PreprintPDF Available

LINGUISTIC AUTOMATED SYSTEMIC COGNITIVE ANALYSIS OF THE DEPENDENCE OF CLOVER YIELD ON FERTILIZER, SOIL TREATMENT AND YEAR OF USE

Authors:
Preprints and early-stage research may not have been peer reviewed yet.

Abstract

This work is a continuation of a series of works by the author on the use of Automated System Cognitive Analysis (ASC-analysis) for solving a wide range of problems in the field of agronomy, i.e. in cognitive agronomy. The paper solves the problem of identifying the dependence of clover yield on fertilizers, tillage and the year of use. Based on the knowledge of these dependencies, the problems of forecasting, decision-making and research of the modeled subject area are solved by studying its system-cognitive model. The specificity of this problem is that all independent variables are linguistic (categorical) variables. Therefore, to solve this problem, linguistic ASC-analysis is used, i.e. cognitive mathematical linguistics. At the same time, the yield of clover itself is measured on a numerical scale. In this way, In this work, a hybrid model is built, including both nominal (text) and numerical scales. The comparability of processing data of different types, presented in different types of scales and different units of measurement, is ensured by metrization of nominal scales, i.e. increasing their degree of formalization to the level of numerical scales. This is achieved by calculating the amount of information contained in the gradations of nominal scales and obtaining one or another yield. A brief description of the ASC-analysis and its software tools - the intellectual system "Eidos" is given. The work can be the basis for laboratory work on the use of artificial intelligence systems, in particular, linguistic ASC-analysis for solving problems in the field of cognitive agronomy.
Научный журнал КубГАУ, №180(06), 2022 год
32УДК 004.8 UDC 004.8
06.01.01 – Общее земледелие, растениеводство
(сельскохозяйственные науки)
01/06/01 - General farming, crop production (agricultural
sciences)
ЛИНГВИСТИЧЕСКИЙ
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-
КОГНИТИВНЫЙ АНАЛИЗ ЗАВИСИМОСТИ
УРОЖАЙНОСТИ КЛЕВЕРА ОТ УДОБРЕНИЙ,
ОБРАБОТКИ ПОЧВЫ И ГОДА ПОЛЬЗОВАНИЯ
LINGUISTIC AUTOMATED SYSTEMIC
COGNITIVE ANALYSIS OF THE DEPENDENCE OF
CLOVER YIELD ON FERTILIZER, SOIL
TREATMENT AND YEAR OF USE
Луценко Евгений Вениаминович Lutsenko Evgeniy Veniaminovich
д.э.н., к.т.н., профессор Doctor of Economics, Ph.D., Professor
Web of Science ResearcherID S-8667-2018 Web of Science ResearcherID S-8667-2018
Scopus Author ID: 57188763047 Scopus Author ID: 57188763047
РИНЦ SPIN-код: 9523-7101 RSCI SPIN code: 9523-7101
prof . lutsenko @ gmail . com http :// lc . kubagro . ru prof . lutsenko @ gmail . com http :// lc . kubagro . ru
https :// www . researchgate . net / profile / Eugene _ Lutsenko https :// www . researchgate . net / profile / Eugene _ Lutsenko


Грушевская Татьяна Михайловна,
Доктор филологических наук, профессор


 !"# #$%&' '( !)!(*$'+(#,! -$. /#$'011'(2(!
' +!3. '4++(
Grushevskaya Tatyana Mikhailovna,
Doctor of Philology, Professor
 !"# #$)!(*$'+(#,' +!3. '4++(
Данная работа является продолжением серии работ
автора по применению Автоматизированного
системно-когнитивного анализа (АСК-анализ) для
решения широкого спектра задач в области агрономии,
т.е. по когнитивной агрономии. В работе решается
задача выявления зависимости урожайности клевера от
удобрений, обработки почвы и года пользования. На
основе знания этих зависимостей решаются задачи
прогнозирования, принятия решений и исследования
моделируемой предметной области путем
исследования ее системно-когнитивной модели.
Спецификой данной задачи является то, что все
независимые переменные являются лингвистическими
(категориальными) переменными. Поэтому для
решения данной задачи применяется лингвистический
АСК-анализ, т.е. когнитивная математическая
лингвистика. При этом сама урожайность клевера
измеряется в числовой шкале. Таким образом, в работе
строится гибридная модель, включающая как
номинальные (текстовые), так и числовые шкалы.
Сопоставимость обработки данных разных типов,
представленных в разных типах шкал и разных
единицах измерения обеспечивается путем метризации
номинальных шкал, т.е. повышения их степени
формализации до уровня числовых шкал. Это
достигается путем вычисления количества
информации, содержащегося в градациях номинальных
шкал и получении той или иной урожайности.
Приводится краткое описание АСК-анализа и его
программного инструментария – интеллектуальной
системы «Эйдос». Работа может быть основой для
лабораторных работ по применению систем
искусственного интеллекта, в частности
лингвистического АСК-анализа для решения задач в
области когнитивной агрономии.
This work is a continuation of a series of works by the
author on the use of Automated System Cognitive Analysis
(ASC-analysis) for solving a wide range of problems in the
field of agronomy, i.e. in cognitive agronomy. The paper
solves the problem of identifying the dependence of clover
yield on fertilizers, tillage and the year of use. Based on the
knowledge of these dependencies, the problems of
forecasting, decision-making and research of the modeled
subject area are solved by studying its system-cognitive
model. The specificity of this problem is that all
independent variables are linguistic (categorical) variables.
Therefore, to solve this problem, linguistic ASC-analysis is
used, i.e. cognitive mathematical linguistics. At the same
time, the yield of clover itself is measured on a numerical
scale. In this way, In this work, a hybrid model is built,
including both nominal (text) and numerical scales. The
comparability of processing data of different types,
presented in different types of scales and different units of
measurement, is ensured by metrization of nominal scales,
i.e. increasing their degree of formalization to the level of
numerical scales. This is achieved by calculating the
amount of information contained in the gradations of
nominal scales and obtaining one or another yield. A brief
description of the ASC-analysis and its software tools - the
intellectual system "Eidos" is given. The work can be the
basis for laboratory work on the use of artificial
intelligence systems, in particular, linguistic ASC-analysis
for solving problems in the field of cognitive agronomy.
Ключевые слова: ЛИНГАВИСТИЧЕСКИЙ АСК-
АНАЛИЗ, ЛИНГВИСТИЧЕСКИЙ
АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-
КОГНИТИВНЫЙ АНАЛИЗ, КОГНИТИВНАЯ
Keywords: LINGUISTIC ASK-ANALYSIS, LINGUISTIC
AUTOMATED SYSTEMIC COGNITIVE ANALYSIS,
COGNITIVE AGRONOMY, INTELLIGENT SYSTEM
"EIDOS",
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
АГРОНОМИЯ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА
http://dx.doi.org/10.21515/1990-4665-180-009
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
СОДЕРЖАНИЕ
1. INTRODUCTION ВВЕДЕНИЕ)............................................................................................................. 3
1.1. ОПИСАНИЕ ИССЛЕДУЕМОЙ ПРЕДМЕТНОЙ ОБЛАСТИ.....................................................................................3
1.2. ОБЪЕКТ И ПРЕДМЕТ ИССЛЕДОВАНИЯ..........................................................................................................3
1.3. ПРОБЛЕМА, РЕШАЕМАЯ В РАБОТЕ И ЕЕ АКТУАЛЬНОСТЬ...........................................................................3
1.4. ЦЕЛЬ РАБОТЫ...............................................................................................................................................3
2. METHODS МЕТОДЫ)........................................................................................................... ............. .. 4
2.1. ОБОСНОВАНИЕ ТРЕБОВАНИЙ К МЕТОДУ РЕШЕНИЯ ПРОБЛЕМЫ................................................................4
2.2. ЛИТЕРАТУРНЫЙ ОБЗОР МЕТОДОВ РЕШЕНИЯ ПРОБЛЕМЫ, ИХ ХАРАКТЕРИСТИКА И ОЦЕНКА СТЕПЕНИ
СООТВЕТСТВИЯ ОБОСНОВАННЫМ ТРЕБОВАНИЯМ.............................................................................................4
2.3. АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ АСК-АНАЛИЗ) КАК МЕТОД РЕШЕНИЯ
ПРОБЛЕМЫ............................................................................................................................................................ 4
2.4. СИСТЕМА «ЭЙДОС» - ИНСТРУМЕНТАРИЙ АСК-АНАЛИЗА..........................................................................6
2.5. ЦЕЛЬ И ЗАДАЧИ РАБОТЫ...........................................................................................................................11
3. RESULTS РЕЗУЛЬТАТЫ).......................................................................................................... ....... 13
3.1. ЗАДАЧА-1. КОГНИТИВНАЯ СТРУКТУРИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ. ДВЕ ИНТЕРПРЕТАЦИИ
КЛАССИФИКАЦИОННЫХ И ОПИСАТЕЛЬНЫХ ШКАЛ И ГРАДАЦИЙ......................................................................13
3.2. ЗАДАЧА-2. ФОРМАЛИЗАЦИЯ ПРЕДМЕТНОЙ ОБЛАСТИ..............................................................................14
3.3. ЗАДАЧА-3. СИНТЕЗ СТАТИСТИЧЕСКИХ И СИСТЕМНО-КОГНИТИВНЫХ МОДЕЛЕЙ.
МНОГОПАРАМЕТРИЧЕСКАЯ ТИПИЗАЦИЯ И ЧАСТНЫЕ КРИТЕРИИ ЗНАНИЙ......................................................20
3.4. ЗАДАЧА-4. ВЕРИФИКАЦИЯ МОДЕЛЕЙ........................................................................................................29
3.5. ЗАДАЧА-5. ВЫБОР НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ..........................................................................33
3.6. ЗАДАЧА-6. СИСТЕМНАЯ ИДЕНТИФИКАЦИЯ И ПРОГНОЗИРОВАНИЕ..........................................................34


  ! "
#$%&&'() * +&,
3.7. ЗАДАЧА-7. ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ.........................................................................................40
"-). )**%/*&) *0) 
 '() 012345#6
"$ )**% &) !!!) *
 785+&#
3.8. ЗАДАЧА-8. ИССЛЕДОВАНИЕ ОБЪЕКТА МОДЕЛИРОВАНИЯ ПУТЕМ ИССЛЕДОВАНИЯ ЕГО МОДЕЛИ.........46
,  12345&)!%9
)(:#
,85  
,85 )!%#
,#;&+&"
,<**6
,=5 6
,"=5 & * 9)& 
) &)&/&*:
,,=5 & *' 
9)& ) &)&/&*:"
,>8 '(,
,6?)!%!&(,#
,)&  '(!%,
4. DISCUSSION ОБСУЖДЕНИЕ)................................................................................................. ......... 88
5. CONCLUSIONS ВЫВОДЫ)............................................................................................ ............ ...... 89
REFERENCES ЛИТЕРАТУРА).......................................................................................................... .... 90
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
1. INTRODUCTION ВВЕДЕНИЕ)
1.1. Описание исследуемой предметной области
Данная работа является продолжением серии работ автора по
применению Автоматизированного системно-когнитивного анализа (АСК-
анализ) для решения широкого спектра задач в области агрономии, т.е. по
когнитивной агрономии [1, 2, 3]. В работе решается задача выявления
зависимости урожайности клевера от удобрений, обработки почвы и года
пользования. На основе знания этих зависимостей решаются
разнообразные задачи прогнозирования, принятия решений и
исследования моделируемой предметной области путем исследования ее
системно-когнитивной модели (СК-модель).
1.2. Объект и предмет исследования
Объект исследования выявление зависимостей урожайности
сельскохозяйственных культур от различных природно-климатических и
агротехнологических факторов.
Предмет исследования выявление зависимости урожайности
клевера от удобрений, обработки почвы и года пользования.
1.3. Проблема, решаемая в работе и ее актуальность
Спецификой данной задачи является то, что все независимые
переменные являются лингвистическими (категориальными)
переменными, а сама урожайность клевера при этом измеряется в
числовой шкале. Таким образом, в работе решается проблема построения
гибридной модели, включающей как номинальные (текстовые), так и
числовые шкалы и обеспечивающей сопоставимость обработки данных
разных типов, представленных в разных типах шкал и разных единицах
измерения.
Решение поставленной проблемы сопоставимости при выявлении
зависимости урожайности клевера от удобрений, обработки почвы и года
пользования в данной работе делает ее актуальной.
1.4. Цель работы
Целью работы является решение поставленной проблемы.
Достижение поставленной цели обеспечивается решением
следующих задач и подзадач, которые являются этапами достижения
цели. Эти задачи зависят от конкретного метода решения проблемы,
поэтому обоснованно мы сформулируем в конце раздела, посвященного
описанию метода.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
2. METHODS МЕТОДЫ)
2.1. Обоснование требований к методу решения проблемы
Из специфики поставленной проблемы сопоставимости обработки в
одной модели исходных, представленных в разных типах шкал числовых и
текстовых (лингвистических) и в разных единицах измерения, вытекают
следующие требования к методу решения проблемы:
1. Метод должен обеспечивать устойчивое выявление в
сопоставимой форме силы и направления причинно-следственных
зависимостей в неполных зашумленных (неточных) взаимозависимых
(нелинейных) данных очень большой размерности числовой и не числовой
природы, измеряемых в различных типах шкал (номинальных, порядковых
и числовых) и в различных единицах измерения.
2. Иначе говоря, метод решения проблемы не должен предъявлять
жестких требований к исходным данным, которые невозможно выполнить,
а должен обеспечивать обработку тех данных, которые реально есть.
3. Метод должен реально на практике решать поставленную
проблему, а значит, он должен иметь поддерживающий его программный
инструментарий и находится в полном открытом бесплатном доступе.
2.2. Литературный обзор методов решения проблемы,
их характеристика и оценка степени соответствия
обоснованным требованиям
Поиск в Internet программных систем, одновременно:
– находящихся в полном открытом бесплатном доступе;
обеспечивающих сопоставимую обработку числовой и текстовой
информации в одной модели, дает следующие результаты;
Показал, что альтернатив Автоматизированному системно-
когнитивному анализу и его программному инструментарию системе
«Эйдос» в настоящее время здесь нет [4].
2.3. Автоматизированный системно-когнитивный анализ
АСК-анализ) как метод решения проблемы
Автоматизированный системно-когнитивный анализ (АСК-анализ)
предложен 56789: в 2002 году в ряде статей и фундаментальной
монографии [2]. ; < => ?
>@;?>AB5C56789:D
   E  F 0!#$'!$# Сегодня по
соответствующему запросу в Яндексе находится 9 миллионов сайтов с
этим сочетанием слов1.
АСК-анализ включает:
1 https://yandex.ru/search/?lr=35&clid=2327117-18&win=360&text=
%20360&text=Автоматизированный+системно-когнитивный+анализ+(АСК-анализ)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
теоретические основы, в частности базовую формализуемую
когнитивную концепцию;
математическую модель, основанную на системном обобщении
теории информации (СТИ);
– методику численных расчетов (структуры баз данных и алгоритмы
их обработки);
программный инструментарий, в качестве которого в настоящее
время выступает универсальная когнитивная аналитическая система
«Эйдос» (интеллектуальная система «Эйдос»).
Более подробно математический метод АСК-анализа описан в работе
[3] и ряде других. Около половины из 663 опубликованных автором
научных работ посвящены теоретическим основам АСК-анализа и его
практическим применениям в ряде предметных областей. На момент
написания данной работы автором опубликовано более 40 монографий, 27
учебных пособий, в т.ч. 3 учебных пособия с грифами УМО и
Министерства, получен 32 патент РФ на системы искусственного
интеллекта, 344 публикации в изданиях, входящих в перечень ВАК РФ и
приравненных им (по данным РИНЦ), 6 статей в журналах, входящих в
WoS, 6 публикаций в журналах, входящих в Скопус 2
[6, 7, 8].
Три монографии включены в фонды библиотеки конгресса США3.
АСК-анализ и система "Эйдос" были успешно применены в 8
докторских и 8 кандидатских диссертациях по экономическим,
техническим, биологическим, психологическими и медицинским наукам,
еще несколько докторских и кандидатских диссертаций с применением
АСК-анализа в стадии выхода на защиту.
Автор является основателем междисциплинарной научной школы:
«Автоматизированный системно-когнитивный анализ»4. Научная школа:
"Автоматизированный системно-когнитивный анализ" является
междисциплинарным научным направлением на пересечении по крайней
мере трех научных специальностей (согласно недавно утвержденной новой
номенклатуры научных специальностей ВАК РФ5). Основные научные
специальности, которым соответствует научная школа:
– 5.12.4. Когнитивное моделирование;
– 1.2.1. Искусственный интеллект и машинное обучение;
– 2.3.1. Системный анализ, управление и обработка информации.
Научная школа: "Автоматизированный системно-когнитивный
анализ" включает следующие междисциплинарные научные направления:
Автоматизированный системно-когнитивный анализ числовых и
текстовых табличных данных;
2 http://lc.kubagro.ru/aidos/Sprab0802.pdf
3 https://catalog.loc.gov/vwebv/search?searchArg=Lutsenko+E.V. (и кликнуть: “Search‹)
4 https://www.famous-scientists.ru/school/1608
5 https://www.garant.ru/products/ipo/prime/doc/400450248/
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Автоматизированный системно-когнитивный анализ текстовых
данных;
Спектральный и контурный автоматизированный системно-
когнитивный анализ изображений;
Сценарный автоматизированный системно-когнитивный анализ
временных и динамических рядов.
Приводить здесь ссылки на все эти работы здесь вряд ли
целесообразно. Отметим лишь, что у автора есть личный сайт [6] и
страничка в РесечГейт [8], на которых можно получить более полную
информацию о методе АСК-анализа. Краткая информация об АСК-анализе
и системе «Эйдос» есть в материале:
http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf.
Решение поставленной в работе проблемы сопоставимости в АСК-
анализе и системе «Эйдос» обеспечивается путем метризации
номинальных шкал, т.е. повышения их степени формализации до уровня
числовых шкал [5]. Сама метризация номинальных шкал достигается
путем вычисления количества информации, содержащегося в градациях
номинальных шкал о получении той или иной урожайности [5]. Для
работы с лингвистическими переменными применяется лингвистический
АСК-анализ [4].
2.4. Система «Эйдос» - инструментарий АСК-анализа
Существует много систем искусственного интеллекта.
Универсальная когнитивная аналитическая система «Эйдос» отличается от
них следующими параметрами:
является универсальной и может быть применена во многих
предметных областях, т.к. разработана в универсальной постановке, не
зависящей от предметной области (http://lc.kubagro.ru/aidos/index.htm).
Система «Эйдос» является автоматизированной системой, т.е.
предполагает непосредственное участие человека в реальном времени при
решении задач идентификации, прогнозирования, приятия решений и
исследования предметной области (автоматические системы работают без
такого участия человека);
находится в полном открытом бесплатном доступе
(http://lc.kubagro.ru/aidos/_Aidos-X.htm), причем с актуальными исходными
текстами (http://lc.kubagro.ru/__AidosALL.txt): открытая лицензия: CC BY-
SA 4.0 (https://creativecommons.org/licenses/by-sa/4.0/), и это означает, что
ей могут пользоваться все, кто пожелает, без какого-либо дополнительного
разрешения со стороны первичного правообладателя автора системы
«Эйдос» проф. Е.В.Луценко (отметим, что система «Эйдос» создана
полностью с использованием только лицензионного инструментального
программного обеспечения и на нее имеется 31 свидетельство РосПатента
РФ);
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
является одной из первых отечественных систем искусственного
интеллекта персонального уровня, т.е. не требует от пользователя
специальной подготовки в области технологий искусственного интеллекта:
«имеет нулевой порог входа» (есть акт внедрения системы «Эйдос» 1987
года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);
реально работает, обеспечивает устойчивое выявление в
сопоставимой форме силы и направления причинно-следственных
зависимостей в неполных зашумленных взаимозависимых (нелинейных)
данных очень большой размерности числовой и не числовой природы,
измеряемых в различных типах шкал (номинальных, порядковых и
числовых) и в различных единицах измерения (т.е. не предъявляет жестких
требований к данным, которые невозможно выполнить, а обрабатывает те
данные, которые есть);
имеет «нулевой порог входа», содержит большое количество
локальных (поставляемых с инсталляцией) и облачных учебных и научных
Эйдос-приложений (в настоящее время их 31 и более 335, соответственно:
http://aidos.byethost5.com/Source_data_applications/WebAppls.htm)
(http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf);
поддерживает on-line среду накопления знаний и обмена ими,
широко используется во всем мире (http://aidos.byethost5.com/map5.php);
обеспечивает мультиязычную поддержку интерфейса на 51 языке.
Языковые базы входят в инсталляцию и могут пополняться в
автоматическом режиме;
наиболее трудоемкие в вычислительном отношении операции
синтеза моделей и распознавания реализует с помощью графического
процессора (GPU), что на некоторых задачах обеспечивает ускорение
решение этих задач в несколько тысяч раз, что реально обеспечивает
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
интеллектуальную обработку больших данных, большой информации и
больших знаний (графический процессор должен быть на чипсете
NVIDIA);
обеспечивает преобразование исходных эмпирических данных в
информацию, а ее в знания и решение с использованием этих знаний задач
классификации, поддержки принятия решений и исследования предметной
области путем исследования ее системно-когнитивной модели, генерируя
при этом очень большое количество табличных и графических выходных
форм (развития когнитивная графика), у многих из которых нет никаких
аналогов в других системах (примеры форм можно посмотреть в работе:
http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf);
– хорошо имитирует человеческий стиль мышления: дает результаты
анализа, понятные экспертам на основе их опыта, интуиции и
профессиональной компетенции;
вместо того, чтобы предъявлять к исходным данным практически
неосуществимые требования (вроде нормальности распределения,
абсолютной точности и полных повторностей всех сочетаний значений
факторов и их полной независимости и аддитивности)
автоматизированный системно-когнитивный анализ (АСК-анализ)
предлагает без какой-либо предварительной обработки осмыслить эти
данные и тем самым преобразовать их в информацию, а затем
преобразовать эту информацию в знания путем ее применения для
достижения целей (т.е. для управления) и решения задач классификации,
поддержки принятия решений и содержательного эмпирического
исследования моделируемой предметной области.
В чем сила подхода, реализованного в системе Эйдос? В том, что она
реализует подход, эффективность которого не зависит от того, что мы
думаем о предметной области и думаем ли вообще. Она формирует модели
непосредственно на основе эмпирических данных, а не на основе наших
представлений о механизмах реализации закономерностей в этих данных.
Именно поэтому Эйдос-модели эффективны даже если наши
представления о предметной области ошибочны или вообще отсутствуют.
В этом и слабость этого подхода, реализованного в системе Эйдос.
Модели системы Эйдос - это феноменологические модели, отражающие
эмпирические закономерности в фактах обучающей выборки, т.е. они не
отражают причинно-следственного механизма детерминации, а только сам
факт и характер детерминации. Содержательное объяснение этих
эмпирических закономерностей формулируется уже экспертами на
теоретическом уровне познания в содержательных научных законах6.
В разработке системы «Эйдос» были следующие этапы:
6 Ссылка на это краткое описание системы «Эйдос» на английском языке:
http://lc.kubagro.ru/aidos/The_Eidos_en.htm
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
1-й этап, «подготовительный»: 1979-1992 годы. Математическая
модель системы "Эйдос" разработана в 1979 и впервые прошла
экспериментальную апробацию в 1981 году (первый расчет на компьютере
на основе модели). С 1981 по 1992 система "Эйдос" неоднократно
реализовалась на платформе Wang (на компьютерах Wang-2200С). В 1987
году впервые получен акт внедрения на одну из ранних версий системы
«Эйдос», реализованную в среде персональной технологической системы
«Вега-М» разработки автора (см. 2-й акт по ссылке:
http://lc.kubagro.ru/aidos/aidos02/PR-4.htm).
2-й этап, «эра IBM PC и MS DOS»: 1992-2012 годы. Для IBM-
совместимых персональных компьютеров система "Эйдос" впервые
реализована на языках CLIPPER-87 и CLIPPER-5.01 (5.02) в 1992 году, а в
1994 году уже были получены свидетельства РосПатента, первые в
Краснодарском крае и, возможно, в России на системы искусственного
интеллекта (слева приведена титульная видеограмма финальной DOS-
версии системы «Эйдос-12.5», июнь 2012 года). С тех пор и до настоящего
времени система непрерывно совершенствуется на IBM PC.
3-й этап, «эра MS Windows xp, 8, 7»: 2012-2020 годы. С июня 2012
по 14.12.2020 система «Эйдос» развивалась на языке Аляска-1.9 +
Экспресс++ + библиотека для работы с Internet xb2net. Система «Эйдос-
Х1.9» хорошо работала на всех версиях MS Windows кроме Windows-10,
которая требовала специальной настройки. Наиболее трудоемкие в
вычислительном отношении операции синтеза моделей и распознавания
реализует с помощью графического процессора (GPU), что на некоторых
задачах обеспечивает ускорение решение этих задач в несколько тысяч раз,
что реально обеспечивает интеллектуальную обработку больших данных,
большой информации и больших знаний (графический процессор должен
быть на чипсете NVIDIA).
4-й этап, «эра MS Windows-10»: 2020-2021 годы. С 13.12.2020 года
по настоящее время система «Эйдос» развивается на языке Аляска-2.0 +
Экспресс++. Библиотека xb2net в ней больше не используется, т.к. все
возможности работы с Internet входят в базовые возможности языка
программирования.
5-й этап, «эра Больших данных, информации и знаний»: с 2022
года по настоящее время. С 2022 года автор и разработчик системы
«Эйдос» проф.Е.В.Луценко вплотную занялся разработкой
профессиональной версии системы «Эйдос» на языке Аляска+Экспресс,
обеспечивающей обработку больших данных, информации и знаний (Big
Data, Big Information, Big Knowledge) с использованием ADS (Advantage
Database Server), а также на языке C# (Visual Studio | C#).
На рисунке 1 приведена титульная видеограмма DOS-версии
системы «Эйдос», а на рисунке 2 – текущей версии системы «Эйдос»:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 1. Титульная видеограмма DOS-версии системы «Эйдос» (до 2012 года)7
Рисунок 2. Титульная видеограмма текущей версии системы «Эйдос»
2.5. Цель и задачи работы
7 http://lc.kubagro.ru/pic/aidos_titul.jpg
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Целью работы является решение поставленной проблемы.
Как уже показано выше, для работы с лингвистическими
переменными целесообразно применить лингвистический АСК-анализ [4].
Достижение поставленной цели в АСК-анализе обеспечивается
решением следующих задач и подзадач, которые являются этапами
достижения цели:
GF?H Когнитивная структуризация предметной области.
GF?I Формализация предметной области.
GF?J Синтез статистических и системно-когнитивных моделей.
Многопараметрическая типизация и частные критерии знаний.
GF?K Верификация моделей.
GF?L Выбор наиболее достоверной модели.
GF?M Системная идентификация и прогнозирование.
GF?N Поддержка принятия решений (Упрощенный вариант
принятия решений как обратная задача прогнозирования, позитивный и
негативный информационные портреты классов, SWOT-анализ; Развитый
алгоритм принятия решений в АСК-анализе).
GF?O исследование объекта моделирования путем исследования
его модели, PF5>F<
1) инвертированные SWOT-диаграммы значений описательных шкал
(семантические потенциалы);
2) кластерно-конструктивный анализ классов;
3) кластерно-конструктивный анализ значений описательных шкал;
4) модель знаний системы «Эйдос» и нелокальные нейроны;
5) нелокальная нейронная сеть;
6) 3d-интегральные когнитивные карты;
7) 2d-интегральные когнитивные карты содержательного сравнения
классов (опосредованные нечеткие правдоподобные рассуждения);
8) 2d-интегральные когнитивные карты содержательного сравнения
значений факторов (опосредованные нечеткие правдоподобные
рассуждения);
9) когнитивные функции;
10) значимость описательных шкал и их градаций;
11) степень детерминированности классов и классификационных
шкал).
На рисунке 3 приведена последовательность преобразования
исходных данных в информацию, а ее в знания и применения этих знаний
для решения различных задач в системе «Эйдос»:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Последовательность обработки данных, информации и знаний в системе «Эйдос»,
повышение уровня системности данных, информации и знаний,
повышение уровня системности моделей
Когнитивно-целевая структуризация предметной области единственный неавтоматизированный в системе «Эйдос-Х++» этап АСК-анализа)
На этом этапе разработчик интеллектуального Эйдос-приложения решает, что он рассматривает как объект моделирования и управления, что как
факторы, действующие на этот объект, а что как будущие состояния, в которые объект управления может перейти под действием этих факторов
Формализация предметной области реж.2.3.2.2)
Class_Sc, Gr_ClSc

 Opis_Sc, Gr_OpSc


Inp_data, Inp_data.xls

Обучающая выборка,
эвентологическая база
данных реж.2.3.1) Obi_zag
 !
 "#$%& 
Obi_Kcl
 !
 "#$%&  Obi_Krg
' !
 "#$%& 
Средства автоматизации
кодирования исходных
данных - программные
интерфейсы API)
Синтез и верификация моделей реж.3.5)
Статистические
модели реж.5.5)
Системно-когнитивные
модели модели знаний)
многопараметрическая
типизация) реж.5.5)
Abs
( $#
)*+
**)
Prc2
("
 '"
&+#*
#" !
