Ф.И.О.
Луценко Евгений Вениаминович
Ученая степень
• доктор экономических наук
Ученое звание
профессор
Почетное звание
—
Организация, должность
• Кубанский государственный аграрный университет
кафедра компьютерных технологий и систем
профессор
Научные интересы
Системно-когнитивный анализ, системы искусственного интеллекта, высшие формы сознания, перспективы человека, технологии и общества
Адрес веб-сайта
Электропочта
Текущий рейтинг (суммарный рейтинг статей)
0
TOP5 соавторов
Статей в журнале: 276 шт
Сформировать список работ, опубликованных в Научном журнале КубГАУ
-
Краткое описание
Из огромного количества организмов, населяющих нашу планету, насекомые составляют 70%, являясь самым многочисленным из беспозвоночных животных классов, насчитывающих более 2 млн. видов. Сложно отыскать такое место, где нельзя было бы встретить представителей этого огромного класса. Они полностью освоили все среды обитания - воду, сушу, воздух. Для них характерны сложные инстинкты, всеядность, высокая плодовитость, для некоторых - общественный образ жизни. Насекомых можно встретить на огромных высотах, доходящих до уровня 5000 метров, населяют они и безжизненные пустыни, где практически никогда не бывает дождей, не говоря уж об отсутствии какой – либо растительности. Глубокие пещеры, в которых нет ни солнечного света, ни условий для питания и существования живых организмов — это тоже места обитания насекомых, встретить их можно далеко за Полярным кругом, и даже — на многих островах Антарктики, где кроме безжизненных скал, казалось бы, нет ничего. Среди насекомых, одним из самых больших и многочисленных семейств – являются жужелицы (Carabidae). Они тонко реагируют на изменения почвенно-растительных, гидротермических и микроклиматических условий среды, что делает их удобным модельным объектом различных экологических и зоологических исследований. Жужелицам принадлежит большое число родов и видов, нередко трудно различимых, в связи с этим для диагностики используются много различных признаков: принимаются во внимание окраска, форма тела, наружное строение, структура поверхности, размеры, строение гениталий и хетотаксия. Вследствие того, что количество жужелиц огромно, а по внешнему виду очень трудно определить их родовую принадлежность, возникла потребность автоматизации процесса их идентификации, вследствие чего потребовался специальный механизм, который бы повысил точность определения этих насекомых. В предыдущей работе авторов (http://ej.kubagro.ru/2016/05/pdf/01.pdf) в перспективе рассматривалась возможность с помощью метода АСК-анализа классифицировать насекомых не только по видам, но и по родам, отрядам, тем самым повысив достоверность определения жужелиц, что и будет сделано в данной статье. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях. Данная статья может рассматриваться, как продолжение серии работ, посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария – системы «Эйдос»
-
Краткое описание
Методы Функционально-стоимостного анализа и «Директ-костинг» общеизвестны и популярны. По своим идеям и принципам Функционально- стоимостной анализ и метод «Директ-костинг» очень сходны, если не сказать тождественны. С одной стороны эти идеи весьма разумны, хорошо обоснованы теоретически и доказали свою эффективность на практике. С другой стороны широкому применению этих методов препятствует сложность получения больших объемов детализированной технологической и финансово- экономической информации, а также необходимость ее тщательного исследования компетентными специалистами, хорошо и содержательно разбирающимися в предметной области. В этом и состоит противоречие между желанием применить методы ФСА и «Директ- костинг» сложностью это сделать на практике. Это противоречие представляет собой реальную проблему и часто обескураживает и вызывает разочарование этими методами. В данной работе предлагается простое и эффективное решение данной проблемы, хорошо обоснованное теоретически, оснащенное всем необходимым методическим и программным инструментарием и широко и успешно апробированное на практике. Предлагаемое решение основано на двух простых идеях: 1) вместо сбора и проведения содержательного исследования большого объема технологической и финансово-экономической информации применить подходы, приятные в теории управления; 2) для создания системы автоматизированного управления натуральной и финансово-экономической эффективностью затрат применить автоматизированный системно- когнитивный анализ и его программный инструментарий – интеллектуальную систему «Эйдос». В названии специальности 08.00.05 – Экономика и управление народным хозяйством, есть такие слова: «управление предприятиями, отраслями, комплексами, инновациями». Использование термина «Управление» предполагает, что есть модель, отражающая влияние факторов на объект управления, и есть управляющая система, принимающая решения на основе этой модели. Однако, как правило, в диссертациях по этой специальности мы ничего этого не видим, а видим лишь финансово- экономические расчеты. В статье предлагается подход, основанный на теории управления, снимающий этот недостаток
-
АСК-анализ эффективности работы преподавателя аграрного ВУЗа на основе данных репозитория UCI
Краткое описание
Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В данной работе рассмотрено решение задачи идентификации классов уровней оплаты сотрудников фирмы по их характеристикам. Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта. Удачным выбором является база данных тестовых задач для систем искусственного интеллекта репозитория UCI. В данной работе использована база данных по эффективности преподавания в течение трех регулярных семестров и двух летних семестров 151 ассистентом преподавателя (TA) назначений в департаменте статистики Университета Висконсин-Мэдисон. При этом наиболее достоверной в данном приложении оказались модели INF4. Достоверность модели в соответствии с L-мерой составила 0,809, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется F-критерий Ван Ризбергена и ее нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко
-
Решение задачи классификации боеприпасов по типам стрелкового нарезного оружия методом АСК-анализа
Краткое описание
В криминалистике существует актуальная задача определения типа стрелкового нарезного оружия (автомат, винтовка, крупный калибр, пистолет) по его использованным боеприпасам, обнаруженным на месте применения оружия. Предлагается решение этой задачи с применением нового инновационного метода искусственного интеллекта: автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария – универсальной когнитивной аналитической системы «Эйдос». В системе «Эйдос» реализован программный интерфейс, обеспечивающий ввод в систему изображений, и выявление их внешних контуров. 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 модели. Для решения этой задачи выполняются следующие этапы: 1) ввод в систему «Эйдос» изображений боеприпасов и создание их математических моделей; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) повышение качества модели путем разделения классов на типичную и нетипичную части; 4) количественное определение сходства- различия конкретных типов боеприпасов с обоб- щенными образами боеприпасов различных типов оружия (системная идентификация); 5) количественное определение сходства-различия типов боеприпасов, т.е. кластерно-конструктивный анализ обобщенных образов боеприпасов. Приводится численный пример. Имеется успешный опыт решения подобных задач в других предметных областях
-
Автоматизированный системно-когнитивный анализ в агрономии
Краткое описание
Агрономические системы с полным основанием могут рассматриваться как сложные нелинейные многопараметрические природно-технические системы. В этих системах происходят многочисленные и разнообразные физические, химические и биологические процессы. С одной стороны эти процессы, оказывают существенное влияние на результаты работы этих систем. С другой стороны, они крайне сложно поддаются описанию в виде содержательных аналитических моделей, основанных на уравнениях, например с применением математического аппарата теории автоматического управления. Вследствие этого, разработка содержательных аналитических моделей связана с большим количеством упрощающих допущений, снижающих достоверность этих моделей. Обычно рассматриваются линейные однофакторные модели агрономических систем, тогда как для практики необходимы нелинейные многопараметрические модели. Таким образом, на лицо проблема, которую предлагается решать с применением феноменологических содержательных системно-когнитивных моделей. Эти модели создаются в автоматизированном системно-когнитивном анализе (АСК-анализ) с применением интеллектуальной системы «Эйдос» непосредственно на основе эмпирических данных и применяются для решения задач прогнозирования, поддержки принятия решений и исследования моделируемой предметной области. При этом эмпирические данные могут быть большой размерности, неполными (фрагментированными), зашумленными, представленными в различных типах измерительных шкал (номинальных, порядковых и числовых) и в различных единицах измерения. Сопоставимость обработки разнородных данных обеспечивается тем, что они все преобразуются в единицы измерения количества информации. Приводится численный пример
-
АСК-анализ зависимости оплаты сотрудников АПК от их характеристик
Краткое описание
Создание систем искусственного интеллекта является одним из важных и перспективных направлений развития современных информационных технологий. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей этих систем. В данной работе рассмотрено решение задачи идентификации классов уровней оплаты сотрудников фирмы по их характеристикам. Для достижения поставленной цели необходимы свободный доступ к тестовым исходным данным и методика, которая поможет преобразовать эти данные в форму, которая необходима для работы в системе искусственного интеллекта. Удачным выбором являются базы данных с сайта: http://allexcel.ru/gotovye-tablitsy-excel-besplatno. В данной работе использована база данных: «Таблица базы данных сотрудников, расчет выплат». При этом наиболее достоверной в данном приложении оказались модели INF4, основанная на семантической мере целесообразности информации А.Харкевича при интегральном критерии «Сумма знаний». Точность модели составляет 0,960, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется F-критерий Ван Ризбергена и его нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко
-
Агломеративная когнитивная кластеризация симптомов и синдромов в ветеринарии
06.02.00 Ветеринария и Зоотехния
Краткое описание
В статье на небольшом численном примере рассматривается сходство и различие симптомов и синдромов по их диагностическому смыслу, т.е. по той информации, которую они содержат о принадлежности состояний животных к различным нозологическим образам. Эта задача решается для ветеринарии с применением нового метода агломеративной когнитивной кластеризации, реализованного в автоматизированном системно-когнитивном анализе (АСК-анализ). Этот метод кластеризации отличается от известных традиционных тем, что: а) в нем параметры обобщенного образа кластера вычисляются не как средние от исходных объектов (симптомов) или их центр тяжести, а определяются с помощью той же самой базовой когнитивной операции АСК-анализа, которая применяется и для формирования обобщенных образов классов на основе примеров объектов и которая действительно корректно обеспечивает обобщение; б) в качестве критерия сходства используется не евклидово расстояние или его варианты, а интегральный критерий неметрической природы: «суммарное количество информации», применение которого теоретически корректно и дает хорошие результаты в неортонормированных пространствах, которые как правило и встречаются на практике; в) кластерный анализ проводится не на основе исходных переменных, матриц частот или матрицы сходства (различий), зависящих от единиц измерения по осям (измерительным шкалам), а в когнитивном пространстве, в котором по всем осям используется одна единица измерения: количество информации, и поэтому результаты кластеризации не зависят от исходных единиц измерения признаков объектов. Все это позволяет получить результаты кластеризации, понятные специалистам и поддающиеся содержательной интерпретации, хорошо согласующиеся с оценками экспертов, их опытом и интуитивными ожиданиями, что часто представляет собой проблему для классических методов кластеризации
-
Краткое описание
В авторской интерпретации рассматриваются основные понятия и методы науки, такие как наука, познание, модель, гностицизм и агностицизм, принцип Эшби, факты, эмпирическая закономерность, эмпирический закон, научный закон и другие. Формулируется основная проблема науки, заключающая в том, что когнитивные возможности человека ограничены и не обеспечивают эффективного познания при очень большом объеме исходных данных. Решение этой проблемы предлагается искать на пути автоматизации научных исследований. Традиционно для этого используются информационно-измерительные системы и автоматизированные системы научных исследований (АСНИ). Однако математические методы, применяемые в этих системах, предъявляют жесткие практически невыполнимые требования к исходным данным, что резко снижает эффективность и применимость этих систем на практике. 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 предметно области. АСК-анализ представляет собой системный анализ, рассматриваемый как метод научного познания. Это высокоавтоматизированный метод научного познания, имеющий свой развитый и постоянно совершенствуемый программный инструментарий – интеллектуальную систему «Эйдос». Система «Эйдос» разработана в универсальной постановке, не зависящей от предметной области, и может быть применена во всех предметных областях, в которых человек применяет свой естественный интеллект. Система «Эйдос» является инструментом познания, многократно увеличивающим возможности естественного интеллекта, примерно как микроскоп и телескоп многократно увеличивают возможности зрения, правда только в том случае, если оно есть. Предлагается новый вид моделей: содержательные феноменологические модели, которые в настоящее время представлены только системно-когнитивными моделями и занимают промежуточное положение между эмпирическим и теоретическим познанием. Система «Эйдос» рассматривается как инструмент автоматизации процесса познания, обеспечивающий синтез содержательных феноменологических моделей непосредственно на основе эмпирических данных
-
Краткое описание
В настоящей статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели – системной теории информации и реализующего их программного инструментария – интеллектуальной системы «Эйдос», для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом и создания обобщенных образов родов жужелиц на основе изображений входящих в них видов. Предлагается новый подход к оцифровке изображений жужелиц, основанный на использовании полярной системы координат, центра тяжести изображения и его внешнего контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и угол поворота. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Имеется успешный опыт решения подобных задач в других предметных областях. Данная статья может рассматриваться, как продолжение серии работ, посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария – системы «Эйдос» для обработки изображений, их обобщения, сравнения конкретных изображений с обобщенными, сравнения обобщенных изображений друг с другом
-
Методы снижения размерности пространства статистических данных
01.00.00 Физико-математические науки
Краткое описание
Одной из «точек роста» прикладной статистики являются методы снижения размерности пространства статистических данных. Они все чаще используются при анализе данных в конкретных прикладных исследованиях, например, социологических. Рассмотрим наиболее перспективные методы снижения размерности. Метод главных компонент является одним из наиболее часто используемых методов снижения размерности. Для визуального анализа данных часто используют проекции исходных векторов на плоскость первых двух главных компонент. Обычно хорошо видна структура данных, выделяются компактные кластеры объектов и отдельно выделяющиеся вектора. Метод главных компонент является одним из методов факторного анализа. Новая идея по сравнению с методом главных компонент состоит в том, что на основе нагрузок происходит разбиение факторов на группы. В одну группу объединяются факторы, имеющие сходное влияние на элементы нового базиса. Затем из каждой группы рекомендуется оставить одного представителя. Иногда вместо выбора представителя расчетным путем формируется новый фактор, являющийся центральным для рассматриваемой группы. Снижение размерности происходит при переходе к системе факторов, являющихся представителями групп. Остальные факторы отбрасываются. На использовании расстояний (мер близости, показателей различия) между признаками и основан обширный класс методов многомерного шкалирования. Основная идея этого класса методов состоит в представлении каждого объекта точкой геометрического пространства (обычно размерности 1, 2 или 3), координатами которой служат значения скрытых (латентных) факторов, в совокупности достаточно адекватно описывающих объект. В качестве примера применения вероятностно-статистического моделирования и результатов статистики нечисловых данных обоснуем состоятельность оценки размерности пространства данных в многомерном шкалировании, ранее предложенной Краскалом из эвристических соображений. Рассмотрен ряд работ по оцениванию размерностей моделей (в регрессионном анализе и в теории классификации). Дана информация об алгоритмах снижения размерности в автоматизированном системно- когнитивный анализе
pdf 5.272.184kb
doc 5.272.184kb