Почему в с выходит отрицательный аске код
Перейти к содержимому

Почему в с выходит отрицательный аске код

  • автор:

Encoding. ASCII Свойство

Некоторые сведения относятся к предварительной версии продукта, в которую до выпуска могут быть внесены существенные изменения. Майкрософт не предоставляет никаких гарантий, явных или подразумеваемых, относительно приведенных здесь сведений.

Получает кодировку для набора символов ASCII (7-разрядных).

public: static property System::Text::Encoding ^ ASCII < System::Text::Encoding ^ get(); >;
public static System.Text.Encoding ASCII
static member ASCII : System.Text.Encoding
Public Shared ReadOnly Property ASCII As Encoding
Значение свойства

Кодировка для 7-разрядной кодировки ASCII.

Примеры

В следующем примере демонстрируется воздействие кодировки ASCII на символы, находящиеся за пределами диапазона ASCII.

using namespace System; using namespace System::Text; using namespace System::Collections; int main() < // Create an ASCII encoding. Encoding^ ascii = Encoding::ASCII; // A Unicode String* with two characters outside the ASCII code range. String^ unicodeString = L"This unicode string contains two characters with codes outside the ASCII code range, Pi (\u03a0) and Sigma (\u03a3)."; Console::WriteLine( "Original string:" ); Console::WriteLine( unicodeString ); // Save the positions of the special characters for later reference. int indexOfPi = unicodeString->IndexOf( L'\u03a0' ); int indexOfSigma = unicodeString->IndexOf( L'\u03a3' ); // Encode the String*. array^encodedBytes = ascii->GetBytes( unicodeString ); Console::WriteLine(); Console::WriteLine( "Encoded bytes:" ); IEnumerator^ myEnum = encodedBytes->GetEnumerator(); while ( myEnum->MoveNext() ) < Byte b = safe_cast(myEnum->Current); Console::Write( "[]", b ); > Console::WriteLine(); // Notice that the special characters have been replaced with // the value 63, which is the ASCII character code for '?'. Console::WriteLine(); Console::WriteLine( "Value at position of Pi character: ", encodedBytes[ indexOfPi ] ); Console::WriteLine( "Value at position of Sigma character: ", encodedBytes[ indexOfSigma ] ); // Decode bytes back to String*. // Notice the missing Pi and Sigma characters. String^ decodedString = ascii->GetString( encodedBytes ); Console::WriteLine(); Console::WriteLine( "Decoded bytes:" ); Console::WriteLine( decodedString ); > /* This code produces the following output. Original string: This unicode string contains two characters with codes outside the ASCII code range, Pi (Π) and Sigma (Σ). Encoded bytes: [84][104][105][115][32][117][110][105][99][111][100][101][32][115][116][114][105][110][103][32][99][111][110][116][97][105][110][115][32][116][119][111][32][99][104][97][114][97][99][116][101][114][115][32][119][105][116][104][32][99][111][100][101][115][32][111][117][116][115][105][100][101][32][116][104][101][32][65][83][67][73][73][32][99][111][100][101][32][114][97][110][103][101][44][32][80][105][32][40][63][41][32][97][110][100][32][83][105][103][109][97][32][40][63][41][46] Value at position of Pi character: 63 Value at position of Sigma character: 63 Decoded bytes: This unicode string contains two characters with codes outside the ASCII code range, Pi (?) and Sigma (?). */ 
using System; using System.Text; class EncodingExample < public static void Main() < // Create an ASCII encoding. Encoding ascii = Encoding.ASCII; // A Unicode string with two characters outside the ASCII code range. String unicodeString = "This unicode string contains two characters " + "with codes outside the ASCII code range, " + "Pi (\u03a0) and Sigma (\u03a3)."; Console.WriteLine("Original string:"); Console.WriteLine(unicodeString); // Save the positions of the special characters for later reference. int indexOfPi = unicodeString.IndexOf('\u03a0'); int indexOfSigma = unicodeString.IndexOf('\u03a3'); // Encode the string. Byte[] encodedBytes = ascii.GetBytes(unicodeString); Console.WriteLine(); Console.WriteLine("Encoded bytes:"); foreach (Byte b in encodedBytes) < Console.Write("[]", b); > Console.WriteLine(); // Notice that the special characters have been replaced with // the value 63, which is the ASCII character code for '?'. Console.WriteLine(); Console.WriteLine( "Value at position of Pi character: ", encodedBytes[indexOfPi] ); Console.WriteLine( "Value at position of Sigma character: ", encodedBytes[indexOfSigma] ); // Decode bytes back to a string. // Notice missing the Pi and Sigma characters. String decodedString = ascii.GetString(encodedBytes); Console.WriteLine(); Console.WriteLine("Decoded bytes:"); Console.WriteLine(decodedString); > > /* This code produces the following output. Original string: This unicode string contains two characters with codes outside the ASCII code range, Pi (Π) and Sigma (Σ). Encoded bytes: [84][104][105][115][32][117][110][105][99][111][100][101][32][115][116][114][105][110][103][32][99][111][110][116][97][105][110][115][32][116][119][111][32][99][104][97][114][97][99][116][101][114][115][32][119][105][116][104][32][99][111][100][101][115][32][111][117][116][115][105][100][101][32][116][104][101][32][65][83][67][73][73][32][99][111][100][101][32][114][97][110][103][101][44][32][80][105][32][40][63][41][32][97][110][100][32][83][105][103][109][97][32][40][63][41][46] Value at position of Pi character: 63 Value at position of Sigma character: 63 Decoded bytes: This unicode string contains two characters with codes outside the ASCII code range, Pi (?) and Sigma (?). */ 
Imports System.Text Class EncodingExample Public Shared Sub Main() ' Create and ASCII encoding. Dim ascii As Encoding = Encoding.ASCII ' A Unicode string with two characters outside the ASCII code range. Dim unicodeString As String = "This unicode string contains two characters " + "with codes outside the ASCII code range, " + "Pi (" & ChrW(&H03A0) & ") and Sigma (" & ChrW(&H03A3) & ")." Console.WriteLine("Original string:") Console.WriteLine(unicodeString) ' Save the positions of the special characters for later reference. Dim indexOfPi As Integer = unicodeString.IndexOf(ChrW(&H03A0)) Dim indexOfSigma As Integer = unicodeString.IndexOf(ChrW(&H03A3)) ' Encode the string. Dim encodedBytes As Byte() = ascii.GetBytes(unicodeString) Console.WriteLine() Console.WriteLine("Encoded bytes:") For Each b In encodedBytes Console.Write("[]", b) Next b Console.WriteLine() ' Notice that the special characters have been replaced with ' the value 63, which is the ASCII character code for '?'. Console.WriteLine() Console.WriteLine("Value at position of Pi character: ", encodedBytes(indexOfPi)) Console.WriteLine("Value at position of Sigma character: ", encodedBytes(indexOfSigma)) ' Decode bytes back to a string. ' Notice missing Pi and Sigma characters. Dim decodedString As String = ascii.GetString(encodedBytes) Console.WriteLine() Console.WriteLine("Decoded bytes:") Console.WriteLine(decodedString) End Sub End Class 'This code produces the following output. 'Original string: 'This unicode string contains two characters with codes outside the ASCII code range, Pi (Π) and Sigma (Σ). ' 'Encoded bytes: '[84][104][105][115][32][117][110][105][99][111][100][101][32]'[115][116][114][105][110][103][32][99][111][110][116][97]'[105][110][115][32][116][119][111][32][99][104][97][114][97]'[99][116][101][114][115][32][119][105][116][104][32][99][111]'[100][101][115][32][111][117][116][115][105][100][101][32]'[116][104][101][32][65][83][67][73][73][32][99][111][100]'[101][32][114][97][110][103][101][44][32][80][105][32][40]'[63][41][32][97][110][100][32][83][105][103][109][97][32][40]'[63][41][46] ' 'Value at position of Pi character: 63 'Value at position of Sigma character: 63 ' 'Decoded bytes: 'This unicode string contains two characters with codes outside 'the ASCII code range, Pi (?) and Sigma (?). ' 

Комментарии

Символы ASCII ограничены самыми низкими 128 символами Юникода от U + 0000 до U + 007F.

При выборе кодировки ASCII для приложения учитывайте следующее.

  • Кодировка ASCII обычно подходит для протоколов, требующих ASCII.
  • Если требуется 8-битовое кодирование (которое иногда ошибочно называют «ASCII»), рекомендуется использовать кодировку UTF-8 вместо кодировки ASCII. Для символов 0-7F результаты идентичны, но использование UTF-8 позволяет избежать потери данных, разрешая представление всех символов Юникода, которые можно представить. Обратите внимание, что кодировка ASCII имеет 8-разрядную неоднозначность, которая может допускать вредоносное использование, но кодировка UTF-8 устраняет неоднозначность в восьмом бите.
  • До .NET Framework версии 2,0 .NET Framework допускает подмену, игнорируя восьмой бит. Начиная с .NET Framework 2,0, в процессе декодирования кодовые точки, не входящие в набор ASCII, переходят назад.

ASCIIEncodingОбъект, возвращаемый этим свойством, может не иметь соответствующего поведения для приложения. Он использует резервный вариант замены, чтобы заменить каждую строку, которую не удается закодировать, и каждый байт, который не может быть декодирован символом вопросительного знака («?»). Вместо этого можно вызвать GetEncoding(String, EncoderFallback, DecoderFallback) метод для создания экземпляра ASCIIEncoding объекта, резерв которого является либо EncoderFallbackException или DecoderFallbackException , как показано в следующем примере.

using System; using System.Text; public class Example < public static void Main() < Encoding enc = Encoding.GetEncoding("us-ascii", new EncoderExceptionFallback(), new DecoderExceptionFallback()); string value = "\u00C4 \u00F6 \u00AE"; try < byte[] bytes= enc.GetBytes(value); foreach (var byt in bytes) Console.Write("", byt); Console.WriteLine(); string value2 = enc.GetString(bytes); Console.WriteLine(value2); > catch (EncoderFallbackException e) < Console.WriteLine("Unable to encode at index ", e.IsUnknownSurrogate() ? String.Format("U+ U+", Convert.ToUInt16(e.CharUnknownHigh), Convert.ToUInt16(e.CharUnknownLow)) : String.Format("U+", Convert.ToUInt16(e.CharUnknown)), e.Index); > > > // The example displays the following output: // Unable to encode U+00C4 at index 0 
Imports System.Text Module Example Public Sub Main() Dim enc As Encoding = Encoding.GetEncoding("us-ascii", New EncoderExceptionFallback(), New DecoderExceptionFallback()) Dim value As String = String.Format("  ", ChrW(&h00C4), ChrW(&h00F6), ChrW(&h00AE)) Try Dim bytes() As Byte = enc.GetBytes(value) For Each byt As Byte In bytes Console.Write(" ", byt) Next Console.WriteLine() Dim value2 As String = enc.GetString(bytes) Console.WriteLine(value2) Catch e As EncoderFallbackException Console.WriteLine("Unable to encode at index ", If(e.IsUnknownSurrogate(), String.Format("U+ U+", Convert.ToUInt16(e.CharUnknownHigh), Convert.ToUInt16(e.CharUnknownLow)), String.Format("U+", Convert.ToUInt16(e.CharUnknown))), e.Index) End Try End Sub End Module ' The example displays the following output: ' Unable to encode U+00C4 at index 0 

Применяется к

См. также раздел

  • ASCIIEncoding
  • GetEncoding(Int32)
  • UTF8
  • Unicode
  • Использование классов кодировки символов в .NET

Почему ascii символы кириллицы отрицательные в языке Си?

Почему в консоли Windows программа на языке Си выдает отрицательный ascii-код символа из кириллицы? Я понимаю, что код ascii кириллицы выходит за пределы 127, и поэтому использую unsigned char. Но как-то не помогает. Небольшие куски программы:

int main() < char *word_replace_from = NULL; SetConsoleCP(1251); // установка кодовой страницы win-cp 1251 в поток ввода SetConsoleOutputCP(1251); // установка кодовой страницы win-cp 1251 в поток вывода word_replace_from = inputWordReplaceFrom(); >char getchr() < unsigned char c; c = _getch(); if (c == KEY_SAVE_EXIT) c = NULL; if (c == '\r') c = '\n'; if (c != '\b' && c != NULL) printf_s("%c", c); return c; >char *inputWordReplaceFrom() < char *str = (char*) malloc(sizeof(char)); // указатель на первый элемент новой строки int length = 0; // счётчик количества символов printf("Максимальное количество символов: %d. Вводить можно только буквы русского и английского алфавита. Введите слово ", MAXLENGTHLINE); while ((length < MAXLENGTHLINE) && ((*(str + length) = getchr()) != '\n') && (*(str + length) != NULL)) < printf("\n str = %d \n", (*(str + length))); if ( (64 < *(str + length) && *(str + length) < 91) || (96 < *(str + length) && *(str + length) < 123) || (191 < *(str + length) && *(str + length) < 256) || (*(str + length) == 168) || (*(str + length) == 184) ) < length++; if (length == MAXLENGTHLINE) < printf("\n \t ------ Информация \n "); printf("\t ------Превышена максимальная длина строки. Ввод завершен. "); >> else < printf("\nОшибка. Можно вводить только буквы русского и английского алфавита.\n"); if (length) < length--; printf("\b \b"); >> str = (char*) realloc(str, (length + 2) * sizeof(char)); > // Метка: конец строки символов *(str + length) = '\0'; return str; > 

Отслеживать
423 4 4 серебряных знака 8 8 бронзовых знаков
задан 13 дек 2015 в 1:38
95 2 2 серебряных знака 8 8 бронзовых знаков
char *str и где тут unsigned ?
13 дек 2015 в 4:18
У вас значение unsigned char отрицательное получается?
13 дек 2015 в 6:53
Где у вас вывод кода символа?
13 дек 2015 в 8:18
@banme unsigned char *str писать нельзя, ругается компилятор.
13 дек 2015 в 8:21

@nick-volynkin при использовании в условии if, и до него printf(«\n str = %d \n», (*(str + length)));

13 дек 2015 в 8:21

2 ответа 2

Сортировка: Сброс на вариант по умолчанию

Вы работаете на платформе, на которой тип char является знаковым. Это означает, что при ширине типа char в 8 бит, он будет традиционно иметь диапазон -128..127 . Поэтому очевидно, что ваши сравнения значений типа char с числами типа 191 , 168 и т.п. смысла не имеют и иметь не могут.

По этой причине «не срабатывают» ваши условия в if . По этой же самой причине ваш printf печатает отрицательные значения.

Если вы хотите на уровне вашего кода работать с кодами символов в диапазоне 0..255 , то либо явно вручную приводите все значения типа char к типу unsigned char , либо ройтесь в настройках компилятора, чтобы сделать тип char беззнаковым сам по себе.

Недоумение также вызывает выражение (*(str + length) != NULL) . Что тут имелось в виду? NULL — константа, предназначенная для использования в указательных контекстах, т.е. ее, например, можно сравнивать с указателями. У вас же она вдруг сравнивается с char .

Посмотрев внимательнее, мой зоркий глаз заметил, что значение типа char , якобы равное NULL , действительно может возвращаться из рукописной функции getchr (мне сначала показалось, что это стандартный getchar ). Но это не делает ситуацию лучше. NULL нельзя присваивать значениям типа char или сравнивать со значениями типа char .

Применение теории информации и АСК-анализа для экспериментальных исследований в теории чисел Текст научной статьи по специальности «Компьютерные и информационные науки»

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС» / ТЕОРИЯ ЧИСЕЛ / ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ / AUTOMATED SYSTEM-COGNITIVE ANALYSIS / EIDOS INTELLECTUAL SYSTEM / NUMBER THEORY / COMPUTATIONAL EXPERIMENT

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

Возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них? Для ответа на этот вопрос предлагается применять для исследования свойств чисел в теории чисел тот же метод, который широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системно-когнитивный анализ (АСК-анализ), основанный на теории информации

i Надоели баннеры? Вы всегда можете отключить рекламу.

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

Решение задач статистики методами теории информации

Автоматизированный системно-когнитивный спектральный анализ конкретных и обобщенных изображений в системе «Эйдос» (применение теории информации и когнитивных технологий в спектральном анализе)

Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация)

Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация)

ИССЛЕДОВАНИЕ СИМВОЛЬНЫХ И ЦИФРОВЫХ РЯДОВ МЕТОДАМИ ТЕОРИИ ИНФОРМАЦИИ И АСК-АНАЛИЗА (на примере числа Пи с одним миллионом знаков после запятой)

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

APPLICATION OF INFORMATION THEORY AND A.S.C. ANALYSIS FOR EXPERIMENTAL RESEARCH IN NUMBER THEORY

Is it possible to automate the study of the properties of numbers and their relationship so that the results of this study can be formulated in the form of statements, indicating the specific quantity of information stored in them? To answer this question it is offered to apply the same method that is widely tested and proved in studies of real objects and their relations in various fields to study the properties of numbers in the theory of numbers namely the automated system-cognitive analysis (A.S.C. analysis), based on information theory

Текст научной работы на тему «Применение теории информации и АСК-анализа для экспериментальных исследований в теории чисел»

ПРИМЕНЕНИЕ ТЕОРИИ ИНФОРМАЦИИ И АСК-АНАЛИЗА ДЛЯ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ В ТЕОРИИ ЧИСЕЛ

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет,

Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail.com

Возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них?

Для ответа на этот вопрос предлагается применять для исследования свойств чисел в теории чисел тот же метод, который широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системнокогнитивный анализ (АСК-анализ), основанный на теории информации

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ,

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС»,

ТЕОРИЯ ЧИСЕЛ, ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ

Теория чисел представляет собой один из наиболее древних, но постоянно развивающихся разделов математики, который включает как простейшие результаты, так и сложнейшие задачи, типа теоремы Ферма, решенные лишь недавно или еще требующие своего решения1.

