Типовая методика и инструментарий когнитивной структуризации и формализации задач в СК-анализе

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость новой

Детальная информация о работе

Выдержка из работы

УДК 007. 681. 5:519. 714:519. 766
ТИПОВАЯ МЕТОДИКА И ИНСТРУМЕНТАРИЙ КОГНИТИВНОЙ СТРУКТУРИЗАЦИИ И ФОРМАЛИЗАЦИИ ЗАДАЧ В СК-АНАЛИЗЕ
Луценко Е. В. — д. э. н., профессор Кубанский государственный аграрный университет
В статье рассматриваются два варианта конкретной реализации первого этапа системно-когнитивного анализа (СК-анализ), т. е. когнитивная структуризация и формализация предметной области, отличающиеся формой представления исходных данных: 1) файл типа & quot-Текст-DOS"-- 2) таблицы Word или Excel. Для первого варианта приводится исходный текст универсального программного интерфейса, полностью автоматизирующего первый этап СК-анализа, для второго — полный инструментарий, основанный на использовании стандартных возможностей Excel.
1. Формулирование проблемы
На практике часто встречаются задачи, в которых исследование объекта познания даже в принципе не может быть осуществлено на основе проведения с ним каких-либо экспериментов. В этом случае приходится использовать ретроспективные данные об этом объекте и изучение реального объекта в различных условиях заменить исследованием его формальной модели. При этом результаты, полученные путем моделирования, могут считаться изучением самого объекта только тогда, когда модель адекватна.
Метод системно-когнитивного анализа (СК-анализ) включает следующие этапы [1]:
1. Когнитивная структуризация, а затем формализация предметной области.
2. Ввод данных мониторинга в базу прецедентов за период, в течение которого имеется необходимая информация в электронной форме.
3. Синтез семантической информационной модели (СИМ).
4. Оптимизация СИМ.
5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).
6. Анализ СИМ.
7. Решение задач идентификации состояний объекта управления, прогнозирование и поддержка принятия управленческих решений с применением СИМ.
Однако прежде чем осуществить синтез и исследование модели объекта управления, необходимо:
— во-первых, разработать способ преобразования исходных данных из формы, в которой они находятся, в форму, пригодную для обработки на компьютере-
— во-вторых, осуществить это преобразование на практике.
Это и представляет собой определенную проблему, особенно, если необходимо обработать значительные объемы исходных данных за ограниченное время.
2. Исследование характеристик источников исходных данных
2.1. Источники информации
Существуют различные источники информации об объектах управления:
— результаты социологических опросов и психологического тестирования-
— выходные файлы информационно-измерительных систем-
— результаты экономического мониторинга, как правило, представленные в форме таблиц Word и реже Excel.
Соответственно, существуют всего три основные формы исходных данных:
1. Рукописные материалы.
2. Файлы стандарта & quot-Текст-DOS"-.
3. Таблицы Word и Excel.
Возможен также вариант использования для подготовки данных специально разработанных систем окружения, например системы & quot-Эйдос-фонд"- [3] или & quot-Эйдос-Y"- [4] и программных интерфейсов.
В данной статье рассмотрим второй и третий варианты представления исходных данных, т.к. первый вариант, как и вариант с системами окружения, подробно описаны в работе [2].
Примеры небольших фрагментов исходных данных в первой и второй формах представления приведены в таблицах 1 и 2.
Таблица 1. ПРИМЕР ИСХОДНЫХ ДАННЫХ В СТАНДАРТЕ
& quot-ТЕКСТ-DOS"-
Код Наименования полей
инф. классы факторы
ист. Obj1 Obj2 Obj3 Obj4 Atr1 Atr2 Atr3 Atr4
3028N 70 70 70 70 15 100 124 96
3489N 70 70 70 70 24 -3 35 174
4010N 70 70 70 70 -1 -30 -24 68
4512N 70 70 70 70 -11 19 -35 31
4993N 70 70 70 70 53 -135 48 108
5452N 70 70 70 130 18 -21 139 80
5954N 70 130 70 70 70 84 29 64
6494N 70 70 70 70 -40 -102 -3 65
6955N 70 70 70 70 68 -46 125 100
7476N 70 70 70 70 -21 -19 -51 50
Таблица 2. ПРИМЕР ИСХОДНЫХ ДАННЫХ В СТАНДАРТАХ & quot-ТАБЛИЦА WORD& quot-, & quot-ТАБЛИЦА EXCEL& quot-
№ Наименование показателя и единиц измерения 1998 г. 1999 г. 2000 г. 2001 г. 2002 г.
Зерновые и зернобобовые
1 Валовой сбор, тыс. т. 3532 6357 6792 7982 8481
2 Уборочная площадь, тыс. га 1464 1884 1967 2103 2045
3 Урожайность, ц/га 24 34 35 39 42
в т. ч. пшеница
4 Валовой сбор, тыс. т. 1962 4230 4074 5291 5393
5 Уборочная площадь, тыс. га 692 1129 1061 1211 1151
6 Урожайность, ц/га 28 38 38 44 47
Ячмень
7 Валовой сбор, тыс. т. 806 1214 1471 1811 1825
8 Уборочная площадь, тыс. га 323 336 422 477 464
9 Урожайность, ц/га 25 36 35 39 39
кукуруза на зерно
10 Валовой сбор, тыс. т. 329 423 587 252 633
11 Уборочная площадь, тыс. га 256 211 267 210 220
12 Урожайность, ц/га 13 20 22 14 30
Рис
13 Валовой сбор, тыс. т. 314 336 462 393 407
14 Уборочная площадь, тыс. га 92 113 111 99 103
15 Урожайность, ц/га 34 30 42 42 42
Сахарная свекла
16 Валовой сбор, тыс. т. 2134 2936 2827 3048 4202
17 Уборочная площадь, тыс. га 151 163 126 128 142
18 Урожайность, ц/га 142 180 224 241 295
Подсолнечник
19 Валовой сбор, тыс. т. 570 613 622 469 732
20 Уборочная площадь, тыс. га 458 472 399 352 424
21 Урожайность, ц/га 12 13 16 14 17
Соя
22 Валовой сбор, тыс. т. 42 48 54 36 97
23 Уборочная площадь, тыс. га 78 50 48 44 59
24 Урожайность, ц/га 5 10 11 9 18
2.2. Характеристики источников информации
Опыт исследований во многих предметных областях в течение ряда лет показывает, что в исходных данных встречаются показатели различной природы, представляемые в различных единицах измерения. Кроме того, данные часто оказываются неполны (фрагментарны) и зашумлены. Причем восполнить отсутствующие данные обычно нет возможности. Поэтому возникает проблема выбора метода совместной сопоставимой обработки разнородных по своей природе фрагментарных данных.
2.3. Требования к математической модели
Анализ характеристик исходных данных показывает, что математическая модель предметной области должна обеспечивать:
— непараметрический анализ разнородных по своей природе неполных (фрагментированных) и зашумленных данных большой размерности-
— выявление и исследование в сопоставимой форме причинноследственных взаимосвязей факторов среды и управления различной природы, с одной стороны, и будущих состояний объекта управления — с другой.
3. Традиционные пути решения проблемы
Как правило, разработка классификационных и описательных шкал и градаций, их использование для кодирования обучающей выборки, их ввод в обрабатывающую систему — все эти работы выполняются вручную. Однако в ряде случаев вручную кодировать и вводить исходные данные не представляется возможным по причинам:
1) жестких ограничений на время, отводящееся заказчиком на решение задачи-
2) большой трудоемкости формализации (ручного кодирования) и ввода информации в программную систему-
3) большого количества ошибок ручного кодирования и ввода.
В результате решаются только те задачи, для которых допустимое время решения достаточно велико и объемы исходных данных малы, а ошибки ввода малосущественны. При этом большое количество важных для науки и практики задач, которые не вписываются в эти параметры, просто не решаются.
4. Предлагаемое решение проблемы
Прежде чем осуществить синтез модели в соответствии с методологией системно-когнитивного анализа (СК-анализ), необходимо выполнить первый этап [1], состоящий из следующих шагов:
1. Разработка когнитивной модели предметной области и принятие решения о том, что в модели будет выступать в качестве причин (факторов), а что в качестве следствий (классов).
2. Конструирование классификационных и описательных шкал и градаций.
3. Описание исходной информации в системе шкал и градаций и формирование обучающей выборки.
4. Преобразование исходных данных из формы, в которой они имеются, в стандартную форму, предусмотренную универсальной когнитивной аналитической системой & quot-Эйдос"- (далее — система & quot-Эйдос"-), представляющую собой инструментарий СК-анализа [5, 6].
1-й этап & quot-Когнитивная структуризация предметной области& quot- является познанием и формированием обобщенной понятийной модели.
2-й, 3-й и 4-й этапы образуют в совокупности этап & quot-Формализация предметной области& quot-, т. е. конкретизацию когнитивной модели и преобразование ее в форму, непосредственно пригодную для обработки в программной системе.
Предлагается решение обозначенной в статье проблемы путем максимальной автоматизации процессов кодирования и ввода исходной
информации в систему & quot-Эйдос"-, т. е. разработки и использования соответствующего программного интерфейса, работающего с конкретным представлением исходных данных.
В настоящее время этап когнитивной структуризации является в принципе не формализуемым, т. е. может выполняться только человеком. Когда модель уже создана, она позволяет провести системно-когнитивный анализ объекта управления и подтвердить или опровергнуть адекватность решений, принятых при когнитивной структуризации.
Необходимо отметить, что наличие в распоряжении исследователей инструментария АСК-анализа и программного интерфейса, автоматизирующего ввод исходной информации и информации обратной связи в систему & quot-Эйдос"-, позволяет не только осуществить синтез СИМ, но и периодически осуществлять адаптацию и синтез новых версий семантической информационной модели. Таким образом обеспечивается корректировка решений, принятых на первых этапах синтеза модели, а также отслеживание динамики предметной области, благодаря чему сохраняется высокая адекватность модели в изменяющихся условиях.
Шагам первого этапа СК-анализа соответствуют четыре функции, поддерживаемые программным интерфейсом:
1. Определение классов и факторов.
2. Выявление макропараметров, определяющих состояния объекта управления (классы) — измерение области изменения числовых значений факторов и конструирование интервалов (диапазонов) факторов- конструирование классификационных и описательных шкал и градаций и их кодирование.
3. Кодирование исходных данных в системе классификационных и описательных шкал и градаций и формирование обучающей выборки (базы прецедентов).
4. Автоматический ввод классификационных и описательных шкал и градаций, а также обучающей выборки в соответствующие стандартные базы данных системы & quot-Эйдос"-.
Реально в программном интерфейсе, реализованном на языке программирования, поддерживаются все 4 функции, а в Excel — только первые
3.
5. Когнитивная структуризация предметной области
5.1. Задачи когнитивной структуризации
Под когнитивной структуризацией предметной области понимается процесс ее познания, который осуществляется на основе системного подхода, в соответствии с которым объект познания рассматривается как система, имеющая сложное многоуровневое иерархическое строение. Когнитивная структуризация предметной области — это начальный этап синтеза модели, подготавливающий формализацию и предшествующий ей.
При когнитивной структуризации:
— выделяются целевые параметры системы, т. е. ее желательные и нежелательные будущие состояния, характеризующие ее на макроуровне-
— определяется система факторов, детерминирующих эти будущие состояния.
При этом в качестве факторов могут рассматриваться (окружающая среда, технологии, а также параметры системы на низких уровнях ее иерархической структуры).
5.2. Будущие состояния объекта управления (классы)
В качестве будущих состояний объекта управления выбираются:
— в варианте & quot-Текст-DOS"- - интервалы макропараметров в столбцах от Obj1 до Obj_W-
— в варианте Excel — интервалы макропараметров в строках, определенных при когнитивной структуризации.
5.3. Факторы
В качестве будущих факторов выбираются:
— в варианте & quot-Текст-DOS"- - интервалы значений параметров в столбцах от Atr1 до Atr_M-
— в варианте Excel — интервалы параметров в строках, определенных при когнитивной структуризации.
6. Формализация предметной области
6.1. Общие положения
Формализация предметной области осуществляется на основе ее предварительной когнитивной структуризации. Формализация предметной области — это конструирование классификационных и описательных шкал и градаций, как правило, порядкового типа с применением интервальных оценок, в системе которых предметная область описывается в форме, пригодной для обработки на компьютере с использованием математических моделей.
В соответствии с методом СК-анализа, каждый числовой фактор из таблиц 1 или 2, независимо от его смысла и единиц измерения, рассматривается как переменная числовая величина, принимающая определенное множество значений. Подобные величины формализуются путем сведения к интервальным значениям, т. е.
— введения некоторого количества диапазонов, охватывающих все множество значений фактора-
— установления фактов попадания конкретных значений величин в определенные диапазоны.
Для каждого фактора устанавливаются свои границы диапазонов, исходя из их количества и множества значений величины фактора.
Количество диапазонов может быть различным для разных факторов, но на практике удобнее выбирать его одинаковым для всех фактов.
Рассмотрим основные соображения, из которых исходят при выборе количества диапазонов. Чем больше диапазонов, тем точнее интервальные оценки. Однако это верно только тогда, когда, по крайней мере, для большинства диапазонов наблюдаются факты попадания значений факторов в них. Очевидно, для этого необходимо достаточно большое количество данных. Если их недостаточно, то многие диапазоны могут оказаться пустыми и модель приближается к детерминистскому типу. В этом случае имеет смысл уменьшить их количество, укрупнить их. При определении количества диапазонов необходимо учитывать также возможные ограничения базовой программной системы, в данном случае системы & quot-Эйдос"-.
Из этих рассуждений следует вывод о том, что при большом количестве данных оправданно увеличить количество диапазонов и повысить точность исследования. Когда же данных недостаточно, приходится укрупнять диапазоны, что приводит к некоторой вынужденной неточности выводов, но делает их более обоснованными статистически. По-видимому, это утверждение можно считать одним из следствий теоремы Котельникова об отсчетах.
СК-анализ предусматривает также возможность использования вторичных показателей, являющихся различными функциями первичных показателей. Однако этот подход требует данных большого объема за достаточно длительный период времени.
6.2. Программный интерфейс формализации предметной области
при исходных данных типа мТекст-Б08м
Ниже приводится полный исходный текст реального программного интерфейса на языке программирования хБАББ, реализующего все перечисленные выше 4 функции в соответствии с алгоритмом, приведенным выше.
******** ФОРМИРОВАНИЕ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ *****
******** и ОБУЧАЮЩЕЙ ВЫБОРКИ ИЗ СТАНДАРТНОГО DBF-Excel-файла ***************
******** ПРОФ. АРТУРА НИКОЛАЕВИЧА ЛЕБЕДЕВА И ТИМУРА ЩУКИНА ******************
******** Луценко Е. В. 02/05/04 09: 02am ************************************
PARAMETERS File_name
***** БЛОК-1. ОТОБРАЖЕНИЕ ИНФОРМАЦИИ О ФУНКЦИЯХ ПРОГРАММНОГО ИНТЕРФЕЙСА **********************
scr23 = SAVESCREEN (0,0,24,79)
SET CURSOR OFF SET DATE ITALIAN SET DECIMALS TO 15 SET ESCAPE On
FOR J=0 TO 24
@J, 0 SAY REPLICATE (& quot- «, 80) COLOR & quot-rg+/N"-
NEXT
SHOWTIME (0,60,.F. ,"-rg+/n"-,.F.,.F.)
Messl = & quot- === ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ == & quot-
Mess2 = & quot- === ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ == & quot-
Mess3 = & quot- === ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ == & quot-
@1,40-LEN (Mess1)/2 SAY Messl COLOR & quot-rg+/rb"-
@2,40-LEN (Mess2)/2 SAY Mess2 COLOR & quot-rg+/rb"-
@3,40-LEN (Mess3)/2 SAY Mess3 COLOR & quot-rg+/rb"-
** БЛОК-2. ПРОВЕРКА КОРРЕКТНОСТИ ИМЕНИ ФАЙЛА С ИСХОДНЫМИ ДАННЫМИ *****************************
Fn = File_name IF EMPTY (Fn)
Mess = & quot-Программа запускается с параметром: INPTIMUR. EXE & lt-File_name>-"-
@15,40-LEN (Mess)/2 SAY Mess COLOR & quot-rg+/rb"-
INKEY (0)
RESTSCREEN (0,0,24,79,scr23)
CLOSE ALL QUIT ENDIF
Pos_p = AT (& quot-. "-, Fn)
IF Pos_p = 0
Mess = & quot-У файла, указанного в качестве параметра, должен быть тип DBF& quot-
@15,40-LEN (Mess)/2 SAY Mess COLOR & quot-rg+/rb"-
INKEY (0)
RESTSCREEN (0,0,24,79,scr23)
CLOSE ALL QUIT ENDIF
Ext = UPPER (SUBSTR (Fn, Pos_p+1))
IF Ext & lt->- & quot-DBF"-
Mess = & quot-У файла, указанного в качестве параметра, должно быть расширение DBF& quot- @15,40-LEN (Mess)/2 SAY Mess COLOR & quot-rg+/rb"-
INKEY (0)
RESTSCREEN (0,0,24,79,scr23)
CLOSE ALL QUIT
Fns = ALLTRIM (SUBSTR (File_name, 1, Pos_p-1))
IF LEN (Fns) & gt- 5
Mess = & quot-Длина имени файла, указанного параметром, должна быть & lt-= 5 символов& quot- @15,40-LEN (Mess)/2 SAY Mess COLOR & quot-rg+/rb"-
INKEY (0)
RESTSCREEN (0,0,24,79,scr23)
CLOSE ALL QUIT
** БЛОК-3. ЗАДАНИЕ В ДИАЛОГЕ ДИАПАЗОНОВ СТОЛБЦОВ С КЛАССАМИ И ФАКТОРАМИ **********************
M_KodObj1 = 2 M_KodObj2 = 15
Mess = п Задайте диапазон номеров столбцов классов: #### ####п
@8,40-LEN (Mess)/2 SAY Mess COLOR, w+/rbп
@8,58 GET M_KodObj1 PICTURE & quot-####п COLOR & quot-гд+/г+п
@8,63 GET M_KodObj2 PICTURE & quot-####п COLOR & quot-гд+/г+п
M_KodAtr1 = 16 M_KodAtr2 = 49
Mess = & quot-Задайте диапазон номеров столбцов признаков: #### ####& quot-
@10,40-LEN (Mess)/2 SAY Mess COLOR '-^+/гЬп
@10,58 GET M_KodAtr1 PICTURE & quot-####п COLOR & quot-гд+/г+п
@10,63 GET M_KodAtr2 PICTURE & quot-####п COLOR & quot-гд+/г+п
SET CURSOR ON-READ-SET CURSOR OFF
IF LASTKEY ()=27. OR. M_KodObj1& gt-M_KodObj2. OR. M_KodAtr1& gt-M_KodAtr2 RESTSCREEN (0,0,24,79,scr23)
** БЛОК-4. РАСЧЕТ И ВЫВОД ИНФОРМАЦИИ О КОЛИЧЕСТВЕ КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ ******
USE Object EXCLUSIVE NEW-ZAP USE (Fns) EXCLUSIVE NEW
ENDIF
ENDIF
RETURN 2
ENDIF
N_OpSh = M_KodAtr2 — M_KodAtr1 + 1
& amp-&- Кол-во описательных шкал
N_KlSh = M_KodObj2 — M_KodObj1 + 1
& amp-&- Кол-во классификационных шкал
N Rec
RECCOUNT ()
M_Kod
0
Mess = & quot-КОЛИЧЕСТВО КЛАССИФИКАЦИОННЫХ ШКАЛ: & quot-+ALLTRIM (STR (N_KlSh, 5))
@14,40-LEN (Mess)/2 SAY Mess COLOR & quot-w+/rb"-
Mess = & quot-КОЛИЧЕСТВО ОПИСАТЕЛЬНЫХ ШКАЛ: & quot-+ALLTRIM (STR (N_OpSh, 5))
@15,40-LEN (Mess)/2 SAY Mess COLOR & quot-w+/rb"-
** БЛОК-5. РАСЧЕТ И ВЫВОД ИНФОРМАЦИИ О ПРЕДЕЛЬНОМ КОЛИЧЕСТВЕ ГРАДАЦИЙ ОПИСАТЕЛЬНЫХ ШКАЛ ****** PUBLIC Nmax_Grad := INT (4000/(N_GpSh))
Mess = & quot-Градаций в описательной шкале не более: & quot-+ALLTRIM (STR (Nmax_Grad, 5))
@18,40-LEN (Mess)/2 SAY Mess COLOR & quot-w+/rb"-
** БЛОК-6. ЗАДАНИЕ В ДИАЛОГЕ КОЛИЧЕСТВА ГРАДАЦИЙ (ИНТЕРВАЛОВ) В ОПИСАТЕЛЬНЫХ ШКАЛАХ **********
Mess = & quot-Задайте максимальное количество градаций в описательных шкалах: ####& quot- @20,40-LEN (Mess)/2 SAY Mess COLOR & quot-w+/rb"-
N_Grad = Nmax_Grad
@20,70 GET N_Grad PICTURE & quot-####"- COLOR & quot-rg+/r"-
SET CURSOR ON-READ-SET CURSOR OFF IF LASTKEY ()=27. OR. N_Grad & gt- Nmax_Grad RESTSCREEN (0,0,24,79,scr23)
RETURN 2 ENDIF
** БЛОК-7. ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ ***************************************
Mess1 = & quot- === ГЕНЕРАЦИЯ КЛАССИФИКАЦИОННЫХ ШКАЛ И ГРАДАЦИЙ == & quot-
@1,40-LEN (Mess1)/2 SAY Mess1 COLOR & quot-rg+*/rb"-
FOR f=M_KodObj1 TO M_KodObj2 & amp-&- Цикл по полям классов БД & amp-Fns
SELECT & amp-Fns
Fn = ALLTRIM (FIELDNAME (f)) & amp-&- Принадлежность к профессиональному типу
INDEX ON STR (999 999-& amp-Fn, 7) TO Mrk_uniq UNIQUE
DBGOTOP ()
DO WHILE. NOT. EOF ()
Fv = ALLTRIM (STR (FIELDGET (f)))
SELECT Object APPEND BLANK
REPLACE Kod WITH ++M_Kod REPLACE Name WITH & quot-MRK-"-+Fn+"--"-+Fv SELECT & amp-Fns DBSKIP (1)
ENDDO
NEXT
CLOSE ALL
** БЛОК-8. ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ ********************************************
Mess2 = „=== ГЕНЕРАЦИЯ ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ === „@2,40-LEN (Mess2)/2 SAY Mess2 COLOR „rg+*/rb“
Fns_ sh = Fns +“ '- sh“ & amp-&- БД для границ интервалов для SELECT
Fnd = Fns +» '-. dbf" & amp-&- БД для границ интервалов для COPY
Fnd_ sh = Fns_ sh+" '-. dbf" & amp-&- БД для границ интервалов для COPY
COPY FILE (Fnd) TO (Fnd_sh)
CLOSE ALL
USE Priz_ob EXCLUSIVE NEW-ZAP
USE Priz__per EXCLUSIVE NEW-ZAP
USE (Fns) EXCLUSIVE NEW
USE (Fns_sh) EXCLUSIVE NEW-ZAP-APPEND BLANK-APPEND BLANK-APPEND BLANK
SELECT & amp-Fns
N_Rec = RECCOUNT ()
Kod_prob= 0 Kod_prp = 0
@24,0 SAY REPLICATE (& quot--"-, 80) COLOR «rb/n»
FOR ff=M_KodAtr1 TO M_KodAtr2 & amp-&- Начало цикла по полям БД & amp-Fns
SELECT & amp-Fns
F_Name = FIELDNAME (ff)
INDEX ON STR (999 999-FIELDGET (ff), 7) TO Mrk_funi UNIQUE DBGOTOP () — F_MaxSH = FIELDGET (ff)
DBGOBOTTOM ()-F_MinSH = FIELDGET (ff)
Delta = (F_MaxSH-F_MinSH)/N_Grad
SELECT & amp-Fns_sh
DBGOTO (1)-FIELDPUT (ff, F_MaxSH)
DBGOTO (2)-FIELDPUT (ff, F_MinSH)
DBGOTO (3)-FIELDPUT (ff, Delta)
SELECT Priz_ob APPEND BLANK
REPLACE Kod WITH ++Kod_prob REPLACE Name WITH F_Name
@23,0 SAY REPLICATE (n-«, 80) COLOR & quot-rb/n»
FOR gr=1 TO N_Grad
SELECT Priz_per APPEND BLANK
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr)*Delta
M_Name = F_Name+": {"+ALLTRIM (STR (F_MinGR, 5))+", «+ALLTRIM (STR (F_MaxGR, 5))+"}»
REPLACE Kod WITH ++Kod_prp
REPLACE Kod_ob_pr WITH Kod_prob REPLACE Name WITH M_Name
SELECT Priz_ob FIELDPUT (gr+2,Kod_prp)
p=gr/N_Grad*100-p=IF (p& lt-=100,p, 100)
@23,0 SAY STR (p, 3)+"%" COLOR «w+/r+»
@23,4 SAY REPLICATE («-», 0. 76*p) COLOR «rb+/n»
NEXT
p=ff/N_GpSh*100-p=IF (p& lt-=100,p, 100)
@24,0 SAY STR (p, 3)+"%" COLOR «w+/r+»
@24,4 SAY REPLICATE («-», 0. 76*p) COLOR «rb+/n»
NEXT
CLOSE ALL
** БЛОК-9. ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ *******************************************************
Mess3 = «=== ГЕНЕРАЦИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ == „
@3,40-LEN (Mess3)/2 SAY Mess3 COLOR „rg+*/rb“
USE Object EXCLUSIVE NEW INDEX ON Name TO Obj_name
USE Priz__per EXCLUSIVE NEW
INDEX ON Name TO Prpe_nam
CLOSE ALL
USE Object INDEX Obj_name EXCLUSIVE NEW
USE Priz__per INDEX Prpe_nam EXCLUSIVE NEW
USE (Fns) EXCLUSIVE NEW USE (Fnd_sh) EXCLUSIVE NEW USE ObInfZag EXCLUSIVE NEW-ZAP USE ObInfKpr EXCLUSIVE NEW-ZAP
N_Rec = RECCOUNT ()
DBGOTOP ()
@24,0 SAY REPLICATE („-“, 80) COLOR „rb/n“
M_KodIst = 0
SELECT & amp-Fns
N_Rec = RECCOUNT ()
Num = 0
DBGOTOP ()
DO WHILE. NOT. EOF ()
A_Obj = {}
****** База заголовков SELECT & amp-Fns
M_NameIst = FIELDGET (1)
FOR f=M_KodObj1 TO M_KodObj2 & amp-&- Цикл по полям классов БД & amp-Fns
SELECT & amp-Fns
Fn = ALLTRIM (FIELDNAME (f)) & amp-&- Принадлежность к профессиональному типу
Fv = ALLTRIM (STR (FIELDGET (f)))
SELECT Object-SET ORDER TO 1-T=DBSEEK („MRK-"+Fn+"-"+Fv)
IF T
AADD (A_Obj, Kod)
ENDIF
NEXT
ASORT (A_Obj)
SELECT ObInfZag APPEND BLANK
REPLACE Kod_ist WITH ++M_KodIst REPLACE Name_ist WITH M_NameIst FOR jj=1 TO LEN (A_Obj)
FIELDPUT (jj+2,A_Obj[jj])
NEXT
****** База признаков SELECT & amp-Fns
******* Формирование массива первичных признаков из БД & amp-Fns Ar = {}
FOR ff=M_KodAtr1 TO M_KodAtr2 & amp-&- Начало цикла по полям БД & amp-Fns
AADD (Ar, FIELDGET (ff))
NEXT
******* Формирование массива кодов признаков из БД & amp-Fns M_KodPr = {}
FOR jj=1 TO LEN (Ar)
SELECT & amp-Fns_sh
F_Name = FIELDNAME (jj+M_KodAtr1−1)
DBGOTO (1)-F_MaxSH = FIELDGET (jj+M_KodAtr1−1)
DBGOTO (2)-F_MinSH = FIELDGET (jj+M_KodAtr1−1)
Delta = (F_MaxSH-F_MinSH)/N_Grad FOR gr=1 TO N_Grad
F_MinGR = F_MinSH+(gr-1)*Delta F_MaxGR = F_MinSH+(gr)*Delta IF F_MinGR & lt-= Ar[jj]. AND. Ar[jj] & lt-= F_MaxGR
M_Name = F_Name+“: {"+ALLTRIM (STR (F_MinGR, 5))+“, „+ALLTRIM (STR (F_MaxGR, 5))+"}“
SELECT Priz_per-SET ORDER TO 1-T=DBSEEK (M_Name)
IF T
AADD (M_KodPr, Kod)
ENDIF
ENDIF
NEXT
NEXT
******* Запись массива кодов признаков из БД & amp-Fns в БД ObInfKpr
SELECT ObInfKpr
APPEND BLANK
FIELDPUT (1,M_KodIst)
k=2
FOR jj=1 TO LEN (M_KodPr)
IF k & lt-= 12
FIELDPUT (k++, M_KodPr[jj])
ELSE
APPEND BLANK
FIELDPUT (1,M_KodIst)
k=2
FIELDPUT (k, M_KodPr[jj])
ENDIF
NEXT
p=++Num/N_Rec*100-p=IF (p& lt-=100,p, 100)
@24,0 SAY STR (p, 3)+"%» COLOR «w+/r+»
@24,4 SAY REPLICATE («-», 0. 76*p) COLOR «rg+/n»
SELECT & amp-Fns DBSKIP (1)
ENDDO
Mess = «ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! «
@24,40-LEN (Mess)/2 SAY Mess COLOR «rg+/rb»
INKEY (0)
RESTSCREEN (0,0,24,79,scr23)
CLOSE ALL
QUIT
Этот программный интерфейс работает с исходными данными, получающимися из данных типа & quot-Текст-DOS"- после загрузки их в Excel и записи в DBF-файл (тип файла DBF DBase IV). Загрузка файла & quot-Текст-DOS"- осуществляется по технологии, представленной в работе [7]. При запуске программы DBF-файл с исходными данными указывается в качестве параметра. В диалоге задаются номера столбцов с информацией по классам и факторам, а также количество интервалов (градаций в описательных шкалах). Количество объектов обучающей выборки неограниченно.
В результате работы программного интерфейса автоматически формируются справочники классификационных и описательных шкал и градаций, а также обучающая выборка (табл. 3 и 4), что позволяет непосредственно приступить к выполнению последующих этапов СК-анализа, т. е. к синтезу модели, ее оптимизации и проверке на адекватность и т. д., которые осуществляются средствами самой системы & quot-Эйдос"-.
Таблица 3. КЛАССИФИКАЦИОННЫЕ И ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ В СТАНДАРТЕ мТЕКСТ-DOSм
КЛАССИФИКАЦИОННЫЕ
ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ
ШКАЛЫ И ГРАДАЦИИ
1 Код Наименование| | Код | Наименование | | Код | Наименование |
1 | 1 1 МИК-Т01−70.| 1 |[ 1]|АУМ 1 | 1 |[ 3]|М02 1 |
1 2 МИК-Т02−130.| | 1 |АУМ: {-40, -18}.| | 11 |М02: {-51, -13}. |
1 3 МИК-Т02−70.| | 2 |АУМ: 4 8 1 — | 12 |М02: {-13, 25}. |
1 4 МИК-Т03−70.| | 3 |АУМ: {4, 26} | | 13 |М02: {25, 63}… |
1 5 МИК-Т04−130.| | 4 |АУМ: {26, 48}…| | 14 |М02: {63, 101}. |
1 6 МИК-Т04−70.| | 5 |АУМ: {48, 70}…| | 15 |М02: {101, 139}. |
|[ 2]|М01 | |[ 4]|М03 |
| 6 |М01: {-135, -88}| | 16 |М03: {31, 60}… |
| 7 |М01: {-88, -41}.| | 17 |М03: {60, 88}… |
| 8 |М01: 6 1 4 — | 18 |М03: {88, 117}. |
| 9 |М01: {6, 53} | | 19 |М03: {117, 145}. |
| 10 |М01: {53, 100}.| | 20 |М03: {145, 174}. |
Таблица 4. ОБУЧАЮЩАЯ ВЫБОРКА В СТАНДАРТЕ
мТЕКСТ-DOSм
Объект обуч.
Коды классов Коды факторов
выб.
Код Наим. Obj1 Obj2 Obj3 Obj4 Atr1 Atr2 Atr3 Atr4
1 3028N 1 3 4 б 3 10 1б 1В
2 3489N 1 3 4 б 3 В 13 20
З 4010N 1 3 4 б 2 В 11 17
4 4512N 1 3 4 б 2 9 11 1б
б 4993N 1 3 4 б б б 13 1В
б 5452N 1 3 4 б 3 В 1б 17
7 5954N 1 2 4 б б 10 13 17
В 6494N 1 3 4 б 1 б 12 17
9 6955N 1 3 4 б б 7 1б 1В
10 7476N 1 3 4 б 1 В 11 16
6.3. Инструментарий работы с исходными данными типа
& quot-Документ Word& quot- или & quot-Таблица Excel& quot-
Прежде всего, таблицы из документов Word преобразуются в таблицы Exce следующим образом:
1. Выделяем блоком таблицу Word.
2. Помещаем блок в буфер обмена.
3. Вставляем таблицу из буфера обмена в Excel.
4. Форматируем таблицу в Excel (оформляем заголовок и шапки, задаем форматы вывода текстовых и числовых значений, устанавливаем высоту строки и ширину столбцов, создаем сетку разметки и т. п.).
5. Определяем области значений классов и факторов, т. е. минимальное и максимальное значения каждого класса и фактора.
6. Получаем величину интервалов для каждого класса и фактора исходя из их областей значений и количества интервалов.
7. Находим минимальное и максимальное значения для каждого интервала.
В результате выполнения этих шагов из исходных данных, представленных в форме таблицы 2, получаем таблицу 5
Таблица 5. ОБЛАСТИ ЗНАЧЕНИЙ И ГРАНИЦЫ ДИАПАЗОНОВ ИЗМЕНЕНИЯ ФАКТОРОВ В СТАНДАРТАХ & quot-ТАБЛИЦА WORD»,
& quot-ТАБЛИЦА EXCEL& quot-
№ Наименование показателя Область значений D Диапазоны (интервалы)
1-й 2-й 3-й 4-й 5-й
Min Max Min Max Min Max Min Max Min Max Min Max
Зереявызвдеш- бобовые
1 Валовой сбор, тыс. т. 3532 8481 99Q 3532 4522 4522 5512 5512 65Q2 65Q2 7491 7491 8481
2 Уборочная площадь, тыс. га 1464 21Q3 128 1464 1592 1592 1719 1719 1847 1847 1975 1975 21Q3
3 Урожайность, ц/га 24 42 3 24 28 28 31 31 35 35 38 38 42
в т. ч. пшеница
4 Валовой сбор, тыс. т. 1962 5393 686 1962 2648 2648 3334 3334 4Q21 4Q21 47Q7 47Q7 5393
5 Уборочная площадь, тыс. га 692 1211 1Q4 692 796 796 9QQ 9QQ 1QQ4 1QQ4 11Q7 11Q7 1211
6 Урожайность, ц/га 28 47 4 28 32 32 36 36 39 39 43 43 47
Ячмень
7 Валовой сбор, тыс. т. 8Q6 1825 2Q4 8Q6 1Q1Q 1Q1Q 1214 1214 1417 1417 1621 1621 1825
8 Уборочная площадь, тыс. га 323 477 31 323 354 354 385 385 415 415 446 446 477
9 Урожайность, ц/га 25 39 3 25 28 28 31 31 34 34 36 36 39
кукуруза на зерно
10 Валовой сбор, тыс. т. 252 633 76 252 328 328 4Q4 4Q4 481 481 557 557 633
11 Уборочная площадь, тыс. га 21Q 267 11 21Q 221 221 233 233 244 244 255 255 267
12 Урожайность, ц/га 13 3Q 3 13 16 16 2Q 2Q 23 23 26 26 3Q
Рис
13 Валовой сбор, тыс. 314 462 3Q 314 344 344 373 373 4Q3 4Q3 432 432 462
т.
14 Уборочная площадь, тыс. га 92 113 4 92 96 96 100 100 104 104 109 109 113
15 Урожайность, ц/га 30 42 3 30 32 32 35 35 37 37 40 40 42
Сахарная свекла
16 Валовой сбор, тыс. т. 2134 4202 414 2134 2548 2548 2961 2961 3375 3375 3789 3789 4202
17 Уборочная площадь, тыс. га 126 163 7 126 134 134 141 141 148 148 156 156 163
18 Урожайность, ц/га 142 295 31 142 173 173 203 203 234 234 264 264 295
Подсолнечник
19 Валовой сбор, тыс. т. 469 732 53 469 521 521 574 574 627 627 680 680 732
20 Уборочная площадь, тыс. га 352 472 24 352 376 376 400 400 424 424 448 448 472
21 Урожайность, ц/га 12 17 1 12 13 13 14 14 15 15 16 16 17
Соя
22 Валовой сбор, тыс. т. 36 97 12 36 48 48 60 60 72 72 84 84 97
23 Уборочная площадь, тыс. га 44 78 7 44 51 51 58 58 65 65 71 71 78
24 Урожайность, ц/га 5 18 2 5 8 8 10 10 13 13 15 15 18
Используя данные таблицы 5, сконструируем классификационные шкалы и градации (табл. 6 и 7)
Таблица 6. КЛАССИФИКАЦИОННЫЕ ШКАЛЫ И ГРАДАЦИИ В СТАНДАРТАХ & quot-ТАБЛИЦА WORD& quot-, & quot-ТАБЛИЦА EXCEL& quot-
Код Наименования классификационных шкал и градаций
1 ВАЛОВОЙ СБОР — очень низкий
2 ВАЛОВОЙ СБОР — низкий
3 ВАЛОВОЙ СБОР — средний
4 ВАЛОВОЙ СБОР — высокий
5 ВАЛОВОЙ СБОР — очень высокий
6 ВАЛОВОЙ СБОР ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ — очень низкий
7 ВАЛОВОЙ СБОР ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ — низкий
8 ВАЛОВОЙ СБОР ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ — средний
9 ВАЛОВОЙ СБОР ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ — высокий
10 ВАЛОВОЙ СБОР ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ — очень высокий
11 ВАЛОВОЙ СБОР ПШЕНИЦЫ — очень низкий
12 ВАЛОВОЙ СБОР ПШЕНИЦЫ — низкий
13 ВАЛОВОЙ СБОР ПШЕНИЦЫ — средний
14 ВАЛОВОЙ СБОР ПШЕНИЦЫ — высокий
15 ВАЛОВОЙ СБОР ПШЕНИЦЫ — очень высокий
16 ВАЛОВОЙ СБОР ЯЧМЕНЯ — очень низкий
17 ВАЛОВОЙ СБОР ЯЧМЕНЯ — низкий
18 ВАЛОВОЙ СБОР ЯЧМЕНЯ — средний
19 ВАЛОВОЙ СБОР ЯЧМЕНЯ — высокий
20 ВАЛОВОЙ СБОР ЯЧМЕНЯ — очень высокий
21 ВАЛОВОЙ СБОР КУКУРУЗЫ — очень низкий
22 ВАЛОВОЙ СБОР КУКУРУЗЫ — низкий
23 ВАЛОВОЙ СБОР КУКУРУЗЫ — средний
24 ВАЛОВОЙ СБОР КУКУРУЗЫ — высокий
25 ВАЛОВОЙ СБОР КУКУРУЗЫ — очень высокий
26 ВАЛОВОЙ СБОР РИСА — очень низкий
27 ВАЛОВОЙ СБОР РИСА — низкий
28 ВАЛОВОЙ СБОР РИСА — средний
29 ВАЛОВОЙ СБОР РИСА — высокий
30 ВАЛОВОЙ СБОР РИСА — очень высокий
31 ВАЛОВОЙ СБОР САХАРНОЙ СВЕКЛЫ — очень низкий
32 ВАЛОВОЙ СБОР САХАРНОЙ СВЕКЛЫ — низкий
33 ВАЛОВОЙ СБОР САХАРНОЙ СВЕКЛЫ — средний
34 ВАЛОВОЙ СБОР САХАРНОЙ СВЕКЛЫ — высокий
35 ВАЛОВОЙ СБОР САХАРНОЙ СВЕКЛЫ — очень высокий
36 ВАЛОВОЙ СБОР ПОДСОЛНЕЧНИКА — очень низкий
37 ВАЛОВОЙ СБОР ПОДСОЛНЕЧНИКА — низкий
38 ВАЛОВОЙ СБОР ПОДСОЛНЕЧНИКА — средний
39 ВАЛОВОЙ СБОР ПОДСОЛНЕЧНИКА — высокий
40 ВАЛОВОЙ СБОР ПОДСОЛНЕЧНИКА — очень высокий
41 ВАЛОВОЙ СБОР СОИ — очень низкий
42 ВАЛОВОЙ СБОР СОИ — низкий
43 ВАЛОВОЙ СБОР СОИ — средний
44 ВАЛОВОЙ СБОР СОИ — высокий
45 ВАЛОВОЙ СБОР СОИ — очень высокий
Таблица 7. ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ В СТАНДАРТАХ & quot-ТАБЛИЦА WORD& quot-, & quot-ТАБЛИЦА EXCEL& quot-
Код Наименования описательных шкал и градаций Код Наименования описательных шкал и градаций
УБОРОЧНАЯ ПЛОЩАДЬ ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ: УРОЖАЙНОСТЬ ЗЕРНОВЫХ И ЗЕРНОБОБОВЫХ:
1 очень низкая 41 очень низкая
2 Низкая 42 низкая
3 Средняя 43 средняя
4 Высокая 44 высокая
5 очень высокая 45 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ ПШЕНИЦЫ: УРОЖАЙНОСТЬ ПШЕНИЦЫ:
6 очень низкая 46 очень низкая
7 Низкая 47 низкая
8 Средняя 48 средняя
9 Высокая 49 высокая
10 очень высокая 50 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ ЯЧМЕНЯ: УРОЖАЙНОСТЬ ЯЧМЕНЯ:
11 очень низкая 51 очень низкая
12 Низкая 52 низкая
13 Средняя 53 средняя
14 Высокая 54 высокая
15 очень высокая 55 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ КУКУРУЗЫ: УРОЖАЙНОСТЬ КУКУРУЗЫ:
16 очень низкая 56 очень низкая
17 Низкая 57 низкая
18 Средняя 58 средняя
19 Высокая 59 высокая
20 очень высокая 60 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ РИСА: УРОЖАЙНОСТЬ РИСА:
21 очень низкая 61 очень низкая
22 Низкая 62 низкая
23 Средняя 63 средняя
24 Высокая 64 высокая
25 очень высокая 65 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ УРОЖАЙНОСТЬ
САХАРНОЙ СВЕКЛЫ: САХАРНОЙ СВЕКЛЫ:
26 очень низкая 66 очень низкая
27 Низкая 67 низкая
28 Средняя 68 средняя
29 Высокая 69 высокая
30 очень высокая 70 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ ПОДСОЛНЕЧНИКА: УРОЖАЙНОСТЬ ПОДСОЛНЕЧНИКА:
31 очень низкая 71 очень низкая
32 Низкая 72 низкая
33 Средняя 73 средняя
34 Высокая 74 высокая
35 очень высокая 75 очень высокая
УБОРОЧНАЯ ПЛОЩАДЬ СОИ: УРОЖАЙНОСТЬ СОИ:
36 очень низкая 76 очень низкая
37 Низкая 77 низкая
38 Средняя 78 средняя
39 Высокая 79 высокая
40 очень высокая 80 очень высокая
7. Подготовка обучающей выборки
После реализации этапов конструирования классификационных и описательных шкал и градаций выполняется следующий этап: подготовка базы прецедентов (обучающей выборки). Обучающая выборка (табл. 8) представляет собой исходные данные (см. табл. 2), закодированные с использованием классификационных и описательных шкал и градаций (см. табл. 6 и 7), и состоит из двух взаимосвязанных таблиц:
— таблицы кодов классов-
— таблицы кодов градаций факторов.
Таблица 8. ОБУЧАЮЩАЯ ВЫБОРКА В СТАНДАРТАХ & quot-ТАБЛИЦА WORD& quot-, & quot-ТАБЛИЦА EXCEL& quot-
№ Наименование показателя и единиц измерения 1998 г. 1999 г. 2000 г. 2001 г. 2002 г.
Зерновые и зернобобовые
1 Валовой сбор, тыс. т. 6 8 9 1Q 1Q
2 Уборочная площадь, тыс. га 1 4 4 5 5
3 Урожайность, ц/га 41 43 43 45 45
в т. ч. пшеница
4 Валовой сбор, тыс. т. 11 14 14 15 15
5 Уборочная площадь, тыс. га 6 1Q 9 1Q 1Q
6 Урожайность, ц/га 46 48 48 5Q 5Q
ячмень
7 Валовой сбор, тыс. т. 16 18 19 2Q 2Q
8 Уборочная площадь, тыс. га 11 11 14 15 15
9 Урожайность, ц/га 51 54 54 55 55
кукуруза на зерно
10 Валовой сбор, тыс. т. 22 23 25 21 25
11 Уборочная площадь, тыс. га 2Q 16 2Q 16 16
12 Урожайность, ц/га 56 58 58 56 6Q
рис
13 Валовой сбор, тыс. т. 26 26 3Q 28 29
14 Уборочная площадь, тыс. га 21 25 25 22 23
15 Урожайность, ц/га 62 61 65 65 65
Сахарная свекла
16 Валовой сбор, тыс. т. 31 32 32 33 35
17 Уборочная площадь, тыс. га 29 3Q 26 26 28
18 Урожайность, ц/га 66 67 68 69 7Q
Подсолнечник
19 Валовой сбор, тыс. т. 37 38 38 36 4Q
20 Уборочная площадь, тыс. га 35 35 32 31 33
21 Урожайность, ц/га 71 71 74 72 75
Соя
22 Валовой сбор, тыс. т. 41 42 42 41 45
23 Уборочная площадь, тыс. га 4Q 36 36 36 38
24 Урожайность, ц/га 76 77 78 77 8Q
В таблице 8 объектам обучающей выборки соответствуют столбцы с информацией по годам. В каждой группе строк первая строка содержит коды классов, а две последующие — факторов.
Выводы
Предложенные типовая методика и инструментарий, включая программный интерфейс, обеспечивают высокую степень автоматизации выполнения первого этапа системно-когнитивного анализа, т. е. когнитивную структуризацию и формализацию задач интеллектуальной обработки данных с применением системы & quot-Эйдос"-, что позволяет:
— повысить качество семантических информационных моделей-
— достичь существенной экономии труда и времени на синтез семантической информационной модели объекта исследования-
— исследовать различные варианты моделей, оперативно отслеживать динамику предметной области.
Список литературы
1. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационнотехнических систем): Монография (научное издание). — Краснодар: КубГАУ, 2002. -605 с.
2. Луценко Е. В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов & quot-ЭЙДОС-5. 1"-). — Краснодар: КЮИ МВД РФ, 1996. — 280 с.
3. Пат. № 940 334. РФ. Универсальная автоматизированная система анализа и прогнозирования ситуаций на фондовом рынке & quot-ЭЙДОС-фонд"- / Е. В. Луценко (Россия), Б. Х. Шульман (США) — Заяв. № 940 336. Опубл. 23. 08. 94. — 50 с.
4. Пат. № 2 003 610 987 РФ. Автоматизированная система комплексной обработки данных психологического тестирования & quot-ЭЙДОС-?"- / Е. В. Луценко (Россия), С. Д. Некрасов (Россия) — Заяв. № 2 003 610 511 РФ. Опубл. от 22. 04. 2003. — 50 с.
5. Пат. № 2 003 610 986 РФ. Универсальная когнитивная аналитическая система & quot-ЭЙДОС"- / Е. В. Луценко (Россия) — Заяв. № 2 003 610 510 РФ. Опубл. от 22. 04. 2003. -
50 с.
6. Пат. № 940 217. РФ. Универсальная автоматизированная система распознавания образов & quot-ЭЙДОС"- / Е. В. Луценко (Россия) — Заяв. № 940 103. Опубл. 11. 05. 94. — 50 с.
7. Луценко Е. В. Методика использования репозитария иС1 для оценки качества математических моделей систем искусственного интеллекта // Научный журнал КубГАУ. 2003. № 2. ЬИр: //еі. kubagro. ru.

Показать Свернуть
Заполнить форму текущей работой