Iii республикалық студенттік ғылыми-практикалық конференциясының баяндамалар жинағЫ

7. 
   В.К. Батоврин, А.С. Бессонов, В.В. Мошкин, В.Ф. Папуловский Labview: практикум по основам измерительных технологий: Учебное пособие для вузов. – М.: ДМК Пресс, 2005.- 208 с.: ил.
   
8. 
   Прибор для измерений показателей качества и учета электрической энергии PM175 - Руководство по установке и эксплуатации BG0440 Rev. A6.
   
9. 
   Материалы XV Международной конференции. Современное образование: содержание, технологии, качество. – Санкт-Петербург, 2009, - 324 с.: ил.
   

На протяжении последних 10 лет идет активное развитие аналитических систем нового типа. В их основе лежат технологии искусственного интеллекта, имитирующие природные процессы, такие как деятельность нейронов мозга или процесс естественного отбора. Наиболее популярными и проверенными из этих технологий являются нейронные сети.

Понятие искусственная нейронная сеть возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использоваться в практических целях.

С помощью нейронных сетей решается очень большой круг задач - распознавание речи, звука, диагностика в медицине, анализ и прогнозирование экономических показателей. В каждой из таких задач анализируются некоторые явления, процессы, состояния внешнего мира. Такая информация представляет собой характеристику объектов, их отображение на множестве воспринимающих органов распознающей системы. Также сети применяются при распознавании образов, в частности, букв. В представленной статье рассматривается задача для распознавания изображений букв арабского алфавита реализованная с помощью сети Хопфилда. Здесь же будут рассмотрены основные моменты реализации программного решения нейронной сети, написанной на языке C#.

Предполагается, что имеется некоторый набор эталонных образов – изображений. На вход сети подается искажённый образ, и задача состоит в том, чтобы «распознать» в нём один из эталонных. Каким образом человек это сделает – вопрос сложный. А вот каким образом с данной задачей справится искусственная нейронная сеть – вполне можно себе представить.

У нейронной сети Хопфилда есть один недостаток - относительно небольшой объём памяти, величину которого можно оценить выражением: где – число образов, которые может запомнить нейронная сеть, а – число нейронов в сети.

Попытка записи большего числа образов приводит к тому, что нейронная сеть перестаёт их распознавать. Так что реальная сеть должна содержать достаточно внушительное количество нейронов. Плюс ко всему достижение устойчивого состояния не гарантирует правильный ответ сети. Это происходит из-за того, что сеть может сойтись к так называемым ложным аттрактором, иногда называемым «химерой» (как правило, химеры склеены из фрагментов различных образов).

Принцип работы сети.

Образ, который сеть запоминает или распознаёт (любой входной образ) может быть представлен в виде вектора X размерностью , где – число нейронов в сети. Выходной образ представляется вектором Y с такой же размерностью. Каждый элемент вектора может принимать значения: +1 либо -1.

Конечно, при программной реализации оперировать с самими нейронами не придется, так как их функционирование эмулируется при помощи векторов и матрицы коэффициентов.

Для того чтобы сформировать входной вектор, образ размещается на битовом поле (Bitmap), произведение размеров (Bitmap.Width* Bitmap.Height) которого и составит размерность нейронной сети. Подаваемый входной образ является черно-белым изображением. Каждый бит битового поля является соответствующим пикселем входного изображения, и может быть закрашен либо в черный (+1), либо в белый(-1) цвет. Для инициализации входного вектора запускается цикл, который пробегает по всем пикселям, и считывает их значения:

int[,] obraz = new int[Bitmap.Width, Bitmap.Height]; //массив для хранения образа

for (int i = 0; i < Bitmap.Height; i++)

for (int j = 0; j < Bitmap.Width; j++){

if (Bitmap.GetPixel(i, j).ToArgb() == Color.FromArgb(255, 255, 255))

obraz[i, j] = -1;

else

Алгоритм функционирования сети следующий:

1. Преобразование входного изображения во входной вектор. На начальной итерации выходы нейронной сети инициализируются значениями входного вектора.

2. Инициализация весов, то есть обучение сети.

3. Вычисление нового состояния нейронов и новых значений аксонов.

4. Проверка, изменились ли выходные значения аксонов за последнюю итерацию. Если да — переход к пункту 3, иначе (если выходы стабилизировались) — конец процедуры. При этом выходной вектор представляет собой образец, наилучшим образом сочетающийся с входными данными.

Некоторые авторы относят сеть Хопфилда к обучению без учителя. Но это неверно, так как обучение без учителя предполагает отсутствие информации о том, к каким классам нужно относить стимулы [1]. Для сети Хопфилда без этой информации нельзя настроить весовые коэффициенты, поэтому здесь можно говорить лишь о том, что такую сеть можно отнести к классу оптимизирующих сетей (фильтров). Отличительной особенностью фильтров является то, что матрица весовых коэффициентов настраивается детерминированным алгоритмом раз и навсегда, и затем весовые коэффициенты больше не изменяются.

for (int i = 0; i < Bitmap.Height; i++)

for (int j = 0; j < Bitmap.Width; j++){

if (i == j)

vesa[i, j] = 0;

else{

vesa[i, j] += vhod[i] * massiv_etalonov[k][j];

if (vesa[i, j] > 0)

vesa[i, j] = 1;

else

vesa[i, j] = -1;}}

После того как сеть обучена нескольким эталонным образам можно подать ей на вход некоторый вектор, и попросить её распознать его. При этом могут ожидать несколько исходов.

В идеале сеть распознает образ и выдаст на выход эталонный вектор, соответствующий искажённому образу. Другой вариант развития событий – если в памяти сети есть похожие образы, и входящий искажённый похож на их обоих, то сеть может впасть в бесконечный цикл. Этот проблемный момент можно решить следующим образом: если при некотором заданном количестве итераций распознавания образ не распознан, цикл прекращается, распознавание признаётся неудачным и сеть выводит вольную «импровизацию» своей работы.

Сеть выполняет работу, пока результат не стабилизируется в одном из устойчивых состоянии, либо не достигнет предела итерации. Для этого запускается цикл, который пробегает по всем нейронам и обновляет их состояния. Таким образом, после полного прохода сеть стабилизируется и остается в устойчивом состоянии. Расчет новых состояний  рассчитывается с помощью двумерной матрицы коэффициентов следующим образом:

for (int i = 0; i < Size_NS; i++){

s = 0;

s += vesa[i, j] * vhod[j];}

Таким образом, если новое состояние нейрона больше порогового коэффициента, то его состояние устанавливается значением +1, иначе -1 [2].

if (s > 0) return 1;

else return (-1);

И наконец, после того как сеть стабилизировалась, определяется процент совпадения входного образа с тем или иным эталоном, находящимся в базе.

Данная конфигурация сети способна распознавать образы с высокой точностью.

1. Ф. Уоссермен Нейрокомпьютерная техника: Теория и практика.

2. И. В. Заенцев Нейронные сети: Основные модели. – Воронеж, 1999.-76 с.

3. Д. А. Смирнов, В.А. Комашинский Нейронные сети и их применение в управлении и связи. - Москва, 2003.-94 с.

ӘОЖ 620.9

Күн шуағының жарқырау жылдамдығы жылына 2200-3000 сағатты құрайды, ал күннің сәулелену энергиясы жылына 1200 кВт шаршы метрді құрайды. Бұл өз кезегінде күн батареяларын су жылытуға арналған коллекторлар мен күн модельдерің оның ішінде протативті фотоэлектрлік жүйелерін пайдалануға мүмкіндік береді. Осыған байланысты қазіргі уақытта күн сәулесін жылу алуға және электр қуатын өндіруге пайдалану тенденциясы жүреді. Әлемнің бірнеше орнату қуаттылығы кВт-қа дейінгі 10 мыңдаған фотоэлектрлік құрылғылар электромобильдерге арналған күн энергиясы мен толтыру бекеттерде қолданысқа енгізілген. Сонымен бірге қуаты 100кВт болатын күн электрлік станцияларын іске асырудың жобаларын қарастырылуда. Бүгінде гемоқондырғылар шалғай жатқан аудан орталықтарын электр қуатымен жабдықтауға пайдаланылып жатыр. Бұл гемоэнергетика мен гемотехниканы дамытуға арналған ұлттық бағдарламалар әлемнің 70- тен астам елдерінде қабылданған. Күннен алатын қуатты қолданысқа енгізуге кедергі болып отырған факторлар мыналар:

1. 
   Фотоэлектрлік құрылғылардың құнының жоғары болуы.
   
2. 
   Тиімділік коэфициентінің төмен болуы.
   
3. 
   Күн қуатын алуға болатын өзге техниканың арзан болуы.
   

Күннің жылу энергиясы бұл қолданысқа енгізу бағытын даму мүмкіншілігі зор және қарапайымдылығымен ерекшеленеді. Алғашқы қуат көздерінің бағасының өсуіне байланысты, күннің жылу энергиясы қолдану техникасының дамуы бойынша және бір қырынан қарағанда бұл қуат көзі күн өткен сайын бәсекеге қабілетті болып келе жатыр.

Енді күн энергиясының артық жағы және кемшіліктері бер. Артықшылықтарына таусылмас энергия көзі, экологияға зияны жоқ таза энергия болып табылады.

Кемшіліктеріне ауа-райыға, тәулік мерзіміне тәуелділігі, энергия алатын конструкцияның қымбаттылығы, айналарды қайта-қайта шаннан тазалауы, электрстанция айналасындағы ауаның қызуы болып табылады.

Қазақстан жел энергетикалық ресурстарға бай болып келеді. 15м биіктіктегі желдің жылдамдығы 27-36 м/с-қа жетеді.Қазақстанның қолдануға болатын жылу энергетиканың потенциалы 3млрд. кВт/сағ-қа тең. Жоңғар қақпасындағы жылу энергетикалық ресурстар шамамен 1700 кВтсағ/кв.м. Ерментауда маңызы зор. Форт-Шевченко мен Құрдайда да қолданудың перспективалары жақсы. Жел қондырғылары обьектілерді автономды элетрмен жабдықтаудан алыстатылған аудандарда қолданылады. Бұл желінің жылдамдығы 3м/с болатын жерлерде қолданған жақсы.

2000 жылы әлемде жел энергетикасының орнатылған қуаттылығы 24 мың МВт құрады. Сонымен қатар Еуропада 70 мың МВт, Германияда 44 мың МВт, Данияда 1,76 мың МВт, Испанияда 1,23 МВт, Ұлыбританияда 0,35 МВт. Жел энергетикасының шығуындағы лидері және жел энергетикасы үшін үлес қосып шығаратын кәсіпорын Германия болып табылады. 2010 эыл 40...60 мың МВт болуы болжанған. Жел энергетикасы күрделі бағыты болып табылады.Өнделеді және бірнеше мыңдаған ваттан 1000 кВт-қа дейін жел энергетикасы орнатылып жұмыс жасайды. Орнатылудың үлкен бөлігі энерго жүйеде немесе автономды жүйеде электроэнергияның жасалуы үшін қолданылады. Жел энергетикалық орнатылудың максималды жоболау қуаттылығы 7-ден 15 м/с арасындағы желдің стандарттың жылдамдығының есептелуі үшін анықталады.

Жел энергетикалық орнатулардың классификациясы.

1. 
   Қуаттылық бойынша: төменгі қуаттылық 25 кВт-қа дейін, дөңгелек желдің диаметрі 10 м-ге дейін, орташа 150 кВт-тан және 25 м-ге дейін, үлкен 1000 кВт-қа дейін, 64 м-ге дейін өте үлкен қуаттылық 4000 кВт-қа дейін және диаметрі 130 м-ге дейін.
   
2. 
   Дөңгелек жер осьінің өзара жағдайлары бойынша және әуелік топ бағыттары бойынша: горизонтальды осьті және вертикальды осьті.
   
3. 
   Айналмалы күш бойынша: орнатылулар қарама-қарсы күшті қолданушы және орнатылу, құрылатын күшті қолданушы. Бірінші төменгі жел жылдамдығының сызықты жылдамдығы, екіншісінің сызықты жылдамдығы жел жылдамдығынан жоғары болуы мүмкін.
   
4. 
   Дөңгелек желдің геометриялық толықтырулары бойынша: 1-2-3 және көплопасты. Үлкен геометриялық толықтырылуы орнатылулар көплопастық нашар жел қуаттылығында жойылады. Аз толықтырулармен орнату үлкен өңделуде максимальды қуаттылыққа жылжиды және одан кейінгі режимге шығады.
   

УДК 539.37 : 531.3

Рассмотрим малые гармонические колебания частоты около положения равновесия. Амплитуда колебаний в каждой точке панели определяется из дифференциального уравнения при определённых условиях может произойти монотонное выпучивание упругой системы, называемое дивергенцией, или возникнут незатухающие вибрации, называемые флаттером. Эти колебания поддерживаются за счёт энергии газового потока и называются автоколебаниями.

В настоящие время проблема флаттера становится особенно актуальной для авиационных конструкций в связи с увеличением размеров летательных аппаратов и повышением скорости полёта. Определение аэродинамического давления при больших сверхзвуковых скоростях облегчается благодаря возможности применения так называемой поршневой теории. Согласно этой теории давление на упругую поверхность определяется выражением [1]

где - число Маха; V – скорость газового потока; - давление и скорость звука в невозмущённой газовой среде;

Н – отношение теплоёмкости газа при неизменном давлении к теплоёмкости при постоянном объёме, которое для воздуха можно принять равным 1, 4;

угол поворота нормали к упругой поверхности в направлении газового потока.

Флаттер пластин и оболочек будем изучать в линейной постановке, полагая деформации малыми по сравнению с толщиной. Рассмотрим удлиненную прямоугольную панель (обшивку), сжатую в направлении оси x постоянными сжимающими силами q (Рисунок 1,а) и обтекаемую в этом направлении с одной стороны газовым потоком.

В качестве исходных зависимостей принимаем уравнение динамической устойчивости пластин [2], в котором фиктивная поперечная сила будет равна

Граничные условия вдоль длинной стороны (оси у) произвольны. Размеры пластины в этом направлении считаем настолько большими, что условия закрепления коротких сторон не играют никакой роли и при потере устойчивости прогибы не зависят от . Такая пластина испытывает цилиндрический изгиб и исходное уравнение примет вид:

Своеобразие задачи заключается в сочетании симметричных и антисимметричных форм изгиба [1]. Поэтому прогиб при шарнирном опираний краев представим в виде:

Применяя метод Бубнова – Галеркина к уравнению (1), получим следующую систему:

Если здесь положить то получим известное выражение для частот собственных колебаний

Введём безразмерные параметры:

Тогда систему (2) можно переписать в виде:

Приравнивая нулю определитель системы, находим:

Мы получили зависимость между приведенной скоростью потока безразмерной частотой и сжимающей силой.

Если здесь положить то получим зависимость между безразмерными критическими параметрами скорости потока и сжимающей силы:

(4)

График этой зависимости показан на рисунке 1,б и имеет вид петли. Каждому значению соответствуют две равновесные формы с различным соотношением и . Устойчивой является лишь форма, относящиеся к левой ветви. При некоторой предельной величине эти формы сливаются; очевидно, для больших значений вообще не существует равновесных форм, комбинирующих одну и две полуволны синусоиды. Минимизируя , находим координаты предельной точки:

Если выбрать форму прогиба в виде комбинаций трёх и четырёх полуволн, то на этом графике получим следующую петлю, заключённую между значениями Соответствующий максимум гораздо выше первого, поэтому с практической точки зрения достаточно рассмотреть первую петлю.

Интересно отметить, что в некоторой зоне значений числа М критическое напряжения сжатия для пластины, обтекаемой газовым потоком, оказывается больше, чем в отсутствие потока. Таким образом, газовый поток здесь оказывает стабилизирующее действие, “выпрямляя” пластину.

Эта прямая, определяющая границу флаттера, показана на рисунке 1,б. Она касается петли статического выпучивания в точке с координатами

а) б)
Рисунок 1- Расчетная схема (а) и критическое сочетание параметров панели при