Системно-когнитивная модель оценки степени обеззараживания зерна ультрафиолетовым облучением

Практическая работа

СИСТЕМНО-КОГНИТИВНАЯ МОДЕЛЬ ОЦЕНКИ СТЕПЕНИ ОБЕЗЗАРАЖИВАНИЯ ЗЕРНА УЛЬТРАФИОЛЕТОВЫМ ОБЛУЧЕНИЕМ

Цель работы: определение основных факторов и разработка метода определения направления и силы влияния данных факторов на степень обеззараживания зерна ультрафиолетовым облучением при помощи системно-когнитивного анализа, реализованного в интеллектуальной системе "Эйдос".

Теоретические сведения

Математической основой системно-когнитивного (СК) анализа является теория информации, которая базируется на теории множеств, путем замены понятия множества на более общее понятие системы и на отслеживании всех последствий этой замены.

СК-анализ реализован в универсальной когнитивной аналитической системе «Эйдос», которая является отечественной универсальной системой искусственного интеллекта и широко применяется и развивается в настоящее время. Система «Эйдос» и методика ее применения разработаны профессором Луценко Е.В. в 1979 году для медицинской диагностики. Экспериментальная апробация системы в ходе численного эксперимента была проведена в 1981 году. В настоящее время система «Эйдос» применяется для решения задач прогнозирования, поддержки принятия решений и научных исследований во многих предметных областях.

Для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных систем управления сложными объектами, в системе «Эйдос» определяется суммарное количество информации о каждом информационном источнике, что позволяет получить интегральный критерий для идентификации или прогнозирования состояния объекта.

Для синтеза системно-когнитивной модели оценки степени обеззараживания зерна ультрафиолетовым облучением используется методика, которая включает этапы приведенные ниже.

1. Формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций. Описательные шкалы и их градации предназначены для ввода основных факторов, влияющих на поведение объекта управления – класса.

2. Подготовка Excel-файла эмпирических данных, содержащих показатели, характеризующие степень обеззараживания зерна ультрафиолетовым облучением.

3. Автоматизированный ввод данных в систему «Эйдос» из Excel-файла исходных данных с помощью стандартного программного интерфейса системы.

4. Синтез и верификация интеллектуальных моделей.

5. Определение наиболее достоверной модели и назначение ее текущей.

6. Решение задач идентификации и прогнозирования.

Характерной особенностью системы «Эйдос» является возможность использования широкого диапазона градаций, которых может быть различное количество по различным шкалам.

Описательные шкалы определяют основные параметры: влажность воздуха, высота слоя зерна, время облучения, плотность потока УФС, температура окружающей среды, и расстояние зерна от источника облучения.

Градации описательных шкал заданы в виде термов: «Низкая», «Средняя», «Высокая» и образуют матрицу

,

где n – число исследуемых объектов в обучающей выборке;

m – число факторов, воздействующих на состояния объекта;

 – обозначения термов описательных шкал.

В качестве классификационной шкалы используется «Степень обеззараживания», которая содержит градации: «Низкая», «Ниже средней», «Средняя», «Выше средней», «Высокая».

Градации классификационной шкалы обучающей выборки образуют вектор  

,

где  – обозначения термов классификационной шкалы

 

Порядок выполнения работы

Степень обеззараживания ультрафиолетовым облучением зависит от следующих параметров: влажности зерна, высоты слоя зерна, времени облучения, плотности потока УФС, температуры окружающей среды, и расстояния от источника. Степень обеззараживания задать в виде градаций «высокая», «выше среднего», «средняя», «ниже среднего» и «низкая». Основные параметры задать в виде нечетких множеств, содержащих термы: «высокая», «средняя» и «низкая».

Для выполнения моделирования необходимо составить базу правил системы «Эйдос». Например, if (влажность зерна» is «высокая») and (высота слоя зерна is «высокая») and (временя облучения is «малое») and (плотность потока УФС is «малое») and (температура окружающей среды is «низкое»), and (расстояние от источника is «высокое») then степень обеззараживания is «низкое»).

С целью построения семантической информационной модели оценки степени обеззараживания зерна ультрафиолетовым облучением сформировать в виде Excel-файла обучающую выборку, отображающую 40 вариантов облучения зерна, которую поместить в папку: «Место расположения системы на диске»\AID_DATA\Inp_data\ с именем “Inp_data.xls”. Пример базы правил приведен в таблице 1. Для выполнения работы необходимо составить базу правил для 40 экземпляров.

Таблица 1 – Пример базы правил

NAME	Степень обеззара-живания	Влажность	Высота слоя зерна	Время облучения	Плотность потока УФС	Темпера-тура	Расстояние от источника
Exemp1	в	н	н	д	в	в	н
Exemp2	в	н	н	д	в	в	н
Exemp3	н	в	с	к	н	н	в

 

Запустите интеллектуальную систему "Эйдос" при помощи файла _aidos-x.exe. Введите пароль и логин – цифра 1. Главное меню системы "Эйдос" приведено на рис. 1.

Рис. 1. Главное меню системы "Эйдос"

В системе «Эйдос» реализован ряд программных интерфейсов, обеспечивающих автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей выборки. Наиболее привлекательным является ввод данных в формате Excel. Для ввода Excel-файл исходных данных в систему «Эйдос» применять универсальный программный интерфейс.

Активизируйте команду 2.3.2.2, показанную на рис. 2.

Рис. 2 – Ввод данных в систему

Установите параметры, как показано на рис. 3.

Рис. 3 – Установка параметров системы

После загрузки Excel-файла появляется окно режима (рис. 4), представляющее собой специальный калькулятор, позволяющий при наличии числовых классификационных и/или описательных шкал подбирать количество интервалов (градаций) в числовых или текстовых шкалах. При нажатии на кнопку «Выйти на создание модели» активизируется процесс формализации предметной области.

Активизировать опции «Пересчитать шкалы и градации» и «Выйти на создание модели», как показано на рис. 4.

Рис. 4 – Активизация опций системы

 

Выполните команды 3.1, 3.2 и 3.3. Выбор параметров команды 3.3 показан на рис. 5.

Рис. 5 – Выбор параметров команды 3.3

 

Выполните команду 3.5, как показано на рис. 6.

Рис. 6 – Выполнение команды 3.5

 

При помощи команды 4.1.3.3 определить уровни сходства экземпляров обучающей выборки градациям класса «Степень обеззараживания».

Для синтеза моделей в СК-анализе в настоящее время использовать 7 частных критериев знаний INF1-INF7, а для верификации моделей и решения задачи идентификации и прогнозирования 2 интегральных критерия сходства: «Семантический резонанс знаний» и «Сумма знаний». При выполнении верификации моделей INF1-INF7 выявить модель, имеющую наивысшую достоверность идентификации и не идентификации объектов.

При помощи команды 4.1.3.1 определить интегральные критерии сходства экземпляров с градациями класса «Степень обеззараживания». Значения критериев сходства должно быть не менее 75%.

При помощи команды 4.4.8 получить результаты SWOT-анализа для градаций «Высокая», «Выше среднего», «Средняя», «Ниже среднего» и «Низкая» класса «Степень обеззараживания».

Результаты SWOT-анализа для градации «Высокая», класса «Степень обеззараживания» приведены на рис. 7.

 

Рис. 7 – Результаты SWOT-анализа

3. Контрольные вопросы

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.

Практическая работа

СИСТЕМНО-КОГНИТИВНАЯ МОДЕЛЬ ОЦЕНКИ СТЕПЕНИ ОБЕЗЗАРАЖИВАНИЯ ЗЕРНА УЛЬТРАФИОЛЕТОВЫМ ОБЛУЧЕНИЕМ

Цель работы: определение основных факторов и разработка метода определения направления и силы влияния данных факторов на степень обеззараживания зерна ультрафиолетовым облучением при помощи системно-когнитивного анализа, реализованного в интеллектуальной системе "Эйдос".

Теоретические сведения

Математической основой системно-когнитивного (СК) анализа является теория информации, которая базируется на теории множеств, путем замены понятия множества на более общее понятие системы и на отслеживании всех последствий этой замены.

СК-анализ реализован в универсальной когнитивной аналитической системе «Эйдос», которая является отечественной универсальной системой искусственного интеллекта и широко применяется и развивается в настоящее время. Система «Эйдос» и методика ее применения разработаны профессором Луценко Е.В. в 1979 году для медицинской диагностики. Экспериментальная апробация системы в ходе численного эксперимента была проведена в 1981 году. В настоящее время система «Эйдос» применяется для решения задач прогнозирования, поддержки принятия решений и научных исследований во многих предметных областях.

Для построения моделей систем распознавания образов и принятия решений, ориентированных на применение для синтеза адаптивных систем управления сложными объектами, в системе «Эйдос» определяется суммарное количество информации о каждом информационном источнике, что позволяет получить интегральный критерий для идентификации или прогнозирования состояния объекта.

Для синтеза системно-когнитивной модели оценки степени обеззараживания зерна ультрафиолетовым облучением используется методика, которая включает этапы приведенные ниже.

1. Формализация предметной области, т.е. разработка классификационных и описательных шкал и градаций. Описательные шкалы и их градации предназначены для ввода основных факторов, влияющих на поведение объекта управления – класса.

2. Подготовка Excel-файла эмпирических данных, содержащих показатели, характеризующие степень обеззараживания зерна ультрафиолетовым облучением.

3. Автоматизированный ввод данных в систему «Эйдос» из Excel-файла исходных данных с помощью стандартного программного интерфейса системы.

4. Синтез и верификация интеллектуальных моделей.

5. Определение наиболее достоверной модели и назначение ее текущей.

6. Решение задач идентификации и прогнозирования.

Характерной особенностью системы «Эйдос» является возможность использования широкого диапазона градаций, которых может быть различное количество по различным шкалам.

Описательные шкалы определяют основные параметры: влажность воздуха, высота слоя зерна, время облучения, плотность потока УФС, температура окружающей среды, и расстояние зерна от источника облучения.

Градации описательных шкал заданы в виде термов: «Низкая», «Средняя», «Высокая» и образуют матрицу

,

где n – число исследуемых объектов в обучающей выборке;

m – число факторов, воздействующих на состояния объекта;

 – обозначения термов описательных шкал.

В качестве классификационной шкалы используется «Степень обеззараживания», которая содержит градации: «Низкая», «Ниже средней», «Средняя», «Выше средней», «Высокая».

Градации классификационной шкалы обучающей выборки образуют вектор  

,

где  – обозначения термов классификационной шкалы

 

Порядок выполнения работы

Степень обеззараживания ультрафиолетовым облучением зависит от следующих параметров: влажности зерна, высоты слоя зерна, времени облучения, плотности потока УФС, температуры окружающей среды, и расстояния от источника. Степень обеззараживания задать в виде градаций «высокая», «выше среднего», «средняя», «ниже среднего» и «низкая». Основные параметры задать в виде нечетких множеств, содержащих термы: «высокая», «средняя» и «низкая».

Для выполнения моделирования необходимо составить базу правил системы «Эйдос». Например, if (влажность зерна» is «высокая») and (высота слоя зерна is «высокая») and (временя облучения is «малое») and (плотность потока УФС is «малое») and (температура окружающей среды is «низкое»), and (расстояние от источника is «высокое») then степень обеззараживания is «низкое»).

С целью построения семантической информационной модели оценки степени обеззараживания зерна ультрафиолетовым облучением сформировать в виде Excel-файла обучающую выборку, отображающую 40 вариантов облучения зерна, которую поместить в папку: «Место расположения системы на диске»\AID_DATA\Inp_data\ с именем “Inp_data.xls”. Пример базы правил приведен в таблице 1. Для выполнения работы необходимо составить базу правил для 40 экземпляров.

Таблица 1 – Пример базы правил

NAME	Степень обеззара-живания	Влажность	Высота слоя зерна	Время облучения	Плотность потока УФС	Темпера-тура	Расстояние от источника
Exemp1	в	н	н	д	в	в	н
Exemp2	в	н	н	д	в	в	н
Exemp3	н	в	с	к	н	н	в

 

Запустите интеллектуальную систему "Эйдос" при помощи файла _aidos-x.exe. Введите пароль и логин – цифра 1. Главное меню системы "Эйдос" приведено на рис. 1.

Рис. 1. Главное меню системы "Эйдос"

В системе «Эйдос» реализован ряд программных интерфейсов, обеспечивающих автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей выборки. Наиболее привлекательным является ввод данных в формате Excel. Для ввода Excel-файл исходных данных в систему «Эйдос» применять универсальный программный интерфейс.

Активизируйте команду 2.3.2.2, показанную на рис. 2.

Рис. 2 – Ввод данных в систему

Установите параметры, как показано на рис. 3.

Рис. 3 – Установка параметров системы

После загрузки Excel-файла появляется окно режима (рис. 4), представляющее собой специальный калькулятор, позволяющий при наличии числовых классификационных и/или описательных шкал подбирать количество интервалов (градаций) в числовых или текстовых шкалах. При нажатии на кнопку «Выйти на создание модели» активизируется процесс формализации предметной области.

Активизировать опции «Пересчитать шкалы и градации» и «Выйти на создание модели», как показано на рис. 4.

Рис. 4 – Активизация опций системы

 

Выполните команды 3.1, 3.2 и 3.3. Выбор параметров команды 3.3 показан на рис. 5.

Рис. 5 – Выбор параметров команды 3.3

 

Выполните команду 3.5, как показано на рис. 6.

Рис. 6 – Выполнение команды 3.5

 

При помощи команды 4.1.3.3 определить уровни сходства экземпляров обучающей выборки градациям класса «Степень обеззараживания».

Для синтеза моделей в СК-анализе в настоящее время использовать 7 частных критериев знаний INF1-INF7, а для верификации моделей и решения задачи идентификации и прогнозирования 2 интегральных критерия сходства: «Семантический резонанс знаний» и «Сумма знаний». При выполнении верификации моделей INF1-INF7 выявить модель, имеющую наивысшую достоверность идентификации и не идентификации объектов.

При помощи команды 4.1.3.1 определить интегральные критерии сходства экземпляров с градациями класса «Степень обеззараживания». Значения критериев сходства должно быть не менее 75%.

При помощи команды 4.4.8 получить результаты SWOT-анализа для градаций «Высокая», «Выше среднего», «Средняя», «Ниже среднего» и «Низкая» класса «Степень обеззараживания».

Результаты SWOT-анализа для градации «Высокая», класса «Степень обеззараживания» приведены на рис. 7.

 

Рис. 7 – Результаты SWOT-анализа

3. Контрольные вопросы