ГЛАВА-5. СОВЕРШЕНСТВОВАНИЕ МЕТОДОВ КОМПЬЮТЕРНОЙ СЕЛЕКЦИИ ПОДСОЛНЕЧНИКА

Исследование посвящено решению актуальных задач прогнозирования и поддержки принятия решений при выборе растений для селекции методом отбора, на основе выявления и использования знания причинно-следственных зависимостей между непосредственно наблюдаемыми фенотипическими признаками растений и их хозяйственными свойствами, являющимися целями селекции.

В разделе 1: "Постановка задачи и выбор метода ее решения" обоснованы актуальность, объект и предмет, цель и задачи исследования, приведены источники исходных данных, дана характеристика исходных данных и обоснованы требования к методу решения поставленных задач, кратко описаны традиционные методы решения, и сделан основной вывод о недостаточности традиционных подходов и целесообразности применения новых методов, а именно методов "компьютерной селекции", для решения поставленных задач.

В разделе 2: "Когнитивная структуризация, формальная постановка задач и синтез модели" обоснованы выбор метода и концепция решения задач, дано краткое описание метода системно-когнитивного анализа (СК-анализ) с учетом его применения для решения поставленных задач, раскрыты его теоретические предпосылки, описаны математическая модель, методика численных расчетов, специальный программный инструментарий (система "Эйдос"), проведены когнитивная структуризация предметной области, формальная постановка задачи и формирование обучающей выборки. В частности, разработаны классификационные и описательные шкалы и градации, а также Excel-форма для представления исходных данных; применен программный интерфейс СК-анализа для преобразования исходных данных из этой формы в базы данных системы "Эйдос"; а затем и осуществлен синтез семантической информационной модели, ее оптимизация и проверка на адекватность. По результатам второй главы сделан главный вывод о том, что сформированная модель имеет достаточно высокую адекватность для того, чтобы ее исследование считать исследованием самого объекта. Это значит, что ей корректно пользоваться для решения поставленных задач.

В разделе 3: "Исследование семантический информационной модели" решены следующие задачи: выявлены причинно-следственные зависимости между фенотипическими признаками подсолнечника и его хозяйственными свойствами; разработана методика прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков; разработана методика поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков. В третьей главе сделан вывод о том, что предложенный подход позволяет успешно решить поставленные задачи и достичь цели работы.

В разделе 4: "Эффективность применения полученного решения, его ограничения и перспективы развития" кратко описаны возможности применения предложенной технологии в научно-селекционных и образовательных организациях. Показаны ограничения разработанной технологии и перспективы ее развития. Сделан вывод об эффективности предложенной технологии и целесообразности ее применения и дальнейшего развития.

В выводах кратко перечислены полученные результаты, констатировано достижение цели работы, сформулирована научная новизна и практическая значимость проведенного исследования.

5.1. Постановка задачи и выбор метода ее решения

5.1.1. Проблема, решаемая в работе, традиционные
пути ее решения и их недостатки

При селекции методом отбора для следующих поколений отбираются лучшие по генотипу растения. Лучшим считается генотип, детерминирующий наилучшие по заданным критериям хозяйственные свойства растений.

Однако исследования на уровне генома, дающие информацию о том, какие конкретно гены и их сочетания детерминируют заданные целевые хозяйственные свойства, весьма дороги, трудоемки, требуют очень высокого уровня квалификации исследователей, значительного времени и первоклассного оборудования. Все это делает весьма проблематичным и даже практически невозможным отбор конкретных растений для следующих селекционных поколений путем анализа их генома и сравнения его с оптимальным.

Поэтому традиционным является отбор растений по их целевым хозяйственным свойствам. В случае подсолнечника, это его морозостойкость, вес семян с одного растения и с гектара, выход масла с единицы веса семян и с гектара посевов подсолнечника. Однако и количественная оценка хозяйственных свойств конкретных растений требует специальных инструментальных измерений, например веса и выхода масла, которые сложно провести в полевых условиях.

Таким образом, проблема, решаемая в работе, состоит в разработке полевой неинструментальной экспресс-методики, обеспечивающей оценку того, обладает ли генотип данного конкретного растения заданными целевыми свойствами. При этом не должно осуществляться непосредственного исследования генотипа и не должны использоваться какие-либо специальные инструментальные измерения хозяйственных характеристик растений.

5.1.2. Идея решения проблемы

Идея решения проблемы состоит в следующем.

Генотип растения детерминирует не только его хозяйственные свойства, но и фенотипические признаки. Поэтому по фенотипическим признакам растения можно судить не только о его генотипе, но и его хозяйственных свойствах. Фенотипические же признаки устанавливаются непосредственно визуально или их оценка может потребовать простых измерений с помощью рулетки или мерного шеста.

Поэтому предлагается следующая идея: если выявить зависимости хозяйственных свойств растений от их фенотипических признаков, то можно косвенно оценивать, т.е. по сути измерять, эти хозяйственные свойства по фенотипическим признакам, естественно, с определенной степенью надежности, которую необходимо контролировать.

Правда необходимо отметить, что на фенотипические признаки, кроме генотипа растения, оказывают влияние также и внешние для растения факторы. Эти внешние факторы можно разделить на две основные группы по степени их зависимости от воли человека:

1. Факторы окружающей среды (прежде всего виды почв и метеорологические факторы) практически не зависят от человека.

2. Технологические факторы, т.е. связанные с использованием различных агротехнологий (вспашка, нормы высева, способы удобрения и защиты растений, полив, освещение, севооборот, и т.д.) во многом зависят от человека.

Исследование влияния почв и метеорологических факторов на количественные и качественные результаты выращивания плодовых культур проводились И.А.Драгавцевой, Е.В.Луценко и Л.М.Лопатиной исследования [5-12, 15, 23, 68-75, 78, 84, 87]. По семечковым, в частности яблокам, подобная работа, насколько известно по литературным данным, по-видимому, впервые проведена А.М.Максимовым под научным руководством Е.В. Луценко. Влияние технологических факторов на количественные и качественные результаты выращивания зерновых колосовых изучалось О.А.Засухиной и Е.В.Луценко [27].

Способ учета влияния всех этих внешних факторов один и тот же и не отличается от способа выявления зависимостей между фенотипом и хозяйственными свойствами растений. Это означает, что технически мы могли бы исследовать все эти группы факторов в комплексе. Однако в данном исследовании учитывать мы этого делать не будем по двум основным причинам:

– первое: в процессах многолетней селекции подсолнечника морозоустойчивого сорта "Победа" в агрономических журналах не фиксировались внешние факторы;

– второе: внешние факторы выращивания не менялись в процессе селекции, т.е. выращивание осуществлялось в одной микрозоне с постоянными метеоусловиями и по одной технологии. Поэтому даже если бы эти факторы и учитывались в журналах, их влияние на хозяйственные свойства изучить не представлялось бы возможным из-за практически полного отсутствия вариабельности по этим факторам.

Поэтому в данном исследовании внешними факторами вполне корректно можно пренебречь.

5.1.3. Актуальность, объект и предмет,
цель и задачи исследования

Актуальность для науки данной работы определяется также ее научной новизной. Как уже упоминалось выше, в какой-то мере сходные исследования и разработки проводились И.А. Драгавцевой, Л.М.Лопатиной, Е.В.Луценко исследования [5-12, 15, 23, 68-75, 78, 84, 87], А.М.Максимовым, Е.В.Луценко и О.А.Засухиной, Е.В.Луценко [27]. Однако исследование взаимосвязи фенотипа и хозяйственных свойств подсолнечника, в частности для морозоустойчивого сорта "Победа", с целями совершенствования методов его компьютерной селекции, по всей видимости проведено впервые, в этом и состоит научная новизна данной работы [18, 64-67].

Актуальность для практики темы работы определяется возможностью применения ее результатов в практике работы научно-селекционных и образовательных организаций.

В научно-селекционных организациях разработанные методы компьютерной селекции позволяют существенно снизить затраты различных видов ресурсов, прежде всего времени и финансовых средств, на проведение селекционной работы методом отбора лучших по генотипу растений и использования их для формирования следующего селекционного поколения.

В учебном процессе методика разработки и решения перечисленных выше задач может быть использована для разработки полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", изучаемой на 5-м курсе специальности 351400 – Прикладная информатика.

Таким образом, объектом исследования является изучение взаимосвязи фенотипа и хозяйственных свойств культурных растений.

Предмет исследования состоит в изучении взаимосвязи фенотипа и хозяйственных свойств подсолнечника.

Цель исследования: выявление причинно-следственных зависимостей между фенотипом и хозяйственными свойствами подсолнечника сорта "Победа", и, на основе этого, разработка неинструментальной полевой методики прогнозирования хозяйственных свойств и поддержки принятия решений по отбору растений для следующего селекционного поколения.

5.1.4. Характеристика исходных данных и обоснование требований к методу решения поставленных задач

5.1.4.1. Источники исходных данных

Основой для выполнения данной работы являются данные, предоставленные научно-селекционной агрофирмой ООО "Эверест-Олвик", специализирующейся на селекции морозоустойчивых высокотехнологичных сортов подсолнечника, прежде всего совершенствовании сорта "Победа".

Агрофирму ООО "Эверест-Олвик" создал и уже более 13 лет бессменно возглавляет известный ученый, продолжатель дела академика В.С.Пустовойта, ученик академика И.А. Рапопорта, заслуженный деятель науки Кубани, профессор, доктор сельскохозяйственных наук Ашот Андраникович Калайджян – автор 225 научных работ, 3-х монографий и двух новых сортов подсолнечника Салют и Победа. Сегодня возглавляемая им агрофирма – одно из ведущих хозяйств России по выведению новых сортов подсолнечника.

5.1.4.2. Характеристика исходных данных

Первичная форма существования исходных данных – это полевые журналы агрономов-селекционеров, в которых они на протяжении 25 лет проведения селекционной работы по сорту "Победа" фиксировали регенеративные (хозяйственные) и вегетативные (фенотипические) характеристики растений на различных делянках. Для исследования в данной работе выбраны данные за 10 лет: с 1994 по 2003 годы, по 100 делянок на каждый год. Анализ этих данных показывает, что они отражают не все возможные сочетания значений признаков.

5.1.5. Выводы

Традиционные методы обработки имеющихся исходных данных не обеспечивают решение поставленных задач и необходимо использование нового подхода, обеспечивающего выявление зависимостей между хозяйственными свойствами растений подсолнечника и их фенотипическими признаками при неполных (фрагментированных) данных.

5.2. Когнитивная структуризация, формальная
постановка задачи и синтез модели

5.2.1. Обоснование выбора метода
и концепция решения задачи

5.2.1.1. Традиционные методы решения и их недостатки

Традиционные статистические модели требуют информации о результатах действия всех сочетаний исследуемых факторов ("повторности"). В исследуемой предметной области это требование на практике сложно достижимо.

Необходимо особо подчеркнуть, что восполнить отсутствующие данные из опыта не представляется возможным, т.к. объект исследования принципиально не допускает повторение условий прошедших периодов с заданными сочетаниями факторов, которые не зависят от воли человека. Восполнение данных путем интерполяции также некорректно, т.к. в каждой строке и столбце корреляционной матрицы имеется более одного пропуска.

Кроме того, статистические модели очень сложно содержательно интерпретировать, для чего требуются большой труд квалифицированных аналитиков.

Таким образом, можно сделать вывод, что для моделирования такого сложного и малоисследованного объекта, каким является подсолнечник в процессе селекции, применение традиционных математических моделей является проблематичным.

5.2.1.2. Выбор метода системно-когнитивного анализа

По-видимому, решение поставленных задач может быть получено путем применения системно-когнитивного анализа (СК-анализ) [27], – нового перспективного математического метода системного анализа, основанного на теории информации, системном анализе и когнитивном моделировании.

Метод является непараметрическим, позволяет сопоставимо обрабатывать тысячи градаций факторов и будущих состояний объекта управления при неполных (фрагментированных), зашумленных данных различной природы.

Для метода СК-анализа разработаны и методика численных расчетов, и соответствующий программный инструментарий, а также технология и методика их применения. Они прошли успешную апробацию при решении ряда задач в различных предметных областях [27].

Наличие инструментария СК-анализа позволяет не только осуществить синтез семантической информационной модели (СИМ), но и периодически поводить адаптацию и синтез ее новых версий, обеспечивая тем самым отслеживание динамики предметной области и сохраняя высокую адекватность модели в изменяющихся условиях.

В работах [27, 35, 36] приведен перечень этапов системно-когнитивного анализа, которые необходимо выполнить, чтобы осуществить синтез модели и исследование модели объекта управления:

1. Когнитивная структуризация, а затем и формализация предметной области.

2. Ввод данных мониторинга в базу прецедентов за период, в течение которого имеется необходимая информация в электронной форме.

3. Синтез семантической информационной модели (СИМ).

4. Оптимизация СИМ.

5. Проверка адекватности СИМ (измерение внутренней и внешней, дифференциальной и интегральной валидности).

6. Анализ СИМ.

7. Решение задач идентификации состояний объекта управления, прогнозирование и поддержка принятия управленческих решений по управлению с применением СИМ.

Важной особенностью СК-анализе является возможность единообразной числовой обработки разнотипных числовых и нечисловых данных. Это обеспечивается тем, что нечисловым величинам тем же методом, что и числовым, приписываются сопоставимые в пространстве и времени, а также между собой, количественные значения, позволяющие обрабатывать их как числовые:

– на первых двух этапах СК-анализа числовые величины сводятся к интервальным оценкам, как и информация об объектах нечисловой природы (фактах, событиях) (этот этап реализуется и в методах интервальной статистики);

– на третьем этапе СК-анализа всем этим величинам по единой методике, основанной на системном обобщении семантической теории информации А.Харкевича, сопоставляются количественные величины, с которыми в дальнейшем и производятся все операции моделирования (этот этап является уникальным для СК-анализа).

Учитывая эти этапы СК-анализа выполним декомпозицию цели работы в ряд задач, решение которых обеспечит ее поэтапное достижение:

1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных.

2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (журналы).

3. Разработка Excel-формы для представления исходных данных.

4. Преобразование исходных данных в Excel-форму.

5. Контроль достоверности исходных данных и исправление ошибок.

6. Использование программного интерфейса для преобразования исходных данных из стандартной формы по фенофазам в базы данных, используемые в инструментарии системно-когнитивного анализа (СК-анализ) – когнитивной аналитической системе "Эйдос" (система "Эйдос").

7. Синтез семантической информационной модели (СИМ).

8. Оптимизация СИМ.

9. Измерение адекватности СИМ.

10. Задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;

11. Задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;

12. Задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков.

13. Разработка принципов оценки экономической эффективности разработанных технологий при их применении:

– в научно-селекционных организациях;

– в образовательных учреждениях.

14. Исследование ограничений разработанной технологии и перспектив ее развития.

5.2.2. Когнитивная структуризация предметной области,
формальная постановка задачи
и формирование обучающей выборки

Рассмотрим подробнее пути реализации первого этапа СК-анализа. На этом этапе:

– конкретно определяются факторы и будущие состояния объекта управления;

– измеряется область изменения числовых значений факторов и интервалы (диапазоны), а также макропараметров, определяющих состояния объекта управления;

– конструируются классификационные и описательные шкалы и градации и их кодирование;

– исходные данные кодируются в системе классификационных и описательных шкал и градаций, и формируется обучающая выборка (база прецедентов, содержащая в формализованный опыт управления перерабатывающим комплексом региона за ряд лет).

5.2.2.1. Когнитивная структуризация предметной области и формальная постановка задачи, проектирование структуры и состава исходных данных

5.2.2.1.1. Когнитивная структуризация предметной области

Под когнитивной структуризацией в общем случае понимается определение будущих, как желательных (целевых), так и нежелательных состояний объекта исследования и управления, а также системы факторов, детерминирующих эти состояния. В общем случае, как факторы могут рассматриваться и факторы окружающей среды, и технологические факторы, и параметры объекта исследования на низких уровнях ее иерархической структурно-функциональной организации.

В данном исследовании как будущие состояния объекта рассматриваются хозяйственные свойства, а как факторы – фенотипические признаки. Поэтому под когнитивной структуризацией в данной работе понимается определение хозяйственных свойств, как желательных (целевых), так и нежелательных, а также системы фенотипических признаков, связанных с этими хозяйственными свойствами.

Предлагаем для исследования в модели следующие состояния объекта исследования (классы) (таблица 39) и детерминирующие их факторы (признаки) (таблица 40).

Таблица 39 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ

Код	Наименование класса
1	Год
2	Урожайность (г.)
3	Сборы масла (г.)
4	Средняя масличность (%)
5	Натура (г/л)

Таблица 40 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ (ФАКТОРЫ)

Код	Наименование класса
1	Вес семян с 1 корзины (г.)
2	Время посева
3	Высота растения (см.)
4	Облиственность (шт.)
5	Диаметр корзины (см.)

5.2.2.1.2. Формализация предметной области

Формализация предметной области осуществляется на основе ее когнитивной структуризации, проведенной в предыдущем разделе.

Формализация предметной области – это конструирование классификационных (таблица 41) и описательных шкал и градаций (таблицы 42), как правило, порядкового типа с использованием интервальных оценок, в системе которых предметная область описывается в форме, пригодной для обработки на компьютере с использованием математических моделей, т.е. шкалы и градации представляются в закодированной форме. [27].

Таблица 41 – КЛАССИФИКАЦИОННЫЕ ШКАЛЫ
И ГРАДАЦИИ (КЛАССЫ)

Код	Наименование класса	Код	Наименование класса
1	Год	3	Сборы масла (г.)
1	1994	17	менее 200
2	1995	18	[ 200, 250)
3	1996	19	[ 250, 300)
4	1997	20	[300, 350)
5	1998	21	[350, 400)
6	1999	22	400 и более
7	2000	4	Средняя масличность(%)
8	2001	23	менее 50
9	2002	24	[ 50, 51)
10	2003	25	51, 52
2	Урожайность (г.)	26	52, 53
11	менее 400	27	53, 54
12	[400, 500)	28	54 и более
13	[500, 600)	5	Натура (г/л)
14	[600, 700)	29	менее 420
15	[700, 800)	30	420, 430
16	800 и более	31	430, 440
		32	440, 450
		33	450, 460
		34	460, 470
		35	470 и более

Таблица 42 – ОПИСАТЕЛЬНЫЕ ШКАЛЫ И ГРАДАЦИИ (ФАКТОРЫ)

==================================================

| Код | Н а и м е н о в а н и я |

| призн| шкал и градаций признаков |

|================================================|

|[ 1]| ВЕС СЕМЯН С 1 КОРЗИНЫ (Г) |

| 1 | менее 60 |

| 2 | [60, 70) |

| 3 | [70, 80) |

| 4 | [80, 90) |

| 5 | [90, 100) |

| 6 | 100 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 2]| ВРЕМЯ ПОСЕВА |

| 7 | ПОЗДНЕЗИМНИЙ (ДЕКАБРЬ) |

| 8 | РАННЕВЕСЕННИЙ(ФЕВРАЛЬ) |

| 9 | ОПТИМАЛЬНЫЙ |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 3]| ВЫСОТА РАСТЕНИЯ (см.) |

| 10 | менее 50 |

| 11 | [50, 80) |

| 12 | [80, 110) |

| 13 | [110, 140) |

| 14 | [140, 170) |

| 15 | [170, 200) |

| 16 | 200 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 4]| ОБЛИСТВЕННОСТЬ (шт.) |

| 17 | менее 30 |

| 18 | 30 |

| 19 | 31 |

| 20 | 32 |

| 21 | 33 |

| 22 | 34 |

| 23 | 35 |

| 24 | 35 и более |

|~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~|

|[ 5]| ДИАМЕТР КОРЗИНЫ (см.) |

| 25 | менее 19 |

| 26 | 19 |

| 27 | 20 |

| 28 | 21 |

| 29 | 22 |

| 30 | 23 |

| 31 | 24 |

| 32 | 24 и более |

==================================================

В соответствии с методом СК-анализа каждый числовой фактор, независимо от его смысла и единиц измерения, рассматривается как переменная числовая величина, принимающая определенное множество значений. Подобные величины формализуются путем сведения к интервальным значениям, т.е. путем введения некоторого количества диапазонов, охватывающих все множество значений фактора, и установления фактов попадания конкретного значения величины в определенный диапазон.

Для каждого фактора устанавливаются свои границы диапазонов, исходя из их количества и множества значений величины фактора.

Количество диапазонов может быть различным для разных факторов, но на практике удобнее выбирать их одинаковым. Каковы же соображения, из которых исходят при выборе количества диапазонов? Чем больше диапазонов, тем точнее интервальные оценки. Однако это так только тогда, когда, по крайней мере, для большинства диапазонов наблюдаются факты попадания значений факторов в них. Очевидно, для этого необходимо достаточно большое количество данных. Если же их нет, то многие диапазоны могут оказаться пустыми и модель приближается к детерминистскому типу. Тогда имеет смысл уменьшить их количество и тем самым укрупнить их.

Из этих рассуждений следует вывод о том, что при большом количестве данных оправданно увеличивать количество диапазонов и имеется возможность повысить точность исследования. Когда же данных недостаточно, приходится укрупнять диапазоны, что приводит к некоторой потере точности выводов, но делает их более обоснованными статистически. По-видимому, это утверждение можно считать одной из форм теоремы Котельникова об отсчетах.

СК-анализ предусматривает также возможность использования вторичных показателей, являющихся различными функциями первичных показателей. Но этот подход требует данных большего объема и за больший период времени и, поэтому, в данном исследовании применяться не будет.

Основываясь на этих соображениях нами, прежде всего, было определено количество диапазонов значений для каждого фактора.

Затем были определены границы каждого диапазона. Для этого:

– для каждого фактора были определены минимальное и максимальное значения;

– весь интервал значений был разделен на несколько равных частей, в общем случае разное для различных факторов. Равенство интервалов в каждой из шкал означает, что фактически эти шкалы являются не порядковыми, как выглядит на первый взгляд, а шкалами отношений.

5.2.2.2. Получение исходных данных запланированного состава в той форме, в которой они накапливаются в поставляющей их организации (журналы)

В научно-селекционной агрофирмой ООО "Эверест-Олвик" организован и ведется систематический сбор и учет данных, необходимых для селекции подсолнечника. Основной объем этой информации составляли журналы агрономов. Эта информация по выбранным для обработки показателям была любезно предоставлена для выполнения данной работы.

5.2.2.3. Разработка электронной формы для представления исходных данных

Для ввода исходных данных непосредственно из журналов агрономов была разработана Excel-таблица, фрагмент которой приводится ниже (таблица 43).

Каждая строка таблицы содержит закодированные данные по одной делянке за определенный год: 1-й столбец – порядковый номер, 2-й – год и номер делянки, столбцы с 3-го по 7-й – коды классов согласно таблице 43, а столбцы с 8-го по 12-й – коды значений факторов, всего 1000 строк за период с 1994 по 2003 годы, по 100 делянок за год. Полностью таблица с обучающей выборкой в данной работе не приводится из-за ее большого объема.

Таблица 43 – ФРАГМЕНТ EXCEL-ТАБЛИЦЫ
ДЛЯ ВВОДА ИСХОДНЫХ ДАННЫХ

№ примера	Год, № делянки	Коды классов					Коды значений факторов
01	02	03	04	05	06	07	08	09	10	11	12
1	1994-1521	1	14	20	26	32	1	7	16	18	29
2	1994-1522	1	14	21	28	35	4	7	16	17	29
3	1994-1523	1	15	22	28	34	4	7	15	22	25
4	1994-1527	1	15	21	28	32	5	7	16	19	27
5	1994-1528	1	15	21	26	33	5	7	16	20	28
6	1994-1529	1	14	20	23	35	5	7	15	20	27
7	1994-1535	1	12	18	27	35	1	7	15	17	25
8	1994-1537	1	13	20	25	32	4	7	15	19	27
9	1994-1541	1	16	22	26	30	3	7	15	19	26
10	1994-1545	1	14	20	27	33	3	7	15	17	26

5.2.2.4. Преобразование исходных данных в электронную форму

Этот этап работ представляет собой кодирование с использованием таблиц 41, 42 и ввод исходных данных из бумажных журналов агрономов в электронную Excel-таблицу (таблица 43) и осуществлялся на компьютере вручную.

5.2.2.5. Контроль достоверности исходных данных и исправление ошибок

После ввода исходных данных в Excel-таблицу, который осуществлялся вручную, была осуществлена выборочная проверка, которая показала правильность кодирования и ввода исходной информации.

5.2.2.6. Импорт исходных данных из входной электронной формы в базы данных системы "Эйдос"

Для этой цели использовалась специально разработанная программа, исходный текст и алгоритм которой приведены ниже (рисунок 55).

ИСХОДНЫЙ ТЕКСТ ПРОГРАММНОГО ИНТЕРФЕЙСА

* ВВОД ОБУЧАЮЩЕЙ ВЫБОРКИ В СИСТЕМУ "ЭЙДОС" ИЗ ФАЙЛА INP_12.DBF

scr23 = SAVESCREEN(0,0,24,79)

SET CURSOR OFF

SET DATE ITALIAN

SET DECIMALS TO 15

SET ESCAPE On

FOR J=0 TO 24

@J,0 SAY REPLICATE(" ",80) COLOR "rg+/N"

NEXT

SHOWTIME(0,60,.F.,"rg+/n",.F.,.F.)

Mess3 = " === ГЕНЕРАЦИЯ СЛУЧАЙНОЙ ОБУЧАЮЩЕЙ ВЫБОРКИ === "

@6,40-LEN(Mess3)/2 SAY Mess3 COLOR "rg+/rb"

USE Inp_12 EXCLUSIVE NEW

USE ObInfZag EXCLUSIVE NEW;ZAP

USE ObInfKpr EXCLUSIVE NEW;ZAP

SELECT Inp_12

N_Rec = RECCOUNT()

x = 0

DBGOTOP()

@24,0 SAY REPLICATE("█",80) COLOR "rb/n"

DO WHILE .NOT. EOF()

****** Генерация массива кодов классов и признаков БД Inp_12.dbf

SELECT Inp_12

Ak := {}

FOR j=1 TO 12

AADD(Ak,FIELDGET(j))

NEXT

****** Запись массива кодов признаков в БД ObInfZag

SELECT ObInfZag

APPEND BLANK

FOR j=1 TO 7

FIELDPUT(j,Ak[j])

NEXT

****** Запись массива кодов признаков в БД ObInfKpr

SELECT ObInfKpr

APPEND BLANK

FIELDPUT(1,Ak[1])

FOR j=8 TO 12

FIELDPUT(j-6,Ak[j])

NEXT

p=++x/N_Rec*100;p=IF(p<=100,p,100)

@24,0 SAY STR(p,3)+"%" COLOR "w+/r+"

@24,4 SAY REPLICATE("█",0.76*p) COLOR "rb+/n"

SELECT Inp_12

DBSKIP(1)

ENDDO

Mess4 = " === ПЕРЕИНДЕКСАЦИЯ === "

@8,40-LEN(Mess4)/2 SAY Mess4 COLOR "rg+/rb"

CLOSE ALL

USE ObInfZag EXCLUSIVE NEW

INDEX ON STR(Kod_Ist,5) TO Oiza_ist

INDEX ON Name_ist TO Oiza_nis

INDEX ON STR(Obj_1,4) TO Oiza_obj

INDEX ON DTOS(Date_ank) TO Oiza_dat

INDEX ON Time_edit TO Oiza_tim

INDEX ON STR(Kod_Old,5) TO Oiza_old

CLOSE ALL

USE ObInfKpr EXCLUSIVE NEW

INDEX ON STR(Kod_Ist,5) TO OIkpr_is

CLOSE ALL

Mess = " ПРОЦЕСС ГЕНЕРАЦИИ ЗАВЕРШЕН УСПЕШНО !!! "

@14,40-LEN(Mess)/2 SAY Mess COLOR "rg+/rb"

INKEY(0)

RESTSCREEN(0,0,24,79,scr23)

CLOSE ALL

QUIT

Рисунок 55. Алгоритм программного интерфейса импорта исходных данных из входной Excel-формы в базы данных системы "Эйдос"

Приведенный программный интерфейс обеспечивает автоматический ввод обучающей выборки из Excel-файла с входной информацией в соответствующие базы данных системы "Эйдос".

5.2.3. Синтез семантической информационной модели, ее оптимизация и проверка на адекватность

5.2.3.1. Синтез семантической информационной модели (СИМ)

Синтез семантической информационной модели (СИМ) осуществляется в 5-м режиме 2-й подсистемы системы "Эйдос" (рисунок 56).

Рисунок 56. Синтез семантической информационной модели

5.2.3.2. Оптимизация СИМ

Оптимизация семантической информационной модели состоит в исключении из нее факторов, не оказывающих существенного влияния на получение тех или иных результатов выращивания исследуемых сельхозкультур. Рассмотрим график, приведенный на рисунке 57.

Рисунок 57. Паретто-кривая "Сила влияния различных градаций факторов на получение различных результатов выращивания "нарастающим итогом"

Из рисунка 57 видно, что в созданной модели практически нет несущественных факторов, поэтому в данном случае оптимизации модели не требуется. В общем случае в результате оптимизации модели резко сокращается ее размерность и резко сокращается время решения задач и объем используемой для баз данных и индексных массивов внешней памяти.

5.2.3.3. Измерение адекватности СИМ

Измерение адекватности СИМ состоит в измерении внутренней и внешней, дифференциальной и интегральной валидности.

5.2.3.3.1. Внутренняя дифференциальная и интегральная валидность

Под внутренней валидностью понимается способность модели верно идентифицировать объекты, входящие в обучающую выборку.

Для измерения адекватности модели необходимо выполнить следующие действия:

1. Скопировать обучающую выборку в распознаваемую (во 1-м режиме 2-й подсистемы нажав клавишу F5).

2. Выполнить пакетное распознавание (во 2-м режиме 4-й подсистемы, задав 1-й критерий сходства) (рисунок 58).

3. Измерить адекватность модели (во 2-м режиме 6-й подсистемы) (рисунки 59 и 60).

Рисунок 58. Выход на режим пакетного распознавания

Рисунок 59. Выход на режим измерения адекватности модели
системы "Эйдос"

Рисунок 60. Экранная форма управления измерением адекватности модели и отображения результатов

Эта форма может прокучиваться вниз-вверх и вправо-влево. В верхней части формы приведены показатели интегральной валидности (средневзвешенные по всей обучающей выборке), а в самой таблице – дифференциальной валидности, т.е. в разрезе по классам.

Кроме того, результаты измерения адекватности модели выводятся в форме файлов с именами ValidSys.txt (таблица 44) и ValAnkSt.txt (рисунок 61) стандарта "TXT-текст DOS" в поддиректории TXT.

Таблица 44 – ИЗМЕРЕНИЕ АДЕКВАТНОСТИ

СЕМАНТИЧЕСКОЙ ИНФОРМАЦИОННОЙ МОДЕЛИ

Рисунок 61. Фрагмент выходной формы ValAnkSt.txt с результатами измерения адекватности модели и отображения результатов

В данной форме приведены коды анкет распознаваемой выборки, которые были верно отнесены моделью к классу 14.

Форма, приведенная в таблице 44, рассчитывается как средневзвешенная на основе карточек прогнозирования, представленных на рисунке 62.

Рисунок 62. Пример карточки прогнозирования хозяйственных свойств подсолнечника с делянки 1310.1 в 1994 году

При этом результаты измерения валидности СИМ зависят от количества классов из карточек распознавания, засчитываемых как верно идентифицированные. График эмпирической зависимости валидности СИМ от этого параметра приведен на рисунке 63.

Рисунок 63. Эмпирическая зависимость валидности СИМ
от количества классов из карточек распознавания,
засчитываемых как верно идентифицированные

"Факторные портреты" тех лет, в которые был получен данный конкретный количественный и качественный результат выращивания данного сорта (рисунок 64), обобщены системой, в результате чего сформирован обобщенный информационный портрет системы факторов, действие которых приводит к данному результату (рисунок 65). Это позволяет решать задачи, связанные с типизацией лет.

Рисунок 64. Пример карточки прогнозирования конкретного
результата выращивания (урожайность 800 и более) подсолнечника
за 10 лет (с 1993 по 2003)

Рисунок 65. Фрагмент информационного портрета класса 16
(конкретного результата выращивания)

5.2.3.3.2. Внешняя дифференциальная и интегральная валидность

Под внешней валидностью понимается способность модели верно идентифицировать объекты, не входящие в обучающую выборку, но относящиеся к генеральной совокупности, по отношению к которой она репрезентативна.

Для измерения внешней валидности необходимо выполнить следующие действия:

1. В режиме измерения адекватности модели запустить режим измерения внешней валидности (нажав F8 Измерение внешней валидности) (рисунок 60).

2. Выбрать один из режимов удаления объектов обучающей выборки, приведенный на экранной форме (рисунок 66).

Рисунок 66. Режим переноса анкет обучающей выборки
в распознаваемую для измерения внешней валидности

Частотное распределение объектов обучающей выборки по классам приведено на рисунке 67 и в таблице 45. Видно, что оно довольно равномерное, т.е. все классы достаточно хорошо представлены. Это значит, что имеет смысл измерение внешней валидности.

Рисунок 67. Частотное распределение
объектов обучающей выборки по классам

Таблица 45 – ЧАСТОТНОЕ РАСПРЕДЕЛЕНИЕ
ОБЪЕКТОВ ОБУЧАЮЩЕЙ ВЫБОРКИ ПО КЛАССАМ

Код	Наименование	Кол-во	Кол-во %	Инф-ть
1	ГОД - 1994	100	10,000	0,21709
2	ГОД - 1995	100	10,000	0,15611
3	ГОД - 1996	100	10,000	0,11928
4	ГОД - 1997	100	10,000	0,12336
5	ГОД - 1998	100	10,000	0,15446
6	ГОД - 1999	100	10,000	0,11498
7	ГОД - 2000	100	10,000	0,14163
8	ГОД - 2001	100	10,000	0,11471
9	ГОД - 2002	100	10,000	0,12852
10	ГОД - 2003	100	10,000	0,09828
11	УРОЖАЙНОСТЬ - менее 400	144	14,400	0,10584
12	УРОЖАЙНОСТЬ - [400, 500)	165	16,500	0,09277
13	УРОЖАЙНОСТЬ - [500, 600)	164	16,400	0,08142
14	УРОЖАЙНОСТЬ - [600, 700)	195	19,500	0,07623
15	УРОЖАЙНОСТЬ - [700, 800)	173	17,300	0,09256
16	УРОЖАЙНОСТЬ - 800 и более	159	15,900	0,09289
17	СБОРЫ МАСЛА - менее 200	168	16,800	0,09061
18	СБОРЫ МАСЛА - [200, 250)	171	17,100	0,07981
19	СБОРЫ МАСЛА - [250, 300)	158	15,800	0,08938
20	СБОРЫ МАСЛА - [300, 350)	191	19,100	0,08988
21	СБОРЫ МАСЛА - [350, 400)	154	15,400	0,08020
22	СБОРЫ МАСЛА - 400 и более	158	15,800	0,09388
23	СРЕДНЯЯ МАСЛИЧНОСТЬ - менее 50	173	17,300	0,08743
24	СРЕДНЯЯ МАСЛИЧНОСТЬ - [50, 51)	168	16,800	0,07098
Код	Наименование	Кол-во	Кол-во %	Инф-ть
25	СРЕДНЯЯ МАСЛИЧНОСТЬ - [51, 52)	163	16,300	0,09256
26	СРЕДНЯЯ МАСЛИЧНОСТЬ - [52, 53)	146	14,600	0,07171
27	СРЕДНЯЯ МАСЛИЧНОСТЬ - [53, 54)	166	16,600	0,10816
28	СРЕДНЯЯ МАСЛИЧНОСТЬ - 54 и более	184	18,400	0,07438
29	НАТУРА - менее 420	150	15,000	0,06586
30	НАТУРА - [420, 430)	136	13,600	0,09865
31	НАТУРА - [430, 440)	159	15,900	0,10580
32	НАТУРА - [440, 450)	132	13,200	0,10289
33	НАТУРА - [450, 460)	152	15,200	0,10755
34	НАТУРА - [460, 470)	135	13,500	0,06422
35	НАТУРА - 470 и более	136	13,600	0,07615

Результаты измерения внешней валидности приведены в таблице 46. При этом в качестве обучающей выборки использовались нечетные анкеты, а в качестве распознаваемой – четные (один из вариантов бутстрепного метода).

Таблица 46 – РЕЗУЛЬТАТЫ ИЗМЕРЕНИЯ ВНЕШНЕЙ ВАЛИДНОСТИ

Из таблицы 46 видно, что вероятность верной идентификации объектов, отсутствующих в обучающей выборке, с использованием созданной модели, составляет около 51%, тогда как вероятность их случайной верной идентификации не превышает 3% (при условии примерно равномерного распределения объектов по классам, что, как мы видели выше в рисунке 67 и таблице 45, недалеко от истины). Это означает, что использование семантической информационной модели в среднем примерно в 18 раз повышает достоверность прогнозирования хозяйственных свойств подсолнечника по сравнению со случайным угадыванием. Этим и обосновывается целесообразность применения данного подхода.

5.2.4. Выводы

Измерение как внутренней, так и внешней валидности семантической информационной модели объекта исследования показало ее высокую степень адекватности. Это означает, что вполне корректно считать исследование модели объекта изучением самого объекта.

5.3. Исследование семантический
информационной модели

Исследование семантической информационной модели включает решение поставленных в работе задач, а также кластерно-конструктивный и системно-когнитивный анализ модели.

5.3.1. Задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами

Решению 1-й задачи посвящена 2-я глава данной работы. Поэтому в данном разделе ограничимся тем, что отобразим результаты выявления этих причинно-следственных зависимостей между градациями описательных и классификационных шкал. Мерой причинно-следственных зависимостей является количество информации, которое содержится в факте действия определенного значения фактора о том, что растение подсолнечника будет иметь определенное потребительское свойство. Значение информативности может быть по модулю различной величины и положительным и отрицательным по знаку, что означает, соответственно, величину и направление влияния данного значения фактора на данное потребительское свойство.

В полном виде все зависимости содержаться в матрице информативностей, приведенной в таблице 47. Вертикальная шапка таблицы 47 содержит градации описательных шкал (таблица 42), а горизонтальная шапка – градации классификационных шкал (таблица 41).

Таблица 47 – КОЛИЧЕСТВЕННАЯ ОЦЕНКА СИЛЫ И НАПРАВЛЕНИЯ ПРИЧИННО-СЛЕДСТВЕННЫХ СВЯЗЕЙ МЕЖДУ ФЕНОТИПИЧЕСКИМИ И ХОЗЯЙСТВЕННЫМИ СВОЙСТВАМИ ПОДСОЛНЕЧНИКА (Бит ´ 100)

	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24
1	-21	02	-03	02	05	10		-03		02	-06	14	05	-03	-25	08	03	05	02	-23	05	06	-02	06
2	-24	-03	-07	-07	11		14	06	-03	03	06	-03	03	-02	-05	01	-04	-09	-03	15	-01	-05	-01	-04
3	16	01	-08	01	-08	-08	-01	04	01	-05	03	-03	01	-02	-06	07	03	09	07	01	-08	-19		10
4	09	06	06	-04	-08	-08	-04	-04	06	-04	03	02	04	01	04	-17	-03	08	06	-01	-01	-12	07	-05
5	04	-15	01	09	-08	-01	-11	07	01	07	05	-05	-09	-02	09		03	-07	-01	-07	04	09	-06	-08
6	06	06	09	-06	03	03		-14	-06	-06	-15	-09	-06	08	18	-07	-03	-11	-17	10	01	12	03	-01
7	-04										04	07	-05		-02	-05	-09		10	-04	01	01	-02	-01
8	-23	02	02	02	02	02	02	02	02	02	11	-05	03	-09	-02	03	05	04	-13	-06	03	04	-02	03
9	17	-02	-02	-02	-02	-02	-02	-02	-02	-02	-18	-02	01	07	04	02	03	-04		08	-04	-05	04	-02
10	-47	-12	18	-17	18	-23	08	15	-03	08	12	20	-28	-08	-05		-12	13	-06	07	04	-15	-05	-03
11	-31	-10	16	01	01	13	04	04	04	-20	18	-15	02	-03	-05	01	06		-10	13	-15	-03	-01	15
12	-41	-10	-06	12	12	-06	02	-02	15	05	-07	-05	-05	05	11	-04	-06	-15	08	-04	11	04	-13	03
13	-08	15	03		-13	20	-17	-13	03	-04	-01	-08	04	-09	07	06	-09	09	06	-15	-04	10	05	-14
14	15	07	-08	12	-08	-08	-05	02	-21	04	01	05	14		-16	-09	07	01	10	-06	-15	-02	-03	01
15	41	05	-28	-05	-13	-09	-02	-13	-09	-02	-31	06	-05	01	02	13	-02	-12	-13	01	15	07	11	-06
16	-08	-04	-04	-13			08	04	08	04	-02	-11	04	12	02	-13	09		-01	01	-05	-06	02	-02
17	31	-09	06	-04	-36	-09	09	-09	06	-13	01	16	09	-01	-19	-14	19	-01	01	-11	-19	01	22	-09
18	21	-17	-17	16	-11	06	-17	-02	06	-02	05	-04	-07	-01	07	-02	-14	-01	-11	13	13	-11	-12	07
19		-40	-16	-10	12	04	-05	22	-16	19	-03		-06	08	12	-19	-04	-08	-15	02	08	12	-09	-11
20	-04	-08	-04	-43	09	05	27	-08	-08	09	08	-07	-01		01	-02		-15	11	03	02	-05	-12	-08
21	-21	17	-10	-15	20	-10	02	02	12	-15	01	-01	-03	-07	-01	10	-24	08	-01	-04	07	08	-03	05
22	-14	-09	-09	18	08	-27	15	-04	12	-09	-07	06	01	-08	-04	10		-01	01	03	-04	01	-04	11
23	-18	02	33	06	-33	10	-25	-12	06	-02	-09	-15	05	06	-05	12	09	01	12	-16	04	-13	12	-13
24	-34	27	-02	08	05	11	-34	05	-34	08	-02	-03	-03	03	05	-01		09	-04	04	-17	01	-08	08
25	-04	14	-04	11	04	11	04	-04	-24	-24	11	08	-14	-20	04	08	05	-08	10	-11		02	04	07
26	19	-08	-08	05	-08	-13	05	01	05	-08	-09	07	-09	17	-15	-02	-07	-08	13	04	03	-07	-06	01
27	15	-05	12	-05	-01	-05	09	-14	-26	06	-09	07	-04	-06	08	02	06	16	-03	-03	-04	-21	02	-03
28	-36	22	02	-23	-05	-01	14	06	-01	-01	10	-06	05	-10	-02	03	-21	-01	-06	01		19	-19	-07
29	15	-14	-20	12	04	12	-27	08	04	-14	05	-21	15	02	-10	03	07	-09	-11	09	04	-05	03	02
30	04	17	-10		-45	04	04	-15	17		-23	-08		07	03	11	08	01	-16	10	-02	-09	17	-01
31	-18	-18	02	-02	31	10	02	-33	-18	13	04	10	-02	-08	07	-14	-06	01	05	-02	01	02	-11	04
32	-16	-46	13	-01	-06	-29	-36	27	22	16	01	-03	04	11	-01	-21	03	02	01	-11	-03	06	04	-04

5.3.2. Задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков

Данная задача решается на основе задачи 1. Суть методики прогнозирования состоит в следующем. Из таблицы 47 известно, какое количество информации содержится в определенном фенотипическом признаке конкретного растения подсолнечника о том, что данное растение будет обладать каждым из исследованных в модели хозяйственных свойств. Если о растении известно, что оно обладает определенным набором фенотипических признаков, то естественно считать, что оно будет обладать теми хозяйственными свойствами, о которых в данном наборе содержится наибольшее количество информации. Данный интегральный критерий предложен и обоснован в [76].

Исходные данные для прогнозирования вводятся в 1-м режиме 4-й подсистемы системы "Эйдос" в форме распознаваемой выборки, само прогнозирование осуществляется во 2-м режиме этой же подсистемы, а результаты в выводятся в 3-м режиме в двух разрезах:

– один объект – много классов;

– один класс – много объектов.

Результаты прогнозирования выводятся системой в обобщенной форме, каждая строка которой соответствует классу, с которым данный объект имеет наиболее сходство, и в детализированной форме карточек прогнозирования (распознавания). Примеры этих карточек приведены на рисунке 68.

Рисунок 68. Примеры карточек прогнозирования
(экранные формы)

Карточка разделена на две части. В верхней части приведены классы, с которыми данный объект имеет наивысшее сходство в порядке его убывания, а в нижней – классы, от которых данный объект максимально отличается. Задача идентификации может решаться в поле с использованием ноутбука, на котором установлена система "Эйдос".

5.3.3. Задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков

Задача принятия решений является обратной по отношению к задаче прогнозирования. Если при прогнозировании мы по фенотипическим признакам определяем возможные хозяйственные свойства, то при принятии решений наоборот, по заданным хозяйственным свойствам определяем какими фенотипическим признаками должны обладать растения, имеющие эти свойства. В системе "Эйдос" эта задача решается в 1-м режиме 5-й подсистемы, который позволяет генерировать и отображать так называемые "Информационные портреты классов". Эти информационные портреты показывают систему детерминации будущих состояний объекта управления, в нашем случае – хозяйственных свойств подсолнечника. В таблицах 48-51 приведены информационные портреты наиболее желательных (целевых) хозяйственных свойств.

Таблица 48 – СИСТЕМА ДЕТЕРМИНАЦИИ
ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА:
Код: 16 Наименование: УРОЖАЙНОСТЬ (г.) - 800 и более

14-01-05 02:13:22 Фильтр: All, Positive г.Краснодар

№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	0,13	2,58
2	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	0,12	2,26
3	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	0,11	2,18
4	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,10	1,93
5	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,10	1,89
6	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,08	1,64
7	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,08	1,55
8	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	0,07	1,38
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,06	1,09
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
10	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,03	0,55
11	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,03	0,53
12	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,03	0,49
13	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	0,02	0,41
14	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	0,02	0,39
15	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	0,01	0,26
16	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	0,01	0,21
17	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,00	0,06
18	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,01	-0,10
19	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,02	-0,29
20	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,02	-0,33
21	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,02	-0,41
22	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,02	-0,45
23	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	-0,04	-0,70
24	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	-0,05	-0,99
25	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	-0,07	-1,36
26	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	-0,09	-1,74
27	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,13	-2,45
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	-0,14	-2,64
29	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	-0,14	-2,80
30	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,18	-3,41
31	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	-0,19	-3,70
32	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,21	-4,02

Таблица 49 – СИСТЕМА ДЕТЕРМИНАЦИИ
ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА:
Код: 22 Наименование: СБОРЫ МАСЛА (г.) - 400 и более

14-01-05 02:13:54 Фильтр: All, Positive г.Краснодар

№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,19	3,74
2	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,12	2,40
3	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,12	2,34
4	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,10	1,91
5	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,09	1,74
6	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,08	1,57
7	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	0,07	1,32
8	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	0,06	1,24
9	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,06	1,11
10	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	0,04	0,74
11	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,04	0,74
12	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,02	0,44
13	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,02	0,29
14	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	0,01	0,26
15	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	0,01	0,24
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	0,01	0,23
17	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,01	0,10
18	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	-0,02	-0,42
19	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,03	-0,54
20	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,05	-0,91
21	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	-0,05	-0,94
22	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,05	-0,97
23	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	-0,05	-1,00
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
24	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,06	-1,23
25	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,07	-1,43
26	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,09	-1,76
27	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,11	-2,08
28	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,12	-2,25
29	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	-0,13	-2,58
30	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,15	-2,88
31	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	-0,19	-3,71
32	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	-0,21	-4,01

Таблица 50 – СИСТЕМА ДЕТЕРМИНАЦИИ
ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА:
Код: 28 Наименование: СРЕДНЯЯ МАСЛИЧНОСТЬ (%)-54 и более

14-01-05 02:14:07 Фильтр: All, Positive г.Краснодар

№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	0,12	2,26
2	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,11	2,10
3	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,11	2,08
4	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	0,09	1,67
5	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	0,07	1,37
6	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,07	1,29
7	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	0,05	0,90
8	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,05	0,90
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	0,04	0,82
10	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,04	0,76
11	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	0,03	0,65
12	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,02	0,45
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
13	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	0,02	0,38
14	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,02	0,38
15	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,00	0,04
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,00	-0,01
17	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	-0,00	-0,05
18	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	-0,01	-0,19
19	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,02	-0,33
20	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	-0,03	-0,54
21	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,03	-0,54
22	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,03	-0,60
23	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,03	-0,66
24	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,04	-0,75
25	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	-0,04	-0,76
26	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,04	-0,78
27	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,06	-1,21
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	-0,06	-1,21
29	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	-0,11	-2,11
30	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	-0,13	-2,45
31	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,14	-2,67
32	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	-0,22	-4,22

Таблица 51 – СИСТЕМА ДЕТЕРМИНАЦИИ
ПОТРЕБИТЕЛЬСКОГО СВОЙСТВА:
Код: 35 Наименование: НАТУРА (г/л) - 470 и более

14-01-05 02:14:20 Фильтр: All, Positive г.Краснодар

№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
1	3	ВЫСОТА РАСТЕНИЯ (см.)
	14	[140, 170)	0,13	2,53
2	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	3	[70, 80)	0,10	1,95
3	3	ВЫСОТА РАСТЕНИЯ (см.)
	12	[80, 110)	0,09	1,78
4	5	ДИАМЕТР КОРЗИНЫ (см.)
	28	21	0,09	1,65
5	4	ОБЛИСТВЕННОСТЬ (шт.)
	21	33	0,07	1,32
6	4	ОБЛИСТВЕННОСТЬ (шт.)
	17	менее 30	0,07	1,28
7	4	ОБЛИСТВЕННОСТЬ (шт.)
	18	30	0,06	1,10
8	2	ВРЕМЯ ПОСЕВА
	8	ранневесенний (февраль)	0,05	1,06
9	3	ВЫСОТА РАСТЕНИЯ (см.)
	13	[110, 140)	0,05	0,91
10	5	ДИАМЕТР КОРЗИНЫ (см.)
	31	24	0,04	0,82
11	2	ВРЕМЯ ПОСЕВА
	7	позднезимний (декабрь)	0,04	0,76
12	5	ДИАМЕТР КОРЗИНЫ (см.)
	29	22	0,03	0,48
13	5	ДИАМЕТР КОРЗИНЫ (см.)
	25	менее 19	0,01	0,25
14	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	6	100 и более	0,01	0,18
15	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	1	менее 60	0,01	0,15
16	4	ОБЛИСТВЕННОСТЬ (шт.)
	19	31	0,00	0,04
17	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	4	[80, 90)	-0,01	-0,26
18	5	ДИАМЕТР КОРЗИНЫ (см.)
	30	23	-0,01	-0,28
19	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	2	[60, 70)	-0,02	-0,35
20	4	ОБЛИСТВЕННОСТЬ (шт.)
	23	35	-0,02	-0,41
21	3	ВЫСОТА РАСТЕНИЯ (см.)
	11	[50, 80)	-0,03	-0,50
22	5	ДИАМЕТР КОРЗИНЫ (см.)
	27	20	-0,03	-0,61
23	4	ОБЛИСТВЕННОСТЬ (шт.)
	22	34	-0,04	-0,75
№	Код	Наименование значения фактора	Инф-ть бит	Инф-ть %
24	4	ОБЛИСТВЕННОСТЬ (шт.)
	24	более 35	-0,04	-0,83
25	3	ВЫСОТА РАСТЕНИЯ (см.)
	15	[170, 200)	-0,05	-1,03
26	5	ДИАМЕТР КОРЗИНЫ (см.)
	26	19	-0,07	-1,27
27	1	ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (г.)
	5	[90, 100)	-0,09	-1,72
28	5	ДИАМЕТР КОРЗИНЫ (см.)
	32	более 24	-0,09	-1,74
29	2	ВРЕМЯ ПОСЕВА
	9	Оптимальный	-0,10	-1,89
30	3	ВЫСОТА РАСТЕНИЯ (см.)
	10	менее 50	-0,14	-2,81
31	4	ОБЛИСТВЕННОСТЬ (шт.)
	20	32	-0,15	-2,87
32	3	ВЫСОТА РАСТЕНИЯ (см.)
	16	200 и более	-0,19	-3,75

Эти информационные портреты непосредственно используются при отборе растений подсолнечника для формирования следующего поколения при селекции, например, по следующему алгоритму. Выбираются растения с фенотипическими признаками, указанными в начале указанных информационных портретов и удаляются с признаками, указанными в их конце. Оставшиеся используются для формирования следующего селекционного поколения.

Аппарат СК-анализа позволяет строить функции взаимосвязи между описательными и классификационными шкалами. С учетом целей ресурсосберегающих технологий возделывания подсолнечника [76] для селекции особый интерес представляет взаимосвязь между высотой растения и его хозяйственными свойствами, прежде всего сбором масла с одного растения (рисунок 69).

Рисунок 69. Взаимосвязь между высотой растения
и сбором с него масла

Из этого графика очевидно, что оптимальной высотой растения является 110-140 см, а не 200, как считалось ранее. Объяснение причин этого явления сходно с содержательной интерпретаций взаимосвязи между количеством листьев на растении и масличностью собранных с него семян, представленная на рисунке 70.

Рисунок 70. Взаимосвязь между облиственностью
и масличностью семян

При малом количестве листьев растение не имеет необходимых ресурсов для генерации масла в семенах, при количестве листьев 30-32 наблюдается максимальная масличность, при увеличении количества листьев масличность закономерно падает, что по-видимому можно объяснить тем, что ресурсы растения переориентируются с формирования регенеративных качеств растения на увеличение его вегетативной массы. Этот эффект, наблюдаемый у подсолнечника, полностью аналогичен известному "бройлерному эффекту", известному в птицеводстве и впервые был обнаружен методом СК-анализа эмпирических данных в 1993 году О.А.Засухиной и Е.В.Луценко при исследовании интенсивных технологий возделывания зерновых колосовых [27].

Все функции влияния, отражающие взаимосвязи между всеми описательными и классификационными шкалами и градациями (во всех сочетаниях), не могут быть здесь приведены из-за их большого количества. Однако, необходимо отметить, что их содержательная интерпретация является делом ученого-селекционера и по этой причине в данной работе не рассматривается.

5.3.4. Кластерно-конструктивный
и системно-когнитивный анализ
результатов выращивания и факторов

Эти возможности обеспечиваются режимами 5-й подсистемы "Типология" (рисунок 71).

Рисунок 71. Режимы подсистемы типологического анализа классов и факторов

Кластерный анализ классов показывает, какие качественные и количественные результаты выращивания различных сортов детерминируются (вызываются) сходными системами факторов, и могут быть получены одновременно, а какие противоположными, несовместимыми и одновременно недостижимыми. Результаты кластерного анализа классов и факторов выводятся в форме таблиц (таблицы 52 и 53) и в форме семантических сетей (рисунок 72).

Таблица 52 – МАТРИЦА СХОДСТВА КЛАССОВ (%)

14-02-05 23:59:36 г.Краснодар

============================================================================

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

============================================================================

| 1 | 100 -8 -42 15 -47 -5 -4 -25 -7 -21 -46 8 | |

| 2 | -8 100 -3 -3 -21 31 13 -39 -22 -43 -15 -4 | |

| 3 | -42 -3 100 -13 -13 -1 -8 -6 6 6 27 -1 | |

| 4 | 15 -3 -13 100 -19 4 -50 -2 6 -26 -12 -3 | |

| 5 | -47 -21 -13 -19 100 -5 20 17 -32 21 38 17 | |

| 6 | -5 31 -1 4 -5 100 -18 -36 -34 -16 13 -44 | |

| 7 | -4 13 -8 -50 20 -18 100 -26 -4 -13 8 34 | |

| 8 | -25 -39 -6 -2 17 -36 -26 100 19 19 37 -11 | |

| 9 | -7 -22 6 6 -32 -34 -4 19 100 -18 -6 -28 | |

============================================================================

============================================================================

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

============================================================================

| 10 | -21 -43 6 -26 21 -16 -13 19 -18 100 -9 12 | |

| 11 | -46 -15 27 -12 38 13 8 37 -6 -9 100 -4 | |

| 12 | 8 -4 -1 -3 17 -44 34 -11 -28 12 -4 100 | |

| 13 | 19 9 -7 12 -32 20 -20 -7 21 -11 -3 -41 | |

| 14 | 27 -33 -7 1 -28 -17 -27 22 32 30 -48 -31 | |

| 15 | -5 -6 -0 -10 21 18 -10 -15 -18 26 -15 -30 | |

| 16 | -5 55 -14 15 -17 18 11 -28 4 -46 -24 -12 | |

| 17 | 33 -14 18 26 -47 11 -10 -9 -5 -8 -13 -11 | |

| 18 | -20 25 40 3 -5 -11 -18 1 -8 7 18 26 | |

| 19 | -4 7 24 6 2 -10 6 -14 -2 -4 17 26 | |

| 20 | 6 -7 -30 -13 17 -5 22 11 -2 -7 0 -28 | |

| 21 | 1 -22 -33 -6 23 -2 1 -1 21 16 -22 -3 | |

| 22 | -21 5 -18 -10 21 13 -5 12 0 6 0 -4 | |

| 23 | 46 13 17 14 -67 -2 -16 -24 23 -36 -41 2 | |

| 24 | -19 11 -23 43 35 -2 5 2 -4 -37 22 3 | |

| 25 | -41 15 13 19 46 -1 -29 6 -12 5 22 -1 | |

| 26 | 7 -18 1 5 -4 38 11 -15 5 -15 -10 -9 | |

| 27 | 11 -22 -25 -44 -7 -25 19 24 8 50 6 7 | |

| 28 | -13 1 16 -18 25 0 14 2 -30 15 7 -4 | |

| 29 | 4 2 3 24 -26 -30 4 -13 13 18 -25 -11 | |

| 30 | -2 -53 2 4 16 -25 5 9 32 9 -5 -21 | |

| 31 | -1 18 19 5 -21 -1 -15 19 17 -35 10 -5 | |

| 32 | -14 -11 11 -59 27 -2 30 6 -28 43 9 5 | |

| 33 | 17 29 -16 7 -3 15 1 -2 -21 -28 -1 20 | |

| 34 | 7 -20 -8 -1 -7 9 -28 -17 5 40 -25 -1 | |

| 35 | 5 27 -19 36 -8 20 -9 -18 -4 -26 13 3 | |

============================================================================

|Ст.отк| 28 29 25 27 32 26 25 25 25 30 27 25 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РАСПОЗНАВАНИЯ (%) (ПРОДОЛЖЕНИЕ)

14-02-05 23:59:36 г.Краснодар

============================================================================

| Коды | 13 14 15 16 17 18 19 20 21 22 23 24 |Уровни|

============================================================================

| 1 | 19 27 -5 -5 33 -20 -4 6 1 -21 46 -19 | |

| 2 | 9 -33 -6 55 -14 25 7 -7 -22 5 13 11 | |

| 3 | -7 -7 -0 -14 18 40 24 -30 -33 -18 17 -23 | |

| 4 | 12 1 -10 15 26 3 6 -13 -6 -10 14 43 | |

| 5 | -32 -28 21 -17 -47 -5 2 17 23 21 -67 35 | |

| 6 | 20 -17 18 18 11 -11 -10 -5 -2 13 -2 -2 | |

| 7 | -20 -27 -10 11 -10 -18 6 22 1 -5 -16 5 | |

| 8 | -7 22 -15 -28 -9 1 -14 11 -1 12 -24 2 | |

| 9 | 21 32 -18 4 -5 -8 -2 -2 21 0 23 -4 | |

| 10 | -11 30 26 -46 -8 7 -4 -7 16 6 -36 -37 | |

| 11 | -3 -48 -15 -24 -13 18 17 0 -22 0 -41 22 | |

| 12 | -41 -31 -30 -12 -11 26 26 -28 -3 -4 2 3 | |

| 13 | 100 16 -40 -9 40 -0 7 -20 -38 8 28 -6 | |

| 14 | 16 100 1 -37 20 -31 -5 22 3 -12 14 -21 | |

| 15 | -40 1 100 -15 -28 -15 -31 28 30 18 -22 -16 | |

| 16 | -9 -37 -15 100 -9 5 -6 -2 21 -11 11 22 | |

| 17 | 40 20 -28 -9 100 -5 3 -19 -50 -31 62 -2 | |

| 18 | -0 -31 -15 5 -5 100 5 -25 -38 -35 14 13 | |

| 19 | 7 -5 -31 -6 3 5 100 -52 -18 -22 -7 -6 | |

| 20 | -20 22 28 -2 -19 -25 -52 100 2 -24 -21 28 | |

| 21 | -38 3 30 21 -50 -38 -18 2 100 16 -28 -16 | |

| 22 | 8 -12 18 -11 -31 -35 -22 -24 16 100 -24 -17 | |

| 23 | 28 14 -22 11 62 14 -7 -21 -28 -24 100 -26 | |

| 24 | -6 -21 -16 22 -2 13 -6 28 -16 -17 -26 100 | |

| 25 | -17 -11 -6 20 -46 19 42 -12 13 -2 -54 35 | |

| 26 | -5 17 -9 0 10 -40 -17 -4 35 13 -2 -2 | |

| 27 | -13 5 32 -32 -16 -6 -11 19 17 -3 -19 -34 | |

============================================================================

============================================================================

| Коды | 13 14 15 16 17 18 19 20 21 22 23 24 |Уровни|

============================================================================

| 28 | 9 -11 15 -11 -11 -6 3 -7 -13 35 -11 -44 | |

| 29 | 5 9 31 4 4 14 -3 32 -12 -37 1 6 | |

| 30 | -16 12 27 0 -16 -28 -28 39 30 -2 -11 1 | |

| 31 | 4 1 -31 23 -8 9 6 -5 -24 12 5 3 | |

| 32 | -1 7 4 -30 -1 5 -22 14 9 -3 -22 -16 | |

| 33 | -19 -7 -21 18 27 4 24 -27 5 -26 24 8 | |

| 34 | 17 22 16 -23 11 -16 8 -22 -1 28 19 -35 | |

| 35 | 33 -35 -12 8 -18 9 5 -19 -4 23 -7 21 | |

============================================================================

|Ст.отк| 26 28 27 27 30 26 25 27 27 25 32 27 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ОБОБЩЕННЫХ ОБРАЗОВ КЛАССОВ РАСПОЗНАВАНИЯ (%)(ПРОДОЛЖЕНИЕ)

14-02-05 23:59:36 г.Краснодар

=======================================================================

| Коды | 25 26 27 28 29 30 31 32 33 34 35 |Уровни|

=======================================================================

| 1 | -41 7 11 -13 4 -2 -1 -14 17 7 5 | |

| 2 | 15 -18 -22 1 2 -53 18 -11 29 -20 27 | |

| 3 | 13 1 -25 16 3 2 19 11 -16 -8 -19 | |

| 4 | 19 5 -44 -18 24 4 5 -59 7 -1 36 | |

| 5 | 46 -4 -7 25 -26 16 -21 27 -3 -7 -8 | |

| 6 | -1 38 -25 0 -30 -25 -1 -2 15 9 20 | |

| 7 | -29 11 19 14 4 5 -15 30 1 -28 -9 | |

| 8 | 6 -15 24 2 -13 9 19 6 -2 -17 -18 | |

| 9 | -12 5 8 -30 13 32 17 -28 -21 5 -4 | |

| 10 | 5 -15 50 15 18 9 -35 43 -28 40 -26 | |

| 11 | 22 -10 6 7 -25 -5 10 9 -1 -25 13 | |

| 12 | -1 -9 7 -4 -11 -21 -5 5 20 -1 3 | |

| 13 | -17 -5 -13 9 5 -16 4 -1 -19 17 33 | |

| 14 | -11 17 5 -11 9 12 1 7 -7 22 -35 | |

| 15 | -6 -9 32 15 31 27 -31 4 -21 16 -12 | |

| 16 | 20 0 -32 -11 4 0 23 -30 18 -23 8 | |

| 17 | -46 10 -16 -11 4 -16 -8 -1 27 11 -18 | |

| 18 | 19 -40 -6 -6 14 -28 9 5 4 -16 9 | |

| 19 | 42 -17 -11 3 -3 -28 6 -22 24 8 5 | |

| 20 | -12 -4 19 -7 32 39 -5 14 -27 -22 -19 | |

| 21 | 13 35 17 -13 -12 30 -24 9 5 -1 -4 | |

| 22 | -2 13 -3 35 -37 -2 12 -3 -26 28 23 | |

| 23 | -54 -2 -19 -11 1 -11 5 -22 24 19 -7 | |

| 24 | 35 -2 -34 -44 6 1 3 -16 8 -35 21 | |

| 25 | 100 -19 -35 -2 -11 -10 24 -11 4 -10 -2 | |

| 26 | -19 100 -32 -21 -46 7 -1 23 9 -23 -2 | |

| 27 | -35 -32 100 -17 33 4 -28 20 -13 17 -12 | |

| 28 | -2 -21 -17 100 -3 13 -2 9 -23 14 2 | |

| 29 | -11 -46 33 -3 100 26 -27 -11 -39 -4 8 | |

| 30 | -10 7 4 13 26 100 -19 -11 -63 3 7 | |

| 31 | 24 -1 -28 -2 -27 -19 100 -44 -5 -26 -7 | |

| 32 | -11 23 20 9 -11 -11 -44 100 -2 -14 -35 | |

| 33 | 4 9 -13 -23 -39 -63 -5 -2 100 -15 -28 | |

| 34 | -10 -23 17 14 -4 3 -26 -14 -15 100 -9 | |

| 35 | -2 -2 -12 2 8 7 -7 -35 -28 -9 100 | |

=======================================================================

|Ст.отк| 29 25 29 23 26 28 25 27 27 25 25 | |

=======================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

На основе матрицы сходства формируются таблицы кластеров и конструктов (таблица 53).

Таблица 53 – КЛАСТЕРЫ И КОНСТРУКТЫ КЛАССОВ (ПРИМЕР)

15-02-05 00:00:45 Фильтр по кодам классов: 1-35 г.Краснодар

=====================================================================

| N° | Код | Н а и м е н о в а н и е | Сход- |

|класт|класса | к л а с с а р а с п о з н а в а н и я | ство % |

|===================================================================|

| 22 | 22 | СБОРЫ МАСЛА - 400 и более................. | 100.00|

| | 28 | СРЕДНЯЯ МАСЛИЧНОСТЬ - 54 и более......... | 34.85|

| | 34 | НАТУРА - [460, 470)....................... | 27.86|

| | 35 | НАТУРА - 470 и более...................... | 22.56|

| | 5 | ГОД - 1998................................ | 20.61|

| | 15 | УРОЖАЙНОСТЬ - [700, 800).................. | 18.11|

| | 21 | СБОРЫ МАСЛА - [350, 400).................. | 15.59|

| | 26 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [52, 53)............ | 13.20|

| | 6 | ГОД - 1999................................ | 12.94|

| | 31 | НАТУРА - [430, 440)....................... | 11.93|

| | 8 | ГОД - 2001................................ | 11.59|

| | 13 | УРОЖАЙНОСТЬ - [500, 600).................. | 8.46|

| | 10 | ГОД - 2003................................ | 5.63|

| | 2 | ГОД - 1995................................ | 4.92|

| | 9 | ГОД - 2002................................ | 0.14|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| | 11 | УРОЖАЙНОСТЬ - менее 400................... | -0.08|

| | 25 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [51, 52)............ | -1.78|

| | 30 | НАТУРА - [420, 430)....................... | -1.81|

| | 27 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [53, 54)............ | -2.51|

| | 32 | НАТУРА - [440, 450)....................... | -3.18|

| | 12 | УРОЖАЙНОСТЬ - [400, 500).................. | -4.24|

| | 7 | ГОД - 2000................................ | -5.44|

| | 4 | ГОД - 1997................................ | -9.78|

| | 16 | УРОЖАЙНОСТЬ - 800 и более................. | -11.26|

| | 14 | УРОЖАЙНОСТЬ - [600, 700).................. | -11.66|

| | 24 | СРЕДНЯЯ МАСЛИЧНОСТЬ - [50, 51)............ | -17.17|

| | 3 | ГОД - 1996................................ | -18.41|

| | 1 | ГОД - 1994................................ | -21.17|

| | 19 | СБОРЫ МАСЛА - [250, 300).................. | -22.09|

| | 23 | СРЕДНЯЯ МАСЛИЧНОСТЬ - менее 50............ | -24.19|

| | 20 | СБОРЫ МАСЛА - [300, 350).................. | -24.20|

| | 33 | НАТУРА - [450, 460)....................... | -26.03|

| | 17 | СБОРЫ МАСЛА - менее 200................... | -31.47|

| | 18 | СБОРЫ МАСЛА - [200, 250).................. | -34.77|

| | 29 | НАТУРА - менее 420........................ | -36.90|

=====================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В графической форме любые заданные фрагменты матрицы сходства могут отображаются в виде семантических сетей (рисунок 72).

Рисунок 72. Семантическая сеть классов

Аналогичные формы генерируются и по факторам (таблицы 54 и 55 и рисунок 73).

Таблица 54 – МАТРИЦА СХОДСТВА ФЕНОТИПИЧЕСКИХ ПРИЗНАКОВ (в %)

15-02-05 00:00:56 г.Краснодар

============================================================================

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

============================================================================

| 1 | 100 -18 -32 -24 -32 -24 21 35 -43 11 8 1 | |

| 2 | -18 100 -20 -32 -9 -6 10 29 -26 43 37 39 | |

| 3 | -32 -20 100 32 -14 -44 -10 -27 24 -20 -13 -19 | |

| 4 | -24 -32 32 100 -19 -31 -20 -6 13 -3 -38 -26 | |

| 5 | -32 -9 -14 -19 100 -14 10 -16 7 -8 -16 24 | |

| 6 | -24 -6 -44 -31 -14 100 -13 -15 26 -20 18 -9 | |

| 7 | 21 10 -10 -20 10 -13 100 -25 -41 21 4 31 | |

| 8 | 35 29 -27 -6 -16 -15 -25 100 -75 36 39 23 | |

| 9 | -43 -26 24 13 7 26 -41 -75 100 -41 -36 -30 | |

| 10 | 11 43 -20 -3 -8 -20 21 36 -41 100 25 28 | |

| 11 | 8 37 -13 -38 -16 18 4 39 -36 25 100 16 | |

| 12 | 1 39 -19 -26 24 -9 31 23 -30 28 16 100 | |

| 13 | 16 -16 -21 -9 18 6 29 1 -17 -35 6 -2 | |

============================================================================

============================================================================

| Коды | 1 2 3 4 5 6 7 8 9 10 11 12 |Уровни|

============================================================================

| 14 | 4 -22 42 20 -13 -26 6 -19 5 -40 -27 -33 | |

| 15 | -18 -34 13 4 4 22 -35 -49 66 -50 -70 -35 | |

| 16 | 9 6 -19 37 -17 -12 -44 25 7 14 -7 -8 | |

| 17 | -5 -32 23 29 -3 -9 -11 -25 23 -41 -17 -50 | |

| 18 | -25 -31 35 -2 24 1 0 -30 23 -26 -9 5 | |

| 19 | -29 27 -23 -14 30 15 -15 8 1 16 -17 17 | |

| 20 | -7 37 -18 4 -15 -1 -5 -1 2 29 -7 -5 | |

| 21 | 22 26 -10 -17 -23 -5 34 24 -39 32 10 31 | |

| 22 | -1 30 12 -27 -8 -4 7 8 -6 22 28 41 | |

| 23 | 20 -29 -9 6 8 6 -2 10 -5 -12 22 0 | |

| 24 | 27 4 -18 -2 -4 -11 5 26 -22 10 13 3 | |

| 25 | 37 -21 -6 -4 -12 -14 4 19 -24 -5 3 -11 | |

| 26 | 14 -27 8 -3 1 -3 24 -58 35 -15 -18 -16 | |

| 27 | -25 -14 22 25 -12 9 -24 -21 33 8 -24 -43 | |

| 28 | 8 47 -29 -11 -26 8 20 47 -53 34 24 21 | |

| 29 | -3 -12 14 -25 17 6 -27 -6 18 -47 20 -12 | |

| 30 | -25 -16 31 18 -11 11 -42 -12 43 -37 -12 -9 | |

| 31 | 3 27 -24 -11 -7 11 23 17 -29 23 1 33 | |

| 32 | -13 2 -5 3 50 -20 17 -5 -3 25 9 27 | |

============================================================================

|Ст.отк| 28 32 29 27 26 24 29 34 37 33 30 30 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ПРИЗНАКОВ (в %) (ПРОДОЛЖЕНИЕ)

15-02-05 00:00:56 г.Краснодар

============================================================================

| Коды | 13 14 15 16 17 18 19 20 21 22 23 24 |Уровни|

============================================================================

| 1 | 16 4 -18 9 -5 -25 -29 -7 22 -1 20 27 | |

| 2 | -16 -22 -34 6 -32 -31 27 37 26 30 -29 4 | |

| 3 | -21 42 13 -19 23 35 -23 -18 -10 12 -9 -18 | |

| 4 | -9 20 4 37 29 -2 -14 4 -17 -27 6 -2 | |

| 5 | 18 -13 4 -17 -3 24 30 -15 -23 -8 8 -4 | |

| 6 | 6 -26 22 -12 -9 1 15 -1 -5 -4 6 -11 | |

| 7 | 29 6 -35 -44 -11 0 -15 -5 34 7 -2 5 | |

| 8 | 1 -19 -49 25 -25 -30 8 -1 24 8 10 26 | |

| 9 | -17 5 66 7 23 23 1 2 -39 -6 -5 -22 | |

| 10 | -35 -40 -50 14 -41 -26 16 29 32 22 -12 10 | |

| 11 | 6 -27 -70 -7 -17 -9 -17 -7 10 28 22 13 | |

| 12 | -2 -33 -35 -8 -50 5 17 -5 31 41 0 3 | |

| 13 | 100 -3 -12 -39 9 -10 -43 -27 17 -27 40 33 | |

| 14 | -3 100 10 -22 35 -7 -11 -27 -32 0 -2 19 | |

| 15 | -12 10 100 -4 27 25 10 -3 -17 -12 -20 -29 | |

| 16 | -39 -22 -4 100 4 -26 26 44 -19 -30 0 -1 | |

| 17 | 9 35 27 4 100 -8 -17 -12 -47 -15 10 -42 | |

| 18 | -10 -7 25 -26 -8 100 15 -23 -23 -8 -19 -20 | |

| 19 | -43 -11 10 26 -17 15 100 25 -26 -16 -34 -21 | |

| 20 | -27 -27 -3 44 -12 -23 25 100 0 -27 -32 -22 | |

| 21 | 17 -32 -17 -19 -47 -23 -26 0 100 27 -21 15 | |

| 22 | -27 0 -12 -30 -15 -8 -16 -27 27 100 -13 -22 | |

| 23 | 40 -2 -20 0 10 -19 -34 -32 -21 -13 100 12 | |

| 24 | 33 19 -29 -1 -42 -20 -21 -22 15 -22 12 100 | |

| 25 | 15 8 -2 -8 3 -12 -34 -9 16 -11 -3 29 | |

| 26 | -17 17 25 -8 22 19 -25 -9 -5 20 -4 -23 | |

| 27 | -9 23 20 -10 18 -13 -1 14 -35 -6 1 -3 | |

| 28 | 18 -17 -35 -3 -34 -30 2 36 44 2 -11 17 | |

| 29 | -1 10 12 -6 -2 44 11 -35 -9 -6 7 -4 | |

| 30 | 12 -8 45 8 38 19 -22 -18 -27 -4 27 -21 | |

| 31 | -17 -5 -19 2 -39 -14 36 22 6 7 -9 8 | |

| 32 | -8 -10 -29 5 3 10 34 -15 -17 8 14 -8 | |

============================================================================

|Ст.отк| 27 27 35 27 31 27 29 28 31 25 25 26 | |

============================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

МАТРИЦА СХОДСТВА ПРИЗНАКОВ (в %) (ПРОДОЛЖЕНИЕ)

15-02-05 00:00:56 г.Краснодар

========================================================

| Коды | 25 26 27 28 29 30 31 32 |Уровни|

========================================================

| 1 | 37 14 -25 8 -3 -25 3 -13 | |

| 2 | -21 -27 -14 47 -12 -16 27 2 | |

| 3 | -6 8 22 -29 14 31 -24 -5 | |

| 4 | -4 -3 25 -11 -25 18 -11 3 | |

| 5 | -12 1 -12 -26 17 -11 -7 50 | |

| 6 | -14 -3 9 8 6 11 11 -20 | |

| 7 | 4 24 -24 20 -27 -42 23 17 | |

| 8 | 19 -58 -21 47 -6 -12 17 -5 | |

| 9 | -24 35 33 -53 18 43 -29 -3 | |

| 10 | -5 -15 8 34 -47 -37 23 25 | |

| 11 | 3 -18 -24 24 20 -12 1 9 | |

| 12 | -11 -16 -43 21 -12 -9 33 27 | |

| 13 | 15 -17 -9 18 -1 12 -17 -8 | |

| 14 | 8 17 23 -17 10 -8 -5 -10 | |

| 15 | -2 25 20 -35 12 45 -19 -29 | |

| 16 | -8 -8 -10 -3 -6 8 2 5 | |

| 17 | 3 22 18 -34 -2 38 -39 3 | |

| 18 | -12 19 -13 -30 44 19 -14 10 | |

| 19 | -34 -25 -1 2 11 -22 36 34 | |

| 20 | -9 -9 14 36 -35 -18 22 -15 | |

| 21 | 16 -5 -35 44 -9 -27 6 -17 | |

| 22 | -11 20 -6 2 -6 -4 7 8 | |

| 23 | -3 -4 1 -11 7 27 -9 14 | |

| 24 | 29 -23 -3 17 -4 -21 8 -8 | |

| 25 | 100 3 5 -14 1 -21 -2 -59 | |

| 26 | 3 100 -3 -40 16 -9 -39 -1 | |

| 27 | 5 -3 100 -27 -35 4 18 -26 | |

| 28 | -14 -40 -27 100 -44 -10 9 -10 | |

| 29 | 1 16 -35 -44 100 -3 -22 9 | |

| 30 | -21 -9 4 -10 -3 100 -41 -17 | |

| 31 | -2 -39 18 9 -22 -41 100 -7 | |

| 32 | -59 -1 -26 -10 9 -17 -7 100 | |

========================================================

|Ст.отк| 26 28 27 33 27 30 27 27 | |

========================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

Таблица 55 – КЛАСТЕРЫ И КОНСТРУКТЫ ФАКТОРОВ (ФРАГМЕНТ)

15-02-05 00:01:28 Фильтр по кодам признаков: 1-32 г.Краснодар

=====================================================================

| N° |Уровень| Коды |Н а и м е н о в а н и я | Сход- |

|класт|признак|приз-ов|ОБОБЩЕННЫХ и первичных признаков | ство % |

|====================================================================

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| 7 | 0 | 7 | позднезимний (декабрь)............ | 100.00|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 21 | 33................................ | 33.64|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 12 | [80, 110)......................... | 31.26|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 13 | [110, 140)........................ | 28.95|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 26 | 19................................ | 24.29|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 31 | 24................................ | 22.79|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

=====================================================================

=====================================================================

| N° |Уровень| Коды |Н а и м е н о в а н и я | Сход- |

|класт|признак|приз-ов|ОБОБЩЕННЫХ и первичных признаков | ство % |

|====================================================================

| | 0 | 10 | менее 50.......................... | 20.98|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 1 | менее 60.......................... | 20.77|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 28 | 21................................ | 20.38|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 32 | более 24.......................... | 17.19|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 5 | [90, 100)......................... | 10.01|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 2 | [60, 70).......................... | 9.84|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 22 | 34................................ | 7.45|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 14 | [140, 170)........................ | 5.60|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 24 | более 35.......................... | 4.84|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 11 | [50, 80).......................... | 4.40|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 25 | менее 19.......................... | 4.01|

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 18 | 30................................ | -0.08|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 23 | 35................................ | -1.65|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 20 | 32................................ | -5.13|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 3 | [70, 80).......................... | -9.51|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 17 | менее 30.......................... | -10.75|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 6 | 100 и более....................... | -13.49|

| | 0 |[ 4] | ОБЛИСТВЕННОСТЬ | |

| | 0 | 19 | 31................................ | -14.76|

| | 0 |[ 1] | ВЕС СЕМЯН С ОДНОЙ КОРЗИНЫ (Г) | |

| | 0 | 4 | [80, 90).......................... | -20.35|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 27 | 20................................ | -23.95|

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| | 0 | 8 | ранневесенний (февраль)........... | -25.09|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 29 | 22................................ | -27.37|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 15 | [170, 200)........................ | -34.69|

| | 0 |[ 2] | ВРЕМЯ ПОСЕВА | |

| | 0 | 9 | оптимальный....................... | -40.78|

| | 0 |[ 5] | ДИАМЕТР КОРЗИНЫ | |

| | 0 | 30 | 23................................ | -41.58|

| | 0 |[ 3] | ВЫСОТА РАСТЕНИЯ | |

| | 0 | 16 | 200 и более....................... | -44.44|

=====================================================================

Универсальная когнитивная аналитическая система НПП *ЭЙДОС*

В графической форме любые заданные фрагменты матрицы сходства признаков (градаций факторов) могут отображаются в виде семантических сетей (рисунки 73 и 74).

Интегральные когнитивные карты, отражающие систему детерминации целевых состояний с кодами 16, 22, 28, 35 высотой и облиственностью растений приведены на рисунках 75 и 76.

Рисунок 73. Семантическая сеть фенотипических признаков:
"Высота растения"

Рисунок 74. Семантическая сеть фенотипических признаков:
"Облиственность" и "Высота растения"

Рисунок 75. Интегральная когнитивная карта, отражающая систему детерминации целевых состояний с кодами 16, 22, 28 и 35
высотой растений

Рисунок 76. Интегральная когнитивная карта, отражающая систему детерминации целевых состояний с кодами 16, 22, 28 и 35 облиственностью растений

5.3.5. Выводы

Таким образом, можно сделать вывод о том, что предложенная семантическая модель и технология СК-анализа обеспечили решение следующих задач:

– задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;

– задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;

– задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков.

Необходимо особо отметить, что "попутно" решается важнешая "задача типизации лет", т.е. разработка обобщенных образов лет сходных по количественным и качественным результатам выращивания данной культуры и сорта в данной микрозоне выращивания. На основе этой зааче может научно-обоснованно решаться задаа районирования сортов.

5.4. Эффективность применения полученного решения, его ограничения и перспективы развития

5.4.1. Применение в научно-селекционных
организациях

Применение научно-селекционными организациями технологий, подобных описанных в данной работе, позволило бы снизить затраты времени ресурсов на селекцию новых сортов подсолнечника и других культур, повысить качество новых сортов. Это дало бы соответствующий экономический эффект как текущий, связанный с сокращением сроков и других затрат на селекцию, так и долгосрочной: за счет повышения эффективности самих сортов, снижения затрат на единицу произведенной продукции.

5.4.2. Применение в образовательных учреждениях

В образовательных учреждениях, прежде всего в Кубанском государственном аграрном университете, проведенная работа может стать основой лекционного занятия и полноценной лабораторной работы по дисциплине: "Интеллектуальные информационные системы", читаемой на 5-м курсе специальности: 351400 – Прикладная информатика.

5.4.3. Ограничения разработанной технологии и перспективы ее развития

Для адекватного описания объектов управления в АПК необходимо использовать тысячи факторов различной природы (многофакторность), но на практике это сделать очень сложно.

Поэтому, в одних исследованиях учитывается влияние климатических факторов на количественные и качественные результаты выращивания сельскохозяйственных культур (агрометеорология), в других влияние агротехнологий, в третьих влияние почв, предшественников (севооборот), структуры и организации машинно-тракторного парка, финансовых и материальных потоков (логистика) и т.д., и т.д. Сами агротехнологии также включают массу различных факторов: способы вспашки; количество, виды и способы внесения удобрений; нормы высева, полива и т.д.

Однако ни одна из этих групп факторов не является определяющей в получении хозяйственного результата (слабодетерминированность). Дело усложняется тем, что исследования каждой группы факторов проводятся обычно разрозненными группами ученых, на разных кафедрах, в различных научно-исследовательских институтах. Так ученые, изучающие влияние лимитирующих климатических факторов с учетом генетического потенциала и пофазного развития сортов и культур обычно не имеют исходной информации для изучения влияния агротехнологий, и наоборот, специалисты по агротехнологиям не имеют климатических баз данных, геоинформационных технологий, и соответственно, возможности учета климатических факторов. И у первых, и у вторых возникают проблемы, связанные с нелинейным системным взаимодействием факторов, а также огромными размерностями математических моделей.

Поэтому перспективу развития направления, представленного данной работой, мы видим в разработке моделей, учитывающих кроме климатических, так же технологические и неклиматические факторы внешней среды. Например, такие как: виды и состояние почв, экологические факторы и др., а также в создании условий для применения этих моделей для решения рассмотренных задач в практике деятельности научных и производственных организаций.

5.4.4. Выводы

Таким образом, на основании вышеизложенного можно сделать вывод об эффективности предложенной технологии и целесообразности ее применения и дальнейшего совершенствования.

5.5. Выводы

Исследование посвящено решению актуальных задач компьютерной селекции подсолнечника, на основе выявления причинно-следственных зависимостей между его фенотипическими признаками и хозяйственными свойствами.

1. В связи с высокой размерностью задачи и разнородностью исходных данных показана целесообразность применения для решения поставленных задач нового метода: системно-когнитивного анализа, обоснованного теоретически и имеющего свой программный инструментарий.

2. Показано, что сформированная с помощью СК-анализа семантическая информационная модель имеет достаточно высокую адекватность для того, чтобы ее исследование считать изучением самого объекта.

3. В работе решены следующие задачи, имеющие научное и практическое значение:

– задача 1: выявление причинно-следственных зависимостей между фенотипическими признаками подсолнечника и его хозяйственными свойствами;

– задача 2: разработка методики прогнозирования хозяйственных свойств растений подсолнечника на основе анализа их фенотипических признаков;

– задача 3: разработка методики поддержки принятия решений по отбору растений для селекции не по их хозяйственным свойствам, а на основе анализа фенотипических признаков.

4. Таким образом, предложенный подход позволяет успешно решить поставленные задачи и достичь цели работы.

5. Предложенная технология эффективна и целесообразно ее применения и дальнейшее развитие.

6. Научная новизна проведенного исследования состоит в том, что впервые методология, технология и инструментарий системно-когнитивного анализа применены для решения задач компьютерной селекции подсолнечника.

7. Практическая значимость исследования состоит в возможности и целесообразности применения полученных результатов и технологий в практике работы научно-селекционных организаций, а также в учебном процессе на факультете прикладной информатики в Кубанском государственном аграрном университете.