ҚАЗАҚСТАН РЕСПУБЛИКАСЫ БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ Л.Н. ГУМИЛЕВ АТЫНДАҒЫ ЕУРАЗИЯ ҰЛТТЫҚ УНИВЕРСИТЕТІ
Студенттер мен жас ғалымдардың
«Ғылым және білім - 2014»
атты IX Халықаралық ғылыми конференциясының БАЯНДАМАЛАР ЖИНАҒЫ
СБОРНИК МАТЕРИАЛОВ
IX Международной научной конференции студентов и молодых ученых
«Наука и образование - 2014»
PROCEEDINGS
of the IX International Scientific Conference for students and young scholars
«Science and education - 2014»
2014 жыл 11 сәуір
Астана
УДК 001(063) ББК 72
Ғ 96
Ғ 96
«Ғылым және білім – 2014» атты студенттер мен жас ғалымдардың ІХ Халықаралық ғылыми конференциясы = ІХ Международная научная конференция студентов и молодых ученых «Наука и образование - 2014» = The IX International Scientific Conference for students and young scholars «Science and education - 2014».
– Астана: http://www.enu.kz/ru/nauka/nauka-i-obrazovanie/, 2014. – 5830 стр.
(қазақша, орысша, ағылшынша).
ISBN 978-9965-31-610-4
Жинаққа студенттердің, магистранттардың, докторанттардың және жас ғалымдардың жаратылыстану-техникалық және гуманитарлық ғылымдардың өзекті мәселелері бойынша баяндамалары енгізілген.
The proceedings are the papers of students, undergraduates, doctoral students and young researchers on topical issues of natural and technical sciences and humanities.
В сборник вошли доклады студентов, магистрантов, докторантов и молодых ученых по актуальным вопросам естественно-технических и гуманитарных наук.
УДК 001(063) ББК 72
ISBN 978-9965-31-610-4 © Л.Н. Гумилев атындағы Еуразия ұлттық
университеті, 2014
2619
- Жаңа клиенттерді тарту
- Фирманың имиджының кҥшейту
- Дәстҥрлi шығындардың қысқартуы (жарнама, байланыс ) - Маркетинг мәлiметiнiң жинауы (сҧраулар жҥргізу)
Батыста қазір кӛп адамдар ҥйден шықпай интернет арқылы ақша табады. «Олар қалай табады?» - деп ӛзіңізге сҧрақ қойып отырған шығарсыз. Жауабы оларда сайт бар.Сайт арқылы айына 100$ дан кӛп ақша табуға болады.Мысал келтірсек 2005 жылы ашылған youtube.com сайтын 2006 жылы 1.6млд доллорға Google компаниясы сатып алды.
Youtube.com сайтын қҧрған екі студент Чад Херли мен Стивен Чен сайт арқылы миллионер болып кетті.Тағы осындай интернетте жҧмыс істейтін адамдар кӛп.Сіз де ойланыңыз?
Мҥмкін сіз осы адамдар қатарына қосыласыз.
Сайт арқылы ақша табудың жолдары:
- Контекстiк жарнамалар
- Сайттың бастапқы және iшкi беттерiнен сiлтемелердi сату.
- Интернет дҥкен кҧру - Мәлемет сату т.б.
Сайттардың пайдасы туралы айттық,енді оларды қалай жасайды деген сҧрақ тҧрған шығар ойыңызда, сол сҧраққа сіз ҧғатындай тҥрде жауап берейін.Сайт ол программа сиякты белгілі программалық кодтар арқылы жасалады.Сайтты жасағанда қолданылатын программалық тілдер олар: HTML,CSS,PHP,PERL,JAVA т.б. Оларды ҥйрену ҥшін 5-6 кітап оқып,кӛптеген сағаттар компьютердің алдында отыру керек. Қорықпаңыз сізге сайтты жасауға CMS скрипттары кӛмектеседі.CMS арқылы жҧмыс істегенде ешқандай тілді біліп кажеті жок, тек қана сайттын Шаблонын ӛзіңізе ыңғайлы қылып ӛзгертесіз.Болды сайт жасалды, енді ішін мәлеметке толтырып хостингқа қою ғана қалды.Сайтты жасау тәсілі әр CMS – та әртҥрлі болып табылады.
Әдебиеттер тізімі
3. Ажгалиев Ш.У., Темиргалиев Н. Об информативной мощности линейных функционалов // Мат. заметки, Т. 73, №6, 2003, С. 803-812.
4. Советов Б.Я., Яковлев С.А. Моделирование систем. М.ВШ.1998г.
5. Шукаев Д.Н. Моделирование случайных закономерностей на ЭВМ. Китап, 1991г.
УДК 004.032.26
ВОЗМОЖНОСТЬ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБРАБОТКИ РЕЗУЛЬТАТОВ УЛЬТРАЗВУКОВОГО НЕРАЗРУШАЮЩЕГО КОНТРОЛЯ КРУПНОГАБАРИТНЫХ ИЗДЕЛИЙ ИЗ ПОЛИМЕРНЫХ КОМПОЗИЦИОННЫХ
МАТЕРИАЛОВ Товстик Анна Николаевна
Аспирант Днепропетровского национального университета имени Олеся Гончара, Днепропетровск, Украина Научный руководитель – д.т.н., профессор А.Н. Петренко
В настоящее время, все чаще в аэрокосмической отрасли, машиностроении находят применение полимерные композиционные материалы.
При изготовлении и эксплуатации полимерных композиционных материалов необходима оценка их текущего состояния. С применением средств неразрушающего контроля возможно оценивать текущее состояние. Существуют специфические требования к неразрушающему контролю: запрет на применение контактной жидкости, недопустимость больших механических нагрузок.[1]
2620
В основном применяются такие виды контроля: тепловой контроль, голографический контроль, рентгеновский контроль, акустический контроль, ультразвуковой контроль.
Причем, есть несколько видов методов ультразвукового контроля: эхометод, теневой метод, зеркально-теневой метод; акустического контроля: импедансный метод, свободных колебаний, реверберационный метод. Наибольшее распространение получили ультразвуковой и акустический методы неразрушающего контроля.[1,2]
Проанализировав данные методы, становится очевидной необходимость применения теневого ультразвукового контроля.
При теневом ультразвуковом неразрушающем контроле полимерных материалов одно из главных мест занимает задача обработки результатов контроля, в частности, задача классификации объекта контроля. При решении задачи классификации, на основании некоторой информации об объекте контроля, необходимо определить, к какому классу его можно отнести.
Необходимо учитывать, что крупногабаритные изделия из полимерных композиционных материалов это или единичные изделия, или изделия, выпускаемые малыми партиями. Поэтому, объем экспериментальных данных не такой уже и большой, а с другой стороны, свойства объектов контроля могут существенно изменяться от изделия к изделию.
Традиционные статистические методы обработки использовать не рационально, так как они обладают низкой адаптивностью.
Учитывая все эти факторы, для повышения информативности и производительности обработки результатов ультразвукового контроля, предлагается использовать нейронные сети.
Метод обработки экспериментальных данных с применением нейронных сетей позволит в результате адаптации (или самообучения) настраиваться на параметры некоторого изделия.
Нейронные сети – математические модели, состоящие из элементарных частиц обработки информации (нейронов), накапливающих экспериментальные знания и предоставляющих их для последующей обработки. [3]
Нейронные сетипостроены по принципу организации и функционирования биологических нейронных сетей, в которой каждый узел (искусственный нейрон) выполняет специфическую функцию на входных сигналах, наборе параметров, имеющих отношение к этому узлу. Характер функций узла может изменяться от узла к узлу и выбор каждой функции узла зависит от полной функции ввода-вывода, которую сеть должна выполнить.
Нейронные сети дают возможность получить высокую помехоустойчивость;
уменьшают зависимость от влияния внешних факторов; обеспечивают высокую эффективность контроля; позволяют значительно снизить стоимость реализации системы, уменьшить аппаратные и программные затраты, а также повысить ее быстродействие.
Нейрон представляет собой единицу обработки информации в нейронной сети. На рисунке 1 показана модель нейрона, лежащего в основе искусственных нейронных сетей.[4]
2621
Рисунок 1. Пример модели нейрона
На вход нейрона поступают сигналы хi, каждый из которых умножается на вес wkm (для каждого сигнала имеется собственный вес), производится сложение преобразованных сигналов и добавляется порог b(і), результат преобразуется с помощью функции активации и подается на выход нейрона. Объединенные нейроны образуют нейронную сеть. [5]
Существуют такие виды нейронных сетей как многослойные персептроны, сети Кохонена, гибридные нейронные сети, нейронные сети адаптивной резонансной теории и т.д.
Например, многослойный персептрон содержит один или несколько слоев скрытых нейронов, не являющихся частью входа или выхода сети. Эти нейроны позволяют сети обучаться решению сложных задач, последовательно извлекая наиболее важные признаки из сигнала. Сеть обладает высокой степенью связности, реализуемой посредством синаптических соединений. Изменение уровня связности сети требует изменения множества синаптических соединений или их весовых коэффициентов.
Комбинация этих свойств наряду со способностью к обучению на собственном опыте (имеется в виду использование алгоритма обратного распространения ошибки) обеспечивает вычислительную мощность многослойного персептрона. Однако эти же качества являются причиной неполноты современных знаний о поведении такого рода сетей.
Во-первых, распределенная форма нелинейности и высокая связность сети существенно усложняют теоретический анализ многослойного персептрона.
Во-вторых, наличие скрытых нейронов делает процесс обучения более трудным для визуализации (представления).[6]
Сеть Кохонена основана на идее классификации входных сигналов с помощью пространства признаков. Благодаря такому подходу появляется возможность классифицировать по степени принадлежности к разным классам.
Разработка карт самоорганизации в качестве нейронных моделей обусловлена следующим отличительным свойством человеческого мозга: он организован таким образом, что отдельные сенсорные входы представляются топологически упорядоченными вычислительными картами в eгo определенных областях.
В частности, такие сенсорные входы, как нервные окончания тактильной системы, зрения, и слуха, топологически упорядоченно отображаются на различные контуры церебральной коры мозга. Карта вычислений, в свою очередь, образована массивом нейронов, представляющих собой несколько по-разному настроенные процессоры или фильтры, параллельно принимающие информацию от различных сенсоров.
2622
Следовательно, нейроны преобразовывают входные сигналы в пространственно- кодированные распределения вероятности, представляющие вычисленные значения параметров узлами относительных максимумов активности.[6]
По мнению ученых, при решении задачи классификации, наиболее рационально для обработки результатов ультразвукового неразрушающего контроля полимерных композиционных материалов применять нейронные сети адаптивной резонансной теории (АРТ).
Сети APT представляют собой векторные классификаторы и содержат два слоя нейронов (слой сравнения и слой распознавания). В процессе работы входной сигнал поступает на слой сравнения АРТ-сети. В слое сравнения происходит обработка входного сигнала в соответствии с весовыми коэффициентами нейронов данного слоя.
Далее сигнал поступает на слой распознавания, где происходит конкурирующий поиск нейрона-победителя (нейрона с активным выходным сигналом). Нейрон-победитель, который становится активным под воздействием входного сигнала, соответствует определенному классу (эталону), сформированному в памяти сети, к которому может относиться входной сигнал. На следующем этапе через обратные связи нейронов сети сигнал от нейрона-победителя из слоя распознавания вместе с соответствующими весовыми коэффициентами поступают обратно в слой сравнения. В слое сравнения происходит проверка, найден ли в памяти сети соответствующий входному сигналу эталонный образ. Если найденный эталон не соответствует входному сигналу, то активность нейрона-победителя в слое распознавания необходимо заглушить и повторить этап поиска эталона в памяти сети, но уже без погашенного на данном этапе нейрона.
Алгоритм повторяется до тех пор, пока не будет найден эталон, соответствующий входному сигналу, или не будут заглушены все нейроны в слое распознавания. Если все нейроны в слое распознавания были погашены, то это означает, что входной сигнал впервые встречается нейронной сетью и не похож по своим параметрам ни на один из зафиксированных ранее эталонов, запомненных сетью. В таком случае нейронная сеть сформирует новый класс и выделит новый нейрон в слое распознавания. Если в процессе поиска эталонного образа в слое распознавания находится необходимый нейрон с соответствующими весовыми коэффициентами, то поиск останавливается и сеть формирует на своем выходе сигнал, соответствующий одному из сложившихся классов. Весовые коэффициенты найденного нейрона-победителя будут адаптированы по определенным правилам так, чтобы эталонный образ больше обобщал группу сигналов, относящихся к соответствующему классу. [7]
Список использованных источников
1. Неразрушающий контроль: Справочник: В 8 т. Под общ. Ред. В.В. Клюева. Т.3:
Ультразвуковой контроль/ И.Н. Ермолов, Ю.В. Ланге.–2-ое издание испр.–М.:
Машиностроение, 2006, 864 с.
2. Ю.В. Ланге, Низкочастотные методы и средства неразрушающего контроля многослойных конструкций- М.: Машиностроение, 1991.-272 с.
3. Н.А. Матвеева Моделирование нейросети для решения задач классификации//
Системные технологии, Т.2, №1(72), 2011, С. 37-44.
4. С. Хайкин Нейронные сети: полный курс, 2-е издание.– М.: Вильямс, 2006, 1104 с.
5. Нейронные сети. STATISTICANeuralNetworks: Методология и технологии совершенного анализа данных/ Под ред. В.П. Боровикова.– М.: Горячая линия-Телеком, 2008, 392 с.
6. Д.В. Пастарнак Критический анализ моделей нейронных сетей// Вестник Тюменского государственного университета, №4, 2012, С. 162-167.
7. А.В. Переїденко, В.С. Єременко, Ж.О. Павленко Система класифікації дефектів на основі штучних мереж // Контроль і діагностика процесів і систем в приладобудуванні, №40, 2010, С. 72-80.
