Суть этих методов в том, что вычисляется количество информации в факте наличия или определенной степени выраженности того или иного личностного свойства о том, что обладающий им кандидат будет проявлять определенную степень успешности профессиональной деятельности, работая на той или иной должности. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о респондентах, полученную с помощью различных тестов и других различных источников [11].

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями), 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 [1-11].

Для решения этих задач в АСК-анализе и системе «Эйдос» в настоящее время используется два интегральных критерия, кратко описанные ниже.

Интегральные критерии и принятие управляющих решений

Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы в будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев. В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:

- сумма знаний;

- резонанс знаний.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений 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:

В выражении круглыми скобками обозначено скалярное произведение. В координатной форме это выражение имеет вид:

_,

где: M - количество градаций описательных шкал (признаков);

- 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.:

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).

2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное 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 и имеет вид:

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- 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.:

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).

Свое наименование интегральный критерий сходства «Семантический резонанс знаний» получил потому, что по своей математической форме является корреляцией двух векторов: состояния j-го класса и состояния распознаваемого объекта.

Система «Эйдос» обеспечивает построение информационно-измерительных систем в различных предметных областях. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.

Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его системно-когнитивной модели.

Всем этим и обусловлен выбор АСК-анализа и его программного инструментария интеллектуальной системы «Эйдос» в качестве инструментария решения поставленной проблемы.

Применение системы «Эйдос» для создания интеллектуального приложения (задача 3)

Решение задачи 3 предполагает выполнение следующих этапов, стандартных для АСК-анализа:

- когнитивная структуризация предметной области;

- формализация предметной области;

- синтез и верификация модели;

- повышение качества модели и выбор наиболее достоверной модели

- решение в наиболее достоверной модели задач диагностики (классификации, распознавания, идентификации), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели.

Все эти этапы АСК-анализа, за исключением 1-го, автоматизированы в системе «Эйдос». Рассмотрим их в порядке исполнения в новой версии системы «Эйдос», основываясь на работах [13, 14]. В данной работе использован 461 пример из 749, рассмотренных в работах [13, 14].

Когнитивно-целевая структуризация предметной области

На этом этапе мы должны решить, что будем рассматривать как факторы, а что как результаты их действия. Это единственный неформализованный и не реализованный программно в системе «Эйдос» этап АСК-анализа. В данном случае в качестве факторов выберем:

- конструктивный тип релятивного винтового барабана;

- время смешивания;

- скорость продольного перемещения комбикормовой смеси;

- число оборотов в минуту;

- коэффициент заполнения барабана комбикормовой смесью;

- угол наклона барабана или его стенок.

В качестве результата совместного действия этих факторов будем рассматривать качество получаемой комбикормовой смеси, измеряемое двумя показателями:

- максимальное отклонение от 100% качественным смешиванием;

- минимальное отклонение от 100% качественным смешиванием;

Формализация предметной области и описание исходных данных

Формализация предметной области включает конструирование классификационных и описательных шкал и градаций и кодирование исходных данных с их применением, т.е. подготовку обучающей выборки.

В системе «Эйдос» эта работа полностью автоматизирована в универсальном программном интерфейсе ввода данных из внешних баз данных.

Исходные данные имеют вид (таблица 5):

Таблица 5. Excel-файл исходных данных

Полностью исходные данные включают описания результатов 461 эксперимента (опыта) и здесь не приводятся из-за ограниченности объема работы.

Для ввода этих исходных данных в систему «Эйдос» используем режим 2.3.2.2 с указанными параметрами (рисунок 4):

Рисунок 4. Экранная форма универсального программного интерфейса импорта данных в систему «Эйдос»

Таблица 5 полностью соответствует требованиям этого программного интерфейса, описанным в его Help (рисунок 13):

Рисунок 5. HELP универсального программного интерфейса импорта данных в систему «Эйдос»

Отметим, что действующие факторы и их конкретные значения описываются колонками 4-9 файла исходных данных, приведенного в таблице 1, а результаты действия этих факторов - колонками 2-3.

В данном случае значения всех факторов и результатов их действия, кроме типа барабана, числовые, а тип барабана - это текстовое значение.

При нажатии на 'OK' на экранной форме, представленной на рисунке 4, система «Эйдос» загружает Excel-файл исходных данных, анализирует его и выводит экранную форму внутреннего калькулятора, представленную на рисунке 6:

Рисунок 6. Внутренний калькулятор универсального программного интерфейса импорта данных в систему «Эйдос»

При выходе на создание модели происходит нормализаций базы исходных данных и формирование обучающей выборки (базы событий). Стадия исполнения и его результаты отражены на экранной форме, приведенной на рисунке 7. Из этой экранной формы видно, что ввод в систему «Эйдос» данных 461 опытов из таблицы 5 осуществлен за 2 секунды.

Рисунок 7. Отчет о формируемых классификационных и описательных шкалах и градациях

Ниже приведены классификационные и описательные шкалы и градации (таблицы 6 и 7), а также обучающая выборка (рисунок 8):

Таблица 6. Классификационные шкалы и градации

Таблица 7. Описательные шкалы и градации

Обучающая выборка представляет собой базу исходных данных (таблица 5), нормализованную (закодированную) с помощью созданных классификационных и описательных шкал (таблицы 6 и 7) (рисунок 8):

Рисунок 8. Обучающая выборка (фрагмент)

Таким образом, созданы все необходимые и достаточные условия для выполнения следующего этапа АСК-анализа: т.е. для синтеза и верификации моделей.

Синтез статистических и системно-когнитивных моделей

Синтез и верификация моделей осуществляется в режиме 3.5 системы «Эйдос» (рисунок 9).

Стадия процесса исполнения синтеза и верификации моделей и прогноз времени его окончания отображается на экранной форме (рисунок 10):

Рисунок 9. Экранная форма режима синтеза и верификации моделей системы «Эйдос»

Рисунок 10. экранная форма с отображением стадия процесса исполнения синтеза и верификации моделей и прогноза времени его окончания

Видно, что весь процесс синтеза и верификации моделей занял 2 минуты 12 секунд.

Сами модели приведены на рисунках 11-13:

Рисунок 11. Матрица абсолютных частот (фрагмент)

Рисунок 12. Матрица информативностей INF1 (фрагмент)

Рисунок 13. Модель INF3 (фрагмент)

Верификация статистических и системно-когнитивных моделей

Оценка достоверности моделей в системе «Эйдос» осуществляется путем решения задачи классификации исходных изображений по обобщенным образам классов и подсчета количества истинных положительных и отрицательных, а также ложных положительных и отрицательных решений по F-мере Ван Ризбергена и L1 - L2-мерам проф. Е.В. Луценко [15]. Классическая количественная мера достоверности моделей: F-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно идентифицированных и не идентифицированных объектов обучающей выборки. В мультиклассовых системах классификации, таких как система «Эйдос», один и тот же объект обучающей или распознаваемой выборки может одновременно относится ко многим классам. Соответственно, при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принадлежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической F-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая F-мера не учитывает того, что объект может, фактически, одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На многочисленных численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях.

Поэтому была предложена L1-мера достоверности моделей [15], учитывающая не просто сам факт истинно или ложно положительного или отрицательного решения, но и степень уверенности классификатора в этих решениях.

Однако при классификации больших данных было обнаружено большое количество ложно-положительных решений с низким уровнем сходства, которые, суммарно могут вносить большой вклад в снижение достоверности модели.

Чтобы преодолеть эту проблему предлагается L2-мера [15], в которой вместо сумм уровней сходства используется средние уровни сходства по различным вариантам классификации.

Таким образом, в системе «Эйдос» применяются меры достоверности моделей, названые L1-мера и L2-мера, смягчающие и преодолевающие недостатки F-меры. В работе [15] эти меры описаны математически и их применение продемонстрировано на численном примере. В интеллектуальной системе «Эйдос», которая является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ), реализованы все эти меры достоверности моделей: F, L1 и L2

В режиме 4.1.3.6 кратко и в режиме 4.1.3.7 более подробно показана достоверность каждой частной модели в соответствии с этими мерами достоверности. В данном случае по L2-мере наивысшую достоверность имеет модель INF3 (рисунок 14):

Рисунок 14. Экранная форма с информацией о достоверности моделей по F-критерию Ван Ризбергена и L1- и L2-криетриям проф. Е.В. Луценко [16]

Из рисунка 14 мы видим, что в данном интеллектуальном приложении по критерию L2 наиболее достоверной (0,814) является модель INF3 с интегральным критерием «сумма знаний» (частный критерий, аналогичный хи-квадрат). На рисунке 15 приведено частные распределения уровней сходства и различия истинных и ложных положительных и отрицательных решений в наиболее достоверной модели INF3:

Истинных отрицательных решений (т.е. решений о непринадлежности объекта к классу) в данной модели всегда больше чем ложных, а истинных положительных решений (т.е. о принадлежности объекта у классу) больше чем ложных при уровнях сходства выше 7% (при двух исключениях). При этом чем выше уровень сходства, тем выше доля истинных решений. Ложно положительных решений с уровнем сходства выше 35% вообще нет.

Это неплохие и вполне разумные результаты.

Повышение качества модели

Обратимся к режиму 3.7.5. Данный режим показывает Парето-зависимость суммарной дифференцирующей мощности модели от числа градаций описательных шкал, рассортированных в порядке убывания их селективной силы.

Можно обоснованно сделать следующие выводы:

1. 50% наиболее значимых градаций описательных шкал обеспечивают около 80% суммарной селективной мощности модели.

2. 50% суммарной селективной мощности модели обеспечивается примерно 22% наиболее значимых градаций описательных шкал.

3. Число градаций описательных шкал может быть существенно сокращено без особой потери качества модели путем удаления из модели малозначимых градаций. При этом размерность модели существенно сократится и ее быстродействие соответственно возрастет.

Выбор наиболее достоверной модели и присвоение ей статуса текущей

В соответствии со схемой обработки данных, информации и знаний в системе «Эйдос» (рисунок 2), присвоим наиболее достоверной статус текущей модели.

Результаты и обсуждение (Results and discussion)

При принятии решений определяется сила и направления влияния факторов на принадлежность состояний объекта моделирования к тем или иным классам. По сути это решение задачи SWOT-анализа [16]. SWOT-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье [16] на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [16] на примере SWOT-анализа, можно распространить и на PEST-анализ.

Исследование предметной области путем исследования ее модели (задача 3)

Исследование моделируемого объекта путем исследования его моделей является корректным, если модель верно отражает моделируемый объект и включает ряд возможностей. Используем те из этих возможностей, которые полезны для решения задачи, поставленной в работе, т.е. для определения рациональных конструктивных особенностей и режимов работы релятивных барабанов для качественного смешивания комбикормов.

Нелокальные нейроны и нейронные сети

В работе [17] автором предложены нелокальные нейроны и нелокальные нейронные сети прямого счета, основанные на теории информации. Эти сети, предложенные автором 15 лет очень сходны с популярным сегодня нейробайесовским подходом [18].

SWOT и PEST анализ

SWOT-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна - это интеллектуальная система «Эйдос». В статье [27] на реальном численном примере подробно описывается возможность проведения количественного автоматизированного SWOT-анализа средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» без использования экспертных оценок непосредственно на основе эмпирических данных. Предложено решение прямой и обратной задач SWOT-анализа. PEST-анализ рассматривается как SWOT-анализ, с более детализированной классификацией внешних факторов. Поэтому выводы, полученные в статье [27] на примере SWOT-анализа, можно распространить и на PEST-анализ.

Когнитивные функции

Система «Эйдос» является единственной на данный момент системой, обеспечивающей полностью автоматизированное определение количества информации в значениях аргумента о значениях функции непосредственно на основе эмпирических данных и визуализацию на этой основе прямых, обратных, позитивных, негативных, полностью и частично редуцированных когнитивных функций [2].

Когнитивная функция представляет собой графическое отображение силы и направления влияния различных значений некоторого фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когнитивные функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов. Разработка содержательной научной интерпретации когнитивных функций представляет собой способ познания природы, общества и человека. Когнитивные функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях функции) различной степенью редукции или степенью детерминации, которая отражает в графической форме (в форме полосы) количество знаний в аргументе о значении функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классификационной шкалы, то получим нередуцированную когнитивную функцию. Когнитивные функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой «Эйдос». Необходимо отметить, что на вид функций влияния математической моделью АСК-анализа не накладывается никаких ограничений, в частности, они могут быть и не дифференцируемые.

Отметим, что полученные и отраженные в форме когнитивных функций причинно-следственные зависимости обнаружены непосредственно на основе эмпирических данных путем преобразования их в информацию, а ее в знания и отражают факты, а не их теоретическое объяснение (теоретическую интерпретацию), разработка которой является делом специалиста, хорошо содержательно разбирающегося в моделируемой предметной области.

Выводы и рекомендации по рациональному выбору конструктивных особенностей и режимов работы сложных технических систем, полученные на основе SWOT-диаграмм и когнитивных функций, совпадают.

Ниже приведены когнитивные функции, отражающие зависимость значений классификационных шкал (классов) от значений описательных шкал (факторов).

Список литературы

1. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с. http://elibrary.ru/item.asp? id=18632909

2. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0. http://elibrary.ru/item.asp? id=21358220

3. Луценко Е.В. Проблемы и перспективы теории и методологии научного познания и автоматизированный системно-когнитивный анализ как автоматизированный метод научного познания, обеспечивающий содержательное феноменологическое моделирование / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №03 (127). С. 1 - 60. - IDA [article ID]: 1271703001. - Режим доступа: http://ej.kubagro.ru/2017/03/pdf/01.pdf, 3,75 у.п.л.

4. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №06 (130). С. 1 - 55. - IDA [article ID]: 1301706001. - Режим доступа: http://ej.kubagro.ru/2017/06/pdf/01.pdf, 3,438 у.п.л.

5. Луценко Е.В., Универсальная автоматизированная система распознавания образов «ЭЙДОС». Свидетельство РосАПО №940217. Заяв. №940103. Опубл. 11.05.94. - Режим доступа: http://lc.kubagro.ru/aidos/1994000217.jpg, 3,125 у.п.л.

6. 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. - Режим доступа: http://lc.kubagro.ru/aidos/1994000328.jpg, 3,125 у.п.л.

7. Луценко Е.В., Универсальная когнитивная аналитическая система «ЭЙДОС». Пат. №2003610986 РФ. Заяв. №2003610510 РФ. Опубл. от 22.04.2003. - Режим доступа: http://lc.kubagro.ru/aidos/2003610986.jpg, 3,125 у.п.л.

8. Луценко Е.В., Универсальная когнитивная аналитическая система «ЭЙДОС-X++». Пат. №2012619610 РФ. Заявка №2012617579 РФ от 10.09.2012. Зарегистр. 24.10.2012. - Режим доступа: http://lc.kubagro.ru/aidos/2012619610.jpg, 3,125 у.п.л.

9. Луценко Е.В., Открытая масштабируемая интерактивная интеллектуальная on-line среда «Эйдос» («Эйдос-online»). Свид. РосПатента РФ на программу для ЭВМ, Заявка №2017618053 от 07.08.2017, Гос.рег. №2017661153, зарегистр. 04.10.2017. - Режим доступа: http://lc.kubagro.ru/aidos/2017661153.jpg, 2 у.п.л.

10. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08 (092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

11. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №07 (091). С. 164 - 188. - IDA [article ID]: 0911307012. - Режим доступа: http://ej.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.

12. Луценко Е.В. Автоматизация Функционально-стоимостного анализа и метода «Директ-костинг» на основе АСК-анализа и системы «Эйдос» (автоматизация управления натуральной и финансовой эффективностью затрат без содержательных технологических и финансово-экономических расчетов на основе информационных и когнитивных технологий и теории управления) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №07 (131). С. 1 - 18. - IDA [article ID]: 1311707001. - Режим доступа: http://ej.kubagro.ru/2017/07/pdf/01.pdf, 1,125 у.п.л.

13. Луценко Е.В. Теория информации и когнитивные технологии в моделировании сложных многопараметрических динамических технических систем / Е.В. Луценко, Г.В. Серга // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №07 (121). С. 68 - 115. - IDA [article ID]: 1211607002. - Режим доступа: http://ej.kubagro.ru/2016/07/pdf/02.pdf, 3 у.п.л.

14. Марченко А.Ю. Применение АСК-анализа для определения рациональных конструктивных особенностей и параметров режимов работы релятивных винтовых барабанов для смешивания комбикормов / А.Ю. Марченко, Е.В. Луценко, В.Ю. Фролов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №06 (120). С. 1 - 48. - IDA [article ID]: 1201606001. - Режим доступа: http://ej.kubagro.ru/2016/06/pdf/01.pdf, 3 у.п.л.

15. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2017. - №02 (126). С. 1 - 32. - IDA [article ID]: 1261702001. - Режим доступа: http://ej.kubagro.ru/2017/02/pdf/01.pdf, 2 у.п.л.

16. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07 (101). С. 1367-1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

17. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2003. - №01 (001). С. 79 - 91. - IDA [article ID]: 0010301011. - Режим доступа: http://ej.kubagro.ru/2003/01/pdf/11.pdf, 0,812 у.п.л.

18. Artem Artemov, Eugeny Lutsenko, Edward Ayunts, Ivan Bolokhov/ Informational Neurobayesian Approach to Neural Networks Training. Opportunities and Prospects // arXiv Computer Science, Learning (cs.LG) //arXiv preprint arXiv:1710.07264. - Режим доступа: https://arxiv.org/pdf/1710.07264

19. Луценко Е.В. Метод когнитивной кластеризации или кластеризация на основе знаний (кластеризация в системно-когнитивном анализе и интеллектуальной системе «Эйдос») / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2011. - №07 (071). С. 528 - 576. - Шифр Информрегистра: 0421100012\0253, IDA [article ID]: 0711107040. - Режим доступа: http://ej.kubagro.ru/2011/07/pdf/40.pdf, 3,062 у.п.л.

20. Сайт автора АСК-анализа проф. Е.В. Луцеко: http://lc.kubagro.ru/