Эта теория включает элементарную, аналитическую и алгебраическую теорию чисел2. Элементарная теория чисел для получения своих результатов не используют достижений других разделов математики, тогда как в аналитической теории чисел для получения доказательств теорем используется аппарат математического анализа, а в алгебраической — аппарат алгебры (там же).

Отметим также возможность непосредственной численной проверки на компьютерах тех или иных гипотез теории чисел и более того: для до-

1 См.: http://ru.wikipedia.org/wiki/0ткрытые%20проблемы%20в%20теории%20чисел

2 См., например: http://ru.wikipedia.org/wiki/Теория%20чисел

APPLICATION OF INFORMATION THEORY AND A.S.C. ANALYSIS FOR EXPERIMENTAL RESEARCH IN NUMBER THEORY

Lutsenko Evgeny Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

Kuban State Agrarian University, Krasnodar, Russia

Is it possible to automate the study of the properties of numbers and their relationship so that the results of this study can be formulated in the form of statements, indicating the specific quantity of information stored in them? To answer this question it is offered to apply the same method that is widely tested and proved in studies of real objects and their relations in various fields to study the properties of numbers in the theory of numbers namely — the automated system-cognitive analysis (A.S.C. analysis), based on information theory

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, EIDOS INTELLECTUAL SYSTEM, NUMBER THEORY, COMPUTATIONAL EXPERIMENT

казательства теорем3. При этом необходимо отметить, что даже возможности современных мощных компьютеров иногда оказываются совершенно недостаточными для этого и поэтому используются различные приближенные вероятностные и статистические методы, а также технологии

Результаты в теории чисел формулируются в форме гипотез и теорем. Но что представляет собой математическая гипотеза или теорема с точки зрения теории информации? Это некое высказывание, содержащее определенное количество информации об абстрактных математических объектах, их свойствах и отношениях. Предметом изучения теории чисел является такой абстрактный объект как число, а также свойства чисел и их отношений.

Возникает закономерный вопрос: а возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них?

Данная статья является попыткой обоснования утвердительного ответа на этот вопрос. Для этого предлагается применять для исследования свойств чисел в теории чисел тот же метод, который широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системно-когнитивный анализ (АСК-анализ), основанный на теории информации [1].

Рассмотрим на простейшем примере, как может выглядеть подобное исследование. При этом будем придерживаться последовательности обработки данных, информации и знаний, принятых в АСК-анализе и его программном инструментарии — интеллектуальной системе «Эйдос» (рисунок 1):

3 См.: кйр://ш^к1реё1а.ощ^1к1/Доказательные%20вычисления

4 См.: кйр://ш^1к1реё1а.ощ^1к1/Математическое%20доказательство. См. также лекцию «Компьютерная теория чисел» в статье: А.Г. Г ейн, «Математические основы информатики», № 23/2007 журнала «Информатика» издательского дома «Первое сентября». Адрес доступа: ЬИр://информатика. 1 сентября. рф/аг1:1с1е.рЬр?1Р=200702301

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе

и интеллектуальной системе «Эйдос»

Очень кратко о АСК-анализе

АСК-анализ представляет собой системный анализ, структурированным по базовым когнитивным (познавательным) операциям, что позволило его автоматизировать и включает:

— формализуемую когнитивную концепцию, из которой выводится минимальный полный набор когнитивных операций (когнитивный конфигуратор);

— математическая модель, основанную на системном обобщении семантической меры информации А.Харкевича;

— методику численных расчетов, т.е. структуры данных и алгоритмы;

— программный инструментарий — интеллектуальную систему «Эй-

Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и интеллектуальной системе «Эйдос», представленная на рисунке 1, соответствует этапам АСК-анализа:

Этапы разработки приложения в АСК-анализе:

1. Когнитивная структуризация предметной области.

2. Формализация предметной области.

3. Подготовка и ввод обучающей выборки.

4. Синтез семантической информационной модели (СИМ).

5. Повышение качества СИМ.

6. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

7. Исследование моделируемой предметной области путем исследования его модели (анализ СИМ);

8. Решение задач идентификации, прогнозирование и принятия решений.

Теоретические аспекты АСК-анализа и опыт его практического применения для решения задач в различных предметных областях подробно описан в ряде работ автора [2-19]5 и в данной статье на этом останавливаться нецелесообразно. Отметим лишь, что этот метод обеспечивает:

5 Полный открытей бесплатный доступ к этим и другим работам предоставлен на сайте автора: http ://lc. kub agro.ru/

— выявление причинно-следственных связей в эмпирических данных и преобразование их сначала в информацию, а затем в знания [20];

— сопоставимую обработку данных, полученных в различных видах измерительных шкал и представленных в различных единицах измерения [21];

— использование знаний для решения задач идентификации, прогнозирование и принятия решений [22].

Скачаем, установим и запустим систему «Эйдос»

1. Самую новую на текущий момент версию системы «Эйдос-Х++» всегда можно скачать на странице: http://lc.kubagro.ru/aidos/index.htm по ссылке: http ://lc.kubagro .ru/a.rar

2. Разархивируем этот архив в любую папку с правами на запись с коротким латинским именем самой папки и всех папок на пути к ней.

3. Запустить систему. Файл запуска: _AIDOS-X.exe.

4. Задать имя: 1 и пароль: 1.

5. Выполнить режим 1. 1 (только 1 -й раз при установке системы в эту папку).

Затем выберем диспетчер приложений — режим 1.3 (рисунок 2):

Рисунок 2. Диспетчер приложений системы «Эйдос» http://ej.kubagro.ru/2014/03/pdf/4S.pdf

Данный режим обеспечивает добавление и удаление приложений, а также выбор текущего приложения для работы.

Кликнем по кнопке: «Добавить учебное приложение», а затем в появившемся окне, представленном на рисунке 3, выберем учебные приложения, устанавливаемые автоматизировано в диалоге с пользователем.

Рисунок 3. Окно выбора учебных приложений для установки

В результате появится окно выбора таких учебных приложений (рисунок 4):

Рисунок 4. Окно выбора для установки учебных приложений, устанавливаемые автоматизировано в диалоге с пользователем

Выберем учебное приложение №11: «Исследование свойств натуральных чисел при различных объемах выборки». Появится окно, представленное на рисунке 5:

Рисунок 5. Окно задания диапазона исследуемых натуральных чисел

Оставим предлагаемые по умолчанию6 значения и нажмем «ОК». При этом происходит формирование классификационных и описательных шкал и градаций и обучающей выборки. Стадия исполнения и прогноз времени исполнения отображаются в окне (рисунок 6):

ф 1.3. Установка Ла6.ра6.№ 11: Исследование свойств нат.чисел при разл.объемах выборк

Стадии исполнения процесса

Генерация классификационных шкал и градаций — Готово Г енерация описательных шкал — Г отово Г енерация градаций описательных шкал — Г отово Формирование обучающей выборки-Готово Переиндексация всех БД созданного приложения — Готово

УСТАНОВКА 1 ИЗ 1 ЗАДАННЫХ ЛАБОРАТОРНЫХ РАБОТ УСПЕШНО ЗАВЕРШЕНА .

Прогноз времени исполнения

Начало: 17:15:22 Окончание: 17:15:25

Прошло: 0:00:02 Осталось: 0:00:00

Рисунок 6. Отображение стадии исполнения и прогноза времени исполнения процесса формирование классификационных и описательных шкал и градаций и обучающей выборки

Из рисунка 6 видно, что эти процессы заверены за время около 2 се-

Отметим, что в данном режиме могут быть исследованы и большие числа. http://ej.kubagro.ru/2014/03/pdf/48.pdf

В результате работы данного режима получаем следующие классификационные и описательные шкалы и градации и обучающую выборку (таблицы 1-3):

Т аблица 1 — Классификационные шкалы и градации

Код класса Наименование классификационной шкалы и градации Код класса Наименование классификационной шкалы и градации

1 Число: 1 16 Число: 16

2 Число: 2 17 Число: 17

3 Число: 3 18 Число: 18

4 Число: 4 19 Число: 19

5 Число: 5 20 Число: 20

6 Число: 6 21 Число: 21

7 Число: 7 22 Число: 22

8 Число: 8 23 Число: 23

9 Число: 9 24 Число: 24

10 Число: 10 25 Число: 25

11 Число: 11 26 Число: 26

12 Число: 12 27 Число: 27

13 Число: 13 28 Число: 28

14 Число: 14 29 Число: 29

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

15 Число: 15 30 Число: 30

Таблица 2 — Описательные шкалы и градации

Код признака Наименование описательной шкалы и градации Код признака Наименование описательной шкалы и градации

1 ДЕЛИТСЯ НА -2 21 СТЕПЕНЬ ЧИСЛА:-2

2 ДЕЛИТСЯ НА -3 22 СТЕПЕНЬ ЧИСЛА:-3

3 ДЕЛИТСЯ НА -4 23 СТЕПЕНЬ ЧИСЛА:-4

4 ДЕЛИТСЯ НА -5 24 СТЕПЕНЬ ЧИСЛА:-5

5 ДЕЛИТСЯ НА -6 25 ЧИСЛО В СТЕПЕНИ:-2

6 ДЕЛИТСЯ НА -7 26 ЧИСЛО В СТЕПЕНИ:-3

7 ДЕЛИТСЯ НА -8 27 ЧИСЛО В СТЕПЕНИ:-4

8 ДЕЛИТСЯ НА -9 28 ПРОСТОИ МНОЖИТЕЛЬ -2

9 ДЕЛИТСЯ НА -10 29 ПРОСТОИ МНОЖИТЕЛЬ -3

10 ДЕЛИТСЯ НА -11 30 ПРОСТОЙ множитель -5

11 ДЕЛИТСЯ НА -12 31 ПРОСТОЙ множитель -7

12 ДЕЛИТСЯ НА -13 32 ПРОСТОЙ МНОЖИТЕЛЬ -11

13 ДЕЛИТСЯ НА -14 33 ПРОСТОЙ МНОЖИТЕЛЬ -13

14 ДЕЛИТСЯ НА -15 34 ПРОСТОЙ МНОЖИТЕЛЬ -17

15 КОЛИЧЕСТВО ДЕЛИТЕЛЕИ:-0 35 ПРОСТОЙ МНОЖИТЕЛЬ -19

16 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-1 36 ПРОСТОЙ МНОЖИТЕЛЬ -23

17 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-2 37 ПРОСТОЙ МНОЖИТЕЛЬ -29

18 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-3 38 КОЛИЧЕСТВО ПРОСТЫХ МНОЖИТЕЛЕЙ:-1

19 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-4 39 КОЛИЧЕСТВО ПРОСТЫХ МНОЖИТЕЛЕЙ:-2

20 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-6 40 КОЛИЧЕСТВО ПРОСТЫХ МНОЖИТЕЛЕЙ:-3

Таблица 3 — Обучающая выборка

Объект обучающей выборки Код класса Коды признаков

2 Число: 2 2 1 16 28 38

3 Число: 3 3 2 16 29 38

4 Число: 4 4 1 3 17 21 25 28 38

5 Число: 5 5 4 16 30 38

6 Число: 6 6 1 2 5 18 28 29 39

7 Число: 7 7 6 16 31 38

8 Число: 8 8 1 3 7 18 21 26 28 38

9 Число: 9 9 2 8 17 22 25 29 38

10 Число: 10 10 1 4 9 18 28 30 39

11 Число: 11 11 10 16 32 38

12 Число: 12 12 1 2 3 5 11 28 29 39

13 Число: 13 13 12 16 33 38

14 Число: 14 14 1 6 13 18 28 31 39

15 Число: 15 15 2 4 14 18 29 30 39

16 Число: 16 16 1 3 7 18 21 27 23 25 28 38

17 Число: 17 17 15 34 38

18 Число: 18 18 1 2 5 8 19 28 29 39

19 Число: 19 19 15 35 38

20 Число: 20 20 1 3 4 9 19 28 30 39

21 Число: 21 21 2 6 17 29 31 39

22 Число: 22 22 1 10 17 28 32 39

23 Число: 23 23 15 36 38

24 Число: 24 24 1 2 3 5 7 11 20 28 29 39

25 Число: 25 25 4 16 24 25 30 38

26 Число: 26 26 1 12 17 28 33 39

27 Число: 27 27 2 8 17 22 26 29 38

28 Число: 28 28 1 3 6 13 19 28 31 39

29 Число: 29 29 15 37 38

30 Число: 30 30 1 2 4 5 9 14 20 28 29 30 40

В таблицах 1 и 2 повторяющаяся часть наименования является наименованием шкалы, а изменяющаяся — градации (в таблице 2 шкалы с градациями выделены областями, обведенными более толстой линией). Обучающая выборка является описанием свойств чисел кодами с использованием классификационных и описательных шкал и градаций.

На следующем этапе АСК-анализа осуществляется синтез и верификация (оценка достоверности) статистических моделей и моделей знаний. В системе «Эйдос» эти этапы выполняются в режиме 3.5, экранная форма управления которым приведена на рисунке 7:

Задайте стагг. модели и модели знаний для синтеза и верификации Статистические базы:

ф 1. ABS ■ частный критерий: количество встреч сочетаний: «класс-признак» у объектов обуч.выборки Г? 2. PRC1 ■ частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса ф 3. PRC2 ■ частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:

р 4. INF1 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

17 5. INF2 — частный критерий: количество знаний по АХаркевичу; вероятности из PRC2

ф 6. INF3 • частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами

Р 7. INF4 — частный критерий: ROI (Return On Investment); вероятности из PRC1

ф 8. INF5 — частный критерий: ROI (Return On Investment); вероятности из PRC2

(5* 9. INF6 ■ частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1

р 10.INF7 — частный критерий: разн.усл.и безусл вероятностей; вероятности из PRC2

(* Синтез и верификация заданных моделей С Т олъко верификация заданных моделей

Параметры копирования обуч.выборки в распознаваемую: -Какие объекты обуч.выборки копировать:

(• Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый И-й объект С Копировать N случайных объектов

О Копировать все объекты, начиная с М-го

-Удалять из обуч.выборки скопированные объекты:

(* Не удалять С Удалять

Пояснение по алгоритму верификации

Измеряется внутренняя достоверн. модели

Рисунок 7. Экранная форма управления режимом синтеза и верификации моделей 3.5.

Отображение стадии процесса и прогноз времени исполнения осуществляется в экранной форме, приведенной на рисунке 8:

С) 3.5. Синтез и верификация заданных из 10 моделей [ си | В |дм£^И|Г

«Стадии исполнения процесса

Шаг 1-й из 10: Копирование обучающей выборки в распознаваемую — Готово Шаг 2-й из 10: Синтез стат.модели «ABS» (расчет матрицы абсолютных частот)-Готово Шаг 3-й из 10: Синтез стат.моделей “PRC1″ и “PRC2″ (усл.безусл.% распр.)-Готово Шаг 4-й из 10: Синтез моделей знаний: INF1-INF7 — Готово

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

Шаг 5-й из 10: Задание модели «INF7* в качестве текущей — Готово Шаг 6-й из 10: Пакетное распознавание в модели «INF7» — Готово

Шаг ?-й из 10: Измерение достоверности модели: Интегральный критерий: «Сумма знаний» — Готово

КОНЕЦ ЦИКЛА ПО ЧАСТНЫМ И ИНТЕГРАЛЬНЫМ КРИТЕРИЯМ — ГОТОВО:————————————

Шаг 8-й из 10: Объединение БД DostRsp# в БД DostRasp — Г отово

Шаг 9-й из 10: Печать сводной формы по результатам верификации моделей. — Г отово

Шаг 10-й из 10: Создание формы: “Достоверность идент.классов в различных моделях» — Готово

Синтез и верификация заданных стат.мопелей и моделей знаний упешно завершена .

Прогноз времени исполнения

Начало: 18:25:38 Окончание: 18:28:08

Прошло: 0:00:30 Осталось: 0:00:00

Рисунок 8. Экранная форма отображения стадии процесса синтеза и верификации моделей и прогноза времени исполнения

В результате выполнения режима 3.5 сформированы статистические модели и модели знаний , некоторые из которых представлены ниже в таблицах 4, 6 и 7:

— в таблице 4 приведена матрица абсолютных частот наблюдений признаков у объектов обучающей выборки, относящихся к различным категориям (классам);

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

— в таблице 6 мы видим количество информации в сотых долях бита (сантибитах), которое содержится в факте наблюдения определенного признака у объекта о том, что этот объект принадлежит определенному классу;

— в таблице 7 приведены значения хи-квадрат, умноженные на 100.

7 Из данной экранной формы видно, что исполнение режима 3.5 заняло 30 секунд. http://ej.kubagro.ru/2014/03/pdf/48.pdf

Таблица 4 — Матрица абсолютных частот (модель: ЛББ)

Признаки Классы (числа)

Код Наименование 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 Делится на: 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

2 Делится на: 3 1 1 1 1 1 1 1 1 1 1

3 Делится на: 4 1 1 1 1 1 1 1

4 Делится на: 5 1 1 1 1 1 1

5 Делится на: 6 1 1 1 1 1

6 Делится на: 7 1 1 1 1

7 Делится на: 8 1 1 1

8 Делится на: 9 1 1 1

9 Делится на: 10 1 1 1

10 Делится на: 11 1 1

11 Делится на: 12 1 1

12 Делится на: 13 1 1

13 Делится на: 14 1 1

14 Делится на: 15 1 1

15 Количество делителей: 0 1 1 1 1 1

16 Количество делителей: 1 1 1 1 1 1 1 1

17 Количество делителей: 2 1 1 1 1 1 1

18 Количество делителей: 3 1 1 1 1 1 1

19 Количество делителей: 4 1 1 1

20 Количество делителей: 6 1 1

21 Степень числа:2 1 1 1

22 Степень числа:3 1 1

23 Степень числа:4 1

24 Степень числа:5 1

25 Число в степени: 2 1 1 1 1

26 Число в степени: 3 1 1

27 Число в степени: 4 1

28 Простой множитель: 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

29 Простой множитель: 3 1 1 1 1 1 1 1 1 1 1

30 Простой множитель: 5 1 1 1 1 1 1

31 Простой множитель: 7 1 1 1 1

32 Простой множитель: 11 1 1

33 Простой множитель: 13 1 1

34 Простой множитель: 17 1

35 Простой множитель: 19 1

36 Простой множитель: 23 1

37 Простой множитель: 29 1

38 Количество простых множителей: 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

39 Количество простых множителей: 2 1 1 1 1 1 1 1 1 1 1 1 1

40 Количество простых множителей: 3 1

Для преобразования абсолютных частот встреч признаков у объектов обучающей выборки в разрезе по классам (таблица 4) в знания используются следующие частные критерии (таблица 5):

Таблица 5 — Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний и частный критерий Выражение для частного критерия

через относительные частоты через абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак Iy. = Yx Log2 p NN Il =Yx Log 2-J— 1 n 7n7 l 1

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. 1^ = YxLog2 p NlN Il = Yx Log 2—2— 1 N 7N7 l 1

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — NN. I = N.. l 1 lJ 11 N

INF4, частный критерий: ROI — Return On Investment, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу8 P P — P Iv = PL -1 = p L ] P P NlN I L =— 1 l] NN.

INF5, частный критерий: ROI — Return On Investment, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу P P — P I = -. -1 = -. L P P N lN I L =— 1 l] NN.

INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу I] = P] — P I = Nl — N ] N. N

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу I] = P] — P I = N ] N ] N. N

I — значение прошлого параметра; р — значение будущего параметра;

N р — количество встреч р-го значения будущего параметра при 1-м значении прошлого параметра;

М — суммарное число значений всех прошлых параметров;

W — суммарное число значений всех будущих параметров.

N — количество встреч 1-м значения прошлого параметра по всей выборке;

Мр — количество встреч р-го значения будущего параметра по всей выборке;

N — количество встреч р-го значения будущего параметра при 1-м значении прошлого параметра по всей выборке.

1 р — частный критерий знаний: количество знаний в факте наблюдения 1-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее р-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 1-го значения прошлого параметра в обучающей выборке;

Рр — условная относительная частота встречи 1-го значения прошлого параметра при р-м значении будущего параметра .

Применение предложено Л. О. Макаревич http://ej.kubagro.ru/2014/03/pdf/48.pdf

Таблица 6 — Матрица информативности (модель знаний: 1№Т) в сантибитах

Признаки Классы (числа)

Код Наименование 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 Делится на: 2 104 51 51 39 51 39 51 18 39 39 66 18 66 39 9

2 Делится на: 3 142 90 90 77 90 77 104 56 90 47

3 Делится на: 4 123 111 111 90 111 90 111

4 Делится на: 5 191 138 138 125 152 95

5 Делится на: 6 155 142 142 121 112

6 Делится на: 7 229 176 191 164

7 Делится на: 8 191 170 170

8 Делится на: 9 203 191 203

9 Делится на: 10 203 191 161

10 Делится на: 11 294 256

11 Делится на: 12 229 208

12 Делится на: 13 294 256

13 Делится на: 14 242 229

14 Делится на: 15 242 199

15 Количество делителей: 0 339 235 235 235 235

16 Количество делителей: 1 176 176 176 176 176 176 138

17 Количество делителей: 2 138 138 152 152 152 138

18 Количество делителей: 3 138 125 138 138 138 104

19 Количество делителей: 4 191 191 191

20 Количество делителей: 6 208 199

21 Степень числа: 2 203 191 170

22 Степень числа: 3 242 242

23 Степень числа: 4 273

24 Степень числа: 5 322

25 Число в степени: 2 176 176 142 191

26 Число в степени: 3 229 242

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

27 Число в степени: 4 273

28 Простой множитель: 2 104 51 51 39 51 39 51 18 39 39 66 18 66 39 9

29 Простой множитель: 3 142 90 90 77 90 77 104 56 90 47

30 Простой множитель: 5 191 138 138 125 152 95

31 Простой множитель: 7 229 176 191 164

32 Простой множитель: 11 294 256

33 Простой множитель: 13 294 256

34 Простой множитель: 17 387

35 Простой множитель: 19 387

36 Простой множитель: 23 387

37 Простой множитель: 29 387

38 Количество простых множителей: 1 98 98 45 98 98 33 45 98 98 12 125 125 125 60 45 125

39 Количество простых множителей: 2 72 72 60 72 72 60 60 87 87 39 87 60

40 Количество простых множителей: 3 264

Таблица 7 — Матрица знаний (модель знаний: ШБЭ — хи-квадрат) (приведены значения хи-квадрат * 100)

Признаки Классы (числа)

Код Наименование 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

1 Делится на: 2 -8 67 -33 42 -33 42 -33 34 -58 42 -33 34 -33 42 -58 17 -25 34 -25 34 -50 50 -25 17 -50 50 -58 34 -25 9

2 Делится на: 3 -6 -22 78 -39 -22 61 -22 -44 61 -39 -22 56 -22 -39 61 -55 -17 56 -17 -44 67 -33 -17 45 -33 -33 61 -44 -17 39

3 Делится на: 4 -4 -15 -15 73 -15 -27 -15 69 -27 -27 -15 69 -15 -27 -27 61 -12 -31 -12 69 -23 -23 -12 61 -23 -23 -27 69 -12 -43

4 Делится на: 5 -3 -13 -13 -23 87 -23 -13 -27 -23 77 -13 -27 -13 -23 77 -33 -10 -27 -10 73 -20 -20 -10 -33 80 -20 -23 -27 -10 64

5 Делится на: 6 -3 -11 -11 -19 -11 81 -11 -22 -19 -19 -11 78 -11 -19 -19 -28 -8 78 -8 -22 -17 -17 -8 72 -17 -17 -19 -22 -8 70

6 Делится на: 7 -2 -9 -9 -15 -9 -15 91 -18 -15 -15 -9 -18 -9 85 -15 -22 -7 -18 -7 -18 87 -13 -7 -22 -13 -13 -15 82 -7 -24

7 Делится на: 8 -2 -7 -7 -12 -7 -12 -7 87 -12 -12 -7 -13 -7 -12 -12 83 -5 -13 -5 -13 -10 -10 -5 83 -10 -10 -12 -13 -5 -18

8 Делится на: 9 -2 -7 -7 -12 -7 -12 -7 -13 88 -12 -7 -13 -7 -12 -12 -17 -5 87 -5 -13 -10 -10 -5 -17 -10 -10 88 -13 -5 -18

9 Делится на: 10 -2 -7 -7 -12 -7 -12 -7 -13 -12 88 -7 -13 -7 -12 -12 -17 -5 -13 -5 87 -10 -10 -5 -17 -10 -10 -12 -13 -5 82

10 Делится на: 11 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 96 -9 -4 -8 -8 -11 -3 -9 -3 -9 -7 93 -3 -11 -7 -7 -8 -9 -3 -12

11 Делится на: 12 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 91 -4 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 89 -7 -7 -8 -9 -3 -12

12 Делится на: 13 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 -9 96 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 93 -8 -9 -3 -12

13 Делится на: 14 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 -9 -4 92 -8 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 -7 -8 91 -3 -12

14 Делится на: 15 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 -9 -4 -8 92 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 -7 -8 -9 -3 88

15 Количество делителей: 0 97 -11 -11 -19 -11 -19 -11 -22 -19 -19 -11 -22 -11 -19 -19 -28 92 -22 92 -22 -17 -17 92 -28 -17 -17 -19 -22 92 -30

16 Количество делителей: 1 -4 85 85 -27 85 -27 85 -31 -27 -27 85 -31 85 -27 -27 -39 -12 -31 -12 -31 -23 -23 -12 -39 77 -23 -27 -31 -12 -43

17 Количество делителей: 2 -3 -13 -13 77 -13 -23 -13 -27 77 -23 -13 -27 -13 -23 -23 -33 -10 -27 -10 -27 80 80 -10 -33 -20 80 77 -27 -10 -36

18 Количество делителей: 3 -3 -13 -13 -23 -13 77 -13 73 -23 77 -13 -27 -13 77 77 67 -10 -27 -10 -27 -20 -20 -10 -33 -20 -20 -23 -27 -10 -36

19 Количество делителей: 4 -2 -7 -7 -12 -7 -12 -7 -13 -12 -12 -7 -13 -7 -12 -12 -17 -5 87 -5 87 -10 -10 -5 -17 -10 -10 -12 87 -5 -18

20 Количество делителей: 6 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 -9 -4 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 89 -7 -7 -8 -9 -3 88

21 Степень числа: 2 -2 -7 -7 88 -7 -12 -7 87 -12 -12 -7 -13 -7 -12 -12 83 -5 -13 -5 -13 -10 -10 -5 -17 -10 -10 -12 -13 -5 -18

22 Степень числа: 3 -1 -4 -4 -8 -4 -8 -4 -9 92 -8 -4 -9 -4 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 -7 92 -9 -3 -12

23 Степень числа: 4 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 94 -2 -4 -2 -4 -3 -3 -2 -6 -3 -3 -4 -4 -2 -6

24 Степень числа: 5 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 -2 -4 -2 -4 -3 -3 -2 -6 97 -3 -4 -4 -2 -6

25 Число в степени: 2 -2 -9 -9 85 -9 -15 -9 -18 85 -15 -9 -18 -9 -15 -15 78 -7 -18 -7 -18 -13 -13 -7 -22 87 -13 -15 -18 -7 -24

26 Число в степени: 3 -1 -4 -4 -8 -4 -8 -4 91 -8 -8 -4 -9 -4 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 -7 92 -9 -3 -12

27 Число в степени: 4 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 94 -2 -4 -2 -4 -3 -3 -2 -6 -3 -3 -4 -4 -2 -6

28 Простой множитель: 2 -8 67 -33 42 -33 42 -33 34 -58 42 -33 34 -33 42 -58 17 -25 34 -25 34 -50 50 -25 17 -50 50 -58 34 -25 9

29 Простой множитель: 3 -6 -22 78 -39 -22 61 -22 -44 61 -39 -22 56 -22 -39 61 -55 -17 56 -17 -44 67 -33 -17 45 -33 -33 61 -44 -17 39

30 Простой множитель: 5 -3 -13 -13 -23 87 -23 -13 -27 -23 77 -13 -27 -13 -23 77 -33 -10 -27 -10 73 -20 -20 -10 -33 80 -20 -23 -27 -10 64

31 Простой множитель: 7 -2 -9 -9 -15 -9 -15 91 -18 -15 -15 -9 -18 -9 85 -15 -22 -7 -18 -7 -18 87 -13 -7 -22 -13 -13 -15 82 -7 -24

32 Простой множитель: 11 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 96 -9 -4 -8 -8 -11 -3 -9 -3 -9 -7 93 -3 -11 -7 -7 -8 -9 -3 -12

33 Простой множитель: 13 -1 -4 -4 -8 -4 -8 -4 -9 -8 -8 -4 -9 96 -8 -8 -11 -3 -9 -3 -9 -7 -7 -3 -11 -7 93 -8 -9 -3 -12

34 Простой множитель: 17 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 98 -4 -2 -4 -3 -3 -2 -6 -3 -3 -4 -4 -2 -6

35 Простой множитель: 19 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 -2 -4 98 -4 -3 -3 -2 -6 -3 -3 -4 -4 -2 -6

36 Простой множитель: 23 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 -2 -4 -2 -4 -3 -3 98 -6 -3 -3 -4 -4 -2 -6

37 Простой множитель: 29 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 -2 -4 -2 -4 -3 -3 -2 -6 -3 -3 -4 -4 98 -6

38 Количество простых множителей: 1 -9 65 65 38 65 -62 65 29 38 -62 65 -71 65 -62 -62 12 73 -71 73 -71 -53 -53 73 -88 47 -53 38 -71 73 -97

39 Количество простых множителей: 2 -7 -27 -27 -46 -27 54 -27 -53 -46 54 -27 47 -27 54 54 -66 -20 47 -20 47 60 60 -20 34 -40 60 -46 47 -20 -73

40 Количество простых множителей: 3 -1 -2 -2 -4 -2 -4 -2 -4 -4 -4 -2 -4 -2 -4 -4 -6 -2 -4 -2 -4 -3 -3 -2 -6 -3 -3 -4 -4 -2 94

На рисунке 9 приведены результаты оценки достоверности моделей с различными частными и интегральными критериями:

Рисунок 9. Результаты оценки достоверности моделей с различными частными и интегральными критериями

Интегральные критерии используются для того, чтобы сделать выводы о степени принадлежности объекта к различным классам на основе знания о том, какие у него признаки и какое количество знаний содержится в их системе об этом. Они и используются для оценки достоверности моделей путем идентификации объектов обучающей выборки.

В настоящее время в АСК-анализе и системе «Эйдос» используется два интегральных критерия: «Сумма знаний» и Семантический резонанс знаний». Оба эти критерия имеют не метрическую природу и поэтому их применение является корректным в не ортонормированных пространствах, которые как правило ив встречаются в реальных моделях.

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний о переходе объекта в буду-

щие целевые или нежелательные состояния, содержащееся в системе факторов различной природы, характеризующих как сам объект управления, так и внешние факторы (управляющие факторы и окружающую среду).

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

где: М — количество градаций описательных шкал (признаков);

4 < у>— вектор состояния j-го класса;

= — вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

1, если І — й фактор действует;

Ьі = < п, где: п >0, если І — й фактор действует с интенсивностью п;

0, если І — й фактор не действует.

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» — один раз).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний о переходе

объекта в будущие целевые или нежелательные состояния, содержащееся в системе факторов различной природы, характеризующих сам объект управления и внешние факторы (управляющие факторы и окружающую среду).

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

M — количество градаций описательных шкал (признаков);

Ij — средняя информативность по вектору класса;

L — среднее по вектору объекта;

s j среднеквадратичное отклонение частных критериев знаний

j — среднеквадратичное отклонение частных критериев знаний

sl среднеквадратичное отклонение по вектору распознаваемого

l — среднеквадратичное отклонение по вектору распознаваемого

lj ^ lj>- вектор состояния j-го класса;

Ll — — 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;

L — \п, где: п > 0, если i — й фактор действует с интенсивностью п;

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 п, если он присутствует у объекта с интенсивностью п, т.е. представлен п раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» — один раз).

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

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

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.

При оценке достоверности моделей учитываются ошибки 1-го и 2-го рода, смысл которых разъясняется в Help данного режима, экранная форма которого приведена на рисунке 10:

(j) Помощь по режиму: 4.1.3.& Виды прогнозов и принцип опрделения достовености моделей в системе гЭйдос-Х+ +

Режим: Помощь по режиму: 4.1.3.6: Виды прогнозов и принцип опрделения достовености моделей в системе «Эйдос-Х++». ПОЛОЖИТЕЛЬНЫЙ ПСЕВДОПРОГНОЗ.

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

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и б, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3,

4, 5, и б, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

Рисунок 10. Виды ошибок прогнозирования http;//ej.kubagro.ru/2014/03/pdf/48.pdf

После этого в соответствии с порядком обработки данных, информации и знаний в АСК-анализе и системе «Эйдос» (см. рисунок 1), необходимо выбрать наиболее достоверную модель и сделать ее текущей, что осуществляется в режиме 5.6 (рисунки 11 и 12):

ф 5.6. Выбрать модель и сделать ее текущей

Задайте текущую стат. модель или модель знаний Статистические базы:

С» 1. ABS — частный критерий: количество встреч сочетаний: «класс-признак» у объектов обуч.выборки С» 2. PRC1 — частный критерий: уел. вероятность i-ro признака среди признаков объектов j-ro класса С 3. PRC2 ■ частный критерий: условная вероятность i-ro признака у объектов j-ro класса Базы знаний:

С 4. INF1 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1

С» 5. INF2 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2

С» 6. INF3 — частный критерий: Хи-квадрат, разности между Фактическими и ожидаемыми абс.частотами

(* |7. iNf-4 — частный критерий: Й01 (Return On Investment); вероятности из PRC1

Р 8. INF5 — частный критерий: ROI (Return On Investment); вероятности из PRC2

С» 9. INF6 — частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1

С» 10.INF7 — частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

Как задавать параметры синтеза моделей В качестве текущей можно задать любую из ранее расчиганных в режимах 3.1,3.2,3.3 или 3.4 стат. моделей и моделей знаний, но до исследования достоверности моделей в режиме 3.5 рекомендуется выбрать в качестве текущей базу знаний INF1. Смысл моделей знаний, применяемых в системе ‘Зйдос-Х++» раскрыт в публикациях, размещенных по адресам: http://lc.kubagro.ru/aidos/index.htm, http://www.twirpx.com/file/793311/

Рисунок 11. Режим выбора наиболее достоверной модели и назначения ее в качестве текущей

На рисунке 12 приведена экранная форма отображения стадии и прогноза времени исполнения данного режима:

5.6. Выбрать модель и сделать ее текущей

—Стадии исполнения процесса ОПЕРАЦИЯ: ПРИСВОЕНИЕ МОДЕЛИ «INF4» СТАТУСА ТЕКУЩЕЙ МОДЕЛИ:

1/7: Копирование в массивы итоговых строк и столбцов текущей модели — Готово

2/7: Перенос информации из текущей модели в базы классов: Classes и Gr_CISc-Готово

3/7: Перенос информации из текущей модели в базы признаков: Attributes и Gr_OpSc-Готово

4/7: Расчет значимости класс.и опис.шкал — Сброс сумматоров — Г отово

5/7: Расчет значимости класс.и опис.шкал-Накопление данных-Готово

8/7: Расчет значимости класс.и опис.шкал-Дорасчет — Готово

7/7: Запись информации о текущей модели-Готово

Выбор модели знаний «INF4» в качестве текущей прошел успешно.

Прогноз времени исполнения

Начало: 13:05:26 Окончание: 19:05:31

Рисунок 12. Экранная форма отображения стадии и прогноза времени исполнения режима 5.6.

Этот режим исполняется достаточно быстро даже на моделях очень большой размерности. Затем выполняем пакетное распознавание в режиме 4.1.2 (рисунок 13):

(*) 4.1.2, Пакетное распознавание, Текущая модель: “1^4″ 5ЙП

-Стадии исполнения процесса-

ОПЕРАЦИЯ: ПАКЕТНОЕ РАСПОЗНАВАНИЕ В ТЕКУЩЕЙ МОДЕЛИ «№4»:

1/11: Распознавание (идентификация) 30-го объекта обучающей выборки из 30 — Готово 2/11: Исследование распределений уровней сходства верно и ошиб.идент.объектов — Готово 3/11: Создание сжатых полных форм результатов распознавания по 2-му интегр.крит. — Г отово -1/11:Создание подробной наглядной формы: «Объект-классы». Инт.крит.-корреляция-Готово 5/11: Создание подробной наглядной формы: «Объект-классы». Инт.крит.-сумма инф. — Г отово 6/11: Создание итоговой наглядной формы: «Объект-класс». Инт.крит.-корреляция — Г отово 7/11: Создание итоговой наглядной формы: «Объект-класс». Инт.крит.-сумма инф. — Г отово 8/11: Создание подробной наглядной формы: «Класс-объекты». Инт.крит.-корреляция-Готово 9/11: Создание подробной наглядной формы: «Класс-объекты». Инт.крит.-сумма инф. — Готово 10/11: Создание итоговой наглядной формы: «Класс-объекты». Инт.крит.-корреляция — Готово 11/11: Создание итоговой наглядной формы: «Класс-объекты». Инт.крит.-сумма инф. — Готово

ПАКЕТНОЕ РАСПОЗНАВАНИЕ ОБЪЕКТОВ РАСПОЗНАВАЕМОЙ ВЫБОРКИ ЗАВЕРШЕНО УСПЕШНО !

-Прогноз времени исполнения-

Начало: 19:09:21 Окончание: 19:09:23

Прошло: 0:00:02 Осталось: 0:00:00

Рисунок 13. Экранная форма отображения стадии процесса и прогноза времени исполнения режима пакетного распознавания 4.1.2.

Ниже приведены результаты идентификации чисел по их свойствам в наиболее достоверной модели ЮТ4 с интегральным критерием «Резонанс знаний» (рисунок 14):

^ 4.1.3,! Визуализация результатов распознавания в отношении: ’’Объект-клэссьГ, Текущая модель: «П\1Р4» 1 =, і он і-аз, Ц

Распознаваемые объекты Интегральный критерий сходства: «Семантический резонанс знаний»

| Код | Наим.объекта * Код Наименование класса Сходство Ф,. Сходство а

‘1 Число: 1 . ■ 16 ЧИСЛО: 10 58,70. V

2 Число: 2 . 4 ЧИСЛО: 4 ,. 46,69. ІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІ —

3 Число: 3 . 8 ЧИСЛО: 8 . 32,54. ІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІ

4 Число: 4 . 2 ЧИСЛО: 2 . 17,91. ІІІІІІІІІІІІІІІІІ

5 Число: 5 . 6 ЧИСЛО: Є . 9,410. ІІІІІІІІІ

Є Число: Є . 24 ЧИСЛО: 24 ,. 0,187.

7 Число: 7 . 10 ЧИСЛО: 10 . •1,122. 1

8 Число: 8 . 9 ЧИСЛО: 9 . -4,784. II

9 Число: 9 . 25 ЧИСЛО: 25 . •5,815. 11(11 г

10 Число: 10 . ІІ і ►

11 Число: 11 . Интегральный критерий сходства: «Сумма знаний»

12 Число: 12 . Код Наименование класса Сходство ф.. Сходство а

13 Число: 13 . 1 ■ ЧИСЛО: 1Є . 70,98. V

14 Число: 14 . 8 ЧИСЛО: 8 26,67. ІІІІІІІІІІІІІІІІІІІІІІІІІІ —

15 Число: 15 . — 4 ЧИСЛО: 4 . 24,38. ІІІІІІІ1ІІІНІІ

1Є Число; 18 . 25 ЧИСЛО: 25 . 10,15. 1ІІІІІІ

17 Число: 17 . 24 ЧИСЛО: 24 . 9,810. ІІІІІІІІІ

18 Число: 18 . Э ЧИСЛО: 9 . 8,309. інша

18 Число: 18 . 2 ЧИСЛО: 2 . 8,010. ЦНИИ

20 Число: 20 . Б ЧИСЛО: 6 . 8,501. НИИ

21 Число: 21 . ті 1 . ,С1 ЧИСЛО: 10 . 8,501. НИИ і

Помощь 9 классов | Классы с МахМіп УрСх | 9 классов с МахМіп УрСх | ВСЕ классы | ВКЛ . Фильтр по класс.шкале : 1 ВЫКЛ.Фильтр по класс.шкале Граф.диаграмма |

Рисунок 14. Результаты идентификации числа «16»

Из рисунка 14 видно, что по своим свойством число 16 похоже в убывающей степени на числа: 4, 8, 2 и больше всего не похоже на 21, в меньшей степени на 30, 27, 18 и 11.

Информационные портреты чисел, формируемые режимом 4.2.1 системы «Эйдос» в модели знаний ЮТ!, приведены на рисунках 15 и 16.

Ниже приведена вербализация, т.е. выражение словами, смысла этих информационных портретов:

— «для числа 16 является степенью числа 4 и числом в степени 4», — в этом высказывании содержится 2,733 х 2 бит информации;

— «число 16 делится на 4», — в этом высказывании содержится 0,897 бит информации;

— «число 30 имеет 3 простых сомножителя», — в этом высказывании содержится 2,644 бит информации;

— «число 30 делится на 15», — в этом высказывании содержится 1,989 бит информации;

— «число 30 имеет 6 делителей», — в этом высказывании содержится 1,989 бит информации.

f*) 4.2.1. Информационные портреты классов ^

Инф.портрет класса: 16 ‘ЧИСЛО: 1 В» в модели: А «ІМрІ»

. Код I Наименование класса d *

1 ЧИСЛО 1 ^ СТЕПЕНЬ ЧИСЛА:-4 2.733

2 ЧИСЛО 2 . 27 ЧИСЛО В СТЕПЕНИ:-4 2.733

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

3 ЧИСЛО 3 . 7 ДЕЛИТСЯ НА:-8 1. 696

4 ЧИСЛО 4 . 21 СТЕПЕНЬ ЧИСЛА:-2 1.696

5 ЧИСЛО 5 25 ЧИСЛО В СТЕПЕНИ:-2 1.425

Є ЧИСЛО Є . 18 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-3 1.042

7 ЧИСЛО 7 . 3 ДЕЛИТСЯ НА:-4 0.697

8 ЧИСЛО 8 . 1 ДЕЛИТСЯ НА:-2 0.177

9 число 9 28 ПРОСТОЙ МН0ЖИТЕЛЬ:-2 0.177

10 число 10 . 38 КОЛИЧЕСТВО ПРОСТЫХ МНОЖИТЕЛЕЙ:-! 0.116

Помощь | Abs | Ргс1 | Ргс2 | I rtf 1 Inf 2 | ln(3 | Inf4 | Inf5 | Inf6 Inf7 J MS Excel ВКЛ.Фияьтр по Фактору | ВЫКЛ.Фильтр по Фактору I Вписать в окно | Показать ВСЕ !

Рисунок 15. Информационный портрет числа «16» в модели знаний ЮТ1 (семантическая мера информации А.Харкевича)

Ф 4.2,1. Информационные портреты классов

Инф.портрет класса: 30 ‘ЧИСЛО: 30″ в модели: 4 ЧИП»

III КОД Наименование класса

14 КОЛИЧЕСТВО ПРОСТЫХ МН0ЖИТЕЛЕЙ:-3 2.644

ДЕЛИТСЯ НА:-15 1.989

20 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-6 1.983

9 ДЕЛИТСЯ НА:-10 1.607

5 ДЕЛИТСЯ НА:-6 1.124

4 ДЕЛИТСЯ НА:-5 0.952

30 ПРОСТОЙ МНОЖИТ ЕЛЬ:-5 0.952

2 ДЕЛИТСЯ НА:-3 0.470

29 ПРОСТОЙ МН0ЖИТЕЛЬ:-3 0.470

1 ДЕЛИТСЯ НА:-2 0.087

28 ПРОСТОЙ МНОЖИТ ЕЛЬ:-2 0.087

МЄ ЕксеІ Е! К Л. Фильтр по Фактору

В ЫКЛ. Фильтр по Фактору

Рисунок 16. Информационный портрет числа «30» в модели знаний 1ЫБ1 (семантическая мера информации А.Харкевича)

Информационные (семантические) портреты признаков, формируемые режимом 4.3.1 системы «Эйдос» в модели знаний 1ЫБ1, приведены на рисунках 17 и 18.

Ниже приведена вербализация, т.е. выражение словами, смысла этих информационных портретов:

— «если число делится на 2, то это 2», — в этом высказывании содержится 1,042 бит информации;

— «если число делится на 2, то это 22», — в этом высказывании содержится 0,659 бит информации;

— «если число делится на 2, то это 16», — в этом высказывании содержится 0,177 бит информации;

— «если у числа есть простой множитель 3, то это 3», — в этом высказывании содержится 1,425 бит информации;

— «если у числа есть простой множитель 3, то это 21», — в этом высказывании содержится 1,042 бит информации;

— «если у числа есть простой множитель 3, то это 6, 9, 15 или 27», — в этом высказывании содержится 0,897 бит информации.

0 4.3.1. Информационные портреты признаков [ = | н Км

Инф.портрет признака: 1 «ДЕЛИТСЯ НА:-2» в модели: 4 «1ЫЕГ

‘1 і Код Наименование класса Значимость.

2 ДЕЛИТСЯ НА 3 22 ЧИСЛО: 22 0.659

3 ДЕЛИТСЯ НА -4 . 26 ЧИСЛО: 26 0.659

4 ДЕЛИТСЯ НА ■5 . 4 ЧИСЛО: 4 0.514

5 ДЕЛИТСЯ НА ■6 Є ЧИСЛО: 8 0.514

Є ДЕЛИТСЯ НА -1 . 10 ЧИСЛО: 10 0.514

7 ДЕЛИТСЯ НА ■8 . 14 ЧИСЛО: 14 0.514

б ДЕЛИТСЯ НА ■9 8 ЧИСЛО: 8 о.зее

9 ДЕЛИТСЯ НА -10 . 12 ЧИСЛО: 12 о.ззе

10 ДЕЛИТСЯ НА ■1І . 18 ЧИСЛО: 18 0.338 —

11 ДЕЛИТСЯ НА ■12 . 20 ЧИСЛО: 20 0.38В

12 ДЕЛИТСЯ НА -13 28 ЧИСЛО: 28 о.ззе

13 ДЕЛИТСЯ НА -14 . 16 ЧИСЛО: 16 0.177

14 ДЕЛИТСЯ НА -15 . 24 ЧИСЛО: 24 0.17?

15 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-0 . 30 ЧИСЛО: 30 0.087

16 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-1 .

18 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-3 .

19 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-4 .

20 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-6 .

21 СТЕПЕНЬ ЧИСЛА:-2 а.:

22 СТЕПЕНЬ ЧИСЛА:-3 в.

23 СТЕПЕНЬ ЧИСЛА:-4 . — і

Помощь| АЬэ | Ргс11 Ріс21 ІпП I М2 | Ш Ш | ІпГ5 ІпГЄ | Іпі7 Мб ЕхсеІ | В К Л. фильтр по к л. шкале ВЫКЛ.фильтр по кл. шкале | Вписать в окно | Показать ВСЕ |

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

Рисунок 17. Семантический информационный портрет признака: «делится на 2» в модели знаний ШБ1 (мера информации А.Харкевича)

^ 0 4.3.1. Информационные портреты признаков 1гр-И ®

| Инф.портрет признака: 29 «ПРОСТОЙ МНОЖИТЕЛЬ:-: 3» в модели: 4 «1^1»

Код I Наименование признака — I Код Наименование класса Значимость.

19 К0ЛИЧЕСТВ0ДЕЛИТЕЛЕЙ:-4 3 ЧИСЛО: 3 1.425

20 КОЛИЧЕСТВО ДЕЛИТЕЛЕЙ:-8 . 21 ЧИСЛО: 21 1.042

21 СТЕПЕНЬ ЧИСЛА:-2 . 6 ЧИСЛО: 6 0.897

22 СТЕПЕНЬ ЧИСЛА:-3 . 9 ЧИСЛО: 9 0.897

23 СТЕПЕНЬ ЧИСЛА-4 а.: 15 ЧИСЛО: 15 0.897

24 СТЕПЕНЬ ЧИСЛА:-5 27 ЧИСЛО: 27 0.897

25 ЧИСЛО В СТЕПЕНИ:-2 . 12 ЧИСЛО: 12 0.771

28 ЧИСЛО В СТЕПЕНИ:-3 . 18 ЧИСЛО: 18 0.771

27 ЧИСЛО В СТЕПЕНИ:-4 24 ЧИСЛО: 24 0.560

28 ПРОСТОЙ МНОЖИТЕ ЛЬ:-2 . 30 ЧИСЛО: 30 0.470

29 ПРОСТОЙ МНОЖИТЕ ЛЬ:-3 .

30 ПРОСТОЙ МНОЖИТЕ ЛЬ:-5 .

31 ПРОСТОЙ МНОЖИТЕ ЛЬ:-7

32 ПРОСТОЙ МНОЖИТЕ ЛЬ:-11 .

33 ПРОСТОЙ МНОЖИТЕ ЛЬ:-13 .

34 ПРОСТОЙ МНОЖИТЕ ЛЬ:-17 .

35 ПРОСТОЙ МНОЖИТЕ ЛЬ-19

38 ПРОСТОЙ МНОЖИТЕ ЛЬ:-23 .

37 ПРОСТОЙ МНОЖИТЕ ЛЬ:-29 .

38 КОЛИЧЕСТВО ПРОСТЫХ МН0ЖИТЕЛЕЙ:-1 .

39 КОЛИЧЕСТВО ПРОСТЫХ МН0ЖИТЕЛЕЙ:-2 . —

40 КОЛИЧЕСТВО ПРОСТЫХ МН0ЖИТЕЛЕЙ:-3 .

Помощь | АЬй | Ргс11 Ргс21 = ІпРІ -| М2 | ІпґЗ Ы4 | N5 | Іп(6 | И7 | МЭ ЕксеІ | В К Л. фильтр по к л. шкале ВЫКЛ.фильтр по кл. шкале | Вписать в окно | Показать ВСЕ |

Рисунок 18. Семантический информационный портрет признака: «простой множитель 3» в модели знаний ЮТ! (мера А.Харкевича)

Когнитивные функции генерируются в режиме 4.5 (модуль визуализации когнитивных функций) и приведены на рисунках 19-24 [23, 24].

Смысл когнитивных функций подробно раскрыт в ряде работ [23, 24] и в данной статье на этом вопросе останавливаться нецелесообразно.

Таким образом, опираясь на материалы данной статьи, мы высказываем гипотезу, что есть основания утвердительно ответить на вопрос: «Возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них?» Мы предполагаем, что для исследования свойств чисел в теории чисел можно применять тот же метод, который ранее был широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системно-когнитивный анализ (АСК-анализ), основанный на теории информации, а также его программный инструментарий — интеллектуальную систему «Эйдос».

Конечно, надо признать, что приведенные в статье математические высказывания не очень напоминают формулировки каких-либо математических гипотез и тем более теорем, но, тем ни менее, они являются высказываниями о свойствах и отношениях абстрактных математических объектов (в данном случае натуральных чисел), причем, что мы считаем очень важным, с указанием количества информации в битах, содержащегося в этих высказываниях в рамках определенной модели.

Материалы данной статьи могут быть использованы в качестве лабораторной работы при преподавании дисциплины «Интеллектуальные системы и технологии» и других дисциплин, связанных с интеллектуальными системами и представлением знаний. Этому способствует и то, что система «Эйдос» находится в полном открытом бесплатном доступе: http://lc.kubagro.ru/aidos/ Aidos-X.htm, причем с исходными текстами, и

существует форум, на котором можно получить консультации ее автора и разработчика, т.е. автора данной статьи: http ://proflutsenko .vdforum .ru/.

1. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политемати-ческий сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. — №04(088). С. 340 — 359. — IDA [article ID]: 0881304022. — Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

2. Луценко Е.В. Универсальная автоматизированная система распознавания образов «Эйдос» (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.

3. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов «ЭЙДОС-5.1»). — Краснодар: КЮИ МВД РФ, 1996. — 280с.

4. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). — Краснодар: ТУ КубГТУ, 1999. — 318с.

5. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В. С. Симанкова. — Краснодар: ИСТЭК КубГТУ, 2001. — 258с.

6. 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.

7. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 «Прикладная информатика (по отраслям)». -Краснодар: КубГАУ. 2004. — 633 с.

8. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). — Краснодар: КубГАУ. 2005. — 480 с.

9. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. -615 с.

10. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям. 2-е изд., перераб. и доп.

— Краснодар: КубГАУ, 2006. — 318с.

11. Наприев И. Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). — Краснодар: КубГАУ. 2008. — 262 с.

12. Луценко Е. В., Лойко В. И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). — Краснодар: КубГАУ, 2008. — 257 с.

13. Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). — Краснодар: КубГАУ, 2008. — 264 с.

14. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). — Майкоп: АГУ. 2009. — 536 с.

15. Луценко Е.В., Коржаков В.Е., Ермоленко В.В. Интеллектуальные системы в контроллинге и менеджменте средних и малых фирм: Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). — Майкоп: АГУ. 2011. — 392 с.

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

17. Трунев А.П., Луценко Е.В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д.т.н., проф. В.И.Лойко. Монография (научное издание). — Краснодар, КубГАУ. 2012. — 480 с. ISBN 978-5-94672-519-4

18. Трубилин А.И., Барановская Т.П., Лойко В.И., Луценко Е.В. Модели и методы управления экономикой АПК региона. Монография (научное издание). — Краснодар: КубГАУ. 2012. — 528 с. ISBN 978-5-94672-584-2

19. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). — Краснодар, КубГАУ. 2013. — 168 с. ISBN 978-5-94672-644-3

20. Луценко Е.В. Методологические аспекты выявления, представления и исполь-

зования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2011. — №06(070). С. 233 — 280. — Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. — Режим доступа:

http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

21. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системнокогнитивном 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.

22. Луценко Е.В. Применение СК-анализа и системы «Эйдос» для синтеза когнитивной матричной передаточной функции сложного объекта управления на основе эмпирических данных / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. -№01(075). С. 681 — 714. — Шифр Информрегистра: 0421200012\0008, IDA [article ID]: 0751201053. — Режим доступа: http://ej.kubagro.ru/2012/01/pdf/53.pdf, 2,125 у.п.л.

23. Луценко Е.В., Бандык Д.К. Подсистема визуализации когнитивных (каузальных) функций системы «Эйдос» (Подсистема «Эйдос-VCF»). Пат. № 2011612056 РФ. Заяв. № 2011610347 РФ 20.01.2011. Опубл. от 09.03.2011.

24. Луценко Е.В. Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в системной нечеткой интервальной математике / Е.В. Луценко, А.И. Орлов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2014. -№01(095). С. 122 — 183. — IDA [article ID]: 0951401007. — Режим доступа: http://ej.kubagro.ru/2014/01/pdf/07.pdf, 3,875 у.п.л.

1. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij

avtomatizirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2013. — №04(088). S. 340 — 359. — IDA [article ID]: 0881304022. — Rezhim dostupa: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

2. Lucenko E.V. Universal’naja avtomatizirovannaja sistema raspoznavanija obrazov «Jejdos» (versija 4.1).-Krasnodar: KJul MVD RF, 1995.- 76s.

3. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal’noj avtomatizirovannoj sistemy raspoznavanija obrazov «JeJDOS-5.1»). — Krasnodar: KJul MVD RF, 1996. — 280s.

4. Simankov V.S., Lucenko E.V. Adaptivnoe upravlenie slozhnymi sistemami na osnove teorii raspoznavanija obrazov. Monografija (nauchnoe izdanie). — Krasnodar: TU KubGTU, 1999. — 318s.

5. Simankov V.S., Lucenko E.V., Laptev V.N. Sistemnyj analiz v adaptivnom upravlenii: Monografija (nauchnoe izdanie). /Pod nauch. red. V.S.Simankova. — Krasnodar: ISTJeK KubGTU, 2001. — 258s.

6. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social’no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2002. — 605 s.

7. Lucenko E.V. Intellektual’nye informacionnye sistemy: Uchebnoe posobie dlja studentov special’nosti 351400 «Prikladnaja informatika (po otrasljam)». — Krasnodar: KubGAU. 2004. — 633 s.

8. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agropromyshlennym kompleksom. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2005. — 480 s.

9. Lucenko E.V. Intellektual’nye informacionnye sistemy: Uchebnoe posobie dlja studentov special’nosti «Prikladnaja informatika (po oblastjam)» i drugim jekonomicheskim special’nostjam. 2-e izd., pererab. i dop.- Krasnodar: KubGAU, 2006. — 615 s.

10. Lucenko E.V. Laboratornyj praktikum po intellektual’nym informacionnym sistemam: Uchebnoe posobie dlja studentov special’nosti «Prikladnaja informatika (po oblastjam)» i drugim jekonomicheskim special’nostjam. 2-e izd., pererab. i dop. — Krasnodar: KubGAU, 2006. — 318s.

11. Napriev I.L., Lucenko E.V., Chistilin A.N. Obraz-Ja i stilevye osobennosti dejatel’nosti sotrudnikov organov vnutrennih del v jekstremal’nyh uslovijah. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2008. — 262 s.

12. Lucenko E. V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe izdanie). — Krasnodar: KubGAU, 2008. — 257 s.

13. Trunev A.P., Lucenko E.V. Astrosociotipologija: Monografija (nauchnoe izdanie).

— Krasnodar: KubGAU, 2008. — 264 s.

14. Lucenko E.V., Korzhakov V.E., Laptev V.N. Teoreticheskie osnovy i tehnologija primenenija sistemno-kognitivnogo analiza v avtomatizirovannyh sistemah obrabotki informacii i upravlenija (ASOIU) (na primere ASU vuzom): Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). — Majkop: AGU. 2009. — 536 s.

15. Lucenko E.V., Korzhakov V.E., Ermolenko V.V. Intellektual’nye sistemy v kontrollinge i menedzhmente srednih i malyh firm: Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). — Majkop: AGU. 2011. — 392 s.

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

17. Trunev A.P., Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz vlijanija faktorov kosmicheskoj sredy na noosferu, magnitosferu i litosferu Zemli: Pod nauch. red. d.t.n., prof. V.I.Lojko. Monografija (nauchnoe izdanie). — Krasnodar, KubGAU. 2012. -480 s. ISBN 978-5-94672-519-4

18. Trubilin A.I., Baranovskaja T.P., Lojko V.I., Lucenko E.V. Modeli i metody upravlenija jekonomikoj APK regiona. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2012. — 528 s. ISBN 978-5-94672-584-2

19. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vyboru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo intellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). — Krasnodar, KubGAU. 2013. -168 s. ISBN 978-5-94672-644-3

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

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

22. Lucenko E.V. Primenenie SK-analiza i sistemy «Jejdos» dlja sinteza kognitivnoj matrichnoj peredatochnoj funkcii slozhnogo ob#ekta upravlenija na osnove jempiricheskih dannyh / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2012. — №01(075). S. 681 — 714. — Shifr Informregistra: 0421200012\0008, IDA [article ID]: 0751201053. — Rezhim dostupa: http://ej.kubagro.ru/2012/01/pdf/53.pdf, 2,125 u.p.l.

23. Lucenko E.V., Bandyk D.K. Podsistema vizualizacii kognitivnyh (kauzal’nyh) funkcij sistemy «Jejdos» (Podsistema «Jejdos-VCF»). Pat. № 2011612056 RF. Zajav. № 2011610347 RF 20.01.2011. Opubl. ot 09.03.2011.

ИССЛЕДОВАНИЕ СИМВОЛЬНЫХ И ЦИФРОВЫХ РЯДОВ МЕТОДАМИ ТЕОРИИ ИНФОРМАЦИИ И АСК-АНАЛИЗА (на примере числа Пи с одним миллионом знаков после запятой) Текст научной статьи по специальности «Компьютерные и информационные науки»

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС» / ТЕОРИЯ ЧИСЕЛ / ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ / AUTOMATED SYSTEM-COGNITIVE ANALYSIS / EIDOS INTELLECTUAL SYSTEM / NUMBER THEORY / COMPUTATIONAL EXPERIMENT

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

В статье описывается программный интерфейс с универсальной когнитивной аналитической системой «Эйдос-Х++», обеспечивающий преобразование символьных, в частности числовых рядов в такую форму, которая непосредственно воспринимается данной системой. В результате в системе могут быть созданные 3 статистических и 7 интеллектуальных моделей этих рядов, в которых отражены взаимосвязи между символами или цифрами в этих рядах. Для отражения взаимосвязей между символами используются те же самые частные и интегральные критерии автоматизированного системно-когнитивного анализа (АСК-анализ), что и при отражении причинно-следственных взаимосвязей между событиями в реальной области, что ранее не применялось в теории чисел . Приводится подробный численный пример подобного исследования на примере выявления взаимосвязей между цифрами, представляющими собой десятичные знаки числа π, при этом в приведенном примере используется миллион знаков числа π после запятой.

i Надоели баннеры? Вы всегда можете отключить рекламу.

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

Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация)

Системно-когнитивные модели прогнозирования развития многоотраслевой агропромышленной корпорации. Часть II. Синтез и верификация модели

АСК-анализ динамики научных исследований по публикациям в Научном журнале КубГАУ

Когнитивные функции как обобщение классического понятия функциональной зависимости на основе теории информации в АСК-анализе и системной нечеткой интервальной математике

Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация)

i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE STUDY OF SYMBOLIC AND NUMERIC SERIES BY METHODS OF THE THEORY OF INFORMATION AND ASC-ANALYSIS (ON THE EXAMPLE OF THE PI NUMBER WITH ONE MILLION DECIMAL PLACES)

The article describes a software interface with the universal cognitive analytical system «Eidos-X++» ensuring the transformation of character, in particular – the numerical series in a form that is directly perceived by this system. As a result, the system can contain 3 statistical and 7 intellectual models of the series, which highlights the relationship between the characters or numbers in these lines. To reflect the relationships between the characters we used the same private and integral data of the automated system of cognitive analysis (ASC-analysis), and in the reflection of reasons-and-effect relationships between events in the real area that has not previously been used in the theory of numbers. The article provides a detailed numerical examples of such studies on the example of the identification of relationships between numbers that represent the decimal digits of the PI number, in the example we use one million digits of the PI number after the decimal point.

Текст научной работы на тему «ИССЛЕДОВАНИЕ СИМВОЛЬНЫХ И ЦИФРОВЫХ РЯДОВ МЕТОДАМИ ТЕОРИИ ИНФОРМАЦИИ И АСК-АНАЛИЗА (на примере числа Пи с одним миллионом знаков после запятой)»

Научный журнал КубГАУ, №99(05), 2014 года

ИССЛЕДОВАНИЕ СИМВОЛЬНЫХ И ЦИФРОВЫХ РЯДОВ МЕТОДАМИ ТЕОРИИ ИНФОРМАЦИИ И АСК-АНАЛИЗА (на примере числа Пи с одним миллионом знаков после запятой)

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail. com

В статье описывается программный интерфейс с универсальной когнитивной аналитической системой «Эйдос-Х++», обеспечивающий преобразование символьных, в частности числовых рядов в такую форму, которая непосредственно воспринимается данной системой. В результате в системе могут быть созданные 3 статистических и 7 интеллектуальных моделей этих рядов, в которых отражены взаимосвязи между символами или цифрами в этих рядах. Для отражения взаимосвязей между символами используются те же самые частные и интегральные критерии автоматизированного системно-когнитивного анализа (АСК-анализ), что и при отражении причинно-следственных взаимосвязей между событиями в реальной области, что ранее не применялось в теории чисел. Приводится подробный численный пример подобного исследования на примере выявления взаимосвязей между цифрами, представляющими собой десятичные знаки числа п, при этом в приведенном примере используется миллион знаков числа п после запятой

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ТЕОРИЯ ЧИСЕЛ, ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ

Все уже привыкли к тому, что при изучении объектов и явлений реальной области конкретными науками широко применится математика и компьютерные технологии, т.е. математика обогащает конкретные науки, способствует их развитию и повышению научного уровня исследований.

При этом необходимо понимать, что в математике нет мер для количественного отражения силы и направления причинно-следственных зависимостей, т.к. нет и самого понятия причинно-следственных зависимостей, которое относится не к абстрактной, а к реальной области. Это связано с тем, что причинно-следственные зависимости возможны только между ре-

THE STUDY OF SYMBOLIC AND NUMERIC SERIES BY METHODS OF THE THEORY OF INFORMATION AND ASC-ANALYSIS (ON THE EXAMPLE OF THE PI NUMBER WITH ONE MILLION DECIMAL PLACES)

Lutsenko Evgeny Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

Kuban State Agrarian University, Krasnodar, Russia

The article describes a software interface with the universal cognitive analytical system «Eidos-X++» ensuring the transformation of character, in particular — the numerical series in a form that is directly perceived by this system. As a result, the system can contain 3 statistical and 7 intellectual models of the series, which highlights the relationship between the characters or numbers in these lines. To reflect the relationships between the characters we used the same private and integral data of the automated system of cognitive analysis (ASC-analysis), and in the reflection of reasons-and-effect relationships between events in the real area that has not previously been used in the theory of numbers. The article provides a detailed numerical examples of such studies on the example of the identification of relationships between numbers that represent the decimal digits of the PI number, in the example we use one million digits of the PI number after the decimal point

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, EIDOS INTELLECTUAL SYSTEM, NUMBER THEORY, COMPUTATIONAL EXPERIMENT

Научный журнал КубГАУ, №99(05), 2014 года

альными, а не абстрактными объектами. Меры взаимосвязи, выработанные математикой, такие как корреляция, сами по себе не являются мерами причинно-следственных связей, т.к. не отражают поведение объекта исследования, как в случае действия, так и в случае отсутствия действия на него исследуемого фактора [1, 2]. Поэтому конкретными науками выработан ряд собственных количественных мер силы и направления причинноследственных зависимостей [3]. Среди этих мер в первую очередь необходимо упомянуть про классическую статистику Хи-квадрат и модель Георга Раша [3]. Автором предложено использовать для этой цели как эти, так и еще ряд способов повышения степени формализации разнородных номинальных шкал путем преобразования их в числовые с началом отсчета и общей единицей измерения, в качестве которой используется, например, количество информации [4]. Ранее эти способы разрозненно использовались в различных направлениях науки, но осознанно не объединялись вместе как модели знаний и меры силы и направления причинноследственных связей.

На наш взгляд представляет интерес возможность использования всех этих количественных мер силы и направления причинноследственных связей, выработанных конкретными науками, для исследования взаимосвязей между абстрактными математическими объектами, например такими, как элементы символьных, в частности цифровых рядов. Возможно, так конкретные науки могут внести некоторый, пусть небольшой вклад в обогащение математики, т.е. в какой-то степени вернуть ей свой долг. Разработке этому направления мысли посвящены работы [5, 6,

В данной статье рассмотрим применение теории информации и АСК-анализа для исследования символьных и цифровых рядов на примере числа п одним миллионом знаков после запятой.

Данная задача относится к теории чисел, результаты в которой формулируются в форме гипотез и теорем. Но что представляет собой математическая гипотеза или теорема с точки зрения теории информации? Это

Научный журнал КубГАУ, №99(05), 2014 года

некое высказывание, содержащее определенное количество информации об абстрактных математических объектах, их свойствах и отношениях. Предметом изучения теории чисел является такой абстрактный объект как число, а также свойства чисел и их отношений.

Любой символ можно рассматривать как цифру в системе счисления, включающей в качестве цифр весь алфавит, в который входит данный символ. Поэтому символьные и цифровые ряды могу рассматриваться как символьные или как цифровые в определенных системах счисления, т.е. между ним нет принципиальной разницы

Возникает закономерный вопрос: а возможно ли автоматизировать исследование свойств чисел и их отношений таким образом, чтобы результаты этого исследования можно было формулировать в виде высказываний с указанием конкретного количества информации, содержащегося в них?

Данная статья является попыткой обоснования утвердительного ответа на этот вопрос. Для этого предлагается применять для исследования свойств чисел в теории чисел тот же метод, который широко апробирован и хорошо зарекомендовал себя при исследования реальных объектов и их отношений в различных предметных областях, а именно автоматизированный системно-когнитивный анализ (АСК-анализ), основанный на теории информации [8] и его программный инструментарий — универсальную когнитивную аналитическую систему «Эйдос» [9. 10].

Рассмотрим на простейшем примере: цифрового ряда и миллиона десятичных знаков числа п, как может выглядеть подобное исследование. Целью исследования является выявление причинно-следственных зависимостей между цифрой ряда и 5-ю предыдущими цифрами способом, который ранее не использовался для этой цели, а именно с помощью АСК-анализа и системы «Эйдос».

Будем придерживаться последовательности обработки данных, информации и знаний, принятых в АСК-анализе и его программном инструментарии — интеллектуальной системе «Эйдос» (рисунок 1):

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 1. Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе

и интеллектуальной системе «Эйдос»

Научный журнал КубГАУ, №99(05), 2014 года

Очень кратко о АСК-анализе

АСК-анализ представляет собой системный анализ, структурированным по базовым когнитивным (познавательным) операциям, что позволило его автоматизировать и включает:

— формализуемую когнитивную концепцию, из которой выводится минимальный полный набор когнитивных операций (когнитивный конфигуратор);

— математическая модель, основанную на системном обобщении семантической меры информации А.Харкевича;

— методику численных расчетов, т.е. структуры данных и алгоритмы;

— программный инструментарий — интеллектуальную систему «Эй-

Последовательность преобразования данных в информацию, а ее в знания в АСК-анализе и интеллектуальной системе «Эйдос», представленная на рисунке 1, соответствует этапам АСК-анализа:

Этапы разработки приложения в АСК-анализе:

1. Когнитивная структуризация предметной области.

2. Формализация предметной области.

3. Подготовка и ввод обучающей выборки.

4. Синтез семантической информационной модели (СИМ).

5. Повышение качества СИМ.

6. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

7. Решение задач идентификации, прогнозирование и принятия решений;

8. Исследование моделируемой предметной области путем исследования ее модели (анализ СИМ).

