Почему в с выходит отрицательный аске код
Перейти к содержимому

Почему в с выходит отрицательный аске код

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
433 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 .

Исследование влияния подсистем различных уровней иерархии на эмерджентные свойства системы в целом с применением АСК-анализа и интеллектуальной системы «Эйдос» (микроструктура системы как фактор управления ее макросвойствами) Текст научной статьи по специальности «Компьютерные и информационные науки»

АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС» / БАЗА ЗНАНИЙ / СИСТЕМА / ДЕТЕРМИНАЦИЯ / ЭМЕРДЖЕНТНЫЕ МАКРОСВОЙСТВА / ПОДСИСТЕМА / СЛОЖНОСТЬ / УРОВЕНЬ ИЕРАРХИИ ЭШБИ / INTELLIGENT SYSTEM «EIDOS» / AUTOMATED SYSTEM-COGNITIVE ANALYSIS / BASE OF KNOWLEDGE / SYSTEM / DETERMINATION / EMERGENT MACROPROPERTIES / SUBSYSTEM / COMPLEXITY / LEVEL OF THE HIERARCHY OF ASHBY

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

В статье на простом численном примере рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария интеллектуальной системы «Эйдос» для выявления и исследования детерминации эмерджентных макросвойств систем их составом и иерархической структурой, т.е. подсистемами различной сложности (уровней иерархии). Кратко обсуждаются некоторые методологические вопросы создания и применения формальных моделей в научном познании. Предложены системное обобщение принципа Уильяма Росса Эшби о необходимом разнообразии на основе системного обобщения теории множеств и системной теории информации, обобщенная формулировка принципа относительности Галилея-Эйнштейна, высказана гипотеза о его взаимосвязи с теоремой Эмми Нётер, а также предложена гипотеза «О зависимости силы и направления связей между базовыми элементами системы и ее эмерджентными свойствами в целом от уровня иерархии в системе»

i Надоели баннеры? Вы всегда можете отключить рекламу.

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

Системно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация)

Синтез системно-когнитивной модели природно-экономической системы, ее использование для прогнозирования и управления в зерновом производстве (Часть 3 – прогнозирование и принятие решений)

Интеллектуальное управление качеством систем путем решения обобщенной задачи о назначениях с применением АСК-анализа и системы «Эйдос-Х++»1

Возможности прогнозирования учебных достижений студентов на основе АСК-анализа их имеджевых фотороботов

Количественная оценка уровня системности на основе меры информации К. Шеннона (конструирование коэффициента эмерджентности Шеннона)

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

INVESTIGATION OF THE INFLUENCE OF SUBSYSTEMS OF DIFFERENT LEVELS OF THE HIERARCHY ON EMERGENT PROPERTIES OF THE SYSTEM IN GENERAL WITH THE USE OF THE ASC-ANALYSIS AND «EIDOS» INTELLECTUAL SYSTEM (microstructure of the system as a factor in the management of its macro properties)

The article, on a simple numerical example, deals with the application of the automated system-cognitive analysis (ASC-analysis) and its software tools intellectual systems «Eidos» for the detection and investigation of determination of emergent macro preferences of systems in their composition and hierarchical structure, i.e. the sub-systems of various complexity levels (levels of the hierarchy). The article briefly discusses some of the methodological issues of creation and application of formal models in scientific knowledge. The system generalization of the principle of William Ross Ashby about the necessary diversity on the basis of the system of generalization of the theory of sets and systems theory, information, generalized formulation of the principle of Galileo-Einstein, the hypothesis about its relationship with the theorem of Emmy Noether are offered; and also there is a hypothesis «About the dependence of the force and direction of the relations between the basic elements of the system and its emergent properties as a whole, on the level of hierarchy in the system «

Текст научной работы на тему «Исследование влияния подсистем различных уровней иерархии на эмерджентные свойства системы в целом с применением АСК-анализа и интеллектуальной системы «Эйдос» (микроструктура системы как фактор управления ее макросвойствами)»

ИССЛЕДОВАНИЕ ВЛИЯНИЯ ПОДСИСТЕМ РАЗЛИЧНЫХ УРОВНЕЙ ИЕРАРХИИ НА ЭМЕРДЖЕНТНЫЕ СВОЙСТВА СИСТЕМЫ В ЦЕЛОМ С ПРИМЕНЕНИЕМ АСК-АНАЛИЗА И ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ «ЭЙДОС» (микроструктура системы как фактор управления ее макросвойствами)

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail.com

В статье на простом численном примере рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария — интеллектуальной системы «Эйдос» для выявления и исследования детерминации эмерджентных макросвойств систем их составом и иерархической структурой, т. е. подсистемами различной сложности (уровней иерархии). Кратко обсуждаются некоторые методологические вопросы создания и применения формальных моделей в научном познании. Предложены системное обобщение принципа Уильяма Росса Эшби о необходимом разнообразии на основе системного обобщения теории множеств и системной теории информации, обобщенная формулировка принципа относительности Г алилея-Эйнштейна, высказана гипотеза о его взаимосвязи с теоремой Эмми Нётер, а также предложена гипотеза «О зависимости силы и направления связей между базовыми элементами системы и ее эмерджентными свойствами в целом от уровня иерархии в системе»

Ключевые слова: АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», БАЗА ЗНАНИЙ, СИСТЕМА, ДЕТЕРМИНАЦИЯ, ЭМЕРДЖЕНТНЫЕ МАКРОСВОЙСТВА, ПОДСИСТЕМА, СЛОЖНОСТЬ, УРОВЕНЬ ИЕРАРХИИ ЭШБИ

INVESTIGATION OF THE INFLUENCE OF SUBSYSTEMS OF DIFFERENT LEVELS OF THE HIERARCHY ON EMERGENT PROPERTIES OF THE SYSTEM IN GENERAL WITH THE USE OF THE ASC-ANALYSIS AND «EIDOS» INTELLECTUAL SYSTEM (microstructure of the system as a factor in the management of its macro properties)

Lutsenko Evgeny Veniaminovich

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

Kuban State Agrarian University, Krasnodar, Russia

The article, on a simple numerical example, deals with the application of the automated system-cognitive analysis (ASC-analysis) and its software tools — intellectual systems «Eidos» for the detection and investigation of determination of emergent macro preferences of systems in their composition and hierarchical structure, i.e. the sub-systems of various complexity levels (levels of the hierarchy). The article briefly discusses some of the methodological issues of creation and application of formal models in scientific knowledge.

The system generalization of the principle of William Ross Ashby about the necessary diversity on the basis of the system of generalization of the theory of sets and systems theory, information, generalized formulation of the principle of Galileo-Einstein, the hypothesis about its relationship with the theorem of Emmy Noether are offered; and also there is a hypothesis «About the dependence of the force and direction of the relations between the basic elements of the system and its emergent properties as a whole, on the level of hierarchy in the system»

Keywords: AUTOMATED SYSTEM-COGNITIVE ANALYSIS, INTELLIGENT SYSTEM «EIDOS», BASE OF KNOWLEDGE, SYSTEM, DETERMINATION, EMERGENT MACROPROPERTIES, SUBSYSTEM, COMPLEXITY, LEVEL OF THE HIERARCHY OF ASHBY

“Истинное знание — это знание причин” Френсис Бэкон (1561-1626 гг.)

Проблема, решаемая в научных исследованиях, состоит в выявлении силы и направления влияния состава и особенностей внутренней иерархической микроструктуры структуры систем на их внешне наблюдаемые на макроуровне свойства, т.е. по сути, в выявлении и исследовании вида причинно-следственных зависимостей между составом, внутренней структурой и эмерджентными свойствами систем.

Другой формой этой же проблемы является построение на основе эмпирических данных1 формальной модели, количественно отражающей силу и направление влияния значений факторов на поведение моделируемого объекта, в частности на его переход в различные будущие состояния.

Такая формальная модель обеспечивает решение ряда как прямых, так и обратных задач.

Прямые задачи (задачи идентификации, распознавания и прогнозирования):

1. Прогнозирование свойств системы по ее составу и структуре.

2. Идентификация состояния системы по ее признакам.

3. Прогнозирование будущих состояний объекта управления по системе действующих на него значений факторов.

Задачи управления (обратные задачи прогнозирования):

4. Определение такого состава и такой структуры системы, которые обусловливают заранее заданные ее свойства.

5. Определение такой системы значений управляющих факторов, которая переводит объект управления в заранее заданное целевое состояние.

Идентификация и распознавание — это просто синонимы. При идентификации считается, что признаки объекта и его состояние, которое нужно определить по этим признакам, относятся к одному моменту времени2. Прогнозирование отличается от идентификации тем, что (признаки) значения факторов относятся к прошлому времени, а состояния объекта к буду-щему3.

Задача управления (выработки управляющих воздействия) является обратной по отношению к задаче прогнозирования, так как при прогнозировании мы по значениям факторов, относящимся к прошлому, определяем будущее состояние объекта, а при управлении, наоборот, по заданному целевому (желательному) состоянию объекта управления определяем такую систему значений факторов, которая по определенным критериям4 наиболее эффективно обусловливает (детерминирует) переход объекта в это целевое состояние.

Сформулированные задачи имеют очень общий характер, так как, по сути, являются вариациями одной математической задачи в различных областях науки и практики, например:

— в генетике: исследование и выявление силы и направления влияния признаков генома и окружающей среды на фенотип (смысловая интер-

1 т.е. на основе описаний структуры, свойств и поведения объектов под влиянием различных воздействий, полученных из опыта

2 Конечно, фактически и при идентификации признаки всегда относятся к прошлому, а идентифицируемые состояния к будущему, т.к. процесс получения информации о наличии признаков и сам процесс идентификации занимает определенное время.

3 Может быть исследован вопрос влияния будущего на прошлое, а также влияния друг на друга одновременных событий, которые, по-видимому, причинно-следственно не связаны друг с другом.

4 Например, с наибольшей силой или с наиболее дешево на единицу силы влияния.

претация генома с применением технологий искусственного интеллекта: признаки генома и окружающей среды как факторы управления фенотипом);

— в психологии (управление персоналом): исследование зависимости личностных и профессиональных качеств человека от его реакции на осознаваемый и неосознаваемый стимульный материал (в частности на опросники); исследование влияния личностных и профессиональных качеств человека на успешность его работы на различных должностях; прогнозирование успешности деятельности конкретного человека на различных должностях на основе ранее выявленных его личностных и профессиональных качеств; разработка «Эйдос-реализации» психологических тестов на основе их опросников и шкал, включая среду применения, а также разработка интегральных тестов на основе стандартных тестов;

— в педагогике: исследование влияния педагогических технологий (в том числе: укомплектованности докторами и кандидатами наук, профессорами и доцентами, методов преподавания, технической оснащенности, учебно-методического обеспечения) на качество образования5 вообще и уровень предметной обученности в частности, а также на успешность профессиональной деятельности по специальности после окончания обучения; оценка уровня преподавания в учебном заведении; прогнозирование учебных достижений учащихся по свойствам их личности и характеристикам образовательного и учебного процесса; выработка рекомендаций по совершенствованию образовательных технологий;

— в экономике: исследование влияния внутренней структуры предприятия на эффективность ее деятельности; исследование влияния технологических, экономических, социально-политических, природных и иных факторов на результаты экономической деятельности предприятий, отраслей и регионов; оценка и прогнозирование эффективности работы предприятий, выработка научно-обоснованных рекомендаций по совершенствованию деятельности; прогнозирование динамики и сценариев развития фондового рынка, поддержка принятия решений на фондовом рынке;

— в агрономии: исследование влияния агротехнологических факторов, биологических свойств сортов и факторов окружающей среды на количественные и качественные результаты выращивания сельскохозяйственных культур; прогнозирование результатов применения конкретных агротехнологий для выращивания конкретных культур в заданных условиях (почвы, предшественники, климат); разработка рекомендаций по системе агротехнологий, обеспечивающей заданный результат выращивания; опре-

5 Образование — это обучение, воспитание и развитие. Обучение — это предметная обученность, т.е. знания, умения и навыки. Вопросы обучения в современной науке проработаны наиболее тщательно. Воспитание включает цели, ценности, мотивации и другие качеств личности. Какие именно из них формировать и каким способом — это изучено намного слабее, чем вопросы обучения. Что же такое развитие в настоящее время в науке вообще освещено слабо. Достаточно сказать, что в современной науке есть теория познания, но нет теории сознания.

деление степени соответствия условий зон и микрозон выращивания, требованиям, предъявляемым конкретными культурами и сортами;

— в кулинарии: исследование влияния рецептуры и технологии на вкусовые и потребительские свойства продуктов питания; разработка рекомендаций по рецептурам и технологиям, обеспечивающим получение продуктов питания с заданными вкусовыми и потребительскими свойствами;

— в металлургии: исследование влияния состава и технологии на свойства сплавов; разработка рекомендаций по составу и технологиям, обеспечивающим получение сплавов с заданными свойствами;

— в химии: исследование зависимости химических свойств химических элементов от структуры атомов; зависимость свойств химических соединений от элементного состава и структуры молекул; прогнозирование свойств новых элементов и химических соединений по их составу и структуре; разработка рекомендаций по составу и структуре новых соединений с заранее заданными свойствами;

— в физике: описание физических явлений и законов физики в различных областях физики на языке теории информации; применение теории управления для управления физическими процессами на различных уровнях организации материи;

— в технических науках: выявление зависимостей свойств новых материалов и технических систем от их состава, структуры и технологии создания; прогнозирование свойств новых материалов и технических систем и выработка рекомендаций по технологии их создания с заранее заданными свойствами;

— в теории управления: выявление и исследование силы и направления влияния значений факторов на свойства и поведение объекта управления; прогнозирование поведения объекта управления под воздействием заданной системы значений управляющих факторов; выработка такого управляющего воздействия, которое с наивысшей степенью детерминированности переведет объект управления в заданное целевое состояние;

— в медицине: исследование зависимости диагноза от клинической картины и симптоматики и зависимости плана лечения от диагноза; постановка диагноза и прогнозирование успешности лечения по симптоматике; выработка плана лечения по диагнозу;

— в биологии: исследование зависимости потребительских, технологических и адаптивных свойств сортов от их фенотипических (ботанических) признаков, физиологии и генотипа; выработка рекомендаций по получению новых сортов и культур;

— в ампелографии: создание семантической информационной модели, отражающей количество знаний, содержащихся в факте наблюдения каждого морфологического и биолого-хозяйственного признака у конкретного образца винограда о том, что этот образец относится к каждому из

сортов, представленных в модели. Данную модель можно использовать для решения задач ампелографии, т.е. для идентификации образцов винограда или автоматизированного отнесения образца к сортам на основе его описания с определением количественной меры сходства образца с каждым сортом, а также для количественного определения степени сходства сортов друг с другом путем агломеративной и дивизивной древовидной кластеризации;

— в лингвистике: исследование взаимосвязи между символами и словами, между смыслом фразы и словами, из которых она состоит;

— в теории чисел: исследование взаимосвязи между свойствами цифр и чисел из них, между сложными числами и простыми числами, произведениями которых они являются, исследование других взаимосвязей между числами.

Эти примеры можно легко продолжить, но для целей данной статьи и уже приведенных вполне достаточно. Остается добавить, что по многим из приведенных примеров автором проведены конкретные исследования и разработки интеллектуальных приложений6, т.е. поставлены и решены перечисленные выше задачи идентификации, прогнозирования и поддержи принятия решений в различных предметных областях и сделано это на единой методологической и инструментально-технологической основе Автоматизированного системно-когнитивного анализа (АСК-анализ) и его программного инструментария — интеллектуальной системы «Эйдос».

Рассмотрим, как на теоретическом уровне, так и на простом численном примере, как решается поставленная проблема в АСК-анализе.

Система есть множество взаимосвязанных элементов, что обеспечивает возникновение новых, так называемых системных или эмерджентных свойств, которых не было у элементов системы до их объединения в систему, что обеспечивает системе преимущества в достижении целей. Таким образом, понятие системы основано на понятии множества, но выходит за его пределы, т.е. является его обобщением, т.к. включает также понятия взаимосвязей между элементами, за счет которых образуются подсистемы различных уровней иерархии, образующие структуру системы [1-11]. На рисунках 1 и 2 представлены в условном виде все возможные подсистемы, образующиеся из 3-х и из 4-х базовых элементов, являющихся простыми числами, путем их перемножения в различных сочетаниях:

6 См., например: http://lc.kubagro.ru/aidos/index.htm http://ej.kubagro.ru/a/viewaut.asp?id=11

СИСТЕМА С ДВУМЯ УРОВНЯМИ ИЕРАРХИИ НА ОСНОВЕ ТРЕХ БАЗОВЫХ ЭОЕМЕНТОВ. КОЭФФИЦИЕНТ ЭМЕРДЖЕНТНОСТИ ХАРТЛИ=1,771244

2-Й УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

1-Й УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

0-И УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

Рисунок 1. Пример системы сложных чисел, основанных на 3 простых числах

СИСТЕМА С ТРЕМЯ УРОВНЯМИ ИЕРАРХИИ НА ОСНОВЕ ЧЕТЫРЕХ БАЗОВЫХ ЭОЕМЕНТОВ, КОЭФФИЦИЕНТ ЭМЕРДЖЕНТНОСТИ ХАРТЛИ=1,903677

3-Й УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

2-Й УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

1-Й УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

0-И УРОВЕНЬ ЭМЕРДЖЕНТНОСТИ

Рисунок 2. Пример системы сложных чисел, основанных на 4 простых числах

Базовыми элементами будем называть элементы исходного множества, на основе которого образуется система. При этом подсистемы различных уровней иерархии некоторой системы, основанной на п базовых элементов, могут включать различное количество базовых элементов т, где т может изменяться от 1 до п. Конечно, реальные системы включают не все в принципе возможные подсистемы, а лишь некоторые из них, поэтому на одном и том же множество базовых элементов могут основываться большое количество различных систем, одинаковых по составу (базо-

вым элементам), но отличающихся своими структурами (подсистемами). Уровень базовых элементов будем считать нулевым уровнем иерархии системы, подсистемы, состоящие из 2-х базовых элементов — 1-м уровнем иерархии, и т.д., т.е. подсистемы из т базовых элементов образуют к-й уровень иерархии, где к=т-1.

Отметим, что выбор в качестве примера системы, основанной на базовых элементах, являющихся простыми числами, с подсистемами, образующимися путем перемножения базовых элементов в различных сочетаниях, не накладывает каких-либо ограничений на применимость полученных на этом примере выводов в различных предметных областях, т.к. простые числа можно рассматривать как условные коды признаков систем или значений действующих на них факторов, а составные числа — кодами эмерджентных свойств этих систем, образующихся путем взаимодействия соответствующих базовых элементов, к тому же разложение сложных чисел на простые множители является единственным. Таким образом, приведенный в статье пример адекватно представляет в символической форме как все вышеперечисленные примеры решения прямых и обратных задач идентификации и прогнозирования в различных предметных областях, так и все не перечисленные аналогичные задачи.

Если выдвинуть весьма правдоподобную гипотезу, что свойства системы в целом обусловливаются ее составом и структурой, то можно считать, что между этими свойствами и подсистемами различных уровней иерархии существует взаимнооднозначное соответствие, т.е.:

— на нулевом уровне иерархии свойства системы соответствуют непосредственно самим элементам;

— на первом уровне иерархии свойства системы соответствуют подсистемам, образованных из пар базовых элементов в различных сочетаниях;

— на втором уровне иерархии свойства системы соответствуют подсистемам, образованных из троек базовых элементов в различных сочетаниях;

— на третьем уровне иерархии свойства системы соответствуют подсистемам, образованных из четверок базовых элементов в различных сочетаниях;

— на к-ом уровне иерархии свойства системы соответствуют подсистемам, образованных из т базовых элементов в различных сочетаниях, где к=т-1.

Таким образом, будем считать, что:

1. Система включает в свой состав не только базовые элементы, на которых она основана, но и различные подсистемы из тех же базовых элементов в различных сочетаниях и эти подсистемы образуют иерархическую структуру системы.

2. Базовые элементы системы будем считать ее подсистемами нулевого уровня иерархии.

3. Свойства системы в целом соответствуют ее подсистемам различных уровней иерархии, поэтому все уровни иерархии, за исключением нулевого, вполне обоснованно называть уровнями эмерджентности.

Ясно, что чем меньше базовых элементов в подсистемах, т.е. чем более простыми являются подсистемы, тем ближе свойства системы в целом к свойствам исходного множества базовых элементов, на которых основана данная система. На основании этого можно утверждать, что понятие системы является обобщением понятия множества. При этом выполнят-

ся принцип соответствия между этими понятиями, т.к. система плавно переходит в множество собственных базовых элементов при уменьшении сложности ее структуры, т.е. числа уровней иерархии и подсистем на этих уровнях до нуля.

Будем считать, что уровень системности (эмерджентность) системы тем выше, чем больше ее свойства отличаются от свойств множества базовых элементов, на которых она основана. Будем считать, что максимальное количество эмерджентных свойств системы в целом ЕМ , состоящей из М базовых элементов, равно количеству ее подсистем различных уровней иерархии, т. е. различной сложности (1):

Ж — количество подсистем в системе, т.е. количество состояний системы или количество ее эмерджентных свойств;

т — число базовых элементов в подсистеме (сложность подсистемы);

См., например: ЬИр://ш.’ткіре^а.оге/’ткі/Принцип%20соответствия

М — максимальное количество базовых элементов в подсистеме (максимальный уровень сложности подсистем) М < = Ж.

В работах [1-11] предложены, обоснованы, развиты и исследованы абсолютные и относительные количественные меры уровня системности (эмерджентности) системы, в качестве которых автором в 2002 году предложены системное обобщение выражения Хартли для количества информации в системе (2), основанной на Ж базовых элементов и его отношение к классическому количеству информации по Хартли (3) в множестве тех же базовых элементов [1] (4):

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

Таким образом, этот коэффициент количественно отражает максимально возможную степень отличия системы от множества его базовых элементов. Поскольку выражение (4) основано на классическом выражении Хартли для количества информации (3) и его системном обобщении, предложенном автором (2), то в работе [1] для него было предложено название: «Коэффициент эмерджентности Хартли», однако, в работах ряда авторов эти и другие результаты преподносятся как собственные без ссылок на первоисточники8.

Из вышеизложенного ясно, что уровень системности (эмерджентности) системы или ее сложность определяется не только числом базовых элементов в ней, но и взаимосвязями между ними, т.е. структурой системы, и при уменьшении интенсивности и количества этих взаимосвязей система дезинтегрируется, т.е. структура системы упрощается, пока полностью не исчезнет и система не превратится в простое множество собственных базовых элементов. Значит уровень системности или эмерд-жентность системы тем выше, чем выше сила и сложность взаимосвязей

8 Об этом см., например: Вяткин В.В. Групповой плагиат: от студента до министра. // Троицкий вариант. № 91: 08.11.2011 — Электронный ресурс. — [Режим доступа]: http://trv-science.ru/2011/11/08^шрроуоіі-plagiat-ot-studenta-do-ministra/

между ее базовыми элементами. В работе [1] сформулирована и численно исследована гипотеза о законе возрастания эмерджентности (рисунок 3):

Рисунок 3. Г ипотеза о законе возрастания эмерджентности согласно [1]

Но как связан уровень системности с управляемостью системы? Интуитивно понятно, что чем сложнее система, тем сложнее ей управлять. Фундаментальный принцип, раскрывающий природу взаимосвязи между сложностью системы и проблематичностью управления ею предложен одним из основателей кибернетики Уильямом Россом Эшби и в современной науке носит его имя.

Принцип Эшби: «Управление может быть обеспечено только в том случае, если разнообразие средств управляющего (в данном случае всей системы управления) по крайней мере не меньше, чем разнообразие

управляемой им ситуации» .

Обычно принцип Эшби интерпретируется таким образом, что число факторов в модели должно быть не

Уильям Росс Эшби, ^ ^ ^

1960 год. меньше числа состояний объекта управления.

Принцип Эшби не означает, что если модель объекта управления отражает не все действующие на него факторы10, то управление им будет невозможно, а означает лишь, что в этом случае управление будет не полным, не детерминистским. При этом под фактором фактически понимается значение фактора и неявно предполагается, что каждое будущее состояние объекта управления детерминируется одним значением фактора и между значениями факторов и состояниями существует взаимнооднозначное соответствие, т.е. по сути, предполагается, что модель объекта управления является детерминистской, факторы не зависят друг от друга (орто-нормированны) и не взаимодействуют друг с другом, т.е. по сути, образуют множество, а не систему факторов.

Однако если рассматривать объект управления как систему в цикле управления (рисунок 4), то можно интерпретировать признаки как значения факторов, воздействующих на систему, а классы как эмерджентные свойства системы или ее будущие состояния, некоторые из которых являются целевыми, а некоторые нежелательными:

ИНФОРМАЦИЯ ОБРАТНОЙ СВЯЗИ

о состоянии объекта управления

/ 1. Идентификация текущего состояния объекта управления

2. Прогнозирование развития

Рисунок 4. Объект управления как система в цикле управления

По мнению автора это означает, что принцип Эшби может быть обобщен с учетом системных представлений следующим образом:

«Для того чтобы управление было полным (детерминистским) модель объекта управления должна описывать силу и направление влияния на объект управления не меньшего суммарного количества различных со-

10 Факторы, действующие на объект управления делятся на внутренние и внешние, а внешние в свою очередь на технологические факторы, т.е. факторы зависящие от управляющей системы, и факторы окружающей среды, независящие от нее.

четаний значений факторов, чем количество возможных будущих состояний объекта управления». Если записать это высказывание в форме математического выражения, то получим (5):

Из выражения (5), естественно при W<>0, следует эквивалентная форма (6):

Предлагается также следующая формулировка системного обобщения принципа Эшби: «Чем больше различных сочетаний значений факторов действует на объект управления, тем выше степень детерминированности управления им». Из сравнения выражений (6) и (4) можно сделать вывод о том, что из приведенной выше формулировки системного обобщения принципа Эшби вытекает следствие: «Степень детерминированности управления системой тем выше, чем выше ее эмерджентность (уровень системности), количественно измеряемая коэффициентом эмерджентности Хартли».

Если в классическом принципе Эшби объект управления рассматривается как многофакторный линейный черный ящик11, т.е. черный ящик со многими входами и многими выходами не имеющий никакой внутренней структуры, то в системном обобщении принципа Эшби объект управления рассматривается как система однофакторных черных ящиков, каждый из которых имеет один вход и один выход, взаимодействующих между собой и образующих подсистемы, что приводит к нарушению линейности объекта управления. Таким образом, системное обобщение принципа Эшби основано на введении внутренней иерархической структуры черного ящика.

Объект управления называется линейным, если результат совместного действия на него совокупности факторов равен сумме результатов влияния на него каждого из этих факторов по отдельности [10, 11]. Это означает, что в линейном объекте управления факторы не взаимодействуют между собой, не образуют подсистем детерминации, т.е. по сути, являются не системой, а множеством факторов. В нелинейных объектах управления

факторы образуют систему с определенным уровнем системности, с новыми эмерджентными (системными) свойствами, не сводящимися к свойствам факторов, рассматриваемым по отдельности. Чем ниже эмерджент-ность (уровень системности) объекта управления, тем он как система ближе к множеству и к линейности.

В работе [1] для количественной оценки степени детерминированности системы автором предложен и численно исследован коэффициент эмерджентности, названный в честь А.А.Харкевича «Коэффициентом эмерджентности Харкевича» (7):

где N — количество фактов, обобщенных в модели объекта управления. Фактом является одновременное наблюдение на опыте двух событий: «Объект управления перешел в ]-е состояние» и «На объект управления действовало і-е значение фактора».

Александр Александрович Харкевич, директор Института проблем передачи информации АН СССР академик АН СССР, является выдающимся советским ученым, внесшим огромный вклад в создание семантической теории информации тем, что внес в теорию информации представление о цели (и тем самым об управлении) и фактически, как стало ясно уже в наше время [10, 11] предложившим количественную меру знаний.

Из вида выражения (7) для коэффициента эмерджентности Харкеви-ча *¥очевидно, что увеличение уровня системности ф влияет на семантическую информационную модель аналогично повышению уровня детерминированности системы: понижение уровня системности, также как и степени детерминированности системы приводит к ослаблению влияния факторов на поведение системы, т.е. к понижению управляемости системы за счет своего рода «инфляции факторов» [1]. Иначе говоря, если на объект управления действует ортонормированная система факторов, т.е. множество факторов, не связанных между собой, и к этой системе добавляется еще один фактор, тождественный по своему влиянию одному из уже имеющихся, то суммарное влияние этого нового фактора и тождественного останется тем же самым, т. е. распределится между ними поровну.

Александр Александрович Харкевич (21.1(3.2).1904 — 30.3.1965)

Рисунок 5. Интерпретация и взаимосвязь коэффициентов эмерджентности

Хартли и Харкевича согласно [1]

Таким образом, коэффициенты эмерджентности Хартли и Харкевича можно обоснованно считать количественным выражением системного обобщения принципа Эшби.

Общим для всех сформулированных в начале статьи задач, и обобщенных, и из разных предметных областей, является неизвестность характера или вида причинно-следственных зависимостей между составом, иерархической структурой и свойствами объектов, или между значениями действующих на объект значениями факторов и его поведением. Однако для решения задач идентификации (распознавания), прогнозирования и принятия решений необходимо знать вид этих зависимостей, следовательно, необходимо выявить и отразить их в формальной модели перед решением этих задач. При этом источником исходных данных для построения формальной модели могут быть только эмпирические данные, полученные из опыта путем наблюдения или в специально организованных экспериментах. Соответственно, возникает принципиальный вопрос, который можно сформулировать следующим образом: «Возможно ли на основе ряда примеров систем с известными внутренним составом и ие-

рархической структурой с одной стороны, и внешне наблюдаемыми свойствами с другой стороны, выявить в количественной форме силу и направление причинно-следственных связей между ними?».

Автоматизированный системно-когнитивный анализ (АСК-анализ) и его программный инструментарий — интеллектуальная система «Эйдос» [1] позволяют утвердительно ответить на этот вопрос, т.к. предоставляют ряд новых возможностей для построения и верификации на основе эмпирических данных формальных моделей, отражающих силу и направление причинно-следственных связей между составом, структурой и свойствами объектов или между значениями действующих на объект значениями факторов и его поведением, а также для решения на основе этих моделей задач идентификации, прогнозирования и принятия решений.

Однако перед тем как непосредственно перейти к рассмотрению этих возможностей кратко обсудим некоторые методологические аспекты создания и применения формальных моделей в научном познании.

Основываясь на работе [10] будем считать, что:

— закономерности — это причинно-следственные зависимости, выявленные на исследуемой выборке и распространяемые лишь на саму эту выборку;

— эмпирический закон — это закономерности, выявленные на исследуемой выборке и распространяемые на некоторую более широкую предметную область, в которой действуют те же причины их существования, что и в исследуемой выборке и эта более широкая предметная область называется генеральной совокупностью, по отношению к которой исследуемая выборка репрезентативна.

Важно, что генеральная совокупность является более широкой, чем исследуемая выборка, причем не только в пространстве, но и во времени. Периоды времени, в течение которых закономерности в предметной области существенно не меняются, называются периодами эргодичности. Можно сказать, что эргодичность — это репрезентативность во времени. Границы между периодами эргодичности называются точками бифуркации. Будем считать, что генеральная совокупность эргодична по отношению к исследуемой выборке, а граница генеральной совокупности состоит из точек бифуркации.

Таким образом, если формальная модель адекватна, то по результатам ее применения невозможно определить в какой именно подобласти генеральной совокупности (области репрезентативности и эргодичности) она применяется. Важно отметить, что сформулированное положение никак не привязано к конкретной предметной области, исследуемой той или иной наукой.

В физике сходный, но более ограниченный смысл имеют принципы относительности Галилея и Эйнштейна: «Все физические процессы в

инерциальных системах отсчёта12 протекают одинаково, независимо от того, неподвижна ли система или она находится в состоянии равномерного

и прямолинейного движения ». При этом под «физическими процессами» в принципе относительности Галилея подразумеваются только механические явления, а Эйнштейна. — кроме того, и электромагнитные, в частности оптические. Поэтому если мы находимся в замкнутой инерциальной системе отсчета, то по протеканию физических процессов невозможно определить, движется она или покоится, а также в каком месте пространства и в каком времени она движется иди покоится. Из принципа относительности Эйнштейна вытекают преобразования Лоренца, которые являются релятивистским обобщением преобразований Галилея и относительно которых инвариантны уравнения Максвелл, описывающие электромагнитные явления.

Это дает основания называть сформулированное положение «Обобщенным принципом относительности». Предлагается следующая формулировка обобщенного принципа относительности, относящегося не только к механическим и электромагнитным явлениям, но и вообще ко всем явлениям, в том числе еще не обнаруженным и даже к тем, которые в принципе никогда не будут обнаружены человечеством: «Законы природы открытые в одном месте и в определенное время действуют и в других местах и в другое время», поэтому по виду законов природы в замкнутой лаборатории невозможно определить в каком месте (пространства) и в каком времени эта лаборатория находится, т.е. по виду законов природы внутри лаборатории невозможно локализовать ее в пространстве-времени. По-видимому, из этого утверждения также могут быть выведены преобразования, являющиеся обобщением преобразований Лоренца для различных предметных областей, а не только для физики.

Обобщенный принцип относительности является методологической основой синтеза формальной модели объекта управления14 на основе исследуемой выборки, и применения этой модели в течение периода эргодичности для решения задач идентификации, прогнозирования и принятия решений в некоторой генеральной совокупности, по отношению к которой исследуемая выборка репрезентативна.

На этом утверждении фактически основана вся современная наука, так как когда ученые открывают и исследуют в своих лабораториях новые явления природы и новые законы, то они при этом неявно предполагают, что открываемое ими новое знание будет использоваться не только лично ими, но в будущем пригодится и другим людям, причем и в других странах. Они также предполагают, что изучив законы природы в своих лабора-

14 т.е. формальной модели, отражающей силу и направление причинно-следственного влияния значений факторов на поведение моделируемого объекта.

ториях они могут на их основе делать выводы об объектах и процессах, весьма удаленных в пространстве и времени, а также об объектах существенно других масштабов, чем изучаемые в лаборатории.

Пример-1. Исследуя излучение света нагретыми химическими элементами ученые могут по спектрам этого излучения определять химический состав веществ не только на Земле, но и химический состав далеких планет, Солнца и других звезд, в том числе в других галактиках. Правда наблюдается «красное смещение» спектральных линий, которое сегодня объясняется законом Хаббла15 и расширением вселенной16, хотя известно, что возможны и другие объяснения. Предлагается гипотеза о том, «красное смещение» может быть объяснено не только расширением вселенной, но и ускорением темпа времени в ней (или совместным действием этих факторов в разных сочетаниях степени их влияния на появление этого эф-

фекта ). При этом фотоны, которые мы регистрируем на Земле, относятся к тем более отдаленному прошлому, чем дальше находится источник их излучения от Земли, и смещение их частоты в красную сторону отражает на сколько темп времени в источнике их излучения меньше, чем на Земле. В замкнутой системе отсчета нет возможности определить, изменился ли темп времени в ней, даже если он изменится в 1000 раз, но это возможно при взаимодействии нескольких систем отсчета с разным темпом времени в них. Например, когда человек спит, то в течение нескольких секунд может увидеть сон с событиями, которые занимают 2-3 часа и при этом ему не кажется, что эти события происходят в каком-то ускоренном темпе, но это только потому, что во время сна он не осознает событий в физической реальности и не имеет возможности сравнить темп их реализации.

Пример-2. Изучив законы гравитации на Земле и в Солнечной системе ученые могут применять их в масштабах нашей и других галактик, а также в масштабах метагалактики. Правда при этом обнаруживается фактическое несоблюдение этих законов даже уже в масштабах галактики и для объяснения этого предполагается существование «темной материи18» и «темной энергии», свойства которых и распределение в пространстве как раз таковы, что позволяют «объяснить» расхождение теории с фактом, хотя известно, что возможны и другие объяснения. Например, энергии гравитационного поля соответствует масса, которая в свою очередь создает гравитационное поле, т.е. гравитационное поле является нелинейным самосогласованным полем. Правда заметным это становится лишь при очень больших по напряженности или по объему гравитационных полях, т.е. как

17 Расширение вселенной тоже должно приводить к ускорению темпа времени, т.к. должно сопровождаться уменьшением плотности массы и напряженности гравитационного поля.

раз в очень больших масштабах, порядка размеров галактики и больше, или вблизи таких экзотических объектов, как черные дыры. Предлагается гипотеза, что никакой «темной материи и энергии» нет, но есть дополнительное гравитационное поле, которое объясняли их наличием, однако это дополнительное гравитационное поле создается самим гравитационным полем.

В соответствии с фундаментальной теоремой Эмми Нётер20 из симметрий пространства-времени: однородности и изотропности пространства и однородностью времени, следуют, соответственно, законы

сохранения импульса, момента количества движения и

энергии . Выполнение принципа относительности Галилея-Эйнштейна обусловлено тем, что законы физики не меняются при инерциальном смещении системы . — г тт 19 отсчета (в т.ч. в гравитационном поле), и одинаковы

Амалия Эмми Нетер

23.03.1882 — 14.04.1935 при смещении в разных направлениях, во времени, и

Получается, что есть основания сформулировать следующую гипотезу: «Принцип относительности выполняется по тем же причинам, по которым существуют законы сохранения и этими причинами являются симметрии пространства-времени».

В этой связи возникают два принципиальных вопроса:

Вопрос-1. В какой степени абстрактная модель полностью однородного и изотропного пространства-времени, рассматриваемая в теореме Нё-тер, соответствует свойствам реального пространства-времени, т.е. на сколько адекватно эта абстрактная модель отражает реальность?

Вопрос-2. Если реальные пространство не является полностью однородным и изотропным и реальное время не совсем однородно, то каким образом это отклонение их свойств от свойств абстрактного полностью однородного и изотропного пространства-времени сказывается на степени соблюдения законов сохранения импульса, момента импульса и энергии, а также на точности принципа относительности?

Естественно, 2-й вопрос становится актуальным в случае неполной адекватности абстрактной модели абсолютно однородного и изотропного пространства-времени, рассматриваемого в теореме Нётер.

19 http ://ru. wikipedia. org/wiki/Ф айл: Noether. j p g

21 В современной физике законов сохранения гораздо больше и все они связаны с определенными симметриями пространства-времени, а также с динамическими симметриями, см., например: http://www.ugatu.ac.ru/ddo/KSE/01/0123/ks012300.htm

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

В современной науке считается, что свойства реального (физического) пространства-времени определяются распределением масс, т.к. гравитация согласно модели общей теории относительности

(ОТО) Альберта Эйнштейна представляет собой деформацию пространства-времени, т.е. нарушение его однородности и изотропности, вызванное распределением массы-энергии. Поэтому пространство-время может быть однородным и изотропным только в однородной и изотропной вселенной, в которой это

14 03 1879 — 18 04 1955 условие выполняется для распределения массы-

энергии как в микро, так и в мега масштабах24. Следовательно, ответ на 1-й вопрос, по сути, сводится к ответу на вопрос об однородности и изотропности распределения массы-энергии во вселенной.

На уровне микро масштабах об однородности и изотропности распределения масс не может быть и речи, т.к. всем хорошо известно, каким сложным образом движутся планеты вокруг Солнца и спутники планет во-

круг них. Недавно в ряде работ с участием автора выяснилось , что это движение оказывает довольно заметное влияние на движение географического и магнитного полюсов Земли [12], на конфигурацию магнитного поля Земли, на частоту землетрясений на Земле, а также на поведение людей и их социальный статус.

Длительное время считалось, что вселенная однородна и изотропна в мега масштабах (космологический принцип26), однако в последнее время появились данные о том, что, по-видимому, и это тоже не так. В этой связи

необходимо упомянуть работы по реликтовому излучению , великому ат-

трактору и сенсационные исследования профессора Майкла Лонге (США) с коллегами по ассиметрии распределения и ориентации спиральных галактик в метагалактике30 (рисунок 6).

22 См. например: Шр://ш^1к1реё1а.от/^1к1/0бщая%20теория%20относительности

23 кйр://ш^ікіредіа.ога^ікЮйнштейн,%20 Альберт

24 Микро масштабом вселенной можно считать уровень звездных систем, например Солнечной системы, мега масштабами — структуру метагалактики.

25 См.: http://ei.kubagro.ru/a/viewaut.asp?id=495

26 См.: http://ru.wikipedia.org/wiki/Космологический принцип

27 Анизотропия реликтового излучения: http://ru.wikipedia.org/wiki/Реликтовое%20излучение

29 http://www.lsa.umich.edu/phvsics/directorv/emeritus/ci.longomichael ci.detail

30 См.: http://www.modcos.com/news.php?id=115

Анизотропия реликтового излучения. Источник изображения: http://upload.wikimedia.Org/wikipedia/commons/2/28/W MAP 2008.png

Карта потоков галактик в метагалактике согласно http://www.atlasoftheuniverse.com/superc/cen.html Источник изображения: http: //www.univers e-review.ca/I03-02-attractor2.i pg

Анизотропия распределения спиральных галактик во Вселенной.

Рисунок 6. Ассиметрия вселенной в масштабах метагалактики

Как мы видим из этих примеров реальная структура метагалактики весьма мало напоминает однородную и изотропную и может быть принята такую только в очень грубом приближении. Таким же грубым приближением к реальности являются и теории, основанные на этом предположении. Это и есть ответ на 1-й вопрос, который делает актуальным поиск ответа и на 2-й вопрос31, который, по-видимому, будет найден в более общих и более точных физических теориях, чем современные.

Таким образом, есть основания полагать, что даже в физике принцип относительности имеет границы применимости, но на предметные области других наук он не распространяется и поэтому в [10] и в данной работе был предложен обобщенный принцип относительности: «Законы природы открытые в одном месте и в определенное время действуют и в других местах и в другое время», поэтому по виду законов природы в лаборатории невозможно определить в каком месте (пространства) и в каком времени эта лаборатория находится, т.е. по виду законов природы внутри лаборатории невозможно локализовать ее в пространстве-времени.

В частности, никакими экспериментами внутри полностью замкнутой виртуальной реальности (сном) невозможно определить, является эта реальность виртуальной (сном) или реальной. Но это можно установить, выйдя за пределы этой реальности, например, сняв амуницию виртуальной реальности или просто проснувшись. Поэтому внутри нашей реальности нет критериев, позволяющих обоснованно утверждать, что наша реальность не является виртуальной (сном). Из этого можно сделать очень важный вывод о том, что для того, чтобы давать истинные результаты способ определения степени истинности реальности сам должен быть истинным, т.е. он сам не должен относиться к той области реальности, которая с помощью него оценивается. Например, если мы хотим определить спим мы или нет, то сам способ, который мы используем для этого, не

31 «О границах применения принципа относительности Галилея-Эйнштейна и законов сохранения»

должен нам сниться, т.к. иначе он может дать результаты, которые тоже нам снятся, и, соответственно, могут быть какими угодно, в том числе и «подтверждающими», что мы не спим, и тем самым могут ввести нас в заблуждение [15, 16, 17]. Проще говоря нам может приснится, что мы бодрствуем и мы во сне сами можем придерживаться этого мнения, но от этого сон не станет бодрствованием. Из этого примера следует, по крайней мере, два вывода:

1. Принцип относительности описывает не саму реальность, а то, какой она осознается в замкнутой лаборатории, но как только мы связываем каналом передачи информации как минимум две до этого замкнутые лаборатории, то сразу очевидным, что этот принцип нарушается.

2. Наша «истинная» реальность имеет очень много общего с виртуальной реальностью, по крайней мере, внутри нее у нас нет способа и критериев это опровергнуть. Этот вывод усиливается и другими доводами, в частности наличием в нашем мире квантовых явлений32 и релятивистских эффектов, а также различных аномальных явлений и их сходством с современными средствами трехмерной визуализации.

И не смотря на то, что на этом принципе, как было показано выше, по существу основана современная наука он, строго говоря, не верен, т.е. выполнятся лишь в первом весьма грубом приближении. Для всех наук, изучающих реальную область, кроме физики, это совершенно очевидно, и фактически современная наука (кроме физики) основана не только на этом принципе, но и на исследовании зависимости степени его несоблюдения от локализации лаборатории в пространстве-времени и масштабов изучаемых явлений, т.е. исследование региональных особенностей и их динамики33. Для обоснования этого положения достаточно привести несколько примеров из области социально-экономических, политологических и психологических исследований.

Пример-1: исследование региональных особенностей и их динамики в экономике, социологии, политологии.

Лауреат Нобелевской премии в области экономики, основатель математической экономики Василий Васильевич Леонтьев34 разработал экономико-математические модели межотраслевого баланса. Однако эти модели с различной степенью адекватности описывали реальную экономику разных стран, а иногда вообще ее не описывали, например тех, в которых «экономика должна быть экономной». Можно было бы построить карту мира с наглядной визуализацией на ней степени адекватности этих моделей в динамике. Даже очень хорошие модели, заслужившие наивысшую

32 В т.ч. действием принципа неопределенности Гейзенберга

33 Такое исследование (зависимости степени несоблюдения принципа относительности и законов сохранения от локализации лаборатории в пространстве-времени) было бы интересно провести и в физике.

оценку, имеют свои ограниченные в пространстве и времени области адекватности.

Социологи и политологи изучают общественное мнение по различными вопросам в разрезе по регионам и различным группам населения и также это делают в динамике.

Пример-2: «зарабатывание» на разнице в курсах ценных бумаг.

Приведем замечательную цитату из работы академика А.Б.Мигдала [13]: «. как неравномерность хода времени приводит к несохранению энергии. Допустим, что неравномерность хода времени проявилась в том, что начиная с некоторого момента стала периодически изменяться постоянная всемирного тяготения. Тогда легко построить машину, которая будет получать энергию из ничего, — «вечный двигатель». Для этого нужно поднимать грузы в период слабого тяготения и превращать приобретенную ими энергию в кинетическую, сбрасывая грузы в период увеличения тяготения35. Видите, неравномерность хода времени, то есть изменение относительного ритма разных процессов, приводит к нарушению закона сохранения энергии». Не правда ли, это весьма и весьма напоминает то, чем занимаются спекулянты на рынке ценных бумаг: покупают товар, когда цена на него падает до локального минимума и прогнозируется ее повышение, и продают, когда она достигает локального максимумам и ожидается ее понижение. Чем не нарушение закона сохранения энергии в экономике и не «экономический вечный двигатель»? Более того, спекулянты ведут себя так, как будто стараются нарушить закон сохранения энергии в максимально возможной степени [6], т.к. нет никакого экономического смысла в том, чтобы покупать и продавать ценные бумаги по одной и той цене и чем выше разница в цене приобретения и продажи, тем выше прибыль. Действия таможенников также приводят к нарушению закона сохранения энергии в экономике, по своему содержанию по сути ничем не отличаясь от действий «демонов Максвелла»36, только на макроуровне. Аналогично и в пространстве товары перемещают из тех мест, где они дешевле (обычно там они и производятся), туда, где они дороже, т.е. логистические потоки информационные, финансовые, энергетические и материальные, направлены таким образом, чтобы в максимально возможной степени нарушать закон сохранения импульса в экономике [6]. Ясно, что нет никакого экономического смысла возить товары по путям, по которым их цена не меняется, а именно для этих областей экономического пространства выполняется закон сохранения импульса по данному

35 См.: http://phvsiclib.ru/books/item/f00/s00/z0000024/st014.shtml. Курсив мой, авт.

36 См.: http://ru.wikipedia.org/wiki/Демон%20Максвелла и http://etherdvnamic.ru/phvsics/82-vaponcam-udalos-sozdat-demon-maksvella.html

виду товаров. Таким образом, вечный двигатель, невозможный в физике, вполне возможен в экономике из-за ярко-выраженного нарушения обобщенного принципа относительности, а также законов сохранения энергии и импульса в экономике. При этом финансовые и материальные потоки направлены в область максимального скорости изменения градиента или разности потенциалов что, по-видимому, связано с каким-то обобщением принципа наименьшего действия [6].

Пример-3: локализация и адаптация психологических тестов. В управлении персоналом часто используются психологические тесты. Как правило, их скачивают в Интернете или находят на пиратских компакт-дисках. При этом обычно не задаются вопросами о том, на сколько корректно применять эти тесты, например, в ООО «Сигнал» в России 2012 года, если они были разработаны в Стэндфордском университете США в 1970 году, т.е. ведут себя так, как будто предполагают, что для них соблю-

дается обобщенный принцип относительности . Между тем даже в США они уже подвергались многократной адаптации, т.к. с течением времени закономерности в предметной области изменяются и там это прекрасно осознают и отслеживают в своих психологических измерительных инструментах эти изменения. Даже в США они локализуются для применения в других штатах, т.к. закономерности в предметной области изменяются в пространстве, и там это прекрасно осознают и отслеживают в своих психологических измерительных инструментах эти изменения. Между тем

в Росси есть необходимые для этого технологии, но они не востребованы .

Таким образом, свойства социально-экономического, политического и психологического пространства-времени разные в разных местах и весьма динамично изменяются с течением физического времени. Если бы для них существовал какой-то обобщенный вариант теоремы Нётер, то можно было бы сделать предположение о несоблюдении в этих предметных областях законов сохранения. Может быть даже, что это играет существенную роль в прогрессе человеческого общества, экспоненциальном росте объемов знаний в обществе, капиталов и технологического потенциала.

Известно, что преобразование Лапласа и особенно дискретное z-преобразование Лорана40, описывают процесс затухания последствий от некоторой причины и в соответствующие интегралы и суммы входит экспоненциальный коэффициент затухания, т.к. если функция будут затухать медленнее, чем по экспоненте, то получается расходящийся интеграл (сумма), т.е. получается, что описываемая им причина будет иметь беско-

37 Чаще те, кто это делает, не имеют об этом ни малейшего представления, т.е. занимается профанацией.

нечные последствия. Похоже, что общество как раз и является подобным бесконечным последствием, своего рода «эффектом бабочки»41.

Но что делать, если обнаруживаются новые факты, которые неадекватно описываются или вообще не описываются существующей теорией или моделью? В этом случае эту теорию или модель необходимо развивать с учетом этих новых фактов (а не отрицать само существование этих «неудобных» фактов, что конечно проще), развивать так, чтобы эти новые факты тоже стали описываться теорией адекватно, так же как и все факты,

известные до этого (принцип соответствия ). В терминологии, принятой АСК-анализе это означает следующее [10] (рисунок 7):

Рисунок 7. К пояснению смысла понятий: «адаптация и пересинтез модели»

Новый факт («3» на рисунке 7) не описывается (не идентифицируется) адекватно существующей моделью, т.к. по-видимому, не относится к генеральной совокупности или периоду эргодичности, по отношению к которым репрезентативна обучающая выборка, на основе которой создана данная модель. В этом случае, для того чтобы восстановить адекватность модели, необходимо добавить данный факт к обучающей выборке (для чего обычно необходимо расширить классификационные и описательные шкалы градации) и произвести пересинтез модели. Это обеспечивает качественное изменение смысла признаков и образов классов, в результате чего предметная область адекватности модели, т.е. генеральная совокупность и период эргодичности расширяются.

Рассмотрим численный пример, демонстрирующий возможность выявления причинно-следственных связей между внутренней иерархиче-

ской структурой системы и ее внешне наблюдаемыми на макроуровне системными или эмерджентными свойствами с применением технологий автоматизированного системно-когнитивного анализа и его программного инструментария — интеллектуальной системы «Эйдос». Рассмотрим также пример неадекватной идентификации объектов, не входящих в генеральную совокупность и пересинтез модели, позволяющий восстановить ее адекватность на более широкой генеральной совокупности (рисунок 7). Отметим, что автоматическое создание классификационных и описательных шкал и градаций для рассматриваемых ниже моделей при различных их параметрах обеспечивается стандартным режимом системы «Эйдос» _159, который полностью автоматизирует этап формализации предметной области АСК-анализа и включен в систему для учебных целей43.

В качестве базовых элементов в полном соответствии с рисунком 2 будем рассматривать простые числа из диапазона от 2 до 7 включительно, а в качестве подсистем различных уровней иерархии — составные числа, образующиеся путем различных сочетаний базовых в качестве сомножителей по 1, 2, 3 и 4. Из этих базовых элементов путем их использования в качестве сомножителей во всех возможных различных сочетаниях по 1, 2, 3 и 4 образуются составные (сложные) числа, детерминирующие эмерджент-ные свойства числовых подсистем и системы в целом, в частности 0-го уровня эмерджентности, которому соответствуют свойства самих базовых элементов. Поэтому в качестве классов естественно рассматривать, как базовые элементы, так и составные числа (таблица 1).

АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков1 Текст научной статьи по специальности «Философия, этика, религиоведение»

Аннотация научной статьи по философии, этике, религиоведению, автор научной работы — Луценко Евгений Вениаминович, Пенкина Юлия Николаевна

Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей и систем искусственного интеллекта, которые поддерживают эти модели. Данная работа направлена на изучение и разработку типовой методики использования базы данных репозитария UCI для оценки качества математических моделей систем искусственного интеллекта. Целью работы разработка методики оценки качества математических моделей систем искусственного интеллекта для классификации животных по внешним признакам на основе базы данных репозитария UCI. Задачами работы являются: систематизация, закрепление и расширение теоретических и практических знаний по дисциплине «Интеллектуальные информационные системы и технологии»; изучение интеллектуальной информационной системы «Эйдос»; решение поставленной цели с помощью интеллектуальной информационной системы «Эйдос». Объектом исследования является база данных «zoo» репозитария UCI. В первой главе работы происходит обзор теории к решению задачи, выявление проблематики, исходных данных, инструментария и метризации шкал. Во второй главе работы представлены решение поставленной задачи. В заключении приведены результаты работы, сделаны выводы по достижению поставленных целей и задач

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по философии, этике, религиоведению , автор научной работы — Луценко Евгений Вениаминович, Пенкина Юлия Николаевна

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

Аск-анализ классов вина по его свойствам на основе данных репозитория UCI
Аск-анализ эффективности работы преподавателя аграрного вуза на основе данных репозитория UCI
АСК-анализ зависимости оплаты сотрудников АПК от их характеристик
i Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

ASK-ANALYSIS, MODELING AND IDENTIFICATION OF LIVING BEINGS ON THE BASIS OF THEIR PHENOTYPIC CHARACTERISTICS

Since there are many alternatives to artificial intelligence systems, there is a need of assessment of the quality of mathematical models and systems of artificial intelligence that support these models. This work is aimed at studying and developing standard methods of using the database of UCI repository to assess the quality of mathematical models of systems of artificial intelligence. The aim of this work is the development of methods for assessment of the quality of mathematical models of artificial intelligence systems for the classification of animals by external evidence-based database of the UCI repository. The objectives are: systematization, consolidation and expansion of theoretical and practical knowledge in the discipline of Intellectual information systems and technologies; study of «Eidos» intelligent information system; solving the task with the use of «Eidos» intelligent information systems. The object of research is the «zoo» database of UCI repository. In the first Chapter there is an overview of the theory to the solution of the problem, identification of problems, the original data, tools and metrization scales. In the second Chapter of the work we present the solution of the task. In the conclusion, the results of the work have been made; the conclusions on the achievement of goals and objectives have been given

Текст научной работы на тему «АСК-анализ, моделирование и идентификация живых существ на основе их фенотипических признаков1»

АСК-АНАЛИЗ, МОДЕЛИРОВАНИЕ И ИДЕНТИФИКАЦИЯ ЖИВЫХ СУЩЕСТВ НА ОСНОВЕ ИХ ФЕНОТИПИЧЕСКИХ ПРИЗНАКОВ1

Луценко Евгений Вениаминович д.э.н., к.т.н., профессор

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, prof.lutsenko@gmail.com

Пенкина Юлия Николаевна

студентка факультета прикладной информатики

Кубанский государственный аграрный университет, Россия, 350044, Краснодар, Калинина, 13, ssl_vamp@mail. ru

Т ак как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей и систем искусственного интеллекта, которые поддерживают эти модели. Данная работа направлена на изучение и разработку типовой методики использования базы данных репозитария UCI для оценки качества математических моделей систем искусственного интеллекта. Целью работы разработка методики оценки качества математических моделей систем искусственного интеллекта для классификации животных по внешним признакам на основе базы данных репозитария UCI. Задачами работы являются: систематизация, закрепление и расширение теоретических и практических знаний по дисциплине «Интеллектуальные информационные системы и технологии»; изучение интеллектуальной информационной системы «Эйдос»; решение поставленной цели с помощью интеллектуальной информационной системы «Эйдос». Объектом исследования является база данных «zoo» репозитария UCI. В первой главе работы происходит обзор теории к решению задачи, выявление проблематики, исходных данных, инструментария и метризации шкал. Во второй главе работы представлены решение поставленной задачи. В заключении приведены результаты работы, сделаны выводы по достижению поставленных целей и задач

Ключевые слова: АСК-АНАЛИЗ МОДЕЛИ ИДЕНТИФИКАЦИЯ ЖИВЫЕ СУЩЕСТВА ФЕНОТИПИЧЕСКИЕ ПРИЗНАКИ

ASK-ANALYSIS, MODELING AND IDENTIFICATION OF LIVING BEINGS ON THE BASIS OF THEIR PHENOTYPIC CHARACTERISTICS

Lutsenko Eugeny Veniaminovich Dr.Sci.Econ., Cand.Tech.Sci., professor

Kuban State Agrarian University, Krasnodar, Russia

Penkina Yulia Nikolaevna

student of the Faculty of Applied Informatics

Kuban State Agrarian University, Krasnodar, Russia

Since there are many alternatives to artificial intelligence systems, there is a need of assessment of the quality of mathematical models and systems of artificial intelligence that support these models. This work is aimed at studying and developing standard methods of using the database of UCI repository to assess the quality of mathematical models of systems of artificial intelligence. The aim of this work is the development of methods for assessment of the quality of mathematical models of artificial intelligence systems for the classification of animals by external evidence-based database of the UCI repository. The objectives are: systematization, consolidation and expansion of theoretical and practical knowledge in the discipline of Intellectual information systems and technologies; study of «Eidos» intelligent information system; solving the task with the use of «Eidos» intelligent information systems. The object of research is the «zoo» database of UCI repository. In the first Chapter there is an overview of the theory to the solution of the problem, identification of problems, the original data, tools and metrization scales. In the second Chapter of the work we present the solution of the task. In the conclusion, the results of the work have been made; the conclusions on the achievement of goals and objectives have been given

Keywords: ASK-ANALYSIS MODEL IDENTIFICATION OF LIVING CREATURES PHENOTYPIC TRAITS

1 Материал подготовлен по результатам исследований, проведенных при финансовой поддержке РГНФ, проект №13-02-00440а

1 КРАТКАЯ ТЕОРИЯ. 2

1.1 Проблематика. 2

1.2 Исходные данные. 2

1.3 Инструментарий. 3

1.3 Метризация шкал. 5

2 РЕШЕНИЕ ПОСТАВЛЕННОЙ ЗАДАЧИ. 6

2.1 Описание решения. 6

2.2 Преобразование исходных данных из HTML-формата в промежуточные файлы в Excel.7

2.3 Преобразование исходных данных из промежуточных файлов в базы данных системы

2.4. Синтез и верификация статистических и интеллектуальных моделей. 19

2.5. РЕЗУЛЬТАТЫ ИДЕНТИФИКАЦИИ В СОЗДАННЫХ моделях. 28

2.6. Информационные портреты классов и признаков. 34

2.7. Когнитивные функции. 36

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ. 43

SPISOK ISPOL»ZOVANNYH ISTOCHNIKOV. ОШИБКА! ЗАКЛАДКА НЕ ОПРЕДЕЛЕНА.

ПРИЛОЖЕНИЕ — ТАБЛИЦА П.1 — ФАЙЛ ИСХОДНЫХ ДАННЫХ ДЛЯ СИСТЕМЫ «ЭЙДОС» 46

1 КРАТКАЯ ТЕОРИЯ

Создание систем искусственного интеллекта является одним из важных направлений развития информационных систем. Так как существует множество альтернатив систем искусственного интеллекта, то возникает необходимость оценки качества математических моделей и систем искусственного интеллекта, которые поддерживают эти модели.

Существует задача оценки качества математических моделей систем искусственного интеллекта для классификации животных по внешним признакам на основе базы данных репозитария UCI, решение которой довольно сложное. Имеются многие технологии, которые позволяют решить эту задачу, но разработка довольная дорогостоящая, так как надо иметь мощные технологии и инструментарий.

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.

1.2 Исходные данные

В данной работе использована база данных «zoo» из банка исходных данных по задачам искусственного интеллекта — репозитария UCI, который

выполнен сотрудниками Школы информатики и компьютерных исследований Калифорнийского университета США. База данных дополнена значениями и приводится полностью в приложении.

На момент написания работы этот банк включает в себя 290 баз исходных данных по различным задачам.

Для решения задачи используем стандартные возможности Microsoft Office Word и Excel. А так же систему искусственного интеллекта «Эйдос-Х++» версии от 27.05.2014.

Математическая модель системы «Эйдос» была разработана в 1979 и впервые прошла экспериментальную апробацию в 1981 году. С 1981 по 1992 система «Эйдос» неоднократно реализовалась на платформе Wang (на компьютерах Wang-2200Q. Для IBM-совместимых персональных компьютеров система «Эйдос» впервые реализована в 1992 году и с тех пор совершенствуется постоянно, вплоть до настоящего времени [1, 12, 13].

Система «Эйдос» предназначена для [2]:

1. Прогнозирования состояния сложных систем и разработки методик их тестирования, разработки тестов в разных предметных областях;

2. Эксплуатации при массовой обработки информации в промышленном режиме этих методик;

3. Анализа достоверности заполнения исходных данных, а также для углубленного анализа результатов этого тестирования, который включает информационный (ранговый) и кластерно-конструктивный анализ эталонных описаний признаков и классов распознавания.

Система является бесплатным, широкодоступный лицензионным программным продуктом.

Отличием от экспертных систем системы «Эйдос-Х++» является то, что для обучения работы на ней от экспертов не требуется формулирование правил и весовых коэффициентов, а само их решение о принадлежности объекта и его состояния к определенному классу. Правила и весовые коэффициенты система формулирует автоматически.

Отличием от систем статистической обработки информации являются цели самой системы:

— формирование образов распознавания и признаков по данным обучающей выборки;

— исключение тех признаков из системы, которые являются менее ценными для решения задач системы;

— вывод в удобной текстовой и графической форме для анализа и восприятия информации об обобщенных образам классов распознавания и их признаков;

— сравнение обобщенных образов классов распознавания с распознаваемыми формальными описаниями объектов;

— кластерно-конструктивный анализ (сравнение обобщенных образов классов распознавания и признаков друг с другом);

— расчет частотных распределений классов распознавания и признаков, а также двумерных матриц сопряженности на основе критерия X2 и коэффициентов Пирсона, Чупрова и Крамера;

— результаты анализа выводятся в форме когнитивных диаграмм и семантических сетей.

Выходит, что системы выполняет за исследователя-аналитика работу, которую приходится выполнять вручную при использовании систем статистической обработки информации. Поэтому система «Эйдос» аналитическая.

Система содержит базовые когнитивные операции, которые дают право называть ее когнитивной системой:

— присвоение знаковых имен;

— обобщение, синтез, индукция;

— классификация обобщенных образов;

— сравнение обобщенных образов;

— идентификация конкретных объектов.

Система «Эйдос» генерирует более пятидесяти различных текстовых форм, а также более шестидесяти различных видов двух- и трехмерных графических форм.

Основными характеристиками системы являются:

1. Обеспечивает на уровне девяносто процентов достоверность распознавания обучающей выборки, которая повышается после оптимизации системы признаков;

2. Обеспечивает одновременную обработку сотен тысяч классов распознавания и признаков, при этом признаки могут быть как качественные, так и количественные;

3. Возможность разработки супертестов, а так же интеграции стандартных тестов в свою среду;

4. Обеспечивает высокую степень наглядности, благодаря научной графики, также имеется естественный словесный интерфейс при обучении системы и запросах на распознавание.

Система может быть применена в таких областях, как:

— синтез адаптивных систем автоматизированного управления сложными нелинейными системами в различных предметных областях;

— определение оптимальной профессиональной принадлежности, профессиональной деятельности и перспектив обучения, также в специальных областях, которые требуют от человека адекватного поведения в экстремальных ситуациях и специфических способностей;

— исследования на основе обработки больших объемов информации по политологии, экономике, социологии и прикладной психологии;

— медицинская диагностика, мониторинг динамики состояний больных, определение гомеопатических типов, изучение взаимосвязей между лечебными воздействиями и эффектом;

— изучение тенденций фондового рынка, анализ и прогнозирование биржевых ситуаций, прогнозирование курсов валют и ценных бумаг;

— в любых областях, в которых возникают задачи идентификации и прогнозирования ситуаций или состояний сложных объектов по внешним признакам;

— изучение влияния факторов различной природы на количество и качество результатов деятельности;

— использование выявленных зависимостей для разработки обоснованных рекомендаций.

Microsoft Office Word — текстовый процессор, предназначенный для создания, просмотра и редактирования текстовых документов, с локальным применением простейших форм таблично-матричных алгоритмов. Выпускается корпорацией Microsoft в составе пакета Microsoft Office [3].

Программа Microsoft Office Excel созданна корпорацией Microsoft и предназначена для работы с электронными таблицами [4]. Она предоставляет возможности экономико-статистических расчетов, графические инструменты и язык макропрограммирования VBA. Microsoft Excel входит в состав Microsoft Office и на сегодняшний день является одним из наиболее популярных приложений в мире.

1.3 Метризация шкал

Измерительные шкалы — это инструмент создания формальных моделей реальных объектов, а так же и инструмент, который позволяет повысить степень формализации этих моделей до такого уровня, при котором возможна их реализация на компьютерах [5].

Чем выше степень формализации модели, тем точнее решаются различные задачи с использованием этих моделей, тем проще использовать модели для проектирования искусственный систем и их создания, а также тем более точные и развитые математические методы могут применяться в этих моделях.

«Задача метризации шкал» была четко сформулирована, поставлена и решена в 1958 году датским математиком Г. Рашем. Задача метризации шкал — это задача преобразования шкалы к виду наиболее формализованному. Метризация шкал осуществляется путем ввода метрики (единицы измерения) и проводится с целью повышения степени формализации этой шкалы. В отношении к системе «Эйдос» метризация шкал — введение единицы измерения и отношений порядка и начала отсчета на шкале.

В интеллектуальной системе «Эйдос» в системно-когнитивном анализе предлагается 7 способов метризации всех типов шкал, которые обеспечивают корректную совместную сопоставимую количественную обработку разнородных по своей природе факторов, различных единиц измерения. Факторы описываются шкалами, а значения факторов — градациями шкал.

Существует три основных группы факторов:

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

В каждой группе есть много различных видов факторов, но в СК-анализе они рассматриваются с единой точки зрения — сколько информации содержится в их значениях о переходе объекта, на который они действуют, в определенное состояние, при этом направление влияния и сила значений факторов измеряется в одних общих для факторов единицах измерения (единицах количества информации). По этой причине можно складывать силу и направление влияния всех действующих на объект значений факторов, и определять результат их совместного влияния на объект. При этом объект является нелинейным, а факторы взаимодействуют друг с другом внутри него (не выполняется принцип суперпозиции).

При условии, что разные факторы измеряются в различных единицах измерения, результат сравнения объектов будет зависеть от единиц измерения факторов, что недопустимо.

Измерение — Отображение реальных объектов в формальных шкалах. Система «Эйдос» представляет — средство для построения и применения измерительных инструментов в различных предметных областях. В ней реализованы разнообразные технологии метризации, которые позволяют любые свойства объектов (количественные и качественные) исследовать в наиболее сильных абсолютных шкалах знаний.

2 РЕШЕНИЕ ПОСТАВЛЕННОЙ ЗАДАЧИ

2.1 Описание решения

Решение поставленной задачи выполним в два этапа:

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

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

2.2 Преобразование исходных данных из HTML-формата в промежуточные файлы в Excel

Из банка исходных данных по задачам искусственного интеллекта -репозитария UCI получаем исходную информацию по базе данных «zoo», которую оставим без изменений [6].

Общее описание задачи:

1. Title: Zoo database

2. Source Information

— Creator: Richard Forsyth — Donor: Richard S. Forsyth 8 Grosvenor Avenue Mapperley Park Nottingham NG3 5DX 0602-621676 — Date: 5/15/1990

— None known other than what is shown in Forsyth’s PC/BEAGLE User’s Guide.

4. Relevant Information:

— A simple database containing 17 Boolean-valued attributes. The «type»

attribute appears to be the class attribute. Here is a breakdown of which animals are in which type: (I find it unusual that there are

2 instances of «frog» and one of «girl»!)

Class# Set of animals:

1 (41) aardvark, antelope, bear, boar, buffalo, calf,

cavy, cheetah, deer, dolphin, elephant,

fruitbat, giraffe, girl, goat, gorilla, hamster,

hare, leopard, lion, lynx, mink, mole, mongoose,

opossum, oryx, platypus, polecat, pony,

porpoise, puma, pussycat, raccoon, reindeer,

seal, sealion, squirrel, vampire, vole, wallaby,wolf

2 (20) chicken, crow, dove, duck, flamingo, gull, hawk,

kiwi, lark, ostrich, parakeet, penguin, pheasant, rhea, skimmer, skua, sparrow, swan, vulture, wren

3 (5) pitviper, seasnake, slowworm, tortoise, tuatara

4 (13) bass, carp, catfish, chub, dogfish, haddock,

herring, pike, piranha, seahorse, sole, stingray, tuna

5 (4) frog, frog, newt, toad

6 (8) flea, gnat, honeybee, housefly, ladybird, moth, termite,

7 (10) clam, crab, crayfish, lobster, octopus,

scorpion, seawasp, slug, starfish, worm

5. Number of Instances: 101

6. Number of Attributes: 18 (animal name, 15 Boolean attributes, 2 numerics)

7. Attribute Information: (name of attribute and type of value domain)

1. animal name: Unique

2 . hair Boolean

3 . feathers Boolean

4 . eggs Boolean

5 . milk Boolean

6 . airborne Boolean

7 . aquatic Boolean

8 . predator Boolean

9 . toothed Boolean

10 . backbone Boolean

11. breathes Boolean

12 . venomous Boolean

13 . fins Boolean

14 . legs Numeric

15 . tail Boolean

16 . domestic Boolean

17 . catsize Boolean

18 . type Numeric

8. Missing Attribute Values: None

9. Class Distribution: Given above

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

sealion,1,0,0,1,0,1,1,1,1,1,0,1,2,1,0,1,1 seasnake,0,0,0,0,0,1,1,1,1,0,1,0,0,1,0,0,3 seawasp,0,0,1,0,0,1,1,0,0,0,1,0,0,0,0,0,7 skimmer,0,1,1,0,1,1,1,0,1,1,0,0,2,1,0,0,2

skua, 0, 1, 1, 0, 1, 1, 1, 0, 1, 1, 0, 0, 2, 1, 0, 0, 2

slowworm, 0, 0, 1, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 3 0 0

slug, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 7

sole, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 0, 1, 0, 1, 0, 0, 4

В описании задачи мы видим несоответствия:

— атрибут «type» относится к классификационным шкалам и градациям, а не к описательным, так как содержит информацию о принадлежности объекта к классу;

— объект «frog» указан два раза и имеет отличие по одиннадцатому атрибуту;

— атрибут «animal name» не должен включаться в систему атрибутов, так как является прямым указанием на объект.

Для преобразования данных из HTML-формата в Excel необходимо:

1. Скопировать текст обучающей выборки в Microsoft Office

3. В открывшемся окне (рисунок 1) выбрать вкладку «Заменить»;

4. В поле «Найти» поставить символ «,»;

5. Выбрать поле «Заменить на», нажать «Больше», затем «Специальный», выбрать «Символ табуляции» и нажать «Заменить все» (рисунок 2.1);

6. Скопировать получившийся текст в Microsoft Office Excel;

7. Используя информацию, содержащеюся в общем описании задачи, привести таблицу к виду, представленному на рисунке 2.

ть знаки препинания ть пробелы

Заменить | Формат т | | Специальный т |

Рисунок 2 — Настройки замены

Наименование Тип Наименование Шерсть Перья Яйцо Молоко Воздушный Водный Хищник Зубастый Позвоночник н S э 3 Ядовитый Плавник Ноги Хвост Домашний Больше кошки

акула-катран рыбы акула-катран нет нет есть нет нет есть есть есть есть нет нет есть нет есть нет есть

антилопа млекопитающие антилопа есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

ара птицы ара нет есть есть нет есть есть нет нет есть есть нет нет две есть есть нет

бабуин млекопитающие бабуин есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

барсук млекопитающие барсук есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

бегемот млекопитающие бегемот есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

белка млекопитающие белка есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет нет

белый медведь млекопитающие белый медведь есть нет нет есть нет есть есть есть есть есть нет нет четыре есть нет есть

бизон млекопитающие бизон есть нет нет есть нет нет нет есть есть есть нет нет четыре есть есть есть

блоха насекомые блоха нет нет есть нет нет есть нет нет нет есть нет нет шесть нет нет нет

богомол насекомые богомол нет нет есть нет есть есть есть нет нет есть нет нет шесть есть есть нет

божья коровка насекомые божья коровка нет нет есть нет есть есть есть нет нет есть нет нет шесть нет нет нет

боров млекопитающие боров есть нет нет есть нет нет есть есть есть есть нет нет четыре есть нет есть

буйвол млекопитающие буйвол есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

бурый медведь млекопитающие бурый медведь есть нет нет есть нет есть есть есть есть есть нет нет четыре есть нет есть

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

варан пресмыкающиеся варан нет нет есть нет нет есть есть нет есть есть нет нет четыре есть есть есть

верблюд млекопитающие верблюд есть нет нет есть нет нет нет есть есть есть нет нет четыре есть есть есть

вивверина млекопитающие вивверина есть нет нет есть нет нет есть есть есть есть нет нет четыре есть есть есть

водорез птицы водорез нет есть есть нет есть есть есть нет есть есть нет нет две есть нет нет

волк млекопитающие волк есть нет нет есть нет нет есть есть есть есть нет нет четыре есть нет есть

вомбат млекопитающие вомбат есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

воробей птицы воробей нет есть есть нет есть есть нет нет есть есть нет нет две есть нет нет

ворона птицы ворона нет есть есть нет есть есть есть нет есть есть нет нет две есть нет нет

выхухоль птицы выхухоль нет нет есть нет нет есть есть есть есть нет нет есть нет есть нет нет

гадюка пресмыкающиеся гадюка нет нет есть нет нет есть есть нет нет есть есть нет нет есть нет нет

газель млекопитающие газель есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

геккон пресмыкающиеся геккон нет нет есть нет нет есть нет нет есть есть нет нет четыре есть есть нет

гепард млекопитающие гепард есть нет нет есть нет нет есть есть есть есть нет нет четыре есть нет есть

гиббон млекопитающие гиббон есть нет нет есть нет нет нет есть есть есть нет нет четыре есть нет есть

гиена млекопитающие гиена есть нет нет есть нет нет есть есть есть есть нет нет четыре есть нет есть

глухарь птицы глухарь нет нет есть нет нет есть есть есть есть нет нет есть нет есть нет нет

голавль рыбы голавль нет нет есть нет нет есть есть есть есть нет нет есть нет есть нет нет

Рисунок 2 — Фрагмент исходной базы данных в Microsoft Office Excel (полностью файл исходных данных приведен в приложении)

База данных животных дополнена значениями до 200 для более точной классификации. Полностью база приведена в приложении.

2.3 Преобразование исходных данных из промежуточных файлов в базы данных системы «Эйдос»

Сначала нужно скачать и установить систему.

Для этого по адресу: http://lc.kubagro.ru/aidos/ Aidos-X.htm необходимо открыть и выполнить следующую инструкцию2:

ИНСТРУКЦИЯ по скачиванию и установке системы «Эйдос» (объем около SC Мб)

Система не требует инсталляции, не меняет никаких системных файлов и содержимого папок операционной системы,

т.е. является портативной (portable) программой. Но чтобы она работала необходимо аккуратно выполнить следующие пункты.

1. Скачать самую новую на текущий момент версию системы «Эйдос-Х++» по ссылке:

http://lc. kubagro.ru/a. rar (ссылки для обновления системы даны в режиме 6.2)

2. Разархивировать этот архив в любую папку с правами на запись с коротким латинским именем и путем доступа,

включающим только папки с такими же именами (лучше всего в корневой каталог какого-нибудь диска).

3. Запустить систему. Файл запуска: 0_AIDOS-X.exe

4. Задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2).

5. Выполнить режим 1.11 (только 1-й раз при установке системы в данную папку)

6. Перед тем как запустить новый режим НЕОБХОДИМО ЗАВЕРШИТЬ предыдущий (Help можно не закрывать)

2 Имеется и форум автора системы проф.Е.В.Луценко для пользователей системы:

ИНСТРУКЦИЯ по скачиванию и установке обновления системы «Эйдос» до текущей версии (объем около 3 Мб)

Обновление из данного режима Обновление из системы «Эйдос-Х++»

1. Скачать файл обновлений системы «Эйдос-Х++» по ссылке: http://lc. kubagro.ru/Install Aidos-X7Downloads.exe. Лучше всего скачать этот архив в папку, в которой находится система «Эйдос-Х++». Если там такой файл уже есть, то заменить его. 2. Если система «Эйдос-Х++» запущена, выйти из нее, иначе занятые файлы, вт.ч. исполнимый модуль системы (файл: 0_АЮОЭ-X.exe), не обновятся. 3. Разархивировать архив Downloads.exe в папку, в которой находится система «Эйдос-Х++», кликнув по нему и выбрав опцию: «Замена всех файлов» 1. В системе «Эйдос-Х++») запустить режим 6.2 и кликнуть по самой последней на экранной форме гиперссылке: http://lc.kubagro.ru/Install Aidos-XZDownloads.exe. Лучше всего скачать этот архив в папку, в которой находится система «Эйдос-Х++». Если там такой файл уже есть, то заменить его. 2. Выйти из системы «Эйдос-Х++», т.к. иначе занятые файлы, в т.ч. исполнимый модуль системы (файл: 0_AIDOS-X.exe), не обновятся. 3. Разархивировать архив Downloads.exe в папку, в которой находится система «Эйдос-Х++», кликнув по нему и выбрав опцию: «Замена всех файлов» .

— запустить систему. Файл запуска: 0_AIDOS-X.exe;

— задать имя: 1 и пароль: 1 (потом их можно поменять в режиме 1.2);

— после обновления системы режим 1.11 запускать нет необходимости.

Это наиболее полная на данный момент незащищенная от несанкционированного копирования портативная (portable) версия системы (не требующая инсталляции) с исходными текстами, находящаяся в полном открытом бесплатном доступе (около 50 Мб). Обновление имеет объем около 3 Мб.

Для преобразования исходных данных обучающей выборки в базы данных системы «Эйдос» необходимо файл Microsoft Office Excel, который содержи базу данных животных скопировать в Aidos-X\AID_DATA\Inp_data и назвать Inp_data.xlsx. Этот файл организован следующим образом (рисунок 3):

£) Помощь по режиму 2.3.2.2 для случая ЕхсеІ-файлов исходных данных

Режим 2.3.2.2: Универсальный программный интерфейс импорта данных из внешней базы данных Чг^с^а.х^1 в систему ,Эйдос-х++1 и формализации предметной области.

■ Данный программный интерфейс обеспечивает автоматическое формирование классификационных и описательных шкал и градаций, а также обучающей и распознаваемой вьйорки, т. е. формализацию предметной области, на основе Х1_6 илиХЬЗХ-файла с исходными данными приведенного ниже стаццарта.

— Файл исходных данных должен иметь имя INP_DATA.XLS или ^„ОАТАХЦЗХ и может быть получен в Ехсе1-2(Щ2Ш7-2010), а Файл распознаваемой выборки имя: INP_RASP.XLS или №_ВА5РХ15Х. Файлы 1ИР_0АТА.Х1.5 (1МР_0АТАЯ5Х) и INP_RASP.XLS или 1ЫР_РА5Р. Х1БХ) должны находиться в папке /’АШ03-ХМЮ_0АТАЛпр_[1а1а/ и имеют совершенно одинаковую структуру.

— 1-я строка этого Файла должна содержать наименования колонок на любом языке, в т. ч. и русском. Эти наименования должны быть во всех колонках, при этом объединение ячеек и переносы слов не допускаются. Желательно, чтобы эти наименования были не очень длинными, т.к. к ним еще будут добавляться интервальные числовые или текстовые значения.

— Каждая строка этого Файла, начиная со 2-й, содержит данные об одном объекте обучающей выборки. Если Ехсе1-2003, в листе может быть до 65536 строк и до 256 колонок. 8 листе Ехсе1-2007(2010) возможно до 1 048 576 строк и 16 384 колонок.

— Столбцы, начиная со 2-го, являются классификационными и описательными шкалами и могут быть текстового (номинального) или числового типа (с десятичными знаками после запятой).

— Столбцу присваивается числовой тип, если все значения его ячеек числового типа. Если хотя бы одно значение является текстовым (не числом, в т.ч. пробелом), то столбцу присваивается текстовый тип. Это означает, что нули должны быть указаны нулями, а не пробелами.

■ 1 -й столбец содержит наименование источника данных длиной до 255 символов, но желательно, чтобы эти наименования были не очень длинными.

— Столбцы со 2-го по М-й являются классификационными шкалами (выходными параметрами) и содержат данные о классах (будущих состояниях объекта управления), к которым принадлежат объекты обучающей выборки.

— Столбцы с N+1 по последний являются описательными шкалами (Факторами) и содержат данные о признаках (значениях Факторов), характеризующих объекты обучающей вьйорки

— 8 результате работы режима Формируется Файл INP_NAME.TXT стандарта М5 РОБ (кириллица), в котором наименования классификационных и описательных шкал являются СТРОКАМИ. Система Формирует классификационные и описательные шкалы и градации. Для этого в каждом числовом столбце система находит минимальное и максимальное числовые значения и формирует заданное количество числовых интервалов, после чего числовые значения заменяются их интервальными значениями. В текстовых столбцах система находит уникальные текстовые значения. Каждое УНИКАЛЬНОЕ интервальное числовое или текстовое значение считается градацией классификационной или описательной шкалы, характеризующей объект. С их использованием генерируется обучающая выборка, каждый объект которой соответствует одной строке файла исходных данных №_0АТА и содержит коды классов, соответствующие Фактам совпадения числовых или уникальных текстовых значений классов с градациями классификационных шкал и коды признаков, соответствующие фактам совпадения числовых или уникальных текстовых значений признаков с градациями описательных шкал.

— Распознаваемая выборка Формируется на основе Файла МР_ВА5Р аналогично, за исключением того, что классификационные и описательные шкалы и градации не создаются, а используются ранее созданные в модели, и базы распознаваемой выборки могут не включать коды классов, если столбцы классов в Файле №_ЯА5Р были пустыми. Структура Файла №_ЯА5Р должна быть такая же, какМР_ОАТА,т.е. они должны ПОЛНОСТЬЮ совпадать по столбцам, но могут иметь разное количество строк.

Принцип организации таблицы исходных данных:

Наименование объекта обучающей выборки Наименование 1-й классификационной шкалы Наименование 2-й классификационной шкалы Наименование 1-й описательной шкалы Наименование 2-й описательной шкалы

1-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

2-й объект обучающей выборки Значение показателя Значение показателя Значение показателя Значение показателя

Рисунок 3 — Помощь по режиму

Далее запускаем систему «Эйдос» из папки «АідоБ-Х» файлом _а1ёоБ-x.exe. Система попросит ввести логин и пароль (рисунок 4). Необходимо ввести: логин — 1, пароль — 1.

Рисунок 4 — Авторизация в системе «Эйдос

После откроется главное окно программы (рисунок 5).

Рисунок 5 — Главное окно программы «Эйдос»

Далее необходимо выполнить режим 1.11 для сброса приложений и локализации системы (рисунок 6).

Сообщение о завершении операции

О Все пользователи и е се приложе 0к ния успешно удалены!

Рисунок 6 — Сброс и локализация системы

Для загрузки базы данных необходимо зайти в режим 2.3.2.2 (рисунок 7):

£) 23.2.2. Универсальный программный интерфейс импорта данных в систему ’ЭЙДОС-Х++’’

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

Задайте тип Файла исходных данных: «lnp_dala»:

С XLS — MS Excel-2003 С* XLSX-MS Excel-2007(2010)

Г DBF -DBASE IV(DBF/NTX) Стандарт DBF-файла

С CSV — Comma-Separated Values Стандарт CSV-Файла

Задайте диапазон столбцов классификационных шкал: Начальный столбец классификационных шкал: | 2

Конечный столбец классификационных шкал: I 3

(* Формализации предметной области (на основе «lnp_data») С Генерации распознаваемой выборки (на основе «1пр_га$р»)

— Считать нули и пробелы отсутствием данных?

(* Да Нули и пробелы считаются отсутствием данных

С Нет С’ Не знаю

Пояснения по работе конвертера исходных данных

|- Задайте диапазон столбцов описательных шкал: Начальный столбец описательных шкал: Конечный столбец описательных шкал:

(* Равные интервалы с разным числом наблюдений Г Разные интервалы с равным числом наблюдений

-Задание параметров формирования сценариев или способа интерпретации текстовых полей «lnp_data‘,:

(* 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_data,, _______

Пояснения по режиму

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

Сценарный метод АСК-анализа:

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

Записи файла исходных данных «lnp_dala» рассматриваются каждая сама по себе независимо друг от друга

Значения текстовых полей Файла исходных данных «lnp_datall рассматриваются как целое

Задайте способ выбора размера интервалов:

Рисунок 7 — Экранная форма Универсального программного интерфейса

импорта данных в систему «Эйдос»

и в настройках выбрать:

— «Задайте тип файла исходных данных Inp_data»: «ХЬБХ-МБ

— «Задайте диапазон столбцов классификационных шкал»: «Начальный столбец классификационных шкал» — 2, «Конечный столбец классификационных шкал» — 3;

— «Задайте диапазон столбцов описательных шкал»: «Начальный столбец описательных шкал» — 4, «Конечный столбец описательных шкал»

— «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 8). В этом окне необходимо нажать кнопку «Выйти на создание модели».____________________

О 2.3.2 2. Задание размерности модели системы «ЭИДОС-Х+

ИНФОРМАЦИЯ 0 РАЗМЕРНОСТИ МОДЕЛИ

Суммарное количество градаций классификационных и описательных шкал: (208 х 36]

Т ип шкалы Количество классифи- кационных шкал Количество градаций классифи- кационных Среднее количество градаций на класс, шкалу Количество описательных шкал Количество градаций описательных шкал Среднее количество градаций на опис, шкалу

Числовые 0 0 0,00 0 о| 0,00

Т екстовые 2 206 103,00 16 зе| 2,25

ВСЕГО: 2 206 103,00 16 36 2,25

Задайте число интервалов (градаций) в шкале:

Пересчитать шкалы и градации

Выйти на создание модели

Рисунок 8 — Задание размерности модели системы «Эйдос»

Далее открывается окно, где происходит процесс импорта данных из внешней БД «Inp_data» в систему «Эйдос» (рисунок 9). В том окне необходимо дождаться завершения формализации предметной области и нажать кнопку «Ок»._________________________________________________

О 2.3 .2.2. Процесс импорта данных из внешней БД Іпр в систему «ЭЙДОС-Х++»

Стадии исполнения процесса

ПРОЦЕСС ФОРМАЛИЗАЦИИ ПРЕДМЕТНОЙ ОБЛАСТИ ЗАВЕРШЕН УСПЕШНО .

Прогноз времени исполнения

Начало: 07:16:30 Окончание: 7:10:34

Для просмотра классификационных шкал и градаций необходимо запустить режим 2.1 (рисунки 10-11).________________________________

2.1. Классификационные шкалы и градации. Текущая модель: 1^1″ 1 0 І ®

III Код шкалы (Наименование классификационной шкалы II Код градации | Наименование градации классификационной шкалы ВЕІ. н ▼

2 ТИП . Г земноводные .

НАИМЕНОВАНИЕ 2 млекопитающие .

Рисунок 10 — Классификационные шкалы и градации (по типу)

2.1. Классификационные шкалы и градации. Текущая модель: ЧМР1“ [ си | 1“)

III Код шкалы I Наименование классификационной шкалы II Код градации I Наименование градации классификационной шкалы ю. —

1 ТИП . | 1 акула-катран .

2 НАИМЕНОВАНИЕ 9 антилопа .

ASCII

ASCII — это таблица кодировки символов, в которой каждой букве, числу или знаку соответствует определенное число. В стандартной таблице ASCII 128 символов, пронумерованных от 0 до 127. В них входят латинские буквы, цифры, знаки препинания и управляющие символы.

«IT-специалист с нуля» наш лучший курс для старта в IT

таблица кодировки символов ASCII

Что такое ASCII

Таблицу разработали в Америке в 60-х, и ее название расшифровывается как American Standard Code for Information Interchange — Американская стандартная кодировка для обмена информацией. Аббревиатура читается как «аски».

Существуют национальные расширения ASCII, которые кодируют буквы и символы, принятые в других алфавитах. «Стандартная» таблица называется US-ASCII, или международной версией. В большинстве национальных расширений заменена только часть символов, например знак доллара на знак фунта. Но для языков, где используются нелатинские алфавиты, заменяется большинство символов. Русский относится к таким языкам.

Профессия / 16 месяцев
Тестировщик-автоматизатор

Лучший выбор для быстрого старта в IT

cables (2)

Для чего нужна таблица ASCII

Цифровое устройство по умолчанию не понимает символы — только числа. Поэтому буквы, цифры и знаки приходится кодировать, чтобы задавать компьютеру соответствие между определенным начертанием и числовым значением. Сейчас вариантов кодирования несколько, и ASCII — одна из наиболее ранних кодировок. Она задала стандарты для последующих решений.

Когда появилась эта кодировка, компьютеров в современном представлении еще не существовало. Ее разработали для телетайпов — устройств обмена информацией, похожих на телеграфы с печатной машинкой. Сейчас ими практически не пользуются, но некоторые стандарты остались с тех времен. В том числе набор ASCII, который теперь применяется для кодирования информации в компьютерах.

Сейчас с помощью ASCII кодируются данные в компьютерных устройствах, на ней основано несколько других кодировок, кроме того, ее используют в творчестве — создают с помощью символов картинки. Это называется ASCII art.

Читайте также Кто такой frontend-разработчик?

Применение на практике

  • При разработке сайта или приложения разработчику может понадобиться пользоваться ASCII, чтобы закодировать символы, не входящие в национальную кодировку.
  • Можно сохранить документ или иной файл в формате ASCII — тогда все символы в нем будут закодированы этим набором. Такое может понадобиться, если человеку нужно передать информацию, которая будет читаться везде, — но некоторые функции форматирования в таком режиме будут недоступны.
  • Можно ввести код ASCII с клавиатуры напрямую: при зажатом Alt набрать числовое значение, которое соответствует тому или иному символу из таблицы. Так можно печатать и символы, которые есть в расширенных версиях набора: смайлики, иероглифы, буквы алфавитов других стран и так далее. Код для таких символов может быть намного длиннее, чем для стандартных 128 букв и цифр.

Станьте Frontend-разработчиком
и создавайте интерфейсы сервисов, которыми пользуются все

Как устроена ASCII внутри

С помощью ASCII вводят, выводят и передают информацию, поэтому она должна описывать самые часто используемые символы и управляющие элементы (перенос, шаг назад и так далее). Таблица восьмибитная, а числа, которые соответствуют символам, переводятся в двоичный код, чтобы компьютер мог их распознавать. Десятичное же написание удобнее для людей. Еще используют шестнадцатеричное — с его помощью легче представить набор в виде таблицы.

Заглавные и строчные буквы в ASCII — это разные элементы. Причем в таблице строчные буквы расположены под заглавными, в том же столбце, но в разных строчках. Так набор оказывается нагляднее, а информацию легче проверять и работать с ней, например редактировать регистр с помощью автоматических команд.

Как расположены символы в ASCII

  • Первые две строчки таблицы — управляющие символы: Backspace, перевод строки, начало и конец абзаца и прочие.
  • В третьей строке расположены знаки препинания и специальные символы, такие как процент % или астериск * .
  • Четвертая строка — числа и математические символы, а также двоеточие, точка с запятой и вопросительный знак.
  • Пятая и шестая строчка — заглавные буквы, а также некоторые другие особые символы.
  • Седьмая и восьмая строки описывают строчные буквы и еще несколько символов.

Отличия от Unicode

Когда мы говорим о кодировании, сразу вспоминается система международной кодировки символов Unicode. Важно не путать ее с ASCII — эти понятия не идентичны.

ASCII появилась раньше и включает в себя меньше символов. В стандартной таблице их всего 128, если не считать расширений для других языков. А в «Юникоде», который реализуют кодировки UTF-8 и UTF-32, сейчас 2²¹ символов — это больше чем два миллиона. В набор входят практически все существующие сегодня символы, он очень широкий.

Unicode можно рассматривать как «продолжение», расширение ASCII. Первые 128 символов в «Юникоде» кодируются так же, как в ASCII, и это те же самые символы.

Fullstack-разработчик на Python

Fullstack-разработчики могут в одиночку сделать IT-проект от архитектуры до интерфейса. Их навыки востребованы у работодателей, особенно в стартапах. Научитесь программировать на Python и JavaScript и создавайте сервисы с нуля.

картинка (72)

Так выглядит таблица ASCII (American Standard Code for Information Interchange) с символами от 0 до 127:

DEC HEX CHAR ------------- 0 00 NUL (Null) 1 01 SOH (Start of Heading) 2 02 STX (Start of Text) 3 03 ETX (End of Text) 4 04 EOT (End of Transmission) 5 05 ENQ (Enquiry) 6 06 ACK (Acknowledgment) 7 07 BEL (Bell) 8 08 BS (Backspace) 9 09 TAB (Horizontal Tab) 10 0A LF (Line Feed) 11 0B VT (Vertical Tab) 12 0C FF (Form Feed) 13 0D CR (Carriage Return) 14 0E SO (Shift Out) 15 0F SI (Shift In) 16 10 DLE (Data Link Escape) 17 11 DC1 (Device Control 1) 18 12 DC2 (Device Control 2) 19 13 DC3 (Device Control 3) 20 14 DC4 (Device Control 4) 21 15 NAK (Negative Acknowledgement) 22 16 SYN (Synchronous Idle) 23 17 ETB (End of Transmission Block) 24 18 CAN (Cancel) 25 19 EM (End of Medium) 26 1A SUB (Substitute) 27 1B ESC (Escape) 28 1C FS (File Separator) 29 1D GS (Group Separator) 30 1E RS (Record Separator) 31 1F US (Unit Separator) 32 20 SPACE (Space) 33 21 ! (Exclamation Mark) 34 22 " (Double Quote) 35 23 # (Number Sign) 36 24 $ (Dollar Sign) 37 25 % (Percent Sign) 38 26 & (Ampersand) 39 27 ' (Single Quote) 40 28 ( (Left Parenthesis) 41 29 ) (Right Parenthesis) 42 2A * (Asterisk) 43 2B + (Plus Sign) 44 2C , (Comma) 45 2D - (Hyphen-Minus) 46 2E . (Period) 47 2F / (Slash) 48 30 0 (Digit Zero) 49 31 1 (Digit One) 50 32 2 (Digit Two) 51 33 3 (Digit Three) 52 34 4 (Digit Four) 53 35 5 (Digit Five) 54 36 6 (Digit Six) 55 37 7 (Digit Seven) 56 38 8 (Digit Eight) 57 39 9 (Digit Nine) 58 3A : (Colon) 59 3B ; (Semicolon) 60 3C < (Less-Than Sign) 61 3D = (Equal Sign) 62 3E >(Greater-Than Sign) 63 3F ? (Question Mark) 64 40 @ (Commercial At) 65 41 A 66 42 B 67 43 C 68 44 D 69 45 E 70 46 F 71 47 G 72 48 H 73 49 I 74 4A J 75 4B K 76 4C L 77 4D M 78 4E N 79 4F O 80 50 P 81 51 Q 82 52 R 83 53 S 84 54 T 85 55 U 86 56 V 87 57 W 88 58 X 89 59 Y 90 5A Z 91 5B [ (Left Square Bracket) 92 5C \ (Backslash) 93 5D ] (Right Square Bracket) 94 5E ^ (Caret / Circumflex) 95 5F _ (Underscore) 96 60 ` (Grave Accent) 97 61 a 98 62 b 99 63 c 100 64 d 101 65 e 102 66 f 103 67 g 104 68 h 105 69 i 106 6A j 107 6B k 108 6C l 109 6D m 110 6E n 111 6F o 112 70 p 113 71 q 114 72 r 115 73 s 116 74 t 117 75 u 118 76 v 119 77 w 120 78 x 121 79 y 122 7A z 123 7B < (Left Curly Brace) 124 7C | (Vertical Bar) 125 7D >(Right Curly Brace) 126 7E ~ (Tilde) 127 7F DEL (Delete) 

Пожалуйста, обратите внимание, что таблица содержит только основные управляющие символы, цифры, латинские буквы (строчные и заглавные), а также некоторые специальные символы. В более расширенной таблице ASCII (расширенная ASCII) есть символы с кодами от 128 до 255, но они могут варьироваться в зависимости от кодировки (например, UTF-8 или ISO-8859-1).

Статьи по теме:

  • Идеальный костюм для вечеринки: AI советует, каким героем из «Мстителей» нарядиться на Хэллоуин
  • Регулярные выражения в Python: инструкция, примеры и практика

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *