Компьютеры, программирование

4381. Нейрокомпьютерные системы
Информация пополнение в коллекции 12.01.2009

Людей всегда интересовало их собственное мышление. Это самовопрошение, думание мозга о себе самом является, возможно, отличительной чертой человека. Имеется множество размышлений о природе мышления, простирающихся от духовных до анатомических. Обсуждение этого вопроса, протекавшее в горячих спорах философов и теологов с физиологами и анатомами, принесло мало пользы, так как сам предмет весьма труден для изучения. Те, кто опирался на самоанализ и размышление, пришли к выводам, не отвечающим уровню строгости физических наук. Экспериментаторы же нашли, что мозг труден для наблюдения и ставит в тупик своей организацией. Короче говоря, мощные методы научного исследования, изменившие наш взгляд на физическую реальность, оказались бессильными в понимании самого человека. Нейробиологи и нейроанатомы достигли значительного прогресса. Усердно изучая структуру и функции нервной системы человека, они многое поняли в «электропроводке» мозга , но мало узнали о его функционировании. В процессе накопления ими знаний выяснилось, что мозг имеет ошеломляющую сложность. Сотни миллиардов нейронов, каждый из которых соединен с сотнями или тысячами Других, образуют систему, далеко превосходящую наши самые смелые мечты о суперкомпьютерах. Тем не менее, мозг постепенно выдает свои секреты в процессе одного из самых напряженных и честолюбивых исследований в истории человечества. Лучшее понимание функционирования нейрона и картины его связей позволило исследователям создать математические модели для проверки своих теорий. Эксперименты теперь могут проводиться на цифровых компьютерах без привлечения человека или животных, что решает многие практические и морально-этические проблемы. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования: первая - понять функционирование нервной системы человека на уровне физиологии и психологии и вторая - создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга. Именно эта последняя цель и находится в центре внимания этой книги. Параллельно с прогрессом в нейроанатомии и нейрофизиологии психологами были созданы модели человеческого обучения. Одной из таких моделей, оказавшейся наиболее плодотворной, была модель Д.Хэбба, который в 1949г. предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. Дополненный сегодня множеством других методов он продемонстрировал ученым того времени, как сеть нейронов может обучаться. В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время. Первые успехи вызвали взрыв активности и оптимизма. Минский, Розенблатт, Уидроу и другие разработали сети, состоящие из одного слоя искусственных нейронов. Часто называемые персептронами, они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. В течение некоторого времени казалось, что ключ к интеллекту найден, и воспроизведение человеческого мозга является лишь вопросом конструирования достаточно большой сети. Но эта иллюзия скоро рассеялась. Сети не могли решать задачи, внешне весьма сходные с теми, которые они успешно решали. С этих необъяснимых неудач начался период интенсивного анализа. Минский, используя точные математические методы, строго доказал ряд теорем, относящихся к функционированию сетей. Его исследования привели к написанию книги [4], в которой он вместе с Пайпертом доказал, что используемые в то время однослойные сети теоретически неспособны решить многие простые задачи, в том числе реализовать функцию «Исключающее ИЛИ». Минский также не был оптимистичен относительно потенциально возможного здесь прогресса: Персептрон показал себя заслуживающим изучения, несмотря на жесткие ограничения (и даже благодаря им). У него много привлекательных свойств: линейность, занимательная теорема об обучении, простота модели параллельных вычислений. Нет оснований полагать, что эти достоинства сохраняться при переходе к многослойным системам. Тем не менее мы считаем важной задачей для исследования подкрепление (или опровержение) нашего интуитивного убеждения, что такой переход бесплоден. Возможно, будет открыта какая-то мощная теорема о сходимости или найдена глубокая причина неудач дать интересную «теорему обучения» для многослойных машин ([4], С.231-232). Блеск и строгость аргументации Минского, а также его престиж породили огромное доверие к книге - ее выводы были неуязвимы. Разочарованные исследователи оставили поле исследований ради более обещающих областей, а правительства перераспределили свои субсидии, и искусственные нейронные сети были забыты почти на два десятилетия. Тем не менее, несколько наиболее настойчивых ученых, таких как Кохонен, Гроссберг, Андерсон продолжили исследования. Наряду с плохим финансированием и недостаточной оценкой ряд исследователей испытывал затруднения с публикациями. Поэтому исследования, опубликованные в семидесятые и в начале восьмидесятых годов, разбросаны в массе различных журналов, некоторые из которых малоизвестны. Постепенно появился теоретический фундамент, на основе которого сегодня конструируются наиболее мощные многослойные сети. Оценка Минского оказалась излишне пессимистичной, многие из поставленных в его книге задач решаются сейчас сетями с помощью стандартных процедур. За последние несколько лет теория стала применяться в прикладных областях, и появились новые корпорации, занимающиеся коммерческим использованием этой технологии. Нарастание научной активности носило взрывной характер. В 1987 г. было проведено четыре крупных совещания по искусственным нейронным сетям и опубликовано свыше 500 научных сообщений - феноменальная скорость роста. Урок, который можно извлечь из этой истории, выражается законом Кларка, выдвинутым писателем и ученым Артуром Кларком. В нем утверждается, что, если крупный уважаемый ученый говорит, что нечто может быть выполнено, то он (или она) почти всегда прав. Если же ученый говорит, что это не может быть выполнено, то он (или она) почти всегда не прав. История науки является летописью ошибок и частичных истин. То, что сегодня не подвергается сомнениям, завтра отвергается. Некритическое восприятие «фактов» независимо от их источника может парализовать научный поиск. С одной стороны, блестящая научная работа Минского задержала развитие искусственных нейронных сетей. Нет сомнений, однако, в том, что область пострадала вследствие необоснованного оптимизма и отсутствия достаточной теоретической базы. И возможно, что шок, вызванный книгой «Персептроны», обеспечил необходимый для созревания этой научной области период.
4382. Нейро-компьютерный интерфейс
Контрольная работа пополнение в коллекции 27.11.2010
В состав НКИ системы на основе ЭЭГ входят:
- Электроды для отведения биопотенциалов. Минимальное количество - 2, чаще записи производят с помощью 21, 64 и даже 128 каналов. При большом количестве электродов используют электродные шлемы для быстроты установки и увеличения точности позиционирования электродов над определенными полями мозга, а также воспроизводимости их расположения от эксперимента к эксперименту.
- Усилитель биопотенциалов, подключаемый к компьютеру либо напрямую (например, через USB порт), либо через интерфейсную A/D карту.
- Персональный компьютер для регистрации сигналов и их обработки. Так как во многих системах используется элементы biofeedback, то либо этот же компьютер, либо дополнительный ПК показывает испытуемому стимулы и результаты распознавания, например, вводимый текст.
- Программное обеспечение для регистрации и обработки ЭЭГ, распознавания паттернов и предъявления стимулов и результатов распознавания.
4383. Нейрокомпьютеры
Информация пополнение в коллекции 09.12.2008

По аналогии с электронными системами активационную функцию можно считать нелинейной усилительной характеристикой искусственного нейрона. Коэффициент усиления вычисляется как отношение приращения величины OUT к вызвавшему его небольшому приращению величины NET. Он выражается наклоном кривой при определенном уровне возбуждения и изменяется от малых значений при больших отрицательных возбуждениях (кривая почти горизонтальна) до максимального значения при нулевом возбуждении и снова уменьшается, когда возбуждение становится большим положительным. Гроссберг (1973) обнаружил, что подобная нелинейная характеристика решает поставленную им дилемму шумового насыщения. Каким образом одна и та же сеть может обрабатывать как слабые, так и сильные сигналы? Слабые сигналы нуждаются в большом сетевом усилении, чтобы дать пригодный к использованию выходной сигнал. Однако усилительные каскады с большими коэффициентами усиления могут привести к насыщению выхода шумами усилителей (случайными флуктуациями), которые присутствуют в любой физически реализованной сети. Сильные входные сигналы в свою очередь также будут приводить к насыщению усилительных каскадов, исключая возможность полезного использования выхода. Центральная область логистической функции, имеющая большой коэффициент усиления, решает проблему обработки слабых сигналов, в то время как в области с падающим усилением на положительном и отрицательном концах подходят для больших возбуждений. Таким образом, нейрон функционирует с большим усилением в широком диапазоне уровня входного сигнала.
4384. Нейролингвистическое депрограммирование (NLDP). Ноовирусы – новая угроза человечеству
Информация пополнение в коллекции 12.01.2009

Люди легко соглашаются с простыми утверждениями. И я утверждаю: излагаемая здесь концепция - простейшее отражение реальной ситуации. Чем дольше думаешь об этом, тем больше убеждаешься: ноопрограммы существуют и функционируют, а ноовирусы возникают как побочный продукт их функционирования. Так было всегда, но современное развитие информационных технологий и телекоммуникаций сделало ситуацию чрезвычайно опасной. Раньше ноовирусы "просеивались" через множество работающих нейрокомпьютеров в умах людей, уничтожались там с помощью антивирусных ноопрограмм. Сейчас размножению ноовирусов, их распространению инвекции способствуют достижения технической цивилизации и средства массовой информации. А наиболее уязвимыми для этой напасти оказываются страны, где телекоммуникациями охвачено большинство населения. Ситуация может выйти из под контроля общества, может привести (и уже приводит) к страшным последствиям.
4385. Нейролингвистическое программирование
Информация пополнение в коллекции 12.01.2009

Начальный этап развития НЛП зиждился на исследованиях в области лингвистики, системного подхода к человеку, моделирования гештальт-терапии, гипнотерапии и семейной терапии. Человек и его языковые (лингвистические) проявления были описаны в кодах репрезентативных систем, стратегий, субмодальностей, отделения намерения от поведения. Далее так закодированный (то есть описанный в этих терминах) человек становился объектом для применения техник шестишагового рефрейминга, изменения персональной истории, якорения, визуально-кинестетической диссоциации и т. д., применяемых психотерапевтами. К чести основателей НЛП, они быстро сообразили, что никакого отношения такой подход не имеет к тому, чтобы делать человека методами НЛП мудрым: он только помогает человеку избавиться от негативных эмоций и переживаний, лишь блокируя их, а о том, как избежать их впоследствии, ничего не говорится.
4386. Нейро-нечёткие сети
Контрольная работа пополнение в коллекции 20.06.2012

Метод обратного распространения ошибки. Он является обобщением процедуры обучения простого перцептрона с использованием дельта-правила на многослойные сети. В данном методе необходимо располагать обучающей выборкой, содержащей «правильные ответы», т.е. выборка должна включать множество пар образцов входных и выходных даны, между которыми нужно установить соответствие. Перед началом обучения межнейронным связям присваиваются небольшие случайные значения. Каждый шаг обучающей процедуры состоит из двух фаз. Во время первой фазы входные элементы сети устанавливаются в заданное состояние. Входные сигналы распространяются по сети, порождая некоторый выходной вектор. Для работы алгоритма требуется, чтобы характеристика вход-выход нейроподобных элементов была неубывающей и имела ограниченную производную. Обычно для этого используют сигмоидальные функции. Полученный выходной вектор сравнивается с требуемым (правильным). Если они совпадают, то весовые коэффициенты связей не изменяются. В противном случае вычисляется разница между фактическими и требуемыми выходными значениями, которая передается последовательно от выходного слоя к входному. На основе этой информации проводится модификация связей в соответствии с обобщенным дельта-правилом, которое имеет вид: , где изменение в силе связи для p - й обучающей пары пропорционально произведению сигнала ошибки j - го нейрона получающего входной сигнал по этой связи, и выходного сигнала i - го нейрона посылающего сигнал по этой связи. Определение сигнала ошибки является рекурсивным процессом, который начинается с выходных блоков. Для выходного блока сигнал ошибки
4387. Нейронная сеть Хемминга
Контрольная работа пополнение в коллекции 07.07.2010

После этого становиться доступной кнопка "Исказить". Прежде, чем ее нажать, пользователь может изменить значение в поле процент зашумления (0-100%). Кнопка запускает процедуру искажения изображения, в результате которой формируется два искаженных изображения. Первый методом анизотропной апертурной фильтрации (искажаются границы символа, как это бывает при искажениях печати символа на бумаге). Второй способ искажает изображение добавлением N-процентного белого шума, т.е. случайно инвертирует N-процентов общего кол-ва точек, составляющих вектор изображения. При 100% происходит полная инверсия символа. И хотя пользователь в таком случае может различить символ - данная реализация программы не умеет этого делать, т.к считает, что символ изображается черными точками. В форме отображаются оба результата.
4388. Нейронні мережі нового покоління
Курсовой проект пополнение в коллекции 16.04.2010

За допомогою ГА задача вирішується наступним чином. Спочатку створюється математична модель штучного світу, який населений N істотами (особинами), причому генетичний код кожної особини - це деякий розвязок задачі (допустимий варіант розкладу). Генетичний код кожної особини (генотип) записується у вигляді однієї хромосоми Х. Разом всі особини утворюють популяцію Р={X1, Xn,. ., XN}. У свою чергу кожна хромосома є набором з М генів Ge (кожен ген описує одне заняття), тобто X={Ge1, Gem, GeM}. Відповідно до видів занять існує три типи генів: потоки, заняття групи та підгруп. Кожний ген Ge={AL1,..., ALl,..., ALL} є послідовністю з L аллелів AL (цілих чисел), які описують одне заняття: номер групи, пари, дня, тижня, кількість підгруп і номер підгрупи, номери дисципліни, викладача, виду заняття, приміщення. Особина вважається тим більш пристосованою, чим краще рішення задачі вона забезпечує (мінімальне значення цільової функції F).
4389. Нейронные сети с радиальными базисными функциями
Контрольная работа пополнение в коллекции 07.10.2010

Сети РБФ имеют ряд преимуществ перед рассмотренными многослойными сетями прямого распространения. Во-первых, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, тем самым, избавляя разработчика от необходимости решать вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейной оптимизации, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при обучении с использованием алгоритма обратного распространения ошибки. Поэтому сеть РБФ обучается очень быстро - на порядок быстрее, чем с использованием алгоритма ОР (обратного распространения).
4390. Нейросеревые модели
Курсовой проект пополнение в коллекции 05.06.2012

Элементом клеточной структуры мозга является нервная клетка - нейрон. Нейрон в своем строении имеет много общих черт с другими клетками биоткани: тело нейрона окружено плазматической мембраной, внутри которой находится цитоплазма, ядро и другие составляющие клетки. Однако нервная клетка существенно отличается от иных по своему функциональному назначению. Нейрон выполняет прием, элементарное преобразование и дальнейшую передачу информации другим нейронам. Информация переносится в виде импульсов нервной активности, имеющих электрохимическую природу. Нейроны крайне разнообразны по форме, которая зависит от их местонахождения в нервной системе и особенностей функционирования. Тело клетки содержит множество ветвящихся отростков двух типов. Отростки первого типа, называемые дендритами за их сходство с кроной раскидистого дерева, служат в качестве входных каналов для нервных импульсов от других нейронов. Эти импульсы поступают в сому или тело клетки размером от 3 до 100 микрон, вызывая ее специфическое возбуждение, которое затем распространяется по выводному отростку второго типа - аксону. Длина аксонов обычно заметно превосходит размеры дендритов, в отдельных случаях достигая десятков сантиметров и даже метров. Тело нейрона, заполненное проводящим ионным раствором, окружено мембраной толщиной около 75 ангстрем, обладающей низкой проводимостью. Между внутренней поверхностью мембраны аксона и внешней средой поддерживается разность электрических потенциалов. Это осуществляется при помощи молекулярного механизма ионных насосов, создающих различную концентрацию положительных ионов K+ и Na+ внутри и вне клетки. Проницаемость мембраны нейрона селективна для этих ионов. Внутри аксона клетки, находящейся в состоянии покоя, активный транспорт ионов стремится поддерживать концентрацию ионов калия более высокой, чем ионов натрия, тогда как в жидкости, окружающей аксон, выше оказывается концентрация ионов Na+. Пассивная диффузия более подвижных ионов калия приводит к их интенсивному выходу из клетки, что обуславливает ее общий отрицательный относительно внешней среды потенциал покоя, составляющий около -65 милливольт.
4391. Нейросетевая реализация системы
Информация пополнение в коллекции 12.01.2009

Можно иначе сформулировать задачу построения ФРО. Приведем пример с системой Пилот [Диссер, Жданов9]. В математической модели спутника используются величины углового положения спутника и его производной , следовательно, очевидно, что всевозможные сочетания возможных значений этих величин (т.е. некоторая область на фазовой плоскости) необходимы для нахождения законов управления системой. Действительно, допустим система в момент времени t находится в состоянии и УС выбирает некоторое управляющее воздействие (включение одного из двигателей, например). Мы знаем, что в момент времени система окажется в некотором состоянии, соответствующем точке на фазовой плоскости с некоторой вероятностью , где - точка на фазовой плоскости, таким образом, можно говорить о некотором вероятностном распределении , заданном в фазовом пространстве и характеризующем предсказание поведения системы через интервал при выборе воздействия в момент времени t. Если бы параметров было недостаточно для описания законов управления, то функция распределения зависела бы еще и от других параметров, и при одних и тех же величинах принимала бы другие значения в зависимости от значений неучтенных параметров. Следовательно, УС не смогла бы найти никакого закона управления, поскольку система ищет статистически достоверную корелляцию между наблюдаемым состоянием ОУ, выбранным действием и состоянием ОУ через некоторый интервал времени. Законом управления здесь мы назовем совокупность функций распределения для каждого управляющего воздействия , где находится в некотором диапазоне. Найденный УС закон управления отобразится в некотором внутреннем формате в БЗ, причем он может быть получен в процессе обучения системы в реальных условиях прямо во время работы, либо на тестовом стенде, на земле. Следовательно, можно сказать, что задача построения ФРО состоит в конструировании образов, соответствующих необходимому набору параметров, описывающих состояние системы, и их комбинациям, необходимым для нахождения закона управления. Нахождению таких образов может помочь математическая модель объекта управления, если таковая имеется.
4392. Нейросетевая экспертная система медицинской диагностики
Дипломная работа пополнение в коллекции 13.06.2012

__published:// IDE-managed Components*DataSource1;*DBGrid1;*Table1;*DBNavigator1;*Table1FIO;*Table1Sex0f1m;*Table1Age;*Table1IMT;*Table1Ogirenie;*Table1ADdegree;*Table1MaxSad;*Table1MaxDad;*Table1AGDuration;*Table1Hypertensiccrisisfreq;*Table1PresenceQnotQinfmiok;*Table1Stenokardianapryageniya;*Table1Kardnafonehyrp;*Table1Zastoynyeyavlenya;*Table1FKHSN;*Table1Mertcarpresandtype;*Table1ONMKinanamn;*Table1CHMTpresence;*Table1Allergicreactions;*Table1Sahdiab;*Table1Oslognsahdiab;*Table1Operationswithobnarkoz;*Table1NaslotpoAG;*Table1Menopausa;*Table1Body;*Table1CHSS;*Table1EOS;*Table1PQ;*Table1QRS;*Table1QT;*Table1NGESinEKG;*Table1GESinEKG;*Table1NGT;*Table1ABblock;*Table1SAblock;*Table1PBPNPG;*Table1PBLNPG;*Table1NBPNPG;*Table1NBLNPG;*Table1Anemia;*Table1Leycotcitipeniya;*Table1Trombotcitopeniya;*Table1SOE;*Table1Udvesmochi;*Table1Glucoza;*Table1Kholesterin;*Table1Kreatinin;*Table1KDR;*Table1FV;*Table1LP;*Table1PP;*Table1PG;*Table1Aorta;*Table1DLA;*Table1TMGP;*Table1TMGPTZSLG;*Table1IAPFARAdo;*Table1BKKdo;*Table1Diureticdo;*Table1Preptcentrdeystvdo;*Table1BABdo;*Table1SADpripostupl;*Table1DADpripostupl;*Table1PriyomIAPFARA;*Table1PriyomBAB;*Table1PriyomBKK;*Table1PriyomDiuret;*Table1Priyompreperattcentrde;*Button1;*Button2;*Memo1;*Memo2;*Memo3;__fastcall FormCreate(TObject *Sender);__fastcall FormDestroy(TObject *Sender);__fastcall Button1Click(TObject *Sender);__fastcall Button2Click(TObject *Sender);__fastcall DBNavigator1Click(TObject *Sender, TNavigateBtn Button);:// User declarations:// User declarations
4393. Некоммерческие организации
Информация пополнение в коллекции 30.11.2006
Под общественным объединением понимается добровольное, самоуправляемое, некоммерческое формирование, созданное по инициативе граждан, объединившихся на основе общности интересов для реализации общих целей, указанных в уставе общественного объединения. Общественные объединения могут создаваться в одной из следующих организационно-правовых форм:
1. общественная организация основанное на членстве общественное объединение, созданное на основе совместной деятельности для защиты общих интересов и достижения уставных целей объединившихся граждан;
2. - общественное движение состоящее из участников и не имеющее членства массовое общественное объединение, преследующее социальные политические и иные общественно-полезные цели, поддерживаемые участниками общественного движения;
3. общественный фонд не имеющее членства общественное объединение, цель которого заключается в формировании имущества на основе добровольных взносов, иных, не запрещенных законом поступлений, и использовании данного имущества на общественно-полезные цели;
4. общественное учреждение не имеющее членства общественное объединение, ставящее своей целью оказание конкретного вида услуг, отвечающих интересам участников и соответствующих уставным целям указанного объединения;
5. орган общественной самодеятельности не имеющее членства общественное объединение, целью которого является совместное решение различных социальных проблем, возникающих у граждан по месту жительства, работы или учебы, направленное на удовлетворение потребностей неограниченного круга лиц, чьи интересы связаны с достижением уставных целей и реализации программ органа общественной самодеятельности по месту его создания;
6. политические общественные объединения общественное объединение, в уставе которого в числе основных целей закреплены: участие в выборах в органы государственной власти и органы местного самоуправления посредством выдвижения кандидатов и организации их предвыборной агитации, участие в организации и деятельности указанных органов;
7. союзы (ассоциации) общественных объединений.
4394. Некоторые проблемы подготовки специалистов на основе перспективных инфор-мационных технологий
Информация пополнение в коллекции 12.01.2009

Виртуальная реальность (ВР) - это совокупность средств, позволяющих создать у человека иллюзию того, что он находится в искусственно созданном мире, путем подмены обычного восприятия окружающей действительности (с помощью органов чувств) информацией, генерируемой компьютером. ВР достигается использованием средств ММ, трехмерной графики и специальных устройств ввода-вывода информации, имитирующих привычную связь человека с окружающим миром. ВР - это то, что позволяет перемещаться в трехмерном мире с 6 степенями свободы и обозревать его в реальном времени [11]. Среда ВР позволяет поддерживать процессы “глубинного” обучения, поскольку выяснено, что процесс обучения затрагивает практически все центры и системы человека. Исследователи отмечают, что в более насыщенной среде ВР аудиовизуальные и другие комплексные воздействия способствуют активному и более быстрому смысловому закреплению материала в памяти обучаемого. В процессе такого обучения продолжает активно работать ассоциативное мышление человека. Следовательно, получаемые “яркие”, комплексные знания моментально увязываются с ранее накопленными знаниями и опытом обучаемого, упрощая процесс систематизации знаний.
4395. Некоторые аспекты безопасности Веб-серверов на Unix платформах
Статья пополнение в коллекции 12.01.2009

Очень важным моментом в настройке Веб-сервера является настройка файла прав доступа (access.conf). Необходимо начать с корня дерева документов сервера и при необходимости конкретизировать установки ниже по дереву для отдельных подкаталогов. На мой взгляд более надежно использовать директиву , а не , т.к. она защищает конкретные наборы файлов, независимо от того, как вы к ним попали (ведь в серверах под Unix можно очень эффективно пользоваться линками к файлам и директориям, делая логическую структуру дерева документов более удобной). Если вы используете Alias, очень внимательно проанализируйте все возможные варианты построения логического дерева (пути к файлу).
4396. Некоторые аспекты обеспечения эффективности работы системы управления базами данных
Статья пополнение в коллекции 12.01.2009

Производительность всей системы в целом зависит от функционирования кэш-буфера БД, он состоит из блоков памяти того же размера, что и блоки Oracle. Все данные загружаются в кэш-буфер. В них же выполняется и любое обновление данных, поэтому очень важно правильно устанавливать размер буфера. Oracle переносит данные на диск (используется подкачку swap-данных) в соответствии с порядком их размещения в списке LRU (least recently used - наиболее давно использовавшиеся). Этот список отслеживает обращение к блокам данных и учитывает частоту обращения к ним. Когда выполняется обращение к блоку данных, хранящемуся в кэш-буфере, он помещается в тот конец списка - MRU (most recently used - недавно использованные). При этом, если серверу требуется место в кэш-буфере для загрузки нового блока с диска он обращается к списку LRU и решает какой из блоков перенести на диск, для того чтобы освободить место для нового блока. У блоков наиболее удаленных в списке от MRU самая большая вероятность удаления из кэш-буфера. Дольше всего остаются в кэш-буфере те блоки, обращение к которым производится наиболее часто. Анализ функционирования кэш-буфера выявил следующую блок-схему его работы.
4397. Некоторые аспекты применения УМК “Моделирование цифровых систем на языке VHDL”
Доклад пополнение в коллекции 12.01.2009

Основной целью курса является изучение общих сведений об объектах, моделях и задачах автоматизированного проектирования; основных понятий САПР; назначения, состава, принципов и особенностей функционирования различных систем автоматизированного проектирования. Т. о., в этом курсе предпринята попытка дать цельную картину процесса автоматизированного проектирования РЭА и ЭВА, основных проблем и подходов к их решению. Отдельные этапы и задачи проектирования, методы их решения более подробно изучаются студентами специальности 2203 “Системы автоматизированного проектирования” в других учебных курсах, таких как “Автоматизация конструирования ЭВА”, “Оптимизация в САПР” и т.д.
4398. Некоторые вопросы для проверки знаний по информатике
Контрольная работа пополнение в коллекции 30.12.2010

-: отрасль народного хозяйства, которая объединяет совокупность предприятий разных форм собственности, где занимаются производством компьютерной техники, программных продуктов, разработкой современных технологий преобразования информации
4399. Некоторые принципы функционирования сетевого телевидения
Доклад пополнение в коллекции 12.01.2009

Вот как представил себе телепередачу начала XXI века фантаст Карел Майлс. С утра он решил посмотреть, какие новости сегодня подготовило для него телевидение. Он включил компьютер и, пока новости загружались, стал регулировать звук. Из колонок донеслось: «Информация, которую вы у нас запросили, передана на ваш компьютер, телевизор, телефон и на установленный в машине радиоприемник. Сегодня 23 градуса тепла, солнечно, во второй половине дня возможен дождь. Не забудьте зайти в ресторан “Протей” там сегодня подают улиток под вашим любимым соусом. Чтобы заказать столик, нажмите на клавиши “Alt-t”. Ваш компаньон будет в этом ресторане через полчаса. Ваш начальник только что отправил вам письмо с просьбой уделить сегодня особое внимание акциям фирм “Акме” и “Мегаакме”. Самая интересная из сегодняшних передач шоу “Споемте вместе” начнется через три часа по третьему каналу. Виртуальный ведущий был одобрен членами фокусной группы неделю назад. Эта передача и пять отобранных в соответствии с вашими настройками новостей дня доступны вам прямо сейчас”. Это фрагмент из романа “Болеро-5 ждать не будет”, написанного в 1995 году». Пять лет спустя некоторые из предсказанных К. Майлсом услуг уже появились на рынке.
4400. Некоторые проблемы формализации гуманитарных знаний (на примере археологии)
Информация пополнение в коллекции 12.01.2009

Классификация позволяет в самом упрощенном, конечном виде отобразить бесконечное разнообразие реального мира, в котором нет тождественных явлений, объектов, а тем более - субъектов. Достигается это путем введения понятий "сильных" и "слабых" отличий, объединения "слабо" отличающихся объектов в одну группу, и отказа вообще различать "слабые" отличия внутри этой группы, называемой классом. Понятно, что число классов и границы между ними субъективны, т.е. определяются нашим пониманием оценочных слов "сильная" и "слабая" для разницы между рассматриваемыми объектами. Классификация может быть субъективной ("произвольная" классификация, основанная на целях субъекта, строящего ее) и менее субъективной ("естественная" классификация, учитывающая природную кластеризацию в рассматриваемом множестве). Но в любом случае классификация - лишь модель, приблизительно описывающая реальность. Более сложные модели появляются за счет учета все более мелких различий (например, иерархическая классификация типа предложенной авторами схемы), либо за счет рассмотрения новых, дополнительных отношений между классами (например, порядковая шкала, где учитываются не просто отличия между классами, как в номинальной шкале, но и отношения предпочтения между ними; другой пример этого - таблица Менделеева), либо за счет введения "перекрывающихся" классов (например, статистические и расплывчатые классификации).

Blog

Компьютеры, программирование