WWW.MASH.DOBROTA.BIZ
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - онлайн публикации
 

Pages:   || 2 | 3 | 4 | 5 |   ...   | 7 |

«ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ РЕГИОНОВ РОССИИ САНКТ-ПЕТЕРБУРГСКАЯ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ РЕГИОНАЛЬНАЯ ИНФОРМАТИКА Сборник трудов РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ ...»

-- [ Страница 1 ] --

САНКТ-ПЕТЕРБУРГСКАЯ МЕЖРЕГИОНАЛЬНАЯ КОНФЕРЕНЦИЯ

ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ РЕГИОНОВ РОССИИ

САНКТ-ПЕТЕРБУРГСКАЯ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ

РЕГИОНАЛЬНАЯ ИНФОРМАТИКА

Сборник трудов

РЕГИОНАЛЬНАЯ ИНФОРМАТИКА

И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Выпуск 5 Санкт-Петербург http://spoisu.ru

САНКТ-ПЕТЕРБУРГСКАЯ МЕЖРЕГИОНАЛЬНАЯ КОНФЕРЕНЦИЯ

ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ РЕГИОНОВ РОССИИ

САНКТ-ПЕТЕРБУРГСКАЯ МЕЖДУНАРОДНАЯ КОНФЕРЕНЦИЯ

РЕГИОНАЛЬНАЯ ИНФОРМАТИКА

Сборник трудов

РЕГИОНАЛЬНАЯ ИНФОРМАТИКА

И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Выпуск 5 Санкт-Петербург http://spoisu.ru УДК (002:681):338.98 Р32 Региональная информатика и информационная безопасность .

Р32 Сборник трудов. Выпуск 5 / СПОИСУ. – СПб., 2018. – 549 с .

ISBN 978–5–907050–46–4 Сборник статей охватывает широкий круг направлений Санкт-Петербургской международной конференции «Региональная информатика» и Санкт-Петербургской межрегиональной конференции «Информационная безопасность регионов России», проведенных при поддержке Правительства Санкт-Петербурга: Государственная политика в сфере информатизации и информационной безопасности; Теоретические проблемы информатики и информатизации; Телекоммуникационные сети и технологии; Информационная безопасность; Правовые аспекты информатизации и информационной безопасности; Информационно-психологическая безопасность;



Информационные технологии в экономике; Информационные технологии в управлении техническими системами; Информационные технологии в критических инфраструктурах; Информационные технологии на транспорте; Информационные технологии в научных исследованиях; Информационные технологии в образовании;

Информационные технологии в медицине и здравоохранении; Информационные технологии в экологии; Информационные технологии управления объектами морской техники и морской инфраструктуры; Информационные технологии в дизайне, издательской деятельности и полиграфии; Информационные технологии управления риском в социально-экономических системах .

Предназначен для широкого круга руководителей и специалистов органов государственной власти и местного самоуправления, промышленности, наук

и, образования, бизнеса, аспирантов и студентов высших учебных заведений Санкт-Петербурга и других регионов, специализирующихся в вопросах информатизации, связи, информационной безопасности и защиты информации .

УДК (002:681):338.98

–  –  –

http://spoisu.ru http://spoisu.ru

ГОСУДАРСТВЕННАЯ ПОЛИТИКА В СФЕРЕ ИНФОРМАТИЗАЦИИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

ГОСУДАРСТВЕННАЯ ПОЛИТИКА В СФЕРЕ ИНФОРМАТИЗАЦИИ И

ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

УДК 004.031

ИНФОРМАТИКА В КАНУН СВОЕГО СЕМИДЕСЯТИЛЕТИЯ

Юсупов Рафаэль Мидхатович Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mail: yusupov@iias.spb.su Аннотация. В статье рассматривается круг вопросов, связанных с развитием и проблемами становления информатики и информационных технологий .



Ключевые слова: информация; информатика; информационные технологии; информатизация; защита информации; междисциплинарность .

INFORMATICS ON THE EVE OF THE SEVENTIETH ANNIVERSARY

Yusupov Rafael St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mail: yusupov@iias.spb.su Abstract. In article the circle of the questions connected with development and problems of formation of informatics and information technologies is considered .

Keywords: information; informatics; information technologies; informatization; information security;

interdisciplinarity .

4 декабря 2018 года отечественной информатике исполняется 70 лет. В России дата 4 декабря для празднования Дня информатики выбрана неслучайно. 4 декабря 1948 года Государственный комитет при Совете министров СССР по внедрению передовой техники в народное хозяйство зарегистрировал изобретение И.С. Брука и Б.И. Рамеева – цифровую электронную вычислительную машину. Это первый официальный документ, касающийся развития вычислительной техники в стране, которую в впоследствии тесно увязывали с информатикой. Термин информатика появился позже, в середине шестидесятых годов прошлого столетия. Идея создания праздника День информатики была высказана журналом Computer Weekly в декабре 1998 года. Отмечу, что в число отечественных профессиональных праздников включены еще несколько знаменательных дней, имеющих прямое отношение к нашей аудитории. Это, в частности, дни программиста (13 сентября), системного администратора (27 июля), системного аналитика (24 сентября). 2018 год является юбилейным и для нашего Научного совета по информатизации Санкт-Петербурга, который был создан в июле 1993 года .

Информатика, как уже было отмечено, является относительно молодой, но бурно развивающейся отраслью науки. О ее молодости свидетельствует, в частности, тот факт, что до настоящего времени предпринимаются попытки уточнить ее наименование. Известны, например, такие определения «науки» об информации: информатика, информациология, инфотроника, информология, информодинамика, информатистика, computer science, information science, computing science, computational science и т.д .

Пока наиболее популярными являются термины информатика (Россия, Германия, Франция) и computer science (англоязычные страны) .

Первоначально информатику у нас в стране рассматривали как науку, изучающую структуру и общие свойства научной информации и закономерности процессов научной коммуникации [1, 2]. Такое «узкое»

понимание информатики сохранилось до наших дней у части специалистов гуманитарного профиля .

Представители естественных и технических наук вкладывают в понятие информатики несколько иное, более широкое содержание [3, 4] .





В статье предлагается под информатикой понимать науку о методах и средствах сбора, хранения, передачи, представления, обработки и защиты информатики .

Некоторые комментарии по поводу такого определения .

В отличие от известных аналогичных определений информатики данное определение содержит новую компоненту – защита информации. Соответственно в число информационных процессов (сбор, обработка, передача, хранение, представление) предлагается включить процесс защиты информации .

http://spoisu.ru

6 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Некоторые специалисты весьма тесно связывают информатику с вычислительной техникой, порой даже сводят ее к теории и практике построения и использования вычислительной техники. Представляется, что это не совсем корректно. Формирование исходных теоретических основ и понятий информатики началось еще до появления первых электронных и даже релейных компьютеров. Своим развитием информатика обязана ряду наук, в том числе математике, логике, теории связи, лингвистике, теории управления, кибернетики и пр. Конечно, вычислительная техника играла и играет огромную роль в развитии информатики, являясь сегодня аппаратной основой информационных технологий .

Имеются предложения в определение информатики включить этап применения информации. Считаем, что это достаточно спорно. По нашему мнению, в информатике, как отрасли науки, должны изучаться и разрабатываться методы и средства оперирования с информацией в общем случае безотносительно к областям применения и использования. Вопросы использования и применения информации – это прерогатива других дисциплин. Так проблемы использования информации для управления объектами различной сложности и природы изучаются в кибернетике и теории управления. Информационные процессы в обучении рассматриваются в педагогике. Медицина использует информацию о здоровье человека и т.д. Говоря об информатике, можно сослаться на аналогию с математикой. Так, например, дифференциальные уравнения используются во многих науках. Но фундаментальные основы теории дифференциальных уравнений, методы решения, свойства этих решений изучаются в математике .

Соотношение информатики с «зарубежными» информационными науками. Проведенный анализ показал, что в первом приближении «наша информатика» в ее широком понимании включает разделы, связанные с научными дисциплинами Computer Science и Information Science .

Автором оценку состояния информатики предлагается производить с помощью двух ее структурных представлений .

Первая структура (Рис.1) позволяет рассматривать информатику как совокупность трех составных частей:

технические средства (hardware), программные средства (software) и методы–модели–алгоритмы (brainwave) .

Такое представление удобно для сравнения состояния развития этих составляющих в России с уровнем исследований и разработок за рубежом .

Рис.1. «Отраслевая» структура информатики

Вторая структура (Рис.2) позволяет установить логическую связь между основными объектами информатики–информации, информационными процессами, информационными технологиями и информационными системами, а также обосновать перечень научных дисциплин в составе информатики. Данная структура определяет и место информатизации, как процесса массового внедрения информационных технологий в различные сферы человеческой деятельности .

–  –  –

Среди проблем развития информатики и информационных технологий сегодня активно обсуждаются три следующие:

Проблема, связанная с отсутствием общепринятого определения основного объекта исследований в информатике – информации [3] .

Проблема о роли и месте информации в обществе и природе (живой и неживой) [3] .

Проблема оценивания эффективности информационных технологий и систем [5] .

Перспективы дальнейшего развития информатики и информационных технологий увязываются с тремя следующими тенденциями:

Формирование нового этапа взаимоотношений науки и технологий (techno-science) .

Естественная эволюция информатики .

Развитие междисциплинарных связей .

Отметим, что в рамках первой тенденции развитие информатики и информационных технологий в сильной степени определяются потребностями приложений и рынка .

В связи с этим усиливается активность исследований в областях, связанных с компьютерными сетями, в частности повышением их глобальности, производительности, живучести и катастрофоустойчивости, с обработкой распределенной информации и знаний, интеграцией материальных и интеллектуальных ресурсов, защитой информации, дистанционным обучением и т.д .

Чрезвычайно важным для развития информатики и информационных технологий является обстоятельство, связанное с процессом масштабного слияния потребительской электроники (компьютеров, телевизоров, телефонов, игровых приставок и т.д.) с Интернет (Интернет вещей) и другими сетевыми технологиями, а также с расширением использования Интернет обычными гражданами и современных онлайновых общественных услуг — электронное правительство, электронное здравоохранение, электронная коммерция, электронное обучение, электронные услуги и т.д .

В процессе проведения исследований в интересах создания соответствующих востребованных практикой технологий развиваются такие теоретические разделы информатики как анализ и извлечение знаний из данных (в том числе больших данных – big-data), машинное обучение, многоагентные системы, компьютерное зрение, речевая информатика и обработка информации на естественном языке, управление потоками данных в сетях, новые методы компьютерного моделирования и супервычислений при решении сложных задач, стеганография и стегаанализ, интеллектуальные сенсорные сети, защита компьютерных сетей, виртуальные организации и т.д .

Одной из центральных идеей современного этапа развития информационных технологий и систем является переход от отдельных технологий, от «интеллектуальных устройств и систем» к «интеллектуальному пространству», от множества телекоммуникационных и компьютерных сетей различного назначения к кооперации (интеграции) этих сетей .

В идеале это означает переход к такой организации взаимодействия окружающих человека компьютерных и информационных сред, когда их работа становится невидимой для человека, неотличимой от окружающей его среды, когда обслуживание пользователя происходит в ненавязчивой форме .

Научный и технологический базисы, которые могут потенциально обеспечить такой переход, формируются в настоящее время в рамках трех направлений (парадигм) и соответствующих технологий:

Ubiquitous computing (UbiComp) - повсеместные вычисления;

Ubiquitous communication (UbiCommun) - повсеместные коммуникации;

Intelligent user interface (IUI) - интеллектуальные многомодальные пользовательские интерфейсы .

Сегодня эта триада рассматривается как основа новой информационной технологии, которая должна сформировать новую парадигму построения и программной реализации информационно управляющих систем, должна позволить эффективнее решать многие известные и более сложные новые задачи в науке, экономике, технике и обществе .

Дальнейшая естественная эволюция информатики как науки связана в значительной мере с развитием понятийного аппарата, в частности с попытками уточнения понятий информации и информатики, с разработкой методов и мер для количественной оценки информации и т.д .

http://spoisu.ru

8 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Весьма перспективным, по нашему мнению, может оказаться, в частности, понимание информатики как науки об информации и информационном взаимодействии .

В работе [3] дается определение информационного взаимодействия, формулируется его особенности (в виде гипотез) .

Сегодня благодаря некоторым своим особенностям ИТ начинают играть огромную роль в дальнейшем развитии общества.

К таким особенностям можно отнести следующие:

ИТ становятся технологиями общего назначения .

ИТ имеют надотраслевой характер, являются катализатором развития всех отраслей экономики и жизнедеятельности человека .

В то же время ИТ формируют самостоятельную отрасль экономики, занимающуюся производством микроэлектроники, ЭВТ, средств связи, программных средств и т.д. По существу, эта отрасль вполне может быть названа цифровой экономикой (или ее основной базой) .

В информатике, являющейся теоретической базой ИТ, в последние годы резко усилили ее междисциплинарный характер .

В качестве примеров развития междисциплинарных связей рассматриваются диады: информатика– биология (биоинформатика); информатика–искусство (артоника); информатика–социокультурные системы (соционика или социальная информатика); информатика–право (информационное право), информатика–история (историческая информатика), информатика–кибернетика (неокибернетика) и т.д .

Большое внимание уделяется взаимодействию информатики с кибернетикой [6] .

Это связано с тем, что, во-первых, информатика развивалась в значительной мере в недрах кибернетики, фактически на единой технической базе — вычислительной технике и средствах связи и передачи данных, вовторых, кибернетика, являясь наукой об общих законах и закономерностях управления и связи, объективно была вынуждена заниматься вопросами использования информации в интересах управления .

Отмечается, что сегодня имеет место второй виток сближения кибернетики и информатики. Происходит активное терминологическое и содержательное взаимодействие (взаимопроникновение) этих научных направлений [6] (см.рис.3) .

Рис. 3. Процесс современного взаимодействия информатики и кибернетики

В Заключение. отметим, что активное становление информатики и информационных технологий способствовало формированию новой стадии в истории развития человечества – информационного общества с цифровой экономикой .

СПИСОК ЛИТЕРАТУРЫ

Энциклопедия кибернетики. – Киев: Главная редакция Украинской советской энциклопедии, 1974. – 608 с .

1 .

Словарь по кибернетике / ред. В.С. Михалевич. – Киев: Главная редакция Украинской советской энциклопедии, 1974 .

2 .

Концептуальные и научно-методологические основы информатизации / Р.М. Юсупов, В.П. Заболотский. – СПб.: Наука, 2009. –544 с .

3 .

История информатики и кибернетики в Санкт-Петербурге (Ленинграде). Вып I-IV, под общей редакцией Р.М. Юсупова. – СПб.: Наука, 4 .

2008, 2010, 2012, 2014 .

Юсупов Р.М., Мусаев А.А. Особенности оценивания эффективности информационных систем и технологий. // Труды СПИИРАН, вып.2 5 .

(51), 2017 .

Проблемы развития кибернетики и информатики на современном этапе / Р.М. Юсупов, Б.В. Соколов // Кибернетика и нформатика. – 6 .

СПб.: Изд-во СПбГПУ, 2006 .

–  –  –

УДК [002:681.3]:338.98

ИТОГИ И ПРИОРИТЕТНЫЕ НАПРАВЛЕНИЯ ДЕЯТЕЛЬНОСТИ НАУЧНОГО СОВЕТА ПО

ИНФОРМАТИЗАЦИИ САНКТ-ПЕТЕРБУРГА

Советов Борис Яковлевич1, Касаткин Виктор Викторович2 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

Профессора Попова ул., 5, Санкт-Петербург, 197376, Россия Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mails: bysovetov@mail.ru, v.v.kasatkin@iias.spb.su Аннотация. Рассматриваются цели, принципы формирования и задачи Научного совета по информатизации Санкт-Петербурга, созданного в 1993 году и в течение 25 лет действующего в структуре исполнительных органов государственной власти города. Подводятся основные итоги по разработке и реализации целевых программ в сфере информатизации и построения информационного общества .

Обсуждаются приоритетные направления деятельности Научного совета, нацеленные на сохранение лидирующей роли Санкт-Петербурга в решении приоритетных задач развития цифровой экономики и построения общества знаний в Российской Федерации, дальнейшую интеграцию региона в мировое информационное пространство на основе разработки и внедрения цифровых технологий как базы для обеспечения безопасного устойчивого социальноэкономического, политического и культурного развития и повышения качества жизни и эффективности труда жителей города .

Ключевые слова: информационные технологии; информационная безопасность; Научный совет по информатизации Санкт-Петербурга; информатизация; информационное общество; цифровая экономика;

общество знаний .

RESULTS AND PRIORITY ACTIVITIES OF SCIENTIFIC COUNCIL ON INFORMATIZATION OF ST .

PETERSBURG

Sovetov Boris1, Kasatkin Victor2 Saint Petersburg Electrotechnical University «LETI»

5 Professor Popov Str., St. Petersburg, 197376, Russia St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mails: bysovetov@mail.ru, v.v.kasatkin@iias.spb.su Abstract. The purposes, the principles of formation and a task of Scientific council of informatization of St. Petersburg created in 1993 and within 25 years of the city operating in structure of executive bodies of the government are considered. The main results on development and implementation of target programs in the sphere of informatization and creation of information society are summed up. The priority activities of Scientific council aimed at preservation of the leading role of St. Petersburg in the solution of priority problems of development of digital economy and creation of society of knowledge in the Russian Federation, further integration of the region into world information space on the basis of development and deployment of digital technologies as bases for ensuring safe sustainable social and economic, political and cultural development and improvement of quality of life and efficiency of work of residents are discussed .

Keywords: information technologies; information security; Scientific council for informatization of St. Petersburg; informatization; information society; digital economy; society of knowledge .

В июле 2018 года исполняется 25 лет со дня создания Научного совета по информатизации Санкт-Петербурга, который был образован по инициативе академика Российской академии образования Б.Я Советова и член-корреспондента Российской академии наук Р.М. Юсупова при поддержке мэра Санкт-Петербурга А.А. Собчака, явился успешным примером создания одного из первых в стране экспертных научно-общественных советов при высшем исполнительном органе субъекта федерации с целью координации взаимодействия органов государственной власти и научной общественности в интересах выработки единой информационной политики и развития сферы информатизации Санкт-Петербурга, эффективно реализующего механизмы интеграции науки, образования и промышленности города, и послужившего в дальнейшем прототипом при создании аналогичных структур в субъектах Российской Федерации .

Научный совет по информатизации Санкт-Петербурга был создан на основании Распоряжения мэра Санкт-Петербурга А.А. Собчака от 12.07.1993 № 529-р в целях координации работ органов государственной власти Санкт-Петербурга, а также учреждений, предприятий и организаций по формированию и реализации информационной политики, направленной на развитие информационного общества и ускорение социальноэкономического развития Санкт-Петербурга, разработке и реализации концепций, программ и приоритетных проектов информатизации Санкт-Петербурга, развитию информационной сферы Санкт-Петербурга на базе создания и внедрения информационно-коммуникационных технологий (ИКТ) и региональных информационных систем различного назначения. Учредительные документы Научного совета по информатизации Санкт-Петербурга (положение и состав Научного совета) были утверждены распоряжением первого вице-мэра Санкт-Петербурга Д.В. Сергеева 27 ноября 1993 года .

http://spoisu.ru

10 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Следует отметить, что работа Научного совета по информатизации Санкт-Петербурга была начата в городе значительно раньше создания соответствующего профильного органа в структуре исполнительной власти Санкт-Петербурга, появлению которого в немалой степени способствовала инициатива руководства Научного совета, в том числе Б.Я. Советова, Р.М. Юсупова, Ю.С. Зубкова, С.Н. Жданова и др .

Историческая справка: Департамент связи и информатизации – первый профильный орган исполнительной власти Санкт-Петербурга, в ведении которого находились вопросы связи и информатизации, был образован в структуре Администрации Санкт-Петербурга как самостоятельное юридическое лицо Распоряжением мэра Санкт-Петербурга от 02.11.1994 № 1112-р. Директором Департамента был назначен консультант секретариата мэрии Р.Р. Гершевский. Приказом Губернатора Санкт-Петербурга от 01.11.1996 № 31-п Департамент связи и информатизации был преобразован (с утратой статуса юридического лица) в Управление телекоммуникационного и информационного обеспечения Канцелярии Губернатора Санкт-Петербурга (Приказ Губернатора Санкт-Петербурга от 30.12.1996 № 60-п). Начальника Управления Р.Р. Гершевского в этой должности в ноябре 1997 г. сменил А.В. Спиридонов. В 2000 году Приказом Губернатора Санкт-Петербурга от 07.08.2000 № 31-п был образован Комитет по информатизации и связи Канцелярии Губернатора Санкт-Петербурга путем реорганизации Управления телекоммуникационного и информационного обеспечения Канцелярии Губернатора Санкт-Петербурга. Первым председателем Комитета был назначен А.В. Спиридонов .

Стратегической целью Научного совета по информатизации Санкт-Петербурга является содействие построению развитого информационного общества (общества знаний) и развитию цифровой экономики в Санкт-Петербурге, интеграции региона в единое российское и мировое информационное пространство, построению информационного правительства, формированию современной информационной среды, воспитанию информационной культуры, созданию условий для повышения качества жизни и эффективности труда жителей города .


Основой достижения данной цели является формирование единого информационного пространства Санкт-Петербурга на основе разработки и внедрения цифровых технологий как базы для решения задач устойчивого социально-экономического, политического и культурного развития и обеспечения безопасности города .

Принципы формирования состава и организации деятельности Научного совета по информатизации Санкт-Петербурга как некоммерческого коллегиального экспертного консультативного органа при Губернаторе Санкт-Петербурга базируются на объединении усилий и координации взаимодействия органов государственной власти Санкт-Петербурга и научной общественности, интеграции науки, образования и промышленности города, развитии и совершенствовании системы межведомственного взаимодействия, тесном взаимодействии с Комитетом по информатизации и связи [2] и другими профильными комитетами. В состав Научного совета по информатизации Санкт-Петербурга входят представители органов государственной власти, известные ученые, руководители и ведущие специалисты академических научных учреждений, университетов Санкт-Петербурга, государственных, общественных и коммерческих предприятий и организаций города, специализирующихся в области создания и использования ИКТ, средств информатизации и связи .

Деятельность Научного совета по информатизации Санкт-Петербурга осуществлялась на основании Положения, утвержденного Губернатором Санкт-Петербурга [1], в соответствии с законодательными актами и постановлениями Правительства Санкт-Петербурга в тесной координации с Комитетом по информатизации и связи по следующим направлениям:

совершенствование нормативно-правового обеспечения информатизации;

формирование современной информационной и телекоммуникационной инфраструктуры, развитие электронного правительства, предоставление качественных электронных услуг населению и бизнесу, обеспечение высокого уровня доступности для населения информации и технологий;

информационное обеспечение экономической реформы, информатизация социальной сферы и производства (по отраслям);

развитие и внедрение новых ИКТ, стандартизация технических и программных средств, обеспечение информационной безопасности;

расширение межведомственного электронного взаимодействия;

опережающее развитие образования при переходе в информационное общество, на основе интеграции образования, науки и промышленности и внедрения электронных образовательных технологий, подготовка и переподготовка кадров в сфере ИКТ .

К основным задачам, решаемым Научным советом по информатизации Санкт-Петербурга следует отнести:

участие в формировании информационной политики Санкт-Петербурга, направленной на развитие информационного общества в Санкт-Петербурге, повышение уровня и качества жизни граждан, повышение эффективности функционирования системы государственного управления и системы местного самоуправления в Санкт-Петербурге, ускорение социально-экономического развития Санкт-Петербурга;

формирование региональных и городских научно-технических программ в сфере информатизации на основе анализа состояния и перспектив развития информатизации, предложений по развитию и внедрению ИКТ, имеющихся ресурсов и степени удовлетворения информационных потребностей органов власти и управления, предприятий и населения;

http://spoisu.ru

ГОСУДАРСТВЕННАЯ ПОЛИТИКА В СФЕРЕ ИНФОРМАТИЗАЦИИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

проведение научной экспертизы, обсуждение и согласование приоритетных региональных и отраслевых проектов в сфере информатизации;

выработка научно-обоснованных рекомендаций по внедрению средств информационновычислительной техники, ИКТ в городское хозяйство и социальную сферу, формирования единой политики территориальных органов власти и муниципального управления в области выбора, создания и использования ИКТ;

проведение общественных обсуждений и обмен передовым опытом с целью выработки научнообоснованных рекомендаций по формированию и реализации единой информационной политики Санкт-Петербурга и других регионов в рамках международных конференций по проблемам развития региональной информатики, обеспечения информационной безопасности регионов России, подготовки кадров в сфере ИКТ и другим актуальным проблемам развития информационного общества .

В структуру Научного совета входят президиум, тематические экспертные комиссии (для проведения независимой научной экспертизы программ, планов мероприятий, технических заданий и проектов в сфере информационных технологий, защиты информации, связи и развития информационного общества), совет главных ИТ-конструкторов и рабочие группы, координирующие деятельность по следующим тематическим направлениям: идеология развития инфокоммуникационных технологий, систем и сетей; управление и администрирование в инфокоммуникационных системах и сетях; инфраструктура информационного общества (развитие телекоммуникаций, межведомственное взаимодействие, внедрение универсальных электронных карт, информационная безопасность и др.); системы предоставления государственных услуг в электронном виде (портал государственных и муниципальных услуг Санкт-Петербурга, многофункциональные центры предоставления государственных услуг населению и др.); информационные системы поддержки принятия решений; производство и внедрение аппаратных средств вычислительной техники; производство и внедрение аппаратных средств сетей и систем связи, передачи данных (разработка, внедрение, эксплуатация); производство программного обеспечения (разработка, внедрение, модернизация, сопровождение); обеспечение безопасности жизнедеятельности; информационно-технологическая платформа открытого правительства (открытый город, открытый регион); подготовка и переподготовка разработчиков информационных систем и технологий для нужд государственного управления и промышленности; редакционная комиссия (нормативно-правовое обеспечение, редакционно-издательская, конгрессная, международная деятельность) .

Неоднократно результаты работы Научного совета находили отражение в концепциях и программах Санкт-Петербурга в сфере информатизации, (таких как Концепция и Программа информатизации Санкт-Петербурга, Стратегия и Программа развития информационного общества в Санкт-Петербурге и План мероприятий по ее реализации, Программа информатизации системы образования Санкт-Петербурга и др.), а также выносились на заседания Правительства Санкт-Петербурга (об информационно-технологической поддержке мероприятий административной реформы в Санкт-Петербурге и совершенствовании информационного взаимодействия Комитетов Санкт-Петербурга; о выполнении Программы развития информационного общества в Санкт-Петербурге и плана ее реализации; о государственных электронных услугах, предоставляемых многофункциональными центрами населению Санкт-Петербурга; об услугах, предоставляемых мультисервисной сетью кабельного телевидения; о Программе информатизации системы образования Санкт-Петербурга; о проведении конкурса инновационных проектов на премию Правительства Санкт-Петербурга и др.) .

Нормативно-правовую основу деятельности Научного совета составляют: Указ Президента РФ от 01.12.2016 № 642 «Стратегия научно-технологического развития РФ»; Указ Президента РФ от 09.05.2017 № 203 «О Стратегии развития информационного общества в РФ на 2017 – 2030 годы»; Распоряжение Правительство РФ от 24.06.2017 № 1325-р «План мероприятий по реализации Стратегии научно-технологического развития РФ на 2017-2019 годы»; Государственная программа «Научно-технологическое развитие РФ на 2018-2025 годы»;

Распоряжение Правительства РФ № 1632-р от 28.07.2017 «Программа «Цифровая экономика РФ»;

Постановление Правительства РФ № 1030 от 28.08.2017 «О системе управления реализацией программы «Цифровая экономика РФ»; Указ Президента Российской Федерации от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года» [3-5] и др .

В соответствии с указанными документами важнейшими целями формирования и развития информационного общества в Санкт-Петербурге являлись: повышение качества жизни жителей, обеспечение конкурентоспособности Санкт-Петербурга, развитие экономической, социально-политической, культурной и духовной сфер жизни общества, совершенствование системы государственного управления на основе использования информационных и телекоммуникационных технологий.

Научный совет активно участвовал в решении приоритетных задач Плана мероприятий по реализации Программы развития информационного общества в Санкт-Петербурге, в числе которых:

развитие электронного правительства в Санкт-Петербурге;

обеспечение информационно-технологической поддержки мероприятий административной реформы в Санкт-Петербурге и совершенствование информационного взаимодействия Комитетов Санкт-Петербурга;

расширение перечня государственных электронных услуг, предоставляемых многофункциональными центрами населению Санкт-Петербурга;

расширение услуг, предоставляемых мультисервисными сетями интегрального обслуживания, в частности, мультисервисной сетью кабельного телевидения;

http://spoisu.ru

12 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

переход на цифровое телевизионное вещание в Санкт-Петербурге;

организационное и техническое обеспечение защиты информации в информационных системах персональных данных;

информатизация начального, среднего и высшего профессионального образования, развитие программ дополнительного образования .

Научный совет с 1992 года участвовал в становлении и развитии в Санкт-Петербурге проводимой на регулярной основе Санкт-Петербургской международной конференции «Региональная информатика»

(1992-2018) и Санкт-Петербургской межрегиональной конференции «Информационная безопасность регионов России» (1999-2017), превратившихся в целостную систему взаимосвязанных мероприятий, уникальную научную школу по формированию стратегии развития информационного общества, ведущую экспериментальную площадку по формированию и реализации единой информационной политики и обмену передовым опытом в области информатизации важнейших отраслей экономики и социальной сферы на основе интеграции науки, образования и промышленности, координации усилий представителей органов государственной власти, руководителей предприятий, ученых, преподавателей, специалистов-практиков по развитию информационного общества, ставшей действенной формой апробации и распространения научных знаний и передового опыта в сфере информатизации и развития информационного общества в Санкт-Петербурге и других регионах. Результатом этого важного направления деятельности Научно совета является выработка научно-обоснованных рекомендаций по формированию и реализации информационной политики, разработке приоритетных направлений, концепций, программ и наиболее значимых проектов информатизации Санкт-Петербурга и других регионов России, направленных на повышение эффективности и безопасности использования ИКТ и ускорение социально-экономического развития регионов .

В числе приоритетных задач, относящихся к важнейшим направлениям деятельности Научного совета в последние годы, следует назвать: совершенствование межведомственного информационного взаимодействия Комитетов Санкт-Петербурга, дальнейшее расширение перечня государственных электронных услуг, предоставляемых населению Санкт-Петербурга и расширение сети многофункциональных центров, содействие реализации мер по обеспечению выполнения Федерального закона от 27.07.2006 № 152-ФЗ «О персональных данных», решение социальных и технических задач внедрения цифрового телевизионного вещания в Санкт-Петербурге, информатизация системы профессиональной подготовки и переподготовки кадров (в целях решения социальных проблем, повышения качества профессионального образования, освоения новых профессий и обеспечения трудоустройства граждан), проведение общественных обсуждений и обмен передовым опытом, в т.ч. в рамках Санкт-Петербургской международной конференции «Региональная информатика» и Санкт-Петербургской межрегиональной конференции «Информационная безопасность регионов России» .

Перспективными направлениями взаимодействия Научного совета по информатизации Санкт-Петербурга и Комитета по информатизации и связи являются:

разработка идеологии и содействие обеспечению развития цифровой экономики и построения общества знаний в Санкт-Петербурге;

координация деятельности по разработке, экспертизе и реализации планов, программ и перспективных проектов в сфере ИКТ;

обеспечение подготовки проектов законодательных и нормативных правовых актов по вопросам информатизации и развития цифровой экономики на основе взаимодействия с органами государственной власти, негосударственными структурами и общественными организациями;

координация работ по развитию межрегиональных и городских информационных систем, и сетей, обеспечению их взаимодействия в едином информационном пространстве, участию города в процессах создания и использования глобальных информационных систем и сетей;

организация независимой экспертизы программ, технических предложений, заданий и проектов по развитию информационного общества;

участие в координации и экспертизе работ по формированию и классификации информационных ресурсов, развитию цифровых технологий и созданию программных средств для государственных информационных систем;

подготовка и внесение в установленном порядке предложений по финансированию работ в сфере информатизации и связи, в т.ч. на основе привлечения инвестиций и средств бюджета города и предложений по лицензированию отдельных видов деятельности в сфере информатизации и связи;

участие в разработке, экспертизе и проведении мероприятий по обеспечению информационной безопасности;

осуществление представительства города в российских и международных организациях и программах в области информатики и ИКТ;

организация международных конференций и выставок в области ИКТ, участие в проведении и экспертизе конкурсов проектов концепций и программ в сфере информатизации .

На ключевом витке развития ИКТ, ознаменовавшем завершение этапа информатизации в постиндустриальном обществе и отмеченным многочисленными достижениями Санкт-Петербурга в области развития и внедрения ИКТ в различных сферах обеспечения жизнедеятельности и социально-экономического развития, в т.ч. в управление городом и оказание услуг населению, были сформированы предпосылки и условия для перехода к этапу устойчивого поступательного развития информационного общества и реализации задач http://spoisu.ru

ГОСУДАРСТВЕННАЯ ПОЛИТИКА В СФЕРЕ ИНФОРМАТИЗАЦИИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

цифровой экономики, что обуславливает усиление роли Научного совета и повышение его статуса, фактически определяя его миссию некоммерческого научного общественно-государственного совета по информатизации Санкт-Петербурга и развитию информационного общества .

Сохраняются принципы формирования состава и осуществления деятельности Научного совета как коллегиального экспертного консультативного органа при Губернаторе Санкт-Петербурга на основе координации взаимодействия органов государственной власти и управления Санкт-Петербурга и научной общественности, интеграции науки, образования и промышленности города, совершенствования и развития системы межведомственного взаимодействия, комплексной цифровизации сфер городского хозяйства и государственного управления. Решения Научного совета носят рекомендательный характер, а экспертные заключения, предложения и рекомендации Научного совета используются при подготовке важных решений исполнительными органами государственной власти Санкт-Петербурга .

Стратегическим направлением деятельности Научного совета является разработка идеологии и содействие обеспечению развития цифровой экономики, построения общества знаний, совершенствования информационной и телекоммуникационной инфраструктуры города, развития электронного правительства, предоставления качественных государственных услуг и удовлетворения информационных потребностей населения, повышения эффективности функционирования систем государственного управления и местного самоуправления в Санкт-Петербурге, ускорения социально-экономического развития, обеспечения безопасности и повышения качества жизни и эффективности труда жителей города .

На протяжении 25 лет научно-методическое обеспечение деятельности Научного совета осуществлял Санкт-Петербургский институт информатики и автоматизации Российской академии наук (СПИИРАН) под руководством его бессменного директора, (с 2018 года – научного руководителя), член-корреспондента Российской академии наук Р.М. Юсупова, заместителя председателя Научного совета. Деятельность Научного совета по информатизации Санкт-Петербурга осуществлялась при поддержке руководителей города: мэра Санкт-Петербурга А.А. Собчака, Губернаторов Санкт-Петербурга: В.А. Яковлева, В.И. Матвиенко, Г.С. Полтавченко. В работе Научного совета по информатизации Санкт-Петербурга в качестве сопредседателя принимали участие вице-мэры и вице-губернаторы Санкт-Петербурга: Д.В. Сергеев, Ю.В. Антонов, В.И. Малышев, В.В. Яцуба, В.Н. Лобко, С.В. Кондаков, В.В. Тихонов, А.Н. Говорунов, а также руководители профильных комитетов Правительства Санкт-Петербурга, среди которых: директор Департамента связи и информатизации Администрации Санкт-Петербурга (позднее – начальник Управление телекоммуникационного и информационного обеспечения Канцелярии Губернатора Санкт-Петербурга) Р.Р. Гершевский, председатели Комитета информатизации и связи, образованного Приказом Губернатора Санкт-Петербурга от 07.08.2000 № 31-п: А.В. Спиридонов, С.Н. Жданов, Е.Г. Цивирко, А.А. Демидов, И.А. Громов, Д.П. Чамара; председатель Комитета по науке и высшей школе А.С. Максимов .

Представители Научного принимают активное участие в работе Общественного совета при Комитете по информатизации и связи, созданного на основании распоряжения председателя Комитета по информатизации и связи И.А. Громова от 25.04.2014 № 49-р, основными целями которого являются: повышение уровня доверия граждан к деятельности государственных органов исполнительной власти, содействие обеспечению взаимодействия Комитета по информатизации и связи с гражданским обществом, формирование и развитие правосознания гражданского общества; содействие реализации гражданских инициатив гражданского общества, прав и законных интересов общественных объединений, негосударственных некоммерческих организаций, относящихся к сфере деятельности Комитета по информатизации и связи; повышение эффективности, содействие обеспечению прозрачности и открытости деятельности Комитета по информатизации и связи .

За период с момента создания по настоящее время было проведено 276 заседаний Научного совета и его президиума. В составе Научного совета в настоящее время 37 членов, в том числе 5 членов президиума, представляющих более 35 ведущих университетов, академических организаций и предприятий Санкт-Петербурга, включая представителей профессионально-общественных организаций и трех профильных комитетов Правительства Санкт-Петербурга. Из числа членов Научного совета по информатизации Санкт-Петербурга, состав которого был утвержден Постановлением Правительства Санкт-Петербурга от 12.07.1993 № 529-р, в действующем составе сохранили свое участие и активно работают: Б.Я. Советов и Р.М. Юсупов, которых можно заслуженно считать пионерами и ветеранами информатизации Санкт-Петербурга .

Из состава Научного совета, утвержденного Распоряжением Администрации Санкт-Петербурга от 15.11.2003 № 2270-ра, в действующий состав входят: Б.Я. Советов, Р.М. Юсупов, В.Н. Васильев, А.А. Гоголь, С.Н. Жданов, В.С. Заборовский, В.В. Касаткин, А.Н. Терехов .

Перспективы дальнейшего развития сферы деятельности Научного совета нацелены на сохранение лидирующей роли Санкт-Петербурга в решении приоритетных задач развития цифровой экономики и построения общества знаний в Российской Федерации, дальнейшую интеграцию региона в мировое информационное пространство, повышение благосостояния и качества жизни граждан путем повышения конкурентноспособности и доступности продукции и услуг с использованием современных цифровых технологий, повышение цифровой грамотности, степени информированности и уровня информационной культуры населения, улучшение доступности и качества предоставляемых государственных услуг, повышение качества и обеспечения безопасности жизни и труда граждан, дальнейшее развитие социально-экономической и духовной сфер жизни общества .

http://spoisu.ru

14 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

СПИСОК ЛИТЕРАТУРЫ

Распоряжение Администрации Санкт-Петербурга от 15.11.2002 № 2270-ра «О совершенствовании деятельности Научного совета по 1 .

информатизации Санкт-Петербурга» // Гарант. URL: http://base.garant.ru/7986127/ (дата обращения: 05.10.2018) Постановление Правительства Санкт-Петербурга от 27.04.2010 № 450 «О Комитете по информатизации и связи» с изменениями, 2 .

утвержденными постановлением Правительства Санкт-Петербурга от 08.08.2012 N 815 // Администрация Санкт-Петербурга. 2010. URL:

https://www.gov.spb.ru/law?d&nd=822401097&nh=0 (дата обращения: 05.10.2018) Программа «Цифровая экономика Российской Федерации», утвержденная распоряжением Правительства Российской Федерации от 3 .

28.07.2017 N 1632-р // Правительство России. 2017. URL: http://static.government.ru/media/files/9gFM4FHj4PsB79I5v7yLVuPgu4bv R7M0.pdf (дата обращения: 05.10.2018) Постановление Правительства РФ № 1030 от 28.08.2017 «О системе управления реализацией программы «Цифровая экономика РФ» // 4 .

Правительство России. 2017. URL: http://static.government.ru/media/files/zutOPH6TyKz2ciJAFcn74orvpb89UCMa.pdf (дата обращения:

05.10.2018) Указ Президента Российской Федерации от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития Российской 5 .

Федерации на период до 2024 года» // Гарант. 2018. URL: http://www.garant.ru/products/ipo/prime/doc/71837200/ (дата обращения:

05.10.2018)

–  –  –

ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

УДК51.47

ТЕРМИНАЛЬНОЕ УПРАВЛЕНИЕ ДВИЖЕНИЕМ КОСМИЧЕСКОГО АППАРАТА С УПРУГИМИ

ЭЛЕМЕНТАМИ КОНСТРУКЦИИ

Алёшин Евгений Николаевич, Мануйлов Юрий Сергеевич Военно-космическая академия имени А.Ф. Можайского Ждановская ул., 13, Санкт-Петербург, 197198, Россия e-mail: aleshin_evgeny@inbox.ru Аннотация. Рассмотрена задача терминального управления движением космического аппарата в условиях координатно-параметрических возмущений, обусловленных колебаниями присоединенных упругих элементов конструкции. В результате решения задачи получены законы, определены условия и логика работы алгоритма терминального управления движением космического аппарата с упругими элементами конструкции по линии визирования .

Ключевые слова: терминальное управление; упругие элементы; нагружающее воздействие .

TERMINAL MANAGEMENT OF SPACECRAFT MOVEMENT WITH ELASTIC DESIGN ELEMENTS

Aleshin Yevgeniy, Manuilov Yury Military space academy named A.F. Mozhayskogo 13 Zhdanovskaya Str., St. Petersburg, 197198, Russia e-mail: aleshin_evgeny@inbox.ru Abstract. The problem of terminal management of spacecraft movement in terms of coordinate-parametric perturbation caused by fluctuations in the attached elastic design elements. As result of decision problem the laws of terminal management are obtained, the conditions and the algorithm logic of terminal management are defined .

Keywords: terminal management; elastic design elements; biasing effects .

Колебания присоединенных упругодеформированных элементов конструкции (УЭК) КА являются полимодальным [1]. В этом связи наиболее качественное управление КА может быть получено при плавном изменении величины нагружающего воздействия. Строгий перевод всех УЭК (осцилляторов) в стационарные положения возможен лишь при устремлении времени нагружения в бесконечность. При использовании наиболее простого в реализации линейного закона изменения нагружающего воздействия [3] строго в стационарное положение может быть переведен один наиболее низкочастотный или наиболее важный тон упругих колебаний, а для остальных при этом создаются более мягкие условия нагружения. Процесс нарастания нагружающего воздействия должен быть закончен строго за время, равное периоду колебаний управляемой гармоники Tн 2, где – круговая частота собственных колебаний. В более общем случае время окончания переходного процесса может быть кратно целому числу периодов, т.е. Tн 2k, где k 1, 2.. .

Динамика объекта может быть описана следующим уравнением [2]:

x Vн*u(t ), (1) где: x (t ) – фазовая координата объекта управления; – постоянный параметр, определяющий влияние упругого элемента, находящегося в стационарном положении, на динамику объекта управления (твердого тела), [0,1]; V – максимальное значение управляющего ускорения, создаваемого исполнительными органами; R – параметр, определяющий запас мощности исполнительных органов для компенсации возникающих координатно-параметрических возмущений на этапах терминального управления, R const ; Vн* – абсолютное V значение номинального управляющего ускорения, создаваемого исполнительными органами, Vн [1 ] ; u (t ) *

–  –  –

Характерной чертой алгоритма управления является отсутствие необходимости использования текущей информации об упругих колебаниях УДЭ .

Предлагаемая система позволяет на порядок и более снизить уровень энергии, накопленной упругой системой к концу маневра КА по линии визирования (рис. 1–4) по сравнению с режимом, использующим систему, реализующую алгоритм релейного управления, и соответственно сократить длительность переходных процессов стабилизации на 25-50% при относительном увеличении времени маневра не более чем на 3%. В этом случае общая длительность маневра (перевод КА в заданное положение и стабилизация) сокращается не менее

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

чем на 10-25%. Кроме того, как минимум в два раза уменьшается максимальная амплитуда колебаний присоединенного УЭК, ограниченная амплитуда колебаний присоединенного УЭК, ограниченная величиной статических деформаций qst 1cV {qstj, j 1,7}T и тем самым понижается вероятность возникновения недопустимо больших по величине деформаций, приводящих к выходу УЭК из строя .

Требуемая точность управления независимо от знака действующего ограниченного по величине возмущения обеспечивается за счет использования терминальных законов при приведении изображающей точки в начало координат фазовой плоскости (рис. 5, 6) .

СПИСОК ЛИТЕРАТУРЫ

Мануйлов, Ю.С. Методы оперативного наведения космических аппаратов наблюдения с упругими элементами конструкции: монография 1 .

/ Ю.С. Мануйлов, С.В. Зиновьев, Е.Н. Алешин. – СПб.: ВКА имени А.Ф. Можайского, 2014. – 164 с .

Мануйлов, Ю.С. Модель управляемого орбитального движения космического аппарата наблюдения с упругими элементами конструкции 2 .

на основе принципа наименьшего действия / Ю.С. Мануйлов, Е.Н. Алешин. – СПб.: «Авиакосмическое приборостроение» № 4, 2014. – С. 37-46 .

Мануйлов, Ю.С. Обоснование принципа «квазизатвердевания» при управлении орбитальным маневрированием космического аппарата 3 .

с упругими элементами конструкции / Ю.С. Мануйлов, Е.Н. Алешин / «Молодежь. Техника. Космос: труды 4-й Общероссийской молодежной науч.-техн. конф.». – СПб.: «ВОЕНМЕХ. Вестник БГТУ», № 15, 2012. – С. 14-15 .

УДК 528.9

РАБОТА С ГЕОИНФОРМАЦИННЫМИ СИСТЕМАМИ ТРЕБУЕТ БАЗОВЫХ ЗНАНИЙ В СМЕЖНЫХ

ОБЛАСТЯХ НАУКИ И ТЕХНОЛОГИЙ

Аль-Дамлахи Июссеф Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики (Университет ИТМО) Кронверкский, пр., 49, Санкт-Петербург, 197101, Россия e-mail: Youssef.d-86@mail.ru Аннотация. В статье рассматриваются вопросы применения технологий построения геоинформационных систем (ГИС). Доказывается, что технологию ГИС нельзя считать независимым инструментом определенной науки: профессиональные компетенции и практические навыки, необходимые для создания и применения ГИС, не могут быть получены без базовых знаний в смежных областях науки и технологий, среди которых первостепенную роль играют геодезия и картография. В статье приводится краткий обзор и классификация картографических проекций, знание которых необходимо при работе с ГИС. Рассматривается пример использования программного обеспечениz ArcMap для определения уклонов поверхности земли с учетом и без учета проекции растрового изображения, представляющего поверхность земли .

Ключовые слова: геоинформационные системы (ГИС); картография; уклон; проекции; цифровая модель рельефа (ЦМР) .

WORK WITH GEOINFORMATSINNY SYSTEMS DEMANDS BASIC KNOWLEDGE IN THE ADJACENT

FIELDS OF SCIENCE AND TECHNOLOGIES

Al-Damlakhi Youssef Saint Petersburg National Research University of Information Technologies, Mechanics and Optics (University ITMO) 49 Kronverksky Av., St. Petersburg, 197101, Russia e-mails: Youssef.d-86@mail.ru Abstract. In article questions of use of technologies of creation of geographic information systems (GIS) are considered. It is proved that the GIS technology can't be considered the independent tool of a certain science: the professional competences and practical skills necessary for creation and application of GIS, d not mozhnut to be received without basic knowledge in the adjacent fields of science and technologies among which a paramount role is played by geodesy and cartography. The short review and classification of cartographical projections which knowledge is necessary during the work with GIS is provided in article. An example of use program obespecheniz by ArcMap for definition of biases of the Earth's surface taking into account and without a projection of the raster image representing the Earth's surface is reviewed .

Keywords: Geographic Information Systems (GIS); Cartography; Slope; Projections; Digital Elevation Model (DEM) .

Введение .

Геоинформатика базируется на пространственной информации, предоставляемой геодезией. Информация о пространственном положении объектов может предоставляться в виде фотоснимков, карт. А поскольку методы обработки фотоснимков изучаются фотограмметрией, то отсюда следует тесная связь геоинформатики с этой дисциплиной и картографией, в которой изучаются методы построения и использования карт .

http://spoisu.ru

20 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Пространственную информацию о природных и социально-экономических объектах и явлениях получают на основе методов дистанционного зондирования, т. е. изучения земной поверхности неконтактным способом. В связи с этим результаты дистанционного зондирования, выполненного из воздушного пространства и космоса, также являются базовыми при создании геоинформационных систем .

Программирование всех функций ГИС тесно связано с прикладной математикой. Этой наукой представляются алгоритмы решения большинства задач ГИС. Методы геоинформатики связаны с приемами теории распознавания образов, анализа сцен, цифровой фильтрации и классификации цифровых изображений .

Источником данных для географических информационных систем являются также и глобальные позиционные системы .

Создание ГИС включает построение ее математической основы в виде картографической проекции, системы координат и геодезических опорных пунктов. На математической основе строятся географическая и картографическая основы. При этом выполняется пространственное моделирование, т.е. моделирование ситуации и рельефа, выполняются различные метрические операции .

Взаимосвязи картографии и геоинформатики проявляются в следующих аспектах:

1) Тематические и картографические карты – главный источник пространственно-временной информации .

2) Системы географических и прямоугольных координат и картографическая разграфка служат основой для координатной привязки (географической локализации) всей информации, поступающей и хранящейся в ГИС .

3) Карты – основное средство географической интерпретации и организации данных дистанционного зондирования и другой используемой в ГИС информации (статистической, аналитической и т.п.) .

4) Картографический анализ – один из наиболее эффективных способов выявления географических закономерностей, связей, зависимостей при формировании баз знаний, входящих в ГИС .

5) Математико-картографическое и компьютерно-картографическое моделирование - главное средство преобразования информации в процессе принятия решений, управления проведения экспертиз, составление прогнозов развития геосистем и т.п .

6) Картографическое изображение - целесообразная форма представления информации потребителям .

Важнейшими объектами, которые связаны с картографией и которые надо понимать и знать, чтобы правильно работать с изображениями и материалами в ГИС, являются картографические проекции.

При переходе от физической поверхности земли к ее отображению на плоскости (на карте) выполняют две операции:

проектирование земной поверхности с ее сложным рельефом на поверхность земного эллипсоида, размеры которого установлены посредством геодезических и астрономических измерений, и изображение поверхности эллипсоида на плоскости посредством одной из картографических проекций .

Все картографические проекции классифицируются по ряду признаков, в том числе, по характеру искажений, виду меридианов и параллелей нормальной картографической сетки, положению полюса нормальной системы координат .

1. Классификация картографических проекций по характеру искажений:

а) равноугольные, или конформные, оставляют без искажений углы и форму контуров, но имеют значительные искажения площадей. Элементарная окружность в таких проекциях всегда остается окружностью, но размеры ее сильно меняются. Такие проекции особенно удобны для определения направлений и прокладки маршрутов по заданному азимуту, поэтомy их всегда используют на навигационных картах .

б) равновеликие, или эквивалентные, сохраняют площади без искажений, однако на них значительно нарушены углы и формы, что особенно заметно на больших территориях. Например, на карте мира приполярные области выглядят сильно сплющенными .

в) равнопромежуточные, или эквидистантные, - в этих проекциях линейный масштаб по одному из главных направлений постоянен и обычно равен главному масштабу карты .

г) произвольные – не сохраняют ни углов, ни площадей .

2. Классификация картографических проекций по способу построения:

Вспомогательными поверхностями при переходе от эллипсоида или шара к карте могут быть плоскость, цилиндр, конус, серия конусов и некоторые другие геометрические фигуры .

а) цилиндрические проекции — проектирование шара (эллипсоида) ведется на поверхность касательного или секущего цилиндра, а затем его боковая поверхность разворачивается в плоскость .

В этих проекциях параллели нормальных сеток есть прямые параллельные линии, меридианы – также прямые линии, ортогональные к параллелям. Расстояния между меридианами равны и всегда пропорциональны разности долгот .

б) конические проекции — поверхность шара (эллипсоида) проектируется на поверхность касательного или секущего конуса, после чего она как бы разрезается по образующей и разворачивается в плоскость .

в) азимутальные проекции — поверхность земного шара (эллипсоида) переносится на касательную или секущую плоскость. Если плоскость перпендикулярна к оси вращения Земли, то получается нормальная (полярная) азимутальная проекция. В этих проекциях параллели изображаются одноцентровыми окружностями, меридианы – пучком прямых линий с точкой схода, совпадающей с центром параллелей. В этой проекции всегда картографируют полярные области нашей и других планет .

г) многогранные проекции — проекции, получаемые путем проектирования шара (эллипсоида) на поверхность касательного или секущего многогранника. Чаще всего каждая грань представляет собой равнобочную трапецию .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

3. Классификация картографических проекций по положению полюса нормальной системы координат .

В зависимости от положения полюса нормальной системы Ро, все проекции подразделяются на следующие:

а) прямые, или нормальные, – полюс нормальной системы Ро совпадает с географическим полюсом (о = 90°) .

б) поперечные, или экваториальные, – полюс нормальной системы Ро лежит на поверхности в плоскости экватора (о = 0°) .

в) косые, или горизонтальные, – полюс нормальной системы Ро располагается между географическим полюсом и экватором (0° о 90°) .

В прямых проекциях основные и нормальные сетки совпадают. В косых и поперечных проекциях такого совпадения нет .

Стоить привести такой пример, в программу ArcGIS мы вводим цифровую модель рельефа в виде растровых данных и с помощью ее извлекаем уклоны поверхности земли (в виде расстровых данных) в процентах. Цифровая модель местности (ЦММ) была загружена с сайта (https://earthexplorer.usgs.gov/) с точностью ( 30*30 м ). Материалы этого сайта находятся в географической системе координат (Всемирная геодезическая система 1984 года, на английском WGS 84 : World Geodetic System 1984), то есть положение каждой точки на земной поверхности определяют широту и долготу (за величину измерения берется градус) .

На изображении (рис. 1) мы с помощью программы ArcGIS 10.2 нашли уклоны поверхности земли в зависимости от цифровой модели местности. Но у нас получились огромные и нелогичные величины .

Объяснение этому заключается в том, что на изображении величины X и Y определяют широту и долготу градусами, другими словами, расстояние между пунктами на карте определяются градусами (т.е. угловой, а не метрической величиной), в то время как высоту точки определяют метром (метрической величиной). Таким образом, несоответствие между величинами создает большую проблему .

