Терминология научного дискурса авторов статей по специальности: 05.20.01 – "Технологии и средства механизации сельского хозяйства" через призму когнитивного анализа

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Кубанский государственный университет

Терминология научного дискурса авторов статей по специальности: 05.20.01 - «Технологии и средства механизации сельского хозяйства» через призму когнитивного анализа

Грушевская Татьяна Михайловна

доктор филологических наук, профессор

Грушевская Елена Сергеевна

доктор филологических наук, доцент

Луценко Диана Сергеевна студент

С развитием информационных и когнитивных технологий появилось принципиальная возможность их применения для автоматического определения авторства, датировки, жанра и смысловой направленности научных литературных произведений (статей, монографий, учебных пособий и т.д.). Однако большинство научных исследований в этой области посвящены разработке концептуальных подходов и математических моделей, а не исследованию конкретных научных текстов. Авторов же данной работы интересуют особенности специальной научной терминология, используемой авторами статей по специальности 05.20.01 - «технологии и средства механизации сельского хозяйства» Научного журнала КубГАУ. Для решения этой исследовательской задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и реализующий его программный инструментарий - интеллектуальную систему «Эйдос». Приводится численный пример с большим количеством выходных форм, основанный на реальных текстах

Ключевые слова: КОГНИТИВНЫЙ АНАЛИЗ, ТЕРМИНОЛОГИЯ НАУЧНОГО ДИСКУРСА

TERMINOLOGY OF SCIENTIFIC DISCOURSE OF AUTHORS OF ARTICLES ON SPECIALTY: 05.20.01 - " TECHNOLOGIES AND MEANS OF AGRICULTURAL MECHANIZATION» THROUGH THE PRISM OF COGNITIVE ANALYSIS

Grushevskaya Tatyana Mikhailovna

Doctor of Philology, Professor

Grushevskaya Elena Sergeevna

Doctor of Philology, associate Professor

Lutsenko Diana Sergeevna

student

Kuban state University, Krasnodar, Russia

With the development of information and cognitive technologies, it has become possible to use them for automatic determination of the authorship, dating, genre and semantic orientation of scientific literary works (articles, monographs, textbooks, etc.). However, most scientific research in this area is devoted to the development of conceptual approaches and mathematical models, and not to the study of specific scientific texts. The authors of this work are interested in the features of the special scientific terminology used by the authors of articles on specialty 05.20.01 - "technologies and means of agricultural mechanization" of the scientific journal of Kuban State Agrarian University. To solve this research problem, we use automated system-cognitive analysis (ASC-analysis) and its software tools, which is the intelligent system called "Eidos". This article gives a numerical example with a large number of output forms based on real texts

Keywords: COGNITIVE ANALYSIS, TERMINOLOGY OF SCIENTIFIC DISCOURSE

Содержание

1. Введение (Introduction)

2. Материалы и методы (Materials and methods)

2.1 Идея и концепция решения проблемы

2.2 Обоснование выбора метода и инструментария решения проблемы

2.3 Суть метода и математической модели АСК-анализа

2.4 Синтез системно-когнитивных моделей и частные критерии знаний, многопараметрическая типизация

2.5 Интегральные критерии и решение задач системной идентификации и принятия решений

3. Результаты и обсуждение (Results and discussion)

3.1 Когнитивно-целевая структуризация предметной области

3.2 Подготовка исходных данных, формализация предметной области

3.3 Формализация предметной области

3.4 Синтез и верификация моделей

3.5 Придание статуса текущей наиболее достоверной модели INF5

3.6 Решение задачи системной идентификации (атрибуции текстов)

3.7 Решение задачи принятия решений (вывод информации о результатах многопараметрической типизации)

3.8 Решение задачи исследования моделируемой предметной области путем исследования ее модели

3.8.1 Инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов)

3.8.2 Кластерно-конструктивный анализ классов

3.8.3 Нелокальные нейроны и нелокальная нейронная сеть

3.8.4 Значимость факторов и их значений

3.8.5 Степень детерминированности классов и классификационных шкал

3.9 Повышение статуса результатов исследования

5. Выводы (Conclusions)

5.1 Эффективность предложенного решения проблемы

5.2 Основные результаты исследования

5.3 Ограничения и недостатки предложенного решения проблемы и перспективы его развития путем их преодоления этих ограничений и недостатков

5.4 Заключение

Список литературы (References)

1. Введение (Introduction)

С развитием информационных и когнитивных технологий появилось принципиальная возможность их применения для автоматического определения авторства, датировки, жанра и смысловой направленности научных литературных произведений (статей, монографий, учебных пособий и т.д.).

Однако большинство научных исследований в этой области посвящены разработке концептуальных подходов и математических моделей, а не исследованию конкретных научных текстов [1-30].

Авторов же данной работы интересуют особенности специальной научной терминология, используемой авторами статей по специальности 05.20.01 - «технологии и средства механизации сельского хозяйства» Научного журнала КубГАУ.

Для решения этой исследовательской задачи применяется автоматизированный системно-когнитивный анализ (АСК-анализ) и реализующий его программный инструментарий - интеллектуальную систему «Эйдос».

АСК-анализ позволяет проводить не только атрибуцию текстов, но и осуществлять элементы наратологического анализа:

- формировать обобщенные лингвистические образы классов (семантические ядра) на основе фрагментов или примеров относящихся к ним текстов на любом языке;

- количественно сравнивать лингвистический образ конкретного человека, или описание объекта, процесса с обобщенными лингвистическими образами групп (классов);

- сравнивать обобщенные лингвистические образы классов друг с другом и создавать их кластеры и конструкты;

- исследовать моделируемую предметную область путем исследования ее лингвистической системно-когнитивной модели;

- проводить интеллектуальную атрибуцию текстов, т.е. определять вероятное авторство анонимных и псевдонимных текстов, датировку, жанр и смысловую направленность содержания текстов;

- все это можно делать для любого естественного или искусственного языка или системы кодирования.

2. Материалы и методы (Materials and methods)

2.1 Идея и концепция решения проблемы

Идея решения проблемы состоит в том, чтобы применить для обработки текстов интеллектуальные технологии, рассматривать конкретные тексты как примеры различных обобщенных категорий текстов (по авторству, датировке, жанру и смысловой направленности содержания текстов и т.п.), а слова и их сочетания рассматривать как признаки текстов.

Концепция решения проблемы состоит в постановке конкретных задач, решение которых обеспечивает реализацию сформулированной выше идеи и достижение поставленной цели. Для достижения поставленной цели необходимо решить следующие задачи, которые получаются путем декомпозиции цели и являются этапами ее достижения:

Этапы АСК-анализа [31-48]:

1. Когнитивно-целевая структуризация предметной области:

- разработка классификационных шкал;

- разработка описательных шкал.

2. Формализация предметной области:

- разработка градаций классификационных шкал;

- разработка градаций описательных шкал.

- кодирование исходных данных с помощью классификационных и описательных шкал и градаций и формирование обучающей выборки.

3. Синтез, повышение качества и верификация статистических и системно-когнитивиных моделей научных текстов.

4. Решение в наиболее достоверной модели задач:

- идентификация конкретных текстов;

- формирование терминологических семантических ядер и антиядер конкретных авторов;

- кластеризация семантических ядер и антиядер конкретных авторов.

2.2 Обоснование выбора метода и инструментария решения проблемы

В качестве метода исследования выбран Автоматизированный системно-когнитивный анализ (АСК-анализ), который представляет собой новый инновационный метод искусственного интеллекта, имеющий свой программный инструментарий, в качестве которого в настоящее время выступает интеллектуальная система «Эйдос» (открытое программное обеспечение) [31-47].

Существует много систем искусственного интеллекта. Универсальная когнитивная аналитическая система «Эйдос-Х++» отличается от них следующими параметрами:

- разработана в универсальной постановке, не зависящей от предметной области. Поэтому она является универсальной и может быть применена во многих предметных областях (http://lc.kubagro.ru/aidos/index.htm);

- находится в полном открытом бесплатном доступе (http://lc.kubagro.ru/aidos/_Aidos-X.htm), причем с актуальными исходными текстами (http://lc.kubagro.ru/__AIDOS-X.txt);

- является одной из первых отечественных систем искусственного интеллекта персонального уровня, т.е. она не требует от пользователя специальной подготовки в области технологий искусственного интеллекта (есть акт внедрения системы «Эйдос» 1987 года) (http://lc.kubagro.ru/aidos/aidos02/PR-4.htm);

- обеспечивает устойчивое выявление в сопоставимой форме силы и направления причинно-следственных зависимостей в неполных зашумленных взаимозависимых (нелинейных) данных очень большой размерности числовой и не числовой природы, измеряемых в различных типах шкал (номинальных, порядковых и числовых) и в различных единицах измерения (т.е. не предъявляет жестких требований к данным, которые невозможно выполнить, а обрабатывает те данные, которые есть);

- содержит большое количество локальных (поставляемых с инсталляцией) и облачных учебных и научных Эйдос-приложений (в настоящее время их 31 и 207, соответственно) (http://lc.kubagro.ru/aidos/Presentation_Aidos-online.pdf);

- обеспечивает мультиязычную поддержку интерфейса на 51 языке. Языковые базы входят в инсталляцию и могут пополняться в автоматическом режиме;

- поддерживает on-line среду накопления знаний и широко используется во всем мире (http://aidos.byethost5.com/map5.php);

- наиболее трудоемкие в вычислительном отношении операции синтеза моделей и распознавания реализует с помощью графического процессора (GPU), что на некоторых задачах обеспечивает ускорение решение этих задач в несколько тысяч раз, что реально обеспечивает интеллектуальную обработку больших данных, большой информации и больших знаний;

- обеспечивает преобразование исходных эмпирических данных в информацию, а ее в знания и решение с использованием этих знаний задач классификации, поддержки принятия решений и исследования предметной области путем исследования ее системно-когнитивной модели, генерируя при этом очень большое количество табличных и графических выходных форм (развития когнитивная графика), у многих из которых нет никаких аналогов в других системах (примеры форм можно посмотреть в работе: http://lc.kubagro.ru/aidos/aidos18_LLS/aidos18_LLS.pdf);

- хорошо имитирует человеческий стиль мышления: дает результаты анализа, понятные экспертам на основе их опыта, интуиции и профессиональной компетенции;

- вместо того, чтобы предъявлять к исходным данным практически неосуществимые требования (вроде нормальности распределения, абсолютной точности и полных повторностей всех сочетаний значений факторов и их полной независимости и аддитивности) автоматизированный системно-когнитивный анализ (АСК-анализ) предлагает без какой-либо предварительной обработки осмыслить эти данные и тем самым преобразовать их в информацию, а затем преобразовать эту информацию в знания путем ее применения для достижения целей (т.е. для управления) и решения задач классификации, поддержки принятия решений и содержательного эмпирического исследования моделируемой предметной области.

В чем сила подхода, реализованного в системе Эйдос? В том, что она реализует подход, эффективность которого не зависит от того, что мы думаем о предметной области и думаем ли вообще. Она формирует модели непосредственно на основе эмпирических данных, а не на основе наших представлений о механизмах реализации закономерностей в этих данных. Именно поэтому Эйдос-модели эффективны даже если наши представления о предметной области ошибочны или вообще отсутствуют.

В этом и слабость этого подхода, реализованного в системе Эйдос. Модели системы Эйдос - это феноменологические модели, т.е. они не отражают механизмов детерминации, а только сам факт и характер детерминации.

2.3 Суть метода и математической модели АСК-анализа

Суть метода АСК-анализа состоит в последовательном повышении степени формализации модели и преобразовании данных в информацию, а ее в знания и решении на основе этих знаний задач идентификации (распознавания, классификации и прогнозирования), поддержки принятия решений и исследования моделируемой предметной области путем исследования ее модели (рисунки 1 и 2) [32].



Рисунок 1

Рисунок 2

В АСК-анализе все эти факторы рассматриваются с одной единственной точки зрения: сколько информации содержится в их значениях о переходе объекта моделирования и управления, на который они действуют, в определенное будущее состояние, описываемое классом (градация классификационной шкалы), и при этом сила и направление влияния всех значений факторов на объект измеряется в одних общих для всех факторов единицах измерения: единицах количества информации [32].

При решении задач интеллектуальной атрибуции и наратологического анализа литературных текстов слова или их леммы рассматриваются как признаки текстов конкретной смысловой направленности и относящихся к определенным авторам, жанрам, и временным периодам.

При лемматизации в системе «Эйдос» используется база лемматизации, созданная академиком РАН Андреем Анатольевичем Зализняком, включая около 2 млн. словоформ русского языка.

2.4 Синтез системно-когнитивных моделей и частные критерии знаний, многопараметрическая типизация

Математическая модель АСК-анализа и системы «Эйдос» основана на системной нечеткой интервальной математике [31, 48] и обеспечивает сопоставимую обработку больших объемов фрагментированных и зашумленных взаимозависимых данных, представленных в различных типах шкал (номинальных, порядковых и числовых) и различных единицах измерения [32].

Суть математической модели АСК-анализа состоит в следующем.

Непосредственно на основе эмпирических данных рассчитывается матрица абсолютных частот (рисунок 2 и таблица 1).

Таблица 1 - Матрица абсолютных частот

	Классы	Сумма
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Суммарное количество Признаков по классу
Суммарное количество объектов обучающей выборки по классу

На ее основе рассчитываются матрицы условных и безусловных процентных распределений (таблица 2).

Отметим, что в АСК-анализе и его программном инструментарии интеллектуальной системе «Эйдос» используется два способа расчета матриц условных и безусловных процентных распределений:

1-й способ: в качестве используется суммарное количество признаков по классу;

2-й способ: в качестве используется суммарное количество объектов обучающей выборки по классу.

Затем на основе таблицы 2 с использованием частных критериев, приведенных таблице 3, рассчитываются матрицы системно-когнитивных моделей (рисунок 1, таблица 4).

Таблица 2 - Матрица условных и безусловных процентных распределений

	Классы	Безусловная вероятность признака
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Безусловная вероятность класса

Таблица 3 - Различные аналитические формы частных критериев знаний

Наименование модели знаний и частный критерий	Выражение для частного критерия
	через относительные частоты	через абсолютные частоты
ABS, матрица абсолютных частот	---
PRC1, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество признаков по классу	---
PRC2, матрица условных и безусловных процентных распределений, в качестве используется суммарное количество объектов обучающей выборки по классу	---
INF1, частный критерий: количество знаний по А.Харкевичу, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу. Вероятность того, что если у объекта j-го класса обнаружен признак, то это i-й признак
INF2, частный критерий: количество знаний по А.Харкевичу, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу. Вероятность того, что если предъявлен объект j-го класса, то у него будет обнаружен i-й признак.
INF3, частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами	---
INF4, частный критерий: ROI - Return On Investment, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу
INF5, частный критерий: ROI - Return On Investment, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу
INF6, частный критерий: разность условной и безусловной вероятностей, 1-й вариант расчета вероятностей: Nj - суммарное количество признаков по j-му классу
INF7, частный критерий: разность условной и безусловной вероятностей, 2-й вариант расчета вероятностей: Nj - суммарное количество объектов по j-му классу

Обозначения к таблице 3:

i - значение прошлого параметра;

j - значение будущего параметра;

Nij - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра;

M - суммарное число значений всех прошлых параметров;

W - суммарное число значений всех будущих параметров.

Ni - количество встреч i-м значения прошлого параметра по всей выборке;

Nj - количество встреч j-го значения будущего параметра по всей выборке;

N - количество встреч j-го значения будущего параметра при i-м значении прошлого параметра по всей выборке.

Iij - частный критерий знаний: количество знаний в факте наблюдения i-го значения прошлого параметра о том, что объект перейдет в состояние, соответствующее j-му значению будущего параметра;

Ш - нормировочный коэффициент (Е.В.Луценко, 2002), преобразующий количество информации в формуле А.Харкевича в биты и обеспечивающий для нее соблюдение принципа соответствия с формулой Р.Хартли;

Pi - безусловная относительная частота встречи i-го значения прошлого параметра в обучающей выборке;

Pij - условная относительная частота встречи i-го значения прошлого параметра при j-м значении будущего параметра.

Таблица 4 - Матрица системно-когнитивной модели

	Классы	Значимость фактора
	1	...	j	...	W
Значения факторов	1
	...
	i
	...
	M
Степень редукции класса

Суть этих методов в том, что вычисляется количество информации в значении фактора о том, что объект моделирования перейдет под его действием в определенное состояние, соответствующее классу. Это позволяет сопоставимо и корректно обрабатывать разнородную информацию о наблюдениях объекта моделирования, представленную в различных типах измерительных шкал и различных единицах измерения [32].

На основе системно-когнитивных моделей, представленных в таблице 4 (отличаются частыми критериями, приведенными в таблице 3) и на рисунке 2, решаются задачи идентификации (классификации, распознавания, диагностики, прогнозирования), поддержки принятия решений (обратная задача прогнозирования), а также задача исследования моделируемой предметной области путем исследования ее системно-когнитивной модели [31-48].

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

2.5 Интегральные критерии и решение задач системной идентификации и принятия решений

Задача системной идентификации - это задача определения степени сходства (и различия) конкретного объекта с обобщенными образами классов, соответствующих определенным авторам, жанрам и временным периодам. В моделях, приведенных в таблице 4, отражено, какое количество информации содержится в каждом слове или лемме о принадлежности литературного текста с этим словом к каждому из классов. Но в тексте содержится много слов. Поэтому естественно считать, что текст принадлежит к тем классам, о принадлежности к которым в его словах содержится максимальное суммарное количество информации.

Функция от частных критериев, имеющая определенное числовое значение, свое для каждого класса и отражающее степень принадлежности текста к данному классу, называется интегральным критерием.

В результате получается, что некоторый определенный текст в различной степени принадлежит к разным классам, причем о принадлежности к некоторым классам в его словах содержится отрицательное количество информации, что означает, что в соответствии с созданными моделями он к ним не принадлежит.

Задача принятия управляющих решений представляет собой обратную задачу прогнозирования. Если при прогнозировании на основе значений факторов, воздействующих на объект управления, определяется в какое состояние он под их воздействием перейдет, но при принятии решений наоборот, по желательному (целевому) состоянию объекта управления определяется система значений факторов, обуславливающих переход объекта в это целевое состояние.

Не все модели обеспечивают решение обратной задачи прогнозирования. Для этого они должны обеспечивать многопараметрическую типизацию, т.е. создавать обобщенные образы будущих состояний объекта управления. Как влияет на поведение объекта управления одно значение фактора отражено в системно-когнитивных моделях. Как влияние система факторов определяется с помощью интегральных критериев.

Таким образом, интегральные критерии применяются при решении различных задач, как задачи идентификации или прогнозирования, так и задачи принятия решений.

В настоящее время в системе «Эйдос» используется два аддитивных интегральных критерия:

- сумма знаний;

- резонанс знаний.

1-й интегральный критерий «Сумма знаний» представляет собой суммарное количество знаний, содержащееся в системе значений факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний:

терминология научный дискурс статья

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

,

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

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

2-й интегральный критерий «Семантический резонанс знаний» представляет собой нормированное суммарное количество знаний, содержащееся в системе факторов различной природы, характеризующих сам объект управления, управляющие факторы и окружающую среду, о переходе объекта в будущие целевые или нежелательные состояния.

Интегральный критерий представляет собой аддитивную функцию от частных критериев знаний и имеет вид:

где:

M - количество градаций описательных шкал (признаков);

- средняя информативность по вектору класса;

- среднее по вектору объекта;

- среднеквадратичное отклонение частных критериев знаний вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

- вектор состояния j-го класса;

- вектор состояния распознаваемого объекта, включающий все виды факторов, характеризующих сам объект, управляющие воздействия и окружающую среду (массив-локатор), т.е.:

В текущей версии системы «Эйдос-Х++» значения координат вектора состояния распознаваемого объекта принимались равными либо 0, если признака нет, или n, если он присутствует у объекта с интенсивностью n, т.е. представлен n раз (например, буква «о» в слове «молоко» представлена 3 раза, а буква «м» - один раз).

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

Система «Эйдос» обеспечивает построение интеллектуальных информационно-измерительных систем в различных предметных областях [31-48]. В системе «Эйдос» реализовано большое количество программных интерфейсов, обеспечивающий автоматизированный ввод в систему данных различных типов: текстовых, табличных и графических.

Путем многопараметрической типизации в системе создается системно-когнитивная модель, с применением которой, если модель окажется достаточно достоверной, могут решаться задачи системной идентификации, прогнозирования, классификации, поддержки принятия решений и исследования моделируемого объекта путем исследования его системно-когнитивной модели [31-48].

3. Результаты и обсуждение (Results and discussion)

3.1 Когнитивно-целевая структуризация предметной области

Когнитивно-целевая структуризация предметной области включает разработку классификационных и описательных шкал (таблицы 5 и 6). Это единственный неавтоматизированный этап АСК-анализа.

Таблица 5 - Классификационные шкалы

KOD_CLSC	NAME_CLSC
1	AUTSFIO

Таблица 6 - Описательные шкалы

KOD_OPSC	NAME_OPSC
1	TIT
2	REF

3.2 Подготовка исходных данных, формализация предметной области

Исходные данные, используемые в численном примере данной работы, представляют собой выборку из баз данных Научного журнала КубГАУ: http://ej.kubagro.ru/ (таблица 7).

Таблица 7 - Исходные данные (фрагмент) Полный файл исходных данных можно скачать по ссылке: ftp://b5_20444140@ftp.byethost5.com/htdocs/Source_data_applications/Applications-000208/Inp_data.xlsx

ida	nr	nrasd	autsFio	tit	ref
1421808001	05_00_00_Технические_науки	05_20_00_Процессы_и_машины_ агроинженерных_систем	Стрижков_ИГ Чеснюк_ЕН Чеснюк_СЕ Кузнецов_МС	Влияние начальных условий на переходные токи трансформатора	В статье рассматриваются особенности протекания переходного процесса в обмотках трансформатора при ненулевых начальных условиях, характерных для режимов сушки трансформатора токами низкой частоты. Показано влияние ненулевых начальных условий на токи в обмотках
1411807004	05_00_00_Технические_науки	05_20_00_Процессы_и_машины_агроинженерных_систем	Бахчевников_ОН Брагинец_СВ	Адаптация типовой технологической схемы для малого внутрихозяйственного комбикормового завода	Объектом исследования являлись методы адаптации типовых технологических схем для малых внутрихозяйственных комбикормовых заводов. Типовая технологическая схема адаптируется для конкретного завода методом исключения ненужных в данной конфигурации дополнительных технологических модулей, либо в их замене на другие модули, позволяющие добиться требуемого уровня качества обработки сырья или комбикорма путем замены имеющихся технологических операций на более совершенные, а также в добавлении в схему новых модулей. Разработан алгоритм адаптации типовой технологической схемы производства комбикормов для внутрихозяйственного завода, позволяющий максимально учесть при проектировании специфические условия и потребности конкретного сельхозпредприятия. Применение адаптированных модульных технологических схем на проектируемых малых комбикормовых заводах позволит значительно повысить питательную ценность и биологическую безопасность производимых комбикормов

3.3 Формализация предметной области

Для ввода этих исходных данных в систему «Эйдос» и формализации предметной области был использован автоматизированный программный интерфейс (API) 2.3.2.2 с параметрами, приведенными на рисунке 2:

Рисунок 3. Главная экранная форма API-2.3.2.2

При вводе осуществлялась лемматизация, которая заняла около 37 секунд (рисунок 3):

Рисунок 4. Экранная форма по результатам лемматизации

Так как среди классификационных и описательных шкал нет числовых, то система не запрашивает количество числовых диапазонов для них (рисунок 4):

Рисунок 5. Экранные формы API-2.3.2.2

Из рисунка 4 видно, что ввод исходных данных из внешнего Excel-файла в систему «Эйдос» занял менее 0.5 секунды.

В данной модели использование лемматизации сокращает число слов примерно на 13%.

В результате в данном режиме автоматически разработаны градации классификационных и описательных шкал (таблицы 8 и 9), а затем с их использованием исходные данные закодированы и сформирована обучающая выборка (таблица 10):

Таблица 8 - Классификационные шкалы и градации

KOD_CLS	NAME_CLS		KOD_CLS	NAME_CLS
1	AUTSFIO-алёшин_вн		33	AUTSFIO-малашихин_нв
2	AUTSFIO-ачмиз_ад		34	AUTSFIO-маслов_гг
3	AUTSFIO-бахчевников_он		35	AUTSFIO-мовчан_ес
4	AUTSFIO-белоусов_св		36	AUTSFIO-мохаммед_аю
5	AUTSFIO-богус_аэ		37	AUTSFIO-науменко_аг
6	AUTSFIO-брагинец_св		38	AUTSFIO-павлюкова_ед
7	AUTSFIO-бурьянов_аи		39	AUTSFIO-панасенко_ею
8	AUTSFIO-бутовченко_ав		40	AUTSFIO-першакова_тв
9	AUTSFIO-великанова_ев		41	AUTSFIO-пестова_лп
10	AUTSFIO-викторова_еп		42	AUTSFIO-погосян_вм
11	AUTSFIO-виневский_еи		43	AUTSFIO-припоров_ие
12	AUTSFIO-городецкий_во		44	AUTSFIO-разгонов_гв
13	AUTSFIO-грачев_еа		45	AUTSFIO-рыков_вб
14	AUTSFIO-даишева_нм		46	AUTSFIO-семенихин_со
15	AUTSFIO-дегтярева_ка		47	AUTSFIO-сторожук_та
16	AUTSFIO-дёмина_еб		48	AUTSFIO-стрижков_иг
17	AUTSFIO-дробот_ва		49	AUTSFIO-сысоев_дп
18	AUTSFIO-евглевский_ро		50	AUTSFIO-тарасенко_бф
19	AUTSFIO-журтов_ах		51	AUTSFIO-тарасьянц_са
20	AUTSFIO-зайцев_сг		52	AUTSFIO-трубилин_еи
21	AUTSFIO-исмаилов_ва		53	AUTSFIO-труфляк_ев
22	AUTSFIO-калпакчи_нд		54	AUTSFIO-труфляк_ис
23	AUTSFIO-камбулов_си		55	AUTSFIO-туманова_ми
24	AUTSFIO-колесник_вв		56	AUTSFIO-усманов_мм
25	AUTSFIO-коновалов_ви		57	AUTSFIO-фролов_вю
26	AUTSFIO-коновалов_си		58	AUTSFIO-цубера_иг
27	AUTSFIO-котляревская_ни		59	AUTSFIO-цыбулевский_вв
28	AUTSFIO-кузнецов_мс		60	AUTSFIO-чеботарёв_ми
29	AUTSFIO-купин_га		61	AUTSFIO-червяков_ив
30	AUTSFIO-курасов_вс		62	AUTSFIO-чеснюк_ен
31	AUTSFIO-луценко_ев		63	AUTSFIO-чеснюк_се
32	AUTSFIO-люсый_ин		64	AUTSFIO-шапиро_еа

Таблица 9 - Описательные шкалы и градации (фрагмент)

KOD_ATR	NAME_ATR		KOD_ATR	NAME_ATR
1	TIT-автомобильный		41	TIT-корм
2	TIT-агробиотехнологий		42	TIT-корнеплод
3	TIT-агроинженерный		43	TIT-крайний
4	TIT-адаптация		44	TIT-кукуруза
5	TIT-активный		45	TIT-кукурузный
6	TIT-анализ		46	TIT-культура
7	TIT-аппарат		47	TIT-малый
8	TIT-биологический		48	TIT-масса
9	TIT-валец		49	TIT-машина
10	TIT-вальцовый		50	TIT-метода
11	TIT-вертикальный		51	TIT-механизация
12	TIT-вещество		52	TIT-механизированный
13	TIT-влагообеспеченность		53	TIT-моделирования
14	TIT-влияние		54	TIT-молотилка
15	TIT-внутрихозяйственный		55	TIT-молотильный
16	TIT-вопрос		56	TIT-надежность
17	TIT-ворох		57	TIT-напряжение
18	TIT-второй		58	TIT-начальный
19	TIT-высококачественный		59	TIT-низкий
20	TIT-генератор		60	TIT-обеспечение
21	TIT-геометрический		61	TIT-оборот
22	TIT-гидравлический		62	TIT-обоснование
23	TIT-грубый		63	TIT-обрабатываемый
24	TIT-двухплоскостными		64	TIT-обработка
25	TIT-доска		65	TIT-объёма
26	TIT-жидкость		66	TIT-огурец
27	TIT-жмых		67	TIT-оптимизация
28	TIT-завод		68	TIT-орган
29	TIT-зарядный		69	TIT-основа
30	TIT-зерно		70	TIT-основный
31	TIT-зерновые		71	TIT-отечественный
32	TIT-зерноуборочный		72	TIT-отходы
33	TIT-измельчение		73	TIT-оценка
34	TIT-импульс		74	TIT-очес
35	TIT-исследование		75	TIT-очистка
36	TIT-кинематических		76	TIT-параметр
37	TIT-когнитивного		77	TIT-первый
38	TIT-комбайновый		78	TIT-переменный
39	TIT-комбикормовый		79	TIT-переработка
40	TIT-конструктивный		80	TIT-переходный

Таблица 10 - Обучающая выборка (фрагмент)

Обучающая выборка по сути представляет собой базу исходных данных, нормализованную с помощью классификационных и описательных шкал и градаций.

В результате автоматической формализации предметной области подготовлены все необходимые условия для выполнения следующего этапа АСК-анализа: синтеза и верификации моделей.

3.4 Синтез и верификация моделей

Далее запускаем режим синтеза и верификации моделей с параметрами, заданными на рисунке 5.

Обратим внимание на то, что создаваемая модель по размерности составляет около 0.004% от теоретически максимальной модели, которую можно создать и обработать в системе «Эйдос».

Из рисунка 6 мы видим, что процесс синтеза и верификации моделей занял 27 минут. Отметим, что в текущей версии системы «Эйдос» графический процессор (GPU) используется только для синтеза моделей и распознавания (если задано использование GPU), а расчет 11 выходных форм по результатам распознавания всегда осуществляется на центральном процессоре (CPU). Это и занимает основное время расчетов в данном режиме.

Для оценки достоверности моделей в системе «Эйдос» используется F-мера Ван Ризбергена и две ее улучшенные модификации, предложенные проф.Е.В.Луценко [35] (рисунок 7).

Рисунок 6. Первая экранная форма режима синтеза и верификации моделей

Рисунок 7. Последняя экранная форма режима синтеза и верификации моделей

Рисунок 8. Экранные формы режима оценки достоверности моделей

Из рисунка 7 видно, что по критерию L1 наилучшей по достоверности системно-когнитивной моделью является модель INF5 с интегральным критерием «Семантический резонанс знаний»: L1=0,993, при уровнях сходства выше 33% число истинных решений значительно превосходит число ложных решений. Это очень хороший результат. Поэтому данная модель и выбрана в качестве текущей для решения поставленных в работе задач на последующих этапах АСК-анализа.

Сами созданные модели здесь не приводятся из-за большой размерности (это матрицы размерностью 255 колонок и 11432 строк). Но их всегда можно посмотреть в режиме 5.5. системы «Эйдос» и скачав и установи приложение № 208 из Эйдос-облака.

3.5 Придание статуса текущей наиболее достоверной модели INF5

Придадим наиболее достоверной модели INF4 статус текущей (рисунок 8):

Рисунок 9. Придание наиболее достоверной модели INF4 статуса текущей

3.6 Решение задачи системной идентификации (атрибуции текстов)

При решении задачи идентификации для каждого фрагмента текста распознаваемой выборки в наиболее достоверной модели INF5 рассчитываются значения интегрального критериев для каждого класса. При этом определяется степень сходства каждого текста с обобщенными образами всех классов, а потом для каждого текста все классы ранжируются в порядке убывания сходства с текстом и, таким образом, идентифицируются автор произведения, его название, жанр, период и год написания (рисунки 9 и 10).

Рисунок 10. Решение задачи атрибуции текстов

Из рисунка 9 видно, что процесс атрибуции 21 текста занял на графическом процессоре около 2 секунд. 99,99% этого времени занял расчет 11 выходных форм по результатам атрибуции, из которых здесь из-за ограничений на объем статьи приводятся только три.

На рисунке 10 приведена форма, в которой слева мы выбираем текст, а справа видим классы, ранжированные в порядке убывания сходства выбранного текста с этими классами.



Рисунок 11. Некоторые результаты решение задачи атрибуции текстов

В верхнем окне справа используется интегральный критерий «Резонанс знаний», в справа внизу - «Сумма знаний». «Птичка» стоит против тех результатов идентификации, которые соответствуют действительности. На рисунке 11 приведена аналогичная форма, но слева в ней мы выбираем класс, а справа видим тексты, ранжированные в порядке убывания их сходства с этими классами.

Рисунок 12. Некоторые результаты решение задачи атрибуции текстов

На рисунке 12 форма, в которой классы ранжированы в порядке убывания достоверности идентификации текстов с ними по F-критерию Ван Ризбергена. Есть аналогичные формы и по L1 и L2 критериям.

Рисунок 13. Некоторые результаты решение задачи атрибуции текстов

Таким образом решение задачи идентификации литературного источника в данном интеллектуальном облачном Эйдос-приложении - это и есть решение задачи атрибуции текста и частично - задачи его наратологического анализа.

3.7 Решение задачи принятия решений (вывод информации о результатах многопараметрической типизации)

На этапе синтеза моделей путем обобщения примеров обучающей выборки были созданы обобщенные образы классов. Представляет интерес, а что же это за образы классов. Можно вывести информацию об этом в форме SWOT-диаграмм [34]

На рисунках 13 и 14 приведены SWOT-диаграммы классов по авторам из которых видно, какие слова наиболее характерны (слева) и наиболее нехарактерны (справа) для данного автора:



Рисунок 14. Примеры информации из класса по автору

Рисунок 15. Примеры информации из классов по произведению

По сути это семантические ядра и антиядра данных авторов, наиболее характерные и наиболее нехарактерные термины для их научного стиля (дискурса). Они же могут быть использованы в качестве ключевых слов к их статьям [38-43].

3.8 Решение задачи исследования моделируемой предметной области путем исследования ее модели

Если модель верно отражает моделируемую предметную область (а в нашем случае, как мы видели выше это так), то исследование модели обоснованно можно считать исследованием самой моделируемой предметной области.

В настоящее время, т.е. в текущей версии системы «Эйдос», исследование моделируемой предметной области путем исследования ее модели, включает: инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов); кластерно-конструктивный анализ классов; кластерно-конструктивный анализ значений факторов (слов); нелокальные нейроны; нелокальная нейронная сеть; 3D-интегральные когнитивные карты; 2D-интегральные когнитивные карты содержательного сравнения классов; 2D-интегральные когнитивные карты содержательного сравнения значений факторов (слов); когнитивные функции; значимость факторов и их значений; степень детерминированности классов и классификационных шкал [31-47].

В данной работе из-за ограничений на ее объем мы рассмотрим лишь некоторые их этих возможностей исследования: инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов); кластерно-конструктивный анализ классов; нелокальные нейроны; нелокальная нейронная сеть; значимость факторов и их значений; степень детерминированности классов и классификационных шкал.

3.8.1 Инвертированные SWOT-диаграммы значений факторов (семантические потенциалы слов)

Инвертированные SWOT-диаграммы предложены автором [34] в 1994 году и показывают в наглядной форме какое количество информации содержится в определенном значении фактора (в данном случае это слова) о принадлежности объекта моделирования к различным классам: авторам, литературному произведению, жанру, периоду ил году написания. Слева в этой диаграмме выводятся классы для которых данное слово характерно, причем классы расположены в порядке убывания степени характерности, а справа - классы, для которых данное слово нехарактерно (рисунок 16).

Рисунок 16. Примеры информации из слова по классам

3.8.2. Кластерно-конструктивный анализ классов

С точки зрения представления знаний класс представляет собой колонку матрицы статистической или системно-когнитивной модели (таблицы 1, 2, 4). Эти колонки можно количественно сравнить друг с другом и сформировать матрицу сходства классов (таблица 11):

Таблица 11 - Матрица сходства классов (фрагмент)

KOD_CLS	NAME_CLS	AUTSFIO-алёшин_вн	AUTSFIO-ачмиз_ад	AUTSFIO-бахчевников_он	AUTSFIO-белоусов_св	AUTSFIO-богус_аэ	AUTSFIO-брагинец_св	AUTSFIO-бурьянов_аи	AUTSFIO-бутовченко_ав	AUTSFIO-великанова_ев	AUTSFIO-викторова_еп	AUTSFIO-виневский_еи	AUTSFIO-городецкий_во	AUTSFIO-грачев_еа
1	AUTSFIO-алёшин_вн	100	62	-6	-26	-6	-6	-6	-6	74	62	-3	-12	-6
2	AUTSFIO-ачмиз_ад	62	100	-6	-16	-5	-6	-1	-2	-7	100	-3	-5	-5
3	AUTSFIO-бахчевников_он	-6	-6	100	-12	3	100	1	-0	-3	-6	-0	-5	3
4	AUTSFIO-белоусов_св	-26	-16	-12	100	-12	-12	-12	-4	-19	-16	-10	-20	-12
5	AUTSFIO-богус_аэ	-6	-5	3	-12	100	3	-2	1	-3	-5	3	-5	100
6	AUTSFIO-брагинец_св	-6	-6	100	-12	3	100	1	-0	-3	-6	-0	-5	3
7	AUTSFIO-бурьянов_аи	-6	-1	1	-12	-2	1	100	1	-6	-1	1	-9	-2
8	AUTSFIO-бутовченко_ав	-6	-2	-0	-4	1	-0	1	100	-6	-2	1	-5	1
9	AUTSFIO-великанова_ев	74	-7	-3	-19	-3	-3	-6	-6	100	-7	-2	-11	-3
10	AUTSFIO-викторова_еп	62	100	-6	-16	-5	-6	-1	-2	-7	100	-3	-5	-5
11	AUTSFIO-виневский_еи	-3	-3	-0	-10	3	-0	1	1	-2	-3	100	-9	3
12	AUTSFIO-городецкий_во	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5
13	AUTSFIO-грачев_еа	-6	-5	3	-12	100	3	-2	1	-3	-5	3	-5	100
14	AUTSFIO-даишева_нм	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5
15	AUTSFIO-дегтярева_ка	-9	-1	-2	2	-4	-2	-8	-5	-10	-1	-6	-11	-4
16	AUTSFIO-дёмина_еб	-12	-11	-4	-15	-4	-4	-7	-1	-6	-11	-5	-8	-4
17	AUTSFIO-дробот_ва	-10	-7	-2	-13	2	-2	-4	-2	-7	-7	-1	-3	2
18	AUTSFIO-евглевский_ро	-11	-4	-5	-20	-2	-5	-1	3	-10	-4	-9	-5	-2
19	AUTSFIO-журтов_ах	-1	-4	2	-10	3	2	-3	-1	2	-4	-1	-3	3
20	AUTSFIO-зайцев_сг	-6	-1	1	-12	-2	1	100	1	-6	-1	1	-9	-2
21	AUTSFIO-исмаилов_ва	-0	7	-3	-7	-2	-3	2	1	-6	7	1	-5	-2
22	AUTSFIO-калпакчи_нд	-9	-1	-2	2	-4	-2	-8	-5	-10	-1	-6	-11	-4
23	AUTSFIO-камбулов_си	-12	-11	-4	-15	-4	-4	-7	-1	-6	-11	-5	-8	-4
24	AUTSFIO-колесник_вв	-12	-11	-4	-15	-4	-4	-7	-1	-6	-11	-5	-8	-4
25	AUTSFIO-коновалов_ви	-26	-16	-12	100	-12	-12	-12	-4	-19	-16	-10	-20	-12
26	AUTSFIO-коновалов_си	-26	-16	-12	100	-12	-12	-12	-4	-19	-16	-10	-20	-12
27	AUTSFIO-котляревская_ни	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5
28	AUTSFIO-кузнецов_мс	1	-4	-5	-14	-5	-5	-1	-1	4	-4	-5	-0	-5
29	AUTSFIO-купин_га	100	62	-6	-26	-6	-6	-6	-6	74	62	-3	-12	-6
30	AUTSFIO-курасов_вс	-13	-11	4	-7	0	4	-6	5	-7	-11	6	-8	0
31	AUTSFIO-луценко_ев	-3	-2	-0	-8	1	-0	-2	3	-3	-2	-3	-2	1
32	AUTSFIO-люсый_ин	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5
33	AUTSFIO-малашихин_нв	-11	-4	-5	-20	-2	-5	-1	3	-10	-4	-9	-5	-2
34	AUTSFIO-маслов_гг	-11	-4	-5	-20	-2	-5	-1	3	-10	-4	-9	-5	-2
35	AUTSFIO-мовчан_ес	-26	-16	-12	100	-12	-12	-12	-4	-19	-16	-10	-20	-12
36	AUTSFIO-мохаммед_аю	-10	-7	-2	-13	2	-2	-4	-2	-7	-7	-1	-3	2
37	AUTSFIO-науменко_аг	-3	-3	-0	-10	3	-0	1	1	-2	-3	100	-9	3
38	AUTSFIO-павлюкова_ед	-9	-1	-2	2	-4	-2	-8	-5	-10	-1	-6	-11	-4
39	AUTSFIO-панасенко_ею	74	-7	-3	-19	-3	-3	-6	-6	100	-7	-2	-11	-3
40	AUTSFIO-першакова_тв	100	62	-6	-26	-6	-6	-6	-6	74	62	-3	-12	-6
41	AUTSFIO-пестова_лп	-3	-3	-0	-10	3	-0	1	1	-2	-3	100	-9	3
42	AUTSFIO-погосян_вм	-11	-9	4	-7	1	4	-5	5	-6	-9	4	-8	1
43	AUTSFIO-припоров_ие	-9	-7	2	-4	-0	2	-3	3	-5	-7	5	-4	-0
44	AUTSFIO-разгонов_гв	1	-2	-3	-13	-3	-3	8	1	3	-2	3	-6	-3
45	AUTSFIO-рыков_вб	-12	-11	-4	-15	-4	-4	-7	-1	-6	-11	-5	-8	-4
46	AUTSFIO-семенихин_со	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5
47	AUTSFIO-сторожук_та	2	-2	-0	-12	1	-0	-2	4	4	-2	-3	-5	1
48	AUTSFIO-стрижков_иг	1	-4	-5	-14	-5	-5	-1	-1	4	-4	-5	-0	-5
49	AUTSFIO-сысоев_дп	-1	-4	2	-10	3	2	-3	-1	2	-4	-1	-3	3
50	AUTSFIO-тарасенко_бф	-17	-11	-0	-19	1	-0	-3	-2	-13	-11	-9	-9	1
51	AUTSFIO-тарасьянц_са	-9	-1	-2	2	-4	-2	-8	-5	-10	-1	-6	-11	-4
52	AUTSFIO-трубилин_еи	-30	-21	-13	87	-14	-13	-15	-4	-21	-21	-12	-22	-14
53	AUTSFIO-труфляк_ев	1	-2	-3	-13	-3	-3	8	1	3	-2	3	-6	-3
54	AUTSFIO-труфляк_ис	1	-2	-3	-13	-3	-3	8	1	3	-2	3	-6	-3
55	AUTSFIO-туманова_ми	-4	-0	10	-6	-2	10	3	2	-5	-0	-5	-8	-2
56	AUTSFIO-усманов_мм	-12	-5	-5	-20	-5	-5	-9	-5	-11	-5	-9	100	-5

Эта матрица может быть отображена полностью или частично в форме круговой когнитивной диаграммы (рисунок 17).



Рисунок 17. Круговая когнитивная диаграмма классов (фрагмент)

Данная диаграмма получена при параметрах визуализации, приведенных на рисунке 18:

Рисунок 18. Экранная форма задания параметрах визуализации

Кроме круговой когнитивной диаграммы классов на основе матрицы сходства классов может получена дендрограмма когнитивной агломеративной кластеризации и график межкластеных расстояний (19):



Рисунок 19. Дендрограмма когнитивной агломеративной кластеризации и график межкластеных расстояний

Параметры визуализации дендрограмы приведены на рисунке 20:



Рисунок 20. Экранная форма задания параметрах визуализации

Анализируя дендрограмму на рисунке 19 можно сделать обоснованные выводы о сходстве и различии терминологического аспекта научного стиля (дискурса) различных авторов статей по специальности 05.20.01.

3.8.3 Нелокальные нейроны и нелокальная нейронная сеть

Нелокальные нейроны и нелокальные нейронные сети были предложены автором в 2003 году [38], хотя на систему «Эйдос», которая на них основана, первые патенты были получены еще в 1994 году [36, 37].

Нелокальные нейроны отражают количество информации содержится в рецепторах об активации и торможении нейрона (рисунок 21). На рисунке 21 изображен фрагмент одного слоя нейронной сети:



Рисунок 21. Пример нелокального нейрона (фрагмент)

Рисунок 22. Один слой нелокальной нейронной сети (фрагмент 1,81%)

Отметим, что на рисунке 22 отображено лишь 1,81% нелокальной нейронной сети, созданной в данной работе. На рисунке 23 приведено около 30% этого слоя:

Рисунок 23. Один слой нелокальной нейронной сети (фрагмент 30%)

3.8.4 Значимость факторов и их значений

Отметим, что как значимость значения фактора, степень детерминированности класса и ценность или качество модели в целом в АСК-анализе рассматривается вариабельность значений частных критериев этого значения фактора, класса или модели в целом.

В таблице 4 приведены количественные меры значимости (дифференцирующей мощности) значений факторов (слов), т.е. их ценности для решения задачи атрибуции литературных текстов (таблица 12, рисунок 23), а также степени детерминированности классов и степени сформированности модели.

Рисунок 24. Значимость слов для атрибуции текстов нарастающим итогом

Таблица 12 - Ценность слов для решения задачи атрибуции текстов в системно-когнитивной модели INF5 (фрагмент 0,54%)

№	Крд	Наименование	Значимость, %	Значимость нарастающим итогом, %
1	185	REF-величина	0,7959373	0,7959373
2	478	REF-фактор	0,6088207	1,4047580
3	495	REF-эмпирический	0,6029285	2,0076865
4	432	REF-статья	0,4752787	2,4829652
5	343	REF-почва	0,4531353	2,9361005
6	401	REF-сахарный	0,4398636	3,3759641
7	76	TIT-параметр	0,4310520	3,8070161
8	313	REF-параметр	0,4310520	4,2380682
9	368	REF-процесс	0,4180730	4,6561412
10	241	REF-конструктивный	0,4031584	5,0592995
11	415	REF-система	0,4029058	5,4622053
12	454	REF-технологический	0,4023598	5,8645652
13	176	REF-анализ	0,3980893	6,2626544
14	386	REF-расчет	0,3979686	6,6606230
15	383	REF-рассмотреть	0,3949841	7,0556072
16	141	TIT-теоретический	0,3935790	7,4491861
17	277	REF-настоящий	0,3810647	7,8302508
18	365	REF-производство	0,3772558	8,2075066
19	25	TIT-доска	0,3749032	8,5824098
20	62	TIT-обоснование	0,3749032	8,9573129
21	82	TIT-плуг	0,3749032	9,3322161
22	86	TIT-полевой	0,3749032	9,7071193
23	159	TIT-цилиндрический	0,3749032	10,0820225
24	178	REF-барабан	0,3749032	10,4569256
25	200	REF-выражение	0,3749032	10,8318288
26	213	REF-доска	0,3749032	11,2067320
27	217	REF-зависимость	0,3749032	11,5816351
28	260	REF-механический	0,3749032	11,9565383
29	331	REF-полевой	0,3749032	12,3314415
30	334	REF-получен	0,3749032	12,7063446
31	374	REF-радиус	0,3749032	13,0812478
32	404	REF-свойство	0,3749032	13,4561510
33	450	REF-также	0,3749032	13,8310542
34	479	REF-физик	0,3749032	14,2059573
35	488	REF-цилиндр	0,3749032	14,5808605
36	489	REF-цилиндрический	0,3749032	14,9557637
37	233	REF-исследование	0,3716839	15,3274476
38	6	TIT-анализ	0,3710159	15,6984635
39	282	REF-ненулевой	0,3658620	16,0643255
40	460	REF-трансформатор	0,3658620	16,4301875
41	101	TIT-процесс	0,3646177	16,7948053
42	358	REF-проблема	0,3613348	17,1561401
43	322	REF-подаваемый	0,3608577	17,5169978
44	192	REF-влияние	0,3479224	17,8649203
45	158	TIT-хранение	0,3356584	18,2005786
46	297	REF-озимый	0,3337107	18,5342894
47	371	REF-пшеница	0,3337107	18,8680001
48	462	REF-уборка	0,3306315	19,1986316
49	308	REF-основный	0,3288868	19,5275185
50	223	REF-зерно	0,3233286	19,8508471
51	163	TIT-экспертный	0,3186374	20,1694845
52	30	TIT-зерно	0,3146195	20,4841041
53	274	REF-направление	0,3146195	20,7987236
54	398	REF-рядковый	0,3136580	21,1123816
55	224	REF-зерновые	0,3120808	21,4244623
56	232	REF-использование	0,3120011	21,7364634
57	225	REF-значительный	0,3109287	22,0473921
58	19	TIT-высококачественный	0,3037177	22,3511098
59	51	TIT-механизация	0,3037177	22,6548275
60	100	TIT-производство	0,3037177	22,9585452
61	104	TIT-пшеница	0,3037177	23,2622629
62	136	TIT-стратегия	0,3037177	23,5659806

Отметим, что в таблице 12 приведен фрагмент, составляющий 12% от всей таблицы. При этом ценность наиболее ценных для атрибуции текстов слова отличается от ценности наименее ценных слов почти в 9 раз.

3.8.5 Степень детерминированности классов и классификационных шкал

Степень детерминированности классов приведена на рисунке 25 и в таблице 13:

Рисунок 25. Степень детерминированности классов нарастающим итогом

Таблица 13 - Степень детерминированности классов (полностью)

№	Код	Наименование	Детер- миниро- ванность, %	Детерминиро- ванность, нараст. итогом, %
1	50	AUTSFIO-тарасенко_бф	2,7981016	2,7981016
2	60	AUTSFIO-чеботарёв_ми	2,6176228	5,4157243
3	64	AUTSFIO-шапиро_еа	2,6176228	8,0333471
4	52	AUTSFIO-трубилин_еи	2,5236941	10,5570412
5	18	AUTSFIO-евглевский_ро	2,4874073	13,0444485
6	33	AUTSFIO-малашихин_нв	2,4874073	15,5318558
7	34	AUTSFIO-маслов_гг	2,4874073	18,0192632
8	4	AUTSFIO-белоусов_св	2,3731243	20,3923875
9	25	AUTSFIO-коновалов_ви	2,3731243	22,7655118
10	26	AUTSFIO-коновалов_си	2,3731243	25,1386361
11	35	AUTSFIO-мовчан_ес	2,3731243	27,5117605
12	30	AUTSFIO-курасов_вс	1,9813472	29,4931076
13	1	AUTSFIO-алёшин_вн	1,8061175	31,2992251
14	29	AUTSFIO-купин_га	1,8061175	33,1053426
15	40	AUTSFIO-першакова_тв	1,8061175	34,9114601
16	5	AUTSFIO-богус_аэ	1,5759260	36,4873861
17	13	AUTSFIO-грачев_еа	1,5759260	38,0633120
18	3	AUTSFIO-бахчевников_он	1,4846330	39,5479451
19	6	AUTSFIO-брагинец_св	1,4846330	41,0325781
20	31	AUTSFIO-луценко_ев	1,4473207	42,4798988
21	11	AUTSFIO-виневский_еи	1,4218346	43,9017334
22	37	AUTSFIO-науменко_аг	1,4218346	45,3235680
23	41	AUTSFIO-пестова_лп	1,4218346	46,7454025
24	9	AUTSFIO-великанова_ев	1,4216362	48,1670388
25	39	AUTSFIO-панасенко_ею	1,4216362	49,5886750
26	15	AUTSFIO-дегтярева_ка	1,4139228	51,0025979
27	22	AUTSFIO-калпакчи_нд	1,4139228	52,4165207
28	38	AUTSFIO-павлюкова_ед	1,4139228	53,8304436
29	51	AUTSFIO-тарасьянц_са	1,4139228	55,2443664
30	43	AUTSFIO-припоров_ие	1,3918346	56,6362010
31	19	AUTSFIO-журтов_ах	1,3501755	57,9863765
32	49	AUTSFIO-сысоев_дп	1,3501755	59,3365519
33	12	AUTSFIO-городецкий_во	1,3262699	60,6628219
34	14	AUTSFIO-даишева_нм	1,3262699	61,9890918
35	27	AUTSFIO-котляревская_ни	1,3262699	63,3153617
36	32	AUTSFIO-люсый_ин	1,3262699	64,6416316
37	46	AUTSFIO-семенихин_со	1,3262699	65,9679016
38	56	AUTSFIO-усманов_мм	1,3262699	67,2941715
39	7	AUTSFIO-бурьянов_аи	1,3070952	68,6012667
40	20	AUTSFIO-зайцев_сг	1,3070952	69,9083619
41	61	AUTSFIO-червяков_ив	1,3070952	71,2154571
42	21	AUTSFIO-исмаилов_ва	1,2820956	72,4975527
43	58	AUTSFIO-цубера_иг	1,2820956	73,7796483
44	16	AUTSFIO-дёмина_еб	1,2767983	75,0564465
45	23	AUTSFIO-камбулов_си	1,2767983	76,3332448
46	24	AUTSFIO-колесник_вв	1,2767983	77,6100431
47	45	AUTSFIO-рыков_вб	1,2767983	78,8868413
48	44	AUTSFIO-разгонов_гв	1,2720483	80,1588896
49	53	AUTSFIO-труфляк_ев	1,2720483	81,4309379
50	54	AUTSFIO-труфляк_ис	1,2720483	82,7029862
51	55	AUTSFIO-туманова_ми	1,2668523	83,9698385
52	57	AUTSFIO-фролов_вю	1,2668523	85,2366908
53	28	AUTSFIO-кузнецов_мс	1,2545818	86,4912726
54	48	AUTSFIO-стрижков_иг	1,2545818	87,7458544
55	62	AUTSFIO-чеснюк_ен	1,2545818	89,0004362
56	63	AUTSFIO-чеснюк_се	1,2545818	90,2550180
57	47	AUTSFIO-сторожук_та	1,2486364	91,5036544
58	42	AUTSFIO-погосян_вм	1,2367965	92,7404508
59	59	AUTSFIO-цыбулевский_вв	1,2367965	93,9772473
60	8	AUTSFIO-бутовченко_ав	1,2223487	95,1995960
61	2	AUTSFIO-ачмиз_ад	1,2192067	96,4188027
62	10	AUTSFIO-викторова_еп	1,2192067	97,6380094
63	17	AUTSFIO-дробот_ва	1,1809953	98,8190047
64	36	AUTSFIO-мохаммед_аю	1,1809953	100,0000000

Отметим, что степень детерминированности обобщенных лингвистических образов наиболее сформированных классов превосходит степень детерминированности наименее сформированных классов в 2,4 раза. Степень детерминированности обобщенных лингвистических образов классов, т.е. авторов, по сути представляет собой их узнаваемость по терминологическим особенностям научного дискурса этих авторов.