Развитие интеллектуальной системы "Эйдос-астра" снимающее ограничения на размерность баз знаний и разрешение когнитивных функций

Описание новой версии системы искусственного интеллекта для решения прикладных задач с эмпирическими данными большой размерности. Распознавание категорий по астрономическим данным. Выполнение визуализации матриц информативностей и абсолютных частот.

Рубрика Геология, гидрология и геодезия
Вид статья
Язык русский
Дата добавления 28.04.2017
Размер файла 1,1 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/

Размещено на http://www.allbest.ru/

Кубанский государственный аграрный университет

Развитие интеллектуальной системы «ЭЙДОС-АСТРА» снимающее ограничения на размерность баз знаний и разрешение когнитивных функций

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Трунев Александр Петрович к. ф.-м. н., Ph.D.

Трунев Евгений Александрович ,

1. Краткая предыстория исследований

Автоматизированный системно-когнитивный анализ /1/ и его инструментарий - базовая система «Эйдос» /2/ получили широкое применение в решении ряда задач, связанных выявлением знаний из эмпирических данных большой размерности и решением на их основе задач идентификации, прогнозирования, принятия решений и исследования предметной области. Как известно из теории управления поведение любой системы определяется состоянием самой системы (внутренними факторами и ее предысторией), управляющими (технологическими) факторами, а также воздействием окружающей среды. Не являются исключением и глобальные геосистемы: ноосфера (глобальные социально-экономические процессы), биосфера, геосфера, магнитосфера, атмосфера и другие, для которых внешней средой, с которой эти системы входят в непосредственное взаимодействие, является ближайшее космическое окружение нашей планеты, т.е. различные космические тела, входящие в состав Солнечной системы. Задачи математического моделирования влияния небесных тел Солнечной системы на глобальные геоситемы отличаются большой размерностью как по исходным базам данных, так и по создаваемым в процессе моделирования информационным базам и базам знаний..

Для решения этих задач была создана система «Эйдос-астра» /3-4/, позволяющая автоматически генерировать различные системы частных моделей (мультимодели), исследовать их на достоверность в разрезе по классам и с учетом этой информации наиболее эффективно использовать их для идентификации и прогозирования. Первоначально исследования авторов были посвящены выявлению и исследованию зависимости социального статуса респондентов (которых было коло 30 тысяч) от состояния космической среды на момент их рождения /16, 17, 18, 19/. Со временем проблематика исследований расширилась и преобразовалась в целое новое научное направление: «Применение технологий искусственного интеллекта для исследования влияния космической среды на поведение активных глобальных геосистем» /5/.

В качестве современной автоматизированной интеллектуальной технологии авторы применили автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий - универсальную когнитивную аналитическую систему "Эйдос" /1-2/. В состав этой системы входит подсистема _15, содержащая ряд стандартных программных интерфейсов с внешними источниками данных различных стандартов: текстовых, баз данных (БД) и графических, расширяющих сферу ее применения. Некоторые из подобных интерфейсов при своем развитии преобразовались в системы окружения, которые выполняли больше функций, чем программный интрефейс _152, но использовались совместно с базовой системой «Эйдос. Первоначально авторами исследования проводились с применением именно этого программного интерфейса с исходными базами данных и базовой системы «Эйдос». При этом было разработано много программных интерфейсов с различными внешними базами исходных данных, создано и исследовано большое количество различных моделей. Со временем процесс генерации системы моделей, их исследования на достоверность в разрезе по категориям, а также их использования для решения задач идентификации, был автоматизирован, что и привело к созданию системы окружения «Эйдос-астра» [5], которая включила в себя также все ранее специализированные программные интерфейсы и специальный модуль визуализации когнитивных функций [27].

В настоящее время система «Эйдос-астра» приобрела функциональную полноту и превратилась в самостоятельный инструмент исследования, который может применяться как совместно с базовой системой «Эйдос», так и независимо от нее.

2. Постановка проблемы, решаемой в работе

Базовая система «Эйдос» [31] была создана еще до создания операционной системы Windows (в 1994 году на нее уже было получено 3 патента). В то время трудно было себе представить, что когда-то в будущем может потребоваться более 4000 классов распознавания и 4000 признаков и были приняты технические решения, связанные с повышением быстродействия путем организации внутреннего кэширования, которые привели к соответствующему ограничению на размерности создаваемых моделей. Когда создавалась система «Эйдос-астра», то при этом очень широко использовались библиотеки процедур и функций системы «Эйдос» (и не очень много внимания уделялось интерфейсу), что привело к наличию в системе «Эйдос-астра» тех же ограничений на размерности моделей, что и в системе «Эйдос». Эти ограничения создали определенные трудности в анализе задач большой размерности, связанных, например, с анализом влияния небесных тел на сейсмические события, движение полюса Земли и магнитное поле /7-11/.

Справедливости ради необходимо отметить, что первоначально система «Эйдос-астра» разрабатывалась как инструмент для проверки научных гипотез о существовании зависимостей между параметрами космической среды и глобальными процессами ноосфере Земли и этой цели она вполне соответствовала. Кроме того указанные выше недостатки базовой системы «Эйдос» и системы «Эйдос-астра» легко преодолеваются (без переписывания исходного текста) путем использования новых версий языка программирования, на котором они были написаны (Alaska xBase++, Arctica).

3. Идея и путь решения поставленной проблемы

Идея решения сформулированной проблемы состоит в использовании новых перспективных средств разработки новой версии системы “Эйдос-астра».

При этом использование различных инструментальных средств имеет свои плюсы и минусы.

В частности использование Alaska xBase++ или Arctica позволяет максимально использовать уже существующий исходный текст базовой системы «Эйдос» и систем окружения и за счет этого существенно сократить трудоемкость и длительность разработки, а это очень важно, т.к. распечатка этого исходного текста 6-м шрифтом составляет около 800 страниц. Отметим, что базовая система «Эйдос» реализована в универсальной постановке, не зависящей от предметной области, а ее привязка к конкретным областям осуществляется на уровне адаптации и пересинтеза приложений, а также с использованием полнофункционального набора программных интерфейсов с внешними базами данных и различных систем окружения [1, 5, 31].

В качестве пути решения сформулированной проблемы авторами принято решение о разработке новой версии системы «Эйдос-астра» с использованием языка Java.

Java - это чрезвычайно перспективный язык программирования, использование которого для данной цели вполне оправданно и обоснованно не смотря на то, трудоемкость разработки выше, чем на Alaska xBase++ или Arctica, т.к. приходится не переносить существующий исходный текст, а писать исходный текст практически «с нуля».

Принято решение о реализации в новой версии данной системы всех функций существующей версии, но без ограничений на размерность моделей и в GUI, а затем о реализации в ней качественно новых возможностей, принципиально нереализуемых с применением ранее использовавшегося инструментария. По сути, идет речь не о переносе системы «Эйдос-астра» в существующей постановке, но с преодолением ограничений на размерность моделей и недостатков интерфейса, а о разработке качественно новой версии этой системы с сохранением всего лучшего, что было достигнуто в предыдущих версиях.

Первые версии системы «Эйдос-Java» примем это рабочее название для Java-версии системы «Эйдос-астра» уже созданы и тщательно протестированы на задачах, ранее решенных с помощью предыдущих версий системы «Эйдос-астра». Было продемонстрировано полное тождество полученных результатов, а также получены качественно новые результаты, ради которых и создавалась система. В частности были сняты ограничения на размерность модели с М173 до М36000 и по числу входных параметров с 23 до 253. Отметим, что указанные новые ограничения параметров являются условными и определяются только типом выбранных форматов файлов входных данных и оперативной памятью. Расширение системы выполнено в виде отдельного приложения ViewVibe.jar /12/, написанного на языке Java, снабженного блоком графической визуализации расчетных матриц, включая матрицу информативностей. Приложение ViewVibe.jar ориентировано на решение естественно-научных, социально-экономических и психологических задач, связанных с распознаванием событий по астрономическим данным, описанных в работах /7-11, 13-22/ и других.

Далее рассмотрим некоторые результаты исследований, проведенных с применением системы «Эйдос-Java».

4. Матрица информативностей в задаче о распознавании категорий событий в поле центральных сил

Рассмотрим задачу распознавания категорий по астрономическим данным /5, 7-11/. Имеется множество событий Е, которому ставится в соответствие множество категорий Кi. Событиями можно считать, например, землетрясения, происходящие на нашей планете ежедневно, а категориями - число одно- (А), двух- (В) или трехкратных событий (С), магнитуда которых лежит в заданном интервале. Каждое такое событие характеризуется моментом времени и географическими координатами места его происхождения. По этим данным можно построить матрицу, содержащую координаты небесных тел, например углы долготы, широты и расстояния. Будем считать, что заданы частотные распределения Ni - число событий, имеющих отношение к данной категории Кi.

Определим число случаев реализации данной категории, которое приходится на заданный интервал изменения астрономических параметров, имеем в дискретном случае:

(1)

Здесь w - плотность распределения событий вдоль нормированной координаты. Нормированная переменная определяется через угловую и радиальную координаты следующим образом:

где - минимальное и максимальное удаление планеты от центра масс системы, k0 - число небесных тел, используемых в задаче.

Определим матрицу информативностей согласно /1/

(2)

Первая величина (2) называется информативность признака, а вторая величина является стандартным отклонением информативности или интегральной информативностью (ИИ).

Рассмотрим связь информативности со статистикой хи-вкадрат

Статистика 2 представляет собой сумму вероятностей совместного наблюдения признаков и объектов по всей корреляционной матрице или определенным ее подматрицам (т.е. сумму относительных отклонений частот совместного наблюдения признаков и объектов от среднего) [2, п.3.4] Отметим, что в базовой системе «Эйдос» [31] имеются развитие средства анализа хи-квадрат.:

(3)

где: Nij - фактическое количество встреч i-го признака у объектов j-го класса;

t - теоретически ожидаемое количество встреч i-го признака у объектов j-го класса.

(4)

Нельзя не обратить внимание на то, что статистика 2 математически простым образом связана с количеством информации в системе признаков о классе распознавания, в соответствии с системным обобщением формулы Харкевича для плотности информации (5):

(5)

а именно из (4) и (5) получаем:

(6)

Выражение (6) для количественной меры знаний, полученное в и используемое в автоматизированном системно-когнитивном анализе (АСК-анализ), является чрезвычайно важным. По сути, его смысл в том, что количественная мера знаний представляет собой результат сравнения фактически наблюдаемой абсолютной частоты Nij встреч i-го признака у объектов j-го класса с теоретически ожидаемой частотой его встреч t (4) в соответствии с анализом хи-квадрат, которая и выступает в качестве нормы или базы сравнения. Это сравнение в выражении (6) осуществляется путем вычисления отношения фактически наблюдаемой абсолютной частоты Nij встреч i-го признака у объектов j-го класса с теоретически ожидаемой частотой его встреч t.

Если при использовании критерия хи-квадрат в качестве фильтра предлагается не использовать для дальнейшего анализа фактически наблюдаемые частоты, меньшие теоретически ожидаемых как недостоверные, то в АСК-анализе эти значения используются и интерпретируются совершенно иначе: не как недостоверные, а как достоверно отражающие отрицательную причинно-следственную зависимость Когда i значение фактора не способствует, а препятствует переходу объекта в j состояние. Отметим, что математическая форма выражения (3) (а именно: квадрат) предусматривает и учет фактических абсолютных частот, меньших теоретических, как отражающих причинно-следственные связи. Тем ни менее традиционная интерпретация предполагает достоверными только фактические абсолютные частоты, большие теоретических, т.к. дают, как легко видеть из выражения (6) отрицательное количество информации: Iij < 0. Поэтому применение фильтра хи-квадрат для отсеивания «недостоверной» информации эквивалентно исключению отрицательных информативностей из базы знаний. Соответственно исчезает возможность построения негативных когнитивных функций [30]. Фактически применяемая в АСК-анлизе количественная мера знаний детально показывает как образуется значение критерия хи-квадрат.

Из (6) очевидно:

(7)

Сравнивая выражения (3) и (7), видим, что числитель в выражении (3) под знаком суммы отличается от выражения (7) только тем, что в выражении (7) вместо значений Nij и t взяты их логарифмы, т.е. по сути, отличаются только единицей измерения. Поскольку логарифм является монотонно возрастающей функцией аргумента, то введение логарифма не меняет общего характера поведения функции.

Фактически это означает, что:

(8)

Если фактическая вероятность наблюдения i-го признака при предъявлении объекта j-го класса равна теоретически ожидаемой (средней), то наблюдение этого признака не несет никакой информации о принадлежности объекта к данному классу. Если же она выше средней - то это говорит в пользу того, что предъявлен объект данного класса, если же ниже - то другого.

Поэтому наличие статистической связи (информации) между признаками и классами распознавания, т.е. отличие вероятностей их совместных наблюдений от предсказываемого в соответствии со случайным нормальным распределением, приводит к увеличению фактической статистики 2 по сравнению с теоретической величиной.

Таким образом, применяемая в автоматизированном системно-когнитивном анализе количественная мера силы и направления причинно-следственной связи между факторами и поведением объекта (его переходами в состояния, соответствующие классам), т.е. информативность или количественная мера знаний (2) тесно связана с классическим критерием наличия статистически значимой связи хи-квадрат и можно обоснованно утверждать, что она не только не противоречит ему, но и в определенной степени основана на нем и является его развитием. Однако информативность представляется более развитым критерием, т.к. отражает не только наличие и силу связи, как хи-квадрат (8), но и ее знак, и главное - ее форму, т.е. сам вид зависимости [30]. Кроме того, использование в качестве количественной меры силы и направления связи количества информации позволяет привлечь хорошо развитые представления теории информации для исследования причинно-следственных зависимостей.

5. Связь между критерием хи-квадрат и когнитивными функциями

Частично-редуцированные когнитивные функции [30] строятся по максимуму информативности, т.е. по сути, по наиболее достоверным данным, если для оценки их достоверности использовать критерий хи-квадрат. Поэтому можно обоснованно ожидать, что использование критерия хи-квадрат в качестве фильтра достоверных данных даст результаты, сходные с результатами, приведенными в работе [30], однако приведет к потере существенной информации об отрицательных причинно-следственных зависимостях, визуализируемых в виде негативных когнитивных функций (уменьшится контрастность их визуализации).

Из вышесказанного следует возможность использования в качестве количественной меры степени выраженности закономерностей в предметной области использовать не матрицу абсолютных частот и меру 2, а новую меру, основанную на матрице информативностей и системном обобщении формулы Харкевича для количества информации:

(9)

где:

- средняя информативность признаков по матрице информативностей.

Значение данной меры показывает среднее отличие количества информации в факторах о будущих состояниях активного объекта управления от среднего количества информации в факторе (которое при больших выборках близко к 0). По своей математической форме эта мера сходна с мерами для значимости факторов и степени сформированности образов классов и коррелирует с объемом когнитивного пространства классов и пространства атрибутов.

Описанная выше математическая модель обеспечивает инвариантность результатов обучения Системы относительно следующих параметров обучающей выборки:

1. Суммарное количество и порядок ввода анкет обучающей выборки.

2. Количество анкет обучающей выборки по каждому классу распознавания.

3. Суммарное количество признаков во всех анкетах обучающей выборки.

4. Суммарное количество признаков по эталонным описаниям различных классов распознавания

5. Количество признаков и их порядок в отдельных анкетах обучающейвыборки.

Это обеспечивает высокое качество решения задач системой распознаванияна неполных и разнородных (в вышеперечисленных аспектах) данных как обучающей, так и распознаваемой выборки, т.е. при таких статистических характеристиках потоков этих данных, которые чаще всего и встречается на практике и которыми невозможно или очень сложно управлять.

Каждой категории можно сопоставить вектор информативности астрономических параметров размерности 2mk0, составленный из элементов матрицы информативности, путем последовательной записи столбцов, соответствующих нормированной координате, в один столбец, т.е.

(10)

С другой стороны, процесс идентификации, распознавания и прогнозирования может рассматриваться как разложение вектора распознаваемого объекта в ряд по векторам категорий (классов распознавания) /1, 5, 7-11/. Этот вектор, состоящий из единиц и нулей, можно определить по координатам небесных тел, соответствующих дате и месту происхождения события l в виде

(11)

Таким образом, если нормированная координата небесного тела из данных по объекту исследуемой выборки попадает в заданный интервал, элементу вектора придается значение 1, а во всех остальных случаях - значение 0. Перечисление координат осуществляется последовательно, для каждого небесного тела. В качестве астрономических параметров в работах /7-11/ и других были использованы долгота, широта и расстояние от Земли до десяти небесных тел - Солнца, Луны, Марса, Меркурия, Венеры, Юпитера, Сатурна, Урана, Нептуна и Плутона, и долгота Северного Узла Луны.

В некоторых задачах возникает необходимость исследования совместного влияния небесных тел и местных параметров, типа координат и угловой скорости движения полюса Земли, индукции магнитного поля по измерениям на разных станциях, гравитационного потенциала, числа пятен на Солнце и т.п. на сейсмические события /7-12/.

В работах /13-15/ была построена модель линейной регрессии, описывающая движение полюса Земли, с использованием комбинаций астрономических параметров, характеризующих влияние каждого небесного тела в виде:

(12.1)

(12.2)

Здесь долгота (LON), широта (LAT) и расстояние (R) определяется для каждого из 10 небесных тел, - угол наклона земной оси относительно нормали к орбитальной плоскости, Qi - заряды небесных тел.

Отметим, что данные для расстояний от Земли до небесных тел вычисляются в формулах (12) в астрономических единицах. Параметры (12.1), (12.2) были использованы в настоящей работе наряду с астрономическими параметрами.

При создании моделей в настоящей работе были использованы данные ежедневного числа солнечных пятен по наблюдениям американских астрономов /23/ - параметр RADAILY, данные по индукции магнитного поля Земли /24/, данные по сейсмическим событиям /25/, а также координаты географического полюса - X, Y /26/. Данные по индукции магнитного поля были взяты со следующих 23 станций (приведены только IAGA коды): GNA, GUA, IRT, KAK, MMB, RES, THL, DRV, HER, FUG, ABG, HON, CLF, LRV, SOD, AAE, AAA, TAN, SJG, AIA, TUC, BNG, MBO.

Решение прямой задачи включает в себя нормирование входных параметров и приведение их к одному масштабу изменения в интервале (0;360), разбиение интервалов на М частей, 2<M<36200, вычисление матрицы абсолютных частот и информативности, в соответствии с формулами (1-2). Вопросы визуализации матрицы информативностей и построение различных когнитивных функций рассмотрены в работах /27-28/ и других.

6. Описание программы

Программа ViewVibe.jar написана на языке Java и может быть использована на компьютерах с ОС типа Linux, Windows XP и выше. Скриншот основного меню программы приведен на рис. 1. Работа начинается с загрузки данных (кнопка Load Data Table) из файла типа книги Excel с двумя страницами. На первой странице файла данных перечислены имена категорий, а на второй странице задаются номера и имена строк, категории и столбцы входных параметров - рис. 2.

Рис. 1. Скриншот программы ViewVibe.jar

При загрузке данные нормируются в соответствии с формулами (1) для приведения данных к одной шкале. После этого программа готова к вычислениям. На этом этапе необходимо задать число интервалов (номер модели) в окне Number of Intervals. По формулам (2) вычисляется матрица частот и матрица информативности, а также служебные матрицы, используемые в алгоритмах СИМ1 и СИМ2 /1/. Вычисления можно производить для всех или только выбранных столбцов входных параметров путем пометки соответствующего окна и запуска Compute Selected.

После вычислений активируются окна основных и служебных матриц ABS, SUM, PRC, f(SUM), f(PRC). Каждую из матриц можно сохранить в формате XLS, путем нажатия кнопки Save XLS, а также создать на ее основе изображение процесса, путем нажатия кнопки Render. Путь ко всем созданным программой изображениям сохраняется на верхней панели - рис. 1. Таким образом, можно сравнивать изображения, полученные на основе различных матриц и в различных моделях - рис. 3. При переходе по любому из путей открывается изображение вместе с панелью редактирования и кнопкой возврата в основное меню (Controls).

Рис. 2. Вид первой и второй страниц файла загрузки

На рис 3 представлен скриншот рабочего окна программы визуализации матриц ABS, SUM, PRC, f(SUM), f(PRC). Окно содержит две полосы прокрутки для просмотра изображений большого размера и кнопку изменения масштаба изображения Zoom Image. Изображение можно раскрасить - кнопки Red, Green, Blue, Gray, сгладить - кнопка Smooth, сделать правый и левый поворот на 90 градусов - Rotate Left, Rotate Right. Изображение сохраняется при нажатии кнопки Save Image по выбору в формате BMP, JPG, PNG с исходным размером, который задается размером фрагмента матрицы информативностей, т.е. размером=(число интервалов)Ч(число категорий) пиксель.

Рис. 3. Два изображения координат и угловой скорости движения полюса Земли в зависимости от долготы Солнца, созданных на основе матриц информативностей в моделях М360 и М160 и скриншот рабочего окна программы визуализации

7. Визуализация матриц семантических информационных моделей движения полюса Земли

Для решения прикладных задач в АСК-анализе проводится последовательное повышение степени формализации исходных данных до уровня, обеспечивающего их обработку на компьютере в программной системе. После выполнения когнитивной структуризации и формализации предметной области осуществляется синтез модели. Он включает в себя расчет на основе эмпирических данных, представленных в исследуемой выборке, следующих матриц:

- матрицы абсолютных частот ABS, которые используются во многих статистических системах;

- матрицы условных и безусловных процентных распределений PRC, которые используются в некоторых статистических системах;

- матрицы информативностей или матрицы знаний INF, которые используются только в АСК-анализе.

Интересно сравнить изображения, полученные на основе этих трех матриц в задаче о движении полюса Земли - рис. 4. В данной задаче движение полюса характеризуется координатами X, Y и угловой скоростью X1, Y1 - таблица 1. Как следует из данных, приведенных на рис. 4, при сравнении четырех зависимостей Y(X), Y(Y), Y(X1), Y(Y1) на основе матрицы абсолютных частот достаточно достоверно выявляется только линейная зависимость Y=Y. При визуализации на основе матрицы процентных распределений выявляются все зависимости, однако детали траектории движения полюса Y=Y(X), размыты из-за сильного контраста данных с высокой и низкой частотой. И только при визуализации на основе матрицы информативностей оказывается возможным проследить все детали движения полюса - см. правый рис. 4 и рис. 3, на котором в увеличенном масштабе представлены зависимости Х(X), Х(Y), Х(X1), Х(Y1).

Рис. 4. Визуализация матрицы абсолютных частот (слева), матрицы процентных распределений (в центре) и матрицы информативностей (справа)

В будущих версиях системы «Эйдос-Java» планируется использование критерия хи-квадрат в качестве фильтра, не пропускающего сомнительные с точки зрения их достоверности данные при визуализации матриц ABS, PER, INF, что, возможно, позволит уменьшить шум в изображениях когнитивных функций.

Теоретическое объяснение целесообразности использования именно матрицы информативностей (базы знаний) для визуализации когнитивных функций и решения других задач (идентификации, прогнозирования, поддержки принятия решений и исследования предметной области) состоит в следующем. На основе сравнения абсолютных частот можно делать какие-либо выводы только в том случае, когда по разным классам приведено одинаково количество примеров. В общем случае это количество примеров по разным классам всегда разное, поэтому матрица абсолютных частот сама по себе непригодна для решения вышеперечисленных задач. Но на практике иногда встречается ситуация, когда это количество мало отличается по разным классам и тогда использование этой матрицы не дает большой ошибки и позволяет составить более-менее достоверное представление о предметной области. Получить модель предметной области, инвариантную относительно различий в количестве примеров по классам, можно перейдя от матрицы абсолютных частот к матрице условных и безусловных процентных распределений При увеличении объема выборки относительные частости (выраженные в процентах) стремятся к вероятностям, как пределам. При достаточно больших объемах выборки различие относительных частостей от вероятностей невелико и на практике приемлемо вместо терминов «относительные и абсолютные частости» использовать термины «условные и безусловные вероятности». Под процентными распределениями понимаются именно частости, а не вероятности..

Использование матрицы условных и безусловных процентных распределений позволяет получить такой же уровень достоверности выводов о предметной области, какой матрица абсолютных частот в случае равного количества примеров по разным классам. Однако для того, чтобы получить эти выводы необходимо сравнивать условные процентные распределения друг с другом. При небольших размерностях моделей это сравнение может быть проведено вручную, правда лишь на качественном уровне, однако при реальных встречающихся на практике размерностях вручную это сделать не представляется возможным. Поэтому в АСК-анализе принято решение автоматизировать количественное сравнение условных процентных распределений. При этом возник вопрос о том, как именно их сравнивать: друг с другом или с какой-то базой сравнения.

Если в модели всего два класса, то приемлем вариант сравнения условных процентных распределений по ним друг с другом. Но когда классов всего три, то уже не очень понятно как это делать, если же их сотни, тысячи или десятки тысяч, то это становится вообще непонятным. В АСК-анализе этот вопрос решен путем сравнения условных процентных распределений по классам с безусловным процентным распределением по всей выборке, которое и выступает базой (нормой) сравнения. Это решение соответствует принятому в статистике методу средних и отклонений от средних и представляет собой косвенное или опосредованное сравнение условных процентных распределений друг с другом, т.к. база сравнения рассчитывается с их использованием.

Таким образом, матрица информативностей представляет собой результат автоматизированного сравнения условных процентных распределений признаков по классам с их безусловным процентным распределением по всей выборке. По сути это результат нормировки условных процентных распределений с использованием в качестве нормы безусловного процентного распределения. Поэтому использование матрицы информативностей освобождает исследователя-аналитика от необходимости выполнения огромной рутинной работы (которую он как правило и не может выполнить вручную, а когда может, то лишь на качественном, а не на количественном уровне) по сравнению условных процентных распределений друг с другом или с какой-либо базой сравнения и обеспечивает более высокий уровень достоверности выводов, чем использование матрицы условных и безусловных процентных распределений.

С увеличением количества интервалов оказывается возможным установить такие закономерности движения полюса Земли, которые никак не просматриваются при меньших разбиениях. На верхнем рис. 3 представлены зависимости координат и угловой скорости полюса от долготы Солнца. На левом рисунке, полученном в модели М360, на данных для угловой скорости видны колебания, видимо, обусловленные влиянием Луны, которые в модели М160 представляются как случайные выбросы.

На рис. 5 представлен фрагмент матрицы информативностей, демонстрирующий зависимость координат (X,Y) и угловой скорости (X1, Y1) движения полюса Земли - всего 244 категории, перечисленные в таблице 1, от долготы Солнца в 1963-2006 годов по данным /26/. Как следует из данных, приведенных на рис. 5, координаты полюса в зависимости от долготы Солнца образуют жгуты, которые формируются из отдельных годичных движений на протяжении многих лет. Отметим, что категории угловой скорости не образуют достаточно четких нитевидных структур, подобных тем, что образуют категории координат.

Таблица 1 - Ежедневная частота появления категорий координат и угловой скорости движения полюса земли в 1963-2006 годах

Категория X

ABS

Категория Y

ABS

Категория X1

ABS

Категория Y1

ABS

A1-X=-0,29609

11

B1-Y=-0,01292

30

A1-X1=-0,006

1

B2-Y1=-0,00554

1

A2-X=-0,28609

8

B2-Y=-0,00292

55

A2-X1=-0,0058

2

B4-Y1=-0,00514

6

A3-X=-0,27609

8

B3-Y=0,00708

114

A3-X1=-0,0056

1

B5-Y1=-0,00494

4

A4-X=-0,26609

7

B4-Y=0,01708

139

A4-X1=-0,0054

5

B6-Y1=-0,00474

20

A5-X=-0,25609

17

B5-Y=0,02708

116

A5-X1=-0,0052

7

B7-Y1=-0,00454

42

A6-X=-0,24609

70

B6-Y=0,03708

95

A6-X1=-0,005

11

B8-Y1=-0,00434

46

A7-X=-0,23609

99

B7-Y=0,04708

104

A7-X1=-0,0048

23

B9-Y1=-0,00414

93

A8-X=-0,22609

140

B8-Y=0,05708

123

A8-X1=-0,0046

32

B10-Y1=-0,00394

130

A9-X=-0,21609

125

B9-Y=0,06708

217

A9-X1=-0,0044

47

B11-Y1=-0,00374

137

A10-X=-0,20609

194

B10-Y=0,07708

248

A10-X1=-0,0042

67

B12-Y1=-0,00354

169

A11-X=-0,19609

199

B11-Y=0,08708

253

A11-X1=-0,004

136

B13-Y1=-0,00334

204

A12-X=-0,18609

188

B12-Y=0,09708

207

A12-X1=-0,0038

150

B14-Y1=-0,00314

258

A13-X=-0,17609

173

B13-Y=0,10708

247

A13-X1=-0,0036

202

B15-Y1=-0,00294

345

A14-X=-0,16609

238

B14-Y=0,11708

274

A14-X1=-0,0034

265

B16-Y1=-0,00274

315

A15-X=-0,15609

378

B15-Y=0,12708

256

A15-X1=-0,0032

309

B17-Y1=-0,00254

390

A16-X=-0,14609

269

B16-Y=0,13708

314

A16-X1=-0,003

354

B18-Y1=-0,00234

434

A17-X=-0,13609

272

B17-Y=0,14708

317

A17-X1=-0,0028

356

B19-Y1=-0,00214

433

A18-X=-0,12609

269

B18-Y=0,15708

346

A18-X1=-0,0026

383

B20-Y1=-0,00194

446

A19-X=-0,11609

340

B19-Y=0,16708

375

A19-X1=-0,0024

335

B21-Y1=-0,00174

440

A20-X=-0,10609

354

B20-Y=0,17708

451

A20-X1=-0,0022

434

B22-Y1=-0,00154

449

A21-X=-0,09609

271

B21-Y=0,18708

427

A21-X1=-0,002

445

B23-Y1=-0,00134

473

A22-X=-0,08609

299

B22-Y=0,19708

432

A22-X1=-0,0018

412

B24-Y1=-0,00114

500

A23-X=-0,07609

302

B23-Y=0,20708

422

A23-X1=-0,0016

398

B25-Y1=-0,00094

586

A24-X=-0,06609

342

B24-Y=0,21708

341

A24-X1=-0,0014

422

B26-Y1=-0,00074

542

A25-X=-0,05609

385

B25-Y=0,22708

372

A25-X1=-0,0012

449

B27-Y1=-0,00054

581

A26-X=-0,04609

379

B26-Y=0,23708

478

A26-X1=-0,001

403

B28-Y1=-0,00034

515

A27-X=-0,03609

515

B27-Y=0,24708

417

A27-X1=-0,0008

510

B29-Y1=-0,00014

587

A28-X=-0,02609

406

B28-Y=0,25708

374

A28-X1=-0,0006

595

B30-Y1=0,00006

521

A29-X=-0,01609

460

B29-Y=0,26708

340

A29-X1=-0,0004

515

B31-Y1=0,00026

614

A30-X=-0,00609

421

B30-Y=0,27708

332

A30-X1=-0,0002

574

B32-Y1=0,00046

612

A31-X=0,00391

441

B31-Y=0,28708

333

A31-X1=0

656

B33-Y1=0,00066

575

A32-X=0,01391

336

B32-Y=0,29708

338

A32-X1=0,0002

554

B34-Y1=0,00086

468

A33-X=0,02391

347

B33-Y=0,30708

356

A33-X1=0,0004

575

B35-Y1=0,00106

427

A34-X=0,03391

347

B34-Y=0,31708

400

A34-X1=0,0006

546

B36-Y1=0,00126

403

A35-X=0,04391

369

B35-Y=0,32708

427

A35-X1=0,0008

458

B37-Y1=0,00146

503

A36-X=0,05391

419

B36-Y=0,33708

369

A36-X1=0,001

473

B38-Y1=0,00166

554

A37-X=0,06391

469

B37-Y=0,34708

370

A37-X1=0,0012

503

B39-Y1=0,00186

456

A38-X=0,07391

382

B38-Y=0,35708

341

A38-X1=0,0014

469

B40-Y1=0,00206

438

A39-X=0,08391

414

B39-Y=0,36708

379

A39-X1=0,0016

485

B41-Y1=0,00226

427

A40-X=0,09391

402

B40-Y=0,37708

450

A40-X1=0,0018

428

B42-Y1=0,00246

328

A41-X=0,10391

410

B41-Y=0,38708

372

A41-X1=0,002

338

B43-Y1=0,00266

271

A42-X=0,11391

350

B42-Y=0,39708

351

A42-X1=0,0022

343

B44-Y1=0,00286

306

A43-X=0,12391

371

B43-Y=0,40708

289

A43-X1=0,0024

344

B45-Y1=0,00306

246

A44-X=0,13391

416

B44-Y=0,41708

301

A44-X1=0,0026

353

B46-Y1=0,00326

197

A45-X=0,14391

267

B45-Y=0,42708

335

A45-X1=0,0028

257

B47-Y1=0,00346

170

A46-X=0,15391

280

B46-Y=0,43708

207

A46-X1=0,003

329

B48-Y1=0,00366

132

A47-X=0,16391

284

B47-Y=0,44708

214

A47-X1=0,0032

239

B49-Y1=0,00386

99

A48-X=0,17391

258

B48-Y=0,45708

241

A48-X1=0,0034

192

B50-Y1=0,00406

60

A49-X=0,18391

257

B49-Y=0,46708

229

A49-X1=0,0036

175

B51-Y1=0,00426

37

A50-X=0,19391

250

B50-Y=0,47708

282

A50-X1=0,0038

132

B52-Y1=0,00446

15

A51-X=0,20391

300

B51-Y=0,48708

181

A51-X1=0,004

106

B53-Y1=0,00466

5

A52-X=0,21391

256

B52-Y=0,49708

131

A52-X1=0,0042

83

B54-Y1=0,00486

8

A53-X=0,22391

294

B53-Y=0,50708

125

A53-X1=0,0044

65

B55-Y1=0,00506

3

A54-X=0,23391

181

B54-Y=0,51708

115

A54-X1=0,0046

41

B56-Y1=0,00526

4

A55-X=0,24391

170

B55-Y=0,52708

122

A55-X1=0,0048

15

B59-Y1=0,00586

2

A56-X=0,25391

190

B56-Y=0,53708

132

A56-X1=0,005

11

B62-Y1=0,00646

1

A57-X=0,26391

79

B57-Y=0,54708

147

A57-X1=0,0052

9

B64-Y1=0,00686

1

A58-X=0,27391

92

B58-Y=0,55708

103

A58-X1=0,0054

5

B65-Y1=0,00706

1

A59-X=0,28391

78

B59-Y=0,56708

68

A59-X1=0,0056

1

A60-X=0,29391

56

B60-Y=0,57708

14

A60-X1=0,0058

2

A61-X=0,30391

72

A62-X=0,31391

23

Рисунок 5. Зависимость категорий координат и угловой скорости полюса Земли от долготы Солнца в модели М480.

Согласно существующим представлениям, такое поведение угловой скорости полюса в зависимости от долготы Солнца обусловлено наличием случайной составляющей, связанной с движением атмосферы и океана относительно земной коры.

Визуализация матриц семантических информационных моделей сейсмических событий

Исследуемая база данных сейсмических событий была сформирована на основе базы данных Международного сейсмологического центра - ISC /25/, содержащей 20489816 записей регистрации различными сейсмостанциями событий землетрясений, произошедших на нашей планете в период с 1 января 1961 года по 31 декабря 2006 г. Из исходной базы было образовано несколько различных БД для исследования влияния астрономических параметров на магнитуду и глубину гипофокуса, на ежедневное число землетрясений, а также на средние параметры сейсмической активности. В работах /9-10/ исследована совокупность 128320 событий землетрясений с магнитудой , произошедших на нашей планете в период с 9 февраля 1963 года по 31 декабря 2006 г (всего 16032 дня).

В исходной БД сейсмические события характеризуются магнитудой mb, которой можно сопоставить категорию магнитуды - таблица 2. Поскольку события с одной и той же магнитудой могут повторяться в один день, каждому значению магнитуды сопоставляется несколько типов категорий, а именно:

A - событие с магнитудой mb повторяется один раз;

B - событие с магнитудой mb повторяется два раза;

C - событие с магнитудой mb повторяется три раза.

Кроме того, можно рассмотреть случай, когда, например, категория А усекается, путем отбрасывания некоторых событий. Таким образом, были образованы категории А66, В59 и С53.

Таблица 2 - Частота повторения категорий сейсмической активности

Категория

ABS

Категория

ABS

Категория

ABS

A40-Mb=4,0

1362

B40-Mb=4,0

446

C40-Mb=4,0

130

A41-Mb=4,1

1580

B41-Mb=4,1

660

C41-Mb=4,1

259

A42-Mb=4,2

1796

B42-Mb=4,2

835

C42-Mb=4,2

362

A43-Mb=4,3

2224

B43-Mb=4,3

955

C43-Mb=4,3

436

A44-Mb=4,4

2744

B44-Mb=4,4

1099

C44-Mb=4,4

482

A45-Mb=4,5

3358

B45-Mb=4,5

1223

C45-Mb=4,5

468

A46-Mb=4,6

4119

B46-Mb=4,6

1455

C46-Mb=4,6

515

A47-Mb=4,7

4768

B47-Mb=4,7

1612

C47-Mb=4,7

501

A48-Mb=4,8

4954

B48-Mb=4,8

1817

C48-Mb=4,8

450

A49-Mb=4,9

5008

B49-Mb=4,9

1636

C49-Mb=4,9

447

A50-Mb=5

4904

B50-Mb=5

1428

C50-Mb=5

356

A51-Mb=5,1

4582

B51-Mb=5,1

1206

C51-Mb=5,1

293

A52-Mb=5,2

4134

B52-Mb=5,2

936

C52-Mb=5,2

166

A53-Mb=5,3

3563

B53-Mb=5,3

617

C53-Mb=5,3-6,0

105

A54-Mb=5,4

3010

B54-Mb=5,4

422

A55-Mb=5,5

2367

B55-Mb=5,5

261

A56-Mb=5,6

1940

B56-Mb=5,6

180

A57-Mb=5,7

1460

B57-Mb=5,7

93

A58-Mb=5,8

1179

B58-Mb=5,8

73

A59-Mb=5,9

864

B59-Mb=5,9-6,4

69

A60-Mb=6,0

656

A61-Mb=6,1

453

A62-Mb=6,2

319

A63-Mb=6,3

202

A64-Mb=6,4

137

A65-Mb=6,5

87

A66-Mb=6,6-7,0

68

На рис. 6 представлены данные визуализации матрицы абсолютных частот в задаче распознавания сейсмических событий по астрономическим данным /9-10/, а также с учетом влияния магнитного поля и движения полюса Земли /14/ в модели М720. Анализируя данные, приведенные на рис. 6, можно сделать вывод о том, что во всех рассмотренных случаях события группируются вблизи некоторых особых точек отображения (1) - см. /20/, образуя своеобразный линейчатый спектр. Такое поведение обнаружено впервые, благодаря использованной технике визуализации.

Другой эффект, обнаруженный на моделях большой размерности, заключается в том, что отображение сейсмических событий в зависимости от вертикальной компоненты индукции магнитного поля имеет вид своеобразных «пальцев» или жезлов, которые по виду аналогичны тем, что получаются при визуализации матрицы абсолютных частот сейсмических событий в зависимости от расстояния до Урана - рис. 7.

Рисунок 6. Зависимость категорий сейсмических событий А,В,С (в каждом рисунке категории отложены по вертикали снизу вверх) от долготы Лунного Узла, Юпитера и Сатурна, и от вертикальной компоненты индукции магнитного поля на станции GNA в модели М720. Для визуализации использована матрица абсолютных частот и условных и безусловных процентных распределений в случае магнитного поля

Эта аналогия, впервые обнаруженная в работе /9/, послужила основой для создания моделей влияния небесных тел на геомагнитное поле и на движение полюса Земли /11, 13-15/.

Сравнивая картины визуализации трех матриц в модели М360, описывающей зависимость категорий сейсмических событий А,В,С от расстояния до Урана - рис. 8, находим, что матрица информативностей наиболее точно отражает все детали этой зависимости.

Рисунок 7. Зависимость категорий сейсмических событий А,В,С (в каждом рисунке категории отложены по горизонтали слева направо) от вертикальной компоненты индукции магнитного поля на станциях AIA, GUA, HER, GNA, THL и от расстояния от Земли до Урана в модели М360. Для визуализации использована матрица абсолютных частот.

Рисунок 8. Визуализация матрицы информативностей (слева), матрицы процентных распределений (в центре) и матрицы абсолютных частот (справа) в модели М360 демонстрирует зависимость категорий сейсмических событий А,В,С (в каждом рисунке категории отложены по горизонтали слева направо) от расстояния до Урана (вертикальная координата, направленная сверху вниз).

И хотя в этом случае корреляция событий является весьма слабой, тем не менее, благодаря использованию АСК-анализа /1, 29/ удается выделить эту зависимость и найти комбинации астрономических параметров в форме (5.1)-(5.2), которые в наибольшей степени влияют на сейсмические события, движение полюса и магнитное поле Земли /13-15/.

Наконец, заметим, что исследованные в настоящей работе зависимости относятся к классу когнитивных функций /27-28, 30/, визуализация которых позволяет получить новые знания о поведении сложных систем, зависящих от множества параметров большой размерности. Приведенные выше примеры показывают существенное различие в стандартном классическом описании таких систем, основанном на использовании матрицы абсолютных частот, и с использованием АСК-анализа /1/.

Таким образом, по результатам работы можно сделать обоснованный вывод о том, что сформулированная проблема решена, т.е. создана новая версия системы искусственного интеллекта «Эйдос-астра» для решения прикладных задач с эмпирическими данными большой размерности. Приложение, написанное на языке JAVA, обеспечивает GUI и позволяет подготовить и выполнить визуализацию матрицы информативностей без ограничений, налагаемых реализацией предыдущих версий системы «Эйдос-астра».

В качестве перспективы авторы рассматривают реализацию в новой версии всех функций предыдущей версии, а также реализацию качественно новых возможностей,

Кроме того, авторы приняли решение предоставить заинтересованным читателям возможность бесплатно скачивать новую версию системы «Эйдос-астра» /12/ с исходными базами данных /32-33/ и исследовать примеры, приведенные в данной статье.

интеллект астрономический визуализациия матрица

Библиографический список

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. - 605с.

Луценко Е.В. Универсальная когнитивная аналитическая система "ЭЙДОС". Пат. № 2003610986 РФ. Заяв. № 2003610510 РФ. Опубл. от 22.04.2003.

Patent 2008610097, Russia, System for Typification and Identification of the Social Status of Respondents Based on the Astronomical Data at the Time of Birth - "AIDOS-ASTRO" / E.V. Lutsenko, A.P. Trunev, V.N. Shashin; Application № 2007613722, January 9,2008.

Луценко Е.В. Artificial intelligence system for identification of social categories of natives based on astronomical parameters / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2008. - №03(37).

Луценко Е.В. «Эйдос-астра» - интеллектуальная система научных исследований влияния космической среды на поведение глобальных геосистем / Е.В. Луценко, А.П. Трунев // Научный журнал КубГАУ - Краснодар: КубГАУ, 2010. - №07(61).

Патент РФ: Луценко Е.В., Трунев А.П., Шашин В.Н., Бандык Д.К. Интеллектуальная система научных исследований влияния космической среды на глобальные геосистемы «Эйдос-астра» (ИСНИ «Эйдос-астра»). Пат. № 2011612054 РФ. Заяв. № 2011610345 РФ 20.01.2011. Опубл. от 09.03.2011.

Трунев А.П. Прогнозирование сейсмической активности и климата на основе семантических информационных моделей / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2009. - №09(53). - Шифр Информрегистра: 0420900012\0098.

Трунев А.П. Системно-когнитивный анализ и прогнозирование сейсмической активности литосферы Земли, как глобальной активной геосистемы / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2010. - №01(55). - Шифр Информрегистра: 0421000012\0001.

Трунев А.П. Семантические информационные модели глобальной сейсмической активности при смещении географического и магнитного полюса / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2010. - №02(56). - Шифр Информрегистра: 0421000012\0023.

Трунев А.П. Прогнозирование землетрясений по астрономическим данным с использованием системы искусственного интеллекта / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2009. - №08(52). - Шифр Информрегистра: 0420900012\0086.

Трунев А.П. Автоматизированный системно-когнитивный анализ влияния тел Солнечной системы на движение полюса Земли и визуализация причинно-следственных зависимостей в виде когнитивных функций / А.П. Трунев, Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2011. - №01(65).

Трунев А.П. Моделирование электромагнитного и гравитационного влияния небесных тел солнечной системы на смещение географического полюса и магнитное поле Земли / А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2010. - №07(61). - Шифр Информрегистра: 0421000012\0152.

Трунев А.П. Семантические информационные модели влияния солнечных пятен на сейсмическую активность, движение полюса и магнитное поле Земли / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2011. - №02(66). С. 546 - 571.

Трунев А.П. Моделирование влияния небесных тел на движение полюса Земли / А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2010. - №10(64).

Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). - Краснодар: КубГАУ, 2008, - 279 с.

Трунев А.П., Луценко Е.В. Системно-когнитивный анализ взаимосвязей между астрономическими и социальными событиями в астросоциотипологии /8-я Международная ФАМ конференция по финансово-актуарной математике и смежным вопросам, Красноярск, 2009.

Луценко Е.В. Типизация и идентификация респондентов в социологии по их астрономическим показателями на момент рождения. / Е.В. Луценко, А.П. Трунев, В.Н. Шашин // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2007. - №01(25). - Шифр Информрегистра: 0420700012\0014.

Луценко Е.В. Астросоциотипология и спектральный анализ личности по астросоциотипам с применением семантических информационных мультимоделей / Е.В. Луценко, А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2008. - №01(35). - Шифр Информрегистра: 0420800012\0002.

Трунев А.П. Проблема распознавания событий в поле центральных сил и прогнозирование курсов валют / А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2009. - №06(50). - Шифр Информрегистра: 0420900012\0057.

Трунев А.П. Прогнозирование курсов валют по астрономическим данным с использованием системы искусственного интеллекта / А.П. Трунев // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2009. - №07(51). - Шифр Информрегистра: 0420900012\0068.

Трунев А.П. Корреляция фондового индекса s & p 500 с астрономическими и геофизическими параметрами (Системно-когнитивный анализ взаимосвязи ноосферы, литосферы, магнитосферы и космической среды) / А.П. Трунев, Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2010. - №03(57). - Шифр Информрегистра: 0421000012\0039.

National Geophysical Data Center

World Data Centre for Geomagnetism (Edinburgh)

International Seismological Center

Earth orientation centre

Луценко Е.В. Метод визуализации когнитивных функций - новый инструмент исследования эмпирических данных большой размерности / Е.В. Луценко, А.П. Трунев, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2011. - №03(67). С. 240 - 282.

Трунев А.П. Автоматизированный системно-когнитивный анализ влияния тел Солнечной системы на движение полюса Земли и визуализация причинно-следственных зависимостей в виде когнитивных функций / А.П. Трунев, Е.В. Луценко, Д.К. Бандык // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) - Краснодар: КубГАУ, 2011. - №01(65). С. 232 - 258. - Шифр Информрегистра: 0421100012\0002.

Луценко Е.В. АСК-анализ как метод выявления когнитивных функциональных зависимостей в многомерных зашумленных фрагментированных данных / Е.В. Луценко // Научный журнал КубГАУ - Краснодар: КубГАУ, 2005. - №03(11).

Луценко Е.В. Когнитивные функции как адекватный инструмент для формального представления причинно-следственных зависимостей / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). - Краснодар: КубГАУ, 2010. - №09(63).

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 // Научный журнал КубГАУ - Краснодар: КубГАУ, 2009. - №10(54). - Шифр Информрегистра: 0420900012\0110.

Размещено на Allbest.ru


Подобные документы

  • Актуальные задачи квалиметрии недр. Обзор системы Geostat. Мониторинг участков недр, который сводится к построению адекватной трехмерной модели месторождения. Диалоговое окно системы. Выбор формата исходных данных. Способы представления результатов.

    реферат [1,3 M], добавлен 01.06.2015

  • Цели и проблемы с которыми сталкиваются сейсмические методы решения геологических задач, способы их решения. Современные методы и направления сейсморазведки. Исследования, проводимые в институтах геологического профиля новосибирского центра СО РАН.

    курсовая работа [2,7 M], добавлен 02.07.2012

  • Общая характеристика систем искусственного пополнения подземных вод. Анализ гидрогеологических условий Чувашии. Выбор оптимального типа систем ИППВ с учетом гидрогеологических условий для решения проблем водоснабжения южных и центральных районов Чувашии.

    курсовая работа [28,8 K], добавлен 07.06.2012

  • Вторичное вскрытие пласта перфорацией. Технические характеристики кумулятивных перфораторов. Описание и работа перфорационной системы. Фильтрация флюидов в местах сужения порового пространства. Подготовка перфорационной системы к использованию.

    курсовая работа [8,5 M], добавлен 23.05.2012

  • Построение гистограммы эмпирических частот и функций распределения. Расчет оценки характеристик положения и рассеивания. Проверка ряда на однородность. Построение эмпирических и аналитических кривых обеспеченностей и расходы воды различной вероятности.

    контрольная работа [3,5 M], добавлен 30.05.2013

  • Вычисление геоцентрических экваториальных координат искусственного спутника Земли по данным топоцентрических координат. Определение элементов невозмущенной орбиты. Определение полярного сжатия Земли по вековым возмущениям оскулирующих элементов орбиты.

    контрольная работа [3,1 M], добавлен 15.12.2015

  • Создание карт и планов. Применение фотограмметрии для решение различных научных и прикладных задач. Использование изображения для определения форм, размеров и положения объекта. Первые воздушные съемки. Основные периоды развития фотограмметрии.

    презентация [2,1 M], добавлен 21.05.2015

  • Географическая информационная система, её взаимосвязь с картографией. Геоинформационные технологии в телекоммуникациях. Аппаратная платформа: понятие, функции, структура. Классификация прикладных задач, решаемых в сфере управления инфраструктурой.

    курсовая работа [64,4 K], добавлен 24.05.2015

  • Сравнение принципов классификации запасов нефти в 2001 и 2005 гг. Обоснование подсчетных параметров Залесного месторождения по данным промыслово-геофизического исследования скважин - общей площади, объема нефтенасыщенных пород, коэффициента их пористости.

    курсовая работа [8,8 M], добавлен 17.05.2011

  • Структура и содержание топографической карты. Условные знаки. Измерение расстояний между точками. Определение географических (геодезических) координат. Расчет истинных и магнитных азимутов, абсолютных высот точек превышений. Уклоны и углы наклона линий.

    лабораторная работа [178,8 K], добавлен 03.11.2014

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.