Рис. 1. Уклоны поверхности земли (в процентах) без проекции. Изображении находится в системе WGS 84 (Мировая геодезическая система)

–  –  –

Уклон между двумя рассматриваемыми точками можно определить, как отношение вертикального расстояния между двумя точками к горизонтальному расстоянию между ними. Как в данном случае у нас горизонтальное расстояние между точками измеряется градусом, вследствие этого величина его будет очень мала, так как у нас 1 градус равняется почти 111 км. В данных расчетах мы исходим из того, что земля – это шар с радиусом 6370 км, следовательно, диаметр будет равняться почти 40023 км, то есть 1 градус = 40023/360 = 111,177 км) .

Рис. 3. математическое понятие уклона (Как процент и промилл)

То есть если у нас расстояние между двумя пунктами равняется 30 м, тогда в градусах это будет равняться 0,00027778 (30/111000 = 0,00027778 градус или 1 секунд).

в то время, если у нас, например, разница между высотами этих двух точек составляет 2 метра, тогда уклон равняется:

Уклон = Тангенс = 2 / 0,00027778 = 7200 = 720000 % В данном случае у нас получаются нелогичные величины. Чтобы избежать подобной ситуации и получить правильные и логичные величины, нам необходимо поставить изображение (растер) в метрическую систему координат, то есть нам нужно конфортировать в другую систему координат. Мы уже выбрали для этого универсальную поперечную проекцию Меркатора, или UTM (Universal Transverse Mercator). В этой проекции Земля делится на 60 шестиградусных зон (6°х60=360°). Зоны пронумерованы от 1 до 60 от 180° з.д. Каждая зона имеет свой центральный меридиан. Проекция UTM основана на цилиндре, ориентированном параллельно экватору, поэтому она является поперечной. Координаты UTM выражаются в метрах. Отчёт по оси Х (направление на восток) идёт от центрального меридиана зоны. Отчёт по оси Y (направление на север) начинается от экватора. Чтобы исключить отрицательные координаты, проекция изменяет значения в начале координат .

Величина сдвига от центрального меридиана – это ложный восточный сдвиг, он равен 500000 метров; величина сдвига от экватора – ложный северный сдвиг (0 метров) .

Проекция UTM является конформной, т.е. сохраняет форму с точным соблюдением малых форм и минимальными искажениями крупных форм внутри зоны. В определённых пределах также сохраняется направление. Имеются небольшие искажения площади. Масштаб постоянен вдоль центрального меридиана при факторе масштаба 0.9996, чтобы сократить широтные искажения внутри каждой зоны .

Рис. 4. Уклоны поверхности земли (в процентах) после применения проекции меркатора (UTM)

–  –  –

В программе ArcGIS есть возможность выбрать подходящую проекцию и редактировать ее параметры в зависимости от того исследуемой территории. Для этого с помощью указанной возможности для изучаемой местности с долготой, варьиюрующейся в пределах 37.49 – 37.56, мы создали нувую проекцию Миркатора с центральным меридианом (37.525), чтобы снизить искажения. И в конечном итоге у нас получились правильные значения уклонов поверхности земли для той же исследуемой местности ( Рис. 4) .

Рис. 5. Уклоны поверхности земли (в процентах) c учётом проекции

Исходя из всего сказанного, можно сделать вывод, что ГИС не является независимой технологией или программным обеспечением, которое можно использовать в качестве самостоятельного средства. Напротив, ГИС-технология предполагает владение базовыми знаниями целого ряда наук, в первую очередь наук о земле – геодезии и картографии. Отсутствие базовых знаний указанных наук может привести к некорректным или неточным результатам, которые в большинстве случаев очень сложно исправить .

СПИСОК ЛИТЕРАТУРЫ

Берлянт А.М. Картография. Учебник для вузов. — М.: Аспект Пресс, 2002. — 336 с .

1 .

Топчилов М.А., Ромашова Л.А., Николаева. О.Н. Картография. Новосибирск СГГА 2009 .

2 .

ESRI. ArcGIS 9 Картографические проекции., 2004 .

3 .

Жмойдяк Р.А., Атоян. Л.В. КАРТОГРАФИЯ Курс лекций. Минск 2006 .

4 .

Середович В.А., Клюшниченко В.Н., Тимофеева Н.В. Геоинформационные системы (назначение, функции, классификация) .

5 .

Новосибирск СГГА 2008 .

УДК 004.811

КОГНИТИВНЫЕ ГЕОИНФОРМАЦИОННЫЕ СИСТЕМЫ ДЛЯ МОНИТОРИНГА

Водяхо Александр Иванович1, Осипов Василий Юрьевич2, Червонцев Михаил Александрович2, Жукова Наталия Александровна3 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

–  –  –

14-я линия В.О., 39, Санкт-Петербург, 199178, Россия Научно-инженерный центр Санкт-Петербургского электротехнического университета» (АО «НИЦ СПб ЭТУ») Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

Политехническая ул., 22К, Санкт-Петербург, 194021, Россия e-mails: aivodyaho@mail.ru, osipov_vasiliy@mail.ru, chervontsev.mikhail@nicetu.spb.ru, nazhukova@mail.ru Аннотация. В статье рассматриваются возможные подходы к использованию интеллектуальных технологий при построении систем мониторинга. Предлагается использовать когнитивные архитектуры для построения ГИС-ориентированных систем мониторинга. В основе предлагаемого подхода лежит идея автоматической генерации бизнес-процессов мониторинга. Использование предлагаемого подхода позволяет повысить скорость работы ГИС-ориентированных систем мониторинга и уменьшить стоимость их разработки .

Ключевые слова: мониторинг; ГИС; когнитивные архитектуры .

–  –  –

5 Professor Popov Str., St. Petersburg, 197376, Russia St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia The Research and Engineering Center of the Saint Petersburg State Electro-Technical University (LETI) 22K Politechnicheskaya Str., St. Petersburg, 194021, Russia e-mails: aivodyaho@mail.ru, osipov_vasiliy@mail.ru, chervontsev.mikhail@nicetu.spb.ru, nazhukova@mail.ru Abstract. In the article possible approaches to usage of intelligent technologies for GIS based monitoring systems are discussed. It is suggested to use cognitive architectures for building GIS oriented monitoring systems. Suggested approach is based on the idea of automatic generation of monitoring business processes. Usage of suggested approach allows increase the speed of monitoring systems operation and reduce the cost of development .

Keywords: monitoring; GIS; cognitive architectures .

Введение .

Широкое распространение и применение геоинформационных систем (ГИС) при решении различных прикладных задач обусловлено удобством работы с ними конечных пользователей. Важным преимуществом ГИС является то, что они позволяют работать как с данными об объектах предметной области, так и с данными об окружающей среде. Долгое время ГИС развивались как системы графической визуализации пространственных (географических) данных и связанной с ними информации о необходимых объектах на картографической основе. В течение этого времени их функциональные возможности и сфера их применения постоянно расширялись. В настоящее время они находят применение при построении самых разных классов информационных систем (ИС) .

Можно выделить, по крайней мере, 4 различных подхода к созданию ГИС-ориентированных ИС: 1) стандартная ГИС платформа является основой для построения ГИС-приложений, 2) ГИС является одним из сервисов визуализации, причем это не обязательно основной сервис, при этом для построения данного сервиса используется готовая платформа, 3) ГИС является основным средством визуализации для создаваемой ИС, при этом платформа адаптируется для нужд конкретной разработки, 4) ИС строится на базе ГИС платформы собственной разработки .

Магистральное направление развития ГИС технологий и поддерживающих их ГИС платформ связано с их интеллектуализацией. В качестве примера подобного подхода можно рассматривать интеллектуальную ГИС (ИГИС) [1-3], которая включает в свой состав многие средства искусственного интеллекта (ИИ). Следует заметить, что ИГИС в том виде как она описана в [2], в большей степени может рассматриваться как ГИС платформа общего назначения, чем как методология проектирования интеллектуальных ГИС, т.е. ИГИС в смысле [2] – это название конкретной платформы, а не множество технологий, использующих методы и средства ИИ для построения ГИС. ИГИС включают в свой состав многие средства ИИ. В частности, они могут включать машину логического вывода и экспертную систему, иерархию онтологий (баз знаний) предметной области, средства математического моделирования, имитационного моделирования на основе сценарного подхода, построения и исполнения сценариев в режиме реального времени с отображением на электронных картах, графической разработки иерархии онтологий и сценариев, проигрывания сценариев [2, 3]. В ряде случаев в состав ИГИС могут вводиться модули интеллектуальной поддержки принятия решений [2, 3]. В результате ИГИС оказываются способными к решению таких задач, как распознавание ситуаций, выявление причин их возникновения, прогнозирование их развития .

В настоящей статье рассматривается один из возможных подходов к построению одного из подклассов ИГИС – когнитивные ГИС мониторинга (КГИСМ) .

Системы мониторинга .

Понятие мониторинг в самом общем виде можно определить, как итерационный процесс, выполняющийся с целью получения, накопление и обработки данных, информации и (или) знаний о некоторой внешней системе (целевой системе, ЦС) и представление этих данных, информации, знаний заинтересованным сторонам в требуемой форме, в частности в ГИС форматах. Если результаты мониторинга используются для формирования управляющих воздействий для ЦС, то в этом случае имеем систему мониторинга и управления (СМУ). Система мониторинга в этом случае выступает как подсистема СМУ. Можно выделить, по крайней мере, следующие основные классы ЦС: социальные системы, биологические системы, природные системы, антропогенные системы, гибридные системы. С точки зрения использования геоинформационных систем мониторинга (ГИСМ), наибольший интерес представляют природные и антропогенные ЦС. В качестве основных пользователей ГИСМ могут выступать самые разные специалисты: операторы, отвечающие за мониторинг технического состояния ЦС;

специалисты по технической поддержке, аналитики, занимающиеся построением моделей; исследователи, менеджеры разного уровня, отвечающие за общие вопросы .

Современный этап развития информационных технологий характеризуется такими моментами как необходимость работать с очень большими объемами данных, постоянным изменением структуры ЦС и постоянным ужесточением требований, предъявляемых к стоимости и срокам разработки. Таким образом,

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

возникают проблемы отслеживания состояния очень больших, территориально распределенных систем с постоянно изменяющейся структурой, что требует создания сложных и дорогостоящих систем мониторинга .

Решение этой проблемы может быть найдено в использовании когнитивных систем мониторинга, т.е. систем мониторинга, построенных по принципу когнитивной системы .

Когнитивные системы .

По своей задумке [4] когнитивные системы принципиально отличаются от традиционных ИС, включая интеллектуальные системы. В идеале, когнитивные системы не должны жестко программироваться, а должны управлять процессами мониторинга, задавая цели мониторинга, определять пути их достижения, оценивать результаты мониторинга. Для этого такие когнитивные системы мониторинга подобно человеку должны воспринимать данные от наблюдаемых объектов, выполнять их обработку, связывать их в пространстве и во времени, формировать и перестраивать модели объектов и процессов мониторинга на их основе .

В сильном варианте когнитивную ИС можно определить как систему, которая решает задачи подобно тому, как их решает человек. В более слабом варианте – это система, которая, реализует элементы разумного поведения. Когнитивную систему мониторинга можно определить как систему мониторинга, использующую в процессе функционирования модели ЦС, представленной виде знаний, что можно рассматривать как еще более слабое определение когнитивной системы .

В этом случае встает вопрос о выборе модели или моделей, которые могут быть положены в основу процесса когнитивного мониторинга. Модель когнитивного мониторинга должна удовлетворять 6 основным требованиям: модель должна поддерживать решение возможно большего числа задач мониторинга, в первую очередь, поддерживать модель логического вывода и работы в ГИС системах, модель должна работать с большими данными, модель можно легко модифицировать, модель можно синтезировать из данных, модель должна быть исполняемой .

Анализ известных моделей показал, что с помощью одной модели решить задачу не удается. Предлагается использовать множество моделей, которые можно преобразовывать посредством использования сервисов трансформации моделей. В качестве базовой модели выбрана автоматная модель – многоуровневые относительно конечные операционные автоматы [5] .

Обобщенная модель функционирования КГИСМ В самом общем виде функционирование КГИСМ может быть описано в терминах модели слияния данных (Data Fusion) широко известной как JDL модель [6], которая включает 6 уровней (рис. 1). Каждому из них ставится в соответствие определенная функциональность на достаточно высоком уровне .

Данные, информация и знания поступают от источников. Источники могут быть локальными, распределенными и внешними. В качестве источников могут выступать датчики, базы данных и знаний .

Уровень 0. Определение характеристик отдельных сигналов (Signal/Feature Assessment) .

Основная задача, решаемая на этом уровне – это оценка и предсказание значений отдельных параметров. Можно говорить, что на этом уровне осуществляется обработка данных, относящихся к отдельным частям объектов. В зависимости от предметной области это может быть обработка изображений на уровне пикселов, очистка сигнала от шумов и помех и т.п .

Уровень 1. Оценка характеристик отдельных объектов (Entity assessment) .

Основная задача, решаемая на этом уровне – это оценка и предсказание значений отдельных параметров и состояния отдельных сущностей (объектов). При этом реализуются функции, связанные с формированием информации об отдельных объектах .

Это делается на основе информации об элементах объектов. Это может быть, например, информация о месте нахождения объекта, скорости перемещения и направлениях движения, либо информация о техническом состоянии отдельных узлов сложной технической системы .

Уровень 2. Оценка ситуации (Situation Assessment) .

Основная задача, решаемая на этом уровне – это оценка и предсказание состояния структуры и параметров отношений между сущностями некоторой части реального мира и их влияние на состояние самих объектов. На этом уровне реализуются функции, связанные с формированием информации о ситуации в определенном контексте в терминах сущностей, отношений между сущностями и событий .

Уровень 3. Определение реакции (Impact Assessment) .

Основная задача, решаемая на этом уровне – это оценка и предсказание будущих состояний системы и ее частей в терминах полезность/стоимость, формирование альтернативных вариантов реакции системы. На этом уровне осуществляется оценка ситуации, которая может включать оценку динамики развития ситуации, предположения о возможных действиях друзей и врагов, угрозах и собственных уязвимостях .

Уровень 4. Управление процессом мониторинга .

Оценка производительности (Process Management and Assessment). Основная задача, решаемая на этом уровне, – это оценка бизнес-процесса мониторинга и предсказание характеристик производительности самой системы и их сравнение с желаемыми показателями эффективности. На этом уровне, в частности, реализуются функции мониторинга самого процесса, например, с целью улучшения временных характеристик .

Уровень 5. Человеко-машинное взаимодействие (Cognition Refinement) .

На этом уровне реализуются функции, связанные с совершенствованием человеко-машинного интерфейса. Этот уровень отвечает за виртуализацию и коллективное принятие решений. На данном уровне реализуются механизмы управления знаниями, в частности, определяется кто запрашивает информацию, кто имеет доступ к той или иной

–  –  –

Предполагается, что в рамках JDL модели реализуется двунаправленный процесс (рис. 1). Снизу-вверх и сверху вниз. Движение снизу-вверх это выделение информации из данных, а затем выделение знаний из информации и принятие решений .

Движение сверху вниз – это поток запросов, которые формулируются заинтересованными лицами в терминах предметной области. Запросы трансформируются на запросы информации, которые в свою очередь, трансформируются в запросы на получение данных .

Отдельный контур образует процесс управления ресурсами самой системы, который включает оценку качества функционирования системы и управление ресурсами с целью повышения качества функционирования самой системы .

–  –  –

Когнитивная машина мониторинга Основой КГИСМ является когнитивная машина мониторинга (КММ), которая может рассматриваться либо как архитектурный фреймворк, либо как платформа, либо как среда проектирования КГИСМ. КММ представляет собой набор сервисов разного уровня, которые могут использоваться для построения конкретных экземпляров КСМ. Концептуальная структура КММ показана на рис. 2. В состав КММ входят 7 основных подсистем: модуль построения моделей (Model Mining Module, MMM), модуль трансформации моделей (Model Transformation Module, MTM), модуль обработки моделей (Model Processor, MP), генератор архитектур, генератор ГИС представлений, репозитарий и набор адаптеров .

МММ – это модуль, который отвечает за построение и поддержание моделей в актуальном состоянии .

МТМ – это модуль, который отвечает за приведение моделей к нужному представлению. PM – это модуль, который отвечает за процессинг моделей, в частности, реализует рассуждения на моделях, генератор архитектур формирует загружаемые модули и используется при работе с динамическими архитектурами. Репозитарий предназначен для хранения моделей, данных и знаний. Генератор отчетов и реакций выполняет несколько функций. В режиме ручного управления он выдает информацию о состоянии ЦО для ЛПР. В режиме автоматического управления он выдает управляющие воздействия на СМ и на ЦО. В случае использования динамической загружаемой архитектуры, этот модуль отвечает также за загрузку архитектурных модулей в распределенную среду КГИСМ. Адаптеры используются для поиска информации и знаний во внешних источниках .

КММ функционирует следующим образом. На вход КММ поступают данные мониторинга. Если модель неизвестна или требует уточнения и (или) верификации, то для этого используется МММ. Типовой режим- это проверка текущих моделей на актуальность и перестройка моделей при поступлении сообщений о наступлении некоторых событий. Местом хранения моделей является репозитарий. Принятие основных решений реализуется на уровне моделей, которые строятся в терминах знаний. Для этого из входного потока данных требуется извлечь знания. Эту процедуру реализует МММ в состав которого входят сервисы более низкого уровня, которые позволяют извлекать знания из данных и событий. Этот процесс строится в соответствии с JDL моделью [6, 7] .

МР выполняет функцию процессора, к которому можно обращаться с запросами на SPARQL. Генератор ГИС представлений выполняет 3 основные задачи. При работе в ручном режиме он выдает ЛПР информацию, необходимую ему для принятия решений. При работе в автоматическом режиме генератор самостоятельно формирует управляющие воздействия, как для управления когнитивной сетью, так и для управления ЦО, например, с целью реконфигурации. Если в рамках КММ реализуется динамическая архитектура, то генератор архитектур синтезирует требуемые модули. Такое решение может быть актуально, например, в случае, когда http://spoisu.ru

28 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

требуется сгенерировать тестовую процедуру для заданной конфигурации. Если структура обслуживаемого ЦО известна и мало изменяется, то загружаемые модули могут храниться в библиотеках, которые находятся в репозитарии. Использование загружаемых архитектур (on demand) актуально, прежде всего, для туманных структур, когда ресурсы модулей промежуточного уровня ограничены .

Заключение .

В результате проведенных исследований предложен подход к построению ГИС ориентированных систем мониторинга, отличительной особенностью которого является использование когнитивного подхода. В качестве обобщенной модели предлагается использовать модель слияния данных (JDL модель). Когнитивные возможности реализуются посредством использования когнитивной машины .

СПИСОК ЛИТЕРАТУРЫ

1. Burrough, P. A. and McDonnell, R. A. (1998). Principles of geographical information systems. Oxford University Press, Oxford, 327 pp .

Интеллектуальные географические информационные системы для мониторинга морской обстановки // Под общ. ред. чл.-кор. РАН 2 .

Юсупова Р.М. и д-ра тех. наук Поповича В.В. - СПб.: Наука, 2013. - 284 с .

3. Smirnova O., Tsvetkov M., Sorokin R Intelligent GISfor Monitoring and Prediction of Potentially Dangerous Situations. International Multidisciplinary Scientific GeoConference Surveying Geology and Mining Ecology Management, SGEM 14. 2014. С. 659-666 .

4. World survey of artificial brains. Part II: Biologically inspired cognitive architectures / B. Goertzel, R. Lian, I. Arel, H. de Garis, S. Chen // Neurocomputting. 2010. doi: 10.1016/j.neucom.2010.08.012 .

Осипов В.Ю. Синтез результативных программ управления информационно-вычислительными ресурсами // Приборы и 5 .

системыуправления. 1998. №12. С.24-27

6. Blasch E., Bosse E, Lambert D. High-Level Information Fusion Management and System Design, Artech House Publishers, Norwood, MA. 2012

7. Handbook of multisensor data fusion. Theory and practice. Second edition. Edited by Martin E. Liggins, David L. Hall, James Llinas. CRC Press .

Taylor & Frances Group. 2009, pp. 849 .

УДК 519.8

АНАЛИТИЧЕСКОЕ ОЦЕНИВАНИЕ ОПЕРАЦИОННЫХ СВОЙСТВ СОВЕРШЕНСТВУЕМОЙ

ТЕХНОЛОГИЧЕСКОЙ СИСТЕМЫ

Гейда Александр Сергеевич Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mail: geida@iias.spb.su Аннотация. Рассмотрен пример оценивания операционных свойств совершенствуемой технологической системы. Операционные свойства объекта – свойства, характеризующие его приспособленность давать требуемые эффекты. К ним относятся производительность, эффективность функционирования, потенциал системы, эффективность использования информационных технологий. Под совершенствуемой системой понимается такая система, при функционировании которой в результате изменяющихся воздействий среды необходимо изменять систему и ее функционирование. Такое изменение (совершенствование) требует реализации информационных и неинформационных действий. Совершенствуемые системы рассмотрены на примере технологических систем, под которыми понимаются такие системы, функционирование которых описывается технологическим операциями, заданными в технологической документации. Для оценивания операционных свойств предложено использовать диаграммные теоретико-графовые модели и методы моделирования на основе автоматизированных переходов от теоретико-графовых моделей к моделям функциональным. Оценивание операционных свойств совершенствуемой технологической системы проиллюстрировано примером .

Ключевые слова: операционные свойства; эффективность, потенциал, эффективность информационных технологий; изменяющаяся среда; оценивание; модели; методы .

AGILE TECHNOLOGICAL SYSTEM OPERATIONAL PROPERTIES ANALYTICAL ESTIMATION

Geida Alexander St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mail: geida@iias.spb.su Abstract. An example of agile technological system operational properties estimation of is reviewed. Operational properties of object under investigation are properties which characterize its ability to provide effects required. Among such properties are efficacy, efficiency, effectiveness, dynamic capability, IT efficiency. Agile system is understood as such system which have to be changed as a result of the changing influences of the environment. Such change (improvement) requires realization of information and non information actions. The improved systems are considered on the example of technological systems which are understood as such systems which functioning is described by the technological operations in technological documentation. For estimation of operational properties it is offered to use diagrammatic graph-theoretic models and methods of modeling on the basis of the automated transitions from graphtheoretic models to functional. Estimation of operational properties of the agile technological system is illustrated with an example of such estimation .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

Keywords: operational properties; environment; efficiency; effectiveness; dynamic capability; IT enabled dynamic capability; IT efficiency .

Введение .

Необходимость оценивания показателей операционных свойств систем и их функционирования аналитически, на основе моделей функционирования систем в изменяющихся условиях среды отмечается многими исследователями в РФ [1-9] и за рубежом [10-21]. Так, например, при стратегическом планировании [17] возникает необходимость спрогнозировать значения показателей операционных свойств систем в зависимости от характеристик планов и от изменяющихся состояний среды. Такая необходимость, в частности, возникает при проектировании и стратегическом планировании функционирования аналитических центров, при решении задач стратегического планирования в рамках концепции и методологии исследования потенциала (Dynamic Capabilities) систем [18-21], в том числе – исследования потенциала систем в условиях цифровой трансформации [14] (IT-Enabled Dynamic capabilities) .

Актуальным является исследование операционных свойств использования информационных технологий при функционировании совершенствуемых систем. Как показано в [2] использование информационных технологий состоит в реализации возможности изменений функционирования, в его совершенствовании при изменениях воздействий со стороны среды. Так, например, такая возможность реализуется при функционировании технологических систем с использованием технологических информационных операций .

Технологические системы – системы, в которых функционирование полностью описано выполняемыми технологическими операциями, возможности выполнения которых заданы в технологической документации на систему .

Концептуальные и методологические основы исследования операционных свойств совершенствуемых систем, в том числе – с использованием информационных технологий, позволяют перейти к аналитическому исследованию операционных свойств систем (например, потенциала систем, их конкурентоспособности, устойчивости, потенциала внедренной информационной технологии) и операционных свойств функционирования систем (например, эффективности функционирования системы, эффективности использования информационной технологии, эффективности внедрения информационной технологии) .

Такое, аналитическое исследование, должно позволить решать многие практически важные задачи (например, задачи стратегического планирования, задачи выбора характеристик внедряемых информационных технологий), решаемые в настоящее время в основном, эвристически, как аналитические математические задачи прогнозного оценивания, анализа и синтеза по показателям операционных свойств систем и процессов их функционирования с учетом использования информационных технологий. Это дает возможность автоматизировать решение указанных задач на основе использования имеющихся результатов в области математического программирования, исследования операций, системного анализа .

Однако, для аналитического решения указанных и многих других практически важных задач следует выполнить моделирование функционирования совершенствуемых систем с учетом использования информационных технологий. Такое моделирование связано с рядом трудностей. Во-первых, для решения рассматриваемых задач требуются описания возможных воздействий среды на систему и ее функционирование, а затем – описание возможных реакций системы и ее функционирования на такие воздействия (конверсий, модернизаций, переналадок), возможных состояний в результате таких реакций, и наконец – описание переходов от возможных воздействий и состояний к действительным. Моделирование такого рода переходов при функционировании совершенствуемых систем – новое направление моделирования, требующее разработки концептуальных и методологических основ моделирования. Во-вторых, моделирование указанных переходов следует выполнить с опорой на описание технологических информационных действий. Такое моделирование функционирования также требует разработки концептуальных и методологических основ моделирования. Втретьих, в связи с указанными трудностями моделирования реализовывать его в решаемых задачах требуется, используя современные диаграммные технологии и методы представления знаний с использованием графов и диаграмм. К сожалению, имеющиеся диаграммные технологии и технологии представления знаний оказались недостаточно хорошо приспособленными к требованиям моделирования. Приведены концептуальные и методологические основы исследования совершенствуемых систем, вскрыта роль информационных технологий при функционировании систем и механизмы проявления информационных и неинформационных эффектов .

Обоснованы требования к моделированию использования информационных технологий в технологических системах, приведены основные фрагменты разрабатываемых моделей. В качестве программных средств, использование и совершенствование которых необходимо для лучшего решения рассмотренных задач использованы средства построения ментальных карт вида MindMaps, средства бизнес- и технологического моделирования на примере ARIS, средства структуризации расчетов на примере Microsoft Excel. Карты вида MindMaps использованы для обоснования требований к средствам концептуализации и структуризации предметной области в решаемых задачах. ARIS используется для обоснования требований к средствам визуального моделирования технологических и бизнес-процессов функционирования совершенствуемых систем с учетом реализуемых информационных действий. MicrosoftExcel используется для обоснования требований к средствам формирования вычислительных алгоритмов из структурированных диаграммных моделей и обоснования требований к структурированию расчетов .

http://spoisu.ru

30 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Использование ИТ проиллюстрировано на примере использования ИТ в таких сложных системах, что функционирование этих систем (а значит и использование ИТ) носит технологический вид (далее – СТС). Будем говорить, что функционирование носит технологический вид, если оно задано способами выполнения технологических операций – описанием выполнения технологической операции в технологической документации на СТС. К числу СТС относятся многие системы, функционирующие, например, для реализации производственных процессов, целевых программ, для реализации проектов. К основным понятиям, необходимым для построения моделей использования ИТ при функционировании СТС, относятся: ИТ, использование ИТ, информация, использование информации, система, функционирование системы, целенаправленные изменения функционирования системы, цель, контур изменений функционирования системы, польза, технологическая информационная операция, технологическая неинформационная операция, эффекты функционирования системы, эффекты переходных процессов при функционировании .

Эффекты ИТ проявляются за счет изменений функционирования (например, за счет переходных процессов от функционирования по достижению одной цели к достижению другой). Такое изменение функционирования проявляется в изменениях неинформационных действий (их состава, характеристик, последовательности). Эти изменения неинформационных действий вызываются результатами информационных действий (информацией о необходимых изменениях неинформационных действий). Необходимость получения информации об изменениях неинформационных действий вызывается воздействиями среды при функционировании. В результате этих последовательностей изменений использующий СТС персонал получает эффекты, отличные от тех, которые проявились бы без изменений, то есть без учета воздействий среды и без новых функционирований с учетом таких воздействий. Причина реализации новых функционирований с выбранными новыми характеристиками – информационные технологические операции, реализуемые для учета воздействий среды. Эти информационные технологические операции обеспечивают возможность выбрать последующие технологические операции с лучшими (в реализованных условиях) характеристиками, в зависимости от произошедших изменений состояний СТС и ее среды. За счет учета таких изменений при выполнении технологических информационных операций и получают лучшие эффекты функционирования. Использование технологических операций (ТлОп) разных видов (информационных, неинформационных) при функционировании СТС в зависимости от проверяемых состояний СТС и ее среды и раскрыто на рис. 1 .

–  –  –

При реализации последовательностей ТлОп сначала выполняются технологические информационные операции (ТИО) по проверке (изменившихся) состояний элементов и среды, затем – ТИО по выбору изменившихся ТлОп (при необходимости). Их целевой результат – информация о том, в каком состоянии находятся СТС и ее среда и что следует, в связи с этим, изменить. Затем на практике реализуются связанные с информационными причинно-следственной связью технологические неинформационные действия (ТНИО). В результате целенаправленно меняются и неинформационные эффекты. Технологическая информационная операция (ТИО) – это информационное действие, выполняемое в соответствии с технологической документацией (например, инструкциями, описаниями). Технологическая неинформационная операция (ТНО) – это неинформационное действие, выполняемое в соответствии с технологической документацией. Технологические информационные операции выполняются в соответствии с той или иной информационной технологией. Цель ТИО (или, как правило, ряда ТИО) – получение (создание) и приведение информации к такому виду, при котором она может быть использована человеком или техническим устройством для решения задачи выбора (например, выбора способа ТНИО). При реализации последовательностей ТИО и ТНИО, в зависимости от произошедших событий и проявившихся в результате состояний элементов СТС и среды, происходят разные ТИО и затем, ТИО используются для выбора разных ТНИО, а в их результате снова происходят разные события и затем – разные состояния СТС. В связи с этим на практике состояния СТС и среды при функционировании не повторяются, а

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

последовательности ТлОп, событий и состояний следует развернуть в последовательности событий и состояний .

При планировании рассматривают возможные исходы функционирования (возможную реализацию функционирования)– последовательность возможных состояний и переходов между ними, вызванных ТлОп (ТИО и ТНИО). Операционные свойства СТС и ИТ, в частности операционное свойство потенциала СТС, (с учетом использования ИТ) и описывают такую сторону качества систем, которая связана с их успешностью в изменяющихся условиях. Это свойство следует оценивать на основе моделирования всех возможных исходов функционирования. Потенциал СТС – свойство СТС, характеризующее ее приспособленность к достижению изменяющихся (действительной и возможных) целей. Разность потенциалов СТС, использующих «новую» и «старую» ИТ целесообразно использовать, как показатель ОС ИТ по сравнению с ИТ, использовавшейся до нее .

Этот показатель следует оценивать на основе аналитических моделей, строящихся путем описания законов и закономерностей проявления эффектов, в результате выполнения последовательностей ТИО и ТНИО с различными характеристиками при различных исходах функционирования СТС. Рассмотрим основные новые понятия, для которых требуется экспликация в связи с предложенной концепцией зависимости исходов функционирования СТС от реализации ТИО и ТНИО .

На основе предложенных концептуальных моделей задач исследования операционных свойств и концептуальных моделей расчета показателей операционных свойств построены иерархические модели вероятных (в разных условиях) процессов функционирования системы. Основой для моделирования были типовые подпроцессы функционирования, общие для разных сценариев моделирования (рис. 2). Для примера предполагалось, что возможно лишь четыре возможных сценария функционирования СТС. При этом была рассмотрена одна возможная информационная технология функционирования, заданная характеристиками событий, состоящих в смене целей функционирования и две возможных неинформационных технологий .

Последние внедрялись для улучшения оперативности и уменьшения ресурсоемкости функционирования .

Рис. 2. ARIS модели типовых подпроцессов функционирования

Для каждой из таких технологий соответствующая ей модель нескольких альтернативных процессов функционирования при использовании заданной ИТ представлена на рис. 3. Они отличаются характеристиками ТлОп и их возможными последовательностями .

Целью диаграммного моделирования было упростить разработку функциональных математических моделей оценивания эффектов функционирования при изменяющихся воздействиях среды, а затем, операционных свойств, в том числе – эффективности функционирования по достижению заданной цели, потенциала производственной системы, операционных свойств использования ИТ в производственной системе .

Упрощение достигается за счет использования диаграммных технологий моделирования и использования ряда автоматизированных переходов между моделями. В результате последовательности таких переходов сначала получают параметризированные исходными данными диаграммы, затем – диаграммы с функциональными зависимостями, описывающими преобразования эффектов. Переходы между разными видами диаграмм систематизированы и частично автоматизированы. Полученные помеченные функциональными зависимостями диаграммы затем преобразуются автоматически в таблицы Microsoft Excel с функциональными соотношениями, необходимыми для расчета показателей операционных свойств .

В таблицах и получают значения результирующие показатели. За счет такой последовательности преобразований улучшается безошибочность моделирования, корректность получаемой математической модели, уменьшается трудоемкость математического моделирования. Существенно повышаются возможности корректировки математических моделей, их усложнения и укрупнения .

–  –  –

Заключение .

В работе приведены концептуальные и методологические основы исследования совершенствуемых систем, вскрыта роль информационных технологий при функционировании систем и механизмы проявления информационных и неинформационных эффектов. Обоснованы требования к моделированию использования информационных технологий в технологических системах, приведены основные фрагменты разрабатываемых моделей. В качестве программных средств, использование и совершенствование которых необходимо для лучшего решения рассмотренных задач использованы средства построения ментальных карт вида MindMaps, средства бизнес- и технологического моделирования на примере ARIS, средства структуризации расчетов на примере Microsoft Excel. Карты вида MindMaps использованы для обоснования требований к средствам концептуализации и структуризации предметной области в решаемых задачах. ARIS используется для обоснования требований к средствам визуального моделирования технологических и бизнес-процессов функционирования совершенствуемых систем с учетом реализуемых информационных действий .

MicrosoftExcel используется для обоснования требований к средствам формирования вычислительных алгоритмов из структурированных диаграммных моделей и обоснования требований к структурированию расчетов. Полученные результаты должны стать основой разработки методологии решения задач исследования систем, совершенствуемых путем использования новых информационных технологий. Практическая значимость предполагаемых результатов обусловливается важностью решения комплекса актуальных практических задач цифровой трансформации предприятий, экономики и общества для решения которых требуется выполнить оценивание, анализ операционных свойств использования информационных технологий и затем – выполнить синтез информационных технологий, обладающих лучшими операционными свойствами .

СПИСОК ЛИТЕРАТУРЫ

Гейда А. С., Исмаилова З.Ф., Клитный И.В., Лысенко И.В. Отношения эффективности функционирования, потенциала систем и смежных 1 .

операционных свойств // Труды СПИИРАН. 2015. Вып. 41. C. 35-57 .

Гейда А. С., Лысенко И.В. Задачи исследования операционных свойств совершенствуемых систем и процессов их функционирования:

2 .

Концептуальные аспекты // Прикладная информатика. №5 (71), 2017 .

Гейда А. С., Исмаилова З.Ф., Клитный И.В., Лысенко И.В. Задачи исследования операционных и обменных свойств систем // Тр .

3 .

СПИИРАН. 2014. Вып. 35. C. 136-160 .

Гейда А. С., Лысенко И. В. Автоматизация решения задач исследования потенциала систем и эффективности их функционирования// Тр .

4 .

СПИИРАН, 22 (2012), 260–281 .

Гейда А. С. Оценивание эффектов функционирования организационно-технических систем: концепция автоматизации Тр. СПИИРАН, 5 .

11 (2009), 63–80 .

Гейда А. С., Лысенко И. В. Оценивание показателей операционных свойств систем и процессов их функционирования//Тр. СПИИРАН, 6 .

№ 25, 2013. 317–337 Geida, I. Lysenko. «Information technologies usage models during agile systems functioning», J. Phys.: Conf. Ser. 1050, (2018) .

7 .

Анисифоров А.Б. Методики оценки эффективности информационных систем и информационных технологий в бизнесе. С.-Пб. 2014. 97 8 .

С .

Лугачев М., Скрипкин К., Ананьин В., Зимин К. Семь столпов эффективности инвестиций в ИТ. Альманах лучших работ. // Information 9 .

management. Научно-методический журнал для профессионалов ИТ. № 08-10, 2012 .

D. J. Tiece. «Dynamic Capabilities and Strategic Management: Organizing for Innovation and Growth», Oxford University, (2009) .

10 .

Карр Н. Блеск и нищета информационных технологий. Почему ИТ не являются конкурентным преимуществом. М. Издательский дом 11 .

«Секрет Фирмы», 2005. 176 С .

Новак Е.В. информационно-коммуникационные технологии: оценка эффективности. // Информационные технологии. №8, 2014. С. 74– 12 .

80 .

Уайт Т. Чего хочет бизнес от IT. Стратегия эффективного сотрудничества руководителей бизнеса и IT-директоров. Минск, «Гревцов 13 .

паблишер», 2007.256 с .

P. Mikalef, A. Paterli. «Information technology-enabled dynamic capabilities and their indirect eect on competitive performance: Findings from 14 .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

PLS-SEM and fsQCA», Journal of Business Research, January, (2017) .

15. C. F. Helfat, S. Finkelstein, W. Mitchell, M. A. Peteraf, H. Singh, D. J. Teece, and S. G. Winter. «Dynamic Capabilities: Understanding Strategic Change in Organizations», Oxford: Blackwell, (2007) .

16. L. Holbeche. «The High Performance Organization», Routledge. (2012) .

17. P. Feiler, D. Teece. «Case study, dynamic capabilities and upstream strategy: Supermajor EXP», Energy Strategy Reviews, 3 (2014) .

18. T. Saebi, L. Lien, N.J. Foss. «What Drives Business Model Adaptation? The Impact of Opportunities, Threats and Strategic Orientation», Long Range Planning, (2016) .

19. S. Szhou, A. Jzhou, J. Feng and S. Jiang. «Dynamic capabilities and organizational performance: The mediating role», Journal of Management & Organization, Cambridge University Press, (2017) .

20. D.A. Levinthal, A. Marino. «Organization Evolution and Dynamic Capabilities». The Oxford Handbook of Dynamic Capabilities. Ed. by D. Teece and S. Leih. (2016) .

21. O. Schilke, Songcui Hu, C.E. Helfat. Quo vadis, dynamic capabilities? A content-analytic review of the current state of knowledge and recommendations for future research. Academy of Management Annals, Vol. 12, No. 1. (2018) .

УДК 004.6

«НАУКА О ДАННЫХ» — ОПЫТ ПРЕПОДАВАНИЯ

Главацкий Сергей Тимофеевич, Бурыкин Илья Геннадиевич Московский государственный университет имени М.В. Ломоносова Ленинские горы, 1, Москва, 119991, Россия e-mails: serge@rector.msu.ru, ilia.burykin@sdo.msu.ru Аннотация. В работе изложена авторская концепция формирования программ специальных курсов и специальных семинаров для студентов-математиков, выбирающих специализацию «Наука о данных». Учитывая современные потребности в качественной подготовке специалистов для решения региональных проблем, авторы также развивают лабораторную поддержку для реализации студенческих учебных проектов, использующих методы и алгоритмы «науки о данных», на современных программных комплексах .

Ключевые слова: высшее образование; математика; большие данные; базы данных; анализ больших наборов данных .

«DATA SCIENCE» — TEACHING EXPERIENCE

Glavatsky Sergei, Burykin Ilia M.V. Lomonosov Moscow State University 1 Leninskiye Gory, Moscow, 119991, Russia e-mails: serge@rector.msu.ru, ilia.burykin@sdo.msu.ru Abstract. The work outlines the author's concept of developing educational programs of special courses and special seminars for mathematical students who choose the specialization «Data Science». When creating a system of special courses and workshops, the authors adhered to the traditional teaching of mathematicians in classical universities. Taking into account the modern needs in qualitative training of specialists for solving regional problems, the authors also develop laboratory support for the implementation of student training projects using methods and algorithms of «data science» on modern software systems .

Keywords: higher education; mathematics; big data; database; data mining .

Введение .

В настоящее время происходит взрывной рост технологических решений и научных исследований в области больших наборов данных («Big Data»). В последние 10 лет методы обработки «больших данных» из экспериментальных новых технологий переросли в реализованные корпоративные системы. И это, в свою очередь, вызвало потребность в специалистах и исследователях, умеющих работать с «большими данными» .

Специализация «учёного по данным» или, другими словами, «специалиста по работе с большими наборами данных» («data scientist») сегодня считается одной из самых привлекательных, высокооплачиваемых и перспективных профессий .

Сейчас мы являемся свидетелями появления нового тренда — «большие данные + искусственный интеллект», в котором:

технологии «больших данных» используются для решения основных задач обработки данных;

«машинное обучение» используется для извлечения новых знаний из данных (в виде аналитических идей или действий) .

Подготовка специалистов упомянутого профиля на механико-математическом факультете МГУ имени М.В. Ломоносова в данный момент происходит в рамках набора дисциплин специализации, называемой «Наука о данных» («Data Science») .

В работе изложен опыт преподавания курсов по специализации «Наука о данных» для математиков.

При создании системы специальных курсов и практикумов мы придерживались принципа фундаментальности изложения материала:

строгая постановка задач исследования;

аргументированный выбор (математических) моделей данных и методов анализа;

http://spoisu.ru

34 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

разработка методов обработки данных и алгоритмов решения поставленных задач с использованием современных программных средств .

Основы концептуального подхода авторов изложены в работе [1] .

Такие требования в подготовке специалистов в «науке о данных» не представляется нам завышенными .

Так, по мнению Jeannette M. Wing [2], «мышление ученого, работающего в «науке о данных», означает большее, нежели представление о том, как написать программу для компьютера. От него требуется мышление на нескольких уровнях абстракции». Исходя из таких соображений, мы стараемся представлять в специальных курсах материал в строгом классическом стиле, сохраняя фундаментальный математический подход в изложении как более прикладных тем теоретической информатики в целом, так и «науки о данных» — в частности .

Основным тезисом здесь является заявление, что математика едина во всех сферах её приложений, и для того, чтобы успешно работать в прикладных областях, исследователю необходимо располагать серьёзной математической базой и иметь широкий математический горизонт. В этом мы видим принципиальное отличие от инженерной подготовки специалистов, когда, подчас, не требуется большая научная глубина в постановке и анализе задач, а в большей степени востребовано умение работать с ранее созданными библиотеками программ .

Тем не менее, авторы прекрасно понимают, что в современном мире вычислительные среды (включающие как программное, так и аппаратное обеспечение) быстро и часто меняются, и эти изменения создают новые условия для разработки и применения адекватных методов структурирования данных, их хранения и эффективности обработки. Поэтому исследователи, работающие в «науке о данных», должны быть способны гибко адаптироваться к изменениям такого рода. Они должны хорошо понимать взаимозависимость проблем математического моделирования и вычислительных проблем в своей работе. Так, исследователи должны понимать, что подгонка их математической модели данных к определенному виду может порождать вычислительные проблемы в работе алгоритмов, поэтому они должны располагать средствами для решения возникающих задач, которые могут включать в себя как модификацию модели, так и изменения в вычислительной среде, либо и то, и другое .

Учитывая современные потребности подготавливаемых специалистов в практической реализации их проектов уже на стадии обучения, мы также развиваем лабораторную поддержку используемых методов и алгоритмов «науки о данных» на современных программных комплексах .

1. Построение образовательной траектории .

«Наука о данных» или «даталогия» («Datalogy»), начиная с 70-х годов прошлого века, рассматривается как академическая дисциплина, а с начала 2010-х годов, во многом благодаря популяризации концепции «больших данных», — и как практическая межотраслевая сфера деятельности .

Существует множество подходов и точек зрения на содержание «науки о данных» и её месте в области прикладной математики и информатики.

Например, «науку о данных» можно классифицировать как раздел информатики, изучающий проблемы [3]:

анализа данных;

обработки данных;

представления данных в цифровой форме .

«Наука о данных» объединяет:

методы по обработке данных в условиях больших объёмов и высокого уровня параллелизма;

статистические методы;

методы интеллектуального анализа данных и приложения искусственного интеллекта для работы с данными;

методы проектирования и разработки баз данных (БД) .

Можно выделить следующие основные научно-инженерные направления «науки о данных»:

большие наборы данных, т.е. сбор и обработка больших объемов данных;

анализ данных и построение средств поддержки принятия решений;

разработка и использование статистических и математических моделей, алгоритмов и визуализаций;

интеллектуальный анализ данных, извлечение новых знаний;

бизнес-аналитика;

эконометрика;

статистика;

машинное обучение;

искусственный интеллект;

математическое моделирование .

Обычно, преподавание «науки о данных» содержит учебные планы по нескольким дисциплинам и осуществляется в рамках таких устоявшихся жизненно важных областей, как [4, 5]:

информатика / Computer science (CS2013);

компьютерная инженерия / Computer engineering (CE2016);

информационные системы / Information systems (IS2010);

информационные технологии / Information technology (IT2017 in progress);

разработка программного обеспечения / Software engineering (SE2014);

кибербезопасность / Cybersecurity (CSEC2017 in progress) .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

При этом каждая область обладает своей собственной идентичностью и педагогическими традициями .

Интересно также отметить, что, помимо вышеперечисленных, сформировавшихся областей, сейчас происходит разработка учебных планов непосредственно для «науки о данных» [5] .

Проблемы обучения студентов «науке о данных» и подготовки «учёного по данным» имеют свою специфику для классических университетов, готовящих специалистов в рамках программ академического высшего образования. Создание структуры образовательных курсов в «науке о данных» является задачей, во многом сравнимой с типичными задачами обработки больших данных: она ставится в таких же масштабных, неоднородных и быстро меняющихся условиях. Рассмотрению вариантов ее решения посвящены многие работы российских и зарубежных ученых (см., например, [6]) .

Во многом наш подход схож с построением Стэндфордского курса о добыче данных в Интернет (Web Mining) с акцентом на анализе данных большого объема. Мы также придерживаемся в изложении материала алгоритмического подхода: «извлечение данных — это применение алгоритмов к данным, а не использование данных для «обучения» той или иной машины» (см. [7]) .

При схожести тематик предлагаемых курсов в различных университетах, тем не менее, наблюдаются существенные различия, прежде всего, в глубине изложения предлагаемого учебного материала. Мы стараемся сохранить преемственность классического математического образования, распространяя этот подход и на область исследований, которая, с одной стороны, является прикладной, а, с другой — требует от исследователя знания серьёзного математического аппарата, навыков математического моделирования и умения предложить аргументированные методы анализа. К этому добавляется также и потребность в наличии определенного опыта создания проектов, так как вопросы адекватной интерпретации результатов обработки зачастую не могут быть решены без их содержательного математического обоснования .

Нами были определены следующие основные целевые показатели построения образовательной траектории студентов-математиков:

студент должен знать основы прикладной линейной алгебры (в объеме не менее годового университетского курса);

студент должен знать основы статистики и методы статистического анализа (в объеме не менее годового университетского курса);

студент должен знать основы моделирования данных, теорию реляционных баз данных, уметь проектировать структуры БД и знать основы языка SQL;

студент должен знать основные методы и алгоритмы интеллектуального анализа больших данных (линейные и нелинейные);

студент должен знать основы машинного обучения и построения нейронных сетей;

студент должен уметь работать (на административном и прикладном уровнях) с реляционной СУБД;

студент должен уметь программировать на языке Python (или R);

студент должен получить опыт реализации проектов с использованием программных платформ (фреймворков) развитых специальных сред, таких как Hadoop MapReduce или других;

студент должен уметь читать англоязычную литературу по тематике «науки о данных» .

Несомненно, этот набор целевых показателей не является завершенным и стационарным, развитие «науки о данных» будет требовать его постоянного обновления. От преподавателей требуется соблюдать его сбалансированность и соответствие актуальному состоянию этой сферы знаний .

2. Структура образовательного процесса .

Обычно в образовательных программах для будущих специалистов в «науке о данных» предполагается наработка компетенций в таких областях, как:

прикладная линейная алгебра, статистика;

моделирование, представление, целостность данных;

компьютерные алгоритмические языки и структуры данных;

методы и алгоритмы анализа больших данных;

методы представления данных и визуализации результатов обработки;

программное обеспечение задач обработки больших данных .

В настоящее время на механико-математическом факультете МГУ имени М.В.

Ломоносова, помимо общих курсов по таким разделам математики, как линейная алгебра, теория вероятностей и статистика, математическая логика, программирование и др., студентам и аспирантам предлагаются следующие специальные курсы:

1. Модели данных и базы данных (Data models and databases) — годовой курс по выбору кафедры, включающий в себя:

модели данных и основы систем баз данных (Data models and fundamentals of database systems) — полугодовой курс по выбору кафедры;

базы данных: дополнительные главы (Databases: additional chapters) — полугодовой курс по выбору студента .

2. Аналитика больших данных (Big Data Analytics) — годовой курс по выбору кафедры, включающий в себя:

аналитику больших данных: основные алгоритмы (Big Data Analytics: basic algorithms) — полугодовой курс по выбору кафедры;

http://spoisu.ru

36 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

аналитику больших данных: дополнительные главы (Big Data Analytics: additional chapters) — полугодовой курс по выбору студента .

3. Введение. в машинное обучение (Introduction to Machine Learning) — полугодовой курс по выбору студента, включающий в себя:

основные стратегии и алгоритмы машинного обучения;

нейронные сети, глубокое обучение .

Основными темами, изучаемыми в этих курсах, являются:

типы данных, структуры данных, модели данных;

представление данных, хранение и передача данных;

методы и алгоритмы первичной обработки данных, базы данных, языки манипулирования данными;

проектирование баз данных, языки определения данных, нормальные формы в проектировании реляционных баз данных;

структурированные и неструктурированные данные, хранилища данных;

анализ больших (неструктурированных) наборов данных, технологии распараллеливания обработки и сжатия информации;

задачи интеллектуального анализа больших наборов данных и проблемы больших объемов и размерностей;

вероятностные методы первичного сжатия данных, хеширование и статистические оценки;

задача обнаружения схожих документов, предлагаемые методы и алгоритмы, применение технологий распараллеливания обработки;

метрические пространства, кластерные методы в снижении размерности задачи;

рекомендательные системы, матричное представление данных, алгоритмы линейной алгебры и их использование в снижении размерности задачи;

«всемирная паутина» (WWW), методы сбора данных и первичного анализа;

структура «всемирной паутины» и ее использование в задачах ранжирования информации;

интеллектуальный анализ информационных процессов;

продвинутые техники баз данных, In-Memory базы данных как технологическая платформа для обработки больших наборов данных;

базы данных NoSQL как набор технологических платформ для обработки больших наборов данных;

основные методы машинного обучения;

построение и анализ нейронных сетей .

Предполагается, что слушатели курсов уже владеют материалом из основных курсов по: линейной алгебре и ее приложениям, по теории вероятностей и статистике, по программированию, по теории кодирования .

При этом, по нашему мнению, знание линейной алгебры слушателями является необходимым условием успешного прохождения обучения. Современными исследователями высказывается мнение (Skyler Speakman) [8], что «Линейная алгебра есть математика XXI века». С одной стороны, удивительно, а с другой стороны — очень интересно — наблюдать, как математическая дисциплина, фактически полностью сформировавшаяся к середине XIX века, становится весьма актуальной как в начале XX века, так и сейчас — в начале XXI столетия .

Актуальной, по крайней мере, для «учёного по данным», поскольку для понимания методов анализа «больших данных» необходимо знание таких тем как:

матричные операции;

проекции на гиперплоскости;

собственные значения и собственные векторы, алгоритмы их нахождения;

симметричные матрицы и их свойства;

собственное разложение матриц, главные компоненты;

LU-разложение матриц;

QR-разложение / факторизация матриц;

сингулярное разложение матриц (SVD);

ортогонализация и ортонормализация;

векторные пространства и нормы .

В качестве фундаментальных основ «науки о данных» студентам в обязательном порядке предлагаются также некоторые темы о структурированных данных:

модели данных, реляционная модель, реляционная алгебра, основные операторы, свойства, запись операторов в линейной и древовидной форме;

реляционная СУБД, язык SQL, структура, команды, выразимость, реализация основных функций ACID;

проектирование схем БД, функциональные зависимости, реализация алгоритмов замыкания множеств атрибутов и множеств зависимостей;

нормальные формы схем отношений, реализация алгоритмов декомпозиции в 3НФ и нормальную форму Бойса-Кодда;

концептуальное моделирование, ER-модель, преобразование в реляционную модель данных;

административное управление базами данных, преобразование схем БД, проверка целостности данных, восстановление данных .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

Все вышеупомянутые курсы характеризуются следующим:

они имеют теоретическую и практическую составляющие;

они являются, с одной стороны, взаимозависимыми, а с другой — не требуют обязательного предварительного изучения содержания остальных спецкурсов из предлагаемого набора;

они отражают как уже ставшие классическими модели и алгоритмы, так и современные методы, и понятия .

Предложенный набор специальных курсов является лишь частью полной образовательной программы студентов, специализирующихся по тематике «науки о данных». Мы акцентируем внимание на них, в первую очередь, потому, что их детальный контент является субъективным для различных образовательных учреждений и даже для различных факультетов. Специфика создания контента во многом определяется задачей соблюдения соответствия специальных курсов и общих курсов учебной программы. Для нас здесь главное — сохранение глубины и строгости изложения математического фундамента преподаваемых тем и разделов .

3. Лабораторная платформа .

Будущие специалисты в «науке о данных» должны быть готовыми к работе с данными, с которыми они обычно встречаются на рабочем месте. Например, представление данных в базах данных, очистка данных, полученных с веб-сайтов, анализ текстовых данных, обеспечение безопасности хранения конфиденциальных данных — все это требует определенных практических навыков работы в программных средах .

Для успешного восприятия материала курсов мы предлагаем студентам не только их теоретическую часть, но и практическую поддержку в виде выполнения конкретных проектов с использованием ряда предустановленных программных сред, в частности:

SAP SQL Anywhere 17 Developer Edition; и SAP HANA, Express Edition 2.0 (Virtual Machine Method) .

С помощью SAP SQL Anywhere мы знакомим студентов с:

моделированием данных в рамках концептуальной модели данных» сущность-связь» (ER);

проектированием реляционных баз данных (домены, таблицы, первичные и внешние ключи, индексы, ограничения целостности и т.д.);

декларативным (оператор SELECT, INSERT, UPDATE, DELETE) и императивным (хранимые процедуры) подходами к манипулированию данными с помощью языка SQL;

агрегированными запросами (COUNT, SUM, MAX, MIN, AVG, ROLLUP/CUBE/WINDOW clauses) и материализованными представлениями данных (Materialized views) .

В SAP HANA студент получает опыт работы с интеллектуальной библиотекой аналитики (Predictive

Analysis Library/PAL), которая включает в себя такие классические и универсальные алгоритмы как:

кластеризация (Clustering);

классификация (Classification);

регрессия (Regression);

ассоциация (Association);

временные ряды (Time Series);

статистика (Statistics);

анализ социальных сетей (Social Network Analysis) .

Платформа для хранения и обработки данных (SAP HANA Express Edition) рассматривается нами как прямое дополнение к читаемым спецкурсам:

управление данными в сложном ландшафте (SAP Vora) — как дополнение к спецкурсу «Модели данных и базы данных»;

инновационные сценарии в SAP S/4 HANA — как дополнение к спецкурсу «Аналитика больших данных» .

Использование предиктивных сервисов SAP для анализа больших данных представляет также следующие возможности:

разработка скоринговой модели (SAP Predictive Analytics automated analysis);

машинное обучение (Intelligent Enterprise): набор сервисов SAP Machine Learning Foundation и создание нейронных сетей;

интернет вещей (IoT): быстрая разработка IoT приложений;

блокчейн (Blockchain): сервисы и сценарии использования .

Для работы с помощью интерактивной аналитики с источниками «больших данных» в Hadoop-ландшафте (Apache Spark) и для изучения языка Spark SQL студент может воспользоваться SAP Vora 1.4 Developer Edition .

Таким образом, выбор в качестве основной лабораторной платформы SAP HANA был осуществлен нами сознательно, так как в ней, по мнению авторов, достаточно полно представлены средства моделирования данных и алгоритмы обработки, освещаемые нами в теоретических курсах .

Заключение .

Ориентация на сохранение классического, фундаментального подхода математического образования в преподавании учебных курсов «науки о данных» при полном понимании необходимости представления адекватного ответа на вызовы современности приводит к определенной перестановке акцентов в построении образовательной траектории. Здесь исключительно важно, с одной стороны, не отстраняться от необходимости рассмотрения актуальных потребностей студентов, связанных с их дальнейшим выбором сферы деятельности и http://spoisu.ru

38 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

успешным трудоустройством, а, с другой стороны, — не девальвировать главное завоевание отечественного образования — развитие серьезного самостоятельного творческого мышления студентов, что можно достичь исключительно путем освоения классических математических теорий .

Мы стараемся сохранить завоевания многолетнего опыта классического образования, и ставим во главу угла именно математическую составляющую, что позволяет далее студентам грамотно подойти к решению задач информатики. Такой образовательный подход, в той или иной форме, поддерживается многими серьезными исследователями и специалистами современного «цифрового» общества [6] .

СПИСОК ЛИТЕРАТУРЫ

Glavatsky S., Burykin I. About courses cycle «Data science and data mining for mathematicians» // CEUR Workshop Proceedings (CEURWS.org): Selected Papers of the XI International Scientific-Practical Conference Modern Information Technologies and IT-Education (SITITO 2016), Moscow, Russia, November 25-26, 2016. 2016. Vol. 1761. P. 58–63. URL: http://ceur-ws.org/Vol-1761/paper07.pdf (дата обращения:

14.05.2018) .

Wing J.M. Computational Thinking // Communications of the ACM. 2006. Vol. 49, № 3. P. 33–35 .

2 .

Наука о данных [Электронный ресурс] / Википедия [сайт]. URL: https://ru.wikipedia.org/wiki/Наука_о_данных (дата обращения:

3 .

14.05.2018) Сухомлин В.А. Международные образовательные стандарты в области информационных технологий // Прикладная информатика. 2012 .

4 .

№ 1 (37). С. 33–54 .

Computing Curriculum Committee [Электронный ресурс] / IEEE [сайт]. URL: https://www.computer.org/web/peb/curricula (дата обращения:

5 .

14.05.2018)

6. De Veaux R.D. Curriculum Guidelines for Undergraduate Programs in Data Science / De Veaux Richard D., Agarwal Mahesh, Averett Maia, Baumer Benjamin S., Bray Andrew, Bressoud Thomas C., Bryant Lance, Cheng Lei Z., Francis Amanda, Gould Robert, Kim Albert Y., Kretchmar Matt, Lu Qin, Moskol Ann, Nolan Deborah, Pelayo Roberto, Raleigh Sean, Sethi Ricky J., Sondjaja Mutiara, Tiruviluamala Neelesh, Uhlig Paul X., Washington Talitha M, Wesley Curtis L., White David, and Ye Ping // Annual Review of Statistics and Its Application. 2017. Vol. 4. P. 15–

30. URL: https://www.annualreviews.org/doi/pdf/ 10.1146/annurev-statistics-060116-053930 (дата обращения: 14.05.2018) .

Лесковец Ю., Раджараман А., Ульман Дж. Анализ больших данных. Москва: ДМК, 2016 .

7 .

The Mathematics of Machine Learning [Электронный ресурс] / Towards Data Science [сайт]. URL: https://towardsdatascience.com/themathematics-of-machine-learning-894f046c568 (дата обращения: 14.05.2018) .

УДК 001.11

РАЗВИТИЕ И ПОДДЕРЖКА СОВРЕМЕННЫХ СИСТЕМ НАУЧНОГО ПРОГРАММНОГО

ОБЕСПЕЧЕНИЯ

Журавлева Елена Юрьевна Вологодский филиал федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации»

Ленинградская ул., 71, Вологда, 160002, Россия e-mail: eresearch7@gmail.com Аннотация. Статья посвящена выявлению принципов для создания, развития и поддержки систем научного программного обеспечения как важной основы для продвижения научных исследований. В статье рассматриваются изменения, связанные с применением программного обеспечения в науке; отличия развития научного программного обеспечения от развития традиционных бизнес-систем программного обеспечения;

критические точки при создании качественного научного программного обеспечения. Программное обеспечение является основанием исследовательских процессов во многих дисциплинах, но часто общепринятые практики в развитии и поддержке научного программного обеспечения можно обозначить как неэффективные и/или устаревшие. Преодоление этой проблемы возможно в комбинировании принципов традиционной «правильной научной практики» (повторное использование, воспроизводимость, прозрачность и контроль качества) и инженерии программного обеспечения (систематическое повторное использование кода, проектирование структур, систематическое тестирование и качество гарантий) .

Ключевые слова: научное программное обеспечение; системы научного программного обеспечения;

качество и поддержка научного программного обеспечения; принципы создания систем научного программного обеспечения .

DEVELOPMENT AND SUPPORT OF MODERN SYSTEMS OF SCIENTIFIC SOFTWARE

Zhuravleva Elena Russian Academy of National Economy and Public Administration, the Vologda branch 71 Leningradskaya Str., Vologda, 160002, Russia e-mail: eresearch7@gmail.com Abstract. The article is devoted to the study of the principles for the creation, development and support of scientific software systems as an important basis for the advance of scientific research. The article deals with changes related to the use of software in science; differences in the development of scientific software from the development of traditional business systems; critical points in the creation of high-quality scientific software. The software is the basis for research processes in many disciplines, but often common practices in the development and support of scientific software can be identified as inefficient and / or obsolete. Overcoming this problem is possible in combining the principles

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

of traditional «good scientific practice» (reuse, reproducibility, transparency and quality control) and software engineering (systematic code reuse, structural design, systematic testing and quality of guarantees) .

Keywords: scientific software; a system of scientific software; quality and support scientific software; principles of the creation of scientific software systems .

В настоящее время научно-исследовательские инициативы университетов, лабораторий, институтов, компаний, федеральных агентств поддерживают развитие огромного количества систем научного программного обеспечения (ПО), а многочисленные сообщества научных пользователей начинают зависеть от поддержки этих систем .

В это случае программное обеспечение, особенно в контексте исследования, не только инструмент и среда, но также коллективный интеллектуальный продукт и фундаментальная ценность для построения научного знания. Согласно исследованиям 2009, 2014 гг. [9, 10] более чем 90 % ученых признают программное обеспечение в качестве важной части собственного исследования и примерно 70% считают, что их исследования без него не осуществимо .

Дж. Макреггор с коллегами [15] полагают, что программное обеспечение является критическим и распространяющимся повсюду компонентом киберинфраструктуры для науки и инженерии, связующим элементом между аппаратурой, сетью, данными и пользователями, создаваемый с целью поиска нового знани я в рамках инфраструктуры. При этом программное обеспечение является наименее скоординированным в плане систематического финансирования компонентом киберинфраструктуры .

Научное программное обеспечение определяется тремя характеристиками [13]. Во-первых, развивается в ответ на научный проблемный вопрос. Во-вторых, его создание и развитие предполагает тесное взаимодействие экспертов из различных научных сфер. И, в-третьих, программное обеспечение обеспечивает данными исследователей, которые стремятся получить ответ на исследовательский вопрос .

В целом, научное программное обеспечение – это специальная категория программного обеспечения, которая включает в себя ПО, развиваемое для поддержки различных научных изысканий, которые сложны или невозможны к представлению экспериментально или их невозможно осуществить без вычислительной поддержки.

Эту категорию программного обеспечения, по меньшей мере, составляет:

Программное обеспечение, которое решает задачу (включая и проблему интенсивных данных) вычислительно. Оно распределяется от масштабных симуляций физического феномена исполняемых на суперкомпьютерах до малых симуляций, развиваемых и используемых группами ученых и инженерами на настольном компьютере .

Приложения, которые поддерживают научные исследования и эксперименты, включающие в себя системы, которые управляют огромным набором данных .

Системы, которые предоставляют поддержку от инфраструктуры, например, программное обеспечение среднего уровня, каталоги программного обеспечения .

Библиотеки для математического и научного программирования, например, линейной алгебры и символических вычислений [12] .

Дж. Костер [19] идентифицировал два важных изменения, связанных с использованием программного обеспечения в науке на данный момент. Первое заключается в кризисе автоматизации, который выражается в разобщенности между программным обеспечением и данными, полученными в результате действительно масштабного ручного труда, что ограничивает масштабируемость проекта. Второе изменение касается качества программного обеспечения и вызван краткосрочными проектами со всегда переменным штатом, что в результате приводит к уменьшению поддержки программного обеспечения .

Развитие научного программного обеспечения значительно отличается от развития традиционных информационных бизнес-систем ПО, в которых инженеры программного обеспечения получили лучшие практики и инструменты. Эти различия проявляются в различных фазах жизненного цикла программного обеспечения .

Во-первых, ученые являются не только активными пользователями научного программного обеспечения, но его основными производителями. 90 % ученых развивающих программное обеспечение первоначально обучались самостоятельно и, в этом Г. Уилсон и его коллеги [21] обнаруживают недостаток «рисков – стимулов» к адаптации практик развития программного обеспечения, которые являются широко распространенным в сфере инженерии программного обеспечения. В результате, программное обеспечение, которое производится для исследователей не всегда соответствует стандартам, обеспечивающих качество и поддержку [4] .

Вторая особенность заключается в особых требованиях к научному программному обеспечению, которые должны учитывать следующие факторы:

риски, связанные с разведкой относительно неизвестного изучаемого феномена;

риски, обусловленные неотъемлемой сложностью научного домена (сферы);

постоянные изменения в ПО, связанные с обратной связью от результатов исследования .

Далее должны учитываться зависимости «проект-данные» в пределах программного обеспечения .

Следующая особенность систем научного программного обеспечения связана с кодированием, для которого требуется высокоспециализированный набор умений в численных алгоритмах и системах (по сокращению http://spoisu.ru

40 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

преобразований). Также для систем научного программного обеспечения важна легализация и верификация полученных результатов (промежуточных и итоговых), которые весьма сложно предсказать [12] .

Итак, научный прогресс все больше зависит от использования и развития программного обеспечения, а также комбинации его различных компонент. Но научное программное обеспечение и лежащие в его основе платформы аппаратного обеспечения быстро эволюционируют. Иногда использование различных версий программного обеспечения и операционных систем при обработке сложных данных может приводить к совершенно различным результатам и, таким образом, не соответствовать принципу воспроизводимости .

Неполная документация и неопределенность качества программного обеспечения препятствует пониманию, повторному использованию и воспроизводимости сгенерированных результатов. В дополнении к этому, имеющиеся в распоряжении хранилища кодов программного обеспечения, которые развивались для индустриальных сообществ и сообществ открытых источников не удовлетворяют требованиям научного сообщества для поддержки использования программного обеспечения в науках [8] .

Научные исследования полагаются на компьютерное программное обеспечение, но программное обеспечение не всегда развивается вследствие практик, которые обеспечивают качество и поддержку. Более того, как предполагает З. Мэрали [16], если научные исследования становятся весьма зависимыми от развития программного обеспечения, то они могут быть прерваны отсутствием хороших практик инженерии программного обеспечения, которые требуются для развития высококачественного программного обеспечения .

Дж. Гупта выделяет четыре критические точки при создании качественного научного программного обеспечения [7] .

Во-первых, недостающие требования к ПО, означающие то, что в результате программное обеспечение неспособно обращаться со всеми возможными вводами данных и обращениями пользователя .

Во-вторых, некорректные требования к программному обеспечению, что в результате приводит к тому, что программное обеспечение устаревает, не отражая реальных требований пользователя .

В-третьих, существует вероятность программных ошибок, которые возникают по вине программиста .

Для примера, исследование 2014 г., основанное на сканировании кода алгоритмов обнаружило 0,61 ошибку на 1 тыс. линию кода в проектах открытых источников и 0,76 ошибок на 1 тыс. линию кода в коммерческом ПО [3]. Известно, что определенные ошибки не обнаруживаются при тестировании и могут находится в системе программного обеспечения до тех пор, пока они не активизируется особенной комбинацией ввода .

В-четвертых, операционные ошибки, т. Е. такого вида ошибки, которые возникают в результате выполнения кода на аппаратном обеспечении, что является следствием того, что некоторые пользователи не понимают ограничений кода и используют программное обеспечение как «черный ящик» .

Дополнительные проблемы относительно создания научного программного обеспечения заключаются в быстром изменении требований к программному обеспечению; в давлении по поводу быстрого производства научных публикаций (время в этом случае выступает фактором напряжения вместо фактора функциональности); в конкуренции между поддержкой и превращением кода [20] .

Отдельной проблемой являются собственно вычислительные ошибки исследования, которые выявляются во многих случаях только тогда, когда отзывы на исследовательскую статью угрожают уничтожить сделанное годами тяжелой работы .

По мнению К. Алдена и М. Рида для выявления полноценного потенциала науки, основанной на вычислениях, инженерия программного обеспечения должна быть на вершине качества во всех отношениях [1] .

Таким образом, когда инструменты научного программного обеспечения становится популярным внешним миром исследовательской группы, которая развивает их, непрерывное использование систем научного программного обеспечения является точкой риска для продвижения научных целей .

Научные результаты зависят от непрерывной поддержки не только целевых пакетов программного обеспечения, но также от непрерывного сохранения экосистем, от которых зависит программное обеспечение [15] .

Поддержка научного программного обеспечения возможна во взаимосвязи внутренних и внешни х аспектов. Внутренние (аспекты научного программного обеспечения сами по себе) включают в себя документацию, тестируемость, модульность, библиотеки, мощность, масштабность и т. П. Внешние (среда научного программного обеспечения) аспекты затрагивают открытость, способность распределяться, собственно активно поддерживаемые источники независимые от инфраструктурной поддержки [5] .

При создании систем научного программного обеспечения предполагается учитывать два вида принципов. Первый вид – это фундаментальные принципы «правильной научной практики» такие как повторное использование, воспроизводимость, прозрачность и контроль качества должны быть также применимы к развитию и использованию исследовательского программного обеспечения. В этом аспекте, повторное использование и поддержка работоспособности программного обеспечения и связанных с ним источников кода является одной из ключевых перемен [19] .

Необходимо заметить, что традиционное понимание понятия «научной воспроизводимости» при развитии вычислительных наук (и соответственно исследований, основанных на ПО) постепенно изменяется .

Одним из первых, кто осознал требования воспроизводимости в вычислительной науке, был геофизик Дж .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

Клербо. Вопроизводимость по Дж. Клербо это способ организации вычислительных исследований, который позволяет как авторам, так и читателям публикаций подтвердить результаты опыта [11] .

Вопроизводимость исследования создает доверие в науках, основанных на программном обеспечении .

Открытые источники программного обеспечения, включая рабочие потоки в долговременных архивах, становятся цитабельными и, следовательно, связанными с данными и статьями .

Дж. Китц и его коллеги предлагают в этом случае ввести понятие «вычислительной воспроизводимости». Исследовательский проект вычислительно воспроизводим, если второй испытатель может повторно создать финальные опубликованные результаты проекта, включая в себя ключевые количественные основания, таблицы, фигуры, данные только набором файлов, написанных по инструкции [14] .

Еще одно из решений по увеличению научной воспроизводимости придумал Р. Пэн, предложив схему «спектра воспроизводимости» [18]. С позиций спектра воспроизводимости, воспроизводимость не включает в себя повторение деталей производства данных, но скорее начинает способствовать добыче одинаковых результатов, когда выполняется данный набор данных посредством одинаковых алгоритмов .

Второй вид принципов – это установленные принципы инженерии программного обеспечения, заключающиеся в систематическом повторном использовании кода, проектировании структур, систематическом тестировании и качестве гарантий. П. Аертс добавляет к этим принципам еще и способность к поиску, доступность и интероперабельность [17] .

Итак, прогресс в научных исследованиях зависит от качества и доступности исследовательс кого программного обеспечения на всех уровнях [2]. Качество научного программного обеспечения становится критическим для производства и распространения знания. Программное обеспечение является основой для исследовательских процессов широкой сферы современных научных дисциплин, но многие общепринятые практики в развитии и поддержке научного программного обеспечения являются неэффективными и/или устаревшими. Преодоление этой проблемы возможно в комбинировании принципов «правильной научной практики» и инженерии программного обеспечения .

Исследование выполнено при финансовой поддержке РФФИ, проект «Софтверизация современной научно-исследовательской деятельности: эпистемологические основания» № 16-03-50064 .

СПИСОК ЛИТЕРАТУРЫ

Alden K., Read M. Scientific software needs quality control // Nature. 2013. №502 (7472). P. 448 .

1 .

Better software leads to better science. URL: https://www.nordforsk.org/en/news/better-software-leads-to-better-science (дата обращения:

2 .

01.02.2018) .

Coverity scan open source report 2014. http://go.coverity.com/rs/157-LQW-289/images/2014-Coverity-Scan-Report.pdf (дата обращения:

3 .

25.06.2018) .

4. Crouch S., Chue Hong N., Hettrick S., Jackson M., Pawlik A., Sufi S., Carr L., De Roure D., Goble C., Parsons M. The Software Sustainability Institute: Changing Research Software Attitudes and Practices // Computing in Science & Engineering. 2013. Vol.15. №6, P. 74-80 .

de Souza M. R., Haines R., Jay C. Defining Sustainability through Developers’ Eyes: Recommendations from an Interview Study // 2nd Workshop 5 .

on Sustainable Software for Science: Practice and Experiences (WSSSPE2). 2014 .

Goble C. Better Software, Better Research // IEEE Internet Computing, 2014. Vol. 18, № 5, P. 4–8 .

6 .

7. Gupta J. Application of Hazard and Operability (HAZOP) Methodology to Safety-Related. Scientific Software. Dissertation. The Ohio State University. 2014. URL: https://etd.ohiolink.edu/!etd.send_file?accession=osu1398983873&disposition=inline (дата обращения: 15.01.2018) .

8. Hammitzsch M., Klump J. Publication and citation of scientific software with persistent identiers // Geophysical Research Abstracts Vol. 16,

EGU2014-8363, 2014, General Assembly European Geosciences Union (Vienna 2014). URL:

http://meetingorganizer.copernicus.org/EGU2014/EGU2014-8363.pdf (дата обращения: 01.03.2017) .

9. Hannay J. E., MacLeod C., Singer J., Langtangen H. P., Pfahl D., Wilson G. How Do Scientists Develop and Use Scientific Software? // Software Engineering for Computational Science and Engineering, ICSE Workshop. 2009 .

10. Hettrick S., Antonioletti M., Carr L., Chue Hong N., Crouch S., De Roure D., Emsley I., Goble C., Hay A., Inupakutika D., Jackson M., Nenadic A., Parkinson T., Parsons M., Pawlik A., Peru G., Proeme A., Robinson J., Sufi S. UK Research Software Survey 2014// ZENODO, 2014. Web .

4 December 2014. URL: http://zenodo.org/record/14809#.VVYGSo7tlHw (дата обращения: 15.03.2017) .

11. Hey T., Payne M. C. Open science decoded // Nature Physics. 2015.Volume 11. Issue 5. P. 367-369 .

12. Jeffrey C. C., Chue Hong N.P., Thiruvathukal G. K. Software Engineering for Science, 20.10.2016 by Chapman and Hall/CRC .

URL: www.crcpress.com/Software-Engineering-for-Science/Carver-Hong-Thiruvathukal/p/book/9781498743853 (дата обращения: 01.12.2017) .

13. Kelly D. An Analysis of Process Characteristics for Developing Scientific Software // Innovative Strategies and Approaches for End-User Computing Advancements, edited by Ashish Dwivedi and Steve Clarke. Hershey: IGI Global. 2011. 23, 4 (October 2011). P. 64-79 .

14. Kitzes J., Turek D., Deniz F. (Eds.) The Practice of Reproducible Research: Case Studies and Lessons from the Data-Intensive Sciences. University of California Press. 2018 .

15. McGregor J. D., Monett J. Y., Ingram J. E. Scientific Research Software. URL:

http://www.eclipse.org/community/eclipse_newsletter/2015/january/article4.php (дата обращения: 01.12.2017) .

Merali Z. Computational science: Error, why scientific programming does not compute // Nature. 2010. №467 (7317). P. 775-777 .

16 .

17. Patrick J. C. Aerts Solid scenarios for sustainable software. URL: https://blogs.tib.eu/wp/tib/2017/05/30/wissenschaftliche-software-es-gibt-nochviel-zu-tun/ (дата обращения: 01.09.2017) .

Peng R. D. Reproducible Research in Computational Science // Science. 2011. №334, P.1226–1227 .

18 .

Research Software in Germany – a brief report on efforts in autumn 2016. URL: https://www.software.ac.uk/blog/2016-12-19-research-softwaregermany-brief-report-efforts-autumn-2016 (дата обращения: 01.10.2017) .

20. Software for Science U!REKA Edinburgh 2017. URL: http://www.amsterdamuas.com/binaries/content/assets/subsites/consortiumhogescholen/consortiumedingb/presentations/smartcity_teitsma_et_al.pdf?1512215519623 (дата обращения: 01.02.2018) .

Wilson G., Aruliah D.A, Brown C.T, Chue Hong N.P., Davis M., Guy R.T., et al. Best Practices for Scientific Computing // PloS Biol 2014. №12 21 .

(1). URL: http://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.1001745 (дата обращения: 01.03.2017) .

http://spoisu.ru

42 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

УДК 51.7

МОДЕЛИРОВАНИЕ ПОЗНАВАТЕЛЬНЫХ ПРОЦЕССОВ В ОБЩЕМ БАЗИСЕ МОДЕЛЕЙ

Микони Станислав Витальевич Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mail: smikoni@mail.ru Аннотация. Рассмотрены свойства, присущие любой модели и образующие базис моделей .

Универсальность базиса использована для формализации всех компонентов познавательной деятельности:

создания моделей, средств их создания и среды моделирования. Применение моделей, порождённых из базиса, продемонстрировано на формализации идеи и этапов познавательного процесса .

Ключевые слова: модель; базис моделей; функция; структура; операция; познавательный процесс .

MODELING OF COGNITIVE PROCESSES IN THE GENERAL BASIS OF MODELS

Mikoni Stanislav St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mail: smikoni@mail.ru Abstract. The properties inherent in any model and forming a basis of models are considered. The universality of the basis is used for the formalization of all components of cognitive activity: the creation of models, the means of their creation and the modeling environment. The application of models generated from a basis is demonstrated by formalizing the idea and stages of the cognitive process .

Keywords: model; basis of models; function; structure; operation; cognitive process .

Введение .

Как справедливо утверждается в [1] «все наши знания, явные (описуемые) и неявные (неосознаваемые), существуют только в виде моделей. Даже абстрактные (мыслительные) модели в нашем мозгу или интуитивные и рефлекторные модели поведения воплощены в виде определённых состояний нейронов и связей между ними .

Поэтому можно сказать, что модель есть материальный носитель информации». Поскольку моделирование конкретного объекта производится для определённой цели, существует потребность в классификации моделей .

Классификации предметных областей зависят от системообразующих признаков и типов классификации, привлекаемых для решения поставленной задачи [2-5] .

Познавательные процессы инвариантны относительно предметных областей. Поэтому свойства моделей познавательных процессов не должны зависеть от употребляемых средств формализации и моделирования. В работе [6] были предложены элементарные свойства, присущие любой модели, что позволяет назвать их общим базисом моделей. В настоящей работе кратко рассматривается общий базис моделей и его использование для моделирования познавательных процессов .

Общий базис моделей. В основу общего базиса моделей положена реляционная система (модель) B = A, C, R и алгебра A = A, C, F, представляющие собой частные случаи многосортной алгебраической системы (структуры). А она, в свою очередь, является моделью языка предикатов первого порядка .

Реляционную систему B наследует структурная модель (С-модель), отражающая связи между элементами системы.

Элементы с именами из множества C принадлежат носителю A, а связи между элементами a A принадлежат отношению смежности Rс:

Mс = A, C, Rс. (1) При интерпретации символов A и Rс реляционной системы множествами вершин V и связей E между ними (ребер и/или дуг) переходим к модели графа G = (V, C, E) .

Алгебру A наследует функциональная модель (Ф-модель), представляющая отображение области определения функции в область значений: f: X Y.

Она отражает только связь между входными и выходными переменными выражения y = f(x1, …, xn) и описывается следующей тройкой множеств:

Mф = X, Y, F, (2) где X Y = A, f F. В частном случае X = Y = A .

В алгебре A функциям ставятся в соответствие одноименные операции, например, сложение или умножение. Свойства операций определяются относительно элементов носителя A, являющихся их аргументами .

По имени известной функции можно установить результат отображения f. Его можно получить только в том случае, если Ф-модель разрешима. Этой проблеме, в частности, посвящена работа [7]. Применительно к численному решению задачи функция называется вычислимой, если существует вычисляющий ее алгоритм. Он отвечает требованиям определенности, конечности числа шагов, массовости и результативности. Заметим, что в широком смысле под алгоритмом понимается набор правил, предназначенный для решения некоторой задачи .

Например, алгоритм технологического процесса оформляется в виде технологической карты. Обобщая

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

вычислимость на параллельные вычисления, назовем модель, раскрывающую функцию через совокупность последовательных и/или параллельных операций, операционной или О-моделью .

Любой сущности (т.е. тому, что существует) присуща роль, выделяющая её среди остальных, строение и состояние движения/покоя. Эти свойства сущности и отражаются соответственно Ф-, С- и О-моделями, что и доказывает полноту общего базиса моделей. В реальных задачах элементарные свойства моделей применяются в различных комбинациях. Например, для решения задачи Ф-модель и СФ-модель должны содержать операционную составляющую. В совокупности с ней разрешимые модели обозначаются как ФО- СФО-модели .

Выполнимая модель. ФО- и СФО-модели, не подготовленные к выполнению в среде моделирования, относятся к классу описательных или D-моделей (от Descriptive). Они существуют, но не погружены в среду моделирования. Примером может являться знание человеком иностранного языка, но невозможность моментально воспользоваться им без должной практики. Для этого человеку нужно сделать «перезагрузку» мозга в нужную языковую среду и поупражняться в этой среде. Примером D-модели в программировании является исходный текст программы .

Описательная модель, погружённая в среду моделирования, т.е. представленная на её языке, относится к классу выполнимых или E-моделей (от Executable model). Примером E-модели является компилированная программа, готовая к выполнению. Соответствующие файлы имеют расширения языка программирования и выполнения (*.exe от executive). Выполняемая версия модели активна в породившей её системе моделирования .

Поскольку среда моделирования также описывается моделью, существует необходимость введения понятия модель среды моделирования. В широком смысле под ней будем понимать любую естественную или искусственную среду .

Примером естественной среды моделирования является мозг человека, а искусственной среды – всё то, что им создано, например, программная система моделирования. Именно её и будем понимать в узком смысле под моделью среды моделирования («машинной» M-моделью). Она, в свою очередь, может быть выражена через модели, входящие в базис моделей и их комбинации .

Машинной формой О-модели (ОМ-моделью) является, например, структурированный запрос, запрограммированный на языке SQL (Structural Query Language). Примером выполнимой ФО-модели (ФОМмоделью) служит модуль динамической библиотеки в программной системе. Примером выполнимой СФОмодели в объектно-ориентированном программировании (СФОМ-моделью) является класс, объединяющий структуру данных и операции над ними .

Все разновидности моделей, описанных выше, сведены в таблицу 1 .

В верхней половине таблицы приведены 5 разновидностей описательных моделей, а в нижней половине – 5 разновидностей выполнимых моделей, встроенных в среду моделирования. Из них самодостаточными (разрешимыми) являются описательные ФО- и СФО-модели, и выполнимые ФОМ- и СФОМ-модели .

Таблица 1

–  –  –

Разновидности моделей, включая М-модель, приведённые в таблице 1, представляют собой комбинации С-, Ф-, О-моделей. Они необходимы и достаточны для моделирования любого объекта как изолированно, так и в составе среды моделирования и не зависят от сферы применения .

Рассмотрим применение этих моделей в задачах формализации идеи и познавательного процесса .

От идеи к её оформлению. В широком смысле идея (др.-греч. «вид, форма; прообраз») – это мысленный прообраз какого-либо действия, предмета, явления, принципа, выделяющий его основные, главные и существенные черты. Обычно она выражается в форме некоторого ключевого слова или словосочетания, которое можно принять за Ф-модель идеи.

Процесс возникновения идеи описывается О-моделью озарения fо:

fо: Ф … Ф Ф. (3) Для упрощения символом Ф обозначено множество, как слов, так и образов, объясняемых словами .

Различное их сочетание порождает идею Фо Ф. На следующем этапе требуется охарактеризовать идею Фо ответами на вопросы: зачем, почему, что (кто) такое, как устроено, как действует, где и когда? Ответы представляются О-моделью выбора fв: Ф B, где ответ B = 1 из двух значений 0 и 1 соответствует выбору http://spoisu.ru

44 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

понятия Фi из перечня Ф. В процессе ответов на вопросы между определяемым понятием Ф о и поясняющими его понятиями Фi, i=1, 2… образуются суммативные связи [8], комплексно характеризующими Ф о. С-модель связей между вершинами, представляющими Ф-модели понятий, образуют СФ-модель идеи. Последовательным применением О-модели выбора fв она конкретизируется до нужной степени детальности .

Формализация моделирования процесса познания. Познание является многоэтапным процессом извлечения информации из первичных данных, полученных в результате прямого взаимодействия с познаваемым явлением, объектом, процессом [1] .

Р. Акофф в образной форме предложил различать пять уровней познания [9]: «Содержание людских умов и, следовательно, то, чему можно обучиться, разделяется на пять классов: данные, информация, знание, понимание, мудрость». Он представил их в форме ступеней «пирамиды познания» .

На каждом уровне познания происходит обогащение знания об объекте познания – от примитивного знания фактов через создание индивидуальной модели знания до мудрости его применения. В [1] правомерно утверждается, что «на каждом уровне познания происходит построение следующей новой модели знания, последовательное углубление переработки исходной эмпирической информации» .

Представим процесс познания с применением предложенных типов моделей и приведённого примера проектирования онтологической модели [10]. Прежде всего, следует отделить поэтапно формируемую модель знания об объекте познания (ОП) от знания, используемого для создания этой модели. Назовём это знание инструментальным (сокращённо ИЗ), поскольку оно используется как инструмент для формирования нового знания .

Каждая процедура перехода от одного к другому этапу познания требует применения своих типовых моделей .

Рассмотрим взаимодействие моделей ИЗ и ОП на каждом этапе познавательного процесса. Если предположить, что процесс познания начинается с добычи данных об объекте познания и завершается мудростью, как умением правильно применить полученное знание в конкретной обстановке, то моделирование процесса познания должно охватывать как поэтапно преобразуемую модель знания об объекте познания, так и применяемые на каждом этапе модели инструментального знания .

Модели ИЗ и среды моделирования, участвующие в формирования модели знания на каждом этапе познания, сведены в таблицу 2 .

Таблица 2

–  –  –

Во втором столбце табл. 2 приведены наименования всех этапов познавательного процесса. В третьем столбце таблицы приводятся модели инструментального знания, а в последнем столбце – модели среды моделирования, участвующие в формировании модели знания (четвёртый столбец таблицы), соответствующей данному этапу познавательного процесса. Поясним их для каждого этапа процесса познания .

Сырые данные. Они являются результатом добычи данных из найденного источника данных [11]. На этапе извлечения знания привлекаются многоуровневые СФ- и О-модели поиска источника данных. Применительно к приведённому примеру эти модели представляют каталоги литературных источников и способы поиска нужных данных с применением соответствующих О-моделей. В общем случае результатом поиска является начальная модель знания Aсд,, где Aсд представляет собой множество «сырых» (необработанных) данных, например,

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

слов изучаемой ПрО. При машинной реализации познавательного процесса данные фиксируются в базе данных (БД), для чего проектируются ER-модель (СФ-модель) и О-модели процедур загрузки и запроса данных .

Обработанные данные. «Сырые» данные подвергаются предварительной обработке. В примере обработка заключается в выделении из найденных данных определений очередного термина ПрО. Получаемая модель предметного знания Aод, содержит множество обработанных данных Aод. Предварительная обработка данных может предшествовать их фиксации в БД с целью экономии её объёма. В примере экономия заключается в запросе не всей информации, а только определений очередного термина .

Информация. Под информацией, требуемой для создания онтологической модели, в примере подразумеваются определения всех включённых в модель понятий. На этом этапе формируется определение, содержащее существенные признаки всех частных определений каждого понятия. Эта операция соответствует формированию класса определений обобщённого понятия. Следовательно, инструментальное знание этого этапа должно содержать Ф-модели понятий-классов .

Процедура классифицирования (формирования классов) выполняется с применением отношения классификации Rкл (С-модели на множестве Aод) и О-модели классифицирования. Результатом этого процесса является фактор-множество Aод / Rкл. Элементы каждого класса по отношению Rкл представляют собой множество: Ak / Rкл = {x/Rкл: xAk}, k 1, m. По терминологии [9] k-й класс Ak / Rкл, k 1, m, представляет собой состав (нуль-граф функций элементов) k-й модели знания .

Знание «как устроено». Для структурирования k-й модели знания используются С-модели отвлечённых или предметных типов отношений на множествах данных. На основе Ф-моделей классов и О-модели структурирования создаётся СФ-модель знания. Для определения взаимосвязи понятий, на основе численных данных используется корреляционная матрица. Высокое значение коэффициента корреляции указывает на необходимость анализа на предмет возможной содержательной взаимосвязи понятий. При её наличии формируется окончательная СФ-модель ПрО .

Знание «как действует». Разрешимость СФ-модели ПрО обеспечивается разработкой О-модели .

Полученная СФО-модель представляет собой модель знания ПрО .

Умение. Умение воспользоваться СФО-моделью полученного знания требует освоения М-модели среды моделирования. С привлечением М- и О-моделей среды моделирования СФО-модель нового знания представляется и решается на языке среды моделирования .

Понимание. Для подтверждения правильности полученной модели знания привлекаются СФ- и О-модели аналогичного знания. При положительном исходе сопоставления СФО-модель нового знания включается в состав имеющегося знания .

Мудрость. Для решения проблемы применимости нового знания привлекаются М- и О-модели внешней среды. Решение принимается при нахождении соответствия СФОМ-модели знания и М-модели текущего состояния внешней среды (ВС) .

Заключение .

Базис моделей, позволяющий комбинировать элементарные свойства любой модели, представляет собой универсальное средство моделирования. Он принимается за основу любой предметной модели и является достаточным для моделирования процессов, общих для любой предметной области. Таковыми являются процессы познания (приращения имеющегося знания). Модели, порождаемые общим базисом, применимы для формализации всех компонентов познавательной деятельности: создания моделей, средств их создания и среды моделирования .

СПИСОК ЛИТЕРАТУРЫ

Тарасенко Ф.П. Моделирование и феномен человека. Часть I. Моделирование – инфраструктура взаимодействия человека с реальностью .

1 .

– М.: Научные технологии. 2012. – 136 с .

2. Волкова В. Н., Козлов В. Н., Магер В. Е. [и др.]. Классификация методов и моделей в системном анализе // Сборник докладов XX Международной конференции по мягким вычислениям и измерениям (SCM-2017). 24-26.05.2017. – СПб. : СПбГЭТУ(ЛЭТИ), 2017. – С .

223-226 .

3. Тарасенко Ф. П. Прикладной системный анализ: Наука и искусство решения проблем : учебник. – Томск, 2004. – 186 с .

4. Теория систем и системный анализ в управлении организациями: справочник. Под редакцией В.Н. Волковой и А.А. Емельянова. –М.:

Финансы и статистика, 2009. – 845 с .

5. Микони С.В., Дегтярев В.Г., Ходаковский В.А., Кударов Р.С. Сопоставление классификаций моделей, основанных на двух альтернативных подходах. Известия ПГУПС. 2017. Вып. 4. ISSN 1815-588Х. С. 174-185 .

6. Микони С.В. Формализация познавательного процесса на основе базиса моделей // Онтология проектирования. 2018. Т. 8, №1(27). – С .

35-48 .

7. Хованский А. Г. Топологическая теория Галуа. Разрешимость и неразрешимость уравнений в конечном виде. – М. : Изд-во МЦНМО, 2008. – 296 с .

8. Микони С.В. Формализованный подход к установлению связи и роли понятий. Труды XXI Международной объединенной конференции «Интернет и современное общество, IMS-2018. СПб. 30.05-2.06.2018. Сборник научных статей. – СПб.: Университет ИТМО. 2018. – С .

77-86 .

9. Акофф Р. Преобразование образования / Р. Акофф, Д. Гринберг. – Томск : Изд-во ТГУ, 2009. – 196 с .

10. Микони, С.В. О качестве онтологических моделей / С.В. Микони // Онтология проектирования. 2017. – Т. 7, №3(25). – С. 347-360 .

11. Chen M. S., Han J., Yu P. S. (1996) Data mining: an overview from a database perspective // Knowledge and data Engineering. IEEE Transactions on 8(6). pp. 866-883 .

http://spoisu.ru

46 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

УДК 378.016:004

ПРОБЛЕМЫ МЕТОДИКИ ПРЕПОДАВАНИЯ ИНФОРМАТИКИ В ШКОЛАХ ЛИНГВИСТИЧЕСКОГО

ПРОФИЛЯ

Фёдоров Константин Павлович Санкт-Петербургский государственный университет Колледж физкультуры и спорта, экономики и технологии Измайловский пр., 27, Санкт-Петербург, 190005, Россия e-mail: constantin325@rambler.ru Аннотация. Рассмотрены основные проблемы методики преподавания информатики, с которыми сталкиваются учителя, работающие в школах лингвистического профиля. Проанализированы возможные пути решения данных проблем .

Ключевые слова: межпредметные связи информатики и иностранных языков; вариативность содержания обучения; дифференциация задач по уровням сложности обучения; учет особенностей конкретного иностранного языка; оценивание эффективности методики преподавания .

THE PROBLEMS OF THE METHODICS OF TEACHING INFORMATICS AT SCHOOLS OF LINGUISTIC

PROFILE

Fyodorov Konstantin The St. Petersburg State University College of Physic Culture and Sport, Economic and Technology 27 Izmaylovsky Av., St. Petersburg, 190005, Russia e-mail: constantin325@rambler.ru Abstract. The main problems of the methodics of teaching informatics faced by teachers working in schools of linguistic profile. Possible ways of solving these problems are analyzed .

Keywords: interdisciplinary communications of the informatics and foreign languages; the variability of the studying content; differentiation of tasks for levels of complexity of studying; accounting peculiarities of a certain foreign language; the evaluation of the efficiency of teaching methodics .

Проблемы методики преподавания информатики рассматривались в исследованиях ряда авторов, среди которых следует выделить И. Г. Семакина, Н. Ю. Пахомову, Р. Р. Камалова, Л. В. Галыгину, Л. Л. Босову, Т. В. Николаеву, А. В. Горячева, А. Л. Богачева, А. В. Рябых, В. П. Линькову, Р. И. Баженова, С. М. Окулова, А. В. Якушина, В. П. Шумилина, А. В. Ковригина, М. Л. Белобородову, М. А. Манасытову, О. М. Толстых .

Анализ трудов перечисленных исследователей позволяет сделать вывод, что преподавание информатики в российских школах, вне зависимости от их профиля, осуществлялось ранее и осуществляется в настоящее время согласно стандартной методике преподавания данной дисциплины, основанной на системе традиционного обучения и не учитывающей особенностей профиля конкретного учебного заведения .

Система традиционного обучения прежде всего подразумевает классно-урочную организацию обучения, сложившуюся в XVII в. на принципах дидактики, сформулированных чешским педагогом Я. А. Коменским [9] и до сих пор преобладающую в большинстве школ мира. М. А.

Мкртчян [14] выделяет главные характеристики системы традиционного обучения:

Учащиеся делятся на классы – учебные группы, постоянные (или почти постоянные) по составу .

Дифференциация по уровню обучения отсутствует. В каждый конкретный момент времени все ученики одного класса изучают одну и ту же определенную тему курса некоторой дисциплины согласно одним и тем же методикам преподавания и обучения .

Основу системы традиционного обучения составляет традиционная технология обучения, обеспечивающая процесс передачи знаний, умений и навыков (ЗУН), а также опыта от учителя к ученикам. Этот процесс включает в себя цели, содержание, методы и средства обучения .

Главной целью традиционной технологии обучения является формирование системы знаний и овладение основами наук. Официально декларируется всестороннее развитие личности, однако фактически данному аспекту не уделяется должного внимания .

Содержание обучения практически единообразно и неинвариантно. Базовые учебные планы основаны на стандартах, единых для всей России – федеральных государственных образовательных стандартах (ФГОС) .

Особенности профиля учебного заведения не учитываются или учитываются в недостаточной степени .

Межпредметные связи (в частности, связи профильных дисциплин с дисциплинами других научных циклов) не реализуются совсем или реализуются лишь в минимальном объеме .

Учитель использует в своей профессиональной деятельности традиционные методы обучения, целью которых является сообщение учащимся новых знаний и доведение до них актуальной информации по изучаемой дисциплине. Такие методы основаны на деятельности информативно-иллюстративного (объяснительноиллюстративного, информационно-рецептивного) характера со стороны педагога и репродуктивной деятельности учащихся. Главной особенностью традиционных методов обучения является то, что они основаны

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

на сообщении учащимся готовых знаний, обучении по стандартному образцу, индуктивной логике от частного к общему, механической памяти, вербальном изложении учителя и репродуктивном воспроизведении учащимися .

Особенностью традиционной методики обучения, применяемой в системе традиционного обучения и основанной на традиционных методах обучения, является авторитарная педагогика требований. Авторитаризм процесса обучения проявляется в регламентации деятельности учащихся, принудительности обучающих процедур, централизации контроля и ориентации на среднестатистического ученика. Практически отсутствуют условия для раскрытия индивидуальных способностей учащихся, творческих проявлений личности .

Процесс обучения как деятельность в традиционной системе обучения характеризуется отсутствием самостоятельного целеполагания учащихся, поскольку цели обучения ставит учитель. Планирование учебной деятельности ведется извне, навязывается ученику вопреки его желанию. Итоговый анализ и оценивание деятельности ребенка производятся не им, а учителем. В этих условиях этап реализации учебных целей обычно превращается в труд «из-под палки» со всеми его негативными последствиями, вплоть до полного отчуждения некоторых учеников от учебы .

Анализ особенностей системы традиционного обучения позволяет выявить положительные и отрицательные стороны системы традиционного обучения. Они представлены в таблице 1 .

Таблица 1 .

Положительные и отрицательные стороны системы традиционного обучения .

–  –  –

Недостатки системы традиционного обучения и их преобладание над ее достоинствами способствуют возникновению ряда проблем в профессиональной деятельности педагогов, использующих данную систему обучения.

В профильных учебных заведениях, к категории которых относятся школы с углубленным изучением иностранных языков, учителя информатики должны решить следующие проблемы методики преподавания данной дисциплины:

Концепция профильного обучения [10] предписывает учитывать профиль учебного заведения (в данном случае – лингвистический) и строить методики преподавания учебных дисциплин других циклов (в частности, методику преподавания информатики) с учетом обеспечения возможностей реализации межпредметных связей исследуемой и профильной дисциплин (т. е. информатики и иностранных языков). Однако содержание в системе традиционного обучения (см. п. 4 особенностей данной системы) не учитывает особенности профиля школ с углубленным изучением иностранных языков и не обеспечивает возможности реализации межпредметных связей информатики и иностранных языков. Ни одна из стандартных программ по информатике для средней школы [16] не обеспечивает в явном виде возможностей реализации межпредметных связей информатики и иностранных языков (т. е. межпредметных связей исследуемой и профильной дисциплин), рекомендуемых образовательными стандартами [15, 17] и Концепцией профильного обучения [10, 12]. В программы по информатике и ИКТ не включено изучение программных средств и информационных технологий, предназначенных для организации телеконференций с носителями языка, сетевых форумов и семинаров, посвященных иностранным языкам либо вопросам лингвистики, просмотра иностранных фильмов на языке оригинала, диалогов и группового общения на иностранных языках. На изучение систем машинного перевода текстов и электронных словарей отводится лишь несколько часов в течение всего курса обучения информатике в школе. Кроме того, при обучении информатике по стандартным программам не проводятся параллели между иностранными языками и языками программирования, не изучается терминология в области информатики на иностранных языках, не реализуются другие возможности применения учащимися знаний, умений и навыков (ЗУН) из области иностранных языков для решения задач курса информатики, т. е. не реализуются обратные межпредметные связи информатики и иностранных языков. Данный http://spoisu.ru

48 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

факт можно объяснить тем, что стандартные программы по информатике являются программами общего образования и не адаптированы к какому-либо конкретному профилю (исключение составляют программы курса информатики профильного уровня на ступени среднего (полного) общего образования, но они ориентированы не на лингвистический, а на информационно-технологический профиль) [23, 29] .

Российский Федеральный государственный образовательный стандарт (ФГОС) [15] официально декларирует всестороннее развитие личности и рекомендует дифференциацию уровней обучения учащихся в соответствии с их возможностями и способностями. Концепция профильного обучения [10] содержит требование адаптации программ по дисциплинам, не входящим в профильный цикл, к профилю учебного заведения. Однако стандартная методика преподавания информатики, основанная на системе традиционного обучения, подразумевает жесткую привязку содержания обучения к официальным учебным планам в строгом соответствии с ФГОС, отсутствие вариативности содержания обучения и дифференциации сложности заданий по уровням обучения, шаблонное построение учебного материала, отсутствие самостоятельности учащихся и ограниченность возможностей самореализации личности учащихся, изоляцию учащихся от тематического общения друг с другом и слабость речевой активности учащихся на занятиях (что особенно неприятно в языковых школах). Перечисленные недостатки системы традиционного обучения приводят к тому, что возможности адаптации содержания обучения информатике к профилю школ с углубленным изучением иностранных языков и реализации межпредметных связей информатики и иностранных языков при обучении информатике по системе традиционного обучения сильно ограничены .

Жесткая стандартизация программ по информатике означает, в частности, что профессиональная терминология в области информатики изучается в стандартном формате, т. е. с использованием терминов англоязычного происхождения. В школах с углубленным изучением других языков (немецкого, французского, финского и др.) не учитываются особенности конкретного языка и не изучается терминология в области информатики на языке, изучаемом в данной школе .

Требования к результатам освоения программы по информатике учащимися, предъявляемые ФГОС и, в профильных учебных заведениях – Концепцией профильного обучения, подразумевают, что учитель должен периодически контролировать уровень выполнения этих требований и, в конечном итоге, контролировать эффективность применяемой методики преподавания информатики. Анализ работ ряда исследователей (С.И. Архангельский, Г.И. Батурина, Т.Ф. Кузина, В. П. Беспалько, В.М. Блинов, И.Я. Лернер, В.П. Мизинцев, М.. Скаткин) позволил сделать вывод, что системы оценивания эффективности методик преподавания и обучения, предложенные перечисленными авторами, используют недостаточно строгие алгоритмы расчета числовых значений критериев эффективности и, кроме того, не учитывают факторы динамики показателей качества учебного процесса .

Перечисленные проблемы свидетельствуют о недостаточной эффективности стандартной методики преподавания информатики, основанной на системе традиционного обучения, предполагающей обучение данной дисциплине по стандартным программам, жестко привязанным к ФГОС и не допускающим вариативности содержания обучения, при ее использовании в школах лингвистического профиля.

Автор статьи предлагает следующие пути решения данных проблем:

Расширить сферу применения прямых межпредметных связей информатики и иностранных языков можно путем более глубокого изучения на уроках информатики в школах лингвистического профиля программных средств, предназначенных для работы в области лингвистики. Кроме уже упомянутых систем машинного перевода и электронных словарей (на изучение основ работы с которыми в языковых школах следует отвести бльшее время по сравнению с образовательными учреждениями других профилей), к таковым относятся системы, позволяющие организовать фронтальное, диалоговое и групповое общение учителя и учащихся на иностранных языках, просмотр иностранных фильмов на языке оригинала, телеконференции с носителями языка, лингвистические форумов и семинары. Для успешного овладения перечисленными программными средствами необходимо также изучать информационно-коммуникационные технологии (ИКТ), предназначенные для работы с ними .

А. С. Котов и Ж. Г. Шакуто [11] выделяют одну из возможностей реализации обратных межпредметных связей информатики и иностранных языков (т. е. возможностей применения на уроках информатики ЗУН, приобретенных в процессе освоения курса иностранного языка) - сравнительный анализ иностранных языков и языков программирования. Первые представляют собой категорию естественных языков, вторые – категорию формальных языков. Изучение технологии программирования, равно как и изучение иностранных языков, требует от учащихся наличия достаточно хорошо развитых навыков формализации. Точно так же, как предложения в естественных человеческих языках строятся по определенным правилам, степень строгости которых зависит от конкретного языка (особенно строги правила синтаксиса в немецком языке, в котором каждый член предложения занимает строго фиксированное место, и их перестановка недопустима, т. к. может привести к изменению смысла фразы [8]), таким же образом построена структура языков программирования: все конструкции должны быть описаны предельно четко и не допускают отклонений от правил. Как для правильного формирования предложений естественного языка, так и для правильного построения конструкций языка программирования необходимо четко следовать формальной логике и знать правила синтаксиса, принципы построения лексем, особенности их вхождения друг в друга. Иностранные языки, являясь естественными языками, обладают достаточной степенью формальности – синтаксические конструкции строятся по вполне определенным правилам, предусматривающим фиксированный, и притом конечный, список исключений. Следовательно, конструирование предложений в естественном языке вполне может быть формализовано и выполнено алгоритмическим путем. Составление

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

программы также предусматривает этап формализации и выполняется алгоритмическим путем. Понимание учащимися данной аналогии позволяет более эффективно изучать основные алгоритмические структуры языков программирования и применять их на практике. С этой точки зрения языки программирования являются частным случаем иностранных языков. Поскольку иностранный язык в современной школе начинают изучать, как правило, уже с первого или со второго класса, а алгоритмизацию и программирование – на более поздних этапах обучения, то иностранный язык может выполнять пропедевтическую функцию, являясь приготовительной базой для изучения языков программирования. Опыт, приобретенный учащимися при изучении иностранных языков, должен повысить эффективность освоения ими основ алгоритмизации и программирования. Особенно эффективным должно быть использование данной особенности обратных межпредметных связей информатики и иностранных языков в школах с углубленным изучением последних .

Кроме того, автор предлагает использовать в школах лингвистического профиля особые программы по информатике и включить в них ряд особенностей, обеспечивающих возможности реализации межпредметных связей информатики и иностранных языков:

исследование изучаемого иностранного языка как системы (в разделе «Основы системного подхода»);

исследование системы языков мира (в том же разделе);

исследование системы числительных изучаемого иностранного языка (в том же разделе или в разделе «Математические основы информатики»);

исследование иностранного языка, представляющего собой один из способов кодирования информации (в теме «Кодирование информации», входящей в состав раздела «Информация и информационные процессы»);

анализ логических особенностей правил орфографии и пунктуации, синтаксиса и словообразования, семантических и морфологических конструкций изучаемого иностранного языка (в разделе «Основы алгебры логики»);

построение и исследование информационных моделей семантических конструкций иностранных языков и языков программирования, политического устройства зарубежных стран, систем образования в странах изучаемых языков (в разделе «Информационное моделирование»);

изучение научной терминологии в области информатики на изучаемом иностранном языке1, составление терминологического словаря в системе машинного перевода2 (в разделе «Компьютер – универсальное средство для работы с информацией») .

Владение иностранными языками не только позволяет решить задачи информатики, указанные выше и аналогичные им, но и способствует чтению в подлинниках иностранной научной литературы в области информатики и в других областях науки, возможности применения на практике знаний, почерпнутых из данной литературы, анализа и исследования изложенных в ней фактов, открытия нового, возможности изложения своих знаний представителям иноязычных народов. С другой стороны, владение информационными технологиями способствует решению ряда проблем, стоящих перед учащимися в процессе освоения иностранных языков .

Поэтому задачи, позволяющие реализовать межпредметные связи информатики и иностранных языков, должны быть включены в содержание курса программ по информатике, предназначенных для школ лингвистического профиля .

Поиск путей преодоления трудностей, с которыми сталкиваются педагоги и учащиеся школ с углубленным изучением иностранных языков при обучении информатике по системе традиционного обучения, привел к мысли, что повысить эффективность обучения информатике в языковых школах можно путем использования в методике преподавания данной дисциплины иной системы обучения, альтернативной системе традиционного обучения и способной преодолеть недостатки последней и при этом сохранить ее достоинства. Прежде всего учитель должен отказаться от шаблонного построения учебного материала и использовать нестандартный, творческий, креативный подход к изучению нового материала и решению практических задач, стоящих перед учащимися в процессе обучения. Сама творческая составляющая методики преподавания уже способна привлечь учащихся к решению поставленных задач, возбудить в них интерес к изучению материала, мотивировать их к учебной деятельности .

Кроме того, необходимо всячески повышать активность учащихся на уроке, больше времени уделять общению детей друг с другом и с учителем, предлагать разноуровневые задания, дифференцируя их сложность в зависимости от способностей и потребностей каждого конкретного ученика .

Одной из систем обучения, альтернативной системе традиционного обучения и обладающей свойствами, указанными в предыдущем абзаце, является система эвристического обучения (СЭО), включающая в себя эвристические методы, эвристические формы, эвристические технологии и эвристические программные средства обучения. СЭО берет свое начало от майевтики – методики обучения, разработанной древнегреческим философом Сократом (469 – 399 до Р. Х.). Система Сократа основана на том, что учитель помогает ученику самостоятельно подойти к постановке и решению проблемы путем последовательного поиска ответов на специально подготовленные наводящие вопросы, порождающие цепочку ассоциативных рассуждений и организующие процесс эвристического поиска решения задачи. Из фундаментальных понятий с помощью наводящих вопросов Если в школе на углубленном уровне изучается не английский, а другой иностранный язык, то следует уделить особое внимание изучению научной терминологии именно на этом языке. Таким образом будут учтены особенности конкретного иностранного языка, изучаемого в данной школе .

Для этой цели лучше использовать не фабрично изготовленную, а собственноручно построенную учащимися систему машинного перевода .

http://spoisu.ru

50 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

постепенно выводятся новые понятия, определяются промежуточные результаты, и как итог отыскивается ответ на интересующий нас вопрос и достигается поставленная цель. Путь к цели долог и тернист, но цель достигнута!

Следует отметить, что благодаря эвристическому поиску истина зачастую открывается не только ученику, но и самому учителю [26, 27]. Разработчиками современной СЭО считаются А. В. Хуторской [32, 33] и В. И. Андреев [3].

Исследование их трудов позволило определить основные характеристики СЭО:

Основу СЭО составляют эвристические технологии обучения, главной целью которых является организация поисково-эвристической деятельности учащихся на уроке. Данный вид деятельности развивает у обучающихся способность анализировать и систематизировать информацию на основе самоорганизации, самоуправления, самоанализа, и применять ее для решения поставленной задачи, адаптироваться к новым условиям и предвидеть ожидаемые результаты, принимать обоснованные решения на основе эвристических алгоритмов с последующей логической проверкой полученных результатов. Поисково-эвристическая деятельность эффективна при умении обучающихся оценивать свои действия, степень их рациональности и экономичности, настойчиво доводить решение задачи до логического конца. При этом учащиеся должны обладать гибкостью мышления, способностью актуализировать, анализировать и организовать информацию в решаемой задаче. Это осуществляется на основе эвристических правил (рекомендаций к выбору возможного варианта действий в условиях альтернативного поиска) и операций (мыслительных действий, направляющие деятельность обучающегося на нахождение оптимального решения задачи), основанных на аргументированных и логически обоснованных рассуждениях [21, 32] .

Особой эвристической технологией является теория решения изобретательских задач (ТРИЗ) – технология, разработанная российским ученым Г. С. Альтшуллером для решения сложных задач в технической области [1, 2] .

Позднее ТРИЗ получила развитие в ряде других сфер человеческой деятельности, в т. ч. в педагогике как специальная эвристическая технология обучения, которая с успехом может быть применена для решения задач творческого характера, относящихся к компетенции различных учебных дисциплин [22, 28] .

Содержание обучения по СЭО основано на ФГОС, однако в отличие от системы традиционного обучения оно допускает вариативность и предоставляет возможность адаптации программ учебных дисциплин к профилю образовательного учреждения [23, 29, 32, 33] .

Учитель использует в своей профессиональной деятельности эвристические методы обучения, ставящие своей целью конструирование учащимися собственного смысла, целей и содержания образования, а также процесса его организации, диагностики и осознания. В процессе эвристического обучения ученик изначально конструирует знания в исследуемой области реальности, опираясь на личный образовательный потенциал и технологию продуктивной деятельности. Полученный им продукт деятельности (гипотеза, сочинение, модель и т. п.) сопоставляется затем с помощью педагога с культурно-историческими аналогами, в результате чего данный продукт переосмысливается, достраивается, совершенствуется или драматизируется, вызывая необходимость новой деятельности. В данном случае неизбежно личное образовательное совершенствование учащегося через совершенствование его знаний, чувств, способностей, опыта, материальной продукции. Иногда это совершенствование является частью общекультурного совершенствования. В этом случае ученик оказывается включенным в культурно-исторические процессы в качестве их полноправного участника [3, 33] .

Основными формами обучения являются эвристические формы обучения, главной целью которых является создание учащимися новых образовательных результатов. К эвристическим формам обучения относятся эвристические уроки, олимпиады и погружения; деловые игры; предметные недели; дистанционные формы творчества (творческие работы, творческие защиты, дистанционные проекты); интерактивные формы обучения [29, 32, 33] .

Для реализации эвристической методики обучения учитель должен использовать особые программные средства, которые можно назвать эвристическими программными средствами обучения. Они основаны на информационных обучающих системах, организованных в виде экспертных систем (ЭС). Алгоритмы, заложенные в основу работы ЭС, не гарантируют на сто процентов достижения поставленной цели, но, согласно многолетнему опыту использования систем данного класса, большинство учащихся успешно овладевают знаниями, умениями и навыками, преподать которые призвана система. Таким образом, в ЭС реализованы эвристические алгоритмы, методы и технологии обучения, что обосновывает термин «Эвристические программные средства обучения» [19, 20, 24, 25, 31] .

Особенностью эвристической методики обучения, применяемой в системе эвристического обучения, является ориентация на творческое начало личности, индивидуальный подход к каждому ученику, дифференциация уровней обучения в зависимости от индивидуальных способностей каждого конкретного учащегося [3, 26, 27, 30, 32] .

Процесс обучения как деятельность в СЭО предоставляет возможность самостоятельного целеполагания учащихся и планирование ими учебной деятельности. Ученикам предоставляется возможность анализа, контроля и оценивания своей учебной деятельности. Уделяется внимание тематическому общению учащихся на уроке и их творческой деятельности. Совокупность перечисленных факторов является двигателем, способным мотивировать учащихся к учебной деятельности, привлечь их к решению поставленных задач, возбудить в них интерес к изучению материала [3, 26, 27, 30, 33] .

Как и система традиционного обучения, СЭО имеет свои достоинства и недостатки, которые представлены в таблице 2 .

–  –  –

Несмотря на ряд недостатков, главной причиной которых является недостаточная логическая строгость СЭО, данная система обладает достоинствами, позволяющими повысить эффективность обучения и способствующими самореализации личности каждого учащегося. Наиболее высокий уровень эффективности СЭО может быть достигнут в профильных учебных заведениях. Это обусловлено тем, что СЭО позволяет адаптировать содержание обучения к профилю школы и предоставляет богатые возможности реализации межпредметных связей профильных и общеобразовательных дисциплин. В частности, СЭО с успехом может быть использована при обучении информатике в школах лингвистического профиля. С помощью эвристических методов, форм и технологий обучения учащиеся под руководством учителя смогут решить сложные проблемы лингвистики средствами информационных технологий и применить лингвистические знания для решения сложных проблем курса информатики. Каким образом СЭО может быть адаптирована к лингвистическому профилю и использована в методике преподавания информатики в школах данного профиля, сказано в ряде работ автора (в частности, [19-31]) .

Исследование трудов ряда исследователей, посвященных оцениванию эффективности методик преподавания и обучения [4-7, 13], позволило составить следующую таблицу, отражающую особенности систем оценивания эффективности, предложенных данными авторами (таблица 3, с. 7). По мнению автора данной статьи, система С. И .

Архангельского [4] обладает наибольшей полнотой и, следовательно, именно она может быть взята за основу процесса оценивания эффективности методики преподавания информатики в школах лингвистического профиля. В данной системе учитываются многие факторы, характеризующие разнообразные аспекты эффективности методики преподавания. Но при оценивании эффективности методики преподавания информатики по системе С. И .

Архангельского необходимо разрешить ряд проблем, указанных в соответствующей графе таблицы 3 .

Усовершенствование системы С. И. Архангельского может быть выполнено путем объединения критериев оценки эффективности методики преподавания, используемых в данной системе, в три группы, и ее дополнения четвертой группой критериев, отражающих динамику показателей эффективности. Группы критериев эффективности в усовершенствованной системе оценивания определяются в соответствии с таблицей 4 (с. 7) .

Автор предлагает выполнять оценивание эффективности методики преподавания информатики в школах лингвистического профиля по следующему алгоритму:

Вычисление числового значения каждого критерия эффективности методики преподавания информатики в соответствии с формулами, используемыми для их расчета .

Вычисление числового значения эффективности методики преподавания информатики по каждой группе критериев на базе оценочной функции Цермело [34], имеющей вид суммы произведений значений каждого критерия данной группы на вес критерия, отражающий степень его значимости .

Вычисление итогового значения эффективности методики преподавания информатики на базе той же оценочной функции Цермело. На этот раз факторами, оказывающими влияние на эффективность методики преподавания в целом, считаются числовые значения эффективности по группам критериев, рассчитанные в результате выполнения второго этапа .

В работе автора [18] подробно сказано обо всех критериях эффективности методики преподавания информатики, входящих в каждую группу, и о формулах, используемых для их расчета. Достаточно простые математические действия, которые необходимо выполнить при реализации алгоритма расчета значений критериев эффективности, допускают использование ЭВМ для системного анализа эффективности методики преподавания информатики. Результат покажет уровень овладения конкретными компонентами процесса познания всеми участниками учебного процесса и в соответствии с этим позволит составить программу коррекции профессиональной деятельности преподавателя и формирования ключевых компетентностей учащихся .

–  –  –

СПИСОК ЛИТЕРАТУРЫ

Альтшуллер Г. С. Основы изобретательства — Воронеж: Центрально-Черноземное издательство. – 1964 .

1 .

Альтшуллер Г. С. Творчество как точная наука.1-е изд.: М., Советское радио, 1979; 2-е изд. (дополненное): Петрозаводск, Скандинавия, 2 .

2004 .

Андреев В. И. Эвристика для творческого саморазвития. – Казань, 1994. – 237 с .

3 .

Архангельский С. И. Учебный процесс в высшей школе, его закономерные основы и методы: учебно-методическое пособие – М.: Высшая 4 .

школа, 1980 – 368 с .

Беспалько В. П. Опыт разработки и использования критериев качества усвоения знаний // Советская педагогика, 1968, №4 .

5 .

Беспалько В. П. Слагаемые педагогической технологии – М.: Педагогика, 1989 – 190 с .

6 .

Блинов В. М. Эффективность обучения – М.: Педагогика, 1976 – 191 с .

7 .

Болдырева Л. М., Панкова О. Т., Тельнова А. Г. Самоучитель немецкого языка. М., Высшая школа, 1983 .

8 .

Коменский Я. А. Великая дидактика. М.: Наркомпрос, 1939. – 318 с .

9 .

Концепция профильного обучения на старшей ступени общего образования. М., 2002 .

10 .

Котов А. С., Шакуто Ж. Г. – Реализация межпредметных связей информатики и иностранного языка через использование компьютерных 11 .

исполнителей – М., Педагогика, 2011 .

Кривых С. В., Абдуллаева О. А., Алексашина И. Ю., Марковская Е. А. Теория и методика организации профильного обучения: СанктПетербургский опыт. Учебное пособие для специалистов по управлению образованием / Под редакцией И. Ю. Алексашиной – СПб, 2016

– 195 с .

Лернер И. Я. Дидактические основы методов обучения – М.: Педагогика, 1985 .

13 .

Мкртчян М. А. Становление коллективного способа обучения: монография. Красноярск, 2010. С. 43-44 .

14 .

Приказ Министерства образования и науки Российской Федерации от 17.12.2010 № 1897 «Об утверждении Федерального 15 .

государственного образовательного стандарта основного общего образования» (в редакции приказа Минобрнауки России от 29.12.2014 № 1644) .

Рабочие программы по информатике и ИКТ. 5-11 классы / авт.-сост. Т. К. Смыковская – 3-е изд., стереотип. – М.: Планета, 2010 – 224 с .

16 .

– (Образовательный стандарт) .

Рекомендации по преподаванию информатики в университетах и колледжах (Computing Curricula 2016: Computer Science) – СПб., 2016 .

17 .

Пер. с англ. В. Л. Павлова и А. А. Терехова .

Фёдоров К. П. Использование математического аппарата для усовершенствования системы (алгоритма) оценивания эффективности 18 .

методики обучения информатике. Известия Российского государственного педагогического университета им. А.И. Герцена. СПб, 2016 .

№ 179. С. 113-123. Статья ВАК. Режим доступа: https://elibrary.ru/download/elibrary_26942742_95364816.pdf .

Фёдоров К. П. Использование экспертных систем в качестве эвристических программных средств обучения информатике учащихся школ 19 .

лингвистического профиля. В сборнике: Научно-технический прогресс: актуальные и перспективные направления будущего. Сборник материалов IV Международной научно-практической конференции. Западно-Сибирский научный центр. Кемерово, 2016. С. 83-85 .

Фёдоров К. П. Оценка эффективности методик обучения информатике учащихся школ лингвистического профиля с помощью 20 .

эвристических информационных обучающих систем. В сборнике: Искусственный интеллект: философия, методология, инновации Сборник трудов IХ Всероссийской конференции студентов, аспирантов и молодых ученых. Е. А. Никитина (отв. редактор). МГТУ МИРЭА, М., 2015. С. 168-174. Режим доступа: http://www.scmaiconf.ru/public_files/2015/book-2015-sait.pdf .

Фёдоров К. П. Педагогические технологии организации поисково-эвристической деятельности на уроках информатики. В сборнике:

21 .

Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014). Материалы Всероссийской научно-практической конференции. Кемерово, 2014. С. 305 .

Фёдоров К. П. Применение ТРИЗ на уроках информатики в школах с углубленным изучением иностранных языков / К. П. Фёдоров // 22 .

Известия Российского государственного педагогического университета им. А.И. Герцена. 2017. № 185. С. 116-124. Статья ВАК. Режим доступа: http://elibrary.ru/download/50651833.pdf .

Фёдоров К. П. Проблема отбора содержания курса информатики для школ с углубленным изучением иностранных языков. В сборнике:

23 .

Современные проблемы и тенденции развития экономики, управления и информатики в XXI веке Материалы IV ежегодной международной научно-практической конференции. СПб, 2014. С. 72-73 .

Фёдоров К. П. Эвристические информационные обучающие системы и их использование при обучении информатике учащихся школ 24 .

лингвистического профиля. В сборнике: Информационно-телекоммуникационные системы и технологии (ИТСиТ-2014). Материалы Всероссийской научно-практической конференции. Кемерово, 2014. С. 191-192 .

Фёдоров К. П. Эвристические информационные обучающие системы и их применение на уроках информатики в школах 25 .

нематематического профиля. Сборник трудов VIII Всероссийской конференции студентов, аспирантов и молодых ученых «Искусственный интеллект: философия, методология, инновации». Е. А. Никитина (отв. редактор). МГТУ МИРЭА, М., 2014, с. 49-54 .

Работа награждена дипломом II степени. Режим доступа: http://www.scmaiconf.ru/public_files/2014/sbornik_2.pdf) .

Фёдоров К. П. Эвристические методы обучения в преподавании информатики учащимся школ с углубленным изучением иностранных 26 .

языков. В сборнике: VIII Международная конференция «Европейская наука и технологии». Мюнхен, 2014 .

Фёдоров К. П. Эвристические методы обучения в преподавании курса информатики и ИКТ для учащихся нематематического профиля / 27 .

К. П. Фёдоров // Известия Российского государственного педагогического университета им. А.И. Герцена. 2014. № 170. С. 116-124. Статья ВАК. Режим доступа: http://elibrary.ru/download/50651833.pdf .

Фёдоров К. П., Абрамян Г. В. Использование элементов ТРИЗ при решении задач повышенной трудности на занятиях по информатике .

28 .

В сборнике: Информационные технологии Сибири. Сборник материалов международной научно-практической конференции. ЗападноСибирский научный центр. Кемерово, 2016. С. 76-82 .

Фёдоров К. П., Абрамян Г. В. Требования к отбору содержания программ по информатике и ИКТ для школ с углубленным изучением 29 .

иностранных языков. В сборнике: Региональная информатика «РИ-2014». Материалы XIV Санкт-Петербургской международной конференции. 2014. С. 374 .

Фёдоров К. П., Абрамян Г. В. Эвристические методы и методики обучения информатике в школах с углубленным изучением 30 .

иностранных языков. В сборнике: Региональная информатика «РИ-2012». Материалы юбилейной XIII Санкт-Петербургской Международной конференции. 2012. С. 268-269 .

Фёдоров К. П., Абрамян Г. В. Эвристические программные средства и их использование с целью развития информационнокоммуникационных компетенций учащихся школ лингвистического профиля. Российская история. 2014. Т. 2014. С. 375. Журнал входит в международную научную систему «Web of Science» .

Хуторской А. В. Дидактическая эвристика. Теория и технология креативного обучения. – М., издательство МГУ, 2003. – 416 с .

32 .

Хуторской А. В. Эвристическое обучение: теория, методология, практика. Научное издание. – М., Международная педагогическая 33 .

академия, 1998. – 266 с .

Цермело Э. О применении теории множеств к теории шахматной игры // Матричные игры М., Физматгиз,1961, С.167–172 (оригинал:

34 .

Zermelo Е. ber eine Anwendung der Mengenlehre zur Theorie des Schachspiels. Proceedings of the Fifth International Congress of Mathematicians (Cambridge, 1912), Cambridge University Press, 1913, P. 501–504) .

http://spoisu.ru

54 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

УДК 004.932

МЕТОДИКА СКОРОСТНОЙ АППРОКСИМАЦИИ ИЗОБРАЖЕНИЯ ИЕРАРХИЧЕСКОЙ

ПОСЛЕДОВАТЕЛЬНОСТЬЮ ПРИБЛИЖЕНИЙ

Ханыков Игорь Георгиевич Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mail: igk@iias.spb.su Аннотация. Сопоставляются классические методы кластерного анализа, удовлетворяющие актуальным требованиям к современным алгоритмам сегментации изображений. Обосновывается выбор классического метода Уорда. Приводятся его достоинства и недостатки. Предлагается типовая блок-схема последовательности алгоритмов, позволяющая обойти проблему вычислительной сложности, характерную для метода Уорда .

Описано применение идеи обратимых операций в обработке изображений. Приводятся экспериментальные результаты по улучшению качества традиционной сегментации .

Ключевые слова: кластерные методы; иерархическая сегментация изображений; метод Уорда;

обратимые вычисления; улучшение качества изображения .

THE METHODS OF HIGH-SPEED APPROACHING OF THE IMAGE BY PIECEWISE-CONSTANT

APPROXIMATIONS

Khanykov Igor St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mail: igk@iias.spb.su Abstract. The classical methods of cluster analysis that meet the actual requirements for modern image segmentation algorithms are compared. The choice of the classical Ward’s method is justified as well as its advantages and disadvantages are presented. A typical block scheme of a sequence of algorithms is proposed, which allows to bypass the problem of computational complexity that is pecular to Ward's method. The application of the idea of the reversible operations in image processing is described. The experimental results on improving the quality of traditional segmentation are presented .

Keywords: cluster methods; hierarchical image segmentation; Ward's method; reversible computing; image quality assessment .

Введение .

Задача сегментации относится к стадии предварительной обработки цифровых изображений.

К актуальным алгоритмам сегментации изображений (АСИ) выдвигаются следующие требования [1]:

Отсутствие априорной информации об объектах интереса .

Наличие установленного критерия качества, который позволяет оценивать полученное разбиение изображения на кластеры/сегменты .

Возможность сегментирования/дробления изображения на любое число цветов/кластеров от 1 до N, где N

– число пикселей в рассматриваемом изображении Выполнение вычислений в режиме реального времени .

Адекватность результатов, заключающейся в соответствии выделенных сегментов/кластеров границам и областям объектов на изображении .

Большинству приведённых требований удовлетворяет группа кластерных методов. Самыми распространенными кластерными методами являются методы Уорда [2], Оцу [3], К-средних [4] и модель сегментации Мамфорда-Шаха [5, 6], сопоставляемые в таблице 1 .

Во-первых, ни один из методов не требует задания априорной информации об тематике изображения (п.1) .

Приведенные методы пригодны для обработки изображений любого содержания и тематики .

Во-вторых, приведенные методы минимизируют установленный функционал качества (п.2), значение которого служит индикатором качества разбиения изображения на кластеры пикселей, сегменты изображения .

Например, метод Оцу минимизирует суммарное квадратичное отклонение; метод К-средних – суммарное расстояние до центров кластеров; модель сегментации Мамфорда-Шаха – энергетический функционал; метод Уорда – суммарное квадратичное отклонение .

Различие рассматриваемых кластерных методов проявляется в способе разбиения изображения на кластеры писклей или сегментов (п.3). Метод Оцу разбивает все пиксели только на два кластера. Метод Ксредних разбивает пиксели изображения на заранее задаваемое и фиксированное на всем протяжении число кластеров. Модель сегментации Мамфорда-Шаха и метод Уорда генерируют множество разбиений исходного изображения от 1 до N, где N – число пикселей в исходном изображении. Но если в методе Уорда рассматривается все сочетания кластеров, то в модели Мамфорда-Шаха – только пары смежных сегментов изображения .

–  –  –

Сопоставляемые методы обладают различной вычислительной сложностью и, следовательно, различной возможностью обработки изображений в режиме реального времени. Классический метод Оцу [3] разбивает пиксели за линейное время. Время, затрачиваемое методом К-средних на разбиение изображения на фиксированное число кластеров, зависит квадратично от задаваемого значения числа кластеров. Модель Мамфорда-Шаха сегментирует изображение за линейное время близкое реальному. Вычислительная сложность классического метода Уорда возрастает квадратично с ростом числа рассматриваемых кластеров писклей, что затрудняет применение метода напрямую в обработке изображений .

Выбор метода влияет как на качество результата обработки, так и на адекватность сегментации изображения (п.5). Субъективное, зависящее от индивидуального восприятия пользователя, определение адекватности результатов сегментации подразумевает соответствие выделенных кластеров пикселей или сегментов изображения областям и границам объектов заданного исходного изображения. Для объективного оценивания результатов в настоящей работе используется суммарное квадратичное отклонение .

Несмотря на критику [7], которая уместна только в условиях задачи сопоставления различных контрольного и поверяемого изображений при заданной метрике из категории full-reference, либо reducedreference, применение суммарного квадратичного отклонения оправдано по ряду причин. Во-первых, это – классическая величина и она должна рассматриваться в первую очередь. Во-вторых, оно легко в подсчете, имеет ясное физическое значение, и математически удобно в контексте оптимизации. В-третьих, суммарное квадратичное применяется в кластерном анализе для оценки качества объединения элементов в классы .

Из рассматриваемых методов к адекватным относятся метод Оцу и метод Уорда. Метод Оцу возвращает оптимальное разбиение на два кластера и применим только для полутоновых изображений, редуцируя их до бинарных. Более общий метод Уорда, применимый как к цветным, так к полутоновым изображениям, возвращает множество разбиений, каждое последующее из которых получается слиянием пары кластеров в один. Разбиения получаются адекватными, но общее время обработки изображения – слишком велико из-за полного перебора всех пар возможных сочетаний .

Метод К-средних и модель Мамфорда-Шаха относятся к категории менее адекватных. Результаты метода Ксредних зависят от начального выбора центров кластеров. При их «плохом» задании метод останавливается в локальном минимуме. Зачастую результат получается неприемлемым. Модель Мамфорда-Шаха возвращает грубую сегментацию, так как на каждом шаге рассматриваются только пары смежных пикселей, сегментов .

Рассматриваемый в работе метод Уорда удовлетворяет четырём из пяти требованиям, приведенных к актуальным АСИ: (п.1), (п.2), (п.3), (п.5). Однако, метод Уорда обладает рядом недостатков, существенный из которых

– высокая вычислительная сложность (п.4). Настоящая работа посвящена методике нивелирования недостатков классического метода Уорда, позволяющей применять его в обработке изображений в задачах кластеризации и сегментации. Рассматриваются: 1) ряд отдельных модификаций, позволяющие ускорить вычислительный процесс; 2) типовая блок-схема последовательности алгоритмов, обходящая недостатки классического метода посредством промежуточной обработки исходного изображения для кластеризации его пикселей .

Кластеризация методом Уорда Идея метода Уорда [2] заключается в последовательном слиянии пар кластеров в один. Оценкой качества служит приращение E суммарной квадратичной ошибки E.

При слиянии на каждом шаге выбирается пара кластеров i, j, объединение которых возвращает минимум приращения Emerge:

ni n j E merge i, j Ii I j 0 ni n j где i, j – кластеры, ni, nj – число пикселей в кратерах, Ii, Ij - средние значения трехмерной яркости пикселей внутри кластеров .

Под приближением изображения понимается кусочно-постоянное разбиение исходного изображения на однородные по цвету области, значения пикселей которых усреднены внутри кластеров. Последовательность http://spoisu.ru

56 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

приближений образует иерархию, так как очередное приближение получается из предыдущего объединением двух областей .

Достоинства метода Уорда:

Метод работает при любом числе кластеров от 1 до N числа элементов в исходном множестве, что удобно при разработке методов «слепой» сегментации .

Метод использует критерий качества, который позволяет оценить качество объединения пар и выбрать оптимальное решение из набора вариантов. Выбор на каждом шаге определяется минимальным значением функционала качества .

Метод позволяет проследить последовательность объединений пикселей в укрупненные множества .

Запоминание иерархии позволяет двигаться в обратном направлении до необходимого состояния .

Метод Уорда как алгоритм кластеризации пикселей относится к адекватным методам. Это один из немногих методов, которые реально минимизирует суммарное квадратичное отклонение .

Недостатки метода Уорда:

Методу свойственна неоднозначность решений в зависимости от выбора пар для слияния при равнозначных вариантах .

Вычислительная сложность метода Уорда возрастает квадратично с ростом числа пикселей .

Первый недостаток незначителен и проявляется при независящих от исходного кода программы факторах, например, при переносе программного кода на платформу с иной операционной системой; при смене настроек работы процессора и проч. Второй недостаток кроется в самом программном коде и зависит от навыков программиста. Он затрудняет применение классического метода Уорда напрямую в обработке изображений, в частности в задачах сегментации, и требует нетривиальных решений .

Настоящая работа рассматривает ряд способов для преодоления чрезмерно высокой вычислительной сложности классического метода Уорда. Приводится ряд отдельных модификаций вычислительного процесса .

Описывается блок-схема из комбинации базовых алгоритмов с иерархической структурой данных, позволяющих подготовить данные для последующей кластеризации классическим методом Уорда .

Отдельные модификации вычислительного процесса метода Уорда Способ 1. Буферизация минимумов снижает вычислительную сложность до квадратичной зависимости от числа пикселей N в изображении. При загрузке в оперативную память изображения запоминается ряд минимумов. Вместе с преобразованием множества пикселей при вычислении очередного приближения выполняется обновление содержимого буфера. Это процедура избавляет от пересчета всего множества пикселей при поиске оптимальной пары для выполнения операции слияния кластеров .

Способ 2. Кластеризация пикселей изображения «по частям» [8] снижает вычислительную сложность до N3 N .

Исходное изображение разбивается на фрагменты, например, методом сегментации Мамфорда-Шаха .

Каждый фрагмент обрабатывается как самостоятельное изображение, для которого строится иерархия приближений. Затем иерархии «сшиваются» между собой .

Способ 3. Сокращение числа обрабатываемых множеств пикселей повышает скорость вычислений .

Если при минимизации приращения Emerge вместо всевозможных пар кластеров анализировать только пары укрупняемых смежных множеств пикселей, называемых суперпикселями, то кластеризация пикселей по методу Уорда выполняется для меньшего числа суперпикселей .

Типовая блок-схема последовательности алгоритмов Обзор методов сегментации изображений и способов повышения вычислительной эффективности позволил сформировать типовую схему, обеспечивающую снижение вычислительной сложности классического метода Уорда. Представленная на рис. 1 схема кластеризации пикселей или сегментации изображения состоит из трех последовательных блоков, первые два из которых имеют различные варианты программной реализации. В первом блоке выполняется быстрое построение грубой иерархии. Во втором блоке выполняется улучшение качества заданного приближения при фиксированном числе цветов (кластеров). В третьем блоке выполняется кластеризация суперпикселей методом Уорда .

Рис. 1. Типовая блок-схема последовательности алгоритмов аппроксимации изображения

–  –  –

Блок «а) построение иерархии связных сегментов» быстро строит грубую иерархию приближений, генерация которой возможна двумя разными вариантами. Первый вариант заключается в применении модели Мамфорда-Шаха для построения грубой иерархии сегментов, посредством укрупнения сегментов на каждом шаге. Второй вариант заключается в разделении изображения на фрагменты регулярной сеткой с последующей обработкой каждого фрагмента как самостоятельного изображения классическим методом Уорда с последующим объединением иерархий в одну .

Блок «б) Формирование заданного числа суперпикселей» улучшает качество заданного приближения при фиксированном числе кластеров (цветов). Разработанные два базовых алгоритма улучшения качества: SI-метод (Segmentation Improvement) [9, 10] и K-meanless метод (метод К-средних-без-средних) [11, 12]. Множество программных реализаций блока «б)» обусловлено как возможностью комбинированного сочетания пары базовых методов SI и K-meanless (отдельно, последовательно, циклично), так и версиями самих методов (сегментарная, кластерная) .

Применение идеи обратимых операций в обработке изображений Впервые идея применения обратимых операций в вычислительной технике предложена в работе [13]. В работе [9] описано применение встречной пары операций слияния и разделения в обработке изображений .

Отличие развиваемой в настоящей работе идеи от оригинальной [13] в том, что обратная операция слияния по отношению к прямой операции разделения выполняется не обязательно с теми же элементами, что участвовали в прямой операции. Тем самым операция «отката в прошлое состояние» обобщена до операции «выхода в новое состояние» .

SI-метод улучшения качества заданного разбиения изображения заключается в разделении одного сегмента на два и объединения пары смежных в один. На каждом шаге выбирается тройка (1, 2, 3) такая, чтобы по выполнении встречной пары операций «слияния-разделения» значение ошибки падала, соответственно, качество разбиения росло.

Сегмент 1 выбираем из расчета максимального падения значения приращения ошибки при разделении его на составные части:

min E divide (1) 0 max E divide (1) 0 Сегменты 2, 3 объединяем так, чтобы значение суммарной квадратичной ошибки минимально увеличилось:

min Emerge (2, 3) 0 .

В процессе выполнения алгоритма число сегментов изображения (кластеров пикселей) фиксировано .

Показателем качества разбиения служит значение суммарной квадратичной ошибки (ско). При фиксированном числе кластеров пикселей или сегментов изображения лучшему разбиению соответствует меньшее значение ско .

SI-метод заключается в циклическом выполнении пары реверсивных операций слияния-разделения с множествами писклей или сегментами изображения при их фиксированном числе.

На каждом шаге метод стремимся максимально понизить величину ско, характеризующую качество оптимизации разбиения:

min E combine (1, 2, 3) 0 max E combine (1, 2, 3) 0

Условие останова состоит в том, как только суммарное приращение ошибки превысит 0:

Ecombine (1, 2, 3) E divide (1) E merge (2, 3) 0 .

Существует две версии SI-метода: сегментарная и кластерная. В сегментарной версии SI-метода объединяемые множества (2, 3) обязательно должны быть смежными, в кластерной версии – любыми .

Экспериментальные результаты На рис. 3 и 4 представлены результаты улучшений качеств заданных разбиений. Исходное изображение расположено на рис. 3а. Его исходное приближение на рис. 3б задано регулярной сеткой и получено сжатием в 64 раза с последующим восстановлением исходного размера. Каждая клетка представлена усреднением цветов, входящих в нее пикселей. Во втором ряду представлены результаты улучшения качества исходного приближения последовательным применением SI-метода (рис. 3в) и K-meanless метода (рис. 3г). Под каждым приближением приведены показатели качества - значения суммарных квадратичных отклонений .

На рис. 4в приведено «ошибочное» приближение, которое существенно отличается от заданного регулярной сеткой на рис. 3б. Для его генерации использовано вспомогательное изображение «Мандрил» рис. 4а такого же размера 512х512, которое было редуцировано до 1024 цветов/кластеров (рис. 4б). Затем полученные области вспомогательного разбиения (рис. 4б) заполнены пикселями исходного изображения «Лена» (рис. 3а) .

Конечное улучшенное приближение на рис. 4г получено применением пары SI и K-meanless методов в цикле .

Суммарная квадратичная ошибка, сгенерированного «ошибочного» приближения изображения «Лены»

(рис. 4в) на треть выше (качество хуже), чем у приближения, полученного регулярной сеткой (рис. 3б). При этом, суммарное квадратичное отклонение итогового улучшенного приближения рис. 4г (=7,47459) меньше, чем у аналогичного на рис. 3г (=8,19082). Заметим, что применение пары методов (SI и K-meanless) в цикле возвращает более лучший результат, чем их разовое последовательное применение .

http://spoisu.ru

58 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Заключение .

В работе: 1) приведены требования к актуальным алгоритмам сегментации изображений; 2) обосновано предпочтение группы методов кластеризации данных; 3) сопоставлен ряд классически методов кластерного анализа: метод Оцу, Уорда, К-средних, модель Мамфорда-Шаха; 4) обосновано преимущество метода Уорда перед остальными сопоставляемыми методами; 5) описана идея метода Уорда, его достоинства и недостатки; 6) приведены способы организации вычислительного процесса для преодоления вычислительной сложность классического метода Уорда; 7) описана типовая схема последовательности алгоритмов для скоростной аппроксимации изображения иерархической последовательностью приближений .

Предложенная трехэтапная схема позволяет: 1) обойти проблему вычислительной сложности за счет разделения процесса обработки на этапы; 2) строить различные программные реализации блоков при условии использования единой структуры данных .

Приведенные экспериментальные результаты свидетельствуют о пригодности рассматриваемой схемы к улучшению качества любой традиционной сегментации .

Рис. 3. Последовательное применение SI и K-meanless методов Рис. 4. Циклическое применение SI и K-meanless методов

СПИСОК ЛИТЕРАТУРЫ

Поршнев С. В., Левашкина А. О. Универсальная классификация алгоритмов сегментации изображений //Журнал научных публикаций 1 .

аспирантов и докторантов. – 2008. – Т. 3. – С. 163-172 .

2. Ward J.H., Jr. Hierarchical grouping to optimize an objective function. // J. Am. Stat. Assoc. 1963. Vol. 58, Issue 301, P. 236-244 .

3. Otsu N. A threshold selection method from gray-level histograms //IEEE transactions on systems, man, and cybernetics. – 1979. – Т. 9. – №. 1. – С. 62-66

4. Lloyd S. P. Least square quantization in PCM. Bell Telephone Laboratories Paper. Published in journal much later: Lloyd, SP: Least squares quantization in PCM //IEEE Trans. Inform. Theor.(1957/1982) Google Scholar. – 1957 .

5. Mumford D., Shah J. Boundary detection by minimizing functionals // IEEE Conference on Computer Vision and Pattern Recognition. – 1985. – Т. 17. – С. 137-154 .

6. Mumford D., Shah J. Optimal approximations by piecewise smooth functions and associated variational problems //Communications on pure and applied mathematics. – 1989. – Т. 42. – №. 5. – С. 577-685 .

7. Wang Z., Bovik A. C. A universal image quality index //IEEE signal processing letters. – 2002. – Т. 9. – №. 3. – С. 81-84 .

8. Харинов М.В., Ханыков И. Г. Применение метода Уорда для кластеризации пикселей цифрового изображения // Вестник Бурятского государственного университета. Математика, информатика. Улан-Удэ: Изд-во Бурятского госуниверситета, 2016. №4. — С. 34-42 .

9. Харинов М. В., Ханыков И. Г. Оптимизация кусочно-постоянного приближения сегментированного изображения //Труды СПИИРАН. – 2015. – Т. 3. – №. 40. – С. 183-202 .

10. Khanykov I.G., Kharinov M.V., Patel C. Image Segmentation Improvement by Reversible Segment Merging. (2017, December 1-2). Int. Conf. on Soft Computing and its Engineering Applications, icSoftComp-2017, IEEE Gujarat Section Proceedings .

11. Kharinov M. Reclassification formula that provides to surpass K-means method //arXiv preprint arXiv:1209.6204. – 2012 .

12. Dvoenko S. D. Meanless k-means as k-meanless clustering with the bi-partial approach //Proceedings of PRIP 2014 Conference, Minsk. – 2014 .

13. Toffoli T. Reversible computing //International Colloquium on Automata, Languages, and Programming. – Springer, Berlin, Heidelberg, 1980. – С. 632-644 .

http://spoisu.ru ТЕОРЕТИЧЕСКИЕ ПРОБЛЕМЫ ИНФОРМАТИКИ И ИНФОРМАТИЗАЦИИ

УДК 004.932

ОСОБЕННОСТИ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ В

ОБЛАСТИ ОБРАБОТКИ ВИДЕОДАННЫХ

Харинов Михаил Вячеславович Санкт-Петербургский институт информатики и автоматизации Российской академии наук 14-я линия В.О., 39, Санкт-Петербург, 199178, Россия e-mail: khar@iias.spb.su Аннотация. В статье формализуется задача локализации и детектирования объектов на цветовом изображении. Обсуждаются стереотипы, сложившиеся в области обработки цифровых изображений, которые препятствуют активному применению основ кластерного анализа. Анализируются возможности применения классических методов локализации и детектирования объектов посредством генерации иерархической последовательности кусочно-постоянных приближений изображения, описываемой выпуклой последовательностью значений суммарной квадратичной ошибки. Описываются особенности структуры данных, поддерживающей скоростные обратимые вычисления и запоминание миллионов приближений изображения в оперативной памяти компьютера. Для характеристики наличия объектов на изображении вводится «мера яркостной неоднородности участков изображения», которая оценивается как абсолютная величина приращения суммарной квадратичной ошибки при разделении надвое кластеров пикселей. Предлагается способ кодирования иерархической последовательности разбиений цветового изображения посредством стереопары его полутоновых представлений. Приводятся результаты эксперимента .

Ключевые слова: цифровое изображение; аппроксимация; кусочно-постоянное приближение;

кластеризация пикселей; сегментация; иерархия; среднеквадратичное отклонение; суммарная квадратичная ошибка; выпуклая последовательность; метод Уорда; метод K-средних .

FEATURES OF INFORMATION TECHNOLOGIES OF OBJECT DETECTION IN IMAGE PROCESSING

Kharinov Mikhail St. Petersburg Institute for Informatics and Automation of the Russian Academy of Science 39 14th liniya, Vasilievsky Island, St. Petersburg, 199178, Russia e-mail: khar@iias.spb.su Abstract. In the paper the problem of localization and detection of objects on a color image is formalized. The stereotypes taken place in the field of processing digital images, which hinder the active application of the basics of cluster analysis are discussed. The utilization of classical methods of cluster analysis for object localization and detection through the generation of a hierarchical sequence of piecewise constant image approximations described by a convex sequence of values of the total squared error are analyzed. Features of the data structure supporting high-speed reversible computations and storingof millions of image approximations in the computer's RAM are described. To characterize the presence of objects in the image, a «measure of the brightness nonuniformity of the image areas» is introduced, which is estimated as the absolute value of the increment of the total squared error caused by dividing into two of pixel clusters. A method for encoding of a hierarchical sequence of color image partitions by means of a stereopair of its halftone representations is proposed. The experimental results are presented .

Keywords: digital image; approaching; piecewise constant approximation; pixel clustering; segmentation;

hierarchy; standard deviation; total squared error; convex sequence; Ward’s method; K-means method .

Введение .

Стремительное развитие вычислительной техники и ее внедрение в большинство областей человеческой деятельности сталкивается с необходимостью частичного пересмотра базовых методов обработки данных и общепринятых стереотипов, сложившихся в предшествующий период использования циркуля, линейки и арифмометра в качестве основных инструментов теоретических и практических расчетов. В сочетании с мультидисциплинарной направленностью большинства рейтинговых научных источников и недостаточно рентабельным финансированием перспективных разработок в России основным препятствием для создания эффективных информационных технологий становятся неточности интерпретации общеизвестных научных положений. При этом оказывается особенно актуальной модернизация классических принципов обработки данных, обеспечивающие технологический прогресс без чрезмерных трудовых и прочих затрат .

Область цифровой обработки изображений возникла с появлением ЭВМ. При этом ограничения классических методов обработки данных в обработке изображений оказались наиболее заметны.

В частности, это касается классического кластерного анализа, применение которого в обработке изображений крайне ограничено изза сложившихся стереотипов, к которым относятся утверждения, касающиеся аппроксимации изображения кусочно-постоянными приближениями:

cложность современных изображений резко увеличилась и продолжает возрастать;

минимизация СКО (среднеквадратичного отклонения) является NP- полной задачей;

критерий СКО «плохо согласуется с критерием субъективного восприятия» [1];

метод К-средних является методом, минимизирующим СКО;

без привлечения априорных данных об изображении не возможна его эффективная обработка .

http://spoisu.ru

60 РЕГИОНАЛЬНАЯ ИНФОРМАТИКА И ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

В совокупности, перечисленные и подобные им утверждения, без необходимых оговорок, побуждают к ошибочному заключению о неприменимости классического кластерного анализа для построения, программной реализации и широкого внедрения математических моделей изображения, анализируемого без предварительного обучения программной системы и привлечения априорных данных о содержании сцены .

На самом деле:

до тех пор, пока возможности современных средств машинного зрения уступают возможностям человека, сложность изображений, оцениваемая по количеству объектов, остается практически неизменной;

минимизация СКО действительно является NP-полной задачей, если речь идет о точном решении. Но в большинстве случаев обсуждается приближенное решение и ограниченное число кластеров пикселей или сегментов изображения;

СКО плохо согласуется с субъективным восприятием при сравнении двух независимых изображений .

Если же изображение сравнивается со своим кусочно-постоянным приближением, то оценка СКО вполне адекватна .

условие минимизации расстояний до центров кластеров в методе К-средних не следует из условия минимизации СКО и приводит к множеству ложных «локальных» минимумов .

преимущественно за рубежом активно развивается направление «Salient region detection», в котором не учитывается заранее известный контекст изображения .

Целью статьи является развитие модели детектирования объектов на цифровых изображениях с учетом перечисленных уточнений .

Постановка задачи. Постановка задачи локализации и детектирования объектов сцены подобна постановке задачи вычисления на изображении «наиболее заметных областей» (salient region detection [2,3]). При этом для изображения строится, так называемая, карта заметных областей, которая обычно преобразуется в черно-белую маску «объект-фон» пороговым преобразованием .

В нашей модели кластеризации пикселей изображения постановка задачи [2,3] обобщается и развивается. На выходе кластеризации поддерживается бинарная иерархия кластеров, сформированная в алгоритме итеративного слияния множеств пикселей. Выходная иерархия кластеров содержит N приближений изображения. Приближения содержат всего 2 N 1 различных кластеров пикселей. Из них N кластеров неделимы, т к. состоят из отдельных пикселей, а для каждого из N 1 остальных кластеров поддерживается операция разделения надвое, при которой запоминается и, по мере необходимости, восстанавливается пара кластеров пикселей 1 и 2, слиянием которых данный кластер 3 получен: 3 1,2 : 3 1 2 .

Иерархическая кластеризация пикселей, в частности, сегментация изображения, выполняется для последующей фильтрации и формирования «объектов интереса» из множества «объектов», детектируемых компьютером в виде кластеров пикселей приближений изображения. Пиксели приближения, относимые к различным кластерам, при актуальных значениях числа кластеров различаются по цвету .

На этапе кластеризации пикселей, выполняемой для последующей фильтрации объектов, возникает проблема упорядочения кластеров пикселей (цветов) по некоторому признаку «заметности», «контрастности» [2,3] или, в терминологии [4], «сложности» фрагмента изображения. Фактически, требуется ввести своего рода меру яркостной неоднородности пикселей на участках изображения, обеспечивающую локализацию и детектирование иерархически структурированных объектов, и при этом являющуюся таким же предсказуемым параметром, как число n пикселей в кластере, которое монотонно уменьшается по мере разделения данного кластера 1 2 на составные части 1 и 2 : n1 2 n1, n2 .

Минимизация СКО. Для решения сформулированной задачи необходимо эффективно вычислять квазиоптимальные приближения изображения, аппроксимирующие оптимальные приближения с установленной точностью .

Известно, что последовательность оптимальных приближений в зависимости от числа g кластеров пикселей в приближении описывается монотонно возрастающей последовательностью E2 E3.....

E N 1 0 неположительных приращений E или выпуклой последовательностью самих значений E :

E g 1 E g 1 Eg, g 2, 3,..., N 1. (1) В общем случае последовательность оптимальных приближений не является иерархической, в чем нетрудно убедиться на примере изображения с линейным возрастанием яркости по одной из координат. Для вычисления, запоминания и преобразования оптимальных приближений цветового изображения с разумной вычислительной сложностью пока не создано эффективных алгоритмов. Поэтому в развиваемой модели квазиоптимальной кластеризации пикселей решается задача аппроксимации последовательности оптимальных приближений

g кластеров пикселей от 1 до N. Полагается, что:

иерархической последовательностью приближений с числом в целевой иерархии квазиоптимальных приближений любая тройка вложенных друг в друга кластеров описывается выпуклой последовательностью трех значений ошибки аппроксимации. Так же, как это имеет место в случае неирархической последовательности оптимальных приближений;

при некотором числе кластеров g 0, задаваемом в диапазоне от 2 до N 1, иерархия квазиоптимальных приближений максимально приближается по E к последовательности оптимальных приближений .



Pages:   || 2 | 3 | 4 | 5 |   ...   | 7 |



Похожие работы:

«Российская Федерация Правительство Новгородской области ДЕПАРТАМЕНТ ИМУЩЕСТВЕННЫХ ОТНОШЕНИЙ И ГОСУДАРСТВЕННЫХ ЗАКУПОК НОВГОРОДСКОЙ ОБЛАСТИ ПРИКАЗ 28.12.2015 № 3475 Великий Новгород Об условиях приватизации недвижимого имущества В соответствии с пп. 12 п...»

«Вычислительные технологии Том 21, № 5, 2016 Теоретический метод для оценки и сравнения производительности процессоров на базе архитектуры ARM A. A. Величко1, А. А . Ракитский2,*, Б. Я. Рябко2 Сибирский государственный университет телекоммуникаций и информатики, Новосибирск, Россия Институт вычислительных технологий...»

«Proceedings of the International Congress of Mathematicians August 16-24, 1983, Warszawa Б. С. КАШИН Некоторые результаты об оценках поперечников Статья посвящена оценкам поперечников классов гладких функций и конечномерных мно...»

«"Национальный открытый институт" Сибирев В.Н., Спиридонов В.В. Операционные системы Методические указания к выполнению практических работ Рекомендовано Методической комиссией по качеству Национального открытого института для студентов, обучающихся п...»

«1. НАЗНАЧЕНИЕ И СОСТАВ ИСМ МИРАЖ 4 1.1 Основные принципы функционирования ИСМ Мираж _ 5 1.2 Состав ИСМ Мираж _ 5 2 ФУНКЦИОНАЛЬНЫЕ ВОЗМОЖНОСТИ ПЦН _ 6 3. АППАРАТНЫЕ СРЕДСТВА ПЦН _ 7 3.1 КОММУНИКАЦИОННОЕ ОБОРУДОВАНИЕ...»

«Работа 7 Программа LESSA РАБОТА 7 СТАТИСТИЧЕСКАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ ПРОГРАММЫ LESSA И ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ Освоение работы с программой LESSA. Знакомство с тектонической интерпретации результатов. Закрепление навыка фиксации ма...»

«1 УДК 681.58:681.32 ПРЕОБРАЗОВАТЕЛЬ НАПРЯЖЕНИЯ С ПИТАНИЕМ ОТ НИЗКОВОЛЬТНОГО ИСТОЧНИКА Матвеев Д.А., Мускатиньев А.В. ГОУВПО "Мордовский государственный университет им. Н. П. Огарева", г. Саранск E-mail: muskatav@mail.ru Аннотация. В статье обсуждается структура инверторного источника с выходным напряжением ~ 250 В и питанием от аккумуляторно...»

«ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ И СИСТЕМЫ УДК 681.782.49 DOI: 10.17586/0021-3454-2015-58-11-908-914 УСТОЙЧИВОСТЬ МЕТОДА ФАЗОВОЙ КОРРЕЛЯЦИИ К ВОЗМУЩАЮЩИМ ВОЗДЕЙСТВИЯМ ПРИ СОЗДАНИИ ПАНОРАМНЫХ ЦИФРОВЫХ ИЗОБР...»

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГУМАНИТАРНЫЙ ФАКУЛЬТЕТ Кафедра информационных технологий ЭЛЕКТРОННЫЙ УЧЕБНО-МЕТОДИЧЕСКИЙ КОМПЛЕКС ПО УЧЕБНОЙ ДИСЦИПЛИНЕ "ОПЕРАЦИОННЫЕ СИСТЕМЫ" ДЛЯ СПЕЦИАЛЬНОСТИ "ПРИКЛАДНАЯ ИНФОРМАТИКА" 1-31 03 07 Составитель...»

«Социология коммуникаций © 2001 г. Н.В. РОМАНОВСКИЙ СОЦИОЛОГИЯ ЗНАНИЯ-НОВЫЕ ВЫЗОВЫ РОМАНОВСКИЙ Николай Валентинович заместитель главного редактора журнала Социологические исследования. Среди обсуждаемых (в том числе в журнале Социологические исследования) грядущих крупных изменений во многих сферах обществ...»

«АННОТАЦИЯ Необходимо: Законодательно повысить ответственность в части соблюдения хозяйствующими субъектами инструментального контроля качества, добываемого ПНГ на всех этапах его движения от добычи до переработки и реализации (предусмотрев учет естественной убыли и Тема урока: "Расчет стоимости технологических сорбент...»

«ЛАЗЕРНАЯ ФИЗИКА И СПЕКТРОСКОПИЯ МАТЕРИАЛЫ КОНФЕРЕНЦИИ Часть 2 *1 Министерство образования Республики Беларусь Гродненский государственный университет имени Янки Купалы Национальная академия наук Беларуси Отделение физики, математики и информатики НАНБ Белорусский республик...»

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ "ВОРОНЕЖСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ" Е. К. Нагина, В. А. Ищенко VISUAL BASIC FOR APPLICATIONS ПРАКТИКА Учебно-методическое пособие по информатике для вузов Изд...»

«Материалы XII Всеросс. семинара "Нейроинформатика и её приложения", Красноярск, 2004. 196с. – С.145-151. ОБЩАЯ НЕЭФФЕКТИВНОСТЬ ИСПОЛЬЗОВАНИЯ СУММАРНОГО ГРАДИЕНТА ВЫБОРКИ ПРИ ОБУЧЕНИИ НЕЙРОННОЙ СЕТИ...»

«Засухина Елена Семеновна Быстрое автоматическое дифференцирование в задачах оптимального управления Специальность 01.01.09 Дискретная математика и математическая кибернетика Автореферат диссертации на соис...»

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНСТИТУТ МЕЖДУНАРОДНЫХ ОТНОШЕНИЙ (УНИВЕРСИТЕТ) Кафедра информатики и математических методов В.М. ГОРДУНОВСКИЙ, С.А. ГУТНИК, С.Ю. САМОХВАЛОВ ВВЕДЕНИЕ В СИСТЕМЫ БАЗ ДАННЫХ...»

«ReBus-2 ReBus-3 Программное обеспечение SonPRG2M.100 арт. 604 00 РУКОВОДСТВО ПО ЭКСПЛУАТАЦИИ Москва Содержание 1. Общие сведения 1.1. Назначение 1.2. Состав пакета программного обеспечения 1.3. Установка и запуск програм...»

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ Государственное образовательное учреждение высшего профессионального образования Тихоокеанский государственный университет УТВЕРЖДАЮ Проректор по учебной работе С.В. Шалобанов “_” 2007 г. ПРОГ...»

«drajver_dlya_myshi_havit_hv-ms921gt.zip Нажмите "Кнопка Вперед + колесо прокрутки", чтобы настроитьПрофессиональный Игровой Чип HAVIT HV-MS794 Программируемая игровая мышь использует высококачественный чип для профессиональных игр AVAGO A3050, обеспечивающий быстрый переход на различные игры. Также мышки оснащены д...»

«БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Проректор по учебной работе _ А.Л. Толстик (подпись) (И.О.Фамилия) _27.09.2012г._ (дата утверждения) Регистрационный № УД-_8265_/баз. НЕЛИНЕЙНАЯ ОПТИКА Учебная программа для специальности 1-31 04 01 "Физика" 2012 г.Составитель: А.Л. Толстик – прорект...»

«TNC 640 Руководство пользователя "Диалог открытым текстом HEIDENHAIN" Программное обеспечение с ЧПУ 340590-02 340591-02 340594-02 Русский язык (ru) 12/2013 Элементы управления ЧПУ Элементы управления ЧПУ Режимы программирования Кнопка Функция Э...»




 
2019 www.mash.dobrota.biz - «Бесплатная электронная библиотека - онлайн публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.