WWW.DISS.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА
(Авторефераты, диссертации, методички, учебные программы, монографии)

 

Pages:     || 2 | 3 |

«НАУКА И МОЛОДЕЖЬ – 2013 X Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых СЕКЦИЯ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ подсекция ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ И ...»

-- [ Страница 1 ] --

Министерство образования и наук

и Российской Федерации

Федеральное государственное бюджетное

образовательное учреждение

Высшего профессионального образования

Алтайский государственный технический университет

им. И.И.Ползунова

НАУКА И МОЛОДЕЖЬ – 2013

X Всероссийская научно-техническая конференция

студентов, аспирантов и молодых ученых

СЕКЦИЯ

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

подсекция

ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ ТЕХНИКИ И

АВТОМАТИЗИРОВАННЫХ СИСТЕМ

Барнаул – 2013 УДК 004 X Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых "Наука и молодежь 2013". Секция «Информационные технологии». Подсекция «Программное обеспечение вычислительной техники и автоматизированных систем». / Алт. гос. техн. ун-т им. И.И.Ползунова. – Барнаул: изд-во АлтГТУ, 2013. – 110 с.

В сборнике представлены работы научно-технической конференции студентов, аспирантов и молодых ученых, проходившей 26 апреля 2013 г.

Редакционная коллегия сборника:

Кантор С.А., заведующий кафедрой «Прикладная математика» АлтГТУ – руководитель секции, Крючкова Е.Н., профессор, зам. зав. кафедрой ПМ, Сорокин А.В., доцент каф. ПМ, ответственный за НИРС на кафедре ПМ

Научный руководитель подсекции: к.ф.-м.н., профессор, Кантор С.А.

Секретарь подсекции: к.т.н., доцент, Сорокин А.В.

Компьютерная верстка: Сорокин А.В.

© Алтайский государственный технический университет им. И.И.Ползунова

СОДЕРЖАНИЕ

Акиньшин А.А. Пример использования языка R для решения задач биоинформатики......... Безматерных А.В., Крючкова Е.Н. Реализация системы управления бизнес-процессами предприятий, специализирующихся на обслуживании компьютерной техники

Бобков К.А., Крючкова Е.Н. Распределенный комплекс управления устройствами в доме с функцией самовосстановления

Бойченко Т.В., Крючкова Е.Н. Проектирование и реализация автоматизированной системы тестирования распределнных и параллельных приложений

Ворона О.И., Леонов С.Л., Коновалов В.К. Получение и анализ данных компьютерных томограмм

Вотяков Р.А., Старолетов C.М. Иерархическая темпоральная память и ее кортикальные алгоритмы обучения

Гуднев А.Г., Одинокова Ю.В., Сучкова Л.И., Бочкарева Е.В. Программное обеспечение для исследования вариантов нереляционного хранения данных в распределенных высоконагруженных системах

Еремин Я.Б., Путинцев Р.В., Боровцов Е.Г. Разработка набора инструментов для организации совместной работы пользователей в сети

Есипенко С.П., Крючкова Е.Н. Проектирование и реализация корпоративной социальной сети на примере сети участников олимпиад

Залогина С.С., Крючкова Е.Н. Разработка программного обеспечения семантического распознавания объектов в задачах компьютерного зрения

Зинченко Д.А., Крайванова В.А. Поиск проблем в системе навигации сайта на основе анализа графов поведения пользователей

Казанцев М.В., Леонов С.Л. Анализ данных компьютерных томограмм

Клиппа М.С., Андреева А.Ю. Разработка программного обеспечения для пространственного анализа математических выражений в файлах формата dvi

Козлов А.Б., Бубнова Н.Д. Разработка системы учета личных финансов

Колосовский М.А., Крючкова Е.Н. Автоматическая настройка параметра цветовой компактности суперпикселей в алгоритме сегментации изображений quick shift................. Кондрашова Д.А., Пшенова У.И., Высочкина Т.В., Рогозин К.И. ВикиФизика как специализированный сетевой ресурс обучения

Корякин Н.А., Третьяков И.В.

Защита информации на мобильных устройствах под управлением Android OS в корпоративной среде

Крайванова В.А. Применение методов Text mining для построения объектных моделей информационных систем научного мониторинга

Кривоус Н.С., Крайванова В.А. Разработка инструментов прототипирования с динамически изменяющейся структурой метаданных

Кудасова Е.В., Ананьев П.И. Разработка информационно-справочной системы для отдела Менеджмента качества АлтГТУ

Лазарева О.А., Крайванова В.А. Интеллектуальный инструмент создания схемы вышивки по изображению

Левина А.В., Ананьев П.И. Разработка программного обеспечения для учета производственной деятельности малых и средних стаций технического обслуживания

Лейко С.Ю., Андреева А.Ю. Разработка программного обеспечения для проведения виртуального лабораторного практикума по физике

Малахов Д.Е., Крючкова Е.Н. Разработка автоматизированной системы распознавания и классификации изображений документов, удостоверяющих личность

Малыхова М.С., Третьяков И.В. Разработка геолокационного менеджера задач для устройств под управлением Android OS

Манин К.В., Лукоянычев В.Г. Разработка поисково-информационной системы для сайта электронных реферативных журналов

Накрайников О.А., Боровцов Е.Г. Создание панели управления сервисами

Ненайденко А.С., Ананьев П.И. Разработка программного обеспечения для учета затрат на услуги связи в АлтГТУ

Обухов Д.А., Андреева А.Ю. Реализация алгоритма сшивки на базе вейвлет-преобразований для склейки снимков с тепловизора

Овчаренко А.Н., Переплкин Е.А. Разработка веб-интерфейса к системе аналитических преобразований Maxima



Овчинникова А.А., Бразовская Н.В. Программный комплекс для изучения, приобретения навыков и проверки знаний финансово – коммерческих операций

Попов А.С., Вахонин С.А. Создание компонентов для автоматизации проектирования на языке описания аппаратуры VHDL

Постоев К.И., Тушев А.Н. Применение методов искусственного интеллекта для обучения студентов медицинских специальностей в области медицинской диагностики.... Потупчик И.А., Потупчик А.И. Разработка программного обеспечения для автоматизированного учета компьютерной техники в Алтайской краевой универсальной научной библиотеке им. В.Я.Шишкова

Пьянов П.А., Сучкова Л.И. Создание электронных учебных материалов по технологиям контроля версий программного обеспечения

Руденский А.С., Сучкова Л.И. Мониторинг обеспеченности литературой дисциплин учебного плана направления бакалавриата и магистратуры на выпускающей кафедре........ Рыбоконенко Д.Н., Крайванова В.А. Разработка системы автоматического иллюстрирования обучающих звукозаписей

Савченко В.В., Крючкова Е.Н. Применение нейронных сетей для рубрикации текстов на естественном языке

Силин Д.И., Кантор С.А. Численное моделирование влияния примесей в среде на электростатическое поле

Суранова Д.А. Адаптивные интерфейсы для взаимодействия человека с компьютером..... Теплякова М.С., Крючкова Е.Н. Проектирование и реализация системы кластеризации текстов большого объема на естественном языке

Трегубова Ю.Б., Третьяков И.В. Пышнограй Г.В. Зависимость характеристик процесса формования полимерных пленок от параметров тепло и массопереноса............... Уваров Д.А., Крючкова Е.Н. Алгоритмы обработки деревьев в исследовании критичных информационных систем

Черных Д.К., Лукоянычев В.Г. Разработка автоматизированного комплекса обработки заявок на техническое обслуживание копировальной техники АлтГТУ

Чудов Р.С., Старолетов C.М. Разработка интеллектуального сетевого экрана для ядра ОС Linux

Ширшова А.В., Андреева А.Ю. Разработка приложения распознавания символов и элементов формул

Яковлев В.А., Ананьев П.И. Разработка программного обеспечения для учета нагрузки на телефонную станцию и сетевую инфраструктуру АлтГТУ

Яровой А.Д., Бразовская Н.В. Создание программного комплекса на основе Scilab для обучения и тестирования студентов

ПРИМЕР ИСПОЛЬЗОВАНИЯ ЯЗЫКА R

ДЛЯ РЕШЕНИЯ ЗАДАЧ БИОИНФОРМАТИКИ

Алтайский государственный технический университет (г. Барнаул) Введение R — это язык программирования для статистической обработки данных и работы графикой (см. [1]). R является свободной программной средой для вычислений с открытым исходным кодом в рамках проекта GNU. Для него написано великое множество пакетов, которые позволяют выполнять самые различные задачи: выполнение сложных численных методов, линейное и нелинейное моделирование, разнообразные статистические тесты, анализ временных рядов, классификация, кластеризация, построение интерактивных двумерных и трхмерных визуализаций. В официальном репозитории пакетов CRAN на сегодняшний день находится порядка 4.5 тысяч пакетов. Кроме того, существуют сторонние репозитории с дополнительным функционалом. Одним из самых известных сторонних проектов является Bioconductor, содержащий около 700 пакетов с функциями, которые широко используются в биоинформатике. Для анализа биологических моделей R стал уже своеобразным стандартом, обгонав по популярности своих конкурентов MatLab, MathCad, Mathematica, Maple и других, не уступая им по качеству реализации численных методов.

Возможности R можно использовать из других языков программирования с помощью дополнительных пакетов (например rJava для Java, R.NET для C#, RPy для Python и т.п.). R сочетает в себе множество различных парадигм программирования, включая императивное, структурное, функциональное и объектно-ориентированное программирование.

Анализ генных сетей В работах [2-5] рассматриваются различные модели генных сетей. Модельным объектом является динамическая система химической кинетики, которая описывается системой дифференциальных уравнений. Полный аналитический анализ подобных моделей невозможен. Поэтому при исследовании таких систем активно прибегают к методам численного моделирования. Рассматриваются как стандартные общеизвестные методы, так и алгоритмы, разработанные специально для изучаемых моделей. Для автоматизации вычислений был разработан специальный программный продукт под называнием PhasePortraitAnalyzer. Реализовывать с нуля весь математический функционал не имеет смысла — разумнее взять готовое решение. Поэтому в качестве математического ядра программы был использован язык R. Для обеспечения интерактивной визуализации расчтов применяется язык C#, интерфейс спроектирован с помощью технологии WPF.

Используемые пакеты Для эффективной обработки целевых моделй были использованы следующие пакеты языка R:

deSolve — обладает богатейшим функционалом по работе с дифференциальными уравнениями. В пакет включены различные интеграторы (методы Рунге-Кутты, методы Адамса, интеграторы из семейства Livermore и т.д.). Также поддерживаются системы с запаздывающим аргументом.

rootSolve — позволяет искать корни нелинейных уравнений.

rgl — создат интерактивные трхмерные визуализации на основе OpenGL.

Поддерживает работу с освещением и различными материалами.

ggplot2 — один из самых популярных R-пакетов, базирующийся на грамматике графиков, благодаря которой пользователь может формировать лаконичные конструкции, отображающиеся в красивые и информативные диаграммы различных Cairo — обеспечивает формирование изображений выского качества в векторной (PDF, PostScript, SVG) и растровой (PNG, JPEG, TIFF) форме с применением технологии anti-aliasing.

knitr — расширение системы компьютерной врстки LaTeX командами языка R.

Обладает обширным функционалом от формирования красивых листингов R-кода, заканчивая вставкой графических результатов работы скрипта непосредственно в PDF-документ.

xtable — формирование LaTeX-совместимых отформатированных таблиц, содержащих результаты численных экспериментов.

plyr — эффективная работа с данными.

stringr — набор функций для эффективной и удобной работы со строковым типом animation — пакет, который позволяет анимировать результаты расчтов и сохранять их в различных форматах: от обычных gif-файлов, то внедрения анимации в PDFдокумент.

bdpSolve — решение краевых задач.

akima — интерполирование функций.

manipulate — построение интерактивного интерфейса, позволяющиго в режиме реального времени наблюдать каким образом изменяется определнный график в зависимости от параметров системы.

googleVis — формирование интерактивных графиков с использованием технологий HTML5 и JavaScript. Демонстрация результатов может быть непосредственно встроена в Web-страницу.

Rgraphviz — формирование изображений графов, вершины которых распределяются по двумерному полотну на основе одной из физических моделей. Для описания графов используется специальная грамматика.

Графические иллюстрации Разработанный программный комплекс PhasePortraitAnalyzer строит широкий спектр визуализаций различной степени сложности для изучаемых моделей (Рисунки 1-3).

Программа обладает дружелюбным интерфейсом (Рисунок 4), который позволяет пользователю очень быстро смоделировать исследуемую систему, автоматически рассчитав для не все качественные и количественные характеристики.

Рисунок 1 Пространственное Рисунок 2 Хаотический аттрактор в модели зависимости от параметров Рисунок 3 Три цикла в пятнадцатимерной системе Перспективы развития работы Не смотря на обилие пакетов R, их функционала не всегда хватает для решения специфических задач. Поэтому планируется разработка собственных R-пакетов, которые дополняют и расширяют функциональность уже существующих. Например, пакет deSolve успешно справляется с решением дифференциальных уравнений с запаздыванием, но в нм отсутствует возможность приостановить моделирование в середине, а затем продолжить его с несколько изменнной системой уравнений. Данная особенность принципиальна в одном из численных методов анализа рассматриваемых генных сетей, поэтому в ходе разработки программы PhasePortraitAnalyzer будут также разрабатываться соответствующие вспомогательные R-пакеты.

Список литературы 1. Development Core Team, R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2012.

2. Лихошвай В.А., Голубятников В.П., Демиденко Г.В., Фадеев С.И., Евдокимов А.А. Теория генных сетей // Системная компьютерная биология. — Интеграционные проекты СО РАН / Рос. акад. наук, Сиб. отд-ние. Новосибирск: СО РАН, 2008. — С. 397–482.

3. Акиньшин А.А., Голубятников В.П., Голубятников И.В. О многомерных моделях функционирования генных сетей 2 // Сибирский журнал индустриальной математики. — 2013. — Т. XVI, № 1 (53). — С. 3–9.

4. Акиньшин А.А., Голубятников В.П. Геометрические характеристики циклов в некоторых симметричных динамических системах // Вестник НГУ. Серия «Математика, механика, информатика». — 2012. — Т. 12, № 2. — С. 3–12.

5. Akinshin A.A., Golubyatnikov V.P. On Nonuniqueness of Cycles in Dissipative Dynamical Systems of Chemical Kinetics // VI-th international conference Solitons, Collapses and Turbulence: Achievements, Developments and Perspectives. 2012. P. 71–72.

РЕАЛИЗАЦИЯ СИСТЕМЫ УПРАВЛЕНИЯ БИЗНЕС-ПРОЦЕССАМИ ПРЕДПРИЯТИЙ,

СПЕЦИАЛИЗИРУЮЩИХСЯ НА ОБСЛУЖИВАНИИ КОМПЬЮТЕРНОЙ ТЕХНИКИ

Безматерных А.В. – студент, Крючкова Е.Н. – к.ф.-м.н., профессор Алтайский государственный технический университет (г. Барнаул) Введение Автоматизация человеческой деятельности в настоящее время достигла значительных масштабов. Она проникла практически во все сферы жизни, и большинство предприятий использует или планирует внедрить какое-либо автоматизированное оборудование, позволяющее упростить труд – от станков с числовым программным управлением до компьютеров. Фактически на всех крупных и средних предприятиях бухгалтерский и другие виды учта ведутся с помощью специализированных пакетов программ, поэтому многие сотрудники используют в своей работе компьютеры.

В связи с использованием указанной техники возникает ряд особенностей работы сотрудников. У них появляется гораздо больше возможностей, так как компьютер – это очень мощный инструмент для решения многих задач. Но есть и обратная сторона медали – контроль. Контроль сотрудников, работающих за компьютерами в разных помещениях, становится нетривиальной задачей [1]. Также нужно отметить, что с использованием компьютерной техники возникает задача оптимизации работы сотрудников, использующих это оборудование. Таким образом, возникает задача оптимизировать и проконтролировать работу персонала предприятия.

Программа, решающая данную задачу, должна автоматизировать выполнение ряда задач, таких как распределение нагрузки на сотрудников, расчет стадии выполнения сложных задач и другие [2,3]. Также необходима база данных, в которой будет храниться вся необходимая информация о процессах предприятия, его сотрудниках и клиентах.

Руководитель предприятия должен видеть всю картину работы организации с помощью этой программы, а также иметь возможность вручную внести какие-либо изменения в автоматизированные решения программы.

Целью данного проекта является создание такой программы.

Архитектура системы Архитектура системы представлена на рисунке 1, взаимодействие пользователей с модулями программы в таблице 1.

Таблица 1 - Взаимодействие пользователей с модулями программы Должность Список доступных действий Директор Главный Просмотр системы, создание/редактирование типов работ, Начальник отдела Исполнитель Директор: Может просматривать всю систему в целом, получая подробную информацию по каждому заказу, например состояние заказа, процент его выполнения и т.д. Также директору доступна информация об исполнителях, например загруженность каждого исполнителя заказами. Более того доступны запросы такие как срез по определенным видам работ.

Главный менеджер: Также как и директор, главный менеджер может просматривать всю систему. Он также может посмотреть информацию об исполнителях. Но еще он может создать новый или отредактировать старый тип работ. Также главному менеджеру доступно принятие заказов и назначение исполнителей на выполнение этих заказов.

Начальник отдела: Его роль очень похожа на роль главного менеджера. Ему доступна та же информация, только в пределах своего отдела.

Исполнитель: Доступен список назначенных ему работ. Также он может изменить статус выполнения задания и создать заметки к ним.

В основу реализации системы была положена диаграмма связей, известная также как интеллект-карта [4], карта мыслей (англ. Mind map) или ассоциативная карта, - способ изображения процесса общего системного мышления с помощью схем. Также может рассматриваться как удобная техника альтернативной записи. На основе информации обо всех бизнес-процессах, их этапах и о сотрудниках предприятия, реализовано автоматическое распределение нагрузки на персонал, чтобы оптимизировать работу не только каждого отдельного сотрудника, но и всего предприятия в целом.

Заключение Автором было проведено исследование проблем управления бизнес-процессами предприятий. Также была предложена архитектура программного обеспечения, учитывающего результаты исследования.

Список литературы 1. Система StaffCop Standard [Электронный ресурс]. - Режим доступа:

http://www.staffcop.ru/standard/features.php 2. Time-Track [Электронный ресурс]. - Режим доступа http://www.timetrack.eu 3. Motivate-Clock [Электронный ресурс]. - Режим доступа http://motivateclock.ru 4. Применение интеллект-карт [Электронный ресурс]. - Режим доступа http://www.mindmap.ru

РАСПРЕДЕЛЕННЫЙ КОМПЛЕКС УПРАВЛЕНИЯ УСТРОЙСТВАМИ В ДОМЕ

С ФУНКЦИЕЙ САМОВОССТАНОВЛЕНИЯ

Бобков К.А. – студент, Крючкова Е.Н. – к.ф.-м.н., профессор.

Алтайский государственный технический университет (г. Барнаул) Умный дом (англ. smart home) [1] — жилой дом, организованный для проживания людей при помощи автоматизации и высокотехнологичных устройств. Под "умным" домом следует понимать систему, которая обеспечивает безопасность, комфорт и ресурсосбережение для всех пользователей. В простейшем случае она должна уметь распознавать конкретные ситуации, происходящие в доме, и соответствующим образом на них реагировать: одна из систем может управлять поведением других по заранее выработанным алгоритмам. Кроме того, от автоматизации нескольких подсистем обеспечивается синергетический эффект для всего комплекса.

В настоящее время компьютерные технологии повсеместно завоевывают все сферы жизнедеятельности современного человека. Сегодня уже не мыслимо полноценное существование без уже привычных нам вещей. Мобильные телефоны, портативные компьютеры, технологии связи уже давно стали частью нашей повседневной жизни.

Таким образом, с развитием компьютерной индустрии, а также с ростом аппаратных возможностей бытовой электроники все больше становится актуальным вопрос об эффективном управлении всей техникой в доме. Интеграция всех устройств в единую программно-аппаратную систему, построенную на высоконадежном и гибком программном обеспечении, позволяет избавиться от множества элементов управления разной бытовой техникой в доме, что способствует росту комфортности использования всего имеющегося оборудования. Также использование единого управляющего центра решает проблемы с комплексным управлением множеством различных приборов в зависимости от случившегося внешнего события. Ярким примером данного взаимодействия может служить задание множества независимых действий для разных приборов в доме к обычному событию будильника, а именно — включение освещения с проигрыванием заранее установленной мелодии, прочтение актуальных на сегодня задач и погоды за окном, а также заранее приготовленное кофе. В результате интеграции всего оборудования мы получаем единый централизованный контроль и управление сложным комплексом инженерных систем жизнеобеспечения современного жилища. Это позволяет нам настроить и запрограммировать правильную реакцию на то или иное событие. Весь дом начинает работать как единый организм.

Таким образом, целью нашей работы является создание распределенных высоко надежных серверных и клиентских частей программного комплекса для автоматизирования процессов в «умном доме».

В соответствии с указанной целью, были поставлены задачи:

Спроектировать и разработать серверное программное обеспечение и подсистему синхронизации данных для обеспечения стабильной и надежной работы всего программноаппаратного комплекса.

Разработать клиентское программное обеспечение и базовые сервисы умного дома.

Разработать удобный программный интерфейс — TaskFramework для упрощения разработки сервисов и компонентов умного дома.

Архитектура программного комплекса После анализа предметной области и постановки задач, была спроектирована архитектура программного комплекса полностью удовлетворяющая всем поставленным требованиям. Комплекс проектировался с учетом высоких нагрузок и требований к повышенной отказоустойчивости системы, на основе которой будет реализован весь стек технологий «умного дома». В разработанной архитектуре системы можно выделить несколько независимых программных слоев, отвечающих за определенный функционал системы.

Слой базового кода Слой репликации данных Слой сервисов Service Classes – классы приложений-клиентов.

Task Framework – фреймворк распределения задач в «умном доме»

Каждый из представленных выше слоев отвечает только за свой определенный круг задач. Оправданность примененного подхода заключается в том, что разделив программный комплекс на несколько слоев, мы обеспечиваем гибкость всей системы и возможность ее раздельной модификации.

Программные слои Рассмотрим подробнее каждый слой нашего программного обеспечения.

Слой базовых библиотек BaseLayer — набор компонентов, обеспечивающих перенос нашего программного комплекса на большинство современных операционных систем, а именно: Microsoft Windows [2], Linux [3], Apple MacOS X/iOS [4], Google Android[5]. В данный набор компонентов на ряду с обычными классами из стандартной поставки STL [6] входят дополнительно разработанные классы ubercore, реализующие работу с потоками, событиями, делегатами, таймерами, а также механизмы логирования событий.

Слой репликации данных Hive Data — независимый сетевой слой программного комплекса, представляющий собой набор модулей, отвечающих за прозрачное хранение и репликацию всех данных системы между серверами. Все клиентские данные хранятся в специализированных контейнерах на стороне сервера – узлах (Node), которые могут быть подключены с любого клиентского приложения. Для реализации сетевой подсистемы мы использовали TCP/IP [7], обеспечивающий контроль отправки и приема данных, что является решающим фактором выбора при построении высоконадежного программного комплекса.

Так как рассматриваемый слой является основным и наиболее сложным, мы более подробно раскроем его строение.

Рассмотрим некоторые базовые модули, входящие в его состав:

Server – отвечает за сетевое взаимодействие и синхронизацию узлов (Node) с дублирующими серверами, а также реализует функционал работы с транзакциями от приложений-клиентов (сервисов). Стоит отметить главную особенность реализации подсистемы обработки транзакций – транзакция считается завершенной, если она синхронизирована со всеми серверами в сети. Данный подход гарантирует правильные состояния узлов на всех дублирующих серверах, что в свою очередь гарантирует корректное восстановление работы в случае выхода из строя главного Client – отвечает за взаимодействие с узлом, хранящимся на сервере. Заметим, что для пользователя, узел представляет собой обычную структуру данных, мапированную с сервера на локальный компьютер. Таким образом, вся работа с узлом представляет собой работу с локальной структурой данных, а весь процесс репликации изменений производится автоматически и не виден для конечного пользователя. Отметим, что именно клиентская часть слоя используется для построения высокоуровневых приложений – сервисов.

Storage – хранение всех узлов подсистемы и их данных, в специально организованном пуле памяти. При изменении любого узла генерируется событие, оповещающее подписчиков об изменениях.

Node – узел, в котором хранится вся пользовательская информация и данные. Узел содержит уникальное имя и идентификатор сервиса, с которым происходит взаимодействие. Каждый узел, может быть одновременно открыт на запись только одним Подводя итог, стоит еще раз сказать, что дата слой является базовым слоем для построения всей системы. Без него невозможны процессы восстановления работы системы, а также все процессы репликации данных.

Слой Service Providers — реализует программные компоненты для построения сервисов, преследуя цель упрощения и облегчения разработки модулей «умного дома». Одним из важных компонентов данного слоя является TaskFramework – надежный и простой инструмент, созданный для назначения и распределения задач каждому элементу нашего программно-аппаратного комплекса. При проектировании данного фреймворка мы применили концепт, основанный на задача-ориентированном подходе в построении всех процессов, протекающих в умном доме. Наш выбор был обусловлен тем, что данный метод в реализации высокоуровневых сервисов «умного дома» позволяет построить по-настоящему гибкую и удобную систему, обладающую возможностями к быстрому расширению и масштабированию своего функционала, посредством добавления новых задач и их обработчиков.

Перспективы развития В дальнейшей перспективе данный программный комплекс должен быть полностью адаптирован для работы с различными бытовыми устройствами, устройствами управления освещенностью и отоплением, а также должен включать в себя набор готовых сервисов для решения повседневных задач человека. Что касается внутреннего устройства системы, будут реализованы механизмы балансировки нагрузки в слое репликации данных, посредством динамического распределения транзакционных запросов от клиентов в параллельные потоки.

Данные изменения благоприятно повлияют на общую отзывчивость системы во время пиковых нагрузок.

Список литературы 1. Умный дом [Электронный ресурс]: материалы саита – Режим доступа – http://en.wikipedia.org/wiki/Home_automation – свободный.

2. Microsoft Windows [Электронный ресурс]: материалы саита – Режим доступа – http://en.wikipedia.org/wiki/Microsoft_Windows – свободный.

3. Microsoft Windows [Электронный ресурс]: материалы саита – Режим доступа – https://en.wikipedia.org/wiki/Linux – свободный.

4. Apple MacOS X [Электронный ресурс]: материалы саита – Режим доступа – http://en.wikipedia.org/wiki/OS_X – свободный.

5. Google Android [Электронный ресурс]: материалы саита – Режим доступа – http://en.wikipedia.org/wiki/Android_(operating_system) – свободный.

6. STL [Электронный ресурс]: материалы саита – Режим доступа – http://en.wikipedia.org/wiki/Standard_Template_Library – свободный.

7. Стивенс У.Р., Феннер Б., Рудофф Э.М. С80 UNIX: разработка сетевых приложени. 3-е изд- Спб.: Питер, 2007. - 1039с.: ил.

ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ

ТЕСТИРОВАНИЯ РАСПРЕДЕЛЁННЫХ И ПАРАЛЛЕЛЬНЫХ ПРИЛОЖЕНИЙ

Бойченко Т.В. студент, Крючкова Е.Н. к.ф.-м.н., профессор Алтайский государственный технический университет (г. Барнаул) Введение Тестирование программного обеспечения — это инструмент повышения его качества с целью выявления возможных ошибок в нм. Тестирование приложения является важнейшим этапом цикла разработки. Тестирование сводится к поиску ошибок различными методами, однако не указывает на правильность работы в случае, когда ошибки не найдены. В связи с увеличением объма приложений, их сложности и многофункциональности остро встал вопрос автоматизации тестирования. Эта проблема до сих пор остатся нерешнной.

Существуют различные методы автоматизированного тестирования, но все они рассматривают лишь некоторые аспекты этой большой задачи.

В современном мире программные системы часто являются распределнными, то есть работают не на одном компьютере, а на их множестве. Части системы взаимодействуют через локальную сеть организации или глобальную сеть Интернет.

Современные системы, как правило, являются распределнными, многопоточными и недетерминированными. Обычно, где есть распределнность, там есть и многопоточность и недетерминированность, и такие системы — объект нашей работы. Тестирование распределнных систем осложняется недетерминированностью их поведения.

Разрабатываемая система предполагает тестирование распределнных и параллельных систем с графическим интерфейсом методом чрного ящика (black box testing) — методом, предполагающим недоступность исходного кода системы и производящим проверку соответствия системы ожидаемому поведению.

Описание проектируемой системы Тестирующая система реализует тестирование на основе моделей. Для реализации автоматизированной системы тестирования распределнных и параллельных приложений выбрано автоматное представление модели. Для модулей тестируемой системы строятся графы состояний и переходов между ними. Состоянием содержит перечень событий, каждое из которых переводит систему в данное состояние.

При тестировании системы на основе метода моделей большую сложность для разработчика представляет описание самой системы в виде графа. Поэтому при проектировании предлагаемой системы был предложен метод динамического создания модели на основе интерактивного взаимодействия с проектом. При создании состояния запускается специальный модуль, фиксирующий действия, производимые над целевым приложением. Таким образом, записываются реально происходящие действия, а не предполагаемые разработчиком. После того, как действия зафиксированы, из этого списка пользователем выбираются необходимые и сохраняются. Далее выполнение одного из действий состояния будет переводить систему в это состояние. Переходы фиксируются тестирующей системой и осуществляются при использовании элементов графического интерфейса приложений. Между графами состояний модулей системы также настраиваются связи в графическом редакторе. Таким образом строится граф состояний для сложной распределнной системы. Создание графа состояний реализовано с помощью графического интерфейса для удобства пользователя.

После построения графа состояний тестируемой системы наступает фаза собственно тестирования. Автоматизированная система тестирования распределнных и параллельных приложений состоит из друг компонентов: клиентской части и серверной. Клиент внедряется в работу машин, на которых работает тестируемое приложение. Когда выполняются какиелибо действия с графическим интерфейсом тестируемого приложения, клиент фиксирует их и отправляет по сети информацию о них серверу. Сервер принимает данную информацию от всех следящих клиентов и обрабатывает е. Так как с помощью графа состояний заданы все возможные корректные переходы между состояниями системы, сервер может идентифицировать некорректные переходы в случае их возникновения. Тогда сервер выдат пользователю (тестировщику) сообщение с информацией об обнаруженной ошибке.

Такая система позволяет выявлять реальные ошибки при работе с тестируемой системой. Часто при тестировании используются сценарии, однако они не дают полноценного представления о действиях пользователя при работе с программным обеспечением (ПО), поэтому в разрабатываемой системе тестирования поведение системы определяется динамически, то есть отслеживаются реальные действия пользователя. Также система не требует корректировки исходного кода ПО, что заметно упрощает процесс тестирования и устраняет возможность изменения поведения системы из-за такой корректировки.

Заключение Разрабатываемая система может быть использована для тестирования широкого спектра приложений: по сути, всех приложений, работа с которыми осуществляется через графический интерфейс.

Список литературы 1. Основы тестирования программного обеспечения: Учебное пособие / В.П. Котляров, Т.В.

Коликова. – М.: Интернет Университет Информационных Технологий; Бином, 2006. – 2. Старолетов С.М. Моделирование распределнных многокомпонентных программных систем и их тестирование на основе автоматных вероятностных моделей / С.М.

Старолетов, Е.Н. Крючкова. – Барнаул: Изд-во АлтГТУ, 2011. – 107 с.

3. Карпов Ю.Г. Model Checking. Верификация параллельных и распределнных программных систем / Ю.Г. Карпов. – Спб.: БХВ-Петербург, 2010. – 552 с.

ПОЛУЧЕНИЕ И АНАЛИЗ ДАННЫХ КОМПЬЮТЕРНЫХ ТОМОГРАММ

Ворона О.И. – студент, Леонов С.Л. – д.т.н., профессор Алтайский государственный технический университет (г. Барнаул) Алтайский государственный медицинский университет* (г. Барнаул) Существует несколько способов исследования заболеваний легких и один из них это компьютерная томография. Рентгеновская компьютерная томография [1] – способ визуализации внутренней структуры с получением отдельных срезов вплоть до ее объемной реконструкции. Томограммы используются рентгенологами для дифференциальной диагностики заболеваний. Но кроме традиционных подходов возможно исследовать томограммы, основываясь на том, что это компьютерное изображение: получать данные о яркости пикселей и на их основе вычислять параметры, характеризующие изображение.

Файлы компьютерных томограмм имеют специальный формат dicom [2]. Dicom отраслевой стандарт создания, хранения, передачи и визуализации медицинских изображений и документов обследованных пациентов. Файлы типа dicom имеют четкую структуру, они состоят из заголовка и тела файла. Файлы, с которыми оперирует томограф, имеют тип CT- image, изображение черно-белого спектра. Значение яркости пикселя, такого изображения, соответствует шкале Хаунсфилда и изменяется от 1024 до +3071, но обычный компьютерный монитор способен отображать до 256 оттенков серого цвета. В связи со значительной шириной шкалы Хаунсфилда и неспособностью существующих мониторов отразить весь е диапазон в черно-белом спектре, используется программный перерасчет серого градиента в зависимости от интересуемого интервала шкалы.

Разработанное программное обеспечение позволяет выделять из файлов прямоугольные фрагменты и записывать в текстовый файл информацию о денситометрической плотности отдельных пикселей изображений для их дальнейшего анализа.

Программное обеспечение написано на языке Java. Для того, чтобы программа работала с dicom CT- image файлом как с файлом обычного изображения используется плагин dcm4che2. Dcm4che2- это открытое программное обеспечение на языке Java, для работы в сфере здравоохранения, оно является программной реализацией стандарта dicom, а потому содержит все необходимые инструменты для работы c ним.

На рисунке 1 приведено главное окно программы, которое включает меню, пиктограммы для управления и визуализацию среза.

Программа позволяет:

1. Загружать и просматривать последовательность dicom- изображений.

2. Масштабировать изображения с использованием метода ближайшего соседа или билинейного сглаживания.

3. Выделять область интереса и трансформировать ее на различных слоях.

4. Просматривать значение указанного пикселя и информацию о выделенной области.

5. Сохранять интересующую последовательность в выбранную папку в виде набора txt На рисунке 2 представлен фрагмент полученных данных, массив значений, соответствующий выделенной области на рисунке 1. Каждый элемент массива – целое число – значение денситометрической плотности соответствующего пикселя изображения.

На разработанное программное обеспечение подана заявка о его государственной регистрации. В дальнейшем планируется доработка программного обеспечения с целью расчета статистических и фрактальных параметров томограмм и организации его связи с программным обеспечением для дифференциальной диагностики заболеваний.

Список литературы 1. Прокоп М., Галански М. Спиральная и многослойная компьютерная томография. Том.1.

– М.: МЕДпресс-информ, 2009. - 416 с.

2. http://medical.nema.org/ - Официальный сайт организации, разрабатывающей стандарт

ИЕРАРХИЧЕСКАЯ ТЕМПОРАЛЬНАЯ ПАМЯТЬ

И ЕЕ КОРТИКАЛЬНЫЕ АЛГОРИТМЫ ОБУЧЕНИЯ

Вотяков Р.А. студент, Старолетов C.М. к.ф.-м.н., ст. преп.

Алтайский государственный технический университет (г. Барнаул) Введение На сегодняшний день существует множество различных методов машинного обучения, которые, так или иначе, решают задачи распознавания и прогнозирования. Множество из них основывается на математических моделях, которые почти не имеют ничего общего со строением головного мозга и процессами, происходящими в нем. В данной работе предлагается рассмотреть технологию, которая основывается на биологическом строении головного мозга человека и позволяет решать задачи распознавания и прогнозирования.

Иерархическая темпоральная память Иерархическая темпоральная память (Hierarchical Temporal Memory, HTM) является технологией машинного обучения, которая нацелена на повторение алгоритмических и структурных свойств коры головного мозга человека [1]. HTM базируется на модели память-предсказание [2].

В своей основе HTM, является некоторой системой памяти, но не имеет ничего общего плоской моделью памяти (flat memory model), которая применяется в современных вычислительных устройствах. Данные в HTM хранятся в распределенном виде и она сама контролирует, как и где они хранятся. Так же отличительной особенностью HTM от плоской модели памяти является то, что она тесно связана с параметром времени.

В отличие от классификаторов, построенных на нейронных сетях прямого распространения, которые, в основном, работают со статичными данными, HTM работает с потоками данных (data streams), которые передаются к ней на вход. Так же она способна запоминать и распознавать последовательности временных (temporal), пространственных (spatial) и пространственно-временных паттернов во входных последовательностях.

Работая с потоками данных, HTM формирует предсказания по поводу того, какие данные будут поступать в нее в следующие моменты времени. Запоминание и распознавание паттернов является основой для выработки этих предсказаний. После того, как HTM выучила, какие паттерны, скорее всего, следуют за какими, она может предсказать появление следующих паттернов на основе прошлых и текущих входов.

Архитектура HTM HTM состоит из регионов (regions), организованных в иерархию. Регионы, по своему строению и функциям, являются эквивалентами III слоя коры головного мозга. Они являются основными единицами HTM, именно регионы запоминают последовательности паттернов в виде пространственных разреженных представлений и формируют предсказания. Чем выше регион находится в иерархии HTM, тем с более сложными паттернами он работает, и показывает более стабильную реакцию на изменяющиеся входные данные. Например, если нижние регионы работают с паттернами входных последовательностей и часто изменяют свое состояние, то регионы уровнем выше работают с паттернами паттернов и более стабильны.

Между уровнями иерархии HTM информация передается в двух направлениях: прямом (снизу-вверх) и обратном (сверху-вниз). При движении в прямом направлении всегда присутствует конвергенция данных, когда многие элементы дочерних регионов иерархии соединяются на одном элементе родительского региона. При движении в обратном направлении происходит обратный процесс - дивергенция. Важным моментом в иерархии HTM является то, что в прямом направлении ковергируют последовательности паттернов, когда в обратном направлении дивергируют последовательности предсказаний.

На рисунке 1 изображена упрощенная диаграмма шести регионов HTM, организованных в иерархию. Стрелочками показаны потоки информации между уровнями.

Иерархия является одним из важнейших свойств HTM. Она позволяет существенно сократить объемы памяти необходимые для обучения HTM, поскольку паттерны, выученные более низких уровнях иерархии, многократно используются на уровнях иерархии, которые находятся выше.

Регионы HTM Регионы HTM состоят из множества колонок клеток (аналогов биологических нейронов). Каждый регион непрерывно принимает некоторые данные на вход. Если регион HTM находится на самом нижнем уровне иерархии, то в каждый момент времени он принимает на вход вектор битов входных данных, в противном случае он принимает на вход вектор, составленный из выходов регионов из предыдущего уровня иерархии. Выходом из HTM региона является совокупный вектор, представляющий собой активность всех клеток региона.

Совокупность колонок региона можно представлять в виде двухмерного массива, элементами которого являются колонки клеток. Каждая из колонок клеток принимает на вход уникальную область вектора входных битов. Какую именно область получает колонка на вход, определяется алгоритмом обучения. Различные паттерны входных данных приводят к различным уровням активации колонок. При этом колонки с более высоким уровнем активации тормозят (ингибируют) колонки с низким уровнем активации. В результате данного процесса в регионе получается разреженное множество активных колонок.

Важным свойством регионов HTM является, то, что они запоминают паттерны в контексте предыдущих входов. За счет колончатой структуры региона один и тот же паттерн может быть представлен множеством способов. Множество способов представления одной и той же информации помогает обеспечить разный семантический смысл для нее.

Клетки HTM Клетка HTM (HTM cell) в определенный момент времени может находиться в одном из трех состояний:

2. активна от прямого воздействия;

3. активна от латерального воздействия (находится в состоянии предсказания);

4. пассивна.

Клетка HTM имеет один проксимальный (proximal) дендритный сегмент и множество дистальных (distal). Все клетки находящиеся в одной колонке имеют один общий проксимальный дендритный сегмент. Проксимальный дендритный сегмент колонки служит для получения прямого воздействия на ее клетки и обеспечивает одинаковое восприятие воздействия всеми клетками колонки. Множество дистальных дендритных сегментов служит для передачи латерального воздействия клеткам в соседних колонках.

Между клетками воздействие передается с помощью синапсов (synapses). В HTM синапсы имеют бинарный вес, то есть в каждый момент времени он может быть равен 1 синапс является действующим, и 0 - синапс отключен. Так как синаптические связи могут устанавливаться не между всеми клетками, каждый дендритный сегмент каждой клетки имеет список потенциальных синапсов. Каждый потенциальный синапс обладает параметром перманентности. Перманентностью синапсов является вещественное число от 0.0 до 1.0, которое отражает степень синаптической связи между клетками. Если перманентность потенциального синапса переходит некоторый барьер, тогда синапс становится действующим, в противном случае синапс отключен. Чем чаще в HTM используется синапс для передачи воздействия, тем больше становится его перманентность (вплоть до 1.0), и, наоборот, чем реже он используется, тем меньше она становится (вплоть до 0.0). Величина перманентности каждого из потенциальных синапсов определяется соответствующим алгоритмом обучения HTM.

На рисунке 2 изображена упрощенная схема клетки HTM. Вертикальной стрелкой показано получение клеткой прямого воздействия через проксимальный дендритный сегмент, горизонтальными стрелками показано получение латерального воздействия через дистальные дендритные сегменты.

Проксимальный дендритный сегмент колонки клеток региона образует синапсы с некоторыми областями входных данных, а дистальные дендритные сегменты клеток образуют синапсы с некоторыми клетками из других колонок региона.

Алгоритм пространственного группировщика До того как получить любые входные данные, регион должен быть проинициализирован. Списки потенциальных синапсов для каждой колонки инициализируются случайным образом. Значение перманентностей синапсов так же инициализируется случайным образом из интервала [CONNECTED_PERMANENCE -, CONNECTED_PERMANENCE + ], где CONNECTED_PERMANENCE - пороговое значение перманентности, при котором синапс считается действующим, - некоторое малое положительное число. Значения перманентностей синапсов распределяются таким образом, что перманентность синапсов убывает по движению от геометрического центра колонки.

Для любого набора входных данных, для каждой колонки подсчитывается значение перекрытия (overlap). Перекрытием колонки является произведение количества действующих синапсов, подключенных к активным входным битам, и коэффициента усиления колонки. Коэффициент усиления колонки динамически определяется из того, насколько часто данная колонка бывает активной относительно своих соседей. Если значение перекрытия будет меньше, чем некоторое заданное значение (MIN_OVERLAP), то оно становится равным нулю.

Колонка, имеющая максимальное значение перекрытия тормозит все ближайшие в своем радиусе торможения (ингибирования), за исключением некоторого заданного количества (DESIRED_LOCAL_ACTIVITY). Радиус торможения динамически определяется числом входных битов колонки. В результате торможения получается разреженное множество активных колонок.

Для каждой активной колонки пересчитываются значения перманентности потенциальных синапсов проксимального дендритного сегмента. Перманентность активных синапсов увеличивается на некоторое значение (PERMANENCE_INC), не активных --уменьшается на некоторое значение (PERMANENCE_DEC).

В зависимости от частоты активации колонки, у нее пересчитываются значение коэффициента усиления (boost), значения перманентности всех потенциальных синапсов проксимального дендритного сегмента. Радиус торможения соседних колонок пересчитывается в зависимости от среднего количества активных синапсов для всех колонок.

Алгоритм темпорального группировщика Алгоритм темпорального группировщика начинает свою работу, после того, как алгоритм пространственного группировщика закончил свою работу. Он получает в качестве входных данных разреженное множество активных колонок.

Для каждой активной колонки активируются ее клетки. Если активация колонки была неожиданной, то активируются все клетки колонки. Из этих клеток выбирается одна, с самым большим числом активных синапсов дистального дендритного сегмента в предыдущий момент времени. При этом значение перманентностей может быть ниже, чем некоторое значение (CONNECTED_PERMANENCE), а число активных синапсов может быть меньше некоторого порогового значения (ACTIVATION_THRESHOLD), но не меньше чем некоторое минимальное значение (MIN_THRESHOLD). Эта клетка помечается для дальнейшего обучения. У нее создается новый дистальный дендритный сегмент, случайным образом образующий синапсы с клетками, которые были активны в предыдущий момент времени.

Если в колонке были клетки, которые находились в состоянии предсказания, то они становятся активными. Если сегмент, из-за которого клетка стала активной, стал активным в предыдущий момент времени в результате активности клеток, помеченных для обучения, то данная клетка помечается для дальнейшего обучения.

Для каждого дистального дендритного сегмента каждой клетки региона подсчитываются количество действующих синапсов, образованных с другими активными клетками. Если данная величина превосходит некоторое пороговое значение (ACTIVATION_THRESHOLD), то дендритный сегмент считается активным. Клетки с активными дендритными сегментами переходят в состояние предсказания.

Для каждого активного дендритного сегмента клетки пересчитываются значения перманентностей их синапсов. Перманентность активных синапсов увеличивается на некоторое значение (PERMANENCE_INC), не активных - уменьшается на некоторое значение (PERMANENCE_DEC). Все изменения перманентностей синапсов дендритных сегментов принадлежащих определенной клетке в состоянии предсказания откладываются до тех пор, пока она не станет активной от прямого входа. То есть обновление перманентности синапсов происходит, когда клетка предсказала вход.

Заключение В данной работе были рассмотрены основные принципы работы иерархической темпоральной памяти (HTM). Данная технология позволяет решать задачи распознавания и прогнозирования во входных потоках данных. Для обучения HTM используется обучение на лету (online learning), что позволяет ей легко адаптироваться к изменяющимся входным данным. В общем случае, обучение HTM является обучением без учителя (unsupervised learning). HTM устойчива к шумам и неточностям во входных потоках данных.

Благодаря своим свойствам, HTM может использоваться в решении различных прикладных задач: от регистрации аномалий при приеме данных с датчиков температуры на предприятии, до распознавания образов на камерах видеонаблюдения.

Планируется разработка технического задания на разработку ядра HTM и решения различных прикладных задач по распознанию на основе данного ядра. Планируется участие в программе УМНИК.

Список литературы 1. HIERARCHICAL TEMPORAL MEMORY including HTM Cortical Learning Algorithms.

[Электронный ресурс]. - Numenta, 2011. - Режим доступа: https://www.numenta.com/htmoverview/education/HTM_CorticalLearningAlgorithms.pdf.

2. Хокинс Дж., Блейксли C. Об интеллекте. Пер. с англ. - М.: ООО "И.Д. Вильямс", 2007. с: ил.

ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ИССЛЕДОВАНИЯ ВАРИАНТОВ

НЕРЕЛЯЦИОННОГО ХРАНЕНИЯ ДАННЫХ В РАСПРЕДЕЛЕННЫХ

ВЫСОКОНАГРУЖЕННЫХ СИСТЕМАХ

Сучкова Л.И. – к.т.н., профессор, Бочкарева Е.В. – к.т.н.

Алтайский государственный технический университет (г. Барнаул) На сегодняшний день реляционные системы управления базами данных (РСУБД) используются очень активно и по-прежнему помогают решать проблемы в различных отраслях и сферах деятельности, но далеко не во всех. Невозможность их применения обычно обусловлена необходимостью сохранения и дальнейшей обработки больших объемов данных. Использование РСУБД неэффективно в таких областях как логирование, аналитика, машинное обучение.

Главными недостатками реляционных СУБД на фоне больших данных выступают низкая масштабируемость и низкая производительность. Для реализации проектов, которые невозможно решить при помощи реляционных СУБД, используются NoSQL подходы.

NoSQL – это ряд подходов, направленных на реализацию отличных от реляционной модели баз данных.

На сегодняшний момент, в связи с популярностью различных сервисов Интернет, компаниям необходимо хранить и обрабатывать большие объемы данных (например, анализ запросов, действий пользователей на сайте). Такие системы строятся с применением NoSQL подходов. Зачастую производительность, эффективность, и, как следствие, экономическая выгода спроектированной системы напрямую зависят от умения и опыта инженераразработчика. Как правило, цена ошибки крайне велика.

Сегодня, на рынке программного обеспечения отсутствует универсальное и гибкое средство для моделирования и анализа эффективности нереляционных систем. Целью данной работы является разработка программного обеспечения, позволяющего моделировать и оценивать различные варианты нереляционного хранения данных и, как следствие, осуществляется поиск оптимальной структуры системы.

Будем решать поставленную задачу, используя подход, основанный на имитационном моделировании. В имитационной системе необходимо учесть выбор способа хранения и распределения данных между узлами высоконагруженной распределенной системы, а также конфигурацию (параметры) оборудования и хранилищ данных.

Множество вариантов хранения будем формировать на основе исходных данных, представленных в формате SQL-таблиц, а ограничивать это множество будем с помощью указания наиболее популярных SQL-запросов к проектируемой базе данных. Таким образом, данное программное обеспечение позволит использовать подмножество мощного, удобного и простого в использовании языка SQL для описания проектируемой БД.

Рассмотрим подробнее архитектуру системы. Первым шагом осуществляется преобразование логической структуры проектируемой БД в набор триплетов: «субъект – предикат – объект». Например, логическая структура базы данных (рисунок 1), заданная в SQL, может быть приведена к следующему виду:

User, is_a, table User, has_name,user User, has_attribute, user_id User_id, is_a, attribute User_id, is_a, primary key User_id, has_type, Time UUID Данное преобразование осуществляется при помощи движка применения бизнес правил (Rule Engine) с исходным набором правил (Rule Set). Это повысит гибкость и масштабируемость системы.

На основании полученного набора триплетов генерируется множество вариантов логической структуры данных в нереляционном представлении. Одним из возможных способов отображения логической структуры данных на физическую является представление данных в виде разложения их на множество строк и столбцов. Каждая строка и каждый столбец адресуются уникальным ключом (row key и column key соответственно). Столбцы организованы в так называемые семейства столбцов (column families) в целях облегчения управления и манипуляции данными. В зависимости от множества основных запросов к проектируемой системе, меняется не только структура, но и выбор способа разбиения данных (ключ разбиения) по машинам и дискам кластера. Часто в качестве основания для разбиения данных используют составной ключ (composite key), который образуется путем комбинирования или конкатенации различных полей базы данных.

На основании структуры составного ключа и требования лексикографического упорядочения данных формируется модель физического распределения данных для группы узлов кластера. При этом предусмотрены различные стратегии перераспределения данных по узлам с учетом репликации.

Спроектирована структура базы данных для системы имитационного моделирования, хранящая информацию о размещении данных в кластере.

Предусмотрено выполнение статического и динамического тестирования варианта структуры хранения данных. При статическом тестировании проверяется скорость выполнения запросов на получение данных из множества основных характерных запросов к базе. При динамическом тестировании осуществляется оценка производительности системы при добавлении данных и изменения их расположения на машинах кластера с учетом дублирования и репликации.

Разработанный программный продукт предусматривает визуализацию результатов исследования различных структур нереляционного хранения данных.

Список литературы 1. Харламов А.И. Исследование схем хранения информации в распределенных системах с учетом основных закономерностей доступа к данным / А.И.Харламов, Л.И. Сучкова, Е.В. Бочкарва, // Ползуновский вестник. – 2012. - № 3/2. – С.81-86.

2. От SQL к NoSQL и обратно [Электронный ресурс]:- Режим доступа:

http://www.osp.ru/os/2012/02/13014127/

РАЗРАБОТКА НАБОРА ИНСТРУМЕНТОВ ДЛЯ ОРГАНИЗАЦИИ СОВМЕСТНОЙ

РАБОТЫ ПОЛЬЗОВАТЕЛЕЙ В СЕТИ

Еремин Я.Б., Путинцев Р.В. – студенты, Боровцов Е.Г. – к.т.н., профессор Алтайский государственный технический университет (г. Барнаул) Программное обеспечение совместной работы (англ. collaborative software, groupware, workgroup support systems, group support systems) [5] — программное обеспечение, созданное с целью поддержки взаимодействия между людьми, совместно работающими над решением общих задач. Так как устоявшегося русскоязычного термина пока нет, часто используется один из англоязычных без перевода. Типична ситуация, когда каждый из участников находится у своего компьютера, а связь между ними поддерживается через Интернет посредством загружаемого приложения, установленного на компьютере каждого участника, или через веб-приложение. В последнем случае, чтобы присоединиться к конференции, нужно просто ввести URL (адрес сайта). В нашем случае используется первый вариант, так как приложение должно интегрироваться в ИТ систему коллектива, обеспечивая наибольшую надежность и возможность использования своего оборудования.

В совместной работе чаще всего используются:

1. Видео-связь посредством, например, вебкамеры. Видеосвязь может быть между двумя и более участниками.

2. Аудио-связь, как отдельно, так и вместе с видео, по технологии VoIP.

3. Доска, на которой могут писать все участники конференции, для удобства пояснения каких-либо сложных понятий.

4. Текстовый чат, классический вариант для информации и медленных сетей.

5. Файлообменный сервис, для комфортного доступа к файлам нескольких пользователей.

Рассмотрим известные подходы к решению этой задачи. Большинство приложении для совместной работы являются узкоспециализированными, с соответствующим уровнем функционала. Разберем основные группы приложении из данного класса.

Первая группа — приложения для обмена и работы с документами. Самым ярким представителем является Google docs [6], позволяющий загружать, синхронизировать, и в реальном времени совместно редактировать документы. Из встроенных инструментов коммуникации можно отметить текстовыи чат. В отличие от нашего варианта способов коммуникации очень мало, но совместная работа с документами восхитительна. Собственное решение сосредоточено именно на взаимодействии людей между собой, и не специализируется только на документах, охватывая большой спектр способов коммуникации.

Вторая группа — приложения предоставляющие общии доступ к произвольным фаилам, а не только к документам. Часто есть возможность добавлять комментарии к фаилам, обсуждать их, привязывать к определенным проектам. Представители — Project2Manage, Dropbox [7]. В данной группе предусмотрено мало способов взаимодействия кроме передачи файлов, что является категорически недостаточным для полноценного взаимодействия, а значит заставляет использовать сторонние решения для компенсации недостающего функционала.

Третья группа — приложения для совещании, проведения конференции [1]. Они предоставляют аудио/видео связь, тестовый чат, функция обмена фаилами та кже имеется.

Ярким представителем этои группы программ является Skype [8]. Некоторые функции являются платными, и небольшие коллективы не могут позволить себе оплачивать их.

Возможности разграничения прав, разбиения пользователей группы находятся в зачаточном состоянии, а потому не могут считаться достаточными для работы в коллективе.

Четвертая группа — приложения, которые нельзя использовать для широкого круга задач, они позволяют делать лишь что-то одно, например совместно писать музыку, рисовать картины, и т.п. Данный класс программ не может рассматриваться как прямой аналог нашего решения, так как не имеет функционала общего назначения, при этом при необходимости наш продукт предусматривает возможность создания модулей специального назначения, позволяющих конкурировать с любым из приложений данной группы.

Практически все системы для совместнои работы имеют возможность работать со списками контактов( клиентов, сотрудников, и т.д), планировать события и задачи расставляя их на календаре. Однако в абсолютном большинстве интерфеис либо перегружен элементами управления, что делает программу слишком громоздкои, либо функциональности явно не достаточно для эффективнои коммуникации. Так же частыми проблемами являются высокая стоимость данных систем, и невозможность развернуть комплекс на своем оборудовании, что снижает безопасность, увеличивает зависимость от подключения к интернету.

Собственное решение данной задачи выглядит следующим образом: разрабатываемый нами набор инструментов для организации совместной работы пользователей в сети, стандартно поддерживает модули : to-do list, доска для рисования, текстовый чат, файловое хранилище, видео и аудио конференции. Поскольку данные блоки выделяются в логически завершенные модули, а так же для облегчения разделения работы, программа будет иметь модульную архитектуру.

Реализация состоит из двух частей: серверной и клиентской.

Для организации работы модульнои архитектуры сетевого приложения создана подсистема, предназначенная для работы поверх TCP/IP [3], которая позволяет многим модулям использовать один и тот же сокет для обмена данными. Благодаря этому, в клиентской части приложения, для работы нескольких модулеи с сервером создан всего лишь один сокет.

Разработанная подсистема корректно обрабатывает ошибки, происходящие во время работы с сокетами, а так же обеспечивает доставку от одного модуля другому данных произвольного размера, не останавливая работу соседних модулеи, работающих через данное соединение.

Множество одинаковых модулей взаимодействуют с сетевой подсистемой через сервис, (рис. 1) реализующий передачу пакетов, используя уже написанную сетевую подсистему, в рамках которой сервисы взаимодействуют между собой. Сервисы являются глобальными объектами программы. Так же у каждого сервиса могут существовать модули (опционально), которые хранятся в комнате.

Каждая комната содержит каких-либо пользователей из комнаты верхнего уровня, корневая комната содержит всех пользователей сервера. Так же в комнате находятся ее настройки, файлы доступные всем пользователям комнаты, история чата комнаты, to-do list для комнаты и доска для рисования.

Не все пользователи могут писать в чат комнаты, изменять to-do list или рисовать на доске, именно эти данные содержит фаил настроек.

Перспективы развития нашего набора инструментов выглядят весьма оптимистично: на данный момент приложение находится в фазе активной разработки, в будущем произойдет переход мультимедийных модулей на работу по принципу пир -ту-пир, для минимизации нагрузки на сервер, а так же повышения защищенности соединения. Так же будет реализована функция общения пользователей, зарегистрированных на различных серверах, для обеспечения бесшовной интеграции информационных потоков в одно клиентское приложение.

Для увеличения производительности работы приложения, серверная часть сетевой подсистемы будет иметь возможность выносить в отдельныи поток некоторое количество соединений, а так же ограничивать максимальное число потоков.

Функциональность приложения может быть расширена, благодаря подключению внешних модулей (например, если реализовать модуль для совместного написания музыки).

Это позволит подстраивать возможности набора инструментов для каждого коллектива, по мере необходимости.

При необходимости обеспечения высокого уровня защиты информации, предполагается применение сложных алгоритмов шифрования, возможность использования которых заложено в архитектуру ПО. Поэтому для повышения защищенности системы, каждый коллектив будет иметь выбор из доступных алгоритмов шифрования, а при наличии необходимых навыков, сможет использовать и оригинальные алгоритмы. Благодаря возможности выбора алгоритма каждый владелец сервера сможет найти индивидуальный компромисс между производительностью и защищенностью.

Список литературы 1. Расширяемый протокол обмена сообщениями и данными о присутствии (XMPP): Ядро [Электронный ресурс]: материалы саита – Режим доступа – http://book.itep.ru/4/45/xmpp.htm – свободный.

2. Subversion [Электронный ресурс]: материалы саита – Режим доступа – http://ru.wikipedia.org/wiki/Subversion – свободный.

3. Стивенс У.Р., Феннер Б., Рудофф Э.М. С80 UNIX: разработка сетевых приложени. 3е изд- Спб.: Питер, 2007. - 1039с.: ил.

4. Шлее М. Qt4.5. Профессиональное программирование на C++. - Спб. БХВ-Питербург.

2010, - 896 с.: ил. + DVD 5. Collaboration [Электронный ресурс]: материалы саита – Режим доступа – http://ru.wikipedia.org/wiki/Collaboration – свободный.

6. Google Docs [Электронный ресурс]: материалы саита – Режим доступа – http://ru.wikipedia.org/wiki/Google_Docs – свободный.

7. Dropbox [Электронный ресурс]: материалы саита – Режим доступа – http://ru.wikipedia.org/wiki/Dropbox – свободный.

8. Skype [Электронный ресурс]: материалы саита – Режим доступа – http://ru.wikipedia.org/wiki/Skype – свободный.

ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ КОРПОРАТИВНОЙ СОЦИАЛЬНОЙ СЕТИ НА

ПРИМЕРЕ СЕТИ УЧАСТНИКОВ ОЛИМПИАД

Есипенко С.П. – студент, Крючкова Е.Н. – к.ф.-м.н., профессор Алтайский государственный технический университет (г. Барнаул) Социальная сеть – это веб-сервис, предназначенный для организации социальных взаимоотношений между его пользователями и предоставляющий широкий спектр возможностей для обмена информацией.

В последнее время набирают популярность узкоспециализированные социальные сети.

К ним относятся корпоративные и тематические сети. Корпоративные сети действуют в рамках одной организации и предназначены для организации взаимодействия между сотрудниками. Тематические социальные сети специализируются в какой-то конкретной области, и предоставляют некоторые специализированные функции своим пользователям.

Актуальность и новизна Идея создания узкоспециализированных социальных сетей не нова. Однако социальных сетей для участников олимпиад по программированию во всем мире насчитывается лишь несколько штук. Если говорить о русскоязычных ресурсах, то можно отметить лишь один – «Codeforces.ru». В то же время, для сборной АлтГТУ по спортивному программированию удобнее работать в рамках собственной небольшой сети. В связи с этим, было принято решение разработать такую сеть.

Постановка задачи Целью данной работы является создание корпоративной социальной сети АлтГТУ для участников олимпиад по программированию. Такая сеть позволит олимпийцам общаться, обмениваться знаниями, совместно тренироваться, обсуждать задачи и участвовать в соревнованиях. Причем все это будет доступно в рамках одного веб-сервиса.

Разрабатываемая сеть должна предоставлять следующие функции:

Регистрация пользователей;

Ведение списка друзей;

Обмен личными сообщениями;

Ведение блога;

Возможность комментирования чужих блогов;

Написание и редактирование статей;

Участие в соревнованиях и тренировках;

Организация соревнований (для тренеров).

Решение задачи Сеть состоит из трех основных частей:

социальная – предназначена для проведения тренировочных и реальных соревнований по программированию;

учебная – позволяет публиковать статьи, разборы задач и другие образовательные материалы;

соревновательная – предназначена для проведения тренировочных и реальных соревнований по программированию.

В основе проектируемой сети лежит современная технология Yii Framework. Эта библиотека, написанная на языке PHP, используется во многих крупных интернет-ресурсах.

Она обладает богатыми возможностями и высокой производительностью. Данная библиотека задает каркас веб-приложения, обрабатывает запросы пользователей на низком уровне, позволяя разработчику сконцентрироваться на архитектуре и логике работы системы.

В основе данной библиотеки лежит шаблон проектирования Model-view-controller (MVC). Такой подход позволяет разделить данные, представление и обработку действий пользователя на отдельные компоненты. Это упрощает процесс разработки и позволяет использовать выделенные компоненты повторно в других участках приложения.

В качестве СУБД выбрана современная система MySQL 5.5. Она является бесплатной и предоставляет необходимый набор функций.

Учебный раздел работает на популярном открытом движке MediaWiki. Это мощный инструмент, применяющийся во множестве проектов. Например, на этом движке работает интернет энциклопедия wikipedia.org.

Раздел соревнований работает на открытой системе ejudge.

Упрощенная структура приложения представлена на рисунке 1.

Рисунок 1 – структура социальной сети участников олимпиад по программированию Перспективы развития ПО Социальная сеть интересна тем, что она развивается непрерывно и в основном за счет пользователей. Перед запуском системы будет сформирован базовый набор статей, тренировок и задач, однако в дальнейшем, пользователи смогут сами дополнить систему своими материалами.

Если говорить о технических аспектах, то в будущем планируется добавить систему резервного копирования данных и возможность распределения нагрузки на несколько серверов.

Список литературы 1. Дюбуа, П. MySQL [Текст] / П. Дюбуа. – М.: Вильямс, 2007. – 1168 с.

2. Веллинг, Л. Разработка веб-приложений с помощью PHP и MySQL [Текст] / Л. Веллинг, Л. Томсон. – М.: Вильямс, 2010. – 848 с.

3. The Definitive Guide to Yii. [Электронный ресурс]: – Режим доступа:

http://www.yiiframework.com/doc/guide 4. MediaWiki technical manual for developers. [Электронный ресурс]: – Режим доступа:

http://www.mediawiki.org/wiki/Developer_hub 5. Документация по системе ejudge. [Электронный ресурс]: – Режим доступа:

http://ejudge.ru/wiki/index.php

РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ СЕМАНТИЧЕСКОГО

РАСПОЗНАВАНИЯ ОБЪЕКТОВ В ЗАДАЧАХ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Залогина С.С. – студент, Крючкова Е.Н. – к.ф.-м.н., профессор Алтайский государственный технический университет (г. Барнаул) Введение Компьютерное зрение - это преобразование данных, поступающих с фото- или видеокамеры, в другое представление данных. Все подобные преобразования выполняются для достижения некоторой цели.

К проблемам компьютерного зрения можно отнести следующие задачи:

1. Обработка изображений 2. Восстановление 3D формы по 2D изображениям 2.1. Стереореконструкция карты глубины (Shape from Stereo) 2.2. Реконструкция поля нормалей и карты глубины по закраске полутонового изображения (Shape from Shading) 2.3. Определение геометрии и формы по перемещению (Structure from Motion) 3. Обнаружение/распознавание/отслеживание объектов Компьютерное зрение – это динамично развивающаяся область, успехи и достижения в которой находят широкое применение во многих сферах деятельности человека. Методы распознавания объектов применяются в таких областях как медицина, промышленность (дефектоскопия, контроль качества), охранные системы (распознавание и отслеживание движущихся объектов, распознавание автомобильных номеров). Поэтому проблема распознавания объектов представляет большой практический интерес.

Контекст Многие методы распознавания объектов на изображениях работают в изоляции от контекста, то есть понимания того, в каких условиях объект может присутствовать. Это сильное ограничение, так как контекст играет огромную роль в процессе распознавания объектов людьми.

Пример распознавания в контексте приведен на рисунке 1. В первой группе мы видим буквы латинского алфавита, во второй – цифры, третья же показывает, что мы на самом деле по-разному воспринимали один и тот же объект в зависимости от контекста.

В сфере распознавания объектов и их категоризации существует несколько подходов.

Рассмотрим основные характеристики некоторых из них.

Bag of words models 1. Изображение представлено коллекцией «визуальных слов» и соответствующих им счетчиков с учетом универсального словаря.

2. Категории объектов моделируются распределением этих «визуальных слов».

Part-based models 1. Объект на изображении представлен коллекцией частей, которые характеризуются как своим внешним видом, так и положением.

2. Категории объектов моделируются видом и пространственным распределением этих отличительных черт.

3. В проблемы данной модели входит поиск эффективных методов для определения соответствий между объектом и сценой.

Discriminative methods 1. Обнаружение и распознавание объектов формулируется как проблема классификации.

Изображение делится на множество пересекающихся окон: для каждого окна принимается решение о том, содержит ли оно целевой объект.

2. Каждое окно представлено большим номером различных признаков (свойств), кодирующих информацию, например, границы, текстуры, цвет, пространственное 3. Функция классификации, ставящая в соответствие окну бинарный ответ, обучается с помощью таких методов, как SVMs (Support Vector Machines), boosting или нейронные Структура В данной работе используется контекст изображения, так как исследование проблем компьютерного зрения и подходов к распознаванию объектов показало, что контекст является богатым источником информации о сущности объекта, его положении и масштабе.

В качестве формализации контекстуальных влияний выбран словарь семантических связей.

Контекст приносит пользу при обнаружении объектов как минимум в двух ситуациях:

1. Он способствует опознаванию объектов в случаях, когда собственной локальной информации о структуре объекта недостаточно (например, объект присутствует на изображении в очень маленьком масштабе) 2. Даже когда объекты могут быть опознаны с помощью «встроенной» информации, контекст упрощает различение объектов, сокращая количество категорий объектов, масштабов и позиций, которые необходимо учесть.

Предлагается следующая структура программного обеспечения:

1. Словарь семантических связей 2. Модуль обучения. Предоставляет интерфейс для самостоятельного сопоставления пользователем объекта на изображении (контуров) и понятия, его описывающего.

Основная функция модуля – это обучение по выборке для дальнейшего распознавания произвольных изображений.

3. Модуль распознавания. В данном модуле автоматически выделяются объекты на изображении, сопоставляются с базой данных и относятся к той или иной категории объектов (понятию). Затем на основании семантических связей делается вывод о действительном присутствии объектов на изображении.

Инструменты Работа основана на использовании функций библиотеки OpenCV. OpenCV - это библиотека компьютерного зрения с открытым исходным кодом (Open Source Computer Vision Library).

OpenCV состоит из нескольких модулей:

1. CXCORE – Ядро. Содержит базовые структуры, матричную алгебру, алгоритмы работы с памятью, алгоритмы преобразования типов 2. CV – Модуль обработки изображений, работа с компьютерным зрением. Содержит функции для работы с изображениями (преобразование, фильтрация и т.д.), функции для анализа изображений (поиск контуров, гистограммы и т.д.), алгоритмы анализа движений, слежение за объектами 3. ML – Машинное обучение: функции для классификации и анализа данных 4. HighGUI – Модуль для создания пользовательского интерфейса 5. CVCAM – Захват видео с цифровых камер 6. CVAUX – Устаревшие функции.

Заключение Автором было проведено исследование проблем компьютерного зрения и подходов к распознаванию объектов, сделаны выводы о влиянии контекста и о пользе его использования в задачах распознавания. Также была предложена структура программного обеспечения, учитывающего результаты исследования, и описаны инструменты его реализации.

Список литературы 1. Введение в Computer Vision [Электронный ресурс]. – Режим доступа:

http://www.cgm.computergraphics.ru/content/view/ 2. Tutorial on Recognizing and Learning Object Categories, by Li Fei-Fei (Stanford), Rob Fergus (NYU), and Antonio Torralba (MIT) [Электронный ресурс]. – Режим доступа:

http://people.csail.mit.edu/torralba/shortCourseRLOC/ 3. Computer Vision: Algorithms and Applications by Richard Szeliski (Microsoft Research) [Электронный ресурс]. – Режим доступа: http://szeliski.org/Book/ 4. Learning OpenCV [Электронный ресурс]. – Режим доступа: http://locv.ru/

ПОИСК ПРОБЛЕМ В СИСТЕМЕ НАВИГАЦИИ САЙТА НА ОСНОВЕ АНАЛИЗА ГРАФОВ

ПОВЕДЕНИЯ ПОЛЬЗОВАТЕЛЕЙ

Зинченко Д.А. – студент, Крайванова В.А. – к.ф.-м.н., доцент Алтайский государственный технический университет (г. Барнаул) Организации, использующие интернет в качестве одной из рекламных площадок и имеющие on-line магазины или информационные порталы, заинтересованы в увеличении числа клиентов. Они используют различные методы для привлечения людей к посещению их web-сайта. Но не редко бывает, что даже при больших денежных вложениях и широкой рекламной компании, клиенты не пользуются предложенными услугами: не покупают товар, не регистрируются и т.д. Причин может быть несколько, одна из которых – это логические ошибки в навигации или недостаточно удобный интерфейс сайта[1]. Для поиска таких неочевидных проблем можно использовать методы, основанные на анализе поведения посетителей Интернет-ресурса.

Наиболее дешевые и вместе с тем эффективные автоматические способы выявления проблем в юзабилити сайта основаны на данных статистики посещений.

Будем представлять поведение отдельного пользователякакориентированный граф G =, в котором любая вершина aVсоответствует странице, просмотренной пользователем, либо является внешней мнимой вершиной, а каждая дуга eE, соединяющая вершины aи bV означает, что пользователь осуществлял непосредственный переходсо страницы aна страницу b. Вершины графа помечены URL-адресами страниц на сайте.

Внешняя мнимаявершина – это дополнительная вершина, для обозначения страницы, скоторой был осуществлен переход на сайт (она может иметь пустой адрес). Некоторые вершины графа пометим как ключевые. Это страницы, достижение которых является целью создания сайта (например, форма оплаты заказа в интернет-магазине).

Кроме отдельных графов поведения необходимо выделить шаблоны поведений пользователей. Шаблон поведения или кластер – это множество пользовательских графов, объединенные в группы. Пусть имеется множество B, которое включает kповедений пользователей, то есть B = G1 G2 … Gk. Тогда шаблоном поведения будет называться множество Bp из B, расстояние между объектами которого минимальное, а объекты разных групп должны быть как можно более удалены друг от друга [2].

Расстоянием (Gn, Gm) между графами Gn и Gmбудем считать сумму:

где v – мера различия наборов вершин графов Gn и Gm, а t – мера различия времени просмотра одинаковых вершин этих же графов.

Здесь Vn и Vm – множества вершин графов Gn и Gmсоответственно, |Vn| и |Vm| – мощностисоответствующих множеств, t1i и t2i –время просмотра вершины i пользователем 1 и 2, и – управляющие коэффициенты (подбираются эмпирически).

На основе описанной выше модели можно определять две проблемы.

1. Пользователи определенного кластера прекращают просмотр сайта на некоторых фиксированных неключевых страницах.

2. Отказы. Отказ – это просмотр не более двух (чаще одной) страниц сайта с последующим выходом [3].

Шаблон поведения является множеством сходных поведений посетителей, поэтому можно «слить» их в единый граф Gpp. Очевидно, при слиянии отдельных графов в один нет смысла сохранять повторяющиеся ребра. Необходимо использовать другую числовую характеристику вершины.

Назовем отношение числа исходящих к числу входящих ребер для вершины aпоказателем переходов p(a). Таким образом, если вершина имеет множество входящих ребер, но мало исходящих, то показатель переходов будет приближаться к 0. Для неключевой вершины на практике это означает, что многие посетители, дойдя до не, прекращают работу с сайтом. Причиной этого может быть всплывающая реклама, ошибки в навигации сайта и т.д. Напротив, показатель p(a), стремящийся к 1, свидетельствует о том, что проблем на странице a нет.

Выявление проблемы отказов происходит следующим образом. Очевидно, что отказом будет являться такой граф, который содержит не более двух вершин и не более одного перехода между ними. То есть, G = является поведением, при котором произошел отказ, если |V| 2 и |E| 1. Заметим, что одиночные поведения-отказы неизбежны даже при идеальном интерфейсе и отсутствии любых проблем за счет того, что посетитель мог наткнуться на страницу, содержащую ненужный ему контент, случайно и выйти. Трактовать нечастные появления таких графов как наличие проблемы неправильно. Другое дело, если обнаруживается четкая статистика и закономерность в появлении отказов на конкретных страницах сайта или, что еще хуже, после кластеризации появляется отдельно выделенное множество графов поведений Bo=, где |Vo| 2 и |Eo| 1. В этом случае с высокой долей вероятности можно утверждать, что что-то не в порядке со страницами sVo.

На основе описаннойвыше моделиразработан интеллектуальный модульдля автоматического обнаружениялогических проблем на страницах web-сайта. В программном комплексе определения паттернов поведения пользователейведется разработка системы рекомендаций, которая использует данный модуль.Система в автоматическом режиме находит логические ошибки Интернет-ресурса, что позволит существенно снизить время их жизни, повысить юзабилити и уменьшить число отказов–потерянных клиентов.

Список литературы 1. Usability [Электронный ресурс] – М. 2013. – Режим доступа: http://en.wikipedia.org/wiki/ Usability 2. Определение паттернов поведения пользователей на сайте [Электронный ресурс] – М.

2013. – Режим доступа: http://edu.secna.ru/media/f/povt2012.pdf 3. Показатель отказов – Справка – GoogleAnalytics [Электронный ресурс] – М. 2013. – Режим доступа: https://support.google.com/analytics/answer/

АНАЛИЗ ДАННЫХ КОМПЬЮТЕРНЫХ ТОМОГРАММ

Казанцев М.В. – студент, Леонов С.Л. – д.т.н., профессор Алтайский государственный технический университет (г. Барнаул) Существует несколько способов исследования заболеваний легких, и один из них – это компьютерная томография. Рентгеновская компьютерная томография [1] – способ визуализации внутренней структуры с получением отдельных срезов вплоть до ее объемной реконструкции. Томограммы используются рентгенологами для дифференциальной диагностики заболеваний. Однако при этом врач опирается преимущественно на свой опыт и ставит диагноз на основании качественных характеристик изображения. Количественные же данные, которые также содержатся на томограмме, в постановке диагноза не учитываются.

Нами разработано программное обеспечение для автоматизации дифференциальной диагностики с построением искусственной нейронной сети.

В рамках проведнной работы рассматривались данные о шаровидных образованиях лгких (ШОЛ) 232 пациентов с верифицированными диагнозами «рак» и «туберкулз». По оцифрованным данным денситометрических плотностей ШОЛ предварительно были рассчитаны следующие параметры:

1. Средняя плотность по срезам.

2. Коэффициент корреляции при описании параболической зависимостью средней по срезу плотности от номера среза.

3. Среднее среднеквадратичное отклонение плотности по срезам.

4. Коэффициент корреляции при описании параболической зависимостью среднего среднеквадратичного отклонения плотности по срезам от номера среза.

5. Средняя по срезам фрактальная размерность.

6. Среднеквадратичное отклонение фрактальной размерности.

Данные по каждому рассматриваемому параметру были линейно отображены на отрезок [-1; 1] и по ним была сформирована обучающая выборка. Выходной параметр у каждой записи выборки был один. Его значение 0 соответствовало диагнозу «рак», значение 1 – диагнозу «туберкулз». Эта выборка была использована для обучения многослойного персептрона по алгоритму обратного распространения ошибки. Подробное описание этого алгоритма и определение многослойных персептронов приведено в [2].

Разработанное программное обеспечение реализует следующий функционал:

1. Позволяет формировать, редактировать, сохранять в файл и загружать из файла обучающие выборки, а также производить линейное отображение данных по каждому параметру на отрезок [-1; 1].

2. Позволяет формировать многослойные персептроны с произвольным числом слов и нейронов в слоях, сохранять их в файл и загружать из файла.

3. Позволяет обучать сеть на обучающей выборке. Существует возможность ручного и автоматического задания скорости обучения.

4. Производить оценку качества обученной сети с помощью использования контрольной выборки.

Критерием, который используется для оценки качества сети, служит половина суммы квадратов отклонений эталонных выходных значений нейронной сети от полученных по всей выборке. При оценке качества обученной сети по контрольной выборке считается, что диагноз для данного входа поставлен правильно, если сумма квадратов разностей между эталонным и полученным выходным значением по всем выходам для данного входа не превосходит 0,1. На рисунках 1 и 2 приведн интерфейс программы.

Разработанное программное обеспечение проверено при дифференциальной диагностике заболеваний "Рак" и "Инфильтративный туберкулез". После обучения персептрона по выборке он верно ставит диагнозы в 206 случаях из 232. Предварительная проверка персептрона на контрольной выборке, данные которой не участвовали в обучении, также показали его высокую эффективность: диагноз "Рак" поставлен правильно в случаях из 21 (76%). При этом в оставшихся 5 случаях функция активации близка к 0,5, что свидетельствует о невозможности диагностики.

Рисунок 2. Окно редактирования обучающих выборок Планируется расширение функционала разрабатываемого программного обеспечения, а также проведение численных экспериментов по совершенствованию алгоритма обучения. На разработанное программное обеспечение оформляется свидетельство о его государственной регистрации.

Список литературы 1. Прокоп М., Галански М. Спиральная и многослойная компьютерная томография. Том.1.

– М.: МЕДпресс-информ, 2009. - 416 с.

2. Яхъяева Г.Э. Нечеткие множества и нейронные сети: Учебное пособие /Г.Э. Яхъяева. – М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2006. – 316 с.: ил., табл.

РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ПРОСТРАНСТВЕННОГО

АНАЛИЗА МАТЕМАТИЧЕСКИХ ВЫРАЖЕНИЙ В ФАЙЛАХ ФОРМАТА DVI

Клиппа М.С. – студент, Андреева А.Ю. – к.ф.-м.н., доцент Алтайский государственный технический университет (г. Барнаул) Структурированная информация (в том числе выражения в математической нотации) – один из типов информации сети Интернет. Поиск такой информации с помощью текстовых поисковых систем (типа Google, Yandex, Yahoo!, Bing и прочих) приводит к получению крайне нерелевантных результатов. Причина тому – попытка этих систем искать информацию без учета структурной составляющей, которая в данном случае несет важную дополнительную смысловую нагрузку.

Исследование литературных источников и анализ современного состояния проблемы поиска выражений в математической нотации показал, что решения данной проблемы существуют только для отдельных наборов сайтов и сервисов сети Интернет. Степень релевантности искомой информации также порой не слишком высока и пока не может конкурировать с точностью поиска текста.

Первым из рассматриваемых аналогов является математическая система «Uniquation».

Данный сервис работает с ресурсами, использующими для представления формул систему компьютерной верстки (язык) TEX – Википедия, eqworld, dxdy.ru, mathforum.ru и pluspi.org.

В основе алгоритма поиска сервиса лежит дипломная работа одного из его создателей, посвященная алгоритму ассоциативно-коммутативной нормализации термов. Кроме того, авторы проекта отмечают, что в общем случае задача поиска является NP-полной, что делает невозможным создание быстрого алгоритма для общего подхода. Чтобы обойти эту проблему, отсекаются формулы, «не имеющие смысл искать», что по факту приводит к явному ухудшению выборки, однако обеспечивает скорость работы, соизмеримую с современными текстовыми поисковыми системами. Дополнительной проблемой сервиса является поиск только точных совпадений.

Следующий рассматриваемый аналог – LaTEX Search, работающий с базой Springer (более миллиона математических выражений на языке LaTEX). В основе алгоритма также лежит система нормализации термов, однако помимо ассоциативно-коммутативных свойств, сервис учитывает понятие «близости» выражений, вводя понятие расстояния наподобие расстояний Левенштейна и Хэминга. Это позволят искать не только строгие совпадения, но и похожие формулы, их более общий вид, а также исправлять ошибки пользовательского ввода.

Недостатки сервиса – узкий охват данных (одна база, хоть и большая) и долгое время поиска (1-2 минуты на поиск точных совпадений для простого выражения из 2-3 операций плюс порядка минуты на поиск похожих). Кроме того, система оценки близости также требует существенной доработки, возвращая порой очень отдаленно похожие результаты как точные совпадения.

Программное обеспечение, реализуемое в ходе работы, дает возможность формирования обширной базы данных для статистического исследования и пространственного анализа математических выражений. Тема актуальна и может представлять интерес для широкого круга специалистов, занимающихся изучением статического подхода при распознавании структурированной информации. На данный момент имеется крайне ограниченный набор интернет ресурсов и сервисов, которые могут предоставить пользователю возможность поиска структурированной информации, однако потребность такого поиска изо дня в день резко возрастает, а существующие алгоритмы, в большинстве своем использующие полный перебор, работают крайне неэффективно. Задачи, решаемые в рамках выполняемой работы, являются значительным шагом на пути решения сложившейся проблемы.

Основу разрабатываемого программного обеспечения составляет анализ DVI файлов, являющихся результатом компиляции TEX файлов, описывающих математические выражения.

— система компьютерной врстки, разработанная американским профессором информатики Дональдом Кнутом в целях создания компьютерной типографии. В отличие от обыкновенных текстовых процессоров и систем компьютерной врстки, в ’е пользователь лишь задает текст и его структуру, а самостоятельно на основе выбранного пользователем шаблона форматирует документ, заменяя при этом дизайнера и верстальщика. Документы набираются на собственном языке разметки в виде обычных ASCII-файлов, содержащих информацию о форматировании текста или выводе изображений. Эти файлы (обычно имеющие расширение «.tex») транслируются специальной программой в файлы «.dvi» (device independent — «независимые от устройства»), которые могут быть отображены на экране или напечатаны. DVI-файлы можно специальными программами преобразовать в PostScript, PDF или другой электронный формат [1].

DVI (от англ. DeVice Independent — аппаратно независимый) — формат выходных файлов издательской системы. Для генерации файлов в формате DVI используются текстовые файлы на языке, но в отличие от них файлы DVI не приспособлены для чтения человеком; они содержат двоичные данные, описывающие визуальное представление документа способом, не ориентированным на какой-либо формат изображения, монитор или принтер (отсюда название формата). Файлы DVI обычно подаются на вход другой программы (называемой DVI-драйвером), которая преобразует их в графические данные [1].

Ниже приведен подробный поэтапный разбор работы программного обеспечения:



Pages:     || 2 | 3 |


Похожие работы:

«Счастливый вариант розничного бизнеса Партнерская программа на условиях франчайзинга Счастливый взгляд - федеральная сеть оптик, занимающая лидирующие позиции* на рынке розничной торговли средствами для коррекции зрения в Северо-Западном регионе России. Этапы развития: 100 2003 Создание бренда Счастливый взгляд 100 90 Открытие первых салонов в Санкт-Петербурге 80 68 2007 Начало экспансии в регионы РФ 60 70 60 2008 Ребрендинг при участии австрийской 47 46 компании Umdasch Shop Consult 40 2009...»

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Декан химического факультета _ Д.В. Свиридов _ 2011 г. Регистрационный № УД-_/р РАСТВОРЫ ПОЛИМЕРОВ Учебная программа по специальности 1-31 05 01 Химия (по направлениям) направление специальности: 1-31 05 01-01 Химия (научно-производственная деятельность); специализация 1-31 05 01-01 05 Высокомолекулярные соединения Факультет химический Кафедра высокомолекулярных соединений Курс Семестр Лекции 30 (часов) Экзамен – 8 семестр Практические...»

«Белорусский государственный университет УТВЕРЖДАЮ Декан филологического факультета, профессор И. С. Ровдо (подпись) (дата утверждения) Регистрационный № УД-/р. Инженерия знаний Учебная программа спецкурса для студентов гуманитарного факультета четвертого года обучения для специальностей: I – 21 06 01 – 0103 – Современный иностранный язык: компьютерная лингвистика I – 21 06 01 – 0103 – Современный иностранный язык: компьютерное обучение языкам Факультет филологический_ Кафедра прикладной...»

«Олег Матвейчев Уши машут ослом { Сумма политтехнологий } Данная книга представляет собой сборник, в который вошли 4 ранее опубликованные книги ( в несколько отредактированном виде) ПЛЮС двадцать НОВЫХ ( то есть в виде книги не опубликованных текстов): Таким образом, книга распадается на 5 частей: 1. Что такое политический консалтинг? (1998г) 2. Проблемы манипуляции (1999г) 3. Уши машут ослом.Современное социальное программирование (2002г) 4.Предвыборная камапния. Практика против теории ( 2003г)...»

«МИНИСТЕРСТВО ТРАНСПОРТА РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА государственное образовательное учреждение высшего профессионального образования ИРКУТСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ ИрГУПС (ИрИИТ) Утверждаю: Ректор _ А.П. Хоменко 20_ г. ОСНОВНАЯ ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА ВЫСШЕГО ПОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ Направление подготовки _271501 Строительство железных дорог, мостов и транспортных тоннелей Специализация Управление техническим состоянием...»

«УТВЕРЖДАЮ Ректор Пензенского государственного университета В.И. Волчихин 2001г. ПОЛОЖЕНИЕ О компьютерной сети Пензенского государственного университета 1. Общие положения 1.1. Целями положения О компьютерной сети Пензенского государственного университета (далее Положение) являются создание организационной и нормативноправовой основы регулирования информационных процессов в компьютерной сети (далее КС) Пензенского государственного университета (далее ПГУ), организация совместной работы...»

«Утверждено Ректор РГАУ-МСХА имени К.А.Тимирязева _ В.М.Баутин от _ 2010 г. Примерная основная образовательная программа высшего профессионального образования Направление подготовки 110400 Агрономия утверждено приказом Минобрнауки России от 17 сентября 2009 г. № 337 (постановлением Правительства РФ от 30.12.2009 г. № 1136). ФГОС ВПО утвержден приказом Минобрнауки России от 22 декабря 2010 г. № 811 Квалификация (степень) выпускника - бакалавр Нормативный срок освоения программы - 4 года Форма...»

«СОДЕРЖАНИЕ 4 1. Общие положения 1.1. Основная образовательная программа (ООП) специалитета, реализуемая вузом по направлению подготовки Строительство железных дорог, мостов и транспортных тоннелей и профилю подготовки Управление техническим состоянием железнодорожного пути....... 4 1.2. Нормативные документы для разработки ООП специалитета по направлению подготовки Строительство железных дорог, мостов и транспортных тоннелей....................................»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ НАЦИОНАЛЬНЫЙ МИНЕРАЛЬНО-СЫРЬЕВОЙ УНИВЕРСИТЕТ ГОРНЫЙ ОСНОВНАЯ ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ Направление подготовки 220700 АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ И ПРОИЗВОДСТВ Профиль подготовки АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ И ПРОИЗВОДСТВ В МАШИНОСТРОЕНИИ Квалификация выпускника БАКАЛАВР Нормативный срок обучения 4 ГОДА Форма обучения ОЧНАЯ САНКТ-ПЕТЕРБУРГ, 2013 г. АННОТАЦИЯ 1. ОБЩИЕ ПОЛОЖЕНИЯ 1.1....»

«МИНОБРНАУКИ РОССИИ Филиал Федерального государственного бюджетного образовательного учреждения высшего профессионального образования Российский государственный гуманитарный университет в г. Балашихе Московской области (Филиал РГГУ в г. Балашихе) Кафедра экономико-управленческих и правовых дисциплин УТВЕРЖДАЮ Директор Филиала РГГУ в г. Балашихе Т.Н. Миронова Инновационный менеджмент Рабочая программа курса для специальности 080504– Государственное и муниципальное управление Балашиха...»

«1 Министерство сельского хозяйства Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования Кубанский государственный аграрный университет РАБОЧАЯ ПРОГРАММА по дисциплине ГСЭ.Ф.1 Иностранный язык (индекс и наименование дисциплины) Специальность 111201.65 Ветеринария Квалификация (степень) выпускника Ветеринарный врач Факультет Ветеринарной медицины Кафедра-разработчик Кафедра иностранных языков Ведущий Косенко С.П. преподаватель...»

«ПРОГРАММА ПО ТЕОРИИ ГОСУДАРСТВА И ПРАВА Составитель д.ю.н., профессор Ю.С. Решетов РАЗДЕЛ I ОБЩАЯ ХАРАКТЕРИСТИКА ТЕОРИИ ГОСУДАРСТВА И ПРАВА Тема 1. Понятие, предмет и методология теории государства и права Понятие теории государства и права. Предмет теории государства и права. Теория государства и права как единая наука, изучающая государство и право. Онтологическая и гносеологическая составляющие теории государства и права, ее структура. Исходные учения о государстве и праве. Функции теории...»

«ДЕПАРТАМЕНТ ОБРАЗОВАНИЯ ГОРОДА МОСКВЫ Государственное бюджетное образовательное учреждение высшего профессионального образования города Москвы МОСКОВСКИЙ ГОРОДСКОЙ ПСИХОЛОГО-ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ ФАКУЛЬТЕТ ДИСТАНЦИОННОГО ОБУЧЕНИЯ ФЕДЕРАЦИЯ ПСИХОЛОГОВ-КОНСУЛЬТАНТОВ ОНЛАЙН при участии Московской службы психологической помощи населению ПРОГРАММА IV Международной научно-практической конференции ПСИХОЛОГИЧЕСКАЯ ПОМОЩЬ СОЦИАЛЬНО НЕЗАЩИЩЕННЫМ ЛИЦАМ С ИСПОЛЬЗОВАНИЕМ ДИСТАНЦИОННЫХ ТЕХНОЛОГИЙ...»

«УТВЕРЖДАЮ Директор МБОУ ДОД ДШИ Псковского района _ С.В.Рыжиков. Принято решением Педагогического совета школы 29.08.2011г. Протокол №1 Муниципальное бюджетное образовательное учреждение дополнительного образования детей Детская школа искусств Псковского района УЧЕБНЫЕ ПЛАНЫ Пояснительная записка Учебные планы МБОУ ДОД ДШИ Псковского района разработаны на основе типовых экспериментальных, примерных учебных планов детских школ искусств системы Министерства культуры Российской Федерации, приняты...»

«СОВАНО: Подлежит публикации СИВНИИМС в открытой печати В.Н. Яншин '-s о г. 2005 Внесены в Государственный реестр Измерители-регуляторытемпературыи средств измерений влажности МПР51-Щ4 Регистрационный N2 -1\; _ Взамен N Выпускаются по техническим условиям ТУ 3434-001-46526536- НАЗНАЧЕНИЕ И ОБЛАСТЬ ПРИМЕНЕНИЯ Измеритель-регулятор температуры и влажности типа МПР5 1-Щ4 (в дальнейшем по тексту именуемый МПР51, или прибор), предназначен, в комплекте с термопреобразователями сопротивления, для...»

«МИНИСТЕРСТВО ТРАНСПОРТА РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА федеральное государственное бюджетное образовательное учреждение высшего профессионального образования ИРКУТСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ ИрГУПС (ИрИИТ) УТВЕРЖДАЮ Декан ЭМФ Пыхалов А.А. 2011 г. РАБОЧАЯ ПРОГРАММА ПРОИЗВОДСТВЕННОЙ ПРАКТИКИ C5. П Производственная практика, 3 курс. Специальность 190300.65 Подвижной состав железных дорог Специализация ПСЖ.2 Вагоны Квалификация выпускника...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ ФЕДЕРАЛЬНАЯ СЛУЖБА ПО НАДЗОРУ В СФЕРЕ ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКАЯ АКАДЕМИЯ ОБРАЗОВАНИЯ Российская ИНСТИТУТ СОДЕРЖАНИЯ И МЕТОДОВ ОБУЧЕНИЯ академия Отдел оценки качества образования образования Материалы для обсуждения ПЕРВЫЕ РЕЗУЛЬТАТЫ МЕЖДУНАРОДНОЙ ПРОГРАММЫ PISA-2009 Обладают ли учащиеся 15-летнего возраста, получившие обязательное общее образование, знаниями и умениями, необходимыми им для полноценного функционирования в современном обществе? На этот...»

«Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования ОМСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ Утверждаю Проректор по УМР ОмГТУ _ Л.О.Штриплинг _ 201 год РАБОЧАЯ ПРОГРАММА по дисциплине Релейная защита и автоматизация электроэнергетических систем (П.Б.3.01.08) для направления подготовки бакалавров 140400.62 Электроэнергетика и электротехника Разработана в соответствии с ФГОС ВПО, ООП по направлению подготовки бакалавриата 140400....»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Тамбовский государственный университет имени Г.Р. Державина Институт социальных и образовательных технологий Отделение психологии УТВЕРЖДАЮ Директор института социальных и образовательных технологий Т.И. Гущина 16 января 2013 г. ПРОГРАММА ВСТУПИТЕЛЬНЫХ ИСПЫТАНИЙ для лиц, имеющих высшее профессиональное образование, по направлению...»

«РЕЙТИНГ ПРОГРАММ ИННОВАЦИОННОГО РАЗВИТИЯ ГОСКОРПОРАЦИЙ И КОМПАНИЙ С ГОСУДАРСТВЕННЫМ УЧАСТИЕМ Москва 2012 1 СОДЕРЖАНИЕ ПИР ДЛЯ ПУБЛИКИ (РЕЗЮМЕ)................................................ 3 1. ИСХОДНОЕ ПОЛОЖЕНИЕ................................................... 6 class='zagtext'> 2. СТРАТЕГИЧЕСКИЕ ЦЕЛИ РАЗВИТИЯ И ИННОВАЦИОННАЯ ПОЛИТИКА ГОСКОМПАНИЙ..... 9 2.1. Дефицит стратегий.........»






 
2014 www.av.disus.ru - «Бесплатная электронная библиотека - Авторефераты, Диссертации, Монографии, Программы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.