Главная Коллекция "Revolution" Программирование, компьютеры и кибернетика Автоматизированный системно-когнитивный анализ в агрономии

Автоматизированный системно-когнитивный анализ в агрономии

Сущность автоматизированного системно-когнитивного анализа. Последовательность преобразования данных в информацию, интегральные критерии, принятие управляющих решений. Синтез статистических, системно-когнитивных моделей. Формы решения задачи SWOT-анализа.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 27.02.2018
Размер файла 3,6 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/

Автоматизированный системно-когнитивный анализ в агрономии

06.01.00 Агрономия

Луценко Е.В.

д.э.н., к.т.н., профессор

Агрономические системы с полным основанием могут рассматриваться как сложные нелинейные многопараметрические природно-технические системы. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, например с применением математического аппарата теории автоматического управления. Вследствие этого, разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Обычно рассматриваются линейные однофакторные модели агрономических систем, тогда как для практики необходимы нелинейные многопараметрические модели. Таким образом, на лицо проблема, которую предлагается решать с применением феноменологических содержательных системно-когнитивных моделей. Эти модели создаются в автоматизированном системно-когнитивном анализе (АСК-анализ) с применением интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных и применяются для решения задач прогнозирования, поддержки принятия решений и исследования моделируемой предметной области. При этом эмпирические данные могут быть большой размерности, неполными (фрагментированными), зашумленными, представленными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Сопоставимость обработки разнородных данных обеспечивается тем, что они все преобразуются в единицы измерения количества информации. Приводится численный пример

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК-АНАЛИЗ СИСТЕМА «ЭЙДОС»

СОДЕРЖАНИЕ

  • Введение (Introduction)
  • 1. Материалы и методы (Materials and methods)
    • 1.1 Идея и концепция решения проблемы (задача 1)
    • 1.2 Обоснование выбора метода и инструмента решения проблемы (задача 2)
      • 1.2.1 Суть метода АСК-анализа
      • 1.2.2 Суть математической модели АСК-анализа и частные критерии
      • 1.2.3 Интегральные критерии и принятие управляющих решений
    • 1.3 Применение системы «Эйдос»для создания интеллектуального приложения (задача 3)
      • 1.3.1 Когнитивно-целевая структуризация предметной области
      • 1.3.2 Формализация предметной области и описание исходных данных
      • 1.3.3 Синтез статистических и системно-когнитивных моделей
      • 1.3.4 Верификация статистических и системно-когнитивных моделей
      • 1.3.5 Повышение качества модели
      • 1.3.6 Выбор наиболее достоверной модели и присвоение ей статуса текущей
  • 2. Результаты и обсуждение (Results and discussion)
    • 2.1 Диагностика (классификация, распознавание, идентификация) (задача 3)
    • 2.2 Исследование предметной области путем исследования ее модели (задача 3)
      • 2.2.1 Нелокальные нейроны и нейронные сети
      • 2.2.2 Когнитивные диаграммы классов
      • 2.2.3 Когнитивные диаграммы значений факторов
      • 2.2.4 Когнитивные диаграммы содержательного сравнения классов
      • 2.2.5 Когнитивные диаграммы содержательного сравнения значений факторов
      • 2.2.6 Интегральные когнитивные карты
      • 2.2.7 Когнитивные функции
    • 2.3 Поддержка принятия решений (задача 3)
  • 3. Выводы (Conclusions)
    • 3.1 Эффективность предложенного решения проблемы (задача 4)
    • 3.2 Заключение
  • 4. Благодарности (Acknowledgements)
  • Список литературы (References)

Введение (Introduction)

Агрономические системы с полным основанием могут рассматриваться как сложные нелинейные многопараметрические природно-технические системы [1]. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, например с применением математического аппарата теории автоматического управления. Вследствие этого разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Обычно рассматриваются линейные однофакторные модели агрономических систем, тогда как для практики необходимы нелинейные многопараметрические модели.

Таким образом на лицо проблема, которую предлагается решать с применением феноменологических содержательных системно-когнитивных моделей. автоматизированный когнитивный анализ информация

Эти модели создаются в автоматизированном системно-когнитивном анализе (АСК-анализ) с применением интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных и применяются для решения задач прогнозирования, поддержки принятия решений и исследования моделируемой предметной области.

При этом эмпирические данные могут быть большой размерности, неполными (фрагментированными), зашумленными, представленными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Сопоставимость обработки разнородных данных обеспечивается тем, что они все преобразуются в единицы измерения количества информации.

Поэтому целью работы является разработка метода системно-когнитивного моделирования агрономических систем.

