Типизации и идентификации субъектов по астрономическим данным на момент рождения на базе психологических и персональных категорий

©Евгений Луценко (Краснодар, Россия)

©Александр Трунев (Торонто, Канада)

©Владимир Шашин (Санкт-Петербург, Россия)

В работах /1-6/ выполнено исследование моделей распознавания субъектов по астрономическим данным на момент рождения. С целью определения наиболее эффективного алгоритма идентификации и типизации было создано и изучено несколько баз данных (БД) содержащих 500 смешанных категорий /3-6/, 387 профессиональных категорий /2/ и 184 профессиональных категорий первого класса (т.е. таких, для которых параметр сходства убывает с ростом числа секторов разбиения) /1/. В данной работе изучен вариант модели распознавания субъектов по астрономическим данным на момент рождения для БД, содержащей 500 психологических и личностных категорий на 12 сетках различного масштаба с числом секторов разбиения 3, 4, 5, 6, 9, 12, 15, 18, 20, 24, 36, 72 соответственно. Методом разделения категорий /1/ установлены общие закономерности распознавания категорий первого и второго класса.

Исходные данные и результаты идентификации категорий

Исходные данные задачи представляют собой таблицу, содержащую 20007 записей (строк) независимых респондентов, каждый из которых характеризуется номером записи, именем, полом, датой и временем рождения, местом рождения, собственной биографией и набором категорий и событий жизни. На основе данных места и времени рождения вычислялись астрономические параметры. В качестве входных астрономических параметров модели использовались координаты долготы углов 12 домов (в системе Плацидуса), Лунных Узлов и 10 небесных тел – Солнца, Луны, Меркурия, Венеры, Марса, Юпитера, Сатурна, Урана, Нептуна, Плутона /1-6/.

Общее число категорий, определенное для исследуемой БД, составляет 1907. Из списка категорий были отобраны те из них, которые соотносятся с психологическими и личностными характеристиками. Полученный список категорий содержит 500 наименования (см. таблицу 1). Частотное распределение категорий с хорошей степенью точности описывается степенной функцией - прямая сплошная линия на рис. 1. Суммируя все частоты, находим общее число исследуемых случаев N= 65143 и среднее число категорий, приходящихся на одну карту, n=N/20007=3,256.

Описание алгоритмов идентификации дано в работах /2-3/. Результаты распознавания для модели, содержащей 72 сектора, даны на рис. 2. Как и в случае социальных и профессиональных категорий /1-2/, наблюдается обратная зависимость параметра сходства от частоты встречаемости категорий, которую можно аппроксимировать степенной функцией с показателем степени -0,4956. Используя полученные данные для моделей с 4 и 72 секторами, можно разделить все категории на два класса по признаку уменьшения или увеличения параметра сходства:

1) категория относится к первому классу, если S_i(4)>S_i(72);

2) категория относится ко второму классу, если S_i(4)<S_i(72),

где S_i(4), S_i(72) - значения параметра сходства категории i в модели с 4 и 72 секторами соответственно. Третий класс можно определить как промежуточный между первыми двумя путем задания условной границы скорости изменения параметра сходства, dS, при изменении числа секторов, в виде:

3) категория относится к третьему классу, если

-dS<(S_i(72)-S_i(4))/(72-4)<dS

При распознавании третий класс удобно будет отнести к одному из двух других классов, например, к первому (для его распознавания требуется меньше затрат машинного времени).

В результате разделения оказалось, что в первый класс попали только 84 категории, а во второй соответственно 416. Отметим, что в аналогичной задаче /1/ при разделении на классы получилось 72 в первом классе и 315 - во втором. Но за счет отнесения категорий третьего класса к первому классу числа категорий изменились на 184 и 203 соответственно. В данном случае можно отнести 95 категорий второго класса к первому классу и, таким образом получить две БД в составе 179 категорий для смешанного класса и 321 - для второго.

Категории первого и третьего класса

В этот список не попали категория SC:B524-Psychological:Schizophrenia, поскольку была отнесена ко второму классу, причем попала на условную границу между вторым и третьим классами. Две другие профессиональные категории - терапевт и хирург, оказываются в одном списке с набором раковых и сердечных заболеваний:

Отметим, что категория SC:C1340-Medical:Doctor:Chiropractor также оказалась в этой таблице.

Перечисленные заболевания, скорее всего, носят сезонный характер и обусловлены климатическими изменениями, поэтому они хорошо распознаются при разбиении круга зодиака на четыре сектора, соответствующие сезонам.

На рис. 4 дана зависимость среднего параметра сходства от числа секторов разбиения для 84 категорий первого класса. Хорошо видно, что максимальный параметр сходства достигается при разбиении на 4 сектора. Возможно, что у этой функции имеется еще один максимум при числе секторов более 100. Этот максимум обусловлен примесью категорий третьего класса. Действительно, среди категорий третьего класса можно выделить центральное ядро из 89 категорий с однотипным поведением - рис. 5. Приведенная на этом рисунке зависимость среднего параметра сходства от числа секторов разбиения имеет два максимума - при разбиении на 4 и 72 сектора соответственно. Это свойство позволяет отнести категории третьего класса к двум другим классам, поскольку они распознаются с одинаковым уровнем сходства для разбиения на 4 сектора, на котором достигается максимум распознавания категорий первого класса, и для разбиения на 72 сектора, на котором категории второго класса имеют максимум параметра сходства.

Категории второго класса

Среднее значение параметра сходства, вычисленное для 321 категории возрастает с ростом числа секторов разбиения - рис. 7. Если зависимость аппроксимировать степенной функцией и экстраполировать до значения параметра сходства 100%, то соответствующее число секторов окажется приблизительно равным 1557, а дуга одного сектора составит 832 угловых секунды, т.е. чуть меньше половины углового размера диска Луны или Солнца. Дальнейшие исследования покажут, действительно ли можно добиться 100% значения параметра сходства при увеличении числа секторов разбиения.

Ссылки