Главная Коллекция "Revolution" Сельское, лесное хозяйство и землепользование Автоматизированный системно-когнитивный анализ силы и направления влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания в условиях неотапливаемых теплиц Юга России

Автоматизированный системно-когнитивный анализ силы и направления влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания в условиях неотапливаемых теплиц Юга России

Возможность получения новых сортов гибридов помидоров, возделывание которых наиболее эффективно с финансово-экономической точки зрения. Автоматизированный системно-когнитивный анализ и его программный инструментарий – интеллектуальная система "Эйдос".

Рубрика Сельское, лесное хозяйство и землепользование
Вид дипломная работа
Язык русский
Дата добавления 18.10.2019
Размер файла 7,5 M
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Размещено на http://www.allbest.ru/

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

Автоматизированный системно-когнитивный анализ силы и направления влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания в условиях неотапливаемых теплиц Юга России

Луценко Евгений Вениаминович

д.э.н., к.т.н., профессор

Гиш Руслан Айдамирович

д.с.-х.н., профессор

Печурина Елена Каримовна

Цыгикало Сергей Сергеевич

Введение

гибрид помидор автоматизированный эйдос

Целью данной работы является изучение силы и направления влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания и степень детерминированности этих результатов.

Достижение данной цели представляет большой научный и практический интерес как для ученых-селекционеров, а так и для овощеводов-практиков. Селекционерам это позволяет получить новые высокоэффективные сорта гибридов помидоров, а хозяйствам выбрать гибриды, возделывание которых наиболее эффективно с финансово-экономической точки зрения.

Для достижения этой цели необходимо решить следующие задачи, которые получаются путем декомпозиции цели и являются этапами ее достижения:

Задача 1: когнитивная структуризация предметной области.

Задача 2: подготовка исходных данных и формализация предметной области.

Задача 3: синтез и верификация статистических и системно-когнитивных моделей и выбор наиболее достоверной модели.

Задача 4: решение различных задач в наиболее достоверной модели:

- подзадача 4.1 Прогнозирование (диагностика, классификация, распознавание, идентификация);

- подзадача 4.2 Поддержка принятия решений;

- подзадача 4.3 Исследование моделируемой предметной области путем исследования ее модели (когнитивные диаграммы классов и значений факторов, агломеративная когнитивная кластеризация классов и значений факторов, нелокальные нейроны и нейронные сети, 3d-интегральные когнитивные карты, когнитивные функции).

Эти задачи по сути представляют собой этапы Автоматизированного системно-когнитивный анализа (АСК-анализ), который и поэтому и предлагается применить для их решения.

АСК-анализ представляет собой метод искусственного интеллекта, разработанный проф. Е.В. Луценко в 2002 году для решения широкого класса задач идентификации, прогнозирования, классификации, диагностики, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели. АСК-анализ доведен до инновационного уровня благодаря тому, что имеет свой программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос-Х++» (система «Эйдос») [1].

Система «Эйдос» выгодно отличается от других интеллектуальных систем следующими параметрами:

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

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

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

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

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных приложений (в настоящее время их 31 и 153, 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/map5.php);

- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний;

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

- хорошо имитирует человеческий стиль мышления: дает результаты анализа, понятные экспертам на основе их опыта, интуиции и профессиональной компетенции.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария - интеллектуальной системы «Эйдос» в качестве метода и инструмента решения поставленной проблемы (рисунок 1).

Рисунок 1. Последовательность решения задач в АСК-анализе и системе «Эйдос»

Рассмотрим решение поставленных задач в численном примере.

1. Когнитивная структуризация предметной области

На этапе когнитивно-целевой структуризации предметной области мы неформализуемым путем решаем на качественном уровне, что будем рассматривать в качестве факторов, действующих на моделируемый объект (причин), а что в качестве результатов действия этих факторов (последствий).

При этом необходимо отметить, что системно-когнитивные модели (СК-модели) отражают лишь сам факт наличия зависимостей между значениями факторов и результатами их действия. Но они не отражают причин и механизмов такого влияния. Это значит, что содержательная интерпретация СК-моделей - это компетенция специалистов-экспертов хорошо разбирающихся в данной предметной области. Иногда встречается ситуация, когда и то, что на первый взгляд является причинами, и то, что казалось бы является их последствиями, на самом деле является последствиями неких глубинных причин, которых мы не видим и никоим образом непосредственно не отражаем в модели.

В данной работе в качестве классификационных шкал выберем количественные, качественные и финансово-экономические результаты выращивания помидоров (таблица 1), а в качестве факторов, влияющих на эти результаты - различные морфологические свойства помидоров (таблица 2):

Таблица 1. Классификационные шкалы

KOD_CLSC

NAME_CLSC

1

ПРИБЫЛЬ (РУБЛЕЙ)

2

РЕНТАБЕЛЬНОСТЬ (%)

3

ОБЩ.УРОЖ. (КГ/М2)

4

ОБЩ.УРОЖ. (% ОТ КОНТР.)

5

РАН.УРОЖ. (КГ/М2)

6

РАН.УРОЖ. (% ОТ КОНТР.)

7

ДОЛЯ СТАНД.ПЛОДОВ (%)

8

СР.МАССА ПЛОДОВ (Г)

9

СОД.В ПЛОДАХ СУХ.И ПЛАСТ.ВЕЩ.

10

СОД.В ПЛОД.ОБЩ.САХ

11

СОД.В ПЛОД.НАКОПЛ.ВИТ.С (МГ/%)

Таблица 2. Описательные шкалы

KOD_OPSC

NAME_OPSC

1

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)

2

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)

3

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)

4

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)

5

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)

6

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)

7

КОЛ.СОЦВЕТИЙ (ШТ)

8

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)

9

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)

10

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)

11

ДЛИНА МЕЖДУУЗЛИЙ (СМ)

12

СТЕП.ДЕТЕРМИНАНТНОСТИ

13

ХАРАКТЕР РАСПОЛОЖЕНИЯ СОЦВЕТИЙ НА ГЛАВНОМ СТЕБЛЕ (ШТ/М.П.)

2. Подготовка исходных данных и формализация предметной области

Исходные данные для данной статьи (таблица 3) получены в результате селекционной работы над гибридами помидоров, наиболее хорошо адаптированных по своими свойствам для условий неотапливаемых теплиц Юга России:

Таблица 3. Исходные данные для ввода в систему «Эйдос»

Затем с параметрами, показанными на рисунке 2, запустим режим 2.3.2.2 системы «Эйдос», представляющий собой автоматизированный программный интерфейс (API) с внешними данными табличного типа. На рисунке 2 приведены реально использованные параметры.

Обратим внимание, что заданы адаптивные интервалы, учитывающее неравномерность распределения данных по диапазону значений. И в классификационных, и в описательных шкалах задано 3 числовых интервальных значения.

На рисунке 3 приведен Help данного режима, в котором объясняется принцип организации таблицы исходных данных для данного режима. Здесь же обратим внимание на то, что в таблице 3 как сами свойства помидоров, так и результаты их выращивания, могут быть представлены как числовыми, так и текстовыми значениями.

Рисунок 2. Экранные форма программного интерфейса (API) 2.3.2.2 системы «Эйдос» с внешними данными табличного типа

Рисунок 3. Экранные форма HELP программного интерфейса (API) 2.3.2.2

В результате работы режима сформировано 11 классификационных шкал с суммарным количеством градаций (классов) 33 (таблица 4) и 13 описательных шкал с суммарным числом градаций 37. С использованием классификационных и описательных шкал и градаций (таблицы 4 и 5) исходные данные (таблица 3) были закодированы и в результате получена обучающая выборка (таблица 6):

Таблица 4. Классификационные шкалы и градации (количественные, качественные и финансово-экономические результаты выращивания помидоров)

KOD

NAME_CLS

1

ПРИБЫЛЬ (РУБЛЕЙ)-Малое: 1/3-{54.8, 172.2}

2

ПРИБЫЛЬ (РУБЛЕЙ)-Среднее: 2/3-{172.2, 201.7}

3

ПРИБЫЛЬ (РУБЛЕЙ)-Большое: 3/3-{201.7, 268.2}

4

РЕНТАБЕЛЬНОСТЬ (%)-Малое: 1/3-{18.6, 55.1}

5

РЕНТАБЕЛЬНОСТЬ (%)-Среднее: 2/3-{55.1, 63.0}

6

РЕНТАБЕЛЬНОСТЬ (%)-Большое: 3/3-{63.0, 76.3}

7

ОБЩ.УРОЖ. (КГ/М2)-Малое: 1/3-{9.0, 12.0}

8

ОБЩ.УРОЖ. (КГ/М2)-Среднее: 2/3-{12.0, 13.0}

9

ОБЩ.УРОЖ. (КГ/М2)-Большое: 3/3-{13.0, 14.0}

10

ОБЩ.УРОЖ. (% ОТ КОНТР.)-Малое: 1/3-{100.0, 133.3}

11

ОБЩ.УРОЖ. (% ОТ КОНТР.)-Среднее: 2/3-{133.3, 144.4}

12

ОБЩ.УРОЖ. (% ОТ КОНТР.)-Большое: 3/3-{144.4, 155.6}

13

РАН.УРОЖ. (КГ/М2)-Малое: 1/3-{3.8, 4.2}

14

РАН.УРОЖ. (КГ/М2)-Среднее: 2/3-{4.2, 5.2}

15

РАН.УРОЖ. (КГ/М2)-Большое: 3/3-{5.2, 6.2}

16

РАН.УРОЖ. (% ОТ КОНТР.)-Малое: 1/3-{73.0, 81.0}

17

РАН.УРОЖ. (% ОТ КОНТР.)-Среднее: 2/3-{81.0, 100.0}

18

РАН.УРОЖ. (% ОТ КОНТР.)-Большое: 3/3-{100.0, 119.0}

19

ДОЛЯ СТАНД.ПЛОДОВ (%)-Малое: 1/3-{80.9, 83.3}

20

ДОЛЯ СТАНД.ПЛОДОВ (%)-Среднее: 2/3-{83.3, 86.4}

21

ДОЛЯ СТАНД.ПЛОДОВ (%)-Большое: 3/3-{86.4, 95.0}

22

СР.МАССА ПЛОДОВ (Г)-Малое: 1/3-{162.0, 195.0}

23

СР.МАССА ПЛОДОВ (Г)-Среднее: 2/3-{195.0, 203.0}

24

СР.МАССА ПЛОДОВ (Г)-Большое: 3/3-{203.0, 267.0}

25

СОД.В ПЛОДАХ СУХ.И ПЛАСТ.ВЕЩ. -Малое: 1/3-{4.6, 4.9}

26

СОД.В ПЛОДАХ СУХ.И ПЛАСТ.ВЕЩ. -Среднее: 2/3-{4.9, 5.1}

27

СОД.В ПЛОДАХ СУХ.И ПЛАСТ.ВЕЩ. -Большое: 3/3-{5.1, 5.6}

28

СОД.В ПЛОД.ОБЩ.САХ-Малое: 1/3-{1.9, 2.1}

29

СОД.В ПЛОД.ОБЩ.САХ-Среднее: 2/3-{2.1, 2.2}

30

СОД.В ПЛОД.ОБЩ.САХ-Большое: 3/3-{2.2, 2.4}

31

СОД.В ПЛОД.НАКОПЛ.ВИТ.С (МГ/%)-Малое: 1/3-{5.5, 6.4}

32

СОД.В ПЛОД.НАКОПЛ.ВИТ.С (МГ/%)-Среднее: 2/3-{6.4, 6.7}

33

СОД.В ПЛОД.НАКОПЛ.ВИТ.С (МГ/%)-Большое: 3/3-{6.7, 9.4}

Таблица 5. Описательные шкалы и градации (различные морфологические свойства помидоров и степень их выраженности)

KOD

NAME_ATR

1

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)-Малое: 1/3-{4.2000000, 5.3000000}

2

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)-Среднее: 2/3-{5.3000000, 6.3000000}

3

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)-Большое: 3/3-{6.3000000, 7.2000000}

4

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{59.0000000, 60.0000000}

5

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{60.0000000, 62.0000000}

6

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{62.0000000, 64.0000000}

7

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{65.0000000, 65.0000000}

8

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{65.0000000, 68.0000000}

9

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{68.0000000, 70.0000000}

10

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{69.0000000, 70.0000000}

11

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{70.0000000, 73.0000000}

12

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{73.0000000, 75.0000000}

13

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{73.0000000, 75.0000000}

14

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{75.0000000, 78.0000000}

15

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{78.0000000, 79.0000000}

16

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)-Малое: 1/3-{1.9000000, 2.3000000}

17

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)-Среднее: 2/3-{2.3000000, 2.5000000}

18

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)-Большое: 3/3-{2.5000000, 3.0000000}

19

КОЛ.СОЦВЕТИЙ (ШТ)-Малое: 1/3-{7.0000000, 9.0000000}

20

КОЛ.СОЦВЕТИЙ (ШТ)-Среднее: 2/3-{9.0000000, 12.0000000}

21

КОЛ.СОЦВЕТИЙ (ШТ)-Большое: 3/3-{12.0000000, 13.0000000}

22

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)-Малое: 1/3-{19.0000000, 21.0000000}

23

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)-Среднее: 2/3-{21.0000000, 28.0000000}

24

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)-Большое: 3/3-{28.0000000, 32.0000000}

25

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Малое: 1/3-{13.7000000, 16.7000000}

26

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Среднее: 2/3-{16.7000000, 17.5000000}

27

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Большое: 3/3-{17.5000000, 21.2000000}

28

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Малое: 1/3-{98.7000000, 119.7000000}

29

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Среднее: 2/3-{119.7000000, 167.9000000}

30

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Большое: 3/3-{167.9000000, 194.3000000}

31

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Малое: 1/3-{4.7000000, 5.7000000}

32

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Среднее: 2/3-{5.7000000, 5.9000000}

33

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Большое: 3/3-{5.9000000, 7.3000000}

34

СТЕП.ДЕТЕРМИНАНТНОСТИ -1/2-Детерминантный

35

СТЕП.ДЕТЕРМИНАНТНОСТИ -2/2-Полудетерминантный

36

ХАРАКТЕР РАСПОЛОЖЕНИЯ СОЦВЕТИЙ НА ГЛАВНОМ СТЕБЛЕ (ШТ/М.П.)-1/2-4,9 - 5,2

37

ХАРАКТЕР РАСПОЛОЖЕНИЯ СОЦВЕТИЙ НА ГЛАВНОМ СТЕБЛЕ (ШТ/М.П.)-2/2-7,0 - 9,1

Таблица 6. Обучающая выборка

Обучающая выборка (таблица 6), по сути, представляет собой нормализованные исходные данные, т.е. таблицу исходных данных (таблица 3), закодированную с помощью классификационных и описательных шкал и градаций (таблицы 4 и 5).

Таким образом, созданы все необходимые и достаточные условия для выполнения следующего этапа АСК-анализа: т.е. для синтеза и верификации моделей.

3. Синтез и верификация статистических и системно-когнитивных моделей и выбор наиболее достоверной из них для решения задач

Синтез и верификация статистических и системно-когнитивных моделей (СК-моделей) моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунок 4). Сами эти модели описаны в ряде работ [1-8].

Рисунок 4. Экранная форма режима синтеза и верификации статистических и системно-когнитивных моделей системы «Эйдос»

Обратим внимание на то, что на рисунке 4 в правом нижнем углу окна задана опция: «Расчеты проводить на графическом процессор (GPU)».

Из рисунка 4 видно, что весь процесс синтеза и верификации моделей занял 11 секунд. Отметим, что при синтезе и верификации моделей использовался графический процессор (GPU) видеокарты. На центральном процессоре (CPU) выполнение этих операций занимает значительно большее время (на некоторых задачах это происходит в десятки, сотни и даже тысячи раз дольше). Таким образом, неграфические вычисления на графических процессорах видеокарты делает возможной обработку больших объемов исходных данных за разумное время. В процесс синтеза и верификации моделей осуществляется также расчет 10 выходных форм, на что уходит более 99% времени исполнения.

Фрагменты самих созданных статистических и системно-когнитивных моделей (СК-модели) приведены на рисунках 5, 6, 7:

Рисунок 5. Матрица абсолютных частот (фрагмент)

Рисунок 6. Матрица информативностей INF1 (фрагмент)

Рисунок 7. Модель INF3 (фрагмент)

Отметим, что в АСК-анализе и СК-моделях степень выраженности различных морфологических свойств помидоров рассматривается с одной единственной точки зрения: какое количество информации содержится в них о том, какими будут количественные, качественные и финансово-экономические результаты их выращивания [2]. Поэтому не играет никакой роли в каких единицах измерения измеряются те или иные морфологических свойств помидоров, а также в каких единицах измерения дает измеряются результаты их выращивания, натуральных, в процентах или стоимостных [2]. Это и есть решение проблемы сопоставимости в АСК-анализе и системе «Эйдос», отличающее их от других интеллектуальных технологий.

Верификация статистических и системно-когнитивных моделей

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации объектов обучающей выборки по обобщенным образам классов и подсчета количества истинных положительных и отрицательных, а также ложных положительных и отрицательных решений по F-мере Ван Ризбергена, а также по критериям L1- L2-мерам проф.Е.В.Луценко, смягчающие и преодолевающие недостатки F-меры [3]. В режиме 3.4 системы «Эйдос» изучается достоверность каждой частной модели в соответствии с этими мерами достоверности (рисунок 8).

Рисунок 8. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и L1- и L2-критериям проф.Е.В.Луценко [3]

Из рисунка 8 мы видим, что в данном интеллектуальном приложении по F-критерию Ван Ризбергена наиболее достоверной является СК-модель INF3 с интегральным критерием «Резонанс знаний» (F=0,841 при максимуме 1,000), что неплохо, а по критерию L1 проф.Е.В.Луценко [3] наиболее достоверной также является СК-модель INF3, но с интегральным критерием «Сумма знаний» (L1=0,951 при максимуме 1,000), что является очень хорошим результатом.

Это подтверждает наличие и адекватное отражение в СК-модели сильной причинно-следственной зависимости между морфологическими свойствами помидоров и количественными, качественными и финансово-экономическими результатами их выращивания.

На рисунке 9 приведено частотное распределения числа истинных и ложных положительных и отрицательных решений по результатам прогнозирования результатов выращивания помидоров на основе их морфологических свойств в СК-модели INF3 по данным обучающей выборки:

Рисунок 9. Частотные распределения числа истинных и ложных положительных и отрицательных решений и их разности в СК-модели Inf3

Рисунок 9 содержит изображения двух частотных распределений, похожих на нормальные, сдвинутых относительно друг друга по фазе.

Левое распределение, большее по амплитуде включает истинно-отрицательные и ложно-положительные решения, а правое, меньшее по амплитуде, включает ложные отрицательные и истинно-положительные решения.

Сдвиг этих распределений относительно друг друга и другие различия между ними и позволяют решать задачу прогнозирования и другие задачи.

Видно, что для отрицательных решений количество истинных решений всегда значительно превосходит количество ложных решений, причем при уровнях различия больше примерно 12% ложные отрицательные решения вообще отсутствуют.

Видно также, что для положительных решений картина более сложная и включает 3 диапазона уровней сходства

1) при уровнях сходства от 0% до примерно 20% количество ложных решений больше числа истинных;

2) при уровнях сходства от 20% до примерно 42% есть и истинные и ложные положительные решения, но число истинных больше числа ложных и их доля возрастает при увеличении уровня сходства;

3) при уровнях сходства выше 42% встречаются только истинные положительные решения.

На рисунке 10 приведен Help по режиму 3.4, в котором описаны меры достоверности моделей, применяемые в системе «Эйдос»:

Рисунок 10. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и L1- и L2-критериям проф. Е.В. Луценко [3]

Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» (рисунок 1), присвоим СК-модели INF3 статус текущей модели. Для это запустим режим 5.6 с параметрами, приведенными на экранной форме (рисунок 11):

Рисунок 11. Экранные формы придания наиболее достоверной по L2-критерию СК-модели Inf3 статуса текущей модели

4. Решение различных задач в наиболее достоверной модели

4.1 Прогнозирование (диагностика, классификация, распознавание, идентификация)

Решим задачу прогнозирования результатов выращивания помидоров на основе обучающей выборки в наиболее достоверной СК-модели INF3 на GPU. Для этого запустим режим 4.1.2 (рисунок 12).

Рисунок 12. Экранные формы отображения процесса решения задачи прогнозирования в текущей модели

Из рисунка 11 видно, что прогнозирование заняло 1 секунду.

Отметим, что 99,999% этого времени заняло не само прогнозирование на GPU, а создание 10 выходных форм на основе результатов этого прогнозирования. Эти формы отражают результаты прогнозирования в различных разрезах и обобщениях:

Приведем две из этих 10 форм: 4.1.3.1 и 4.1.3.2 (рисунок 13).

Рисунок 13. Выходные формы по результатам прогнозирования количественных и качественных и финансово-экономических результатов выращивания помидоров на основе их морфологических свойств

Символ «» стоит против тех результатов прогнозирования, которые подтвердились на опыте, т.е. соответствуют факту. Из рисунка 13 видно, что результаты прогнозирования являются очень хорошими, естественно при учете информации из рисунка 9 о том, что достоверные прогнозы в данной модели имеют уровень сходства выше 20%, т.е. по сути прогнозы с более низки уровнем сходства надо просто игнорировать.

4.2 Поддержка принятия решений (SWOT-анализ)

При принятии решений определяется сила и направление влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам, соответствующим различным будущим состояниям. По сути это решение задачи SWOT-анализа [4].

Применительно к задаче, решаемой в данной работе, SWOT-анализ показывает степень влияния различных значений морфологических свойств помидоров на получение различных количественных и качественных и финансово-экономических результатов их выращивания.

В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи. При этом выявляется система детерминации заданного класса, т.е. система значений факторов, обуславливающих переход объекта моделирования и управления в состояние, соответствующее данному классу. На рисунках 14 приведены SWOT-диаграммы, отражающие систему детерминации целевых результатов выращивания помидоров.

Рисунок 14. SWOT-диаграммы, отражающие силу и направление влияния различных значений морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания

Эти диаграммы наглядно показывают, какие значения различных морфологических свойств помидоров с какой силой способствуют или препятствуют получению того или иного целевого результата выращивания.

Информация о системе значений факторов, обуславливающих переход объекта моделирования в различные будущие состояния, соответствующие классам, может быть приведена не только в диаграммах, показанных на рисунках 14, но и во многих других табличных и графических формах, которые в данной работе не приводятся только из-за ограниченности ее объема. В частности в этих формах может быть выведена значительно более полная информация (в т.ч. вообще вся имеющая в модели). Подобная подробная информация содержится в базах данных, расположенных по пути: c:\Aidos-X\AID_DATA\A0000003\System\SWOTCls####Inf3.DBF, где: «####» - код класса с ведущими нулями. Эти базы открываются в MS Excel.

Отметим также, что система «Эйдос» обеспечивала решение этой всегда, т.е. даже в самых ранних DOS-версиях и в реализациях системы «Эйдос» на других языках и типах компьютеров. Например, первый акт внедрения системы «Эйдос», где об этом упоминается в явном виде, датируется 1987 годом, а первый подобный расчет относится к 1981 году.

Но тогда SWOT-диаграммы назывались позитивным и негативным информационными портретами классов.

На рисунке 15 приведены примеры инвертированных SWOT-диаграмм, отражающих силу и направление влияния различных значений морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания:

Рисунок 15. Примеры SWOT-диаграмм, отражающих силу и направление влияния различных значений морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания

Из рисунка 15 видно, как число локул в плодах помидоров влияет на количественные, качественные и финансово-экономические результаты их выращивания.

В заключение отметим, что SWOT-анализ является широко известным и общепризнанным метод стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых чаще всего является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего опыта и профессиональной компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже более 30 лет, но к сожалению она сравнительно малоизвестна - это интеллектуальная система «Эйдос» [4, 9, 10].

4.3 Исследование моделируемой предметной области путем исследования ее модели

Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования, «переносить на него».

В системе «Эйдос» есть довольно много возможностей для такого исследования, но в данной работе из-за ограничений на ее объем мы рассмотрим лишь результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети, 3d-интегральные когнитивные карты и когнитивные функции.

4.3.1 Когнитивные диаграммы классов

Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 16).

Отметим также, что на когнитивной диаграмме, приведенной на рисунке 16, показаны количественные оценки сходства/различия различных результатов выращивания помидоров по обуславливающим их свойствам помидоров, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

В системе «Эйлос» есть возможность управлять параметрами формирования и вывода изображения, приведенного на рисунке 16. Для этого используется диалоговое окно, приведенное на рисунке 17.

Рисунок 16. Когнитивная диаграмма классов, отражающая сходство/различие количественных, качественных и финансово-экономических результатов выращивания помидоров по системе детерминирующих (обуславливающих) их значений морфологических свойств помидоров

Рисунок 17. Диалоговое окно управления параметрами формирования и вывода изображения когнитивной диаграммы классов

4.3.2 Агломеративная когнитивная кластеризация классов

Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 16, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации [5] (рисунок 18):

Рисунок 18. Дендрограмма когнитивной агломеративной кластеризации классов, отражающая сходство/различие количественных, качественных и финансово-экономических результатов выращивания помидоров по системе детерминирующих (обуславливающих) их значений морфологических свойств помидоров

Из рисунков 16 и 18 мы видим, что некоторые количественных, качественных и финансово-экономических результаты выращивания помидоров сходны по детерминирующей их системе значений морфологических свойств, и, следовательно, корректно ставить задачу их одновременного достижения, а другие по этой системе свойств сильно отличаются, и, следовательно, являются взаимоисключающими, т.е. альтернативными и цель их одновременного достижения является некорректной и недостижимой, т.к. для достижения одного из альтернативных результатов необходимы одни свойства помидоров, а для достижения другого - совершенно другие, которые не могут наблюдаться одновременно с первыми.

Из дендрограммы когнитивной агломеративной кластеризации классов, приведенной на рисунке 18, мы видим также, что все результаты выращивания помидоров образуют два противоположных кластера по системе значений обуславливающих их морфологических свойств, являющихся полюсами конструкта. В верхнем кластере объединены результаты с низкими количественными и высокими качественными результатами, а в нижнем - с высокими количественными и низкими качественными результатами. Из этого можно сделать вывод о том, что высокая урожайность получается фактически за счет снижения качества плодов помидоров. Отметим, что аналогичная картина наблюдается и по другими культурам, причем не только по овощным, но и по фруктовым, и по зерновым. Высокие финансово-экономические показатели по системе детерминирующих их факторов сходны с высокими количественными результатами и низкими качественными, т.е. высокие прибыль и рентабельность обуславливаются в основном большим количеством продукции, а не ее высоким качеством.

На рисунке 19 мы видим график изменения межкластерных расстояний:

Рисунок 19. График изменения межкластерных расстояний

4.3.3 Когнитивные диаграммы значений факторов

Эти диаграммы отражают сходство/различие значений морфологических свойств помидоров по их смыслу, т.е. по содержащейся в них информации о количественных, качественных и финансово-экономических результатах выращивания помидоров с этими свойствами. Эти диаграммы мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 20).

Из рисунка 20 видно, что все значения факторов образуют два крупных кластера, противоположных по их смыслу. Эти кластеры образуют полюса конструкта.

Отметим, что на когнитивной диаграмме, приведенной на рисунке 20, показаны количественные оценки сходства/различия значений факторов, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.

Рисунок 20. Когнитивная диаграмма и конструкт значений сходства/различия морфологических свойств помидоров по их смыслу, т.е. по содержащейся в них информации о количественных, качественных и финансово-экономических результатах выращивания помидоров с этими свойствами

Диаграмма, приведенная на рисунке 20, получена при параметрах, приведенных на рисунке 21.

Рисунок 21. Параметры отображения когнитивной диаграммы, приведенной на рисунке 23

4.3.4 Агломеративная когнитивная кластеризация значений факторов

На рисунке 22 приведена агломеративная дендрограмма когнитивной кластеризации значений факторов и график изменения межкластерных расстояний, полученные на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на рисунке 20.

Рисунок 22. Дендрограмма агломеративной когнитивной кластеризации морфологических свойств помидоров по их смыслу, т.е. по сходству/различию содержащейся в них информации о количественных, качественных и финансово-экономических результатах выращивания помидоров с этими свойствами

Из дендрограммы на рисунке 22 мы видим, что все значения факторов образуют 2 четко выраженных кластера, объединенных в полюса конструкта (показаны синими и красным цветами).

Хорошо видна группировка значений морфологических свойств помидоров по детерминируемых ими количественным, качественным и финансово-экономическим результатам выращивания помидоров. Значения факторов на полюсах конструкта факторов (рисунок 22) обуславливают переход объекта моделирования в состояния, соответствующие классам, представленным на полюсах конструкта классов (рисунки 16 и 28).

На рисунке 23 приведен график межкластерных расстояний значений морфологических свойств помидоров.

Рисунок 23. График изменения межкластерных расстояний при когнитивной кластеризации значений факторов

4.3.5 Нелокальные нейроны и нелокальные нейронные сети

На рисунке 24 приведены пример нелокального нейрона, а на рисунке 25 и фрагмент одного слоя нелокальной нейронной сети:

Рисунок 24. Пример нелокального нейрона, отражающего силу и направление влияния морфологических свойств помидоров на один из результатов их выращивания

Рисунок 25. Один слой нелокальной нейронной сети, отражающий силу и направление влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания (фрагмент около 30%)

В приведенном фрагменте слоя нейронной сети нейроны соответствуют количественным, качественным и финансово-экономическим результатам выращивания помидоров, а рецепторы - различным обуславливающим эти результаты морфологическим свойствам помидоров. Нейроны расположены слева на право в порядке убывания силы детерминации, т.е. слева находятся результаты, наиболее жестко обусловленные обуславливающими их факторами, а с права - менее жестко обусловленные.

Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [6] и фреймовой моделей представления знаний [11]. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам). От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них. Поэтому в системе «Эйдос» при увеличении числа фреймов само количество баз данных не увеличивается, а увеличивается лишь их размерность. От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что [6]: 1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети); 2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации; 3) нейросеть является нелокальной, как сейчас говорят «полносвязной».

4.3.6 3d-интегральные когнитивные карты

На рисунке 26 приведен фрагмент 3d-интегральной когнитивной карты, отражающая СК-модель Inf3. 3d-интегральная когнитивная карта является отображением на одном рисунке когнитивных диаграмм классов и значений факторов, отображенных соответственно на рисунках 16 и 20, и одного слоя нейронной сети, приведенного на рисунке 25.

Рисунок 26. 3d-интегральная когнитивная карта в СК-модели Inf3

4.3.7 Когнитивные функции

Вместо описания того, что представляют собой когнитивные функции, приведем help соответствующего режима системы «Эйдос» (рисунок 27) и сошлемся на работу, в которой это описано [7].

Рисунок 27. Help режима визуализации когнитивных функций

На рисунках 28 приведены примеры некоторых когнитивных функций, наглядно отражающих силу и направление влияния значений (т.е. степени выраженности) различных морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания.

Рисунок 28. Примеры когнитивных функций, отражающих силу и направление влияния морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания

Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации эмпирических закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые.

4.3.8 Сила и направление влияния значений факторов и сила влияния самих факторов на результаты выращивания помидоров

На рисунках 5, 6, 7 приведены фрагменты некоторых статистических и системно-когнитивных моделей, отражающих моделируемую предметную область.

Строки матриц моделей соответствуют значениям факторов, т.е. степени выраженности различных морфологических свойств помидоров (градации описательных шкал).

Колонки матриц моделей соответствуют различным классам, отражающим различные количественные, качественные и финансово-экономические результаты выращивания помидоров (градации классификационных шкал).

Числовые значения в ячейках матриц моделей, находящихся на пересечении строк и колонок, отражают направление (знак) и силу влияния конкретного значения морфологического свойства помидора, соответствующего сроке, на получение конкретного результата выращивания, соответствующего колонке.

Если какое-то значение морфологического свойства помидоров слабо влияет на результаты их выращивания, то в соответствующей строке матрицы модели будут малые по модулю значения разных знаков, если же влияние сильное - то и значения будут большие по модулю разных знаков.

Если значение морфологического свойства помидоров способствует получению некоторого определенного результата их выращивания, то в соответствующей этому результату ячейке матрицы модели будут положительные значения, если же понижает - то и значения будут отрицательные.

Из этого понятно, что суммарную силу влияния того или иного значения морфологического свойства помидоров на результаты их выращивания (т.е. ценность данного значения морфологического свойства для решении задачи прогнозирования и других задач) можно количественно оценивать степенью вариабельности значений в строке матрицы модели, соответствующей этому значению свойства.

Существует много мер вариабельности значений: это и среднее модулей отклонения от среднего, и дисперсия, и среднеквадратичное отклонение и другие. В АСК-анализе и системе «Эйдос» для этой цели принято использовать среднеквадратичное отклонение. Численно оно равно стандартному отклонению и вычисляется по той же формуле, но мы предпочитаем не использовать термин «стандартное отклонение», т.к. он предполагает нормальность распределения исследуемых последовательностей чисел, а значит и проверку соответствующих статистических гипотез.

Самая правая колонка в матрицах моделей на рисунках 5, 6, 7 содержит количественную оценку вариабельности значений строки модели (среднеквадратичное отклонение), которая и представляет собой ценность значения морфологического свойства, соответствующего строке, для решения задач прогнозирования результатов выращивания помидоров и решения других задач, рассмотренных в работе.

Если рассортировать матрицу модели по этой самой правой колонке в порядке убывания, а потом просуммировать значения в ней нарастающим итогом, то получим логистическую Парето-кривую, отражающую зависимость ценности модели от числа наиболее ценных признаков в ней (рисунок 29, таблица 7).

Ценность же морфологического свойства (всей описательной шкалы или фактора), для решения этих задач можно количественно оценивать как среднее от ценности значений этого свойства (таблица 8).

Рисунок 29. Парето-кривая значимости градаций описательных шкал

Таблица 7. Парето-таблица значимости градаций описательных шкал, т.е. сила влияния значений морфологических свойств помидоров на количественные, качественные и финансово-экономические результаты их выращивания в СК-модели INF3

№

Код

Наименование значения морфологического свойства

Код морфологического свойства

Значимость значения морфологического свойства

Значимость значения морфологического свойства нарастающим итогом

Значимость значения морфологического свойства (%)

Значимость значения морфологического свойства нарастающим итогом (%)

1

16

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)-Малое: 1/3-{1.9000000, 2.3000000}

6

1,03

1,03

3,80

3,80

2

20

КОЛ.СОЦВЕТИЙ (ШТ)-Среднее: 2/3-{9.0000000, 12.0000000}

7

1,03

2,05

3,79

7,59

3

11

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{70.0000000, 73.0000000}

4

1,01

3,06

3,73

11,32

4

6

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{62.0000000, 64.0000000}

2

0,93

3,99

3,43

14,75

5

31

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Малое: 1/3-{4.7000000, 5.7000000}

11

0,92

4,91

3,39

18,15

6

3

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)-Большое: 3/3-{6.3000000, 7.2000000}

1

0,92

5,83

3,39

21,53

7

7

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{65.0000000, 65.0000000}

3

0,92

6,74

3,39

24,92

8

24

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)-Большое: 3/3-{28.0000000, 32.0000000}

8

0,92

7,66

3,39

28,31

9

18

СООТН.КОЛ.ЛИСТ.К КОЛ.СОЦВ.(%)-Большое: 3/3-{2.5000000, 3.0000000}

6

0,89

8,55

3,30

31,61

10

13

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{73.0000000, 75.0000000}

5

0,86

9,41

3,18

34,79

11

8

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{65.0000000, 68.0000000}

3

0,84

10,25

3,10

37,89

12

12

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{73.0000000, 75.0000000}

4

0,82

11,07

3,02

40,91

13

23

КОЛ.ЛИСТ.НА СТЕБЛЕ (ШТ)-Среднее: 2/3-{21.0000000, 28.0000000}

8

0,82

11,89

3,02

43,93

14

14

ДН.ДО ЦВЕТ.4-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{75.0000000, 78.0000000}

5

0,77

12,65

2,83

46,76

15

19

КОЛ.СОЦВЕТИЙ (ШТ)-Малое: 1/3-{7.0000000, 9.0000000}

7

0,74

13,39

2,74

49,50

16

28

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Малое: 1/3-{98.7000000, 119.7000000}

10

0,74

14,13

2,74

52,24

17

2

КОЛ.ЛОКУЛ В ПЛОДАХ (ШТ)-Среднее: 2/3-{5.3000000, 6.3000000}

1

0,73

14,86

2,69

54,93

18

10

ДН.ДО ЦВЕТ.3-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{69.0000000, 70.0000000}

4

0,73

15,59

2,69

57,61

19

21

КОЛ.СОЦВЕТИЙ (ШТ)-Большое: 3/3-{12.0000000, 13.0000000}

7

0,72

16,31

2,67

60,28

20

27

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Большое: 3/3-{17.5000000, 21.2000000}

9

0,71

17,02

2,63

62,91

21

4

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Малое: 1/3-{59.0000000, 60.0000000}

2

0,68

17,70

2,52

65,43

22

5

ДН.ДО ЦВЕТ.1-ГО СОЦВЕТИЯ (СУТКИ)-Среднее: 2/3-{60.0000000, 62.0000000}

2

0,68

18,38

2,52

67,95

23

25

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Малое: 1/3-{13.7000000, 16.7000000}

9

0,68

19,07

2,52

70,48

24

33

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Большое: 3/3-{5.9000000, 7.3000000}

11

0,68

19,75

2,52

73,00

25

30

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Большое: 3/3-{167.9000000, 194.3000000}

10

0,62

20,37

2,28

75,28

26

34

СТЕП.ДЕТЕРМИНАНТНОСТИ -1/2-Детерминантный

12

0,60

20,97

2,23

77,51

27

35

СТЕП.ДЕТЕРМИНАНТНОСТИ -2/2-Полудетерминантный

12

0,60

21,57

2,23

79,74

28

36

ХАРАКТЕР РАСПОЛОЖЕНИЯ СОЦВЕТИЙ НА ГЛАВНОМ СТЕБЛЕ (ШТ/М.П.)-1/2-4,9 - 5,2

13

0,60

22,18

2,23

81,97

29

37

ХАРАКТЕР РАСПОЛОЖЕНИЯ СОЦВЕТИЙ НА ГЛАВНОМ СТЕБЛЕ (ШТ/М.П.)-2/2-7,0 - 9,1

13

0,60

22,78

2,23

84,20

30

29

ВЫСОТА ГЛАВНОГО СТЕБЛЯ (СМ)-Среднее: 2/3-{119.7000000, 167.9000000}

10

0,60

23,38

2,22

86,43

31

9

ДН.ДО ЦВЕТ.2-ГО СОЦВЕТИЯ (СУТКИ)-Большое: 3/3-{68.0000000, 70.0000000}

3

0,60

23,98

2,20

88,63

32

32

ДЛИНА МЕЖДУУЗЛИЙ (СМ)-Среднее: 2/3-{5.7000000, 5.9000000}

11

0,59

24,57

2,18

90,81

33

26

КОЛ.ЛИСТ.НА 1 ПОГ.МЕТР СТЕБЛЯ (ШТ/П.М.)-Среднее: 2/3-{16.7000000, 17.50...

Страница:


Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены