Формализация предметной области (ПО)

1.1. Классификационные шкалы и градации

1.2. Описательные шкалы (и градации)

1.3. Градации описательных шкал (признаки)

1.4. Иерархические уровни систем

1.4.1. Уровни классов

1.4.2. Уровни признаков

1.5. Программные интерфейсы для импорта данных

1.5.1. Импорт данных из TXT-фалов стандарта DOS-текст

1.5.2. Импорт данных из DBF-файлов стандарта проф. А.Н.Лебедева

1.5.3. Импорт из транспонированных DBF-файлов проф. А.Н.Лебедева

1.5.4. Генерация шкал и обучающей выборки RND-модели

1.5.5. Генерация шкал и обучающей выборки для исследования чисел

1.5.6. Транспонирование DBF-матриц исходных данных

1.5.7. Импорт данных из DBF-файлов стандарта Евгения Лебедева

1.5.8. Системно-когнитивный анализ стандартных графических шрифтов

6 1.6. Почтовая служба по НСИ

1.6.1. Обмен по классам

1.6.2. Обмен по обобщенным признакам

1.6.3. Обмен по первичным признакам

1.7. Печать анкеты

Синтез СИМ

2.1. Ввод–корректировка обучающей выборки

 2.2. Управление обучающей выборкой

2.2.1. Параметрическое задание объектов для обработки

2.2.2. Статистическая характеристика, ручной ремонт

2.2.3. Автоматический ремонт обучающей выборки

2.3. Синтез семантической информационной модели СИМ

2.3.1. Расчет матрицы абсолютных частот

2.3.2. Исключение артефактов (робастная процедура)

2.3.3. Расчет матрицы информативностей СИМ-1 и сделать ее текущей

2.3.4. Расчет условных процентных распределений СИМ-1 и СИМ-2

2.3.5. Автоматическое выполнение режимов 1–2–3–4

2.3.6. Зависимость достоверности СИМ от объема обучающей выборки, сходимость и устойчивость СИМ, поиск периодов эргодичности и точек бифуркации

2.3.7. Расчет матрицы информативностей СИМ-2 и сделать ее текущей

2.4. Почтовая служба по обучающей информации

2.5. Синтез СИМ и измерение ее адекватности

Оптимизация СИМ

3.1. Формирование ортонормированного базиса классов

3.2. Исключение признаков с низкой селективной силой

3.3. Удаление классов и признаков, по которым недостаточно данных

3.4. Разделение классов на типичную и нетипичную части

3.5. Генерация сочетанных признаков и перекодирование обучающей выборки

Распознавание

4.1. Ввод–корректировка распознаваемой выборки

4.2. Пакетное распознавание

4.3. Вывод результатов распознавания

4.3.1. Разрез: один объект – много классов

4.3.2. Разрез: один класс – много объектов

4.4. Почтовая служба по распознаваемой выборке

4.5. Построение когнитивных функций влияния

4.6. Докодирование сочетаний признаков в распознаваемой выборке

4.7. Назначения объектов на классы (задача о назначениях) 7

4.7.1. Задание ограничений на ресурсы по классам

4.7.2. Ввод затрат на объекты

4.7.3. Назначение объектов на классы (LC-алгоритм)

4.7.4. Сравнение эффективности LC и RND алгоритмов

Типология

5.1. Типологический анализ классов распознавания

5.1.1. Информационные (ранговые) портреты (классов)

5.1.2. Кластерный и конструктивный анализ классов

5.1.2.1 Расчет матрицы сходства образов классов

5.1.2.2. Генерация кластеров и конструктов классов

5.1.2.3. Просмотр и печать кластеров и конструктов

5.1.2.4. Автоматическое выполнение режимов: 1,2,3 5.1.2.5. Вывод 2d семантических сетей классов

5.1.3. Когнитивные диаграммы классов

5.2. Типологический анализ первичных признаков

5.2.1. Информационные (ранговые) портреты признаков

5.2.2. Кластерный и конструктивный анализ признаков

5.2.2.1. Расчет матрицы сходства образов признаков

5.2.2.2. Генерация кластеров и конструктов признаков

5.2.2.3. Просмотр и печать кластеров и конструктов

5.2.2.4. Автоматическое выполнение режимов: 1,2,3

5.2.2.5. Вывод 2d семантических сетей признаков

5.2.3. Когнитивные диаграммы признаков

СК-анализ СИМ

6.1. Оценка достоверности заполнения объектов

6.2. Измерение адекватности семантической информационной модели

6.3. Измерение независимости классов и признаков

6.4. Просмотр профилей классов и признаков

6.5. Графическое отображение нелокальных нейронов

6.6. Отображение Паретто-подмножеств нейронной сети

6.7. Классические и интегральные когнитивные карты

6.8. Восстановление значений функций по признакам аргумента 8

6.8.1. Восстановление значений и визуализация 1d-функций

6.8.2. Восстановление значений и визуализация 2d-функций

6.8.3. Преобразование 2d-матрицы в 1d-таблицу с признаками точек

6.8.4. Объединение многих БД: Inp_001.dbf и т.д., в Inp_data.dbf

6.8.5. Помощь по подсистеме (требования к исходным данным)

Сервис

7.1. Генерация (сброс) БД

7.1.1. Все базы данных

7.1.2. НСИ

7.1.2.1. Всех баз данных НСИ

7.1.2.2. БД классов

 7.1.2.3. БД первичных признаков

7.1.2.4. БД обобщенных признаков

7.1.3. Обучающая выборка

7.1.4. Распознаваемая выборка

7.1.5. Базы данных статистики

7.2. Переиндексация всех баз данных

7.3. Печать БД абсолютных частот

7.4. Печать БД условных процентных распределений СИМ-1 и СИМ-2

7.5. Печать БД информативностей СИМ-1 и СИМ-2

7.6. Интеллектуальная дескрипторная информационно–поисковая система

7.7. Копирование основных баз данных СИМ

7.8. Сделать текущей матрицу информативностей СИМ-1

7.9. Сделать текущей матрицу информативностей СИМ-2 Структура и взаимодействие этих подсистем и режимов позволяют полностью реализовать все аспекты СК-анализа в удобной для пользователя форме. Обобщенной структуре соответствуют и структура управления и дерево диалога системы

Выводы. Система "Эйдос", а также методика и технология ее применения являются адекватным инструментом для оценки влияния основных факторов на степень обеззараживания зерна ультрафиолетовым облучением.

От экспертных систем система "Эйдос" отличается тем, что для ее обучения от экспертов требуется лишь сведение о принадлежности того или иного объекта или его состояния к определенному классу, а не формулирование правил (продукций) или весовых коэффициентов, позволяющих прийти к такому решению (система генерирует их сама, т.е. автоматически).

От систем статистической обработки информации система "Эйдос" отличается прежде всего своей целью, которая состоит в автоматизации базовых когнитивных операций системного анализа, т.е. является инструментарием СК-анализа. Таким образом, система "Эйдос" выполняет за исследователя-аналитика ту работу, которую при использовании систем статистической обработки ему приходится выполнять вручную, что чаще всего просто невозможно при реальных размерностях данных.

Литература

1. Луценко Е.В., Лойко В.И. Семантические информационные модели управления агропромышленным комплексом: Монография (научное издание). – Краснодар: КубГАУ. 2005. –480 с.

2. Луценко Е. В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). – Краснодар: КубГАУ. 2002. – 605 с.

3. Луценко Е.В. Универсальная автоматизированная система распознавания образов "ЭЙДОС". Свидетельство РосАПО №940217. Заяв. № 940103. Опубл. 11.05.94. – 50 с.

4. Луценко Е.В. Универсальная автоматизированная система анализа, мониторинга и прогнозирования состояний многопараметрических динамических систем "ЭЙДОС-Т". Свидетельство РосАПО №940328. Заяв. № 940324. Опубл. 18.08.94. – 50 с.

5. Рябцев В.Г. Применение системы «Aidos» для решения задач агропромышленного комплекса/ Стратегическое развитие АПК и сельских территорий РФ в современных международных условиях: материалы Международной научно-практической конференции, Волгоград, 03-05 февраля 2015 г. – Волгоград: ФГБОУ ВПО Волгоградский ГАУ, 2015. – Том 2. – С. 244-247.