Academic literature on the topic 'Мережа прямого розповсюдження'

У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.

Наукові дослідження стають ефективними тоді, коли природу подій чи явищ можна розглядати з єдиних позицій, виробити універсальний підхід до них, сформувати загальні закономірності. Більшість сучасних фундаментальних наукових проблем і високих технологій тісно пов’язані з явищами, які лежать на границях різних рівнів організації. Природничі та деякі з гуманітарних наук (економіка, соціологія, психологія) розробили концепції і методи для кожного із ієрархічних рівнів, але не володіють універсальними підходами для опису того, що відбувається між цими рівнями ієрархії. Неспівпадання ієрархічних рівнів різних наук – одна із головних перешкод для розвитку дійсної міждисциплінарності (синтезу різних наук) і побудови цілісної картини світу. Виникає проблема формування нового світогляду і нової мови.Теорія складних систем – це одна із вдалих спроб побудови такого синтезу на основі універсальних підходів і нової методології [1]. В російськомовній літературі частіше зустрічається термін “синергетика”, який, на наш погляд, означує більш вузьку теорію самоорганізації в системах різної природи [2].Мета роботи – привернути увагу до нових можливостей, що виникають при розв’язанні деяких задач, виходячи з уявлень нової науки.На жаль, теорія складності не має до сих пір чіткого математичного визначення і може бути охарактеризована рисами тих систем і типів динаміки, котрі являються предметом її вивчення. Серед них головними є:– Нестабільність: складні системи прагнуть мати багато можливих мод поведінки, між якими вони блукають в результаті малих змін параметрів, що управляють динамікою.– Неприводимість: складні системи виступають як єдине ціле і не можуть бути вивчені шляхом розбиття їх на частини, що розглядаються ізольовано. Тобто поведінка системи зумовлюється взаємодією складових, але редукція системи до її складових спотворює більшість аспектів, які притаманні системній індивідуальності.– Адаптивність: складні системи часто включають множину агентів, котрі приймають рішення і діють, виходячи із часткової інформації про систему в цілому і її оточення. Більш того, ці агенти можуть змінювати правила своєї поведінки на основі такої часткової інформації. Іншими словами, складні системи мають здібності черпати скриті закономірності із неповної інформації, навчатися на цих закономірностях і змінювати свою поведінку на основі нової поступаючої інформації.– Емерджентність (від існуючого до виникаючого): складні системи продукують неочікувану поведінку; фактично вони продукують патерни і властивості, котрі неможливо передбачити на основі знань властивостей їх складових, якщо розглядати їх ізольовано.Ці та деякі менш важливі характерні риси дозволяють відділити просте від складного, притаманного найбільш фундаментальним процесам, які мають місце як в природничих, так і в гуманітарних науках і створюють тим самим істинний базис міждисциплінарності. За останні 30–40 років в теорії складності було розроблено нові наукові методи, які дозволяють універсально описати складну динаміку, будь то в явищах турбулентності, або в поведінці електорату напередодні виборів.Оскільки більшість складних явищ і процесів в таких галузях як екологія, соціологія, економіка, політологія та ін. не існують в реальному світі, то лише поява сучасних ЕОМ і створення комп’ютерних моделей цих явищ дозволило вперше в історії науки проводити експерименти в цих галузях так, як це завжди робилось в природничих науках. Але комп’ютерне моделювання спричинило розвиток і нових теоретичних підходів: фрактальної геометрії і р-адичної математики, теорії хаосу і самоорганізованої критичності, нейроінформатики і квантових алгоритмів тощо. Теорія складності дозволяє переносити в нові галузі дослідження ідеї і підходи, які стали успішними в інших наукових дисциплінах, і більш рельєфно виявляти ті проблеми, з якими інші науки не стикалися. Узагальнюючому погляду з позицій теорії складності властиві більша евристична цінність при аналізі таких нетрадиційних явищ, як глобалізація, “економіка, що заснована на знаннях” (knowledge-based economy), національні і світові фінансові кризи, економічні катастрофи і ряд інших.Однією з інтригуючих проблем теорії є дослідження властивостей комплексних мережеподібних високотехнологічних і інтелектуально важливих систем [3]. Окрім суто наукових і технологічних причин підвищеної уваги до них є і суто прагматична. Справа в тому, що такі системи мають системоутворюючу компоненту, тобто їх структура і динаміка активно впливають на ті процеси, які ними контролюються. В [4] наводиться приклад, коли відмова двох силових ліній системи електромережі в штаті Орегон (США) 10 серпня 1996 року через каскад стимульованих відмов призвели до виходу із ладу електромережі в 11 американських штатах і 2 канадських провінціях і залишили без струму 7 млн. споживачів протягом 16 годин. Вірус Love Bug worm, яких атакував Інтернет 4 травня 2000 року і до сих пір блукає по мережі, приніс збитків на мільярди доларів.До таких систем відносяться Інтернет, як складна мережа роутерів і комп’ютерів, об’єднаних фізичними та радіозв’язками, WWW, як віртуальна мережа Web-сторінок, об’єднаних гіперпосиланнями (рис. 1). Розповсюдження епідемій, чуток та ідей в соціальних мережах, вірусів – в комп’ютерних, живі клітини, мережі супермаркетів, актори Голівуду – ось далеко не повний перелік мережеподібних структур. Більш того, останнє десятиліття розвитку економіки знань привело до зміни парадигми структурного, функціонального і стратегічного позиціонування сучасних підприємств. Вертикально інтегровані корпорації повсюдно витісняються розподіленими мережними структурами (так званими бізнес-мережами) [5]. Багато хто з них замість прямого виробництва сьогодні займаються системною інтеграцією. Тому дослідження структури та динаміки мережеподібних систем дозволить оптимізувати бізнес-процеси та створити умови для їх ефективного розвитку і захисту.Для побудови і дослідження моделей складних мережеподібних систем введені нові поняття і означення. Коротко опишемо тільки головні з них. Хай вузол i має ki кінців (зв’язків) і може приєднати (бути зв’язаним) з іншими вузлами ki. Відношення між числом Ei зв’язків, які реально існують, та їх повним числом ki(ki–1)/2 для найближчих сусідів називається коефіцієнтом кластеризації для вузла i:. Рис. 1. Структури мереж World-Wide Web (WWW) і Інтернету. На верхній панелі WWW представлена у вигляді направлених гіперпосилань (URL). На нижній зображено Інтернет, як систему фізично з’єднаних вузлів (роутерів та комп’ютерів). Загальний коефіцієнт кластеризації знаходиться шляхом осереднення його локальних значень для всієї мережі. Дослідження показують, що він суттєво відрізняється від одержаних для випадкових графів Ердаша-Рені [4]. Ймовірність П того, що новий вузол буде приєднано до вузла i, залежить від ki вузла i. Величина називається переважним приєднанням (preferential attachment). Оскільки не всі вузли мають однакову кількість зв’язків, останні характеризуються функцією розподілу P(k), яка дає ймовірність того, що випадково вибраний вузол має k зв’язків. Для складних мереж функція P(k) відрізняється від розподілу Пуассона, який мав би місце для випадкових графів. Для переважної більшості складних мереж спостерігається степенева залежність , де γ=1–3 і зумовлено природою мережі. Такі мережі виявляють властивості направленого графа (рис. 2). Рис. 2. Розподіл Web-сторінок в Інтернеті [4]. Pout – ймовірність того, що документ має k вихідних гіперпосилань, а Pin – відповідно вхідних, і γout=2,45, γin=2,1. Крім цього, складні системи виявляють процеси самоорганізації, змінюються з часом, виявляють неабияку стійкість відносно помилок та зовнішніх втручань.В складних системах мають місце колективні емерджентні процеси, наприклад синхронізації, які схожі на подібні в квантовій оптиці. На мові системи зв’язаних осциляторів це означає, що при деякій критичній силі взаємодії осциляторів невелика їх купка (кластер) мають однакові фази і амплітуди.В економіці, фінансовій діяльності, підприємництві здійснювати вибір, приймати рішення доводиться в умовах невизначеності, конфлікту та зумовленого ними ризику. З огляду на це управління ризиками є однією з найважливіших технологій сьогодення [2, 6].До недавніх часів вважалось, що в основі розрахунків, які так чи інакше мають відношення до оцінки ризиків лежить нормальний розподіл. Йому підпорядкована сума незалежних, однаково розподілених випадкових величин. З огляду на це ймовірність помітних відхилень від середнього значення мала. Статистика ж багатьох складних систем – аварій і катастроф, розломів земної кори, фондових ринків, трафіка Інтернету тощо – зумовлена довгим ланцюгом причинно-наслідкових зв’язків. Вона описується, як показано вище, степеневим розподілом, “хвіст” якого спадає значно повільніше від нормального (так званий “розподіл з тяжкими хвостами”). У випадку степеневої статистики великими відхиленнями знехтувати вже не можна. З рисунку 3 видно, наскільки добре описуються степеневою статистикою торнадо (1), повені (2), шквали (3) і землетруси (4) за кількістю жертв в них в США в ХХ столітті [2]. Рис. 3. Системи, які демонструють самоорганізовану критичність (а саме такі ми і розглядаємо), самі по собі прагнуть до критичного стану, в якому можливі зміни будь-якого масштабу.З точки зору передбачення цікавим є той факт, що різні катастрофічні явища можуть розвиватися за однаковими законами. Незадовго до катастрофи вони демонструють швидкий катастрофічний ріст, на який накладені коливання з прискоренням. Асимптотикою таких процесів перед катастрофою є так званий режим з загостренням, коли одна або декілька величин, що характеризують систему, за скінчений час зростають до нескінченності. Згладжена крива добре описується формулою,тобто для таких різних катастрофічних явищ ми маємо один і той же розв’язок рівнянь, котрих, на жаль, поки що не знаємо. Теорія складності дозволяє переглянути деякі з основних положень ризикології та вказати алгоритми прогнозування катастрофічних явищ [7].Ключові концепції традиційних моделей та аналітичних методів аналізу і управління капіталом все частіше натикаються на проблеми, які не мають ефективних розв’язків в рамках загальноприйнятих парадигм. Причина криється в тому, що класичні підходи розроблені для опису відносно стабільних систем, які знаходяться в положенні відносно стійкої рівноваги. За своєю суттю ці методи і підходи непридатні для опису і моделювання швидких змін, не передбачуваних стрибків і складних взаємодій окремих складових сучасного світового ринкового процесу. Стало ясно, що зміни у фінансовому світі протікають настільки інтенсивно, а їх якісні прояви бувають настільки неочікуваними, що для аналізу і прогнозування фінансових ринків вкрай необхідним став синтез нових аналітичних підходів [8].Теорія складних систем вводить нові для фінансових аналітиків поняття, такі як фазовий простір, атрактор, експонента Ляпунова, горизонт передбачення, фрактальний розмір тощо. Крім того, все частіше для передбачення складних динамічних рядів використовуються алгоритми нейрокомп’ютинга [9]. Нейронні мережі – це системи штучного інтелекту, які здатні до самонавчання в процесі розв’язку задач. Навчання зводиться до обробки мережею множини прикладів, які подаються на вхід. Для максимізації виходів нейронна мережа модифікує інтенсивність зв’язків між нейронами, з яких вона побудована, і таким чином самонавчається. Сучасні багатошарові нейронні мережі формують своє внутрішнє зображення задачі в так званих внутрішніх шарах. При цьому останні відіграють роль “детекторів вивчених властивостей”, оскільки активність патернів в них є кодування того, що мережа “думає” про властивості, які містяться на вході. Використання нейромереж і генетичних алгоритмів стає конкурентноздібним підходом при розв’язанні задач передбачення, класифікації, моделювання фінансових часових рядів, задач оптимізації в галузі фінансового аналізу та управляння ризиком. Детермінований хаос пропонує пояснення нерегулярної поведінки і аномалій в системах, котрі не є стохастичними за природою. Ця теорія має широкий вибір потужних методів, включаючи відтворення атрактора в лаговому фазовому просторі, обчислення показників Ляпунова, узагальнених розмірностей і ентропій, статистичні тести на нелінійність.Головна ідея застосування методів хаотичної динаміки до аналізу часових рядів полягає в тому, що основна структура хаотичної системи (атрактор динамічної системи) може бути відтворена через вимірювання тільки однієї змінної системи, фіксованої як динамічний ряд. В цьому випадку процедура реконструкції фазового простору і відтворення хаотичного атрактора системи при динамічному аналізі часового ряду зводиться до побудови так званого лагового простору. Реальний атрактор динамічної системи і атрактор, відтворений в лаговому просторі по часовому ряду при деяких умовах мають еквівалентні характеристики [8].На завершення звернемо увагу на дидактичні можливості теорії складності. Розвиток сучасного суспільства і поява нових проблем вказує на те, що треба мати не тільки (і навіть не стільки) експертів по деяким аспектам окремих стадій складних процесів (професіоналів в старому розумінні цього терміну), знадобляться спеціалісти “по розв’язуванню проблем”. А це означає, що істинна міждисциплінарність, яка заснована на теорії складності, набуває особливого значення. З огляду на сказане треба вчити не “предметам”, а “стилям мислення”. Тобто, міждисциплінарність можна розглядати як основу освіти 21-го століття.

У статті здійснено огляд існуючої літератури з різних аспектів, пов'язаних із соціальним капіталом (визначення, концептуальні рамки, емпіричні дослідження та інше), та проаналізовано економічну літературу щодо визначення соціального капіталу. Також були розглянуто основні механізми розповсюдження знань на основі соціального капіталу. Є кілька визначень соціального капіталу. Ці визначення можуть бути розділені на дві категорії: соціальний капітал є внутрішнім – як актив створений внаслідок партнерської взаємодії та всередині соціальної мережі, та/або зовнішнім – сформований через довіру до інституцій та під впливом соціальних норм в суспільстві. Сучасне трактування соціального капіталу зводиться до того, що це результат взаємозв’язків, який підсилює фінансовий, виробничий, людський, інтелектуальний та природний капітали, підвищує ефективність управління, активізує потенційні можливості підприємства. Аналіз визначень соціального капіталу та його форм вираження дозволив схематично відобразити взаємозв’язок між структурними елементами соціального капіталу: довіра, соціальна мережа та соціальні норми. Сучасна практика та вимоги інвесторів щодо інформаційної прозорості корпоративної звітності та підзвітності бізнесу обумовлена більш глибоким розумінням стратегії компанії та інструментів її реалізації, пояснює трансформацію підходів до формування корпоративної звітності. Відображення соціального капіталу в звітності набуває важливого значення, оскільки прямо впливає на підвищення прозорості, а відповідно і на ринкову вартість підприємства. Ефективне використання соціального капіталу дозволяє зменшувати трансакційні витрати і підвищувати фінансові показники бізнесу.

Сьогодні рейтинг і престиж навчального закладу визначаються не лише загальним рівнем викладання, матеріально-технічним забезпеченням, наявністю в штаті співробітників із вченими званнями, а й ефективністю та якістю системи контролю знань студентів. Поряд із традиційними методами контролю найширше розповсюдження знаходять методи контролю знань шляхом тестування.Спроби ввести тестування в систему освіти проводилися неодноразово. Одним з перших займався конструюванням та впровадженням тестового контролю в американській школі Е. Л. Торндайк. Тестування як об’єктивний контроль рівня освітньо-професійної підготовки фахівця впроваджував французький психолог А. Біне, який розробив тести для вимірювання загальної розумової обдарованості дітей. У радянській школі були спроби працювати за тестовою технологією у 1930-х та 1970-х роках, але на той час поширення цей вид контролю не отримав.Аналіз сучасної науково-педагогічної літератури й освітньої практики показав, що в наш час в Україні йде процес відновлення системи тестування в галузі освіти, а тестові технології розглядаються як один із ефективних засобів контролю якості підготовки й рівня предметних досягнень студентів.На сучасному етапі розвитку комп’ютерних технологій та рівні впровадження їх у різні сфери суспільства, зокрема в освітню галузь, дослідники все частіше звертаються до теми автоматизованого контролю знань, розробки комп’ютерних тестових систем різних навчальних закладах України [1–3]. Застосування комп’ютерів для контролю знань є економічно вигідним і забезпечує підвищення ефективності навчального процесу, об’єктивності оцінки рівня знань і є раціональним доповненням до інших методів перевірки знань.При сучасному розвитку ринку програмного забезпечення та систем комп’ютерного тестування розроблено досить багато програм для комп’ютерного тестування знань студентів. Ці системи являють собою або окремий програмний комплекс, що вимагає установки на комп’ютер кінцевого користувача [4], або Інтернет-сайт, що дозволяє проводити процес тестування й аналіз його результатів за допомогою звичайних веб-браузерів [5].В Ізмаїльському державному гуманітарному університеті з метою підвищення об’єктивності контролю знань студентів у поточному році кафедри інформатики була розроблена і впроваджена у дію комп’ютерна система «Тест_КВ». Область застосування системи на даному етапі – підсумкове тестування студентів денної форми навчання всіх напрямків підготовки. У перспективі розглядається можливість використання системи для проведення контрольних зрізів, кваліфікаційних тестів, заліків і будь-яких інших видів контролю знань студентів всіх форм навчання, у яких головну роль грає максимально об’єктивна оцінка знань.Система «Тест_КВ» дозволяє автоматизувати всі етапи тестування: від ідентифікації користувача, виводу на екран завдань й сприйняття відповіді до автоматичної перевірки їх правильність і генерування відомостей про підсумковий контроль.Архітектура система «Тест_КВ» є клієнт-серверною. Клієнтами системи є деканат, викладачі, студенти. Кожен з вказаною категорії клієнтів працюють з системою після проходження авторизації, використовуючи логін і пароль для доступу. Це дозволяє покласти на клієнтів виконання тільки операцій візуалізації й введення даних, а всі операції і збереженням бази даних та їх керуванням реалізовувати на сервері. Так, викладачі мають можливість внесення нових та корегування існуючих тестових завдань, деканатам надано можливість перегляду результатів тестування окремого студента або групи студентів, отримання електронної версії відомості з тестового контролю, розміщення розкладу семестрової сесії, поновлення списків студентів тощо. Студенти на власній сторінці можуть отримати інформацію про кількість іспитів на даний семестровий період, дату і час проведення тестового контролю, консультації до нього, скористатися методичними матеріалами для підготовки до іспитів.Сам тестовий контроль проводиться на локальному сервері, а тому пройти підсумковий тест студент може тільки з певної дисципліни, до якої за графіком екзаменаційної сесії він отримав доступ, і тільки на комп’ютерах, підключених до локальної мережі університету. За потребою або по запиту деканату у технічному додатку до відомості з тестового контролю відображається прізвище студента, назва тесту, який студент проходив, номер тестового листка, що містить всі видані студентові питання, час початку роботи в системі та ІР-адреса комп’ютера, з якого студент увійшов у систему.Для зручності управління контролюючою системою окремі функції були реалізовані окремим модулями. Це забезпечує легкість розширення функціонування без потреби внеску змін в існуючі модулі. Основними модулями на даний момент є «Управління тестами», «Тестування» та «Адміністрування».Модуль «Управління тестами» призначений для викладачів і максимально оптимізований для зручної роботи по вводу і збереження тестів на головному сервері із використанням повнофункціонального WYSIWYG-редактора. Окрім тестових даних, вбудований текстовий редактор дозволяє просто і зручно додавати в тестові завдання різноманітні мультимедіа-об’єкти (Flash-анімації, відео, аудіо, зображення).Система дозволяє вводити тестові питання наступних видів: 1) закритої форми з однією правильною відповіддю (1 з 4); 2) закритої форми з кількома правильними відповідями (4 з 4); 3) на встановлення істинності або хибності висловлювання (Так/Ні); 4) відкритої форми (коротка числова відповідь або коротка текстова відповідь).В якості додаткових можливостей викладач має можливостіскористатися функцією «Версія для друку», яка дозволяє відкрити й зберегти питання або тест у повній формі у файлі формату PDF у вигляді, оптимізованому для друку;переглянути спосіб відображення тестів в браузері і пройти пробне тестування;додавати перелік питань та методичні матеріали для підготовки студентів до підсумкового контролю.Модуль «Тестування» призначений для студентів. Проходження комп’ютерних тестів з конкретної дисципліни відбувається після авторизації студента та входження в модуль тестування. В системі тестового контролю номер залікової книжки використовується як унікальний номер студента. Після вибору і натискання кнопки «Розпочати тестування» запускається саме тестування. Важливими особливостями даного модуля є: виведення перед тестуванням інформаційного повідомлення, яке прикріплене до тесту; номер поточного питання з загальної кількості; проходження тесту у прямому і зворотному напрямку; таймер залишку часу на тест; продовження тесту після збою з’єднання з сервером.Модуль «Адміністрування» забезпечує централізоване управління всіма сеансами тестування та їхніми параметрами (кількість спроб, час на сеанс тестування, кількість питань у сеансі), а також типом запуску тесту. В системі підтримуються тип запуску тесту за паролем, після вводу якого студент обирає необхідний тест і натискає на посилання «Розпочати тест». Результати тестування опрацьовуються окремим модулем, результатом роботи якого є електронна відомість успішності в якій виводиться відсоток правильних відповідей та відповідна кількість балів підсумкового контролю кожного студента окремої групи.Програмна реалізація системи виконана на найпоширенішій для створення глобальних сайтів зв’язці AMP (Apache, MySQL, PHP), на якій побудовано більше половини всіх провідних ресурсів у мережі Internet (рис. 1). Рис. 1. Схема інтеграції комп’ютерної системи тестування Клієнтським додатком при даній архітектурі є веб-браузер. Виданий на рівні PHP HTML-код оптимізується під базовий стандарт HTMLv4. Це робиться з наступних причин:– використання браузера в якості клієнта дозволяє уникнути інсталяцій спеціалізованого програмного забезпечення на клієнтських місцях;– більшість комп’ютерів оснащені ОС Windows 98/2000/XP/Vista/7, для яких веб-браузер є невід’ємною частиною;– фактично користувач може використовувати будь-яку операційну платформу;– звичність Web-інтерфейсу для користувачів Інтернет.Розроблена система має багато переваг, а саме:кросплатформеність – система не залежить від типу операційної системи, яку встановлено на машині користувача, що дозволяє використовувати як застарілі апаратні платформи під керуванням Windows 95/98, так і сучасні Core 2 Duo або Athlon X2 під керуванням Windows 2000/XP/Vista/7 або X-Window Linux;легкість масштабування – усе, що потрібно для проведення тестування, – це веб-браузер, який присутній у будь-якій операційній системі (ОС), та доступ до сервера за допомогою локальної мережі;зручність у разі оновлення програмного забезпечення - оновлення програмного забезпечення здійснюється лише на сервері, що потребує менше часу та зусиль, а також полегшує супровід системи;у подальшому такі системи з мінімальними затратами часу можуть бути адаптовані для використання у дистанційному навчанні.У цей час комп’ютерна система тестування для підсумкового контролю знань студентів перебуває в експериментальній експлуатації в ІДГУ. Результати проведених тестувань на зимовій екзаменаційній сесії показали ефективність роботи системи (одночасно використовувалось до 134 комп’ютерів у 13 машинних залах). Найбільша кількість студентів, що проходили тестування, за день становила 834 особи.Викладачі й студенти високо оцінили цей метод контролю. Проведене експрес-опитування показало, що переважна більшість студентів (більше 80%) бажають екзаменуватися на комп’ютерах.Порівняння результатів проведення комп’ютерного тестування із традиційним (письмовим, тестово-бланковим) контролем знань виявило значні переваги першого. Комп’ютерний аналог такого контролю краще, тому що дозволяє звільнити викладача від непродуктивних рутинних операцій перевірки й підведення підсумків на основі брошур-тестів. Не викликала сумнівів у викладачів і вірогідність одержуваної оцінки при комп’ютерному контролі знань.Таким чином, розроблена система контролю дозволила ефективно і якісно здійснити перевірку знань студентів з підсумкового контролю і намітила напрямки удосконалення системи з метою покращення системи адміністрування системи, надання деканатам додаткових функцій по обробці результатів, поліпшення інтерфейсу додатків для роботи викладачів і студентів.

В дисертації вперше отримані такі нові наукові результати: 1. Запропоновано метод автоматизованої обробки послідовності термограм, отриманих у результаті активного теплового контролю багатошарових матеріалів, який використовує нейромережеві технології для аналізу температурних профілів у кожній точці об’єкту та дозволяє одночасно проводити класифікацію знайдених дефектів, вимірювати їх глибину залягання та розкрив. 2. Набув подальшого розвитку метод синтезу нейронної мережі прямого розповсюдження зі зворотним поширенням помилки, який враховує залежності достовірності контролю та точності дефектометрії від архітектури та алгоритмів навчання нейронної мережі, що дозволило обґрунтувати вибір кількості прихованих прошарків нейронної мережі, кількості нейронів у цих прошарках та оптимального за показником середньоквадратичної помилки мережі алгоритму навчання. 3. Удосконалено метод формування навчального набору даних, який враховує залежності достовірності класифікації дефектів у багатошарових матеріалах, похибок визначення їх глибини залягання і розкриву від параметрів вибірки навчальних сигналів, що дозволило мінімізувати час навчання нейронної мережі без погіршення достовірності автоматизованої класифікації дефектів та точності дефектометрії. Практичне значення одержаних в дисертаційній роботі результатів полягає в тому, що було розроблено алгоритмічне і програмне забезпечення реалізації підсистеми визначення характеристик дефектів за результатами активного ТНК із використанням вдосконаленого методу на базі нейромережевих технологій, що дозволило автоматизувати класифікацію дефектів і побудову теплових томограм, підвищити точність теплової дефектометрії і достовірність контролю у порівнянні з існуючими методами. Розроблено віртуальний інтерфейс користувача, який містить інструменти для проведення дефектометрії та аналізу теплових томограм, що дало змогу покращити ефективність аналізу результатів контролю. Для розробленої системи експериментально визначено архітектуру та параметри навчання нейромереж, за яких досягається найвища достовірність класифікації дефектів та точність вимірювання їх характеристик. Розроблено та виготовлено експериментальний стенд та дослідні зразки для проведення активного теплового контролю і аналізу результатів із використанням удосконаленого методу визначення характеристик дефектів на основі нейронних мереж, що дозволило відпрацювати програмні алгоритми та підтвердити ефективність даного методу. У дисертаційній роботі описано особливості та проблеми теплового контролю виробів із багатошарових матеріалів. Показано, що на сучасному етапі розвитку методів теплового неруйнівного контролю важливим завданням є не лише виявлення та визначення координат і поперечних розмірів дефектів багатошарових матеріалів, але і вимірювання їх глибини залягання та розкриву. Проведено аналіз факторів, які впливають на результати теплового контролю та описано характер взаємозв’язків між інформативними параметрами. Розглянуто традиційні математичні та статистичні методи теплової дефектометрії та встановлено їх недоліки. Описано, що аналітичний розв’язок обернених задач теплового контролю в ряді випадків є неоднозначним. Особливо низьку ефективність традиційні методи та побудовані на їх основі системи теплової дефектометрії мають у випадку контролю багатошарових матеріалів. В роботі проведено порівняльний аналіз стандартних та спеціальних методів цифрової обробки термограм. Розглянуто методи Фур’є-аналізу, вейвлет-аналізу, аналізу головних компонент та динамічної теплової томографії. Показано, що дані методи мають низьку завадостійкість, сильну залежність результатів від вибору опорної точки та рівномірності нагріву об’єкту контролю. Окрім того, розглянуті традиційні методи обробки термограм не дозволяють проводити автоматичну класифікацію дефектів за типом та визначати їх розкрив. У дисертаційній роботі описано можливості використання штучних нейронних мереж для удосконалення методів визначення характеристик дефектів. Розглянуто особливості побудови нейромережевих систем для вирішення задач класифікації дефектів та визначення їх глибини залягання і розкриву. Проведено порівняння ефективності роботи нейронних мереж та традиційних методів обробки термограм. Показано переваги нейронних мереж над традиційними алгоритмами. Розглянуто найбільш перспективні області застосування нейромережевих систем аналізу результатів активного теплового неруйнівного контролю. Проведено аналіз існуючих робіт за напрямом теплового контролю композитів. Показано, що у відомій літературі не вирішуються завдання одночасної класифікації дефектів за типом та визначення їх глибини залягання і розкриву; не досліджено способи визначення глибини залягання дефектів або їх розкриву шляхом вирішення задачі регресії за допомогою нейронних мереж; не вирішується завдання побудови теплових зображень внутрішньої структури об’єкту контролю. Сформовано мету дослідження у вигляді автоматизації процесу активної теплової дефектоскопії та дефектометрії із застосуванням нейромережевих технологій, що забезпечуватиме підвищення інформативності, достовірності та ефективності контролю виробів із багатошарових матеріалів. З метою удосконалення методів активної теплової дефектоскопії і дефектометрії та автоматизації обробки даних в дисертації обґрунтовано та розроблено підсистему цифрової обробки термограм, що складається з трьох нейромережевих модулів. Описано можливість використання багатошарових нейронних мереж прямого розповсюдження зі зворотним поширенням помилки з повнозв’язними прошарками у складі модуля виявлення та класифікації дефектів та модулів визначення глибини залягання і розкриву дефектів. Сформовано алгоритми формування навчальних множин для задач класифікації дефектів та визначення їх глибини залягання і розкриву. Описано процедуру навчання нейромережевих модулів та розроблено відповідне програмне забезпечення в середовищі MATLAB. Виконано програмну реалізацію віртуальних приладів в середовищі NI LabVIEW, в яких втілено алгоритми роботи нейромережевих модулів та пост-обробки результатів. Створено графічний інтерфейс користувача, який містить елементи керування, інструменти для проведення дефектометрії та блоки графічного відображення інформації щодо положення дефектів та внутрішньої структури об’єкту контролю. На основі проведеного комп’ютерного моделювання процесу активного теплового контролю алюмінієвої пластини зі штучними внутрішніми дефектами отримано послідовності термограм. Встановлено, що внаслідок впливу високого рівня теплової дифузії та нерівномірності нагріву обробка отриманих послідовностей термограм традиційними методами є ускладненою та малоефективною. В результаті досліджень доведено, що розроблена автоматизована нейромережева система має покращені якісні та кількісні показники ефективності у порівнянні з традиційними методами. У роботі проведено комп’ютерне моделювання процесу активного теплового контролю зразка із багатошарового вуглепластику зі штучними внутрішніми дефектами. За результатами досліджень ефективності обробки отриманих послідовностей термограм різними методами встановлено, що розроблена нейромережева система забезпечує найвищі показники якості класифікації дефектів та точності дефектометрії серед розглянутих методів. Досліджено вплив архітектури нейронних мереж на результати роботи нейромережевих модулів розробленої системи у випадку обробки даних комп’ютерного моделювання. Дослідження показали, що найбільш оптимальним є використання двох прихованих прошарків з 12 нейронами в першому та 4 нейронами в другому прошарках. Встановлено, що із доступних алгоритмів навчання найбільш ефективним за показником середньоквадратичної помилки мережі є оптимізатор Левенберга-Маркарда. Проведено дослідження впливу обсягу та якості навчальної вибірки на результати роботи нейромережевих модулів. Встановлено кількісні значення погіршення показників ефективності роботи системи. У випадку зменшення кількості навчальних зразків в чотири рази, на 7,55 % знижується значення критерію Танімото та на 14,74 % зростає відносна похибка визначення глибини залягання дефектів. Водночас, в чотири рази зменшується час навчання. Аналогічні результати отримано і для випадку зменшення репрезентативності вибірки. Розроблено та виготовлено 2 тестових та 5 навчальних зразків у вигляді пластин із багатошарових композиційних матеріалів, які містять штучні внутрішні дефекти з відомими параметрами. Зразки використовувались для проведення експериментальних досліджень ефективності роботи розробленої автоматизованої системи. Для проведення експериментів було виготовлено стенд для проведення активного теплового контролю за схемою з двостороннім доступом до об’єкту. За результатами експериментальних досліджень встановлено, що в реальних умовах архітектура нейронних мереж відповідних модулів має бути ускладнена до 35 нейронів в першому та 15 нейронів в другому прихованому прошарках. Дослідження показали, що розроблена система дозволяє проводити безпомилкове виявлення та класифікацію дефектів за типом. Оцінка глибини залягання та розкриву дефектів із використанням розробленої системи відбувається з максимальною похибкою ±3,19 % та 3,50 % відповідно. Доведено, що розроблена система має підвищену достовірність контролю та точність дефектометрії у порівнянні з традиційними алгоритмами навіть в умовах нерівномірного нагріву. На основі результатів досліджень сформульовано рекомендації щодо методики контролю із використанням розробленої автоматизованої системи. Ключові слова: неруйнівний контроль, тепловий контроль, теплова дефектометрія, теплова томографія, теплове поле, композиційні матеріали, нейронні мережі, нейромережевий класифікатор, мережа прямого розповсюдження, зворотне поширення помилки, машинне навчання.