Почему в с выходит отрицательный аске код
Перейти к содержимому

Почему в с выходит отрицательный аске код

  • автор:

Почему ascii символы кириллицы отрицательные в языке Си?

Почему в консоли Windows программа на языке Си выдает отрицательный ascii-код символа из кириллицы? Я понимаю, что код ascii кириллицы выходит за пределы 127, и поэтому использую unsigned char. Но как-то не помогает. Небольшие куски программы:

int main() < char *word_replace_from = NULL; SetConsoleCP(1251); // установка кодовой страницы win-cp 1251 в поток ввода SetConsoleOutputCP(1251); // установка кодовой страницы win-cp 1251 в поток вывода word_replace_from = inputWordReplaceFrom(); >char getchr() < unsigned char c; c = _getch(); if (c == KEY_SAVE_EXIT) c = NULL; if (c == '\r') c = '\n'; if (c != '\b' && c != NULL) printf_s("%c", c); return c; >char *inputWordReplaceFrom() < char *str = (char*) malloc(sizeof(char)); // указатель на первый элемент новой строки int length = 0; // счётчик количества символов printf("Максимальное количество символов: %d. Вводить можно только буквы русского и английского алфавита. Введите слово ", MAXLENGTHLINE); while ((length < MAXLENGTHLINE) && ((*(str + length) = getchr()) != '\n') && (*(str + length) != NULL)) < printf("\n str = %d \n", (*(str + length))); if ( (64 < *(str + length) && *(str + length) < 91) || (96 < *(str + length) && *(str + length) < 123) || (191 < *(str + length) && *(str + length) < 256) || (*(str + length) == 168) || (*(str + length) == 184) ) < length++; if (length == MAXLENGTHLINE) < printf("\n \t ------ Информация \n "); printf("\t ------Превышена максимальная длина строки. Ввод завершен. "); >> else < printf("\nОшибка. Можно вводить только буквы русского и английского алфавита.\n"); if (length) < length--; printf("\b \b"); >> str = (char*) realloc(str, (length + 2) * sizeof(char)); > // Метка: конец строки символов *(str + length) = '\0'; return str; > 

Отслеживать
423 4 4 серебряных знака 8 8 бронзовых знаков
задан 13 дек 2015 в 1:38
95 2 2 серебряных знака 8 8 бронзовых знаков
char *str и где тут unsigned ?
13 дек 2015 в 4:18
У вас значение unsigned char отрицательное получается?
13 дек 2015 в 6:53
Где у вас вывод кода символа?
13 дек 2015 в 8:18
@banme unsigned char *str писать нельзя, ругается компилятор.
13 дек 2015 в 8:21

@nick-volynkin при использовании в условии if, и до него printf(«\n str = %d \n», (*(str + length)));

13 дек 2015 в 8:21

2 ответа 2

Сортировка: Сброс на вариант по умолчанию

Вы работаете на платформе, на которой тип char является знаковым. Это означает, что при ширине типа char в 8 бит, он будет традиционно иметь диапазон -128..127 . Поэтому очевидно, что ваши сравнения значений типа char с числами типа 191 , 168 и т.п. смысла не имеют и иметь не могут.

По этой причине «не срабатывают» ваши условия в if . По этой же самой причине ваш printf печатает отрицательные значения.

Если вы хотите на уровне вашего кода работать с кодами символов в диапазоне 0..255 , то либо явно вручную приводите все значения типа char к типу unsigned char , либо ройтесь в настройках компилятора, чтобы сделать тип char беззнаковым сам по себе.

Недоумение также вызывает выражение (*(str + length) != NULL) . Что тут имелось в виду? NULL — константа, предназначенная для использования в указательных контекстах, т.е. ее, например, можно сравнивать с указателями. У вас же она вдруг сравнивается с char .

Посмотрев внимательнее, мой зоркий глаз заметил, что значение типа char , якобы равное NULL , действительно может возвращаться из рукописной функции getchr (мне сначала показалось, что это стандартный getchar ). Но это не делает ситуацию лучше. NULL нельзя присваивать значениям типа char или сравнивать со значениями типа char .

Аварийно-сбросной клапан АСК-301

Аварийно-сбросной клапан АСК-301

Аварийно-сбросной клапан АСК-301 предназначен для выпуска избыточного газа при повышении давления выше установленного при настройке.

Область применения — системы автоматического контроля, регулирования и управления технологическими процессами в химической, нефтехимической и других отраслях промышленности.

Принцип действия

При установившемся режиме контролируемое давление газа в установленных пределах уравновешивается настроенной пружиной и клапан герметично закрыт.

При повышении давления газа в сети до предела настройки, клапан, преодолевая усилие пружины, откроется, давая возможность выхода газа в атмосферу.

Сброс газа будет продолжаться до снижения давления в сети ниже настроенного, после чего под действием пружины клапан закроется.

Исполнения клапана приведены в таблице.

Код изделия Диапазон рабочих давлений,
МПа (кгс/см 2 )
АСК-301-1 1-2,5 (10-25)
АСК-301-2 2-6 (20-60)

Технические характеристики

Клапан настраивается на давление срабатывания Pсраб, указанное в заказе, на любое значение из диапазона рабочих давлений в зависимости от модификации.

Срабатывание (открытие) клапана, настроенного на давление Pсраб, происходит в интервале давлений, МПа:

  • от (Pсраб — 0,2) до Pсраб — при давлении настройки до 2 МПа;
  • от (Pсраб — 0,3) до Pсраб — при давлении настройки свыше 2 до 4 МПа;
  • от (Pсраб — 0,4) до Pсраб — при давлении настройки более 4 МПа.

Возврат клапана в закрытое состояние происходит при снижении давления до значения не менее, МПа:

  • (Pсраб — 0,2) — при давлении настройки до 2 МПа;
  • (Pсраб — 0,3) — при давлении настройки свыше 2 до 4 МПа;
  • (Pсраб — 0,4) — при давлении настройки более 4 МПа.

Клапан герметичен в закрытом состоянии.

Контролируемые среды: воздух, азот, углекислый газ, а также их смеси. Механические частицы в газовых средах должны отсутствовать.

  • При работе на углекислом газе не допускаются фазовые переходы, для чего температура корпуса клапана должна быть не ниже 10 °C и не выше 50 °C при всех режимах работы клапана, для чего в месте установки клапана должен быть обеспечен подвод тепла.
  • По согласованию заказчика с изготовителем возможен выпуск клапана для работы на средах, отличных от перечисленных.

Средняя наработка на отказ — не менее 25000 ч.

Срок службы — не менее 15 лет.

Масса клапана — не более 0,2 кг.

Габаритные и монтажные размеры клапана приведены на рис.1.

Монтаж и эксплуатация

Клапан крепится на объекте при помощи штуцера с резьбой М12×1,5.

Температура рабочей среды от минус 40 до плюс 55 °С.

  • температура окружающей среды — от минус 50 до плюс 60 С;
  • атмосферное давление — от 630 до 800 мм рт. ст.;
  • относительная влажность воздуха до 95 % при 35 °С и более низких температурах без конденсации влаги;
  • вибрационные воздействия с частотой от 10 до 55 Гц и амплитудой смещения не более 0,15 мм.

Гарантийный срок хранения — 3 года.

Гарантийный срок эксплуатации — 18 месяцев.

Комплектность

В комплект поставки входят:

  • аварийно-сбросной клапан АСК-301 (исполнение по заказу) — 1 шт.
  • руководство по эксплуатации — 1 экз.
  • паспорт — 1 экз.

Пример записи обозначения при заказе

Пример записи при заказе аварийно-сбросного клапана с давлением срабатывания Рсраб=2,5 МПа:

«Аварийно-сбросной клапан АСК-301-1, Рсраб=2,5 МПа».

Габаритные размеры клапана АСК-301

Габаритные размеры аварийно-сбросного клапана АСК-301

Рисунок 1

Короткая ссылка

QR код на страницу Аварийно-сбросной клапан АСК-301

https://selha.ru/ask-301

  • Устройства контроля давления
    • Датчики давления ДД-304-И и перепада давлений ДД-304-Д
    • Двухступенчатый редуктор ДР-301
    • Пневмоэлектрический преобразователь взрывозащищенный ПЭВ-301
    • Регулятор давления (до себя) РДД-301
    • Регулятор давления жидкости (до себя) РДЖ-329-3
    • Регулятор давления жидкости РДЖ-329
    • Регулятор давления мембранный (до себя) РДМД-301
    • Регулятор давления мембранный (после себя) РДМП-301
    • Регулятор перепада давлений (до себя) РПДД-301
    • Регулятор перепада давлений (до себя) РПДД-302
    • Регулятор равенства давлений (до себя) РРДД-301
    • Регуляторы расхода жидкости РРЖ-301,РРЖ-302 и РРЖ-303
    • Редуктор высокого давления РВД-301
    • Редуктор высокого давления РВД-302
    • Редуктор высокого давления РВД-303
    • Редуктор высокого давления РВД-304
    • Редуктор высокого давления РВД-305
    • Редуктор низкого давления с фильтром РНДФ-302
    • Редуктор давления с фильтром РДФ-301
    • Редуктор давления с фильтром РДФ-305
    • Редуктор давления с фильтром РДФ-6
    • Редуктор давления с фильтром РДФ-7
    • Редуктор давления с фильтром РДФ-8
    • Реле давления контактные РК-301Д
    • Реле давления контактные РК-302Д
    • Реле давления контактное РК-303Д
    • Реле давления РД-301. РД-308
    • Реле давления РД-323…РД-327
    • Реле давления РД-328
    • Реле перепада давлений РПД-318
    • Датчики-реле давления ДРД-301. ДРД-304
    • Адаптер переносной АП-301
    • Блок контроля температуры БКТ-301
    • Датчики температуры ДТ-303-АТ
    • Датчики температуры ДТ-303-РТ
    • Преобразователи термометра сопротивления ПТС-301
    • Реле температуры контактное РК-301Т
    • Реле температуры РТ-304
    • Реле температуры РТ-306
    • Реле температуры РТ-307
    • Реле температуры РТК-303
    • Система контроля температуры СКТ-301-16
    • Преобразователь уровня вибрационный ПУВ-302
    • Реле уровня емкостное РУЕ-301
    • Реле уровня РК-301У
    • Реле уровня РУ-304
    • Реле уровня РУ-305С
    • Реле уровня РУК-303,РУК-304 и РУК-305
    • Реле уровня РУК-303-2,РУК-303-1-2 и РУК-304-1
    • Сигнализатор уровня вибрационный СУВ-302
    • Сигнализатор уровня вибрационный СУВ-303
    • Блок выключателей взрывозащищенный БВВ-301
    • Блок выключателей взрывозащищенный БВВ-302
    • Выключатель взрывозащищенный замыкающий ВВ-301-З
    • Выключатель взрывозащищенный переключающий ВВ-301-П
    • Выключатель взрывозащищенный замыкающий ВВ-302
    • Выключатель взрывозащищенный переключающий ВВ-301М-П1
    • Выключатель взрывозащищенный ВВ-303
    • Выключатель взрывозащищенный ВВ-304
    • Датчик конечных положений ДКП-301
    • Датчик конечных положений герконовый ДКПГ-301
    • Датчик положения аналоговый ДПА-302
    • Датчик положения пороговый ДПИ-301
    • Конечный выключатель КВ-04
    • Реле контактное конечных положений РК-301КП
    • Система контроля положения СКПИ-301-1
    • Система контроля положения СКПИ-301-2
    • Система контроля положения СКПИ-301-16
    • Датчик вибрации аналоговый ДВА-301А
    • Датчик вибрации аналоговый ДВА-301М
    • Датчик вибрации аналоговый двухпроводный ДВА-301Д
    • Датчик вибрации цифровой ДВЦ-301
    • Мобильный измеритель вибрации ИВ-301
    • Система контроля вибрации СКВ-301-4Ц
    • Система контроля вибрации СКВ-301-8Ц
    • Система контроля вибрации СКВ-301-16Ц
    • Система контроля вибрации СКВ-301Д-1
    • Система контроля вибрации СКВ-301Д-2
    • Извещатель звуковой взрывозащищенный ИЗВ-301
    • Кнопка взрывозащищенная КВ-2
    • Кнопка взрывозащищенная КВ-301
    • Сигнализатор световой взрывозащищенный ССВ-301
    • Система звуковая взрывозащищенная СЗВ-301
    • Система звуковая взрывозащищенная СЗВ-301-2
    • Блок питания искробезопасный БПИ-301
    • Модуль сигнально-блокировочный искробезопасный МСБИ-302
    • Реле промежуточное искробезопасное РПИ-301М
    • Специализированные микропроцессорные контроллеры СМК-302-2-4Ц,СМК-302-2-8Ц
    • Аварийно-сбросной клапан АСК-301
    • Блок управления пневматический БУП-301
    • Клапан отсечной взрывозащищенный ОКВ-301
    • Клапан распределительный взрывозащищенный КРВ-2
    • Клапан распределительный взрывозащищенный с ручным возвратом КРВР-301
    • Клапан сброса КС-301
    • Клапан челночный КЧ-301
    • Распределители двухпозиционные взрывозащищенные РДВ-302,РДВ-303,РДВ-304 и РДВ-305
    • Реле пневматическое РП-301
    • Плотномер жидкости поплавковый пневматический ПАЖ-303
    • Кабельный ввод взрывозащищенный КВВ-301
    • Кабельный ввод взрывозащищенный КВВ-304
    • Коробка соединительная взрывозащищенная КСВ-301
    • Коробка соединительная взрывозащищенная КСВ-301-W
    • Дилатометр Д-301

    © 1997—2024 АО НПП «СЭлХА»

    Аск-анализ классов вина по его свойствам на основе данных репозитория UCI Текст научной статьи по специальности «Компьютерные и информационные науки»

    Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Луценко Евгений Вениаминович, Бруяко Анжелика Андреевна

    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 «Wine Data Set» из банка исходных данных по задачам искусственного интеллекта репозитория UCI. 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 0,916, 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 (L-мера)

    i Надоели баннеры? Вы всегда можете отключить рекламу.

    Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Луценко Евгений Вениаминович, Бруяко Анжелика Андреевна

    АСК-анализ зависимости оплаты сотрудников АПК от их характеристик
    Аск-анализ эффективности работы преподавателя аграрного вуза на основе данных репозитория UCI

    Идентификация сортов Ирисов по внешним признакам с применением АСК-анализа и интеллектуальной системы «Эйдос» (данные репозитория uci )

    Прогнозирование продолжительности жизни пациентов, перенесших сердечный приступ, по данным эхокардиограммы на основе базы данных репозитория uci1

    Применение теории информации и когнитивных технологий для моделирования эколого-социально-экономических систем (АСК-анализ влияния экологических и производственно-экономических и факторов на здоровье населения)

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
    i Надоели баннеры? Вы всегда можете отключить рекламу.

    ASC-ANALYSIS OF WINE CLASSES DUE TO THEIR PROPERTIES BASED ON DATA FROM THE UCI REPOSITORY

    Creation of artificial intelligence systems is one of important and perspective directions of development of modern information technology. As there are many alternatives to artificial intelligence systems, there is a need to evaluate mathematical models of these systems. In this work, we present a solution of the problem of identifying classes of salary levels of employees depending on their characteristics. To achieve this goal it requires free access to test the source data and methodology, which will help to convert the data into the form needed for work in artificial intelligence systems. A good choice is a database of test problems for systems of artificial intelligence of UCI repository. In this work we used the database called «Wine Data Set» from the Bank’s original task of artificial intelligence from repository UCI. The most reliable in this application was the model of the INF4 based on semantic, according to A. Kharkevich, integral criteria of «Amount of knowledge». The accuracy of the model is 0,916, which is much higher than the reliability of expert evaluations, which is equal to about 70%. To assess the reliability of the models in the ASC-analysis and the system of «Eidos» we used the F-criterion of van Ritbergen and fuzzy multiCLASS generalization proposed by Professor E. V. Lutsenko (L-measure)

    Текст научной работы на тему «Аск-анализ классов вина по его свойствам на основе данных репозитория UCI»

    05.00.00. Технические науки

    АСК-АНАЛИЗ КЛАССОВ ВИНА ПО ЕГО СВОЙСТВАМ НА ОСНОВЕ ДАННЫХ РЕПОЗИТОРИЯ UCI

    Луценко Евгений Вениаминович

    д.э.н., к.т.н., профессор

    Scopus Author ID: 57191193316

    РИНЦ SPIN-код: 9523-7101

    prof. lutsenko @gmail. com

    Кубанский государственный аграрный

    университет имени И.Т.Трубилина, Краснодар,

    Бруяко Анжелика Андреевна студентка группы: ПИ 1301 anzhela.love@mail.ru

    Кубанский государственный аграрный университет имени И.Т.Трубилина, Краснодар, Россия

    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 «Wine Data Set» из банка исходных данных по задачам искусственного интеллекта — репозитория UCI. 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 0,916, 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 (L-мера)

    Ключевые слова: ИССЛЕДОВАНИЕ ЗАВИСИМОСТИ ОПЛАТЫ СОТРУДНИКОВ АПК ОТ ИХ ХАРАКТЕРИСТИК Doi: 10.21515/1990-4665-124-004

    UDC 004.8 Technical sciences

    ASC-ANALYSIS OF WINE CLASSES DUE TO THEIR PROPERTIES BASED ON DATA FROM THE UCI REPOSITORY

    Lutsenko Eugeny Veniaminovich

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

    Scopus Author ID: 57191193316

    RSCI SPIN-code: 9523-7101

    Kuban State Agrarian University, Krasnodar,

    Brujako Anzhelika Andreevna Student

    Kuban State Agrarian University, Krasnodar, Russia

    Creation of artificial intelligence systems is one of important and perspective directions of development of modern information technology. As there are many alternatives to artificial intelligence systems, there is a need to evaluate mathematical models of these systems. In this work, we present a solution of the problem of identifying classes of salary levels of employees depending on their characteristics. To achieve this goal it requires free access to test the source data and methodology, which will help to convert the data into the form needed for work in artificial intelligence systems. A good choice is a database of test problems for systems of artificial intelligence of UCI repository. In this work we used the database called «Wine Data Set» from the Bank’s original task of artificial intelligence from repository UCI. The most reliable in this application was the model of the INF4 based on semantic, according to A. Kharkevich, integral criteria of «Amount of knowledge». The accuracy of the model is 0,916, which is much higher than the reliability of expert evaluations, which is equal to about 70%. To assess the reliability of the models in the ASC-analysis and the system of «Eidos» we used the F-criterion of van Ritbergen and fuzzy multiCLASS generalization proposed by Professor E. V. Lutsenko (L-measure)

    Keywords: INVESTIGATION OF THE DEPENDENCE OF PAYMENT OF AIC EMPLOYEES FROM THEIR CHARACTERISTICS

    1. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ. 3

    1.1. Описание решения. 3

    1.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel. 3

    1.3. Синтез и верификация статистических и интеллектуальных моделей. 1

    1.4. Виды моделей системы «Эйдос». 2

    1.5. Результаты верификации моделей. 4

    2. РЕШЕНИЕ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ МОДЕЛИ. 10

    2.1. Решение задачи идентификации. 10

    2.2. Поддержка принятия решений с п мощью SWOT и PEST матриц и диаграмм. 13

    2.3. Наглядное отображение эмпирических закономерностей с помощью когнитивных функций. 15

    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 вина.

    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 «Wine Data Set» из банка исходных данных по задачам искусственного интеллекта — репозитория UCI.

    Для решения задачи используем стандартные возможности Microsoft Office Word и Excel, блокнот, а также систему искусственного интеллекта «Эйдос- Х++».

    1. СИНТЕЗ И ВЕРИФИКАЦИЯ МОДЕЛЕЙ

    1.1. Описание решения

    В соответствии с методологией АСК-анализа решение поставленной задачи проведем в четыре этапа:

    1. Преобразование исходных данных из HTML-формата в промежуточные файлы MS Excel.

    2. Преобразование исходных данных из промежуточных файлов MS Excel в базы данных системы «Эйдос».

    3. Синтез и верификация моделей предметной области.

    4. Применение моделей для решения задач идентификации, прогнозирования и исследования предметной области.

    1.2. Преобразование исходных данных из HTML-формата в файл исходных данных MS Excel

    Из банка исходных данных по задачам искусственного интеллекта -репозитория UCI получаем исходную информацию по базе данных «Wine Data Set http://archive.ics.uci.edu/ml/datasets/wine», которую оставим без изменений.

    Общее описание задачи: Файл «wine.names»:

    1. Title of Database: Wine recognition data

    Updated Sept 21, 1998 by C.Blake : Added attribute information

    (a) Forina, M. et al, PARVUS — An Extendible Package for Data Exploration, Classification and Correlation. Institute of Pharmaceutical

    and Food Analysis and Technologies, Via Brigata Salerno, http://ej .kubagro.ru/2016/10/pdf/04.pdf

    16147 Genoa, Italy.

    (b) Stefan Aeberhard, email: stefan@coral.cs.jcu.edu.au

    S. Aeberhard, D. Coomans and O. de Vel,

    Comparison of Classifiers in High Dimensional Settings, Tech. Rep. no. 92-02, (1992), Dept. of Computer Science and Dept. of Mathematics and Statistics, James Cook University of North Queensland. (Also submitted to Technometrics).

    The data was used with many others for comparing various classifiers. The classes are separable, though only RDA has achieved 100% correct classification.

    (RDA : 100%, QDA 99.4%, LDA 98.9%, 1NN 96.1% (z-transformed data)) (All results using the leave-one-out technique)

    In a classification context, this is a well posed problem with «well behaved» class structures. A good data set for first testing of a new classifier, but not very challenging.

    S. Aeberhard, D. Coomans and O. de Vel, «THE CLASSIFICATION PERFORMANCE OF RDA»

    Tech. Rep. no. 92-01, (1992), Dept. of Computer Science and Dept. of Mathematics and Statistics, James Cook University of North Queensland. (Also submitted to Journal of Chemometrics).

    Here, the data was used to illustrate the superior performance of the use of a new appreciation function with RDA.

    4. Relevant Information:

    — These data are the results of a chemical analysis of

    wines grown in the same region in Italy but derived from three different cultivars.

    The analysis determined the quantities of 13 constituents found in each of the three types of wines.

    — I think that the initial data set had around 30 variables, but for some reason I only have the 13 dimensional version. I had a list of what the 30 or so variables were, but a.) I lost it, and b.), I would not know which 13 variables are included in the set.

    — The attributes are (dontated by Riccardo Leardi, riclea@anchem.unige.it )

    4) Alcalinity of ash

    6) Total phenols

    8) Nonflavanoid phenols

    12)OD28 0/OD315 of diluted wines

    5. Number of Instances

    6. Number of Attributes

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    7. For Each Attribute:

    All attributes are continuous

    No statistics available, but suggest variables for certain uses (e.g. for which are NOT scale invariant)

    NOTE: 1st attribute is class identifier (1-3)

    8. Missing Attribute Values:

    9. Class Distribution: number of instances per class

    Обучающая выборка: Таблица 1 — wine.data

    to standardise us with classifiers

    № Class Alcohol Malic acid Ash Alcalinity of ash Magnesium Total phenols Flavanoids Nonfla_ vanoid phenols Proanth_ ocyanins Color intensity Hue OD280 /OD315 of diluted wines Proline

    1 Class 1 14 2 2 16 127 3 3 0 2 6 1 4 1065

    2 Class 1 13 2 2 11 100 3 3 0 1 4 1 3 1050

    3 Class 1 13 2 3 19 101 3 3 0 3 6 1 3 1185

    4 Class 1 14 2 3 17 113 4 3 0 2 8 1 3 1480

    5 Class 1 13 3 3 21 118 3 3 0 2 4 1 3 735

    6 Class 1 14 2 2 15 112 3 3 0 2 7 1 3 1450

    7 Class 1 14 2 2 15 96 3 3 0 2 5 1 4 1290

    8 Class 1 14 2 3 18 121 3 3 0 1 5 1 4 1295

    9 Class 1 15 2 2 14 97 3 3 0 2 5 1 3 1045

    10 Class 1 14 1 2 16 98 3 3 0 2 7 1 4 1045

    11 Class 1 14 2 2 18 105 3 3 0 2 6 1 3 1510

    12 Class 1 14 1 2 17 95 2 2 0 2 5 1 3 1280

    13 Class 1 14 2 2 16 89 3 3 0 2 6 1 3 1320

    14 Class 1 15 2 2 11 91 3 4 0 3 5 1 3 1150

    15 Class 1 14 2 2 12 102 3 4 0 3 8 1 3 1547

    16 Class 1 14 2 3 17 112 3 3 0 1 7 1 3 1310

    17 Class 1 14 2 3 20 120 3 3 0 2 6 1 3 1280

    18 Class 1 14 2 3 20 115 3 3 0 2 7 1 3 1130

    19 Class 1 14 2 2 17 108 3 4 0 2 9 1 3 1680

    20 Class 1 14 3 3 15 116 3 3 0 2 5 1 3 845

    21 Class 1 14 2 2 16 126 3 3 0 2 6 1 4 780

    22 Class 1 13 4 3 19 102 2 2 0 2 5 1 4 770

    23 Class 1 14 2 2 17 101 3 3 0 2 4 1 4 1035

    24 Class 1 13 2 3 18 95 2 2 0 1 4 1 4 1015

    25 Class 1 14 2 3 20 96 3 3 0 2 4 1 4 845

    26 Class 1 13 2 3 25 124 3 3 0 2 4 1 3 830

    27 Class 1 13 2 3 16 93 3 3 0 1 5 1 3 1195

    28 Class 1 13 2 2 17 94 2 2 0 1 4 1 3 1285

    29 Class 1 14 2 3 19 107 3 3 0 2 5 1 3 915

    30 Class 1 14 2 2 16 96 3 2 0 2 5 1 4 1035

    31 Class 1 14 2 3 23 101 3 3 0 2 6 1 3 1285

    32 Class 1 14 2 2 19 106 3 3 0 2 7 1 3 1515

    33 Class 1 14 2 2 17 104 2 3 0 2 4 1 3 990

    34 Class 1 14 2 3 20 132 3 3 1 1 5 1 3 1235

    35 Class 1 14 2 3 19 110 2 3 0 2 4 1 3 1095

    36 Class 1 13 2 2 21 100 3 3 0 2 5 1 3 920

    37 Class 1 13 2 3 16 110 3 3 0 1 5 1 3 880

    38 Class 1 13 2 3 18 98 2 2 0 1 4 1 3 1105

    39 Class 1 13 2 2 16 98 2 3 0 1 4 1 3 1020

    40 Class 1 14 4 3 13 128 3 3 0 2 5 1 4 760

    41 Class 1 14 2 2 16 117 3 3 0 2 6 1 3 795

    42 Class 1 13 4 2 19 90 2 3 0 1 4 1 3 1035

    43 Class 1 14 2 3 15 101 3 4 0 2 5 1 4 1095

    44 Class 1 13 4 2 18 103 3 3 0 2 4 1 3 680

    45 Class 1 13 2 2 17 107 3 3 0 2 5 1 3 885

    46 Class 1 14 4 2 19 111 3 3 0 1 5 1 3 1080

    47 Class 1 14 4 2 16 102 3 3 0 2 5 1 3 1065

    48 Class 1 14 2 2 16 101 3 3 0 2 6 1 3 985

    49 Class 1 14 2 2 19 103 3 3 0 2 6 1 3 1060

    50 Class 1 14 2 2 17 108 3 4 0 2 9 1 3 1260

    51 Class 1 13 2 2 12 92 3 3 0 3 7 1 3 1150

    52 Class 1 14 2 3 17 94 2 3 0 2 6 1 3 1265

    53 Class 1 14 2 2 14 111 4 4 0 2 7 1 3 1190

    54 Class 1 14 2 3 17 115 3 3 0 2 6 1 3 1375

    55 Class 1 14 2 2 16 118 3 3 0 2 6 1 3 1060

    56 Class 1 14 2 2 21 116 3 3 0 2 6 1 3 1120

    57 Class 1 14 2 2 16 118 3 3 0 2 6 1 3 970

    58 Class 1 13 2 3 17 102 3 3 0 2 6 1 3 1270

    59 Class 1 14 1 3 17 108 3 4 0 2 7 1 3 1285

    60 Class 2 12 1 1 11 88 2 1 0 0 2 1 2 520

    61 Class 2 12 1 2 16 101 2 1 1 0 3 1 2 680

    62 Class 2 13 1 2 17 100 2 1 1 1 6 1 2 450

    63 Class 2 14 1 2 18 94 2 2 0 1 4 1 2 630

    64 Class 2 12 1 2 19 87 4 3 0 2 4 1 3 420

    65 Class 2 12 1 3 19 104 2 2 0 1 3 1 2 355

    66 Class 2 12 1 3 18 98 2 3 0 2 5 1 2 678

    67 Class 2 13 1 2 15 78 3 3 0 2 5 1 3 502

    68 Class 2 12 1 2 20 78 2 2 0 1 5 1 3 510

    69 Class 2 13 1 2 17 110 3 1 1 0 3 1 2 750

    70 Class 2 12 1 2 17 151 2 1 0 3 3 1 3 718

    71 Class 2 12 2 2 20 103 1 1 0 1 3 1 2 870

    72 Class 2 14 2 3 25 86 3 3 0 2 3 1 3 410

    73 Class 2 13 2 2 24 87 2 2 0 1 4 1 3 472

    74 Class 2 13 2 3 30 139 3 3 0 2 3 1 4 985

    75 Class 2 12 1 2 21 101 3 2 0 2 3 1 3 886

    76 Class 2 12 2 2 16 97 2 2 0 1 4 1 2 428

    77 Class 2 13 1 2 16 86 2 2 0 1 5 1 2 392

    78 Class 2 12 3 2 18 112 2 1 0 1 3 1 3 500

    79 Class 2 12 1 2 15 136 2 2 0 3 3 1 2 750

    80 Class 2 13 4 2 23 101 3 3 0 2 3 1 3 463

    81 Class 2 12 1 2 19 86 2 2 0 1 3 1 3 278

    82 Class 2 13 2 2 19 86 2 3 0 2 4 1 3 714

    83 Class 2 12 1 3 24 78 2 2 0 1 2 1 3 630

    84 Class 2 13 4 2 23 85 2 2 1 2 5 1 2 515

    85 Class 2 12 1 3 18 94 2 2 0 2 3 1 3 520

    86 Class 2 13 1 2 18 99 2 2 0 1 3 1 3 450

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    87 Class 2 12 2 2 23 90 2 2 0 2 2 1 2 495

    88 Class 2 12 2 3 26 88 2 2 0 1 3 1 3 562

    89 Class 2 12 2 2 22 84 2 2 0 1 3 1 3 680

    90 Class 2 12 1 2 24 70 2 2 0 1 2 1 3 625

    91 Class 2 12 2 2 19 81 2 2 1 2 2 1 2 480

    92 Class 2 12 2 2 22 86 1 1 1 2 4 1 3 450

    93 Class 2 13 2 2 21 80 1 1 1 2 3 1 2 495

    94 Class 2 12 3 2 18 88 2 2 0 2 2 1 3 290

    95 Class 2 12 2 2 18 98 3 2 0 1 3 1 3 345

    96 Class 2 12 2 2 19 162 3 2 0 3 3 1 3 937

    97 Class 2 12 2 3 22 134 2 1 0 2 3 1 2 625

    98 Class 2 12 1 2 16 85 3 3 0 2 3 1 3 428

    99 Class 2 12 1 2 19 88 4 4 0 2 5 1 3 660

    100 Class 2 12 3 2 18 88 3 3 0 3 2 1 3 406

    101 Class 2 12 2 2 18 97 2 2 0 1 3 1 3 710

    102 Class 2 13 1 2 19 88 1 1 0 1 2 1 3 562

    103 Class 2 12 2 2 21 98 3 2 0 1 3 1 3 438

    104 Class 2 12 2 2 20 86 3 2 0 1 2 1 2 415

    105 Class 2 13 2 2 21 85 2 2 0 1 3 1 4 672

    106 Class 2 12 3 2 22 90 2 2 1 1 3 1 3 315

    107 Class 2 12 2 2 19 80 2 2 0 2 3 1 3 510

    108 Class 2 13 2 2 23 84 1 2 0 2 3 1 2 488

    109 Class 2 12 1 2 19 92 2 2 0 2 3 1 3 312

    110 Class 2 12 1 3 20 94 3 3 0 2 3 1 3 680

    111 Class 2 11 4 2 20 107 3 3 0 4 3 1 3 562

    112 Class 2 13 2 2 21 88 3 2 0 1 2 1 3 325

    113 Class 2 12 3 3 20 103 2 2 1 1 4 1 3 607

    114 Class 2 11 1 3 21 88 2 2 0 1 3 1 2 434

    115 Class 2 12 1 3 23 84 3 2 0 1 3 1 3 385

    116 Class 2 11 2 2 22 85 2 2 1 2 2 2 3 407

    117 Class 2 12 1 2 21 86 2 2 0 2 2 1 3 495

    118 Class 2 12 2 2 23 108 2 2 0 2 2 1 3 345

    119 Class 2 13 3 2 16 80 2 1 0 1 3 1 2 372

    120 Class 2 12 3 2 19 87 2 2 0 2 1 1 3 564

    121 Class 2 11 2 2 20 96 3 3 0 2 3 1 3 625

    122 Class 2 12 2 3 29 119 3 5 0 2 6 1 4 465

    123 Class 2 12 4 3 27 102 2 2 0 2 2 1 3 365

    124 Class 2 13 6 2 22 86 3 3 0 2 3 1 3 380

    125 Class 2 12 4 2 21 82 3 3 0 3 3 1 4 380

    126 Class 2 12 2 2 21 85 3 3 0 1 3 1 3 378

    127 Class 2 12 2 2 22 86 3 3 0 2 4 1 3 352

    128 Class 2 12 2 3 29 92 2 2 1 2 3 1 2 466

    129 Class 2 12 2 2 25 88 2 2 0 2 2 1 3 342

    130 Class 2 12 4 2 22 80 2 2 0 1 3 1 3 580

    131 Class 3 13 1 2 18 122 2 1 0 1 4 1 1 630

    132 Class 3 13 3 2 20 104 1 1 0 1 5 1 1 530

    133 Class 3 13 2 2 24 98 1 1 0 1 6 1 1 560

    134 Class 3 13 4 2 22 106 2 1 0 1 5 1 1 600

    135 Class 3 13 1 2 18 85 2 1 1 1 5 1 2 650

    136 Class 3 13 2 2 19 94 2 1 1 1 7 1 2 695

    137 Class 3 12 5 3 21 89 1 0 1 1 4 1 1 720

    138 Class 3 13 6 3 25 96 2 1 1 1 5 1 2 515

    139 Class 3 13 4 2 20 88 2 0 1 1 6 1 2 580

    140 Class 3 13 3 3 24 101 2 1 1 1 5 1 2 590

    141 Class 3 13 3 3 21 96 2 1 1 1 5 1 2 600

    142 Class 3 13 3 2 20 89 1 1 0 1 6 1 2 780

    143 Class 3 14 3 3 24 97 2 1 1 1 4 1 2 520

    144 Class 3 14 5 2 20 92 2 1 0 1 4 1 2 550

    145 Class 3 12 4 2 19 112 1 1 0 1 8 1 2 855

    146 Class 3 13 4 2 21 102 2 1 0 1 4 1 2 830

    147 Class 3 14 5 2 20 80 1 0 0 1 5 1 1 415

    148 Class 3 13 5 2 22 86 2 1 0 1 8 1 2 625

    149 Class 3 13 3 2 22 92 2 1 0 1 8 1 2 650

    150 Class 3 13 4 2 22 113 1 1 0 1 9 1 1 550

    151 Class 3 14 3 3 24 123 1 2 0 1 9 1 1 500

    152 Class 3 13 3 2 22 112 1 1 0 1 11 0 1 480

    153 Class 3 13 2 3 26 116 2 1 0 2 7 1 1 425

    154 Class 3 13 3 2 19 98 2 1 1 2 11 1 2 675

    155 Class 3 13 1 2 20 103 1 1 1 1 8 1 2 640

    156 Class 3 13 5 2 22 93 2 1 1 2 8 1 1 725

    157 Class 3 14 4 2 20 89 2 1 0 2 9 1 2 480

    158 Class 3 12 3 3 27 97 2 1 1 1 8 1 2 880

    159 Class 3 14 2 3 25 98 3 1 1 3 13 1 2 660

    160 Class 3 13 2 3 23 89 3 1 1 2 12 1 2 620

    161 Class 3 12 4 2 21 88 2 1 1 1 8 1 2 520

    162 Class 3 14 3 3 20 107 2 1 1 1 6 1 2 680

    163 Class 3 13 3 3 22 106 2 1 1 1 6 1 2 570

    164 Class 3 13 3 2 19 106 1 1 0 1 5 1 2 675

    165 Class 3 14 3 2 22 90 1 1 0 1 10 1 2 615

    166 Class 3 14 4 2 23 88 1 0 1 1 7 1 2 520

    167 Class 3 13 4 3 23 111 2 1 0 1 11 1 2 695

    168 Class 3 13 3 2 20 88 1 1 0 1 10 1 2 685

    169 Class 3 14 3 3 25 105 2 1 0 2 9 1 2 750

    170 Class 3 13 5 3 25 112 2 1 0 1 9 1 2 630

    171 Class 3 12 3 2 19 96 1 0 0 1 6 1 2 510

    172 Class 3 13 2 2 20 86 1 1 0 1 10 1 2 470

    173 Class 3 14 3 2 20 91 2 1 0 1 10 1 2 660

    174 Class 3 14 6 2 21 95 2 1 1 1 8 1 2 740

    175 Class 3 13 4 2 23 102 2 1 0 1 7 1 2 750

    176 Class 3 13 4 2 20 120 2 1 0 1 10 1 2 835

    177 Class 3 13 3 2 20 120 2 1 1 1 9 1 2 840

    178 Class 3 14 4 3 25 96 2 1 1 1 9 1 2 560

    Поскольку ввод исходных данных в систему «Эйдос» планируется осуществить с помощью ее универсального программного интерфейса импорта данных из внешних баз данных, который работает с файлами MS Excel, то преобразуем данные из html-файла в xls-файл, для чего выполним следующие операции.

    Скопируем получившуюся таблицу из MS Word в MS Excel и запишем ее с именем: Inp_data.xls в папку: c:\Aidos-X\AID_DATA\Inp_data\. В файле Inp_data.xls добавим пустую колонку на позиции «A» и автоматически пронумеруем все строки. В результате получим таблицу исходных данных, полностью подготовленную для обработки в системе «Эйдос» и записанную в нужную папку в виде файла нужного типа с нужным именем.

    Автоматизированная формализация предметной области путем импорта исходных данных из внешних баз данных в систему «Эйдос».

    Для загрузки базы исходных данных в систему «Эйдос» необходимо воспользоваться универсальным программным интерфейсом для ввода данных из внешних баз данных табличного вида, т.е. режимом 2.3.2.2 (рисунок 1):

    О 2.3.2.2. Универсальный программный интерфейс импорта данных а систему «5ЙДОС-Х+

    Автоматическая формализация предметной области: генерация классификационных и описательных шкал и градаций, а также обучающей и распознаваемой выборки на основе базы исходных данных: «1пр_с]а1а»

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    Стандарт XLS -файла

    Задайте тип Файла исходных данных: «lnp_data’

    RUS»’-‘:M’S’Exeel-2003’ Г •. (•••:•, Excel-20G7(2G10) Г DBF -DBASE IV [DEiF/NTX) Стандарт DBF-Файла

    CSV -iComiina-Separafed Values Стандарт CSV-файла

    Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: ]

    Конечный столбец классификационных шкал: ‘ 2

    Задайте диапазон столбцов описательных шкал:— Начальный столбец описательных шкал: Конечный сголбец описательных шкал:

    f* Формализации предметной области (на основе «Inp da’a») С Генерации распознаваемой выборки (на основе «lnp_rasp»)

    V Равные интервалы с разным числом наблюдений

    • Разные интервалы с равным числом наблюдений

    Задание параметров Формирования сценариев или способа интерпретации текстовых полей «lnp_daia»: » Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей Г Применить сценарный метод прогнозирования АСК-анализа С Применить специальную интерпретацию текстовых полей «lnp_daia»

    Пояснения по режиму

    Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-пояей:

    Сценарный метод АСК-анализа:

    Записи Файла исходных данных lnp_daia» рассматриваются казкдая сама по себе независимо друг от друга

    .Значения текстовых полей Файла исходных данных

    «! no data» рассматриваются как целое

    Задайте способ выбора размера интервалов:

    Какие наименования ГРАДАЦИЙ числовых шкал использовать:

    » Только интервальные числовые значения (например

    Г’ Топько наименования интервальных числовых значений (например

    V И интервальные числовые значения, и их наименования (например

    «1 Ш5Э873.0000С0(]. 178545.6868667>»] «Минимальное»)

    «Минимальное: 1/3-!53873.П|]00П0С. 178545.GGGGGG7>»

    Рисунок 1. Экранная форма Универсального программного интерфейса импорта данных в систему «Эйдос» (режим 2.3.2.2.)

    В экранной форме, приведенной на рисунке 1, задать настройки, показанные на рисунке:

    — «Задайте тип файла исходных данных Inp_data»: «XLS — MS Excel-2003»;

    — «Задайте диапазон столбцов классификационных шкал»: «Начальный столбец классификационных шкал» — 2, «Конечный столбец классификационных шкал» — 2 (последний столбец в таблице);

    — «Задайте диапазон столбцов описательных шкал»: «Начальный столбец описательных шкал» — 3, «Конечный столбец описательных шкал» — 12;

    — «Задание параметров формирования сценариев или способа интерпретации текстовых полей»: «Не применять сценарный метод АСК-анализа и спец.интерпретацию ТХТ-полей».

    После нажать кнопку «ОК». Далее открывается окно, где размещена информация о размерности модели (рисунок 2). В этом окне необходимо нажать кнопку «Выйти на создание модели».

    2322.. Задание размерности модели системы «ЭЙДОС-Х-ь+п | □ ||~В~||1

    ЗАДАНИЕ В ДИАЛОГЕ РАЗМЕРНОСТИ МОДЕЛИ

    Суммарное количество градаций классификационным и описательным шкал: [3 ;■: 65]

    Тип шкалы Количество Количество Среднее Количество Количество Среднее

    классифи- градаций количество описательным градаций количество

    кационных классифи- градаций шкал описательных градаций

    шкал кационным на класс.шкалу шкал на опис. шкалу

    Числовые 0 0 0,00 13 65 5,00

    Текстовые 1 3 3,00 0 0 0,00

    ВСЕГО: 1 3 3,00 13 65 5,00

    Зааайте число интервалов (градаций) в шкале:

    В описательным шкалах: И 5

    Пересчитать шкалы и градации Параметры числ.шкал и градаций Выйти на создание модели

    Рисунок 2. Задание размерности модели системы «Эйдос»

    Далее открывается окно, отображающее стадию процесса импорта данных из внешней БД «Inp_data.xls» в систему «Эйдос» (рисунок 3), а также прогноз времени завершения этого процесса. В том окне необходимо дождаться завершения формализации предметной области и нажать кнопку «ОК».

    Рисунок 3. Процесс импорта данных из внешней БД «Inp_data.xls»

    в систему «Эйдос»

    В результате формируются классификационные и описательные шкалы и градации, с применением которых исходные данные кодируются и представляются в форме эвентологических баз данных. Этим самым полностью автоматизировано выполняется 2-й этап АСК- анализа «Формализация предметной области». Для просмотра классификационных шкал и градаций необходимо запустить режим 2.1 (рисунок 4).

    О 2.1, Классификационные шкалы и градации. Текущая модель: «INF1»

    Код шкалы Наименование классификеционной шкалы |

    Помощь Доб.шкалу Доб.грац.шкалы Копир.шкалу К

    Рисунок 4. Классификационные шкалы и градации (фрагмент)

    Для просмотра описательных шкал и градаций необходимо запустить режим 2.2 (рисунок 5), а обучающей выборки — режим 2.3.1. (рисунок 6):

    Рисунок 5. Описательные шкалы и градации (фрагмент)

    (•) 2,3.1. Ручной ввод-корректировка обучающей выборки, Текущая модель: «11ЧР1»

    Квд объекта Класс 1 Класс 2 Класс 3 Класс 4

    Кцд объекта Признак 1 I Признак 2 Признак 3 Признак 4 Признак 5 I Признак 6 Признак 7

    7 14 16 25 23 35

    1 37 45 49 53 60 65 0

    Помощь Скопировать обуч.выб. в расп. Добавить объект Добавить классы Добавить признаки Удалить объект Удалить классы Удалить признаки Очистить БД

    Рисунок 6. Обучающая выборка (фрагмент) Тем самым создаются все необходимые и достаточные предпосылки для выявления силы и направления причинно-следственных связей между значениями факторов и результатами их совместного системного воздействия (с учетом нелинейности системы [10]).

    Ниже приведены классификационные и описательные шкалы и градации создаваемых моделей.

    ПАРАМЕТРЫ ШКАЛ И ГРАДАЦИЙ С АДАПТИВНЫМИ ГРАНИЦАМИ И ПРИМЕРНО РАВНЫМ КОЛИЧЕСТВОМ НАБЛЮДЕНИЙ ПО ГРАДАЦИЯМ с коррекцией ошибки округления числа наблюдений по интервалу градации при переходе к следующей градации

    КЛАССИФИКАЦИОННАЯ ШКАЛА: код: [ 1], наим.: «CLASS», тип/число градаций в шкале: «Равное число событий в интервалах»/3

    1 Наим.градации: 1/3-Class 1

    2 Наим.градации: 2/3-Class 2

    3 Наим.градации: 3/3-Class 3

    ШКАЛА: код: [ 1] , наим.: «ALCOHOL набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    1 Наим. градации: 1/5- , размер интервала= 1 2200000, расч. /факт число наблюдений на градацию: 35/35

    2 Наим. градации: 2/5- , размер интервала= 0 4700000, расч. /факт число наблюдений на градацию: 35/35

    3 Наим. градации: 3/5- , размер интервала= 0 5500000, расч. /факт число наблюдений на градацию: 36/36

    4 Наим. градации: 4/5- , размер интервала= 0 4800000, расч. /факт число наблюдений на градацию: 36/36

    5 Наим. градации: 5/5- , размер интервала= 1 0800000, расч. /факт число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 2], наим.: «MALIC ACID», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    9 Наим.градации: 10 Наим.градации:

    1.5000000>, размер интервала=0.7600000,

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    1.7300000>, размер интервала=0.2300000,

    2.1200000>, размер интервала=0.3900000,

    3.3700000>, размер интервала=1.2500000,

    5.8000000>, размер интервала=2.43 00000,

    расч./факт.число наблюдений на градацию: 35/35

    расч./факт.число наблюдений на градацию: 35/35

    расч./факт.число наблюдений на градацию: 36/36

    расч./факт.число наблюдений на градацию: 36/36

    расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 3], наим.: «ASH», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    2.1700000>, размер интервала=0.8100000,

    2.3000000>, размер интервала=0.1300000,

    2.4100000>, размер интервала=0.1100000,

    2.6100000>, размер интервала=0.2000000,

    3.2300000>, размер интервала=0.6200000,

    расч./факт.число наблюдений на градацию: 35/35

    расч./факт.число наблюдений на градацию: 35/35

    расч./факт.число наблюдений на градацию: 36/36

    расч./факт.число наблюдений на градацию: 36/36

    расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 4], наим.: «ALCALINITY OF ASH»

    16 Наим.градации: 1/5-

    17 Наим.градации: 2/5-

    18 Наим.градации: 3/5-

    19 Наим.градации: 4/5-

    20 Наим.градации: 5/5-

    набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    размер интервала= размер интервала= размер интервала= размер интервала= размер интервала=

    6.1000000, расч./факт.число наблюдений на градацию: 35/35

    1.8000000, расч./факт.число наблюдений на градацию: 35/35

    1.5000000, расч./факт.число наблюдений на градацию: 36/36

    2.0000000, расч./факт.число наблюдений на градацию: 36/36

    8.0000000, расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 5],

    «MAGNESIUM», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    размер интервала= размер интервала= размер интервала= размер интервала= размер интервала=

    18.0000000, расч./факт.число наблюдений на градацию: 35/35

    6.0000000, расч./факт.число наблюдений на градацию: 35/35

    7.0000000, расч./факт.число наблюдений на градацию: 36/36

    10.0000000, расч./факт.число наблюдений на градацию: 36/36

    51.0000000, расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 6], наим.: «TOTAL PHENOLS», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    26 Наим.градации: 1/5-

    27 Наим.градации: 2/5-

    28 Наим.градации: 3/5-

    29 Наим.градации: 4/5-

    30 Наим.градации: 5/5-

    размер интервала=0.6700000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала=0.3700000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала=0.4800000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала=0.3600000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала=1.0200000, расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 7], наим.: «FLAVANOIDS», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    31 Наим. градации: 1/5- , размер интервала= 0 4900000, расч. / факт число наблюдений на градацию: 35/35

    32 Наим. градации: 2/5- , размер интервала= 0 8600000, расч. / факт число наблюдений на градацию: 35/35

    33 Наим. градации: 3/5- , размер интервала= 0 7400000, расч. /факт. число наблюдений на градацию: 36/36

    34 Наим. градации: 4/5- , размер интервала= 0 5500000, расч. /факт. число наблюдений на градацию: 36/36

    35 Наим. градации: 5/5- , размер интервала= 2 1000000, расч. /факт. число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 8] , наим. : «NONFLAVANOID PHENOLS», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в

    36 Наим. градации: 1/5- , размер интервала= 0 1300000, расч. /факт. число наблюдений на градацию: 35/35

    37 Наим. градации: 2/5- , размер интервала= 0 0400000, расч. /факт. число наблюдений на градацию: 35/35

    38 Наим. градации: 3/5- , размер интервала= 0 0900000, расч. /факт. число наблюдений на градацию: 36/36

    39 Наим. градации: 4/5- , размер интервала= 0 0900000, расч. /факт. число наблюдений на градацию: 36/36

    40 Наим. градации: 5/5- , размер интервала= 0 1800000, расч. /факт. число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 9], наим.: «PROANTHOCYANINS»

    набл.на шкалу (всего): 178, размер интервала=0.6500000, размер интервала=0.3500000, размер интервала=0.2500000, размер интервала=0.3200000, размер интервала=1.6000000,

    тип/число градаций в шкале: расч./факт.число наблюдений расч./факт.число наблюдений расч./факт.число наблюдений расч./факт.число наблюдений расч./факт.число наблюдений

    «Равное число событий в интервалах»/5

    на градацию: на градацию: на градацию: на градацию: на градацию:

    35/35 35/35 36/36 36/36 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 10] , наим.

    46 Наим.градации: 1/5-

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    47 Наим.градации: 2/5-

    48 Наим.градации: 3/5-

    49 Наим.градации: 4/5-

    50 Наим.градации: 5/5-

    «COLOR INTENSITY», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    размер интервала= 1.6200000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала= 1.0500000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала= 1.3000000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала= 1.6500000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала= 6.1000000, расч./факт.число наблюдений на градацию: 36/36

    ОПИСАТЕЛЬНАЯ ШКАЛА: код: [ 11],

    53 Наим.градации: Наим.градации:

    «HUE», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в интервалах»/5

    ОПИСАТЕЛЬНАЯ ШКАЛА: интервалах»/5

    55 Наим.градации: ,: [ 12],

    размер интервала=0.2500000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала=0.1760000, расч./факт.число наблюдений на градацию: 35/35

    размер интервала=0.1340000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала=0.1100000, расч./факт.число наблюдений на градацию: 36/36

    размер интервала=0.5600000, расч./факт.число наблюдений на градацию: 36/36

    «OD280/OD315 OF DILUTED WINES», набл.на шкалу (всего): 178, тип/число градаций в шкале: «Равное число событий в

    56 Наим. градации: 1/5- , размер интервала= 0 4800000, расч. /факт. число наблюдений на градацию: 35/35

    57 Наим. градации: 2/5- , размер интервала= 0 7500000, расч. /факт. число наблюдений на градацию: 35/35

    58 Наим. градации: 3/5- , размер интервала= 0 3800000, расч. /факт. число наблюдений на градацию: 36/36

    59 Наим. градации: 4/5- , размер интервала= 0 3800000, расч. /факт. число наблюдений на градацию: 36/36

    60 Наим. градации: 5/5- , размер интервала= 0 7400000, расч. /факт. число наблюдений на градацию: 36/36

    ШКАЛА: код: [ 13] , наим.: ‘PROLINE» набл.на шкалу (всего) : 178, тип /число градаций в шкале: » Равное число событий в интервалах «

    61 Наим. градации: 1/5- < 278 .0000000, 470. 0000000>, размер интервала= 192. 0000000, расч. /факт. число наблюдений на градацию: 35/35

    62 Наим. градации: 2/5- < 470 .0000000, 600 0000000>, размер интервала= 130 0000000, расч. /факт. число наблюдений на градацию: 35/35

    63 Наим. градации: 3/5- < 600 .0000000, 735 0000000>, размер интервала= 135 0000000, расч. /факт. число наблюдений на градацию: 36/36

    64 Наим. градации: 4/5- < 735 .0000000, 1045. 0000000>, размер интервала= 310 0000000, расч. /факт. число наблюдений на градацию: 36/36

    65 Наим. градации: 5/5- < 1045 .0000000, 1680. 0000000>, размер интервала= 635 0000000, расч. /факт. число наблюдений на градацию: 36/36

    1.3. Синтез и верификация статистических и интеллектуальных моделей

    Далее запускаем режим 3.5, в котором задаются модели для синтеза и верификации, а также задается модель, которой по окончании режима присваивается статус текущей (рисунок 7).

    3.5, Выбор моделей для синтеза и верификаи

    Задайте стат.модели н модели знаний для синтеза и верификации Статистические базы:

    частный критерий: количество встреч сочетаний: «класс-признак» у объектов обуч.выборк^ ■ частный критерий: усл. вероятность 1-го признака среди признаков объектов ¡-го класса — частный критерий: условная вероятность ¡-го признака у объектов ¡-го класса

    F ПТЙЙГ ф 2. PRC1 W 3. PRC2 Базы знаний:

    К? 4. INF1 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1 f? 5. INF2 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC2 К? 6. INF3 — частный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами

    7. ÍNF.4 — частный критерий: ROI (Return On Investment); вероятности из PR CI W 8. INF5 — частный критерий: FUJI (Return On Investment); вероятности из PRC2 [í? Э. INF6 — частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC1 f? 10.INF7 — частный критерий: разн.усл.и безусл.вероятностей; вероятности из PRC2

    Г ABS Г PRC1 Г PRC2

    (* INF1 Г INF2 Г INF3 Г INF4 Г INF5 Г IWF6 Г INF7

    Параметры Копирования обучающей выборки в распознаваемую: Какие объекты обуч. выборки копировать; (* Копировать всю обучающую выборку С Копировать только текущий объект С Копировать каждый 14-й объект С» Копировать N случайных объектов С Копировать все объекты от N1 до N2 С Вообще не менять распознаваемую выборку

    Пояснение по алгоритму вериФ^_ацйи_|-

    Удалять из обуч.выборки скопированные объекты: (* Не удалять С Удалять

    Измеряется внутренняя достоверн. модели

    Для каждой заданной модели выполнить: £• Синтез и верификацию Г» Только верификацию

    Рисунок 7. Выбор моделей для синтеза и верификации, а также текущей модели

    В данном режиме имеется много различных методов верификации моделей, в том числе и поддерживающие бутстрепный метод. Но мы используем параметры по умолчанию, приведенные на рисунке 10. Стадия процесса исполнения режима 3.5 и прогноз времени его окончания отображаются на экранной форме, приведенной на рисунке 8.

    Рисунок 8. Синтез и верификация статистических моделей

    и моделей знаний

    Интересно заметить (см. рисунок 8), что синтез и верификация всех 10 моделей на данной задаче заняли 56 секунд. При этом верификация (оценка достоверности моделей) проводилась на всех 178 примерах наблюдения из обучающей выборки. В результате выполнения режима 3.5 созданы все модели, со всеми частными критериями, перечисленные на рисунке 8, но ниже мы приведем лишь некоторые из них (таблицы 2, 3, 4).

    1.4. Виды моделей системы «Эйдос»

    Рассмотрим решение задачи идентификации на примере модели ЮТ1, в которой рассчитано количество информации по А.Харкевичу, которое мы получаем о принадлежности идентифицируемого объекта к каждому из классов, если знаем, что у этого объекта есть некоторый признак.

    По сути, частные критерии представляют собой просто формулы для преобразования матрицы абсолютных частот (таблица 2) в матрицы условных и безусловных процентных распределений, и матрицы знаний (таблицы 3 и 4).

    Таблица 2 — Матрица абсолютных частот (модель ABS (фрагмент)

    С) 5,5. Модель: «1. ABS — частный критерий: количество встреч сочетаний: «Ютасс-признак» у объектов обуч.выборки»

    Km признака Н аимёноБание-опййагёлЪной. Шкалы и градации 1. шяз Ш CLASS/i 2. CLASS Ц®: .3. CLASS cL«sa Cy.tt’i Среднее- Среди.

    ■ ШаЮШ ШШШШ8 laaoücpin! «34 •ъ 37 i? .wi Ш , K4

    2 АВДР’НО L-2/H12.2500BÜp; 12 iBDOODOJ 17 ■? .34 Ii.33.9 14.(12

    3 ALCDH0 L-3/5-Л 2.7200000.13.2700000> 11 6 18 35 11.667 6 «8

    4 ALÖHOL-4/5-: 19 ■3 14 ■35 12 ‘: »0 8 185

    5 ALC0H0L-5V5-(1^SWKt®lIie 1 6 36 li , wti 14 , №

    Б MALIC ACID-1 [РЩДДЦ | к? 3 .35 11 6,0 13,.Иг?

    7 MALIC ACID-2/Hi.50OOO0O,:1.7300000> 22 16 2 40 13.333 10 -263

    Ш KIMimMK 2.1200000> 21 9 4 ■31 t-fiäSs ■10; WS

    9 malic AciD-4/s-jaiteooüoo, гзЩЩЦ i 10 ■si 12 , OWi 8 , IBS

    Р MALIC АСЮ-5/5-Ш7ЩЩ5.8ЙЩЕр i 9 гг .3« 12 ,ЦЩ 7, Щ

    12 зшйшшйййшайй® 19 Ii ■з-а и; щщ 5; 292

    13 ASg§/5- it 7 14 ■31 йда 3X12

    15: ASH«/?£»OOOffiU 3-2300000> 15 8 11 34 11.333 3 , 512

    1? Иг «itt -т nirni ишЦИШ ¿’5 16 6 ■36 12 , OWi ‘5 , 196

    ft ЙЩЩШУ С!РА^ЗЛ-Ш5[ИОО[10-.гО.ПОООООО>’ . 12 14 14 40 1.3 ,.3,3.3 1 155

    13 ALCALINITY OFASH-4/5-: . a 18 13 34 11.333 7 . 638

    Таблица 3 — Матрица информативностей (модель INFI) в битах (фрагмент)

    С) 5,5. Модель: «4. IWF1 — частный критерий: количество знаний по А.Харкевичу; вероятности из PRC1» |[~В

    % Н аимёнорание-опййагёлЪной. Шкалы ц градации 1. C1ASS Щ ЩщйС 2: .ÜASS Ш OAS;.S: fe’iiS: IP ClAffii Сумма Среднее Средн. г,Б4др. 1.ТКД

    В ALt8HOLj’®’il.Ö3OO0O(). 12.2500000> ■0 ..17 i -0 . 2.4:6 -0.075 -0.025 0 /209

    3 ALCOHCL-3/5->12.7200000.18.2700000> -0.011 -0.173 0 , 112 -0.052 -0.017 ■0 .15-3

    5 AttOHaL-5/5->13.75O0OOO, 14.8300000> 0.182 -0.. 545 -0 .098 -0 . 4.6-2 -0.154 0 /367

    Б MALIC ACID 1 ^йяошоо.д-.нйойД: -‘0..Д72 ». OS’S -0 235 -0.272 -о /0?! П.

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    7 MAUCfSD-2/5- 0 .104 0 . D01 -0.345 -0.241 -0.080 ■0 ,3fS

    Ш ЙЙЙ ACID-3/5-Й-.ДШЙ. 2.1200000> 0 .146 ditsifö -0..I34 —

    9 MALIC ACID-4Ä:i2:’liOOOOO, З.ЗЭЕМЙ, -0.178 -о. Щ 0 ,15« -0.094 -0.031 ■feÖS

    щ MALIC ACID 5/5 O’SiClOOro, 5.8000000> —¡¡.141 -Q .аде 0 , 1.58 -‘a/ijB -0.02& 0 .161

    11 ASH-1 /HI .3600000, 2.1700000> -0.082 В . Iii -0.323 -0.284 -0.095 0 .22.3

    12 eSSiSSB г.зоооОош: — 0 074 0.041 0/009 чНИ -0 00-8 0 . 05 9

    13 Asi^HSIilS йШМШ -0.006 -0.116 0 , 106 -0.016 -0.OOS 0 ..III

    15 ASH-5/5- 0 . O S® -0.108 ■0V037 -о.oi3 -0.004 0 . B?1

    ft ttimwifliiн ‘3/5′(i ЧМММ ■ -0/020 a.Lffil 0 0 . 002 0 . 045

    _Таблица 4 — Матрица знаний (модель 1ЫРЗ ) (фрагмент)

    О 5.5. Модель: «6.INF3 — мастный критерий: Хи-квадрат, разности между фактическими и ожидаемыми абс.частотами»

    Квд признака Наименование описательной шкалы и градации 1. CLASS- Hj CLASS-. 1 г CLASS 2/3 CLASS 2 .3. CLASS-3/3 CLASBJS Сумма Среднее Средн. квацр. ОТ^Д,

    ■ ALCO Н Ü L-1 /5А1.0300000,12.2500000> —12 .’264 19 242 -6.973 16.872

    2 ALCGHCiL:2/5- -11 ..2;’.70 13 433 -2.169 12.496

    3 ALCGriüL-3/5- -0.601 -7 . 961 8 . 562 3 . 273

    4 ALCO Н 0 L-4/5- 7.067 -11 . 360 4 : 29-2 9.935

    5 ALCGHClL-5/5: 17 067 -13.360 -3-. 703 15.549

    е MALIC ACID-1 /5-Ш.7400000, 1.5000000> -6.60’1 13 . 03:9 -6.433 11 ..29.3

    7 MALIC ACID:-2-/5- 3.742 0 . 045 -8.737 3 . 764

    3 MALIC ACID-3/Я1.7300000, 2.1200000> 10.72S -3-. 365 —.7. 360 9 . 500

    3 MALIC ACID-4/5- -6 Л -З Д -4.360 11 .»2 9:2 9 864

    10 MALIC ACID-5/5; -5/93.3 -5.360 11 ,.2’92 9 . 733

    11 as н -1 /5-0. збооооо, 2.1700000> -3.93« 11.640 -7 . 703 10 .256

    т itts’i 700000, 2.3000000> -3-.927 ■3. 444 0 433 3.709

    1.3′ .AS’H-3>5- -0 ,’275 -5 . 365 5 . 640 5 . 503

    15 ASH «® ‘3.7-30 -5.562 1 . 331 4 . 909

    17 ALQALINITY 0 F ASH -2/5-.Й 6.7000000,18.500000. «3.. 0 6 7 0 640 -I 703 «3.. 43:3

    13 AL CALINITY G F ASH;3?ÜiL-!1-8.5000000,20.000000. -1.258 -1 . 955 ‘3 . 213 2 . 805

    13 ALCAUN1TY 0 F ASH -4/.5—[20.0ОТ00Ш, 22 000000 -8 270 4 -430 3 ..331 7 . 16-8

    1.5. Результаты верификации моделей

    Результаты верификации (оценки достоверности) моделей, отличающихся частными критериями с двумя приведенными выше интегральными критериями приведены на рисунке 9.

    Рисунок 9. Оценки достоверности моделей

    Наиболее достоверной в данном приложении оказались модели INF1, INF2, INF4 и INF5 при интегральном критерии «Семантический резонанс

    знаний». При этом достоверность модели в соответствии с F-мерой Ван Ризбергена составляет 0,916, что является очень хорошим результатом. Таким образом, уровень достоверности прогнозирования с применением модели выше, чем экспертных оценок, достоверность которых считается равной примерно 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется F-критерий Ван Ризбергена, а также L-критерий, предложенный проф.Е.В.Луценко [11] и являющийся нечетким мультиклассовым обобщением F-критерия (рисунок 10).

    Также обращает на себя внимание, что статистические модели, как правило, дают более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, и практически никогда — более высокую. Этим и оправдано применение моделей знаний и интеллектуальных технологий. На рисунке 11 приведены частные распределения уровней сходства и различия для верно и ошибочно идентифицированных и неидентифицированных ситуаций в наиболее достоверной модели INF4.

    С) Помощь по режимам: 4.1.3.6, 4.1.3.7, 4.1.3.8, 4-1-3.10: Виды прогнозов и меры достоверности моделей в системе «Эйдос-Х++» — □ X

    помощь по режимам: 4.1.3.6, 4.1.3.7, 4.1.3.8, 4.1.3.10: виды прогнозов и меры достоверности моделей в системе «Эйдос-Х++». положительный псевдопрогноз.

    предположим, модель дает такой прогноз: выпадет 1, 2, 3, 4, 5 или б. в этом случае у нее будет 10036 достоверность идентификации, т.е. не будет ни одного объекта, не отнесенного к тому классу, к которому он действительно относится, но при этом будет очень большая ошибка ложной идентификации, т.к. огромное количество объектов будет отнесено к классам, к которым они не относятся Си именно за счет этого у модели и будет очень высокая достоверность идентификации), ясно, что такой прогноз бесполезен, поэтому он и назван мной псевдопрогнозом.

    Представим себе, что мы выбрасываем кубик с 6 гранями, и модель предсказывает, что не выпадет: 1, 2, 3, 4, 5 и 6, а что-то из этого естественно выпало, конечно, модель дает ошибку в прогнозе в том плане, что не предсказала, что выпадет, зато она очень хорошо угадала, что не выпадет, но ясно, что выпадет что-то одно, а не все, что предсказано, поэтому такого рода предсказания хорошо оправдываются в том, что не произошло и плохо в том, что произошло, т.е. в этом случае у модели будет 100* достоверность не идентификации, но очень низкая достоверность идентификации.

    Если в случае с кубиком мы прогнозируем, что выпадет, например 1, и соответственно прогнозируем, что не выпадет 2, 3, 4, 5, и 6, то это идеальный прогноз, имеющий, если он осуществляется, 100% достоверность идентификации и не идентификации, идеальный прогноз, который полностью снимает неопределенность о будущем состоянии объекта прогнозирования, на практике удается получить крайне редко и обычно мы имеем дело с реальным прогнозом.

    на практике мы чаще всего сталкиваемся именно с этим видом прогноза. Реальный прогноз уменьшает неопределенность о будущем состоянии объекта прогнозирования, но не полностью, как идеальный прогноз, а оставляет некоторую неопределенность не снятой. Например, для игрального кубика делается такой прогноз: выпадет 1 или 2, и, соответственно, не выпадет 3, 4, 5 или б. понятно, что полностью на практике такой прогноз не может осуществиться, т.к. варианты выпадения кубика альтернативны, т.е. не может выпасть одновременно и 1, и 2. Поэтому у реального прогноза всегда будет определенная ошибка идентификации, соответственно, если не осуществится один или несколько из прогнозируемых вариантов, то возникнет и ошибка не идентификации, т.к. это не прогнозировалось моделью, теперь представите себе, что у вас не 1 кубик и прогноз его поведения, а тысячи, тогда можно посчитать средневзвешенные характеристики всех этих видов прогнозов.

    таким образом, если просуммировать число верно идентифицированных и не идентифицированных объектов и вычесть число ошибочно идентифицированных и не идентифицированных объектов, а затем разделить на число всех объектов то это и будет критерий качества модели (классификатора), учитывающий как ее способность верно относить объекты к классам, которым они относятся, так и ее способность верно не относить объекты к тем классам, к которым они не относятся, этот критерий предложен и реализован в системе «эйдос» проф. Е.в.луценко в 1994 году, эта мера достоверности модели предполагает два варианта нормировки: и : L1 — С tp + tn — fp — fn ) / С tp +■ tn + fp +■ fn ) (нормировка: )

    где: tp — истино-положительное решение; tn — истино-отрицательное решение; fp — ложно-положительное решение; fn — ложно-отрицательное решение;

    классическая F-мера достоверности моделей 8ан Ризбергена:

    precision = тр/(tp+fp) — точность модели; Recall = tp/qtp+FN) — полнота модели; F-inera — 2*(Precision*Recan)/(Prec1siom-RecaTl).

    В АСК-анализе и системе «Эйдос» предлагается L-мера, представляющая собой нечеткое мультиклассовое обобщение классической F-меры достоверности моделей Ван Ризбергена:

    SPrecision — stp/(stp+sfp) — нечеткая мультиклассовая точность модели; SRecall = stp/(stp+sfn) — нечеткая мультиклассовая полнота модели;

    L-mera = 2*(SPrecision*SRecan)/(SPrecisiorH-SRecan) — нечеткая мультиклассовая достоверность модели, где:

    stp — сумма модулей сходства истино-положительных решений; stn — сумма модулей сходства истино-отрицательных решений; sfp — сумма модулей сходства ложно-положительных решений; sfn — сумма модулей сходства ложно-отрицательных решений.

    Рисунок 10. Виды прогнозов и принцип определения достоверности моделей по авторскому варианту метрики, сходной с F-критерием

    ■100 ;эр -80 Щ -60 .50 -40 -30. -20 -10 0 10 20′ 30 40 50 60 7В: 80 90 100

    —Част распр цр Сл ПШИЕГЧНи идент.и иешдектиф иГгь.ектиБ—Чест.распр.урск.ВЕРНО ицент.и нещентиФ.оСтьектов

    Среднее модулей ур.Ы.ОШИБ. |лае!-гг и неиденг.о6ье’ктоБ=12.008 Среднее модулей ур.с^,ШЕРН 0 тент, и не,^1енг о(уьектоБ-39.437

    Рисунок 11. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта

    моделирования в модели ШЕ4

    Из рисунка 11 видно, что:

    — наиболее достоверная модель Г№Р4 лучше определяет непринадлежность объекта к классу, чем принадлежность (что видно также из рисунка 9);

    — модуль уровня сходства-различия в наиболее достоверной модели Г№Р4 для верно идентифицированных и верно неидентифицированных объектов значительно выше, чем для ошибочно идентифицированных и ошибочно неидентифицированных. Это верно практически для всего диапазона уровней сходства-различия, кроме небольших по модулю значений в диапазоне от 0 до 20% уровня сходства. Для больших значений уровней сходства-различия (более 20%) также различие между верно и ошибочно идентифицированными и неидентифицированными ситуациями очевидно и позволяет их безошибочно разделить. На этом и основано

    нечеткое мультиклассовое обобщение Б-меры, предложенное проф.Е.В.Луценко (Ь-мера) [11].

    Любые данные о наблюдениях можно считать суммой истинного значения и шума, причем ни первое, ни второе неизвестны. Поэтому имеет смысл сравнить созданные модели с чисто случайными моделями, совпадающими по основным характеристикам. В системе «Эйдос» есть лабораторная работа № 2.01: «Исследование ЯМО-модели при различных объемах выборки». Если данная работа устанавливается при отсутствии текущего приложения, то все параметры создаваемых моделей задаются вручную, если же текущая модель существует, как в нашем случае, то все основные ее параметры определяются автоматически (рисунок 12).

    —Автоматическое определение параметров И МО-модели на основе текущего приложения-

    Наименование текущего приложения: Приложение, созданное путем ввода данын из БД 1пр_с1а1а. Это название можно скоррект

    Н МО-модель — это модель, в которой принадлежность объектов обучающей выборки к классам является случайной, как и признаки объектов. Для генерации случайный кодов классов и признаков используется числовой генератор равномерно распределенным случайным чисел. При автоматическом определении параметров ЯШ -модели на основе текущей модели количество классов, признаков и объектов обучающей выборки в И МО-модели будет таким же, как в текущей модели. Среднее количество классов, к которым относится объект обучающей выборки и среднее количество признаков у него также будет совпадать с этими характеристиками объектов обуч.выборки текущей модели.

    Информацию об объектах обучающей выборки текущей модели можно считать суммой полезной информации о них (полезный сигнал) и шума. Е ПГ-Ю-модели вся информация представляет собой шум. Поэтому сравнение этих моделей, не отличающихся перечисленными параметрами, позволяет оценить влияние значимой информации и шума на результаты, в частности убедиться в наличии самой этой значимой информации, т.е. закономерностей в предметной области, а также оценить эффективность различных стат.моделей и моделей знаний и интегральных критериев для выявления и исследования этой значимой информации, знаний и закономерностей. При увеличении объема обучающей выборки в ИИО-модели вероятность верной идентификации стремится к вероятности случайного угадывания, а в реальной модели к некоторому пределу, превосходящему вероятность случайного угадывания и характеризующему эффективность модели

    Рисунок 12. Экранная форма управления созданием случайных моделей, совпадающих с текущей по размерностям основных баз данных

    На рисунке 13 показано частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели Г№Р4.

    Часг.распр.ур.ск.ОШИБСЧпО идент.и нещенги^.оСуьектов .—Част.распр.ур ен:ВЕРНО кцеьгт.и нещенгиФ.оСуьектов

    Среднее модулей чрсхИШИЬ ййёЦ и неидент.оЁгьектов=1 ЬН.’У . ■ ■ Среднее модулей ур.сх,ЁЕРНО цдент.и не1щенг о&ьектов=29.961

    Рисунок 13. Частное распределение сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний в случайной модели ШБ4

    Совершенно очевидное различие частотных распределений уровней сходства-различия верно и ошибочно идентифицированных и неидентифицированных состояний объекта моделирования и случайной модели (рисунки 11 и 13) объясняется тем, что в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны. Если же такой информации в модели нет, то и распределение получается типа, приведенного на рисунке 13.

    На рисунке 14 приведены данные по достоверности статистических и когнитивных моделей, созданных на основе случайной выборки.

    tí 4.1.3£. Обобщ.форма по достов.моделей гтри равн.инт.крит.. Текущая модель: «IMF4» [—т- ]] О [ЙёД

    ft ■■ — Интегральный критерий «М, Число истинс- Число истинс- Число лежи. Число ложн. Точность Полнота F-мера Сумма модул. Сумма модул. Сумма Модул. Сумма м —’

    решений (TP) решений (TN) решений (FP) решений (FN) Ризбергена решений (STP) решений (STN) решений (SFP) решений

    178 154 174 182 24 0.458 0. 865 0 .599 63.060 42.045 45.882 3

    1. АВЭ ■ частный критерий: количество встреч сочетаний: «мае. Сумма абс.частот по признак. 178 178 356 0.333 1. 000 0 .500 140.741 253.250

    2. РИС1 ■ частный критерий: усл. вероятность ко признака сред. Корреляция усяотн.частот с о. 178 154 174 182 24 0.458 0. 865 0 .599 63.060 42.045 45.882 3

    2. РИС1 ■ частный критерий: усл. вероятность 1-го признака сред. Сумма исл-отчастот по приз. 178 178 356 0.333 1. 000 0 .500 148.335 272.588

    3. РЯС2 ■ частный критерий: условная вероятность ¡ го признака. Корреляция усяотн.частот с о. 178 154 174 182 24 0.458 0. 865 0 .599 63.059 42.045 45.881 3

    3. РИС2 ■ частный критерий: условная вероятность ¡-го признака. Сумма асл.отн.частот по приз. 178 178 356 0.333 1. 000 0 .500 148.335 272.588

    4. *JF1 ■ частный критерий: количество знаний по А.Харкевичу; в. Семантический резонанс зна. 178 148 218 138 30 0.517 0. 831 0 .638 48.082 60.917 23.018 4

    4 ЧГ1 — частный критерий: количество знаний по А.Харкевичу; в. Сумма знаний 178 125 294 62 53 0.668 0. 702 0 .685 24.402 79.414 7.261 7

    5 NF2 ■ частный критерий: количество знаний по АХаркевичу; в. Семантический резонанс зна. 178 148 218 138 30 0.517 0. 831 0 .638 48.082 60.917 23.018 4

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    5 NF2 — частный критерий: количество знаний по А.Харкевичу; в. Сумма знаний 178 12S 294 62 S3 0.668 0 . 7.02 0 . 685 24.402 79.414 7.261 7

    6 NF3 ■ частный критерий: Xи-квадрат, разности между Фактич. Семантический резонанс зна. 178 145 238 118 33 0.551 0. 815 0 .658 49.447 64.785 20.813 5

    6 NF3 ■ частный критерий: Хи-квадрат. разности между Фактич. Сумма знаний 178 145 238 118 .33 0.551 0. 815 0 .658 45.997 60.236 19.357 5

    7. NF4 ■ частный критерий: ROI (Retuin 0n Irivestment); вероятно. Семантический резснанс зна. 178 142 236 12D 36 0.542 0. 798 0 .615 49.203 64.051 20.423 5

    7— NF4 — частный критерий: ROI (Retuin 0n Irivestment); вероятно. с„„„„,„и11 178 143 237 119 35 0 . 546 0 . 803 0 . 650 38.632 50.495 16.134 4

    8 NF5 — частный критерий: ROI IReluin On Iriveslmenl); вероятно. С. 178 143 237 119 35 0.546 0. 803 0 .650 38.632 50.495 16.134 4

    9. NF6 ■ частный критерий: разнусли безуслвероягностей; вер. Семантический резснанс зна. 178 145 238 118 33 0.551 0. 815 0 .658 49.447 64.785 20.813 5

    9 MF6 — частный критерий: разнусл.и безус л. вероятностей; вер. с„„„„,„и„ 178 178 145 145 238 238 118 118 33 33 0.551 0.551 0. 815 0. 815 0 .658 0 .658 38.648 49.447 50.646 64.785 16.520 20.813 5

    10.INF7 — частный критерий: разнесли без*сл.вероятностей; ее. с. 178 145 238 118 33 0.551 0. 815 0 .658 38.648 50.646 16.520 „

    Рисунок 14. Достоверность статистических и когнитивных моделей, созданных на основе случайной выборки

    На основе его сравнения с рисунком 9 можно сделать следующие выводы:

    — достоверность лучшей модели INF5, отражающей реальный объект моделирования, примерно на 34% выше, чем аналогичной случайной модели (0,916/0,685=1,337);

    — различие между достоверностью статистических моделей и моделей знаний, созданных на основе случайной выборки, значительно меньше, чем у моделей, отражающих реальный объект моделирования;

    — в реальных моделях кроме шума есть также и информация об истинных причинно-следственных взаимосвязях факторов и их значений с одной стороны, и состояниями объекта моделирования, которые ими обуславливаются, с другой стороны, причем примерно 1/3 достоверности обусловлена отражением в реальных моделях закономерностей предметной области, а 2/3 достоверности обусловлено наличием шума в исходных данных. На основании этого можно предположить, что в исходных данных уровень сигнала о реальных причинно-следственных связях в моделируемой предметной области примерно в два раза ниже уровня шума.

    2. РЕШЕНИЕ ЗАДАЧ В НАИБОЛЕЕ ДОСТОВЕРНОЙ

    2.1. Решение задачи идентификации

    В соответствии с технологией АСК-анализа зададим текущей модель ЮТ4 (режим 5.6) (рисунок 15) и проведем пакетное распознавание в режиме 4.2.1 (рисунок 16):

    Рисунок 15. Экранные формы режима задания модели в качестве текущей

    Рисунок 16. Экранная форма режима пакетного распознавания

    в текущей модели

    В результате пакетного распознавания в текущей модели создается ряд баз данных, которые визуализируются в выходных экранных формах, отражающих результаты решения задачи идентификации и прогнозирования.

    Режим 4.1.3 системы «Эйдос» обеспечивает отображение результатов идентификации и прогнозирования в различных формах:

    1. Подробно наглядно: «Объект — классы».

    2. Подробно наглядно: «Класс — объекты».

    3. Итоги наглядно: «Объект — классы».

    4. Итоги наглядно: «Класс — объекты».

    5. Подробно сжато: «Объект — классы».

    6. Обобщенная форма по достоверности моделей при разных интегральных критериях.

    7. Обобщенный статистический анализ результатов идентификации по моделям и интегральным критериям.

    8. Статистический анализ результатов идентификации по классам, моделям и интегральным критериям.

    9. Распознавание уровня сходства при разных моделях и интегральных критериях.

    10.Достоверность идентификации классов при разных моделях и интегральных критериях.

    Ниже кратко рассмотрим некоторые из них.

    На рисунках 17 и 18 приведены примеры прогнозов высокой и низкой достоверности частоты и классов ирисов в наиболее достоверной модели Г№Р4 на основе наблюдения предыстории их развития:

    (Э 4.1.3,1, Визуализация результатов распознавании в отношении; «Объект-классы», Текущая модель; | |||и£3и>|

    Распознаваемые объекты Интегральный критерий сходства: «Семантический резонанс знаний»

    || Код Наим. объекта ■’•■»-«‘ Код ¡Наименование класса Сходство Сюяст.по —

    1 Объект обучающей выборки. 1 Классификационная шкала_1 Л-Градация классификационной. 72.05. »

    2 Объект обучающей выборки. 2 Классификационная шкала_1 Л -Градация классификационной. -31.26. ямами

    3 Объект обучающей выборки. 3 Классификационная шкала_1 Л -Градация классификационной. -40.82. тпшги

    4 Объект обучающей выборки.

    5 Объект обучающей выборки.

    6 Объект обучающей выборки.

    Объект обучающей выборки.

    8 Объект обучающей выборки.

    Э Объект обучающей выборки.

    10 Объект обучающей выборки. Интегральный критерий сходства: «Сумма знаний»

    11 Объект обучающей выборки. Км I Наименование класса Сходство л

    12 Объект обучающей выборки. 3 Классификационная шкала_1 Л-Градация классификационной. 53.83. V ■■■■11111111111111111111111

    13 Объект обучающей выборки. Классификационная шкала_1 Л-Градация классификационной. -31,10. агпги

    14 Объект обучающей выборки. 2 Классификационная шкала_1/1-Градация классификационной. -32,53. жатая’

    15 Объект обучающей выборки.

    16 Объект обучающей выборки.

    17 Объект обучающей выборки.

    18 Объект обучающей выборки.

    18 Объект обучающей выборки.

    20 Объект обучающей выборки. *

    Помощь | 9 классов | Классы сМахМ1п УрСх | 9 классов с.МахМЬУрСх | ВСЕ классы | ВКЛ. Фильтр по класс.шкале | ВЫКЛ.фильтр по класс.шкале | ГраФ.диаграмг.

    Рисунок 17. Пример идентификации классов вина в модели Г№Р4

    (Э 4.1.3,1, Визуализация результатов распознавании в отношении; «Объект-классы», Текущая модель; | |||и£3и>|

    Распознаваемые объекты Интегральный критерий сходства: «Семантический резонанс знаний»

    || Код 1 Наим. объекта — Код Наименование класса Сходство Сходство л

    46 Объект обучающей выборки. 3 Классификационная шкала_1 Л-Градация классификационной. 66.89. « ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||

    47 Объект обучающей выборки. 1 Классификационная шкала_1 Л -Градация классификационной. -27.89.

    48 Объект обучающей выборки. 2 Классификационная шкала_1 Л-Градация классификационной. -37.81.

    48 Объект обучающей выборки.

    50 Объект обучающей выборки.

    51 Объект обучающей выборки.

    52 Объект обучающей выборки.

    53 Объект обучающей выборки.

    54 Объект обучающей выборки.

    55 Объект обучающей выборки. Интегральный критерий сходства: «Сумма знаний»

    56 Объект обучающей выборки. КйД Наименование класса Сходство — —

    57 Объект обучающей выборки. 3 Классификационная шкала_1 Л-Градация классификационной. 47.82. V 11111111111111111111111111

    58 Объект обучающей выборки. 1 Классификационная шкала_1 Л-Градация классификационной. -18.65. НИШ

    59 Объект обучающей выборки. 2 Классификационная шкала_1/1-Градация классификационной. -36.49. ||||||||||||||||||||||||||||||||||||

    60 Объект обучающей выборки.

    61 Объект обучающей выборки.

    62 Объект обучающей выборки.

    63 Объект обучающей выборки.

    64 Объект обучающей выборки.

    65 Объект обучающей выборки.

    •1 ► 1 , ■Ип УрСх И 1

    Помощь | 9 классов | Классы с МахЬ | 9 классов с.МахМЬ УрСх | ВСЕ классы | ВКЛ. Фильтр по класс.шкале | ВЫКЛ.Фильтр по класс.шкале | ГраФ.диаграмь

    Рисунок 18. Пример идентификации классов вина в модели Г№Р4

    2.2. Поддержка принятия решений с п мощью SWOT и PEST

    матриц и диаграмм

    SWOT-анализ является широко известным и общепризнанным методом стратегического планирования. Однако это не мешает тому, что он подвергается критике, часто вполне справедливой, обоснованной и хорошо аргументированной. В результате критического рассмотрения SWOT-анализа выявлено довольно много его слабых сторон (недостатков), источником которых является необходимость привлечения экспертов, в частности для оценки силы и направления влияния факторов. Ясно, что эксперты это делают неформализуемым путем (интуитивно), на основе своего профессионального опыта и компетенции. Но возможности экспертов имеют свои ограничения и часто по различным причинам они не могут и не хотят это сделать. Таким образом, возникает проблема проведения SWOT-анализа без привлечения экспертов. Эта проблема может решаться путем автоматизации функций экспертов, т.е. путем измерения силы и направления влияния факторов непосредственно на основе эмпирических данных. Подобная технология разработана давно, ей уже около 30 лет, но она малоизвестна — это интеллектуальная система «Эйдос». Данная система всегда обеспечивала возможность проведения количественного автоматизированного SWOT-анализа без использования экспертных оценок непосредственно на основе эмпирических данных [12]. Результаты SWOT-анализа выводились в форме информационных портретов. В версии системы под MS Windows: «Эйдос-Х++» предложено автоматизированное количественное решение прямой и обратной задач SWOT-анализа с построением традиционных SWOT-матриц и диаграмм (рисунок 21).

    4.4,8. Количественный автоматизированный SWOT-анализ классов средствами АСК-анализа в системе «Эйдос1»

    Выбор класса, соответствующего будущему состоянию объекта управления

    Код Наименование класса •*•

    i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

    ЭТ/ОТ-анализ класса: 1 «Ш-ааээ 1» в модели: 7 «ШР4»

    Способствующие факторы и сила их влияния Препятствующие факторы и сила их влияния

    Наименование Фактора и его интервального значения Сила влияния

    ALC0 H 0 L-5/5-Î13.7500000,14.8300000> 1. 430

    1G ALCALI NITY OF ASH-1/5- 1. 327

    60 OD280/OD315 OF DILUTED WINES-5/5-

    54 HUE-4/5-Î1.0400000,1.1500000> 1. 044

    49 COLO R IN T E N 9I ТУ-4У5- 0. 927

    29 TOTAL PH E NO LS -4У5- 0. 875

    48 COLOR IN T E N SI TY-3/5- 0. 760

    Наименование Фактора и его интервального значения Си/ia влияния

    IJONFLAVANOID PHENOLS-5У5- . -о. .909

    18 ALCALINITY 0 F AS H -4/5- -0. .734

    39 I JONFLAVANOID PHENOLS-4/5- . -о. r €65

    42 PR DAN T H □ CYANIN S -2У5- -0. .397

    47 CO LO R 1N TENS 1 TY-2/5- -0. .379

    ВКЛЮЧИТЬ Фильтр по Фактору

    ВЫКЛЮЧИТЬ Фильтр по Фактору

    ВКЛЮЧИТЬ Фильтр по Фактору

    ВЫКЛЮЧИТЬ Фильтр по Фактору

    Abs Prc1 Pio2 Inf1 Inf2 Inf3 Inl4 Inf5 inie Inf7

    Интегральная когнитивная карта

    С) 4.4.8. Количественный SWOT-анализ классов средствами АСК-анализа. (С) Универсальная когнитивная аналитическая система «ЭЙДОС-Х**»■4|в=»|»В»|МЗИ|

    SWOT-ДИАГРАММА КЛАССА: «[1] 1/3-С1_А55 1» В МОДЕЛИ: «1^4» Приложение: «АСК-анализ классов вина по его свойствам на основе данных репозитория иСГ

    СПОСОБСТВУЮЩИЕ значения факторов и сила их влияния Шкала: [1] CLASS Класс: [1] 1/3-Class 1 ПРЕПЯТСТВУЮЩИЕ значения факторов и сила их влияния:

    [13] PROLINE [65] 5/5- 1=2.017 1=0.909 [8] NONFLAVANOID PHENOLS [40] 5/5-

    [1] ALCOHOL [5] 5/5- 1=1.430 1=0.020 [13] PROLINE [63] 3/5-

    [7] FLAVANOIDS [35] 5/542.9800000, 5.0800000> »до 1=0.017 [4] ALCALINITY OF ASH [20] 5/5422.ООООООО, 30.0000000>

    [4] ALCALINITY OF ASH [16] 1/5- 1=1.327 1=0.734 [4] ALCALINITY OF ASH [10] 4/542O.OOOOOOO, 22.0000000>

    [6] TOTAL PHENOLS [30] 5/5- 1=1.155 1=0.665 [8] NONFLAVANOID PHENOLS [39] 4/54О.З9ООООО, 0.4800000>

    [12] OD280/OD315 OF DILUTED WINES [60] 5/5- 1=1.069 1=0.501 [2] MALIC ACID [9] 4/542.1200000, 3.3700000>

    [2] MAUC ACID [8] 3/5- 1=1.044 1=0.569 [2] MALIC ACID [6] 1/540.7400000, 1.5000000>

    Рильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-65 Фильтр по факторам ВЫКЛЮЧЕН. Диапазон кодов значений: 1-65

    СИСТЕМА ДЕТЕРМИНАЦИИ КЛАССА ФАКТОРАМИ И ИХ ЗНАЧЕНИЯМИ: я в состояние. соотвествУюЩее классу, отражается линиями с

    nPFnflTrTR4millMF о ъекта управлен» ЯЗИГИНРГПГ0 ЦВе Толщина линии отражает степень влияния

    _J||J ILIUM . I. ПГСПЛТ.ТОЛ.ЩП ill |H liny объекта управяенн в состояние, соотвествующее классу, отображается линиями св язи СИНЕГО цвета. лщина линии отражает степень влияния.

    Рисунок 21. Пример SWOT-матрицы и SWOT-диаграммы в модели INF4

    2.3. Наглядное отображение эмпирических закономерностей с помощью когнитивных функций

    Рассмотрим режим 4.5, в котором реализована возможность визуализации когнитивных функций для любых моделей и любых сочетаний классификационных и описательных шкал (рисунок 19)

    Ф 4.5. Визуализация когнитивны к санкций

    Что такое когнитивная Функция:

    Визуализация прямых, обратный, позитивных, негативных, попностью и частично редуцированныхкогнитивных Функций Ког нитивная Функция представляет собой графическое отображение силы и направления влияния различных значений некоторого Фактора на переходы объекта управления в будущие состояния, соответствующие классам. Когни тнвные Функции представляют собой новый перспективный инструмент отражения и наглядной визуализации закономерностей и эмпирических законов Разработка содержательной научной интерпретации когнитивных Функций представляет собой способ познания природы, общества и человека. Когнитивные Функции могут быть: прямые, отражающие зависимость классов от признаков, обобщающие информационные портреты признаков; обратные, отражающие зависимость признаков от классов, обобщающие информационные портреты классов; позитивные, показывающие чему способствуют система детерминации; негативные, отражающие чему препятствуют система детерминации; средневзвешенные, отражающие совокупное влияние всех значений Факторов на поведение объекта (причем в качестве весов наблюдений используется количество информации в значении аргумента о значениях Функции) различной степенью редукции или степенью детерминации, которая отражает в графической Форме (в Форме полосы] количество знаний в аргументе о значении Функции и является аналогом и обобщением доверительного интервала. Если отобразить подматрицу матрицы знания, отображая цветом силу и направление влияния каждой градации некоторой описательной шкалы на переход объекта в состояния, соответствующие классам некоторой классиоикацион ной шкалы то поручим нередуцированную когнитивную Функцию. Когнитиеныз Функции являются наиболее развитым средством изучения причинно-следственных зависимостей в моделируемой предметной области, предоставляемым системой «Эйдос». Необходимо отметить, ^о на вид функций влияния математической моделью СК-анализа не накладывается никаких ограничений, б частности, они могут быть и не дифференцируемые. См.. Луценко Е.В. Метод визуализации когнитивных Функций — новый инструмент исследования эмпирических данных большой размерности / Е В Луценко, А П Грунев. Д.К. Бандык Щ Полкгтематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2011. -№03(87) С. 240 — 282. — Шифр Информрегистрэ: 0421100012\0077. , 2,888 у.п.л. — Режим доступа: http://ei.kubaarQ.ru/2011 ~ЩвШ 8.рбГ

    Задайте нужный режим:

    Визуализации когнитивных функций Скачать подборку публикаций по когнитиеным Функциям

    Литератур.ссылки на статьи по когнитивным Функциям Скачать подборку публикаций по управлению знаниями

    Рисунок 19. Экранная форма режима 4.5 системы «Эйдос-Х++» «Визуализация когнитивных функций»

    Применительно к задаче, рассматриваемой в данной работе, когнитивная функция показывает, какое количество информации содержится в различных значениях факторов о том, что объект моделирования перейдет в те или иные будущие состояния. Когнитивным функциям посвящено много работ автора, но наиболее новой и

    обобщающей из них является работа [26]. Поэтому здесь не будем останавливаться на описании того, что представляют собой когнитивные функции в АСК-анализе. На рисунках 20. приведены визуализации всех когнитивных функций данного приложения для модели Г№Р4.

    Рисунок 20. Визуализация когнитивных функций для обобщенных классов и всех описательных шкал для модели ЮТ4

    Когнитивные функции являются графической визуализацией содержательных феноменологических моделей, формируемых интеллектуальной системой «Эйдос» и являются непосредственной основой для разработки научных гипотез, содержательно объясняющих причины существования отраженных в этих функциях эмпирических закономерностей.

    Так как существует множество систем искусственного интеллекта, то возникает необходимость сопоставимой оценки качества их математических моделей. Одним из вариантов решения этой задачи является тестирование различных системы на общей базе исходных данных, для чего очень удобно использовать общедоступную базу репозитория иС1. В данной работе приводится развернутый пример использования базы данных репозитория иС1 для оценки качества математических моделей, применяемых в АСК-анализе и его программном инструментарии системе искусственного интеллекта «Эйдос». При этом наиболее достоверной в данном приложении оказались модели ШБ4, основанная на семантической мере целесообразности информации А.Харкевича при интегральном критерии «Сумма знаний». Достоверность модели составляет 0,916, что заметно выше, чем достоверность экспертных оценок, которая считается равной около 70%. Для оценки достоверности моделей в АСК-анализе и системе «Эйдос» используется с Б-критерий и его нечеткое мультиклассовое обобщение, предложенное проф.Е.В.Луценко (Ь-критерий) [11]. Также обращает на себя внимание, что статистические модели в данном приложении дают примерно на 21% более низкую средневзвешенную достоверность идентификации и не идентификации, чем модели знаний, что, как правило, наблюдается и в других приложениях. Этим и оправдано применение моделей знаний.

    На основе базы данных иС1, рассмотренной в данной работе, построить модели прогнозирования не с помощью АСК-анализа и реализующей его системы «Эйдос», а с применением других математических методов и реализующих их программных систем, то можно сопоставимо сравнить их качество.

    1. Луценко Е.В. Методика использования репозитория UCI для оценки качества математических моделей систем искусственного интеллекта / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2003. — №02(002). С. 120 — 145. — IDA [article ID]: 0020302012. — Режим доступа: http://ej.kubagro.ru/2003/02/pdf/12.pdf, 1,625 у.п.л.

    2. Луценко Е.В. АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков / Е.В. Луценко, Ю.Н. Пенкина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: Куб- ГАУ, 2014. — №06(100). С. 1346 — 1395. — IDA [article ID]: 1001406090. — Режим доступа: http://ej.kubagro.ru/2014/06/pdf/90.pdf, 3,125 у.п.л.

    3. Луценко Е.В. Теоретические основы, технология и инструментарий автоматизированного системно-когнитивного анализа и возможности его применения для сопоставимой оценки эффективности вузов / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрно- го университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: Куб- ГАУ, 2013. — №04(088). С. 340 — 359. — IDA [article ID]: 0881304022. — Режим доступа: http://ej.kubagro.ru/2013/04/pdf/22.pdf, 1,25 у.п.л.

    4. 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.

    5. [Электронный ресурс]. Статья «baza dannix sotrudnikov»: http://allexcel.ru/gotovye-tablitsy-excel-besplatno, свободный. — Загл. с экрана. Яз. анг.

    6. Сайт профессора Е.В.Луценко [Электронный ресурс]. Режим доступа: http://lc.kubagro.ru/, свободный. — Загл. с экрана. Яз. рус.

    7. 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(054). С. 48 — 77. — Шифр Информрегистра: 0420900012\0110, IDA [article ID]: 0540910004. — Режим доступа: http://ej.kubagro.ru/2009/10/pdf/04.pdf, 1,875 у.п.л.

    8. Луценко Е.В. Универсальная когнитивная аналитическая система «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2012. — №09(083). С. 328 — 356. — IDA [article ID]: 0831209025. — Режим доступа: http://ej.kubagro.ru/2012/09/pdf/25.pdf, 1,812 у. п. л.

    9. Луценко Е.В. Прогнозирование количества и классов солнечных вспышек на основе их предыстории по данным репозитория UCI с применением АСК-анализа и интеллектуальной системы «Эйдос» / Е.В. Луценко, А.Ю. Боровко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный

    ресурс]. — Краснодар: КубГАУ, 2014. — №10(104). С. 1309 — 1370. — IDA [article ID]: 1041410099. — Режим доступа: http://eJ.kubagro.ru/2014/10/pdf/99.pdf, 3,875 у.п.л.

    10. Луценко Е.В. Моделирование сложных многофакторных нелинейных объектов управления на основе фрагментированных зашумленных эмпирических данных большой размерности в системно-когнитивном анализе и интеллектуальной системе «Эйдос-Х++» / Е.В. Луценко, В.Е. Коржаков // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2013. -№07(091). С. 164 — 188. — IDA [article ID]: 0911307012. — Режим доступа: http://eJ.kubagro.ru/2013/07/pdf/12.pdf, 1,562 у.п.л.

    11. Луценко Е.В. Нечеткое мультиклассовое обобщение классической F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» / Луценко Е.В. // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2016. — №09(123). — Режим доступа: http://eJ.kubagro.ru/2016/09/pdf/01.pdf, 1,813 у.п.л. — IDA [article ID]: 1231609001. http://dx.doi.org/10.21515/1990-4665-123-001

    12. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. — Краснодар: КубГАУ, 2014. — №07(101). С. 1367 — 1409. — IDA [article ID]: 1011407090. — Режим доступа: http://eJ.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

    13. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Монография (научное издание). — Краснодар, КубГАУ. 2014. — 600 с. ISBN 978-594672-757-0. http://elibrarv.ru/item.asp?id=21358220

    1. Lucenko E.V. Metodika ispol’zovaniJa repozitoriJa UCI dlJa ocenki kachestva matematicheskih modeleJ sistem iskusstvennogo intellekta / E.V. Lucenko // PolitematicheskiJ setevoJ JelektronnyJ nauchnyJ zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (NauchnyJ zhurnal KubGAU) [JelektronnyJ resurs]. — Krasnodar: KubGAU, 2003. — №02(002). S. 120 — 145. — IDA [article ID]: 0020302012. — Rezhim dostupa: http://eJ.kubagro.ru/2003/02/pdf/12.pdf, 1,625 u.p.l.

    2. Lucenko E.V. ASK-analiz, modelirovanie i identifikaciJa zhivyh sushhestv na osnove ih fenotipicheskih priznakov / E.V. Lucenko, Ju.N. Penkina // PolitematicheskiJ setevoJ JelektronnyJ nauchnyJ zhurnal Kubanskogo gosudarstvennogo agrarnogo universiteta (NauchnyJ zhurnal KubGAU) [JelektronnyJ resurs]. — Krasnodar: Kub- GAU, 2014. -№06(100). S. 1346 — 1395. — IDA [article ID]: 1001406090. — Rezhim dostupa: http://eJ.kubagro.ru/2014/06/pdf/90.pdf, 3,125 u.p.l.

    3. Lucenko E.V. Teoreticheskie osnovy, tehnologiJa i instrumentariJ avtomati-zirovannogo sistemno-kognitivnogo analiza i vozmozhnosti ego primeneniJa dlJa sopostavimoJ ocenki Jeffektivnosti vuzov / E.V. Lucenko, V.E. Korzhakov // PolitematicheskiJ setevoJ JelektronnyJ nauchnyJ zhurnal Kubanskogo gosudarstvennogo agrarno- go universiteta (NauchnyJ zhurnal KubGAU) [JelektronnyJ resurs]. — Krasnodar: Kub- GAU, 2013. — №04(088). S. 340 — 359. — IDA [article ID]: 0881304022. — Rezhim dostupa: http://eJ.kubagro.ru/2013/04/pdf/22.pdf, 1,25 u.p.l.

    4. Lucenko E.V. AvtomatizirovannyJ sistemno-kognitivnyJ analiz v upravlenii aktivnymi ob#ektami (sistemnaJa teoriJa informacii i ee primenenie v issledovanii

    jekonomicheskih, social’no-psihologicheskih, tehnologicheskih i organizacionno-tehnicheskih sistem): Monografija (nauchnoe izdanie). — Krasnodar: KubGAU. 2002. — 605 s.

    Контрагент ООО «АСК»

    Организация ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ «АВТОМАТИЗИРОВАННЫЕ СИСТЕМЫ КОНТРОЛЯ» зарегистрирована в едином государственном реестре юридических лиц 10 лет назад 16 июля 2013.

    Средний возраст юридических лиц для вида деятельности 62.01 «Разработка компьютерного программного обеспечения» составляет 7 лет. Данная организация уже существует дольше.

    Налоговый орган, в котором юридическое лицо состоит на учёте: Межрайонная инспекция Федеральной налоговой службы № 15 по Кемеровской области — Кузбассу (код инспекции – 4205).

    Регистрационный номер в ПФР: 052049026764 от 22 июля 2013 г.

    Регистрационный номер в ФСС: 421802490342041 от 1 сентября 2022 г.

    Чем занимается организация, виды деятельности

    Основной вид деятельности организации: Разработка компьютерного программного обеспечения (код по ОКВЭД 62.01).

    Дополнительно организация заявила следующие виды деятельности:

    33.12 Ремонт машин и оборудования
    33.13 Ремонт электронного и оптического оборудования
    33.20 Монтаж промышленных машин и оборудования
    43.21 Производство электромонтажных работ
    45.20 Техническое обслуживание и ремонт автотранспортных средств

    показать ещё 14

    Организация включена в реестр Роскомнадзора как оператор, осуществляющий обработку персональных данных.

    Где находится ООО «АСК», юридический адрес

    ООО «АСК» зарегистрировано по адресу: 650000, обл. Кемеровская Область — Кузбасс, г. Кемерово, ул. Карболитовская, д. 20. ( показать на карте )

    По данному адресу также числятся или ранее числились следующие организации:

    1. ООО «КОМПАНИЯ МАСТЕР СТУДИЯ»
    2. ООО «СИБИРСКАЯ РЕКЛАМА»
    3. ООО «МАСТЕР СТУДИЯ»
    4. ООО ТД «АСК» (до смены адреса 28.04.2018)
    5. ООО «АСК-ТЕХНОЛОДЖИ» (ликвидир. 26.11.2014)

    Кто владелец (учредитель) организации

    Учредителем ООО «АСК» является:

    Учредитель доля стоимость с какой даты
    Афанасьев Игорь Константинович (ИНН: 420504290983) также является учредителем еще 13 организаций 100% 10 тыс. руб. 10.05.2023

    Ранее согласно ЕГРЮЛ учредителями значились:

    Учредители доля стоимость с какой даты до даты *
    100% 10 тыс. руб. 16.07.2013 10.05.2023
    Ковалев Сергей Владимирович (ИНН: 420544287610) 10% 1 тыс. руб. 16.07.2013 04.07.2018

    Кто руководит ООО «АСК»

    Руководителем организации (лицом, имеющим право без доверенности действовать от имени юридического лица) с 27 апреля 2023 г. является директор Чухров Денис Юрьевич (ИНН: 420528011068).

    Чухров Денис Юрьевич также руководит еще 2 организациями:

    Ранее организацией руководил (директор с 22.10.2014 до 27.04.2023 г. * ).

    Кем руководит и владеет организация (числится учредителем)

    ООО «АСК» не значится учредителем каких-либо российских юридических лиц.

    Численность сотрудников

    В 2022 году среднесписочная численность работников ООО «АСК» составила 7 человек. Это на 1 человека больше, чем в 2021 году.

    Финансы организации

    Уставный капитал ООО «АСК» составляет 10 тыс. руб. Это минимальный уставный капитал для организаций, созданных в форме ООО.

    В 2022 году организация получила выручку в сумме 14,5 млн руб., что на 6,3 млн руб., или на 76,9 %, больше, чем годом ранее.

    По состоянию на 31 декабря 2022 года совокупные активы организации составляли 7,5 млн руб. Это на 18 тыс. руб. (на 0,2 %) больше, чем годом ранее.

    Чистые активы ООО «АСК» по состоянию на 31.12.2022 были отрицательные, минус 7,1 млн руб.

    Результатом работы ООО «АСК» за 2022 год стала прибыль в размере 658 тыс. руб. Это на 18,6 % больше, чем в 2021 г.

    Организация не применяет специальных режимов налогообложения (находится на общем режиме).

    Организация относится к категории микропредприятий. В соответствии с нормативно утвержденными критериями, микропредприятием считается организация с выручкой до 120 млн. руб. в год и численностью сотрудников до 15 человек.

    Полная информация о составе имущества и обязательств организации, финансовых результатах доступна в бухгалтерской отчетности ООО «АСК».

    Сведения об уплаченных организацией суммах налогов и сборов за 2022 год

    Налог на добавленную стоимость 0 руб.
    Налог на доходы физических лиц 0 руб.
    Налог на прибыль 16,6 тыс. руб.
    Страховые взносы на обязательное медицинское страхование работающего населения, зачисляемые в бюджет Федерального фонда обязательного медицинского страхования 290 тыс. руб.
    Страховые взносы на обязательное социальное страхование на случай временной нетрудоспособности и в связи с материнством 43,5 тыс. руб.
    Страховые и другие взносы на обязательное пенсионное страхование, зачисляемые в Пенсионный фонд Российской Федерации 794 тыс. руб.
    Транспортный налог 0 руб.
    Налог на имущество организаций 0 руб.
    НЕНАЛОГОВЫЕ ДОХОДЫ, администрируемые налоговыми органами 0 руб.
    Итого 1,14 млн. руб.

    Организация не имела налоговой задолженности по состоянию на 10.11.2023. При этом на 10.11.2023 имелись сведения о задолженности по налоговым платежам в сумме 4,02 млн. руб.

    Сумма неуплаченных налоговых штрафов на 01.10.2019: 67,7 тыс. руб.

    Лица, связанные с ООО «АСК»

    На основе данных единого государственного реестра юридических лиц прослеживаются следующие взаимосвязи лиц, имеющих прямое или косвенное отношение к организации:

    1. Чухров Денис Юрьевич
      (директор)
    2. Афанасьев Игорь Константинович
      (учредитель)
    3. Шалюта Евгений Александрович
      (директор до 27.04.2023 * , учредитель до 10.05.2023 * )
    4. Ковалев Сергей Владимирович
      (учредитель до 04.07.2018 * )
    1. ООО ТД «АСК»
      (Чухров Денис Юрьевич — генеральный директор; — директор до 03.04.2020 * , учредитель; находилось по одному адресу с ООО «АСК»; — директор до 06.12.2018 * , учредитель до 28.04.2023 * )
    2. ООО «АСК-ИННОВАЦИЯ»
      (Чухров Денис Юрьевич — генеральный директор; Афанасьев Игорь Константинович — учредитель)
    3. ООО «ВОККАЛОККА»
      ( — директор до 10.01.2020 * , учредитель; — учредитель до 04.02.2022 * )
    4. ООО «АНИК ЛАБ»
      (Афанасьев Игорь Константинович — генеральный директор, учредитель)
    5. ООО «ГАСКАР ГРУПП»
      (Афанасьев Игорь Константинович — генеральный директор, учредитель)
    6. ООО «ГАСКАР ИНТЕГРАЦИЯ»
      (Афанасьев Игорь Константинович — генеральный директор, учредитель)
    7. ООО «СНИП»
      (Афанасьев Игорь Константинович — учредитель; — учредитель до 07.02.2022 * )
    8. ООО «М-КЕЙТЕРИНГ»
      ( — учредитель до 25.04.2023 * ; Шалюта Евгений Александрович — учредитель)
    9. ООО «ГАСКАР ТЕХНОЛОГИИ»
      ( — генеральный директор до 08.12.2023 * , учредитель)
    10. ООО «ГЕОСОФТ»
      (Афанасьев Игорь Константинович — учредитель)
    11. ООО РУККИ
      (Афанасьев Игорь Константинович — учредитель)
    12. ООО «ДИДЖИТАЛ ЛАБ»
      (Афанасьев Игорь Константинович — учредитель)
    13. ООО «КОДЛАБ»
      (Афанасьев Игорь Константинович — учредитель)
    14. ООО «ТД АИК»
      (Афанасьев Игорь Константинович — учредитель)
    15. ООО «МУЗА»
      ( — учредитель до 05.05.2022 * )
    16. ООО «ГРУНТ-МАРКЕТ»
      ( — учредитель до 27.10.2023 * )
    17. ООО «МОДУС»
      ( — учредитель до 25.08.2023 * )
    18. ООО «АСК» (ликвидир. 31.12.2020)
      (Афанасьев Игорь Константинович — учредитель; Шалюта Евгений Александрович — ликвидатор, учредитель; Ковалев Сергей Владимирович — учредитель)
    19. ООО «АСК» (ликвидир. 26.09.2016)
      (Афанасьев Игорь Константинович — учредитель; Ковалев Сергей Владимирович — учредитель)
    20. ООО «МАНИ-ТОРРИНГ» (ликвидир. 16.11.2013)
      (Афанасьев Игорь Константинович — директор, учредитель)
    21. ООО «КОМПАНИЯ МАСТЕР СТУДИЯ»
      (находится по одному адресу с ООО «АСК»)
    22. ООО «СИБИРСКАЯ РЕКЛАМА»
      (находится по одному адресу с ООО «АСК»)
    23. ООО «МАСТЕР СТУДИЯ»
      (находится по одному адресу с ООО «АСК»)
    24. ООО «М-КЕЙТЕРИНГ РЕГИОНЫ»
      (Шалюта Евгений Александрович — учредитель)
    25. ООО «М-АГРО»
      (Шалюта Евгений Александрович — учредитель)
    26. ООО «РЕСТОРАНЫ»
      (Шалюта Евгений Александрович — учредитель)
    27. ООО «МОНТАНА»
      (Шалюта Евгений Александрович — учредитель)
    28. ООО «М-КИТЧЕН»
      ( — учредитель до 09.07.2020 * )
    29. ООО НИИГД
      ( — учредитель до 30.07.2018 * )
    30. ООО «КУЗБАССИНВЕСТТРЭЙД» (ликвидир. 07.03.2023)
      (Ковалев Сергей Владимирович — председатель ликвидационной комиссии, учредитель)
    31. АНО «БИЛЬЯРД-КЛУБ «ПУЛ» (ликвидир. 26.11.2010)
      (Шалюта Евгений Александрович — директор)
    32. ООО «М-РЕКРУТИНГ» (ликвидир. 26.01.2024)
      (Шалюта Евгений Александрович — учредитель)
    33. ООО «ЗОЛОТАЯ СЕРЕДИНА-КУЗБАСС+» (ликвидир. 23.01.2017)
      (Шалюта Евгений Александрович — учредитель)
    34. ООО «ОПТ-СЕРВИС» (ликвидир. 11.07.2012)
      (Шалюта Евгений Александрович — учредитель)
    35. КЕМЕРОВСКАЯ РЕГИОНАЛЬНАЯ МОЛОДЕЖНАЯ ОБЩЕСТВЕННАЯ ОРГАНИЗАЦИЯ «АТЛАНТ» (ликвидир. 26.10.2004)
      ( — учредитель до 02.01.2022 * )
    1. ООО «АМЕТИСТ КЭПИТАЛ»
      (учредитель ООО ТД «АСК»; учредитель ООО «АНИК ЛАБ»; учредитель ООО «ГАСКАР ГРУПП»; учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ»; учредитель ООО «ГАСКАР ТЕХНОЛОГИИ»; учредитель ООО РУККИ)
    2. Маскалев Андрей Викторович
      (генеральный директор ООО «ВОККАЛОККА»; генеральный директор ООО «ГЕОСОФТ», учредитель ООО «ГЕОСОФТ»; генеральный директор ООО «КОДЛАБ»)
    3. Пешкова Мария Николаевна
      (учредитель ООО «ВОККАЛОККА»; генеральный директор ООО «ДИДЖИТАЛ ЛАБ»)
    4. (учредитель ООО ТД «АСК» до 26.09.2023 * ; учредитель ООО «ВОККАЛОККА»; учредитель ООО «АНИК ЛАБ»; учредитель ООО «ГАСКАР ГРУПП»; учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ»; учредитель ООО «М-КЕЙТЕРИНГ» до 25.01.2023 * ; учредитель ООО «ГАСКАР ТЕХНОЛОГИИ»; учредитель ООО «ГЕОСОФТ»; учредитель ООО РУККИ до 06.10.2023 * ; учредитель ООО «М-АГРО» до 25.01.2023 * )
    5. (генеральный директор ООО «СНИП»; генеральный директор ООО «ТД АИК» до 25.05.2023 * )
    6. ООО «ОПУС»
      (ООО «ГАСКАР ИНТЕГРАЦИЯ» — учредитель)
    7. Зенин Игорь Игоревич
      (генеральный директор ООО РУККИ, учредитель ООО РУККИ)
    8. Купреева Альфия Габдулхаевна
      (генеральный директор ООО «М-КЕЙТЕРИНГ»)
    9. Кашапов Айрат Маннурович
      (учредитель ООО «М-КЕЙТЕРИНГ»)
    10. Гелик Александр Геннадьевич
      (генеральный директор ООО «ГАСКАР ТЕХНОЛОГИИ»)
    11. Ашманов Олег Сергеевич
      (генеральный директор ООО «ГРУНТ-МАРКЕТ», учредитель ООО «ГРУНТ-МАРКЕТ»)
    12. Го Сергей Чаныевич
      (генеральный директор ООО «МОДУС», учредитель ООО «МОДУС»)
    13. ООО «ДРОНОПОРТ»
      ( — учредитель до 28.04.2023 * )
    14. (учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ» до 25.09.2023 * )
    15. Богданов Александр Николаевич
      (учредитель ООО «ГЕОСОФТ»)
    16. Волков Виктор Вадимович
      (учредитель ООО «ГЕОСОФТ»)
    17. Пилюков Иван Валерьевич
      (генеральный директор ООО «ТД АИК»)
    18. Шульпин Никита Степанович
      (учредитель ООО «ТД АИК»)
    19. (учредитель ООО «ГАСКАР ТЕХНОЛОГИИ» до 25.09.2023 * )
    20. (учредитель ООО «ГЕОСОФТ» до 09.01.2023 * )
    21. (учредитель ООО РУККИ до 06.10.2023 * )
    22. Коваленко Михаил Геннадиевич
      (директор ООО «МУЗА»)
    23. Коваленко Мария Александровна
      (учредитель ООО «МУЗА»)
    24. Гагас Алексей Николаевич
      (учредитель ООО «МОДУС»)
    25. (учредитель ООО ТД «АСК» до 01.07.2021 * ; учредитель ООО «ВОККАЛОККА» до 04.09.2020 * ; генеральный директор ООО «АНИК ЛАБ» до 21.09.2023 * , учредитель ООО «АНИК ЛАБ» до 13.08.2020 * )
    26. (генеральный директор ООО «АНИК ЛАБ» до 29.12.2018 * , учредитель ООО «АНИК ЛАБ» до 29.12.2018 * ; генеральный директор ООО «ГАСКАР ИНТЕГРАЦИЯ» до 05.12.2019 * , учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ» до 28.07.2021 * )
    27. (генеральный директор ООО «ВОККАЛОККА» до 15.03.2023 * ; генеральный директор ООО «СНИП» до 17.02.2021 * )
    28. (директор ООО ТД «АСК» до 30.09.2020 * )
    29. (учредитель ООО «М-КЕЙТЕРИНГ» до 03.08.2023 * ; учредитель ООО «М-КЕЙТЕРИНГ РЕГИОНЫ»; учредитель ООО «М-АГРО»)
    30. (генеральный директор ООО «ВОККАЛОККА» до 20.10.2021 * , учредитель ООО «ВОККАЛОККА» до 25.11.2021 * )
    31. (генеральный директор ООО «АНИК ЛАБ» до 18.07.2018 * )
    32. (учредитель ООО «АНИК ЛАБ» до 07.09.2018 * )
    33. (учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ» до 08.12.2020 * )
    34. (учредитель ООО «ГАСКАР ИНТЕГРАЦИЯ» до 08.08.2018 * )
    35. Рычигина Елена Сергеевна
      (генеральный директор ООО «М-КЕЙТЕРИНГ РЕГИОНЫ»)
    36. Шалюта Александр Александрович
      (директор ООО «М-АГРО»)
    37. Максакова Ксения Александровна
      (директор ООО «РЕСТОРАНЫ»)
    38. (генеральный директор ООО «ГРУНТ-МАРКЕТ» до 01.11.2023 * , учредитель ООО «ГРУНТ-МАРКЕТ»)
    39. Шерин Вячеслав Юрьевич
      (генеральный директор ООО НИИГД, учредитель ООО НИИГД)
    40. (генеральный директор ООО «ТД АИК» до 21.07.2023 * )
    41. (генеральный директор ООО «ГРУНТ-МАРКЕТ» до 03.08.2021 * , учредитель ООО «ГРУНТ-МАРКЕТ» до 04.08.2021 * )
    42. Степочкина Татьяна Анатольевна
      (директор ООО «М-КИТЧЕН»)
    43. (учредитель ООО «РЕСТОРАНЫ» до 23.04.2020 * ; директор ООО «МОНТАНА», учредитель ООО «МОНТАНА»; учредитель ООО «М-КИТЧЕН»)
    44. (директор ООО «РЕСТОРАНЫ» до 14.05.2020 * , учредитель ООО «РЕСТОРАНЫ» до 23.04.2020 * )
    45. (директор ООО «М-КИТЧЕН» до 29.05.2020 * , учредитель ООО «М-КИТЧЕН» до 09.07.2020 * )
    46. (генеральный директор ООО НИИГД до 19.09.2023 * )
    47. (учредитель ООО НИИГД до 01.02.2024 * )
    48. (учредитель ООО НИИГД до 30.07.2018 * )

    Дальнейшие связи не найдены

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *