Статті в журналах з теми "Функції розпізнавання"

Розглянуто сучасні методи розпізнавання аномальних патернів у зразках кодових послідовностей для ідентифікації типу аварії на об'єктах критичної інфраструктури за допомогою прихованих марковських моделей. Представлена комплексна методика, що базується на аналізі функції густини ймовірності аномальних паттернів, що застосовується у прихованій марковській та напівмарковській моделі. Вказано, що зазначений підхід дозволяє визначити функцію часової залежності рядів даних, відповідно класифікація проводиться на основі наборів аномальних даних, що не відповідають класам навчальної вибірки. На основі математичної моделі показано, що представлена методика надає можливість оптимізувати ефективність розпізнавання аномальних паттернів при ідентифікації аварійного стану на об'єкті інфраструктури.

Показано, що системи розпізнавання надзвичайних подій виявляють різні типи невизначеності: неповні потоки даних, помилки в потоках даних і невідповідні шаблони складних подій. Показано, що потоки подій, що потрапляють на вхід системи розпізнавання складних подій, характеризуються певним ступенем невизначеності. Джерела даних є неоднорідними і характеризуються різною структуризацією даних і відповідними процедурами реагування на пошкоджені блоки даних. Навіть для даних, визначених достатньо точно, система може некоректно моделювати складні події, що призводить до подальшого типу невизначеності. Отже, зазначено, що важливо розглянути методи розпізнавання складних подій, які можна віднести до невизначених. З цією метою було запропоновано відповідні модельні об'єкти. Проведений аналіз ключових моментів побудови систем розпізнавання складних подій, які здатні ефективно працювати в умовах невизначеності, охоплював методи стохастичного моделювання, моделі часового представлення та реляційні моделі. Розглянуто методики, що базуються на абстрактних автоматах, імовірнісних моделях графів, системах логіки першого порядку, мережах Петрі та прихованих мережах Петрі. Зазначено, що проміжним етапом роботи відповідних алгоритмів має бути створення ієрархії складних об'єктів, що не завжди піддаються чіткому визначенню. Виявлено низку обмежень щодо використовуваного синтаксису, моделей і ефективності, які були зіставлені з конкретними варіантами їх реалізації. Запропоновано підхід щодо переходу від детерміністичного математичного апарату до системи розпізнавання складних подій в умовах невизначеності, через введення функції вірогідності події. Розроблена методологія дала змогу виділити напрями досліджень і оцінити продуктивність використовуваних математичних методів.

В даній статті проведено аналіз впливу неоднорідності аерозольної завіси на виявлення та розпізнавання об’єкту. Застосована частотно-просторова гіпотеза зображення, яка може бути сприйнята зором лише на таких відстанях, коли компоненти частотного спектра спостережуваного об’єкта виявляються в діапазоні частот, що сприймаються зором. Показана графічна залежність оптичної передавальної функції від оптичної товщини аерозольної завіси. При цьому використано рівняння переносу зображення через середовище, що розсіює, отримано рівняння для визначення дальності видимості просторово-протяжних об’єктів для випадку спостереження неозброєним оком за денних умов освітленості. Зроблено висновки про те, що дальність видимості просторово-протяжних об’єктів в аерозольній завісі тим більша (менша), ніж більші (менші) кутові розміри об’єкту або чим більші (менші) розміри часток аерозолю.

Актуальність теми дослідження. На сучасному етапі розвитку інформаційних систем та технологій, які базуються на математичних моделях теорії штучного інтелекту (методах та схемах алгоритмічних дерев класифікації), виникає принципова проблема вузької спеціалізації наявних підходів та методів у соціально-економічних, екологічних та інших системах первинного аналізу та обробки великих масивів інформації. Задачі, які об’єднуються тематикою розпізнавання образів, дуже різноманітні та виникають у сучасному світі в усіх сферах економіки та соціального контенту діяльності людини, що приводить до необхідності побудови та дослідження математичних моделей відповідних систем. На сьогодні немає універсального підходу до їх розв’язання, запропоновано декілька досить загальних теорій та підходів, що дозволяють вирішувати багато типів (класів) задач, але їх прикладні застосування відрізняються досить великою чутливістю до специфіки самої задачі або предметної області застосування. Представлена робота присвячена проблемі моделей логічних та алгоритмічних дерев класифікації (схем ЛДК/АДК), пропонує оцінку складності структур алгоритмічних дерев (моделей дерев класифікації), які складаються з незалежних та автономних алгоритмів класифікації і будуть являти собою певною мірою новий алгоритм розпізнавання (зрозуміло, що синтезований із відомих схем, алгоритмів та методів). Постановка проблеми. Нині актуальні різні підходи до побудови систем розпізнавання у вигляді дерев класифікації (ЛДК/АДК), причому інтерес до методів розпізнавання, які використовують дерева класифікації, викликаний багатьма корисними властивостями, якими вони володіють. З одного боку, складність класу функцій розпізнавання у вигляді моделей дерев класифікації, при визначених умовах, не перевищують складності класу лінійних функцій роз-пізнавання (простішого з відомих). З іншого – функції розпізнавання у вигляді дерев класифікації дозволяють виділити в процесі класифікації як причинно-наслідкові зв’язки (та однозначно врахувати їх у подальшому), так і фактори випадковості або невизначеності, тобто врахувати одночасно і функціональні, і стохастичні відношення між властивостями та поведінкою всієї системи. При цьому відомо, що процес класифікації нових, таких, що досі не зустрічалися, об’єктів світу багатьох тварин і людей (за винятком об’єктів, інформація про які передається генетичним шляхом (наслідковим), а також в деяких інших випадках), відбувається за так званим логічним деревом рішень (у зв‘язку з нейромережевою концепцією). Зрозуміло, що доцільно не розробляти новий алгоритм, а запропонувати деяку концепцію раціонального використання вже накопиченого потенціалу алгоритмів та методів класифікації у вигляді моделей алгоритмічних дерев класифікації (структур АДК). Саме тому ця робота має намір хоча б частково подолати ці обмеження та присвячена оцінці складності процедури побудови моделей алгоритмічних (логічних) дерев класифікації в галузі задач розпізнавання. Аналіз останніх досліджень і публікацій. У дослідженні розглянуті останні наукові публікації у відкритому доступі, які присвячені загальній проблемі підходів, методів, алгоритмів та схем розпізнавання (моделей ЛДК/АДК) дискретних об’єктів (дискретних зображень) у задачах розпізнавання образів (теорії штучного інтелекту). Виділення недосліджених частин загальної проблеми. Можливість простого та економного методу побудови моделі алгоритмічного дерева класифікації (або структур АДК/ЛДК) та оцінка складності такої процедури (моделі структури АДК/ЛДК) на основі початкових масивів дискретної інформації великого об’єму. Постановка завдання. Дослідження актуального питання складності загальної процедури побудови алгоритмічного дерева класифікації (моделі АДК) на основі концепції поетапної селекції наборів незалежних алгоритмів класифікації (можливих їх різнотипних множин та сполучень), яке для заданої початкової навчальної вибірки (масиву дискретної інформації) будує деревоподібну структуру (модель класифікації АДК), з набору алгоритмів оцінених на кожному кроці схеми побудови моделі за даною початковою вибіркою. Виклад основного матеріалу. Пропонується оцінка складності процедури побудови алгоритмічного дерева класифікації для довільного випадку (для умов слабкого та сильного розділення класів навчальної вибірки). Розв’язок цього питання має принциповий характер, щодо питань оцінки структурної складності моделей класифікації (у вигляді деревоподібних конструкцій), структур АДК дискретних об’єктів для широкого класу прикладних задач класифікації та розпізнавання в плані розробки перспективних схем та методів їх фінальної оптимізації (мінімізації) конструкції. Це дослідження має актуальність не лише для конструкцій алгоритмічних дерев класифікації, але й дозволяє розширити саму схему оцінки складності і на загальний випадок структур логічних дерев класифікації. Висновки відповідно до статті. Досліджені питання структурної складності конструкцій ЛДК/АДК, запропонована верхня оцінка складності для процедури побудови алгоритмічного дерева класифікації в умовах слабкого та сильного розділення класів початкової навчальної вибірки.

Предметом вивчення в статті є інформаційні ройова технологія тематичного сегментування зображень, що отримані з бортових систем оптико-електронного спостереження. Метою є розробка інформаційної технології сегментування, в основу якої покладений ройовий метод тематичного сегментування оптико-електронного зображення. Завдання: аналіз рівнів технології дешифрування оптико-електронного зображення, аналіз основних етапів обробки оптико-електронного зображення та рівнів локалізації об’єктів інтересу на етапі розпізнавання, аналіз основних вимог до тематичних сегментів зображення, аналіз відомих методів та інформаційних технологій сегментування зображень, що отримані з бортових систем спостереження, обґрунтування цільової функції тематичного сегментування та вибору оптимального значення порогу сегментування, розробка інформаційної ройової технології тематичного сегментування зображень, що отримані з бортової системи оптико-електронного спостереження, наведення тестового прикладу тематичного сегментування кольорового зображення. Використовуваними методами є: методи теорії імовірності, математичної статистики, ройового інтелекту, кластерізації даних, еволюційних обчислень, методи оптимізації, математичного моделювання та цифрової обробки зображень. Отримані такі результати. Встановлено, що основним етапом обробки зображень, що отримані з бортових систем спостереження, є етап тематичного сегментування. Встановлено, що у теперішній час невелика кількість досліджень присвячена вирішенню задачі тематичного сегментування зображень, що отримані з бортових систем спостереження. Встановлено, що у якості цільової функції використовується функція, яка визначається як сума дисперсії інтенсивності пікселів в межах кожного тематичного сегменту, а оптимізація полягає у мінімізації цільової функції. В основу інформаційної ройової технології покладені удосконалені методи ройового інтелекту (штучної бджолиної колонії) тематичного сегментування оптико-електронного зображення та ройового інтелекту (штучної бджолиної колонії) тематичного сегментування багатомасштабної послідовності оптико-електронних зображень. Висновки. Наукова новизна отриманих результатів полягає в наступному: підвищення візуальної якості сегментованого зображення, що в подальшому суттєво впливає на вирішення завдання дешифрування зображення.

Розглянуто актуальну проблему визначення правильності одягнення медичної маски у людини. Для її вирішення запропоновано побудування моделі з використанням штучного інтелекту. Розглянуто механізм класифікації та обробки вхідних даних. Розроблено структуру згорткової нейронної мережі у вигляді моделі послідовної реалізації шарів згортки, агрегування, повного зв’язку. Обґрунтовано доцільність використання функції ReLU для активації вузлів. Застосовано метод Dropout для запобігання перенавчанню нейронної мережі. Вихідний шар реалізовано у вигляді одного нейрону з використанням функції активації сигмоїда. Оптимізація згорткової нейронної мережі здійснена методом стохастичного градієнтного спуску. Використано метод зворотного поширення помилки для навчання нейронної мережі. Розроблено програмний додаток на мові програмування Python. Використано бібліотеку Keras для забезпечення точності, правильності, повноти побудованої моделі. Проведено компіляцію з використанням бінарної перехресної ентропії в якості цільової функції. За допомогою розробленого додатку проведено ефективне навчання згорткової нейронної мережі на тестових вхідних зображеннях. Зважаючи на значні вимоги до апаратного забезпечення і програмних ресурсів, цей процес було здійснено під керуванням операційної системи Linux. Обмежена кількість періодів навчання забезпечила зменшення підсумкового часу навчання. Здійснено перевірку побудованої системи на контрольній множині. Отримано високі показники розпізнавання зображень. Працездатність програмного додатку перевірена з використанням різної апаратної і програмної конфігурації. Розроблена система може бути використані у галузях, які потребують контролю виконання правил безпеки під час пандемії.

Розглядаються питання вирішення візуального завдання зі збору інформації багатоканальним прицільно-спостережним комплексом зразка бронетанкового озброєння в інтересах усвідомлення ціле-фонової обстановки, супроводження та знищення озброєння та військової техніки противника на максимальних дальностях (в межах дії основного штатного озброєння зразків бронетанкового озброєння). В якості критерію ефективності виконання завдання з виявлення/розпізнавання/ідентифікації цілі виступає ймовірність виконання відповідної візуальної задачі. Проведено аналіз сучасних підходів щодо оцінки ефективності виконання завдання зі збору даних про ціль, основу яких складають моделі Джонсона та ТТР (Targeting Task Performance, ефективність задачі прицілювання). Пороговий характер зорового сприйняття свідчить про те, що ймовірність виконання візуальної задачі також повинна мати пороговий характер. Тому дво-порогова лінійна апроксимація, запропонована в цій роботі, є більш адекватним модельним представленням, ніж власне сигмоїдні функції, які моделюють ймовірності виконання візуальних задач в рамках моделей Джонсона та моделі TTP.

Білок розпізнавання пептидогліканів (PGRP) є важливим рецептором розпізнавання паттернів, який міститься як у безхребетних, так і у хребетних. Він відіграє важливу роль в антибактеріальному імунітеті, завдяки своїй помітній здатності виявляти та усувати збудника інфекції. Однак PGRP, в основному ідентифіковано з Drosophila melanogaster та Bombyx mori, а щодо інших сільськогосподарських комах повідомлень мало про їхні функції та механізм. У цьому дослідженні короткотиповий ген PGRP під назвою GmPGRP-SC був ідентифікований у Grapholitha molesta – східної плодожерки (OFM) – на основі аналізу бази даних груп транскрипції OFM з нашої лабораторії та Національного центру інформації з біотехнологій (https://www.ncbi.nlm.nih.gov/). GmPGRP-SC містить домен PGRP і має найтісніший генетичний зв'язок з геном PGRP Leguminivora glycinivorella, відповідно до послідовності та філогенетичного аналізу. Метод ПЛР у реальному часі було використано для аналізу картини його експресії на стадіях розвитку OFM та в різних тканинах личинки OFM. Наразі, відносно рівні експресії гена GmPGRP-SC в OFM були проаналізовані після інфікування Beauveria bassiana. Результати показали, що загальна кДНК від GmPGRP-SC становила 3221 bp (базових, основних пар), а кодуючі області – 2268 bp, що кодують 756 амінокислотних залишків. Рівень експресії GmPGRP-SC був найвищим у стадії лялечки OFM. Водночас, у різних тканинах OFM його відносна експресія була вищою в епітелії та гемоциті, тоді як іншим стадіям та тканинам притаманна порівняно нижча та з невеликою різницею. Рівень експресії GmPGRP-SC був істотно різним, коли суспензія спор B. bassiana становить 105 конідій/мкл, інфікованих через 48 годин. Тоді, коли суспензія спор B. bassiana становить 107 конідій/мкл, рівень експресії GmPGRP-SC також був різним. Усі ці результати закладуть основу для вивчення ролі та функцій GmPGRP-SC у вродженому імунітеті OFM, а також сприятимуть подальшому вивченню молекулярної взаємодії між OFM та B. bassiana. Результати досліджень можуть допомогти знайти потенційні молекули-мішені та забезпечити наукову основу для розробки нових біогенних пестицидів та реалізації Зеленої боротьби зі шкідниками (GPM).

У роботі наведено огляд витоків та сучасного стану систем комп'ютерного зору, приклади задач комп'ютерного зору. Описано використання систем комп'ютерного зору освіти як у звичайних, і у пандемічних умовах. Пандемія COVID-19 викликала зміни в освіті, які видозмінили існуючі освітні програми систем комп'ютерного зору та породили нові, у тому числі соціальне дистанціювання, розпізнавання маски на обличчі, виявлення проникнення в університети та школи, запобігання вандалізму та виявлення підозрілих предметів, моніторинг відвідуваності, емоцій на обличчях у масках та без них. Системи комп'ютерного зору також можна використовувати у освіті для упровадження імерсивних освітніх ресурсів. На основі аналізу автономних бібліотек для ідентифікації динамічних об'єктів зроблено висновок, що при створенні систем машинного зору в освітніх цілях доцільно використовувати бібліотеки комп'ютерного зору, що ґрунтуються на глибокому навчанні (зокрема, реалізації згорткових нейронних мереж). Описано прототип системи комп'ютерного зору, розроблений на основі Microsoft Cognitive Toolkit і розгорнутий у хмарі Microsoft Azure. Система дозволяє з високим ступенем надійності виконувати головні функції: ідентифікацію емоцій та наявність маски на обличчі, а також дає можливість визначити стать, вік, колір волосся, інтенсивність посмішки, наявність макіяжу, окулярів тощо.

Нині навчання та тренажерна підготовка персоналу в енергетичній галузі України має значні недоліки, що не дозволяє виконувати повною мірою зобов’язання перед міжнародними організаціями. У статті обґрунтовано важливість використання сучасних веб орієнтованих технологій для підвищення кваліфікації оперативно-диспетчерського персоналу в енергетичній галузі України. Описано особливості створення навчально-методичної бази для системи підготовки та підвищення кваліфікації оперативно-диспетчерського персоналу в енергетиці з метою формування й підтримки ключових компетентностей оперативного персоналу. Розглядаються переваги застосування розподіленого середовища для організації навчання і тренажерної підготовки оперативного персоналу за допомогою засобів моделювання режимів роботи електроенергетичних систем (ЕЕС) у віртуальному центрі. У результаті проведеного дослідження обґрунтовано навчально-методичну базу, структуру та функції віртуального науково-навчального центру для підвищення кваліфікації персоналу в енергетичній галузі України, який виконує такі функції: контроль знань, тренажерна підготовка, формування ключових компетентностей. Подано основні компоненти дистанційних курсів (ДК) з використанням спеціалізованих програмно-моделюючих систем для тренажерної підготовки персоналу в енергетиці. Тематика пропонованих ДК складається з лекцій, практичних занять та семінарів, передбачає проведення консультацій з викладачами і самостійну позааудиторну роботу персоналу у вільний або в робочій час. Важливим практичним аспектом в авторських ДК є використання інформаційно-програмного забезпечення для стійкого формування в персоналу енергетичної галузі ключових компетентностей зі швидкого розпізнавання умов виникнення аварій та, за необхідності, швидкої ліквідації їх наслідків. Це дозволить оволодіти знаннями та практичними навичками для розв’язання задач аналізу, моделювання, прогнозування та візуалізації даних моніторингу режимів роботи великих ЕЕС. Отже, для підвищення кваліфікації персоналу в енергетичній галузі України було розроблено і впроваджено: віртуальний науково-навчальний центр (ВННЦ) та забезпечено його наукову підтримку; розроблено та впроваджено ДК для організації змішаного навчання персоналу; розроблено та впроваджено повнофункціональний режимний вебтренажер (ПОРТ). Використання персоналом у галузі енергетики ВННЦ дозволить створити систему підготовки персоналу найвищої якості.

