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
-
01.00.00 Физико-математические науки
Краткое описаниеВ статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели – системной теории информации и программного инструментария – интеллектуальной системы «Эйдос» для решения задач, связанных с идентификацией типов и моделей самолетов по их силуэтам снизу, точнее, по внешним контурам: 1) оцифровка сканированных изображений самолетов и создание их математических моделей; 2) формирование математических моделей конкретных самолетов с применением теории информации; 3) формирование моде- лей обобщенных образов самолетов различных типов и моделей и их наглядная визуализация; 4) сравнение образа конкретного самолета с обобщенными образами самолетов различных типов и моделей и определение количественной степени сходства -различия между ними, т.е. идентификация типа и модели самолета по его силуэту (контуру) снизу; 5) количественное определение сходства-различия обобщенных образов самолетов друг с другом, т.е. кластерно-конструктивный анализ обобщенных образов самолетов различных типов и моделей. Предлагается новый подход к оцифровке изображений самолетов, 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 (разрешение, расстояние) и угол поворота (ракурс) в трех плоскостях. Поэтому результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворотов. Форма контура конкретного самолета рассматривается как зашумленное информационное сообщение о типе и модели самолета, включающее как информацию об истинной форме самолета данного типа и модели (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный зашумляющими воздействиями как средств противодействия обнаружению и идентификации, так и окружающей среды. Программный инструментарий АСК-анализа – интеллектуальная система «Эйдос» обеспечивает идентификацию типа и модели самолета по его силуэту, что продемонстрировано на упрощенном численном примере
-
Краткое описание
В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели – системной теории информации и реализующего их программного инструментария – интеллектуальной системы «Эйдос» для решения одной из важных задач ампелографии: количественного определения сходства-различия различных клонов винограда по контурам листьев. Для решения этой задачи выполняются следующие этапы: 1) оцифровка сканированных изображений листьев и создание их математических моделей; 2) формирование математических моделей конкретных листьев с применением теории информации; 3) формирование моделей обобщенных образов листьев различных клонов на основе конкретных листьев (многопараметрическая типизация); 4) верификация модели путем идентификации конкретных листьев с обобщенными образами клонов, т.е. классами (системная идентификация); 5) количественное определение сходства-различия клонов, т.е. кластерно-конструктивный анализ обобщенных образов листьев различных клонов. Форма контура конкретного листа рассматривается как зашумленное информационное сообщение о клоне, к которому он относится, включающее как информацию об истинной форме листа данного клона (чистый сигнал), так и шум, искажающий эту истинную форму, обусловленный случайным воздействием окружающей среды. Программный инструментарий АСК-анализа – интеллектуальная система «Эйдос» обеспечивает подавление шума и выделение сигнала об истинной форме листа каждого клона на основе ряда зашумленных конкретных примеров листьев данного клона. Таким образом создается один образ формы листа каждого клона, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений
-
01.00.00 Физико-математические науки
Краткое описаниеКлассическая количественная мера достоверности моделей: F-мера Ван Ризбергена основана на подсчете суммарного количества верно и ошибочно классифицированных и не классифицированных объектов обучающей выборки. В мультиклассовых системах классификации объект может одновременно относится ко многим классам. Соответственно, при синтезе модели его описание используется для формирования обобщенных образов многих классов, к которым он относится. При использовании модели для классификации определяется степень сходства-различия объекта со всеми классами, причем истинно-положительным решением может являться принадлежность объекта сразу к нескольким классам. В результате такой классификации получается, что объект не просто правильно или ошибочно относится или не относится к различным классам, как в классической F-мере, но правильно или ошибочно относится или не относится к ним в различной степени. Однако классическая F-мера не учитывает того, что объект может фактически одновременно относится ко многим классам (мультиклассовость) и того, что в результате классификации может быть получена различная степень сходства-различия объекта с классами (нечеткость). На численных примерах автором установлено, что при истинно-положительных и истинно-отрицательных решениях модуль сходства-различия объекта с классами значительно выше, чем при ложно-положительных и ложно-отрицательных решениях. Поэтому было бы рационально в мере достоверности модели учитывать не просто сам факт истинно или ложно положительного или отрицательного решения, но и учитывать степень уверенности классификатора в этих решениях. В интеллектуальной системе «Эйдос», которая является программным инструментарием автоматизированного системно-когнитивного анализа (АСК-анализ), изначально используется предложенная их разработчиком мера достоверности моделей, по сути являющаяся нечетким мультиклассовым обобщением классической F-меры (предлагается называть ее L-мерой). В данной статье L-мера описана математически и ее применение продемонстрировано на простом численном примере
-
Краткое описание
Чтобы повысить обоснованность выводов о влиянии экологии на качество жизни необходимо перейти от общих рассуждений к применению количественных методов моделирования. Для этого необходима совместная обработка экологических баз данных и баз данных, отражающих различные аспекты качества жизни. Эти базы данных необходимо обработать не просто совместно, но и в сопоставимой форме по одной методологии, технологии и методике и в одной реализующей их программной системе. Впервые в экологических исследованиях это планируется сделать с применением АСК-анализа и системы «Эйдос». Ранее, авторами поставлены цели и задачи применения АСК-анализа для исследования влияния экологических факторов на качество жизни населения региона. Обоснованы актуальность данного исследования, требования к методу проведения исследования, выбор метода исследования, кратко раскрыто содержание задач исследования. Предлагаемая работа находится на стыке математической экологии и математического моделирования качества жизни (которое относится к математическим и инструментальным методам экономики), вследствие чего от нее ожидается синергетический эффект, состоящий в получении новых знаний в этих областях науки, что является актуальным как для экологии, так и для экономики. Эти знания сделают более осмысленным и обоснованным применение экологических критериев и понятий в экономике. Данная работа содержит описание источников исходных данных для исследования влияния экологических факторов на различные аспекты качества жизни населения региона; сами исходные данные для этого исследования; характеристику исходных данных; обоснование требований к методу исследования; выбор метода исследования, соответствующего требованиям; разработку этапов достижения цели исследования
-
Определение типа и модели стрелкового нарезного оружия по боеприпасам методом АСК-анализа
Краткое описаниеВ криминалистике существуют актуальные задачи определения типа (автомат, винтовка, крупный калибр, пистолет) и конкретной модели стрелкового нарезного оружия по его боеприпасам, в частности, 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 на основе яркостной и цветовой контрастности. Путем многопараметрической типизации контурных изображений конкретных боеприпасов в системе создается и верифицируется системно-когнитивная модель, с применением которой (если модель окажется достаточно достоверной), могут решаться задачи системной идентификации, классификации, исследования моделируемого объекта путем исследования его модели и другие. Для решения этих задач выполняются следующие этапы: 1) ввод в систему «Эйдос» изображений боеприпасов и создание математических моделей их контуров; 2) синтез и верификация моделей обобщенных образов боеприпасов по типам оружия на основе контурных изображений конкретных боеприпасов (многопараметрическая типизация); 3) количественное определение сходства-различия конкретных боеприпасов с обобщенными образами боеприпасов различных типов и моделей стрелкового нарезного оружия (системная идентификация); 4) 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
-
Краткое описание
Существует три основных точки роста современных информационных технологий: это глобальные сети и мобильные коммуникации, перспективные человеко-машинные интерфейсы, интеллектуальные технологии. Как известно, системный (синергетический) эффект обычно наблюдается в мультидисциплинарных и междисциплинарных научных исследованиях. Это означает, что большой интерес представляют направления исследований и разработок, находящиеся на перекрытии перечисленных выше трех перспективных направлений, а именно: перспективные интерфейсы в глобальных мобильных сетях, перспективные интеллектуальные интерфейсы и применение технологий искусственного интеллекта в Internet и мобильных коммуникациях. И особенно высокую актуальность имеет разработка и применение перспективных интеллектуальных интерфейсов в Internet и мобильных коммуникациях. Internet постепенно интеллектуализируется и превращается из нелокального хранилища больших данных (big data) в информационное пространство, содержащее осмысленные большие данные, т. е. «большую информацию» (great info), а затем в пространство знаний или «когнитивное пространство», в котором большая информация активно используется для достижения целей (управления) и превращается в «большие знания» (great knowledge). Появляется все больше сайтов, посвященных искусственному интеллекту, в открытом доступе появляются базы данных для машинного обучения (UCI, Kaggle и другие) и даже on-line интеллектуальные приложения, совершенствуются и интерфейсы, применяемые в Internet. Показательно приобретение разработчиком одной из первых глобальных социальных сетей Facebook Марком Цукербергом фирмы Oculus, являющейся ведущим в мире разработчиком и производителем амуниции виртуальной реальности. Однако учащиеся и ученые до сих пор практически не замечают, что уже давно существует и действует открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований, основанная на автоматизированном системно-когнитивном анализе (АСК-анализ) и его программном инструментарии – интеллектуальной системе «Эйдос», а также сайте автора. Данная статья является ее своеобразной презентацией и призвана ознакомить потенциальных пользователей с возможностями этой среды
-
01.00.00 Физико-математические науки
Краткое описаниеКлассическая комбинаторная формула для расчета числа сочетаний из n по m: C(n,m)=n!/(m!(n-m)!) предполагает промежуточный расчет факториалов, что чаще всего невозможно при n>170 из-за ограничений в разрядности чисел, используемых в языках программирования и созданных помощью них системах. Однако, в ряде случаев необходимо произвести расчет числа сочетаний при n и m значительно превосходящих это ограничение, например при их значениях больше 10000. В подобных случаях возникает определенная проблема, проявляющаяся, например в том, что многие on-line сервисы по расчету числа сочетаний при таких параметрах не работают. В данной статье предлагается ее решение в виде алгоритма и программной реализации. Суть подхода состоит в том, чтобы сначала разложить факториалы на простые множители и сократить их, а уже потом уже производить умножения. Этот подход отличается от приводимых в Internet
-
Краткое описание
Обосновывается положение о том, что теоретические научные модели, создаваемые в результате процесса познания, отражают не реальность «какой она является на самом деле», а всего лишь реальность, «какой она является» в процессе взаимодействия с инструментальными средствами эмпирического познания, т.е. органами восприятия определенного организма, поддерживающего соответствующую форму сознания, экспериментальными установками и информационно-измерительными системами определенного функционального уровня. Приводятся примеры и последствия основных ошибок, исторически допускавшихся учеными при содержательной интерпретации теоретических научных моделей: это ошибки необоснованного придания модели онтологического статуса («гипостазирование») и связанная с ней ошибка придания модели статуса всеобщности. История появления и развития науки рассматривается как процесс последовательного применения естественнонаучного метода к исследованию предметов познания, ранее изучаемых в рамках философии. Формулируется перспективная идея решения задач философии естественнонаучными методами. В рамках реализации этой идеи предлагается естественнонаучная постановка и решение основного вопроса философии. Для этого вводятся новые научные понятия «Относительно объективное» и «Относительно субъективное» и рассматривается зависимость содержания этих понятий от формы сознания. Дается естественнонаучное определение сознания и предлагается периодическая многокритериальная классификация форм сознания, включающая 49 форм сознания: 7 типов сознания и 7 методов познания. Рассматривается диалектика смены мировоззренческих парадигм от древности до наших дней и определяется место научной парадигмы в этом процессе. Описывается действие закона отрицания- отрицания в смене мировоззренческих парадигм и на основе него высказывается гипотеза об основных особенностях будущей мировоззренческой парадигмы, формирующейся в настоящее время. Формулируются принципы корректной содержательной интерпретации научных моделей, следующие из естественнонаучного метода – метода научной индукции. Формулируются принципы открытого сознания, т.е. принципы, открывающие пути формирования новых более совершенных и более адекватных моделей реальности, чем существующие и считающихся всеми единственно верными
-
Краткое описание
В данной статье в соответствии с методологией Автоматизированного системно-когнитивного анализа (АСК-анализ) рассматривается реализация 3-го АСК-анализа: синтез и верификация модели прогнозирования развития многоотраслевой агропромышленной корпорации. На этом этапе осуществляется синтез и верифкация 3 статистических и 7 системно-когнитивных моделей: ABS – матрица абсолютных частот, PRC1 и PRC2 – матрицы условных и безусловных процентных распределений, INF1 и INF2 – частный критерий: количество знаний по А.Харкевичу, INF3 – частный критерий: Хи-квадрат: разности между фактическими и теоретически ожидаемыми абсолютными частотами INF4 и INF5 – частный критерий: ROI - Return On Investment, INF6 и INF7 – частный критерий: разность условной и безусловной вероятностей (коэффициент взаимосвязи). Достоверности созданных моделей оценивались в соответствии с пред- ложенной метрикой, сходной с известным F-критерием, но не предполагающей выполнение нормального распределения, линейности объекта моделирования, независимости и аддитивности действующих на него факторов. Достоверность полученных моделей оказалось достаточно высокой для решения последующих задач идентификации, прогнозирования и принятия решений, а так-же исследования моделируемого объекта путем исследования его модели, которые планируется рассмотреть в будущих статьях
-
01.00.00 Физико-математические науки
Краткое описаниеВ статье рассмотрено применение интеллектуальной технологи «Эйдос» для реализации уже разработанных ветеринарных и медицинских диагностических тестов без программирования в форме, удобной для индивидуального и массового тестирования, анализа его результатов и выработки индивидуальных и групповых рекомендаций. Воз-можно объединение нескольких тестов в супертест