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: 376

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


56 3. Открытие инженерного форума
«Энергия мечты».
URL: https://youtu.be/dxF55O2ZKfA.
4. Встреча с представителями предприятий Волгодонска в рамках форума
«Энергия мечты». URL: https://youtu.be/mdkbqSCrG60.
5. Мастер-класс «Звѐзды в кармане» в рамках форума «Энергия мечты».
URL: https://youtu.be/tzOSHPokoPU.
6. Лекция «Космический атом» в рамках форума «Энергия мечты». URL: https://youtu.be/ZlmioGINg_8.
7. Закрытие инженерного форума
«Энергия мечты».
URL: https://youtu.be/jFywgusNMCk.

57
ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ ТЕХНОЛОГИИ
ПРОЕКТНОГО ОБУЧЕНИЯ В ШКОЛЬНОМ КУРСЕ
ИНФОРМАТИКИ В КОНТЕКСТЕ ВНЕДРЕНИЯ
ОБНОВЛЕННЫХ ФГОС
Блинова Е. Е.
1
, Евланова А. Г.
2
ФГАОУ ВО «Южный федеральный университет»,
1
Институт математики, механики и компьютерных наук
им. И. И. Воровича,
2
Институт наук о Земле
E-mail: eesivokon@sfedu.ru
Современный этап развития школьного образования связан с введени- ем обновленных федеральных государственных образовательных стандар- тов (ФГОС), где, как и в стандартах предыдущего поколения, преобладает ориентация на реализацию деятельностного и компетентностного подхода в обучении, при акцентуации на формировании надпредметных компетен- ций (soft skills), которые предлагается развивать в том числе и через про- ектную деятельность. Кроме того, проектной деятельности школьников по- прежнему отводится значимое место в обновленных ФГОС. В условиях дифференциации обучения по предмету «информатика», которая теперь начинается уже с уровня основного общего образования, требуется новое осмысление возможностей использования технологии проектного обучения.
Впервые «метод проектов» описал и стал использовать в обучении
Дж. Дьюи в начале XX века, в российском образовании данный термин впервые системно применил С. Т. Шацкий в 1905–1931 гг. «Переоткры- тие» метода и «второе дыхание» произошло в 1965 г., следующая «волна» -
1990-е годы. Далее этот метод был поэтапно, алгоритмически описан и преобразовался в технологию, однако, даже в настоящее время можно встретить научно-методические публикации, где данная технология опи- сывается через терминологию «метод», даже встречается вариант названия
«технология «метод проектов»».
В центре применения и метода, и технологии проектного обучения – понятия «проект», «проектирование (дизайн)», «реализация проекта» и
«защита проекта». Термин «проект» берет свое начало, согласно разным источникам, от лат. «projektus» – «выброшенный вперед» и от франц.
«projet» – «намерение, которое будет осуществлено в будущем», общим для которых является описание некоего образа «того, что не существует», но может быть представлено в том или ином виде и реализовано в буду- щем. Проектирование – процесс создания проекта как прообраза предпола- гаемого или возможного объекта, за рубежом вместо слова проектирова- ние в этом же значении применяется термин «дизайн». Так Кембриджский


58 толковый словарь (Cambridge Dictionary) определяет глагол «design» как
«создавать или рисовать объект» (1) или как «намереваться», «планиро- вать», «предназначать(ся)» (2):
(1) to make or draw plans for something, for example clothes or buildings
(a drawing or set of drawings showing how a building or product is to be made and how it will work and look);
(2) to intend. Например, This presentation designed for advanced Python programmers.
Технология проектного обучения – система взаимосвязанных средств и методов обучения, которая создает условия для формирования содержания компетенций в процессе самостоятельного планирования и реализации по- степенно усложняющихся, практико-ориентированных заданий – проектов.
В настоящее время можно встретить такое определение проектного обучения: это деятельность учащихся, когда они, отвечая на систему во- просов, приходят к конкретному продукту. Источником данного определе- ния является зарубежная трактовка технологии проектного обучения или project based learning (PBL): Project Based Learning is a teaching method in which students gain knowledge and skills by working for an extended period of time to investigate and respond to an authentic, engaging, and complex question, problem, or challenge. При этом в зарубежной практике призывают отли- чать эпизодическое «выполнение проекта (doing a project)», когда учащие- ся время от времени работают над «dessert projects»
1
- короткими, intellectually-light projects, который педагог задает в качестве «десерта» по- сле стандартного изложения учебного материала в рамках темы, - от «тех-
нологии проектного обучения», project based learning, где проект выступает основной формой обучения, в течение выполнения проекта учащиеся и по- лучают знания, потому что «the project contains and frames curriculum and instruction»
2
Существует несколько классификаций проектов в обучении:
– по преобладающей деятельности проекты разделяется на поисковые, творческие, ролевые, исследовательские, прикладные и т.д.
– согласно содержательной области выделяют монопроекты или меж- предметные проекты;
– по характеру координации проекта проекты разделяются проекты с явным руководством и проекты со скрытой координацией;
– по «охвату» проекты делятся на индивидуальные; внутригрупповые
(при работе в минигруппах в одном классе); проекты, которые задействуют параллель классов; проекты на уровне школы; проекты на уровне города
(муниципальные проекты); региона (региональные проекты); страны (фе- деральные проекты) и международные проекты;
1
дословно – проекты на десерт
2
https://www.pblworks.org/what-is-pbl


59
– по продолжительности выделяют краткосрочные, среднесрочные и долгосрочные проекты.
Основными требованиями при реализации проектного обучения неза- висимо от уровня образования является наличие актуальной проблемы, практическая значимость результатов, самостоятельная деятельность уча- щихся структурирование содержательной части проекта, использование исследовательских методов (по цепочке: определение проблемы → поста- новка целей и задач → формулировка рабочей гипотезы → освоение мето- дов исследования →обработка данных, обобщение, анализ, выводы → оформление проектной документации → представление работы).
Особенности применения технологии проектного обучения: диало- гичность, проблемность, интегративность, контекстность.
В настоящее время существует понимание проекта как завершенного цикла продуктивной деятельности отдельного человека, коллектива, орга- низации, предприятия или совместной деятельности многих организаций и предприятий: «Проект - это ограниченное во времени целенаправленное изменение отдельной системы с установленными требованиями к качеству результатов, возможными рамками расхода средств и ресурсов и специфи- ческой организацией» [3]. Особо крупные проекты называются Програм- мами.
При реализации проектного обучения в полноценном формате в рам- ках школьного курса информатики необходимо помнить об отличительных свойствах современных проектов, к которым относятся: обязательное наличие начала и окончания работы, чѐткая формулировка задания через практический результат; наличие этапов и точек контроля; ограниченный срок выполнения; наличие проектной документации; наличие этапов пре- зентации результатов и группы исполнителей.
Данный подход (равно как и трактование проекта, предложенное
С. А. Баркаловым и др. [3]) также важен при формулировании основных этапов реализации технологии проектного обучения, поскольку при изуче- нии информатики педагог
3
должен создать условия для реализации про- ектной деятельности, максимально приближенные к выполнению проектов в деятельности специалистов в области информационных и коммуникаци- онных технологий. Поскольку в современных условиях практически все программные продукты и сетевые сервисы создаются как командные про- екты с применением гибкой технологии проектирования, которая получила название Agile (базируется на адаптивном подходе к требованиям, которые
3
Учитель информатики в рамках профориентационной работы и профильного обучения, преподаватели в ссузе и вузе на направлениях, связанных с информационными технологиями могут применять техноло- гию проектного обучения для формирования у будущих специалистов в сфере IT необходимой корпора- тивной культуры, навыков работы над проектами и развития «гибких навыков» (прежде всего, умения работать в команде, коммуникабельности, умения оценить и распределить собственные ресурсы)


60 могут изменяться и уточняться по мере взаимодействия с заказчиком при предъявлении ему работающего программного продукта или его мини- мальной работоспособной версии (MVP), что предполагает уточнение и дополнение технической документации во время его реализации самоорга- низующимися рабочими группами) [2], технология проектного обучения также приобретает характерные для Agile-подхода черты. Для реализации идеологии, Agile выделяются так называемые фреймворки (frameworks) – более детально описанные способы (они иногда называются методиками или даже методологиями) с максимально разработанным инструментари- ем, наиболее известными среди которых являются Scrum («подход струк- туры» с четким хронометражем циклов разработки (спринтов)), Kanban
(«подход баланса» с максимальной визуализацией происходящих процес- сов), их комбинация (Scrumban), методология бережливой разработки про- граммных продуктов (Lean-разработка с максимальной экономией ресур- сов). Каждый из перечисленный фреймворков содержит описание кон- кретных инструментов организации деятельности команды, ее документи- рования и может служить основой для организации проектной деятельно- сти с учащимися. Например, можно применять такой инструмент, как кан- бан доска из фреймворка Kanban, суть работы с которой заключается в том, что некоторое количество карточек с учебными заданиями (канбан- жетонов), равное емкости изучаемого на данный момент модуля, запуска- ется в обращение и двигается последовательно от этапа «задания на вы- полнение» через этапы «учу теорию», «тренирую умение», «адаптирую ал- горитм» к этапу «готово к проверке (оформлено)». Одна карточка соответ- ствует одному типу задания по теме и выступает как сигнальный меха- низм. Каждый из обучающихся, входящих в группу, может взять задание в обработку (начать его выполнять), при этом остальные видят, как он про- двигается по этапам, могут помочь ему или сами попросить помощи. Лю- бое новое задание должно оставаться в очереди, пока карточка не освобо- дится, после чего она снова запускается в обращение (подробнее [1]).
На первых порах, когда происходит обучение школьников работе по технологии проектного обучения, педагог (или эксперт – например, project manager) выступает координатором их деятельности и показывает цепочку действий, которые нужно реализовывать при выполнении проекта: изна- чально определяется тема проекта, его тип проекта (командный/инди- видуальный, локальный
(уровень класса, школы
/региональ- ный/федеральный/международный и др.) и количество участников (если проект командный на этом этапе осуществляется распределение по коман- дам, определение ролей в команде) → выявляется и записывается в четком виде цель проекта (чаще всего цель формулируется через планируемый практический результат), требования к отчетной документации по проекту
→ возможные риски реализации деятельности по проекту и способы их


61 минимизации → осуществляется декомпозиция цели в виде задач и рас- пределение задач по группам или по конкретным учащимся внутри коман- ды → планируется цепочка реализации проекта по приоритетности задач
(при применении Agile – приоритетность задач будет меняться на каждом шаге, для этого команда устраивает краткие совещания каждый день (каж- дое занятие) проектной деятельности) → происходит обсуждение возмож- ных методов исследования поиска информации, творческих решений → обучающимся предоставляется время на самостоятельную деятельность по проекту → в течение этого времени происходит промежуточное обсужде- ние результатов и коррекция → защита проекта → коллективное обсужде- ние, внешняя оценка (экспертиза) и выводы по результатам проекта. Про демонстрации технологической цепочки реализации проекта важным ком- понентом является рефлексия каждого этапа.
Затем, постепенно, учащиеся приобретают навык работы по техноло- гической цепочке и самостоятельно могут реализовать этапы реализации проектной деятельности. Однако, на перестроение деятельности требуется значительное количество времени, поэтому технология проектного обуче- ния рекомендуется к адаптивному внедрению, то есть ее технологические этапы вводятся в основной школе (начиная с 5 класса) в рамках dessert pro- jects, а затем, когда учащиеся в полной мере ознакомятся со все технологи- ческой цепочкой (к 8 классу), можно реализовать обучение информатике и
ИКТ как серию проектов (PBL-технологию) и с элементами Agile-подхода, а в старшей школе уже полноценно применять выбранные фреймворки Agile.
Литература
1. Блинова Е. Е., Евланова А. Г. Методика обучения информатике в системе непрерывного образования (Methods and techniques of Computer
Science and ICT teaching in the lifelong education context) : учебное пособие / Е. Е. Блинова, А. Г. Евланова ; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2021. – 167 с.
2. Гатулин Р. Р., Колупаева Д. А. Методология Agile для современного школьного образования // Санкт-Петербургский образовательный вестник.– 2017. –№11–12 (15–16). С. 53–55 3. Умное управление проектами / С. А. Баркалов, В. Н. Бурков,
Я. Д. Гельруд и др.; под ред. чл.-корр. РАН Д. А. Новикова. – Челябинск:
Издательский центр ЮУрГУ, 2019. – 189 с.

62
1   2   3   4   5   6   7   8   9   ...   28