Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефордской породы и их размеров

Размещено на http://www.allbest.ru/

МАТЕМАТИЧЕСКОЕ И ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ ВЗАИМОСВЯЗИ МОРФОЛОГИЧЕСКОГО, БИОХИМИЧЕСКОГО И МИКРОЭЛЕМЕНТНОГО СОСТАВА КРОВИ БЫЧКОВ ГЕРЕФОРДСКОЙ ПОРОДЫ И ИХ РАЗМЕРОВ

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

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

Лежнев Виктор Григорьевич д.ф.-.м.н., профессор

Ковелин Николай Иванович к.э.н., доцент

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

Исследователями получены данные по морфологическому, биохимическому и микроэлементному составу крови бычков герефордской породы различных размеров. В этой связи у ученых и хозяйственников возникает три естественных вопроса: возможно ли по этим показателям крови прогнозировать размеры и тем самым мясную продуктивность бычков; каковы сила и направление влияния тех или иных значений показателей крови на размер и вес бычков; какие показатели крови сходны по смыслу, а какие отличаются и на сколько (в какой степени). Аргументированным ответам на эти вопросы путем применения современных методов математического и численного моделирования для решения соответствующих задач и посвящена данная статья. Результаты исследования могут быть использованы всеми желающими, благодаря тому, что Универсальная автоматизированная система «Эйдос», являющаяся инструментарием Автоматизированного системно-когнитивного анализа, находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm, а численный пример решения поставленных задач размещен как облачное Эйдос-приложение №133

кровь бычок герефордский мясная продуктивность

The researchers obtained data on the morphological, biochemical and trace element composition of the blood of bull-calves of Hereford breed of different sizes. In this regard, scientists and business executives have three natural questions: 1) whether it is possible to predict the size and thus the meat productivity of bulls using these blood indicators; what are the strength and direction of the influence of certain values of blood indicators on the size and weight of bulls; what blood indicators are similar in meaning, and what are different and how much (to what extent). The article is devoted to the reasoned answers to these questions by applying modern methods of mathematical and numerical modeling to solve the corresponding problems. The results of the study can be used by anyone, due to the fact that Eidos the universal automated system, which is a tool of ask-analysis, is in full open free access on the author's website at: http://lc.kubagro.ru/aidos/_Aidos-X.htm, and numerical examples of solving the mentioned problems with the use of artificial intelligence technologies are placed as a cloud Eidos-application #133

Ключевые слова: математический метод, математическое моделирование, вычислительный алгоритм, автоматизированный системно-когнитивный анализ (аск-анализ), интеллектуальная система Эйдос

СОДЕРЖАНИЕ

ВВЕДЕНИЕ (ПОСТАНОВКА ЗАДАЧ И РЕШАЕМАЯ ПРОБЛЕМА)

1. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС»

1.2. СУТЬ МЕТОДА МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ АСК-АНАЛИЗА И ЧАСТНЫЕ КРИТЕРИИ

1.3. ИНТЕГРАЛЬНЫЕ КРИТЕРИИ И РЕШЕНИЕ ЗАДАЧ В АСК-АНАЛИЗЕ

1.3. ЭТАПЫ АСК-АНАЛИЗА

1.4. ВЫВОДЫ

2. СИНТЕЗ И ВЕРИФИКАЦИЯ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ

2.1. КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ И ПОДГОТОВКА EXCEL-ФАЙЛА ИСХОДНЫХ ДАННЫХ

2.2. ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ

2.3. СИНТЕЗ И ВЕРИФИКАЦИЯ СТАТИСТИЧЕСКИХ И СИСТЕМНО-КОГНИТИВНЫХ МОДЕЛЕЙ

2.4. ОПРЕДЕЛЕНИЕ НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ И ПРИДАНИЕ ЕЙ СТАТУСА ТЕКУЩЕЙ

3. РЕШЕНИЕ ПОСТАВЛЕННЫХ ЗАДАЧ ПУТЕМ ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ

3.1. ЗАДАЧА-1: ИДЕНТИФИКАЦИЯ, ДИАГНОСТИКА, КЛАССИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ

3.2. ЗАДАЧА-2: СИЛА И НАПРАВЛЕНИЕ ВЛИЯНИЯ ЗНАЧЕНИЙ ПОКАЗАТЕЛЕЙ КРОВИ, КОГНИТИВНЫЕ SWOT-ДИАГРАММЫ КЛАССОВ

3.3. ЗАДАЧА 3: ИССЛЕДОВАНИЕ МОДЕЛИРУЕМОЙ ПРЕДМЕТНОЙ ОБЛАСТИ ПУТЕМ ИССЛЕДОВАНИЯ ЕЕ СК-МОДЕЛИ

3.3.1. Когнитивные диаграммы классов

3.3.2. Агломеративная когнитивная кластеризация классов

3.3.3. Когнитивные диаграммы признаков

3.3.4. Агломеративная когнитивная кластеризация признаков

3.3.5. Нелокальные нейроны и нелокальные нейронные сети

4. НЕКОТОРЫЕ ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ

ЛИТЕРАТУРА

ВВЕДЕНИЕ (ПОСТАНОВКА ЗАДАЧ И РЕШАЕМАЯ ПРОБЛЕМА)

В работе [1] приводятся две сравнительных таблицы, первая из которых содержит данные по морфологическому и биохимическому составу крови бычков герефордской породы различных размеров (таблица 1), а вторая - по содержанию в их крови микроэлементов (таблица 2).

Таблица 1 - Морфологические и биохимические показатели крови
у подопытных бычков (X±Sx)^*

^*Источник [1]

Таблица 1 - Содержание микроэлементов в крови
подопытных животных, мкг %^*

^*Источник [1]

В этой связи у ученых и хозяйственников возникает три естественных вопроса:

- вопрос первый: возможно ли по показателям крови, приведенным в таблицах 1 и 2, прогнозировать размеры и тем самым мясную продуктивность бычков;

- вопрос второй: каковы сила и направление влияния тех или иных значений показателей крови на размер и вес бычков;

- вопрос третий: какие показатели крови сходны по смыслу, а какие отличаются и на сколько (в какой степени).

Аргументированным ответам на эти вопросы путем применения современных методов математического и численного моделирования для решения соответствующих задач и посвящена данная статья.

Для выбора метода математического моделирования предметной области необходимо обосновать требования к нему, а затем провести сравнение различных методов по степени соответствия этим требованиям.

Проанализировав характер данных, представленных в таблицах 1 и 2, мы можем сделать три главных вывода:

1. Представленные данные являются неточными (нечеткими или интервальными) числовыми данными.

2. Данные представлены в различных единицах измерения (их 7: л, г/л, моль, моль ч/л, моль ч/л, моль/л, мкг %).

3. Суммарное количество показателей крови, по которым представлены данные, равно 24.

Следовательно, метод математического моделирования должен обеспечивать сопоставимую обработку нечетких числовых данных, представленных в различных единицах измерения по большому количеству факторов (показателей). Однако поиск такого математического метода представляет собой проблему.

Многофакторный анализ не подходит для этой цели, т.к. этот метод является неустойчивым по результатам анализа к малым вариациям исходных данных и требует их абсолютной точности, не позволяет исследовать более 5-7 факторов, предполагает, что исходные данные сопоставимы, т.е. являются безразмерными, например, стандартизированными, или представлены в одной единице измерения. Кроме того исследуемые показатели крови скорее всего взаимозависимы, т.к. животное является ярко выраженной нелинейной системой, а факторный анализ требует независимости факторов и линейности объекта моделирования.

Всем обоснованным требованиям соответствует метод Автоматизированного системно-когнитивного анализа (АСК-анализа) [2-7] См. также: http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf .

1. КРАТКО ОБ АСК-АНАЛИЗЕ И СИСТЕМЕ «ЭЙДОС»

Об АСК-анализе и системе «Эйдос» есть много информации, представленной в 35 монографиях, 525 статьях, 30 свидетельствах РосПатента и других источниках, доступ к которым можно получить на сайте автора [6]. Обзор АСК-анализа и его программного инструментария - интеллектуальной системы «Эйдос» дан в работе [2]. Математическая модель и основные теоретические понятия АСК-анализа кратко раскрыты в работе [7].

Тем ни менее данный метод математического моделирования остается сравнительно малоизвестным, поэтому авторы считают целесообразным привести здесь его краткое описание.

1.2. Суть метода математического моделирования
АСК-анализа и частные критерии

Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [7] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых (нелинейных) данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [8].

Суть математической модели АСК-анализа состоит в следующем.

Будем считать, что нам удалось смоделировать объект моделирования, если мы определили силу и направление влияния каждого значения фактора на объект моделирования.

Представим себе, что факторам соответствуют оси некоторого пространства, которое мы назовем пространством факторов. Факторы будем называть описательными шкалами [8].

Будущие состояния объекта моделирования будем описывать с помощью классификационных шкал, значения которых являются классами и соответствуют конкретным состояниям объекта моделирования.

Таким образом нам необходимо найти закон отображения пространства значений факторов, действующих на объект моделирования, на пространство будущих состояний объекта моделирования. Подобные отображения называются многомерными функциями, а само отображение в случае евклидова пространства конформным отображением или преобразованием (рисунок 3):

Рисунок 1. Конформное отображение (пример) Источник: http://matlab.exponenta.ru/imageprocess/book2/images_38/image004.jpg

Однако для решения поставленной в работе проблемы мы не можем использовать хорошо разработанный математический аппарат непрерывных функций и конформных отображений.

Причины этого просты и очевидны.

Этот аппарат разработан для метрических ортонормированных пространств, т.е. таких пространств, оси координат которых являются числовыми шкалами и взаимно перпендикулярны друг другу, причем размерность этих пространств должна быть одинаковой.

Если говорить о пространстве факторов и пространстве состояний объекта моделирования, то это означает, что все они должны измеряться в некоторых количественных единицах измерения и должны быть независимы друг от друга, т.е. объект моделирования должен быть линейным а количество описательных классификационных шкал должно быть одинаковым.

В нашем же случае пространство факторов и пространство состояний объекта моделирования в общем случае являются неметрическими неортонормированными пространствами, т.е. могут иметь оси, являющиеся не только числовыми шкалами, но и порядковыми, и даже номинальными [8], и эти оси могут быть не взаимно-перпендикулярными друг к другу [8], а объект моделирования нелинейным [9], причем количество этих осей в пространстве факторов и пространстве состояний может быть разным.

Математическое моделирование отображений неметрических неортонормированных пространств разной размерности друг на друга является математической проблемой. В теории линейных и конформных преобразований предполагается, что все оси пространств являются числовыми и взаимно-перпендикулярными, а пространства имеют одинаковую размерность.

В нашем же случае:

- факторы могут измеряться в разных типах описательных шкал и единицах измерения;

- будущие состояния объекта моделирования также могут измеряться в разных типах классификационных шкал и в разных единицах измерения;

- количество описательных и классификационных шкал может быть не равным друг другу;

- описательные шкалы могут быть взаимозависимы, и классификационные шкалы также могут быть взаимозависимы.

Поэтому в данной работе предлагается математическое преобразование, которое мы назовем обобщенным конформным отображением.

Для этого необходимо преобразовать номинальные и порядковые шкал в один тип шкал: числовой, и всех шкал в одну единицу измерения. Это преобразование измерительных шкал называется «метризация» [8].

В качестве этой единицы измерения нами выбрана единица измерения количества информации [8]. Иначе говоря в математической модели АСК-анализа мы рассчитываем, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния [8]. Причем делается это непосредственно на основе эмпирических данных, которые могут быть большой размерности, фрагментированы, зашумлены и взаимозависимы.

Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (таблица 3). На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 4).

Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:

1-й способ: в качестве используется суммарное количество признаков по классу;

2-й способ: в качестве используется суммарное количество объектов обучающей выборки по классу.

Таблица 3 - Матрица абсолютных частот

	Классы	Сумма
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Суммарное количество Признаков по классу
Суммарное количество объектов обучающей выборки по классу

Таблица 4 - Матрица условных и безусловных процентных распределений

	Классы	Безусловная вероятность признака
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Безусловная вероятность класса

Затем на основе таблицы 4 с использованием частных критериев, приведенных таблице 5 рассчитываются матрицы системно-когнитивных моделей (таблица 6).

Таблица 5 - Различные аналитические формы частных критериев знаний

Наименование модели знаний и частный критерий	Выражение для частного критерия
	через относительные частоты	через абсолютные частоты
ABS, матрица абсолютных частот	---
PRC1, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество признаков по классу	---
PRC2, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество объектов обучающей выборки по классу	---
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами	---
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу
INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу

Обозначения к таблице 3:

i - значение прошлого параметра;

j - значение будущего параметра;

N_ij - 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_i - количество встреч i-м значения прошлого параметра по всей выборке;

N_j - 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.

I_ij - 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;

Ш - нормировочный коэффициент [1], преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

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

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

Таблица 6 - Матрица системно-когнитивной модели

	Классы	Значимость фактора
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Степень редукции класса

Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников [7, 8].

На основе системно-когнитивных моделей, представленных в таблице 6 (отличаются частыми критериями), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели.

Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два интегральных критерия, кратко описанные ниже.

1.3. Интегральные критерии и решение задач
в АСК-анализе

Для решения задач идентификации (прогнозирования) и принятия решений применяются интегральные критерии.

Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.

Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы в будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев. В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:

- сумма знаний;

- резонанс знаний.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

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

_,

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

- 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.:

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

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

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- 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.:

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

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария интеллектуальной системы «Эйдос» в качестве инструментария решения поставленной проблемы.

1.3. Этапы АСК-анализа

Поэтому в данной работе мы считаем целесообразным привести в упрощенной форме только этапы АСК-анализа, т.к. они, по сути, представляют собой этапы решения поставленных в работе вопросов [10]:

1. Когнитивная структуризация предметной области и подготовка Excel-файла исходных данных.

2. Формализация предметной области, т.е. автоматизированный ввод в систему Эйдос-Х++ исходных данных из Excel-файла с помощью стандартного программного интерфейса системы (разработка классификационных и описательных шкал и градаций и обучающее выборки).

3. Синтез и верификация 3-х статистических и 7 системно-когнитивных моделей.

4. Определение наиболее достоверной модели и придание ей статуса текущей.

5. Решение задач идентификации, диагностики, классификации и прогнозирования.

6. Решение задач поддержки принятия решений.

7. Исследование моделируемой предметной области путем исследования ее модели.

Ниже рассмотрим применение АСК-анализа и системы «Эйдос» для ответа на поставленные вопросы.

1.4. Выводы

Ниже некоторые особенности АСК-анализа и системы «Эйдос», обусловившие их выбор в качестве метода математического и численного моделирования:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc.kubagro.ru/aidos/index.htm);

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/_Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/__AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, котореы невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их около 30 и 132, соответственно) (http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf);

- обеспечивает мультиязычную поддержку интерфейса на 44 языках. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5.com/map3.php);

- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf).

2. СИНТЕЗ И ВЕРИФИКАЦИЯ СИСТЕМНО-КОГНИТИВНОЙ МОДЕЛИ ПРЕДМЕТНОЙ ОБЛАСТИ

2.1. Когнитивная структуризация предметной области
и подготовка Excel-файла исходных данных

На этапе когнитивной структуризации предметной области мы решаем, что будем исследовать и на основе чего. В данном случае мы хотели бы прогнозировать размеры бычков по морфологическому, биохимическому и микроэлементному составу их крови.

В качестве источника исходных данных используем таблицы 1 и 2 [1]. Однако для целей работы мы объединим эти две таблицы в одну и вместо указания центрального значения с погрешностью укажем только центральное значением. В результате получим таблицу 7.

Таблица 7 - Исходные данные^*

№	Показатель	I группа (компактные)	II группа (средние)	III группа (крупные)
1.	Эритроциты, 1012 л	7,6	7,69	7,93
2.	Лейкоциты, 109 л	6,62	6,59	6,63
3.	Гемоглобин, г/л	127,01	128,53	135,14
4.	Общий белок, г/л	76,58	77,92	79,47
5.	Альбулины, г/л	37,09	37,84	38,61
6.	Глобулины, г/л	38,37	39,3	40,11
7.	а-глобулин, г/л	12,28	12,65	12,98
8.	р-глобулин, г/л	11,7	11,98	12,15
9.	у-глобулин, г/л	14,39	14,67	14,98
10.	Азот общий, ммоль	2006,58	2019,81	2139,17
11.	Азот остаточный, ммоль	26,53	26,98	27,32
12.	Азот аминный, ммоль	6,87	6,93	7,21
13.	АСТ, моль ч/л	1,76	1,89	2,11
14.	АЛТ, ммоль ч/л	0,65	0,73	0,75
15.	Кислотная емкость, ммоль/л	109,77	109,89	111,08
16.	Са, ммоль/л	2,36	2,38	2,43
17.	Р, ммоль/л	1,84	1,88	1,91
18.	Витамин А, ммоль/л	2,13	2,16	2,18
19.	Содержание йода мкг %	8,4	9,2	9,7
20.	Содержание кобальта мкг %	8,6	9,1	9,5
21.	Содержание меди мкг %	296,1	304,3	308,7
22.	Содержание цинка мкг %	487,6	505,4	516,2
23.	Содержание марганца мкг %	4,7	5,1	5,5
24.	Содержание железа мкг %	35,6	36,2	38,9

^*Источник [1]

Преобразуем таблицу 7 в форму, стандартную для системы «Эйдос» (таблица 8). Для этого мы его транспонировали (в MS Excel), продублировали колонку с группами по размерам, которая будет выступать в качестве классификационной шкалы (задает способ группировки, выделена желтым фон), а также задали во всех числах 2 знака после запятой (заголовки и числа в описательных шкалах повернуты для экономии места).

Таблица 8 - Исходные данные в стандарте системы «Эйдос»

Размер	Размер	Эритроциты, 1012 л	Лейкоциты, 109 л	Гемоглобин, г/л	Общий белок, г/л	Альбулины, г/л	Глобулины, г/л	а-глобулин, г/л	р-глобулин, г/л	у-глобулин, г/л	Азот общий, ммоль	Азот остаточный, ммоль	Азот аминный, ммоль	АСТ, моль ч/л	АЛТ, ммоль ч/л	Кислотная емкость, ммоль/л	Са, ммоль/л	Р, ммоль/л	Витамин А, ммоль/л	Содержание йода мкг %	Содержание кобальта мкг %	Содержание меди мкг %	Содержание цинка мкг %	Содержание марганца мкг %	Содержание железа мкг %
I группа (компактные)	I группа (компактные)	7,60	6,62	127,01	76,58	37,09	38,37	12,28	11,70	14,39	2006,58	26,53	6,87	1,76	0,65	109,77	2,36	1,84	2,13	8,40	8,60	296,10	487,60	4,70	35,60
II группа (средние)	II группа (средние)	7,69	6,59	128,53	77,92	37,84	39,30	12,65	11,98	14,67	2019,81	26,98	6,93	1,89	0,73	109,89	2,38	1,88	2,16	9,20	9,10	304,30	505,40	5,10	36,20
III группа (крупные)	III группа (крупные)	7,93	6,63	135,14	79,47	38,61	40,11	12,98	12,15	14,98	2139,17	27,32	7,21	2,11	0,75	111,08	2,43	1,91	2,18	9,70	9,50	308,70	516,20	5,50	38,90

Таким образом, на этапе когнитивно-целевой структуризации предметной области мы решили, что в качестве классификационной шкалы мы будем использовать колонку «Размер», а в качестве описательных шкал следующие колонки:

1. Эритроциты, 10¹² л

2. Лейкоциты, 10⁹ л

3. Гемоглобин, г/л

4. Общий белок, г/л

5. Альбулины, г/л

6. Глобулины, г/л

7. а-глобулин, г/л

8. р-глобулин, г/л

9. у-глобулин, г/л

10. Азот общий, ммоль

11. Азот остаточный, ммоль

12. Азот аминный, ммоль

13. АСТ, моль ч/л

14. АЛТ, ммоль ч/л

15. Кислотная емкость, ммоль/л

16. Са, ммоль/л

17. Р, ммоль/л

18. Витамин А, ммоль/л

19. Содержание йода мкг %

20. Содержание кобальта мкг %

21. Содержание меди мкг %

22. Содержание цинка мкг %

23. Содержание марганца мкг %

24. Содержание железа мкг %

Специально отметим, что мы полностью приводим исходные данные в таблице 8, чтобы желающие могли проверить полученные в ней результаты и использовать их в научных и учебных целях. Для этих же целей создано облачное «Эйдос» приложение №133, которое любой пользователь системы может установить и исследовать в диспетчере приложений (режим 1.3) системы «Эйдос».

После получения таблицы 8 все готово для перехода к следующему этапу АСК-анализа, на котором выполняется формализация предметной области.

2.2. Формализация предметной области

На этапе формализации предметной области разрабатываются классификационные и описательные шкалы и градации и с их помощью кодируются исходные данные (таблица 8), в результате чего получается обучающая выборка, по сути, представляющая собой нормализованную базу исходных данных.

В системе «Эйдос» процесс формализации предметной области полностью автоматизирован и реализуется в режиме 2.3.2.2 (рисунок 2).

В экранной форме на рисунке 2 приведены реально использованные в данном режиме параметры.

После нажатия «OK» через некоторое время появляется окно внутреннего калькулятора (рисунок 3):

В экранной форме на рисунке 3 мы видим, сколько текстовых и числовых классификационных и описательных шкал система обнаружила при заданных параметрах и сколько в них обнаружено градаций. Если обнаружены шкалы числового типа, то появляется возможность задать количество интервальных числовых значений в этих шкалах. Это делается отдельно для классификационных и описательных шкал, таким образом, число интервальных числовых значений в классификационных и описательных шкалах может отличаться. Если это число изменяется, то необходимо кликнуть по левой кнопке, а затем уже выходить на создание модели.

В результате выполнения данного режима формируются классификационные и описательные шкалы и градации и обучающая выборка (таблицы 9, 10 и 11):

Рисунок 3. Экранная форма режима 2.3.2.2 системы «Эйдос»

Рисунок 4. Экранная форма внутреннего калькулятора режима 2.3.2.2.

Таблица 9 - Классификационные шкалы и градации

KOD_CLS	NAME_CLS
1	РАЗМЕР-I группа (компактные)
2	РАЗМЕР-II группа (средние)
3	РАЗМЕР-III группа (крупные)

Таблица 10 - Описательные шкалы и градации

KOD_ATR	NAME_ATR
1	ЭРИТРОЦИТЫ, 1012 Л-1/3-{7.6000000, 7.7100000}
2	ЭРИТРОЦИТЫ, 1012 Л-2/3-{7.7100000, 7.8200000}
3	ЭРИТРОЦИТЫ, 1012 Л-3/3-{7.8200000, 7.9300000}
4	ЛЕЙКОЦИТЫ, 109 Л-1/3-{6.5900000, 6.6033333}
5	ЛЕЙКОЦИТЫ, 109 Л-2/3-{6.6033333, 6.6166667}
6	ЛЕЙКОЦИТЫ, 109 Л-3/3-{6.6166667, 6.6300000}
7	ГЕМОГЛОБИН, Г/Л-1/3-{127.0100000, 129.7200000}
8	ГЕМОГЛОБИН, Г/Л-2/3-{129.7200000, 132.4300000}
9	ГЕМОГЛОБИН, Г/Л-3/3-{132.4300000, 135.1400000}
10	ОБЩИЙ БЕЛОК, Г/Л-1/3-{76.5800000, 77.5433333}
11	ОБЩИЙ БЕЛОК, Г/Л-2/3-{77.5433333, 78.5066667}
12	ОБЩИЙ БЕЛОК, Г/Л-3/3-{78.5066667, 79.4700000}
13	АЛЬБУЛИНЫ, Г/Л-1/3-{37.0900000, 37.5966667}

Страница:

•  1 
•  2 

статья "Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефордской породы и их размеров" скачать

Подобные документы

• Разведение герефордской породы в Намском улусе

  Исследование особенностей развития современного животноводства в Якутии. Практическая значимость разведения герефордской породы в Намском улусе в ОАО "Эт-Ас". Приёмы и методы увеличения мясной продуктивности привозного мясного скота герефордской породы.
  
  курсовая работа [337,6 K], добавлен 04.12.2013
  

• Технология выращивания бычков в молочный период в СПК "Свобода"

  Технология откорма крупного рогатого скота и ее интенсификация. Учет и оценка мясной продуктивности бычков черно-пестрой породы в молочный период выращивания. Анализ факторов, влияющих на нее. Мероприятия, направленные на улучшение качества говядины.
  
  курсовая работа [39,2 K], добавлен 07.01.2013
  

• Герефордская порода мясного скота

  Изучение экстерьерных особенностей пород мясного скота. Тенденции развития мясного скотоводства. Герефорды на Южном Урале и в Кировской области. Оценка животных мясной породы разных типов телосложения, методы совершенствования скота герефордской породы.
  
  курсовая работа [55,2 K], добавлен 20.05.2010
  

• Рост и развитие ремонтных телок герефордской породы (казахской белоголовой)

  Характеристика и особенности селекции Казахской белоголовой породы: задачи, условия, материал и методика селекционной работы. Пути максимальной интенсификации выращивания мясного скота. Факторы, влияющие на рост и развитие крупного мясного скота.
  
  дипломная работа [89,7 K], добавлен 16.11.2007
  

• Анализ продуктивности молодняка крупного рогатого скота симментальской и черно-пестрой пород

  Анализ продуктивности молодняка рогатого скота разных пород: динамика помесячной прибавки веса, потребление кормов, убойные качества и морфологический состав туш. Влияние генотипа на рост и развитие бычков. Экономическая эффективность разведения животных.
  
  дипломная работа [241,6 K], добавлен 25.09.2010
  

• Основы мясного скотоводства

  Классификация и типы мясных пород крупного рогатого скота: классические британские породы, итало-французские породы, гибридные породы жаркого климата, степные породы Евразии. Их сравнительное описание, преимущества и недостатки, принципы выращивания.
  
  контрольная работа [5,6 M], добавлен 02.02.2015
  

• Формирование продуктивных и технологических качеств черно-пестрой породы крупного рогатого скота Урала

  Изучение роста, развития и биологические особенности молодняка черно-пестрой породы и их помесей с голштинской. Влияние различных технологий, генетики и пола животных на формирование мясной продуктивности, качества говядины и питательной ценности.
  
  автореферат [440,1 K], добавлен 05.01.2010
  

• Новые подходы к производству биологически безопасной мясной продукции в цикле "корма – животные – сырье – готовый продукт"

  Изучение эффективности использования в кормлении бычков симментальской и абердин-ангусской пород, выращиваемых на мясо, иммунизированных протеиновых кормовых добавок. Биологическая безопасность введения в состав рационов иммунизированных гороха и нута.
  
  автореферат [1,5 M], добавлен 05.01.2010
  

• Разработка мероприятий по повышению мясной продуктивности взрослого скота

  Характеристика породы крупного рогатого скота. Мясная продуктивность и факторы, влияющие на нее. Технология откорма крупного рогатого скота и производства говядины. Мероприятия, направленные на повышение мясной продуктивности и улучшение качества мяса.
  
  курсовая работа [49,2 K], добавлен 25.12.2012
  

• Нормы и рационы кормления сельскохозяйственных животных

  Научные основы полноценного кормления. Определение норм и состава рациона на зимний период для бычков при откорме на сенаже и силосе для обеспечения оптимального суточного прироста. Расчет годовой потребности коров в кормах для получения плановых удоев.
  
  курсовая работа [42,6 K], добавлен 24.10.2010
  

• Направление кур и других птиц

  Породы кур яичного направления. Основные мясные породы кур. Выведение цыплят-бройлеров. Получение скорлупы различных оттенков. Характеристики различных пород индеек. Наиболее распространенные породы уток мясного, мясояичного и яйценосного типов.
  
  презентация [1,2 M], добавлен 26.05.2015
  

• Основные отечественные породы молочного направления продуктивности

  Особенности пород крупного рогатого скота, выведенные в России. Конституционные признаки, молочность и мясные качества черно- и красно-пестрой пород. Выносливость Холмогорской породы. Ярославская  – лучшая отечественная корова молочного направления.
  
  презентация [2,9 M], добавлен 24.03.2019
  

• Использование препаратов биологически активных веществ нового поколения в кормлении высокопродуктивных коров и бычков на откорме

  Рациональное использование кормов. Трудноперевариваемые углеводы в зерне злаковых культур. Применение ферментных препаратов, в том числе в виде целевых комплексных препаратов нового поколения – в виде мультиэнзимных композиций отечественного производства.
  
  автореферат [110,8 K], добавлен 15.03.2009
  

• Клеточный и биохимический профиль крови и интенсивность роста ремонтных телок при выпаивании "соевого молока"

  Особенности исследований в области создания новых видов заменителей цельного молока. Анализ и оценка влияния выпаивания "соевого молока" телкам украинской красно-пестрой молочной породы на физиолого-биохимические показатели крови и приросты массы тела.
  
  реферат [62,1 K], добавлен 09.11.2010
  

• Породы свиней

  Общая характеристика пород свиней универсального, мясного и беконного направления продуктивности. Особенности их содержания и кормления, признаки и характеристики, ценные для свиноводства. Породы, относящиеся к третьей группе по шкале бонитировки.
  
  реферат [934,2 K], добавлен 19.06.2014
  

• Эффективность разведения стада коров красной степной породы по линиям в ООО "Славгородское"

  Создание и чистопородное разведение красной степной породы крупного рогатого скота. Значение разведения животных по линиям. Экономическая оценка молочной продуктивности коров различных линий кулундинского внутрипородного типа в ООО "Славгородское".
  
  дипломная работа [101,4 K], добавлен 26.07.2013
  

• Методы оценки экстерьера КРС, приростов молодняка и продуктивности

  Породы сельскохозяйственных животных. Методы оценки экстерьера и конституции. Описание, обработка и анализ материалов измерений животных. Учет роста и развития животных. Особенности оценки мясной и молочной продуктивности сельскохозяйственных животных.
  
  курсовая работа [2,8 M], добавлен 15.06.2012
  

• Породы овец

  Общее описание и сравнительная характеристика разнообразных пород овец, выращиваемых на территории современной России. Оценка мясной и шерстяной производительности каждой из них. Основные требования к климатическим условиям овец различных пород.
  
  презентация [4,6 M], добавлен 17.06.2015
  

• Воспроизводство стада крупного рогатого скота

  Критерии воспроизводительных способностей крупного рогатого скота. Рациональное использование бычков в воспроизводстве стада. Подготовка коров и сроки осеменения коров после отела. Расчет среднегодового поголовья и структуры стада. Режим кормления скота.
  
  курсовая работа [90,1 K], добавлен 16.02.2015
  

• Использование крупной белой породы в России

  Крупная белая порода свиней. Создание генетической структуры породы. Универсальное направление продуктивности. Формирование племенного стада свиней в племзаводе. Существенные отличия между генеалогическими линиями. Метод преимущественной селекции.
  
  курсовая работа [1,5 M], добавлен 05.02.2009
  

Другие документы, подобные "Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефордской породы и их размеров"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам