Главная Коллекция "Otherreferats" Программирование, компьютеры и кибернетика Идентификация сортов ирисов по внешним признакам с применением АСК-анализа и интеллектуальной системы "Эйдос" (данные репозитория UCI)

Идентификация сортов ирисов по внешним признакам с применением АСК-анализа и интеллектуальной системы "Эйдос" (данные репозитория UCI)

Решение задачи идентификации классов цветов ириса с помощью автоматизированного системно-когнитивного анализа и его программ. Интеллектуальная система "Эйдос". Разработка классификационных и описательных шкал и градаций. Кодирование исходных данных.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 26.05.2017
Размер файла 3,7 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Идентификация сортов ирисов по внешним признакам с применением АСК-анализа и интеллектуальной системы «Эйдос» (данные репозитория UCI)

Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив математических моделей систем искусственного интеллекта, то возникает необходимость оценки качества этих моделей, для чего необходимо их сравнение. Для достижения поставленной цели необходимы свободный доступ к исходным данным и методика, которая позволяет преобразовать эти данные в форму, необходимую для их обработки в системе искусственного интеллекта. Удачным выбором для этих целей является база данных тестовых задач для систем искусственного интеллекта репозитория UCI. В данной работе использована база данных «Iris Data Set» из банка исходных данных по задачам искусственного интеллекта - репозитория UCI, на основе которой решается задачи формализации предметной области (разработки классификационных и описательных шкал и градаций и кодирование исходных данных с их использованием, в результате чего формируется обучающая выборка, по сути представляющая собой нормализованные исходные данные), синтеза и верификации статистических и системно-когнитивных моделей предметной области, идентификации конкретных цветов с классами, в качестве которых выступают сорта Ириса, а также исследования предметной области путем исследования ее модели. Для решения этих задач применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - интеллектуальная система «Эйдос»

Ключевые слова: ИДЕНТИФИКАЦИЯ СОРТОВ ИРИСОВ, ВНЕШНИЕ ПРИЗНАКИ, АСК-АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», РЕПОЗИТОРИЙ UCI

Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В данной работе рассмотрено решение задачи идентификации классов цветов ириса.

Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта. Удачным выбором является база данных тестовых задач для систем искусственного интеллекта репозитория UCI.

В данной работе использована база данных «Iris Data Set» из банка исходных данных по задачам искусственного интеллекта - репозитория UCI.

Для решения задачи используем стандартные возможности Microsoft Office Word и Excel, блокнот, а также систему искусственного интеллекта "Эйдос-Х++".

СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ

Описание решения

В соответствии с методологией АСК-анализа решение поставленной задачи проведем в четыре этапа:

1. Преобразование исходных данных из HTML-формата в промежуточные файлы MS Excel.

2. Преобразование исходных данных из промежуточных файлов MS Excel в базы данных системы "Эйдос".

3. Синтез и верификация моделей предметной области.

4. Применение моделей для решения задач идентификации, прогнозирования и исследования предметной области.

Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel

Из банка исходных данных по задачам искусственного интеллекта - репозитория UCI получаем исходную информацию по базе данных «Iris Data Set», которую оставим без изменений.

когнитивный анализ идентификация

Общее описание задачи:

Файл «iris.names»:

1. Title: Iris Plants Database

Updated Sept 21 by C.Blake - Added discrepency information

2. Sources:

(a) Creator: R.A. Fisher

(b) Donor: Michael Marshall (MARSHALL%PLU@io.arc.nasa.gov)

(c) Date: July, 1988

3. Past Usage:

- Publications: too many to mention!!! Here are a few.

1. Fisher,R.A. "The use of multiple measurements in taxonomic problems"

Annual Eugenics, 7, Part II, 179-188 (1936); also in "Contributions

to Mathematical Statistics" (John Wiley, NY, 1950).

2. Duda,R.O., & Hart,P.E. (1973) Pattern Classification and Scene Analysis.

(Q327.D83) John Wiley & Sons. ISBN 0-471-22361-1. See page 218.

3. Dasarathy, B.V. (1980) "Nosing Around the Neighborhood: A New System

Structure and Classification Rule for Recognition in Partially Exposed

Environments". IEEE Transactions on Pattern Analysis and Machine

Intelligence, Vol. PAMI-2, No. 1, 67-71.

- Results:

- very low misclassification rates (0% for the setosa class)

4. Gates, G.W. (1972) "The Reduced Nearest Neighbor Rule". IEEE

Transactions on Information Theory, May 1972, 431-433.

- Results:

- very low misclassification rates again

5. See also: 1988 MLC Proceedings, 54-64. Cheeseman et al's AUTOCLASS II

conceptual clustering system finds 3 classes in the data.

4. Relevant Information:

- This is perhaps the best known database to be found in the pattern

recognition literature. Fisher's paper is a classic in the field

and is referenced frequently to this day. (See Duda & Hart, for

example.) The data set contains 3 classes of 50 instances each,

where each class refers to a type of iris plant. One class is

linearly separable from the other 2; the latter are NOT linearly

separable from each other.

- Predicted attribute: class of iris plant.

- This is an exceedingly simple domain.

- This data differs from the data presented in Fishers article

(identified by Steve Chadwick, spchadwick@espeedaz.net )

The 35th sample should be: 4.9,3.1,1.5,0.2,"Iris-setosa"

where the error is in the fourth feature.

The 38th sample: 4.9,3.6,1.4,0.1,"Iris-setosa"

where the errors are in the second and third features.

5. Number of Instances: 150 (50 in each of three classes)

6. Number of Attributes: 4 numeric, predictive attributes and the class

7. Attribute Information:

1. sepal length in cm

2. sepal width in cm

3. petal length in cm

4. petal width in cm

5. class:

- Iris Setosa

- Iris Versicolour

- Iris Virginica

8. Missing Attribute Values: None

Summary Statistics:

Min Max Mean SD Class Correlation

sepal length: 4.3 7.9 5.84 0.83 0.7826

sepal width: 2.0 4.4 3.05 0.43 -0.4194

petal length: 1.0 6.9 3.76 1.76 0.9490 (high!)

petal width: 0.1 2.5 1.20 0.76 0.9565 (high!)

9. Class Distribution: 33.3% for each of 3 classes.

Обучающая выборка представлена в таблице 1:

Таблица 1 - iris.data

n

sepal length

sepal width

petal length

petal width

class

1

5,1

3,5

1,4

0,2

Iris-setosa

2

4,9

3,0

1,4

0,2

Iris-setosa

3

4,7

3,2

1,3

0,2

Iris-setosa

4

4,6

3,1

1,5

0,2

Iris-setosa

5

5,0

3,6

1,4

0,2

Iris-setosa

6

5,4

3,9

1,7

0,4

Iris-setosa

7

4,6

3,4

1,4

0,3

Iris-setosa

8

5,0

3,4

1,5

0,2

Iris-setosa

9

4,4

2,9

1,4

0,2

Iris-setosa

10

4,9

3,1

1,5

0,1

Iris-setosa

11

5,4

3,7

1,5

0,2

Iris-setosa

12

4,8

3,4

1,6

0,2

Iris-setosa

13

4,8

3,0

1,4

0,1

Iris-setosa

14

4,3

3,0

1,1

0,1

Iris-setosa

15

5,8

4,0

1,2

0,2

Iris-setosa

16

5,7

4,4

1,5

0,4

Iris-setosa

17

5,4

3,9

1,3

0,4

Iris-setosa

18

5,1

3,5

1,4

0,3

Iris-setosa

19

5,7

3,8

1,7

0,3

Iris-setosa

20

5,1

3,8

1,5

0,3

Iris-setosa

21

5,4

3,4

1,7

0,2

Iris-setosa

22

5,1

3,7

1,5

0,4

Iris-setosa

23

4,6

3,6

1,0

0,2

Iris-setosa

24

5,1

3,3

1,7

0,5

Iris-setosa

25

4,8

3,4

1,9

0,2

Iris-setosa

26

5,0

3,0

1,6

0,2

Iris-setosa

27

5,0

3,4

1,6

0,4

Iris-setosa

28

5,2

3,5

1,5

0,2

Iris-setosa

29

5,2

3,4

1,4

0,2

Iris-setosa

30

4,7

3,2

1,6

0,2

Iris-setosa

31

4,8

3,1

1,6

0,2

Iris-setosa

32

5,4

3,4

1,5

0,4

Iris-setosa

33

5,2

4,1

1,5

0,1

Iris-setosa

34

5,5

4,2

1,4

0,2

Iris-setosa

35

4,9

3,1

1,5

0,1

Iris-setosa

36

5,0

3,2

1,2

0,2

Iris-setosa

37

5,5

3,5

1,3

0,2

Iris-setosa

38

4,9

3,1

1,5

0,1

Iris-setosa

39

4,4

3,0

1,3

0,2

Iris-setosa

40

5,1

3,4

1,5

0,2

Iris-setosa

41

5,0

3,5

1,3

0,3

Iris-setosa

42

4,5

2,3

1,3

0,3

Iris-setosa

43

4,4

3,2

1,3

0,2

Iris-setosa

44

5,0

3,5

1,6

0,6

Iris-setosa

45

5,1

3,8

1,9

0,4

Iris-setosa

46

4,8

3,0

1,4

0,3

Iris-setosa

47

5,1

3,8

1,6

0,2

Iris-setosa

48

4,6

3,2

1,4

0,2

Iris-setosa

49

5,3

3,7

1,5

0,2

Iris-setosa

50

5,0

3,3

1,4

0,2

Iris-setosa

51

7,0

3,2

4,7

1,4

Iris-versicolor

52

6,4

3,2

4,5

1,5

Iris-versicolor

53

6,9

3,1

4,9

1,5

Iris-versicolor

54

5,5

2,3

4,0

1,3

Iris-versicolor

55

6,5

2,8

4,6

1,5

Iris-versicolor

56

5,7

2,8

4,5

1,3

Iris-versicolor

57

6,3

3,3

4,7

1,6

Iris-versicolor

58

4,9

2,4

3,3

1,0

Iris-versicolor

59

6,6

2,9

4,6

1,3

Iris-versicolor

60

5,2

2,7

3,9

1,4

Iris-versicolor

61

5,0

2,0

3,5

1,0

Iris-versicolor

62

5,9

3,0

4,2

1,5

Iris-versicolor

63

6,0

2,2

4,0

1,0

Iris-versicolor

64

6,1

2,9

4,7

1,4

Iris-versicolor

65

5,6

2,9

3,6

1,3

Iris-versicolor

66

6,7

3,1

4,4

1,4

Iris-versicolor

67

5,6

3,0

4,5

1,5

Iris-versicolor

68

5,8

2,7

4,1

1,0

Iris-versicolor

69

6,2

2,2

4,5

1,5

Iris-versicolor

70

5,6

2,5

3,9

1,1

Iris-versicolor

71

5,9

3,2

4,8

1,8

Iris-versicolor

72

6,1

2,8

4,0

1,3

Iris-versicolor

73

6,3

2,5

4,9

1,5

Iris-versicolor

74

6,1

2,8

4,7

1,2

Iris-versicolor

75

6,4

2,9

4,3

1,3

Iris-versicolor

76

6,6

3,0

4,4

1,4

Iris-versicolor

77

6,8

2,8

4,8

1,4

Iris-versicolor

78

6,7

3,0

5,0

1,7

Iris-versicolor

79

6,0

2,9

4,5

1,5

Iris-versicolor

80

5,7

2,6

3,5

1,0

Iris-versicolor

81

5,5

2,4

3,8

1,1

Iris-versicolor

82

5,5

2,4

3,7

1,0

Iris-versicolor

83

5,8

2,7

3,9

1,2

Iris-versicolor

84

6,0

2,7

5,1

1,6

Iris-versicolor

85

5,4

3,0

4,5

1,5

Iris-versicolor

86

6,0

3,4

4,5

1,6

Iris-versicolor

87

6,7

3,1

4,7

1,5

Iris-versicolor

88

6,3

2,3

4,4

1,3

Iris-versicolor

89

5,6

3,0

4,1

1,3

Iris-versicolor

90

5,5

2,5

4,0

1,3

Iris-versicolor

91

5,5

2,6

4,4

1,2

Iris-versicolor

92

6,1

3,0

4,6

1,4

Iris-versicolor

93

5,8

2,6

4,0

1,2

Iris-versicolor

94

5,0

2,3

3,3

1,0

Iris-versicolor

95

5,6

2,7

4,2

1,3

Iris-versicolor

96

5,7

3,0

4,2

1,2

Iris-versicolor

97

5,7

2,9

4,2

1,3

Iris-versicolor

98

6,2

2,9

4,3

1,3

Iris-versicolor

99

5,1

2,5

3,0

1,1

Iris-versicolor

100

5,7

2,8

4,1

1,3

Iris-versicolor

101

6,3

3,3

6,0

2,5

Iris-virginica

102

5,8

2,7

5,1

1,9

Iris-virginica

103

7,1

3,0

5,9

2,1

Iris-virginica

104

6,3

2,9

5,6

1,8

Iris-virginica

105

6,5

3,0

5,8

2,2

Iris-virginica

106

7,6

3,0

6,6

2,1

Iris-virginica

107

4,9

2,5

4,5

1,7

Iris-virginica

108

7,3

2,9

6,3

1,8

Iris-virginica

109

6,7

2,5

5,8

1,8

Iris-virginica

110

7,2

3,6

6,1

2,5

Iris-virginica

111

6,5

3,2

5,1

2,0

Iris-virginica

112

6,4

2,7

5,3

1,9

Iris-virginica

113

6,8

3,0

5,5

2,1

Iris-virginica

114

5,7

2,5

5,0

2,0

Iris-virginica

115

5,8

2,8

5,1

2,4

Iris-virginica

116

6,4

3,2

5,3

2,3

Iris-virginica

117

6,5

3,0

5,5

1,8

Iris-virginica

118

7,7

3,8

6,7

2,2

Iris-virginica

119

7,7

2,6

6,9

2,3

Iris-virginica

120

6,0

2,2

5,0

1,5

Iris-virginica

121

6,9

3,2

5,7

2,3

Iris-virginica

122

5,6

2,8

4,9

2,0

Iris-virginica

123

7,7

2,8

6,7

2,0

Iris-virginica

124

6,3

2,7

4,9

1,8

Iris-virginica

125

6,7

3,3

5,7

2,1

Iris-virginica

126

7,2

3,2

6,0

1,8

Iris-virginica

127

6,2

2,8

4,8

1,8

Iris-virginica

128

6,1

3,0

4,9

1,8

Iris-virginica

129

6,4

2,8

5,6

2,1

Iris-virginica

130

7,2

3,0

5,8

1,6

Iris-virginica

131

7,4

2,8

6,1

1,9

Iris-virginica

132

7,9

3,8

6,4

2,0

Iris-virginica

133

6,4

2,8

5,6

2,2

Iris-virginica

134

6,3

2,8

5,1

1,5

Iris-virginica

135

6,1

2,6

5,6

1,4

Iris-virginica

136

7,7

3,0

6,1

2,3

Iris-virginica

137

6,3

3,4

5,6

2,4

Iris-virginica

138

6,4

3,1

5,5

1,8

Iris-virginica

139

6,0

3,0

4,8

1,8

Iris-virginica

140

6,9

3,1

5,4

2,1

Iris-virginica

141

6,7

3,1

5,6

2,4

Iris-virginica

142

6,9

3,1

5,1

2,3

Iris-virginica

143

5,8

2,7

5,1

1,9

Iris-virginica

144

6,8

3,2

5,9

2,3

Iris-virginica

145

6,7

3,3

5,7

2,5

Iris-virginica

146

6,7

3,0

5,2

2,3

Iris-virginica

147

6,3

2,5

5,0

1,9

Iris-virginica

148

6,5

3,0

5,2

2,0

Iris-virginica

149

6,2

3,4

5,4

2,3

Iris-virginica

150

5,9

3,0

5,1

1,8

Iris-virginica

На рисунках 1-3 приведены примеры цветов Ирисов разных классов.

Рисунок 1. Ирис класса setosa

Рисунок 2. Ирис класса versicolor

Рисунок 3. Ирис класса virginica

Поскольку ввод исходных данных в систему «Эйдос» планируется осуществить с помощью ее универсального программного интерфейса импорта данных из внешних баз данных, который работает с файлами MS Excel, то преобразуем данные из html-файла в xls-файл, для чего выполним следующие операции.

Скопируем получившуюся таблицу из MS Word в MS Excel и запишем ее с именем: Inp_data.xls в папку: c:\Aidos-X\AID_DATA\Inp_data\. В файле Inp_data.xls добавим пустую колонку на позиции «A» и автоматически пронумеруем все строки. В результате получим таблицу исходных данных, полностью подготовленную для обработки в системе «Эйдос» и записанную в нужную папку в виде файла нужного типа с нужным именем.

Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему "Эйдос".

Для загрузки базы исходных данных в систему «Эйдос» необходимо воспользоваться универсальным программным интерфейсом для ввода данных из внешних баз данных табличного вида, т.е. режимом 2.3.2.2 (рисунок 4):

Рисунок 4. Экранная форма Универсального программного интерфейса импорта данных в систему "Эйдос" (режим 2.3.2.2.)

В экранной форме, приведенной на рисунке 4 необходимо задать настройки, показанные на рисунке:

? "Задайте тип файла исходных данных Inp_data": "XLS - MS Excel- 2003";

? "Задайте диапазон столбцов классификационных шкал": "Начальный столбец классификационных шкал" - 6, "Конечный столбец классификационных шкал" - 7 (последний столбец в таблице);

? "Задайте диапазон столбцов описательных шкал": "Начальный столбец описательных шкал" - 2, "Конечный столбец описательных шкал" - 5;

? "Задание параметров формирования сценариев или способа интерпретации текстовых полей": "Не применять сценарный метод АСК- анализа и спец.интерпретацию TXT-полей".

После нажать кнопку "ОК". Далее открывается окно, где размещена информация о размерности модели (рисунок 5). В этом окне необходимо нажать кнопку "Выйти на создание модели".

Рисунок 5. Задание размерности модели системы "Эйдос"

Далее открывается окно, отображающее стадию процесса импорта данных из внешней БД "Inp_data.xls" в систему "Эйдос" (рисунок 6), а также прогноз времени завершения этого процесса. В том окне необходимо дождаться завершения формализации предметной области и нажать кнопку "ОК".

Рисунок 6. Процесс импорта данных из внешней БД "Inp_data.xls" в систему "Эйдос"

В результате формируются классификационные и описательные шкалы и градации, с применением которых исходные данные кодируются и представляются в форме эвентологических баз данных. Этим самым полностью автоматизировано выполняется 2-й этап АСК-анализа «Формализация предметной области». Для просмотра классификационных шкал и градаций необходимо запустить режим 2.1 (рисунок 7).

Рисунок 7. Классификационные шкалы и градации (фрагмент)

Для просмотра описательных шкал и градаций необходимо запустить режим 2.2 (рисунок 8), а для просмотра обучающей выборки - режим 2.3.1 (рисунок 9):

Рисунок 8. Описательные шкалы и градации (фрагмент)

Рисунок 9. Обучающая выборка (фрагмент)

Тем самым создаются все необходимые и достаточные предпосылки для выявления силы и направления причинно-следственных связей между значениями факторов и результатами их совместного системного воздействия (с учетом нелинейности системы [11]).

Синтез и верификация статистических и интеллектуальных моделей

Далее запускаем режим 3.5, в котором задаются модели для синтеза и верификации, а также задается модель, которой по окончании режима присваивается статус текущей (рисунок 10).

Рисунок 10. Выбор моделей для синтеза и верификации, а также текущей модели

В данном режиме имеется много различных методов верификации моделей, в том числе и поддерживающие бутстрепный метод. Но мы используем параметры по умолчанию, приведенные на рисунке 10. Стадия процесса исполнения режима 3.5 и прогноз времени его окончания отображаются на экранной форме, приведенной на рисунке 11.

Рисунок 11. Синтез и верификация статистических моделей и моделей знаний

Интересно заметить (см. рисунок 11), что синтез и верификация всех 10 моделей на данной задаче заняли 57 секунд. При этом верификация (оценка достоверности моделей) проводилась на всех 150 примерах наблюдения из обучающей выборки. В результате выполнения режима 3.5 созданы все модели, со всеми частными критериями, перечисленные на рисунке 10, но ниже мы приведем лишь некоторые из них (таблицы 2, 3, 4).

Виды моделей системы «Эйдос»

Рассмотрим решение задачи идентификации на примере модели INF1, в которой рассчитано количество информации по А.Харкевичу, которое мы получаем о принадлежности идентифицируемого объекта к каждому из классов, если знаем, что у этого объекта есть некоторый признак.

По сути, частные критерии представляют собой просто формулы для преобразования матрицы абсолютных частот (таблица 2) в матрицы условных и безусловных процентных распределений, и матрицы знаний (таблицы 3 и 4).

Таблица 2 - Матрица абсолютных частот (модель ABS)

Таблица 3 - Матрица информативностей (модель INF1) в битах

Таблица 4 - Матрица знаний (модель INF3)

Результаты верификации моделей

Результаты верификации (оценки достоверности) моделей, отличающихся частными критериями с двумя приведенными выше интегральными критериями приведены на рисунке 12.

Рисунок 12. Оценки достоверности моделей

Наиболее достоверными в данном приложении оказались модели INF4 и INF5 при интегральном критерии «Семантический резонанс знаний». При этом точность модели (F-мера Ван Ризбергена) составляет 0,958. Таким образом, уровень достоверности прогнозирования с применением модели выше, чем экспертных оценок, достоверность которых считается равной примерно 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется F-мера Ван Ризбергена и L-мера, представляющая собой ее нечеткое мультиклассовое обобщение, предложенное профессором Е.В. Луценко [10] (рисунок 13).

Рисунок 13. Виды прогнозов и принцип определения достоверности моделей по авторскому варианту метрики, сходной с F-критерием

Также обращает на себя внимание, что статистические модели, как правило, дают более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, и практически никогда - более высокую. Этим и оправдано применение моделей знаний и интеллектуальных технологий. На рисунке 14 приведены частные распределения уровней сходства и различия для верно и ошибочно идентифицированных и неидентифицированных ситуаций в наиболее достоверной модели INF4.

Рисунок 14. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта моделирования в модели INF4

Из рисунка 14 видно, что:

- наиболее достоверная модель INF4 лучше определяет непринадлежность объекта к классу, чем принадлежность (что видно также из рисунка 9);

- модуль уровня сходства-различия в наиболее достоверной модели INF4 для верно идентифицированных и верно неидентифицированных объектов значительно выше, чем для ошибочно идентифицированных и ошибочно неидентифицированных. Это верно практически для всего диапазона уровней сходства-различия, кроме небольших по модулю значений в диапазоне от 0 до 15% уровня сходства. Для очень больших значений уровней сходства-различия (более 70%) также различие между верно и ошибочно идентифицированными и неидентифицированными ситуациями практически отсутствует.

Любые данные о наблюдениях можно считать суммой истинного значения и шума, причем ни первое, ни второе неизвестны. Поэтому имеет смысл сравнить созданные модели с чисто случайными моделями, совпадающими по основным характеристикам. В системе «Эйдос» есть лабораторная работа № 2.01: «Исследование RND-модели при различных объемах выборки». Если данная работа устанавливается при отсутствии текущего приложения, то все параметры создаваемых моделей задаются вручную, если же текущая модель существует, как в нашем случае, то все основные ее параметры определяются автоматически (рисунок 15):

Рисунок 15. Экранная форма управления созданием случайных моделей, совпадающих с текущей по размерностям основных баз данных

На рисунке 16 показано частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели INF4.

Рисунок 16. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели INF4

Совершенно очевидное различие частотных распределений уровней сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта моделирования и случайной модели (рисунки 15 и 16) объясняется тем, что в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны. Если же такой информации в модели нет, то и распределение получается типа, приведенного на рисунке 17.

На рисунке 17 приведены данные по достоверности статистических и когнитивных моделей, созданных на основе случайной выборки.

Рисунок 17. Достоверность статистических и когнитивных моделей, созданных на основе случайной выборки

На основе сравнения рисунка 17 с рисунком 12 можно сделать следующие выводы:

- достоверность лучшей модели INF5, отражающей реальный объект моделирования, примерно на 28% выше, чем аналогичной случайной модели;

- различие между достоверностью статистических моделей и моделей знаний, созданных на основе случайной выборки, значительно меньше, чем у моделей, отражающих реальный объект моделирования;

- в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны, причем примерно 1/3 достоверности обусловлена отражением в реальных моделях закономерностей предметной области, а 2/3 достоверности обусловлено наличием шума в исходных данных. На основании этого можно предположить, что в исходных данных уровень сигнала о реальных причинно-следственных связях в моделируемой предметной области примерно в два раза ниже уровня шума.

РЕШЕНИЕ ЗАДАЧ ИДЕНТИФИКАЦИИ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ

Решение задачи

В соответствии с технологией АСК-анализа зададим текущей модель INF4 (режим 5.6) (рисунок 18) и проведем пакетное распознавание в режиме 4.2.1 (рисунок 19).

Рисунок 18. Экранные формы режима задания модели в качестве текущей

Рисунок 19. Экранная форма режима пакетного распознавания в текущей модели

В результате пакетного распознавания в текущей модели создается ряд баз данных, которые визуализируются в выходных экранных формах, отражающих результаты решения задачи идентификации и прогнозирования.

Режим 4.1.3 системы «Эйдос» обеспечивает отображение результатов идентификации и прогнозирования в различных формах:

1. Подробно наглядно: "Объект - классы".

2. Подробно наглядно: "Класс - объекты".

3. Итоги наглядно: "Объект - классы".

4. Итоги наглядно: "Класс - объекты".

5. Подробно сжато: "Объект - классы".

6. Обобщенная форма по достоверности моделей при разных интегральных критериях.

7. Обобщенный статистический анализ результатов идентификации по моделям и интегральным критериям.

8. Статистический анализ результатов идентификации по классам, моделям и интегральным критериям.

9. Распознавание уровня сходства при разных моделях и интегральных критериях.

10.Достоверность идентификации классов при разных моделях и интегральных критериях.

Ниже кратко рассмотрим некоторые из них.

На рисунках 20 и 21 приведены примеры прогнозов высокой и низкой достоверности частоты и классов Ирисов в наиболее достоверной модели INF4 на основе наблюдения предыстории их развития:

Рисунок 20. Пример идентификации классов ириса в модели INF4

Рисунок 21. Пример идентификации классов ириса в модели INF4

Когнитивные функции

Рассмотрим режим 4.5, в котором реализована возможность визуализации когнитивных функций для любых моделей и любых сочетаний классификационных и описательных шкал (рисунок 22)

Рисунок 22. Экранная форма режима 4.5 системы «Эйдос-Х++» «Визуализация когнитивных функций»

Применительно к задаче, рассматриваемой в данной работе, когнитивная функция показывает, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния. Когнитивным функциям посвящено много работ автора, но наиболее новой и обобщающей из них является работа [11]. Поэтому здесь не будем останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе. На рисунке 23 приведены визуализации всех когнитивных функций данного приложения для модели INF3.

Рисунок 23. Визуализация когнитивных функций для обобщенных классов и всех описательных шкал для модели INF3

SWOT и PEST матрицы и диаграммы

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». Данная система всегда обеспечивала возможность проведения количественного автоматизированного SWOT-анализа без использования экспертных оценок непосредственно на основе эмпирических данных. Результаты SWOT-анализа выводились в форме информационных портретов. В версии системы под MS Windows: «Эйдос-Х++» предложено автоматизированное количественное решение прямой и обратной задач SWOT-анализа с построением традиционных SWOT-матриц и диаграмм (рисунок 24).

Рисунок 24. Пример SWOT-матрицы в модели INF3

На рисунке 25 приведены примеры инвертированной SWOT- матрицы и инвертированной SWOT-диаграммы в модели INF3.

Рисунок 25. Пример SWOT-матрицы в модели INF4

Так как существует множество систем искусственного интеллекта, то возникает необходимость сопоставимой оценки качества их математических моделей. Одним из вариантов решения этой задачи является тестирование различных системы на общей базе исходных данных, для чего очень удобно использовать общедоступную базу репозитория UCI. В данной работе приводится развернутый пример использования базы данных репозитория UCI для оценки качества математических моделей, применяемых в АСК-анализе и его программном инструментарии системе искусственного интеллекта «Эйдос». При этом наиболее достоверной в данном приложении оказались модели INF4 и INF5 при интегральном критерии «Резонанс знаний». Точность модели составляет 0,968, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется F-мера Ван Ризбергена и ее нечеткое мультиклассовое обобщение L-мера, предложенная проф.Е.В.Луценко [10].

На основе базы данных UCI, рассмотренной в данной работе, построить модели прогнозирования не с помощью АСК-анализа и реализующей его системы «Эйдос», а с применением других математических методов и реализующих их программных систем, то можно сопоставимо сравнить их качество.

Литература

1. Луценко Е.В. Методика использования репозитория UCI для оценки качества математических моделей систем искусственного интеллекта / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: http://lc.kubagro.ru/My_training_schedule.doc

КубГАУ, 2003. - №02(002). С. 120 - 145. - IDA [article ID]: 0020302012. - Режим доступа: http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,625 у.п.л.

2. Луценко Е.В. АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков / Е.В. Луценко, Ю.Н. Пенкина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: Куб- ГАУ, 2014. - №06(100). С. 1346 - 1395. - IDA [article ID]: 1001406090. - Режим доступа: http://ej.kubagro.ru/2014/06/pdf/90.pdf, 3,125 у.п.л.

3. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: Куб- ГАУ, 2013. - №04(088). С. 340 - 359. - IDA [article ID]: 0881304022. - Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

4. 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.

5. Репозиторий UCI [Электронный ресурс]. Статья "Iris Data Set": http://archive.ics.uci.edu/ml/datasets/Iris, свободный. - Загл. с экрана. Яз. анг.

6. Сайт профессора Е.В. Луценко [Электронный ресурс]. Режим доступа: http://lc.kubagro.ru/, свободный. - Загл. с экрана. Яз. рус.

7. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(054). С. 48 - 77. - Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

8. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос- Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2012. - №09(083). С. 328 - 356. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у.п.л.

9. Луценко Е.В., Боровко А.Ю. Прогнозирование количества и классов солнечных вспышек на основе их предыстории по данным репозитория UCI с применением АСК-анализа и интеллектуальной системы «Эйдос» // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - IDA [article ID]: 0831209025. - Режим доступа: http://ej.kubagro.ru/2014/10/pdf/99.pdf

10. Луценко Е.В. Нечеткое мультиклассовое обобщение классической F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Луценко Е.В. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №09(123). - Режим доступа: http://ej.kubagro.ru/2016/09/pdf/01.pdf, 1,813 у.п.л. - IDA [article ID]: 1221608001. http://dx.doi.org/10.21515/1990-4665-123-001

11. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). - Краснодар, КубГАУ. 2014. - 600 с. ISBN 978-5-94672-757-0.

Размещено на Allbest.ru


Подобные документы

  • Разработка веб-приложения для учета потребляемых продуктов

    Обзор веб-приложений для реализации онлайн фитнес-системы поддержания физической формы человека. Диаграммы вариантов использования. Построение логической модели данных. Способы идентификации классов анализа. Разработка сценариев и макетов экранных форм.

    дипломная работа [1,2 M], добавлен 02.08.2016

  • Проведение АВС анализа в среде MS EXCEL

    Сортировка исходных данных по среднему запасу за квартал. Сумма среднего запаса за квартал по всем объектам. Распределение объектов управления по группам. Построение кривой АВС с помощью мастера диаграмм. Решение задачи XYZ параллельно с АВС анализом.

    контрольная работа [785,4 K], добавлен 14.12.2010

  • Система идентификации личности по отпечаткам пальцев. Подсистема анализа изображения

    Подсистема анализа изображения отпечатка пальца в составе системы идентификации личности по отпечаткам пальцев на основе папиллярного узора для дальнейшего распознавания личности. Характеристика функциональных возможностей системы и код програмы.

    дипломная работа [3,1 M], добавлен 01.07.2008

  • Информационная безопасность. Правовая охрана программ и данных

    Правовая охрана программ электронно-вычислительных машин. Лицензионные, условно бесплатные и свободно распространяемые программы. Защита информации от несанкционированного доступа к данным, хранящимся на компьютере. Биометрические системы идентификации.

    презентация [554,0 K], добавлен 25.01.2014

  • Реализация анализа образовательной системы методом обращения в среде Rational Rose

    Разработка системы автоматизированного анализа сложных объектов образовательной системы. Построение диаграмм последовательности, кооперации, классов, состояний, компонентов, а также развертывания. Представление сгенерированных кодов клиента и сервера.

    курсовая работа [501,1 K], добавлен 23.06.2014

  • Разработка алгоритма и программы автоматизированного анализа динамики следящей системы с учетом люфта редуктора

    Разработка программных средств автоматизированного анализа динамических свойств позиционной следящей системы с учетом люфта редуктора. Проектирование алгоритма и программы расчета и построения фазовых портретов или переходных процессов данной системы.

    курсовая работа [432,5 K], добавлен 28.11.2012

  • Разработка подсистемы оперативного анализа данных в информационной системе анализа динамики посетителей веб-сайта crimusic.info

    Разработка подсистем анализа веб-сайта с помощью Microsoft Access и Olap-технологий. Теоретические аспекты разработки подсистемы анализа данных в информационной системе музыкального портала. Olap-технологии в подсистеме анализа объекта исследования.

    курсовая работа [864,8 K], добавлен 06.11.2009

  • Оценивание кредитных рисков

    Разработка самообучающейся интеллектуальной информационной системы для анализа кредитоспособности заемщика и оценки кредитных рисков на основе подхода иммунокомпьютинга. Применение процедур кластеризации, классификации и формирования оценок рисков.

    курсовая работа [822,3 K], добавлен 09.06.2012

  • Теоретические основы автоматизированного управления

    Разработка информационной системы (ИС) учета и анализа возникновения дорожных заторов в городе Иркутск. Разработка структуры ИС (модулей системы, модели данных, матрицу доступа пользователей ИС). Основные средства моделирования при проектировании ИС.

    лабораторная работа [1,3 M], добавлен 23.07.2012

  • Система управления базами данных MS Access

    Хранение и обработка данных. Компоненты системы баз данных. Физическая структура данных. Создание таблиц в MS Access. Загрузка данных, запросы к базе данных. Разработка информационной системы с применением системы управления базами данных MS Access.

    курсовая работа [694,0 K], добавлен 17.12.2016

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены