быть различного типа (номинального, порядкового и числового), а градации могут измеряться в различных единицах измерения;

- в-четвертых, нахождение аналитическим путем функции обратной заданной не всегда является тривиальной задачей.

По этим причинам в АСК-анализе принято решение найти функцию непосредственной связи признаков аргумента и значений функции, а не через координаты, как в О:

Основной проблемой при этом было найти способ сопоставимого представления силы влияния всех признаков аргумента на значения функции, не зависящий от того, количественными, интервальными или лингвистическими переменными являются те или иные значения признаков и в каких единицах измерения они измеряются. Тем ни менее, немного упрощая можно сказать, что в определенном смысле функция I это и есть О: т.е. она вполне может ее заменить для наших целей

В АСК-анализе эти задачи и проблемы достаточно давно успешно решены [1 - 42] и могут быть представлены в виде, приведенном ниже. Предварительно отметим лишь, что сам вид функции О в АСК-анализе восстанавливается не в полной мере аналитически, а представляет собой базу знаний, т.е. таблицу, элементы которой имеют аналитическое и численное выражение, а для всей базы знаний в целом аналитической формы пока не найдено. Поэтому точнее будет сказать, что данная задача в АСК-анализе решается не полностью аналитически, а алгоритмически с элементами аналитики. Рассмотрим это решение условного (абстрактного) примера с двумерной функцией, не привязанных к конкретной предметной области, а затем кратко приведем возможные области применения предложенных подходов, технологий и методик.

Технологическая постановка задачи

1. БД прецедентов, состоящая из строк, каждая из которых содержит значение функции (класс) и локальные признаки в точке, а также координаты этой точки.

(8)

Дано:

2. Распознаваемая БД, состоящая из строк, каждая из которых содержит координаты точек и их локальные признаки.

Необходимо:

1. Выявить зависимости между локальными признаками точек и значениями функции в точках.

2. Используя знание выявленных зависимостей между локальными признаками точек и значениями функции в точках восстановить значения функции для всех точек, как для тех, для которых значения функции известны (опорные точки), так и для тех, для которых известны только локальные признаки аргумента и координаты.

3. Визуализировать опорные и восстановленные точки в картографической форме с использованием координат и триангуляции Делоне.

Рассмотрим пример с двумерной (2d) функцией, а затем кратко приведем возможные области применения предложенных технологий, в частности для решения задач интерполяции и экстраполяции с применением технологий искусственного интеллекта, а также интеллектуального анализа картографических баз данных и восстановления картографической визуализации значений функций для точек, для которых она неизвестна, на основе модели, созданной на основе априорной информации по опорным точкам.

Описание геокогнитивной подсистемы «Эйдос»

Данная подсистема (4.8.) входит в состав универсальной когнитивной аналитической системы «Эйдос» (система «Эйдос») и обеспечивает пространственную, в т.ч. картографическую визуализацию значений двумерных (2d) функций, восстановленных по признакам аргумента в процессе распознавания. Подсистема 4.8 названа «Геокогнитивная системой» (ГКС), т.к. позволяет выявить знания о белых пятнах на карте на основе знаний (описательной информации) по отображенным на ней объектам.

На рисунке 1 приведены меню запуска данной подсистемы и ее Help:

Ё) [с] Универсальная когнитивная аналитическая система ЭЙ£С С X ' ' . beta-version, rei: 23.03.2015 I — ■

1. Администрирование 2 Формализация предметной области 3. Синтез, верификация и улучшение мо 4 Решение задач с применением модели овис El. □ оистеме 7 Выход

4.1. Идентификация и прогнозирование ► 4.2. Типология классов и принятие решений ► 4.3. Типологический анализ признаков ► 4.4. Исследование предметной области путем исследования ее модели ► 4.5. Визуализация когнитивных функций: текущее приложение, разные модели 4.6. Подготовка баз данных для визуализация когнитивных функций в Excel 4.7. АСК-анализ изображений

4.S. Геокогнитивная подсистема |

Обеспечивает восстановление значений функций по признакам аргумента. Преобразует 2D Excel-таблицу с именем "lnp_map.xls" в файл исходных данных "lnp_data.dbf", содержащий координаты У .У 7- точек и их признаки (модель описательной информации картографической базы данных). Визуализирует исходные данные из БД "lnp_data.dbf" или итоговые результаты распознавания из БД: "RspjLdbf" в картографической форме (сетка и градиентная заливка цветом) с применением триангуляции Делоне

4.3. Гео когнитивная подсистема "Эйдос" | I а | EJ щм П

помощь го режиму: "4.Е. геокогнитивная подсистема" (восстановление значений функций по признакам аргумента)

Б данном режиме пользователь может сформировать облако точек и провести его тринагуляцию Делоне с выводом результатов в форме ребер трегольников в стиле сетки и в форме градиентной заливки треугольников цветом, отражающим значения функции в вершинах треугольников.

Сгенерировать облако точек для триангуляции пользователь может многими различными способами.

для освоения геокогнитивной подсистемы предназначены режимы генерации облака точек со случайными координатами, а также облака точек для визуализации цветового круга с заданным числом секторов, спирали Архимеда и логарифмической спирали с заданными параметрами.

Для реальной работы предназначены следущие способы формирования базы облака точек: "Points_XYZ":

1. координаты и ЦЕета точек из графического файла.

2. Из Id Excel-таблицы исходных данных: "Inp_ntapl. dbf".

3. из распознаваемой Id Excel-таблицы: "Rsp_mapl.dbf".

4. из 2d Excel-таблицы исходных данных: "lnp_map2. dbf".

5. Из распознаваемой Zd Excel-таблицы: "Rsp_mapZ.dbf".

6. из базы исходных данных: "lnp_data.dbf1.

7. из распознаваемой выборки: "lnp_rasp.dbf".

8. Из итоговых результатов распознавания: "Rsp_IT.dbf".

при зтом при проведении триангуляции Делоне можно рисовать или не рисовать окружности и ребра в градиентной цветовой заливке.

Требования к Id ЕхсеТ-таблице:

- первая строка должна содержать наименования колонок: "x'.'Y'.'z";

- последующие строки содержат числовые значения кооринат точек (X,Y,Z) и признаки аргумента Z которые могут быть числовыми или текстовыми.

требования к 2d Excel-таблице:

- первая строка должна содержать наименования колонок Еида: 'Nl', 'N2',...

- 2-я строка должна быть с числовыми значениями координаты X;

- 1-я колонку должна быть с числовыми значениями координаты у;

- в ячейках с координатами (x,v) должно содержаться числовое значение функции z;

- значением ячейки AI должен быть 0.

статьи автора, в которых подробно описывается применение данного режима:

луценко Е.в. система "эйдос" как геокогнитивная система (гкс) для восстановления неизвестных значений пространственно-распределенных функций на основе описательной информации картографических баз данных / луценко fe.B,, Бандык Д.к. // политематический сетевой электронный научный журнал кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). -IDA [article ID]: 1171603001.-Режим доступа: http://ej.feubagrо.ru/2016/03/pdf/01.pdf, 1,675 у. п. л.

Рисунок 1. Меню запуска геокогнитивной подсистемы «Эйдос» и ее Help

Перед картографической визуализацией необходимо сформировать облако точек. Это можно сделать различными способами. На рисунке 2

приведена экранная форма, в которой пользователь может выбрать используемый способ генерации облака точек и задать его параметры:

Рисунок 2. Выбор способа генерации облака точек и задание параметров

Триангуляция Делоне случайного облака точек

При выборе генерации облака точек случайным образом появляется

возможность задать количество точек и они отображаются на экране (рисунок 3):

Рисунок 3. Результат генерации случайного облака точек http://ej.kubagro.ru/2016/03/рёШ 1.pdf

При выборе режима: «Триангуляция (сетка)» осуществляется триангуляция Делоне ранее созданного облака точек. Результаты этого процесса показаны на рисунках 4 и 5:

Рисунок 4. Триангуляция Делоне случайного облака точек

Рисунок 5. Градиентная заливка цветом триангуляции Делоне

случайного облака точек

Цвет на рисунке соответствует значению функции в точке. Шкала соответствия цветов значениям приведена на изображении.

Триангуляция Делоне спирали Архимеда

При выборе генерации облака точек для обобщенной списали Архимеда (рисунок 2*) появляется возможность задать количество точек, количество витков спирали и показатель степени p при г, после чего точки спирали отображаются на экране (рисунок 3*):

х = rp cosa; y = rp sin a

Рисунок 2*. Выбор способа генерации облака точек и задание параметров

Рисунок 3. Результат генерации случайного облака точек http://ej.kubagro.ru/2016/03/pdf/01.pdf

При выборе режима: «Триангуляция (сетка)» осуществляется триангуляция Делоне ранее созданного облака точек. Результаты этого процесса показаны на рисунках 4* и 5*:

Триангуляция Делоне. Стиль: "Сетка"

Рисунок 4*. Триангуляция Делоне случайного облака точек

Рисунок 5*. Градиентная заливка цветом триангуляции Делоне случайного облака точек (на экранной форме, приведенной на рисунке 2* задан параметр: «Рисовать ребра в цветовой заливке»)

Визуализация 2Ффункций и восстановление значений функций по признакам аргумента

Получим расчетным путем значения функции Ъ, зависящей от координат Х,У. Получим картографическую визуализацию полной исходной функцию со всеми значениями. Уберем из исходного файла некоторое количество точек. Это можно делать различными способами и в большем или меньшем количестве. Например, оставим в некоторой таблице только верхнюю левую четверть и получим таблицу 1. Опишем каждое значение функции признаками, зависящими от этих значений Ъ, и, косвенно, от аргумента Х,У. Построим геокогнитивную модель, отражающую зависимость значений функции от признаков. На основе геокогнитивной модели восстановим значения функции в точках, отсутствующих в исходных данных. Получим картографическую визуализацию полной исходной функцию с исходными и восстановленными значениями. Сравним расчетные значения функции и их значения, восстановленные на основе геокогнитивной модели.

Картографическая визуализация обучающей выборки

Рассмотрим файл исходных данных, приведенный в таблице 1:

Таблица 1 - 2d Ехсе1-файл исходных данных

N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12

0,00 -1,00 -0,90 -0,80 -0,70 -0,60 -0,50 -0,40 -0,30 -0,20 -0,10 0,00

-1,00 0,82 0,89 0,92 0,93 0,91 0,89 0,87 0,84 0,82 0,81 0,80

-0,90 0,89 0,92 0,92 0,90 0,87 0,83 0,79 0,75 0,72 0,70 0,70

-0,80 0,92 0,92 0,90 0,85 0,80 0,74 0,69 0,64 0,61 0,59 0,58

-0,70 0,93 0,90 0,85 0,79 0,72 0,65 0,59 0,53 0,49 0,47 0,46

-0,60 0,91 0,87 0,80 0,72 0,64 0,56 0,48 0,43 0,38 0,35 0,35

-0,50 0,89 0,83 0,74 0,65 0,56 0,47 0,39 0,33 0,28 0,25 0,24

-0,40 0,87 0,79 0,69 0,59 0,48 0,39 0,31 0,24 0,20 0,17 0,16

-0,30 0,84 0,75 0,64 0,53 0,43 0,33 0,24 0,18 0,13 0,10 0,09

-0,20 0,82 0,72 0,61 0,49 0,38 0,28 0,20 0,13 0,08 0,05 0,04

-0,10 0,81 0,70 0,59 0,47 0,35 0,25 0,17 0,10 0,05 0,02 0,01

0,00 0,80 0,70 0,58 0,46 0,35 0,24 0,16 0,09 0,04 0,01 0,00

Значения координат X и У приведены в ячейках на желтом фоне. Значения функции Ъ рассчитываются для каждой точки с координатами Х,У по формуле: =ЕХР(-0,05*(Н$2Л2+$А12Л2))*8ЩН$2Л2+$Л12Л2).

Данная таблица в виде Ехсе1-файла с именем Inp_map2.xls записывается в папку: c:\Aidos-X\AID_DATA\Inp_data\.

Затем в геокогнитивной подсистеме 4.8 выбирается способ формирования облака точек: «Из 2d Ехсе1-таблицы: Inp_map2.xls» с опцией «Без формирования модели». В результате формируется база данных Points_XYZ.DBF, с координатами Х,У и значениями функции 2, фрагмент которой приведен на рисунке 6. Данные о координатах точек, извлеченные из Ехсе1-файла, отображается в окне (рисунок 7).

Рисунок 6. Фрагмент базы данных Points_XYZ.DBF с координатами точек Х,У и значениями функции 2 в этих точках

Рисунок 7. Визуализация облака точек, сформированных на основе 2d Ехсе1-таблицы: Inp_map2.xls

На основе 2d Ехсе1-таблицы: Inp_map2.xls формируется облако точек, расположенных в узлах регулярной решетки, т.е. решетки с равным

шагом по каждой из осей координат (алгоритм триангуляции Делоне работает с любыми решетками, а не только регулярными).

Для получения картографической визуализации данной функции в стиле «Сетка» кликаем по кнопке: «Триангуляция (сетка)». Процесс рисования треугольников отображается в реальном времени путем рисования ребер (рисунки 8 и 9):

Рисунок 8. Отображение процесса триангуляции в реальном времени

Рисунок 9. Результат триангуляции облака точек из базы данных Points_XYZ.DBF в стиле «Сетка»

На рисунке 10 приведена картографическая визуализация исходной

функции в стиле «Градиентная заливка цветом»:

Рисунок 10. Результат триангуляции облака точек из базы данных Ро1^_ХУ7.БВБ в стиле «Градиентная заливка цветом»

Картографическая визуализация распознаваемой выборки

В экранной форме, появляющейся по нажатию кнопки: «Формирование облака точек», выберем режим: «Из распознаваемой 2ё Ехсе1-таблицы Rsp_map2.xls» с опцией «без распознавания» (рисунок 11):

Рисунок 11. Экранная форма выбора режима: «Формирование облака точек», сначала выберем режим: «Из распознаваемой 2ё Ехсе1-таблицы Rsp_map2.xls» с опцией «Без распознавания»

Это позволяет отобразить распознаваемую выборку в исходном виде из 2ё Ехсе1-таблицы Rsp_map2.xls. В таблице 2 приведена распознавемая выборка. По своей структуре она сходна с таблицей 1, но отражает примерно в два раза большую область значений аргумента по каждой оси:

Таблица 2 - 2ё Ехсе1-файл данных для распознаваемой выборки

N1 N2 N3 N4 N5 N6 N7 N8 N9 N10 N11 N12 N13 N14 N15 N16 N17 N18 N19 N20 N21 N22

0,00 -1,00 -0,90 -0,80 -0,70 -0,60 -0,50 -0,40 -0,30 -0,20 -0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

-1,00 0,82 0,89 0,92 0,93 0,91 0,89 0,87 0,84 0,82 0,81 0,80 0,81 0,82 0,84 0,87 0,89 0,91 0,93 0,92 0,89 0,82

-0,90 0,89 0,92 0,92 0,90 0,87 0,83 0,79 0,75 0,72 0,70 0,70 0,70 0,72 0,75 0,79 0,83 0,87 0,90 0,92 0,92 0,89

-0,80 0,92 0,92 0,90 0,85 0,80 0,74 0,69 0,64 0,61 0,59 0,58 0,59 0,61 0,64 0,69 0,74 0,80 0,85 0,90 0,92 0,92

-0,70 0,93 0,90 0,85 0,79 0,72 0,65 0,59 0,53 0,49 0,47 0,46 0,47 0,49 0,53 0,59 0,65 0,72 0,79 0,85 0,90 0,93

-0,60 0,91 0,87 0,80 0,72 0,64 0,56 0,48 0,43 0,38 0,35 0,35 0,35 0,38 0,43 0,48 0,56 0,64 0,72 0,80 0,87 0,91

-0,50 0,89 0,83 0,74 0,65 0,56 0,47 0,39 0,33 0,28 0,25 0,24 0,25 0,28 0,33 0,39 0,47 0,56 0,65 0,74 0,83 0,89

-0,40 0,87 0,79 0,69 0,59 0,48 0,39 0,31 0,24 0,20 0,17 0,16 0,17 0,20 0,24 0,31 0,39 0,48 0,59 0,69 0,79 0,87

-0,30 0,84 0,75 0,64 0,53 0,43 0,33 0,24 0,18 0,13 0,10 0,09 0,10 0,13 0,18 0,24 0,33 0,43 0,53 0,64 0,75 0,84

-0,20 0,82 0,72 0,61 0,49 0,38 0,28 0,20 0,13 0,08 0,05 0,04 0,05 0,08 0,13 0,20 0,28 0,38 0,49 0,61 0,72 0,82

-0,10 0,81 0,70 0,59 0,47 0,35 0,25 0,17 0,10 0,05 0,02 0,01 0,02 0,05 0,10 0,17 0,25 0,35 0,47 0,59 0,70 0,81

0,00 0,80 0,70 0,58 0,46 0,35 0,24 0,16 0,09 0,04 0,01 0,00 0,01 0,04 0,09 0,16 0,24 0,35 0,46 0,58 0,70 0,80

0,10 0,81 0,70 0,59 0,47 0,35 0,25 0,17 0,10 0,05 0,02 0,01 0,02 0,05 0,10 0,17 0,25 0,35 0,47 0,59 0,70 0,81

0,20 0,82 0,72 0,61 0,49 0,38 0,28 0,20 0,13 0,08 0,05 0,04 0,05 0,08 0,13 0,20 0,28 0,38 0,49 0,61 0,72 0,82

0,30 0,84 0,75 0,64 0,53 0,43 0,33 0,24 0,18 0,13 0,10 0,09 0,10 0,13 0,18 0,24 0,33 0,43 0,53 0,64 0,75 0,84

0,40 0,87 0,79 0,69 0,59 0,48 0,39 0,31 0,24 0,20 0,17 0,16 0,17 0,20 0,24 0,31 0,39 0,48 0,59 0,69 0,79 0,87

0,50 0,89 0,83 0,74 0,65 0,56 0,47 0,39 0,33 0,28 0,25 0,24 0,25 0,28 0,33 0,39 0,47 0,56 0,65 0,74 0,83 0,89

0,60 0,91 0,87 0,80 0,72 0,64 0,56 0,48 0,43 0,38 0,35 0,35 0,35 0,38 0,43 0,48 0,56 0,64 0,72 0,80 0,87 0,91

0,70 0,93 0,90 0,85 0,79 0,72 0,65 0,59 0,53 0,49 0,47 0,46 0,47 0,49 0,53 0,59 0,65 0,72 0,79 0,85 0,90 0,93

0,80 0,92 0,92 0,90 0,85 0,80 0,74 0,69 0,64 0,61 0,59 0,58 0,59 0,61 0,64 0,69 0,74 0,80 0,85 0,90 0,92 0,92

0,90 0,89 0,92 0,92 0,90 0,87 0,83 0,79 0,75 0,72 0,70 0,70 0,70 0,72 0,75 0,79 0,83 0,87 0,90 0,92 0,92 0,89

1,00 0,82 0,89 0,92 0,93 0,91 0,89 0,87 0,84 0,82 0,81 0,80 0,81 0,82 0,84 0,87 0,89 0,91 0,93 0,92 0,89 0,82

Область значений аргумента исходных данных (т.е. по сути таблица 1) в таблице 2 выделена светло-зеленым фоном.

Триангуляция распознаваемой выборки в стилях «Сетка» и «Градиентная заливка цветом» приведена на рисунке 12:

Рисунок 12. Триангуляция исходной распознаваемой выборки в стилях «Сетка» и «Градиентная заливка цветом»

Из рисунков 10 и 12 видно, что распознаваемая выборка по чсилу точек примерно в 4 раза больше обучающей и перед нами стоит задача восстановить неизвестные значения функции на основе модели, отражающей зависимости между этими значениями и атрибутами, содержащимися в описательной информации к каждому значению функции как обучающей,

так и распознаваемой выборки. В таблице 3 приведена обучающая выборка, как с геометрической, так и описательной частью (файл: Inp_data.dbf):

Таблица 3 -и

Обучающая выборка, включая и геометрическую, описательную информацию (фрагмент)