Проаналізовано сучасні методології реалізації фонового моніторингу стаціонарних та квазістаціонарних об'єктів, просторово розподілених на 2D-території. Систематизовано та класифіковано 17 типів здійснення просторового діалогового моніторингу об'єктів управління. Визначено базові методи реалізації різних класів діалогового моніторингу, обґрунтовано принципи та фундаментальні засади створення теорії інтерактивних моніторингових систем на підставі проблемно орієнтованих характеристичних функціоналів, які математико-алгоритмічно описують методи та функції окремих класів діалогового моніторингу квазістаціонарних об'єктів управління. Подано рекомендації щодо забезпечення теоретичних основ формування реєстрації, цифрового опрацювання та використання побудованого сімейства інформаційних моделей станів "норма", "розвиток аварії" та "аварія" спостережуваних діалогових моніторингових систем. Обґрунтовано переваги застосування кільцево-зіркової архітектури інтерактивно-діалогових систем безпровідного надземного та наземного моніторингу. Розглянуто структури сенсорних моніторингових систем з максимально зв'язаною (систолічною) та лінійно зв'язаною топологіями просторового немобільного розміщення сканувальних сенсорів моніторингових систем. Подано методи та алгоритми моніторингу просторово розподілених об'єктів, в які покладено математичні засади цифрового кодування та опрацювання характеристичних параметрів об'єктів дослідження, такі як динаміка, відхилення від норми порівняно з еталонами на підставі побудованих інформаційних моделей їх станів та розпізнавання їх класів у математико-алгоритмічному середовищі. Розглянуто стратегію реалізації мегапросторового об'єкта моніторингу залежно від конфіденційних характеристик об'єкта. Також обґрунтовано вибір стратегії згідно з координатно-детермінованою, випадковою та ймовірнісною технологіями. Запропоновано підхід технічної реалізації спеціалізованих пристроїв, які забезпечують збирання, перетворення та опрацювання інформаційних даних.

У наш час найбільш точні моделі для розпізнавання об’єктів базуються на двоступеневому підході, популяризованому як R-CNN. На відміну від них, одноступеневі моделі, що застосовуються під час регулярного, детального відбору зразків, можуть бути швидшими та простішими, але вони не досягають точності двоступеневих моделей. Проте з новою функцією втрат, дисбаланс класу, який виникає під час тренування на наборі даних, зникає. Саме тому одноступенева модель має переваги в продуктивності та точності на відміну від двоступеневої. У роботі використано цей дисбаланс класів, щоб переформувати стандартні, перехресні ентропійні втрати таким чином, щоб зменшити їх. В архітектурі RetinaNet[1], функція втрат Focal Loss[1] сфокусовує навчання на наборі даних, які зустрічаються рідше, і запобігає перевантаженню моделі під час тренувань. Архітектура RetinaNet була протестована на наборі даних CROHME[4], що був розширений за допомогою алгоритму Data Augmentation[9] для збільшення частоти входження певних елементів формул. Також було порівняно дві бібліотеки машинного навчання: TensorFlow та Torch. Отримані результати показують, що коли модель тренується з фокальною втратою, RetinaNet показує дуже добрі результати та має хорошу швидкість виконання. Окрім того, отриману модель було інтегровано в веб-застосунок на основі мікросервісної архітектури. Основними веб-фреймворками було використано NodeJs для серверної частини та VueJs для рівня подання. Для роботи з базами даних ми використовуємо MongoDB. Розгортання програми відбувається за допомогою хмарної служби AWS на основі Lambda-функцій, що дає змогу виокремити процеси навчання, обробки, візуалізації та контролювати ресурси серверу окремо для кожного процесу.

Одним зі способів боротьби із незаконною вирубкою лісів є постійний моніторінг супутникових знімків деяких районів та розпізнавання на них потенційних вирубок. Метою статті є розроблення системи розпізнавання ділянок вирубок лісів на зображенні зі супутника за допомогою згорткових нейронних мереж з метою своєчасного інформування про незаконні подібні дії у заданому регіоні. Результати дослідження. . Супутниками, з яких були отримані всі необхідні зображення, є Landsat-8 та Sentinel-2, що роблять знімки щодня з 16-денним та 10-денним циклами повторення відповідно. Розпізнавання здійснювалось за допомогою згорткової нейронної мережі, що навчалася на наборі даних великого обсягу. Висновок. Розроблений програмний продукт може виконувати такі функції: вибір координат; зберігання координат для подальшого використання; вибір проміжку часу; завантаження супутникових зображень за вибраний проміжок часу; розпізнавання зображень. Розроблена система є десктопним застосунком. Модульність основних функцій системи дозволить у майбутньому за невеликий час модифікувати їх для використання у повністю автоматизованих системах, не потребуючих управління оператором

Предмет дослідження ̶ процеси розпізнавання зображень рукописних цифр із застосуванням нейронних мереж. Додаток для розпізнавання ґрунтується на архітектурі сіамської мережі з нейронними згортковими підмережами. Мета статті ̶ обґрунтування вибору N-вимірних векторних уявлень вхідних зображень для опису їх властивостей, порівняння та їхнього розпізнавання. Завдання: експериментальне дослідження розпізнавання зображень рукописних цифр із використанням архітектури сіамської нейронної мережі. Методи досліджень: метод прямого пошуку для функцій з декількома змінними для визначення N-вимірних векторних представлений вхідних зображень. Методи досліджень: метод прямого пошуку для функцій з декількома змінними для визначення N-вимірних векторних уявлень вхідних зображень. Результати досліджень. Результати досліджень. Проведено визначення N-вимірних векторних уявлень вхідних зображень рукописних цифр та досліджено їх характеристики. Виконано експериментальне дослідження розпізнавання зображень із використанням векторних уявлень зображень у рамках архітектури сіамської нейронної мережі. Показано, що запропоновані методи визначення векторних N-вимірних уявлень вхідних зображень є робастними і незначно впливають на кількість помилок при тестуванні розпізнавання. Під час тестування використовувалися зображення рукописних цифр із тестового набору MNIST. Визначено, що використання наперед вибраних еталонних уявлень вхідних зображень дозволяє спростити архітектуру сіамської мережі. Висновки. Результати, отримані в роботі, можуть бути використані при порівняльній оцінці та визначенні N-вимірних векторних уявлень різних класів вхідних зображень з метою розпізнавання їх з використанням архітектури сіамської нейронної мережі.

В статті представлено математичну модель виконання вогневих задач екіпажем танка, яка включає наступну послідовність станів: вихідний стан зразка бронетанкового озброєння в районі зосередження, марш із місця зосередження до передбаченого місця бою, початок спостереження, виявлення, розпізнавання та ідентифікація противника, бойове застосування зразка бронетанкового озброєння, ураження/неураження ворожої цілі, які утворюють ланцюг Маркова.Граничний розподіл ймовірностей, отриманий як розв’язок рівняння на власні значення та власні вектори, дає ймовірність виконання вогневої задачі екіпажем танка, як функцію ймовірностей переходів між відповідними станами.

В статті вирішується задача розпізнавання форми продукції випускаємої новим комплексом обладнання з виробництва пельменної продукції особливої, кубічної форми. Випуск продукції складної важкореалізовуваної форми використовується для збільшення економічної складової і виключення підробок. При виготовленні товарів виникає ряд труднощів, які необхідно подолати. Однією з них є облягання фаршу з мінусовою температурою в тісто яке має кімнатну температуру. Провівши ряд активних експериментів з замороженим фаршем і теплим тістом, отримавши і обробивши отримані результати, ми прийшли до висновку, що створюване обладнання повинно мати не тільки систему автоматичного керування, що включає в себе можливість керувати комплексом, а й містити алгоритми, які дадуть можливість розраховувати за математичними моделями необхідну для підтримання властивостей тісту температуру. А також включити в можливості комплексу комп'ютерну обробку отриманої продукції і використовуючи сучасні технології комунікацій, забезпечити передачу інформації, яка буде доступна для віддаленої роботи як самого комплексу, так і інформації про вироблену ним продукцію. Використовуючи нову, важкореалізовану форму і сучасні технології, створений комплекс в майбутньому дасть можливість не тільки виробляти нову продукцію з формою захищеної від підробки, а й скоротити витрати виробництва. Ефективність буде обумовлена ще й в тому, що на продукцію такої форми, може бути підвищена ціна з міркування змісту в собі кращих інгредієнтів і можливість використання більш компактною упаковки. Так як в пачках маючих в собі напівфабрикати кубічної форми фактично буде відсутній вільне місце на відміну від сучасних пачок з пельменній продукцією, що містить до 20% повітря. Це, так само дасть приріст ефективності при зберіганні і переміщенні продукції. Варто звернути увагу ще і на те, що дане обладнання зможе виробляти нові види продукції напівфабрикатів, що включають в себе не тільки використовуються в даний час поширені інгредієнти, такі як свинина і яловичина, а й м'ясо птиці, риби і містити безліч різних рецептів фаршу і тіста. Що в свою чергу розширить асортимент виробляємої продукції напівфабрикатів. Кінцевою стадією приготування пельменя є його перевірка та відбраківка. Якщо форма пельменя відповідає регламенту, його відправляють на подальшу заморозку, в протилежному випадку, його відправляються на переробку, при цьому вноситься коригування у систему керування температурою нагріву. Сучасні комп’ютерні методи дозволяють отримувати ці дані з фото. Існує 3 методи обробки фото для виявлення необхідних властивостей: статичні методи, методи порівняння із зразком, нейронні мережі. У роботі розглядається розпізнавання пельменя з використанням бібліотеки відкритого доступу OpenCV, яка вже має безліч функцій розпізнавання та постійно дописується новими.

Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.

Одним із шляхів реформування освіти у вищій школі є модернізація її на компетентнісних засадах, зокрема, через широке запровадження інформаційно-комунікаційних технологій навчання. Особливої ваги набуває генералізація знань, посилення функції теорії у науці, інтеграція і диференціація знань. Компетентності вчителя математики, зокрема математичні і методичні, розглядаємо як особистісні утворення фахівця, які формуються на основі здобутих знань, досвіду діяльності, вироблених ціннісних орієнтацій, ставлень та оцінок.Оскільки підґрунтям для набуття компетентностей виступають знання і вміння майбутніми вчителями застосовувати основні теоретичні положення і розв’язувати задачі, то необхідно регулярно здійснювати моніторинг сформованості відповідних компетентностей, а тому і рівня знань студентів. Акцент при цьому слід робити на взаємоконтроль та самоконтроль. Для забезпечення рівневої диференціації навчання доцільно пропонувати студентам для виконання рівневі тести: 1) вхідний тест (попередній) – система завдань закритої форми, призначених для актуалізації та корекції опорних знань; 2) початковий тест (формувальний, тест початкового розуміння) – система тестових завдань закритої форми з вибором відповіді на впізнавання і розпізнавання; 3) тест базового рівня (формувальний, діагностичний) – система тестових завдань закритої форми або з короткою відповіддю; 4) тест навчальних досягнень (підсумковий) – призначений для встановлення фактичного рівня засвоєння знань і умінь з теми.В якості механізму здійснення поточного (вхідне, тематичне, модульне та інші) та підсумкового контролю знань та умінь студентів доцільно застосовувати систему комп’ютерного тестування, виважене використання якої надає можливість не лише визначати рівень підготовленості студентів, але й здійснювати дистанційне навчання.Теоретичне обґрунтування питань, пов’язаних із використанням комп’ютерного тестування в якості контролю рівня знань, проблеми педагогічного вимірювання та використання тестових технологій у вищій школі розглядали Л. І. Білоусова, О. Г. Колгатін, С. А. Раков, А. М. Калинюк [3], В. О. Шадура [4], С. В. Домашенко [1] та ін.Можна виокремили певні переваги комп’ютерного тестування у порівнянні з традиційними формами контролю:– швидке отримання результатів і вивільнення викладача від трудомісткої роботи по опрацюванню результатів тестування;– об’єктивність оцінки;– виникає можливість студентам здійснювати самоконтроль;– студенти відзначають, що тестування з використанням програмного забезпечення для них є цікавішим у порівнянні з традиційними формами опитування, що створює позитивну мотивацію;– підвищення ефективності роботи викладача шляхом перенесення акцентів у спілкуванні зі студентами на проблемні питання, завдання творчого, евристичного характеру.І хоча акценти у сучасному навчанні робляться не на запам’ятовування і відтворення, а на «мислення» і «розмірковування», осмислення взаємозв’язків теорії з практикою в теорії ймовірностей не можна здійснювати без знання формул, властивостей випадкових подій, випадкових величин, основних законів розподілу. Тому важливо на проміжних етапах вивчення теми здійснювати перевірку сформованості вмінь та навичок розв’язування типових завдань, яка не повинна займати багато часу, але при цьому має якісно діагностувати.Існує значна кількість вільного програмного забезпечення для здійснення тестового контролю (Moodle, iTest та OpenTEST 2). Тестування за допомогою програмного забезпечення Moodle в найбільшій мірі використовуємо при вивченні курсів «Інформаційно-комунікаційні засоби навчання», теорії ймовірностей та математичної статистики. За допомогою Moodle відносно зручно опрацьовувати результати тестування і представляти графічні характеристики.Мета нашого дослідження полягає в розробці початкових тестів і тестів базового рівня до теми «Одновимірні дискретні і неперервні випадкові величини», здійсненні тестування з використанням інформаційної системи LOGIT [2], опрацюванні результатів тестування, побудові профілів питань і профілів респондентів, а також перевірці на практиці того, наскільки дане програмне забезпечення охоплює повний життєвий цикл тесту.Тест в LOGIT проходить стадії створення та наповнення, рецензування, багаторазового випробування та удосконалення. У зв’язку з цим інформаційною системою передбачені такі рівні доступу: адміністратор, менеджер, користувач, гість. В свою чергу, користувачі системи мають певні ролі або їх комбінації, а саме: тестувальник, рецензент, автор. Зрозуміло, що розподіл прав та надання ролей відповідає процесу розроблення тесту.Першою стадією є розроблення тесту, на яку тест переходить після надання йому теми та опису автором і призначення менеджером адміністратора. На цій стадії автор визначає розділи тесту та наповнює не менш як тридцятьма питаннями кожний з них. Тест створюється лише у вигляді системи тестових завдань закритої форми з вибором однієї правильної відповіді. Рецензенти аналізують створене і, при необхідності, роблять зауваження, які в подальшому повинні бути враховані або прокоментовані автором тесту. Після цього автор робить запит до адміністратора тесту на перехід до наступної стадії. Якщо виконуються всі необхідні умови, то адміністратор тесту переводить тест на наступну стадію – випробування. На вказаному етапі користувачі-тестувальники проводять пробне тестування з групами респондентів за всіма розділами. Після отримання результатів тестування системою LOGIT здійснюється статистичний аналіз за певними групами респондентів. Завдяки автоматизації процесу розрахунків та побудові профілів в інформаційній системі, користувачі можуть використовувати її для вдосконалення тестів навіть без глибоких знань із статистики та математики. Результат розрахунку профілів питань окремого розділу та респондентів певних груп подається зведено у вигляді карток з основними показниками. Передбачено і побудову графічних характеристик. Після оптимізації тест переводиться на стадію «застосування», яка не передбачає змін.Провести тестування за допомогою LOGIT можна як безпосередньо за комп’ютером, так і у звичайному паперовому зошиті (із бланком для відповідей), які потім переносяться у систему автором чи користувачами-тестувальниками. Послідовності питань для тесту генеруються, тому кількість варіантів для групи може бути довільною, що виключає можливість списування. Розробниками LOGIT передбачено окремі технічні можливості, використання яких гарантує високий рівень вірогідності тестування та зменшує його похибку.Наведемо приклади розроблених тестових завдань для початкового тесту з курсу теорії ймовірностей, які завантажували в LOGIT.Обрати з поданих формул таку, за допомогою якої задають функцію розподілу для одновимірної неперервної випадкової величини.Обрати з поданих графік щільності рівномірного розподілу.Яка з представлених випадкових величин може бути моделлю для біноміального розподілу ймовірностей? В якості дистракторів пропонувалося: «число картоплин у мішку певної ваги»; «число викликів, які надійдуть на станцію автоматичного зв’язку за проміжок часу T»; «число влучень в ціль при 10 пострілах, якщо немає можливості дізнатися про результат попадання після кожного пострілу»; «число молекул у певному об’ємі речовини».Яка з перерахованих властивостей функції розподілу може не виконуватися для певних випадкових величин? Варіанти: невід’ємна; неперервна; значення не більші одиниці; неспадна. Наші дослідження показали, що LOGIT доцільно використовувати як інструмент для здійснення насамперед поточного контролю знань з дисципліни «Теорія ймовірностей та математична статистика».Комп’ютерне тестування, реалізоване в інформаційній системі LOGIT, демонструє перевагу у порівнянні з Moodle при побудові профілів питань та респондентів для питань у вигляді системи тестових завдань закритої форми з вибором однієї правильної відповіді. За допомогою комп’ютерного тестування у стислі терміни можна діагностувати і усунути недоліки у подальшому вивченні певного курсу.З метою формування гносеологічного та праксеологічного компонентів методичної компетентності у майбутніх вчителів доцільно залучати їх безпосередньо до розробки тестових завдань, тестування та статистичного опрацювання отриманих результатів. Попередньо слід ознайомити майбутніх вчителів з основами педагогічного вимірювання та використання тестових технологій у навчанні учнів та студентів, наприклад, на заняттях з методики навчання математики.

Предметом досліджень статті є моделі для встановлення ступеня релевантності зображень у просторі дескрипторів ключових точок зображень для реалізації структурних методів розпізнавання зорових образів у системах комп’ютерного зору. Метою є проведення експериментального дослідження ефективних за параметром швидкодії модифікацій способів встановлення подібності описів у просторі дескрипторів ключових точок на підставі апарату аналізу бітових даних. Завдання: розроблення математичних та програмних моделей оброблення даних при обчисленні подібності структурних описів, вивчення властивостей та особливостей застосування цих моделей, оцінювання ефективності за результатами оброблення конкретних зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, метод кластеризації к-середніх, методи побітового оброблення та підрахунку частоти входження даних, теорія хешування бітових даних, програмне моделювання. Отримані такі результати. Методи класифікації зображень з використанням подібності описів у просторі дескрипторів ключових точок отримують подальший розвиток та застосування на підставі впровадження апарату аналізу бітових даних. Кластерне подання описів не тільки скорочує час оброблення, але й показує чутливість модифікації методу до незначних особливостей зображення і його можливість широкого застосування у системах комп’ютерного зору. Хешування опису без втрати даних суттєво прискорює (у експерименті у сотні разів) процес обчислення ступеня релевантності описів. Вибрана хеш-функція може впливати на результат і сприяти покращенню рівня розрізнення зображень. Побудова узагальненого опису у вигляді спільного дескриптора значно скорочує час обчислень, при цьому виникає потреба у попередньому обробленні опису з метою формування скороченого опису із списку значущих дескрипторів. Висновки. Наукова новизна дослідження полягає в удосконаленні методу структурного розпізнавання зображень на основі опису як множини дескрипторів ключових точок шляхом застосування апарату кластеризації, виявлення узагальнених властивостей та хешування даних для визначення модифікованих мір релевантності аналізованих та еталонних описів. Практична значущість роботи – досягнення суттєвого рівня підвищення швидкодії обчислення релевантності зображень, підтвердження результативності запропонованих модифікацій на прикладах зображень, отримання прикладних програмних моделей для дослідження та впровадження методів класифікації у системах комп’ютерного зору.

У статті виконано дослідження методів комп'ютерного стерео-зору за допомогою засобів бібліотеки OpenCV. Розглянуто також методи калібрування камер стерео-зору і побудови карти глибин дальності. На виробництві в технологічних процесах, в процесах контролю якості виробів, а також в роботизованих системах часто виникають завдання визначення відстані до об'єкта. Традиційні методи визначення відстані побудовані на базі використання ультразвукових і інфрачервоних датчиків. Однак, застосування цих пристроїв не забезпечує можливості розпізнавання образів. Тому в статті використано новий підхід до вирішення завдання визначення відстані до об'єкта на основі застосування стерео-зору. В якості візуальних елементів стерео-зору були використані WEB-камери Logitech C-170. Для визначення відстані до об'єкта за допомогою стерео-зору необхідно з початку виконати побудова карти глибини об'єктів. В якості програмних засобів, що забезпечують побудову карти глибини була обрана бібліотека з відкритим програмним кодом OpenCV. Використання цієї бібліотеки в некомерційних цілях є безкоштовною, проте при її використанні у розробників часто виникають труднощі у зв'язку неповним описом використовуваних функцій. Алгоритм побудови карти глибини складається з наступних кроків: калібрування камер відео-пари, усунення дисторсії зображень, ректифікація зображень і побудова карти глибини, на основі зображення з лівої і правої камер стерео-пари. Розроблена на базі міні-комп'ютера Orange-PI з використанням методів Computer Vision система побудови карти глибини сцени показала високу ефективність і дозволяє визначити відстань до об'єктів сцени.

У статті доводиться, що в Україні наразі відбувається стрімкий розвиток суспільства, «оцифровуються» усі сфери життя. При цьому не за усіма змінами встигають правоохоронні органи. Цифрова реальність пов’язана із появою нових форм злочинності – кіберзлочинів, інформаційного шахрайства, великою кількістю кібернетичних атак на різні підприємства та установи, в тому числі, і державні бази даних. Такі загрози потребують вироблення нових форм протидії, трансформації системи правоохоронних органів, їх «осучаснення». Безумовно, розвиток інформаційних технологій, діджиталізація вимагає закріплення нових форм та методів здійснення правоохоронними органами своїх функцій. Щодо конкретних проявів діджиталізації правоохоронної системи, у статті нами визначаються наступні: 1) Національне антикорупційне бюро України, Спеціалізована антикорупційна прокуратура та Вищий антикорупційний суд розпочали впровадження у свою діяльність системи електронного кримінального провадження eCase MS; 2) затвердження Положення про інформаційно-телекомунікаційну систему досудового розслідування «іКейс» з метою автоматизації процесів досудового розслідування, включаючи створення, збирання, зберігання, пошук, оброблення і передачу матеріалів та інформації (відомостей) у кримінальному провадженні, а також процесів, які забезпечують організаційні, управлінські, аналітичні, інформаційно-телекомунікаційні та інші потреби користувачів; 3) використання правоохоронними органами програми «Безпечне місто» з метою виявлення та розслідування злочинів, вчасне реагування пожежної, рятувальної, медичної, дорожньої й інших комунальних та державних служб, припинення і ліквідацію кризових ситуацій криміногенного, терористичного, природного й техногенного характеру тощо; 4) запровадження проєкту Smart City – інформаційно-аналітична програма нового покоління, що здійснює розпізнавання потенційних небезпек, аналіз ситуації в реальному часі та передачу вже опрацьованих даних про виявлені загрози терористичного, кримінального та іншого характеру.

У статті розкрито шляхи застосування інноваційних технологій навчання, серед яких особливе місце належить електронним словникам, для забезпечення якісної іншомовної підготовки студентів немовних спеціальностей закладів вищої освіти (ЗВО). Охарактеризовано переваги електронних словників над їх паперовими аналогами: ефективна система пошуку, багатофункціональність, актуальність, динамічність, великий обсяг словникової бази, варіативність, універсальність. Вказано на низку функцій електронних словників: миттєвий пошук, швидке копіювання, аудіозапис, розпізнавання мови, корисні визначення, наявність лінгвоваріантів, ілюстрування прикладів уживання слів, мультимедіадодатки. Описано основні різновиди електронних словників: онлайн, словники-програми, термінологічні бази даних, портативні, кишенькові, переносні, мобільні. Детально розглянуто характеристики електронного словника Oxford Dictionary of English, яким студенти немовних спеціальностей СНУ імені Лесі Українки успішно користуються на практичних заняттях і під час самостійної роботи. Проаналізовано дидактичні можливості електронних словників для розвитку чотирьох видів мовленнєвої діяльності (слухання, читання, говоріння, письмо) і перекладу. Охарактеризовано основні проблеми використання електронних словників в умовах освітнього процесу ЗВО. Розроблено методичні поради щодо використання електронних словників у різних видах мовленнєвої діяльності. Представлено порівняння результатів анкетування студентів немовних спеціальностей і викладачів щодо частоти використання електронних словників у процесі вивчення іноземної мови впродовж 2008/2010 н. рр. та 2018/2019 н. р., а також результати опитування студентів немовних спеціальностей щодо частоти використання словників під час читання тексту, виконання вправ на розвиток письмових і розмовних навичок, аудіювання (перегляду відео), виконання перекладу. Обґрунтовано доцільність впровадження електронних словників у процес вивчення іноземної мови студентами немовних спеціальностей.

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.

В статті представлено комплексну програму розвитку емоційного інтелекту у юнацькому віці. Узагальненні емпіричні результати дослідження підтвердили, що емоційний інтелект розвивається шляхом тренування та набуття досвіду, пов’язаний з сприйманням, розпізнаванням, зберіганням, відтворенням та переробкою емоційної інформації. Встановлено, що для розвитку емоційного інтелекту в юнацькому віці важливе значення має надання учнівській молоді інформації щодо видів емоцій, їх ідентифікації, розрізнення, сприйняття та вираження, емоційної фасилітації мислення, розуміння та управління емоціями. Представлено комплексну програму, що складається з теоретичного та практико-орієнтованого навчально-тренінгового модулів. Можливість розвитку емоційного інтелекту в юнацькому віці розглядається з точки зору співвідношення зовнішніх умов (середовище, діяльність, процес навчання) і внутрішніх чинників (емоційні властивості та здібності). Теоретичний навчальний модуль спрямований на ознайомлення з необхідною інформацією і формування знань про: самоконтроль, навички самоконтролю, види, функції та зовнішні прояви емоцій, емоційний інтелект, способи емоційної саморегуляції, методи і форми розвитку емоційного інтелекту. Практико-орієнтований навчально-тренінговий модуль складається з комплексу вправ для розвитку емоційного інтелекту в юнацькому віці засобами арт-терапії. Цінність запропонованих навчально-тренінгових модулів полягає в спрямованості на розвиток емоційного інтелекту особистості в юнацькому віці. Тісний взаємозв’язок і взаємовплив емоційної, тілесної, інтелектуальної, поведінкової сфер особистості зумовлює комплексний розвиток емоційного інтелекту шляхом впливу на тілесні реакції, думки, переконання, цінності, комунікативну поведінку тощо. Ефективність програми розвитку емоційного інтелекту особистості юнацького віку виявилася у розширенні їх уявлень про емоційний інтелект і його роль у власній життєдіяльності; виробленні умінь управління власними емоціями; розуміння емоцій інших людей. Представлені нами методичні рекомендації щодо розвитку емоційного інтелекту в юнацькому віці, що можуть бути використані у процесах навчальної, позанавчальної і позааудиторної роботи з учнівською молоддю з метою розвитку в юнаків та дівчат здатностей до ідентифікації, використання, розуміння та свідомої регуляції емоцій.

Мета роботи – аналіз і узагальнення сучасних уявлень про вплив генетичних факторів на механізми порушень функцій центральної нервової системи у хворих на менінгіт.Збудники менінгіту (М) володіють різноманітними антигенними детермінантами, що викликають в організмі поліклональну імунну відповідь, в яку залучаються фактори природної та адаптивної (набутої) системи імунітету (АСІ). В останні роки, поряд з раніше вивченими причинно-наслідковими зв’язками різноманітних проявів реакцій АСІ на збудників М, набуло актуальності вивчення генетичних факторів, що визначають функціональний стан АСІ. Як показали дослідження, виникнення М як мультифакторного захворювання залежить від поєднання генотипу хворого й незалежно діючих індукторів зовнішнього середовища. Серед завдань першорядного значення, які вирішує АСІ у відповідь на проникнення патогена, відповідальне місце займає розпізнавання антигену специфічними лімфоцитами. Генетичні зміни в цій ділянці імунної відповіді можуть провокувати збільшення сприйнятливості до М, його тяжкий перебіг і несприятливий вислід захворювання. Ушкодження генного апарата, який експресує фактори клітинної ланки АСІ, асоціюється з інфекціями, що спричинюють мікобактерії, найпростіші, гриби, віруси й опортуністичні бактерії. Дефіцит антитіл переважно асоціюється з інфекціями, викликаними грампозитивними бактеріями. У специфічному розпізнаванні антигенів також беруть участь молекули головного комплексу гістосумісністі (MHC). Туберкульозний М характеризувався значним підйомом рівня антигену HLA-DR3 з істотним підвищенням частоти антигенів B14 й DR2. У пацієнтів із гнійними М більшою мірою виявляли антиген HLA-B12. У хворих із серозними М визначалося підвищення рівня антигену HLA-A19. Поряд із забезпеченням адаптаційної функції контролю сприйнятливості до інфекції, фактори АІС можуть бути відповідальними за ушкодження власних тканин організму. Висновки. Для правильної оцінки сприйнятливості організму до інфекції, тяжкості стану хворого й прогнозу результату М необхідне визначення співвідношення внесків спадкоємного й «зовнішнього» факторів у кожному конкретному випадку. Крайні позиції в цьому співвідношенні займають первинні імунодефіцити, при яких хвороба істотно залежить від конкретної мутації, й вторинні імунодефіцити, коли чітко виражена залежність від етіологічного фактора захворювання. Визначення цього співвідношення, можливо, буде корисним при розробці генетичних методів корекції в комплексі лікувальних заходів у хворих на менінгіт.