Для достижения поставленной цели необходимо решить ряд задач, являющихся этапами достижения цели и получаются путем ее декомпозиции:

Задача 1: сформулировать идею и концепцию решения проблемы;

Задача 2: обосновать выбор метода и инструмента решения проблемы;

Задача 3: применить выбранный метод и инструмент для решения поставленной проблемы, для чего выполнить следующие этапы:

3.1. Когнитивная структуризация предметной области.

3.2. Формализация предметной области.

3.3. Синтез и верификация модели.

3.4. Повышение качества модели и выбор наиболее достоверной модели.

3.5. Решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Задача 4: описать эффективность предложенного решения проблемы.

Ниже кратко рассмотрим подходы к решение из этих задач.

2. Материалы и методы (Materials and methods)

1.1 Идея и концепция решения проблемы (задача 1)

Идея решения проблемы состоит в применении для этой цели современных IT-технологий, особенно интеллектуальных технологий.

Концепция решения проблемы конкретизирует сформулированную выше идею и заключается в применении технологий искусственного интеллекта для создания приложений, обеспечивающих системно-когнитивное моделирование агрономических систем.

Суть предлагаемой концепции состоит в применении теории информации для того, чтобы рассчитать какое количество информации содержится в тех или иных значениях природных, технологических и конструктивных факторов о том, что моделируемая система перейдет в то или иное будущее состояние, соответствующее определенному классу [2].

При этом будущие состояния объекта моделирования могут характеризоваться как его объективно-наблюдаемыми физическими, химическими, биологическими свойствами, так и натуральными и финансово-экономическими параметрами эффективности, типа количества и качества продукции, прибыль и рентабельность.

Считается, что объект моделирования перейдет в то будущее состояние, о переходе в которое в действующей на него системе значений факторов содержится наибольшее количество информации.

Классы можно сравнивать друг с другом по тому, какое количество информации о принадлежности к ним содержат значения факторов.

1.2 Обоснование выбора метода и инструмента решения проблемы (задача 2)

Автоматизированный системно-когнитивный анализ (АСК-анализ) разработан проф. Е.В. Луценко в 2002 году [3] для решения широкого класса задач идентификации, прогнозирования, классификации, диагностики, поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели. АСК-анализ имеет программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос» (система «Эйдос») [4]. Система «Эйдос» разработана автором проф.Е.В.Луценко в универсальной постановке не зависящей от предметной области и находится в полном открытом бесплатном доступе на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm, причем с открытыми актуальными исходными текстами: http://lc.kubagro.ru/_AIDOS-X.txt. Система имеет 30 встроенных локальных учебных приложений и около 100 облачных Эйдос-приложений учебного и научного характера [5, 21, 22] http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf .

1.2.1 Суть метода АСК-анализа

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области (рис. 1, 2):

Рисунок 1. О соотношении содержания понятий: «данные», «информация» и «знания» в АСК-анализе

Рисунок 2. Последовательность преобразования данных в информацию, а ее в знания в системе «Эйдос»

1.2.2 Суть математической модели АСК-анализа
и частные критерии

Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [3, 6] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых (нелинейных) данных [1], представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [2].

Суть математической модели АСК-анализа состоит в следующем.

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

Представим себе, что факторам соответствуют оси некоторого пространства, которое мы назовем пространством факторов. Факторы будем называть описательными шкалами [2].

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

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

Рисунок 3. Конформное отображение (пример) Источник: http://matlab.exponenta.ru/imageprocess/book2/images_38/image004.jpg

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

Причины этого просты и очевидны.

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

Если говорить о пространстве факторов и пространстве состояний объекта моделирования, то это означает, что все они должны измеряться в некоторых количественных единицах измерения и должны быть независимы друг от друга, т.е. объект моделирования должен быть линейным [1] а количество описательных классификационных шкал должно быть одинаковым.

В нашем же случае пространство факторов и пространство состояний объекта моделирования в общем случае являются неметрическими неортонормированными пространствами, т.е. могут иметь оси, являющиеся не только числовыми шкалами, но и порядковыми, и даже номинальными [2], и эти оси могут быть не взаимно-перпендикулярными друг к другу [2], а количество этих осей в пространстве факторов и пространстве состояний может быть разным.

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

В нашем же случае:

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

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

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

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

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

Для этого необходимо преобразовать номинальные и порядковые шкал в один тип шкал: числовой, и всех шкал в одну единицу измерения. Это преобразование измерительных шкал называется «метризация» [2].

