CC BY
20
УДК 004.8 (075.8)
05.20.01 - Технологии и средства механизации сельского хозяйства (технические науки)
ТЕРМИНОЛОГИЯ НАУЧНОГО ДИСКУРСА АВТОРОВ СТАТЕЙ ПО СПЕЦИАЛЬНОСТИ: 05.20.01 - «ТЕХНОЛОГИИ И СРЕДСТВА МЕХАНИЗАЦИИ СЕЛЬСКОГО ХОЗЯЙСТВА» ЧЕРЕЗ ПРИЗМУ КОГНИТИВНОГО АНАЛИЗА
Грушевская Татьяна Михайловна доктор филологических наук, профессор
Грушевская Елена Сергеевна доктор филологических наук, доцент
Луценко Диана Сергеевна студент
e-mail: [email protected] Кубанский государственный университет, 350040, Россия, г. Краснодар, ул. Ставропольская, 149
С развитием информационных и когнитивных технологий появилось принципиальная возможность их применения для автоматического определения авторства, датировки, жанра и смысловой направленности научных литературных произведений (статей, монографий, учебных пособий и т.д.). Однако большинство научных исследований в этой области посвящены разработке концептуальных подходов и математических моделей, а не исследованию конкретных научных текстов. Авторов же данной работы интересуют особенности специальной научной терминология, используемой авторами статей по специальности 05.20.01 - «технологии и средства механизации сельского хозяйства» Научного журнала КубГАУ Для решения этой исследовательской задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и реализующий его программный инструментарий - интеллектуальную систему «Эйдос». Приводится численный пример с большим количеством выходных форм, основанный на реальных текстах
Ключевые слова: КОГНИТИВНЫЙ АНАЛИЗ, ТЕРМИНОЛОГИЯ НАУЧНОГО ДИСКУРСА
DOI: http://dx.doi.org/10.21515/1990-4665-162-009
UDC 004.8 (075.8)
05.20.01-Technologies and means of agricultural mechanization (technical sciences)
TERMINOLOGY OF SCIENTIFIC DISCOURSE OF AUTHORS OF ARTICLES ON SPECIALTY: 05.20.01 - " TECHNOLOGIES AND MEANS OF AGRICULTURAL MECHANIZATION» THROUGH THE PRISM OF COGNITIVE ANALYSIS
Grushevskaya Tatyana Mikhailovna Doctor of Philology, Professor
Grushevskaya Elena Sergeevna Doctor of Philology, associate Professor
Lutsenko Diana Sergeevna student
e-mail: [email protected] Kuban state University, Krasnodar, Russia
With the development of information and cognitive technologies, it has become possible to use them for automatic determination of the authorship, dating, genre and semantic orientation of scientific literary works (articles, monographs, textbooks, etc.). However, most scientific research in this area is devoted to the development of conceptual approaches and mathematical models, and not to the study of specific scientific texts. The authors of this work are interested in the features of the special scientific terminology used by the authors of articles on specialty 05.20.01 - "technologies and means of agricultural mechanization" of the scientific journal of Kuban State Agrarian University. To solve this research problem, we use automated system-cognitive analysis (ASC-analysis) and its software tools, which is the intelligent system called "Eidos". This article gives a numerical example with a large number of output forms based on real texts
Keywords: COGNITIVE ANALYSIS, TERMINOLOGY OF SCIENTIFIC DISCOURSE
СОДЕРЖАНИЕ
1. ВВЕДЕНИЕ (INTRODUCTION)......................................................................................3
2. МАТЕРИАЛЫ И МЕТОДЫ (MATERIALS AND METHODS).................................3
2.1. Идея и концепция решения проблемы.....................................................................3
2.2. Обоснование выбора метода и инструментария решения проблемы..............4
2.3. СУТЬ МЕТОДА И МАТЕМАТИЧЕСКОЙ МОДЕЛИ АСК-АНАЛИЗА.......................................6
2.4. СИНТЕЗ СИСТЕМНО-КОГНИТИВНЫХ МОДЕЛЕЙ И ЧАСТНЫЕ КРИТЕРИИ ЗНАНИЙ, МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ................................................................................8
2.5. Интегральные критерии и решение задач системной идентификации и
ПРИНЯТИЯ РЕШЕНИЙ............................................................................................................12
3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ (RESULTS AND DISCUSSION)......................14
3.1. Когнитивно-целевая структуризация предметной области............................14
3.2. Подготовка исходных данных, формализация предметной области...........15
3.3. ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ..................................................................... 16
3.4. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ.............................................................................. 19
3.5. Придание статуса текущей наиболее достоверной модели INF 5...................22
3.6. РЕШЕНИЕ ЗАДАЧИ СИСТЕМНОЙ ИДЕНТИФИКАЦИИ (АТРИБУЦИИ ТЕКСТОВ).................23
3.7. РЕШЕНИЕ ЗАДАЧИ ПРИНЯТИЯ РЕШЕНИЙ (ВЫВОД ИНФОРМАЦИИ О РЕЗУЛЬТАТАХ МНОГОПАРАМЕТРИЧЕСКОЙ ТИПИЗАЦИИ)............................................................................26
3.8. РЕШЕНИЕ ЗАДАЧИ ИССЛЕДОВАНИЯ МОДЕЛИРУЕМОЙ ПРЕДМЕТНОЙ ОБЛАСТИ ПУТЕМ ИССЛЕДОВАНИЯ ЕЕ МОДЕЛИ................................................................................................27
3.8.1. Инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов)..........................................................................................................28
3.8.2. Кластерно-конструктивный анализ классов...................................................28
3.8.3. Нелокальные нейроны и нелокальная нейронная сеть....................................32
3.8.4. Значимость факторов и их значений...............................................................34
3.8.5. Степень детерминированности классов и классификационных шкал........36
3.9. Повышение статуса результатов исследования...............................................37
5. ВЫВОДЫ (CONCLUSIONS)..........................................................................................38
5.1. Эффективность предложенного решения проблемы..........................................38
5.2. Основные результаты исследования....................................................................38
5.3. ОГРАНИЧЕНИЯ И НЕДОСТАТКИ ПРЕДЛОЖЕННОГО РЕШЕНИЯ ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ЕГО РАЗВИТИЯ ПУТЕМ ИХ ПРЕОДОЛЕНИЯ ЭТИХ ОГРАНИЧЕНИЙ И НЕДОСТАТКОВ......................................................................................................................39
5.4. Заключение................................................................................................................39
6. БЛАГОДАРНОСТИ (ACKNOWLEDGEMENTS)......................................................39
СПИСОК ЛИТЕРАТУРЫ (REFERENCES)........................ОШИБКА! ЗАКЛАДКА НЕ
ОПРЕДЕЛЕНА.
1. Введение (Introduction)
С развитием информационных и когнитивных технологий появилось принципиальная возможность их применения для автоматического определения авторства, датировки, жанра и смысловой направленности научных литературных произведений (статей, монографий, учебных пособий и т.д.).
Однако большинство научных исследований в этой области посвящены разработке концептуальных подходов и математических моделей, а не исследованию конкретных научных текстов [1-30].
Авторов же данной работы интересуют особенности специальной научной терминология, используемой авторами статей по специальности 05.20.01 - «технологии и средства механизации сельского хозяйства» Научного журнала КубГАУ.
Для решения этой исследовательской задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и реализующий его программный инструментарий - интеллектуальную систему «Эйдос».
АСК-анализ позволяет проводить не только атрибуцию текстов, но и осуществлять элементы наратологического анализа:
- формировать обобщенные лингвистические образы классов (семантические ядра) на основе фрагментов или примеров относящихся к ним текстов на любом языке;
- количественно сравнивать лингвистический образ конкретного человека, или описание объекта, процесса с обобщенными лингвистическими образами групп (классов);
- сравнивать обобщенные лингвистические образы классов друг с другом и создавать их кластеры и конструкты;
- исследовать моделируемую предметную область путем исследования ее лингвистической системно-когнитивной модели;
- проводить интеллектуальную атрибуцию текстов, т.е. определять вероятное авторство анонимных и псевдонимных текстов, датировку, жанр и смысловую направленность содержания текстов;
- все это можно делать для любого естественного или искусственного языка или системы кодирования.
2. Материалы и методы (Materials and methods) 2.1. Идея и концепция решения проблемы
Идея решения проблемы состоит в том, чтобы применить для обработки текстов интеллектуальные технологии, рассматривать конкретные тексты как примеры различных обобщенных категорий текстов (по авторству, датировке, жанру и смысловой направленности содержания текстов и т.п.), а слова и их сочетания рассматривать как признаки текстов.
Концепция решения проблемы состоит в постановке конкретных задач, решение которых обеспечивает реализацию сформулированной выше идеи и достижение поставленной цели. Для достижения поставленной цели необходимо решить следующие задачи, которые получаются путем декомпозиции цели и являются этапами ее достижения:
Этапы АСК-анализа [31-48]:
1. Когнитивно-целевая структуризация предметной области:
- разработка классификационных шкал;
- разработка описательных шкал.
2. Формализация предметной области:
- разработка градаций классификационных шкал;
- разработка градаций описательных шкал.
- кодирование исходных данных с помощью классификационных и описательных шкал и градаций и формирование обучающей выборки.
3. Синтез, повышение качества и верификация статистических и системно-когнитивиных моделей научных текстов.
4. Решение в наиболее достоверной модели задач:
- идентификация конкретных текстов;
- формирование терминологических семантических ядер и антиядер конкретных авторов;
- кластеризация семантических ядер и антиядер конкретных авторов.
2.2. Обоснование выбора метода и инструментария решения проблемы
В качестве метода исследования выбран Автоматизированный системно-когнитивный анализ (АСК-анализ), который представляет собой новый инновационный метод искусственного интеллекта, имеющий свой программный инструментарий, в качестве которого в настоящее время выступает интеллектуальная система «Эйдос» (открытое программное обеспечение) [31-47].
Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:
- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc .kubagro.ru/aidos/index .htm);
- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/ Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/ AIDOS-X.txt);
- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта
(есть акт внедрения системы «Эйдос» 1987 года) (http://lc .kubagro.ru/aidos/aidos02/PR-4 .htm);
- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);
- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных Эйдос-приложений (в настоящее время их 31 и 207, соответственно) (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf);
- обеспечивает мультиязычную поддержку интерфейса на 51 языке. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;
- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5 .com/map5.php);
- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний;
- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18 LLS/aidos18 LLS.pdf);
- хорошо имитирует человеческий стиль мышления: дает результаты анализа, понятные экспертам на основе их опыта, интуиции и профессиональной компетенции;
- вместо того, чтобы предъявлять к исходным данным практически неосуществимые требования (вроде нормальности распределения, абсолютной точности и полных повторностей всех сочетаний значений факторов и их полной независимости и аддитивности) автоматизированный системно-когнитивный анализ (АСК-анализ) предлагает без какой-либо предварительной обработки осмыслить эти данные и тем самым преобразовать их в информацию, а затем преобразовать эту информацию в знания путем ее применения для
достижения целей (т.е. для управления) и решения задач классификации, поддержки принятия решений и содержательного эмпирического исследования моделируемой предметной области.
В чем сила подхода, реализованного в системе Эйдос? В том, что она реализует подход, эффективность которого не зависит от того, что мы думаем о предметной области и думаем ли вообще. Она формирует модели непосредственно на основе эмпирических данных, а не на основе наших представлений о механизмах реализации закономерностей в этих данных. Именно поэтому Эйдос-модели эффективны даже если наши представления о предметной области ошибочны или вообще отсутствуют.
В этом и слабость этого подхода, реализованного в системе Эйдос. Модели системы Эйдос - это феноменологические модели, т.е. они не отражают механизмов детерминации, а только сам факт и характер детерминации.
2.3. Суть метода и математической модели АСК-анализа
Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели (рисунки 1 и 2) [32].
О соотношении содержания понятий: «Данные», «Информация» и «Знания»
Рисунок 1
Последовательность обработки данных, информации и знаний в системе «Эйдос-Х++»
с
Когнитивно-целевая структуризация предметной области (неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
)
Формализация предметной области
Средства кодирования исходных данных
1пр_сШа, lnp_data.xls
Исходные данные
С1аз5_8с, Сг_С18с
Классификационные шкалы и градации
Ор1в_8с, Сг_Орвс
Описательные шкалы и градации
Рисунок 2
В АСК-анализе все эти факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта моделирования и управления, на который они действуют, в определенное будущее состояние, описываемое классом (градация классификационной шкалы), и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [32].
При решении задач интеллектуальной атрибуции и наратологического анализа литературных текстов слова или их леммы рассматриваются как признаки текстов конкретной смысловой направленности и относящихся к определенным авторам, жанрам, и временным периодам.
При лемматизации в системе «Эйдос» используется база лемматизации, созданная академиком РАН Андреем Анатольевичем Зализняком, включая около 2 млн. словоформ русского языка.
2.4. Синтез системно-когнитивных моделей
и частные критерии знаний, многопараметрическая типизация
Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [31, 48] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [32].
Суть математической модели АСК-анализа состоит в следующем.
Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (рисунок 2 и таблица 1).
Таблица 1 - Матрица абсолютных частот
Классы
1 I W Сумма
№ 1 N11 N1J N
О а
о н ^ ев ■& К Я о Г г N. N1 Чж Ж ^ = I ^ 1=1
ев Я
СО М N N N 1У МЖ
Суммарное количество Признаков по классу п Ж М ^ =I г=1 ]=1
Суммарное количество объектов обучающей выборки по классу Ж N¿1= I 1=1
На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).
Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:
1-й способ: в качестве используется суммарное количество признаков по классу;
2-й способ: в качестве используется суммарное количество
объектов обучающей выборки по классу.
Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3, рассчитываются матрицы системно-когнитивных моделей (рисунок 1, таблица 4).
Таблица 2 - Матрица условных и безусловных процентных распределений
Классы Безусловная вероятность признака
1 j W
Значения факторов 1 P11 P1j P 11W
i P,i P II N N j j: P 1 iW P _ NiS Ps N 1У/SS
M P 1 Mi P rMj P 1 MW
Безусловная вероятность класса PSj
Таблица 3 - Различные аналитические формы частных критериев знаний
Наименование модели знаний и частный критерий Выражение для частного критерия
через относительные частоты через абсолютные частоты
ABS, матрица абсолютных частот — N
PRC1, матрица условных и безусловных процентных распределений, в качестве NSJ используется суммарное количество признаков по классу — р - Nj j Nsj
PRC2, матрица условных и безусловных процентных распределений, в качестве NSJ используется суммарное количество объектов обучающей выборки по классу — P II N N
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак Ij =Y* Log 2 p N.N I. = Yx Log 2 j j 2 N1N1 1 j
INF2, частный критерий: количество знаний по А. Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j -го класса, то у него будет обнаружен i-й признак. Ij = Yx Log2 p N,,N I. =Yx Log 2 j 2 NN. 1 J
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — N1N, I = N.. l J , j N
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу P P - P I,, = j 1 = j ' j P P N.N I. = 1 j NlNJ
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу P.. P - P I,, = j 1 = j ' j P P N.N I. = 1 j NlNJ
INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj -суммарное количество признаков по j-му классу I = P - P ¡j ¡j ¡ I = NJ N lJ N. N
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj -суммарное количество объектов по j-му классу I = P - P ¡j ¡j ¡ I = Nj N lJ N. N
Обозначения к таблице 3: I - значение прошлого параметра; j - значение будущего параметра;
Щ - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра;
М- суммарное число значений всех прошлых параметров; Ж - суммарное число значений всех будущих параметров. N1 - количество встреч 1-м значения прошлого параметра по всей выборке; Щ - количество встреч]-го значения будущего параметра по всей выборке; N - количество встреч ]-го значения будущего параметра при 1-м значении прошлого параметра по всей выборке.
¡у - частный критерий знаний: количество знаний в факте наблюдения ¡-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее ]-му значению будущего параметра;
¥ - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;
Р, - безусловная относительная частота встречи •-го значения прошлого параметра в обучающей выборке;
Рц - условная относительная частота встречи ¡-го значения прошлого параметра при Ц-м значении будущего параметра .
Таблица 4 - Матрица системно-когнитивной модели
Классы Значимость фактора
1 1 W
Значения факторов 1 1ц 11. Ц 'ш *х = 2 1 ш 2 ш-1У(/' Ц-1)
г 1,1 1Ц '¡Ж 1 ш 2 1 У (I -I) ш -1 ЦТ"
М 1М1 1мц 1мш = ^ 1 ш 2 ш-1У к 1м)
Степень редукции класса 1 шм 2 Н = 2 1 ТУ{¡и I) 2(Ж • м -1) ;
Суть этих методов в том, что вычисляется количество информации в значении фактора о том, что объект моделирования перейдет под его действием в определенное состояние, соответствующее классу. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о наблюдениях объекта моделирования, представленную в различных типах измерительных шкал и различных единицах измерения [32].
На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями, приведенными в таблице 3) и на рисунке 2, решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели [31-48].
Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два аддитивных интегральных критерия.
2.5. Интегральные критерии и решение задач системной идентификации и принятия решений
Задача системной идентификации - это задача определения степени сходства (и различия) конкретного объекта с обобщенными образами классов, соответствующих определенным авторам, жанрам и временным периодам. В моделях, приведенных в таблице 4, отражено, какое количество информации содержится в каждом слове или лемме о принадлежности литературного текста с этим словом к каждому из классов. Но в тексте содержится много слов. Поэтому естественно считать, что текст принадлежит к тем классам, о принадлежности к которым в его словах содержится максимальное суммарное количество информации.
Функция от частных критериев, имеющая определенное числовое значение, свое для каждого класса и отражающее степень принадлежности текста к данному классу, называется интегральным критерием.
В результате получается, что некоторый определенный текст в различной степени принадлежит к разным классам, причем о принадлежности к некоторым классам в его словах содержится отрицательное количество информации, что означает, что в соответствии с созданными моделями он к ним не принадлежит.
Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.
Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев.
Таким образом, интегральные критерии применяются при решении различных задач, как задачи идентификации или прогнозирования, так и задачи принятия решений.
В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:
- сумма знаний;
- резонанс знаний.
1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений факторов различной природы, характеризующих сам объект управления,
управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:
= (R. L,).
В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:
м
IJ = £ АЛ,,
i=1
где: M - количество градаций описательных шкал (признаков);
Iy = {Iij} - вектор состояния j-го класса;
Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i - й фактор действует;
L1 = < n, где: n > 0, если i - й фактор действует с истинностью n;
0, если i - й фактор не действует.
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.
Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:
==ssM £ -1' ^-L \
где:
M - количество градаций описательных шкал (признаков);
Ij - средняя информативность по вектору класса;
L - среднее по вектору объекта;
sj - среднеквадратичное отклонение частных критериев знаний вектора класса;
si - среднеквадратичное отклонение по вектору распознаваемого объекта.
Iy = {Iij} - вектор состояния j-го класса;
Li = {Li} - вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:
1, если i — й фактор действует; = < n, где: n > 0, если i — й фактор действует с истинностью n; 0, если i — й фактор не действует.
В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).
Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.
Система «Эйдос» обеспечивает построение интеллектуальных информационно-измерительных систем в различных предметных областях [31-48]. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.
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 системно-когнитивной модели [31-48].
3. Результаты и обсуждение (Results and discussion)
3.1. Когнитивно-целевая структуризация предметной области
Когнитивно-целевая структуризация предметной области включает разработку классификационных и описательных шкал (таблицы 5 и 6). Это единственный неавтоматизированный этап АСК-анализа.
Таблица 5 - Классификационные шкалы
KOD CLSC NAME CLSC
1 AUTSFIO
Таблица 6 - Описательные шкалы
KOD OPSC NAME OPSC
1 TIT
2 REF
3.2. Подготовка исходных данных, формализация предметной области
Исходные данные, используемые в численном примере данной работы, представляют собой выборку из баз данных Научного журнала КубГАУ: http://ei.kubagro.ru/ (таблица 7).
Таблица 7 - Исходные данные (фрагмент)1
id
a
nr
nrasd
autsFio
tit
ref
о о 00 о 00
<N
05_00 _00_Т ехнич еские _наук и
05_20_00 _Процесс ы_и_маш ины_агро инженерн ых_систе м
Стрижков_
ИГ Чеснюк_ЕН Чеснюк_СЕ Кузнецов_ МС
Влияние начальных условий на переходные
токи трансформа тора
В статье рассматриваются особенности протекания переходного процесса в обмотках трансформатора при ненулевых начальных условиях, характерных для режимов сушки трансформатора токами низкой частоты. Показано влияние ненулевых начальных условий на токи в обмотках
0 0
0
00
и к
уа
н
_
е и к с е
4 и н х е
Т
_
0
0 _
0
0 _
5
0
05_20_00 _Процесс ы_и_маш ины_агро инженерн ых_систе м
Бахчевнико
в_ОН Брагинец_С В
Адаптация
типовой технологич
еской схемы для
малого внутрихозя йственного комбикорм ового завода
Объектом исследования являлись методы адаптации типовых технологических схем для малых внутрихозяйственных комбикормовых заводов. Типовая технологическая схема адаптируется для конкретного завода методом исключения ненужных в данной конфигурации дополнительных технологических модулей, либо в их замене на другие модули, позволяющие добиться требуемого уровня качества обработки сырья или комбикорма путем замены имеющихся технологических операций на более совершенные, а также в добавлении в схему новых модулей. Разработан алгоритм адаптации типовой технологической схемы производства комбикормов для внутрихозяйственного завода, позволяющий максимально учесть при проектировании специфические условия и потребности конкретного сельхозпредприятия. Применение адаптированных модульных технологических схем на проектируемых малых комбикормовых заводах позволит значительно повысить питательную ценность и биологическую безопасность производимых комбикормов_
Классификационная шкала выделена желтым фоном.
1 Полный файл исходных данных можно скачать по ссылке: ftp://b5 [email protected]/htdocs/Source data applications/Applications-000208/Inp data.xlsx
3.3. Формализация предметной области
Для ввода этих исходных данных в систему «Эйдос» и формализации предметной области был использован автоматизированный программный интерфейс (API) 2.3.2.2 с параметрами, приведенными на рисунке 2:
2,3.2.2, Универсальный программный интерфейс импорта данных в систему "ЭЙДОС-Х+
I Щ МЗЫ
Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: "1пр с!а1а"
—Задайте параметры:—
Стандарт XLS-Файла
Задайте тип Файла исходных данных: "lnp_data": <• XLS -MS Excel-2003 Г XLSX- MS Excel-2007(2010) Г DBF - DBASE IV (DBF/NTX) Стандарт DBF-файла
Г" CSV - Comma-Separated Values Стандарт CSV-файла
(• Нули и пробелы считать ОТСУТСТВИЕМ данных С Нули и пробелы считать ЗНАЧЕНИЯМИ данных & Создавать БД средних по классам "lnp_davг.dbf"? Требования к Файлу исходных данных
Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: Конечный столбец классификационных шкал:
Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:
¡—Задайте режим:—
(* Формализации предметной области (на основе "1пр_с1а1а") Г Генерации распознаваемой выборки (на основе "1пр_га5р")
—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 "1пр_с1а1а":-
(•Не применять сценарный метод АСК-анализа С Применить сценарный метод АСК-анализа
15? Применить спец.интерпретацию текстовых полей классов |5? Применить спец.интерпретацию текстовых полей признаков
Параметры интерпретации значений текстовых полей ,,lnp_data,,:
В качестве классов рассматриваются: С Значения полей целиком
(* Элементы значений полей ■ слова > символов: ] 3 Г" Элементы значений полей ■ символы
С Проводить леммэтизацию (* Не проводить леммэтизацию
^В качестве признаков рассматриваются:— С Значения полей целиком
Элементы значений полей ■ слова > символов: | 3 С Элементы значений полей ■ символы
(* Проводить леммэтизацию Г" Не проводить леммэтизацию
-Какие наименования ГРАДАЦИЙ числовых шкал использовать:
Только интервальные числовые значения (например: "1 /3-{59873.0000000,178545.6666667}")
С Только наименования интервальных числовых значений (например: "Минимальное")
С" И интервальные числовые значения, и их наименования (например: "Минимальное: 1 /3-{59873.0000000,178545.6666667}")
Ok
Cancel
Рисунок 3. Главная экранная форма АР1-2.3.2.2
При вводе осуществлялась лемматизация, которая заняла около 37 секунд (рисунок 3):
■
На_пемматизациютекста из907 слов ! затрачено: 37.4900000 секунд, в среднем: 0,0379330 секунды нз слово.
В базу лемматизации: ",,1егпта^ЬГ добавлено: 103 новых слов, Необходим о указатьдля нихлеммь*
; ок |
J
Рисунок 4. Экранная форма по результатам лемматизации Так как среди классификационных и описательных шкал нет числовых, то система не запрашивает количество числовых диапазонов для них (рисунок 4):
2.3,2,5. Задана раз периост,- модели о/г темь. "ЭИДОС-Х^-
ИНФОРМАЦИЯ Й РАЗМЕРНОСТИ МОДЕЛИ
Суммарное количество градаций классификационных и описательных шкал: [23 к 46]
Тип шкалы Количество Количество Среднее Количество Количество Среднее
классифи- градаций количества описательных градаций количество
кационных классифи- градаций щкал ■описательных градаций
шкал кационных на класс, шкалу шкал на опис.шкалу
Числовые 0 * 0,00 0 0 0,00
Текстовые 1 23 '23,00 2 4Е 23,00
ВСЕГО: 1 23 23,00 2 46 23,00
Задайте число интервалов (градаций) в шкале.
¡¡к
Пересчитать шкалы и градации
Выйти на создание мидели
^ 2.3,2,2, Процесс импорта даннык из внешней Б/1 "1пр_сЫа" в систему "ЭЙДОС-Х-и-"
[Н1
Стадии исполнения процесса
1/3: Формирование классификационных и описательных шкал и градаций на основе БД "1пр_с)а(а"- Готово 2/3: Генерация обучающей выборки и базы событий "Еуеп(5К0" на основе БД "1пр_с1а(а"- Готово 3/3: Переиндексация всех баз данных нового приложения- Готово
ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО !!!
Прогноз времени исполнения
Начало: 06:30:29 Окончание: 6:30:30
100%
0к
Прошло: 0:00:00
□сталось: 0:00:00
Рисунок 5. Экранные формы АР1-2.3.2.2
Из рисунка 4 видно, что ввод исходных данных из внешнего Ехсе1-файла в систему «Эйдос» занял менее 0.5 секунды.
В данной модели использование лемматизации сокращает число слов примерно на 13%.
В результате в данном режиме автоматически разработаны градации классификационных и описательных шкал (таблицы 8 и 9), а затем с их использованием исходные данные закодированы и сформирована обучающая выборка (таблица 10):
Таблица 8 - Классификационные шкалы и градации
КОй С1_в ЫЛМЕ С1_в
1 ЛиТвР1О-алёшин вн
2 ЛиТвР1О-ачмиз ад
3 ЛиТвР1О-бахчевников он
4 ЛиТвР1О-белоусов св
5 ЛиТвР1О-богус аэ
6 ЛиТвР1О-брагинец_св
7 ЛиТвР1О-бурьянов аи
8 ЛиТвР1О-бутовченко ав
9 ЛиТвР1О-великанова ев
10 ЛиТвР1О-викторова еп
11 ЛиТвР1О-виневский еи
12 ЛиТвР1О-городецкий во
13 ЛиТвРЮ-грачев еа
14 ЛиТвР1О-даишева нм
15 ЛиТвР1О-дегтярева ка
16 ЛиТвРЮ-дёмина еб
17 ЛиТвР1О-дробот ва
18 ЛиТвР1О-евглевский ро
19 ЛиТвР1О-журтов ах
20 ЛиТвР1О-зайцев сг
21 ЛиТвР1О-исмаилов ва
22 ЛиТвР1О-калпакчи нд
23 ЛиТвР1О-камбулов си
24 ЛиТвР1О-колесник вв
25 ЛиТвР1О-коновалов ви
26 ЛиТвР1О-коновалов си
27 ЛиТвР1О-котляревская ни
28 ЛиТвР1О-кузнецов мс
29 ЛиТвР1О-купин га
30 ЛиТвР1О-курасов вс
31 ЛиТвР1О-луценко ев
32 ЛиТвР1О-люсый ин
аблица 9 - Описательные I
КОй С1_в ЫЛМЕ С1_в
33 ЛиТвР1О-малашихин нв
34 ЛиТвР1О-маслов гг
35 ЛиТвР1О-мовчан ес
36 ЛиТвР1О-мохаммед_аю
37 ЛиТвР1О-науменко аг
38 ЛиТвР1О-павлюкова ед
39 ЛиТвР1О-панасенко ею
40 ЛиТвР1О-першакова тв
41 ЛиТвР1О-пестова лп
42 ЛиТвР1О-погосян вм
43 ЛиТвР1О-припоров ие
44 ЛиТвР1О-разгонов гв
45 ЛиТвР1О-рыков вб
46 ЛиТвР1О-семенихин со
47 ЛиТвР1О-сторожук та
48 ЛиТвР1О-стрижков иг
49 ЛиТвР1О-сысоев дп
50 ЛиТвР1О-тарасенко бф
51 ЛиТвР1О-тарасьянц_са
52 ЛиТвР1О-трубилин еи
53 ЛиТвР1О-труфляк ев
54 ЛиТвР1О-труфляк ис
55 ЛиТвР1О-туманова ми
56 ЛиТвР1О-усманов мм
57 ЛиТвР1О-фролов вю
58 ЛиТвР1О-цубера иг
59 ЛиТвР1О-цыбулевский вв
60 ЛиТвР1О-чеботарёв ми
61 ЛиТвР1О-червяков ив
62 ЛиТвР1О-чеснюк ен
63 ЛиТвР1О-чеснюк се
64 ЛиТвР1О-шапиро еа
КОй ЛТР ЫЛМЕ ЛТР
1 Т1Т-автомобильный
2 Т1Т-агробиотехнологий
3 Т1Т-агроинженерный
4 Т1Т-адаптация
5 Т1Т-активный
6 Т1Т-анализ
7 Т1Т-аппарат
8 Т1Т-биологический
9 Т1Т-валец
10 Т1Т-вальцовый
11 Т1Т-вертикальный
12 Т1Т-вещество
13 Т1Т-влагообеспеченность
14 Т1Т-влияние
15 Т1Т-внутрихозяйственный
16 Т1Т-вопрос
17 Т1Т-ворох
18 Т1Т-второй
КОй ЛТР ЫЛМЕ ЛТР
41 Т1Т-корм
42 Т1Т-корнеплод
43 Т1Т-крайний
44 Т1Т-кукуруза
45 Т1Т-кукурузный
46 Т1Т-культура
47 Т1Т-малый
48 Т1Т-масса
49 Т1Т-машина
50 Т1Т-метода
51 Т1Т-механизация
52 Т1Т-механизированный
53 Т1Т-моделирования
54 Т1Т-молотилка
55 Т1Т-молотильный
56 Т1Т-надежность
57 Т1Т-напряжение
58 Т1Т-начальный
19 TIT-высококачественный
20 ^-генератор
21 ^-геометрический
22 ^-гидравлический
23 ^-грубый
24 ^-дву/плоскостными
25 ^-доска
26 ^-жидкость
27 ^-жмых
28 ^-завод
29 ^-зарядный
30 ^-зерно
31 ^-зерновые
32 ^-зерноуборочный
33 TIT-измельчение
34 ^-импульс
35 TIT-исследование
36 TIT-кинематических
37 TIT-когнитивного
38 TIT-комбайновый
39 ^-комбикормовый
40 TIT-конструктивный
59 ^-низкий
60 ^-обеспечение
61 ^-оборот
62 ^-обоснование
63 ^-обрабатываемый
64 TIT-обработка
65 ^-объёма
66 TIT-огурец
67 TIT-оптимизация
68 TIT-орган
69 TIT-основа
70 ^-основный
71 TIT-отечественный
72 TIT-отходы
73 TIT-оценка
74 TIT-очес
75 ^-очистка
76 TIT-параметр
77 TIT-первый
78 TIT-переменный
79 TIT-переработка
80 ^-переходный
Таблица 10 - Обучающая выборка (фрагмент)
а I- Ш г
^ 2.3,1. Ручной ввод-коррект/ровка обучающей выборки, ) екущая модель;
1 Код объекта '1 Наименование'с^гьекта Дата
1421808001
Й 1411807004
щ 1411807003
4 1411007001 ■
5 1401006001
6 1391805001
7 1381.804004
а 1381804003
э 1381804002
1П
Код объекта Класс 1 Класс 2 Класс: 3 Класс 4 —
48 62 63 28
л!
Код объекта Признак 1 Признак'2 Признак 3 Признак 4 Признак. 5 Признакб Признак 7]
58 151 80 147 432 332
1 309 367 317 388 280 480 232
1 шш Ш 483 ■ЗЭЙ 443 480 щ
1 4Э0 327 Ш 282 0 0 !
Помощь Скопировать обуч. выб. в расп. Добавить объект Добавить классы Добавить признаки Удалить объект Удалить классы Удалить признаки Очистить БД
Обучающая выборка по сути представляет собой базу исходных данных, нормализованную с помощью классификационных и описательных шкал и градаций.
В результате автоматической формализации предметной области подготовлены все необходимые условия для выполнения следующего этапа АСК-анализа: синтеза и верификации моделей.
3.4. Синтез и верификация моделей
Далее запускаем режим синтеза и верификации моделей с параметрами, заданными на рисунке 5.
Обратим внимание на то, что создаваемая модель по размерности составляет около 0.004% от теоретически максимальной модели, которую можно создать и обработать в системе «Эйдос».
Из рисунка 6 мы видим, что процесс синтеза и верификации моделей занял 27 минут. Отметим, что в текущей версии системы «Эйдос» графический процессор (GPU) используется только для синтеза моделей и распознавания (если задано использование GPU), а расчет 11 выходных форм по результатам распознавания всегда осуществляется на центральном процессоре (CPU). Это и занимает основное время расчетов в данном режиме.
Для оценки достоверности моделей в системе «Эйдос» используется F-мера Ван Ризбергена и две ее улучшенные модификации, предложенные проф.Е.В.Луценко [35] (рисунок 7).
(*) 3.5, Выбор моделей для синтеза и верификации
- Задайте модели для синтеза и верификации Статистические базы:
[v* :1. ABS - частный критерий: количество встреч сочетаний: "класс-признак" у объектов обуч. выборки
2. PRC1 • частный критерий: усл. вероятность i-го признака среди признаков объектов ¡-го класса [¡7 3. PRC2 - частный критерий: условная вероятность i-го признака у объектов ¡-го класса Системно-когнитивные модели (базы знаний):
|¡7 4. INFI - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 5. INF2 - частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 [¡7 Б. INF3 - частный критерий; Хи-квадрат, разности между Фактическими и ожидаемыми абс. частотами (7 7. INF4 - частный критерий: ROI (Return.On Investment); вероятности из PRC1 |¡7 8. INF5 - частный критерий: ROI (Return On Investment); вероятности из PRC2 fi/ 9. INF6 - частный критерий: разн.усли безус л. вероятностей; вероятности из PRC1 R7 10.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 С Копировать только текущий объект Г Копировать каждый И-й объект С Копировать N случайны« объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку
Пояснение по алгоритму верификации
Удалять из обуч. выборки скопированные объекты: (* Не удалять С Удалять
Подробнее
Измеряется внутренняя достоверн. мшели
Уменьшение размеров базы данным результатов распознавания: Rasp.dbf
-Текущая модель
Г 1. ABS С 2. PRC1 С 3. PRC2
е % INFI
г 5 INF2
г 6 INF3
г 7 INF4
г 8 INF5
г 3 ¡NFB
г 10JNF7
Для каждой заданной модели выполнить: (* Синтез и верификацию С" Только верификацию С" Только синтез
На каком процессоре выполнять расчеты:
с сри et- GPU
Расчетный размер БД результатов распознавания Rasp.dbf равен 83400 байт, т.е.: 0.0038836 % от МАХ-возможного. (от 2Гб) Задайте, сколько % от исходной БД Rasp.dbf оставить, удаляя наименее достоверные результаты распознавания: |lOOr 0000000
Рисунок 6. Первая экранная форма режима синтеза и верификации моделей
Рисунок 7. Последняя экранная форма _режима синтеза и верификации моделей
3.4.Обобщ,форма по достов,моделей при разн.йнт.крит, Текущая модели ~ПЧР1" ТИ
мшш Ван Ризбергена решений (ST... С^мма'мОну... уровней сне... решений (ST... Сумма Mofty... Сумма моду... уровней схо... уровней схо.. решений (SFP) : решений (S F... «Г Номера Е.В.Луценко
1. ABS - частный критерий: количество встреч сочетаний: "клас... Корреляция абс.частот с обр.... 387 0.173 1.000 0.295 77.119 46.921 12.408 0.861 1.000 0.926
1. ABS - частный критерий: количество встреч сочетаний: "клас... Сумма абс.частот по признак... 1058 0.071 1.000 0.133 S0.422 33.266 0.603 1.000 0.752
2. PRC1 - частный критерий: усл. вероятность ¡-го признака сред... Корреляция усл.стн.частот с о... 3S7 0.173 1.000 0.295 77.119 46.921 12.408 0.861 1.000 0.926
2. PRC1 - частный критерий: усл. вероятность i-ro признака сред... Сумма усл. стн. част от по приз... 1058 0.071 1.000 0.133 62.610 45.091 0.581 1.000 0.735
3. PRC2 - частный критерий: условная вероятность ¡-го признака... Корреляция усл.стн.частот с о... 387 0.173 1.000 0.295 77.119 46.921 12.408 0.861 1.000 0.926
3. PRC2 ■ частный критерий: условная вероятность i-ro признака... Сумма усясткчастот по приз... 1058 0.071 1.000 0.133 57.061 41.020 0.582 1.000 0.736
4. INFI - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 116 0.411 1.000 0.583 74.989 61.825 3.578 0.954 1.000 0.977
4. INFI ■ частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 1058 0.071 1.000 0.133 51.990 23.964 0.684 1.000 0.613
5. INF2 - частный критерий: количество знаний по АХаркевичу; в... Семантический резонанс зна... 115 0.413 1.000 0.585 75.005 61.804 3.566 0.955 1.000 0.977
5. INF2 - частный критерий: количество знаний по АХаркевичу; в... Сумма знаний 1058 0.071 1.000 0.133 49.506 22.849 0.684 1.000 0.S12
G. INF3 - частный критерий: Хи-квадрат. разности межщ Фактич... Семантический резонанс зна... 190 0.299 1.000 0.46.0 76.501 89.523 6.204 0.925 1.000 0.961
6. INF3 - частный критерий: Хи-квадрат, разности межну фактич... Сумма знаний 190 0.299 1.000 0.460 49.282 53.034 3.752 0.929 1.000 0.963
7. INF4 - частный критерий: ROI (Return On Investment); вероятно... 42 0.659 1.000 0.794 73.685 74.041 1.078 0.986 1.000 0.993 '
7. INF4 - частный критерий: ROI (Return On Investment]; вероятно... Сумма знаний 1058 0.071 1.000 0.133 22.119 5.258 0.808 1.000 0.894
8. INF5 • частный критерий: ROI (Return On Investment]; вероятно... Семантический резонанс зна... 40 0.669 1.000 0.802 73.699 74.005 1.069 0.986 Щ 1.000
8. INF5 - мастный критерий: ROI (Return On Investment]; вероятно... Сумма знаний 1058 0.071 1.000 0.133 22.282 5.262 0.809 1.000 0.894
9. INF6 - частный критерий: разн.усл.и безусл.вероятностей; вер... Семантический резонанс зна... 294 0.216 1.000 0.355 76.833 52.117 8.074 0.905 1.000 0.950
Э. INF6 - частный критерий: разкусяи безусявероятностей; вер... Сумма знаний 1058 0.071 1.000 0.133 58.709 35.861 0.621 1.000 0.766
1Ü.INF7 - частный критерий: разкусяи безусл.вероятностей; ве... Семантический резонанс зна... 297 0.214 1.000 0.353 76.832 51.972 8.032 0.905 1.000 0.950
10.INF7 - частный критерий: разкусяи безусл.вероятностей; ве... Сумма знаний 1058 0.071 1.000 0.133 53.293 32.446 0.622 1.000 0.767
а ;
Помощь по мерам достоверности | Помощь по частотным распределениям | TP.TN.FP.FnI (ТР-РР). (ТМ-РИ) | (Т-РУРЧР)'ЮО | Задать интервал сглаживания |
Рисунок 8. Экранные формы режима оценки достоверности моделей
Из рисунка 7 видно, что по критерию Ь1 наилучшей по достоверности системно-когнитивной моделью является модель ЮТ5 с интегральным критерием «Семантический резонанс знаний»: Ь1=0,993, при уровнях сходства выше 33% число истинных решений значительно превосходит число ложных решений. Это очень хороший результат. Поэтому данная модель и выбрана в качестве текущей для решения поставленных в работе задач на последующих этапах АСК-анализа.
Сами созданные модели здесь не приводятся из-за большой размерности (это матрицы размерностью 255 колонок и 11432 строк). Но их всегда можно посмотреть в режиме 5.5. системы «Эйдос» и скачав и установи приложение № 208 из Эйдос-облака.
3.5. Придание статуса текущей наиболее достоверной модели !ЫР5
Придадим наиболее достоверной модели статус текущей
(рисунок 8):
Рисунок 9. Придание наиболее достоверной модели ШБ4 статуса текущей
3.6. Решение задачи системной идентификации (атрибуции текстов)
При решении задачи идентификации для каждого фрагмента текста распознаваемой выборки в наиболее достоверной модели ШБ5 рассчитываются значения интегрального критериев для каждого класса. При этом определяется степень сходства каждого текста с обобщенными образами всех классов, а потом для каждого текста все классы
ранжируются в порядке убывания сходства с текстом и, таким образом, идентифицируются автор произведения, его название, жанр, период и год написания (рисунки 9 и 10).
Рисунок 10. Решение задачи атрибуции текстов
Из рисунка 9 видно, что процесс атрибуции 21 текста занял на графическом процессоре около 2 секунд. 99,99% этого времени занял расчет 11 выходных форм по результатам атрибуции, из которых здесь из-за ограничений на объем статьи приводятся только три.
На рисунке 10 приведена форма, в которой слева мы выбираем текст, а справа видим классы, ранжированные в порядке убывания сходства выбранного текста с этими классами.
4.1.3.1. Визуализация резулвтатзв распознавания 5 отяоше«^: Сбъе*т-классы\ Те^щав модель: П1ЫР5': - - 1 '' 1
Распознаваемые о&ьекты Интегральный критерий сходства: "Семантический резонанс знаний"
1 Ш Наим.рй^тя V' Ктс, Н."кмгч' глт-ы--: Ф... | Сходство !
7 1381804004 Д11Т 5 Р10 -луценко_ев 84,46... V -!
8 1381804003 18 А11Т 5 П 0-евглевский_ро 4,359... л
Э 13ИШЙШ 33 Д11Т 5 Р10 -малашихин_нв 4,359... 1
10 13ЙЩЙ0? 34 Д11Т 5 Р10 -маслов_гг 4.359... 1
11 1371803006 43 АиТ5Р10-припоров_ие -0,549...
12 1371803005 155 Д11Т5Р10-туманова_ми •0.978...
13 1371883003 57 А11Т 5 Р10 -Фролов_вю •0,978..:
14 1371803001 8 Д11Т 5 Р10 -бутовченко_ав •1.744...
15 1361882006 4 АиТ5Р10-белоусов_св •2,408... .1
16 1361802005 <
17 1361'682Й4-:
18 1361802003 ш Наименование класса Сходство Сходство -
13 1361882002 я Д11Т Б Р10 -луценко_ев 100,00...
30 1361802001 43 ДиТ5Р10-припоров_ие 3,132... II
21 '<МЙИ*. 8 Д11Т ЗР! 0-бутовченко_ав 2.379..:
.22 1'здают5: 18 Д11Т 5 Р10 -евглевский_ро 1,853...
23 1351801014 33 Д11Т 5 Р! 0 -малашихин_нв 1.853...
24 1351881007 34 Д11Т 5 Р10 -маслов_гг 1,853...
25 13Й'8вШг- 55 ДиТ5Р10-туманова_ми 1,566...
26 57 ДиТ5РЮ-Фролов_вю 1.566...
I I 30 Д11Т Э Р10 -курасов_вс 1,506...
1 — | 9 классов с МахМп УрСк | ВСЕ классы | ВКЛ. Фильтр по класс.шкале ВЫКЛ.Фильтр по класс.шкале | ГраФ.диаграммы
Рисунок 11. Некоторые результаты решение задачи атрибуции текстов
В верхнем окне справа используется интегральный критерий «Резонанс знаний», в справа внизу - «Сумма знаний». «Птичка» стоит против тех результатов идентификации, которые соответствуют действительности. На рисунке 11 приведена аналогичная форма, но слева в ней мы выбираем класс, а справа видим тексты, ранжированные в порядке убывания их сходства с этими классами._
[ 4 1.3.2. Визуализация результатов распознавания в отношении; Класс- ■объекты'. Тешущая модель; 1'
— - . 1
Классы
1 в Наим, класса Наименование эд.. Сходство:.
17 Д и Т 5 П 0 -дробот_ва 26 :135188}СПЙ 8446 Ш-
18 ДиТ5П0-евглевский_ро 23 1351801014 ■2580...
19 дитзпо -журтов_ах 11 Щ"1803006 -2,997...
20 1 ДиТ5П0-зайцев_сг 9 ■Ще,..
21 дитзяо исмаилов_ва 14 1371ШЩ -3,567
22 дитзпо калпакчи_нд 24 1351801007 ■3.567...
23 дитзпо камбулов_си В: Щ"1803003 ,4:149...
24 дитзно колесник_вв 7 13ЙЯЙ1Й0 4558,..
25 дит&ио коновалов_ви 1 14этавдаз. -
26 дитзпо коновалов_си 'I
27 дитзпо котляревская_н 1И Интегральный критерий сштетеаь^ймма.еетемий*
28 дитзно кузнецов_мс щ Наименование объекта Сходство:. Л
29 дит&ио купин_га 26 ■13518в)М| 100.00.. V
30 Д1Л5Н0 курасов_вс 11 1371803006 3.132...
31 дитзпо луценко_ев ■ 4 Й 8МЙШ1 ■ЗЗЙ
32 дитзпо люсый_ин 14 мне 1.374...
33 дит&ио малашинин_нв 24 :135180)007 1,974
34 Д1Л5Н0 маслов_гг 3 Т381804002 1.566...
35 дитзпо мовчан_ес В: Щйнии Шё
36 дитэпо мокаммеа_аю 4 1411.80ЙЙ. 0.753..
37 дитзпо науменко_аг I 1371ШЮ5 МЩ-- \
III • I « ►
. ■
1 Помощь Поиск объекта В начало БД В конец БД Нредьдущая | Следующая 3 ЗаОДЬей. | Все записи ПечатьХ1,5 | Печать ИЛ | Печать АН |
_ _ _ - _ _= ^т -1
Рисунок 12. Некоторые результаты решение задачи атрибуции текстов
На рисунке 12 форма, в которой классы ранжированы в порядке убывания достоверности идентификации текстов с ними по Б-критерию Ван Ризбергена. Есть аналогичные формы и по Ь1 и Ь2 критериям.
t 'А. 1.3.10. F-Mepa (к чество) идентификации классов при разных моделях и тральных критер иях. Текущая моде,«™ н -' I •ж®
КОД Наименование МАХ Модель Интегр. Модель: Модель: Модель: Модель."- Модель: Модель: Модель: Модель: Модель: Модел Модель: Модель: Модель: Модель: Модель:
масса ШШ; ZL, В МАХ критерий шт It 2Ь Ер Г^егр - INP4. INF5. INF?, ¡§■1 ABS. PRC1, INK,
33ш РЕЗОНАНС ЗНАНИЙ. РЕЗОНАНС ЗНАНИЙ ЗНАНИЙ ЗНАНИЙ РЕЗОНАНС ЗНАНИЙ РЕЗОНАНС РЕЗОНАНС ЗНАНИЙ ЗНАНИЙ РЕЗОНАНС Щ8, СУММА СУММА ЗНАНИЙ ЗНАНИЙ is СУММА ЗНАНИЙ ЗНАНИЙ
М adtsf О-алёшии вн ООО IHF1 Резонанс 0 444 0 444 0 444 1 000 1 000 0 500 1 000 000 0 667 0 500 0 148 0 146 0 146 0 148 0 141
2 ADISF О-ачмиз ал 000 INF5 Резонанс 0 167 0 167 0 167 0 500 0 500 0 500 0 667 000 0 222 0 222 0 095 0" о;:. 0" 055 о" ~095 о" "09:
3 ADISF О-бахчевников он 000 INF4 Резонанс 0 333 0 333 0 333 0 687 0 667 0 667 1 ООО 000 0 333 0 333 0 154 0 154 0 154 0 154 0 25
4 ADISF 0-6елоус&в_ев 571 INF4 Резонанс 0 364 0 364 0 364 0 500 0 500 0 444 0 571 571 0 400 0 400 0 190 0 190 0 190 0 190 0 191
5 ADISF 0-богус_аэ 000 IHF1 Резонанс 0 500 0 500 0 500 1 000 1 000 1 000 1 000 000 1 000 1 000 0 167 0 167 0 167 0 167 0 16 j
6 ADISF О-брагинец св 000 IHF4 Резонанс 0 333 0 333 0 333 0 667 0 667 0 667 1 000 000 0 333 0 333 0 154 0 154 0 154 0 154 0 22
7 AOTSF 0-бурьянов_аи ООО 1NF4 Резонанс 0 182 0 182 0 182 0 667 0 667 0 500 1 000 ООО 0 286 0 286 о 118 0" "lis 0" 12 = сГ Tl8 <Г ТТ.
AOTSF О-бутовченкэ аз ООО INF4 Резонанс 0 286 0 286 0 286 0 667 0 667 0 667 1 000 ООО 0 286 0 286 о 100 О Too 0" 100 о" 100 Toil
9 AOTSF О-великанова ев 667 INF4 Резонанс 0 286 0 28 6 0 28 6 0 400 0 400 0 333 0 6 67 667 0 28 6 0 286 а 080 О 080 0 080 0 080 о" 08'
10 ADISF О-викюрова еп 000 INF5 Резонанс 0 167 0 167 0 167 0 500 0 500 0 500 0 667 000 0 222 0 222 0 095 о" 095 0" 035 о" 0 95 о" С 9
11 AUTSF О-виневский ей 000 INF4 Резонанс 0 200 0 200 0 200 0 €67 0 667 0 333 1 000 000 0 286 0 250 0 105 0 105 0 105 0 105 0 2:
12 AOTSF О-городецкий во 000 INF4 Резонанс 0 333 0 333 0 333 0 667 0 667 0 667 1 000 000 0 667 0 500 0 125 0 125 0 125 0 125 0 12:
13 ADISF 0-щрачев_еа 000 INF1 Резонанс 0 500 0 500 0 500 1 000 1 000 1 00 С 1 0 ОС сю с 1 000 1 000 0 167 0 16? 0 167 0 167 0 16'
_14_ ADISF 0-даишева_нм 000 INF4 Резонанс _0_ J 53 _0_ 333 _0_ 333 _0_ 667 _0_ 667 _0^ 667 _1_ ООО С" 00 0 667 _0_ 500 _0^ 125 _0^ 12:, _0_ 125 _0_ 125 _0_ 12
15 ADISF 0-дегтярева_ка 000 INF4 Резонанс 0 28« 0 286 0 286 0 400 0 400 0 400 1 ООО С 00 0 333 0 333 0 111 0 111 0 111 0 111 0 И
16 ADISF 0-дёмина_еб 0 667 INF1 Резонанс 0 333 0 333 0 333 0 667 0 667 0 667 0 667 0 667 0 333 0 333 0 118 0 118 0 118 0 118 0 11!
17 ADISF 0-дро6от_ва 0 G67 INF4 Резонанс 0 500 0 500 0 500 0 500 0 500 0 400 0 667 0 667 0 500 0 500 0 182 0 182 0 182 0 182 0 18:
18 ADTSF О-евглевский_ро 0 667 INF4 Резонанс 0 333 0 333 0 333 0 571 0 571 0 500 0 667 0 667 0 400 0 400 0 211 0 211 0 211 0 211 0 21:
19~ ADTSF 0-*уртов_ах о" 667 INF1 Резонанс 0 ~286 о" ~286 о" ~286 о" Тб7 <г Тб7 (Г loo 6 Тб7 о" Isi о" Too о" Too 0 loo (Г Too cT Too 0 Too о" То.
20~~ ADTSF 0-зайцеВ_сг г Too INF4 Резонанс о" 1=2 о" 1=2 о" 1 = 2 о" ~667 о" ~667 о" 500 г ООО г COO о" "¡86 о" ~286 о Tl8 о" 11 = 0 112 о" 11 = о" 11
21 ADTSF 0-исмаилов_ва 1 ООО INF4 Резонанс 0 154 0 154 0 154 0 667 0 667 0 400 1 ООО 1 coo 0 20 0 0 286 о 095 О 0=5 О 0-55 0 0 95 0 09:
22 ADTSF О- калл акчи_нд 1 С 00 INF4 Резонанс 0 286 0 286 0 286 0 400 0 400 0 400 1 ООО 1 coo 0 333 0 333 0 111 О 111 О 111 0 111 0 11
«1 1 __J
П°М°ЩЬ I 1 Сортировка по коду объекта |
Рисунок 13. Некоторые результаты решение задачи атрибуции текстов
Таким образом решение задачи идентификации литературного источника в данном интеллектуальном облачном Эйдос-приложении - это и есть решение задачи атрибуции текста и частично - задачи его наратологического анализа.
3.7. Решение задачи принятия решений (вывод информации о результатах многопараметрической типизации)
На этапе синтеза моделей путем обобщения примеров обучающей выборки были созданы обобщенные образы классов. Представляет интерес, а что же это за образы классов. Можно вывести информацию об этом в форме SWOT-диаграмм [34]
На рисунках 13 и 14 приведены SWOT-диаграммы классов по авторам из которых видно, какие слова наиболее характерны (слева) и наиболее нехарактерны (справа) для данного автора:_
SWOTDiaqrCls0031-06.jpq r . ■ _ ■ л. ж _ Л — — -ф - 1 т — Л !<ai
"Когнитивн СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: SWOT-Д ый анализ ИАГРАММА КЛАССА В МОДЕЛИ: "1^3" терминологии научного дискурса специальное Шкала: [1] АитЭРЮ Класс: [31] луценко_ев ти 05.20.01" ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния: 1-503
[2] REF [415] система 1=2.090 1=0.407 I И (^ЕР [432] статья
[1]ТТТ [3] агроинженерный 1=0.900 1=-0.341 [2] ЯЕР [185] величина
[1] ТПРУ] когнитивного 1=0.900 |=-0.256 [2] ВЕР [233] исследование
или [49] машина 1=0.900 l=-0.243 [2] КЫ-[192] влияние
[1]ТГТ [53] моделирования 1=0.900 l=-0.243 [2] [176] анализ
[1]ТТТ [126] система 1=0.900 1=-0.231 [2] ЯЕР [343] почва
П1ТТГ [127] системный 1=0.900 1=0.219 [2] ВЕР [313] параметр
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-503 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 27.09.2020-19:16:26 Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 14. Примеры информации из класса по автору
SWOTDiaqrCls0004-06.jpq Л — ш А Л ш _ £ А _^ |ö
Б\/\ЮТ-ДИАГРАММА КЛАССА В МОДЕЛИ: "1^3" "Когнитивный анализ терминологии научного дискурса специальности 05.20.01" Шкала: [1] АиТБРЮ Класс: [41 белоусов св СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния: ~ ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:
[2] REF [185] величина 1=3.312 1=0.564 [2] REF [368] процесс
[1]ПТ [25] доска 1=1.765 1=0.493 [2] REF [233] исследование
[1]ТТТ [62] обоснование 1=1.765 1=-0.4 70 [2] REF [192] влияние
[1JIII [82] плуг 1=1.765 1=-0.470 12] КЫ-[176] анализ
[1]ТТТ [86] полевой 1=1.765 1=-0.352 [2] REF [365] производство
[1]ТТТ [159] цилиндрический 1=1.765 1=-0.352 I [101] процесс
[2] REF [178] барабан 1=1.765 1=0.329 [2] REF [478] фактор
Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-503 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений 1-503
СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: Форма создана: 27.09.2020-19:17:00 Значения факторов. СПОСОБСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи КРАСНОГО цвета. Толщина линии отражает степень влияния. Значения факторов. ПРЕПЯТСТВУЮЩИЕ переходу объекта управления в состояние, соотвествующее классу, отображается линиями связи СИНЕГО цвета. Толщина линии отражает степень влияния.
Рисунок 15. Примеры информации из классов по произведению
По сути это семантические ядра и антиядра данных авторов, наиболее характерные и наиболее нехарактерные термины для их научного стиля (дискурса). Они же могут быть использованы в качестве ключевых слов к их статьям [38-43].
3.8. Решение задачи исследования моделируемой
предметной области путем исследования ее модели
Если модель верно отражает моделируемую предметную область (а в нашем случае, как мы видели выше это так), то исследование модели обоснованно можно считать исследованием самой моделируемой предметной области.
В настоящее время, т.е. в текущей версии системы «Эйдос», исследование моделируемой предметной области путем исследования ее модели, включает: инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов); кластерно-конструктивный анализ классов; кластерно-конструктивный анализ значений факторов (слов); нелокальные нейроны; нелокальная нейронная сеть; 3D-интегральные когнитивные карты; 2D-интегральные когнитивные карты содержательного сравнения классов; 2D-интегральные когнитивные карты содержательного сравнения значений факторов (слов); когнитивные функции; значимость факторов и их значений; степень детерминированности классов и классификационных шкал [31-47].
В данной работе из-за ограничений на ее объем мы рассмотрим лишь некоторые их этих возможностей исследования: инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов); кластерно-конструктивный анализ классов; нелокальные нейроны;
нелокальная нейронная сеть; значимость факторов и их значений; степень детерминированности классов и классификационных шкал.
3.8.1. Инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов)
Инвертированные SWOT-диаграммы предложены автором [34] в 1994 году и показывают в наглядной форме какое количество информации содержится в определенном значении фактора (в данном случае это слова) о принадлежности объекта моделирования к различным классам: авторам, литературному произведению, жанру, периоду ил году написания. Слева в этой диаграмме выводятся классы для которых данное слово характерно, причем классы расположены в порядке убывания степени характерности, а справа - классы, для которых данное слово нехарактерно (рисунок 16)
Рисунок 16. Примеры информации из слова по классам
3.8.2. Кластерно-конструктивный анализ классов
С точки зрения представления знаний класс представляет собой колонку матрицы статистической или системно-когнитивной модели (таблицы 1, 2, 4). Эти колонки можно количественно сравнить друг с другом и сформировать матрицу сходства классов (таблица 11):
Таблица 11 - Матрица сходства классов
<л —1 о 1 о О ^ 1ЧЛМЕ_01.8 н в _ X и ш ё л -а О и_ 8 Т и < д го 1 3 и м 4 -а О ц_ 8 Т и < н о _ в о к и X т е ч х а -б О ц_ 8 Т и < в с _ в о о у о л е -б О ц_ 8 Т и < э го о' уг о -б О ц_ 8 Т и < в с _ц ш X и г а р -б О ц_ 8 Т и < и а _ в о X я ь р у -б О ц_ 8 Т и < в а _ о к н ш ч в о т у -б О ц_ 8 Т и < в е _ а в о X го к и л е -в О ц_ 8 Т и < п е _ а в о ср о тк и -в О ц_ 8 Т и < и е _ й и ^ о в е н и -в О ц_ 8 Т и < о в _ й и к ^ ш д о р о г О ц_ 8 Т и < а е 1 в е ч а р г О ц_ 8 Т и <
1 ЛиТ8Р10-алёшин вн 100 62 -6 -26 -6 -6 -6 -6 74 62 -3 -12 -6
2 ЛиТ8РЮ-ачмиз ад 62 100 -6 -16 -5 -6 -1 -2 -7 100 -3 -5 -5
3 ЛиТ8Р10-бахчевников он -6 -6 100 -12 3 100 1 -0 -3 -6 -0 -5 3
4 ЛиТ8Р10-белоусов св -26 -16 -12 100 -12 -12 -12 -4 -19 -16 -10 -20 -12
5 ЛиТ8Р10-богус аэ -6 -5 3 -12 100 3 -2 1 -3 -5 3 -5 100
6 ЛиТ8Р10-брагинец_св -6 -6 100 -12 3 100 1 -0 -3 -6 -0 -5 3
7 ЛиТ8Р10-бурьянов аи -6 -1 1 -12 -2 1 100 1 -6 -1 1 -9 -2
8 ЛиТ8Р10-бутовченко ав -6 -2 -0 -4 1 -0 1 100 -6 -2 1 -5 1
9 ЛиТ8Р10-великанова ев 74 -7 -3 -19 -3 -3 -6 -6 100 -7 -2 -11 -3
10 ЛиТ8Р10-викторова еп 62 100 -6 -16 -5 -6 -1 -2 -7 100 -3 -5 -5
11 ЛиТ8Р10-виневский еи -3 -3 -0 -10 3 -0 1 1 -2 -3 100 -9 3
12 ЛиТ8Р10-городецкий во -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
13 ЛиТ8Р10-грачев еа -6 -5 3 -12 100 3 -2 1 -3 -5 3 -5 100
14 ЛиТ8Р10-даишева нм -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
15 ЛиТ8Р10-дегтярева ка -9 -1 -2 2 -4 -2 -8 -5 -10 -1 -6 -11 -4
16 ЛиТ8Р10-дёмина еб -12 -11 -4 -15 -4 -4 -7 -1 -6 -11 -5 -8 -4
17 ЛиТ8Р10-дробот ва -10 -7 -2 -13 2 -2 -4 -2 -7 -7 -1 -3 2
18 ЛиТ8Р10-евглевский ро -11 -4 -5 -20 -2 -5 -1 3 -10 -4 -9 -5 -2
19 ЛиТ8Р10-журтов ах -1 -4 2 -10 3 2 -3 -1 2 -4 -1 -3 3
20 ЛиТ8Р10-зайцев сг -6 -1 1 -12 -2 1 100 1 -6 -1 1 -9 -2
21 ЛиТ8Р10-исмаилов ва -0 7 -3 -7 -2 -3 2 1 -6 7 1 -5 -2
22 ЛиТ8Р10-калпакчи нд -9 -1 -2 2 -4 -2 -8 -5 -10 -1 -6 -11 -4
23 ЛиТ8Р10-камбулов си -12 -11 -4 -15 -4 -4 -7 -1 -6 -11 -5 -8 -4
24 ЛиТ8Р10-колесник вв -12 -11 -4 -15 -4 -4 -7 -1 -6 -11 -5 -8 -4
25 ЛиТ8Р10-коновалов ви -26 -16 -12 100 -12 -12 -12 -4 -19 -16 -10 -20 -12
26 ЛиТ8Р10-коновалов си -26 -16 -12 100 -12 -12 -12 -4 -19 -16 -10 -20 -12
27 ЛиТ8Р10-котляревская ни -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
28 ЛиТ8Р10-кузнецов мс 1 -4 -5 -14 -5 -5 -1 -1 4 -4 -5 -0 -5
29 ЛиТ8Р10-купин га 100 62 -6 -26 -6 -6 -6 -6 74 62 -3 -12 -6
30 ЛиТ8Р10-курасов вс -13 -11 4 -7 0 4 -6 5 -7 -11 6 -8 0
31 ЛиТ8Р10-луценко ев -3 -2 -0 -8 1 -0 -2 3 -3 -2 -3 -2 1
32 ЛиТ8Р10-люсый ин -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
33 ЛиТ8Р10-малашихин нв -11 -4 -5 -20 -2 -5 -1 3 -10 -4 -9 -5 -2
34 ЛиТ8Р10-маслов гг -11 -4 -5 -20 -2 -5 -1 3 -10 -4 -9 -5 -2
35 ЛиТ8Р10-мовчан ес -26 -16 -12 100 -12 -12 -12 -4 -19 -16 -10 -20 -12
36 ЛиТ8Р10-мохаммед аю -10 -7 -2 -13 2 -2 -4 -2 -7 -7 -1 -3 2
37 ЛиТ8Р10-науменко аг -3 -3 -0 -10 3 -0 1 1 -2 -3 100 -9 3
38 ЛиТ8Р10-павлюкова ед -9 -1 -2 2 -4 -2 -8 -5 -10 -1 -6 -11 -4
39 ЛиТ8Р10-панасенко ею 74 -7 -3 -19 -3 -3 -6 -6 100 -7 -2 -11 -3
40 ЛиТ8Р10-першакова тв 100 62 -6 -26 -6 -6 -6 -6 74 62 -3 -12 -6
41 ЛиТ8Р10-пестова лп -3 -3 -0 -10 3 -0 1 1 -2 -3 100 -9 3
42 ЛиТ8Р10-погосян вм -11 -9 4 -7 1 4 -5 5 -6 -9 4 -8 1
43 ЛиТ8Р10-припоров ие -9 -7 2 -4 -0 2 -3 3 -5 -7 5 -4 -0
44 ЛиТ8Р10-разгонов гв 1 -2 -3 -13 -3 -3 8 1 3 -2 3 -6 -3
45 ЛиТ8Р10-рыков вб -12 -11 -4 -15 -4 -4 -7 -1 -6 -11 -5 -8 -4
46 ЛиТ8Р10-семенихин со -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
47 ЛиТ8Р10-сторожук та 2 -2 -0 -12 1 -0 -2 4 4 -2 -3 -5 1
48 ЛиТ8Р10-стрижков иг 1 -4 -5 -14 -5 -5 -1 -1 4 -4 -5 -0 -5
49 ЛиТ8Р10-сысоев_дп -1 -4 2 -10 3 2 -3 -1 2 -4 -1 -3 3
50 ЛиТ8Р10-тарасенко бф -17 -11 -0 -19 1 -0 -3 -2 -13 -11 -9 -9 1
51 ЛиТ8Р10-тарасьянц_са -9 -1 -2 2 -4 -2 -8 -5 -10 -1 -6 -11 -4
52 ЛиТ8Р10-трубилин еи -30 -21 -13 87 -14 -13 -15 -4 -21 -21 -12 -22 -14
53 ЛиТ8Р10-труфляк ев 1 -2 -3 -13 -3 -3 8 1 3 -2 3 -6 -3
54 ЛиТ8Р10-труфляк ис 1 -2 -3 -13 -3 -3 8 1 3 -2 3 -6 -3
55 ЛиТ8Р10-туманова ми -4 -0 10 -6 -2 10 3 2 -5 -0 -5 -8 -2
56 ЛиТ8Р10-усманов_мм -12 -5 -5 -20 -5 -5 -9 -5 -11 -5 -9 100 -5
фрагмент)
Эта матрица может быть отображена полностью или частично в
форме круговой когнитивной диаграммы (рисунок 17).
Рисунок 17. Круговая когнитивная диаграмма классов (фрагмент)
Данная диаграмма получена при параметрах визуализации, приведенных на рисунке 18:
Рисунок 18. Экранная форма задания параметрах визуализации
Кроме круговой когнитивной диаграммы классов на основе матрицы сходства классов может получена дендрограмма когнитивной агломеративной кластеризации и график межкластеных расстояний (19):
Рисунок 19. Дендрограмма когнитивной агломеративной кластеризации
и график межкластеных расстояний
Параметры визуализации дендрограмы приведены на рисунке 20:
Рисунок 20. Экранная форма задания параметрах визуализации
Анализируя дендрограмму на рисунке 19 можно сделать обоснованные выводы о сходстве и различии терминологического аспекта научного стиля (дискурса) различных авторов статей по специальности 05.20.01.
3.8.3. Нелокальные нейроны и нелокальная нейронная сеть
Нелокальные нейроны и нелокальные нейронные сети были предложены автором в 2003 году [38], хотя на систему «Эйдос», которая на них основана, первые патенты были получены еще в 1994 году [36, 37].
Нелокальные нейроны отражают количество информации содержится в рецепторах об активации и торможении нейрона (рисунок
21). На рисунке 21 изображен фрагмент одного слоя нейронной сети:
Рисунок 21. Пример нелокального нейрона (фрагмент)
Рисунок 22. Один слой нелокальной нейронной сети (фрагмент 1,81%)
Отметим, что на рисунке 22 отображено лишь 1,81% нелокальной нейронной сети, созданной в данной работе. На рисунке 23 приведено около 30% этого слоя:
Рисунок 23. Один слой нелокальной нейронной сети (фрагмент 30%)
3.8.4. Значимость факторов и их значений
Отметим, что как значимость значения фактора, степень детерминированности класса и ценность или качество модели в целом в АСК-анализе рассматривается в ариаб ельность значений частных критериев этого значения фактора, класса или модели в целом.
В таблице 4 приведены количественные меры значимости (дифференцирующей мощности) значений факторов (слов), т.е. их ценности для решения задачи атрибуции литературных текстов (таблица 12, рисунок 23), а также степени детерминированности классов и степени сформированности модели.
ParetoGrOpSc-O8.jpg ^ ^ , ^ т ^ . ш —- _■_^fc— |ö|
ПАРЕТО-КРИВАЯ ЗНАЧИМОСТИ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ (ПРИЗНАКОВ) В МОДЕЛИ: "1^5" "Когнитивный анализ терминологии научного дискурса специальности 05.20.01"
Суммарная значимость градаций описательных шкал (признаков) в % 0.0
2 10.2 20.2 30.1 4 .1 50.1 60.1 70.1 80.0 9 .0 10
объектов с этим'признаком по классам. Количественной мерой значимости признака в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ ЗНАЧЕНИЙ частых критериев, основанных на этом признаке, по классам в статистических моделях: Abs. Ргс1. Ргс2 и в моделях знаний: Infi. Inf2 Inf3. Inf4. Infi. Inf6. Inf7. Иначе говоря некоторьй признак является тем более значимым, чем больше он в среднем содержит информации о принадлежности обладающего им объекта к одним классам и не принадлежности к другим. 11уть на отображаемый файл: C:\AIÜUS-X\AIU_ÜAIAWUUÜÜÜÜHSYSIhM\\HaretoürüpScM-laretoürüpSc-INI-b.jpg Расстояние между точками Red-Blue: 36% от максимально возможного Форма создана: 2/.ü9.2U2ü-19:Si9:2b
Рисунок 24. Значимость слов для атрибуции текстов нарастающим итогом http://ej.kubagro.ru/2020/08/pdf/09.pdf
Таблица 12 - Ценность слов для решения задачи атрибуции текстов в системно-когнитивной модели ШБ5 (фрагмент 0,54%)
Значимость
№ Крд Наименование Значимость, % нарастающим итогом, %
1 185 REF-величина 0,7959373 0,7959373
2 478 REF-фактор 0,6088207 1,4047580
3 495 REF-эмпирический 0,6029285 2,0076865
4 432 REF-статья 0,4752787 2,4829652
5 343 REF-почва 0,4531353 2,9361005
6 401 REF-сахарный 0,4398636 3,3759641
7 76 Ж-параметр 0,4310520 3,8070161
8 313 REF-параметр 0,4310520 4,2380682
9 368 REF-процесс 0,4180730 4,6561412
10 241 REF-конструктивный 0,4031584 5,0592995
11 415 REF-система 0,4029058 5,4622053
12 454 REF-технологический 0,4023598 5,8645652
13 176 REF-анализ 0,3980893 6,2626544
14 386 REF-расчет 0,3979686 6,6606230
15 383 REF-рассмотреть 0,3949841 7,0556072
16 141 Ж-теоретический 0,3935790 7,4491861
17 277 REF-настоящий 0,3810647 7,8302508
18 365 REF-производство 0,3772558 8,2075066
19 25 Ж-доска 0,3749032 8,5824098
20 62 Ж-обоснование 0,3749032 8,9573129
21 82 Ж-плуг 0,3749032 9,3322161
22 86 Ж-полевой 0,3749032 9,7071193
23 159 Ж-цилиндрический 0,3749032 10,0820225
24 178 REF-барабан 0,3749032 10,4569256
25 200 REF-выражение 0,3749032 10,8318288
26 213 REF-доска 0,3749032 11,2067320
27 217 REF-зависимость 0,3749032 11,5816351
28 260 REF-механический 0,3749032 11,9565383
29 331 REF-полевой 0,3749032 12,3314415
30 334 REF-получен 0,3749032 12,7063446
31 374 REF-радиус 0,3749032 13,0812478
32 404 REF-свойство 0,3749032 13,4561510
33 450 REF-также 0,3749032 13,8310542
34 479 REF-физик 0,3749032 14,2059573
35 488 REF-цилиндр 0,3749032 14,5808605
36 489 REF-цилиндрический 0,3749032 14,9557637
37 233 REF-исследование 0,3716839 15,3274476
38 6 TIT-анализ 0,3710159 15,6984635
39 282 REF-ненулевой 0,3658620 16,0643255
40 460 REF-трансформатор 0,3658620 16,4301875
41 101 TIT-процесс 0,3646177 16,7948053
42 358 REF-проблема 0,3613348 17,1561401
43 322 REF-подаваемый 0,3608577 17,5169978
44 192 REF-влияние 0,3479224 17,8649203
45 158 TIT-хранение 0,3356584 18,2005786
46 297 REF-озимый 0,3337107 18,5342894
47 371 REF-пшеница 0,3337107 18,8680001
48 462 REF-уборка 0,3306315 19,1986316
49 308 REF-основный 0,3288868 19,5275185
50 223 REF-зерно 0,3233286 19,8508471
51 163 TIT-экспертный 0,3186374 20,1694845
52 30 TIT-зерно 0,3146195 20,4841041
53 274 REF-направление 0,3146195 20,7987236
54 398 REF-рядковый 0,3136580 21,1123816
55 224 REF-зерновые 0,3120808 21,4244623
56 232 REF-использование 0,3120011 21,7364634
57 225 REF-значительный 0,3109287 22,0473921
58 19 TIT-высококачественный 0,3037177 22,3511098
59 51 Ж-механизация 0,3037177 22,6548275
60 100 TIT-производство 0,3037177 22,9585452
61 104 TIT-пшеница 0,3037177 23,2622629
62 136 TIT-стратегия 0,3037177 23,5659806
Отметим, что в таблице 12 приведен фрагмент, составляющий 12% от всей таблицы. При этом ценность наиболее ценных для атрибуции текстов слова отличается от ценности наименее ценных слов почти в 9 раз.
3.8.5. Степень детерминированности классов и классификационных шкал
Степень детерминированности классов приведена на рисунке 25 и в таблице 13:
ParetoGrCISc-08.jp9 — — ~ • ' •
ПАРЕТО-КРИВАЯ СТЕПЕНИ ДЕТЕРМИНИРОВАННОСТИ КЛАССОВ (ГРАДАЦИЙ КЛАССИФИКАЦИОННЫХ ШКАЛ) В МОДЕЛИ: "ШР5" "Когнитивный анализ терминологии научного дискурса специальности 05.20.01"
Суммарная детерминированность градаций классификационных шкал (классов) в %
5.2 6 11.4 21.3 31.1 40.9 50.8 60.6 70.5 80.3 90.2 100.0
Степень детерминированности класса (градации классификационной шкалы) представляет собой количественную оценку суммарной сипы влияния всех факторов на переход объекта моделирования в состояние, соответствующее классу. Количественной мерой степени детерминированности класса в системе "Эйдос-Х++" является ВАРИАБЕЛЬНОСТЬ сипы и направления влиян >я различных значений факторов по данному классу в статистических: Abs. Ргс1. Ргс2 и в системно-когнитивных: Infi. Inf2. Inf3. Inf4. Inf5. Inf6. Inf? моделях. Иначе говоря степень детерминированности класса тем выше, чем больше среднее количество информации в различных значений факторов о переходе объекта моделирования в состояние, соответствующее классу. Путь на отображаемый файл: C:\AIDOS-X\AID_DATA\A0000001\SYSTEMWParetoGrCISc\ParetoGrCISc-INF5.jpg Расстояние между точками Red-Blue: 44% от максимально возможного Форма создана: 27.09.2020-20:40:00
Рисунок 25. Степень детерминированности классов нарастающим итогом
Таблица 13 - Степень детерминированности классов (полностью)
Детер- Детерминиро-
миниро- ванность, нараст.
№ Код Наименование ванность, % итогом, %
1 50 AUTSFIO-тарасенко_бф 2,7981016 2,7981016
2 60 AUTSFIO-чеботарёв_ми 2,6176228 5,4157243
3 64 AUTSFIO^arrnpo_ea 2,6176228 8,0333471
4 52 AUTSFIO-трубилин_еи 2,5236941 10,5570412
5 18 AUTSFIO-евглевский_ро 2,4874073 13,0444485
6 33 AUTSFIO-малашихин нв 2,4874073 15,5318558
7 34 AUTSFIO-маслов гг 2,4874073 18,0192632
8 4 AUTSFIO-белоусов^в 2,3731243 20,3923875
9 25 AUTSFIO-коновалов ви 2,3731243 22,7655118
10 26 AUTSFIO-коновалов си 2,3731243 25,1386361
11 35 AUTSFIO-мовчан ес 2,3731243 27,5117605
12 30 AUTSFIO^ypacoB_BC 1,9813472 29,4931076
13 1 AUTSFIO-алёшин вн 1,8061175 31,2992251
14 29 AUTSFIO-^rrnH^a 1,8061175 33,1053426
15 40 AUTSFЮ-першaковa_тв 1,8061175 34,9114601
16 5 AUTSFIO-богу^аэ 1,5759260 36,4873861
17 13 AUTSFIO-грaчев_еa 1,5759260 38,0633120
18 3 AUTSFIO-бахчевников он 1,4846330 39,5479451
19 6 AUTSFIO-брaгинец_св 1,4846330 41,0325781
20 31 AUTSFIO-луценко_ев 1,4473207 42,4798988
21 11 AUTSFIO-виневский еи 1,4218346 43,9017334
22 37 AUTSFIO-нaуменко_aг 1,4218346 45,3235680
23 41 AUTSFIO-пестова лп 1,4218346 46,7454025
24 9 AUTSFIO-великaновa_ев 1,4216362 48,1670388
25 39 AUTSFЮ-панасенко ею 1,4216362 49,5886750
26 15 AUTSFЮ-дегтярева_ка 1,4139228 51,0025979
27 22 AUTSFЮ-калпакчиJнд 1,4139228 52,4165207
28 38 AUTSFЮ-павлюкова_ед 1,4139228 53,8304436
29 51 AUTSFЮ-тарасьянц са 1,4139228 55,2443664
30 43 AUTSFЮ-припоров ие 1,3918346 56,6362010
31 19 AUTSFЮ-журтов_ах 1,3501755 57,9863765
32 49 AUTSFЮ-сысоев_дп 1,3501755 59,3365519
33 12 AUTSFЮ-городецкий_во 1,3262699 60,6628219
34 14 AUTSFЮ-даишева нм 1,3262699 61,9890918
35 27 AUTSFЮ-котляревскаяJни 1,3262699 63,3153617
36 32 AUTSFЮ-люсый ин 1,3262699 64,6416316
37 46 AUTSFЮ-семенихин со 1,3262699 65,9679016
38 56 AUTSFЮ-усманов мм 1,3262699 67,2941715
39 7 AUTSFЮ-бурьянов_аи 1,3070952 68,6012667
40 20 AUTSFЮ-зайцев_сг 1,3070952 69,9083619
41 61 AUTSFЮ-червяков_ив 1,3070952 71,2154571
42 21 AUTSFЮ-исмаилов ва 1,2820956 72,4975527
43 58 AUTSFЮ-цубера иг 1,2820956 73,7796483
44 16 AUTSFЮ-дёмина_еб 1,2767983 75,0564465
45 23 AUTSFЮ-камбулов_си 1,2767983 76,3332448
46 24 AUTSFЮ-колесник вв 1,2767983 77,6100431
47 45 AUTSFЮ-рыков вб 1,2767983 78,8868413
48 44 AUTSFЮ-разгонов_гв 1,2720483 80,1588896
49 53 AUTSFЮ-труфляк_ев 1,2720483 81,4309379
50 54 AUTSFЮ-труфляк_ис 1,2720483 82,7029862
51 55 AUTSFЮ-туманова ми 1,2668523 83,9698385
52 57 AUTSFЮ-фролов вю 1,2668523 85,2366908
53 28 AUTSFЮ-кузнецов_мс 1,2545818 86,4912726
54 48 AUTSFЮ-сфижков_иг 1,2545818 87,7458544
55 62 AUTSFЮ-чеснюк ен 1,2545818 89,0004362
56 63 AUTSFЮ-чеснюк се 1,2545818 90,2550180
57 47 AUTSFIO-сторожук_та 1,2486364 91,5036544
58 42 AUTSFЮ-погосян вм 1,2367965 92,7404508
59 59 AUTSFЮ-цыбулевский_вв 1,2367965 93,9772473
60 8 AUTSFЮ-бутовченко ав 1,2223487 95,1995960
61 2 AUTSFЮ-ачмиз ад 1,2192067 96,4188027
62 10 AUTSFЮ-викторова_еп 1,2192067 97,6380094
63 17 AUTSFЮ-дробот_ва 1,1809953 98,8190047
64 36 AUTSFЮ-мохаммед_аю 1,1809953 100,0000000
Отметим, что степень детерминированности обобщенных лингвистических образов наиболее сформированных классов превосходит степень детерминированности наименее сформированных классов в 2,4 раза. Степень детерминированности обобщенных лингвистических образов классов, т.е. авторов, по сути представляет собой их узнаваемость по терминологическим особенностям научного дискурса этих авторов.
3.9. Повышение статуса результатов исследования
В данной работе кратко описано, как в АСК-анализе разрабатываются и применяются системно-когнитивные модели, отражающие, какое количество информации содержится в научных терминах о принадлежности научных текстов с этими терминами различным авторам.
В работе [39] обосновывается, что системно-когнитивные модели имеют статус содержательных феноменологических моделей. Для дальнейшего повышения статуса их статуса до уровня эмпирических
законов необходимо расширить эмпирическую область и создать соответствующие модели. Это можно сделать увеличив количество анализируемых статей и авторов, а также научных специальностей.
Если после этого раскрыть механизмы и причинные действия этих закономерностей и дать их содержательную интерпретацию, то можно расширить область применения эмпирических законов на всю предметную область, в которой действуют те же причинные и механизмы, и, таким образом, сформулировать теоретические научные законы, т.е. перевести исследование с эмпирического уровня на теоретический [39].
5. Выводы (СопЫиэюпэ)
5.1. Эффективность предложенного решения проблемы
Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута. Любой желающий может лично ознакомится с интеллектуальным Эйдос-приложением, т.к. он размешено в Эйдос-облаке под номером 208. Сама система «Эйдос» относится к бесплатному открытому программному обеспечению. Ее можно скачать по ссылке: http://lc.kubagro.ru/aidos/ Aidos-X.htm. Установить данное приложение можно в Диспетчере приложений (режим 1.3).
5.2. Основные результаты исследования
В работе созданы лингвистические системно-когнитивные модели, отражающие терминологические особенности научного дискурса ряда авторов научных статей по специальности 05.20.01 - Технологии и средства механизации сельского хозяйства (технические науки).
Эти модели позволили получить два основных научных результата:
1. Получить терминологические семантические ядра и антиядра ряда авторов, т.е. наиболее характерные и наиболее нехарактерные термины их научного стиля (дискурса). Они же могут быть использованы в качестве ключевых слов к их статьям [38-43].
3. Было проведено сравнение авторов по терминологическим особенностям их научного стиля (дискурса). Результаты сравнения авторов приведены в форме агломеративной дендрограммы, анализируя которую можно сделать обоснованные выводы о сходстве и различии терминологического аспекта научного стиля (дискурса) различных авторов статей по специальности 05.20.01.
5.3. Ограничения и недостатки предложенного решения проблемы и перспективы его развития путем
их преодоления этих ограничений и недостатков
Проблема, поставленная в работе, успешно решена, цель достигнута. Однако исходные данные, использованные для ее решения имеют довольно ограниченный объем. Методы АСК-анализа и его программный инструментарий интеллектуальная система «Эйдос» могут быть применены и для решения подобных задач на гораздо больших объемах исходных данных [31-47]. Это планируется сделать в будущих работах.
5.4. Заключение
Данная работа демонстрирует, что математические модели (частные и интегральные критерии), методики численных расчетов (структуры данных и алгоритмы их обработки), экранные формы управления процессами, программный интерфейс ввода текстовых данных в систему «Эйдос» и повышения степени формализации исходных данных от вербализации до нормализованных баз данных (API), экранные формы текстовых и графических выходных форм по результатам решения задач прогнозирования, принятия решений и исследования, программная реализация математических моделей, методик численных расчетов, интерфейса и когнитивной графики в системе «Эйдос» являются адекватным средством для решения поставленной и решаемой в статье проблемы.
6. Благодарности (Acknowledgements)
Авторы благодарны академику РАН, профессору Андрею Анатольевичу Зализняку за его замечательные работы и вдохновляющий пример жизни настоящего Ученого-филолога и человека с большой буквы.
Список литературы (References)
1. Corston-Oliver S. H., Mathur S. Linguistically intelligent text compression : пат. 7069207 США. - 2006.
2. Jacobs P. S. Text-based intelligent systems: Current research and practice in information extraction and retrieval. - Psychology Press, 2014.
3. Zantout H., Marir F. Document management systems from current capabilities towards intelligent information retrieval: an overview //International Journal of Information Management. - 1999. - Т. 19. - №. 6. - С. 471-484.
4. Roque A. Towards a computational approach to literary text analysis //Proceedings of the NAACL-HLT 2012 Workshop on Computational Linguistics for Literature. - 2012. -С. 97-104.
5. Ide N. M., Veronis J. Artificial intelligence and the study of literary narrative //Poetics. - 1990. - Т. 19. - №. 1-2. - С. 37-63.
6. Nissan E. Tools for representing and processing narratives //Encyclopedia of information ethics and security. - IGI Global, 2007. - С. 638-644.
7. Bharti S. K., Babu K. S. Automatic keyword extraction for text summarization: A survey //arXiv preprint arXiv:1704.03242. - 2017.
8. Cercone N., Murchison C. Integrating Artificial Intelligence into literary research: an invitation to discuss design specifications //Computers and the Humanities. - 1985. - С. 235-243.
9. Stañczyk U., Cyran K. A. Machine learning approach to authorship attribution of literary texts //International journal of applied mathematics and informatics. - 2007. - Т. 1. -№. 4. - С. 151-158.
10. Stamatatos E., Fakotakis N., Kokkinakis G. Automatic text categorization in terms of genre and author //Computational linguistics. - 2000. - Т. 26. - №. 4. - С. 471-495.
11. Koppel M., Schler J., Argamon S. Computational methods in authorship attribution //Journal of the American Society for information Science and Technology. -2009. - Т. 60. - №. 1. - С. 9-26.
12. Zheng R. et al. A framework for authorship identification of online messages: Writing - style features and classification techniques //Journal of the American society for information science and technology. - 2006. - Т. 57. - №. 3. - С. 378-393.
13. Holmes D. I. Authorship attribution //Computers and the Humanities. - 1994. - Т. 28. - №. 2. - С. 87-106.
14. Stamatatos E. Author identification: Using text sampling to handle the class imbalance problem //Information Processing & Management. - 2008. - Т. 44. - №. 2. - С. 790-799.
15. Juola P., Baayen R. H. A controlled-corpus experiment in authorship identification by cross-entropy //Literary and Linguistic Computing. - 2005. - Т. 20. - №. Suppl. - С. 5967.
16. Calix K. et al. Stylometry for e-mail author identification and authentication //Proceedings of CSIS Research Day, Pace University. - 2008. - С. 1048-1054.
17. Шмид В. Нарратология. — Москва: Языки славянской культуры, 2003. —
312 с.
18. Осьмухина О.Ю. Русская литература сквозь призму идентичности: маска как форма авторской репрезентации в прозе XX столетия. — Саранск: Изд-во Мордовского ун-та, 2009. — 288 с. — ISBN 978-57103-2093-8.
19. Кожевникова Н.А. Типы повествования в русской литературе XIX-XX вв. / Н.А. Кожевникова. — М.: Ин-т русского языка РАН, 1994. - 350 с.
20. Корман Б.О. Итоги и перспективы изучения проблемы автора / Б.О. Корман // Страницы истории русской литературы / Под ред. Д.Ф. Маркова. М.: Наука, 1971. - С. 199-207.
21. Бахтин М.М. Проблемы творчества Достоевского/ М.М. Бахтин // Бахтин М.М. Собр. соч.: в 7 т. М.: Русские словари; Языки славянской культуры, 2002. - Т.6. -С. 5-300.
22. Лотман Ю.М. Текст в тексте / Ю.М. Лотман // Лотман Ю.М. Избр. ст.: в 3 т. Таллинн: Александра, 1992. - Т. 1. - С. 148-160.
23. Тюпа В. И. Категория интриги в современной нарратологии // Питання л^ературознавства. - 2013. - № 87. - С. 64-76.
24. Андрей Боген. „Черт на блюдце": Введение в историческую нарратологию. Saarbrücken: Lambert Academic Publishing 2016.
25. Глазков А. Из реальности в текст и обратно: очерк прагматики нарративного текста. - М.: ДеЛибри, 2018.
26. Калмыкова Е. С., Мергенталер Э. Нарратив в психотерапии: рассказы пациентов о личной истории (часть II) // Журнал практической психологии и психоанализа, № 2, 2002 г.
27. Карабаева А. Г. Нарратив в науке и образовании // Инновации и образование: Сборник материалов конференции. Серия «Symposium», вып. 29. — СПб.: Санкт-Петербургское философское общество, 2003. — С. 89—96.
28. Можейко М. А. Нарратив // История философии. Энциклопедия / А. А. Грицанов. — Мн.: Интерпрессервис; Книжный Дом, 2002.
29. Брокмейер Й., Харре Р. Нарратив: проблемы и обещания одной альтернативной парадигмы
30. Алексанян Е.А. Новации нарратива XX века (Les innovations du style narratif du XX siècle) (франц) // Сб. «Традиции и новаторства в обществе и культуре».
— Вена, 2005.
31. 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
32. 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.
33. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. -№07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011 /07/pdf/40.pdf, 3,062 у.п.л.
34. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej .kubagro .ru/2014/07/pdf/90 .pdf, 2,688 у.п.л.
35. Луценко, Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1
- 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej .kubagro .ru/2017/02/pdf/01 .pdf, 2 у.п.л.
36. Луценко, Е.В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01 .pdf, 3,438 у.п.л. (http://lc.kubagro.ru/aidos/Presentation Aidos-online.pdf)
37. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная on-line среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. -Режим доступа: http://lc.kubagro.ru/aidos/2017661153.ipg, 2 у.п.л.
38. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ei.kubagro.ru/2003/01/pdf/11 .pdf, 0,812 у.п.л.
39. Луценко Е. В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. -№03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ei.kubagro.ru/2017/03/pdf/01 .pdf, 3,75 у.п.л.
40. Луценко Е.В. Синтез семантических ядер научных специальностей ВАК РФ и автоматическая классификации статей по научным специальностям с применением АСК-анализа и интеллектуальной системы «Эйдос» (на примере Научного журнала КубГАУ и его научных специальностей: механизации, агрономии и ветеринарии) / Е.В. Луценко, Н.В. Андрафанова, Н.В. Потапова // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2019. - №01(145). С. 31
- 102. - IDA [article ID]: 1451901033. - Режим доступа: http://ei .kubagro .ru/2019/01 /pdf/3 3 .pdf, 4,5 у.п.л.
41. Луценко Е. В. Формирование семантического ядра ветеринарии путем Автоматизированного системно-когнитивного анализа паспортов научных специальностей ВАК РФ и автоматическая классификация текстов по направлениям науки / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №10(144). С. 44 - 102. - IDA [article ID]: 1441810033. - Режим доступа: http://ej .kubagro.ru/2018/10/pdf/33 .pdf, 3,688 у.п.л.
42. Луценко Е.В. Интеллектуальная привязка некорректных ссылок к литературным источникам в библиографических базах данных с применением АСК-анализа и системы «Эйдос» (на примере Российского индекса научного цитирования -РИНЦ) / Е.В. Луценко, В.А. Глухов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №01(125). С. 1
- 65. - IDA [article ID]: 1251701001. - Режим доступа: http://ei .kubagro .ru/2017/01 /pdf/01 .pdf, 4,062 у.п.л.
43. Луценко Е.В. Применение АСК-анализа и интеллектуальной системы "Эйдос" для решения в общем виде задачи идентификации литературных источников и авторов по стандартным, нестандартным и некорректным библиографическим описаниям / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №09(103). С. 498 - 544. - IDA
[article ID]: 1031409032. - Режим доступа: http://ej .kubagro.ru/2014/09/pdf/32.pdf, 2,938 у.п.л.
44. Луценко Е.В. АСК-анализ проблематики статей Научного журнала КубГАУ в динамике / Е.В. Луценко, В.И. Лойко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №06(100). С. 109 - 145. - IDA [article ID]: 1001406007. - Режим доступа: http://ej .kubagro.ru/2014/06/pdf/07.pdf, 2,312 у.п.л.
45. Луценко Е.В. Атрибуция анонимных и псевдонимных текстов в системно-когнитивном анализе / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2004. - №03(005). С. 44
- 64. - IDA [article ID]: 0050403003. - Режим доступа: http://ej .kubagro.ru/2004/03/pdf/03 .pdf, 1,312 у.п.л.
46. Луценко Е.В. Атрибуция текстов, как обобщенная задача идентификации и прогнозирования / Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №02(002). С. 146 - 164.
- IDA [article ID]: 0020302013. - Режим доступа: http://ej .kubagro.ru/2003/02/pdf/13 .pdf, 1,188 у.п.л.
47. Lutsenko D.S., Lutsenko E.V. INTELLECTUAL ATTRIBUTION of LITERARY TEXTS (finding the dates of the text, determining authorship and genre on the example of Russian literature of the XIX and XX centuries), July 2020, DOI: 10.13140/RG.2.2.15349.81122, License CC BY-SA 4.0, 9 p. Access mode: https://www.researchgate.net/publication/343214991 INTELLECTUAL ATTR IBUTION of LITERARY TEXTS finding the dates of the text determinin g authorship and genre on the example of Russian literature of the XIX a nd_XX_centuries?channel=doi&linkId=5f1c96afa6fdcc9626b37dfb&showFullt ext=true
48. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-594672-757-0. http://elibrary.ru/item.asp?id=21358220
References
1. Corston-Oliver S. H., Mathur S. Linguistically intelligent text compression : pat. 7069207 SShA. - 2006.
2. Jacobs P. S. Text-based intelligent systems: Current research and practice in information extraction and retrieval. - Psychology Press, 2014.
3. Zantout H., Marir F. Document management systems from current capabilities towards intelligent information retrieval: an overview //International Journal of Information Management. - 1999. - T. 19. - №. 6. - S. 471-484.
4. Roque A. Towards a computational approach to literary text analysis //Proceedings of the NAACL-HLT 2012 Workshop on Computational Linguistics for Literature. - 2012. -S. 97-104.
5. Ide N. M., Veronis J. Artificial intelligence and the study of literary narrative //Poetics. - 1990. - T. 19. - №. 1-2. - S. 37-63.
6. Nissan E. Tools for representing and processing narratives //Encyclopedia of information ethics and security. - IGI Global, 2007. - S. 638-644.
7. Bharti S. K., Babu K. S. Automatic keyword extraction for text summarization: A survey //arXiv preprint arXiv:1704.03242. - 2017.
8. Cercone N., Murchison C. Integrating Artificial Intelligence into literary research: an invitation to discuss design specifications //Computers and the Humanities. - 1985. - S. 235-243.
9. Stañczyk U., Cyran K. A. Machine learning approach to authorship attribution of literary texts //International journal of applied mathematics and informatics. - 2007. - T. 1. -№. 4. - S. 151-158.
10. Stamatatos E., Fakotakis N., Kokkinakis G. Automatic text categorization in terms of genre and author //Computational linguistics. - 2000. - T. 26. - №. 4. - S. 471-495.
11. Koppel M., Schler J., Argamon S. Computational methods in authorship attribution //Journal of the American Society for information Science and Technology. -2009. - T. 60. - №. 1. - S. 9-26.
12. Zheng R. et al. A framework for authorship identification of online messages: Writing - style features and classification techniques //Journal of the American society for information science and technology. - 2006. - T. 57. - №. 3. - S. 378-393.
13. Holmes D. I. Authorship attribution //Computers and the Humanities. - 1994. - T. 28. - №. 2. - S. 87-106.
14. Stamatatos E. Author identification: Using text sampling to handle the class imbalance problem //Information Processing & Management. - 2008. - T. 44. - №. 2. - S. 790-799.
15. Juola P., Baayen R. H. A controlled-corpus experiment in authorship identification by cross-entropy //Literary and Linguistic Computing. - 2005. - T. 20. - №. Suppl. - S. 5967.
16. Calix K. et al. Stylometry for e-mail author identification and authentication //Proceedings of CSIS Research Day, Pace University. - 2008. - S. 1048-1054.
17. Shmid V. Narratologiya. — Moskva: Yazy'ki slavyanskoj kul'tury', 2003. — 312
s.
18. Os'muxina O.Yu. Russkaya literatura skvoz' prizmu identichnosti: maska kak forma avtorskoj reprezentacii v proze XX stoletiya. — Saransk: Izd-vo Mordovskogo un-ta, 2009. — 288 s. — ISBN 978-57103-2093-8.
19. Kozhevnikova N.A. Tipy' povestvovaniya v russkoj literature XIX-XX vv. / N.A. Kozhevnikova. — M.: In-t russkogo yazy'ka RAN, 1994. - 350 s.
20. Korman B.O. Itogi i perspektivy' izucheniya problemy' avtora / B.O. Korman // Stranicy istorii russkoj literatury' / Pod red. D.F. Markova. M.: Nauka, 1971. - S. 199-207.
21. Baxtin M M. Problemy' tvorchestva Dostoevskogo/ M M. Baxtin // Baxtin M M. Sobr. soch.: v 7 t. M.: Russkie slovari; Yazy'ki slavyanskoj kul'tury', 2002. - T.6. - S. 5-300.
22. Lotman Yu.M. Tekst v tekste / Yu.M. Lotman // Lotman Yu.M. Izbr. st.: v 3 t. Tallinn: Aleksandra, 1992. - T. 1. - S. 148-160.
23. Tyupa V. I. Kategoriya intrigi v sovremennoj narratologii // Pitannya literaturoznavstva. - 2013. - № 87. - S. 64-76.
24. Andrej Bogen. „Chert na blyudce": Vvedenie v istoricheskuyu narratologiyu. Saarbrücken: Lambert Academic Publishing 2016.
25. Glazkov A. Iz real'nosti v tekst i obratno: ocherk pragmatiki narrativnogo teksta. -M.: DeLibri, 2018.
26. Kalmy'kova E. S., Mergentaler E'. Narrativ v psixoterapii: rasskazy' pacientov o lichnoj istorii (chast' II) // Zhurnal prakticheskoj psixologii i psixoanaliza, № 2, 2002 g.
27. Karabaeva A. G. Narrativ v nauke i obrazovanii // Innovacii i obrazovanie: Sbornik materialov konferencii. Seriya «Symposium», vy'p. 29. — SPb.: Sankt-Peterburgskoe filosofskoe obshhestvo, 2003. — S. 89—96.
28. Mozhejko M. A. Narrativ // Istoriya filosofa. E'nciklopediya / A. A. Griczanov. — Mn.: Interpresservis; Knizhny'j Dom, 2002.
29. Brokmejer J., Xarre R. Narrativ: problemy' i obeshhaniya odnoj al'ternativnoj paradigmy'
30. Aleksanyan E.A. Novacii narrativa XX veka (Les innovations du style narratif du XX siècle) (francz) // Sb. «Tradicii i novatorstva v obshhestve i kul'ture». — Vena, 2005.
31. Lucenko E.V. Avtomatizirovanny'j sistemno-kognitivny'j analiz v upravlenii aktivny'mi ob'ektami (sistemnaya teoriya informacii i ee primenenie v issledovanii e'konomicheskix, social'no-psixologicheskix, texnologicheskix i organizacionno-texnicheskix sistem): Monografiya (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
32. Lucenko E.V. Metrizaciya izmeritel'ny'x shkal razlichny'x tipov i sovmestnaya sopostavimaya kolichestvennaya obrabotka raznorodny'x faktorov v sistemno-kognitivnom analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j 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.
33. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizaciya na osnove znanij (klasterizaciya v sistemno-kognitivnom analize i intellektual'noj sisteme «E'jdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
34. Lucenko E.V. Kolichestvenny'j avtomatizirovanny'j SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy' «E'jdos-X++» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
35. Lucenko, E.V. Invariantnoe otnositel'no ob'emov danny'x nechetkoe mul'tiklassovoe obobshhenie F-mery' dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.
36. Lucenko, E.V. Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda dlya obucheniya i nauchny'x issledovanij na baze ASK-analiza i sistemy' «E'jdos» / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. - Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l. (http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf)
37. Lucenko E.V., Otkry'taya masshtabiruemaya interaktivnaya intellektual'naya online sreda «E'jdos» («E'jdos-online»). Svid. RosPatenta RF na programmu dlya E'VM, Zayavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. -Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.
38. Lucenko E.V. Sistemnaya teoriya informacii i nelokal'ny'e interpretiruemy'e nejronny'e seti pryamogo scheta / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j
nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. -IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
39. Lucenko E.V. Problemy' i perspektivy' teorii i metodologii nauchnogo poznaniya i avtomatizirovanny'j sistemno-kognitivny'j analiz kak avtomatizirovanny'j metod nauchnogo poznaniya, obespechivayushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. - Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
40. Lucenko E.V. Sintez semanticheskix yader nauchny'x special'nostej VAK RF i avtomaticheskaya klassifikacii statej po nauchny'm special'nostyam s primeneniem ASK-analiza i intellektual'noj sistemy' «E'jdos» (na primere Nauchnogo zhurnala KubGAU i ego nauchny'x special'nostej: mexanizacii, agronomii i veterinarii) / E.V. Lucenko, N.V. Andrafanova, N.V. Potapova // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2019. - №01(145). S. 31 - 102. - IDA [article ID]: 1451901033. - Rezhim dostupa: http://ej.kubagro.ru/2019/01/pdf/33.pdf, 4,5 u.p.l.
41. Lucenko E.V. Formirovanie semanticheskogo yadra veterinarii putem Avtomatizirovannogo sistemno-kognitivnogo analiza pasportov nauchny'x special'nostej VAK RF i avtomaticheskaya klassifikaciya tekstov po napravleniyam nauki / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2018. - №10(144). S. 44 - 102. - IDA [article ID]: 1441810033. - Rezhim dostupa: http://ej.kubagro.ru/2018/10/pdf/33.pdf, 3,688 u.p.l.
42. Lucenko E.V. Intellektual'naya privyazka nekorrektny'x ssy'lok k literaturny'm istochnikam v bibliograficheskix bazax danny'x s primeneniem ASK-analiza i sistemy' «E'jdos» (na primere Rossijskogo indeksa nauchnogo citirovaniya - RINCz) / E.V. Lucenko, V.A. Gluxov // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2017. - №01(125). S. 1 - 65. - IDA [article ID]: 1251701001. - Rezhim dostupa: http://ej.kubagro.ru/2017/01/pdf/01.pdf, 4,062 u.p.l.
43. Lucenko E.V. Primenenie ASK-analiza i intellektual'noj sistemy' "E'jdos" dlya resheniya v obshhem vide zadachi identifikacii literaturny'x istochnikov i avtorov po standartny'm, nestandartny'm i nekorrektny'm bibliograficheskim opisaniyam / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2014. - №09(103). S. 498 - 544. - IDA [article ID]: 1031409032. - Rezhim dostupa: http://ej.kubagro.ru/2014/09/pdf/32.pdf, 2,938 u.p.l.
44. Lucenko E.V. ASK-analiz problematiki statej Nauchnogo zhurnala KubGAU v dinamike / E.V. Lucenko, V.I. Lojko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [E'lektronny'j resurs]. - Krasnodar: KubGAU, 2014. - №06(100). S. 109 - 145. - IDA [article ID]: 1001406007. - Rezhim dostupa: http://ej.kubagro.ru/2014/06/pdf/07.pdf, 2,312 u.p.l.
45. Lucenko E.V. Atribuciya anonimny'x i psevdonimny'x tekstov v sistemno-kognitivnom analize / E.V. Lucenko // Politematicheskij setevoj e'lektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU)
[ETektronny j resurs]. - Krasnodar: KubGAU, 2004. - №03(005). S. 44 - 64. - IDA [article ID]: 0050403003. - Rezhim dostupa: http://ej.kubagro.ru/2004/03/pdf/03.pdf, 1,312 u.p.l.
46. Lucenko E.V. Atribuciya tekstov, kak obobshhennaya zadacha identifikacii i prognozirovaniya / E.V. Lucenko // Politematicheskij setevoj eTektronny'j nauchny'j zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchny'j zhurnal KubGAU) [ETektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №02(002). S. 146 - 164. - IDA [article ID]: 0020302013. - Rezhim dostupa: http://ej.kubagro.ru/2003/02/pdf/13.pdf, 1,188 u.p.l.
47. Lutsenko D.S., Lutsenko E.V. INTELLECTUAL ATTRIBUTION of LITERARY TEXTS (finding the dates of the text, determining authorship and genre on the example of Russian literature of the XIX and XX centuries), July 2020, DOI: 10.13140/RG.2.2.15349.81122, License CC BY-SA 4.0, 9 p. Access mode: https://www.researchgate.net/publication/343214991_INTELLECTUAL_ATTRIBUTION_of _LITERARY_TEXTS_finding_the_dates_of_the_text_determining_authorship_and_genre_o n_the_example_of_Russian_literature_of_the_XIX_and_XX_centuries?channel=doi&linkId= 5f1c96afa6fdcc9626b37dfb&showFulltext=true
48. Orlov A.I., Lucenko E.V. Sistemnaya nechetkaya intervafnaya matematika. Monografiya (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672757-0. http://elibrary.ru/item.asp?id=21358220