Научный журнал КубГАУ, №99(05), 2014 года

Теоретические аспекты АСК-анализа и опыт его практического применения для решения задач в различных предметных областях подробно описан в ряде работ автора [6, 11-28]1 и в данной статье на этом останавливаться нецелесообразно. Отметим лишь, что этот метод обеспечивает:

— выявление причинно-следственных связей в эмпирических данных и преобразование их сначала в информацию, а затем в знания;

— сопоставимую обработку данных, полученных в различных видах измерительных шкал и представленных в различных единицах измерения;

— использование знаний для решения задач идентификации, прогнозирование и принятия решений.

Скачаем, установим и запустим систему «Эйдос»

1. Самую новую на текущий момент версию системы «Эйдос-Х++» всегда можно скачать на странице: http://lc.kubagro.ru/aidos/ Aidos-X.htm.

2. Разархивируем этот архив в любую папку с правами на запись с коротким латинским именем самой папки и всех папок на пути к ней.

3. Запустить систему. Файл запуска: OAIDOS-X.exe.

4. Задать имя: 1 и пароль: 1.

5. Выполнить режим 1.1 (только 1 -й раз при установке системы в эту папку).

6. Скачиваем архив http://lc.kubagro.ru/Dima/p rar и записываем его содержимое в папку: c:\Aidos-X\AID_DATA\Inp_data\.

7. Запускаем программу С) Char_series.exe2 и в экранной форме, представленной на рисунке 2, задаем имя файла с рядом: «Pi.txt», длину учитываемых в моделях предыстории: 5.

1 Полный открытей бесплатный доступ к этим и другим работам предоставлен на сайте автора: http://lc.kubagro.ru/

2 Данная программа приведена в архиве с исходным текстом

Научный журнал КубГАУ, №99(05), 2014 года

О (С) Луценко Е.В. Исследование символьных рядов методом АС К-a налива

Задайте вар и а пт использования программы:

Г Расчет арифметической прогрессии

Г Расчет геометрической прогрессии

Г Расчет ряда Фибоначчи

Г Расчет ряда случайных чисел:

Задайте длину учитываемой в моделях предыстории R:

Рисунок 2. Экранная форма программного интерфейса, преобразующего символьный или цифровой ряд в форму, непосредственно воспринимаю

Через 17 секунд выдается сообщение, приведенное на рисунке 3:

Рисунок 3. Экранная форма программного интерфейса с информацией об окончании процесса преобразования

Затем запускаем режим 2.3.2.2 системы «Эйдос» с опциями, заданными на экранной форме, приведенной на рисунке 4:

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 4. Экранная форма универсального программного интерфейса системы «Эйдос» для ввода данных из внешних баз данных

После нажатия «ОК» появляется окно внутреннего калькулятора данного интерфейса, на котором в данном случае ничего невозможно посчитать, т.к. в приложении нет числовых шкал, а просто отображается сколько найдено классификационных и описательных шкал и какое у них суммарное количество уникальных градаций (рисунок 5):

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

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 5. Экранная форма внутреннего калькулятора программного интерфейса с отображением параметров размерности модели

После выхода на создание модели начинается процесс автоматической формализации предметной области, включающий:

1. Г енерацию классификационных и описательных шкал и градаций, позволяющих закодировать все символы ряда.

2. Генерацию базы событий и обучающей выборки, в которой символы уже заменены их кодами.

В результате выполнения данного режима получаем следующие классификационные и описательные шкалы и градации и обучающую выборку (таблицы 1-3):

Таблица 1 — Классификационные шкалы и градации

Научный журнал КубГАУ, №99(05), 2014 года

Таблица 2 — Описательные шкалы и градации

Код Наим. Код Наим. Код Наим. Код Наим. Код Наим.

1 ATR1-0 11 ATR2-0 21 ATR3-0 31 ATR4-0 41 ATR5-0

2 ATR1-1 12 ATR2-1 22 ATR3-1 32 ATR4-1 42 ATR5-1

3 ATR1-2 13 ATR2-2 23 ATR3-2 33 ATR4-2 43 ATR5-2

4 ATR1-3 14 ATR2-3 24 ATR3-3 34 ATR4-3 44 ATR5-3

5 ATR1-4 15 ATR2-4 25 ATR3-4 35 ATR4-4 45 ATR5-4

6 ATR1-5 16 ATR2-5 26 ATR3-5 36 ATR4-5 46 ATR5-5

7 ATR1-6 17 ATR2-6 27 ATR3-6 37 ATR4-6 47 ATR5-6

8 ATR1-7 18 ATR2-7 28 ATR3-7 38 ATR4-7 48 ATR5-7

9 ATR1-8 19 ATR2-8 29 ATR3-8 39 ATR4-8 49 ATR5-8

10 ATR1-9 20 ATR2-9 30 ATR3-9 40 ATR4-9 50 ATR5-9

Таблица 3 — Обучающая выборка (фрагмент)

KOD OBJ NAME OBJ CLS1 ATR1 ATR2 ATR3 ATR4 ATR5

1 9 10 6 12 25 32 44

2 2 3 10 16 22 35 42

3 6 7 3 20 26 32 45

4 5 6 7 13 30 36 42

5 3 4 6 17 23 40 46

6 5 6 4 16 27 33 50

7 8 9 6 14 26 37 43

8 9 10 9 16 24 36 47

9 7 8 10 19 26 34 46

10 9 10 8 20 29 36 44

11 3 4 10 18 30 39 46

12 2 3 4 20 28 40 49

13 3 4 3 14 30 38 50

14 8 9 4 13 24 40 48

15 4 5 9 14 23 34 50

16 6 7 5 19 24 33 44

17 2 3 7 15 29 34 43

18 6 7 3 17 25 39 44

19 4 5 7 13 27 35 49

20 3 4 5 17 23 37 45

21 3 4 4 15 27 33 47

22 8 9 4 14 25 37 43

23 3 4 9 14 24 35 47

24 2 3 4 19 24 34 45

25 7 8 3 14 29 34 44

26 9 10 8 13 24 39 44

27 5 6 10 18 23 34 49

28 0 1 6 20 28 33 44

29 2 3 1 16 30 38 43

30 8 9 3 11 26 40 48

31 8 9 9 13 21 36 50

32 4 5 9 19 23 31 46

33 1 2 5 19 29 33 41

34 9 10 2 15 29 39 43

35 7 8 10 12 25 39 49

Научный журнал КубГАУ, №99(05), 2014 года

В базах данных событий, представленных в форме таблицы 3, насчитывается около миллиона записей.

На следующем этапе АСК-анализа осуществляется синтез и верификация (оценка достоверности) 3 статистических моделей и 7 моделей знаний. В системе «Эйдос» эти этапы выполняются в режиме 3.5, экранная форма управления которым приведена на рисунке 6:

Рисунок 6. Экранная форма режима синтеза и верификации моделей

Научный журнал КубГАУ, №99(05), 2014 года

Для проверки адекватности моделей используется каждая 100-я цифра. При 1000000 объектов обучающей выборки получается, что каждая модель проверяется на 10000 контрольных примерах. При этом каждый из этих примеров дает настолько ничтожный вклад в модель, что удалять их из обучающей выборки, чтобы они не повлияли на результат идентификации, как это принято в бутстрепном методе, нет никакой необходимости.

В результате выполнения режима 3.5 сформированы статистические модели и модели знаний, некоторые из которых представлены ниже в таблицах 4, 5 и 6:

— в таблице 4 приведена матрица абсолютных частот наблюдений признаков у объектов обучающей выборки, относящихся к различным категориям (классам);

— в таблице 5 мы видим количество информации в миллионных долях бита (микробитах), которое содержится в факте наблюдения определенного признака у объекта о том, что этот объект принадлежит определенному классу;

— в таблице 6 приведены значения хи-квадрат.

Научный журнал КубГАУ, №99(05), 2014 года

Таблица 4 — Матрица абсолютных частот (модель: ABS)

KOD PR NAME CLS1 CLS2 CLS3 CLS4 CLS5 CLS6 CLS7 CLS8 CLS9 CLS10 SUMMA SREDN DISP

1 ATR1-0 9939 9892 10050 10038 9948 10042 9896 9952 10174 10035 99966 9996,6000000 87,1157595

2 ATR1-1 10007 10064 9721 10013 9874 9992 9934 9944 10061 10148 99758 9975,8000000 118,0186426

3 ATR1-2 9907 10110 10062 9951 10060 9989 9858 10226 9956 9912 100031 10003,1000000 111,3248001

4 ATR1-3 10052 9939 10056 10026 9960 10188 9925 10098 9951 10037 100232 10023,2000000 82,1905645

5 ATR1-4 10017 10009 9980 10009 9958 10036 10194 10043 9914 10071 100231 10023,1000000 74,9050510

6 ATR1-5 10066 9791 10056 10051 10194 10232 10011 10045 9919 9998 100363 10036,3000000 125,0635838

7 ATR1-6 10147 9896 10086 9974 10014 9982 9819 9867 9880 9885 99550 9955,0000000 104,7971586

8 ATR1-7 9888 10095 9962 10069 10022 9964 10112 9802 9991 9900 99805 9980,5000000 98,6466759

9 ATR1-8 10029 9954 10073 10048 9962 9922 9950 9924 10088 10038 99988 9998,8000000 62,8645811

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

10 ATR1-9 9914 10008 9986 10053 10239 10015 9851 9904 10054 10084 100108 10010,8000000 109,5615504

11 ATR2-0 10011 10040 10067 9968 10059 9931 9939 9882 9968 10100 99965 9996,5000000 69,9384650

12 ATR2-1 9922 10143 9911 9982 9962 9994 9954 9982 9867 10042 99759 9975,9000000 76,2619025

13 ATR2-2 9981 10064 9941 9871 10212 9986 9905 10003 10091 9977 100031 10003,1000000 98,5826782

14 ATR2-3 9913 10041 10024 10118 10004 10030 9852 10142 9985 10123 100232 10023,2000000 92,3192528

15 ATR2-4 10052 9885 10107 10226 9934 10099 9939 9956 10140 9893 100231 10023,1000000 117,3697387

16 ATR2-5 10129 10051 10077 10058 9853 9997 10075 10019 10053 10051 100363 10036,3000000 73,3121939

17 ATR2-6 9930 9929 9991 9900 9917 10003 9868 9940 9991 10081 99550 9955,0000000 61,7665857

18 ATR2-7 9966 9851 9988 10049 9906 10182 9975 10025 9892 9971 99805 9980,5000000 92,9841683

19 ATR2-8 9984 9954 9945 9955 10122 10158 9994 9905 10007 9964 99988 9998,8000000 80,0427663

20 ATR2-9 10078 9800 9981 10105 10262 9982 10049 9951 9994 9906 100108 10010,8000000 124,2513581

21 ATR3-0 9904 10044 9960 10101 10024 9998 9914 10016 9976 10028 99965 9996,5000000 60,0208297

22 ATR3-1 9950 9926 9960 10118 10109 10087 9845 9729 9967 10068 99759 9975,9000000 124,8647713

23 ATR3-2 9991 9872 9904 9929 10011 10183 10008 10110 9930 10093 100031 10003,1000000 99,9716071

24 ATR3-3 9838 10170 10164 10159 9954 10093 9870 9904 10026 10054 100232 10023,2000000 125,7915383

25 ATR3-4 10004 10027 9957 9981 9940 10055 10140 10039 10067 10022 100232 10023,2000000 58,0149406

26 ATR3-5 10149 9927 9930 10105 10125 10042 9887 10026 10190 9982 100363 10036,3000000 104,1025669

27 ATR3-6 9963 9822 10187 9904 10051 9928 9934 10082 9905 9774 99550 9955,0000000 122,9064685

28 ATR3-7 9972 9948 9954 9938 10103 10071 9991 10028 9930 9869 99804 9980,4000000 70,0653663

29 ATR3-8 10144 10125 10015 9887 9857 10011 10027 9900 10035 9987 99988 9998,8000000 95,4716945

30 ATR3-9 10051 9897 10001 10110 10057 9894 9934 9971 9962 10231 100108 10010,8000000 104,6855609

31 ATR4-0 10161 9883 10106 9991 9896 10066 10084 9785 9997 9995 99964 9996,4000000 115,1252458

32 ATR4-1 9838 10109 9961 9939 9865 10000 9924 10065 9954 10105 99760 9976,0000000 93,6743769

33 ATR4-2 10210 9790 10121 10130 9973 9938 9844 9969 10096 9960 100031 10003,1000000 133,4711371

34 ATR4-3 10004 10092 9925 10142 10006 10213 9912 10011 9874 10053 100232 10023,2000000 105,8518881

35 ATR4-4 10010 10080 10036 10077 10101 9939 9946 10058 10062 9923 100232 10023,2000000 65,2496062

36 ATR4-5 9941 10093 10162 9893 10163 10053 10034 9997 10019 10008 100363 10036,3000000 86,6757047

37 ATR4-6 9957 9786 9824 10038 10002 9896 9923 10021 10105 9998 99550 9955,0000000 98,9017470

38 ATR4-7 9773 9919 10032 10026 10156 10065 10062 10013 9917 9841 99804 9980,4000000 115,8027058

39 ATR4-8 10122 10002 9911 10082 9957 9951 9829 9981 9895 10258 99988 9998,8000000 125,1486228

40 ATR4-9 9950 10004 9954 9914 10112 10241 9992 9905 10069 9967 100108 10010,8000000 103,5082391

41 ATR5-0 10175 9874 10000 9977 9881 9844 10044 10030 10132 10007 99964 9996,4000000 108,3750689

42 ATR5-1 10033 9955 9863 9997 10087 10188 9837 9965 9980 9855 99760 9976,0000000 109,6783175

43 ATR5-2 9919 9931 10145 10064 10087 9831 10062 10065 9939 9988 100031 10003,1000000 96,8451800

44 ATR5-3 9977 9978 10027 10103 10251 10075 9993 9920 9991 9918 100233 10023,3000000 99,3322707

45 ATR5-4 10018 10000 10003 9917 9881 9969 10022 10161 10187 10074 100232 10023,2000000 96,5007772

46 ATR5-5 10168 9942 10015 10103 10142 10071 9930 9966 9943 10083 100363 10036,3000000 88,5965261

47 ATR5-6 9804 9835 10074 9800 9977 10177 9957 9979 9935 10012 99550 9955,0000000 119,8999583

48 ATR5-7 10001 10178 9898 10069 9815 10128 9862 9899 9923 10030 99803 9980,3000000 120,0241179

49 ATR5-8 9845 10060 10002 10128 10163 9985 9943 9898 9979 9985 99988 9998,8000000 97,2463081

50 ATR5-9 10026 10005 10005 10074 9947 10094 9900 9922 9979 10156 100108 10010,8000000 79,9594342

0 Всего признаков 499830 498790 500160 501160 501155 501810 497750 499025 499940 500540 5000160 0,0000000 0,0000000

0 Среднее 9997 9976 10003 10023 10023 10036 9955 9981 9999 10011 0 10000,3200000 0,0000000

0 Ср.кв.откл. 100 104 89 88 114 99 86 93 83 95 0 0,0000000 97,6014430

0 Всего объектов 99966 99758 100032 100232 100231 100362 99550 99805 99988 100108 1000032 0,0000000 0,0000000

Научный журнал КубГАУ, №99(05), 2014 года

Для преобразования абсолютных частот встреч признаков у объектов обучающей выборки в разрезе по классам (таблица 4) в знания используются следующие частные критерии (таблица 5):

Таблица 5 — Частные критерии знаний, используемые в настоящее время в АСК-анализе и системе «Эйдос-Х++»

Наименование модели знаний и частный критерий Выражение для частного критерия

через относительные частоты через абсолютные частоты

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу. Относительная частота того, что если у объекта j-го класса обнаружен признак, то это i-й признак Ij = Yx Log2 pj N.N I. = Yx Log 2 1 1 NN. l J

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу. Относительная частота того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак. Ij = Yx Log2 у n.n I71 = Yx Log 2 4 NN. l J

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами — NN. I = N.. J 11 11 N

INF4, частный критерий: ROI — Return On Investment, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу3 h—і II .Дэ (Аэ 1 II •Аз і .Дэ nln Ij = -JJ 1 ij N1Nj

INF5, частный критерий: ROI — Return On Investment, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу h—і II .Дэ (Аз 1 II •Аз і .Аз N11N Il =-JJ— 1 lJ NN.

INF6, частный критерий: разность условной и безусловной относительных частот, 1-й вариант расчета относительных частот: Nj — суммарное количество признаков по j-му классу 1 II 1 = Njl _ Nl 11 N. N

INF7, частный критерий: разность условной и безусловной относительных частот, 2-й вариант расчета относительных частот: Nj — суммарное количество объектов по j-му классу II 1 .Аз II

1 — значение прошлого параметра; j — значение будущего параметра;

Nj — количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M- суммарное число значений всех прошлых параметров;

W — суммарное число значений всех будущих параметров.

N — количество встреч i-м значения прошлого параметра по всей выборке;

Nj — количество встреч j-го значения будущего параметра по всей выборке;

N — количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Ijj — частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-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;

Pi — безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pjj — условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра .

Применение предложено Л. О. Макаревич

Научный журнал КубГАУ, №99(05), 2014 года

Таблица 6 — Матрица информативности (модель знаний: INF

KOD PR NAME CLS1 CLS2 CLS3 CLS4 CLS5 CLS6 CLS7 CLS8 CLS9 CLS10 SUMMA SREDN DISP

1 ATR1-0 -1164 -1737 1085 398 -1540 205 -1200 -536 3821 600 -67 -7 1660

2 ATR1-1 753 2424 -5634 309 -2699 -422 74 -260 1864 3460 -131 -13 2609

3 ATR1-2 -1999 2818 1202 -1617 732 -1075 -2169 5174 -984 -2196 -114 -11 2471

4 ATR1-3 698 -1288 642 -432 -1852 2741 -1142 2028 -1524 71 -59 -6 1543

5 ATR1-4 -51 226 -990 -795 -1893 -494 4619 854 -2324 801 -48 -5 1932

6 ATR1-5 717 -4800 360 -177 2868 3388 435 614 -2499 -1049 -145 -15 2388

7 ATR1-6 4194 -752 2754 -82 783 -188 -1984 -1485 -1596 -1745 -101 -10 2058

8 ATR1-7 -1925 2985 -462 1409 404 -1128 3797 -3459 259 -1970 -89 -9 2275

9 ATR1-8 730 -438 1530 565 -1284 -2432 -76 -1190 1946 617 -32 -3 1356

10 ATR1-9 -2012 469 -596 414 4364 -681 -2487 -1883 960 1343 -110 -11 2021

11 ATR2-0 392 1464 1452 -1107 852 -2187 -264 -2054 -582 1993 -42 -4 1481

12 ATR2-1 -1087 4106 -1468 -361 -790 -381 505 559 -2331 1197 -51 -5 1780

13 ATR2-2 -396 1836 -1403 -3355 3961 -1140 -1144 425 1917 -788 -88 -9 2096

14 ATR2-3 -2301 911 -45 1535 -903 -625 -2732 2965 -790 1908 -77 -8 1832

15 ATR2-4 700 -2459 1733 3824 -2413 853 -836 -1019 2530 -3039 -127 -13 2312

16 ATR2-5 2060 844 810 -27 -4460 -1616 1807 56 391 90 -46 -5 1872

17 ATR2-6 -461 -35 715 -1685 -1314 265 -912 103 810 2483 -31 -3 1203

18 ATR2-7 -233 -2284 100 981 -2104 3533 860 1385 -1885 -431 -78 -8 1812

19 ATR2-8 -239 -438 -1224 -1438 2147 2631 875 -1603 209 -976 -56 -6 1479

20 ATR2-9 1521 -4055 -704 1525 4847 -1392 1798 -863 -329 -2492 -143 -14 2523

21 ATR3-0 -1922 1550 -850 1748 102 -739 -807 847 -409 452 -29 -3 1163

22 ATR3-1 -480 -551 -406 2554 2364 1614 -1866 -4970 -160 1754 -147 -15 2278

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

23 ATR3-2 -181 -2313 -2206 -2093 -320 3067 1084 2717 -1547 1701 -91 -9 2054

24 ATR3-3 -3936 3660 2942 2406 -1982 723 -2339 -2149 93 435 -147 -15 2540

25 ATR3-4 -333 610 -1489 -1401 -2285 -89 3473 767 972 -251 -27 -3 1618

26 ATR3-5 2485 -1830 -2355 977 1405 -649 -2250 206 3306 -1394 -98 -10 2011

27 ATR3-6 253 -2368 4899 -1598 1577 -1356 523 3157 -1052 -4177 -141 -14 2695

28 ATR3-7 -101 -172 -632 -1409 2139 1175 1207 1452 -1058 -2643 -42 -4 1493

29 ATR3-8 3185 3230 287 -2914 -3566 -509 1585 -1711 811 -480 -82 -8 2320

30 ATR3-9 943 -1934 -273 1631 502 -3299 -680 -431 -1020 4460 -99 -10 2110

31 ATR4-0 3597 -1928 2286 -609 -2664 723 2857 -4176 46 -256 -123 -12 2484

32 ATR4-1 -2920 3381 -386 -1292 -2900 -254 -147 2340 -443 2541 -80 -8 2171

33 ATR4-2 4489 -4109 2462 2223 -1139 -2178 -2475 -308 2024 -1156 -167 -17 2702

34 ATR4-3 -333 2002 -2182 2045 -860 3269 -1424 165 -3197 414 -102 -10 2026

35 ATR4-4 -204 1746 213 661 1175 -2588 -687 1174 865 -2389 -35 -4 1489

36 ATR4-5 -1975 1742 2619 -3589 2212 -413 929 -418 -339 -834 -66 -7 1932

37 ATR4-6 123 -3159 -2915 1296 524 -2052 285 1850 3254 703 -90 -9 2088

38 ATR4-7 -4442 -800 1049 490 3266 1047 2732 1130 -1340 -3255 -125 -13 2463

39 ATR4-8 2718 598 -1962 1292 -1392 -1803 -2711 44 -2215 5286 -145 -15 2553

40 ATR4-9 -1232 382 -1287 -2585 1676 4125 573 -1861 1281 -1170 -97 -10 2017

41 ATR5-0 3894 -2125 16 -911 -2991 -4080 2001 1150 2934 3 -108 -11 2583

42 ATR5-1 1307 75 -2515 -39 1893 3757 -2044 190 119 -2854 -111 -11 2058

43 ATR5-2 -1738 -1029 2972 815 1309 -4509 2243 1756 -1352 -551 -85 -9 2257

44 ATR5-3 -917 -447 18 1214 4348 337 326 -1804 -662 -2500 -89 -9 1873

45 ATR5-4 -32 30 -497 -2786 -3567 -1939 952 3368 3524 863 -84 -8 2355

46 ATR5-5 2888 -1504 -520 934 1766 -28 -1315 -1087 -1979 774 -70 -7 1574

47 ATR5-6 -3212 -2083 2497 -3872 -15 3979 1022 946 -400 1004 -134 -13 2468

48 ATR5-7 526 4753 -1845 1413 -4087 2393 -1590 -1334 -1207 844 -134 -13 2521

49 ATR5-8 -3258 1843 7 2273 3018 -1069 -227 -1755 -394 -523 -86 -9 1915

50 ATR5-9 407 404 -187 863 -1867 1011 -1419 -1492 -653 2876 -56 -6 1436

0 Сумма -503 -550 -385 -379 -652 -480 -365 -428 -335 -445 -4521

0 Среднее -10 -11 -8 -8 -13 -10 -7 -9 -7 -9 -9

0 Ср.кв.откл. 2063 2213 1858 1759 2388 2093 1803 1945 1711 1992 1975

Научный журнал КубГАУ, №99(05), 2014 года

Таблица 7 — Матрица знаний (модель знаний: INF3 — хи-квадрат)

KOD PR NAME CLS1 CLS2 CLS3 CLS4 CLS5 CLS6 CLS7 CLS8 CLS9 CLS10 SUMMA SREDN DISP

1 ATR1-0 -53,881 -80,089 50,521 18,529 -71,372 9,533 -55,297 -24,787 178,919 27,924 0,000 0,000 77,361

2 ATR1-1 34,911 112,660 -257,673 14,376 -124,524 -19,592 3,409 -12,029 86,716 161,746 0,000 0,000 120,296

3 ATR1-2 -92,379 131,427 56,019 -74,986 34,114 -49,990 -99,767 242,726 -45,580 -101,583 0,000 0,000 115,228

4 ATR1-3 32,529 -59,624 29,913 -20,132 -86,032 128,838 -52,776 94,665 -70,677 3,296 0,000 0,000 72,008

5 ATR1-4 -2,372 10,476 -45,987 -37,032 -87,932 -23,062 216,323 39,765 -107,577 37,396 0,000 0,000 90,193

6 ATR1-5 33,433 -220,692 16,810 -8,262 134,838 159,691 20,183 28,591 -115,775 -48,818 0,000 0,000 110,989

7 ATR1-6 195,703 -34,591 128,133 -3,776 36,323 -8,717 -90,885 -68,270 -73,487 -80,433 0,000 0,000 95,519

8 ATR1-7 -88,787 138,971 -21,374 65,665 18,765 -52,309 176,730 -158,719 12,017 -90,959 0,000 0,000 105,355

9 ATR1-8 33,919 -20,284 71,320 26,323 -59,577 -112,675 -3,487 -54,983 90,720 28,722 0,000 0,000 62,961

10 ATR1-9 -93,076 21,746 -27,683 19,296 205,396 -31,718 -114,433 -86,959 44,722 62,709 0,000 0,000 94,315

11 ATR2-0 18,219 68,011 67,621 -51,371 39,729 -101,366 -12,197 -94,688 -26,981 93,024 0,000 0,000 68,733

12 ATR2-1 -50,189 191,560 -67,773 -16,724 -36,624 -17,692 23,309 25,872 -107,384 55,646 0,000 0,000 82,719

13 ATR2-2 -18,379 85,427 -64,981 -154,986 186,114 -52,990 -52,767 19,726 89,420 -36,583 0,000 0,000 97,657

14 ATR2-3 -106,471 42,376 -2,087 71,868 -42,032 -29,162 -125,776 138,665 -36,677 89,296 0,000 0,000 85,170

15 ATR2-4 32,628 -113,524 81,013 179,968 -111,932 39,938 -38,677 -47,235 118,423 -140,604 0,000 0,000 107,780

16 ATR2-5 96,433 39,308 37,810 -1,262 -206,162 -75,309 84,183 2,591 18,225 4,182 0,000 0,000 86,854

17 ATR2-6 -21,297 -1,591 33,133 -77,776 -60,677 12,283 -41,885 4,730 37,513 115,567 0,000 0,000 55,753

18 ATR2-7 -10,787 -105,029 4,626 45,665 -97,235 165,691 39,730 64,281 -86,983 -19,959 0,000 0,000 84,220

19 ATR2-8 -11,081 -20,284 -56,680 -66,677 100,423 123,325 40,513 -73,983 9,720 -45,278 0,000 0,000 68,917

20 ATR2-9 70,924 -186,254 -32,683 71,296 228,396 -64,718 83,567 -39,959 -15,278 -115,291 0,000 0,000 117,535

21 ATR3-0 -88,781 72,011 -39,379 81,629 4,729 -34,366 -37,197 39,312 -18,981 21,024 0,000 0,000 53,972

22 ATR3-1 -22,189 -25,440 -18,773 119,276 110,376 75,308 -85,691 -227,128 -7,384 81,646 0,000 0,000 104,999

23 ATR3-2 -8,379 -106,573 -101,981 -96,986 -14,886 144,010 50,233 126,726 -71,580 79,417 0,000 0,000 95,573

24 ATR3-3 -181,471 171,376 137,913 112,868 -92,032 33,838 -107,776 -99,335 4,323 20,296 0,000 0,000 118,129

25 ATR3-4 -15,471 28,376 -69,087 -65,132 -106,032 -4,162 162,224 35,665 45,323 -11,704 0,000 0,000 75,351

26 ATR3-5 116,433 -84,692 -109,190 45,738 65,838 -30,309 -103,817 9,591 155,225 -64,818 0,000 0,000 93,787

27 ATR3-6 11,703 -108,591 229,133 -73,776 73,323 -62,717 24,115 146,730 -48,487 -191,433 0,000 0,000 124,852

28 ATR3-7 -4,687 -7,929 -29,274 -65,234 99,865 54,791 55,830 67,381 -48,883 -121,859 0,000 0,000 69,177

29 ATR3-8 148,919 150,716 13,320 -134,677 -164,577 -23,675 73,513 -78,983 37,720 -22,278 0,000 0,000 107,711

30 ATR3-9 43,924 -89,254 -12,683 76,296 23,396 -152,718 -31,433 -19,959 -47,278 209,709 0,000 0,000 98,515

31 ATR4-0 168,319 -88,890 106,721 -28,271 -123,171 33,734 132,902 -191,588 2,119 -11,876 0,000 0,000 115,106

32 ATR4-1 -134,289 157,460 -17,873 -59,824 -133,725 -11,793 -6,790 108,772 -20,484 118,545 0,000 0,000 100,608

33 ATR4-2 210,621 -188,573 115,019 104,014 -52,886 -100,990 -113,767 -14,274 94,420 -53,583 0,000 0,000 125,565

34 ATR4-3 -15,471 93,376 -101,087 95,868 -40,032 153,838 -65,776 7,665 -147,677 19,296 0,000 0,000 94,400

35 ATR4-4 -9,471 81,376 9,913 30,868 54,968 -120,162 -31,776 54,665 40,323 -110,704 0,000 0,000 69,204

36 ATR4-5 -91,567 81,308 122,810 -166,262 103,838 -19,309 43,183 -19,409 -15,775 -38,818 0,000 0,000 89,983

37 ATR4-6 5,703 -144,591 -133,867 60,224 24,323 -94,717 13,115 85,730 151,513 32,567 0,000 0,000 96,372

38 ATR4-7 -203,687 -36,929 48,726 22,766 152,865 48,791 126,830 52,381 -61,883 -149,859 0,000 0,000 113,827

39 ATR4-8 126,919 27,716 -90,680 60,323 -64,577 -83,675 -124,487 2,017 -102,280 248,722 0,000 0,000 119,133

40 ATR4-9 -57,076 17,746 -59,683 -119,704 78,396 194,282 26,567 -85,959 59,722 -54,291 0,000 0,000 94,260

41 ATR5-0 182,319 -97,890 0,721 -42,271 -138,171 -188,266 92,902 53,412 137,119 0,124 0,000 0,000 119,922

42 ATR5-1 60,711 3,460 -115,873 -1,824 88,275 176,207 -93,790 8,772 5,516 -131,455 0,000 0,000 95,541

43 ATR5-2 -80,379 -47,573 139,019 38,014 61,114 -207,990 104,233 81,726 -62,580 -25,583 0,000 0,000 104,671

44 ATR5-3 -42,571 -20,724 0,813 56,767 204,868 15,738 15,124 -83,434 -30,777 -115,804 0,000 0,000 87,706

45 ATR5-4 -1,471 1,376 -23,087 -129,132 -165,032 -90,162 44,224 157,665 165,323 40,296 0,000 0,000 109,720

46 ATR5-5 135,433 -69,692 -24,190 43,738 82,838 -1,309 -60,817 -50,409 -91,775 36,182 0,000 0,000 73,434

47 ATR5-6 -147,297 -95,591 116,133 -177,776 -0,677 186,283 47,115 43,730 -18,487 46,567 0,000 0,000 114,149

48 ATR5-7 24,413 222,171 -85,174 65,866 -188,034 111,892 -73,071 -61,520 -55,783 39,241 0,000 0,000 117,000

49 ATR5-8 -150,081 85,716 0,320 106,323 141,423 -49,675 -10,487 -80,983 -18,280 -24,278 0,000 0,000 88,967

50 ATR5-9 18,924 18,746 -8,683 40,296 -86,604 47,282 -65,433 -68,959 -30,278 134,709 0,000 0,000 66,870

0 Сумма 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

0 Среднее 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

0 Ср.кв.откл. 95,824 102,530 86,155 81,767 111,279 97,649 83,536 90,119 79,630 92,679 0,000 0,000 91,763

Научный журнал КубГАУ, №99(05), 2014 года

Интегральные критерии используются для того, чтобы сделать выводы о степени принадлежности объекта к различным классам на основе знания о том, какие у него признаки и какое количество знаний содержится в их системе об этом. Они и используются для оценки достоверности моделей путем идентификации объектов обучающей выборки.

В настоящее время в АСК-анализе и системе «Эйдос» используется два интегральных критерия: «Сумма знаний» и Семантический резонанс знаний». Оба эти критерия имеют не метрическую природу и поэтому их применение является корректным в не ортонормированных пространствах, которые как правило ив встречаются в реальных моделях.

Интегральный критерий «Семантический резонанс знаний» представляет собой суммарное количество знаний о переходе объекта в будущие целевые или нежелательные состояния, содержащееся в системе факторов различной природы, характеризующих как сам объект управления, так и внешние факторы (управляющие факторы и окружающую среду).

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

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

где: M — количество градаций описательных шкал (признаков);

вектор состояния j-го класса;

Научный журнал КубГАУ, №99(05), 2014 года

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;

п, где: п > 0, если i — й фактор действует с интенсивностью п; 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).

Интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний о переходе объекта в будущие целевые или нежелательные состояния, содержащееся в системе факторов различной природы, характеризующих сам объект управления и внешние факторы (управляющие факторы и окружающую среду).

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний, представленных в help режима 3.3 и имеет вид:

M — количество градаций описательных шкал (признаков); Ij — средняя информативность по вектору класса;

L — среднее по вектору объекта;

Научный журнал КубГАУ, №99(05), 2014 года

J — среднеквадратичное отклонение частных критериев знаний вектора класса;

1 — среднеквадратичное отклонение по вектору распознаваемого

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;

п, где: п > 0, если i — й фактор действует с интенсивностью п; 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).

Приведенное выражение для интегрального критерия «Семантический резонанс знаний» получается непосредственно из выражения для критерия «Сумма знаний» после замены координат перемножаемых векторов их стандартизированными значениями:

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.

Научный журнал КубГАУ, №99(05), 2014 года

Результаты прогнозирования представляются во многих видах, в частности в формах, приведенных на рисунке 7:

^ 4.1.3.1. Визуализация результатов распознавания в отношении: ‘’Объект-классы’. Текущая модель: «1NF1»

| Код Наим, объекта

Интегральный критерий сходства: «Семантический резонанс знаний»

Код Наименование класса Сходство I Сходство □І

5 CLASSES-4 . 32,23. :s- lllllllllllllillllllllllllllllll

1 CLASSES-0 . 15,00. lllllllllllllll

9 CLASSES-8 . 7,577. НІШІ

2 CLASSES-1 . 7,301. ІНШІ

8 CLASSES-7 . 2,812. II

3 CLASSES-2 . -9,Є0Б. lllllllll

10 CLASSES-9 . -11,76. ІІІІІІІІІІІ

4 CLASSES-3 . -22,82. ІІІІІІІІІІІІІІІІІІІІІІ

7 CLASSES-Є . -35,68. ІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІІ г

Интегральный критерий сходства: «Сумма знаний»

Код Наименование класса Сходство Ф. I Сходство *

5 CLASSES-4 . 33,75. lllllllllllllllllllllllllllllllll

1 CLASSES-0 . 13,56. lllllllllllll

2 CLASSES-! . 7,078. ІНШІ

9 CLASSES-8 . 5,691. ПІН

В CLASSES-7 . 2,395. II

3 CLASSES-2 . -7,803. ІНШІ

10 CLASSES-9 . -10,27. llilllllll

4 CLASSES-3 . -17,56. Illllllllllllllll

7 CLASSES-8 . -28,24. llllllllllllllllllllllllllll 2

Помощь [ Э классов | Классы с MaxMin УрСх | Э классов с MaxMin УрСх | ВСЕ классы J ВКЛ. Фильтр по класс.шкале | В ЫКЛ. Фильтр по класс.шкале | Граф.диаграмма |

Рисунок 7. Одна из экранных форм с результатами прогнозирования

Для 8-го объекта распознаваемой выборки, который оказался цифрой 4, на основе информации о предшествующих ей цифрах прогнозируется, что это будет цифра 4.

На рисунке 8 приведены частотные распределения уровней сходства верно и ошибочно идентифицированных и не идентифицированных объектов. Из этого рисунка видно, что модель, основанная на семантической мере информации А.Харкевича четко разделяет ошибочные и верные прогнозы принадлежности и не принадлежности объекта к классу по уровням сходства:

— при верных прогнозах принадлежности уровень сходства ниже уровня различий;

— при верных прогнозах непринадлежности уровень сходства выше уровня различий;

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

Научный журнал КубГАУ, №99(05), 2014 года

— при ошибочных прогнозах принадлежности уровень сходства выше уровня различий;

— при ошибочных прогнозах непринадлежности уровень сходства ниже уровня различий.

Рисунок 7. частотные распределения уровней сходства верно и ошибочно идентифицированных и не идентифицированных объектов:

Иначе говоря, по карточке результатов прогнозирования (рисунок 7) можно оценить ее достоверность.

При оценке достоверности моделей учитываются ошибки 1-го и 2-го рода, т.е. ошибки не идентификации, при которых объект не относится системой к классу, к которому он на самом деле относится, и ошибки ложной идентификации, когда наоборот, объект ошибочно относится системой к классу, к которому он на самом деле не относится. Соответственно возможно четыре типа прогнозов:

Научный журнал КубГАУ, №99(05), 2014 года

1. Положительный псевдопрогноз.

2. Отрицательный псевдопрогноз.

3. Идеальный прогноз.

4. Реальный прогноз.

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

Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало. Конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет. Но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100% достоверность не идентификации, но очень низкая достоверность идентификации.

Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации. Идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнози-

Научный журнал КубГАУ, №99(05), 2014 года

рования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

На практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или 6. Понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации. Соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью.

Теперь представите себе, что у Вас не 1 кубик и прогноз его поведения, а тысячи. Тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

Таким образом, если просуммировать проценты верной идентификации и не идентификации и вычесть проценты ложной идентификации и ложной не идентификации, то это и будет критерий качества модели, учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся.

Система «Эйдос» определяет силу и направление влияния, которое оказывают предшествующие цифра на появление в цифровом ряду тех или иных последующих цифр. Эта информация отражается во многих формах, например в виде таблиц 6 и 7. Другой формой, в которой отражается эта информация, являются информационные портреты. На рисунке 9 приведе-

Научный журнал КубГАУ, №99(05), 2014 года

ны примеры информационных портретов цифр, формируемых режимом

4.2.1 системы «Эйдос» в модели знаний ШБ3(хи-квадрат).

Рисунок 9. Информационные портреты цифр-классов в модели INF3

Информационные (семантические) портреты признаков, показывают какое влияние они оказывают на принадлежность обладающих ими объектов к тем или иным классам. На рисунке 10 приведены примеры информа-

Научный журнал КубГАУ, №99(05), 2014 года

ционных портретов признаков, формируемых режимом 4.3.1 системы «Эй-дос» в модели знаний INF3.

Рисунок 10. Информационные портреты цифр-признаков в модели INF3

Статистические матрицы и матрицы знаний отображаются в системе «Эйдос» в наглядной форме в виде когнитивных функций, приведенных на рисунках 11-16.

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 11. Когнитивная функция, отражающая силу и направление влияния пяти предшествующих цифр на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 12. Когнитивная функция, отражающая силу и направление влияния 1-й предшествующей цифры на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 13. Когнитивная функция, отражающая силу и направление влияния 2-й предшествующей цифры на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 14. Когнитивная функция, отражающая силу и направление влияния 3-й предшествующей цифры на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 15. Когнитивная функция, отражающая силу и направление влияния 4-й предшествующей цифры на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Рисунок 16. Когнитивная функция, отражающая силу и направление влияния 5-й предшествующей цифры на текущую в модели INF1 (семантическая мера информации А.Харкевича)

Научный журнал КубГАУ, №99(05), 2014 года

Смысл когнитивных функций подробно раскрыт в работе [2] и в данной статье на этом вопросе останавливаться нецелесообразно.

Таким образом, в статье описывается программный интерфейс с универсальной когнитивной аналитической системой «Эйдос-Х++», обеспечивающий преобразование символьных, в частности числовых рядов в такую форму, которая непосредственно воспринимается данной системой. В результате в системе могут быть созданные 3 статистических и 7 интеллектуальных моделей этих рядов, в которых отражены взаимосвязи между символами или цифрами в этих рядах. Для отражения взаимосвязей между символами используются те же самые частные и интегральные критерии автоматизированного системно-когнитивного анализа (АСК-анализ), что и при отражении причинно-следственных взаимосвязей между событиями в реальной области, что ранее не применялось в теории чисел. Приводится подробный численный пример подобного исследования на примере выявления взаимосвязей между цифрами, представляющими собой десятичные знаки числа п, при этом в приведенном примере используется миллион знаков числа п после запятой.

Материалы данной статьи могут быть использованы в качестве лабораторной работы при преподавании дисциплины «Интеллектуальные системы и технологии» и других дисциплин, связанных с интеллектуальными системами и представлением знаний. Этому способствует и то, что система «Эйдос» находится в полном открытом бесплатном доступе: http://lc.kubagro.ru/aidos/ Aidos-X.htm, причем с исходными текстами, и существует форум, на котором можно получить консультации ее автора и разработчика, т.е. автора данной статьи: http: //proflutsenko .vdforum .ru/.

Научный журнал КубГАУ, №99(05), 2014 года

1. Луценко Е.В. Методологические аспекты выявления, представления и использования знаний в АСК-анализе и интеллектуальной системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2011. — №06(070). С. 233 — 280. — Шифр Информрегистра: 0421100012\0197, IDA [article ID]: 0701106018. — Режим доступа:

http://ej.kubagro.ru/2011/06/pdf/18.pdf, 3 у.п.л.

2. Луценко Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2010. — №09(063). С. 1 — 23. — Шифр Информрегистра: 0421000012\0233, IDA [article ID]: 0631009001. — Режим доступа: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 у. п. л.

3. Дубина И.Н. Математические основы эмпирических социально-экономических исследований: учебное пособие. — Барнаул: Изд-во Алт. ун-та, 2006. — 263 с.

4. Луценко Е.В. Метризация измерительных шкал различных типов и совместная

сопоставимая количественная обработка разнородных факторов в системнокогнитивном 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.

5. Луценко Е.В. Применение теории информации и АСК-анализа для экспериментальных исследований в теории чисел / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2014. -№03(097). С. 676 — 717. — IDA [article ID]: 0971403048. — Режим доступа:

http://ej.kubagro.ru/2014/03/pdf/48.pdf, 2,625 у.п.л.

6. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). — Краснодар, КубГАУ. 2014. — 600 с. ISBN 978-5-94672757-0

7. Орлов А.И. Системная нечеткая интервальная математика (СНИМ) — перспективное направление теоретической и вычислительной математики / А. И. Орлов, Е. В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. — №07(091). С. 255 — 308. — IDA [article ID]: 0911307015. — Режим доступа: http://ej.kubagro.ru/2013/07/pdf/15.pdf, 3,375 у.п.л.

8. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: Куб-ГАУ, 2013. — №04(088). С. 340 — 359. — IDA [article ID]: 0881304022. — Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

9. Луценко Е.В. 30 лет системе «Эйдос» — одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный жур-

Научный журнал КубГАУ, №99(05), 2014 года

нал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2009. — №10(054). С. 48 -77. — Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. — Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

10. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — №09(083). С. 328 — 356. — IDA [article ID]: 0831209025. — Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.

11. Луценко Е.В. Универсальная автоматизированная система распознавания образов «Эйдос» (версия 4.1).-Краснодар: КЮИ МВД РФ, 1995.- 76с.

12. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов «ЭЙДОС-5.1»). — Краснодар: КЮИ МВД РФ, 1996. — 280с.

13. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). — Краснодар: ТУ КубГТУ, 1999. — 318с.

14. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В. С. Симанкова. — Краснодар: ИСТЭК КубГТУ, 2001. — 258с.

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

15. 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.

16. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 «Прикладная информатика (по отраслям)». -Краснодар: КубГАУ. 2004. — 633 с.

17. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). — Краснодар: КубГАУ. 2005. — 480 с.

18. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. -615 с.

19. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности «Прикладная информатика (по областям)» и другим экономическим специальностям. 2-е изд., перераб. и доп. — Краснодар: КубГАУ, 2006. — 318с.

20. Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). — Краснодар: КубГАУ. 2008. — 262 с.

21. Луценко Е. В., Лойко В. И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). — Краснодар: КубГАУ, 2008. — 257 с.

22. Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). — Краснодар: КубГАУ, 2008. — 264 с.

23. Луценко Е.В., Коржаков В.Е., Лаптев В.Н. Теоретические основы и технология применения системно-когнитивного анализа в автоматизированных системах обработ-

Научный журнал КубГАУ, №99(05), 2014 года

ки информации и управления (АСОИУ) (на примере АСУ вузом): Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). — Майкоп: АГУ. 2009. — 536 с.

24. Луценко Е.В., Коржаков В.Е., Ермоленко В.В. Интеллектуальные системы в контроллинге и менеджменте средних и малых фирм: Под науч. ред. д.э.н., проф. Е.В.Луценко. Монография (научное издание). — Майкоп: АГУ. 2011. — 392 с.

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

26. Трунев А.П., Луценко Е.В. Автоматизированный системно-когнитивный анализ влияния факторов космической среды на ноосферу, магнитосферу и литосферу Земли: Под науч. ред. д.т.н., проф. В.И.Лойко. Монография (научное издание). — Краснодар, КубГАУ. 2012. — 480 с. ISBN 978-5-94672-519-4

27. Трубилин А.И., Барановская Т.П., Лойко В.И., Луценко Е.В. Модели и методы управления экономикой АПК региона. Монография (научное издание). — Краснодар: КубГАУ. 2012. — 528 с. ISBN 978-5-94672-584-2.

28. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). — Краснодар, КубГАУ. 2013. — 168 с. ISBN 978-5-94672-644-3.

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

2. Lucenko E.V. Kognitivnye funkcii kak adekvatnyj instrument dlja formal’nogo predstavlenija prichinno-sledstvennyh zavisimostej / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2010. — №09(063). S. 1 — 23. — Shifr Informregistra: 0421000012\0233, IDA [article ID]: 0631009001. — Rezhim dostupa: http://ej.kubagro.ru/2010/09/pdf/01.pdf, 1,438 u.p.l.

3. Dubina I.N. Matematicheskie osnovy jempiricheskih social’no-jekonomicheskih issledovanij: uchebnoe posobie. — Barnaul: Izd-vo Alt. un-ta, 2006. — 263 s.

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

5. Lucenko E.V. Primenenie teorii informacii i ASK-analiza dlja jeksperimental’nyh issledovanij v teorii chisel / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2014. — №03(097). S. 676 — 717. — IDA [article ID]: 0971403048. — Rezhim dostupa: http://ej.kubagro.ru/2014/03/pdf/48.pdf, 2,625 u.p.l.

Научный журнал КубГАУ, №99(05), 2014 года

6. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval’naja matematika. Mono-grafija (nauchnoe izdanie). — Krasnodar, KubGAU. 2014. — 600 s. ISBN 978-5-94672-757-0

7. Orlov A.I. Sistemnaja nechetkaja interval’naja matematika (SNIM) — perspektivnoe napravlenie teoreticheskoj i vychislitel’noj matematiki / A.I. Orlov, E.V. Lucenko // Polite-maticheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2013. — №07(091). S. 255 — 308. — IDA [article ID]: 0911307015. — Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/15.pdf, 3,375 u.p.l.

8. Lucenko E.V. Teoreticheskie osnovy, tehnologija i instrumentarij avtomatizirovan-

nogo sistemno-kognitivnogo analiza i vozmozhnosti ego primenenija dlja sopostavimoj ocenki jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2013. — №04(088). S. 340 — 359. — IDA [article ID]: 0881304022. — Rezhim dostupa:

http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

9. Lucenko E.V. 30 let sisteme «Jejdos» — odnoj iz starejshih otechestvennyh univer-

sal’nyh sistem iskusstvennogo intellekta, shiroko primenjaemyh i razvivajushhihsja i v nasto-jashhee vremja / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. — Krasnodar: KubGAU, 2009. — №10(054). S. 48 — 77. — Shifr Informregistra: 0420900012\0110, IDA [article ID]: 0540910004. — Rezhim dostupa:

http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 u.p.l.

10. Lucenko E.V. Universal’naja kognitivnaja analiticheskaja sistema «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. -Krasnodar: KubGAU, 2012. — №09(083). S. 328 — 356. — IDA [article ID]: 0831209025. -Rezhim dostupa: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 u.p.l.

11. Lucenko E.V. Universal’naja avtomatizirovannaja sistema raspoznavanija obrazov «Jejdos» (versija 4.1).-Krasnodar: KJuI MVD RF, 1995.- 76s.

12. Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal’noj avtomatizirovannoj sistemy raspoznavanija obrazov «JeJDOS-5.1»). — Krasnodar: KJuI MVD RF, 1996. — 280s.

13. Simankov V.S., Lucenko E.V. Adaptivnoe upravlenie slozhnymi sistemami na os-nove teorii raspoznavanija obrazov. Monografija (nauchnoe izdanie). — Krasnodar: TU Kub-GTU, 1999. — 318s.

14. Simankov V.S., Lucenko E.V., Laptev V.N. Sistemnyj analiz v adaptivnom uprav-lenii: Monografija (nauchnoe izdanie). /Pod nauch. red. V.S.Simankova. — Krasnodar: ISTJeK KubGTU, 2001. — 258s.

15. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktiv-nymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jeko-nomicheskih, social’no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sis-tem): Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2002. — 605 s.

16. Lucenko E.V. Intellektual’nye informacionnye sistemy: Uchebnoe posobie dlja stu-dentov special’nosti 351400 «Prikladnaja informatika (po otrasljam)». — Krasnodar: KubGAU.

17. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agro-promyshlennym kompleksom. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU.

Научный журнал КубГАУ, №99(05), 2014 года

18. Lucenko E.V. Intellektual’nye informacionnye sistemy: Uchebnoe posobie dlja stu-dentov special’nosti «Prikladnaja informatika (po oblastjam)» i drugim jekonomicheskim spe-cial’nostjam. 2-e izd., pererab. i dop.- Krasnodar: KubGAU, 2006. — 615 s.

19. Lucenko E.V. Laboratornyj praktikum po intellektual’nym informacionnym siste-mam: Uchebnoe posobie dlja studentov special’nosti «Prikladnaja informatika (po oblastjam)» i drugim jekonomicheskim special’nostjam. 2-e izd., pererab. i dop. — Krasnodar: KubGAU,

20. Napriev I.L., Lucenko E.V., Chistilin A.N. Obraz-Ja i stilevye osobennosti de-jatel’nosti sotrudnikov organov vnutrennih del v jekstremal’nyh uslovijah. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2008. — 262 s.

21. Lucenko E. V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe izdanie). — Krasnodar: KubGAU, 2008. — 257 s.

22. Trunev A.P., Lucenko E.V. Astrosociotipologija: Monografija (nauchnoe izdanie). -Krasnodar: KubGAU, 2008. — 264 s.

23. Lucenko E.V., Korzhakov V.E., Laptev V.N. Teoreticheskie osnovy i tehnologija primenenija sistemno-kognitivnogo analiza v avtomatizirovannyh sistemah obrabotki infor-macii i upravlenija (ASOIU) (na primere ASU vuzom): Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). — Majkop: AGU. 2009. — 536 s.

24. Lucenko E.V., Korzhakov V.E., Ermolenko V.V. Intellektual’nye sistemy v kontroll-inge i menedzhmente srednih i malyh firm: Pod nauch. red. d.je.n., prof. E.V.Lucenko. Monografija (nauchnoe izdanie). — Majkop: AGU. 2011. — 392 s.

25. Napriev I.L., Lucenko E.V. Obraz-ja i stilevye osobennosti lichnosti v jekstremal’nyh uslovijah: Monografija (nauchnoe izdanie). — Saarbrucken, Germany: LAP Lambert Academic Publishing GmbH & Co. KG,. 2012. — 262 s. Nomer proekta: 39475, ISBN: 978-38473-3424-8

26. Trunev A.P., Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz vli-janija faktorov kosmicheskoj sredy na noosferu, magnitosferu i litosferu Zemli: Pod nauch. red. d.t.n., prof. V.I.Lojko. Monografija (nauchnoe izdanie). — Krasnodar, KubGAU. 2012. -480 s. ISBN 978-5-94672-519-4

27. Trubilin A.I., Baranovskaja T.P., Lojko V.I., Lucenko E.V. Modeli i metody upravlenija jekonomikoj APK regiona. Monografija (nauchnoe izdanie). — Krasnodar: KubGAU.

2012. — 528 s. ISBN 978-5-94672-584-2.

28. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vyboru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo intellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). — Krasnodar, KubGAU. 2013. -168 s. ISBN 978-5-94672-644-3.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *