Идентификация видов жуков-жужелиц (Coleoptera, Carabidae) путем АСК-анализа их изображений по внешним контурам
Анализ методов идентификации различных видов жужелиц по их внешнему контуру. Количественное определение сходства-различия видов жужелиц, анализ обобщенных образов насекомых. Характеристика моделируемой предметной области путем исследования ее модели.
| Рубрика | Биология и естествознание |
| Вид | статья |
| Язык | русский |
| Дата добавления | 25.05.2017 |
| Размер файла | 4,9 M |
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.
Размещено на http://www.allbest.ru/
|
УДК 004; 595.762.12 05.00.00 Технические науки 03.00.00 Биологические науки ИДЕНТИФИКАЦИЯ ВИДОВ ЖУКОВ-ЖУЖЕЛИЦ (COLEOPTERA, CARABIDAE) ПУТЕМ АСК-АНАЛИЗА ИХ ИЗОБРАЖЕНИЙ ПО ВНЕШНИМ КОНТУРАМ (ОБОБЩЕНИЕ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ И ИДЕНТИФИКАЦИЯ) Луценко Евгений Вениаминович д.э.н., к.т.н., профессор РИНЦ SPIN-код: 9523-7101 prof.lutsenko@gmail.com Сердюк Владислав Юрьевич, аспирант РИНЦ SPIN-код:8779-4695 vladislav-serdyuk@yandex.ru Кубанский государственный аграрный университет, Краснодар, Россия Насекомые являются важнейшим компонентом естественных биоценозов и агроценозов. Одним из самых больших и многочисленных семейств - являются жужелицы (Carabidae), насчитывающие по разным данным более 30000 видов. Для жужелиц характерны различные способы питания, местообитания, занимаемые яруса, сезонная и суточная активность. Они обитают как на поверхности, так и в почве, реже на кустарниках и деревьях. Виды семейства жужелицы - активные жуки с длинными тонкими антеннами равномерной толщины, длинными надкрыльями и длинными ногами, приспособленными к беганию. Размеры их варьируют от нескольких миллиметров до 10 см. Являясь активными хищниками, жужелицы играют огромное практическое значение, уничтожая вредителей еще до достижения последними порога вредоносности, тем самым обеспечивая их естественную регуляцию. Исходя из того, что количество жужелиц велико, а размеры их иногда составляют всего несколько миллиметров, возникла проблема определения вида этих насекомых (или их идентификации), вследствие чего потребовался специальный инструмент, который, с одной стороны, упростил бы получение данных об этих насекомых, а с другой стороны, повысил бы их точность. В данной статье предлагается новый для данной предметной области подход к идентификации различных видов жужелиц по их внешнему контуру с применением программного инструментария автоматизированного системно-когнитивного анализа (АСК-анализ) - универсальной когнитивной аналитической системы «Эйдос», которая прекрасно себя зарекомендовала при изучении других объектов. Причина, по которой было решено использовать эту систему, состоит в том, что обычные (стандартные) способы определения жужелиц, имеют определенные недостатки: человеческий фактор (явные ошибки при определении); достаточно большие временные затраты; невозможность увеличения количества критериев для повышения достоверности модели сравнения. Данная статья направлена на преодоление этих недостатков, путем использования универсальной когнитивной аналитической системы «Эйдос», автоматизированного системно-когнитивного анализа (АСК-анализ). Приводится численный пример Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО- КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ, СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ИЗОБРАЖЕНИЙ, ЖУЖЕЛИЦ, ЖУКИ, ЖЕСТКОКРЫЛЫЕ, НАСЕКОМЫЕ, COLEOPTERA, CARABIDAE |
UDC 004; 595.762.12 Technical sciences Biology SPECIES IDENTIFICATION OF BEETLES (COLEOPTERA, CARABIDAE) BY USING ASK-ANALYSIS FOR THEIR IMAGES ON EXTERNAL CONTOURS (GENERALIZATION, ABSTRACTION, CLASSIFICATION AND IDENTIFICATION) Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor RSCI SPIN-code: 9523-7101 prof.lutsenko@gmail.com Serdyuk Vladislav Yurevich postgraduate RSCI SPIN-code: 8779-4695 vladislav-serdyuk@yandex.ru Kuban State Agrarian University, Krasnodar, Russia Insects are a major component of natural biocenoses and agrocenoses. One of the largest and most numerous families are ground beetles (Carabidae); their number, according to various estimates, is more than 30,000 species. For Carabidae beetles it is common to have different ways of eating, a place of habitation, occupied layers, seasonal and daily activity. They live both on the surface and in the soil, more rarely on bushes and trees. The types of the family of ground beetles - active beetles with long, thin antennae of uniform thickness, long elytra and long legs, adapted to running. Their sizes vary from a few millimeters to 10 cm. As active predators, ground beetles play a huge practical importance, destroying pests before reaching the last threshold, thereby providing a natural regulation. Based on the fact, that the number of beetles is large, and their sizes are sometimes only a few millimeters, there is a problem of determining the species of these insects (or their identification), therefore it took a special tool, which, on the one hand, facilitate obtaining data about these insects, and on the other hand, would increase their accuracy. This article proposes a new (to this subject area) approach to identify different species of ground beetles along their outer contour with the use of software tools for automated system-cognitive analysis (ASC-analysis) - the universal cognitive analytical system called "Eidos," which is well-proven in the study of other objects. The reason why it was decided to use this system is that normal (standard) identification of ground beetles, have certain disadvantages: the human factor (manifest error in the determination); quite time consuming; the inability to increase the number of criteria to improve the reliability of the model comparison. This article aims to overcome these drawbacks, by the use of universal cognitive analytical system "Eidos", the automated system-cognitive analysis (ASC-analysis). A numerical example is given Keywords: ASK-NALYSIS, AUTOMATED SYSTEM - COGNITIVE ANALYSIS, "EIDOS" INTELLECTUAL SYSTEM, MULTIPARAMETER TYPING, SYSTEM IDENTIFICATION, INTELLIGENT IMAGE ANALYSIS, GROUND BEETLES, BEETLES, INSECTS, COLEOPTERA, CARABIDAE |
Содержание
жужелица идентификация контур внешний
- 1. Постановка задачи и идея ее решения
- 1.1 Традиционный подход и его недостатки
- 1.2 Идея решения
- 1.3 Имеющийся задел
- 2. Численный пример
- 2.1 Исходные данные
- 2.2 Автоматический ввод изображений жужелиц в систему «Эйдос»
- 2.3 Синтез и верификация моделей обобщенных образов жужелиц по видам (многопараметрическая типизация)
- 2.4 Количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц (системная идентификация)
- 2.5 Количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых
- 2.6 Исследование моделируемой предметной области путем исследования ее модели
- Выводы и результаты
- Литература
- 1. Постановка задачи и идея ее решения
В энтомологии существует актуальная задача определения различных видов насекомых, решение которой чаще всего является очень трудоемким и недостаточно точным [1-3].
1.1 Традиционный подход и его недостатки
Традиционно установление вида насекомого осуществляется методом визуального сравнения особи с имеющимися в распоряжении эксперта справочными данными. В качестве таких данных используют различные книги- справочники, а также справочные коллекции насекомых, созданные на базе научных учреждений.
К недостаткам традиционного подхода можно отнести следующее.
а) в случае ручного сравнения с использованием справочных и натурных фондов:
– значительные временные затраты;
– зависимость от опыта эксперта;
– зависимость от имеющихся в наличии специализированных книг и образцов жужелиц;
– невозможность увеличения количества критериев для повышения достоверности модели сравнения;
– человеческий фактор (явные субъективные ошибки при определении);
– отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных для принятия решений с учетом потребностей конкретного пользователя (эксперта);
– отсутствие возможности производства исследований в моделируемой области, например количественного сравнения различных видов жужелиц по их изображениям;
- невозможность увеличения количества критериев для повышения достоверности модели сравнении.
Данная статья посвящена преодолению этих недостатков путем применения для решения поставленной задачи универсальной когнитивной аналитической системы «Эйдос».
1.2 Идея решения
Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос» [3]. Математическая модель системы «Эйдос» основана на системной нечеткой интервальной математике [4]. Система обеспечивает построение информационно-измерительных систем в различных предметных областях [7, 8], в частности АСК-анализ изображений [9-16]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [11]. Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели [9-16].
1.3 Имеющийся задел
У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [12-16].
2. Численный пример
2.1 Исходные данные
В качестве исходных данных для решения поставленной задачи ис- пользовались сканированные на светлом фоне с одинаковым разрешением изображения насекомых - жужелиц (Carabidae) (рисунок 1)
Рисунок 1. Разные виды жужелиц
Для решения поставленной задачи выполним следующие этапы АСК-анализа [4, 5]:
1) ввод в систему «Эйдос» изображений жужелиц и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов жужелиц по видам на основе контурных изображений конкретных насекомых (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типич- ную и нетипичную части;
4) количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц различных видов (системная идентификация);
5) количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых.
2.2 Автоматический ввод изображений жужелиц
в систему «Эйдос»
Запишем в папку ..\AID_DATA\Inp_data\1\ сканированные изображения жужелиц. Имена файлов изображений жужелиц состоят из имени вида и номера файла внутри папки (номер реализации). В рассматриваемом примере в обучающей выборке используются изображения 47 конкретных видов жужелиц.
Затем запустим режим: 2.3.2.4. «Оцифровка изображений по их внешним контурам» (рисунок 2).
Рисунок 2. Начальная экранная форма режима 2.3.2.4. Оцифровка
изображений по их внешним контурам
Вместо описания данного режима приведем на рисунке 3 его Help.
В результате появляется главная экранная форма, отображающая процесс оцифровки сканов жужелиц, расположенных в виде файлов в указанных выше папках (рисунок 4).
Рисунок 3. Help режима 2.3.2.4. Оцифровка изображений
по их внешним контурам
Рисунок 4. Экранная форма с отображением стадии процесса исполнения
оцифровки изображений жужелиц по их внешним контурам
Данный режим:
1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\1\ и все графические файлы jpg и bmp в поддиректориях.
2. Находит контуры в этих графических файлах и их центры тяжести.
3. Записывает в папку: ..\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура, лежащих на радиус-векторах, при различных углах поворота радиуса-вектора. В статье [17] описывается идея использования полярной системы координат для описания внешних контуров изображений и приводится математическая модель. В 2014 году проф.Е.В.Луценко предложены методики численных расчетов (структуры данных и алгоритмы), расчетов соответствии с этой математической моделью на компьютерах, а затем в 2015-2016 годах эти методики численных расчетов реализованы в модуле 2.3.2.4 и режимах 4.7, 4.8 системы «Эйдос».
4. При этом структура поддиректорий и имена файлов в папках: ..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Пример контурного изображения жужелицы приведен ниже на рисунке 5.
5. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: ..\AID_DATA\Inp_data\inp_data.xlsx, в которой содержатся результаты оцифровки изображений. Кроме того, он формирует таблицу: ..\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4. Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 6:
Рисунок 5. Пример контурного изображения жужелицы: c:\Aidos-X\AID_DATA\Out_data\1\Pterostichus (Platysma) niger niger s.str..jpg
Рисунок 6. Help универсального программного интерфейса
системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
В таблице 1 приведен фрагмент сформированного режимом 2.3.2.4 файла .. \AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений:
Таблица 1. - Файл c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx с результатами оцифровки изображений (фрагмент)
Сам этот программный интерфейс вызывается из главного меню системы «Эйдос» (режим 2.3.2.2), либо из режима: 4.7. АСК-анализ изображений. Главная экранная форма режима 2.3.2.2 приведена на рисунке 7, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию.
После запуска процесса ввода данных из файла: ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 8):
Рисунок 7. Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
Рисунок 8. Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных
В этой форме задано 10 интервальных значений (градаций) в описательных шкалах, а затем пересчитаны шкалы и градации. После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла ..\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и ба- за событий (эвентологическая база данных) (рисунок 9):
Рисунок 9. Экранная форма, отображающая этапы импорта данных
из внешней базы данных в систему «Эйдос»
Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос». В результате работы программного интерфейса с внешними базами данных 2.3.2.2 так- же формируется таблица ..\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам. Таким образом, подготавливаются все исходные базы данных для синтеза и верификации модели.
2.3 Синтез и верификация моделей обобщенных образов жужелиц по видам (многопараметрическая типизация)
Далее запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 10):
Рисунок 10. Экранная форма режима синтеза и верификации моделей
системы «Эйдос» (режима 3.5)
Запускаем этот режим с параметрами по умолчанию. В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний):
Рисунок 11. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям
Рисунок 12. Экранная форма отображения стадии исполнения режима синтеза и верификации моделей
Из рисунка 12 видно, что процесс синтеза и верификации моделей на выборке из 47 жужелиц занял 2 минуты 29 секунд.
Достоверность моделей оценивается в этом же режиме 3.5 в соответствии с предложенной проф. Е.В. Луценко метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 13 и 14).
Рисунок 13. Оценка достоверности моделей, с помощью
непараметрической метрики, сходной с F-критерием
Рисунок 14. Help режима 4.1.3.6: пояснение смысла непараметрической
метрики, сходной с F-критерием
Из рисунка 14 мы видим, что наиболее достоверная модель, основанная на критерии ч2 [7], дает среднюю достоверность определения вида насекомого по его изображению около 80%, причем достоверность правильного отнесения жужелицы к типу виду составляет 100%, а правильного не отнесения к ее виду, к которому она не относится - около 60%. Эти показатели значительно лучше, чем у экспертов в этой области.
2.4 Количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами жужелиц (системная идентификация)
Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, не- обходимо:
– поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые жужелицы» изображения классифицируемых жужелиц в том же стандарте, что и в обучающей выборке;
– выполнить режим: 2.3.2.4. «Оцифровка изображений по внешним контурам»;
– переименовать файл: c:\Aidos-X\AID_DATA\Inp_data\Inp_data.xlsx в Inp_rasp.xlsx или скопировать его с переименованием;
- выполнить режим 2.3.2.2. «Универсальный программный интерфейс импорта данных в систему» с теми же параметрами, что и при вводе обучающей выборки (рисунок 7), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_rasp)» (рисунок 15);
- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».
Рисунок 15. Главная экранная форма универсального программного
интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)
с опцией ввода распознаваемой выборки
В результате в режиме 4.1.3.1 получим выходную форму, представленную на рисунке 16. Отметим, что в подобных формах есть случаи «Ложных срабатываний», т.е. отнесения изображения жужелицы не к тем, к которым она в действительности относится. Но необходимо отметить, что правильная идентификация всегда, т.е. во всех случаях, имеет более высокий уровень сходства, чем эти «Ложные срабатывания».
Рисунок 16. Степень сходства образа конкретной жужелицы
с обобщенными образами различных видов жужелиц
В подсистеме 4.1.3. «Вывод результатов распознавания» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 17:
Рисунок 17. Наименования выходных форм системы «Эйдос» с результатами распознавания
Две из них, количественно отражающие степень сходства образа конкретной жужелицы с обобщенными образами различных видов жужелиц, приведены на рисунках 18 (режимы 4.1.3.1 и 4.1.3.3):
Рисунок 18. Степень сходства образа конкретной жужелицы
с обобщенными образами различных видов жужелиц
2.5 Количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов насекомых
На рисунке 19 приведена одна из выходных форм, количественно отражающая степень сходства обобщенных образов жужелиц друг с другом:
Рисунок 19. Степень сходства друг с другом обобщенных
образов различных видов жужелиц
2.6 Исследование моделируемой предметной области путем исследования ее модели
В системе «Эйдос» реализовано много различных средств анализа созданных моделей, применяются различные формы когнитивной графики. Для целей настоящего исследования представляют интерес графические формы, визуализирующие систему описательных шкал и градаций (рисунки 20), а также примеры информационных портретов обобщенных образов некоторых видов жужелиц (рисунки 21):
Рисунок 20. Система описательных шкал и градаций
системно-когнитивной модели 2-й итерации
Рисунок 21. Примеры информационных портретов
обобщенных образов некоторых видов жужелиц
На рисунках 21 цветом показана ценность градаций описательных шкал для классификации конкретных жужелиц по типам: красный цвет - максимальная ценность, фиолетовый - минимальная. На правом рисунке указана ценность всех градаций всех описательных шкал, а на левом для каждой шкалы оставлена только наиболее ценная градация, наиболее характерная для данного вида жужелиц, которой она наиболее сильно отличающая ее от всех остальных. Все информационные портреты видов жужелиц в статье не приводятся из-за ограниченности ее размеров, но их, а также их исходные и контурные изображения жужелиц, можно скачать по ссылке: http://ej.kubagro.ru/2016/05/upload/01.zip.
Выводы и результаты
В статье предложено решение актуальной для энтомологии задача определения вида жужелиц. Преодолены некоторые недостатки традиционных подходов.
Описано решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно- когнитивного анализа (АСК-анализ) и его программного инструментария - универсальной когнитивной аналитической системы «Эйдос».
В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров.
Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его модели.
Для решения этой задачи выполняются следующие этапы:
1) ввод в систему «Эйдос» изображений жужелиц и создание их математических моделей;
2) синтез и верификация моделей обобщенных образов насекомых по видам на основе контурных изображений конкретных жесткокрылых (многопараметрическая типизация);
3) повышение качества модели путем разделения классов на типичную и нетипичную части;
4) количественное определение сходства-различия конкретных видов жужелиц с обобщенными образами насекомых различных видов (системная идентификация);
5) количественное определение сходства-различия видов жужелиц, т.е. кластерно-конструктивный анализ обобщенных образов жужелиц.
Приведен численный пример успешного решения поставленной в статье задачи.
Применение
Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в энтомологии, но и в других областях, чему может способствовать и то, что система «Эйдос» разработана в универсальной постановке, не зависящей от предметной области, и размещена в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.
Материалы данной статьи могут быть использованы при проведении лабораторных работ по применению информационных технологий по дисциплинам, связанным с интеллектуальными технологиями, биологическими дисциплинами, представлением знаний и системами искусственного интеллекта.
Перспективы
Планируется решить методом АСК-анализа задачу классификации насекомых не только по видам, но и по отрядам.
Литература
1. Бондаренко А.С., Замотайлов А.С. Пространственно-временная дифференциация некоторых массовых видов жужелиц (Coleoptera, Carabidae) нагорной части Северо-Западного Кавказа // Вестник Адыгейского государственного университета. Серия «Естественно-математические и технические науки». 2011. 4(91). С. 73-83.
2. Жесткокрылые насекомые (Insecta, Coleoptera) Республики Адыгея (аннотированный каталог видов) (Конспекты фауны Адыгеи. №1) / Под ред. А.С. Замотайлов и Н.Б. Никитского. - Майкоп: Издательство Адыгейского государственного университета, 2010. - 404 с.
3. Жеребцов А.К. Определитель жужелиц Республики Татарстан. Казань, 2000 - 74 с.
4. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp?id=18632909
5. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос". Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217
6. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220
7. Луценко Е.В. Синтез адаптивных интеллектуальных измерительных систем с применением АСК-анализа и системы «Эйдос» и системная идентификация в эконометрике, биометрии, экологии, педагогике, психологии и медицине / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1 - 60. - IDA [article ID]: 1161602001. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 у.п.л.
8. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.
9. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 у.п.л.
10. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №07(111). С. 334 - 362. - IDA [article ID]: 1111507019. - Режим доступа:http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 у.п.л.
11. Луценко Е.В. Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 138 - 167. - IDA [article ID]: 1101506009. - Режим доступа: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 у.п.л.
12. Луценко Е.В. Решение задач ампелографии с применением АСК-анализа изображений листьев по их внешним контурам (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 862 - 910. - IDA [article ID]: 1121508064. - Режим доступа:http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 у.п.л.
13. Луценко Е.В. Идентификация типов и моделей самолетов путем АСК-анализа их силуэтов (контуров) (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №10(114). С. 1316 - 1367. - IDA [article ID]: 1141510099. - Режим доступа: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 у.п.л.
14. Луценко Е.В. Количественное измерение сходства-различия клонов винограда по контурам листьев с применением АСК-анализа и системы «Эйдос» / Е.В. Луценко, Л.П. Трошин, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1205 - 1228. - IDA [article ID]: 1161602077. - Режим доступа: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 у.п.л.
15. Луценко Е.В. Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа / Е.В. Луценко, С.В. Швец, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №03(117). С. 838 - 872. - IDA [article ID]: 1171603055. - Режим доступа: http://ej.kubagro.ru/2016/03/pdf/55.pdf, 2,188 у.п.л.
16. Луценко Е.В. Определение типа и модели стрелкового нарезного оружия по боеприпасам методом АСК-анализа / Е.В. Луценко, С.В. Швец // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №04(118). С. 1 - 40. - IDA [article ID]: 1181604001. - Режимдоступа: http://ej.kubagro.ru/2016/04/pdf/01.pdf, 2,5 у.п.л.
17. 15. Каркищенко А.Н., Лепский А.Е., Безуглов А.В. Об одном способе векторного и аналитического представления контура изображения. http://cyberleninka.ru/article/n/ob-odnom-sposobe-vektornogo-i-analiticheskogo-predstavleniya-kontura-izobrazheniya
Размещено на Allbest.ru
...Подобные документы
Природно-климатическая характеристика района исследования. Методы учёта и сбора жужелиц. Методы анализа структуры населения жужелиц. Видовой состав. Экологические группы жужелиц по биотопическому преферендуму, степени увлажнения предпочитаемых биотопов.
курсовая работа [1,2 M], добавлен 13.03.2009Морфологическая характеристика жужелицы. Фауна и население жужелиц таежных лесных экосистем и урбанизированной природной зоны. Основной видовой состав жужелиц п. Тарногский городок. Сравнительная характеристика населения жужелиц п. Тарногский городок.
дипломная работа [1,6 M], добавлен 07.10.2016Изучение жужелиц как компонента почвенной мезофауны. Исследование морфологических и биолого-экологических особенностей жуков жужелиц. Характеристика видового разнообразия, численности населения и доминирующих видов карабидофауны в условиях города Вологды.
дипломная работа [186,1 K], добавлен 07.10.2016Строение органа чистки антенн у изученных видов жужелиц. Характеристика средних и задних голеней. Изучение микроскопического строения чистящего аппарата. Особенности груминга у разных видов. Чистящие структуры на задних конечностей у самцов и самок.
дипломная работа [6,6 M], добавлен 23.01.2018Эколого-фаунистическая характеристика карабидокомплексов в районе завода ОАО "Резинотехника" города Саранска. Зоогеографический и экологический состав фауны жужелиц промышленной территории. Спектр жизненных форм фауны жужелиц исследуемого региона.
курсовая работа [33,0 K], добавлен 10.06.2014Хищники, паразиты и другие организмы, опасные для насекомых и влияющие на их численность: жуки семейства Жужелиц, божьи коровки, стафилины, жуки-мягкотелки, златоглазки, стрекозы, журчалки, мухи-тахины, хищные клопы, ктыри, толкунчики, пауки и сенокосцы.
презентация [1,5 M], добавлен 26.11.2016Биологическое разнообразие жуков в районе поселка Борок, прилегающего к Рыбинскому водохранилищу, его анализ и оценка. Влияние типа биотопа на видовой состав и численность жуков. Суточная динамика биологического разнообразия видов и семейств жуков.
контрольная работа [22,9 K], добавлен 28.09.2010Изучение видового состава, особенностей гнездования некоторых видов сов в Брестской области. Исследование различных видов сов в биотопах с разной степенью антропогенной нагрузки, репродуктивные показатели, динамика роста численности популяции, поведение.
дипломная работа [12,9 M], добавлен 28.05.2010Характеристика насекомых России, особенностей инвентаризации фауны дневных чешуекрылых Костромской области. Особенности жизнедеятельности насекомых. Исследование жужелицы, как биоиндикатора в агроценозах. Размерно-весовые показатели дождевых червей.
реферат [22,7 K], добавлен 12.04.2010Чарльз Дарвин - основоположник теории эволюции. Книга Дарвина "Происхождение видов путем естественного отбора, или сохранение благоприятных рас в борьбе за жизнь". Причины и формы борьбы за существование. Наследственная изменчивость в эволюции видов.
реферат [126,8 K], добавлен 27.02.2009Тараканы: систематика, география видов, жизненный цикл, возрастные различия, уникальные особенности. Разновидности мух и их характеристика. Муравьи и их воздействие на человека. Строение и образ жизни жуков. Меры борьбы с синантропными насекомыми.
курсовая работа [485,1 K], добавлен 22.05.2016Обзор изученности фауны и экологии водных жесткокрылых насекомых Северо-западного Кавказа. Анализ распределения жуков надсемейства Hydrophiloidea по типам пресных водоемов Адыгеи. Характеристика водных жуков данного семейства и их трофических связей.
курсовая работа [1,2 M], добавлен 28.06.2015Насекомые как самый многочисленный класс животных, важный элемент пищевых пирамид, анализ видов: прямокрылые, равнокрылие. Характеристика насекомых, причиняющих ущерб человеку: комары, осы. Знакомство с насекомыми, повреждающими корневую систему растений.
реферат [2,5 M], добавлен 22.11.2014Физико-географическая характеристика Тихорецкого района, географическое положение, рельеф и климат. Фитоценотическая приуроченность видов рода Полынь. Встречаемость и верность видов полыни. Растительные ассоциации с участием различных видов полыни.
курсовая работа [3,8 M], добавлен 09.09.2015Общие понятия о насекомых, особенности их жизнедеятельности, среда обитания и роль в природе. Насекомые, занесённые в Красную книгу Пермского края. Создание энтопарков для охраны шестиногих: шмелей, диких пчёл, ос, редких видов жуков, бабочек и стрекоз.
контрольная работа [29,4 K], добавлен 02.01.2011Палеоген, неоген, антропоген. Распространение новых видов цветковых растений и опылявших их насекомых. Расцвет травоядных млекопитающих. Эпоха великого оледенения. Образование обширных степей. Геологические преобразования, расселение видов и подвидов.
презентация [6,9 M], добавлен 03.03.2015Особенности фенологии развития отдельных видов насекомых-минеров. Минеры как экологическая группа растительноядных насекомых, вредителей деревьев. Видовой состав и частота встречаемости насекомых-минеров. Количество поврежденных листьев насекомыми.
курсовая работа [103,6 K], добавлен 17.11.2014Изучение видового состава, экологической и трофической структуры рода Mycena на территории Вологодской области. Анализ распространения видов по типам местообитаний. Характеристика видов, редко встречающихся и охраняемых на территории регионов России.
дипломная работа [480,5 K], добавлен 17.06.2017Видовой состав насекомых-опылителей растений кальцефильной степи, консортивные связи между насекомыми-опылителями и растениями. Редкие виды насекомых, являющихся опылителями кальцефильных видов и рекомендации по их охране. Семейства опыляемых растений.
презентация [2,6 M], добавлен 17.05.2010Ареалы распространение палеарктических видов-двойников Drosophila группы virilis, обитающих в природных популяциях. Электрофоретический ключ для типировки взрослых особей. Ферменты, количество локусов, использованные для анализа видов-двойников Drosophila
курсовая работа [4,5 M], добавлен 18.02.2010
