Математическое и численное моделирование взаимосвязи морфологического, биохимического и микроэлементного состава крови бычков герефордской породы и их размеров
Данные по морфологическому, биохимическому и микроэлементному составу крови бычков герефордской породы различных размеров. Прогнозирование размеров и мясной продуктивности бычков, применение современных методов математического и численного моделирования.
| Рубрика | Сельское, лесное хозяйство и землепользование |
| Вид | статья |
| Язык | русский |
| Дата добавления | 06.12.2018 |
| Размер файла | 5,5 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.
0,0
0,0
1,0
1
0,3333333
0,5773503
28
АЗОТ ОБЩИЙ, ММОЛЬ-1/3-{2006.5800000, 2050.7766667}
1,0
1,0
0,0
2
0,6666667
0,5773503
29
АЗОТ ОБЩИЙ, ММОЛЬ-2/3-{2050.7766667, 2094.9733333}
0,0
0,0
0,0
0
0,0000000
0,0000000
30
АЗОТ ОБЩИЙ, ММОЛЬ-3/3-{2094.9733333, 2139.1700000}
0,0
0,0
1,0
1
0,3333333
0,5773503
31
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-1/3-{26.5300000, 26.7933333}
1,0
0,0
0,0
1
0,3333333
0,5773503
32
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-2/3-{26.7933333, 27.0566667}
0,0
1,0
0,0
1
0,3333333
0,5773503
33
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-3/3-{27.0566667, 27.3200000}
0,0
0,0
1,0
1
0,3333333
0,5773503
34
АЗОТ АМИННЫЙ, ММОЛЬ-1/3-{6.8700000, 6.9833333}
1,0
1,0
0,0
2
0,6666667
0,5773503
35
АЗОТ АМИННЫЙ, ММОЛЬ-2/3-{6.9833333, 7.0966667}
0,0
0,0
0,0
0
0,0000000
0,0000000
36
АЗОТ АМИННЫЙ, ММОЛЬ-3/3-{7.0966667, 7.2100000}
0,0
0,0
1,0
1
0,3333333
0,5773503
37
АСТ, МОЛЬ Ч/Л-1/3-{1.7600000, 1.8766667}
1,0
0,0
0,0
1
0,3333333
0,5773503
38
АСТ, МОЛЬ Ч/Л-2/3-{1.8766667, 1.9933333}
0,0
1,0
0,0
1
0,3333333
0,5773503
39
АСТ, МОЛЬ Ч/Л-3/3-{1.9933333, 2.1100000}
0,0
0,0
1,0
1
0,3333333
0,5773503
40
АЛТ, ММОЛЬ Ч/Л-1/3-{0.6500000, 0.6833333}
1,0
0,0
0,0
1
0,3333333
0,5773503
41
АЛТ, ММОЛЬ Ч/Л-2/3-{0.6833333, 0.7166667}
0,0
0,0
0,0
0
0,0000000
0,0000000
42
АЛТ, ММОЛЬ Ч/Л-3/3-{0.7166667, 0.7500000}
0,0
1,0
1,0
2
0,6666667
0,5773503
43
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-1/3-{109.7700000, 110.2066667}
1,0
1,0
0,0
2
0,6666667
0,5773503
44
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-2/3-{110.2066667, 110.6433333}
0,0
0,0
0,0
0
0,0000000
0,0000000
45
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-3/3-{110.6433333, 111.0800000}
0,0
0,0
1,0
1
0,3333333
0,5773503
46
СА, ММОЛЬ/Л-1/3-{2.3600000, 2.3833333}
1,0
1,0
0,0
2
0,6666667
0,5773503
47
СА, ММОЛЬ/Л-2/3-{2.3833333, 2.4066667}
0,0
0,0
0,0
0
0,0000000
0,0000000
48
СА, ММОЛЬ/Л-3/3-{2.4066667, 2.4300000}
0,0
0,0
1,0
1
0,3333333
0,5773503
49
Р, ММОЛЬ/Л-1/3-{1.8400000, 1.8633333}
1,0
0,0
0,0
1
0,3333333
0,5773503
50
Р, ММОЛЬ/Л-2/3-{1.8633333, 1.8866667}
0,0
1,0
0,0
1
0,3333333
0,5773503
51
Р, ММОЛЬ/Л-3/3-{1.8866667, 1.9100000}
0,0
0,0
1,0
1
0,3333333
0,5773503
52
ВИТАМИН А, ММОЛЬ/Л-1/3-{2.1300000, 2.1466667}
1,0
0,0
0,0
1
0,3333333
0,5773503
53
ВИТАМИН А, ММОЛЬ/Л-2/3-{2.1466667, 2.1633333}
0,0
1,0
0,0
1
0,3333333
0,5773503
54
ВИТАМИН А, ММОЛЬ/Л-3/3-{2.1633333, 2.1800000}
0,0
0,0
1,0
1
0,3333333
0,5773503
55
СОДЕРЖАНИЕ ЙОДА МКГ %-1/3-{8.4000000, 8.8333333}
1,0
0,0
0,0
1
0,3333333
0,5773503
56
СОДЕРЖАНИЕ ЙОДА МКГ %-2/3-{8.8333333, 9.2666667}
0,0
1,0
0,0
1
0,3333333
0,5773503
57
СОДЕРЖАНИЕ ЙОДА МКГ %-3/3-{9.2666667, 9.7000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
58
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-1/3-{8.6000000, 8.9000000}
1,0
0,0
0,0
1
0,3333333
0,5773503
59
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-2/3-{8.9000000, 9.2000000}
0,0
1,0
0,0
1
0,3333333
0,5773503
60
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-3/3-{9.2000000, 9.5000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
61
СОДЕРЖАНИЕ МЕДИ МКГ %-1/3-{296.1000000, 300.3000000}
1,0
0,0
0,0
1
0,3333333
0,5773503
62
СОДЕРЖАНИЕ МЕДИ МКГ %-2/3-{300.3000000, 304.5000000}
0,0
1,0
0,0
1
0,3333333
0,5773503
63
СОДЕРЖАНИЕ МЕДИ МКГ %-3/3-{304.5000000, 308.7000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
64
СОДЕРЖАНИЕ ЦИНКА МКГ %-1/3-{487.6000000, 497.1333333}
1,0
0,0
0,0
1
0,3333333
0,5773503
65
СОДЕРЖАНИЕ ЦИНКА МКГ %-2/3-{497.1333333, 506.6666667}
0,0
1,0
0,0
1
0,3333333
0,5773503
66
СОДЕРЖАНИЕ ЦИНКА МКГ %-3/3-{506.6666667, 516.2000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
67
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-1/3-{4.7000000, 4.9666667}
1,0
0,0
0,0
1
0,3333333
0,5773503
68
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-2/3-{4.9666667, 5.2333333}
0,0
1,0
0,0
1
0,3333333
0,5773503
69
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-3/3-{5.2333333, 5.5000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
70
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-1/3-{35.6000000, 36.7000000}
1,0
1,0
0,0
2
0,6666667
0,5773503
71
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-2/3-{36.7000000, 37.8000000}
0,0
0,0
0,0
0
0,0000000
0,0000000
72
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-3/3-{37.8000000, 38.9000000}
0,0
0,0
1,0
1
0,3333333
0,5773503
0
Сумма числа признаков
24,0
24,0
24,0
72
0,0000000
0,0000000
0
Среднее
0,3
0,3
0,3
0
0,3333333
0,0000000
0
Среднеквадратичное отклонение
0,5
0,5
0,5
0
0,0000000
0,4724995
0
Сумма числа объектов обуч.выборки
1,0
1,0
1,0
3
0,0000000
0,0000000
Таблица 13 - Матрица информативностей (СК-модель Inf1)
|
KOD_PR |
NAME |
CLS1 |
CLS2 |
CLS3 |
SUMMA |
SREDN |
DISP |
|
|
1 |
ЭРИТРОЦИТЫ, 1012 Л-1/3-{7.6000000, 7.7100000} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
2 |
ЭРИТРОЦИТЫ, 1012 Л-2/3-{7.7100000, 7.8200000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
3 |
ЭРИТРОЦИТЫ, 1012 Л-3/3-{7.8200000, 7.9300000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
4 |
ЛЕЙКОЦИТЫ, 109 Л-1/3-{6.5900000, 6.6033333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
5 |
ЛЕЙКОЦИТЫ, 109 Л-2/3-{6.6033333, 6.6166667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
6 |
ЛЕЙКОЦИТЫ, 109 Л-3/3-{6.6166667, 6.6300000} |
0,150 |
0,000 |
0,150 |
0,301 |
0,100 |
0,087 |
|
|
7 |
ГЕМОГЛОБИН, Г/Л-1/3-{127.0100000, 129.7200000} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
8 |
ГЕМОГЛОБИН, Г/Л-2/3-{129.7200000, 132.4300000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
9 |
ГЕМОГЛОБИН, Г/Л-3/3-{132.4300000, 135.1400000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
10 |
ОБЩИЙ БЕЛОК, Г/Л-1/3-{76.5800000, 77.5433333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
11 |
ОБЩИЙ БЕЛОК, Г/Л-2/3-{77.5433333, 78.5066667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
12 |
ОБЩИЙ БЕЛОК, Г/Л-3/3-{78.5066667, 79.4700000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
13 |
АЛЬБУЛИНЫ, Г/Л-1/3-{37.0900000, 37.5966667} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
14 |
АЛЬБУЛИНЫ, Г/Л-2/3-{37.5966667, 38.1033333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
15 |
АЛЬБУЛИНЫ, Г/Л-3/3-{38.1033333, 38.6100000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
16 |
ГЛОБУЛИНЫ, Г/Л-1/3-{38.3700000, 38.9500000} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
17 |
ГЛОБУЛИНЫ, Г/Л-2/3-{38.9500000, 39.5300000} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
18 |
ГЛОБУЛИНЫ, Г/Л-3/3-{39.5300000, 40.1100000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
19 |
А-ГЛОБУЛИН, Г/Л-1/3-{12.2800000, 12.5133333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
20 |
А-ГЛОБУЛИН, Г/Л-2/3-{12.5133333, 12.7466667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
21 |
А-ГЛОБУЛИН, Г/Л-3/3-{12.7466667, 12.9800000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
22 |
Р-ГЛОБУЛИН, Г/Л-1/3-{11.7000000, 11.8500000} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
23 |
Р-ГЛОБУЛИН, Г/Л-2/3-{11.8500000, 12.0000000} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
24 |
Р-ГЛОБУЛИН, Г/Л-3/3-{12.0000000, 12.1500000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
25 |
У-ГЛОБУЛИН, Г/Л-1/3-{14.3900000, 14.5866667} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
26 |
У-ГЛОБУЛИН, Г/Л-2/3-{14.5866667, 14.7833333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
27 |
У-ГЛОБУЛИН, Г/Л-3/3-{14.7833333, 14.9800000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
28 |
АЗОТ ОБЩИЙ, ММОЛЬ-1/3-{2006.5800000, 2050.7766667} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
29 |
АЗОТ ОБЩИЙ, ММОЛЬ-2/3-{2050.7766667, 2094.9733333} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
30 |
АЗОТ ОБЩИЙ, ММОЛЬ-3/3-{2094.9733333, 2139.1700000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
31 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-1/3-{26.5300000, 26.7933333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
32 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-2/3-{26.7933333, 27.0566667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
33 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-3/3-{27.0566667, 27.3200000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
34 |
АЗОТ АМИННЫЙ, ММОЛЬ-1/3-{6.8700000, 6.9833333} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
35 |
АЗОТ АМИННЫЙ, ММОЛЬ-2/3-{6.9833333, 7.0966667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
36 |
АЗОТ АМИННЫЙ, ММОЛЬ-3/3-{7.0966667, 7.2100000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
37 |
АСТ, МОЛЬ Ч/Л-1/3-{1.7600000, 1.8766667} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
38 |
АСТ, МОЛЬ Ч/Л-2/3-{1.8766667, 1.9933333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
39 |
АСТ, МОЛЬ Ч/Л-3/3-{1.9933333, 2.1100000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
40 |
АЛТ, ММОЛЬ Ч/Л-1/3-{0.6500000, 0.6833333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
41 |
АЛТ, ММОЛЬ Ч/Л-2/3-{0.6833333, 0.7166667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
42 |
АЛТ, ММОЛЬ Ч/Л-3/3-{0.7166667, 0.7500000} |
0,000 |
0,150 |
0,150 |
0,301 |
0,100 |
0,087 |
|
|
43 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-1/3-{109.7700000, 110.2066667} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
44 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-2/3-{110.2066667, 110.6433333} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
45 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-3/3-{110.6433333, 111.0800000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
46 |
СА, ММОЛЬ/Л-1/3-{2.3600000, 2.3833333} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
47 |
СА, ММОЛЬ/Л-2/3-{2.3833333, 2.4066667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
48 |
СА, ММОЛЬ/Л-3/3-{2.4066667, 2.4300000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
49 |
Р, ММОЛЬ/Л-1/3-{1.8400000, 1.8633333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
50 |
Р, ММОЛЬ/Л-2/3-{1.8633333, 1.8866667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
51 |
Р, ММОЛЬ/Л-3/3-{1.8866667, 1.9100000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
52 |
ВИТАМИН А, ММОЛЬ/Л-1/3-{2.1300000, 2.1466667} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
53 |
ВИТАМИН А, ММОЛЬ/Л-2/3-{2.1466667, 2.1633333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
54 |
ВИТАМИН А, ММОЛЬ/Л-3/3-{2.1633333, 2.1800000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
55 |
СОДЕРЖАНИЕ ЙОДА МКГ %-1/3-{8.4000000, 8.8333333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
56 |
СОДЕРЖАНИЕ ЙОДА МКГ %-2/3-{8.8333333, 9.2666667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
57 |
СОДЕРЖАНИЕ ЙОДА МКГ %-3/3-{9.2666667, 9.7000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
58 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-1/3-{8.6000000, 8.9000000} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
59 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-2/3-{8.9000000, 9.2000000} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
60 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-3/3-{9.2000000, 9.5000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
61 |
СОДЕРЖАНИЕ МЕДИ МКГ %-1/3-{296.1000000, 300.3000000} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
62 |
СОДЕРЖАНИЕ МЕДИ МКГ %-2/3-{300.3000000, 304.5000000} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
63 |
СОДЕРЖАНИЕ МЕДИ МКГ %-3/3-{304.5000000, 308.7000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
64 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-1/3-{487.6000000, 497.1333333} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
65 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-2/3-{497.1333333, 506.6666667} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
66 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-3/3-{506.6666667, 516.2000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
67 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-1/3-{4.7000000, 4.9666667} |
0,407 |
0,000 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
68 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-2/3-{4.9666667, 5.2333333} |
0,000 |
0,407 |
0,000 |
0,407 |
0,136 |
0,235 |
|
|
69 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-3/3-{5.2333333, 5.5000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
70 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-1/3-{35.6000000, 36.7000000} |
0,150 |
0,150 |
0,000 |
0,301 |
0,100 |
0,087 |
|
|
71 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-2/3-{36.7000000, 37.8000000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
72 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-3/3-{37.8000000, 38.9000000} |
0,000 |
0,000 |
0,407 |
0,407 |
0,136 |
0,235 |
|
|
0 |
Сумма |
7,717 |
7,717 |
9,258 |
24,691 |
0,000 |
0,000 |
|
|
0 |
Среднее |
0,107 |
0,107 |
0,129 |
0,000 |
0,114 |
0,000 |
|
|
0 |
Среднеквадратичное отклонение |
0,168 |
0,168 |
0,188 |
0,000 |
0,000 |
0,174 |
Таблица 14 - Системно-когнитивная модель Inf3
|
KOD_PR |
NAME |
CLS1 |
CLS2 |
CLS3 |
SUMMA |
SREDN |
DISP |
|
|
1 |
ЭРИТРОЦИТЫ, 1012 Л-1/3-{7.6000000, 7.7100000} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
2 |
ЭРИТРОЦИТЫ, 1012 Л-2/3-{7.7100000, 7.8200000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
3 |
ЭРИТРОЦИТЫ, 1012 Л-3/3-{7.8200000, 7.9300000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
4 |
ЛЕЙКОЦИТЫ, 109 Л-1/3-{6.5900000, 6.6033333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
5 |
ЛЕЙКОЦИТЫ, 109 Л-2/3-{6.6033333, 6.6166667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
6 |
ЛЕЙКОЦИТЫ, 109 Л-3/3-{6.6166667, 6.6300000} |
0,333 |
-0,667 |
0,333 |
0,000 |
0,000 |
0,577 |
|
|
7 |
ГЕМОГЛОБИН, Г/Л-1/3-{127.0100000, 129.7200000} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
8 |
ГЕМОГЛОБИН, Г/Л-2/3-{129.7200000, 132.4300000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
9 |
ГЕМОГЛОБИН, Г/Л-3/3-{132.4300000, 135.1400000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
10 |
ОБЩИЙ БЕЛОК, Г/Л-1/3-{76.5800000, 77.5433333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
11 |
ОБЩИЙ БЕЛОК, Г/Л-2/3-{77.5433333, 78.5066667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
12 |
ОБЩИЙ БЕЛОК, Г/Л-3/3-{78.5066667, 79.4700000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
13 |
АЛЬБУЛИНЫ, Г/Л-1/3-{37.0900000, 37.5966667} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
14 |
АЛЬБУЛИНЫ, Г/Л-2/3-{37.5966667, 38.1033333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
15 |
АЛЬБУЛИНЫ, Г/Л-3/3-{38.1033333, 38.6100000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
16 |
ГЛОБУЛИНЫ, Г/Л-1/3-{38.3700000, 38.9500000} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
17 |
ГЛОБУЛИНЫ, Г/Л-2/3-{38.9500000, 39.5300000} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
18 |
ГЛОБУЛИНЫ, Г/Л-3/3-{39.5300000, 40.1100000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
19 |
А-ГЛОБУЛИН, Г/Л-1/3-{12.2800000, 12.5133333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
20 |
А-ГЛОБУЛИН, Г/Л-2/3-{12.5133333, 12.7466667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
21 |
А-ГЛОБУЛИН, Г/Л-3/3-{12.7466667, 12.9800000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
22 |
Р-ГЛОБУЛИН, Г/Л-1/3-{11.7000000, 11.8500000} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
23 |
Р-ГЛОБУЛИН, Г/Л-2/3-{11.8500000, 12.0000000} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
24 |
Р-ГЛОБУЛИН, Г/Л-3/3-{12.0000000, 12.1500000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
25 |
У-ГЛОБУЛИН, Г/Л-1/3-{14.3900000, 14.5866667} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
26 |
У-ГЛОБУЛИН, Г/Л-2/3-{14.5866667, 14.7833333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
27 |
У-ГЛОБУЛИН, Г/Л-3/3-{14.7833333, 14.9800000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
28 |
АЗОТ ОБЩИЙ, ММОЛЬ-1/3-{2006.5800000, 2050.7766667} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
29 |
АЗОТ ОБЩИЙ, ММОЛЬ-2/3-{2050.7766667, 2094.9733333} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
30 |
АЗОТ ОБЩИЙ, ММОЛЬ-3/3-{2094.9733333, 2139.1700000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
31 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-1/3-{26.5300000, 26.7933333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
32 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-2/3-{26.7933333, 27.0566667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
33 |
АЗОТ ОСТАТОЧНЫЙ, ММОЛЬ-3/3-{27.0566667, 27.3200000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
34 |
АЗОТ АМИННЫЙ, ММОЛЬ-1/3-{6.8700000, 6.9833333} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
35 |
АЗОТ АМИННЫЙ, ММОЛЬ-2/3-{6.9833333, 7.0966667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
36 |
АЗОТ АМИННЫЙ, ММОЛЬ-3/3-{7.0966667, 7.2100000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
37 |
АСТ, МОЛЬ Ч/Л-1/3-{1.7600000, 1.8766667} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
38 |
АСТ, МОЛЬ Ч/Л-2/3-{1.8766667, 1.9933333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
39 |
АСТ, МОЛЬ Ч/Л-3/3-{1.9933333, 2.1100000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
40 |
АЛТ, ММОЛЬ Ч/Л-1/3-{0.6500000, 0.6833333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
41 |
АЛТ, ММОЛЬ Ч/Л-2/3-{0.6833333, 0.7166667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
42 |
АЛТ, ММОЛЬ Ч/Л-3/3-{0.7166667, 0.7500000} |
-0,667 |
0,333 |
0,333 |
0,000 |
0,000 |
0,577 |
|
|
43 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-1/3-{109.7700000, 110.2066667} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
44 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-2/3-{110.2066667, 110.6433333} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
45 |
КИСЛОТНАЯ ЕМКОСТЬ, ММОЛЬ/Л-3/3-{110.6433333, 111.0800000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
46 |
СА, ММОЛЬ/Л-1/3-{2.3600000, 2.3833333} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
47 |
СА, ММОЛЬ/Л-2/3-{2.3833333, 2.4066667} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
48 |
СА, ММОЛЬ/Л-3/3-{2.4066667, 2.4300000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
49 |
Р, ММОЛЬ/Л-1/3-{1.8400000, 1.8633333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
50 |
Р, ММОЛЬ/Л-2/3-{1.8633333, 1.8866667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
51 |
Р, ММОЛЬ/Л-3/3-{1.8866667, 1.9100000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
52 |
ВИТАМИН А, ММОЛЬ/Л-1/3-{2.1300000, 2.1466667} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
53 |
ВИТАМИН А, ММОЛЬ/Л-2/3-{2.1466667, 2.1633333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
54 |
ВИТАМИН А, ММОЛЬ/Л-3/3-{2.1633333, 2.1800000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
55 |
СОДЕРЖАНИЕ ЙОДА МКГ %-1/3-{8.4000000, 8.8333333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
56 |
СОДЕРЖАНИЕ ЙОДА МКГ %-2/3-{8.8333333, 9.2666667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
57 |
СОДЕРЖАНИЕ ЙОДА МКГ %-3/3-{9.2666667, 9.7000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
58 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-1/3-{8.6000000, 8.9000000} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
59 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-2/3-{8.9000000, 9.2000000} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
60 |
СОДЕРЖАНИЕ КОБАЛЬТА МКГ %-3/3-{9.2000000, 9.5000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
61 |
СОДЕРЖАНИЕ МЕДИ МКГ %-1/3-{296.1000000, 300.3000000} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
62 |
СОДЕРЖАНИЕ МЕДИ МКГ %-2/3-{300.3000000, 304.5000000} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
63 |
СОДЕРЖАНИЕ МЕДИ МКГ %-3/3-{304.5000000, 308.7000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
64 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-1/3-{487.6000000, 497.1333333} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
65 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-2/3-{497.1333333, 506.6666667} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
66 |
СОДЕРЖАНИЕ ЦИНКА МКГ %-3/3-{506.6666667, 516.2000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
67 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-1/3-{4.7000000, 4.9666667} |
0,667 |
-0,333 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
68 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-2/3-{4.9666667, 5.2333333} |
-0,333 |
0,667 |
-0,333 |
0,000 |
0,000 |
0,577 |
|
|
69 |
СОДЕРЖАНИЕ МАРГАНЦА МКГ %-3/3-{5.2333333, 5.5000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
70 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-1/3-{35.6000000, 36.7000000} |
0,333 |
0,333 |
-0,667 |
0,000 |
0,000 |
0,577 |
|
|
71 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-2/3-{36.7000000, 37.8000000} |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
72 |
СОДЕРЖАНИЕ ЖЕЛЕЗА МКГ %-3/3-{37.8000000, 38.9000000} |
-0,333 |
-0,333 |
0,667 |
0,000 |
0,000 |
0,577 |
|
|
0 |
Сумма |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
0 |
Среднее |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
0,000 |
|
|
0 |
Среднеквадратичное отклонение |
0,422 |
0,422 |
0,485 |
0,000 |
0,000 |
0,442 |
2.4. Определение наиболее достоверной модели
и придание ей статуса текущей
В режиме 4.1.3.6 мы видим, что очень многие модели имеют максимальную возможную достоверность по критерию L2, в том числе приведенные выше модели Inf1 (по интегральному критерию: «Резонанс знаний») и Inf3 (по обоим интегральным критериям) (рисунок 6).
Поэтому исследование моделируемой предметной области путем исследования этой ее модели корректно можно считать исследованием самой моделируемой предметной области.
Рисунок 6. Экранные формы режима верификации СК-моделей
Поэтому присвоим СК-модели INF3 статус текущей модели (рисунок 7):
Рисунок 7. Экранные формы режима 5.6 придания модели статуса текущей
3. РЕШЕНИЕ ПОСТАВЛЕННЫХ ЗАДАЧ ПУТЕМ ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ
С помощью наиболее достоверной из созданных СК-моделей могут быть решены задачи идентификации, принятия решений и исследования предметной области путем исследования ее модели.
3.1. Задача-1: идентификация, диагностика,
классификация и прогнозирование
Для решения задачи идентификации используется режим 4.1.2, работающий с текущей моделью.
Но в данной работе в качестве тестовой выборки мы используем обучающую выборку, распознавание которой во всех статистических и системно-когнитивных моделях было проведено сразу после их синтеза. Последней из этих моделей была модель Inf7. Поэтому еще раз выполним распознавание (режим 4.1.2) теперь уже в текущей модели Inf3:
Рисунок 8. Экранная форма режима пакетного распознавания
Результаты распознавания отображаются в 12 формах, из которых мы приведем лишь две (рисунки 9 и 10):
Рисунок 9. Экранная форма результатов распознавания
Рисунок 10. Экранная форма результатов распознавания
Из рисунка 6 и форм на рисунке 10 мы видим, что бычки всех трех групп размеров безошибочно распознаются с помощью созданной модели по морфологическому, биохимическому и микроэлементному составу их крови. Это значит, что 1-я задача, поставленная в работе, успешно решена.
3.2. Задача-2: сила и направление влияния значений показателей крови, когнитивные SWOT-диаграммы классов
Задача поддержки принятия решений является обратной по отношению к задаче идентификации. Если при решении задачи идентификации мы по морфологическому, биохимическому и микроэлементному составу крови определяем размер бычков, то при принятии решений, наоборот, по заданной группе размеров бычков определяем наиболее характерные для этой группы показатели крови, т.е. силу и направление влияния значений
показателей крови на принадлежность бычков к группе по их размеру.
Эту задачу позволяет решить автоматизированный когнитивный SWOT-анализ [10], в выходных формах которого указано не просто наличие тех или иных показателей крови у той или иной группы бычков, но и указаны как наиболее характерные, так и наиболее нехарактерные для данной группы, причем с количественной оценкой степени характерности и не характерности.
Характерность признака означает, что вероятность его встречи в заданной группе выше, чем в среднем по всем группам. Не характерность не означает отсутствия признака, а означает, что вероятность его встречи в данной группе ниже, чем в среднем по всем группам.
Причем эти количественные оценки даются с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
На рисунках 11 приведены SWOT-характеристики всех трех групп бычков по размерам в СК-модели INF3.
Слева на SWOT-диаграмме мы видим наиболее характерные для данной группы показатели крови, а справа наиболее нехарактерные.
Рисунок 11. SWOT-характеристика показателей крови
бычков разных размеров
3.3. Задача 3: исследование моделируемой предметной
области путем исследования ее СК-модели
Если модель предметной области достоверна, то исследование модели можно считать исследованием самого моделируемого объекта, т.е. результаты исследования модели корректно относить к самому объекту моделирования.
В системе «Эйдос» есть довольно много возможностей для такого исследования, но мы рассмотрим лишь: результаты кластерно-конструктивного анализа классов и признаков (когнитивные диаграммы и дендрограммы), а также нелокальные нейроны, нелокальные нейронные сети.
3.3.1. Когнитивные диаграммы классов
Эти диаграммы отражают сходство/различие классов. Мы получаем их в режимах 4.2.2.1 и 4.2.2.2 (рисунок 12):
Рисунок 12. Когнитивная диаграмма групп
Из рисунка 12 мы видим, что все три группы бычков существенно отличаются друг от друга по показателям крови. Это значит, что выделение этих групп было вполне оправданным и обоснованным.
Отметим также, что на когнитивной диаграмме, приведенной на рисунке 12, показаны количественные оценки сходства/различия групп бычков по их размеру, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
3.3.2. Агломеративная когнитивная кластеризация классов
Информация о сходстве/различии классов, содержащаяся в матрице сходства, может быть визуализирована не только в форме, когнитивных диаграмм, пример которой приведен на рисунке 12, но и в форме агломеративных дендрограмм, полученных в результате когнитивной кластеризации [4, 5] (рисунок 13):
Рисунок 13. Дендрограмма когнитивной кластеризации групп
Из рисунка 13 мы видим, что группы компактных и средних бычков по показателям крови сходны друг с другом в большей степени, чем они обе с группой крупных бычков.
3.3.3. Когнитивные диаграммы признаков
Эти диаграммы отражают сходство/различие показателей крови по их смыслу, т.е. по содержащейся в них информации о принадлежности бычков с такими показателями крови к группам по их размеру. Мы получаем в режимах 4.3.2.1 и 4.3.2.2 (рисунок 14).
Из рисунка 14 видно, что показатели образуют два крупных кластера, противоположных по их смыслу. Эти кластеры образуют полюса конструкта.
Отметим, что на когнитивной диаграмме, приведенной на рисунке 14, показаны количественные оценки сходства/различия признаков, полученные с применением системно-когнитивной модели, созданной непосредственно на основе эмпирических данных, а не как традиционно делается на основе экспертных оценок неформализуемым путем на основе опыта, интуиции и профессиональной компетенции.
Рисунок 14. Когнитивная диаграмма и конструкт показателей крови бычков, отражающая сходство/различие этих показателей по их смыслу
3.3.4. Агломеративная когнитивная кластеризация признаков
На рисунке 15 приведена агломеративная дендрограмма когнитивной кластеризации признаков, а на рисунке 16 - график изменения межкластерных расстояний, полученные на основе той же матрицы сходства признаков по их смыслу, что и в когнитивных диаграммах, пример которой приведен на рисунке 14 [4, 5]. Из дендрограммы мы видим, что все показатели крови образуют 4 четко выраженных кластера, объединенных в полюса конструкта (показаны синими и красным цветами).
Рисунок 15. Дендрограмма когнитивной кластеризации показателей крови
Рисунок 16. График изменения межкластерных расстояний
3.3.5. Нелокальные нейроны и нелокальные
нейронные сети
Модель знаний системы «Эйдос» относится к нечетким декларативным гибридным моделям и объединяет в себе некоторые особенности нейросетевой [11] и фреймовой моделей представления знаний. Классы в этой модели соответствуют нейронам и фреймам, а признаки рецепторам и шпациям (описательные шкалы - слотам).
От нейросетевой модели представления знаний модель системы «Эйдос» отличается тем, что:
1) весовые коэффициенты на рецепторах не подбираются итерационным методом обратного распространения ошибки, а считаются прямым счетом на основе хорошо теоретически обоснованной модели, основанной на теории информации (это напоминает байесовские сети);
2) весовые коэффициенты имеют хорошо теоретически обоснованную содержательную интерпретацию, основанную на теории информации;
3) нейросеть является нелокальной [11], как сейчас говорят «полносвязной». От фреймовой модели представления знаний модель системы «Эйдос» отличается своей эффективной и простой программной реализацией, полученной за счет того, что разные фреймы отличаются друг от друга не набором слотов и шпаций, а лишь информацией в них.
На рисунке 17 приведен фрагмент одного слоя нелокальной нейронной сети:
Рисунок 17. Один слой нелокальной нейронной сети (фрагмент)
4. НЕКОТОРЫЕ ВЫВОДЫ, РЕКОМЕНДАЦИИ И ПЕРСПЕКТИВЫ
Таким образом все поставленные в работе задачи успешно решены.
Необходимо отметить, что системно-когнитивные модели, разработанные в системе «Эйдос», могут быть применены для решения практических задач с применением той же системы «Эйдос», в которой они созданы, причем это применение возможно в адаптивном режиме, т.е. их можно совершенствовать в процессе эксплуатации, адаптировать к изменениям предметной области, локализовать или районировать для других регионов, разрабатывать новые модели для других животных и классов заболеваний и т.п, и т.д. Эти уникальные возможности обеспечиваются тем, что система «Эйдос» представляет собой не только среду для эксплуатации интеллектуальных приложений, но и является инструментом их создания и адаптации.
Например, приведенная в работе модель зависимости размеров бычков герефордской породы от морфологического, биохимического и микроэлементного состава их крови может быть локализована для других регионов, чем тот, в котором были собраны эмпирические данные [1], а также может быть адаптирована для бычков других пород и вообще других видов животных.
Возникает закономерный вопрос о возможности решения и других задач ветеринарии (а также других наук) путем применения автоматизированного системно-когнитивного анализа.
По мнению авторов АСК-анализ и система «Эйдос» представляют собой новый инновационный, т.е. доведенный до возможности практического применения, метод искусственного интеллекта может рассматриваться как универсальный инструмент решения всех тех задач в области ветеринарии (и других наук), для решения которых используется естественный интеллект. Причем это инструмент, многократно увеличивающий возможности естественного интеллекта, примерно также, как микроскоп и телескоп многократно увеличивает возможности естественного зрения, естественно только в том случае, если оно есть. Поэтому, конечно, этих задач огромное количество.
В качестве перспектив можно было бы отметить в частности решение следующих задач ветеринарии с применением автоматизированного системно-когнитивного анализа:
- поддержка принятия решений по выбору антибактериальных препаратов в зависимости от характера микробной флоры;
- поддержка принятия решений по определению дозы и пути введения препаратов группы пенициллина;
- поддержка принятия решений по определению дозы и пути введения цефалоспоринов;
- поддержка принятия решений по выбору антибактериальных препаратов с учетом основных токсических и аллергических реакций на антибактериальные препараты;
- исследование взаимодействия антибактериальных препаратов с другими препаратами при приеме внутрь и поддержка принятия решений по выбору антибактериальных препаратов с учетом результатов этих исследований.
Область ветеринарии, в которой перечисленные выше и другие задачи решаются с применением системно-когнитивного анализа, программным инструментарием которого в настоящее время является система «Эйдос», предлагается назвать «Когнитивной ветеринарией» или шире «Математической ветеринарией», по аналогии с математической экономикой (08.00.13), математической лингвистикой и т.д.
Эта идея находится в русле Указа Президента РФ от 7 июля 2011 г. N 899 "Об утверждении приоритетных направлений развития науки, технологий и техники в Российской Федерации и перечня критических технологий Российской Федерации", в котором под п.8 указаны Нано-, био-, информационные, когнитивные технологии Отметим, что все приведенные выше аргументы введения научного понятия: «когнитивная ветеринария» применимы и к другим направлениям науки, например: «когнитивная агрономия», «когнитивная экономика» и т.д.. Автор пытался развивать когнитивную математику [10] и когнитивную теорию управления [10], а также применять их в других областях науки и практики. .
Этим и другим применениям способствует и то, что система «Эйдос» является мультиязычной интеллектуальной on-line средой для обучения и научных исследований [2, 3] http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf и находится в полном открытом бесплатном доступе (причем с подробно комментированными актуальными исходными текстами: http://lc.kubagro.ru/_AIDOS-X.txt) на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm.
Численные примеры решения задач ветеринарии с применением технологий искусственного интеллекта размещены как облачные Эйдос-приложения под номерами: 100, 125, 126, 127, 128, 131, 133 и доступны всем желающим в режиме 1.3 системы «Эйдос». Базовое интеллектуальное приложение, являющееся основой данной работы, размещено в Эйдос-облаке под номером 133.
Конечно, представленный в статье уровень исследования относится хотя и к развитому, но эмпирическому уровню, т.е. это просто наблюдаемые факты, эмпирические закономерности и в лучшем случае, при условии подтверждения полученных результатов другими исследователями, может подняться до уровня эмпирического закона. Для перехода на теоретический уровень познания необходимо выдвинуть гипотезы содержательной интерпретации полученных результатов (которые может выдвинуть только специалист в области ветеринарии), объясняющие внутренние механизмы наблюдаемых закономерностей. Потом необходимо подтвердить, что эти научные гипотезы имеют прогностическую силу, т.е. позволяют обнаружить новые ранее неизвестные явления, и тогда эти гипотезы переходят в статус научной теории. Эта теория позволяют обобщить эмпирический закон до уровня научного закона [12].
В заключение авторы выражают благодарность проректору по научной работе Кубанского ГАУ им. И.Т. Трубилина доктору биологических наук профессору Андрею Георгиевичу Кощаеву за помощь в публикации статьи.
Литература
1. Джуламанов Е. Б., Левахин Ю. И. Морфологические и биохимические показатели крови бычков герефордской породы разных типов //Известия Оренбургского государственного аграрного университета. - 2015. - №. 2 (52). https://cyberleninka.ru/article/n/morfologicheskie-i-biohimicheskie-pokazateli-krovi-bychkov-gerefordskoy-porody-raznyh-tipov
2. 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. http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf
3. 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.
4. 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.
5. Луценко Е.В. Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2018. - №05(139). С. 99 - 116. - IDA [article ID]: 1391805033. - Режим доступа: http://ej.kubagro.ru/2018/05/pdf/33.pdf, 1,125 у.п.л.
6. Сайт: http://lc.kubagro.ru/
7. 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
8. 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.
9. 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.
10. 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.
11. Луценко Е. В., Лойко В. И., Лаптев В. Н. Системы представления и приобретения знаний : учеб. пособие / Е. В. Луценко, В. И. Лойко, В. Н. Лаптев. - Краснодар : Экоинвест, 2018. - 513 с. ISBN 978-5-94215-415-8. https://elibrary.ru/item.asp?id=35641755
12. 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.
13. Лойко В.И. Математическая модель расчета экономических параметров управления транспортными потоками / В.И. Лойко, А.В. Параскевов, А.А. Чемеркина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2008. - №10(044). С. 89 - 103. - Шифр Информрегистра: 0420800012\0143, IDA [article ID]: 0440810006. - Режим доступа: http://ej.kubagro.ru/2008/10/pdf/06.pdf, 0,938 п.л.
14. Параскевов А.В. IT диверсии в корпоративной сфере / А.В. Параскевов, И.М. Бабенков, О.Б. Шилович // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2016. - №02(116). С. 1355 - 1366. - IDA [article ID]: 1161602086. - Режим доступа:http://ej.kubagro.ru/2016/02/pdf/86.pdf, 0,75 у.п.л.
15. Параскевов А.В. Анализ проблемных участков городской транспортной сети (на примере г.Краснодара) / А.В. Параскевов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №10(104). С. 1663 - 1674. - IDA [article ID]: 1041410117. - Режим доступа: http://ej.kubagro.ru/2014/10/pdf/117.pdf, 0,75 у.п.л.
16. Параскевов А.В. Оптимизация загруженности уличной дорожной сети / А.В. Параскевов, В.К. Желиба // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №06(110). С. 853 - 865. - IDA [article ID]: 1101506057. - Режим доступа:http://ej.kubagro.ru/2015/06/pdf/57.pdf, 0,812 у.п.л.
17. Параскевов А.В. Предпосылки разработки адаптивной системы поддержки принятия оперативных решений в управлении ИТ-проектами / А.В. Параскевов, Ю.Н. Пенкина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №08(112). С. 1893 - 1905. - IDA [article ID]: 1121508138. - Режим доступа: http://ej.kubagro.ru/2015/08/pdf/138.pdf, 0,812 у.п.л.
Размещено на Allbest.ru
Подобные документы
Исследование особенностей развития современного животноводства в Якутии. Практическая значимость разведения герефордской породы в Намском улусе в ОАО "Эт-Ас". Приёмы и методы увеличения мясной продуктивности привозного мясного скота герефордской породы.
курсовая работа [337,6 K], добавлен 04.12.2013Технология откорма крупного рогатого скота и ее интенсификация. Учет и оценка мясной продуктивности бычков черно-пестрой породы в молочный период выращивания. Анализ факторов, влияющих на нее. Мероприятия, направленные на улучшение качества говядины.
курсовая работа [39,2 K], добавлен 07.01.2013Изучение экстерьерных особенностей пород мясного скота. Тенденции развития мясного скотоводства. Герефорды на Южном Урале и в Кировской области. Оценка животных мясной породы разных типов телосложения, методы совершенствования скота герефордской породы.
курсовая работа [55,2 K], добавлен 20.05.2010Характеристика и особенности селекции Казахской белоголовой породы: задачи, условия, материал и методика селекционной работы. Пути максимальной интенсификации выращивания мясного скота. Факторы, влияющие на рост и развитие крупного мясного скота.
дипломная работа [89,7 K], добавлен 16.11.2007Анализ продуктивности молодняка рогатого скота разных пород: динамика помесячной прибавки веса, потребление кормов, убойные качества и морфологический состав туш. Влияние генотипа на рост и развитие бычков. Экономическая эффективность разведения животных.
дипломная работа [241,6 K], добавлен 25.09.2010Классификация и типы мясных пород крупного рогатого скота: классические британские породы, итало-французские породы, гибридные породы жаркого климата, степные породы Евразии. Их сравнительное описание, преимущества и недостатки, принципы выращивания.
контрольная работа [5,6 M], добавлен 02.02.2015Изучение роста, развития и биологические особенности молодняка черно-пестрой породы и их помесей с голштинской. Влияние различных технологий, генетики и пола животных на формирование мясной продуктивности, качества говядины и питательной ценности.
автореферат [440,1 K], добавлен 05.01.2010Изучение эффективности использования в кормлении бычков симментальской и абердин-ангусской пород, выращиваемых на мясо, иммунизированных протеиновых кормовых добавок. Биологическая безопасность введения в состав рационов иммунизированных гороха и нута.
автореферат [1,5 M], добавлен 05.01.2010Характеристика породы крупного рогатого скота. Мясная продуктивность и факторы, влияющие на нее. Технология откорма крупного рогатого скота и производства говядины. Мероприятия, направленные на повышение мясной продуктивности и улучшение качества мяса.
курсовая работа [49,2 K], добавлен 25.12.2012Научные основы полноценного кормления. Определение норм и состава рациона на зимний период для бычков при откорме на сенаже и силосе для обеспечения оптимального суточного прироста. Расчет годовой потребности коров в кормах для получения плановых удоев.
курсовая работа [42,6 K], добавлен 24.10.2010