Файл: Российской федерации федеральное государственное автономное образовательное учреждение высшего образования.pdf

ВУЗ: Не указан

Категория: Не указан

Дисциплина: Не указана

Добавлен: 04.12.2023

Просмотров: 345

Скачиваний: 2

ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.

СОДЕРЖАНИЕ

1. Траектория Банка Центр-Инвест Веб и мобильные технологии в корпоративных системах; Современ-ные технологии разработки и архитектура сервисов в корпоративных си-стемах; Применение .NET технологий в разработке BPM систем. 2. 1С:Автоматизация бизнеса Основы программирования 1С; 1С: продвинутое программирование; 1С:автоматизация бизнес-процессов. 3. Java-программирование / Траектория Сбер Основы языка Java, базовые библиотеки, введение в многопоточную обработку данных; Java – лучшие практики, библиотеки многопоточной обработки данных; Java – асинхронные протоколы взаимодействия, рас-пределенная обработка данных, построение трехзвенной архитектуры. 4. Наукоемкий компьютерный инжиниринг Параллельные алгоритмы вычислительной математики; Принципы разработки быстрых программ; Конечно-элементное моделирование научно-технических задач. Три из этих траекторий предложены нашими крупнейшими работода- телями, реализуются в тесном контакте с ними. Четвертая обеспечивает внутренние потребности вуза (или других региональных вузов) в научно- педагогических кадрах. Помимо указанных двух типов вариативных курсов и траекторий, студенту предоставляется возможность выбирать факультативы, которые также направлены на освоение сквозных цифровых технологий, но выхо- дят за рамки основной части образовательной программы. В заключение отметим, что современные образовательные стандарты дают каждому вузу право самому определять профессиональные компе- тенции. Поэтому компетентностная модель выпускника в ее профессио- нальной части должна уточняться в каждом вузе, прежде всего, с учетом потребностей регионального рынка труда, потребностей тех организаций, фирм, компаний, в которые приходят на работу выпускники. А для этого к уточнению модели в каждом конкретном случае, в каждом вузе должны привлекаться свои работодатели. Предложенная в ходе выполнения проек- та общая схема взаимодействия с работодателями, учета их интересов и использования их возможностей и ресурсов в ходе разработки и реализа- ции образовательной программы по Прикладной математике и информати- ке, на наш взгляд, заслуживает распространения и на другие вузы страны. А проект продолжается. По новой программе в 2021 году начал учиться первый курс мехмата. Следим, волнуемся, готовы при необходи- мости вносить коррективы. 139 АНГЛОЯЗЫЧНАЯ МАГИСТЕРСКАЯ ПРОГРАММА МЕХМАТА ЮФУ В ОБЛАСТИ МАТЕМАТИЧЕСКОГО МОДЕЛИРОВАНИЯ И ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ: ИСТОРИЯ, ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ Карякин М. И., Надолин К. А., Наседкин А. В. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: kanadolin@sfedu.ru Обсуждаются проблемы интернационализации университетского об- разования уровня магистратуры в новых условиях. Рассмотрен и проанали- зирован более чем десятилетний опыт преподавания на мехмате ЮФУ ан- глоязычных магистерских программ по математическому моделированию и информационным технологиям. Дан краткий исторический экскурс и указаны цели, которые ставились на различных этапах развития англоязычных образовательных программ мехмата, а также описаны пути решения возникавших проблем. Представлены сведения о санкциях со стороны западноевропейских партнеров в связи с событиями на Украине. Приведены некоторые сообра- жения относительно перспектив развития англоязычной магистратуры по математическому моделированию и информационным технологиям на мехмате ЮФУ. 1. Первая магистерская программа «Вычислительная механика и био- механика» («Computation Mechanics and Biomechanics») с преподаванием ряда предметов на английском языке была запущена на мехмате ЮФУ по направлению подготовки 010403 «Прикладная математика и информатика» в 2009 году [1]. Разработку учебно-методических комплексов дисциплин на английском языке инициировала и финансировала администрация ЮФУ в связи с реализацией плана мероприятий по интернационализации образовательной деятельности, включенных в Программу развития Южно- го федерального университета. Магистерская программа «Computation Mechanics and Biomechanics» стала основой договора о сотрудничестве между факультетом математики, механики и компьютерных наук ЮФУ и департаментом математики и фи- зики технологического факультета Технического университета г. Лаппеенранта (Финляндия). Впоследствии этот договор о сотрудниче- стве преобразовался в совместную международную магистерскую про- грамму двух дипломов [2]. 140 Именно на базе этой программы в период с 2011 по 2014 годы в рам- ках международного образовательного проекта ICARUS программы «Tempus-IV», финансируемой Евросоюзом, была создана уже полностью англоязычная магистерская программа «IT in Biomechanics» [3]. 2. Важнейшим этапом развития англоязычной магистратуры по мате- матическому моделированию и информационным технологиям на мехмате ЮФУ стало выполнение международного проекта ICARUS – ―International- ised Curricula Advancement at Russian Universities in the Southern Region‖ («Интернационализация учебных планов на уровне магистра в российских вузах в южном регионе»).Проект был представлен Южным федеральным университетом сов- местно с тремя российскими и четырьмя европейскими университетами. В состав консорциума вошли Южно-Российский государственный техни- ческий университет (г.Новочеркасск), Кубанский государственный уни- верситет (г.Краснодар), Воронежский государственный университет (г. Воронеж), а также University of Linkoping (Швеция); University of Twen- te (Голландия); Lappeenranta University of Technology (Финляндия); Tech- nical University Braunschweig (Германия).Проект стал победителем грантового конкурса "Tempus-IV", проводи- мого в 2011 году в рамках 7 Рамочной Программы Евросоюза и длился 3 года. Бюджет проекта составил 800000 евро. Важным направлением работы по проекту ICARUS стало углубление и развитие партнерских связей между российскими и европейскими уни- верситетами, а также академическая мобильность студентов и преподава- телей [4]. В процессе выполнения проекта ICARUS была проведена значитель- ная методическая работа по согласованию учебных планов магистратуры вузов-партнеров и приведению их в соответствие, как российским феде- ральным государственным образовательным стандартам, так и положени- ям Болонской декларации [5, 6]. 3. В 2015–2020 гг. англоязычная магистерская программа дорабатыва- лась и менялись ее названия: «Computation Mechanics and Information Tech- nologies», «Mathematical Modelling and Information Technologies», «Mathe- matical Modelling, Numerical Methods and Program Complexes» [7, 8]. За прошедшее время на мехмате ЮФУ накоплен большой опыт академи- ческого сотрудничества с зарубежными вузами, в результате которого бо- лее сорока выпускников мехмата получили дипломы европейских универ- ситетов [9–11]. При запуске в 2020 году магистерской программы «Mathematical Modelling, Numerical Methods and Program Complexes» (Математическое моделирование, численные методы и комплексы программ») была прове- дена модернизация с учетом образовательных задач лаборатории вычисли- 141 тельной механики мехмата ЮФУ, созданной в 2019 году в рамках проекта «Модели, алгоритмы и программные средства для многомасштабного ана- лиза новых материалов и физически активных сред», поддержанного гран- том Правительства Российской Федерации для государственных научных исследований, проводимых под руководством ведущих ученых [12]. 4. В 2022 году истекает очередной пятилетний срок действия договора о присуждении двух дипломов. До недавнего времени планировалось его переподписание на период 2023–2027 гг., но 14 марта координатор между- народной академической мобильности мехмата ЮФУ получил от своего финского коллеги электронное письмо следующего содержания: «В соот- ветствии с решением министра науки и культуры Финляндии, ЛУТ при- останавливает любое сотрудничество с российскими организациями- партнерами в сфере высшего образования и науки. Согласно новой поли- тике, ЛУТ не будет инициировать новые проекты и на время приостанав- ливает существующее сотрудничество. Среди прочего это включает в себя мобильность студентов и сотрудников, сотрудничество по двойным ди- пломам на уровне бакалавра, магистра и доктора и все сотрудничество на основе проектов… Как только мир, признанный международным правом, будет восстановлен, мы будем рады возобновить обсуждение возобновле- ния сотрудничества.» Таким образом, на новом этапе развития англоязычной магистратуры по математическому моделированию и информационным технологиям на мехмате ЮФУ вектор интернационализации меняется в направлении стран СНГ, ОДКБ, ШОС, Ближнего Востока и Юго-восточной Азии. Особую роль в международной академической мобильности, очевидно, будет иг- рать Китай, что подтверждается расширением сотрудничества с китайски- ми коллегами. Литература 1. Батченко А. Г., Карнаухова О. А., Карякин М. И., Надолин К. А., Насед- кин А. В., Чернявская И. А. Перспективы международной образователь- ной программы по техноматематике и вычислительной механике в Юж- ном федеральном университете // XVII Межд. конф. "Математика. Ком- пьютер. Образование" (Дубна, 25–30 янв. 2010 г.). Тез. докл. – Ижевск: НИЦ "Регулярная и хаотическая динамика", 2010. – С. 383. 2. Карякин М. И., Надолин К. А., Наседкин А. В. Блок ИТ-дисциплин как связующая основа магистерских программ двойных дипломов по при- кладной математике и инженерии // Научно-методич. конф. ―Современ- ные информац. технологии в образовании: Южный Федеральный округ‖. 11–13 мая 2011. Тез. докл. – Ростов-на-Дону: Изд-во ЦВВР, 2011. – С. 151–152. 142 3. Буркель Н., Творогова С., Шендерова С. Примеры совместных программ между европейскими и российскими вузами // Инновации и изменения в транснациональном образовании. – European Union, 2014. – 178р. DOI: 10.2871/94451. 4. Надолин К. А. Проект ИКАРУС: консорциум и его задачи / В кн. «Ин- тернационализация учебных планов на уровне магистра в российских вузах южного региона: сборник материалов и докладов». Южный феде- ральный университет. – Ростов н/Д: Изд-во Южного федерального уни- верситета, 2014. – С.6–11. 5. Карякин М. И., Надолин К. А., Наседкин А. В. О концепции магистерской образовательной программы «IT in Biomechanics», разрабатываемой в ЮФУ по проекту ICARUS программы Tempus-IV // Материалы XIII Международной научно-методической конференции «Информатика: про- блемы, методология, технологии» и IV Школы-конференции для препо- давателей высшей и средней школы «Информатика в образовании», г. Воронеж, 7–8 февраля 2013 г. Т. 4. – Воронеж, 2013.– С. 158–161. 6. Карякин М. И. Надолин К. А., Наседкин А. В. Реализация в рамках про- екта ICARUS магистерских программ «IT in Engineering» с перспективой присуждения двух дипломов // Там же. – С. 154–157 7. Надолин К. А., Карякин М. И., Наседкин А. В. Учебные модули по био- механике в англоязычной магистерской программе мехмата ЮФУ ―Computational Mechanics and Informational Technologies‖ // Математиче- ское моделирование и биомеханика в современном университете. Тез. докл. XIII Всеросс. шк.-семинара, пос. Дивноморское, 31 мая – 3 июня 2018. Ростов н/Д, Таганрог: Изд-во ЮФУ, 2018. С. 57–58. 8. Карякин М. И., Надолин К. А., Наседкин А. В. Электронные ресурсы в англоязычной магистерской программе ―Computational Mechanics and In- formational Technologies‖ // Труды VI Межд. научно-методического сим- позиума «Электронные ресурсы в непрерывном образовании «ЭРНО-2017», Адлер, 24–27 сентября 2017 г. – С. 50–53. 9. Надолин К. А., Карякин М. И., Наседкин А. В. Мехмат ЮФУ: путь в ев- ропейское образовательное пространство // «Русский язык в парадигме современного образования: Россия и Иберо-Американский мир». Мате- риалы Международного форума (10–11 мая 2018 г., г. Кадис (Испания) – Ростов н/Д, Таганрог: Изд-во ЮФУ, 2018. – С. 186–188. 10. Nadolin K., Karyakin M., Nasedkin A. Virtual academic mobility in the con- text of the master‘s program ―Computational mechanics and information technologies‖ in the Southern Federal University // 20th European Confer- ence on Mathematics for Industry (ECMI 2018), 18–22 June 2018, Budapest, (Hungary). Book of Abstracts, – Budapest, 2018. – P. 60. 11. Надолин К. А., Карякин М. И., Наседкин А. В. Десять лет международ- ной магистерской программе двойных дипломов на мехмате ЮФУ // 143 Современные информационные технологии: тенденции и перспективы развития: материалы XXVI научн. конф. (Южный федеральный универ- ситет, Ростов-на-Дону, 18–19 апреля 2019). – Ростов н/Д, Таганрог: Изд- во ЮФУ, 2019. – С. 199–201. 12. Надолин К. А., Карякин М. И., Наседкин А. В. О магистерской про- грамме мехмата ЮФУ «Математическое моделирование, численные методы и комплексы программ», ориентированной на научно- исследовательскую профессиональную деятельность и обучение в ас- пирантуре // Сб. трудов XXVIII Всеросс. конференции-школы молодых исследователей «Современные проблемы математического моделиро- вания», пос. Абрау-Дюрсо, 16–21 сентября 2019 г. – Ростов н/Д: Изд-во ЮФУ, 2019. –С. 85–90. 144 ИСПОЛЬЗОВАНИЕ СРЕДСТВ ГЕОЛОКАЦИИ В ANDROID ДЛЯ СОЗДАНИЯ ФИТНЕС-ИГРЫ Каспаров А. В. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича, г. Ростов-на-Дону E-mail: kasparov@sfedu.ru Фитнес-игра – целый жанр игр, преимущественно для мобильных устройств, способствующих поддержанию здоровья игрока. Этот жанр позволяет игрокам геймифицировать процесс своих тренировок в том или ином виде: какие-то игры рассчитаны на конкретную активность, другие – позволяют комбинировать разные занятия. Третьи – предлагают свои собственные виды активности для игрока. Часто такого рода игры обладают минимально достаточным пользовательским интерфейсом и тесной интеграцией с устройствами отслеживания состояния игрока, включая, но, не ограничиваясь данными с датчиков умных устройств (браслеты, весы, часы, телефон, и т. д.). Игра, разрабатываемая в рамках данной работы, будет геймифицировать один вид активности – бег. В процессе анализа технических рисков были определены базовые блоки функционала приложения: 1. Обработка геолокации. 2. Управление воспроизведением аудио. 3. Движение игрока по сюжетной линии. 4. Ядро управления геймификацией активности. 5. Базовый пользовательский интерфейс. 6. Отслеживание и ограничение длительности игровой сессии. Получать данные о геолокации устройства в Android можно несколькими способами: 1. Используя методы обращения к сервисам устройства, получить доступ к сервису геолокации, проверить методы геолокации (GPS, Сеть) и на их основе совершить «запрос геолокации», получив результат. 2. Использовать методы FusedLocationProvider [1] из пакета Google [Play] Services, которые самостоятельно определят сервис получения геоданных и вернут результат. В рамках данной работы был выбран второй вариант. Для этого был подключен пакет play-services-location из пакета com.google.android.gms. 145 Для получения дополнительных данных о физической активности пользователя устройства был подключен пакет play-services-fitness из того же пакета, что и сервис геолокации выше. В качестве базы данных была выбрана система SQLite [2], представляющая из себя базу данных в одном файле, хранящемся на устройстве пользователя. Для упрощения работы с базой был использован пакет Android Room [3]. Он предоставляет возможность применения некоторых уровней абстракции для работы с данными из базы, такие как Сущность (Entity), DAO (Data Access Object, объект доступа к данным), а также такие концепты как LiveData (объект доступа к данным в реальном времени) и ViewModel (объект, связывающий данные с компонентом представления пользовательского интерфейса). Данные о геолокации хранятся в базе данных, доступ к которой производится через библиотеку Android Room, создающую некоторые абстракции для управления сущностями, объектами доступа к данным и объектами связи данных с макетом содержимого экрана. Объект класса AppDatabase, наследующийся от системного RoomDatabase, реализует паттерн проектирования Singleton [4], доступен в единственном экземпляре на протяжении всей работы приложения и используется для следующих целей: 1. Инициализация базы данных с нуля согласно автоматически сгенерированной схеме на основе известных приложению объектов типа Сущность. 2. Инициализация репозитория с существующими данными, также реализующего паттерн проектирования Singleton, что делает его доступным в единственном экземпляре на протяжении всей работы приложения. После инициализации базы и репозитория вся работа с данными производится с помощью методов объекта класса LocationDao, который реализует CRUD модель доступа к содержимому репозитория. С помощью объекта LocationUpdatesBroadcastReceiver приложение подписывается на получение обновлений от сервиса геолокации Google Services – FusedLocationProviderClient. Далее создается PendingIntent – ожидающее действие, которое при получении нового широковещательного сообщения с данными о геолокации запускает метод сохранения полученных данных в базу. Доступ к сервису геолокации FusedLocationProviderClient производится через класс-обертку LocationManager, который отвечает за хранение флага активности отслеживания и настроек отслеживания, таких как частота отслеживания, приоритет получения данных и требуемая точность данных. 146 Ядро управления геймификацией активности представляет из себя класс, который на основе заранее заданного сюжета (набора инструкций для геймификации процесса) вызывает методы управления другими компонентами приложения: таймеры, сервисы управления воспроизведением аудио, сервис отслеживания физической активности и сервис управления точками интереса на карте. Длительные интенсивные тренировки могут быть потенциально опасны для неподготовленного пользователя. Чтобы этого избежать, в приложении настроена система информирования о необходимости отслеживать свое самочувствие, а также предусмотрено автоматическое завершение тренировки, если ее длительность превышает заранее заданное пороговое значение. Литература 1. Fused Location Provider API // Google Developers [Электронный ресурс]. URL: https://developers.google.com/location-context/fused-location- provider?hl=ru (дата обращения: 07.01.2022). 2. SQLite Documentation [Электронный ресурс]. URL: https://www.sqlite.org/docs.html (дата обращения: 07.01.2022). 3. androidx.room // Android Developers [Электронный ресурс]. URL: https://developer.android.com/reference/androidx/room/package- summary?hl=ru (дата обращения: 07.01.2022). 4. Паттерн Singleton – Одиночка. Описания паттернов проектирования. Паттерны проектирования. Design pattern ru [Электронный ресурс]. URL: http://design-pattern.ru/patterns/singleton.html (дата обращения: 07.01.2022). 147 1   ...   10   11   12   13   14   15   16   17   ...   28

ИЗУЧЕНИЕ РАЗДЕЛА ПО ЗАЩИТЕ ПРОГРАММНОГО КОДА В КУРСЕ «АНАЛИЗ ПРОГРАММНОГО КОДА» Нестеренко В. А. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: neva09@mail.ru Защита программного кода от отладки является важной задачей в об- ласти обеспечения общей информационной безопасности и безопасности программного кода, в частности. Методы решения этой задачи рассматри- ваются в рамках курса «Анализ программного кода». Специальный курс «Анализ программного кода» читается в 3-м семестре обучения в маги- стратуре по специальности «Компьютерные науки». Данный курс является расширенным и более детальным изучением материала, представленного в курсе «Основы разработки безопасного программного обеспечения» для студентов 3-го курса специальности «Информационные технологии». Цели освоения дисциплины: комплексный подход и знакомство с ос- новными принципами анализа программного кода, различные приѐмы и методы, применяемые в областях анализа программного кода, защиты про- граммного кода и информационной безопасности. Материал по защите программного кода входит в один из пяти (наиболее важный и самый объѐмный) разделов курса: 1. Архитектура персональных компьютеров на базе процессоров Intel. Основы языка Ассемблер. 2. Дизассемблирование, отладка, трассировка и пошаговое исполне- ние программ. 3. Общая структура исполнимых программных модулей. Формат PE. Размещение программы в оперативной памяти и еѐ исполнение. Основные секции исполнимой программы в формате PE: заголовок, секции кода, данных и импорта. 4. Анализ исходного кода программ. Поиск и выявление нужных участков кода в исполнимых модулях различными способами (по именам API функций, по обращению к динамическим библиотекам, по использованию оперативной памяти) Общие принципы и спосо- бы разбора и анализа исходного кода программ. 5. Защита программ от анализа и отладки. Общие принципы трасси- ровки программ и реализации средств трассировки. Средства трас- сировки предоставляемые ОС Windows. Использование средств ОС Windows для предотвращения трассировки программ. Другие мето- ды защиты от трассировки: метод контрольных сумм, метод вре- 217 менных интервалов, обнаружение присутствия отладчика. Обфус- ка ция - искусственное «запутывание» кода программы как средство противодействия трассировке. Как следует из приведѐнного перечня, материал, связанный с защитой программного кода, в большой степени основывается и служит обобщени- ем материала других разделов. По этой причине изучение этого раздела является основной целью данного курса и контроль за изучением и усвое- нием материала связанного с защитой программного кода может представ- лять хороший индикатор контроля за усвоением материала всего курса. Опыт преподавания данного курса и изучения материала по защите программного кода показывает, что эта тема является достаточно сложной для изучения и требует серьѐзной совместной работы от преподавателя и студентов на лекциях и лабораторных занятиях. Сложность в усвоении ма- териала связана с серьѐзной предварительной подготовкой и знаниями об архитектуре компьютеров, о назначении и функционировании операцион- ных систем, о структуре исполнимых файлов и общих принципов испол- нения программного кода центральным процессором компьютера. Этот материал рассредоточен по разным дисциплинам и изучается с разной сте- пенью глубины и детализации. По этой причине часть курса посвящена из- ложению требуемого материала в рамках задач рассматриваемого курса и задачи защиты программного кода. Подробную информацию о материале курса можно найти в системе учебной среды Moodle Института математики, механики и компьютерных наук ЮФУ [1]. Литература 1. Курс: Анализ и защита программного кода (sfedu.ru). [Электронный ре- сурс] URL: http://edu.mmcs.sfedu.ru/course/view.php?id=520. 218 МОДЕЛИРОВАНИЕ СТРУКТУРЫ И ПРОЦЕССОВ ПРИМЕНЕНИЯ ГЕОИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ПРИ ПРОВЕДЕНИИ МИКРОПЕРЕПИСИ СЕЛЬСКОГО ХОЗЯЙСТВА Репенко Е. А., Гордиенко Л. В. ФГАОУ ВО «Южный федеральный университет», г. Таганрог E-mail: erepenko@sfedu.ru, lgordienko@sfedu.ru Карты в настоящее время являются уникальным инструментом, кото- рый можно в общих чертах сгруппировать вокруг двух основных принци- пов: карты как инструмент для анализа, решения проблем и принятия ре- шений, «визуального мышления», и карты как инструмент для передачи идей между людьми. Хотя коммуникативная роль карт, полностью соот- ветствует картографической традиции, следует иметь в виду, что концеп- ция картографической коммуникации в последнее время расширилась [1]. Эффективным средством визуализации и анализа карт является геоинфор- мационная система (ГИС). Применение ГИС-технологий улучшает качество процесса проведе- ния микропереписи сельскохозяйственных земель. Введение систематиче- ской микропереписи раз в 5 лет позволяет сделать моментальные снимки земельного участка. Для уточнения границ земельных участков использу- ются данные спутникового мониторинга. Использование ГИС позволяет получить максимально корректную и точную информацию о структуре сельского хозяйства. Основываясь на результатах дешифрирования дан- ных, полученных с использованием беспилотных летательных аппаратов (БПЛА), планируется проверить и уточнить информацию, собранную пе- реписчиками, об общей площади, занимаемой каждым личным подсобным хозяйством (ЛПХ), доле построек и сооружений, расположенных в его границах, о проценте неиспользуемой собственником земли и т. д. Главная задача обследования – собрать максимально полные и досто- верные сведения об актуальном состоянии сельскохозяйственной деятель- ности в личных подсобные хозяйствах населения. В ходе выполнения работ проводится оптическая аэрофотосъемка с использованием БПЛА всех земельных участков в границах сельских насе- ленных пунктов районов Ростовской области, участвующих в пилотном обследовании. Основываясь на результатах дешифрирования данных, полученных с использованием БПЛА, проверяется и уточняется информация, собранная переписчиками, об общей площади, занимаемой каждым ЛПХ, доле по- строек и сооружений, расположенных в его границах, о проценте неис- пользуемой собственником земли и т. д. 219 При дешифрировании ортофотопланов, так же, как и при опросе соб- ственников личных подсобных хозяйств переписчиками присутствует наличие субъективного восприятия человека в отношении того или иного объекта строительства или вида территории на участке. То есть, какие-то эталоны объектов переписи определяются с высокой точностью, в опреде- лении других присутствует допустимая погрешность. Дешифрирование проводилось с применением лицензионного про- граммного обеспечения ArcGis, позволяющего осуществлять координат- ную привязку цифровых материалов, а также вести автоматических расчет площадей объектов. На рисунке 1 показана диаграмма вариантов использования ГИС на платформе ArcGIS, которая отражает требования к системе с точки зрения пользователя. Рис. 1. Диаграмма вариантов использования ГИС Стрелками на диаграмме изображены основные действия пользовате- ля, опишем их. Заполнение характеристик личного подсобного хозяйства (ЛПХ), а именно: местоположение, наличие или отсутствие кормовой базы, наличие или отсутствие помещений для скота Разграничение ЛПХ – это процесс оцифровки границ участков. Если сведения об участках содержатся в ЕГРН, то уточнение координат. Если сведения отсутствуют, то формирование границ по ортофотопланам. Дешифрирование объектов подразумевает под собой разделение объ- ектов на классы согласно структуре базы данных. После процесса дешифрирования и присвоения объектам класс «Не- используемая земля» необходимо подсчитать площади земли, которая ис- пользуются не по назначению. 220 По итогам консолидации и сравнительного анализа информации о со- стоянии деятельности в личных подсобных хозяйствах, полученной по ре- зультатам пилотного обследования и обследования с использованием БПЛА будут сделаны выводы, позволяющие оценить возможность: – выявления случаев намеренной фальсификации информации, предо- ставляемой переписчикам; – выявления систематических ошибок, связанных с недостатками в методике проведения инструктажей и самой методике анкетирования; – выявления случаев утаивание информации о использовании приле- гающих к ЛПХ земель; – определить, насколько занижена/завышена информации об общей площади ЛПХ, а также объектов микропереписи, расположенных в его границах, при субъективной оценке их размеров; В ходе подготовки к апробации организовано получение необходимой информации для производства работ, а также в соответствии с законода- тельством РФ получены все разрешения на осуществление полѐтов беспи- лотных летательных аппаратов над территорией сельских населенных пунктов. Литература 1. Тесленок С. А, Калашникова Л. Г., ГИС-картографирование инновацион- ного развития сельского хозяйства России в целях регионального управле- ния // Геополитика и экогеодинамика регионов – 2019. – № 8. С 353–358. 221 МОДЕЛИРОВАНИЕ РАСПРОСТРАНЕНИЯ ПРИМЕСЕЙ В ВОДОЁМАХ Решетняк А. Н., Шабас И. Н. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: areshetnyak@sfedu.ru, shabas@sfedu.ru Введение В данной работе построена математическая модель, описывающая про- цесс распространения веществ в водоѐмах. Рассматривался стационарный и нестационарный случай. Математическое моделирование даѐт возможность на основе вычислительных экспериментов воспроизвести длительные про- цессы, существенно сэкономив время, а также получить возможность смо- делировать последствия попаданий загрязнений в реальные водоемы. Постановка задачи Цель данной работы заключена в построении двумерной математиче- ской модели процесса распространения веществ в водоѐме. Основой мате- матической модели исследуемого процесса является двумерное уравнение конвекции-диффузии в консервативной среде. Рассмотрим уравнение в об- ласти ={x=(x, y)}, : (1)  u(x,t) – искомая функция (как правило, концентрация некоторого ве- щества),  Kx(x), Kу(x) – коэффициенты диффузии,  v i(x), i=1,2 – компоненты скорости, определяющие стационарный конвективный перенос в недивергентной форме,  c(x) – коэффициент консервативности исследуемого вещества в среде. Уравнение дополняется краевым условием Дирихле   xxгрuu, x, t>0 и условием в начальный момент времени: u(x,0)=u0(x), xКраевые и начальные условия должны быть согласованы. Моделирование Для перехода от дифференциальных уравнений к системе линейных алгебраических уравнений (СЛАУ) был использован метод конечных раз- ностей. Для аппроксимации двумерного уравнения вводим равномерную по обеим переменным разностную сетку =hh с шагами по x и y (hx и hy). 222 Здесь h – множество внутренних узлов сетки: h={ij=(xi, yj), xi=ihx, yj=jhy, i=0,1…,M1, j=0,1…,M2}, а h – множество граничных узлов. Для не- стационарного уравнения ˆ={tn, n=0,1,…,N, t0=0, tN=T} – произвольная сетка на отрезке 0  t  T с шагами n= tn – tn-1Уравнению (1) поставим в соответствие разностное уравнение Аy = , (2) где А – разностный оператор, аппроксимирующий дифференциальный оператор в уравнении. Аппроксимацию конвективных членов проводили центральными разностями и разностями против потока. В результате аппроксимации уравнения конвекции-диффузии полу- чаются разреженные СЛАУ. Для решения уравнения (2) был использован метод наименьших квадратов. Результаты вычислительного эксперимента Для тестирования одномерного и двумерного уравнений конвекции- диффузии в качестве точного решения были взяты функции f(y)=sin(*y) и f(x,y)=sin(*x)*sin(*y) соответственно. С использованием написанной в рамках данной работы программы были проведены численные расчеты, позволяющие изучить распростране- ние вещества в водоѐме для решения стационарной задачи с использовани- ем противопотоковой схемы (рис.1). Входные данные k = 0.01, v1 = 1, v2 = -1, n = 12. Рис. 1. Решения стационарной задачи разностями против потока, двухмерный случай с шагом по пространству = 10 (область решения 10х10) Для дискретизации нестационарной задачи применялись центральные разности. Входные данные (дополняются значениями временных отрезков) k = 0.01, v1 = 1, v2 = -1, n = 32, = 0.2 – шаг по времени, T = 2. В начале рассчѐта инициализируем попадание примеси в центр заданной области. (а) Карта распространения (б) Линии уровня 223 Рис. 2. Решение нестационарной задачи центральными разностями, двухмерный случай с шагом по пространству = 30 (область решения 30х30) Упаковка матриц В результате аппроксимации уравнений конвекции-диффузии полу- чаются разреженные матрицы большой размерности. Для того, чтобы ал- горитмы работали эффективнее и экономнее по памяти матрицу следует хранить в специальном виде. Существует много способов упаковки разреженных матриц. В данной работе рассмотрены два способа упаковки: строчная схема хранения (Compressed RowStorage CRS) и столбцовая схема хранения (Compressed Column Storage CCS). Строчная схема во многих случаях является более удобной для неко- торых важных операций над разреженными матрицами. В данном методе хранения матрица записывается тремя одномерными массивами. Первый массив хранит все ненулевые элементы построчно. Во втором массиве за- писаны вторые индексы ненулевых элементов. А третий массив (LI) хра- нит местоположения первых ненулевых элементов в каждой строке (по- следний элемент массива – количество ненулевых элементов +1). Если строка пустая, то LI[i] = LI[i+1]. Столбцовая схема хранения является модификацией строчной схемы. Аналогично матрица записывается тремя массивами, но во втором массиве хранятся первые индексы ненулевых элементов вместо вторых, а в третьем массиве хранится местоположения первых ненулевых элементов в каждом столбце (последний элемент массива – количество ненулевых элементов +1). Для наглядности рассмотрим пример упаковки матрицы обоими спо- собами: Матрица 3 0 0 8 0 1 4 0 5 0 6 0 7 2 9 0 0 30 11 0 0 0 0 0 12 224 CRS: Список ненулевых значений: 3 8 1 4 5 6 7 2 9 30 11 12 Вторые индексы: 1 4 1 2 4 1 3 4 5 3 4 5 Хранение сжатых строк: 1 3 6 10 12 13 CСS: Список ненулевых значений: 3 8 1 4 5 6 7 2 9 30 11 12 Первые индексы: 1 1 2 2 2 3 3 3 3 4 4 5 Сжатое хранилище столбцов: 1 4 5 7 11 13 Приведенные способы упаковки могут быть востребованы при реше- нии задач экологии моделирования процессов распространения веществ в водоемах, т. к. получаемые в результате дискретизации СЛАУ являются сильно разреженными и имеют большую размерность. Выводы Проведенное исследование позволяет утверждать, что при корректных входных данных и методах решения математическая модель даѐт правиль- ные результаты и точно описывает процесс распространения примесей в водоѐмах. Применение при этом рассмотренных методов упаковки позво- ляют более эффективно решать получающиеся СЛАУ. Литература 1. Крукиер Л. А., Субботина Т. Н. ―Методические указания для студентов механико-математического факультета по спецкурсу «математические модели и численные методы», 2003, 55 с. 2. Самарский А. А., Михайлов А. П. . Математическое моделирование: Идеи. Методы . Примеры . – 2-е изд., испр. – М.: Физм атлит, 2001. – 320 с. 3. Учебное пособие по курсу «Численные методы в оптике» URL: http://aco.ifmo.ru/el_books/numerical_methods/lectures/glava4.html 4. Субботина Т. Н., «Использование треугольных кососимметричных раз- ностных схем в математическом моделировании транспортно- химических процессов в стратосфере»: диссертация кандидата физико- математических наук, 2002. – 170 с. https://dlib.rsl.ru/01002313644 5. Yousef Saad, «Iterative Methods for Sparse Linear Systems», JANUARY 3RD, 200 – 170 с. https://www-users.cse.umn.edu/saad/PS/iter1.pdf 225 ВИЗУАЛИЗАЦИЯ ОБЛАСТИ НЕУСТОЙЧИВОСТИ ПО ТЬЮРИНГУ СИСТЕМЫ БЕДДИНГТОНА-ДЕАНГЕЛИСА Романовский М. М. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: mromanovsky@sfedu.ru В данной работе рассматривается классическая система уравнений ре- акции-диффузии Беддингтона-ДеАнгелиса. Один из возможных упрощен- ных вариантов данной системы имеет вид: { ( ) где – коэффициент диффузии, - максимальное значение, ко- торого может достичь скорость сокращения добычи на одного представи- теля популяции, измеряет степень, в которой окружающая среда обеспе- чивает защиту жертвы. Неизвестными функциями являются – функция плотности жертв и – функция плотности хищников. Предполагается, что пространственная переменная меняется на отрезке [ ] – время. На концах отрезка заданы однородные краевые усло- вия Неймана Одной из главных задач анализа систем дифференциальных уравне- ний является анализ устойчивости решения при заданных параметрах. В системах с диффузией особенный интерес представляет область не- устойчивости по Тьюрингу, при которых имеет место диффузионная не- устойчивость (неустойчивость по Тьюрингу) стационарного равновесия этой системы [1]. Стационарное равновесие данной системы имеет вид: Оно называется неустойчивым по Тьюрингу, если оно устойчиво в бездиффузионном приближении, но теряет устойчивость при наличии диффузии в системе. Если имеет место диффузионная неустойчивость, то, как правило, происходит бифуркация Тьюринга, в результате которой рождаются пространственно-неоднородные структуры. При этом роль би- фуркационного параметра играет коэффициент диффузии 226 Критическим называется такое значение коэффициента диффузии, при котором все собственные значения соответствующей линеаризованной системы лежат в открытой левой полуплоскости комплексной плоскости, за исключением одного собственного значения, которое равно нулю. В данной работе область достаточных условий для удобства рассматрива- ется в переменных и , где – определитель матрицы [ ]: () Достаточные условия диффузионной неустойчивости для упрощенной системы Беддингтона-ДеАнгелиса имеют вид {√ √ где – собственные значения оператора Лапласа в случае краевых условий Неймана на отрезке [ ] Настоящая работа посвящена написанию программного комплекса для нахождения области достаточных условий диффузионной неустойчи- вости при заданном коэффициенте диффузии и заданной длине отрезка и еѐ последующей визуализации. Как правило, достаточные условия не- устойчивости Тьюринга находятся численно. В данной работе они найде- ны аналитически методами работы [2]. Более общие системы «хищник- жертва» рассматривались в работе [3]. Код программы написан на языке в среде разработки с ис- пользованием библиотек и . В качестве исходных дан- ных программа принимает параметры и Далее вычисляются собствен- ные значения оператора Лапласа на отрезке [ ], после чего считается ко- личество волновых чисел, попавших область достаточных условий и точки пересечения кривых достаточных условий, соответствующим волновым числам. По завершении данного процесса результаты визуализируются с помощью библиотеки 227 Рис. 1. Иллюстрация области достаточных условий неустойчивости Тьюринга в случае , . Синей кривой достаточных условий соответствует волновое число , оранжевой – , зеленой – В дальнейшем программный комплекс планируется обобщить для произвольных систем реакции-диффузии. Литература 1. Murray, J. D. Mathematical biology II: Spatial models and biomedical appli- cations – New York: Springer, 2003. DOI: 10.1007/b98869. 2. Revina S.V., Lysenko S.A. Sufficient Turing instability conditions for the Schnakenberg system // Вестник Удмуртского университета. Математика. Механика. Компьютерные науки. 2021. Т. 31. № 3. С. 424–442. DOI: 10.35634/vm210306.3. Ха Д. Т., Цибулин В. Г. Уравнения диффузии-реакции-адвекции для си- стемы «хищник-жертва» в гетерогенной среде // Компьютерные иссле- дования и моделирование. 2021. Т. 13 № 6 С. 1161–1176. 228 1   ...   18   19   20   21   22   23   24   25   ...   28

Методы и методика В обследованиях участвовали 16 добровольцев (12 мужчин, 4 женщи- ны, возраст 18–42 лет, средний возраст 33 года). Исходными данными 261 служили записи ЭЭГ, зарегистрированной 17 стандартных отведений (от- ведения F7, F3, Fz, F4, F8, T3, C3, Cz, C4, T4, T5, P3, Pz, P4, T6, O1, O2), располо- женных по международному стандарту 10-20. Обследования проводились в 3 серии на каждом субъекте, выполнявших произвольные реальные дви- жения и их мысленные эквиваленты. Для регистрации ЭЭГ использовался усилитель биопотенциалов «Энцефалан» (ООО «Медиком МТД», г. Таган- рог). Частота дискретизации - 250 Гц. Режекторный фильтр – 50 Гц. В ходе проведения трѐх экспериментальных серий обследуемые вы- полняли произвольные движения верхними и нижними конечностями, при этом на каждое выполнение одного движений отводилось 2 секунды. По- мимо этого, участникам предлагалось выполнить произвольное мысленное представление движения сразу после его реального выполнения в том же темпе (2 сек.). Для обучения нейронных сетей были использованы 6 отведений ЭЭГ, выделенные эмпирическим путем как наиболее информативные в контек- сте классификации мысленных эквивалентов реальных движений, а имен- но: F3, F4, O1, O2, P3, P4. Такой выбор также был обусловлен желанием уменьшить число анализируемых параметров модели, напрямую связанное с размерностью входных данных. В среднем по субъектам количество эпох разных классов было следующим: правая рука – 35.9±9.7, левая рука – 35.1±9.1, ноги – 32.9±9.2. Суммарно же для всех субъектов было 1663 эпо- хи трех классов мысленных движений. Таким образом, выборка данных имела размерности (1663, 6, 500). В ходе проведѐнного исследования было разработано и апробировано два подхода глубокого обучения (Deep Learning), включающих классиче- скую свѐрточную сеть с общими временными фильтрами (convolutional neural network, Common CNN) и оригинальную свѐрточную сеть с незави- симыми фильтрами (Multi-headed CNN). В обоих подходах (как Multi- headed CNN, так и Common CNN) использовалась активационная функция ReLU, алгоритм оптимизации ADAM, размер пакета составлял 32. Программный интерфейс сформирован на базе мобильного Android- приложения, служащего для организации Bluetooth-соединений, отображе- ния графической информации, выявления нейрофизиологических паттер- нов, отвечающих за выполнение произвольных мысленных команд, и пе- редачи их в качестве сообщения. Сообщения, передающиеся по Bluetooth-каналу от устройства к устройству, являются распознанными классификатором нейрофизиологи- ческими паттернами, закодированными по разработанному протоколу для передачи данных. Процесс передачи сообщения-команды производится сразу после распознавания. При получении сообщения устройством ко- манда раскодируется, согласно протоколу, и отображается в графическом виде. 262 В качестве графической информации, призванной сообщить пользова- телю об исправностях соединений и работы классификатора, служат окно с выводом графиков, отображающих многоканальный сигнал с электроэн- цефалографа (ЭЭГ), и цветовой индикатор распознанных классификатором мысленных команд. Аналогичные цветовые индикаторы применяются для отображения сообщений, которыми обмениваются мобильные устройства, участвующие в контуре системы нейрокоммуникации. Результаты и обсуждение Первый подход Common CNN аппроксимировал многомерные вре- менные ряды ЭЭГ обобщѐнными фильтрами для всех анализируемых от- ведений, то есть, свѐртка осуществлялась по времени. Кроме того, в каж- дом временном окне захватывался временной сегмент определенной дли- ны каждого из каналов, длительность до 700 мс. В результате модель по- лучила 3956 обучаемых параметров, ее архитектура представлена на Рис. 1. Рис. 1. Архитектура Common CNN с общими фильтрами Тестирование модели Common CNN осуществлялось на выделенном многомерном массиве обучаемых параметрах, а еѐ функция потерь Хубера составляла, в среднем, 0,5. Точность классификации на 3 и 4 классах варь- ировала у разных обследуемых от 0,38 до 0,67. Сравнительный анализ по- казал, что учѐт пространственной компоненты ЭЭГ позволил повысить 263 точность классификации целевых паттернов, по сравнению с традицион- ным подходом свѐртки, только по времени. Второй подходMulti-headed CNN состоял в том, что отобранные от- ведения ЭЭГ обрабатывались независимо друг от друга различными филь- трами. Данная процедура является физиологически обоснованной, по- скольку ЭЭГ характеризуется пространственной спецификой, связанной со относительной функциональной специализацией различных зон коры го- ловного мозга, в которых характер и частотный состав регистрируемой ак- тивности может существенно отличаться. Была создана и протестирована архитектура, представленная на Рис. 2. Она включала в себя 4556 обучае- мых параметров, выделенных на основе анализа 6 отведений ЭЭГ с ис- пользованием 3 фильтров. Длина и шаг свертки составляли 190 точек (760 мс) и 25 отсчѐтов времени (100 мс). Рис. 2. Архитектура multi-headed CNN с независимыми фильтрами (многоточием показаны 4 аналогичных блока первых слоѐв с собственными фильтрами) Результат экспериментальной проверки архитектуры Multi-headed CNN показал, что уже в ходе обучения сеть включала в себя значительно большее число обучаемых параметров ЭЭГ паттернов мысленных движе- ний при рассмотрении признакового пространства с мерностью до 6 кана- лов регистрации и 3 фильтров на каждом из них. Данная модель в условиях 264 валидации функции потерь Хубера имела значение 0,34, а точность клас- сификации на 3 и 4 целевых классах составляла 0,4 – 0,76. Работоспособ- ность модели, в частности, подтверждалась еѐ быстрым обучением, по- скольку уже на 200 экземплярах данных модель подбирала оптимальные гиперпараметры, позволяющие проводить классификацию целевых пат- тернов на уровне, превышающем случайный – выше 0,33. При этом дина- мика точности при обучении являлась строго положительной, а функция потерь – отрицательной, что хорошо характеризовало модель и перспекти- вы ее дальнейшего развития. Повышение надѐжности функционирования комплекса в режиме ре- ального времени представляет собой актуальную задачу, от решения кото- рой зависит уровень повышения качества жизни лиц с инвалидностью и повышение их автономности [7]. Разработка комплексного подхода и ги- бридных методов нейрореабилитации способно повысить качество жизни и автономность лиц с нарушениями моторных функций на основе не трав- мирующих реабилитационных методов, его медиаторных систем с целью повышения нейрональной пластичности. Благодаря применению совре- менных подходов к созданию нейросетевой архитектуры нейроинтерфей- са, результаты проекта могут найти широкое применение в сфере нейро- физиологии, математики и робототехники, а также на стыке различных об- ластей знаний. Работа поддержана Грантом Российского Научного Фонда № 20-19-00627 "Разработка стимул-независимой модели интерфейса "Мозг- компьютер" для реабилитации людей с ограниченными возможностями" Литература 1. Khan M. A., Das, R., Iversen H. K., & Puthusserypady S. (2020). Review on motor imagery based BCI systems for upper limb post-stroke neurorehabilita- tion: From designing to application. Computers in Biology and Medicine, 103843. 2. Qiu Z., Allison B. Z., Jin, J., Zhang Y., Wang X., Li W., & Cichocki A. (2017). Optimized motor imagery paradigm based on imagining Chinese characters writing movement. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(7), 1009–1017. 3. Chaudhary U., Birbaumer N., & Curado M. R. (2015). Brain-machine inter- face (BMI) in paralysis. Annals of physical and rehabilitation medicine, 58(1), 9–13. 4. Vidya G., Vipitha E. P., & Hridya S. G. (2018). Brain controlled home auto- mation system. BRAIN, 5(04). 265 5. Mainsah B. O., Collins L. M., Colwell K. A., Sellers E. W., Ryan D. B., Caves K., & Throckmorton C. S. (2015). Increasing BCI communication rates with dynamic stopping towards more practical use: an ALS study. Journal of neural engineering, 12(1), 016013. 6. Allison B. Z., Cho W., Ortner R., Heilinger A., Edlinger G., & Guger C. (2017, July). Validation of a Brain-Computer Interface (BCI) System De- signed for Patients with Disorders of Consciousness (DOC): Regular and Sham Testing with Healthy Participants. In International Conference on Augmented Cognition (pp. 253–265). Springer, Cham. 7. Кирой В. Н. (2011). Интерфейс мозг – компьютер (история, современ- ное состояние, перспективы). 266 ПОСТРОЕНИЕ ОБЛАКА ТОЧЕК ПО ВИДЕО С АВТОРЕГИСТРАТОРА Шевцов О. И., Демяненко Я. М. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: oshevcov@sfedu.ru, demyana@sfedu.ru Целью исследования является оценка применимости готовых решений по построению облака точек к задаче восстановления 3D сцены из видео с авторегистратора. В ходе решения задачи была рассмотрена библиотека OpenSfM, со- держащая реализацию восстановления разреженного облака точек на осно- ве набора кадров, взятых из видео. Была проанализирована применимость предложенных в библиотеке алгоритмов к задаче реконструкции разряженного облака точек по видео с авторегистратора и дальнейшего использования полученных результатов в качестве основы для построения 3D сцены. Были рассмотрены алгоритмы обнаружения особых точек AKAZE [1], HAHOG [2] и ORB [3], а также проведены тесты производительности их реализации в рассматриваемой библиотеке. На основе 200 изображений взятых из датасета записей, полученных с авторегистратора, получено не- сколько вариантов реконструированных разряженных облаков точек с применением каждого из рассматриваемых алгоритмов. Замеры проводи- лись на системе со следующими спецификациями: процессор - Intel Core i5-7500 CPU @ 3.40 ГГЦ, оперативная память - 16,0 ГБ. В результате сравнительного анализа не было выявлено принципиальной разницы в ка- честве получаемого облака, каждый из подходов продемонстрировал по- хожий результат. Однако временные замеры выявили серьезное превос- ходство AKAZE, он показал хорошую скорость в сравнении с другими двумя алгоритмами, при этом качество получаемых результатов не постра- дало. Самые неудовлетворительные результаты показал ORB, основываясь на проведенных нами изысканиях, сделан вывод, что алгоритм попарно сравнивал каждое из 200 изображений на предмет наличия общих точек. Дальнейшее использование полученного нами облака точек для по- строения 3D сцены позволило выявить существенную проблему. Так как нижняя часть кадров, взятых из видео, практически всегда занята дорож- ным полотном, обнаружение особых точек на котором затруднено, то на 3D сцене появляются серьезные разрывы. Следовательно, для корректного использования алгоритмы библиотеки требуют дополнительной модифи- кации либо постобработки 3D сцены. 267 Литература 1. Lester Kalms, Khaled Mohamed, and Diana Göhringer. 2017. Accelerated Embedded AKAZE Feature Detection Algorithm on FPGA. In Proceedings of HEART2017, Bochum, Germany, June 07-09, 2017, 6 pages 2. Implementation of hog edge detection algorithm onfpga‘s Berkant BAŞA* a Sakarya University, Faculty of Computer and Information Sciences, Depart- ment of Computer Engineering, 54187, Sakarya TURKEY 3. Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary R. Bradski: ORB: An efficient alternative to SIFT or SURF. ICCV 2011: 2564–2571. 268 ПОИСК МОДЕЛИ ДЛЯ ДЕТЕКТИРОВАНИЯ РУКИ НА ИЗОБРАЖЕНИЯХ С RGB-КАМЕРЫ Шепелев Д. И., Демяненко Я. М. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: shdaig@gmail.com, demyana@sfedu.ru Разрабатываемый подход к визуализации позы руки в трѐхмерном пространстве по изображению с rgb-камеры включает систему детектиро- вания и систему нахождения ключевых точек. Система детектирования служит для локализации руки с последую- щей подачей обрезанного изображения на вход системе нахождения клю- чевых точек, и представляет из себя свѐрточную нейронную сеть. В результате поиска оптимальной модели для детектирования, при ко- торой сохраняются высокая частота кадров в секунду и точность детекти- рования, было протестировано 3 сети, наиболее часто используемых для решения аналогичных задач. Сеть на архитектуре YoloV3 [1] показала себя как наименее эффек- тивная для обработки изображения, так как частота кадров не превышала 2 кадров в секунду. Модель YoloV3-tiny, позиционирующаяся как модель для работы на мобильных устройствах, с более высокой скоростью обрабатывает изоб- ражение, в связи с чем частота кадров в среднем достигает 15 кадров в се- кунду. Сеть на архитектуре SSD [2] является самой эффективной из проте- стированных с частотой в 30 кадров в секунду и наиболее стабильным де- тектированием, что позволяет ее использовать в дальнейших разработках в задаче визуализации позы руки. Обучение производилось с помощью TensorFlow [3] с использованием оптимизационного алгоритма Adam [4]. Для обучения использовались стандартные для данных архитектур функции потерь и датасет EgoHands [5]. Датасет представляет из себя 4700 размеченных изображений с разрешением 1280x720. Для удобства обуче- ния изображения были уменьшены до размера 640x360, значения разметки изменены в соответствии с размером изображений. Датесет был распреде- лен по двум выборкам: тренировочная, содержащая 4230 изображений (90%), и валидационная, содержащая 470 изображений (10%). 269 По итогу тестирования была выбрана модель свѐрточной нейронной сети на архитектуре SSD, которая отличается высокой точностью детекти- рования и является экономной к аппаратным ресурсам компьютера, что позволяет в дальнейшем с высокой эффективностью использовать воз- можности системы нахождения ключевых точек. Литература 1. Redmon J., Farhadi A., Yolov3: An incremental improvement, 2018. doi:10.48550/ARXIV.1804.02767. 2. Liu W., Anguelov D., Erhan D., Szegedy C., Reed S. E., Fu C., Berg A. C., SSD: single shot multibox detector, CoRR abs/1512.02325 (2015). 3. Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Cor- rado G. S., Davis A., Dean J., Devin M., et al. Tensorflow: Large-scale ma- chine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467, 2016. 4. Kingma D. P. and J. Ba. Adam: A method for stochastic optimization. CoRR, abs/1412.6980, 2014. 5. Bambach S., Lee S., Crandall D. J., Yu C., Lending a hand: Detecting hands and recognizing activities in complex egocentric interactions, in: The IEEE International Conference on Computer Vision (ICCV), 2015. 270 ПОВЫШЕНИЕ ИММЕРСИВНОСТИ ПРИ РАЗРАБОТКЕ ИНТЕРАКТИВНОЙ 3D СИМУЛЯЦИИ ДЛЯ ВЫПОЛНЕНИЯ ЛАБОРАТОРНЫХ РАБОТ ПО АНАЛИТИЧЕСКОЙ ХИМИИ Штейн О. О. ФГАОУ ВО «Южный федеральный университет», Институт математики, механики и компьютерных наук им. И. И. Воровича E-mail: shteyn@sfedu.ru Одними из главных компонент в лабораторных работах по химии являются жидкости, например растворы веществ, жидкие реагенты, вода для разбавления и получения требуемой концентрации и так далее. Как следствие, моделирование поведения жидкого вещества, особенно его вытекание из сосуда, достаточно важно при разработке химической лаборатории. И чем достовернее будет выглядеть имитируемое движение, тем правдоподобнее получится разрабатываемая программа, соответственно, тем критичнее и, возможно, неординарнее задача. На сегодняшний день существуют разные способы и приемы воспро- извести выливающуюся жидкость, однако в данном интерактивном симуляторе химической лаборатории предлагается еще один – инвер- сивная кинематика. Если упростить эту модель, то получится система из крутящихся шарниров и зависимых от них соединительных элементов, которая выходит из точки А и должна достать до точки В, где А – это горлышко верхнего сосуда и В – центр донышка нижнего сосуда. При обнаружении соприкосновения двух сосудов описанная система по заранее заданному алгоритму просчитывает минимальный путь и необходимые для его прохождения углы поворота шарниров. Для большей достоверности все расчеты проходят в невидимом для пользователя состоянии. Когда все значения окончательно известны, то по очереди ак- тивируются и поворачиваются все шарниры и соединительные элементы, начиная от ближайшего к точке А. Естественно, вся система начинает работу при условии, что в верхнем сосуде имеется некоторое количество жидкости. Алгоритм высчитывания угла поворота шарнира достаточно прост и базируется на предположении, что с каждым поворотом система должна приблизиться к цели; в случае невозможности выполнения данного утверждения ей следует оставаться в текущем состоянии. Для этого у каждого шарнира высчитываются 2 вектора – «шарнир-цель» и «шарнир- последний элемент». Далее между ними высчитывается угол и именно на это значение и сдвигается шарнир. Один из минусов данного способа – это трудности с вычислением угла по всем трем координатным осям сразу, поэтому было принято 271 решение, что в теоретической модели шарнир может повернуться только по одной из осей. Поэтому изначально был введен фактор случайности — если цель еще не достигнута, то в 3% случаях шарнир может поменять свою ось вращения. Это позволило системе проявить свою гибкость. Однако оказалось, что в реализуемой лаборатории все проще, нежели чем в смоделированной раннее теоретической системе – из-за особенностей расположения предметов на столе всем шарнирам имеет смысл крутиться только по одной оси. Помимо реализма проводимых экспериментов и их составляющих, достоверности при работе в интерактивной программной лаборатории придают разные мелочи, например, реальный вид из окна, знакомое расположение вещей на заднем плане или последствия несоблюдения техники безопасности. Одним из таких обязательных к соблюдению правил является аккуратное обращение с колбами, иначе они могут упасть и разбиться несмотря на то, что лаборатория не настоящая. Процесс разбивания был реализован на основе модели свободного падения тела с нулевой начальной скоростью. Когда пользователь взаимодействует с колбой, в фоновом режиме производится расчет конечной скорости, с которой упадет колба на заранее определенную поверхность (и об которую разобьется). В обычной жизни, если предмет поднят невысоко или его аккуратно опустили, то он остается целым, поэтому в программе специально предусмотрено сравнение скорости с неким эмпирическим пределом и после экспериментально проверенным значением – если высчитанная раннее скорость больше, то предмет бьется, если меньше – уцелеет. В случае, если объект разобьется, формируется набор случайный набор осколков. Также в программе предусмотрен дополнительный случайный фактор, который может позволить колбе уцелеть. Это было сделано специально, чтобы избежать ситуаций, когда обучающийся опытным путем высчитал, с какой высоты можно безопасно кидаться колбой. Все рассмотренные механики игрового симулятора реализованы на платформе Unity и являются вспомогательными для основной механики расчета химических экспериментов. Отметим, что детали, способствующие погружению в процесс симуляции, повышают среднее время игровой сессии и позволяют удерживать внимание обучающихся дольше. Предложенные методы добавления достоверности при выполнении лабораторных работ не являются единственным решением данной проблемы и не делают программную лабораторию идентичной реальной. Однако они позволяют учащемуся меньше отвлекаться на не- реалистичность происходящего и больше сосредоточиться на проведении опыта, что также является отличным показателем их жизнеспособности. 272 1   ...   20   21   22   23   24   25   26   27   28


МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ
РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное
учреждение высшего образования
«ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»
Институт математики, механики и компьютерных наук им. И. И. Воровича
Современные информационные
технологии: тенденции
и перспективы развития
Материалы
XXIX научной конференции
(Южный федеральный университет,
Ростов-на-Дону, 21 – 23 апреля 2022 г.)
Ростов-на-Дону – Таганрог
Издательство Южного федерального университета
2022

УДК 004(063)
ББК 32.97я43
С568
Редакционная коллегия:
Г. В. Муратова, Е. Е. Блинова, Я. М. Демяненко,
В. А, Нестеренко, А. Н. Соловьев, В. Ю.Тополов
С568
Современные информационные технологии: тенденции и
перспективы развития [Электронный ресурс] : Материалы XXIX научной конференции (Южный федеральный университет, Ростов- на-Дону, 21 – 23 апреля 2022 г.) – Ростов-на-Дону ; Таганрог : Изда- тельство Южного федерального университета, 2022. – Электрон. текстовые дан. (1 файл: 6,
14 Мб). – 1 электрон. опт. диск (CD-R). –
Системные требования: процессор с тактовой частотой 1,5 ГГц и выше, 1 Гб оперативной памяти, Windows 7 SP1, Windows 8, 8.1,
Windows 10 (32- и 64-разрядные версии), Acrobat Reader DC, привод
DVD-ROM. – Загл. с экрана. – 290 с.
ISBN 978-5-9275-4142-3
В сборнике представлены доклады участников научной конферен- ции «Современные информационные технологии: тенденции и перспек- тивы развития» (Южный федеральный университет, г. Ростов-на-Дону,
21 – 23 апреля 2022 г.).
Материалы публикуются в авторской редакции.
ISBN 978-5-9275-4142-3
УДК 004(063)
ББК 32.97я43
© Южный федеральный университет, 2022

3
ОГЛАВЛЕНИЕ
ПРО БЛ ЕМЫ И П ЕРС П ЕК ТИВ Ы Р АЗВ И ТИЯ И Т -СФЕРЫ В С ОВР ЕМЕНН ЫХ
УСЛОВ ИЯХ
9
ЭЛЕК ТР О ННЫ Й З АДА ЧНИК PRO GRA MMIN G TAS KBO O K: О ПЫ Т
ИСП ОЛЬЗ ОВ АН ИЯ В У НИВ ЕРС И ТЕТЕ МГУ -П ПИ В ШЭ Н ЬЧЖЭ НЕ И НОВ ЫЕ
ВОЗМОЖ НОС ТИ ВЕРС ИИ 4.22 1 3
Абрамян М. Э.
13
РЕАЛИЗ АЦ ИЯ П РО ЕК ТА ВИ Р ТУАЛ ЬНОГ О МИ НЕРАЛ ОГИ ЧЕСК ОГО МУЗЕЯ
1 7
Абрамян М. Э., Агарков Ю. В., Бортова Л. В., Тихонова Н. А.
17
ЭЛЕК ТР О ННЫ Й З АДА ЧНИК ПО КУРС У «О П ЕР АЦ ИО ННЫ Е С ИС ТЕМЫ »
2 0
Абрамян М. Э., Ли Шэнюй (李圣禹)
20
ЭЛЕК ТР О ННЫ Й З АДА ЧНИК ПО ПА ТТЕРН А М ОБЪЕК ТН О -О РИ ЕН ТИ Р ОВА НН ОГО
ПРО ЕК ТИ РОВ АН ИЯ
2 3
Абрамян М. Э., Лай Вэньтао (赖文涛)
23
ТР ЕХ МЕР НАЯ РЕКО НС ТРУ КЦ ИЯ Д ОР ОЖН ОГ О П ОЛО ТН А С УД АЛЕНИ ЕМ
ДВИЖ УЩИ ХСЯ ДИ НА МИ ЧЕСК ИХ ОБЪЕК ТО В
2 6
Авилов А. М., Демяненко Я. М.
26
ОБ ИС ПОЛ ЬЗО ВА НИ И КОН ЕЧН О -ЭЛ ЕМЕН ТН ОГО К О МПЛ ЕКС А CO MS O L® В
УЧЕБН О-НА У ЧНЫ Х ИС СЛЕД ОВА НИ ЯХ
2 9
Амбарян К. В., Надолин К. А.
29
ПОС ТР ОЕНИ Е ДВУД ОЛ ЬН ЫХ Г РА ФОВ С З АД А ННЫ М О БХВ А ТО М МЕТО ДО М
РАСШ ИР ЕН ИЯ МЕТАГ РА ФОВ
3 3
Арутюнов О. В.
33
ОСО БЕН НОС ТИ П РИ МЕН ЕН ИЯ ЦИ ФР ОВ ОГО СЛЕД А В ОБРАЗ ОВА Н ИИ
3 6
Балякин А. А., Нурбина М. В.
36
МО ДЕЛ ИР ОВА НИ Е РА СПР ОС ТРА НЕНИ Я ЗВУ КА В З АМК НУ ТО М ПО МЕЩЕНИ И С
ПО МОЩ ЬЮ МЕТОД А П ЕР ЕС ЕЧЕНИЯ ЯЧЕЕК
4 0
Бараева Д. С., Сумбатян М. А.
40
КОН ЦЕП Т Ц И ФРО ВО Й ТР АНС ФОР МА ЦИ И П ЕДАГО ГИ ЧЕСКОГ О ОБР АЗОВ АН ИЯ
В РОСС ИИ
4 5
Барский Е. Д., Демина С. А.
45
КЛИЕН Т-С ЕР ВЕРН АЯ АРХ И ТЕК Т У РА Н А П Р ИМЕР Е ИГР ОВОГ О С ЕР ВЕР А MTA
4 9
Белкин А. И., Майер С. Ф.
49
ОПЫ Т ОРГ АН ИЗА ЦИ И РО БО ТО ТЕХ НИ ЧЕСК И Х КО НКУ РСОВ В О НЛ АЙ Н -
ФО РМА ТЕ
5 3
Бильченко А. К.
53
ОСО БЕН НОС ТИ ИС ПО ЛЬЗОВ АН ИЯ ТЕХ НОЛ О ГИИ ПР ОЕК ТН ОГ О О БУЧЕН ИЯ В
ШКОЛ ЬН ОМ КУР СЕ ИН ФО РМ А ТИК И В К ОН ТЕ КС ТЕ ВН ЕД Р ЕН ИЯ
ОБНОВЛ ЕНН ЫХ ФГ ОС
5 7
Блинова Е. Е., Евланова А. Г.
57


4
ОСО БЕН НОС ТИ ИС ПО ЛЬЗОВ АН ИЯ АЛГО РИ ТМОВ Н А ЯЗЫК Е PY TH ON Д ЛЯ
РАЗВ И ТИЯ АЛГО РИ ТМИЧЕСК ОГО МЫШЛ ЕН И Я УЧАЩ ИХСЯ
6 2
Блинова Е. Е., Угненко А. А.
62
МЕТО ДЫ ПО С ТРО ЕН И Я ИЗОЛ ИР ОВА НН ЫХ Д ВУХУ РОВ Н ЕВЫ Х L2 / L3 VPN
ПОД СЕТЕЙ БОЛЬШИ Х КОР ПОР А ТИВ НЫ Х С ЕТЕЙ
6 6
Букатов А. А.
66
ВЫЧИСЛ И ТЕЛ ЬН АЯ С ХЕМА Р ЕШ ЕН ИЯ О БР А ТН ОЙ З АД АЧИ ОБ
ИД ЕН ТИ ФИКА ЦИ И ДВ УХ ТЕР МО МЕХА НИ ЧЕСКИХ ХА РАК ТЕР ИС ТИ К
НЕОД НОР ОД НО Й ТРУ БЫ
7 0
Ватульян А. О., Нестеров С. А.
70
ИСП ОЛЬЗ ОВ АН ИЕ ЯЗЫ КА P Y THO N ДЛ Я П РО ТО ТИП ИР ОВА НИЯ РА С ШИР ЕН ИЯ
АЛГО РИ ТМА У Н ИФИК АЦ ИИ
7 3
Волошин Б. И., Михалкович С. С.
73
ПРИ МЕН ЕНИ Е ЭЛ ЕК ТР ОН НО -ВЫ ЧИСЛИ ТЕЛЬНЫХ СР ЕДС ТВ ДЛЯ
ВИЗУ АЛИЗ АЦ ИИ ТР АН СФОР МА ЦИ И ВОЛ ЬТА МП ЕР НО Й Х АР АК ТЕРИ С ТИК И
ПОЛУ ПР ОВО ДН ИКО ВО Й С ТРУК ТУ РЫ С ВЧ В УЧЕБН ОМ ПР ОЦ ЕСС Е
7 7
Волощенко П. Ю., Волощенко Ю. П.
77
ИЗУ ЧЕНИ Е С ИГН АЛ А В СВЕРХСК ОР ОС ТН ОМ ЛОГИ ЧЕСК ОМ ЭЛ ЕМЕН ТЕ С
ИСП ОЛЬЗ ОВ АН ИЕМ К ОМП ЬЮТЕР НЫХ СИС ТЕМ И НЖ ЕН ЕР НЫ Х Р АС ЧЕТО В
8 0
Волощенко П. Ю. Волощенко Ю. П.
80
КОМПЛ ЕКС ПРО ГРА ММ ДЛЯ МОД ЕЛИ РОВ АН ИЯ, О РГА НИЗ АЦ ИИ И ОБРА БО ТК И
РЕЗУЛ ЬТА ТО В ЭКСП ЕРИ МЕ Н ТОВ ПО ТЕР МО МИГ РА ЦИ И ВКЛ ЮЧЕН ИЙ В
КРИС ТАЛЛ АХ И С ИН ТЕЗУ ТО НК ИХ ПЛЕНО К
8 3
Гармашов С. И., Терехин К. А., Константинова М. Г., Хатламаджиян Ю. Б.,
Макинян Н. В., Иришин А. Г.
83
РАЗР А БО ТКА СИС ТЕМЫ Н АКО ПЛЕНИ Я БОЛ ЬШОГО О БЪ ЁМА ПЛО Х О
С ТР УК ТУР ИР ОВА НН Ы Х ДА Н НЫХ , Н А П РИ МЕР Е П РО ЕК ТА "А ТЛ АС НКО "
9 0
Гуфан К. Ю., Борус А. И.
90
КЛАС ТЕРНЫ Й АН АЛИ З В МО ДИ ФИЦ ИР ОВА Н НО Й ЗА ДА ЧЕ МАРК ОВ И ТЦА ДЛЯ
ОП ТИ МАЛ ЬНОГ О ПОР ТФЕЛЯ
9 4
Данилова Н. В., Житников Д. И.
94
ЭЛЕМЕН ТЫ ПР О ЕК ТН ОГО О БУ ЧЕНИ Я В БАК АЛАВ РИ А ТЕ И МАГ ИС ТР А ТУР Е
ФИ И Т
9 9
Демяненко Я. М.
99
ИГРО ВАЯ АД АП ТА Ц И Я ШЛИ ХОВ ОГО АН АЛ ИЗА
1 0 1
Демяненко Я. М., Агарков Ю. В., Сергеев Н. А.
101
ПОЛ НОСВ ЁР ТО ЧНЫ Й ВАР ИА ЦИ ОН НЫЙ АВ ТОКО ДИР ОВЩ ИК
1 0 3
Друзь А. С.
103
ПРО БЛ ЕМА РАЗВ И ТИЯ ЦИ ФР ОВЫ Х НАВ ЫКО В БАКАЛ АВР ОВ
ПЕДАГ ОГИ ЧЕСК ОГО О БР АЗОВ АН ИЯ
1 0 7
Дудакова Ю. В., Кувшинова Е. Н.
107
РЕАЛИЗ АЦ ИЯ П РОС ТО ГО ВО КСЕЛ ЬНОГ О ГР А ФИ ЧЕСК ОГО ДВИ ЖКА ДЛЯ
АРК АДН ЫХ ИГР
1 1 0
Дуюнов С. И.
110

5
ЦИ ФР ОВИЗ АЦ ИЯ МЕЖ ДУН АР ОДН ОГ О БИЗ НЕСА КО МПА НИ Й В С ТР А ТЕГ ИЯХ
ЕА ЭС И ЕС
1 1 3
Евченко Н. Н.
113
О Н ЕО БХО ДИ МОС ТИ И Н ТЕГР АЦ ИИ О БР АЗОВ А ТЕЛ ЬН ОГО ДИЗ А Й НА В
ПОДГ О ТОВК У БАК АЛА ВРОВ ПО НА ПР АВЛ ЕН ИЮ «Г ИД РО МЕТЕО РО ЛОГИЯ »
1 1 9
Евланова А. Г.
119
ИН ФО Р МА ЦИ ОН НО -О БРАЗО ВА ТЕЛ ЬНЫ Е Р ЕС УРСЫ ПР И О РГА НИЗ А ЦИ И
ПРО ВЕДЕНИЯ ЧЕМП И ОН А ТА ЮФУ П О С ТА Н ДАР ТА М WOR LD S KILLS RU SS IA
ПО К О МП ЕТЕНЦ ИИ «П РЕПОД АВ АН ИЕ ТЕХ НО ЛОГИ И »
1 2 3
Егоров Н. Я., Егоров И. Н., Егорова С. И.
123
СПЕК ТР О ПЕРА ТО РА Л АПЛ АСА НА ГРА ФАХ СПЕЦИ АЛ ЬН ОГО ВИД А
1 2 5
Жмуров А. С.
125
РАЗР А БО ТКА И НС ТРУ МЕН ТА РЕДАК ТИ РО ВА НИЯ ДЕРЕВЬЕВ ПОВ ЕД ЕН ИЯ ДЛЯ
U N I T Y
1 2 7
Задверняк Я. А.
127
ОП ТИ МИЗ А Ц ИЯ АЭ РО ДИН А МИ ЧЕСКИ Х В ЕС ОВ ДЛЯ ВАЛ ИДА ЦИ И
МА ТЕМА ТИ ЧЕСКО Й МОД Е ЛИ ТЕОР И И ТОНК ОГО К РЫЛ А
1 3 0
Казаков Е. А., Самсонов И. К.
130
ОПЫ Т АК ТУАЛ ИЗ АЦ И И О БР АЗОВ А ТЕЛ ЬНО Й ПР ОГРА ММЫ БАКАЛ А ВР И А ТА П О
ПРИ КЛАД НО Й МА ТЕМА ТИК Е И ИН ФОР МА ТИ КЕ
1 3 4
Карякин М. И., Махно В. В., Ревина С. В.
134
АНГЛ ОЯЗЫ ЧН АЯ МАГ ИС ТЕР СКАЯ ПР ОГР А ММА МЕХ МА ТА ЮФУ В ОБЛ АС ТИ
МА ТЕМА ТИ ЧЕСКОГ О МО ДЕЛ ИР ОВА НИ Я И И НФОР МАЦ ИО ННЫ Х ТЕХН ОЛОГ ИЙ :
ИС ТОР ИЯ, ПР ОБЛ ЕМЫ И П ЕРС П ЕК ТИВ Ы
1 3 9
Карякин М. И., Надолин К. А., Наседкин А. В.
139
ИСП ОЛЬЗ ОВ АН ИЕ СР ЕДС ТВ ГЕОЛОК АЦ ИИ В AN DRO ID ДЛЯ С ОЗД А НИЯ
ФИ ТН ЕС -ИГРЫ
1 4 4
Каспаров А. В.
144
НА ХОЖ ДЕНИ Е ОБЛАС ТИ ДИ ФФУЗ ИО НН ОЙ Н ЕУС ТО Й ЧИВ ОС ТИ ДЛЯ
УРАВ Н ЕН ИЯ БР ЮСС ЕЛ Я ТО РА
1 4 7
Келеметова К. А.
147
МО ДЕЛ ИР ОВА НИ Е ТЕР МО УП РУГ ИХ СВ ОЙ С ТВ ПЛ ЕНК И Н А П ОДЛ О ЖКЕ
1 4 9
Клунникова Ю. В., Аникеев М. В.
149
ГЕН ЕР АЦ ИЯ РЕАЛИС ТИЧНОГ О Ш УМА НА ИЗ ОБРАЖ ЕНИЯ Х
1 5 1
Коваленко А. С., Демяненко Я. М.
151
ИН ТЕГРА ЦИ Я Д АН НЫ Х В И Н ФО РМАЦ ИО НН ЫХ С ИС ТЕМА Х. МЕТО ДЫ. Э ТАП Ы
ИН ТЕГРА ЦИ И
1 5 4
Косицына И. В.
154
ОРГА Н ИЗА ЦИЯ ПР ОЕК ТН ОЙ ДЕЯ ТЕЛ ЬН ОС ТИ ПР И О БУ ЧЕН ИИ ОС НО ВАМ
АЛГО РИ ТМИЗА ЦИ И И ПРОГ РА ММИ РОВ АН ИЯ В НА ЧАЛ ЬН ОЙ Ш КОЛ Е
1 5 8
Кувшинова Е .Н., Шаповалова Д. С.
158
ПРО ЕК ТИ РОВ АН И Е МЕТО ДИ ЧЕСКО Й С ИС ТЕМЫ ДЛЯ Р АЗВИ ТИ Я ГИ БКИ Х
КОМП ЕТЕН Ц ИЙ («S O FT S KILLS ») Н А У РОК А Х И Н ФОР МА ТИК И В 6 КЛАСС Е
1 6 3
Курочкина В. А., Евланова А. Г.
163


6
ЖУР НАЛ ИЗА ЦИЯ ИЗ МЕН ЕН ИЙ ДО КУ МЕН ТО В БАЗЫ Д АН НЫ Х
1 6 7
Литвиненко А. Н., Марочкина К. М.
167
ИД ЕН ТИ ФИКА ЦИЯ ВИ ХР ЕВЫ Х ПЯ ТЕН С ИС П ОЛЬЗ ОВА Н ИЕМ МО ДЕЛЕЙ
ТО ЧЕЧНЫ Х И Р АСП РЕДЕЛ ЕН НЫ Х ВИ ХР ЕЙ
1 7 1
Лысенко Ф. П., Говорухин В. Н.
171
МЕТО ДЫ МА ТЕМА ТИ ЧЕСКО Й С ТА ТИ С ТИК И ДЛЯ Р ЕШ ЕН ИЯ ЗА ДА Ч
ДИАГ НО С ТИКИ И ПОВ ЫШЕНИЯ Э ФФЕК ТИВ Н ОС ТИ Л ЕЧЕНИЯ З А БО ЛЕВА НИ Й
ГОЛОВ НОГ О МОЗГ А
1 7 6
Майер С. Ф., Махно В. В. Муратова Г. В., Литвиненко М. М.
176
ИССЛ ЕДО ВА НИ Е О П ТИЧЕСК ИХ СВО ЙС ТВ П ЛЕН ОК ITO ДЛ Я П РИ МЕН ЕН ИЯ В
СОЛН ЕЧН ЫХ ЭЛ ЕМЕН ТА Х
1 8 1
Малюков С. П., Саенко А. В., Рожко А. А.
181
ИССЛ ЕДО ВА НИ Е Р ЕЗИ С ТИВ Н ОГО ПЕР ЕКЛЮЧЕН ИЯ В МЕМРИС ТО Р Н ЫХ
С ТР УК ТУР АХ НА ОС Н ОВЕ ОКС ИД А ТАН ТА Л А
1 8 3
Малюков С. П., Саенко А. В., Тимощенко Д. В.
183
РАЗР А БО ТКА АЛГ ОР И ТМА ДЛ Я Р ЕН ТГ ЕН ОВ СКИХ СН ИМК ОВ ИЗО БРАЖ ЕН ИЙ
ПЛЕЧЕВО Й К ОС ТИ
1 8 6
Маннаа А. С.
186
ИН ТЕРАК ТИ ВН ОЕ МО ДЕЛ ИРО ВА НИ Е МЕТО ДО М КО Н ЕЧНОГ О ЭЛЕМЕН ТА В
W E B - В Е Р С И И П А К Е Т А A C E L A N - C O M P O S
1 9 0
Мартыненко М. В., Москаленко Д. А., Оганесян П. А., Фоменко Е. И.
190
РЕШ ЕН И Е ЧАС ТИ ЧНО Й П РО БЛ ЕМЫ СО БС ТВ ЕН НЫ Х ЗН А ЧЕНИ Й ДЛ Я
СИММЕТРИ ЧНЫ Х Н ЕЗ НАК ОО ПР ЕД ЕЛ ЕН НЫХ МА ТР ИЦ Н А
ПОД ПР ОС ТРА НС ТВА Х КРЫЛО ВА
1 9 3
Мартынова Т. С., Муратова Г. В., Оганесян П. А., Штейн О. О.
193
МЕТО ДЫ ОЦ ЕНКИ КА ЧЕС ТВА РА БО ТЫ БИ НА РНЫ Х И МУЛЬТА КЛА С СОВЫ Х
КЛАССИ ФИК А ТОР ОВ
1 9 8
Михайличенко А. А.
198
ПЕРВО Е С ОО БЩ ЕН И Е О МОД УЛЕ Н ЕВИ ДИ МОЙ АВ ТО МА ТИ ЧЕСК О Й П РОВ ЕРК И
ЗАДА НИ Й ПО ПР ОГР А ММИР ОВ АН ИЮ В СР ЕДЕ PAS CA LAB C.N ET
2 0 4
Михалкович С. С.
204
J U P Y T E R - Н О У Т Б У К И Д Л Я P A S C A L A B C . N E T И И Х И С П О Л Ь З О В А Н И Е В
УЧЕБН ОМ ПР ОЦ ЕСС Е
2 0 8
Михалкович С. С., Баглий А. П., Кобзарь Д. В., Пахомов А. А.
208
МЕТО ДИ КА ПР ЕП ОД А ВАН ИЯ БИЗ НЕС -ИН ФО РМА ТИКИ КАК ПР ИО Р И ТЕТН ОЕ
НА ПРА ВЛЕНИ Е ОБРАЗ ОВА НИЯ В СО ВР ЕМЕН НО М МИР Е
2 1 1
Натробина А. И.
211
АН АЛИЗ МО ДЕЛЕЙ С ЕМА Н ТИ ЧЕСКО Й С ЕГ МЕН ТА ЦИ И ИЗО БР АЖ ЕН ИЙ Д ЛЯ
АВ ТОП ИЛО ТА
2 1 4
Нерчинский Н. В., Демяненко Я. М.
214
ИЗУ ЧЕНИ Е РАЗД ЕЛ А П О ЗАЩ И ТЕ ПР ОГР АММНОГ О КО ДА В КУ РСЕ «АН АЛИЗ
ПРОГ РА ММН ОГО КО Д А »
2 1 6
Нестеренко В. А.
216

7
МО ДЕЛ ИР ОВА НИ Е С ТР УК ТУРЫ И ПР ОЦ ЕСС О В ПР ИМЕНЕНИЯ
ГЕО ИН ФОР МА ЦИ ОН Н ЫХ ТЕХН ОЛО ГИ Й П РИ ПР ОВЕДЕНИ И МИК РО ПЕРЕПИС И
СЕЛ ЬСКО ГО ХОЗЯ ЙС ТВА
2 1 8
Репенко Е. А., Гордиенко Л. В.
218
МО ДЕЛ ИР ОВА НИ Е РА СПР ОС ТРА НЕНИ Я П РИ МЕСЕЙ В В ОД ОЁМАХ
2 2 1
Решетняк А. Н., Шабас И. Н.
221
ВИЗУ АЛИЗ АЦ ИЯ О БЛ А С ТИ Н ЕУС ТО Й ЧИВ ОС ТИ П О ТЬЮР ИНГ У С ИС ТЕМЫ
БЕДД ИНГ ТО Н А -ДЕАНГ ЕЛИС А
2 2 5
Романовский М. М.
225
ИССЛ ЕДО ВА НИ Е ВЛ И ЯНИЯ СВО ЙС ТВ ПЛ ЕН ОК Cu
2
O Н А ЭФФЕК ТИ ВНОС ТЬ
ПЕРОВС КИ ТН ЫХ С ОЛ НЕЧНЫХ ЭЛ ЕМЕН ТОВ
2 2 8
Саенко А. В., Малюков С. П., Рожко А. А.
228
КОН ЦЕП Т ИГ Р ДЛЯ ИН ТЕ ЛЛ ЕК ТУ АЛ ЬН ЫХ С О РЕВ НОВ АН ИЙ
2 3 1
Смехунов А. А., Демяненко Я. М.
231
ПРО ТО ТИ П МЕТА -Р ЕК ОМЕН ДА ТЕЛ ЬН ОЙ С И С ТЕМЫ ДЛЯ ИН ТЕР НЕТ -
МАГ АЗИ НО В
2 3 3
Соколов М. И., Чердынцева М. И.
233
ПРО Ц ЕДУ РН АЯ Г ЕН ЕР АЦ ИЯ В ИГР АХ. ПОЛ ЕЗНЫ Е П РИ МЕРЫ ИГ РО ВЫХ
ПРО ЕК ТО В, О КО ТО РЫ Х Н ЕО БХО ДИ МО ЗН А ТЬ
2 3 7
Стороженко В. Л.
237
ПРИ МЕН ЕНИ Е БЫС ТР ОГО МЕТОД А МУЛ ЬТИ ПОЛЯ В МОД ЕЛ ИРО В АН ИИ
ДВИЖ ЕН ИЯ ИД ЕАЛ ЬН ОЙ НЕСЖИ МАЕМОЙ ЖИДК ОС ТИ
2 4 1
Сумбатян М. А., Пискунов А. С.
241
ИН ФО Р МА ЦИ ОН НЫ Е Р ЕСУ РСЫ ПО ЭН ЕРГОС БЕР ЕГА ЮЩ ИМ АК ТИВ НЫ М
ДИЭЛ ЕК ТР И ЧЕСКИ М МА ТЕР ИАЛ АМ
2 4 5
Тополов В. Ю.
245
КОН ЦЕПЦ ИЯ Г ЕО ИН ФОР МА ЦИ ОН НОГ О МО Д ЕЛИ РОВ АН ИЯ Д ОР ОЖ НЫХ
УСЛОВ ИЙ
2 4 7
Торба И. В., Гордиенко Л. В.
247
МО ДЕЛ ИР ОВА НИ Е ПР ОЦ ЕСС ОВ ФО РМИР ОВ АН ИЯ И НВ ЕРС ИИ
НАС ЕЛ ЕН НОС ТЕЙ НА ИО ННЫ Х ПЕРЕХО ДА Х С ТР ОН ЦИЯ В
РЕК ОМБИН ИР УЮЩ ЕЙ ПЛАЗ МЕ
2 5 1
Чеботарев Г. Д.
251
ВИР ТУ АЛЬНА Я ЛА БОР А ТОР НАЯ РА БО ТА «ФО ТОВОЛ ЬТА И ЧЕСКИ Й ЭФФЕК Т»
2 5 3
Чеботарев Г. Д., Мазурицкий М. И.
253
ВОСС ТА НОВЛ ЕНИ Е БИ НОК УЛЯР НОГ О ЗР ЕН И Я С ИС ПОЛ ЬЗ ОВА НИ ЕМ
V R - Т Е Х Н О Л О Г И Й
2 5 4
Черненко Г. В.
254
ЧИСЛ ЕНН ОЕ ИССЛ ЕД О ВАН ИЕ ВЛИЯ НИЯ ВЕТРОВ ОГО В ОЛН ЕНИЯ Н А
ПРО Ц ЕССЫ СЕДИ МЕН ТА ЦИ И В ТАГ АН РОГ С КОМ ЗАЛ ИВЕ
2 5 7
Чикина Л. Г., Чикин А. Л.
257
РАЗР А БО ТКА Н ЕЙ РО И Н ТЕР ФЕЙС А «МОЗГ -МОЗГ » Н А ОС НО ВЕ
КВАЗИС ТА Ц ИО НА РНЫ Х П А ТТЕР НОВ Э ЭГ
2 6 0
Шапошников П. Д., Лазуренко Д. М., Шепелев Д. И.
260


8
ПОС ТР ОЕНИ Е О БЛАК А ТО ЧЕК ПО В ИД ЕО С А В ТО РЕГИС ТР А ТОР А
2 6 6
Шевцов О. И., Демяненко Я. М.
266
ПО ИСК МО ДЕЛ И ДЛЯ ДЕТЕК ТИР ОВА НИЯ РУ КИ Н А ИЗ О БР АЖ ЕН ИЯ Х
С RGB -КА МЕР Ы
2 6 8
Шепелев Д. И., Демяненко Я. М.
268
ПОВ ЫШЕНИ Е И ММЕРС ИВН ОС ТИ ПР И Р АЗРА БО ТК Е ИН ТЕРА К ТИВН О Й
3 D С И М У Л Я Ц И И Д Л Я В Ы П О Л Н Е Н И Я Л А Б О Р А Т О Р Н Ы Х Р А Б О Т П О
АН АЛИ ТИ ЧЕСК ОЙ ХИ МИ И
2 7 0
Штейн О. О.
270
ЭЛЕК ТР О ННЫ Е РЕС УР СЫ EB RA IN S ДЛЯ МУЛ ЬТИД О МЕНН ОГО ИЗУ ЧЕН ИЯ
ФУ НКЦ ИО НА ЛЬНЫ Х С ВЯЗЕЙ МОЗГА
2 7 2
Щербина Д. Н.
272
ПАР АЛЛ ЕЛЬН АЯ П УБЛ ИКА ЦИЯ БУМАЖ НО Й И ЭЛ ЕК ТР ОН НО Й В ЕР СИЙ
УЧЕБН ЫХ ПОС О БИ Й С ПО МО ЩЬЮ J UP Y TER BOO K
2 7 4
Щербина Д. Н.
274
ИД ЕН ТИ ФИКА ЦИЯ Н ЕОДН ОР ОД НЫХ СВО ЙС ТВ У ПР УГОГ О С ТЕРЖ НЯ П РИ
ЗАДА НИ И Д ОП ОЛН И ТЕЛ ЬН ОЙ ИН ФОР МА ЦИ И ВО ВР ЕМЕНН ОЙ О БЛАС ТИ
2 7 6
Яковлев В. Е.
276
ОСО БЕН НОС ТИ ФОР МИРО ВА НИЯ К О МП ЬЮТЕР НОГ О МЫШЛ ЕН ИЯ В
ШКОЛ ЬН ОМ КУР СЕ ИН ФО РМА ТИК И
2 8 0
Ярославцева Н. Э.
280
N E U R A L N E T W O R K S F O R O R D I N A R Y A N D FR A C T I O N A L D I F FE R E N T I A L
E Q U A T I O N S
2 8 3
Hu N., Rokhlin D. B.
283
T W O R O B U S T M O D E L S FO R O P T I M A L P O R T F O L I O P R O B L E M
2 8 7
Yao Keyu
287
A N E U R A L N E T W O R K S O L U T I O N FO R T H E B A N K R U P TC Y M O D E L I N G
2 8 8
Yazici M.
288

9
ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ РАЗВИТИЯ ИТ-СФЕРЫ
В СОВРЕМЕННЫХ УСЛОВИЯХ
В 29-ый раз традиционная ежегодная конференция «Современные информационные технологии: тенденции и перспективы развития»
(СИТО2022) собирает своих участников. По материалам докладов, публи- куемых в сборниках конференций СИТО, можно проследить историю раз- вития ИТ-сферы в университете, нашей стране и в мире в целом.
С начала своего зарождения и по настоящее время ИТ являются от- раслью с наибольшей скоростью развития. Это отражается в постоянном увеличении количественных и качественных показателей существующих методов и средств, а также в появлении принципиально новых понятий и приемов. То, что вчера считалось инновацией, сегодня морально устаревает.
За прошедшие годы мы пережили много разных событий, которые коснулись и ИТ-сферы. Но нынешний год стал годом особых испытаний для российских ИТ-специалистов. В связи со сложной внешней обстанов- кой, уходом многих ИТ-компаний с российского рынка, нашим разработ- чикам и пользователям информационных ресурсов приходится перестраи- ваться, искать новые решения и подходы.
Прогнозы, высказанные экспертами в декабре 2021 года, о перспекти- вах развития ИТ-сферы, могут претерпеть изменения в нынешней ситуа- ции. Но только время покажет, какие из них оказались справедливыми.
Эксперты ведущих аналитических компаний, таких как IDC, Gartner и
TrendForce прогнозировали уверенный рост ИТ-отрасли в 2022 году. От- мечено, что именно IT-рынок за годы пандемии не только не пошатнулся, но и, напротив, преуспел. Это стало возможно благодаря гибкости и спе- цифике информационных продуктов. Поскольку практически весь мир пе- решѐл на удалѐнный формат работы, появились соответствующие сервисы и возобновилась поддержка старых. Эти тенденции будут продолжены и в нынешнем году [1].
Аналитики Gartner прогнозируют в 2022 году увеличение IT-рынка на
8,6%, тогда как мировой ВВП вырастет на 4,9%.
Аналитики IDC ожидают, что в 2022 более 50% мировой экономики в той или иной степени испытает влияние информационных технологий.
Именно поэтому бизнесу самых разных масштабов и отраслей следует уделить IT особое внимание. Вероятно, уже к 2024 году свыше половины инвестиций в IT будет направлено на цифровую трансформацию.
Приведем основные тенденции развития IT в 2022 году по версии IDC:

Ускоренный переход к облачным технологиям. Около 80% предпри- ятий начнут переходить на облачную инфраструктуру в два раза быстрее, чем это было до пандемии.


10

Обновлѐнные «облака». Самой важной задачей станет защита и оп- тимизация облачных ресурсов с упором на бизнес-результаты. Кроме того, вырастет спрос на облачные сервисы с поддержкой искус- ственного интеллекта.

Искусственный интеллект. В IDC ожидают, что уже к концу 2022 го- да четверть компаний из списка Forbes Global 2000 купят хотя бы один стартап по разработке ИИ.

Контроль за эффективным и правильным использованием данных — это направление станет приоритетом для лидеров в цифровой сфере и повлечѐт за собой увеличение расходов на работу с данными.

Экология. Эко-мероприятия становятся неотъемлемой частью IT- индустрии. Поэтому одной из тенденций в развитии информацион- ных технологий в 2022 станет снижение энергозатрат и переисполь- зование ИТ-оборудования.

Проблемы с совмещением офиса и удалѐнного формата работы.
Направленные на это мероприятия и автоматизация ряда процессов потерпят неудачу из-за недостатка финансов на формирование ко- манд с необходимыми навыками. Решением станет краудсорсинг и переподготовка кадров.
Другая аналитическая компания — Gartner прогнозирует, что в 2022 г. рынок гиперавтоматизации достигнет отметки в 596,6 млрд долларов. Это на 115 млрд больше, чем в 2020 и на 64,2 млрд больше, чем в 2021 году.
Гиперавтоматизация — это масштабная автоматизация процессов с ис- пользованием искусственного интеллекта, платформ с низким уровнем за- трат на разработку (LCAP) и роботизированной автоматизации процессов
(RPA). [1]
Эксперты компании Gartner определяют главные тенденции развития
ИТ в 2022 году следующим образом: