Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа

Размещено на http://www.allbest.ru/

Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа

В криминалистике существует актуальная задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия. Предлагается 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 боеприпасов и создание их математических моделей; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) повышение качества модели путем разделения классов на типичную и нетипичную части; 4) количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация); 5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях

Ключевые слова: АСК-анализ, автоматизированный системно-когнитивный анализ, интеллектуальная система «Эйдос», многопараметрическая типизация, системная идентификация интеллектуальный анализ изображений

В криминалистике существует актуальная задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия.

Традиционный подход и его недостатки

Традиционно установление типа и назначения боеприпаса при производстве криминалистических экспертиз осуществляется методом визуального сравнения патрона с имеющимися в распоряжении эксперта справочными данным. В качестве таких данных используют различные книги-справочники, а так же справочные коллекции патронов, созданные на базе Экспертно-криминалистического центра МВД России и региональных пулегильзотек на базе экспертно-криминалистических подразделений МВД, ГУВД, УВД.

Кроме этого в рамках ведения криминалистических учетов в системе МВД России имеется автоматизированная информационно-справочная система «Выстрел» [1], содержащая информацию в том числе и о боеприпасах к пистолетам, револьверам, пистолетам-пулеметам, винтовкам, карабинам, автоматам, охотничьим ружьям. Поиск боеприпасов в данной системе осуществляется по 30 количественным признакам.

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 боеприпасов;

б) в случае автоматизированного сравнения с использованием АИСС «Выстрел»:

- необходимость проводить ручные измерения патронов с помощью измерительных инструментов для получения количественных значений критериев для конкретного боеприпаса;

- ограниченная доступность (невозможность использования данной АИСС вне рамок системы МВД РФ и, как следствие, невозможность использования данной АИСС в учебном и научно-исследовательском процессе для подготовки специалистов в области информатики и юриспруденции в гражданских ВУЗах);

- отсутствие возможности самостоятельно формировать, расширять и совершенствовать базы данных с учетом потребностей конкретного пользователя (эксперта);

- отсутствие возможности производства исследований в моделируемой области;

- 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».

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]. В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров [5]. 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 [6, 7].

Имеющийся задел

У авторов имеется научный задел и опыт успешного решения подобных задач в других предметных областях [2-12].

Исходные данные

В качестве исходных данных для решения поставленной задачи использовались сканированные на светлом фоне с одинаковым разрешением изображения боеприпасов (в снаряженном состоянии) стрелкового нарезного оружия различных типов: автоматов (рисунок 1), винтовок (рисунок 2), оружия крупного калибра (рисунок 3) и пистолетов (рисунок 4) производства различных стран:

Рисунок 1 Боеприпасы автоматов

Рисунок 2 Боеприпасы винтовок



Рисунок 3 Боеприпасы оружия крупного калибра

Рисунок 4 Боеприпасы пистолетов

Первая итерация

Для решения поставленной задачи выполним следующие этапы:

1) ввод в систему «Эйдос» изображений боеприпасов и создание их математических моделей;

2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);

3) повышение качества модели путем разделения классов на типичную и нетипичную части;

4) количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация);

5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.

Автоматический ввод изображений боеприпасов в систему «Эйдос»

Запишем в папку ..\AID_DATA\Inp_data\ сканированные изображения боеприпасов (рисунок 5):

Рисунок 5 Экранная форма, поясняющая расположение и структуру исходных данных: сканированных изображений боеприпасов оружия различных типов

Изображения боеприпасов помещены в папки, имена которых содержат информацию о типе оружия (слева). Внутри каждой папки (справа) содержатся файлы сканированных изображений боеприпасов оружия соответствующего типа. Имена файлов состоят из имени типа оружия и номера файла внутри папки (номер реализации). В рассматриваемом примере в обучающей выборке используются изображения 64 конкретных видов боеприпасов.

Затем запустим режим: 2.3.2.4. «Оцифровка изображений по их внешним контурам» (рисунок 6). Вместо описания данного режима приведем на рисунке 7 его Help.

В результате появляется главная экранная форма, отображающая процесс оцифровки сканов боеприпасов, расположенных в виде файлов в указанных выше папках (рисунок 8).



Рисунок 6 Начальная экранная форма режима 2.3.2.4. Оцифровка изображений по их внешним контурам

Рисунок 7 Help режима 2.3.2.4. Оцифровка изображений по их внешним контурам

Рисунок 8 Экранная форма с отображением стадии процесса исполнения оцифровки изображений боеприпасов по их внешним контурам

Данный режим:

1. Находит все поддиректории в папке: ..\AID_DATA\Inp_data\ 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 при различных углах поворота радиуса-вектора (эта идея, а также математическая модель и алгоритм ее реализации предложены проф.Е.В.Луценко в 2014 и реализованы в модуле 2.3.2.4 и режиме 4.7 системы «Эйдос» в 2015 году). При этом структура поддиректорий и имена файлов в папках: ..\AID_DATA\Inp_data\ и ..\AID_DATA\Out_data\ совпадают. Пример контурного изображения боеприпаса приведен ниже на рисунке 9:

Рисунок 9 Пример контурного изображения боеприпаса: c:\Aidos-X\AID_DATA\Out_data\Автоматы\Автомат-004.jpg

4. 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 (рисунок 7). 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 10:



Рисунок 10 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 11, причем на ней показаны нужные параметры, которые формируются режимом 2.3.2.4 как параметры по умолчанию:



Рисунок 11Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

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 [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 12):

Рисунок 12 Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

В это форме задано 20 интервальных значений (градаций) в описательных шкалах, а татем 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 база событий (эвентологическая база данных) (рисунок 13):

Рисунок 13 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 также 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.

Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)

Далее запускается режим 3.5, обеспечивающий синтез и верификацию (оценку достоверности) моделей (рисунок 14):



Рисунок 14 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) (рисунки 15 и 16) [7]:

Рисунок 15 Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям



Рисунок 16 Экранная форма отображения стадии исполнения режима синтеза и верификации моделей

Из рисунка 16 видно, что процесс синтеза и верификации моделей на выборке из 64 боеприпасов занял 6 минут 32 секунды.

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 17 и 18).

Рисунок 17 Оценка достоверности моделей, созданных на 1-й итерации, с помощью непараметрической метрики, сходной с F-критерием



Рисунок 18 Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 17 мы видим, что наиболее достоверная модель, основанная на критерии ч² [7], дает среднюю достоверность определения типа оружия по боеприпасу около 91%, причем достоверность правильного отнесения боеприпаса к типу оружия составляет более 98%, а правильного не отнесения к типу оружия, к которому он не относится - около 83%. Повышение качества модели путем разделения классов на типичную и нетипичную части. В соответствии со схемой, приведенной на рисунке 15, и информацией по достоверности моделей, приведенной на рисунке 17, в режиме 5.6 системы «Эйдос» зададим системно-когнитивную модель INF3 в качестве текущей и проведем в этой модели пакетную идентификацию в режиме 4.1.2:

Рисунок 19 Экранная форма, позволяющая задать любую модель в качестве текущей



Рисунок 20 Экранная форма с отображением этапов и стадии решения задачи классификации конкретных боеприпасов с обобщенными образами боеприпасов по типам оружия

Из данной экранной формы видно, что идентификация 64 боеприпаса с обобщенными образами 4-х типов оружия выполнена за 10 секунд.

Запустим режим 3.7, обеспечивающий повышение достоверности модели путем разделения классов на типичную и нетипичную части (рисунок 21):

Рисунок 21 Экранная форма режима повышения достоверности модели путем разделения классов на типичную и нетипичную части

Вместо описания данного режима приведем его Help (рисунок 22):



Рисунок 22 Help режима повышения достоверности модели путем разделения классов на типичную и нетипичную части

Запустим данный режим с параметрами, приведенными на рисунке 21. В результате файл исходных данных Inp_data.dbf, сформированный режимом 2.3.2.4 при вводе изображения в систему «Эйдос», будет модифицирован таким образом, что для объектов (боеприпасов), которые приводили к ошибкам неидентифкации (т.к. эти объекты были нетипичными для тех классов, к которым они отнесены в обучающей выборке), создаются новые классы.

Чтобы создать модель второй итерации на основе этого модифицированного файла Inp_data.dbf запускаем режим 2.3.2.2 с параметрами, заданными по умолчанию (рисунок 23):



Рисунок 23 Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

Вторая итерация

Синтез и верификация моделей обобщенных образов боеприпасов по типам оружия (многопараметрическая типизация)

Затем, как и в первой итерации, запускаем режим 3.5, обеспечивающий синтез и верификацию модели. В результате получаем модель второй итерации с более высокой достоверностью, чем первая (рисунок 24):

Рисунок 24 Оценка достоверности моделей, созданных на 2-й итерации, с помощью непараметрической метрики, сходной с F-критерием



Сравнивая рисунки 17 и 24 видим, что лучшая модель та же, что и была, и ее средняя достоверность выросла примерно на 1 процент. Модель имеет 100% достоверность идентификации типа боеприпаса.

Количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация)

Для ввода изображений не в обучающую (для формирования модели), а в распознаваемую выборку для их последующей классификации, необходимо:

- поместить в поддиректорию: c:\Aidos-X\AID_DATA\Inp_data\ в какую-нибудь папку, например «Классифицируемые боеприпасы» изображения классифицируемых боеприпасов 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 11), но с опцией: «Генерация распознаваемой выборки (на основе файла Inp_rasp)» (рисунок 25);



Рисунок 25 Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2) с опцией ввода распознаваемой выборки

- выполнить режим 4.1.2. «Пакетное распознавание в текущей модели».

В результате в режиме 4.1.3.1 получим следующую выходную форму:

Рисунок 25 Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов

В подсистеме 4.1.3. «Вывод результатов распознавания» мы можем получить 10 различных выходных форм, наименования которых приведены на рисунке 26:



Рисунок 26 Наименования выходных форм системы «Эйдос» с результатами распознавания

Две из них, количественно отражающие степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов, приведены на рисунках 27 (режимы 4.1.3.1 и 4.1.3.3):

Рисунок 27 Степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов

Количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов

На рисунке 28 приведена одна из выходных форм, количественно отражающая степень сходства образа конкретного боеприпаса с обобщенными образами различных типов боеприпасов:

Рисунок 28 Степень сходства друг с другом обобщенных образов различных типов боеприпасов

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 29), а также информационные портреты обобщенных образов различных типов боеприпасов (рисунки 30):



Рисунок 29 Система описательных шкал и градаций системно-когнитивной модели 2-й итерации

Рисунок 30 Информационные портреты обобщенных образов различных типов боеприпасов в системно-когнитивной модели 2-й итерации

На рисунках 29 цветом показана ценность градаций описательных шкал для классификации конкретных боеприпасов по типам: красный цвет - максимальная ценность, фиолетовый - минимальная. На нижнем рисунке указана ценность всех градаций всех описательных шкал, а на верхнем для каждой шкалы оставлена только наиболее ценная градация.

На рисунках 30 цветом показана степень характерности и не характерности градаций шкал для различных типов боеприпасов: красный цвет - максимальная характерность, фиолетовый - минимальная.

В статье предложено решение актуальной для криминалистики задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия. 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 боеприпасов и создание их математических моделей;

2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация);

3) повышение качества модели путем разделения классов на типичную и нетипичную части;

4) количественное определение сходства-различия конкретных типов боеприпасов с обобщенными образами боеприпасов различных типов оружия (системная идентификация);

5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов.

Приведен численный пример успешного решения. Поставленной в статье задачи.

Планируется решить методом АСК-анализа задачу классификации боеприпасов не только по типам стрелкового нарезного оружия, но и по его конкретным маркам.

Описанная в статье технология синтеза и применения интеллектуальной измерительной системы может быть применена не только в криминалистике, 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 в криминалистике и по дисциплинам, связанным с интеллектуальными технологиями, представлением знаний и системами искусственного интеллекта.

когнитивный верификация оружие стрелковый

Литература

1. Криминалистика (учебник) / под ред. В.Д. Зеленского, Г.М. Меретукова. - СПб: «Юридический центр», 2015. - 704 с.

2. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с. http://elibrary.ru/item.asp?id=21745340

3. 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

4. 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

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

Literatura

1.Kriminalistika (uchebnik) / pod red. V.D. Zelenskogo, G.M. Meretukova. - SPb: «Juridicheskij centr», 2015. - 704 s.

2 Lucenko E.V. Teoreticheskie osnovy i tehnologija adaptivnogo semanticheskogo analiza v podderzhke prinjatija reshenij (na primere universal'noj avtomatizirovannoj sistemy raspoznavanija obrazov "JeJDOS-5.1"). - Krasnodar: KJuI MVD RF, 1996. - 280s. http://elibrary.ru/item.asp?id=21745340

3. Lucenko E.V. Universal'naja kognitivnaja analiticheskaja sistema «Jejdos". Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-830-0. http://elibrary.ru/item.asp?id=18271217

4. Orlov A.I., Lucenko E.V. Sistemnaja nechetkaja interval'naja matematika. Monografija (nauchnoe izdanie). - Krasnodar, KubGAU. 2014. - 600 s. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp?id=21358220

5. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №06(110). S. 138 - 167. - IDA [article ID]: 1101506009. - Rezhim dostupa: http://ej.kubagro.ru/2015/06/pdf/09.pdf, 1,875 u.p.l.

6. Lucenko E.V. Sintez adaptivnyh intellektual'nyh izmeritel'nyh sistem s primeneniem ASK-analiza i sistemy «Jejdos» i sistemnaja identifikacija v jekonometrike, biometrii, jekologii, pedagogike, psihologii i medicine / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1 - 60. - IDA [article ID]: 1161602001. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/01.pdf, 3,75 u.p.l.

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

8. Lucenko E.V. Cistemno-kognitivnyj analiz izobrazhenij (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2009. - №02(046). S. 146 - 164. - Shifr Informregistra: 0420900012\0017, IDA [article ID]: 0460902010. - Rezhim dostupa: http://ej.kubagro.ru/2009/02/pdf/10.pdf, 1,188 u.p.l.

9. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz izobrazhenij po ih pikseljam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №07(111). S. 334 - 362. - IDA [article ID]: 1111507019. - Rezhim dostupa: http://ej.kubagro.ru/2015/07/pdf/19.pdf, 1,812 u.p.l.

10. Lucenko E.V. Reshenie zadach ampelografii s primeneniem ASK-analiza izobrazhenij list'ev po ih vneshnim konturam (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №08(112). S. 862 - 910. - IDA [article ID]: 1121508064. - Rezhim dostupa: http://ej.kubagro.ru/2015/08/pdf/64.pdf, 3,062 u.p.l.

11. Lucenko E.V. Kolichestvennoe izmerenie shodstva-razlichija klonov vinograda po konturam list'ev s primeneniem ASK-analiza i sistemy «Jejdos» / E.V. Lucenko, L.P. Troshin, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №02(116). S. 1205 - 1228. - IDA [article ID]: 1161602077. - Rezhim dostupa: http://ej.kubagro.ru/2016/02/pdf/77.pdf, 1,5 u.p.l.

12. Lucenko E.V. Identifikacija tipov i modelej samoletov putem ASK-analiza ih silujetov (konturov) (obobshhenie, abstragirovanie, klassifikacija i identifikacija) / E.V. Lucenko, D.K. Bandyk // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2015. - №10(114). S. 1316 - 1367. - IDA [article ID]: 1141510099. - Rezhim dostupa: http://ej.kubagro.ru/2015/10/pdf/99.pdf, 3,25 u.p.l.

Размещено на Allbest.ru

...