Создание обобщенных изображений родов жуков-жужелиц (Coleoptera, Carabidae) на основе изображений входящих в них видов, методом АСК-анализа

Сердюк Владислав Юрьевич; Луценко Евгений Вениаминович

УДК 595.762.12; 004.8

03.00.00 Биологические науки 05.00.00 Технические науки

СОЗДАНИЕ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ РОДОВ ЖУКОВ-ЖУЖЕЛИЦ (COLEOPTERA, CARABIDAE) НА ОСНОВЕ ИЗОБРАЖЕНИЙ ВХОДЯЩИХ В НИХ ВИДОВ, МЕТОДОМ АСК-АНАЛИЗА

Сердюк Владислав Юрьевич аспирант

РИНЦ SPIN-код: 8779-4695 vladislav-serdyuk@yandex.ru

Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор Scopus Author ID: 57191193316 РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail. com

Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

В настоящей статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели -системной теории информации и реализующего их программного инструментария - интеллектуальной системы «Эйдос», для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом и создания обобщенных образов родов жужелиц на основе изображений входящих в них видов. Предлагается новый подход к оцифровке изображений жужелиц, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Имеется успешный опыт решения подобных задач в других предметных областях. Данная статья может рассматриваться, как продолжение серии работ, посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - системы «Эйдос» для обработки изображений, их обобщения, сравнения конкретных изображений с обобщенными, сравнения обобщенных изображений друг с другом

UDC 595.762.12; 004.8 Biology

Technical sciences

CREATION OF THE GENERALIZED IMAGES OF GENUS OF BUGS OF GROUND BEETLES (COLEOPTERA, CARABIDAE) ON THE BASIS OF THEIR TYPES IMAGES, USING THE ASK-ANALYSIS METHOD

Serdyuk Vladislav Yurevich postgraduate

RSCI SPIN-code: 8779-4695 vladislav-serdyuk@yandex.ru

Kuban State Agrarian University, Krasnodar, Russia

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor Scopus Author ID: 57191193316 RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail. com

Kuban State Agrarian University, Krasnodar, Russia

In this article we consider application of the automated systemic and cognitive analysis (ASK-analysis), its mathematical model - a systemic information theory and the program tools realizing them - the intellectual Eidos system, for input (digitization) of images from graphic files, synthesis of the generalized images of classes, their abstraction, classification of the generalized images of classes (clusters and constructs), comparison of concrete images with the generalized images (identification) of classes, comparisons of classes with each other and creations of the generalized images of genus of ground beetles on the basis of images of the types. The new approach to digitization of images of ground beetles based on use of a polar frame, the center of weight of the image and its external contour is offered. Before digitization of images, their transformations standardizing the provision of images, their sizes and an angle of rotation can be applied. Therefore, the results of digitization and the ASK-analysis of images can be invariant (are independent) concerning their situation, the sizes and turn. There is a successful experience of the solution of similar tasks in other subject domains. This article can be considered as a continuation of series of the works devoted to application of the automated systemic and cognitive analysis (ASK-analysis) and its program tools - the Eidos system

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ, ЖУЖЕЛИЦ, ЖУКИ, ЖЕСТКОКРЫЛЫЕ, НАСЕКОМЫЕ, COLEOPTERA, CARABIDAE

Doi: 10.21515/1990-4665-123-002

Keywords: ASK-ANALYSIS, AUTOMATED SYSTEM - COGNITIVE ANALYSIS, "EIDOS" INTELLECTUAL SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION, INTELLIGENT IMAGE ANALYSIS, GROUND BEETLES, BUGS, INSECTS, COLEOPTERA, CARABIDAE

СОДЕРЖАНИЕ

1. ПОСТАНОВКА ЗАДАЧИ..............................................................................................................................2

2. НЕДОСТАТКИ ОБЩЕПРИНЯТОГО ПОДХОДА...................................................................................3

3. ИДЕЯ РЕШЕНИЯ...........................................................................................................................................3

4. ИМЕЮЩИЙСЯ ЗАДЕЛ................................................................................................................................4

5. ЧИСЛЕННЫЙ ПРИМЕР..............................................................................................................................4

5.1. Исходные данные....................................................................................................................................4

5.2. Этапы АСК-анализа................................................................................................................................6

5.3. Автоматический ввод изображений насекомых в систему «Эйдос»...........................................6

5.4. Синтез и верификация моделей обобщенных образов насекомых по видам и родам (многопараметрическая типизация)........................................................................................................16

5.5. Задание наиболее достоверной модели в качестве текущей......................................................20

5.6. Количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных видов и родов (системная идентификация)..............................22

5.7. Количественное определение сходства-различия обобщенных образов насекомых различных видов и родов друг с другом (кластерно-конструктивный анализ)..............................26

5.8. Исследование моделируемой предметной области путем исследования ее модели............27

6. ВЫВОДЫ И РЕЗУЛЬТАТЫ.......................................................................................................................31

7. ПЕРСПЕКТИВЫ..........................................................................................................................................32

ЛИТЕРАТУРА ................................................................................................................................................... 32

1. Постановка задачи

Развитие компьютерной техники в наше время, способствует тому, что в различных областях науки, появляются новые методы исследования живых объектов. В частности в энтомологии - науке о насекомых, появилась возможность использовать новый инновационный метод АСК - анализ и его программный инструментарий систему «Эйдос», для идентификации насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

2. Недостатки общепринятого подхода

Традиционно установление вида насекомого осуществляется методом визуального сравнения особи с имеющимися в распоряжении эксперта справочными данными. В качестве таких данных используют различные книги-справочники, а также справочные коллекции насекомых, созданные на базе научных учреждений. К недостаткам традиционного подхода можно отнести следующее.

а) в случае ручного сравнения с использованием справочных и натурных фондов:

- значительные временные затраты;

- зависимость от опыта эксперта;

- зависимость от имеющихся в наличии специализированных книг и образцов насекомых;

- невозможность увеличения количества критериев для повышения достоверности модели сравнения;

- человеческий фактор (явные субъективные ошибки при определении);

- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных для принятия решений с учетом потребностей конкретного пользователя (эксперта);

- отсутствие возможности производства исследований в моделируемой области, например количественного сравнения различных видов жужелиц по их изображениям;

- невозможность увеличения количества критериев для повышения достоверности модели сравнении.

Данная статья посвящена преодолению этих недостатков.

3. Идея решения

Предлагается решение этой задачи с применением нового иннова-

ционного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - универсальной когнитивной аналитической системы «Эй-дос» [3]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [4]. Система обеспечивает построение информационно-измерительных систем в различных предметных областях [7, 8], в частности АСК-анализ изображений [9-16]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [11]. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели [9-16].

4. Имеющийся задел

У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [12-16].

5. Численный пример

5.1. Исходные данные

В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения видов жуков-жужелиц различных родов (рисунок 1)

Рисунок 1. Жужелицы разных видов

При этом изображение каждого насекомого приведено в виде двух файлов:

- в папке: ..\А1ёов-Х\АГО_БАТА\1пр_ёа1а\Виды жужелиц\ с именем, в качестве которого используется наименование вида жужелиц после которого идет тире и номер изображения насекомого этого вида в папке (если по каждому виду приводится одно изображение, то тире и его номер можно не указывать);

- в папках вида: ..\А1ёов-Х\АГО_БАТА\1пр_ёа1а\род Б1арЬгив\ с именами, в качестве которых используются имена родов жужелиц после которого через тире указывается номер изображения насекомого этого рода в папке.

Это сделано для того, чтобы в созданной модели были сформированы обобщенные образы насекомых не только различных видов, как в модели [2], но и конкретных родов насекомых.

5.2. Этапы АСК-анализа

Для решения поставленной в работе задачи выполняются следующие этапы АСК-анализа [2]:

- автоматический ввод в систему «Эйдос» изображений насекомых и создание математических моделей их контуров;

- синтез и верификация моделей обобщенных образов жесткокрылых по видам и родам на основе контурных изображений конкретных насекомых (многопараметрическая типизация);

- количественное определение сходства-различия конкретных жужелиц с обобщенными образами жужелиц различных родов (системная идентификация);

- количественное определение сходства-различия родов насекомых друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов родов жужелиц.

5.3. Автоматический ввод изображений насекомых в систему «Эйдос»

Изображения насекомых помещены в папки с именами: «Виды жужелиц» и «Род: название рода жужелиц». Внутри 1-й папки «Виды жужелиц» содержатся файлы сканированных изображений жужелиц разных видов, всего 21 изображение. Может быть приведено несколько изображений насекомых одно вида, тогда после наименования вида в имени файла должно идти тире и порядковый номер файла с изображением насекомого этого вида внутри папки. Внутри каждой папки с наименованием рода содержатся изображения всех видов насекомых из 1-й папки, относящихся к этому роду, но с именами, состоящими из названия рода насекомых после которого идет тире и порядковый номер изображения насекомого этого рода внутри папки.

Total Commander 7.02а - SamLab.ws

В В 1

[_нет_) ЗЦ ([-с-] " L"erJ 50 702 088 KB иэ 112 334 844 К5 свобода! \|UJ c:\Aidos-X\AlDJ ® ® ci^Ados-XVUD DATAXtnp [Ма\Вшы жужмжЛ*-' И0

Файлы Выделение Навигация Сеть FTP Вид Вкладки Конфигурация Инструменты Запуск Оптимизация Цапки Справка

о | ® | | ч | ш ш\ г & щ | в @ . -j |

№

й т ш fei

а а * сэ Й ^

ьн

t [..]_

[Виды жужелиц] 0[рсд Apotomus] О[род Bembidion] ||_3[рсд Corabus] О [род Catascopus] О[род Chlaenius] Baphrus]

Имя Тип

Тип

Размер

||Дата~

tu

l£J Baphrus Neoelaphrus oliv accus jpg

¿T] Baphrus viridis Horn jpg

L^j Baphrus (Neoelaphrus) uliginosus Fabricius jpg

] Baphrus (Neoelaphrus) cupreus Duftschmid jpg

l J Baphrus (jftrctdaphrus) lapponicus lapponicus Gyllenhal jpg

jpg jpg jpg jpg jpg jpg jpg jpg jpg

¿1 Chlaenius (Ocybatus) aspericollis Bates ¿JChlaenius (Dinodes) decipiens L. Dufour l J 'Chlaenius (Chlaeniostentjs] puicher Nietner ьй Chlaenius nitidulus Schrank lü Catascopus (Catascopus) regal is Schmidt-Gobel lU Catascopus fuscoaeneus Chaudoir L^jCarabus (Tomocarabus) convexus dilatatus Dejean LdjCarabus (Platycarabus) depressus lucens Schaum iJ ]Carabus (Megodontus) exaratus Quensel ¿jjCarabus (Megodontus) caelatus dalmatinus Duftschmid jpg У Carabus (Coptolabrus) pustulifer guerryi Born jpg

1 Bembidion (Testedium) bipunctatum jpg

J ' Bembidion (Philocfrthus) ¡nop tat um Schaum jpg

LoJj Bembidion (Notaphocampa) niloticum jpg

Apolomus ruf us jpg

¿JjApotomus rufithorax Pecchioli jpg

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

[Виды жужелиц] [_.] <папка> 24.11.2

^Adüs-X\AlD_DATA\lnp_data> ▼

F3 Просмотр 1 F4 Правка j j Копирован! j Перемещен ¡F7 Каталогj Удалений lMt+F4 Выхо^

AI

Ал Total Commander 7.02a - SamLab.ws

¡ЕШ i I

Файлы Выделение Навигация Сеть FTP Вид Вкладки Конфигурация Инструменты Запуск Оптимизация Папки Справка

ш ш | г & ш \ в d ш QF]« □

ш т й й ш ш w aa K[ii N &

[-с-] ▼ | [_нет_| [v)Q 1 [-с] т LhctJ 50 701 972 Кб из 112 334 844 Кб свободн'ЩП

c:\Aldos-X4AlD_IG*Q@ с\Ados-X\AJD_DATA\lnprfatа\род Baphrus V " [*J[rJ

Тип РазмЦДаг Имя Тип Размер j 4 Дата

* [..] [Виды жужелиц] 0[род Apotomus] ^[род Bembidion] |^[род Carabus] ¡^[род Catascopus] Q[pofl Chlaenius] tu lg] Baphrus-005 jpg Й] Baphrus-004 jpg lÜJ Baphrus-003 jpg id] Baphrus-002 jpg lgjBaphrus-001 jpg

(¿j[pcfl Baphrus]

[род Baphrus] [..] tAidos-XUU D_DATA\Jnp_data> <папкз> 24.11.2

-

fa Просмол;! F4 Правка > Копирован)\ Перемещен F7 Каталогj F8 Удалений ^tt+F4 Выход

Б)

Рисунок 2. Структура папок с исходными данными А) Файлы с изображениями жужелиц различных видов и родов из папки

«Виды жужелиц»,

Б) Файлы изображений жужелиц рода: «Elaphms» в папке: «род Elaphrus»

Всего в данной обучающей выборке использовано 21 видов жужелиц, которые относятся к 6 различным родам.

Для ввода изображений жужелиц в систему «Эйдос» запускаем в геокогнитивной подсистеме 4.8 [14] режим «Оконтуривание» (рисунок 3):

Рисунок 3. Экранная форма запуска геокогнитивной подсистемы 4.8 [14]

Вместо описания данной подсистемы приведем ее Help (рисунок 4):

4-3. Геокогмитивная подсистема "Эйдос"

Помощь по режиму: "4.8. Геокогнитивная подсистема "эйдос"' (восстановление значений функций по признакам аргумента)

в 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 цвета точек из графического файла.

этот файл должен иметь имя: "Delorte.bmp" и находиться в папке: "../aid_data/inp_data/".

2. из Id Excel-таблицы исходных данных: "inp_mapl.dbf".

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

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

5. из распознаваемой 2d Excel-таблицы: "Rsp_map2.dbf

6. из базы исходных данных: Irlnp_data. dbf '.

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

8. из итоговых результатов распознавания: "Rsp_lT.dbf".

при этом при проведении триангуляции Делоне можно рисовать или не рисовать окружности и ребра е градиентной цветовой заливке.

требования к Id Excel-таблице: (должна быть в папке: ".. /AID_DATA/INP_DATA/"):

- первая строка должна содержать наименования колонок: "х","Y",'z*,'zl'Z2".....'ZN';

- последующие строки содержат числовые значения кооринат точек (x,Y,z) и признаки аргумента:

zl,Z2.....ZN, которые могут бьггь числовыми или текстовыми, количество признаков аргумента N

ограничено возможностями Excel;

- в файле исходных данных должна быть координаты и признаки аргумента не менее В точек, требования к 2d Excel-таблице: (должна быть в папке: "../AID_DATA/INP_DATA/")

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

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

- 1-я колонка должна быть с числовыми значениями координаты Y;

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

- значением ячейки AI должен быть О.

при оконтуривании файлы должны быть не больше, чем 450 пикселей по ширине и не более 800 по высоте, 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 / Е.в. луценко, д.к. Бандык // политематический сетевой электронный научный журнал кубанского государ ственного аграрного университета (научный журнал КубГАУ) [электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). С. 1 - 51. - IDA [article ID]: 1171603001. - Режим доступа: http://ej.kubagro.ru/2016/03/pdf/01.pdf, 3,188 у.п.л.

Рисунок 4. Help геокогнитивной подсистемы 4.8 [14]

На главной экранной форме геокогнитивной подсистемы 4.8 кликаем http://ej .kubagro .ru/2016/09/pdf/02 .pdf

на кнопке «Оконтуривание». В результате появляются экранные формы:

- задания параметров ввода изображений (рисунок 5);

- поиска центра тяжести изображения и первичных контуров и отображения исходного изображения в лучах Red, Green, Blue с указанием найденных точек первичного контура в дополнительных цветах (в динамике) (рисунок 6);

- визуализации изображения с найденными точками внешнего контура и самим внешним контуром в динамике (рисунок 6):

Рисунок 5. Экранная форма задания параметров ввода изображений (с параметрами «по умолчанию»)

Рисунок 6. Экранные формы поиска центра тяжести и контура изображения жужелицы

Данный режим:

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

2. Находит в этих графических файлах предварительные контуры и центры тяжести. Если система не может их найти, то информация об этом заносится в файл ошибок: ErrorImage.txt.

3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые

были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура, лежащих на радиус-векторах, при различных углах поворота радиуса-вектора. В статье [17] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы «Эй-дос».

4. Затем режим «Оконтуривание» геокогнитивной подсистемы 4.8 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.dbf, в которой содержатся результаты оцифровки изображений. После окончания работы режима выводится сообщение, приведенное на рисунке 7:

fj) 4.8. Геокогнитмвная подсистема "Эйдос"

Преобразование изображений в файл исходных данных: "1пр_<1а1а.с1ЬГ завершено успешно!

В процессе работы были обнаружены некорректные изображения. Информация о них в Файле: С:\Aidos-X\Errorlmage.txt Для создания модели надо выполнить режимы 2.3.2.2 и 3.5 с параметрами по умолчанию

Рисунок 7. Сообщение о завершении режима: «Оконтуривание» геокогнитивной подсистемы 4.8 [14]

Структура этой таблицы ..\AID_DATA\Inp_data\inp_data.dbf полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 8.

Помощь по режиму 2.32.2 для случая Excef-файлов исходных данных

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

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

- Файл исходных данных должен иметь имя: INP_DATA.XLS или INF'_DATA.XLSX и может быть получен в Ехсе1-2003[2007-2010), а Файл распознаваемой выборки имя: INP_FiASP.XLS или INP_RASP,XLSX. Файлы INP_DATA.XLS (INP_DATA.XLSX) и INP_RASP.XLS или INP_RASP. XLSX) должны находиться в папке /АЮ05-Х$Ш_РАТАЛпр_с1а1а/ и имеют совершенно одинаковую структуру.

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

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

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

- Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом], то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

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

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

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

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

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

Принцип организации таблицы исходных данных:

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

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

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

,+т ... ___

ГУ/IBZZZil Cancel

Рисунок 8. Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

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

д 1 в i-^1

Таблица 1 - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.dbf _с результатами оцифровки изображений (фрагмент)1____

Ц Lister [tase«™) - [C:\Aid *Х\АЮ DATA\Inp_data\]i\p _data.dbf] * • ' i • * *

Файл Правка Вид Справка 3%

[diclass 000 OOS 012 010 024 030 030 042 040 054 000 OOS 072 070 004 OSO OSO 102

►В Apatomus rullthoraK Pecchioli 55,1787638 55,1787638 58,1787638 58,1787638 61,1787838 07,1787038 71,1787038 75,1787638 83,1787638 87,1787638 37,1787638 83,1787638 18,1787638 24,1787838 23,1787038 33,1787038 31,1787638 24,17876

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

С Apatomus riáis 44,5114683 45,5114683 47,5114683 48,5114683 48,5114883 51,5114083 58,5114083 63,5114683 71,5114683 81,5114683 83,5114683 63,5114683 08,5114683 14,5114883 08,5114083 22,5114083 83,5114683 71,51146

С Bembidiori [Notaphocampa) nilüMcum 63,246818 65,246818 66,246818 68,240818 72,240818 62,246818 80,246818 88,246818 91,246818 35,246818 186,246818 66,246818 188,240818 55,240818 52,240818 72,246818 78,246818 04,2468

С Bembidlon [Testediuml blpunctatum 58,4936887 58,4936887 68,4936887 63,4330887 66,4330887 08,4336887 74,4336887 81,4836887 30,4836887 81,4836887 13,4936887 27,4936887 38,4330887 48,4330887 53,4330887 57,4336887 53,4836887 45,48368

с Carabus [Megodpritus) eHaratus Quensel 88,2808833 84,2808833 85,2808833 83,2808833 84,2888833 98,2888833 08,2888833 14,2888833 22,2808833 31,2808833 42,2808833 53,2808833 64,2808833 74,2888833 83,2888833 87,2888833 82,2888833 71,28088

с Catascopus lusccaeneus Chaudoir 78,5215346 68,5215346 63,5215346 74,5215346 76,5215346 83,5215346 88,5215346 34,5215340 84,5215340 15,5215346 27,5215346 38,5215346 31,5215346 87,5215346 03,5215346 50,5215346 05,5215340 32,52153

с Chlaenius riitidulus Schrank 63,5572232 78,5572232 73,5572232 77,5572282 78,5572282 83,5572282 92,5572292 80,5572292 39,5572292 18,5572232 27,5572232 25,5572232 38,5572282 38,5572282 52,5572282 50,5572292 53,5572292 47,55722

с Elaphrus viridis Horn 63,0146684 64,0146684 66,8146684 67,8140684 71,8140884 77,8146084 82,0146084 90,0146684 98,0146684 83,0146684 13,0146684 21,8146684 38,8140684 36,8140884 15,8140084 92,0146084 43,0146684 43,01466

с Elaphrus Neoelaphrusollvaceus 62,3854676 62,3854676 53,3854676 58,3854676 68,3854876 75,3854076 83,3854076 89,3854670 63,3854670 58,3854676 13,3854676 38,3854676 37,3854676 86,3854876 41,3854076 08,3854076 48,3854670 41,38546

с Apotornus 44,5114683 45,5114683 47,5114683 48,5114683 48,5114883 51,5114083 58,5114083 63,5114683 71,5114683 81,5114683 83,5114683 63,5114683 08,5114683 14,5114883 08,5114083 22,5114083 83,5114683 71,51146

с Bernbi Ion 58,4836887 58,4936887 68,4936887 63,4330887 66,4330887 08,4336887 74,4336887 81,4836887 30,4836887 81,4836887 13,4936887 27,4936887 38,4330887 48,4330887 53,4330887 57,4336887 53,4836887 45,48368

с Carabus 66,0553737 67,0553737 78,8553737 74,8553787 78,8553787 83,8553787 78,0553797 47,0553797 63,0553737 58,0553737 26,0553737 35,8553737 42,8553787 48,8553787 91,8553787 01,0553797 59,0553797 50,05537

с Catascopus 78,5215346 68,5215346 63,5215346 74,5215346 76,5215346 83,5215346 88,5215346 94,5215340 84,5215340 15,5215346 27,5215346 38,5215346 31,5215346 87,5215346 03,5215346 50,5215346 05,5215340 32,52153

с Chlaenius 63,5572232 78,5572232 73,5572232 77,5572282 78,5572282 83,5572282 92,5572292 80,5572292 39,5572292 18,5572232 27,5572232 25,5572232 38,5572282 38,5572282 52,5572282 50,5572292 53,5572292 47,55722

с Chlaenius 63,5572232 78,5572232 73,5572232 77,5572282 78,5572282 83,5572282 92,5572292 80,5572292 99,5572292 18,5572232 27,5572232 25,5572232 38,5572282 38,5572282 52,5572282 50,5572292 53,5572292 47,55722

с Elaphrus 62,3854676 62,3854676 53,3854676 58,3854676 68,3854876 75,3854076 83,3854076 89,3854670 63,3854670 58,3854676 13,3854676 38,3854676 37,3854676 86,3854876 41,3854076 08,3854076 48,3854670 41,38546

Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. «АСК-анализ изображений», либо из режима 4.8. «Геокогнитивная подсистема».

Главная экранная форма режима 2.3.2.2 приведена на рисунке 9, причем на ней показаны нужные параметры, которые формируются режимом оконтуривания как параметры по умолчанию. Единственное что изменено, так это задана опция: «Разные интервалы с равным числом наблюдений», т.к., как показали численные эксперименты, это обеспечивает более высокую достоверность модели.

1 Это изображение сделано с высоким разрешением и четко просматривается при масштабе 200% и более. Полный файл исходных данных не приводится из-за большой размерности.

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

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

Задайте параметры:

Стандарт XLS-Файла

Задайте тцг1 файла исходных данных: Vlnp_data' •" цЦ Ч .; Lс с--i. .JJp Г XLSivMS Excel-2607(2C10] <Г DBF - DBASE IV (DBF/NTX) Стандарт DBF-Файле

f .CSV ЦComma-Separated Values Стандарт CSV-файла

<• Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробепы считать ЗНАЧЕНИЯМИ данных [7 Создавать БД средних по классам "¡пр^ауг^Ы"^ Требования 1 Файлу исходных данных

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

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

Задайте режим:—

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

Задайте способ выбора размера интервалов: <* Равные интервалы с разным числом наблюдений С 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 I" Применить сценарный метод прогнозирования АСК-анализа С Применить специальную инт ерпретацию текстовых полей "lnp_aaia"

Пояснения по режиму

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

Спец.интерпретация ТХТ-полей Значения текстовых полей Файла исходных данных "!np__daia" рассматриваются как целое

Сценарный меток АСК-анализа: Записи Файла исходных данных "lnp_daia" рассматриваются каждая сама по себе независимо друг от друга

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

Г* Только интервальные числовые значения (например: "1 /3-{59873.0Э00С0[1,178545.ь6Б5Б67}"]

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

Г И интервальные числовые значения, и их наименования (например: "Минимальное: 1/3-{5Э873.006000С. 178545.6666667}'[

Пк

Cancel

Рисунок 9. Экранная форма задания параметров работы универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.dbf в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 10):

2.3.2.2. Задание размерности модели системы "ЭЙДОС-Х++"

ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ

Суммарное количество градаций классификационных и описательных шкал: [15 х ЗББ]

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

Числовые 0 0 0,00 61 366 6,00

Текстовые 1 15 15,00 0 0 0,00

ВСЕГО: 1 15 15,00 61 366 6,00

Задайте число интервалов (градаций] в шкале:

Е! описательных шкалах:

Г

Пересчитать шкалы и градации

Выйти на создание модели

Рисунок 10. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

В это форме задано 10 интервальных значений (градаций) в описательных шкалах, а затем пересчитаны шкалы и градации. После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.dbf в базы данных системы «Эйдос».

При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и база событий (эвентологиче-ская база данных) (рисунок 11). Этот процесс завершается за 9 секунд.

^ 2.3.2.2. Процесс импорта данных из внешней БД "1пр_с1а1а" в систему "ЭЙДОС-Х+нь"

151 [Ы^'

Стадии исполнения процесса

1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_йа1а" - Готово 2/3: Генерация обучающей выборки и базы событий "ЕуегЛэКО" на основе БД "1пр_сЫа" - Готово 3/3: Переиндексация всех баз данных нового приложения - Готово

ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!

Прогноз времени исполнения

Начало: 00:03:53 Окончание: 0:03:56

100%

0к

Прошло: 0:00:02

Осталось: 0:00:00

Рисунок 11. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»

Ийр ://д .к^яго .ги/2016/09^/02 ^

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

Таким образом подготавливаются все исходные базы данных для синтеза и верификации модели.

5.4. Синтез и верификация моделей обобщенных образов насекомых по видам и родам (многопараметрическая типизация)

Далее автоматически запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 12):

{*) 3.5, Выбор моделей для синтеза и верификации

-Задайте стат. модели и модели знаний для синтеза и верификации Статистические базы:

II. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч.выборкй Р" 2. PRC1 - частный критерий: усл. вероятность i-ro признака среди признаков объектов ¡-го класса

3. PRC2 - частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса Базы знаний:

4. INFI " частный Критерий: количество знаний по А.Харкевичу; вероятности из PRC1 Р" 5. IMF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

6. IISIF3 - частный Критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами Р" 7. INF4 - частный критерий: ROI (Return On Investment); вероятности из PR CI 8. INF5 - частный Критерий: FUJI [Return On Investment); вероятности из PRC2 P" 9. INFG - частный критерий: разн.усл.и безусл. вероятностей; вероятности из PRC1 11J.INF7 - частный критерий; разн.усл.и безусл.вероятностей; вероятности из PRC2

Параметры копирования обучающей выборки в распознаваемую:

—Какие объекты обуч. выборки копировать: (•" Копировать всю обучающую выборку Г" Копировать только текущий объект

Копировать каждый Н-й объект Г" Копировать N случайных объектов

Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

Пояснение по алгоритму верификации ¡

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

Удалять из обуч. выборки скопированные объекты: Í* Не удалять Г" Удалять

Подробнее |

И змеряется внутренняя достоверн. модели

Ok

Cancel

Задайте текущую модель

Г ABS С PRC1 Г PRC2

Í? INFI С INF2 Г INF3 С INF4 Г INF5 С INFG Г INF7

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

Рисунок 12. Экранная форма режима синтеза и верификации моделей

системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию, сформированными в режиме «Оконтуривание». В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 13 и 14) [7]:

с

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

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

3

Рисунок 13. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям2

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

ф 3.5. Синтез и верификация заданных из 10 моделей

■ I ЕЗ

Стадии исполнения процесса

Шаг 1-й из 11: Копирование обучающей выборки в распознаваемую - Готово Шаг 2-й из 11: Синтез стат.модели "ABS" (расчет матрицы абсолютных частот) - Готово Шаг 3-й из 11: Синтез стат.моделей "PRC1" и "PRC2" (усл.безусл.% распр.) - Готово Шаг 4-й из 11: Синтез моделей знаний: INFI -INF7 - Готово

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

Шаг 5-й из 11: Задание модепи "INF7" в качестве текущей - Готово Шаг 6-й из 11: Пакетное распознавание в модели "INF7" - Готово

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

КОН ЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ - ГОТОВО:-...

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

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

Шаг 1 0-й из 11 Создание формы: "Достоверность идент.классов в различных моделях" - Готово

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

Синтез н верификация заданных етат.моделей и моделей знаний упешно завершена !!!

Прогноз Бремени исполнения

Начало: 00:04:50 Окончание: 0:00:00

10(К

Прошло: 0:01:17

□ сталось: 0:00:00

Рисунок 14. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 14 видно, что процесс синтеза и верификации 10 моделей на выборке из 21 жужелиц занял 1 минуту 16 секунд. В основном это время было затрачено на верификацию моделей.

Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с Б-мерой Ван Ризбергена, а также в соответствии с Ь-мерой, которая представляет собой нечеткое мультиклассовое обобщение Б-меры, предложенное проф. Е.В. Луценко [24] (рисунки 15 и 16). Классическая количественная мера достоверности моделей: Б-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно классифицированных и не классифицированных объектов обучающей выборки. В мультиклассовых системах классификации объект может одновременно относится ко многим классам. Соответственно при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принад-

лежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической F-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая Г-мера не учитывает того, что объект может фактически одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях. Поэтому было бы рационально в мере достоверности модели учитывать не просто сам факт истинно или ложно положительного или отрицательного решения, но и учитывать степень уверенности классификатора в этих решениях. Это и реализовано в L-мере, предложенной проф.Е.В.Луценко, которая по сути являющаяся нечетким мультиклассо-вым обобщением классической F-меры [24].

Рисунок 15. Оценка достоверности моделей, созданных на 1-й итерации,

с помощью F-меры и L-меры.

ВI- В I

f*) Помощь по режимам: 4,1,3,6,4,1.3.7,4,1.3.8,4,1.3,10; Виды прогнозов и меры достоверности моделей i

Помощь

4.1.3.6,

.1. 3.7,

.1. 3. 8

4.1.3.10:

виды npt

и меры достоверж

I моделей t

"ЭЙДОС-Х++".

ПОЛОЖИТЕЛЬНЫЙ ПСЕБДОПРОГНОЗ.

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

ОТРИЦАТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4,

модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, ■ .. .. ...

что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

ИДЕАЛЬНЫЙ ПРОГНОЗ.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 10096 достоверность идентификации и не идентификации, идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

РЕАЛЬНЫЙ ПРОГНОЗ.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не как идеальный прогноз, а оставляет некоторую неопределенность не снятой, например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и,

а выпадет 3, 4, 5 или 6. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. н« одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью, теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, этот критерий предложен и реализован в системе "Эйдос" проф. Е.В.Луценко в 1994 году. Эта мера достоверности модели предполагает два варианта нормировки: {-1, +1} и {0, 1}:

1.1 = ( тр + Т1Ч - рр - рм ) / ( тр + тч + рр + Р1Ч ) (нормировка: {-1,+1»

1.2 = ( 1 + ( ТР + ТГО - РР - РЫ ) / ( ТР + ТЫ + РР + РЫ ) ) / 2 (нормировка: { 0, 1})

где: тр - истино-положительное решение; тм - истино-отрицательное решение; рр - ложно-положительное решение; ры - ложно-отрицательное решение; Классическая Р-мера достоверности моделей Ван Ризбергена:

полностью,

в Аск-анализе и системе "эйдос" предлагается ь-мера, представляющая собой нечеткое мультиклассовое обобщение классической Р-меры достоверности моделей ван ризбергена:

5Ргест5"10п = йтр/Сйтр+ерр) - нечеткая мультиклассовая точность модели; БКесаП = БТР/(5ТР+5РМ) - нечеткая мультиклассовая полнота модели;

[.-тега = 2в(5Ргес15попРГ5яесаП)/(5Ргес1 гтош-БРесаП) - нечеткая мультиклассовая достоверность модели, где:

5ТР - сумма модулей сходства истино-положительных решений; бты - сумма м( 5РР - Сумма модулей сходства ложно-положительных решений; БРЫ - Сумма м(

Рисунок 16. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 15 мы видим, что в данном исследовании наиболее достоверной является модель ШБ4 [7], которая обеспечивает среднюю достоверность определения рода насекомого около 86%, причем достоверность правильного отнесения насекомого к роду, к которым оно относится, составляет 100%, а правильного не отнесения к роду, к которым оно не относится - около 72%.

5.5. Задание наиболее достоверной модели в качестве текущей

В соответствии со схемой, приведенной на рисунке 13, и информацией по достоверности моделей, приведенной на рисунке 15, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель Г№Р4 в качестве текущей (рисунок 17) и проведем в этой модели пакетную идентификацию в режиме 4.1.2 (рисунок 18):

Рисунок 17. Экранная форма, позволяющая задать любую модель

в качестве текущей

Рисунок 18. Экранная форма с отображением этапов и стадии решения задачи классификации конкретных насекомых с обобщенными образами жуков по родам

Из данной экранной формы видно, что идентификация 21 жужелицы с обобщенными образами родов выполнена за 3 секунды.

5.6. Количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных видов и родов (системная идентификация)

Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:

- поместить в поддиректорию: ..\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые насекомые», изображения классифицируемых жуков в том же стандарте, что и в обучающей выборке;

- выполнить режим: «Оконтуривание» в геокогнитивной подсистеме 4.8 с опцией: «Генерация распознаваемой выборки и идентификация (классификация) изображений»;

- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 9), но с опцией: «Генерация распознаваемой выборки (на основе файла 1пр_гавр)» (рисунок 19);

- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».

■ j к -Г

2.3.2.2. Универсальный программный интерфейс импорта данным в систему "ЭЙДОС-Х-ч-'

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 тцг1 файла исходных данных: Vlnp_data' Г XlS - MS Excel-2003 С XLSivMS Excel-2007(2010] <Г DBF - DBASE IV (DRF/NTX) Стандарт DBF-Файле

f .CSV ЦComma-Separated Values Станаарг CSV-файла

<• Нули и пробелы считать ОТСУТСТВИЕМ данных Нули и пробепы считать ЗНАЧЕНИЯМИ данных [7 Создавать БД средних по классам "¡пр.^ауг^Ы"^ Требования к Файлу исходных данных

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

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

Задайте режим:—

Г" Формализации предметной области (на основе "lnp_daia") <■ Генерации распознаваемой выборки (на основе "lnp_rasp")

- Задайте способ выбора размера интервалов:

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

Равные интервалы с разным числом наблюдений г* |Раог!ь:е интервалы Ё равны: 1 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 I" Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей "lnp_aaia"

Пояснения по режиму

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

Спец.ингерпретация ТХТ-полей Значения текстовых полей Файла исходных данных "!np__daia" рассматриваются как целое

Сценарный меток АСК-анализа: Записи Файла исходных данных "lnp_daia" рассматриваются каждая сама по себе независимо друг от друга

Какие наименования ГРАДАЦИЙ числовых шкал использовать:

Г* Только интервальные числовые значения (например: "1ЛЗ-{59873.000ПС!Ю,178545.6665667}"]

Г1 Только наименования интервальных числовых значений (например: "Минимальное")

Г" И интервальные числовые значения, и их наименования (например: "Минимальное: !Л-{53873.(ЮС000С. 173545.6666667}"'

Пк

Cancel

Рисунок 19. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опциями ввода распознаваемой выборки с адаптивными интервалами

Режимы 2.3.2.2 и 4.1.2 запускаются с нужными параметрами автоматически после оконтуривания с опцией генерации распознаваемой выборки. Единственное, вручную необходимо выбрать опцию: «Разные интервалы с равным числом наблюдений».

Результаты идентификации выводятся во многих экранных формах и базах данных, которые можно открывать в MS Excel. Одна из этих форм приведена на рисунке 20:

4.1.3.1, Визуализация результатов распознаваний f

Распознаваемые объекты

I.IHfcliiyiUllllLU.I.I^.'.liL-illl.iill^UJWffl^l

чаы жужелиц\Аро(огш$ rufus.jpg

ты ж.уже л иц\В embidion (М otaphocampa) niloticum.jpg

1ды жужелиц'\В embidion (Testedium) bipunctatum.jpg

|ды жчжелиц\СагаЬиг (Megodonlus) exaralus Quensel.jp..

1ды »yaienHuVCatascopus fuscoaeneus Chaudoir.jpg

1ды жужелиц^СЫаегаы® nitidulus Schrank.jpg

ды жужелнцЧЕlaphrus viridis Horn.jpg

1ды жужелицКЕ laphrus Neoelaphius olivaceus.ipg

д Apotomus V\potomus-001. jpg

д Apolomus^Apolomus-002. jpg

д В erribidion\B embidion-001. jpg

д Bembidion\Bembidion-002.jpg

д BembidionSBembidion-003.jpg

д Carabu;:\Carabüi-001 .jpg

д Carabus\Carabus-002. jpg

д Carabus\Carabus-003. jpg

д Carabus\Carabus-004.jpg

д Carabus\Carabus:005. jpg

д Catascopus^Calascopus-001 .jpg

д Catascopus^Catascopus-002.jpg ж

>i". Текущая модель: "INF4"

Интегральный критерий сходства: "Семантический резонанс 31

!■=■ ш а I)

Код Наименование класса Сходство т., Сходство: Дата

2 CLASS-Apotomus lufithorax Pecchioli 79.42... V 26.11.2016

4 CLASS-Bembidion 8.386... llllllll | 26.11.2016

6 CLASS-Bembidion [Testedium) bipunclalum 8,386... Hill 26.11.2016

13 CLASS-Elaphius 2,308... II 26.11.2016

15 CLAS S -E laphtus N eoelaphrus oli vaceus 2.308... II 26.11.2016

14 CLASS-Elaphius viridis Horn 0,345... 26.11.2016

7 CLASG-Carabus -4,042... IUI 26.11.2016

Э CLAS S -Catascopus -7.618... lllllll 26.11.2016

10 CLAS S-Catascopus fuscoaeneus Chaudoii •7,618... IUI 26.11.2016

«I I ► 1

Интегральный критерий сходства: "Сумма знаний" 1

Код Наименование класса Сходство Ф Сходство'. Дата -

2 CLASS-Apotomus lufithorax Pecchioli 71,02... V I 26.11.2016

14 CLASS-Elaphius viiidis Horn 5,323... Hill 26.11.2016

4 CLASS-Bembidion 4.342... 26.11.2016

6 CLAS S -B embidion (T estedium) bipunclalum 4.342... 26.11.2016

5 CLASS-Bembidion (Notaphocampa] niloticum 3,036... 26.11.2016

1 CLASS-Apotomus 2,971... 26.11.2016

3 CLASS-Apotomus lufus 2,971... 26.11.2016

13 CLASS-Elaphius 2,256... 26.11.2016

15 CLAS S -E laphtus N eoelaphrus oli vaceus 2.256... 26.11.2016 -

Классы с MaxMin УрСх

Э классов с MaxMin УрСх

ВКЛ. Фильтр по класс.шкале

ВЫКЛ.Фильтр по класс.шкале

ГраФ.диаграмма

Рисунок 20. Степень сходства образа конкретного насекомого с обобщенными образами различных насекомых

Из экранной формы на рисунке 20 видно, что система верно определила и вид, и род по изображению конкретного насекомого, а из экранной формы на рисунке 15 - что так обычно происходит и с другими насекомыми, т.е. задача, поставленная в статье, успешно решена.

Из рисунка 20 мы видим также, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях. Поэтому было бы рационально в мере достоверности модели учитывать не просто сам факт истинно или ложно положительного или отрицательного решения, но и учитывать степень уверенности классификатора в этих решениях. Это и реализовано в L-мере, предложенной проф.Е.В.Луценко, которая по сути являющаяся нечетким мультиклассовым обобщением классической F-меры [24].

В подсистеме 4.1.3. «Вывод результатов распознавания» системы «Эйдос» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 21:

s

I

Z

о

Z

^

п о с

и V О.

I

Jt

4.1.3.1 Подробно нагпядно Объект - классы 4.1.3.2. Подробно наглядно. Класс- объекты 4.1.3.2. Итоги наглядно: Объект ■ класс. 4.1.3.4. Итоги наглядно: Класс- объект" 4.1.3.£. Подробно сжато: "Объекты - классы

4.1.3.6. Обобц.форма по достов.моделей при равных интегральных крит.

4.1.3.7. Обобщ.стат.анапиз результатов идент. по моделям и инт.крпт. 4.1.3.В. Стэт.апапиз регульт. идент. по классам, моделям и инт.крпт.

4.1.3.9. Достоверность идент.объектов прп разных моделях и инт.крпт.

4.1.3.10.ДсстсЕерность идент.классоЕ при разных моделях и инт.крпт. А. 1.3.11.Распределения урсен.сходстеэ при разных моделях и инт.крпт.

Рисунок 21. Наименования выходных форм системы «Эйдос» с результатами распознавания

Одну из них (4.1.3.1), наиболее подробную, мы привели в рисунке 20. Ниже на рисунке 22 приведем обобщающую форму (режим 4.1.3.3), в которой для каждого насекомого показан лишь один класс, с которым у данного вида наивысший уровень сходства по заданному интегральному критерию [7] (вверху слева):

Рисунок 22. Степень сходства изображения конкретного насекомого с обобщенными образами различных видов (верхняя форма)

и родов (нижняя форма)

Из форм на рисунках 20 и 22 видно, что если бы мы не знали к какому роду относится насекомое, то система «Эйдос» на основе созданной системно-когнитивной модели позволила бы по его изображению это определить быстро и с высокой точностью.

5.7. Количественное определение сходства-различия обобщенных образов насекомых различных видов и родов друг с другом (кластерно-конструктивный анализ)

Это сравнение осуществляется в режиме 4.2.2. «Кластерно-конструктивный анализ классов. Предварительно нужно выполнить режим 4.2.2.1. «Расчет матриц сходства, кластеров и конструктов классов», а затем вывести результаты в режиме 4.2.2. «Результаты кластерно-конструктивного анализа классов». На рисунках 23 и 24 приведены табличная и графическая выходные формы, количественно отражающие степень сходства обобщенных образов насекомых различных родов друг с другом в наиболее достоверной модели ГОТЧ:

^ (*) 4.2,2,2, Результаты кластерно-конструктивного анализа классов | 1 [—1 1

| Конструкт класса: 11 "CLASS-Chlaenius" в модели: 7 "INF4M

■ ш I Наименование класса — I Наименование класса Сходство

1 CLASS Apotomus И 11 CLASS-Chlaenius 100.000

2 CLAS S Apotomus ruf ¡thorax Pecchioli 2 12 CLASS-Chlaenius nitidulus Schrank 100.000

Э CLAS S -Apotomus ruf us 3 9 CLAS S -Catascopus 0.433

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

4 CLASS -Bembidion § 10 CLASS-Catascopus luscoaeneus Chaudoir 0.433

5 CLASS-Bembidion (Notaphocampa) niloticum а 7 CLASS-Carabus -3.935

6' CLASS-Bembidion (Testedium) bipunctatum 6 14 CLASS-Elaphrus viridis Horn -6.210

7 CLASS-Carabus 7 5 CLASS-Bembidion (Notaphocampa) niloticum -9.304

a CLASS-Carabus (Megodontus) exaratus Quensel I 2 CLASS-Apotomus ruiithoran Pecchioli -11.935

э CLASS-Catascopus э 8 CLASS-Carabus (Megodontus) exaratus Quensel -12.154

щ CLASS-Catascopus fuscoaeneus Chaudoir 10 4 CLASS-Bembidion -12.541

11 CLASS-Chlaenius 11 е CLASS-Bembidion (Testedium) bipunctatum -12.541

12 CLASS-Chlaenius nitidulus Schiank 12 13 CLASS-Elaphrus -12.89S

13 CLASS-Elaphrus 13 15 CLASS-Elaphrus Neoelaphrus olivaceus -12.893

14 CLASS-Elaphrus viridis Horn 14 1 CLASS-Apotomus -14.735

15 CLASS -Elaphrus N eoelaphrus olivaceus 15 3 CLASS-Apotomus rufus -14.735

_

Г ы

Пог«№:| Ati | 'Pmi | Piisjj Щ | Inl2 | i | Inl4 | Ы5 | InfG |nf7 График В К Л. фильтр по к л. шкале В ЫКЛ. фильтр по к л. шкале Вписать в окно Показать ВСЕ

У-J J

Рисунок 23. Степень сходства друг с другом обобщенных образов

насекомых различных родов

Рисунок 24. Сходство-различие друг с другом обобщенных образов

насекомых различных родов

При получении формы, приведенной на рисунке 24, предварительно в опции «Вписать в окно» было выбрано отображение 15 классов.

Из рисунков 23 и 24 видно, что обобщенный образ рода насекомых соответствует своему виду.

Необходимо отметить, что в системе «Эйдос» эти диаграммы рассчитываются автоматически, а не заполняются экспертами неформализуе-мым способом на основе интуиции, опыта и профессиональной компетенции, как обычно.

5.8. Исследование моделируемой предметной области путем исследования ее модели

Если модель достоверно (адекватно) отражает предметную область, то исследование модели предметной области корректно можно считать исследованием самой моделируемой предметной области. В системе «Эйдос» достоверность модели устанавливается в режиме 3.5 сразу после ее

синтеза при ее верификации путем идентификации (классификации) объектов обучающей выборки, о которых уже известно к каким классам они относятся, т.е. путем количественного определения степени их сходства с обобщенными образами классов в соответствии с моделью.

В системе «Эйдос» реализовано много различных средств анализа созданных моделей, применяется большое количество различных форм когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 25), а также информационные портреты обобщенных образов различных родов насекомых (рисунки 26) в модели Г№4.

Чтобы вывести эти изображения необходимо в подсистеме 4.7. «АСК-анализ изображений» выбрать последний режим: 7. «Просмотр и запись информационных портретов классов - обобщенных изображений ».

Рисунок 26. Система описательных шкал и градаций системно-когнитивной модели

На рисунке 26 цветом показана ценность градаций описательных шкал для классификации конкретных жужелиц по видам и родам: красный цвет - максимальная ценность, фиолетовый - минимальная.

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: РКСЬАЗЗ-АроЮтив гитЬогах РессМоН" В МОДЕЛИ: "1п!4" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1п!4"

"1

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [6]-"С1_А38-ВетЫсНоп (ТейесЛит) ЫрипсЮит" В МОДЕЛИ: "1пГ4" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1^4"

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [12]-"CLASS-Chlaenius nitidulus Schrank'' В МОДЕЛИ: "Infi" Показаны градации со значимостью не менее 0% от максимальной. Модель: "Infi"

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [12]-"С1_АЗЗ-С111аеши8 пШсШИш ЗсИгапк" В МОДЕЛИ: "1пГ4" Показаны градации со значимостью не менее 0% от максимальной. Модель: "1г^4"

ИНФОРМАЦИОННЫЙ ПОРТРЕТ: [11]-"CLASS-Chlaenius" В МОДЕЛИ: "Inf4"

^■г тш ^ш

Рисунок 27. Информационные портреты обобщенных образов насекомых некоторых родов в системно-когнитивной модели INF4

На рисунках 27 цветом показана степень характерности и не характерности градаций описательных шкал (элементов внешнего контура) для жужелиц различных видов и родов: красный цвет - максимальная характерность, фиолетовый - минимальная.

6. Выводы и результаты

Развитие компьютерной техники в наше время, способствует тому, что в различных областях науки, появляются новые методы исследования живых объектов. В частности в энтомологии - науке о насекомых, появилась возможность использовать новый инновационный метод АСК - анализ и его программный инструментарий систему «Эйдос», для идентификации насекомых не только по видам, отрядам, но и родам, тем самым повысив достоверность определения изучаемых насекомых.

Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос».

В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных насекомых в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие.

Для решения этих задач выполняются следующие этапы:

1) ввод в систему «Эйдос» изображений жужелиц и создание математических моделей их контуров;

2) синтез и верификация моделей обобщенных образов насекомых

по родам на основе контурных изображений конкретных жесткокрылых (многопараметрическая типизация);

3) количественное определение сходства-различия конкретных насекомых с обобщенными образами насекомых различных родов (системная идентификация);

4) количественное определение сходства-различия видов насекомых, т.е. кластерно-конструктивный анализ обобщенных образов жуков.

Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях.

7. Перспективы

В дальнейшем планируется решить методом АСК-анализа задачу классификации различных насекомых (в частности жужелиц) по их пикселям, используя программный инструментарий АСК-анализа интеллектуальную систему «Эйдос».

Отметим также, что незащищенная от несанкционированного копирования портативная (portable) версия системы «Эйдос» (не требующая инсталляции) с исходными текстами, находится в полном открытом бесплатном доступе на сайте ее разработчика проф.Е.В.Луценко по адресу http://lc.kubagro.ru/aidos/index.htm ((около 70 Мб).

Литература

1. Белый, А.И. Характеристика комплекса жужелиц (Со1еор1ега, СагаЫёае) агро-ландшафта центральной зоны Краснодарского края в начале XXI века. Сообщение 1. Сезонная динамика активности комплекса жужелиц / А.И. Белый, А.С. Замотайлов, Хомицкий Е Е., Маркова И.А. // Тр. КГАУ. - 2014. - № 3(48). - С. 35-49.

2. Замотайлов, А.С. Энтомофауна Северо-Западного Кавказа на современном этапе планетарного развития климата: угрозы и перспективы / А.С. Замотайлов, В.И. Щуров // Тр. КГАУ. - 2010. - № 1(22). - С. 32-39.

3. Замотайлов, А.С. Характеристика комплекса жужелиц (Со1еор1ега, СагаЫёае) агроландшафта центральной зоны Краснодарского края в начале XXI века. 2. Многолетняя трансформация структуры и биоэкологических параметров / А.С. Замотайлов, Е Е. Хомицкий, А.И. Белый // Тр. КГАУ. - 2015. - № 1(52). - С. 103-118.

4. Замотайлов А. С. К изучению жужелиц (Со1еор1ега, СагаЫёае) агробиоцено-

зов центральной зоны Краснодарского края (Кавказ) // Тез. докл. IX Междунар. колл. по почв. зоол. Вильнюс: Б. и., 1985. С. 318.

5. Замотайлов А. С. Некоторые особенности формирования комплексов жужелиц (Coleoptera, Carabidae) агроценоза // Защита сельскохозяйственных культур от вредителей, болезней и сорняков. Тр. КСХИ. 1990. 307 (335). С. 24-29.

6. Замотайлов А. С. О составе и возможных путях формирования кавказской фауны рода Deltomerus Mötsch. (Coleoptera, Carabidae) // Фауна и экология жужелиц. Тез. докл. 3-го Всесоюз. карабидологического сов-я. Кишинев: ВНИИБМЗР, 1990. С. 20-21.

7. Замотайлов А.С., Шаповалов М.И. Охраняемые виды жесткокрылых насекомых семейства жужелицы (Coleoptera, Carabidae) в агроценозах Северо-Западного Кавказа // Агротехнический метод защиты растений от вредных организмов: материалы VI междунар. науч.-практ. конф., Краснодар, 17-21 июня 2013 г. / Отв. ред. М.И. Зазимко. Краснодар, 2013. С. 156-159.

8. 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

9. Луценко Е.В., Сердюк В.Ю.: Идентификация видов жуков-жужелиц (Coleoptera, Carabidae) путем АСК-анализа их изображений по внешним контурам (обобщение, абстрагирование, классификация и идентификация) [Электронный ресурс] / Е.В. Луценко, В.Ю. Сердюк // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ).Краснодар: КубГАУ. - 2016. - № 119 (05). - Режим доступа: http://ej .kubagro.ru/2016/05/pdf/01.pdf

10. 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

11. 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

12. 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.

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

14. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009.

- №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п. л.

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

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

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

17. 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 досту-m:http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.

18. 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 КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 1316 -1367. - IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.

19. Жесткокрылые насекомые (Insecta, Coleoptera) Республики Адыгея (аннотированный каталог видов) (Конспекты фауны Адыгеи. №1) / Под ред. А.С. Замотайлов и Н.Б. Никитского. - Майкоп: Издательство Адыгейского государственного университета, 2010. - 404 с.

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

21. Луценко Е.В. Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа / Е.В. Луценко, С.В. Швец, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2016. - №03(117). С. 838 - 872. - IDA [article ID]: 1171603055. -Режим доступа: http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 у.п.л.

22. Луценко Е.В. Определение типа и модели стрелкового нарезного оружия по боеприпасам методом АСК-анализа / Е.В. Луценко, С.В. Швец // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016.

- №04(118). С. 1 - 40. - IDA [article ID]: 1181604001. - Режимдоступа: http://ej.kubagro.ru/2016/04/pdf/01.pdf, 2,5 у.п.л.

23. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http ://cyberleninka.ru/arti cle/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya

24. Луценко Е.В. Нечеткое мультиклассовое обобщение классической F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Луценко Е.В. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. -Краснодар: КубГАУ, 2016. - №09(123). - Режим доступа: http://ej.kubagro.ru/2016/09/pdf/01.pdf, 1,813 у.п.л. - IDA [article ID]: 1221608001. http://dx.doi.org/10.21515/1990-4665-123-001

Literatura

1. Belyj, A.I. Harakteristika kompleksa zhuzhelic (Coleoptera, Carabidae) agrolandshafta central'noj zony Krasnodarskogo kraja v nachale XXI veka. Soobshhenie 1. Sezonnaja dinamika aktivnosti kompleksa zhuzhelic / A.I. Belyj, A.S. Zamotajlov, Homickij EE., Markova I.A. // Tr. KGAU. - 2014. - № 3(48). - S. 35-49.

2. Zamotajlov, A.S. Jentomofauna Severo-Zapadnogo Kavkaza na sovremennom jetape planetarnogo razvitija klimata: ugrozy i perspektivy / A.S. Zamotajlov, V.I. Shhurov // Tr. KGAU. - 2010. - № 1(22). - S. 32-39.

3. Zamotajlov, A.S. Harakteristika kompleksa zhuzhelic (Coleoptera, Carabidae) agrolandshafta central'noj zony Krasnodarskogo kraja v nachale XXI veka. 2. Mnogoletnjaja transformacija struktury i biojekologicheskih parametrov / A.S. Zamotajlov, E.E. Homickij, A.I. Belyj // Tr. KGAU. - 2015. - № 1(52). - S. 103-118.

4. Zamotajlov A. S. K izucheniju zhuzhelic (Coleoptera, Carabidae) agrobiocenozov central'noj zony Krasnodarskogo kraja (Kavkaz) // Tez. dokl. IX Mezhdunar. koll. po pochv. zool. Vil'njus: B. i., 1985. S. 318.

5. Zamotajlov A. S. Nekotorye osobennosti formirovanija kompleksov zhuzhelic (Coleoptera, Carabidae) agrocenoza // Zashhita sel'skohozjajstvennyh kul'tur ot vreditelej, boleznej i sornjakov. Tr. KSHI. 1990. 307 (335). S. 24-29.

6. Zamotajlov A. S. O sostave i vozmozhnyh putjah formirovanija kavkazskoj fauny roda Deltomerus Motsch. (Coleoptera, Carabidae) // Fauna i jekologija zhuzhelic. Tez. dokl. 3-go Vsesojuz. karabidologicheskogo sov-ja. Kishinev: VNIIBMZR, 1990. S. 20-21.

7. Zamotajlov A.S., Shapovalov M.I. Ohranjaemye vidy zhestkokrylyh nasekomyh semejstva zhuzhelicy (Coleoptera, Carabidae) v agrocenozah Severo-Zapadnogo Kavkaza // Agrotehnicheskij metod zashhity rastenij ot vrednyh organizmov: materialy VI mezhdunar. nauch.-prakt. konf., Krasnodar, 17-21 ijunja 2013 g. / Otv. red. M.I. Zazimko. Krasnodar, 2013. S. 156-159.

8. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909

9. Lucenko E.V., Serdjuk V.Ju.: Identifikacija vidov zhukov-zhuzhelic (Coleoptera, Carabidae) putem ASK-analiza ih izobrazhenij po vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) [Jelektronnyj resurs] / E.V. Lucenko, V.Ju. Serdjuk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU).Krasnodar: KubGAU. - 2016. - № 119 (05). - Rezhim dostupa: http://ej.kubagro.ru/2016/05/pdf/01.pdf

10. 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

11. 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

12. 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.

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

14. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. -№02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.

15. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa:http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.

16. 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.

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

17. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobrazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. -№08(112). S. 862 - 910. - IDA [article ID]: 1121508064. - Rezhim dostupa:http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.

18. 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.

19. Zhestkokrylye nasekomye (Insecta, Coleoptera) Respubliki Adygeja (annotirovannyj katalog vidov) (Konspekty fauny Adygei. №1) / Pod red. A.S. Zamotajlov i N.B. Nikitskogo. - Majkop: Izdatel'stvo Adygejskogo gosudarstvennogo universiteta, 2010. -404 s.

20. 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.

21. Lucenko E.V. Reshenie zadachi klassifikacii boepripasov po tipam strelkovogo nareznogo oruzhija metodom ASK-analiza / E.V. Lucenko, S.V. Shvec, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №03(117). S. 838 - 872. - IDA [article ID]: 1171603055. - Rezhim dostupa: http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 u.p.l.

22. Lucenko E.V. Opredelenie tipa i modeli strelkovogo nareznogo oruzhija po boepripasam metodom ASK-analiza / E.V. Lucenko, S.V. Shvec // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. -№04(118). S. 1 - 40. - IDA [article ID]: 1181604001. - Rezhimdostupa: http://ej.kubagro.ru/2016/04/pdf/01.pdf, 2,5 u.p.l.

23. Karkishhenko A.N., Lepskij A.E., Bezuglov A.V. Ob odnom sposobe vektornogo i analiticheskogo predstavlenija kontura izobrazhenija. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya

24. Lucenko E.V. Nechetkoe mul'tiklassovoe obobshhenie klassicheskoj F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / Lucenko E.V. // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №09(123). - Rezhim dostupa: http://ej.kubagro.ru/2016/09/pdf/01.pdf, 1,813 u.p.l. - IDA [article ID]: 1221608001. http://dx.doi.org/10.21515/1990-4665-123-001

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Сердюк Владислав Юрьевич, Луценко Евгений Вениаминович

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Сердюк Владислав Юрьевич, Луценко Евгений Вениаминович

CREATION OF THE GENERALIZED IMAGES OF GENUS OF BUGS OF GROUND BEETLES (COLEOPTERA, CARABIDAE) ON THE BASIS OF THEIR TYPES IMAGES, USING THE ASK-ANALYSIS METHOD

Текст научной работы на тему «Создание обобщенных изображений родов жуков-жужелиц (Coleoptera, Carabidae) на основе изображений входящих в них видов, методом АСК-анализа»