Универсальная когнитивная аналитическая система "Эйдос-Х++"

Размещено на http: //www. allbest. ru/

Кубанский государственный аграрный университет

Универсальная когнитивная аналитическая система "Эйдос-Х++"

Луценко Евгений Вениаминович

д.э.н., к.т.н., профессор

prof.lutsenko@gmail.com

Аннотация

Система «Эйдос» за многие годы применения хорошо показала себя при проведении научных исследований в различных предметных областях и занятий по ряду научных дисциплин, связанных с искусственным интеллектом, представлениями знаний и управлению знаниями. Однако в процессе эксплуатации системы были выявлены и некоторые недостатки, ограничивающие возможности и перспективы применения системы. Поэтому создана качественно новая версия системы (система Эйдос-Х++), в которой преодолены ограничения и недостатки предыдущей версии и реализованы новые важные идеи по ее развитию и применению в качестве программного инструментария системно-когнитивного анализа (СК-анализ)

Ключевые слова: автоматизированный системно-когнитивный анализ, интеллектуальная система «эйдос», база знаний

Annotation

Universal cognitive analysis system "eidos-x+ +"

Lutsenko Evgeny Veniaminovich

Dr.Sci.Econ., Cand.Tech.Sci., professor

Kuban State Agrarian University, Krasnodar, Russia

The "Eidos" system is working well for many years of use for researches in various subject areas and activities for a number of scientific disciplines related to artificial intelligence, knowledge representation and knowledge management. However, during the operation of the system, some of the shortcomings that limit the opportunities and prospects for the application of the system have been identified. Therefore, the radically new version of the system (the system Eidos X + +) was created, which overcome the limitations and drawbacks of previous version and includes new important ideas for its development and use as a software tool in system-cognitive analysis (SC analysis)

Keywords: automated system-cognitive analysis, intelligent system "eidos", base of knowledge

Универсальная когнитивная аналитическая система "Эйдос" является отечественным лицензионным программным продуктом, который в разные годы реализовался на различных языках программирования на компьютерах различных платформ [1]. С 1992 года существует и версия системы «Эйдос» для IBM-совместимых персональных компьютеров. В качестве инструментальных средств программирования использовались следующие лицензионные средства, официально приобретенные Научно-производственным предприятием «Эйдос»: CLIPPER 5.01 Rus, № CRX 202874; Tools-II Rus № 200932; BiGraph 3.01r1 № 247. Выбор этих средств в то время был совершенно оправданным и обоснованным, т.к. тогда эта система программирования несопоставимо превосходила все остальные, существовавшие в то время, по своим возможностям. В основе системы «Эйдос» использовались математические модели и алгоритмы, основанные на теории информации, впервые в полной форме описанные в 1993 году [2]. В 1994 году автором были получен первый в Краснодарском крае, а возможно и один из первых в России, патент на систему искусственного интеллекта [3]. С тех пор данная версия системы непрерывно совершенствовалась на протяжении почти 20 лет вплоть до весны 2012 года, когда началась непосредственная разработка качественно новой версии. С применением этой системы было решено большое количество задач в различных предметных областях, чему существенно способствовало то, что система «Эйдос» изначально разрабатывалась в постановке, не зависящей от предметной области. Поэтому в 2003 году ей было дано название: Универсальная когнитивная аналитическая система "Эйдос", подчеркивающее это важное обстоятельство [4]. По результатам проведенных с помощью системы исследований издано 17 научных монографий и учебных пособий с грифами УМО и министерства [5-21], сотни статей, в т.ч. в изданиях, входящих в Перечень ВАК РФ, получено 25 патентов РФ, защищено 5 докторских и 6 кандидатских диссертаций по экономическим, техническим, психологическим и медицинским наукам.

В состав системы «Эйдос» входит подсистема _152, содержащая ряд стандартных программных интерфейсов с внешними базами данных различных стандартов: текстовых, баз данных (БД) и графических, расширяющих сферу ее применения. Некоторые из подобных интерфейсов при своем развитии превратились в системы окружения: "Эйдос-фонд" [9, 22], "Эйдос-пси" [6, 23] и «Эйдос-астра» [16, 21, 24, 25] (рис. 1):

Рисунок 1. Базовая система «Эйдос» и системы окружения [26]

Таким образом, по мнению автора можно сделать обоснованный вывод о том, что система «Эйдос» является большой и довольно эффективной системой. Однако она обладала и рядом недостатков, среди которых в первую очередь необходимо отметить следующие:

1. Система была разработана за несколько лет до создания операционной системы MS Windows-95, и, естественно, не обладала стандартным для MS Windows так называемым GUI_интерфейсом (сокр. от англ. Graphical user interface).

2. Она работала в основной памяти компьютера, имеющей размер 640 Кб, и не могла использовать внешнюю память (Extend Memory). Поэтому система «Эйдос» имела модульную оверлейную структуру и использовала диспетчер памяти (QEMM). Но со временем система на столько увеличилась, что и эта технология уже не обеспечивала ее развитие и пришлось разбить систему на десятки отдельно загружаемых модулей, связанных только по базам данных.

3. Система не могла работать в защищенном режиме и задействовать swapping-технологию MS Windows для использования внешней памяти в качестве оперативной. Внешняя память использовалась системой «Эйдос» только для кеширования обращения к внешней памяти и до, и после создания системы MS Windows.

4. В системе не было возможности интеграции с Windows и Internet-приложениями, например организации работы с базами данных, находящимися на Internet-сервере, хотя сам язык программирования, на котором она была написана, в принципе это позволял.

5. Размерности баз знаний были ограничены: 4000 классов на 4000 градаций факторов, размеры самих файлов баз знаний и баз данных системы также были ограничены 4 гигабайтами.

6. Система работала с интеллектуальным приложением, находящимся в текущей директории с исполнимыми модулями системы, т.е. в ней не было диспетчера приложений.

7. В системе не было подсистемы администрирования самой системы, а также пользователей и приложений.

8. Но самое главное, что система была 16-разрядным приложением и работала под Windows в режиме эмуляции MS DOS. Это было нормально во всех версиях системы MS Windows до 7. Под MS Windows 7 система «Эйдос» работала с использованием виртуальной машины, эмулирующей MS Windows XP.

Особо отметим, что отсутствие графики не являлось недостатком системы «Эйдос», т.к. в ней изначально использовалась мощная графическая библиотека (общая для CLIPPER, Pascal и C++) и было реализовано большое количество (более 60) различных графических форм, многие из которых не имеют аналогов в MS Windows и других системах и все это было в системе за несколько лет до создания MS Windows.

Наличие в системе перечисленных выше недостатков, а также некоторых других, более мелких, вызывало настоятельную потребность создания качественно новой версии системы «Эйдос», основывающейся на современной системе программирования, позволяющей решить все эти проблемы. Такая качественно-новая версия системы была задумана очень давно (около 10 лет назад) и о ней писалось в частности в работах [1, 9] и других, размещенных на сайте автора [27]. Однако по ряду причин создание новой версии затягивалось, хотя такие попытки неоднократно предпринимались автором на протяжении ряда лет и в разных системах программирования, в частности на Alaska xBase++, Delphi for PHP и на Java. Наконец к лету 2012 года благодаря помощи зав.кафедрой компьютерных технологий и систем Заслуженного деятеля науки РФ профессора В.И.Лойко и проректора по науке профессора Ю.П.Федулова (ФГБОУ ВПО «Кубанский государственный аграрный университет») удалось приобрести лицензионное программное обеспечение, являющееся современным развитием того, на котором была написана система «Эйдос»: Alaska Xbase++ (R) Version 1.90.355 SL1, TOOLS III, eXPress++ (C) Version 1.9 Build 255, Advantage Database Server (ADS) 10.0.

В настоящее время автором создана и запатентована [28] качественно новая версия системы «Эйдос», получившая название: Универсальная когнитивная аналитическая система «Эйдос-Х++». Конечно, в ней пока реализованы в основном базовые подсистемы и режимы, но она уже является полнофункциональной системой и непрерывно развивается.

В новой версии системы сняты все вышеперечисленные и следующие ограничения:

- на количество объектов обучающей и распознаваемой выборки (в базах данных заголовков и базах данных признаков);

- на размерность баз данных классов, признаков, на количество градаций описательных шкал в одной шкале;

- на количество классов, к которым относится объект обучающей и распознаваемой выборки;

- на размерность по признакам баз данных абсолютных частот, условных и безусловных процентных распределений и баз знаний;

- на размерность по классам баз данных абсолютных частот, условных и безусловных процентных распределений и баз знаний с ADS;

- вместо ранее используемых 4-х моделей знаний в новой версии используется 7, кроме того есть возможность использовать 3 статистические модели как модели знаний и сравнивать результаты их использования;

- новая версия системы «Эйдос» имеет стандартный GUI-интерфейс; режимы системного администратора, авторизацию и диспетчер приложений; возможность работы с группами приложений, как с одним приложением (как в системе Эйдос-астра);

- кроме локальной версии предусматривается возможность работы в локальной сети и через Internet;

- сняты проблемы с ограниченным использованием возможностей современных процессоров и операционных систем. Локальная версия системы «Эйдос-Х++» является 32-разрядным приложением и нормально работает во всех версиях MS Window, включая 7, но использует лишь одно ядро процессора и не более 2 Гб оперативной памяти. Однако с Advantage Database Server (ADS) эти ограничения снимаются, и она становится практически полноценным 64-разрядным приложением, работающим с базами данных размером до 16000 Гбайт.

Универсальная когнитивная аналитическая система "Эйдос-Х++" является современным инструментарием системно-когнитивного анализа [9, 29], разработана в универсальной постановке, не зависящей от предметной области, и обеспечивает:

- формализацию предметной области;

- многопараметрическую типизацию, синтез, повышение качества и верификацию 3 статистических моделей и 7 моделей знаний предметной области; - распознавание (системную идентификацию и прогнозирование);

- поддержку принятия решений и исследование модели, в т.ч.: дивизивную и агломеративную когнитивную кластеризацию, конструктивный и СК-анализ моделей: семантические и нейронные сети, когнитивные диаграммы, классические и интегральные когнитивные карты.

Есть в системе и ряд других новых возможностей. Переосмыслена иерархическая структура системы, учтен значительный опыт проведения научных исследований и преподавания ряда дисциплин с применением системы «Эйдос» и систем окружения. Это нашло отражение в структуре системы и дереве диалога, приведенных в таблице 1:

ТАБЛИЦА 1 Структура универсальной когнитивной аналитической системы "эйдос-х++" (без экранных форм)

Необходимо отметить, что все эти режимы, за исключением подсистемы администрирования и диспетчера приложений, были реализованы в предыдущей версии системы “Эйдос» и системах окружения. Фрагмент дерева диалога системы «Эйдос-Х++» приведен на рисунке 2:

Рисунок 2 Фрагмент дерева диалога системы «Эйдос-Х++»

Приведенная структура меню не окончательная, т.к. система непрерывно развивается. Одним из наиболее существенных отличий системы Эйдос-Х++ от предыдущей версии системы «Эйдос» является то, что она обеспечивает одновременную работу с 3 статистическими моделями, которые есть и в статистических системах, а также с 7 моделями знаний, и позволяет во всех этих моделях решать задачи идентификации (прогнозирования), принятия решений и исследования предметной области с двумя интегральными критериями. При этом система Эйдос-Х++ оценивает эффективность применения различных частных и интегральных критериев для решения этих задач. Рассмотрим эти вопросы подробнее [30-34].

Управление - это достижение цели путем принятия и реализации решений об определенных действиях, способствующих достижению этой цели. Цели управления обычно заключаются в том, чтобы определенная система, которая называется объектом управления, находилась в определенном целевом (желаемом) состоянии или эволюционировала по определенному заранее известному или неизвестному сценарию. Действия, способствующие достижению цели, называются управляющими воздействиями. Решения об управляющих воздействиях принимаются управляющей системой. Управляющее воздействие вырабатывается управляющей системой на основе модели объекта управления и информации обратной связи о его состоянии и условиях окружающей среды.

Автоматизированные и автоматические системы управления отличаются друг от друга степенью формализации модели объекта управления и степенью автоматизации процесса выработки решения об управляющем воздействии:

- считается, что в системах автоматического управления (САУ) процесс выработки управляющего воздействия полностью автоматизирован, т.е. оно принимается управляющей системой автоматически, без участия человека;

- в автоматизированных системах управления (АСУ) решение об управляющем воздействии принимается управляющей системой с участием человека в процессе их взаимодействия.

Однако, по мнению автора, методологически неверно представлять себе дело таким образом, как будто САУ принимают решение полностью самостоятельно, без какого-либо участия человека. Гораздо правильнее было бы сказать, что в случае САУ решение принимаемся человеком, который сконструировал и создал эти САУ и «заложил» в них определенные математические модели и реализующие их алгоритмы принятия решений, которые в процессе работы САУ просто используются на практике. Разве это не является участием человека? Следовательно, точнее было бы говорить не об участии или неучастии человека в принятии управляющих решений, а об его участии в реальном времени в случае АСУ и отсроченном участии в случае САУ.

Естественно, далеко не для всех видов объектов управления удается построить их достаточно полную адекватную математическую модель, являющуюся основой для принятия управляющих решений. В более-менее полной мере это удается сделать лишь для достаточно простых, в основном чисто технических систем, и именно для них удается построить САУ. Для технологических же систем, а также других систем, включающих не только техническую компоненту, но людей в качестве элементов, это удается сделать лишь в неполной мере, т.е. степень формализации управления такими системами ниже, чем в САУ. В этом случае в процессе выработки решения об управляющем воздействии остаются вообще неформализованные или слабо формализованные этапы, которые пока не поддаются автоматизации, и, поэтому, решения об управляющем воздействии не удается принять на полностью формализованном уровне и тем самым полностью передать эту функцию системе управления. Этим и обусловлена необходимость включения человека непосредственно в цикл управления, что и приводит к созданию АСУ, в которых математические модели и алгоритмы используются не для принятия решений, а для создания человеку комфортных информационных условий, в которых он мог бы принимать решения на основе своего опыта и профессиональной компетенции. Поэтому и говорят, что АСУ не принимают решений, а лишь поддерживают принятие решений. Еще сложнее поддаются математическому моделированию и формализации биологические и экологические, а также социально-экономические и психологические системы, включающие отдельных людей и их коллективы, т.е. сложные системы. Поэтому сложные системы обычно являются слабо формализованными и на этой их особенности практически основано их определение. Конечно, управление такими системами тоже осуществляется, но уже практически без использования математических моделей и компьютерных технологий, т.е. преимущественно на слабо формализованном интуитивном уровне на основе опыта и профессиональной компетенции экспертов и лиц, принимающих решения (ЛПР). При этом в соответствии с принципом Эшби управляемость сложных систем является неполной.

Таким образом, виды управления различными объектами управления можно классифицировать по степени формализации процесса принятия решений об управляющих воздействиях и, соответственно, по степени участия человека в этом процессе:

- САУ: автоматическое принятие решения без непосредственного участия человека в реальном времени;

- АСУ: поддержка принятия решений, т.е. создание комфортных информационных условий для принятия решений человеком в реальном времени;

- менеджмент: управление на слабо формализованном уровне практически без применения математических моделей.

Перспектива развития методов управления сложными системами, по мнению автора, состоит в повышении степени формализации процессов принятия решений при выборе вариантов управляющих воздействий. Однако на пути реализации этой перспективы необходимо решить проблему разработки технологии, обеспечивающей создание формальной количественной модели сложного объекта управления на основе эмпирических данных о его поведении под действием различных факторов, модели, пригодной для решения задач прогнозирования и принятия решений.

В стационарных САУ и АСУ объект управления не изменяется качественно в процессе управления и, поэтому, его модель, созданная на этапе проектирования и создания системы управления не теряет адекватность и в процессе ее применения. Иначе обстоит дело в случае, когда объект управления изменяется качественно непосредственно в процессе управления, т.е. является динамичным. В этом случае модель объекта управления быстро теряет адекватность, как и управляющие воздействия, выработанные на ее основе. Реализация таких неадекватных управляющих воздействий приводит уже не к достижению цели управления, а к срыву управления. Поэтому проблема состоит не только в том, чтобы создать адекватную модель сложного объекта управления, но и в том, чтобы сохранить ее адекватность при существенном изменении этого объекта, т.е. при изменении характера взаимосвязей между воздействующими факторами и поведением объекта управления.

Это означает, что система управления сложными динамичными объектами должна быть интеллектуальной, т.к. именно системы этого класса позволяют проводить обучение, адаптацию или настройку модели объекта управления за счет накопления и анализа информации о поведении этого объекта при различных сочетаниях действующих на него факторов. Таким образом, решив первую проблему, т.е. разработав технологию создания модели сложного объекта управления, мы этим самым создаем основные предпосылки и для решения и второй проблемы, т.к. для этого достаточно применить эту технологию непосредственно в цикле управления.

Как показано в работе (1), непосредственно на основе матрицы сопряженности (абсолютных частот) или с использованием матрицы условных и безусловных процентных распределений с использованием количественных мер знаний можно получить 7 различных моделей знаний, приведенных в таблице 2:

Таблица 2 Различные аналитические формы частных критериев знаний в системе «эйдос-х++»

Все задачи идентификации, прогнозирования, приятия решений и исследования предметной области решаются в системе Эйдос-Х++ на основе моделей знаний, хотя для этого могут использоваться и статистические модели. Поэтому там, где возможности статистических систем заканчиваются, работа системы Эйдос-Х++ только начинается.

Таким образом, модель системы Эйдос-Х++ позволяет рассчитать какое количество знаний содержится в любом факте о наступлении любого события в любой предметной области, причем для этого не требуется повторности этих фактов. Если же эти повторности осуществляются и при этом наблюдается некоторая вариабельность значений факторов, обуславливающих наступление тех или иных событий, то модель обеспечивает многопараметрическую типизацию, т.е. синтез обобщенных образов классов или категорий наступающих событий с количественной оценкой силы и направления влияния на их наступление различных значений факторов. Причем эти факторы могут быть различной природы (физические, экономические, социальные, психологические, организационные и другие), как количественными, так и качественными и измеряться в различных единицах измерения и обрабатываться в одной модели знаний сопоставимо друг с другом за счет того, что для любых значений факторов в модели оценивается количество знаний, которое в них содержится о наступлении событий, переходе объекта управления в определенные состояния или просто о его принадлежности к тем или иным классам.

Рассмотрим поведение объекта управления при воздействии на него не одного, а целой системы значений факторов:

(1)

В теории принятия решений скалярная функция Ij векторного аргумента называется интегральным критерием. Основная проблема состоит в выборе такого аналитического вида функции интегрального критерия, который обеспечил бы эффективное решение задач, решаемых управляющей системой САУ и АСУ.

Учитывая, что частные критерии (таблица) имеют смысл количества знаний, а знания, как и информация, является аддитивной функцией, предлагается ввести интегральный критерий, как аддитивную функцию от частных критериев в виде:

(2)

В выражении (2) круглыми скобками обозначено скалярное произведение, т.е. свертка. В координатной форме это выражение имеет вид:

, (3)

где:

- вектор j-го класса-состояния объекта управления;

- вектор состояния предметной области (объекта управления), включающий все виды факторов, характеризующих объект управления, возможные управляющие воздействия и окружающую среду (массив-локатор), т.е. Li=n, если i-й признак встречается у объекта n раз.

Таким образом, предложенный интегральный критерий представляет собой суммарное количество знаний, содержащихся в системе значений факторов различной природы (т.е. факторах, характеризующих объект управления, управляющее воздействие и окружающую среду) о переходе объекта управления в то или иное будущее состояние.

В многокритериальной постановке задача прогнозирования состояния объекта управления, при оказании на него заданного многофакторного управляющего воздействия Ij, сводится к максимизации интегрального критерия:

(4)

т.е. к выбору такого состояния объекта управления, для которого интегральный критерий максимален.

Результат прогнозирования поведения объекта управления, описанного данной системой факторов, представляет собой список его возможных будущих состояний, в котором они расположены в порядке убывания суммарного количества знаний о переходе объекта управления в каждое из них.

Задача принятия решения о выборе наиболее эффективного управляющего воздействия является обратной задачей по отношению к задаче максимизации интегрального критерия (идентификации и прогнозирования), т.е. вместо того, чтобы по набору факторов прогнозировать будущее состояние объекта, наоборот, по заданному (целевому) состоянию объекта определяется такой набор факторов, который с наибольшей эффективностью перевел бы объект управления в это состояние.

Предлагается обобщение фундаментальной леммы Неймана-Пирсона, основанное на косвенном учете корреляций между знаниями в векторе состояний при использовании средних по векторам. Соответственно, вместо простой суммы количеств информации предлагается использовать корреляцию между векторами состояния и объекта управления, которая количественно измеряет степень сходства этих векторов:

(5)

где:

- средняя информативность по вектору класса;

- среднее по вектору идентифицируемой ситуации (объекта).

- среднеквадратичное отклонение информативностей вектора класса;

- среднеквадратичное отклонение по вектору распознаваемого объекта.

Выражение (5) получается непосредственно из (3) после замены координат перемножаемых векторов их стандартизированными значениями. Необходимо отметить, что выражение для интегрального критерия сходства (5) по своей математической форме является корреляцией двух векторов, координатами которых являются частные критерии знаний (поэтому в системе «Эйдос-Х++» этот интегральный критерий называется «Смысловой или семантический резонанс знаний», а критерий (3) - «Сумма знаний»).

Таким образом, в системе «Эйдос-Х++» возможна оценка достоверности 7 моделей знаний, а также 3 статистических моделей, с использованием двух интегральных критериев сходства конкретного образа идентифицируемого объекта с обобщенным образом класса:

- «Резонанс знаний».

- «Сумма знаний».

При этом система генерирует несколько различных форм по достоверности моделей с этими интегральными критериями:

1. Обобщающая форма по достоверности моделей при разных интегральных критериях.

2. Обобщающий статистический анализ результатов идентификации по моделям

3. Достоверность идентификации классов в различных моделях

4. Распределение уровней сходства верно и ошибочно идентифицированных и не идентифицированных объектов в различных моделях.

5. Детальный статистический анализ результатов идентификации в различных моделях по классам

Объем статьи не позволяет привести конкретные примеры этих форм, и здесь можно лишь отметить, что многочисленные численные эксперименты подтвердили возможность обоснованно выбрать на их основе наиболее достоверную модель в каждом конкретном случае. Это означает, что в системе «Эйдос-Х++» после синтеза модели мы имеем возможность не сразу применять ее для решения различных задач, а предварительно обосновано выбрать наиболее достоверную модель и уже затем использовать ее для решения конкретных задач.

Кроме того в системе «Эйдос-Х++» реализуется возможность идентификации объекта с каждым классом именно в той модели и с тем интегральным критерием, при которых была наиболее высокая достоверность идентификации. Этот алгоритм идентификации был впервые разработан и реализован совместно с А.П.Труневым в системе «Эйдос-астра» (5) и продемонстрировал повышение вероятности верной идентификации и верной не идентификации около 20%. С приведенными монографиями можно ознакомиться на сайте автора системы «Эйдос» [27].

Выводы. Система «Эйдос» за многие годы применения хорошо показала себя при проведении научных исследований в различных предметных областях и занятий по ряду научных дисциплин, связанных с искусственным интеллектом, представлениями знаний и управлению знаниями. Однако в процессе эксплуатации системы были выявлены и некоторые недостатки, ограничивающие перспективы применения системы. Создана качественно новая версия системы (система Эйдос-Х++), в которой преодолены ограничения и недостатки предыдущей версии и реализованы новые важные идеи по ее развитию и применению в качестве программного инструментария системно-когнитивного анализа (СК-анализ) [9].

Автор благодарен заведующему кафедрой компьютерных технологий и систем ФГБОУ ВПО «Кубанский государственный аграрный университет»Заслуженному деятелю науки РФ профессору В.И.Лойко, проректора по науке профессору Ю.П.Федулову за созданную возможность разработки системы «Эйлрс-Х++», а Roger Donnay, профессиональному разработчику программного обеспечения, разработчику высокоэффективной инструментальной системы программирования eXPress++, широко использованной при создании системы "Эйдос-Х++"

когнитивный идентификация эйдос программный

Литература

1. Луценко Е.В. 30 лет системе «Эйдос» - одной из старейших отечественных универсальных систем искусственного интеллекта, широко применяемых и развивающихся и в настоящее время / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №10(54). С. 48 - 77. - Шифр Информрегистра: 0420900012\0110. - Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

2. Луценко Е.В. Автоматизированная система распознавания образов, математическая модель и опыт применения. В сб.: "В.И.Вернадский и современность (к 130-летию со дня рождения)". Тезисы научно-практической конференции. - Краснодар: КНА, 1993. - С. 37-42.

3. Пат.РФ: № 940217. РФ. Универсальная автоматизированная система распознавания образов "ЭЙДОС". /Е.В.Луценко (Россия); Заяв. № 940103. Опубл. 11.05.1994. - 50с.

4. Пат.РФ: № 2003610986 РФ. Универсальная когнитивная аналитическая система "ЭЙДОС" / Е.В.Луценко (Россия); Заяв. № 2003610510 РФ. Опубл. от 22.04.2003. - 50с.

5. Луценко Е.В. Универсальная автоматизированная система распознавания образов "Эйдос" (версия 4.1). - Краснодар: КЮИ МВД РФ, 1995. - 76с.

6. Луценко Е.В. Теоретические основы и технология адаптивного семантического анализа в поддержке принятия решений (на примере универсальной автоматизированной системы распознавания образов "ЭЙДОС-5.1"). - Краснодар: КЮИ МВД РФ, 1996. - 280с.

7. Симанков В.С., Луценко Е.В. Адаптивное управление сложными системами на основе теории распознавания образов. Монография (научное издание). - Краснодар: ТУ КубГТУ, 1999. - 318с.

8. Симанков В.С., Луценко Е.В., Лаптев В.Н. Системный анализ в адаптивном управлении: Монография (научное издание). /Под науч. ред. В.С.Симанкова. - Краснодар: ИСТЭК КубГТУ, 2001. - 258с.

9. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активными объектами (системная теория информации и ее применение в исследовании экономических, социально-психологических, технологических и организационно-технических систем): Монография (научное издание). - Краснодар: КубГАУ. 2002. - 605 с.

10. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности 351400 "Прикладная информатика (по отраслям)". - Краснодар: КубГАУ. 2004. - 633 с.

11. Луценко Е.В., Лойко В.И., Семантические информационные модели управления агропромышленным комплексом. Монография (научное издание). - Краснодар: КубГАУ. 2005. - 480 с.

12. Луценко Е.В. Интеллектуальные информационные системы: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп.- Краснодар: КубГАУ, 2006. - 615 с.

13. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд., перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с.

14. Наприев И.Л., Луценко Е.В., Чистилин А.Н. Образ-Я и стилевые особенности деятельности сотрудников органов внутренних дел в экстремальных условиях. Монография (научное издание). - Краснодар: КубГАУ. 2008. - 262 с.

15. Луценко Е. В., Лойко В.И., Великанова Л.О. Прогнозирование и принятие решений в растениеводстве с применением технологий искусственного интеллекта: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 257 с.

16. Трунев А.П., Луценко Е.В. Астросоциотипология: Монография (научное издание). - Краснодар: КубГАУ, 2008. - 264 с.