В качестве этой единицы измерения нами выбрана единица измерения количества информации [1-6]. Иначе говоря в математической модели АСК-анализа мы рассчитываем, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния [2]. Причем делается это непосредственно на основе эмпирических данных, которые могут быть большой размерности, фрагментированы, зашумлены и взаимозависимы.

Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (таблица 1).

Таблица 1 - Матрица абсолютных частот

Классы

Сумма

1

...

j

...

W

Значения факторов

1

...

i

...

M

Суммарное количество

Признаков по классу

Суммарное количество объектов обучающей выборки по классу

На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).

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

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

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

Таблица 2 - Матрица условных и безусловных процентных распределений

Классы

Безусловная

вероятность

признака

1

...

j

...

W

Значения факторов

1

...

i

...

M

Безусловная

вероятность

класса

Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3 рассчитываются матрицы системно-когнитивных моделей (таблица 4).

Таблица 3 - Различные аналитические формы частных критериев знаний

Наименование модели знаний
и частный критерий

Выражение для частного критерия

через относительные частоты

через абсолютные частоты

ABS, матрица абсолютных частот

---

PRC1, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество признаков по классу

---

PRC2, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество объектов обучающей выборки по классу

---

INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак

INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.

INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами

---

INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу

INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу

INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу

INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу

Обозначения к таблице 3:

i - значение прошлого параметра;

j - значение будущего параметра;

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

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

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

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

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

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

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

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

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

Таблица 4 - Матрица системно-когнитивной модели

Классы

Значимость

фактора

1

...

j

...

W

Значения факторов

1

...

i

...

M

Степень

редукции

класса

Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников [2].

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями), решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели [1-6].

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

2.2.3 Интегральные критерии и принятие управляющих решений

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

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

- сумма знаний;

- резонанс знаний.

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

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

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

,

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

- вектор состояния j-го класса;

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

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

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

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

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- вектор состояния j-го класса;

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

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

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

Система «Эйдос» обеспечивает построение информационно-измерительных систем в различных предметных областях. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.

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 системно-когнитивной модели.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария интеллектуальной системы «Эйдос» [4] в качестве инструментария решения поставленной проблемы.

1.3 Применение системы «Эйдос»для создания интеллектуального приложения (задача 3)

Для этого в качестве примера для создания интеллектуального приложения в области агрономии рассмотрим фирму, занимающуюся производством и переработкой сельскохозяйственной различной продукции, находящуюся в Краснодарском крае. Из всех видов продукции, производимых фирмой, для исследования мы выбрали озимую пшеницу. Необходимо отметить, что как выбор для исследования фирмы определенного направления деятельности, так и выбор конкретного вида продукции фирмы, является непринципиальным с точки зрения разрабатываемой методики, т.е. все разрабатываемые интеллектуальные технологии применимы и для фирм с другими направлениями и объемами деятельности и другими видами продукции и услуг.

Решение задачи 3 предполагает выполнение следующих этапов, стандартных для АСК-анализа:

- когнитивная структуризация предметной области;

- формализация предметной области;

- синтез и верификация модели;

- повышение качества модели и выбор наиболее достоверной модели

- решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Все эти этапы АСК-анализа, за исключением 1-го, автоматизированы в системе «Эйдос». Рассмотрим их в порядке исполнения в новой версии системы «Эйдос», основываясь на работе [7].

1.3.1 Когнитивно-целевая структуризация предметной области

На этом этапе мы должны решить, что будем рассматривать как факторы, а что как результаты их действия. Это единственный неформализованный и не реализованный программно в системе «Эйдос» этап АСК-анализа.

На этом этапе было решено рассматривать:

в качестве следствий, т.е. классов - основные результирующие хозяйственные и экономические показатели деятельности фирмы:

Урожайность (ц/га).

Качество.

Прибыль (тыс.руб./га).

Прибыль (тыс.руб/поле).

Удельная прибыль (тыс.у.е./поле).

Удельная прибыль (у.е./га).

в качестве причин (факторов): - различные агротехнологические факторы:

Площадь поля (га) .

Сорт озимой пшеницы.

Предшественник 1 год назад.

Предшественник 2 года назад.

Предшественник 3 года назад.

Предшественник 4 года назад.

Предшественник 5 лет назад.

Предшественник 6 лет назад.

Предшественник 7 лет назад.

Предшественник 8 лет назад.

Предшественник 9 лет назад.

Предшественник 10 лет назад.

Обработка почвы (способ и глубина (см))

Посев (способ и норма высева (кг/га))

Основные внесенные удобрения (кг/га д.в.)

Борьба с вредителями (препарат и доза)

Борьба с сорняками (препарат и доза)

Подкормка при севе

1-я подкормка

2-я подкормка

3-я подкормка

Микро и макро элементы (снижение стресса)

Борьба с болезнями (препарат и доза).

1.3.2 Формализация предметной области и описание исходных данных

Формализация предметной области включает конструирование классификационных и описательных шкал и градаций и кодирование исходных данных с их применением, т.е. подготовку обучающей выборки.

В системе «Эйдос» эта работа полностью автоматизирована в универсальном программном интерфейсе ввода данных из внешних баз данных.

Исходные данные имеют вид (таблица 5):

Таблица 5 - Excel-файл исходных данных

Таблица исходных данных приведена с высоким разрешением (1200 dpi) и вполне читабельна при масштабе просмотра 500%. В виде Excel-файла она находится на FTP-сервере облачных Эйдос-приложений по ссылке: http://aidos.byethost5.com/Source_data_applications/Applications-000006/Inp_data.xls.

Для установки данного приложения можно воспользоваться либо приведенной выше ссылкой для скачивания файла исходных данных (в этом случае его надо записать в папку: ..\Aidos-X\AID_DATA\Inp_data\Inp_data.xls), либо установить это приложение средствами системы «Эйдос». Для этого в диспетчере приложений системы «Эйдос» (режим 1.3) нужно скачать и установить облачное Эйдос-приложение с этим файлом исходных данных (оно является 6-м в каталоге) (рисунок 4):

Рисунок 4. Экранная форма каталога облачных Эйдос-приложений

Для ввода этих исходных данных в систему «Эйдос» используем режим 2.3.2.2 с указанными параметрами (рисунок 5):

Рисунок 5. Экранная форма универсального программного интерфейса
импорта данных в систему «Эйдос»

Таблица 5 полностью соответствует требованиям этого программного интерфейса, описанным в его Help (рисунок 6):

Рисунок 6. HELP универсального программного интерфейса
импорта данных в систему «Эйдос»

Отметим, что действующие факторы и их конкретные значения описываются колонками 8-30 файла исходных данных (описательные шкалы), приведенного в таблице 1, а результаты действия этих факторов - колонками 2-7 (классификационные шкалы).

В данном случае в таблице исходных данных есть и текстовые, и числовые классификационные и описательных шкалы.

При нажатии на 'OK' на экранной форме, представленной на рисунке 4, система «Эйдос» загружает Excel-файл исходных данных, анализирует его и выводит экранную форму внутреннего калькулятора, представленную на рисунке 7:

Рисунок 7. Внутренний калькулятор универсального программного
интерфейса импорта данных в систему «Эйдос»

При выходе на создание модели происходит нормализаций базы исходных данных и формирование обучающей выборки (базы событий). Стадия исполнения и его результаты отражены на экранной форме, приведенной на рисунке 8.

Рисунок 8. Отчет о формируемых классификационных
и описательных шкалах и градациях

Из этой экранной формы видно, что ввод в систему «Эйдос» исходных данных занял 2 секунды.

Ниже приведены классификационные и описательные шкалы и градации (таблицы 6 и 7), а также обучающая выборка (рисунок 9):

Таблица 6 - Классификационные шкалы и градации

KOD_CLS

NAME_CLS

1

УРОЖАЙНОСТЬ(Ц/ГА)-1/3-{32.1000000, 45.9333333}

2

УРОЖАЙНОСТЬ(Ц/ГА)-2/3-{45.9333333, 59.7666667}

3

УРОЖАЙНОСТЬ(Ц/ГА)-3/3-{59.7666667, 73.6000000}

4

КАЧЕСТВО-1 класс

5

КАЧЕСТВО-2 класс

6

КАЧЕСТВО-3 класс

7

КАЧЕСТВО-4 класс

8

КАЧЕСТВО-5 класс

9

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-1/3-{1.6000000, 7.7666667}

10

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-2/3-{7.7666667, 13.9333333}

11

ПРИБЫЛЬ (ТЫС.РУБ./ГА)-3/3-{13.9333333, 20.1000000}

12

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-1/3-{126.0000000, 973.6000000}

13

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-2/3-{973.6000000, 1821.2000000}

14

ПРИБЫЛЬ (ТЫС.РУБ/ПОЛЕ)-3/3-{1821.2000000, 2668.8000000}

15

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-1/3-{4.2190000, 41.4893333}

16

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-2/3-{41.4893333, 78.7596667}

17

УДЕЛЬНАЯ ПРИБЫЛЬ (ТЫС.У.Е./ПОЛЕ)-3/3-{78.7596667, 116.0300000}

18

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-1/3-{57.4757282, 329.6112698}

19

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-2/3-{329.6112698, 601.7468113}

20

УДЕЛЬНАЯ ПРИБЫЛЬ (У.Е./ГА)-3/3-{601.7468113, 873.8823529}

Таблица 7 - Описательные шкалы и градации

Страница:


Подобные документы

  • Библиотека методов когнитивного анализа задач

    Предмет и этапы когнитивного анализа задач, его основные методы и их реализация на псевдокодовом языке. Виды факторов, использующихся при когнитивном моделировании систем. Предъявляемые к библиотеке требования, оценка ее экономической эффективности.

    дипломная работа [1,3 M], добавлен 29.01.2013

  • Предметная область информатики

    Современный взгляд на предмет информатики и ее образовательной области. Формирование системно-информационного подход к анализу окружающего мира. Информационные процессы и средства получения, преобразования, передачи, хранения и использования информации.

    реферат [10,1 K], добавлен 03.09.2009

  • Разработка базы данных для объекта автоматизации: отдела обработки заказов сотовых телефонов

    Системно-комплексный анализ выбранного объекта автоматизации. Структура пользовательского интерфейса автоматизированной системы. Функциональный аспект информационной страты объекта. Концептуальная модель базы данных. Нормализация полученных отношений.

    курсовая работа [64,9 K], добавлен 25.02.2014

  • Имитационное моделирование как средство решения проблем бизнеса

    История появления имитационного моделирования. Его парадигмы: агентная, дискретно-событийная и системно-динамическая. Принципы системной динамики. Достоинства и недостатки ИМ. Реализация модели "Дрейфующая цель" с помощью систем "PowerSim" и "AnyLogic".

    курсовая работа [3,5 M], добавлен 13.10.2014

  • Принятие решений методом анализа иерархий

    Метод анализа иерархий. Система для хранения больших объемов информации является база данных. База данных в наибольшей степени удовлетворяет всем выделенным критериям. Она обеспечивает быстрый поиск нужной информации (оперативность).

    контрольная работа [326,9 K], добавлен 10.06.2004

  • Разработка автоматизированного рабочего места технолога-программиста для предприятия НПО "Берег"

    Создание автоматизированного рабочего места подготовки управляющих программ для станков с ЧПУ. Технологическая сущность и формализация алгоритма задачи; техническое и программное обеспечение АРМ. Организация оптимальных условий труда программиста; смета.

    дипломная работа [2,4 M], добавлен 22.05.2013

  • Оперативный и интеллектуальный анализ

    Классификация методов анализа по группам. Сбор и хранение необходимой для принятия решений информации. Подготовка результатов оперативного и интеллектуального анализа для эффективного их восприятия потребителями и принятия на её основе адекватных решений.

    контрольная работа [93,2 K], добавлен 15.02.2010

  • Компьютерное моделирование графического решения матричных игр

    Принятие решений в условиях неопределенности. Классические и производные критерии принятия решений. Критерии Байеса-Лапласа, Сэвиджа, Гурвица, Ходжа-Лемана и Гермейра. Графоаналитический метод решения матричных игр. Основные элементы матрицы решений.

    контрольная работа [1,4 M], добавлен 26.04.2012

  • Теоретические основы и методы системного анализа, оптимизации, управления, принятия решений и обработки информации

    Системы и задачи их анализа. Методы системного анализа: аналитические; математические. Сущность автоматизации управления в сложных системах. Структура системы с управлением, пути совершенствования. Цель автоматизации управления. Этапы приятия решений.

    реферат [324,3 K], добавлен 25.07.2010

  • Обработка статистических данных по файлу

    Описание решения задачи, ее постановка, общий подход к решению. Представление исходных данных, условий задачи и целей ее решения. Составление алгоритма решения поставленной задачи. Написание программного обеспечения и тестирование конечного продукта.

    курсовая работа [1,1 M], добавлен 03.07.2011

  • Применение теории игр для оптимизации принимаемых решений

    Теория математических моделей принятия оптимальных решений. Принятие решения в условиях неопределённости. Критерий пессимизма-оптимизма Гурвица, минимаксного риска Сэвиджа, Ходжа-Лемана. Разработка программного приложения. Программная среда разработки.

    дипломная работа [999,7 K], добавлен 23.04.2015

  • Проектирование микропроцессорной системы для идентификации объекта управления

    Анализ вариантов проектных решений и выбор на его основе оптимального решения. Синтез функциональной схемы микропроцессорной системы на основе анализа исходных данных. Процесс разработки аппаратного и программного обеспечения микропроцессорной системы.

    курсовая работа [469,1 K], добавлен 20.05.2014

  • Основы системы автоматизированного проектирования

    Системный подход как метод анализа объектов в процессе проектирования, задачи: принятия оптимального решения, разбиение задачи на части. Анализ требований, предъявляемых к проектам технических систем: эргономические, патентно-правовые, экономические.

    лекция [149,3 K], добавлен 13.08.2013

  • Автоматизированное рабочее место "Статистика поликлиники"

    Данные предметной области, содержащие информацию, необходимую для разработки автоматизированного рабочего места. Выбор средств разработки. Структура базы данных. Вывод данных, статистика распределения нагрузки. Разработка руководства оператора.

    дипломная работа [8,4 M], добавлен 19.10.2012

  • Технологии анализа данных (Text Mining, Data Mining)

    Перспективные направления анализа данных: анализ текстовой информации, интеллектуальный анализ данных. Анализ структурированной информации, хранящейся в базах данных. Процесс анализа текстовых документов. Особенности предварительной обработки данных.

    реферат [443,2 K], добавлен 13.02.2014

  • Автоматизированные банки данных

    Состав и структура автоматизированной информационной системы. Применение технических средств для получения информации. Преобразования экономической информации, создание форм и последовательность их выполнения. Требования к базе данных и их реализация.

    контрольная работа [45,7 K], добавлен 30.12.2009

  • Аппаратно-программный комплекс контроля параметров в теплице

    Системно–алгоритмическая модель аппаратно–программного комплекса автоматического контроля параметров микроклимата теплицы. Программная реализация работы клавиатурной матрицы, измерения влажности и 1-Wire интерфейса для связи с цифровым термометром.

    дипломная работа [920,1 K], добавлен 02.02.2016

  • Применение когнитивных технологий в переводе

    Изучение понятия и предмета когнитивных технологий. Обозначение роли когнитивных технологий в языке и речи. Выявление наиболее эффективных способов применения технологий при переводе текстов. Перевод, осуществляемый человеком с использованием компьютера.

    курсовая работа [32,1 K], добавлен 06.04.2015

  • Разработка курса по выбору по информатике на тему: "Создание web-сайта при помощи конструктора Wix" в 9 классе

    Психолого-педагогические основы формирования системно-деятельностного подхода обучения. Обзор существующих конструкторов сайтов, обоснование выбора сервиса Wix. Ознакомление обучающихся с правилами безопасности в сети Интернет. Технологии создания сайтов.

    дипломная работа [428,9 K], добавлен 07.09.2017

  • Автоматизированная информационная система сбора и анализа статистики посещаемости сайта

    Создание автоматизированной системы по сбору и анализу статистических данных сайта. Принципы сбора статистических данных. Исследование информационных потоков. Обзор современных СУБД и языков программирования. Логическая и физическая модель базы данных.

    дипломная работа [3,0 M], добавлен 08.07.2012

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

KOD_ATR

NAME_ATR

1

ПЛОЩАДЬ (ГА)-1/12-{49.0000000, 56.5000000}

2

ПЛОЩАДЬ (ГА)-2/12-{56.5000000, 64.0000000}

3

ПЛОЩАДЬ (ГА)-3/12-{64.0000000, 71.5000000}

4

ПЛОЩАДЬ (ГА)-4/12-{71.5000000, 79.0000000}

5

ПЛОЩАДЬ (ГА)-5/12-{79.0000000, 86.5000000}

6

ПЛОЩАДЬ (ГА)-6/12-{86.5000000, 94.0000000}

7

ПЛОЩАДЬ (ГА)-7/12-{94.0000000, 101.5000000}

8

ПЛОЩАДЬ (ГА)-8/12-{101.5000000, 109.0000000}

9

ПЛОЩАДЬ (ГА)-9/12-{109.0000000, 116.5000000}

10

ПЛОЩАДЬ (ГА)-10/12-{116.5000000, 124.0000000}

11

ПЛОЩАДЬ (ГА)-11/12-{124.0000000, 131.5000000}

12

ПЛОЩАДЬ (ГА)-12/12-{131.5000000, 139.0000000}

13

СОРТ ОЗИМ.ПШЕНИЦЫ-Батько

14

СОРТ ОЗИМ.ПШЕНИЦЫ-Вита

15

СОРТ ОЗИМ.ПШЕНИЦЫ-Восторг

16

СОРТ ОЗИМ.ПШЕНИЦЫ-Грация

17

СОРТ ОЗИМ.ПШЕНИЦЫ-Дея

18

СОРТ ОЗИМ.ПШЕНИЦЫ-Дон-95

19

СОРТ ОЗИМ.ПШЕНИЦЫ-зимородок

20

СОРТ ОЗИМ.ПШЕНИЦЫ-Княжна

21

СОРТ ОЗИМ.ПШЕНИЦЫ-Краснодарская-99

22

СОРТ ОЗИМ.ПШЕНИЦЫ-Крошка

23

СОРТ ОЗИМ.ПШЕНИЦЫ-Купава

24

СОРТ ОЗИМ.ПШЕНИЦЫ-Лира

25

СОРТ ОЗИМ.ПШЕНИЦЫ-Москвич

26

СОРТ ОЗИМ.ПШЕНИЦЫ-Ника-кубани

27

СОРТ ОЗИМ.ПШЕНИЦЫ-Новокубанка

28

СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия

29

СОРТ ОЗИМ.ПШЕНИЦЫ-Офелия элита

30

СОРТ ОЗИМ.ПШЕНИЦЫ-Победа-50

31

СОРТ ОЗИМ.ПШЕНИЦЫ-Половчанка

32

СОРТ ОЗИМ.ПШЕНИЦЫ-Селлта

33

СОРТ ОЗИМ.ПШЕНИЦЫ-Селянка

34

СОРТ ОЗИМ.ПШЕНИЦЫ-Скифянка

35

СОРТ ОЗИМ.ПШЕНИЦЫ-Скмфянка

36

СОРТ ОЗИМ.ПШЕНИЦЫ-Таня

37

СОРТ ОЗИМ.ПШЕНИЦЫ-Татьяна

38

СОРТ ОЗИМ.ПШЕНИЦЫ-Уманка

39

СОРТ ОЗИМ.ПШЕНИЦЫ-Финт

40

СОРТ ОЗИМ.ПШЕНИЦЫ-Фортуна

41

СОРТ ОЗИМ.ПШЕНИЦЫ-Эхо

42

ПРЕДШЕСТ. 1-горох

43

ПРЕДШЕСТ. 1-кук.зерно

44

ПРЕДШЕСТ. 1-кук.силосная

45

ПРЕДШЕСТ. 1-мног.травы

46

ПРЕДШЕСТ. 1-озим.пшеница

47

ПРЕДШЕСТ. 1-подсолнечник

48

ПРЕДШЕСТ. 1-сах.свекла

49

ПРЕДШЕСТ. 1-соя

50

ПРЕДШЕСТ. 2-горох

51

ПРЕДШЕСТ. 2-кук.зерно

52

ПРЕДШЕСТ. 2-кук.зерновая

53

ПРЕДШЕСТ. 2-кук.силосная

54

ПРЕДШЕСТ. 2-мног.травы

55

ПРЕДШЕСТ. 2-озим.пшеница

56

ПРЕДШЕСТ. 2-озим.ячмень

57

ПРЕДШЕСТ. 2-подсолнечник

58

ПРЕДШЕСТ. 2-сах.свекла

59

ПРЕДШЕСТ. 3-горох

60

ПРЕДШЕСТ. 3-кук.зерно

61

ПРЕДШЕСТ. 3-кук.зерновая

62

ПРЕДШЕСТ. 3-кук.силосная

63

ПРЕДШЕСТ. 3-мног.травы

64

ПРЕДШЕСТ. 3-озим.пшеница

65

ПРЕДШЕСТ. 3-озим.ячмень

66

ПРЕДШЕСТ. 3-подсолнечник

67

ПРЕДШЕСТ. 3-сах.свекла

68

ПРЕДШЕСТ. 3-соя

69

ПРЕДШЕСТ. 3-яров.ячмень

70

ПРЕДШЕСТ. 4-кук.зерно

71

ПРЕДШЕСТ. 4-кук.зерновая

72

ПРЕДШЕСТ. 4-кук.силосная

73

ПРЕДШЕСТ. 4-мног.травы

74

ПРЕДШЕСТ. 4-озим.пшеница

75

ПРЕДШЕСТ. 4-озим.ячмень

76

ПРЕДШЕСТ. 4-подсолнечник

77

ПРЕДШЕСТ. 4-сах.свекла

78

ПРЕДШЕСТ. 5-горох

79

ПРЕДШЕСТ. 5-кук.зерно

80

ПРЕДШЕСТ. 5-кук.зерновая

81

ПРЕДШЕСТ. 5-кук.силосная

82

ПРЕДШЕСТ. 5-мног.травы

83

ПРЕДШЕСТ. 5-озим.пшеница

84

ПРЕДШЕСТ. 5-озим.ячмень

85

ПРЕДШЕСТ. 5-подсолнечник

86

ПРЕДШЕСТ. 5-сах.свекла

87

ПРЕДШЕСТ. 5-яров.ячмень

88

ПРЕДШЕСТ. 6-горох

89

ПРЕДШЕСТ. 6-кук.зерно

90

ПРЕДШЕСТ. 6-кук.зерновая

91

ПРЕДШЕСТ. 6-кук.силосная

92

ПРЕДШЕСТ. 6-мног.травы

93

ПРЕДШЕСТ. 6-озим.пшеница

94

ПРЕДШЕСТ. 6-озим.ячмень

95

ПРЕДШЕСТ. 6-подсолнечник

96

ПРЕДШЕСТ. 6-сах.свекла

97

ПРЕДШЕСТ. 6-яров.ячмень

98

ПРЕДШЕСТ. 7-горох

99

ПРЕДШЕСТ. 7-кук.зерно

100

ПРЕДШЕСТ. 7-кук.зерновая

101

ПРЕДШЕСТ. 7-кук.силосная

102

ПРЕДШЕСТ. 7-мног.травы

103

ПРЕДШЕСТ. 7-озим.пшеница

104

ПРЕДШЕСТ. 7-озим.ячмень

105

ПРЕДШЕСТ. 7-подсолнечник

106

ПРЕДШЕСТ. 7-сах.свекла

107

ПРЕДШЕСТ. 7-яров.ячмень

108

ПРЕДШЕСТ. 8-горох

109

ПРЕДШЕСТ. 8-кук.зерно

110

ПРЕДШЕСТ. 8-кук.зерновая

111

ПРЕДШЕСТ. 8-кук.силосная

112

ПРЕДШЕСТ. 8-мног.травы

113

ПРЕДШЕСТ. 8-озим.пшеница

114

ПРЕДШЕСТ. 8-озим.ячмень

115

ПРЕДШЕСТ. 8-подсолнечник

116

ПРЕДШЕСТ. 8-сах.свекла

117

ПРЕДШЕСТ. 8-яров.ячмень

118

ПРЕДШЕСТ. 9-горох

119

ПРЕДШЕСТ. 9-кук.зерно

120

ПРЕДШЕСТ. 9-кук.зерновая

121

ПРЕДШЕСТ. 9-кук.силосная

122

ПРЕДШЕСТ. 9-мног.травы

123

ПРЕДШЕСТ. 9-озим.пшеница

124

ПРЕДШЕСТ. 9-озим.ячмень

125

ПРЕДШЕСТ. 9-подсолнечник

126

ПРЕДШЕСТ. 9-сах.свекла

127

ПРЕДШЕСТ. 9-яров.ячмень

128

ПРЕДШЕСТ. 10-горох

129

ПРЕДШЕСТ. 10-кук.зерно

130

ПРЕДШЕСТ. 10-кук.зерновая

131

ПРЕДШЕСТ. 10-кук.силосная

132

ПРЕДШЕСТ. 10-мног.травы

133

ПРЕДШЕСТ. 10-озим.пшеница

134

ПРЕДШЕСТ. 10-озим.ячмень

135

ПРЕДШЕСТ. 10-подсолнечник

136

ПРЕДШЕСТ. 10-сах.свекла

137

ПРЕДШЕСТ. 10-яров.ячмень

138

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 10-12

139

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 12-14

140

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование 8-10

141

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование в два следа 8-10

142

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-дискование в три следа 8-10

143

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 20-22

144

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 20-25

145

ОБРАБОТКА ПОЧВЫ(СПОСОБ И ГЛУБИНА(СМ))-пахота 25-27

146

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-перекрестная 306

147

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-перекрестный 273

148

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 178

149

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 201

150

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 202

151

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 207

152

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 209

153

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 211

154

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 214

155

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 215

156

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 216

157

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 218

158

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 221

159

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 223

160

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 226

161

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 228

162

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 230

163

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 231

164

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 234

165

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 235

166

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 237

167

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 238

168

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 239

169

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 240

170

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 241

171

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 242

172

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 245

173

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 246

174

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 247

175

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 248

176

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 249

177

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 250

178

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 253

179

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 254

180

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 256

181

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 258

182

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 259

183

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 264

184

ПОСЕВ(СПОСОБ И НОРМА ВЫСЕВА(КГ/ГА))-рядовой 267