Academic literature on the topic 'Мережеві машини'

Побудова регульованого електропривода на базі асинхронної машини подвійного живлення є досить актуальною задачею, оскільки дозволяє управляти великими потоками електроенергії при високих енергетичних показниках. У таких відомих системах електропривода є досить складна система управління ними, оскільки передбачає використовування перетворювачів координат (прямі-зворотні) та наявність нелінійних зв’язків між каналами управління, це погіршує надійність таких систем. У роботі пропонується«пряме» векторне керування асинхронною машиною подвійного живлення без використання перетворювачів координат. Струми ротора запропоновано примусово формувати повністю керованим перетворювачем частоти, щоб зробити його активним та синфазним фазній е.р.с ротора. Перетворювач включається у роторне коло. Для схемної реалізації у якості перетворювачаобраний перетворювач частоти з ланкою постійної напруги з релейним керуванням. Вхідний випрямляч якого є активний випрямляч. Крім того перетворювач забезпечує електромагнітну сумісність з мережею живлення, та задовольняє вимогам, які зазначені в стандартах, на якість струму мережі. Представлена модель асинхронної машини подвійного живлення з традиційною системою керуванням з використанням перетворювачів координат «прямі-зворотні».Проведено порівняння математичної моделі при традиційному векторному керуванні та моделі з «прямим» векторним керуванням за допомогою Matlab. Отримані осцилограми роботи з запропонованим керуванням, вони демонструють наростання швидкості в машині подвійного живлення, при цьому струми з мережі синусоїдальні та співпадають за фазою зі своїми напругами, а пуск електропривода супроводжується віддачою енергії ротора через перетворювач до мережі.Результати показують, що електропривод формує раціональну динаміку без перерегулювання координат.

На кластері віртуальних машин для високопродуктивної обробки даних, який є бінарно сумісним для додатків зі стандартним сокетним інтерфейсом, виявлено покращення внутрішніх та зовнішніх параметрів мережевої швидкодії за допомогою введеного в систему механізму спрощеної комунікації, реалізованого на базі Xen 3.2 та ядра Linux, який демонструє взаємодію віртуальних машин, подібно до організації зв’язку на основі UNIX DOMAIN сокетів. Встановлено, що пропускна здатність між комунікуючими машинами з використанням спрощеного зв’язку зростає приблизно на 2,11 %, ніж для традиційного TCP/IP протоколу, а швидкодія передачі повідомлень – на 7,8–7,9 %.

Виконання лабораторних робіт в рамках курсу «Системне адміністрування ОС Linux» вимагає наявності більше ніж одного комп’ютера на одного студента. Наприклад, проведення лабораторних робіт із встановлення та налагодження маршрутизатора передбачає, як мінімум, наявності двох комп’ютерів: маршрутизатора і робочої станції.Одним з варіантів є використання у якості маршрутизаторів старих комп’ютерів, звісно, за їх наявності. Але такі комп’ютери мають вже відпрацьований ресурс і, як наслідок, невелику надійність. Тому в ході виконання лабораторної роботи важко визначити причину, через яку виникла помилка – внаслідок неправильного конфігурування програмного забезпечення чи через апаратну несправність. До того ж апаратне забезпечення застарілої ПЕОМ може не відповідати вимогам сучасного програмного забезпечення.Також можливий варіант, коли студенти об’єднуються у групи для вивільнення необхідної кількості комп’ютерів. Лабораторні роботи з встановлення маршрутизатора передбачають наявність в ПЕОМ двох мережевих контролерів, для чого потрібно встановити в системному блоці ще один мережевий контролер, а також замінити жорсткий диск з робочою операційною системою на інший. На жаль, така можливість є не завжди через відсутність додаткових жорстких дисків та мережевих контролерів або через умови гарантійного обслуговування комп’ютерної техніки, які не дозволяють відкривати опломбовані системні блоки.Оптимальним варіантом, на думку автора, є використання технологій віртуалізації [1; 2]. В якості системи віртуалізації було використано дистрибутив з вільним вихідним кодом Proxmox Virtual Environment (Proxmox VE), який дозволяє використовувати у якості гіпервізорів KVM (Kernel-based Virtual Machine) та OpenVZ [3].Для виконання лабораторних робіт був створений полігон, схема якого зображена на рис. 1.Для кожної групи студентів були створені користувачі в системі Proxmox VE (grp00..grp5). Кожному з користувачів було надано доступ до двох віртуальних машин і до сховища, де зберігаються ISO-образи з операційними системами. Причому, з міркувань безпеки, доступ до параметрів конфігурації віртуальних машин був примусово обмежений. Користувач мав право змінювати тільки один параметр – назву файла з образом операційної системи. На рис. 2 зображено інтерфейс керування віртуальними машинами, які доступні користувачу grp00. Комп’ютерна лабораторія під’єднана до загальноуніверситетської мережі через маршрутизатор комп’ютерної лабораторії. Це дає змогу уникнути небажаних наслідків у разі неправильного конфігурування ПЕОМ в лабораторії. Мережа лабораторії розділена на підмережі (рис. 1). У підмережу 192.168.30.X увімкнені фізичні ПЕОМ, маршрутизатор та фізичний комутатор а також сервер віртуальних машин з системою віртуалізації Proxmox VE. На сервері віртуальних машин створено декілька віртуальних підмереж з віртуальними маршрутизаторами та комутаторами. Підмережа 192.168.34.X створена з метою унеможливити втрату непрацездатності комп’ютерної лабораторії через некоректне конфігурування студентами віртуальних маршрутизаторів grp00 – grp05. Підмережі 192.168.1.X – 192.168.6.X створені, відповідно, для користувачів grp00 – grp05. Інтерфейс керування для створення віртуальних комутаторів зображено на рис. 3, де vmbr0 – віртуальний комутатор підмережі 192.168.30.X, за допомогою якого здійснюється під’єднання до ПЕОМ та маршрутизатора і комутатора навчальної лабораторії, vmbr34 – віртуальний комутатор підмережі 192.168.34.X, vmbr9000 – vmbr9005 – віртуальні комутатори підмереж 192.168.1.X – 192.168.6.X.Студенти з ПЕОМ навчальної лабораторії за допомогою Інтернет-переглядача мають доступ до екранів своїх віртуальних машин (рис. 4). У разі втрати працездатності підмереж 192.168.30.X та 192.168.1.X – 192.168.6.X доступ до екранів віртуальних машин збережеться завдяки тому, що ПЕОМ навчальної лабораторії та сервер віртуальних машин знаходяться в підмережі 192.168.30.X, доступ до якої студентам заборонено. Наведену схему навчального полігону можна використовувати у комп’ютерних класах загального використання, тому що вона не потребує зміни критичних параметрів операційної системи на ПЕОМ класу і зводить ризик втрати працездатності комп’ютерного класу до мінімуму.У разі виникнення потреби збільшення обчислювальної потужності можна використати декілька серверів віртуальних машин, об’єднавши їх у кластер [4].

На сучасних хлібопекарських підприємствах продовжує існувати проблема отримання якісного хліба. Вона виникає внаслідок постійної зміни властивостей як основної сировини (борошна) так і допоміжних рецептурних компонентів (дріжджів, концентрату молочно-кислої закваски, цукрових та соляних розчинів). Тому технологи-хлібопекарі, з метою підвищення якості результатів процесу замісу тіста, використовують різноманітні програми управління тістомісильними машинами. Вибір цих програм не обходиться без втручання “людського фактору”, а це може негативно вплинути на кінцевий результат. Якщо реалізовувати більш ефективне реагування на ці зміни під час замісу, то можна добитися підвищення рівня стабільності якісних показників готового тіста на всіх подальших етапах його обробки. Для пошуку можливостей вирішення цієї задачі пропонується проведення аналізу кластерної структури партій борошна, що відрізняються по показникам якості (число падіння, кількість клейковини та якість клейковини), а також дослідження результатів замісу тіста при різних програмах та з різними партіями борошна. Було підтверджено вплив хлібопекарних властивостей борошна на взаємозв’язок тривалості та інтенсивності замісу з якістю тіста, що виготовлюється. Це обумовило доцільність формування програм для тістомісильної машини на основі результатів кластерного аналізу, який надає можливість отримати додаткову, корисну інформацію для автоматизації процесу управління. Тому запропонована реалізація алгоритму автоматичного вибору програми замісу тіста для тістомісильної машини та її корегування під час замісу за допомогою штучних нейронних мереж. Корегування залежить від реологічних властивостей тіста на які, в першу чергу, впливає сила борошна. Саме вона забезпечує процес його формування з необхідними структурно-механічними властивостями (пружність, пластичність, еластичність, в’язкість), які поєднуються і постійно змінюються в ході технологічного процесу. Оцінка цих властивостей тіста, має більш інтегральні ознаки, більш об’єктивна. Для цього можуть використовуватися два варіанти: 1) експериментальний заміс на фаринографі з реєстрацією фаринограми в електронному вигляді; 2) вимірювання та реєстрація активної потужності споживаної електроприводом місильного органу під час замісу тіста. Далі, по зареєстрованим даним, проводиться автоматичний розрахунок необхідних показників властивостей тіста і здійснюється корегування параметрів програми замісу.

Здійснено аналіз проблематики моніторингу мереж. Обґрунтовано переваги та недоліки наявних UNIX-подібних операційних систем. Означено етапи створення мережі на базі Linux-машин. Розглянуто основні компоненти для побудови системи моніторингу та мережі на базі Linux-машин

У статті досліджено принципи формування масиву даних на базі нейронної мережі у сфері Інтернету речей. Зазначається, що Інтернет речей генерує величезну кількість неструктурованих даних, і аналітика великих даних є ключовим аспектом. Концепція Інтернет речей являє особливу цінність для розвитку бізнесу завдяки даним, які можуть бути отримані від підключених елементів. Сформовано дві теореми, які сприяють роз- криттю принципу обміну знаннями, які можна взяти із взаємодії людина–комп’ютер. Наголошено, що присвоєння імені суб’єкту господарювання повинне включати у себе слова мовою людини, а не абревіатури, коди або двійкове відображення, що можуть інтерпре- тувати лише машини, незважаючи на те, що останні технічно ефективніші з точки зору простору для зберігання даних або пропускної здатності мережі. Розкрито принципи теорії верифікаціонізму та описано шляхи адаптації структури масиву даних. Схема- тично запропоновано структуру машинних знань, яку представлено щодо формування масиву даних на базі нейронної мережі у сфері Інтернету речей. Описана структура має три бази знань: гіпотезу, онтологію та параметри. Підкреслено, що запропонована інтелектуальна база масиву даних може бути застосована до різних галузей Інтернету речей щодо автономного обміну та накопичення знань, а платформа, своєю чергою, може використовувати онтології для інтеграції пристроїв IoT з інтелектуальними системами. Описано переваги та недоліки моделі. Так, зазначено, що перевагою цієї моделі є те, що датчики Інтернету речей у хмарі можуть навчатися у віддалених датчиків у фоновому режимі, незалежно від затримки мережі, що підключається до віддаленої програми, а недоліком є те, що затримка мережі може стати вузьким місцем, коли потреба у при- йнятті рішень у режимі реального часу зростає. Наголошено, що реалізація описаного алгоритму формування масиву даних, а також відповідної інтелектуальної середи доз- волить зменшити поріг входження розробників у сферу рішення задач за допомогою ней- ронної мережі.

У статті досліджено принципи впровадження моделей машинного навчання у сферу інтелектуального обслуговування промислового обладнання. Зазначено, що розумне вироб- ництво використовує передову аналітику даних для доповнення фізичних законів щодо підвищення ефективності роботи виробничих систем. Наголошується, що за широкого поширення датчиків та Інтернету речей (IoT) зростає потреба в обробці великих вироб- ничих даних, що характеризуються високим об’ємом, високою швидкістю і високою різ- номанітністю. Наведено схему промислової машини, яка використовується для перемо- тування та різання пакувальної плівки на виробництві. Детально розкрито виробничий процес та складено структурну схему налаштування системи, сформовано модель клас- теризації параметрів для виявлення збоїв у роботі промислової машини. Підкреслено, що дані, отримані від датчиків, фактично є дискретними даними часу, що відбираються за секунду часу, а декомпозиція даних часових рядів виявила тенденцію до зростання залиш- ків. Отримані часові ряди стаціонарувались за допомогою диференціації, а логарифмічне перетворення у свою чергу використовувалось для зменшення дисперсії даних часових рядів. При цьому наголошується, що диференціація усуває зміни рівня динамічного ряду, а отже, усуває тенденції та сезонність, причому середнє ковзне та стандартне відхи- лення знайдено незалежно від часу, на основі чого побудовано діаграму стаціонарності. Визначено етапи прогнозування та запропоновано модель інтегрованої ковзної середньої. У роботі запропоновано три моделі: метод опорних векторів, глибока нейронна мережа та наївний баєсів класифікатор, здійснено порівняння всіх трьох моделей та доведено, що модель глибокої нейронної мережі була більш ефективною в разі моделювання даних. Про- гнозна модель побудована для зменшення низькоякісних виробничих циклів та планування технічного обслуговування. Таким чином, наголошено, що машинне навчання на основі IoT допоможе подолати суттєві обмеження продуктивності та пов’язані з цим витрати на обслуговування, що в загальному випадку значно підвищить продуктивність виробничого обладнання.

На сьогоднішній день існує багато компаній у всьому світі, що займаються розробкою систем машинного перекладу (СМП), за допомогою яких здійснюється переклад на різні мови світу. Серед них можна виділити такі: SYSTRAN (США, systransoft.com), Langenscheidt (Німеччина, langenscheidt.de), Transparent Language (США, transparent.com), LANGUAGE ENGINEERING CORPORATION (США, lec.com), Translation Experts (США, tranexp.com), Linguatec (Німеччина, linguatec.net), SDL (Великобританія, sdl.com), STAR (Швейцарія, star-group.net), ATRIL (США, atril.com), Alis Technologies (Канада, alis.com).Вивчення джерел щодо комп’ютерних технологій перекладу й опрацювання текстів свідчить, що проблеми перекладу і розпізнавання образів за допомогою машини тісно пов’язані із проблемами штучного інтелекту і кібернетикою. Проблеми створення штучної подібності людського розуму для вирішення складних завдань і моделювання розумової діяльності вивчаються досить давно. Вперше ідею штучного інтелекту висловив Р. Луллій у XIV столітті, коли він намагався створити машину для вирішення різноманітних задач з основ загальної класифікації понять. А у XVIII столітті Г. Лейбніц і Р. Декарт розвили ці ідеї, запропонувавши універсальні мови класифікації всіх наук [1].Ці ідеї лягли в основу теоретичних розробок у галузі створення штучного інтелекту. Проте розвиток штучного інтелекту як наукового напряму став можливим лише після створення електронних обчислювальних машин (ЕОМ). Це сталося у 40-ві роки ХХ століття.Термін «штучний інтелект» був запропонований в 1956 р. на семінарі, присвяченому розробці логічних завдань з аналогічною назвою у Стенфордському університеті. Штучний інтелект – розділ комп’ютерної лінгвістики та інформатики, де розглядаються формалізація проблем та завдань, які нагадують завдання, виконувані людиною. При цьому у більшості випадків алгоритм розв’язування завдання невідомий наперед. Точного визначення цієї науки немає, оскільки у філософії не вирішене питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп’ютером «розумності», хоча стосовно штучного інтелекту було запропоновано низку гіпотез, наприклад, тест Тьюринга або гіпотеза Ньюела-Саймона [2].Після визначення штучного інтелекту як самостійного розділу науки відбувся його поділ за двома основними напрямками: нейрокібернетика і кібернетика «чорного ящика». Розпізнавання образів – традиційний напрямок штучного інтелекту, близький до машинного навчання і пов’язаний з нейрокібернетикою. Кожному об’єкту відповідає матриця ознак, за якою відбувається його розпізнавання. Машинний переклад належить до кібернетики «чорного ящика», головним принципом якого є принцип, протилежний нейрокібернетиці, а саме: немає значення, як побудований «розумовий» пристрій – головне, щоб на задані вхідні дії він реагував, як людський мозок.Слід зазначити, що сьогодні науковці розглядають штучний інтелект як один з напрямків інформатики, метою якого є розробка апаратно-програмних засобів, за допомогою яких можна користувачу-непрограмісту ставити і вирішувати завдання, що традиційно вважаються інтелектуальними [2].З другої половини 1960-х рр., коли людство вступило в епоху комп’ютерних технологій, використання комп’ютерів звільнило людей від багатьох видів рутинної роботи, будь то трудомісткі обчислення чи пошук необхідних елементів в різних базах даних. При цьому слід мати на увазі, що принципова відмінність комп’ютерних технологій від будь-яких виробничих технологій полягає саме в тому, що в одному випадку технології не можуть бути безупинні, тому що вони поєднують роботу рутинного типу (скажімо, оперативний облік) і роботу творчу, яка не піддається поки що формалізації (прийняття рішень), а в іншому випадку функція виробництва безупинна і відображає строгу послідовність всіх операцій для випуску продукції (конвеєризація процесу).Переклади текстів з однієї мови на іншу можна віднести до рутинної роботи, але тільки частково. Дійсно, з одного боку, в роботі будь-якого перекладача є досить велика кількість елементів формалізму, хоча, з іншого боку, у даний час жоден серйозний переклад не може бути виконаний зовсім формально.Усі переклади можна розділити на технічні і літературні. Межа між ними є дуже «розмитою» (проміжне положення займають, наприклад, переклади ділових листів). Особливістю технічних перекладів є необхідність у першу чергу знати стандарти фахових понять. Специфіка ж літературного перекладу полягає в тому, що потрібно одержати текст, за художньою цінністю максимально близький до оригіналу. Якість виконання з використанням комп’ютера технічних і літературних перекладів у теперішній час зовсім різна: технічні переклади є якісніші, ніж літературні. Останній факт особливо відчутний при перекладі віршованих форм  тут використання комп’ютера практично неможливе: його використання поступається поетам-перекладачам.Переклад текстів  одна з перших функцій, яку людина спробувала виконати за допомогою комп’ютера. Всього через кілька років після створення перших ЕОМ з’явилися і програми машинного перекладу. Датою народження машинного перекладу як галузі досліджень прийнято вважати 1947 р. Саме тоді У. Уівер [3] (який написав трохи пізніше, у 1949 р., разом із К. Шенноном книгу з основ теорії інформації), написав лист Н. Вінеру, «батькові кібернетики», порівнявши в цьому листі завдання перекладу із завданням дешифрування текстів.Завдання дешифрування до цього часу вже вирішувалися (і небезуспішно) на електромеханічних пристроях. Більше того, перша діюча ЕОМ за назвою Colossus-1, сконструйована в Англії в 1942-43 рр. знаменитим математиком і логіком А. Тьюрінгом, автором теоретичного автомата «машина Тьюрінга», разом з Х. А. Ньюменом, використовувалася під час війни для розшифровування секретних німецьких кодів. Оскільки ЕОМ Colossus-1, як і всі перші обчислювальні машини, конструювалася і використовувалася головним чином для військових цілей, відомості про неї стали відомі набагато пізніше її введення в експлуатацію. У 1944 р. Г. Айкен сконструював обчислювальну машину МАРК-1 на електромеханічних елементах і установив її в Гарвардському університеті. Ця машина також використовувалася для виконання завдань дешифрування. Відзначимо також, що завдання дешифрування доводилося і доводиться нерідко вирішувати не тільки військовим, але також археологам і історикам при спробах прочитати рукописи давніми, забутими мовами [4].Після листа У. Уівера Н. Вінерові відбувся ряд гострих наукових дискусій, потім були виділені гроші на дослідження. Сам Н. Вінер, що вільно розмовляв 13-тьма мовами, довгий час оцінював можливості комп’ютерного перекладу дуже скептично. Він, зокрема, писав: «...що стосується проблеми механічного перекладу, то, відверто кажучи, я боюся, що межі слів у різних мовах занадто розпливчасті, а емоційні й інтернаціональні слова займають занадто велике місце в мові, щоб який-небудь напівмеханічний спосіб перекладу був багатообіцяючим... В даний час механізація мови... уявляється мені передчасною» [5, 152]. Однак, всупереч скепсису Вінера і ряду інших вчених зі світовими іменами, у 1952 р. відбулася перша міжнародна конференція з машинного перекладу. Організатором цієї конференції був відомий ізраїльський математик І. Бар-Хіллел. Він прославився в першу чергу застосуванням ідей і методів математичної логіки в різних напрямках досліджень з теорії множин і основ математики, але видав також ряд робіт із загальної теорії мови, математичної лінгвістики, автоматичного перекладу і теорії визначень (у СРСР була дуже популярна монографія «Основи теорії множин», написана І. Бар-Хіллелом разом з А. А. Френкелом) [3].Незабаром після конференції 1952 р. був досягнутий ряд успіхів у академічних дослідженнях, які, у свою чергу, стимулювали комерційний інтерес до проблеми машинного перекладу. Вже в 1954 р. знаменита фірма IBM разом із Джорджтаунським університетом (США) зуміла показати першу систему, що базується на словнику з 250-ти слів і 6-ти синтаксичних правилах. За допомогою цієї системи забезпечувався переклад 49-ти заздалегідь відібраних речень. Вже до 1958 р. у світі існували програмні системи для машинного перекладу технічних текстів, найдосконаліша з яких була розроблена в СРСР і мала запас 952 слова.В період з 1954 р. по 1964 р. уряд і різні військові відомства США витратили на дослідження в галузі машинного перекладу близько 40 млн. доларів. Однак незабаром «запаморочення від успіхів» змінилося повною зневірою, що доходила практично до повного заперечення здійсненності машинного перекладу. До подібного висновку прийшли на основі звіту, виконаного спеціальним комітетом із прикладної лінгвістики (ALPAC) Національної Академії наук США. У звіті констатувалося, що використання систем автоматичного перекладу не зможе забезпечити прийнятну якість у найближчому майбутньому. Песимізм ALPAC був обумовлений, головним чином, невисоким рівнем розвитку комп’ютер­ної техніки того часу. Справді, труднощі роботи з перфокартами і величезними комп’ютерами I-го і II-го поколінь (на електронних лампах чи транзисторах) були чималими. Саме з цих причин перші проекти не дали істотних практичних результатів. Однак були виявлені основні проблеми перекладу текстів природною мовою: багатозначність слів і синтаксичних конструкцій, практична неможливість опису семантичної структури світу навіть в обмеженій предметній галузі, відсутність ефективних формальних методів опису лінгвістичних закономірностей [6].До поширення персональних комп’ютерів машинний переклад міг бути швидше цікавим об’єктом наукових досліджень, ніж важливою сферою застосування обчислювальної техніки. Причинами цього були:висока вартість часу роботи ЕОМ (з огляду на той факт, що кожну обчислювальну машину обслуговувала велика група системних програмістів, інженерів, техніків і операторів, для кожної машини було потрібне окреме, спеціально обладнане приміщення і т.п., «комп’ютерний час» був дуже і дуже дорогим);колективне використання ресурсів комп’ютера. Це часто не дозволяло негайно звернутися до електронного помічника, зводячи нанівець найважливішу перевагу машинного перекладу перед звичайним  його оперативність.За результатами звіту ALPAC дослідження з комп’ютерного перекладу припинилися на півтора десятка років через відсутність фінансування. Однак у цей же час відбувся якісний стрибок у розвитку обчислювальної техніки за рахунок переходу до технологій інтегральних схем. ЕОМ III-го покоління на інтегральних схемах, що використовувалися у 1960-ті роки, до кінця 1960-х  початку 1970-х років стали витіснятися машинами IV-го покоління на великих інтегральних схемах. Нарешті, у 1970 р. М. Е. Хофф (Intel) створив перший мікропроцесор, тобто інтегральну схему, придатну для виконання функції великої ЕОМ. До середини 1970-х років з’явилися перші комерційно розповсюджувані персональні комп’ютери (ПК) на базі 8-розрядних мікропроцесорів фірми Intel. Це була на той час комп’ютерна революція.Саме поява ПК стала сильним додатковим стимулом для вдосконалювання комп’ютерного перекладу (особливо після створення комп’ю­терів Apple II у 1977 р. і IBM PC у 1981 р.). Поновленню досліджень з комп’ютерного перекладу сприяло також підвищення рівня розвитку техніки і науки взагалі. Так, у 1970-ті рр. одержала поширення система автоматизованого перекладу SYSTRAN. Протягом 1974-75 рр. система була використана аерокосмічною асоціацією NASA для перекладу документів проекту «Союз-Аполлон». До кінця 1980-х років за допомогою цієї системи перекладали з кількох мов вже близько 100 000 сторінок щорічно. Розвитку комп’ютерного перекладу сприяло ще і зростання інтересу дослідників і проектувальників до проблеми штучного інтелекту (тут явно переважали лінгвістичні аспекти) і комп’ютерного пошуку даних [7].Починаючи з 1980-х рр., коли вартість машинного часу помітно знизилась, а доступ до них можна було одержати в будь-який час, машинний переклад став економічно вигідним. У ці і наступні роки удосконалювання програм дозволило досить точно перекладати багато видів текстів. 1990-ті рр. можна вважати справжньою «епохою Відродження» у розвитку комп’ютерного перекладу, що пов’язано не тільки з широкими можливостями використання ПК і появою нових технічних засобів (у першу чергу сканерів), але і з появою комп’ютерних мереж, зокрема глобальної мережі Internet.Наприклад, створення Європейської Інформаційної Мережі (EURONET DIANA) стимулювало роботи зі створення систем автоматизованого перекладу. У 1982 р. було оголошено про створення європейської програми EUROTRA, метою реалізації якої була розробка системи комп’ютерного перекладу для всіх європейських мов. Спочатку проект оцінювався в 12 млн. доларів США, але вже в 1987 р. фахівці визначили сумарні витрати по цьому проекту більш ніж у 160 млн. доларів [4].Використання глобальної мережі Internet об’єднало мільйони людей, що говорять різними мовами, у єдиний інформаційний простір. Домінує, природно, англійська мова, але: є користувачі, які нею зовсім не володіють чи володіють дуже слабко; існує безліч Web-сторінок, написаних не англійською мовою.Для полегшення перегляду Web-сторінок, описаних незнайомою користувачеві мовою, з’явилися додатки до браузерів, за допомогою яких здійснюється переклад обраних користувачем фрагментів Web-сторінки або всієї Web-сторінки, що переглядається. Для цього досить лише скопіювати частину тексту та вставити його у відповідне поле або «натиснути» на спеціальну кнопку меню. Прикладом такого комп’ютерного перекладача є програмний засіб WebTransSite фірми «Промт», створений на базі програмного засобу Stylus, який можна використовувати в різних браузерах (Netscape Navigator, Internet Explorer, Mozilla Firefox, Opera та ін.) або, наприклад, Google Translate – це сервіс компанії Google, за допомогою якого можна автоматично перекладати слова, фрази та Web-сторінки з однієї мови на іншу. В системі Google використовується власне програмне забезпечення для перекладу на основі статистичного машинного перекладу. З вересня 2008 р. підтримуються й переклади українською мовою. Користувач уводить текст, поданий мовою оригіналу, та вказує мову, якою цей текст потрібно подати.Проблемами машинного перекладу в теперішній час займається ряд відомих компаній, таких як SYSTRAN Software Inc., Logos Corp., Globalink Inc., Alis Technologies Inc., Toshiba Corp., Compu Serve, Fujitsu Corp., TRADOS Inc., Промт та інші. З’явилися також компанії, що спеціалізуються на машинному перекладі, зокрема компанія SAP AG, яка є європейським лідером у розробці програмного забезпечення і протягом багатьох років використовує системи машинного перекладу різних виробників при локалізації своїх програмних продуктів. Існує і служба машинного перекладу при комісії Європейського Союзу (обсяг перекладу в комісії перевищує 2,5 млн. сторінок щорічно; переклади всіх документів виконуються оперативно 11-тьма офіційними мовами, забезпечують їх 1100 перекладачів, 100 лінгвістів, 100 менеджерів і 500 секретарів) [8].Проблемам комп’ютерного перекладу значна увага науковців приділяється в галузі лінгвістики, зокрема в Україні у Київському державному університеті лінгвістики, дуже міцною є лінгвістична школа Санкт-Петербурга та Москви. Не можна не згадати такі праці, як фундаментальна монографія Ф. Джорджа «Основи кібернетики» [5], Дж. Вудера «Science without properties», О. К. Жолковського «О правилах семантического анализа», Ю. М. Марчука «Проблемы машинного перевода», Г. С. Цейтіна, М. І. Откупщикової та ін. «Система анализа текста с процедурным представлением словарной информации» [6] та інші, в яких сформульовані основні принципи і проблеми практичної реалізації машинного перекладу. Ці монографії містять цікавий фактичний матеріал і можуть бути корисні педагогу в побудові курсу лекцій з комп’ютерних технологій перекладу й опрацювання текстів.Протягом багатьох років науковці в галузях лінгвістики, кібернетики, інформатики вели інтенсивні пошуки моделей і алгоритмів людського мислення і розробок програм, але так сталося, що жодна з наук – філософія, психологія, лінгвістика – не в змозі запропонувати такого алгоритму. Таким чином, штучний інтелект як «генератор знань» [9, 139] ще не створений, машинний переклад є частково структурованим завданням, а тому втручання людини в створення досконалих перекладів буде потрібне завжди і її треба, як слід, цього навчати.

У статті було представлено модель застосування технології блокчейн в процесі оновлення програмного забезпечення (ПЗ) пристроїв мережі Інтернету Речей (ІоТ) для забезпечення достовірності отриманих файлів ПЗ підконтролерами мережі ІоТ, та алгоритм роботи моделі. Представлена модель має деревоподібну структуру та складається з: контролеру — комп'ютер з операційною системою Windows або Linux, підконтролеру — одноплатний комп'ютер Raspberry Pi або віртуальна машина Linux, пристрій ІоТ — мікроконтролер Arduino Uno або його аналог. Також було представлено варіант модифікації алгоритму моделі, що дозволяє виявляти факти модифікацій ПЗ пристроїв мережі ІоТ та автоматично встановлювати оригінальну версію ПЗ. Складові представленої моделі передбачають дешевизну та простоту процесу прототипування на базі моделі для подальших досліджень доцільності використання блокчейн в процесі оновлення ПЗ пристроїв мережі ІоТ.

У цій статті пропонується алгоритм, яким керуються системні адміністратори для протидії несанкціонованим спробам шифрування інформації в інформаційних системах. Факти вказують, що терміновість вжитих заходів полягає в тому, що кількість атак програм шифрування досягла 30% від загальної кількості глобальних кібератак та кіберінцидентів. Масштабні кібератаки відбуваються приблизно кожних шість місяців, а методи проникнення та алгоритми шифрування постійно вдосконалюються. Відповідно до моделі Cyber-Kill Chain, зловмисники успішно досягають поставленої мети на цільовому комп’ютері. Метою заходів щодо усунення несанкціонованого шифрування інформації в системі є запобігання її дії на початку роботи. Автори рекомендують заздалегідь розміщувати зразки програмного забезпечення в інформаційній системі, це дозволить своєчасно виявляти ознаки несанкціонованого шифрування інформації в системі. Заходи включають розміщення зразка спеціального програмного забезпечення в системі якомога раніше. Зразок може реалізувати “постійний програмний моніторинг” процесу в системі, щоб зупинити процесор, коли є ознаки шифрування, тобто: коли процесор перевантажений, коли виявляються підозрілі процеси, при виявленні ознак дії алгоритму шифрування, у разі синхронізації і коли важливі файли зникають, у разі спроби перезапустити систему та інших ознак. Автори порівнюють систему мережевої безпеки із ситуацією, коли рекомендовані заходи не застосовуються. Автори вважають, що, виходячи з ефективності відповідних заходів, система захисту мережі зросте до 0,99. Висновок цієї статті полягає в тому, що розміщення спеціального програмного забезпечення в системі дозволить протидіяти якомога швидше вірусу шифрувальнику та покращить безпеку системи. Подальші дослідження дозволять розповсюдити рекомендовані заходи щодо усунення поведінки різних типів кібератак, які досягли цільової машини, а також виникнення кіберінцидентів відповідно до моделі Cyber-Kill Chain.

Безумовно моніторинг об’єкту, це незамінна частина забезпечення інформаційної безпеки на об’єкті інформаційної діляльності. На сьогодні вимоги до систем моніторингу часто змінюються, необхідно використовувати адаптивні системи, тобто ті, що підтримують часту зміну параметрів та можуть перепрограмовуватися. Тому важливо використовувати технології, які дозволяють легко «навчати» систему.

Кваліфікаційна робота включає пояснювальну записку (50 с., 36 рис., 2 додатки). Об’єкт розробки – створення комп’ютерного засобу для діагностування захворювань на основі нейронної мережі, яка дозволяє визначати наявність недугу. Предмет розробки – автоматизація діагностування діабетичної ретинопатії. Комп’ютерний засоб дозволяє: діагностувати захворювання на основі цифрового зображення, яке завантажене користувачем використовуючи графічний інтерфейс. В процесі розробки було використано мову програмування високого рівня Python та пакети TensorFlow, Keras, NumPy. В ході розробки: - проведено аналіз методів машинного навчання для класифікації цифрових зображення; - розроблено програмну систему для діагностування діабетичної ретинопатії з користувацьким інтерфейсом; - виконано дослідження ефективності розробленої системи; Використання цієї системи дозволить автоматизувати діагностування недугу. Що надає можливість своєчасного лікування пацієнта, економить час і сили лікарів.
The object of development - the creation of a software system for diagnosing diseases based on the neural network, which allows to determine the presence of the disease. The subject of development is the automation of the diagnosis of diabetic retinopathy. The software system allows user to diagnose the disease on the basis of a digital image that is uploaded using a graphical interface. In the development process were using programming language Python and such packages as TensorFlow, Keras, NumPy. During development: - analysis of machine learning methods for the classification of digital images is carried out; - developed a software system for the diagnosis of diabetic retinopathy with a user interface; - studied the efficiency of the developed software. The use of this software system will make it possible to automate the diagnosis of the disease. That can help to timely treat the patient, save the time and effort of doctors.

Метою роботи є розробка програмного модуля, що базується на удосконаленні та оптимізації параметрів класифікаційної моделіз горткової нейронної мережі.Дана дипломна робота присвячена розробці програмного продукту для розпізнавання марок автомобілів за допомогою навчання згорткової нейронної мережі і підбору оптимальних параметрів.

Сформовано вхідний математичний опис для моделі аналізу діагностичних зображень, розроблено модель, і обрано алгоритм та програмна реалізація машинного навчання і екзамену для реалізації інформаційної технології діагностування свиней за фотографією. Розроблений алгоритм виконано в середовищі jupyter notebook на мові python.

Задачі роспізнавання та класифікації доцільно вирішувати за допомогою глибоких нейронних мереж (НМ). Усі глибокі НМ складаются с базових НМ, до яких відноситься обмежена машина Больцмана (ОМБ) – двошарова енергетична модель, яка не має зв’язків між нейронами всередині шарів, але самі шари повністю зв’язані між собою.

В магістерській роботі розроблений і реалізований метод отримування інформації для розпізнавання рецептів та інгредієнтів за зображенням страв та їх рецептурою. Розроблювальна система пропонує користувачам страви на основі виявлених схожих, які виражені в текстовій формі та у вигляді зображень.

Метою кваліфікаційної роботи магістра є створення програми для прогнозування, реалізації та аналізу курсів криптовалют. Під час виконання роботи використовували та аналізували методи та класифікації для прогнозування майбутнього курсу криптовалют, завдяки нейронним мережам. У результаті проведених досліджень було розроблено програмний продукт, який може прогнозувати курс криптовалюти з точністю 20-50% залежно від прогнозованого періоду, а також тенденцію курсу з точністю до 100%. Було виявлено, що регресору потрібно 90 днів для навчання і більш точного прогнозу курсу криптовалют. Новизна роботи полягає в розробці методу прогнозування курсу криптовалюти, використовуючи дані із нейронних мереж як зовнішній фактор, що впливає на обмінний курс.

Пояснювальна записка дипломного проєкту складається з п’яти розділів, містить 22 рисунки, 4 таблиці, 1 додаток та 37 джерел. Дипломний проєкт присвячений вирішенню задачі розпізнавання, класифікації та подальшої обробки та збереження рукописної числової інформації. Метою створення системи є спрощення процесу перевірки контрольних робіт студентів або учнів (де в якості відповідей маємо рукописні числові значення) за рахунок автоматизації цього процесу шляхом розпізнавання написаних студентами (учнями) відповідей у відповідному бланку для відповідей за допомогою моделей машинного навчання. У розділі загальних положень встановлено мету, цілі та задачі розробки, визначено функціональні границі системи та побудована структурна схема варіантів використання, проаналізовано існуючі аналоги та встановлено відмінність від них системи, що проектується. У розділі інформаційного забезпечення надано детальний опис вхідних та вихідних даних, описано структуру масиву з інформацією, який використовується у даній системі. Розділ математичного забезпечення присвячений опису змістовної та математичної постановки задачі, аналізу існуючих методів розв’язання задачі даного дипломного проєкту та обґрунтування вибору одного з них з його подальшим детальним описом. Розділ програмного забезпечення описує засоби розробки програмного продукту та етапи проектування його архітектури. Описано специфікацію функцій та звіти, які генеруються в ході запуску програми. У технологічному розділі визначено мету проведення випробувань програмного продукту та описано їх результати.
Explanatory note of the diploma project consists of five sections, contains 22 drawings, 5 tables, 1 application and 37 sources. The diploma project is devoted to solving the problem of recognition, classification, further processing and saving of handwritten numerical information. The system purpose is simplifying the process of checking the student’s tests (where the answers are handwritten numerical values) by automating this process by recognizing the answers written by students in the appropriate form for answers using machine learning models. In the general terms section the developmt purpose and are established, functional borders of system are defined and the structural scheme of variants of use is constructed, the existing analogues are analyzed and the difference from them of the projected system is established. The information support section provides a detailed description of the input and output data, as well as the structure description of the information array, that is used in this system is provided. The mathematical support section is devoted to the meaningful and mathematical formulation of the problem, analysis of the existing methods for solving the problem of this thesis project and justification of choosing one of them with its subsequent detailed description. The software support section describes the software development tools and the stages of designing its architecture. The specification of functions and reports generated during program startup is described. The technology section defines the purpose of testing the software product and describes their results.