COORD XY PZ АГГС1 АГШ2 АГШ3 АГШ4 АГШ5 АГШ6 АГШ7

Х= -1.0000000 Y= -1.0000000 0,8227663 0,6769444 0,5569670 0,4582537 0,3770357 0,3102123 0,2552322 0,2099965

Х= -0.9000000 Y= -1.0000000 0,8874649 0,7875939 0,6989620 0,6203042 0,5504982 0,4885479 0,4335691 0,3847773

Х= -0.8000000 Y= -1.0000000 0,9190668 0,8446838 0,7763208 0,7134907 0,6557456 0,6026740 0,5538977 0,5090690

Х= -0.7000000 Y= -1.0000000 0,9251794 0,8559569 0,7919137 0,7326623 0,6778440 0,6271273 0,5802053 0,5367940

Х= -0.6000000 Y= -1.0000000 0,9135802 0,8346288 0,7625003 0,6966052 0,6364047 0,5814068 0,5311617 0,4852588

Х= -0.5000000 Y= -1.0000000 0,8914885 0,7947517 0,7085120 0,6316303 0,5630912 0,5019893 0,4475177 0,3989569

Х= -0.4000000 Y= -1.0000000 0,8651412 0,7484693 0,6475316 0,5602063 0,4846575 0,4192972 0,3627513 0,3138311

Х= -0.3000000 Y= -1.0000000 0,8395989 0,7049263 0,5918554 0,4969211 0,4172144 0,3502928 0,2941054 0,2469306

Х= -0.2000000 Y= -1.0000000 0,8187052 0,6702782 0,5487603 0,4492729 0,3678220 0,3011378 0,2465431 0,2018461

Х= -0.1000000 Y= -1.0000000 0,8051287 0,6482322 0,5219104 0,4202050 0,3383191 0,2723904 0,2193094 0,1765723

Х= 0.0000000 Y= -1.0000000 0,8004320 0,6406914 0,5128299 0,4104855 0,3285657 0,2629945 0,2105092 0,1684983

Х= -1.0000000 Y= -0.9000000 0,8874649 0,7875939 0,6989620 0,6203042 0,5504982 0,4885479 0,4335691 0,3847773

Х= -0.9000000 Y= -0.9000000 0,9210776 0,8483839 0,7814274 0,7197553 0,6629505 0,6106289 0,5624366 0,5180477

Х= -0.8000000 Y= -0.9000000 0,9232883 0,8524613 0,7870675 0,7266902 0,6709446 0,6194753 0,5719543 0,5280787

Х= -0.7000000 Y= -0.9000000 0,9029190 0,8152627 0,7361162 0,6646533 0,6001281 0,5418671 0,4892621 0,4417640

Х= -0.6000000 Y= -0.9000000 0,8684319 0,7541740 0,6549487 0,5687784 0,4939453 0,4289578 0,3725207 0,3235088

Х= -0.5000000 Y= -0.9000000 0,8273245 0,6844658 0,5662753 0,4684935 0,3875961 0,3206678 0,2652963 0,2194861

Х= -0.4000000 Y= -0.9000000 0,7858334 0,6175341 0,4852789 0,3813484 0,2996763 0,2354957 0,1850604 0,1454266

Х= -0.3000000 Y= -0.9000000 0,7488586 0,5607892 0,4199518 0,3144845 0,2355044 0,1763595 0,1320683 0,0989005

Х= -0.2000000 Y= -0.9000000 0,7200200 0,5184288 0,3732791 0,2687684 0,1935186 0,1393373 0,1003256 0,0722365

Х= -0.1000000 Y= -0.9000000 0,7017751 0,4924883 0,3456160 0,2425447 0,1702118 0,1194504 0,0838273 0,0588279

Х= 0.0000000 Y= -0.9000000 0,6955396 0,4837753 0,3364849 0,2340386 0,1627831 0,1132221 0,0787504 0,0547741

Х= -1.0000000 Y= -0.8000000 0,9190668 0,8446838 0,7763208 0,7134907 0,6557456 0,6026740 0,5538977 0,5090690

Х= -0.9000000 Y= -0.8000000 0,9232883 0,8524613 0,7870675 0,7266902 0,6709446 0,6194753 0,5719543 0,5280787

Х= -0.8000000 Y= -0.8000000 0,8986237 0,8075246 0,7256607 0,6520959 0,5859888 0,5265835 0,4732004 0,4252291

Х= -0.7000000 Y= -0.8000000 0,8547296 0,7305627 0,6244336 0,5337218 0,4561879 0,3899173 0,3332738 0,2848590

Х= -0.6000000 Y= -0.8000000 0,8004320 0,6406914 0,5128299 0,4104855 0,3285657 0,2629945 0,2105092 0,1684983

Х= -0.5000000 Y= -0.8000000 0,7432502 0,5524209 0,4105869 0,3051688 0,2268168 0,1685816 0,1252983 0,0931280

Х= -0.4000000 Y= -0.8000000 0,6892282 0,4750355 0,3274079 0,2256587 0,1555304 0,1071959 0,0738824 0,0509219

Х= -0.3000000 Y= -0.8000000 0,6429678 0,4134076 0,2658078 0,1709058 0,1098870 0,0706538 0,0454281 0,0292088

Х= -0.2000000 Y= -0.8000000 0,6077734 0,3693885 0,2245045 0,1364479 0,0829294 0,0504023 0,0306332 0,0186180

Х= -0.1000000 Y= -0.8000000 0,5858340 0,3432015 0,2010591 0,1177873 0,0690038 0,0404248 0,0236822 0,0138738

Х= 0.0000000 Y= -0.8000000 0,5783877 0,3345323 0,1934894 0,1119119 0,0647285 0,0374381 0,0216538 0,0125243

Х= -1.0000000 Y= -0.7000000 0,9251794 0,8559569 0,7919137 0,7326623 0,6778440 0,6271273 0,5802053 0,5367940

Х= -0.9000000 Y= -0.7000000 0,9029190 0,8152627 0,7361162 0,6646533 0,6001281 0,5418671 0,4892621 0,4417640

Х= -0.8000000 Y= -0.7000000 0,8547296 0,7305627 0,6244336 0,5337218 0,4561879 0,3899173 0,3332738 0,2848590

Х= -0.7000000 Y= -0.7000000 0,7907839 0,6253392 0,4945082 0,3910491 0,3092353 0,2445383 0,1933770 0,1529194

Х= -0.6000000 Y= -0.7000000 0,7200200 0,5184288 0,3732791 0,2687684 0,1935186 0,1393373 0,1003256 0,0722365

Х= -0.5000000 Y= -0.7000000 0,6497952 0,4222338 0,2743655 0,1782814 0,1158464 0,0752764 0,0489143 0,0317843

Х= -0.4000000 Y= -0.7000000 0,5858340 0,3432015 0,2010591 0,1177873 0,0690038 0,0404248 0,0236822 0,0138738

Х= -0.3000000 Y= -0.7000000 0,5323595 0,2834066 0,1508742 0,0803193 0,0427588 0,0227630 0,0121181 0,0064512

Х= -0.2000000 Y= -0.7000000 0,4923127 0,2423718 0,1193227 0,0587441 0,0289205 0,0142379 0,0070095 0,0034509

Х= -0.1000000 Y= -0.7000000 0,4675885 0,2186390 0,1022331 0,0478030 0,0223521 0,0104516 0,0048870 0,0022851

Х= 0.0000000 Y= -0.7000000 0,4592357 0,2108974 0,0968516 0,0444777 0,0204258 0,0093802 0,0043077 0,0019783

Х= -1.0000000 Y= -0.6000000 0,9135802 0,8346288 0,7625003 0,6966052 0,6364047 0,5814068 0,5311617 0,4852588

Х= -0.9000000 Y= -0.6000000 0,8684319 0,7541740 0,6549487 0,5687784 0,4939453 0,4289578 0,3725207 0,3235088

Х= -0.8000000 Y= -0.6000000 0,8004320 0,6406914 0,5128299 0,4104855 0,3285657 0,2629945 0,2105092 0,1684983

Х= -0.7000000 Y= -0.6000000 0,7200200 0,5184288 0,3732791 0,2687684 0,1935186 0,1393373 0,1003256 0,0722365

Х= -0.6000000 Y= -0.6000000 0,6360690 0,4045838 0,2573432 0,1636880 0,1041169 0,0662255 0,0421240 0,0267938

Х= -0.5000000 Y= -0.6000000 0,5556588 0,3087567 0,1715634 0,0953307 0,0529713 0,0294340 0,0163553 0,0090879

Х= -0.4000000 Y= -0.6000000 0,4841278 0,2343797 0,1134697 0,0549339 0,0265950 0,0128754 0,0062333 0,0030177

Х= -0.3000000 Y= -0.6000000 0,4252881 0,1808700 0,0769218 0,0327139 0,0139129 0,0059170 0,0025164 0,0010702

Х= -0.2000000 Y= -0.6000000 0,3817073 0,1457005 0,0556149 0,0212286 0,0081031 0,0030930 0,0011806 0,0004507

Х= -0.1000000 Y= -0.6000000 0,3549870 0,1260158 0,0447340 0,0158800 0,0056372 0,0020011 0,0007104 0,0002522

Х= 0.0000000 Y= -0.6000000 0,3459900 0,1197091 0,0414181 0,0143303 0,0049581 0,0017155 0,0005935 0,0002054

Синтез геокогнитивной модели

Для синтеза модели в окне «Формирование облака точек» выберем режим: «Из распознаваемой 2d Ехсе1-таблицы Inp_map2.xls» с опцией «С формированием модели» (рисунок 13):

Рисунок 13. Экранная форма «Формирование облака точек» путем импорта данных из «Из 2d Ехсе1-таблицы: Inp_map2.xls» с опцией: «С формированием модели»

Появится экранная форма (рисунок 14). На этой экранной форме указано, какие работы по формированию модели уже выполнены, а какие еще предстоит выполнить. Стандартные режимы системы «Эйдос», необходимые для выполнения работ, будут последовательно автоматически запущены с нужными параметрами по умолчанию после нажатия клавиши «ОК» (рисунки 15):

г (D 4.8. Гесжогнитнвная подсистема "Эйдос" * s

«1 Преобразование 26 Ехсе1-таблицы: "Inp_nnap2.xls" в Файл исходных данных: "1пр_с1а(а.с1ЬГ завершено успешно! Для создания модели будут выполнены режимы 2.3.2.2 и 3.5 с параметрами по умолчанию

Gk

Рисунок 14. Экранная форма отображения 1-го этапа формирования облака точек путем импорта данных из «Из 2d Ехсе1-таблицы: Inp_map2.xls» с опцией: «С формированием модели»

2.3.2.2. Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х-+1

1н1 M

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

Задайте параметры:

Стандарт XLS -Файла

Задайте тип файла исходных данных: "lnp_data":

г •. (•••:". Excel-20G7(2Ü10) <• DBF -DBASE IV (DBF/NTX) Стандарт DBF-файла

CSV -:Comma-Separated Values Стаидарг CSV-файла

(• H ули н пробелы считать 0 Т СУ Т CT В И Е M даннык Нули и пробелы считать ЗНАЧЕНИЯМИ данных Создавать БД средник по классам "!np_ davr.dbf11^ Требований к Файлу исходных данным

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2

Конечный столбец классификационных шкал I 2

Задайте режим1

Задайте диапазон столбцов описательных шкал:-

Начальный столбец описательных шкал: Конечный сголбец описательных шкал.

f* Формализации предметной области (на основе "lnp_daia") Генерации распознаваемой выборки (на основе "lnp_rasp")

Задайте способ выбора размера интервалов:

Равные и1-л-ервалы с разным числом наблюдений Г Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей ''lnp_data":

f« Не применять сценарный метод АСК-анализа и спец. интерпретацию ТХТ-полей

Применить сценарный метод прогнозирования АСК-анализа С~ Применить специальную интерпретацию текстовых полей "lnp_daia"

Пояснения по режиму

Не применять сценарный метоа АСК-анализа и спец.интерпретацию ТХТ-полей:

Сценарный метод АСК-анализа: Записи Файла исходных данных "lnp_da!a" рассматриваются ка;кдая сама по себе независимо друг от друга

Спец. ичгерпретация ТХТ-полей

Значения текстовых полей Файла исходных данных

"!rp._daia" рассматриваются как целее

Какие наименования ГРАДАЦИЙ числовых шкал использовать,:

Только интервальные числовые значения (например: Ч1/3-{59873.000000С1, 173545.6666667}")

Г' Топько наименования интервальных числовых значений (например: "Минимальное")

П И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-{58873.00С000С. 178545.6666667}"

Ok

Cancel

{*) 2.3.2.2. Задание размерности модели системы т,ЭЙДОС-Х++"

ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ

Суммарное количество градаций классификационных и описательных шкал: [10 х 70]

Тип шкалы Количество классификационных шкал Количество градаций классификационным Среднее количество градаций на класс, шкалу Количество описательных шкал Количество градаций описательных шкал Среднее количество градаций на опис. шкалу

Числовые 1 10 10,00 7 70 10,00

Текстовые 0 0 0,00 0 0 0,00

ВСЕГО: 1 10 10,00 7 70 10,00

[—Задайте число интервалов (градаций] в шкале: В классификационных шкалах:

В описательных шкалах:

Пересчитать шкалы и градации

йыити на создание модели

^ 2.3.2.2. Процесс импорта данных из внешней БД "Inp_data" в систему "ЭЙДОС-Х+н-"

0

—Стадии исполнения процесса

1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с1а1а" - Готово 2/3: Генерация обучающей выборки и базы событий "ЕуегЛзКО" на основе БД Ър.с^а" - Готово 3/3: Переиндексация всех баз данных нового приложения - Готово

ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!

[—Прогноз времени исполнения— Начало: 17:23:02 Окончание: 17:23:05

100%

Ok

Прошло: 0:00:02

□ сталось: 0:00:00

ff) 3,5, Выбор моделей для синтеза w верификации

й I—ES—|

Задайте стат.модели и модели знаний для сингтеза и верификации "гггистические базы:

|7 jpgjffy

р 3. Шй

17 |,РЯС2 Базы знаний: 17 4. INF1 • 17 5. INF2 • 17 6. INF3 • 17 7. INF4 • 17 8. INF5 • J7 Э. INF6 • ¡7 10.INF7

эстныи критерии: количество встреч сочет четный критерий: усл. вероятность ¡-го пр астный критерий: условная вероятность i-

эсс-признак" у обьекто еди признаков объекте ка у объектов ¡-го клас<

зорки

частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

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

частный критерий; R0I [Return.On Investment]; вероятности из PRC1

частный критерий: R0I [Return On Investment]; вероятности из PRC2

частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1

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

Задайте текущую модель

Г ABS Г PRG1 Г PRC2

INF1 Г INF2 Г INF3 Г INF4 Г INF5 Г INF6 Г INF7

Параметры копирования обучающей.выборки в распознаваемую: - Какие объекты обу ч. выборки копировать: П ояснение по алгоритму верификации ]

Копировать всю обучающую выборку Г" Копировать только текущий объект Г Копировать каждый М-й объект С Копировать N случайный объектов С Копировать все объекты от N1 до N 2 С Вообще не менять распознаваемую выборку

Удалять из обуч. выборки скопированные объекты: (• Не удалять С Удалять

Подробнее |

Измеряется внутренняя достоверн. модели

Для каждой заданной модели выполнить:

Синтез и верификацию С Только верификацию

Ok

Cancel

3,5. Синтез \л верификация заданных из 10 моделей

I ш

Стадии исполнения процесса Шаг 1-й из 11 Шаг 2-й из 11 Шаг 3-й'из 11 Шаг 4-й из 11

Копирование обучающей выборки е распознаваемую - Готово Синтез стат.модели "ABS" (расчет матрицы абсолютны* частот) - Готово Синтез стат.моделей "PRC1" и "PRC£" (усл.безусл,?4 распр.) - Готово Синтез моделей знаний: INF1-INF7 - Готово

НАЧАЛО ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ИСПОПНЕНИЕ.--..

Шаг 5-й из 11: Задание модели "INF?" в качестве текущей - Готово Шаг 6-й из 11. Пакетное распознавание в модели "INF?":-Готово

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

KOI-IEU ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО-...

Шаг 8-й из 11: объединение ЕЛ DostRsp# в ЕД DcstRasp - Готово

Шаг Э-й из 11. Печать сводной формы по результатам верификации моделей - Готово

Шаг 1 0-й из 1 ; Создание формы: "Достоверность идент.классов в различных-моделях"- Готово

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

Синтез и верификация заданных (.тэт.моделей и моделей знаний унешно завершена !!!

— Прогноз времени исполнение

Начало: 17:45:53

Окончание: 17:47:43

100%.

□к

Прошла: 0:00:S6

Осталось: U:fiQ:00

Рисунок 15. Экранные формы режимов системы «Эйдос», автоматически

запускаемых в геокогнитивной подсистеме при синтезе модели

Восстановление неизвестных значений функции по описательной информации на основе модели

До этого мы рассматривали триангуляцию и отображение исходной функции. Рассмотрим теперь способность геокогнитивной подсистемы «Эйдос» восстанавливать неизвестные значения функции по атрибутам, связанным с ее значением и аргументами. Попробуем на основе исходной функции создать модель и в ней распознать значения функции для областей, для которых она не описана в исходных данных, но имеет значения, встречающиеся в исходных данных.

Для восстановления неизвестных значений функции на основе ранее созданной модели в окне «Формирование облака точек» выберем режим: «Из распознаваемой 2d Ехсе1-таблицы Rsp_map2.xls» с опцией «Проводить распознавание» (рисунок 16):

Рисунок 16. Экранная форма окна: «Формирование облака точек», выбор режима: «Из итоговых результатов распознавания Rsp_IT.dbf» с интегральным критерием «Резонанс знаний»

Выполним предлагаемые системой и автоматически запускаемые режимы (рисунок 17):

Рисунок 17. Информация о пройденных и будущих этапах процесса восстановления значений функции по признакам аргумента

Экранные формы режимов, автоматически запускаемых системой «Эйдос» при восстановления значений функции по признакам аргумента, приведены ниже на рисунках 18:

1«П

23.2.2. Универсальный программный интерфейс импорта данным в систему "ЭЙДОС-Х- + '

; 151 ■

Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр_(1а1а"

Задайте параметры:

Стандарт XLS -Файла

Задайте тип Файла исходных данных: "Inp data'

Г (•••:; Excei-20G7(2010) (f DBF -DBASE IV [DEiF/NTX) Стандарт D В F-Файло

CSV -!Comma-Separated Values Стандарг CSV-файла

Н ули и пробелы считать 0 Т СУ Т СТ 3 И Е М данных Нули и пробелы считать ЗНАЧЕНИЯМИ данных (7 Создавать БД средних по классам Пж^йряШ^ Требования к Файлу исходных данных

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2

Конечный столбец классификационных шкал1 | ч

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

Задайте режим

С Формализации предметной области (на основе "Inp da'a") fr Генерации распознаваемой выборки (на основе "lnp_rasp")

Задайте способ выбора размера интервалов: (• Равные интервалы с разным числом наблюдений Г Разные интервалы с равным числом наблюдений

Задание параметров Формирования сценариев или способа интерпретации текстовых полей "lnp_daia": f* Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей

Г Применить сценарный метод прогнозирования АСК-анализа Пояснения по режиму

О П рименить специальную интерпретацию текстовых полей' 'I np_daia'

Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей:

Спец. ичгерпретация ТХТ-полей Значения текстовых полей Файла исходных данных "Irp daia" рассматриваются как целее

Сценарный метод АСК-анализа: Записи Файла исходных данных рассматри-

ваются каадая сама по себе независимо друг от друга

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

» Только интервальные числовые значения (например: "1/3"(5Э873.0000000,178545.668ББ87}"]

Г Т о пько наименования ш-п ервальных числовых значений (например: "Минимальное")

С1. И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-{58873.0000000.178545.6866607}"'

Пк

Cancel

4.1,2. Пакетное patnoaHaванне. Текущая модель; TNFlj

■l^sbl^adl

-г.Стййии исполнений гШвЩй?:-

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ "INFI "

j I Расп:13нэЕ:8И|'е [ 4дент||ф||К8Ц|1я; ^1"Н;йсъект8 обучающей вьгборки - Готово

■¿/11;: Исследован^ распределений-ур0вней:'схс3£.ства верное оцшб.идентобъектов - Готово № 1::Создрннё ;::+'^%>";лслнь|>: форм результатов распознавания пг 2-И|= ййтегр.К|Зит. - Готово ¿1*: ';: Создание подробной наглядной формы: "Объект-классы". Инт.крит.-корреляция - Готово ЙШ:: Создание подробной наглядной/формы: "ОбъекттКлассы". Инт крит.-сумма инф - Готово ЩЙ:: Создание.итоговой/наглядной форпы^Объект-класс". Инт.крит-корреляция -Готово Создание.роговой Шглядной ф о f: м з. I ; Ю б ъ с к т-к п с с11 Шнт.крит-сумма инф. - Готова. Э;':' ;■ Создание подробной наглядной фозмы Ущаер объекты', Инт:крит.-коррепяция - Готово Щг 1;: Создание подробнЪй.наглядной;формЕ1:'иКд&с^0'6'ьектьГ, Инт:крит.-ёумма инф .-.Готово ;-Создание итоговой наглядной формы:'"Клй(:с£объект-ы". Инт.крит-корреляция - Готово1 1 Ш.1 ..Создание итоговой наглядной форг^-.ТЛасо-объекты11:.Инт.крит.-суммаWHf&rГотово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО НСПЕШНО !

-Прогноз времени исполнения

Начало: 13:10:43 Окончание: 19:11:03

»

Прошло: 0:00:20

Осталось: U:I(U:ÜU

Рисунок 18. Экранные формы режимов, автоматически запускаемых системой «Эйдос» при восстановления значений функции по признакам аргумента

Для картографической визуализации результатов восстановления пространственного распределения значений функции по признакам аргумента необходимо на экранной форме «Формирование облака точек» выбрать режим: «Из итоговых результатов распознавания Rsp_IT.dbf» с интегральным критерием «Резонанс знаний» (рисунок 19):

Рисунок 19. Экранная форма окна: «Формирование облака точек», выбор режима: «Из итоговых результатов распознавания ^^Т^Ь^» с интегральным критерием «Резонанс знаний»

На основе созданной модели получены результаты триангуляции, Делоне, приведенные на рисунках 20 и 21.

в .. г----------------- ■ - 1-1 1 = 1 В —

Триангуляция Делоне. Стиль: "Сетка"

Помошь „_„, , ................ | ,„_,.,„„, | ,„_,..,„„„„, | 3„„,„ы

Рисунок 20. Визуализация сетки триангуляции результатов восстановления значений функции по признакам аргумента

Рисунок 21. Визуализация градиентной заливкой цветом результатов восстановления значений функции по признакам аргумента

Необходимо отметить, что если распознаваемая выборка не совпадает с обучающей, особенно если имеет больший объем, чем обучающая,

то может возникнуть ситуация, при которой как интегративные характеристики объектов распознаваемой выборки (классы), так и их атрибуты, могут оказаться выходящими за пределы диапазонов классификационных и описательных шкал, сформированных при формировании модели на основе обучающей выборки. В этом случае система «Эйдос», естественно, может их не закодировать и не идентифицировать. Эта проблема легко решается путем включения в обучающую выборку новых объектов с такими характеристиками, которые встречаются в распознаваемой выборке, но аналогичных которым не было в обучающей выборке.

Из сравнения рисунков 12 и 21 прежде всего видно, что значения функции для точек, для которых они не были указаны в обучающей выборке, восстановлены по свойствам этих точек, связь которых со значениями функции выявлена на основе опорных точек, входящих в обучающую выборку, для которых известны и значения функции, и атрибутивная информация.

Так что представляют интерес дальнейшие исследования и численные эксперименты, которые могли бы позволить оценить устойчивость метода к шуму как в обучающей, так и в распознаваемой выборках, а также к дефициту априорной и атрибутивной информации, т.е. к как к числу опорных точек, так и к степени подробности их описания. Ранее проведенные многочисленные исследования показали, что в этом метод АСК-анализа обеспечивает высокое качество подавления шума, как при синтезе модели (обучении системы), так и при идентификации объектов в интегральном критерии.

Исследование погрешностей распознавания

Из визуального сравнения рисунков 12 и 21 прежде видно, что в

принципе поставленная в статье задача решена. Но понятно, что визуальное сравнение не дает количественного анализа погрешностей распознавания.

С этой целью при подготовке результатов распознавания для картографической визуализации геокогнитивная подсистема создает базу данных «Out_map2.dbf» (таблица 4), аналогичную по структуре исходной базе «Rsp_map2.dbf», представленной в таблице 2, но содержащую не исходные данные, а результаты распознавания. Погрешности распознавания легко устанавливаются путем сравнения этих баз данных.

Таблица 4 - 2d Ехсе1-файл результатов распознавания (округлено до сотых)

0,00 -1,00 -0,90 -0,80 -0,70 -0,60 -0,50 -0,40 -0,30 -0,20 -0,10 0,00 0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 1,00

-1,00 0,51 0,51 0,70 0,70 0,79 0,70 0,70 0,60 0,60 0,51 0,51 0,00 0,51 0,51 0,60 0,60 0,70 0,70 0,79 0,70 0,70

-0,90 0,42 0,70 0,79 0,79 0,70 0,70 0,51 0,42 0,42 0,42 0,42 0,00 0,42 0,42 0,42 0,42 0,51 0,70 0,70 0,79 0,79

-0,80 0,06 0,70 0,79 0,70 0,51 0,51 0,33 0,42 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,42 0,33 0,51 0,51 0,70 0,79

-0,70 0,06 0,79 0,70 0,51 0,42 0,42 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,42 0,42 0,51 0,70

-0,60 0,06 0,70 0,70 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,42 0,51 0,70

-0,50 0,06 0,70 0,51 0,33 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,33 0,51

-0,40 0,06 0,60 0,42 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42 0,42

-0,30 0,06 0,60 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

-0,20 0,06 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

-0,10 0,06 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

0,00 0,00 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

0,10 0,06 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

0,20 0,06 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

0,30 0,06 0,60 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42

0,40 0,06 0,60 0,42 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,42 0,42

0,50 0,06 0,70 0,51 0,33 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,06 0,33 0,51

0,60 0,06 0,70 0,70 0,51 0,42 0,06 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,06 0,42 0,51 0,70

0,70 0,06 0,79 0,70 0,51 0,42 0,42 0,06 0,06 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,06 0,06 0,42 0,42 0,51 0,70

0,80 0,06 0,70 0,79 0,70 0,51 0,51 0,33 0,42 0,06 0,06 0,06 0,00 0,06 0,06 0,06 0,42 0,33 0,51 0,51 0,70 0,79

0,90 0,42 0,70 0,79 0,79 0,70 0,70 0,51 0,42 0,42 0,42 0,42 0,00 0,42 0,42 0,42 0,42 0,51 0,70 0,70 0,79 0,79

1,00 0,51 0,51 0,70 0,70 0,79 0,70 0,70 0,60 0,60 0,51 0,51 0,00 0,51 0,51 0,60 0,60 0,70 0,70 0,79 0,70 0,70

На рисунке 22 показано распределение абсолютных погрешностей (разностей) между истинными значениями функции распознаваемой выборки и значений функции, восстановленных путем распознавания по признакам аргумента на основе модели:

Рисунок 22. Погрешности (разности) между истинными и восстановленным значениями функции

Из рисунка 22 видно, что абсолютные погрешности распознавания зависят от значений восстанавливаемой функции. По-видимому, эти погрешности во многом обусловлены тем, что при создании модели было принято решение разбить диапазоны изменения классификационных и описательных шкал всего на 10 интервальных значений, а, например, не на 100. Кроме того, довольно сильное отличие исходной распознаваемой функции от результатов распознавания может быть обусловлено не вполне удачным выбором атрибутов, связанных со значениями функции и ее аргументов. С другой стороны, если погрешности были меньше, то визуально бы рисунки 21 и 12 не отличались бы, что тоже было не вполне убедительно.

Результаты распознавания исходных данных, использованных для создания модели, весьма сходны с самими исходными данными, но иногда

встречаются и ошибки неидентификации и ложной идентификации (рисунки 23):

С) 4.111. Визуализация результатов распознавания & отношения: :'Объект-классы , Текущая надень: 1 iJsbl- Я ¡1

Интегральный критерий сходства: "Семантический резонанс знаний"

1 f-Se | Ha^M.üSäa&a !'' : | Ш | Н á^MaHciÉañhé Клайда Ly сЖ 1 eP Ф.. t

1 У- -Т-ДОЙИ)У= -1.000... К-ЭЛда. 7421425.0;é3366EBj 19,72... y тят

2 У- -0.9000000У= -1.000... 3 F2-8/1B.(0.6506240.0.7421425} 15,37... pa _

3 ífc-, ММ 1 -1.000... 1 PZ-1 /1 о-ййёййЖ о'вйз} ■0,076...

4 х- иЗДйщзрт- -1.000. 4 ЙЩоЮ.2845502,0.3760686} 10.95

5 Х= 0.6........-1.000. 2 F2-271 0-{СЩ|^3,0.193Щ7} -11.11

В У- -0.5000000 У= -1.000... Г" 3 FZ-3/10-{0.1930317.0.2845502} ■11,11

7 ¡fe 4000000 vs, (-1.000... 7 FZ-7/1O-ÍO/5591 056, оМЙв ■11,78...

8 х= -ö:3üpäoöpY= -Я.Щ,. 5 i i иившЩЮИШМ

Э ■Х- -0.2СЩЩЩ -1.000. G PZ-G/10-Ю. 4875871,0.5591 ОБЕ! 12.49 у

10 У- -0.1000000 У= -1.000... <1 Г^ •

11 х- ИШЪ : -1.000... 1-- [гг-р-уп^чы'] iptrppn. суеретрр:

12 х= шш- ЯШ- ! к« 1 - "i-l'.rí'ITi.lf l.íMyViTi.l í -■ rjl rtf ШЩ -

13 ■х- -о эаоаойо-^ -0.900. e-W10-ffl.G5[e40,0.74214251 ЩЙУ ■шиши

14 -0.8000000 У= -0.900. $ RZ-ЭЛ 0-{0 7421425,0.8336603} 21.83 V .....................

TS У- -0.7000000 У= -0.900... 1 PZ-1 /1 0-Í0.0099943.0.10151331 0,000...

16 Х= -Ö.ii)ildOOpY= ЛЩ. 2 FE^lO-ÍO.10151Й, 0-1930317> 0,000...

17 ■Х- -0.500000П-У- -0.900... 3 F2-37WJÜ'tSS£i3'11, -0.28455021 0,000...

13 Щ -0.4000000 У= -0.900. 4 RZ-471 O-ÍO 2845502,0.3760686} 0.000

13 feií -И ЛИВ; 5 FZ-5/10-Í0.3760636. [$Ét8l1 0,000...

20 В EZ-6/10-!0.4075871.О.ЖЙОЙК 0,000...

21 Х= -О.ЮОООШУ= -0.900... r 7 FZ-?/i:tl^Ü'5591(l56,0:S5t(6.?Í|!. 0,000...

< < ¥

1 Помощь | | (п.ас et i cMa-Mir УрС- | J .oiapccei.'-'^x*'']-! ±!рС<: | | ■ t^i j 1 jb'-pOpinbTe ri'j p pp:pV+ 3nfi | P | |

1 _ _

4.1.3,1. Визуализация результатов распознавания в отношении: "Объект-классы", Текушая модель: "INFI" lölöl^ä, ¡1

Распознаваемые объекты Интегральный критерий сходства; "Семантический резонанс знаний"

1 Я | HilM.íi&ka&a * : | Ж Н á^MañciÉanhé Клайда Ly 1 ее- Ф..

26 У- -0.7000000 У= -0.800... i К-бдай 4675871.0.5591056} 92,63...

F2-5/1B.Í0.3760686.0.4675871}

2? У- -О,6ООЕОО0У= -0.800... 5 87,26... V

28 х=. вн№1 (-0.000... 2 FZ'&i 0-Í0.1OÍ5Í3Í0.1930317} Щь mi шин шин un

29 х- -КИЙ®- -0.800. 3 ffi-3/10 (0.193031ЩМШ 61.80 ¡¡lll!lll!lll!lll!lll!lll!lll!lll!lll!lll!lll!lll!lll!lll!l!! _

30 Х= -0.3000000 Y= -0.800. 4 ^4710(0^5502,0.3760686} 58.31

1 31 У- -0.2000000 У= -0.800... 7 FZ-7/10-ÍOS531056.0.6506240} 10,66...

1 32 ¡fe ».íoóooooy, 1 -0.000... 1 5.458..: Illll

33 х= aoöpäciqpV= -0.000... 1 FZ-8/1О-КЩЦЩ Ojia 425} ■17,06... ианц

34 ■Х- ТШВД'У- -0.700. | PZ-ЗЛО Ю-7421425,0.83ЖВД) 18.42 .................. ж

35 У- -0.9000000 У= -0.700... 1-1 Г • 1

36 У.1 :-0.700... 1--pp-p-po^-pPÍHptrppri- р-рретре:

37 х= -ет£|0000у= Jgoo. ! Щ -"Hyppppipf PPpiVi-pP í v rjl rtf jy Сходство -

38 ■х- -o.ecggjgíg -0.700. ■ ИМО-Ю. 4675871,0.5591056} 85.93

33 -0.5000000 У= -0.700. 1 RZ-571 O-ÍO. 3760836,0.4675871} 59.70 V

40 У- -0.4000000 У= -0.700... 2 FZlWMÄB 5133; 0.1930317} 49,23...

41 х= Jfoo... 3 RZ-3710-Í0.1930317p0..2045SÜ3 49,28... _

42 ■Х- -О.-гОООООП'У- -0.700... 4 ................ 49,29...

4? Щ -0.1000000 У= -0.700. 7 RZ-7710-{(T;^591056,0.6506240} 15.76

м b¡¡¿- , - В ЫЙ№ 1 FZ;1 Л 0-Í0.0099943.0.1015133} 6,051... 111

45 Ü <$МККК ¡Шоо- 8 FZ-9/10-!0.742í.45B.O.-SSGG08} 0,008...

Ц Х= -IJSOOODOn-y= -0.000... 18 PZ-18/10-ад^1%.ИЙ251784} 0,008...

-I и

Помощь 1 Орррр:рб | (п.ас et 1 cMa-Mir УрС- | J рлрр'ргер.'-'рур'']-! ±!рС<: | P¡CyP;pppPP | -ЗК.1 Л4-.-р_р:рр - пассшсасс i 1 'йЬ'-уГ.фипьтеri'jpppií.Vy^ns | Pp^ító^pa^iá | j

-II

Рисунок 23. Различные варианты результатов распознавания значений исходной функции

Следует заметить, что даже при ошибках распознанное значение функции обычно весьма близко к истинному, что вполне разумно и соответствует интуитивным ожиданиям.

Достоверность модели зависит от многих обстоятельств, среди которых количество и конкретный набор атрибутов объектов и другие параметры модели, такие как количество интервальных значений классов и атрибутов и многие-многие другие. Проводя численные эксперименты, варьируя эти параметры моделей, можно добиваться повышения их достоверности. В системе «Эйдос» есть и много способов повышения качества моделей, собранных в специальную подсистему 3.7 (рисунок 24):

Рисунок 24. Выход на подсистему повышения качества моделей

Однако в задачу данной статьи не входит исследование возможностей повышения качества описанных в ней моделей.

Для иллюстрации высказанных мыслей и гипотез, связанных с повышением достоверности моделей, приведем на рисунках 25 исходную распознаваемую выборку с рисунка 5*, а также результаты распознавания в моделях с 10 и 100 градациями (интервальными значениями) числовых описательных шкал. Из рисунка 25 хорошо видно, что увеличение числа градаций описательных шкал с 10 до 100 дало значительное повышение качества модели, в результате чего нижний рисунок, полученный на модели со 100 градациями, стал значительно более похож на исходный, чем средний, полученный на модели с 10 градациями.

в) модель со 100 градациями Рисунок 25. Визуализация исходной распознаваемой выборки с рисунка 5*, а также результаты распознавания в моделях с 10 и 100 градациями (интервальными значениями) числовых описательных шкал

Возможные области применения предлагаемой технологии

В общем плане необходимо отметить, что как сам метод АСК-

анализа, так и реализующая его система «Эйдос», все ее подсистемы и режимы, реализованы в постановке не зависящей от конкретной предметной области, что позволяет надеяться на широкую применимость предлагаемых методов, технологий и методик.

Везде, где есть базы данных, привязанные к географически координатам, т.е. картографические, геоинформационные, экологические, социологические, политологические, медицинские, геологические, кадастровые, метеорологические, сельскохозяйственные и многие-многие другие, везде есть точки двух видов:

- связанные только с информацией о факторах, обусловливающих вид пространственных распределений интересующих нас функций;

- снабженные как информацией об интересующих нас параметрах пространственных распределений (функций), так и информацией о факторах, различные значения которых, по видимому обусловливают (детерминируют) фактический вид этих распределений.

А раз так, то возникает задача на основе информации о факторах для точек 1-го типа восстановить для них наиболее вероятные значения различных функций, используя при этом априорную информацию о взаимосвязи значений факторов и функций, полученную на основе точек 2-го типа (опорных точек). Необходимо обратить внимание на то, что сам вид этой взаимосвязи еще необходимо выявить и отразить в формальной модели. И рассмотренные технологии и программный инструментарий позволяют в ряде случаев решить подобные задачи.

Например, картографическая визуализация с применением предложенных технологий возможна и может быть эффективной в следующих предметных областях:

- в сельском хозяйстве по информации по климатическим факторам в различные периоды развития растений (фенофазы) тех или иных сортов и культур и полученных при этих условиях урожаях, можно прогнозировать риски возделывания этих сортов и культур различных зонах и микрозонах выращивания, в которых они еще не выращивались;

- в кадастровом плане по информации о свойствах земельных участков и ценах на них можно оценить еще не оцененные земельные участки по их свойствам;

- в риэлтерской деятельности по информации о свойствах жилой и нежилой недвижимости и ценах на нее в городах и сельской местности можно оценить еще не оцененные объекты по их свойствам (включая экологические и свойства инфраструктуры), используя предлагаемую технологию для формализации известных методов оценки: затратного, рыночного и доходного, также для их объединения в едином комплексном методе;

- в геологии по информации о результатах разведки полезных ископаемых и сопутствующей информации, полученной другими методами, и реальном наличии этих ископаемых в уже известных месторождениях можно определить вероятность наличия месторождений различных полезных ископаемых в регионах, где он еще не разведаны;

- в социологии по информации об условиях и качестве жизни и социальном статусе различных возрастных, профессиональных и иных групп населения можно прогнозировать социальный статус по условиям жизни;

- в политологии по информации об условиях и качестве жизни и политических предпочтениях различных возрастных, профессиональных и иных групп населения можно прогнозировать политические предпочтения по условиям жизни;

- в экологии по характеристикам производственной и сельскохозяйственной инфраструктуры и известной экологической ситуации можно прогнозировать экологическую обстановку для районов, в которых не

осуществляется экологический мониторинг окружающей среды, но есть информация об инфраструктуре;

- в медицине по характеристикам производственной и сельскохозяйственной инфраструктуры и известной распространенности различных видов заболеваний можно прогнозировать вероятность этих заболеваний для районов, для которых подобные данные отсутствуют, но есть информация об инфраструктуре;

- в транспорте (безопасности дорожного движения) по известным данным о характеристиках дорог, перекрестков, транспортных развязок, истории, а также о, количестве, типах и тяжести дорожно-транспортных происшествий (ДТП) в различных местах можно прогнозировать опасность участков дорог по их характеристикам и своевременно принимать меры по переоборудованию их в более безопасные (зная факторы риска);

- в экономике на основе информации о взаимосвязи событий на фондовом рынке с динамикой локальных неоднородностей пространства-времени в Солнечной системе оказывается возможным прогнозировать события и на фондовом рынке и их динамику.

Понятно, что приведенными примерами возможные области применения предлагаемых технологий далеко не исчерпываются. Во многих из перечисленных областей предлагаемая автором технология АСК-анализа успешно апробирована [1-42].

Результаты восстановления значений функций выдаются в текстовом виде, а также в наглядной графической форме картографической визуализации (как слои карты).

Необходимо отметить, что картографическая визуализация в варианте, реализованном в текущей версии подсистемы 4.8, может быть применена для сравнительно небольших участков земной поверхности, для которых замена географических координат декартовыми координатами не приводит к неприемлемым с точки зрения пользователя ошибкам.

Выводы

В статье предлагается применить автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий систему «Эйдос» для решения задач многопараметрической типизации, системной идентификации и картографической визуализации пространственно-распределенных природных, экологических и социально-экономических систем. Пусть есть исходное облако точек с координатами (Х,У,Ъ), для каждой из которых известны значения градаций описательных шкал номинального, порядкового или числового типа 8(в1,в2,...,8п). Тогда система «Эйдос» обеспечивает: 1) построение модели, содержащей обобщенные знания о силе и направлении влиянии градаций описательных шкал на значения Ъ=М(8); 2) оценку значения Ъ для точек (Х,У), описанных в тех же описательных шкалах 8(в1,в2,...,8п), но не входящих в исходное облако точек; 3) картографическую визуализацию пространственного распределения значений функции Ъ=М(8) для точек, не входящих в исходное облако, с использованием триангуляции Делоне. По сути это означает, что система «Эйдос» обеспечивает восстановление неизвестных значений функции по признакам аргумента и реализует это в универсальной постановке, не зависящей от предметной области. Предлагается новое научное понятие: «Геокогнитивная система», под которым понимается программная система, обеспечивающая преобразование исходных данных в информацию, а ее в знания и картографическую визуализацию этих знаний, в результате чего карта становится когнитивной графикой. Эта возможность может быть использовано для количественной оценки степени пригодности микрозон для выращивания тех или иных культур, оценки экологической обстановки на тех или иных территориях по структуре и интенсивности антропогенной нагрузки, визуализации результатов прогнозирования землетрясений и рисков других нежелательных или чрезвычайных ситуаций, а также для решения многих других подобных по математической су-

ти задач в самых различных предметных областях. Это обеспечивается тем, что математический метод АСК-анализа основан на системной теории информации (СТИ) и реализующий его программный инструментарий -универсальной когнитивной аналитической системе «Эйдос» позволяет корректно сопоставимо обрабатывать десятки и сотни тысяч градаций факторов и будущих состояний нелинейного объекта управления (классов) при неполных (фрагментированных), зашумленных данных числовой и нечисловой природы измеряемых в различных единицах измерения. Приводится численный пример.

Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время2, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки).

Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами) на сайте автора по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

2

http://lc.kubagro.ru/My_training_schedule.doc

Перспективы

В перспективе планируется ускорить примененные алгоритмы и их программную реализацию, внести в них другие усовершенствования, преодолеть некоторые погрешности и недостатки, очевидные авторам..

Авторы благодарны Роджеру Доннэю (Roger Donnay), профессиональному разработчику программного обеспечения (Boise, Idaho USA) , а также Джимми4, активному участнику форума Роджера http://bb.donnay-software.com/donnay/index.php, за помощь в технических вопросах реализации триангуляции Делоне на языке программирования xBase++ (Alaska), на котором написана система «Эйдос».

Литература

1. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.

2. Лопатина Л.М. Создание автоматизированной системы мониторинга, анализа, прогноза и управления продуктивностью сельскохозяйственных культур / Л.М. Лопатина, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(002). С. 52 - 61. - IDA [article ID]: 0020302007. - Режим доступа: http://ej.kubagro.ru/2003/02/pdf/07.pdf, 0,625 у.п.л.

3. Лопатина Л.М. Концептуальная постановка задачи: "Прогнозирование количественных и качественных результатов выращивания заданной культуры в заданной точке" / Л.М. Лопатина, И.А. Драгавцева, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. -№05(007). С. 86 - 100. - IDA [article ID]: 0070405008. - Режим доступа: http://ej.kubagro.ru/2004/05/pdf/08.pdf, 0,938 у.п.л.

4. Трунев А.П. Прогнозирование землетрясений по астрономическим данным с использованием системы искусственного интеллекта / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №08(052). С. 172 - 194. - Шифр Информрегистра:

3 http://donnay-software.com/ds/index. cxp

4 http://bb.donnay-software.com/donnay/memberlist.php?mode=viewprofile&u=124

0420900012\0086, IDA [article ID]: 0520908013. - Режим доступа: http://ei.kubagro.ru/2009/08/pdf/13.pdf, 1,438 у.п.л.

5. Трунев А.П. Прогнозирование сейсмической активности и климата на основе семантических информационных моделей / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №09(053). С. 98 - 122. - Шифр Информрегистра: 0420900012\0098, IDA [article ID]: 0530909009. - Режим доступа: http://ei.kubagro.ru/2009/09/pdf/09.pdf, 1,562 у.п.л.

6. Трунев А.П. Системно-когнитивный анализ и прогнозирование сейсмической активности литосферы Земли, как глобальной активной геосистемы / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №01(055). С. 299 - 321. - Шифр Информрегистра: 0421000012\0001, IDA [article ID]: 0551001022. - Режим доступа: http://ei .kubagro.ru/2010/01/pdf/22.pdf, 1,438 у.п.л.

7. Трунев А.П. Семантические информационные модели глобальной сейсмической активности при смещении географического и магнитного полюса / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №02(056). С. 195 - 223. - Шифр Информрегистра: 0421000012\0023, IDA [article ID]: 0561002015. - Режим доступа: http://ei .kubagro.ru/2010/02/pdf/15 .pdf, 1,812 у.п.л.

8. Трунев А.П. Автоматизированный системно-когнитивный анализ влияния тел Солнечной системы на движение полюса Земли и визуализация причинно-следственных зависимостей в виде когнитивных функций / А.П. Трунев, Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №01(065). С. 232 - 258. - Шифр Информрегистра: 0421100012\0002, IDA [article ID]: 0651101020. - Режим доступа: http://ei .kubagro.ru/2011/01/pdf/20.pdf, 1,688 у.п.л.

9. Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №03(067). С. 240 - 282. - Шифр Информрегистра: 0421100012\0077, IDA [article ID]: 0671103018. - Режим доступа: http://ei.kubagro.ru/2011/03/pdf/18.pdf, 2,688 у.п.л.

10.Прогнозирование землетрясений на основе астрономических данных с применением АСК-анализа на примере большого калифорнийского разлома Сан-Андреас / Н.А. Чередниченко, Е.В. Луценко, Д.К. Бандык, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№07(091). С. 1322 - 1377. - IDA [article ID]: 0911307093. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/93.pdf, 3,5 у.п.л.

11. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167.

- IDA [article ID]: 1101506009. - Режим доступа: http://ei.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.

12.Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015.

- №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа: http://ei.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.

13. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал Куб-ГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 1316 - 1367. -IDA [article ID]: 1141510099. - Режим доступа: http://ei.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у. п. л.

14.Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луцен-ко, Л.П. Трошин, Д. К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал Куб-ГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 - 1228. -IDA [article ID]: 1161602077. - Режим доступа: http://ei. kubagro.ru/2016/02/pdf/77.pdf, 1,5 у.п.л.

15. Прогнозирование землетрясений на основе астрономических данных с применением АСК-анализа на примере большого калифорнийского разлома Сан-Андреас / Н.А. Чередниченко, Е.В. Луценко, Д.К. Бандык, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. -№07(091). С. 1322 - 1377. - IDA [article ID]: 0911307093. - Режим доступа: http://ei.kubagro.ru/2013/07/pdf/93.pdf, 3,5 у.п.л.

16. Чередниченко Н. А. Моделирование смещения полюса Земли и алгоритм прогнозирования его динамики с применением АСК-анализа / Н.А. Чередниченко, Е.В. Луценко, А. П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №05(099). С. 149 - 188. - IDA [article ID]: 0991405010. - Режим доступа: http://ei.kubagro.ru/2014/05/pdf/10.pdf, 2,5 у.п.л.

17.Чередниченко Н.А. Прогнозирование глобальных климатических аномалий Эль-Ниньо и Ла-Нинья с применением системы искусственного интеллекта Aidos-X / Н.А. Чередниченко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал Куб-ГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №01(105). С. 128 - 160. -IDA [article ID]: 1051501007. - Режим доступа: http://ei.kubagro.ru/2015/01/pdf/07.pdf, 2,062 у.п.л.

18.Чередниченко Н.А. Моделирование и прогноз динамики глобальных климатических аномалий типа Эль-Ниньо и Ла-Нинья / Н. А. Чередниченко, А. П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 1545 - 1577. - IDA [article ID]: 1101506102. - Режим доступа:http://ei.kubagro.ru/2015/06/pdf/102.pdf, 2,062 у.п.л.

19.Луценко Е.В. Системно-когнитивный анализ функций и восстановление их значений по признакам аргумента на основе априорной информации (интеллектуальные технологии интерполяции, экстраполяции, прогнозирования и принятия решений по картографическим базам данных) / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. -№07(051). С. 130 - 154. - Шифр Информрегистра: 0420900012\0066, IDA [article ID]: 0510907006. - Режим доступа: http://ei.kubagro.ru/2009/07/pdf/06.pdf, 1,562 у.п.л.

20.Луценко Е.В. АСК-анализ влияния экологических факторов на качество жизни населения региона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 1 - 37. -IDA [article ID]: 1101506001. - Режим доступа: http://ei.kubagro.ru/2015/06/pdf/01 .pdf, 2,312 у.п.л.

21.Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с. http://elibrary.ru/item.asp?id=18630282

22.Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340

23.Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с. http://elibrary.ru/item.asp?id=18828433

24.Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В. С. Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с. http://elibrary.ru/item.asp?id=21747625

25. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. -605 с. http://elibrary.ru/item.asp?id=18632909

26.Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". -Краснодар: КубГАУ. 2004. - 633 с. http://elibrary.ru/item.asp?id=18632737

27.Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с. http://elibrary.ru/item.asp?id=2172063 5

28.Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. -615 с. http://elibrary.ru/item.asp?id=18632602

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

30.Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). - Краснодар: КубГАУ. 2008. - 262 с. http://elibrary.ru/item.asp?id=21683724

31.Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с. http://elibrary.ru/item.asp?id=21683725

32.Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 264 с. http://lc.kubagro.ru/aidos/aidos08 TL/Monography-TL.rar

33. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред.д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2009. -536 с. http://elibrary.ru/item.asp?id=18633313

34.Луценко Е.В., Коржаков В.Е., Ермоленко В.В. Интеллектуальные системы в контроллинге и менеджменте средних и малых фирм: Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). - Майкоп: АГУ. 2011. - 392 с. http://elibrary.ru/item.asp?id=21683734

35.Наприев И. Л., Луценко Е.В. Образ-Я и стилевые особенности личности в экстремальных условиях: Монография (научное издание). - Saarbrucken, Germany: LAP Lambert Academic Publishing GmbH & Co. KG,. 2012. - 262 с. Номер проекта: 39475, ISBN: 978-3-8473-3424-8.

36.Трунев А.П., Луценко Е.В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д.т.н., проф. В.И.Лойко. Монография (научное издание). - Краснодар, КубГАУ. 2012. - 480 с. ISBN 978-5-94672-519-4. http://elibrary.ru/item.asp?id=21683737

37.Трубилин А.И., Барановская Т.П., Лойко В.И., Луценко Е.В. Модели и методы управления экономикой АПК региона. Монография (научное издание). - Краснодар: КубГАУ. 2012. - 528 с. ISBN 978-5-94672-584-2. http://elibrary.ru/item.asp?id=21683702

38.Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). - Красно-дар,КубГАУ. 2013. - 168 с. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254

39.Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220

40.Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-830-0. http://elibrary.ru/item.asp?id=18271217

41.Орлов А.И., Луценко Е.В., Лойко В.И. Перспективные математические и инструментальные методы контроллинга. Под научной ред. проф.С.Г.Фалько. Монография (научное издание). - Краснодар, КубГАУ. 2015. - 600 с. ISBN 978-5-94672-923-9. http://elibrary.ru/item.asp?id=23209923

42.Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луцен-ко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2011. - №06(070). С. 233 - 280. - Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. - Режим доступа: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

Literatura

1. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. -№02(116). S. 1 - 60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

2. Lopatina L.M. Sozdanie avtomatizirovannoj sistemy monitoringa, analiza, prog-noza i upravlenija produktivnost'ju sel'skohozjajstvennyh kul'tur / L.M. Lopatina, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №02(002). S. 52 - 61. - IDA [article ID]: 0020302007. - Rezhim dostupa: http://ej.kubagro.ru/2003/02/pdf/07.pdf, 0,625 u.p.l.

3. Lopatina L.M. Konceptual'naja postanovka zadachi: "Prognozirovanie kolichest-vennyh i kachestvennyh rezul'tatov vyrashhivanija zadannoj kul'tury v zadannoj tochke" / L.M. Lopatina, I.A. Dragavceva, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2004. - №05(007). S. 86 - 100. -IDA [article ID]: 0070405008. - Rezhim dostupa: http://ej.kubagro.ru/2004/05/pdf/08.pdf, 0,938 u.p.l.

4. Trunev A.P. Prognozirovanie zemletrjasenij po astronomicheskim dannym s is-pol'zovaniem sistemy iskusstvennogo intellekta / A.P. Trunev, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №08(052). S. 172 - 194. - Shifr Informregistra: 0420900012\0086, IDA [article ID]: 0520908013. - Rezhim dostupa: http://ej.kubagro.ru/2009/08/pdf/13.pdf, 1,438 u.p.l.

5. Trunev A.P. Prognozirovanie sejsmicheskoj aktivnosti i klimata na osnove seman-ticheskih informacionnyh modelej / A.P. Trunev, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №09(053). S. 98 - 122. - Shifr Informregistra: 0420900012\0098, IDA [article ID]: 0530909009. - Rezhim dostupa: http://ej.kubagro.ru/2009/09/pdf/09.pdf, 1,562 u.p.l.

6. Trunev A.P. Sistemno-kognitivnyj analiz i prognozirovanie sejsmicheskoj aktivnosti litosfery Zemli, kak global'noj aktivnoj geosistemy / A.P. Trunev, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. - №01(055). S. 299 - 321. - Shifr Informregistra: 0421000012\0001, IDA [article ID]: 0551001022. - Rezhim dostupa: http://ej.kubagro.ru/2010/01/pdf/22.pdf, 1,438 u.p.l.

7. Trunev A.P. Semanticheskie informacionnye modeli global'noj sejsmicheskoj aktivnosti pri smeshhenii geograficheskogo i magnitnogo poljusa / A.P. Trunev, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. - №02(056). S. 195 - 223. - Shifr Informregistra: 0421000012\0023, IDA [article ID]: 0561002015. - Rezhim dostupa: http://ej.kubagro.ru/2010/02/pdf/15.pdf, 1,812 u.p.l.

8. Trunev A.P. Avtomatizirovannyj sistemno-kognitivnyj analiz vlijanija tel Solnech-noj sistemy na dvizhenie poljusa Zemli i vizualizacija prichinno-sledstvennyh zavisimostej v vide kognitivnyh funkcij / A.P. Trunev, E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. -№01(065). S. 232 - 258. - Shifr Informregistra: 0421100012\0002, IDA [article ID]: 0651101020. - Rezhim dostupa: http://ej.kubagro.ru/2011/01/pdf/20.pdf, 1,688 u.p.l.

9. Lucenko E.V. Metod vizualizacii kognitivnyh funkcij - novyj instrument issledo-vanija jempiricheskih dannyh bol'shoj razmernosti / E.V. Lucenko, A.P. Trunev, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №03(067). S. 240 - 282. - Shifr Informregistra: 0421100012\0077, IDA [article ID]: 0671103018. - Rezhim dostupa: http://ej.kubagro.ru/2011/03/pdf/18.pdf, 2,688 u.p.l.

10. Prognozirovanie zemletrjasenij na osnove astronomicheskih dannyh s prime-neniem ASK-analiza na primere bol'shogo kalifornijskogo razloma San-Andreas / N.A. Cherednichenko, E.V. Lucenko, D.K. Bandyk, A.P. Trunev // Politematicheskij setevoj jelek-tronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 1322

- 1377. - IDA [article ID]: 0911307093. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/93.pdf, 3,5 u.p.l.

11. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. - Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.

12. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izo-brazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektron-nyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhur-nal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №08(112). S. 862 - 910.

- IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.

13. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silujetov (konturov) (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2015. - №10(114). S. 1316 - 1367. - IDA [article ID]: 1141510099.

- Rezhim dostupa: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.

14. Lucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy «Jejdos» / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077.

- Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.

15. Prognozirovanie zemletrjasenij na osnove astronomicheskih dannyh s primeneniem ASK-analiza na primere bol'shogo kalifornijskogo razloma San-Andreas / N.A. Cherednichenko, E.V. Lucenko, D.K. Bandyk, A.P. Trunev // Politematicheskij setevoj jelek-tronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj

zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 1322

- 1377. - IDA [article ID]: 0911307093. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/93.pdf, 3,5 u.p.l.

16. Cherednichenko N.A. Modelirovanie smeshhenija poljusa Zemli i algoritm prognozirovanija ego dinamiki s primeneniem ASK-analiza / N.A. Cherednichenko, E.V. Lucenko, A.P. Trunev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2014. - №05(099). S. 149 - 188. - IDA [article ID]: 0991405010. -Rezhim dostupa: http://ej.kubagro.ru/2014/05/pdf/10.pdf, 2,5 u.p.l.

17. Cherednichenko N.A. Prognozirovanie global'nyh klimaticheskih anomalij Jel'-Nin'o i La-Nin'ja s primeneniem sistemy iskusstvennogo intellekta Aidos-X / N.A. Cherednichenko, A.P. Trunev // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs].

- Krasnodar: KubGAU, 2015. - №01(105). S. 128 - 160. - IDA [article ID]: 1051501007. -Rezhim dostupa: http://ej.kubagro.ru/2015/01/pdf/07.pdf, 2,062 u.p.l.

18. Cherednichenko N.A. Modelirovanie i prognoz dinamiki global'nyh klimaticheskih anomalij tipa Jel'-Nin'o i La-Nin'ja / N.A. Cherednichenko, A.P. Trunev, E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2015. - №06(110). S. 1545 - 1577. - IDA [article ID]: 1101506102. -Rezhim dostupa:http://ej.kubagro.ru/2015/06/pdf/102.pdf, 2,062 u.p.l.

19. Lucenko E.V. Sistemno-kognitivnyj analiz funkcij i vosstanovlenie ih znachenij po priznakam argumenta na osnove apriornoj informacii (intellektual'nye tehnologii interpoljacii, jekstrapoljacii, prognozirovanija i prinjatija reshenij po kartograficheskim bazam dannyh) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №07(051). S. 130 - 154. - Shifr Informregistra: 0420900012\0066, IDA [article ID]: 0510907006. - Rezhim dostupa: http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1,562 u.p.l.

20. Lucenko E.V. ASK-analiz vlijanija jekologicheskih faktorov na kachestvo zhizni naselenija regiona / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 1 - 37. - IDA [article ID]: 1101506001. - Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/01.pdf, 2,312 u.p.l.

21. Lucenko E.V. Universal'naja avtomatizirovannaja sistema raspoznavanija obrazov "Jejdos" (versija 4.1).-Krasnodar: KJuI MVD RF, 1995.- 76s. http://elibrary.ru/item.asp?id=18630282

22. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo seman-ticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatiziro-vannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJuI MVD RF, 1996. -280s. http://elibrary.ru/item.asp?id=21745340

23. Simankov V.S., Lucenko E.V. Adaptivnoe upravlenie slozhnymi sistemami na osnove teorii raspoznavanija obrazov. Monografija (nauchnoe izdanie). - Krasnodar: TU KubGTU, 1999. - 318s. http://elibrary.ru/item.asp?id=18828433

24. Simankov V.S., Lucenko E.V., Laptev V.N. Sistemnyj analiz v adaptivnom upravlenii: Monografija (nauchnoe izdanie). /Pod nauch. red. V.S.Simankova. - Krasnodar: ISTJeK KubGTU, 2001. - 258s. http://elibrary.ru/item.asp?id=21747625

25. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii ak-tivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jeko-nomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sis-

tem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

26. Lucenko E.V. Intellektual'nye informacionnye sistemy: Uchebnoe posobie dlja studentov special'nosti 351400 "Prikladnaja informatika (po otrasljam)". - Krasnodar: KubGAU. 2004. - 633 s. http://elibrary.ru/item.asp?id=18632737

27. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agropromyshlennym kompleksom. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2005. - 480 s. http://elibrary.ru/item.asp?id=21720635

28. Lucenko E.V. Intellektual'nye informacionnye sistemy: Uchebnoe posobie dlja studentov special'nosti "Prikladnaja informatika (po oblastjam)" i drugim jekonomicheskim special'nostjam. 2-e izd., pererab. i dop.- Krasnodar: KubGAU, 2006. - 615 s. http://elibrary.ru/item.asp?id=18632602

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

30. Napriev I.L., Lucenko E.V., Chistilin A.N. Obraz-Ja i stilevye osobennosti de-jatel'nosti sotrudnikov organov vnutrennih del v jekstremal'nyh uslovijah. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2008. - 262 s. http://elibrary.ru/item.asp?id=21683724

31. Lucenko E. V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2008. - 257 s. http://elibrary.ru/item.asp?id=21683725

32. Trunev A.P., Lucenko E.V. Astrosociotipologija: Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2008. - 264 s. http ://lc. kub agro .ru/aidos/aidos0 8_TL/Monography-TL. rar

33. Lucenko E.V., Korzhakov V.E., Laptev V.N. Teoreticheskie osnovy i tehnologija primenenija sistemno-kognitivnogo analiza v avtomatizirovannyh sistemah obrabotki informacii i upravlenija (ASOIU) (na primere ASU vuzom): Pod nauch. red.d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). - Majkop: AGU. 2009. - 536 s. http://elibrary.ru/item.asp?id=18633313

34. Lucenko E.V., Korzhakov V.E., Ermolenko V.V. Intellektual'nye sistemy v kontrollinge i menedzhmente srednih i malyh firm: Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). - Majkop: AGU. 2011. - 392 s. http://elibrary.ru/item.asp?id=21683734

35. Napriev I.L., Lucenko E.V. Obraz-Ja i stilevye osobennosti lichnosti v jekstremal'nyh uslovijah: Monografija (nauchnoe izdanie). - Saarbrucken, Germany: LAP Lambert Academic Publishing GmbH & Co. KG,. 2012. - 262 s. Nomer proekta: 39475, ISBN: 978-3-8473-3424-8.

36. Trunev A.P., Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz vlijanija faktorov kosmicheskoj sredy na noosferu, magnitosferu i litosferu Zemli: Pod nauch. red. d.t.n., prof. V.I.Lojko. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2012. -480 s. ISBN 978-5-94672-519-4. http://elibrary.ru/item.asp?id=21683737

37. Trubilin A.I., Baranovskaja T.P., Lojko V.I., Lucenko E.V. Modeli i metody upravlenija jekonomikoj APK regiona. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2012. - 528 s. ISBN 978-5-94672-584-2. http://elibrary.ru/item.asp?id=21683702

38. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vy-boru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo in-

tellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). - Krasnodar,KubGAU. 2013. - 168 s. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254

39. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220

40. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672830-0. http://elibrary.ru/item.asp?id=18271217

41. Orlov A.I., Lucenko E.V., Lojko V.I. Perspektivnye matematicheskie i instru-mental'nye metody kontrollinga. Pod nauchnoj red. prof.S.G.Fal'ko. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2015. - 600 s. ISBN 978-5-94672-923-9. http://elibrary.ru/item.asp?id=23209923

42. Lucenko E.V. Metodologicheskie aspekty vyjavlenija, predstavlenija i is-pol'zovanija znanij v ASK-analize i intellektual'noj sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №06(070). S. 233 - 280. - Shifr Informregistra: 0421100012\0197, IDA [article ID]: 0701106018. - Rezhim dostupa: http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 u.p.l.