Prc1
("
 '"
&+#*
#"'
INF3
')"
#)
#
))
#)
INF2
#
'&
,-#"
INF5
./0123452676
8693:4;364
INF7
<'
"&
'"&
*&
INF1
#
'&
,-#"
INF4
./0123452676
8693:4;364
INF6
<'
"&
'"&
*&
Выбор
наиболее достоверной
модели реж.3.4)
<'#'*
)&
'*=
Решение задач реж.4) <'#**
&"*
==>+?@
<'#*
)& ")
*)
A)+достоверна+"&+'"*'#B&)"$
&C'#+#)''+)***'#'*AB
*+***$'))&"
О соотношении задач.
1'+*+*B+)DB'#**E
'#* ' !  %) ')
1*''#*& !"**)"))")+
''#***)"+ !&)B*+"$%"*
""%)"+"+прогнозирование - это идентификация будущих состояний, т.е. это тоже идентификация, но не в пространстве настоящем), а в
пространстве-времениF
1'*&''#*)+&"$% !)*+** ""%
*&&)D*&+ + ""%)")"*$ !)**$*'#*
+ "$B ""%*G) ')задача принятия решений является обратной по
отношению к задаче прогнозированияF
1*&")))'*'##*'#&')'1') 
'D') элементом ***+)*адекватности))")
")))*+"#*+)+) )* )*F
1*&)")&)& '#**&*** &$'#
'*&)"#H"#'*IJ/K1'IJ/K1')#*H) '
одно ""%*+)"))не быть #&&возможности использовать
DB)",L1')MC&N''&)**&?@))IJ/K1''"$*
'"*'#'*'"1"''#&+'"
*'#*)& 
ВЫХОД+
&
)
Рисунок 3. Последовательность преобразования исходных данных в информацию,
а ее в знания и применения этих знаний для решения различных задач в системе
«Эйдос»
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3. RESULTS РЕЗУЛЬТАТЫ)
3.1. Задача-1. Когнитивная структуризация предметной
области. Две интерпретации классификационных
и описательных шкал и градаций
На этапе когнитивно-целевой структуризации предметной области
мы неформализуемым путем решаем на качественном уровне, что будем
рассматривать в качестве объекта моделирования, что в качестве факторов,
действующих на моделируемый объект (причин), а что в качестве
результатов действия этих факторов (последствий). По сути это постановка
решаемой проблемы.
Описательные шкалы служат для формального описания факторов, а
классификационные результатов их действия на объект моделирования.
Шкалы могут быть числовые и текстовые. Текстовые шкалы могут быть
номинальные и порядковые.
Когнитивная структуризация предметной области является первым и
единственным неавтоматизированном в системе «Эйдос» этапом АСК-
анализа, т.е. все последующие этапы АСК анализа в ней полностью
автоматизированы.
В АСК-анализе и системе «Эйдос» применяется две интерпретации
классификационных и описательных шкал и градаций: статичная и
динамичная и соответствующая терминология (обобщающая, статичная и
динамичная). Есть также обобщающая интерпретация и соответствующая
ей терминология.
;F5:<
градации классификационных шкал это обобщающие категории
видов объектов (классы);
описательные шкалы свойства объектов, градации описательных
шкал – значения свойств (признаки) объектов.
QF5:<
градации классификационных шкал это обобщающие категории
будущих состояний объекта моделирования (классы), описывающие
результаты действия факторов на объект моделирования в натуральном и
стоимостном выражении: например количество и качество продукции,
прибыль и рентабельность;
– описательные шкалы факторы, действующие на объект
моделирования, градации описательных шкал значения факторов,
действующие на объект моделирования.
REPE<
– классификационные шкалы и градации;
– описательные шкалы и градации.
В данной работе в качестве объекта моделирования выступают
поля с клевером, в качестве факторов удобрения, обработка почвы и год
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
пользования (таблица 1), а в качестве результатов действия этих
факторов, урожайность (таблица 2):
Таблица 1 – Описательные шкалы
O/PQ/RIS TUVWQ/RIS
XYZ<A[A
Z<,ZG,D\]^
@ _YD`a],[b
Таблица 2 – Классификационная шкала
O/PQScIS TUVWQScIS
X<d,e[LGa+fE_,
3.2. Задача-2. Формализация предметной области
На этапе формализации предметной области разрабатываются
классификационные и описательные шкалы и градации, а затем исходные
данные кодируются с их использованием, в результате чего получается
обучающая выборка. Обучающая выборка, по сути, представляет собой
исходные данные, > с помощью классификационных и
описательных шкал и градаций.
В системе «Эйдос» имеется большое количество разнообразных
автоматизированных программных интерфейсов (API), обеспечивающих
ввод в систему внешних данных различных типов: текстовых, табличных и
графических, а также других, которые могут быть представлены в этом
виде, например аудио или данные электроэнцефалограммы (ЭЦГ) или
кардиограммы (ЭКГ).
Этим обеспечивается возможность комфортного для пользователя
применения системы «Эйдос» для проведения научных исследований в
самых различных направлениях науки и решения практических задач в
самых различных предметных областях, практически почти везде, где
человек применяет естественный интеллект.
В качестве источника исходных данных в данной работе
используем таблицу 3 из работы [9]:
Таблица 3 – Исходные данные
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Преобразуем данную таблицу из графического вида в текстовый с
помощью ABBYY FineReader.
Затем в MS Excel преобразуем ее к виду, стандартному для системы
«Эйдос» (таблица 4):
Таблица 4 – Таблица исходных данных в стандарте системы «Эйдос»
g
X&+
E X 
  
#
_
'*
90,0
Без удобрений
(контроль) ] 1&
95,5 N80P10K100 ] 1&
@93,1 P10K100+эпин ] 1&
=96,2 N80P10K100+эпин ] 1&
h102,7 Навоз 20 т/га ] 1&
?103,9 Навоз + N45P10K40 ] 1&
i105,8 Навоз + Р10К40+ эпин ] 1&
>103,2 Навоз + N45P10K40 + эпин ] 1&
j83,0
Без удобрений
(контроль) Y 1&
k88,0 N80P10K100 Y 1&
89,0 P10K100+эпин Y 1&
90,2 N80P10K100+эпин Y 1&
@92,3 Навоз 20 т/га Y 1&
=97,2 Навоз + N45P10K40 Y 1&
h98,3 Навоз + Р10К40+ эпин Y 1&
?96,1 Навоз + N45P10K40 + эпин Y 1&
i73,2
Без удобрений
(контроль) ] 1&
>82,8 N80P10K100 ] 1&
j78,9 P10K100+эпин ] 1&
k81,7 N80P10K100+эпин ] 1&
74,6 Навоз 20 т/га ] 1&
79,1 Навоз + N45P10K40 ] 1&
@77,1 Навоз + Р10К40+ эпин ] 1&
=85,6 Навоз + N45P10K40 + эпин ] 1&
h70,5
Без удобрений
(контроль) Y 1&
?83,6 N80P10K100 Y 1&
81,8 P10K100+эпин Y 1&
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
i
>82,1 N80P10K100+эпин Y 1&
j77,2 Навоз 20 т/га Y 1&
@
k82,1 Навоз + N45P10K40 Y 1&
@
82,5 Навоз + Р10К40+ эпин Y 1&
@
84,9 Навоз + N45P10K40 + эпин Y 1&
Таблица 4 имеет следующую структуру:
– каждая строка описывает одно наблюдение результатов
выращивания, всего 32 наблюдения;
– каждое наблюдение описывается одновременно двумя способами: с
одной стороны значениями факторов, действующих на объект
моделирования (лингвистические переменные, градации описательных
шкал), а с другой стороны результатами действия этих факторов, т.е.
урожайностью, выраженной в числовой шкале в ц/га;
– 1-я колонка – номер наблюдения;
– 2-я колонка результат действия факторов, в данном случае
урожайность клевера в ц/га;
– 3-я колонка – вид удобрения;
– 4-я колонка – вид обработки почвы;
– 5-я колонка – год пользования.
2-я колонка это классификационная шкала. В данной работе это
шкала числового типа, градации которой описывают результат действия
факторов в натуральном выражении: количество продукции. В общем
случае в исходных данных может быть значительно больше
классификационных шкал, описывающих результаты действия факторов
на объект моделирования в натуральном и стоимостном выражении:
например количество и качество продукции, прибыль и рентабельность. В
системе «Эйдос» существует не очень жестко ограничение на суммарное
количество градаций классификационных шкал: их должно быть не более
2032.
Колонки с 3-я, 4 и 5-я колонки это описательные шкалы,
описывающие факторы, действующие на объект моделирования. Эти
шкалы имеют текстовый тип и их градациями являются лингвистические
переменные.
Для ввода исходных данных, представленных в таблице 4, в систему
«Эйдос», используется один из ее автоматизированных программных
интерфейсов (API), а именно универсальный автоматизированный
программный интерфейс ввода данных из файлов MS Excel (API-2.3.2.2)
(рисунок 6).
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
В системе «Эйдос» есть 6 основных программных интерфейса,
обеспечивающих ввод в систему и интеллектуальную обработку числовых,
текстовых и графических данных, представленных в виде таблиц и файлов.
Возможна обработка и других видов данных (например, данных
землетрясений, ЭЭГ, ЭКГ, аудио и видео), которые возможно представить
в этих форматах (рисунок 4):
Рисунок 4. Программные интерфейсы системы «Эйдос»
Требования API-2.3.2.2 к исходным данным подробно описаны в
хелпах этого режима (рисунок 5):
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 5. Хелпы API-2.3.2.2 системы «Эйдос»
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 6. Экранные формы управления API-2.3.2.2 системы «Эйдос»
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
На рисунке 7 и в таблицах 5, 6, 7 приведены классификационные и
описательные шкалы и градации, а также обучающая выборка,
сформированные API-2.3.2.2 при параметрах, показанных на рисунке 6:
Рисунок 7. Классификационные и описательные шкалы и градации,
сформированные API-2.3.2.2
Таблица 5 – Классификационные шкалы и градации (числовая шкала)
O/PQScI TUVWQScI
X<d,e[LGa+fE_,1Eh1likh+i>jm
X<d,e[LGa+fE_,1Eh1li>j+>hm
@ X<d,e[LGa+fE_,1@Eh1l>h+>>km
= X<d,e[LGa+fE_,1=Eh1l>>k+j?m
h X<d,e[LGa+fE_,1hEh1lj?+kh>m
Таблица 6 – Описательные шкалы и градации (лингвистические переменные)
O/PQUK. TUVWQUK.
XYZ<A[A1E>1T>kRkOkk
XYZ<A[A1E>1T>kRkOkknB
@ XYZ<A[A1@E>1RkOkknB
= XYZ<A[A1=E>1Z'" &
h XYZ<A[A1hE>1['nT=hRkO=k
? XYZ<A[A1?E>1['nT=hRkO=knB
i XYZ<A[A1iE>1['n<k=knB
> XYZ<A[A1>E>1['kE
j Z<,ZG,D\]^1E1]
k Z<,ZG,D\]^1E1Y
 _YD`a],[b1E11&
 _YD`a],[b1E11&
Таблица 7– Обучающая выборка
TUVWQ/o
p
T
T
@
T
=
T
h
= = j
= j
@ = @ j
= h j
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
h h > j
? h h j
i h i j
> h ? j
j @ =
k
k @
k
 = @
k
 =
k
@ = >
k
= h h
k
h h i
k
? = ?
k
i = j
> @ j
j @ j
k j
 > j
 h j
@ i j
= @ ? j
h =
k
? @
k
i @
k
>
k
j >
k
@k h
k
@ i
k
@ @ ?
k
Для числовых шкал на рисунке 7 приведено также количество
наблюдений для каждого интервального значения (градации) и его размер.
За счет того, что интервальные значения имеют разные размеры удается
преодолеть несбалансированность данных, т.к. число наблюдений в
каждом интервальном значении некоторой шкалы получается равным с
точностью 1 (т.к. число наблюдений – всегда целое число).
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.3. Задача-3. Синтез статистических и системно-
когнитивных моделей. Многопараметрическая
типизация и частные критерии знаний
Синтез и верификация статистических и системно-когнитивных
моделей (СК-моделей) моделей осуществляется в режиме 3.5 системы
«Эйдос». Математические модели, на основе которых рассчитываются
статистические и СК-модели, подробно описаны в ряде монографий и
статей автора. Поэтому в данной работе мы рассмотрим эти вопросы очень
кратко. Отметим лишь, что модели системы «Эйдос» основаны на матрице
абсолютных частот, отражающей число встреч градаций описательных
шкал по градациям классификационных шкал (фактов). Но для решения
всех задач используется не непосредственно сама эта матрица, а матрицы
условных и безусловных процентных распределений и системно-
когнитивные модели, которые рассчитываются на ее основе и отражают
какое количество информации содержится в факте наблюдения
определенной градации описательной шкалы о том, что объект
моделирования перейдет в состояние, соответствующее определенной
градации классификационной шкалы (классу) (рисунок 3).
Математическая модель АСК-анализа и системы «Эйдос» основана
на системной нечеткой интервальной математике и обеспечивает
сопоставимую обработку больших объемов фрагментированных и
зашумленных взаимозависимых данных, представленных в различных
типах шкал (номинальных, порядковых и числовых) и различных единицах
измерения.
Суть математической модели АСК-анализа состоит в следующем.
Непосредственно на основе эмпирических данных (см. Help режима
2.3.2.2) рассчитывается матрица абсолютных частот (таблица 8).
На ее основе рассчитываются матрицы условных и безусловных
процентных распределений (таблица 9).
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
S
TU
используется суммарное количество
признаков по классу;
2-й способ: в качестве
S
TU
используется суммарное количество
объектов обучающей выборки по классу.
Таблица 8 – Матрица абсолютных частот статистическая модель ABS)
Классы
Сумма
1..
.j..
.W
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Значения факторов
1
S
11
S
1U
S1V
...
i
S
(1
S
(U
S
(V
S
(T
=
U=1
V
S
(U
...
M
S
WU
S
WV
Суммарное
количество
признаков по классу
S
TU
=
(=1
W
S
(U
S
ΣΣ
=
(=1
V
U=1
W
S
(U
Суммарное
количество
объектов обучающей
выборки по классу
S
TU
S
ΣΣ
=
U=1
V
S
TU
На практике часто встречается существенная
несбалансированность данных, под которой понимается сильно
отличающееся количество наблюдений объектов обучающейся выборки,
относящихся к различным градациям одной классификационной или
описательной шкалы. Поэтому решать задачу на основе непосредственно
матрицы абсолютных частот (таблица 8) было бы очень неразумно и
переход от абсолютных частот к условным и безусловным относительным
частотам (частостям) является весьма обоснованным и логичным.
Таблица 9 – Матрица условных и безусловных процентных
распределений статистические модели PRC1 и PRC2)
Классы Безусловная
вероятность
признака
1..
.j..
.W
Значения факторов
1
X
11
X
1U
X
1V
...
i
X
(1
X
(U
=S
(U
S
TU
X
(V
X
(T
=S
(T
S
ΣΣ
...
M
X
W1
X
WU
XWV
Безусловна
я
вероятность
X
TU
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
класса
Этот переход полностью снимает проблему несбалансированности
данных, т.к. в последующем анализе используется не матрица абсолютных
частот (таблица 8), а матрицы условных и безусловных процентных
распределений (таблица 9) и матрицы системно-когнитивных моделей
(СК-модели, таблица 11), в частности матрица информативностей.
Этот подход снимает также проблему обеспечения сопоставимости
обработки в одной модели исходных данных, представленных в различных
видах шкал (номинальных, порядковых и числовых) и в разных единицах
измерения [5].
В системе «Эйдос» этот подход применяется всегда при решении
любых задач.
Затем на основе таблиц 8 и 9 с использованием частных критериев,
знаний приведенных таблице 10, рассчитываются матрицы семи системно-
когнитивных моделей (таблица 11).
В таблице 10 приведены формулы:
– для сравнения фактических и теоретических абсолютных частот;
для сравнения условных и безусловных относительных частот
(«вероятностей»).
И это сравнение в таблицах 8 и 9 осуществляется двумя возможными
способами: путем вычитания и путем деления.
Таблица 10– Различные аналитические формы частных критериев знаний,
применяемые в АСК-анализе и системе «Эйдос»
[))'&
#&&
]*#*
#'

#
#'
 $
#
ABS+) $#+ Nij
1 # # # iго
' "  ! jго F
¯
S
(U
1###i
го'" ! jго FNi
q"))# '
iйF Nj q"))#
'   !  "#$%&
  jм F N q "))
# '  &
  i
S
(
=
U=1
V
S
(U
Y S
U
=
(=1
W
S
(U
Y S =
(=1
V
U=1
W
S
(U
Y
S
(U
6F FY
¯
S
(U
=S
(
S
U
SF F.
PRC1+)"Pij
'"Pi
&+#Nj
'"*"))#
'"
111
X
(U
=S
(U
S
U
Y X
(
=S
(
S
PRC2+)"Pij 
'"Pi
&+#Nj
'"*"))#
 ! "#$%& 
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
"
INF1+#&&H#
'&,-#"+1&
#*&HNjq"))
#'r1)""
]*+#" !
r1 "'+B
81&'
0
(U
=Z×[3&
I
X
(U
X
(
0
(U
=Z×[3&
I
S
(U
¯
S
(U
=Z×[3&
I
S
(U
S
S
(
S
U
INF2+#&&H#
'&,-#"+1&
#*&HTrq"))
# !jму"
]*+#
!* !jго+"
 " "iй'
INF3+#&&H-1H
')"#)
#))
 $)#)
111
0
(U
=S
(U
¯
S
(U
=S
(U
S
(
S
U
S
INF4+#&&H./01.34526
/60693:4;364+1&#
*&HTrq"))
#'r1)""
0
(U
=X
(U
X
(
1=X
(U
X
(
X
(
0
(U
=S
(U
¯
S
(U
1=S
(U
S
S
(
S
U
1
INF5+#&&H./01.34526
/60693:4;364+1&#
*&HNjq"))
# !r1)""
INF6+#&&H'
"& '"&
*&+1&#
*&HNjq"))
#'jму "
0
(U
=X
(U
X
(
0
(U
=S
(U
S
U
S
(
S
INF7+#&&H'
"& '"&
*&+1&#
*&HNjq"))
# !jму"
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;
Ψ – нормировочный коэффициент (Е.В.Луценко, 2002), 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.
Количество частных критериев знаний и основанных на них
системно-когнитивных моделей (таблица 11), применяемых в настоящее
время в системе «Эйдос» равное 7 определяется тем, что они получаются
путем всех возможных вариантов сравнения фактических и
теоретических абсолютных частот, условных и безусловных
относительных частот путем вычитания и путем деления, и при этом SU
рассматривается как суммарное количество или признаков, или объектов
обучающей выборки в j-м классе, а нормировка к нулю (для аддитивных
интегральных критериев), если нет связи между наличием признака и
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
принадлежностью объекта к классу, осуществляется либо
логарифмированием, либо вычитанием единицы.
Когда мы сравниваем фактические и теоретические абсолютные
частоты путем вычитания у нас получается частный критерий знаний: «хи-
квадрат» (СК-модель INF3), когда же мы сравниваем их путем деления, то
у нас получается частный критерий: «количество информации по
А.Харкевичу» (СК-модели INF1, INF2) или «коэффициент возврата
инвестиций ROI» - Return On Investment (СК-модели INF4, INF5) в
зависимости от способа нормировки.
Когда мы сравниваем условные и безусловные относительные
частоты путем вычитания у нас получается частный критерий знаний:
«коэффициент взаимосвязи» (СК-модели INF6, INF7), когда же мы
сравниваем их путем деления, то у нас получается частный критерий:
«количество информации по А.Харкевичу» (СК-модели INF1, INF2).
Таким образом, мы видим, что все частные критерии знаний тесно
взаимосвязаны друг с другом. Особенно интересна связь знаменитого
критерия хи-квадрат Пирсона с замечательной мерой количества
информации А.Харкевича и с известным в экономике коэффициентом ROI.
Вероятность рассматривается как предел, к которому стремится
относительная частота (отношение количества благоприятных исходов к
числу испытаний) при неограниченном увеличении количества
испытаний. Ясно, что вероятность это математическая абстракция,
которая никогда не встречается на практике (также как и другие
математические и физические абстракции, типа математической точки,
материальной точки, бесконечно малой и т.п.). На практике встречается
только относительная частота. Но она может быть весьма близкой к
вероятности. Например, при 480 наблюдений различие между
относительной частой и вероятностью (погрешность) составляет около 5%,
при 1250 наблюдениях – около 2.5%, при 10000 наблюдениях – 1%.
Таблица 11 – Матрица системно-когнитивной модели
Классы
Значимость
фактора
1..
.j..
.W
Значения факторов
1
0
11
0
1U
01V
\
1T
=
2
1
V1
U=1
V
(
0
1U
¯
0
1
)
2
...
i
0
(1
0
(U
0(V
\
(T
=
2
1
V1
U=1
V
(
0
(U
¯
0
(
)
2
...
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
M
0
W1
0
WU
\WT=2
1
V1
U=1
V
(
0WU¯
0W
)
2
Степень
редукци
и
класса
\
T1
\
TU
\TV
]=
2
1
(VW1)
U=1
V
(=1
W
(
0
(U
¯
0
)
2
Суть этих методов в том, что вычисляется количество информации в
значении фактора о том, что объект моделирования перейдет под его
действием в определенное состояние, соответствующее классу. Это
позволяет сопоставимо и корректно обрабатывать разнородную
информацию о наблюдениях объекта моделирования, представленную в
различных типах измерительных шкал и различных единицах
измерения [5].
На основе системно-когнитивных моделей, представленных в таблице
11 (отличаются частыми критериями, приведенными в таблице 10),
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.
Отметим, что как значимость значения фактора, степень
детерминированности класса и ценность или качество модели в АСК-
анализе рассматривается вариабельность значений частных
критериев этого значения фактора, класса или модели в целом
(таблица 11).
^ _ `` C >` >
55   Fa 
  5  F   
 8  =bB 5 5   _
F 5 мощностью  F E`P
6:;?>PF
6:  c  d_ `  
F`:PP;?>@:HIA<
Таблица 12 – Уточнение терминологии АСК-анализа
g G)) [&
) s)"
#)'#*
'
Y"$%*)%'#*
'
@f'#*'
**'#
"'#
')&
)%'#*

\
(T
=
2
1
V1
U=1
V
(
0
(U
¯
0
(
)
2
L)
L "
')&
)%
\
TU
=
2
1
W1
(=1
W
(
0
(U
¯
0
U
)
2
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
@ #)
f)
@L))
=#*)
')&
)")&)& 
')&
)%)
]=
2
1
(VW1)
U=1
V
(=1
W
(
0
(U
¯
0
)
2
В системе «Эйдос» синтез моделей производится в режиме 3.5
(рисунок 8):
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 8. Экранные формы режима синтеза и верификации моделей
В результате работы режима 3.5 создано 3 статистических и 7
системно-когнитивных моделей, некоторые из которых приведены на
рисунках 9-12:
Рисунок 9. Статистическая модель «ABS», матрица абсолютных частот
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 10. Статистическая модель «PRC2», матрица условных и безусловных
процентных распределений
Рисунок 11. Системно-когнитивная модель «INF1», матрица информавностей
(по А.Харкевичу)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 12 . Системно-когнитивная модель «INF3», матрица Хи-квадрат
(по К.Пирсону)
Полученные модели корректно использовать для решения задач
только в том случае, если они достаточно достоверны (адекватны), т.е.
верно отражают моделируемую предметную область.
3.4. Задача-4. Верификация моделей
Оценка достоверности моделей в системе «Эйдос» осуществляется
путем решения задачи классификации объектов обучающей выборки по
обобщенным образам классов и подсчета количества истинных и ложных
положительных и отрицательных решений по F-мере Ван Ризбергена, а
также по критериям L1- L2-мерам проф. Е.В.Луценко, которые
предложены для того, чтобы смягчить или полностью преодолеть
некоторые недостатки F-меры [10].
Достоверность моделей можно оценивать и путем решения других
задач, например задач прогнозирования, выработки управляющих
решений, исследования объекта моделирования путем исследования его
модели. Но это более трудоемко и даже всегда возможно, особенно на
экономических и политических моделях.
В режиме 3.4 системы «Эйдос» и ряде других изучается
достоверность каждой частной модели в соответствии с этими мерами
достоверности.
В соответствии с критерием достоверности F-мерой Ван Ризбергена
наиболее достоверной является СК-модель INF1 (рисунок 13):
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 13. Экранные формы режима измерения достоверности моделей 3.4
На рисунках 14 приведены частотные распределения количества
истинных и ложных, положительных и отрицательных решений в наиболее
достоверной по F-мере Ван Ризбергена СК-модели INF1:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 14. Частотные распределения количества истинных и ложных,
положительных и отрицательных решений в наиболее достоверной
по F-мере Ван Ризбергена СК-модели INF1
Из этих частотных распределений видно, что в наиболее достоверной
по F-мере Ван Ризбергена СК-модели INF1 встречаются и ложные
положительные решения, но все эти решения с очень низкими уровнями
сходства. Вообще, чем выше уровень сходства, тем больше доля
истинных решений. Поэтому уровень сходства является адекватной
внутренней мерой системы «Эйдос», так сказать адекватной мерой
самооценки или аудита степени достоверности решений и уровня
риска ошибочного решения. В частности, при уровнях сходства меньше
30% преобладают ложные положительные решения, а при более высоких
уровнях сходства истинные положительные решения. При уровнях
сходства выше 60% ложных положительных решений вообще нет.
Отрицательные ложные решения встречаются только при уровнях
различия до 4% и их всегда значительно меньше, чем истинных
отрицательных решений.
На рисунках 15 приведены экранные формы хелпов режима 3.4, в
которых подробно объясняется смысл этого режима. Эти формы
приводятся вместо более детального описания данного режима.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 15. Экранные формы хелпов режима измерения достоверности моделей
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.5. Задача-5. Выбор наиболее достоверной модели
85PE>FeP
Причины этого просты. Если модель достоверна, то:
6: объекта с классом достоверна, т.е. модель относит
объекты к классам, к которым они действительно принадлежат;
5> достоверно, т.е. действительно наступают те
события, которые прогнозируются;
5e адекватно (достоверно), т.е. после реализации
принятых управляющих решений объект управления действительно
переходит в целевые будущие состояния;
 достоверно, т.е. полученные в результате
исследования модели объекта моделирования выводы могут быть с
полным основанием отнесены к объекту моделирования.
Технически сам выбор наиболее достоверной модели
осуществляется в режиме 5.6 системы «Эйдос» и проходит быстро
(рисунки 16). Это необходимо лишь для решения задачи идентификации и
прогнозирования режиме 4.1.2), которая требует наибольшие
вычислительные ресурсы и поэтому решается только для модели, заданной
текущей. Все остальные расчеты проводятся в системе «Эйдос» сразу во
всех моделях.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 16. Задание СК-модели INF1 в качестве текущей
3.6. Задача-6. Системная идентификация
и прогнозирование
При решении >F6: каждый объект распознаваемой
выборки сравнивается по всем своим признакам с каждым из обобщенных
образов классов. Смысл решения задачи идентификации заключается в
том, что при определении принадлежности конкретного объекта к
обобщенному образу классу об этом конкретном объекте по аналогии
 >  F >  ca _  5
   E a  F  FP 
ca
Задачи идентификации и прогнозирования взаимосвязаны и мало
чем отличаются друг от друга. Главное различие между ними в том, что
при идентификации значения свойств и принадлежность объекта к классу
относятся к одному моменту времени, а при прогнозировании значения
факторов относятся к прошлому, а переход объекта под действием этих
факторов в состояние, соответствующее классу относится к будущему
(рисунок 3).
Задача решается в модели, заданной в качестве текущей, т.к.
является весьма трудоемкой в вычислительном отношении. Правда с
использованием графического процессора (GPU) для расчетов эта
проблема практически снялась.
Сравнение осуществляется путем применения Fa
`a, которых в настоящее время в системе «Эйдос»
используется два. Эти интегральные критерии интересны тем, что
корректны8 в неортонормированных пространствах, которые всегда и
встречаются на практике, и являются фильтрами подавления шума.
8 В отличие от Евклидова расстояния, которое используется для подобных целей наиболее часто
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.6.1. Интегральный критерий «Сумма знаний»
Интегральный критерий «Сумма знаний» представляет собой
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, представленных в help режима 5.5:
0
U
=(
0
(U
[
(
).
В выражении круглыми скобками обозначено скалярное
произведение. В координатной форме это выражение имеет вид:
0U=
(=1
W
0(U [(
,
где: W – количество градаций описательных шкал (признаков);
0
(U
={0
(U
}
– 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.:
[
(
=
{
1  ( 6 Y
!  :!>0  ( 6  `P ! Y
0  ( 6   .
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).
3.6.2. Интегральный критерий «Семантический резонанс
знаний»
Интегральный критерий «Семантический резонанс знаний»
представляет собой  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, представленных в help режима 3.3 и имеет
вид:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
0
U
=1
\
U
\
2
W
(=1
W
(
0
(U
¯
0
U
) (
[
(
¯
[
)
где:
W количество градаций описательных шкал (признаков);
¯
0
U
– средняя информативность по вектору класса;
¯
[
среднее по
вектору объекта;
\
U
среднеквадратичное отклонение частных критериев знаний
вектора класса;
\
2
среднеквадратичное отклонение по вектору
распознаваемого объекта.
0
(U
={0
(U
}
вектор состояния j–го класса;
[
(
={[
(
}
вектор
состояния распознаваемого объекта (состояния или явления), включающий
все виды факторов, характеризующих сам объект, управляющие
воздействия и окружающую среду (массив–локатор), т.е.:
[
(
=
{
1  ( 6 Y
!  :!>0  ( 6  `P ! Y
0  ( 6   .
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).
Приведенное выражение для интегрального критерия
«Семантический резонанс знаний» получается непосредственно из
выражения для критерия «Сумма знаний» после замены координат
перемножаемых векторов их стандартизированными значениями:
0
(U
0
(U
¯
0
U
\
U
[
(
[
(
¯
[
\
2
.
Поэтому по своей сути он также является
скалярным произведением двух стандартизированных (единичных)
векторов класса и объекта. Существуют и много других способов
нормирования, например, путем применяя сплайнов, в частности линейной
интерполяции:
0
(U
0
(U
0
U
min
0
U
max
0
U
min
[
(
[
(
[
min
[
max
[
min
Это позволяет предложить
другие виды интегральных критериев. Но они в настоящее время не
реализованы в системе «Эйдос».
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.6.3. Важные математические свойства интегральных
критериев
Данные интегральные критерии обладают очень интересными
математическими свойствами, которые обеспечивают ему важные
достоинства:
8?5a, интегральный критерий имеет неметрическую природу,
т.е. он являются мерой сходства векторов класса и объекта, но не
расстоянием между ними, а косинусом угла между ними, т.е. это
межвекторное или информационное расстояние. Поэтому его применение
является корректным в неортонормированных пространствах, которые,
как правило, и встречаются на практике и в которых применение
Евклидова расстояния (теоремы Пифагора) является некорректным.
8?a, данный интегральный критерий являются фильтром,
подавляющим белый шум, который всегда присутствует в эмпирических
исходных данных и в моделях, созданных на их основе. Это свойство
подавлять белый шум проявляется у данного критерия тем ярче, чем
больше в модели градаций описательных шкал.
8?`a, интегральный критерий сходства представляет собой
количественную меру сходства/различия конкретного объекта с
обобщенным образом класса и имеет тот же смысл, что и функция
принадлежности элемента множеству в нечеткой логике Лотфи Заде.
Однако в нечеткой логике эта функция задается исследователем априорно
путем выбора из нескольких возможных вариантов, а в АСК-анализе и его
программном инструментарии интеллектуальной системе «Эйдос» она
рассчитывается в соответствии с хорошо обоснованной математической
моделью непосредственно на основе эмпирических данных.
8?Fa, кроме того значение интегрального критерия сходства
представляет собой адекватную самооценку степени уверенности
системы в положительном или отрицательном решении о принадлежности/
непринадлежности объекта к классу или риска ошибки при таком
решении.
8?5a, по сути, при распознавании происходит расчет
коэффициентов 0U разложения функции объекта [( в ряд по функциям
классов 0(U, т.е. определяется вес каждого обобщенного образа класса в
образе объекта, что подробнее описано в монографии [11, 12].
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.6.4. Решение задачи идентификации и прогнозирования в
системе «Эйдос»
На рисунках 17 приведены экранные формы режима идентификации
и прогнозирования 4.1.2 системы «Эйдос»:
Рисунок 17. Экранные формы режима 4.1.2 идентификации и прогнозирования
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 18. Некоторые экранные формы результатов идентификации
и прогнозирования 4.1.3 системы «Эйдос»
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.7. Задача-7. Поддержка принятия решений
3.7.1. Упрощенный вариант принятия решений как обратная
задача прогнозирования, позитивный и негативный
информационные портреты классов, SWOT-анализ
Задачи прогнозирования и принятия решений относятся друг к другу
как прямая и обратная задачи:
при прогнозировании по значениям факторов, действующих на
объект моделирования, определяется в какое будущее состояние он
перейдет под их действием;
при принятии решений, наоборот, по будущему целевому
состоянию объекта моделирования определяются значения факторов,
которые обуславливают его переход в это будущее целевое состояние.
Таким образом, задача принятия решений является обратной по
отношению к задаче прогнозирования. Но это так только в простейшем
случае: в случае использования SWOT-анализа (режим 4.4.8 системы
«Эйдос») [13] (рисунки 19).
Выходные формы, приведенные на рисунках 19, интуитивно
понятны и не требуют особых комментариев. Отметим лишь, что на
SWOT-диаграммах наглядно показаны знак и сила влияния каждого
значения фактора на переход объекта моделирования в состояние,
соответствующее классу, выбранному в верхнем окне. Знак показан
цветом, а сила влияния – толщиной линии.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 19. Экранные формы режима автоматизированного SWOT-анализа
На первом рисунке 19 приведена экранная форма задания в диалоге
параметров отображения SWOT-диаграммы. На этой экранной форме в
верхнем окне пользователь курсором выбирает исследуемый класс, внизу
слева задает модель для исследования, а справа внизу задает отображать
ли SWOT-диаграмму. Кроме того пользователь может включить или
выключить фильтры по факторам и посмотреть помощь по режиму. При
включении фильтра по фактору, на котором стоит курсор, на экранных
формах отображается влияние только значения этого фактора.
Слева на SWOT-диаграмме приведены значения факторов,
способствующих переходу объекта моделирования в состояние,
соответствующее классу, выбранному в верхнем окне (показаны красным
цветом), а справа препятствующих этому переходу (показаны синим
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
цветом). Сила влияния каждого значения фактора на поведение объекта
моделирования показана толщиной линии.
3.7.2. Развитый алгоритм принятия решений в адаптивных
интеллектуальных системах управления на основе
АСК-анализа и системы «Эйдос»
Однако SWOT-анализ (режим 4.4.8 системы «Эйдос») имеет свои
ограничения: может быть задано только одно будущее целевое состояние,
целевые состояния могут быть недостижимыми одновременно
(альтернативными) или совместимыми по системе обуславливающих их
значений факторов, некоторые рекомендуемые факторы может не быть
технологической и финансовой возможности использовать и возможно
надо искать им замену, примерно так же влияющую на объект
моделирования.
Поэтому в АСК-анализе и системе «Эйдос» реализован развитый
алгоритм принятия решений (режим 6.3) в котором кроме SWOT-анализа
используются также результаты решения задачи прогнозирования и
результаты кластерно-конструктивного анализа классов и значений
факторов, т.е. некоторые результаты решения задачи исследования
предметной области. Этот алгоритм описан в работах [11, 12] и ряде
других работ.
Приведем этот алгоритм и в данной работе (рисунок 20).
Шаг 1-й. Руководство ставит цели управления, т.е. определяет
будущие целевые состояния объекта управления. Обычно целевые
состояния в натуральном выражении - это количество и качество
продукции, а в стоимостном выражении - прибыль и рентабельность.
Объект управления как система, эффективность объекта управления как
системное свойство, повышение уровня системности объекта управления
как цель управления (нелинейность). Модель отражает определенный
уровень технологий, поэтому целевые состояния, недостижимые в одной
модели, могут оказаться достижимыми в другой с большим числом
факторов [14, 16].
Шаг 2-й (см.реж.6.4). Когнитивно-целевая структуризация и
формализация предметной области (реж.2.3.2.2), синтез и верификация
моделей (реж.3.5), определяем наиболее достоверную из них по F-
критерию Ван Ризбергена и критериям L1 и L2 проф.Е.В.Луценко (реж.3.4)
[5]. Повышение уровня системности и адекватности модели объекта
управления (принцип Уильяма Росса Эшби) [15].
Шаг 3-й. Если целевое состояние одно, то переходим на шаг 6, а
иначе на шаг 4.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Вход
Шаг 1-й.<"цели "*+* ""%
** !"* #**")
1B##"+))1
   !"*)+B
 !"*системное свойство+"*)
 !"*"*&(
&"&+B)"**+)
&)+)"'*))"& )#)
Шаг 2-й см.реж.6.4).1*""'*)'*
)& @+'*)&@h+
*) "$'t1$]<' 
*)ccA]`"@=D"*)
) !"*X*)<C 
Шаг 4-й. #)корректность &")*
))*&))когнитивной кластеризации
=@)=+*)+**$*
**)))+)))+ "1
$%)'#*)+**$*')$#$%)
)))))
Шаг 3-й. A
*+
)?
Шаг 6-й.<)'#"**&"%)
")* &'#'*)')SWOT-
анализе ==>*'*&объединяем
)'#*")""*$%
Y
[
Шаг 7-й.)#возможности )*
)?'#&
Шаг 8-й.A*
'))**'#&
+))*'
)')
*&&
Выход
Шаг 9-й.A&')+исключаем ')'#&
+)?+'+)1 #)
'))=)k
Шаг 10-й.Прогнозируем '")*%&
)'#&&+*
'))=
Y
[
Шаг 11-й.L%*
)'#&
приводит $
*&u
Y
[
Шаг 12-й.Заменяем )?+"j
'#*")+)*$ !"*+
')'=C'#**
') $*')кластерно-конструктивного
анализа'#&=@@)=@
Шаг 13-й.Прогнозирование '")*)
'#&+)&"%B=
Шаг 14-й.
L)*)
'#&приводит
$
*&u
Y
[
Шаг 5-й.D
"*+))+
))u
Y
[
Выход
Рисунок 20. Развитый алгоритм принятия решений в интеллектуальных системах
управления на основе АСК-анализа и системы «Эйдос»
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Шаг 4-й. Иначе оцениваем корректность поставленных целей
путем сравнения системы детерминации целевых состояний методом
когнитивной кластеризации (4.2.2.3) или на основе матрицы сходства
(4.2.2.1), т.е. определяем, являются ли целевые состояния совместимыми,
т.е. достижимыми одновременно, по обуславливающим их значениями
факторов, или они являются взаимоисключающими (альтернативными) по
системе детерминации и одновременно недостижимы.
Шаг 5-й. Поставленные цели управления корректны, совместимы,
достижимы одновременно? Если да – переход на шаг 6, иначе на шаг 1.
Шаг 6-й. Решаем задачу поддержки принятия решений в
упрощенном варианте путем решения обратной задачи прогнозирования в
автоматизированном SWOT-анализе (реж.4.4.8) для каждого из целевых
состояний и объединяем рекомендованные значения факторов в одну
систему управляющих факторов [13].
Шаг 7-й. Оцениваем технологические и финансовые возможности
применения на практике рекомендованных на шаге 6 значений факторов.
Шаг 8-й. Если такая возможность имеется для всех значений
факторов, то принимаем их для реализации на практике и переходим на
шаг 13 для проверки эффективности принятых решений, а иначе
переходим на шаг 9.
Шаг 9-й. Если же такой возможности нет, то исключаем из системы
значений факторов, рекомендованных на шаге 6, те из них, которые по
каким-либо причинам нет возможности применить на практике (реж.4.1.1)
и переходим на шаг 10.
Шаг 10-й. Прогнозируем результаты применения на практике
сокращенной системы значений факторов в которой есть только те,
которые есть реальная возможность применить на практике (реж.4.1.2).
Шаг 11-й. Сокращенная система значений факторов приводит к
достижению целевых состояний? Если да, то выход из алгоритма принятия
решений, а иначе переход на шаг 12.
Шаг 12-й. Заменяем рекомендованные на шаге 6, но удаленные на
шаге 9 значения факторов другими, сходными по влиянию на объект
управления, но которые есть возможность использовать (4.1.1). Эти
значения факторов для замены выбираются с использованием
когнитивного кластерно-конструктивного анализа значений факторов
(4.3.2.3) или просто матрицы сходства (4.3.2.1) [17].
Шаг 13-й. Прогнозирование результатов применения на практике
системы значений факторов, сформированной на предыдущих этапах
(реж.4.1.2)
Шаг 14-й. Сформированная система значений факторов приводит к
достижению целевых состояний? Если да то выход из алгоритма
принятия решений, а иначе переход на шаг 1.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Как мы видим в развитом алгоритме принятия решений широко
используются результаты решения различных задач: и задачи
прогнозирования, и некоторых задач исследования объекта моделирования
путем исследования его модели. Необходимо особо отметить, что все эти
задачи решаются в системе «Эйдос».
Потому ниже кратко рассмотрим решение этих задач.
3.8. Задача-8. Исследование объекта моделирования
путем исследования его модели
3.8.1. Инвертированные SWOT-диаграммы значений
описательных шкал семантические потенциалы)
Инвертированные SWOT-диаграмм (предложены автором в работе
[13]), отражают силу и направление влияния конкретной градации
описательной шкалы на переход объекта моделирования в состояния,
соответствующие градациям классификационных шкал (классы). Это и
есть смысл (семантический потенциал) этой градации описательной
шкалы. Инвертированные SWOT-диаграммы выводятся в режиме 4.4.9
системы «Эйдос».
Инвертированные SWOT-диаграммы для каждого значения фактора,
которые представляют собой лингвистические переменные, приведены
ниже на рисунке 21:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 21. Инвертированные SWOT-диаграммы для всех значений факторов
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Приведенные на рисунке 21 инвертированные SWOT-диаграммы
исчерпывающим образом отражают силу и направление влияния каждого
значения каждого фактора на переход объекта моделирования в состояния,
соответствующие различной урожайности клевера (классы). Во многом это
и есть решение проблемы, поставленной в работе.
3.8.2. Кластерно-конструктивный анализ классов
В системе «Эйдос» режиме 4.2.2.1, рисунок 22) рассчитывается
матрица сходства классов (таблица 13) по системе их детерминации и на
основе этой матрицы рассчитывается и выводится четыре основных
формы:
круговая 2d-когнитивная диаграмма классов (режим 4.2.2.2)
(рисунок 23);
агломеративные дендрограммы, полученные в результате
когнитивной (истинной) кластеризации классов (предложена автором в
2011 году в работе [17]) (режим 4.2.2.3) (рисунок 24);
график изменения межкластерных расстояний (режим 4.2.2.3)
(рисунок 25).
На рисунке 22 представлены экранные формы режима 4.2.2.1,
обеспечивающего расчет матрицы сходства классов по системе их
детерминации, т.е. по обуславливающим их значениям факторов:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 22. Экранные формы режима 4.2.2.1, обеспечивающего расчет
матриц сходства классов
Таблица 13 – Матрица сходства классов (полностью)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 23. Круговая 2d-когнитивная диаграмма классов (режим 4.2.2.2)
Рисунок 24. Агломеративная дендрограмма, полученная в результате
когнитивной (истинной) кластеризации классов (режим 4.2.2.3)
Рисунок 25. График изменения межкластерных расстояний (режим 4.2.2.3)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.8.3. Кластерно-конструктивный анализ значений
описательных шкал
В системе «Эйдос» режиме 4.3.2.1, рисунок 26) рассчитывается
матрица сходства признаков (таблица 14) по их смыслу и на основе этой
матрицы рассчитывается и выводится четыре основных формы:
круговая 2d-когнитивная диаграмма признаков (режим 4.3.2.2)
рисунок 27);
агломеративные дендрограммы, полученные в результате
когнитивной (истинной) кластеризации признаков (предложена
автором в 2011 году в работе [17]) (режим 4.3.2.3) рисунок 28);
график изменения межкластерных расстояний (режим 4.3.2.3)
рисунок 29).
На рисунке 26 представлены экранные формы режима 4.3.2.1,
обеспечивающего расчет матрицы сходства значений факторов по их
влиянию на объект моделирования:
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 26. Экранные формы режима 4.3.2.1, обеспечивающего расчет
матриц сходства значений факторов
Таблица 14 – Матрица сходства признаков (полностью)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 27. Круговая 2d-когнитивная диаграмма признаков (режим 4.3.2.2)
Рисунок 28. Агломеративная дендрограмма, полученная в результате
когнитивной (истинной) кластеризации признаков (режим 4.3.2.3)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 29. График изменения межкластерных расстояний (режим 4.3.2.3)
3.8.4. Модель знаний системы «Эйдос» и нелокальные
нейроны
Модель знаний системы «Эйдос» относится к нечетким
декларативным гибридным моделям и объединяет в себе некоторые
положительные особенности нейросетевой и фреймовой моделей
представления знаний.
Классы в этой модели соответствуют нейронам и фреймам, а
признаки рецепторам и шпациям (описательные шкалы – слотам).
R 6  представления знаний модель системы
«Эйдос» отличается своей эффективной и простой программной
реализацией, полученной за счет того, что разные фреймы отличаются
друг от друга не набором слотов и шпаций, а лишь информацией в них.
d_  =bB 5 F F 6 
F > a  F F e` a
>`. Это является очень важным свойством моделей системы
«Эйдос», существенно облегчающим и упрощающим программную
реализации.
R   представления знаний модель системы
«Эйдос» отличается тем, что [18]:
1) весовые коэффициенты на рецепторах не подбираются
итерационным методом обратного распространения ошибки, а
рассчитываются методом прямого счета на основе хорошо теоретически
обоснованной модели, основанной на теории информации (это
напоминает байесовские сети);
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
2) весовые коэффициенты имеют хорошо теоретически
обоснованную содержательную интерпретацию, основанную на теории
информации;
3) нейросеть является нелокальной, как сейчас говорят
«полносвязной».
В системе «Эйдос» нелокальные нейроны визуализируются (режим
4.4.10 системы «Эйдос») в виде специальных графических форм, на
которых сила и направление влияния рецепторов нейрона на степень его
активации/торможения отображается в форме цвета и толщины дендрита.
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 30. Нелокальные нейроны, соответствующие классам
(различной урожайности клевера)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.8.5. Нелокальная нейронная сеть
В системе «Эйдос» есть возможность построения моделей,
соответствующих многослойным нейронным сетям [18].
Есть также возможность визуализации любого одного слоя
нелокальной нейронной сети (режим 4.4.11 системы «Эйдос»).
Такой слой в наглядной форме отражает силу и направление влияния
рецепторов ряда нейрона на степень их активации/торможения в форме
цвета и толщины дендритов.
Нейроны на изображении слоя нейронной сети расположены слева
направо в порядке убывания модуля суммарной силы их детерминации
рецепторами, т.е. слева находятся результаты, наиболее жестко
обусловленные действующими на них значениями факторов, а справа
менее жестко обусловленные (рисунок 33).
Рисунок 31. Нейронная сеть в СК-модели INF3
3.8.6. 3D-интегральные когнитивные карты
3d-интегральная когнитивная карта является отображением на одном
рисунке когнитивной диаграммы классов (рисунок 23) вверху и
когнитивной диаграммы значений факторов (рисунок 27) внизу и
соединяющего их одного слоя нейронной сети (рисунок 31) (режим 4.4.12
системы «Эйдос») (рисунок 32):
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
Рисунок 32. 3d-когнитивная диаграмма классов и признаков (режим 4.4.12)
http://ej.kubagro.ru/202 2 /0 6 /pdf/ 09 .pdf
Научный журнал КубГАУ, №180(06), 2022 год
3.8.7. 2D-интегральные когнитивные карты содержательного
сравнения классов опосредованные нечеткие
правдоподобные рассуждения)
В 2d-когнитивных диаграммах сравнения классов по системе их
детерминации видно, насколько сходны или насколько отличаются друг от
друга классы по значениям обуславливающих их факторов.
Однако мы не видим из этой диаграммы, чем именно конкретно
сходны и чем именно отличаются эти классы по значениям
обуславливающих их факторов.
Это мы можем увидеть из когнитивной диаграммы содержательного
сравнения классов, которая отображается в режиме 4.2.3 системы «Эйдос».
2D-интегральные когнитивные карты содержательного сравнения
классов являются примерами опосредованных нечетких правдоподобных
логических заключений, о которых может быть одним