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 |
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.
Рисунок 18. Экранные формы придания модели статуса текущей
2. Результаты и обсуждение (Results and discussion)
2.1 Диагностика (классификация, распознавание, идентификация) (задача 3)
Решим задачу идентификации в наиболее достоверной модели. Для этого запустим режим 4.1.2 (рисунок 19):
Рисунок 19. Экранная форма отображения процесса решения
задачи идентификации в наиболее достоверной модели
Видно, что идентификация 89 примеров в ранее созданных моделях заняла 11 секунд.
Система «Эйдос» формирует 10 выходных форм с результатами идентификации в различных разрезах и обобщениях:
Приведем две формы из этих 10: 4.1.3.1 и 4.1.3.2 (рисунок 20):
Рисунок 20. Выходные формы по результатам идентификации
2.2 Исследование предметной области путем исследования ее модели (задача 3)
Исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает ряд возможностей. Используем те из этих возможностей, которые полезны для решения задачи, поставленной в работе, т.е. для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов.
2.2.1 Нелокальные нейроны и нейронные сети
В работе [10] автором предложены нелокальные нейроны и нелокальные нейронные сети прямого счета, основанные на теории информации. Эти сети, предложенные автором 15 лет очень сходны с популярным сегодня нейробайесовским подходом [11].
Один из нелокальных нейронов модели INF3 приведен на рисунке 21, а нелокальная нейронная сеть INF3 на рисунке 22:
Рисунок 21. Нелокальный нейрон
Рисунок 22. Парето-подмножество нелокальной нейронной сети
(показаны 20,69% наиболее значимых синаптических связей)
2.2.2 Когнитивные диаграммы классов
В режиме 4.2.2.1 рассчитывается матрица сходства классов, отражающая сходство-различие классов друг с другом (таблица 8).
Таблица 8 - Матрица сходства классов
В графической форме эта таблица отображается в форме когнитивных диаграмм (рисунок 23):
А)
Б)
Рисунок 23. Когнитивные диаграммы, отражающие сходство-различие
обобщенных образов классов друг с другом: А) все классы, Б) 12 классов
Видно, что классы образуют два кластера, являющиеся полюсами конструкта. В кластеры объединены сходные классы, а на полюсах конструкта находятся противоположные по смыслу кластеры. Малозначащие связи могут отфильтрованы (не отображаться).
В текущей версии системы «Эйдос» реализована дивизивная кластеризация, а агломеративная когнитивная кластеризация была реализована лишь в DOS-версии системы «Эйдос» [12].
2.2.3 Когнитивные диаграммы значений факторов
В режиме 4.2.2.1 рассчитывается матрица сходства классов, отражающая сходство-различие классов друг с другом (таблица 9).
Таблица 9 - Матрица сходства значений факторов (фрагмент)
В таблице 9 приведен лишь фрагмент матрицы сходства значений факторов, т.к. это матрица 306 Ч 306. Соответствующая база данных находится по пути: ..\Aidos-X\AID_DATA\A0000001\System\SxodAtrInf3.DBF и почти полностью может быть открыта в MS Excel. При задании масштаба просмотра 500% таблица 9 вполне читабельна.
В графической форме эта таблица отображается в форме когнитивных диаграмм (рисунок 24):
Рисунок 24. Когнитивная диаграмма, отражающие сходство-различие значений факторов друг с другом
Из рисунка 24 видно, что разные по природе значения факторов оказывают сходное влияние на агросистему. Все значения факторов образуют два кластера, в которых они объединены по сходству, а сами кластеры противоположны по смыслу и образуют полюса конструкта.
2.2.4 Когнитивные диаграммы содержательного сравнения классов
Система «Эйдос» обеспечивает расшифровку способа образования любой линии связи на графе, представленном на рисунке 23 в форме когнитивных диаграмм. На рисунке 25 приведена экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения классов, на рисунке 26 - сама когнитивная диаграмма, а на рисунке 27 Help данного режима:
Рисунок 25. Экранная форма задания параметров формирования
и отображения когнитивных диаграмм содержательного сравнения классов
Рисунок 26. Когнитивная диаграмма содержательного сравнения классов
Рисунок 27. Help режима задания параметров формирования
и отображения когнитивных диаграмм содержательного сравнения классов
Даная когнитивная диаграмма показывает содержательное сравнение влияния 1-й подкормки на получение низкой и высокой прибыли. Аналогично можно исследовать влияние любого фактора.
2.2.5 Когнитивные диаграммы содержательного сравнения значений факторов
Система «Эйдос» обеспечивает расшифровку способа образования любой линии связи на графе, представленном на рисунке 24 в форме когнитивных диаграмм. На рисунке 28 приведена экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения классов, на рисунке 29 - сама когнитивная диаграмма, а на рисунке 30 Help данного режима:
Рисунок 28. Экранная форма задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения значений факторов
Рисунок 29. Когнитивная диаграмма содержательного сравнения
значений факторов
Рисунок 30. Help режима задания параметров формирования и отображения когнитивных диаграмм содержательного сравнения значений факторов
Даная когнитивная диаграмма показывает содержательное сравнение влияния сорта пшеницы на ее качество. Аналогично можно исследовать влияние любого фактора.
2.2.6 Интегральные когнитивные карты
Система «Эйдос» обеспечивает формирование и отображение когнитивных диаграмм, объединяющих нейронную сеть (рисунок 22), когнитивные диаграммы сходства различия классов (рисунок 23) и когнитивные диаграммы сходства различия значений факторов (рисунок 24).
На рисунке 31 приведена экранная форма задания параметров формирования и отображения интегральных когнитивных карт, а на рисунке 32 соответствующая заданным параметрам интегральная когнитивная карта:
Рисунок 31. Экранная форма задания параметров формирования и отображения интегральных когнитивных карт
Рисунок 32. Пример интегральной когнитивной карты
2.2.7 Когнитивные функции
Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение количества информации в значениях аргумента о значениях функции непосредственно на основе эмпирических данных и визуализацию на этой основе прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных функций [6].
Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой "Эйдос". Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые. Отметим, что полученные и отраженные в форме когнитивных функций причинно-следственные зависимости обнаружены непосредственно на основе эмпирических данных путем преобразования их в информацию, а ее в знания и отражают факты, а не их теоретическое объяснение (теоретическую интерпретацию), разработка которой является делом специалиста, хорошо содержательно разбирающегося в моделируемой предметной области [14]. Выводы и рекомендации по рациональному выбору конструктивных особенностей и режимов работы сложных аграрных систем, полученные на основе SWOT-диаграмм и когнитивных функций, совпадают. Ниже приведены когнитивные функции, отражающие зависимость значений классификационных шкал (классов) от значений описательных шкал (факторов) (рисунок 24):
Рисунок 33. Когнитивные функции, отражающие влияние
предшественников на урожайность
2.3 Поддержка принятия решений (задача 3)
При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи SWOT-анализа [9]. SWOT-анализ является широко известным и общепризнанным методом стратегического планирования.
Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции.
Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос» [4].
В статье [9] на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [9] на примере SWOT-анализа, можно распространить и на PEST-анализ.
В системе «Эйдос» в режиме 4.4.8 поддерживается решение этой задачи (рисунок 34):
Рисунок 34. Экранные формы решения задачи SWOT-анализа
Можно исследовать также влияние любого фактора, например предшественников 7 лет назад (рисунок 35):
Рисунок 35. Экранные формы решения задачи SWOT-анализа
с фильтром по фактору: «Предшественники 7 лет назад»
В системе «Эйдос» имеется также возможность отображения инвертированных SWOT-диаграмм (предложены автором [9]), отражающих влияние на объект моделирования заданного значения фактора (рисунок 36):
Рисунок 36. Экранные формы инвертированных SWOT-диаграмм отражающих влияние заданного значения фактора на агросистему
На рисунке 37 приведен алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»:
Рисунок 37. Алгоритм принятия управляющих решений в АСК-анализе и системе «Эйдос»
Обратим внимание на то, что приведенный на рисунке 27 алгоритм принятия решений используется непосредственно в цикле управления многопараметрической агросистемой и предусматривает постоянную адаптацию модели, а случае необходимости и ее пересинтез, что обеспечивает учет динамики моделируемой предметной области, т.е. как самого объекта управления, так и окружающей среды.
В данной работе кратко описано, как в АСК-анализе разрабатываются и применяются системно-когнитивные модели, отражающие, какое количество информации содержится в различных значениях факторов о переходе объекта моделирования в различные будущие состояния.
В системно-когнитивном анализе формулируется гипотеза о том, что это количество информации и ее знак отражают, соответственно, силу и направление действия реально существующих в моделируемой предметной области причинно-следственные закономерностей.
В работе [14] обосновывается, что системно-когнитивные модели имеют статус содержательных феноменологических моделей. Для дальнейшего повышения их статуса до уровня эмпирических законов необходимо расширить эмпирическую область и создать соответствующие модели. Если после этого раскрыть механизмы и причинные действия этих закономерностей и дать их содержательную интерпретацию, то можно расширить область применения эмпирических законов на всю предметную область, в которой действуют те же причинные и механизмы, и, таким образом, сформулировать научные законы [14].
3. Выводы (Conclusions)
3.1 Эффективность предложенного решения проблемы (задача 4)
Как показывает анализ результатов численного эксперимента предложенное и реализованное в системе «Эйдос» решение поставленных задач является вполне эффективным, что позволяет обоснованно утверждать, что цель работы достигнута.
3.2 Заключение
В сложных многопараметрических агрономических системах происходят многочисленные и разнообразные физические процессы, которые, с одной стороны, оказывают существенное влияние на характеристики этих систем, а с другой стороны, крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, т.к. эти модели должны учитывать специфические особенности систем. Вследствие этого разработка содержательных аналитических моделей является «штучной работой» и связана с большим количеством упрощающих допущений, снижающих их универсальность и достоверность.
Но известен и другой принцип моделирования: построение феноменологических информационных моделей, т.е. моделей, не имеющих аналитической формы представления и описывающих моделируемую систему чисто внешне как «черный ящик». Такие модели могут строится непосредственно на основе эмпирических данных и при наличии соответствующего программного инструментария это может быть по типовой технологии намного быстрее и значительно менее трудоемко, чем разработка содержательных аналитических моделей.
С другой стороны феноменологические информационные модели могут быть вполне достаточны для определения рациональных конструктивных особенностей и параметров режимов работы сложных аграрных систем. Кроме того такие феноменологические модели могут рассматриваться в качестве первого этапа разработки содержательных аналитических моделей.
Предлагается применить для создания феноменологических моделей сложных нелинейных агрономических систем новый универсальный инновационный метод искусственного интеллекта: автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - универсальную когнитивную аналитическую систему «Эйдос». В системе «Эйдос» реализован программный интерфейс, обеспечивающий непосредственный ввод в систему больших объемов эмпирических данных из Excel-файла.
Система «Эйдос» непосредственно на основе эмпирических (экспериментальных или наблюдательных) данных позволяет рассчитать какое количество информации о результатах работы агрономической системы содержится в ее свойствах и в определенных значениях технологических факторов и параметров. На этой основе системой предлагаются научно-обоснованные и адекватные рекомендации по рациональному выбору свойств моделируемой агросистемы и агротехнологических факторов.
Таким образом, метод АСК-анализа может быть применен для анализа и рационального выбора свойств и агротехнологий, т.е. задача, поставленная в работе, успешно решена.
Отметим, что АСК-анализ и его программный инструментарий интеллектуальная система «Эйдос» позволяют моделировать не только биологические характеристики сложных аграрных систем, но и их социальные свойства, такие, например, как финансово-экономические и инженерно-психологические. Можно исследовать как конструктивные особенности и параметры режимов работы сложных аграрных систем влияют на финансово-экономическую и инженерно-психологическую эффективность применения этих систем и на этой основе выбирать их рациональные конструктивные особенности и режимы работы.
Материалы данной статьи и предлагаемый в ней подход могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время http://lc.kubagro.ru/My_training_schedule.doc, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее - в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки), например: Моделирование в агроинженерии [21].
Этим и другим применениям должно способствовать и то, что система «Эйдос» является мультиязычной on-line средой и находится в полном открытом бесплатном доступе (причем с подробно комментированными открытыми исходными текстами: http://lc.kubagro.ru/_AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.
4. Благодарности (Acknowledgements)
Автор благодарен Заслуженному деятелю науки Российской Федерации, доктору технических наук, профессору В.И.Лойко, Заслуженному деятелю науки Кубани, доктору биологических наук, профессору Л.П.Трошину, доктору экономических наук, доценту К.Н.Горпинченко, кандидату экономических наук, профессору Л.О.Великановой за поддержку исследований по автоматизированному системно-когнитивному анализу агросистем [15-20].
Список литературы (References)
1. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07(091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.
2. 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.
3. 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
4. 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=22401787
5. Сайт автора АСК-анализа и системы «Эйдос» проф. Е.В.Луценко: http://lc.kubagro.ru/
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. Интеллектуальная консалтинговая система выявления технологических знаний и принятия решений по их эффективному применению на основе системно-когнитивного анализа бизнес-процессов / Е.В. Луценко, В.Е. Коржаков, А.И. Ладыга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2010. - №05(059). С. 79 - 110. - Шифр Информрегистра: 0421000012\0091, IDA [article ID]: 0591005007. - Режим доступа: http://ej.kubagro.ru/2010/05/pdf/07.pdf, 2 у.п.л.
8. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02(126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.
9. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.
10. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01(001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 у.п.л.
11. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Режим доступа: https://arxiv.org/pdf/1710.07264
12. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07(071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.
13. Луценко Е.В. Автоматизация Функционально-стоимостного анализа и метода "Директ-костинг" на основе АСК-анализа и системы "Эйдос" (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №07(131). С. 1 - 18. - IDA [article ID]: 1311707001. - Режим доступа: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.
14. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №03(127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.
15. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с. http://elibrary.ru/item.asp?id=21720635
16. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с. http://elibrary.ru/item.asp?id=21683725
17. Горпинченко К.Н., Луценко Е.В. Прогнозирование и принятие решений по выбору агротехнологий в зерновом производстве с применением методов искусственного интеллекта (на примере СК-анализа). Монография (научное издание). - Краснодар,КубГАУ. 2013. - 168 с. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254
18. 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.
19. 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.
20. Луценко Е.В. Применение теории информации и когнитивных технологий для решения задач генетики (на примере вычисления количества информации в генах о признаках и свойствах различных автохтонных сортов винограда) / Е.В. Луценко, Л.П. Трошин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №07(121). С. 116 - 165. - IDA [article ID]: 1211607003. - Режим доступа: http://ej.kubagro.ru/2016/07/pdf/03.pdf, 3,125 у.п.л.
21. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06(130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.
22. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная on-line среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка № 2017618053 от 07.08.2017, Гос.рег.№ 2017661153, зарегистр. 04.10.2017. - Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.
1. Lucenko E.V. Modelirovanie slozhnyh mnogofaktornyh nelinejnyh ob#ektov upravlenija na osnove fragmentirovannyh zashumlennyh jempiricheskih dannyh bol'shoj razmernosti v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos-H++» / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2013. - №07(091). S. 164 - 188. - IDA [article ID]: 0911307012. - Rezhim dostupa: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 u.p.l.
2. 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.
3. Lucenko E.V. Avtomatizirovannyj sistemno-kognitivnyj analiz v upravlenii aktivnymi ob#ektami (sistemnaja teorija informacii i ee primenenie v issledovanii jekonomicheskih, social'no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2002. - 605 s. http://elibrary.ru/item.asp?id=18632909
4. 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=22401787
5. Sajt avtora ASK-analiza i sistemy «Jejdos» prof. E.V.Lucenko: http://lc.kubagro.ru/
6. 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
7. Lucenko E.V. Intellektual'naja konsaltingovaja sistema vyjavlenija tehnologicheskih znanij i prinjatija reshenij po ih jeffektivnomu primeneniju na osnove sistemno-kognitivnogo analiza biznes-processov / E.V. Lucenko, V.E. Korzhakov, A.I. Ladyga // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2010. - №05(059). S. 79 - 110. - Shifr Informregistra: 0421000012\0091, IDA [article ID]: 0591005007. - Rezhim dostupa: http://ej.kubagro.ru/2010/05/pdf/07.pdf, 2 u.p.l.
8. Lucenko E.V. Invariantnoe otnositel'no ob#emov dannyh nechetkoe mul'tiklassovoe obobshhenie F-mery dostovernosti modelej Van Rizbergena v ASK-analize i sisteme «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №02(126). S. 1 - 32. - IDA [article ID]: 1261702001. - Rezhim dostupa: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 u.p.l.
9. Lucenko E.V. Kolichestvennyj avtomatizirovannyj SWOT- i PEST-analiz sredstvami ASK-analiza i intellektual'noj sistemy «Jejdos-H++» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2014. - №07(101). S. 1367 - 1409. - IDA [article ID]: 1011407090. - Rezhim dostupa: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 u.p.l.
10. Lucenko E.V. Sistemnaja teorija informacii i nelokal'nye interpretiruemye nejronnye seti prjamogo scheta / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2003. - №01(001). S. 79 - 91. - IDA [article ID]: 0010301011. - Rezhim dostupa: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 u.p.l.
11. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Rezhim dostupa: https://arxiv.org/pdf/1710.07264
12. Lucenko E.V. Metod kognitivnoj klasterizacii ili klasterizacija na osnove znanij (klasterizacija v sistemno-kognitivnom analize i intellektual'noj sisteme «Jejdos») / E.V. Lucenko, V.E. Korzhakov // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2011. - №07(071). S. 528 - 576. - Shifr Informregistra: 0421100012\0253, IDA [article ID]: 0711107040. - Rezhim dostupa: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 u.p.l.
13. Lucenko E.V. Avtomatizacija Funkcional'no-stoimostnogo analiza i metoda "Direkt-kosting" na osnove ASK-analiza i sistemy "Jejdos" (avtomatizacija upravlenija natural'noj i finansovoj jeffektivnost'ju zatrat bez soderzhatel'nyh tehnologicheskih i finansovo-jekonomicheskih raschetov na osnove informacionnyh i kognitivnyh tehnologij i teorii upravlenija) / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №07(131). S. 1 - 18. - IDA [article ID]: 1311707001. - Rezhim dostupa: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 u.p.l.
14. Lucenko E.V. Problemy i perspektivy teorii i metodologii nauchnogo poznanija i avtomatizirovannyj sistemno-kognitivnyj analiz kak avtomatizirovannyj metod nauchnogo poznanija, obespechivajushhij soderzhatel'noe fenomenologicheskoe modelirovanie / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №03(127). S. 1 - 60. - IDA [article ID]: 1271703001. - Rezhim dostupa: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 u.p.l.
15. Lucenko E.V., Lojko V.I., Semanticheskie informacionnye modeli upravlenija agropromyshlennym kompleksom. Monografija (nauchnoe izdanie). - Krasnodar: KubGAU. 2005. - 480 s. http://elibrary.ru/item.asp?id=21720635
16. Lucenko E. V., Lojko V.I., Velikanova L.O. Prognozirovanie i prinjatie reshenij v rastenievodstve s primeneniem tehnologij iskusstvennogo intellekta: Monografija (nauchnoe izdanie). - Krasnodar: KubGAU, 2008. - 257 s. http://elibrary.ru/item.asp?id=21683725
17. Gorpinchenko K.N., Lucenko E.V. Prognozirovanie i prinjatie reshenij po vyboru agrotehnologij v zernovom proizvodstve s primeneniem metodov iskusstvennogo intellekta (na primere SK-analiza). Monografija (nauchnoe izdanie). - Krasnodar,KubGAU. 2013. - 168 s. ISBN 978-5-94672-644-3. http://elibrary.ru/item.asp?id=20213254
18. 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.
19. ucenko 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.
20. Lucenko E.V. Primenenie teorii informacii i kognitivnyh tehnologij dlja reshenija zadach genetiki (na primere vychislenija kolichestva informacii v genah o priznakah i svojstvah razlichnyh avtohtonnyh sortov vinograda) / E.V. Lucenko, L.P. Troshin // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2016. - №07(121). S. 116 - 165. - IDA [article ID]: 1211607003. - Rezhim dostupa: http://ej.kubagro.ru/2016/07/pdf/03.pdf, 3,125 u.p.l.
21. Lucenko E.V. Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda dlja obuchenija i nauchnyh issledovanij na baze ASK-analiza i sistemy «Jejdos» / E.V. Lucenko // Politematicheskij setevoj jelektronnyj nauchnyj zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (Nauchnyj zhurnal KubGAU) [Jelektronnyj resurs]. - Krasnodar: KubGAU, 2017. - №06(130). S. 1 - 55. - IDA [article ID]: 1301706001. - Rezhim dostupa: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 u.p.l.
22. Lucenko E.V., Otkrytaja masshtabiruemaja interaktivnaja intellektual'naja on-line sreda «Jejdos» («Jejdos-online»). Svid. RosPatenta RF na programmu dlja JeVM, Zajavka № 2017618053 ot 07.08.2017, Gos.reg.№ 2017661153, zaregistr. 04.10.2017. - Rezhim dostupa: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 u.p.l.
Размещено на Allbest.ru
...Подобные документы
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 29.01.2013Современный 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 03.09.2009Системно-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 25.02.2014История 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 13.10.2014Метод 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 10.06.2004Создание 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 22.05.2013Классификация 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 15.02.2010Принятие 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 26.04.2012Системы 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 25.07.2010Описание 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 03.07.2011Теория 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 23.04.2015Анализ 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 20.05.2014Системный 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 13.08.2013Данные 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 19.10.2012Перспективные 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 13.02.2014Состав 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 30.12.2009Системно–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 02.02.2016Изучение 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 06.04.2015Психолого-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 07.09.2017Создание 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
