Учебное пособие 2036

Снятие и обезвреживание мин могут производить только специалисты инженерных войск!

И только в том случае, когда необходимо соблюдать тишину или когда взрыв мины приведет к разрушениям, ставящим под угрозу своевременное выполнение подразделением боевой задачи.

Работы по удалению мины вручную можно начинать только после того, как убедишься в полной безопасности подобных действий.

Основные правила снятия и обезвреживания мин вручную.

1.Щупом определи точное место расположения мины.

2.Определи тип мины, осторожно удали грунт сверху и вокруг мины, проверь наличие элементов неизвлекаемости.

3.Определи тип мины и убедись в отсутствии внутренней электровзрывной цепи.

4.Отсоедини все проводные устройства сверху и с боков мины.

5.Выкопай лунку с одной из сторон мины и проверь наличие донного элемента неизвлекаемости. Осмотр удобен при помощи зеркальца.

6.Сдерни мину с места установки кошкой из-за укрытия.

7.Осторожно отнеси мину в безопасное укрытие.

8.Не трогай мину в случае наличия на взрывателе явных следов механических повреждений.

9.Огради место хранения (уничтожения) мины, организуй уничтожение. Правила снятия мин кошкой Кошка – самый безопасный способ справиться с минами, снаряженными

электронными и донными взрывателями, а также элементами неизвлекаемости

инеобезвреживаемости.

1.Откопай мину, не трогая ее на месте установки, настолько, чтобы можно было прикрепить к ней кошку (веревку).

2.Прикрепи кошку (веревку) за мину.

3.Убедись в отходе личного состава на безопасное расстояние.

4.Займи укрытие на всю длину веревки (не менее 50 м) и осторожно вытяни мину из лунки.

5.Приближайся к мине не ранее 30 с после извлечения из лунки.

6.Проверь место установки мины на наличие еще одного боеприпаса.

7.При необходимости извлеки взрыватель из мины или обезвредь электровзрывную цепь.

8.Перенеси мину на место складирования перед уничтожением или на склад для повторного использования. [2, 3]

Таким образом, опыт сплошного разминирования в течении не одного десятилетия выдвинули порядок работы в разных ситуациях. Соблюдение данных правил значительно уменьшило количество смертей от детонации и неудачных попыток разминирования мин и других взрывоопасных предметов.

150

Литература

1.Грушевский Д. П., Организация выполнения работ разминирования по опыту ведения боевых действий вооруженных сил Российской Федерации в Чеченской Республике.

2.Михайлов А., Иракский капкан / А. Михайлов. – М: Яуза, Эксмо, 2004. – 544 с.

3.Поплавский В.Г., Средства поиска мин и взрывоопасных предметов: учеб. пособие / В.Г. Поплавский. – М: ФГУ «61 НИИИ (ЖВ)» МО, 2006. – 235 с.

4.Наставление по военно-инженерному делу для Советской армии: введено в действие Главнокомандующим СВ СА от 10.11.1982 г. № 67. – М.: СВ, 1982. – 575 с.

Белорусский национальный технический университет, Республика Беларусь

УДК 621.3; 681.3

Г.В. Петрухнова, С.А. Пруткова

ВЕРОЯТНОСТНОЕ ТЕСТИРОВАНИЕ КОНЕЧНЫХ АВТОМАТОВ

Рассматриваются вопросы построения случайных тестов контроля функционирования конечных автоматов по принципу «годен - негоден». Конечный автомат представлен в виде «черного ящика».

Конечный автомат (КА) – это абстрактная математическая модель для преобразования дискретной информации, которая имеет конечное число состояний, входных воздействий и реакций на воздействия. Для КА определен набор переходов между состояниями, и каждый переход помечается вызывающим его входным воздействием и выдаваемой реакцией. Используя КА, можно моделировать цифровые схемы, программные модули, искусственный интеллект в играх, нейронную сеть и другие объекты. КА функционирует в дискретной шкале времени, и в момент времени может находиться только в одном состоянии. В статье исследуемый объект будем рассматривать в виде модели «черный ящик», и проверка работы реализации КА будет осуществляться в контрольных точках.

Тестирование КА взвешенными псевдослучайными наборами позволяет сократить длину теста и сократить затрачиваемое на этот процесс время. В качестве объектов тестирования рассматривались программные модели цифровых устройств.

КА представим в виде «черного ящика». Пусть КА имеет L первичных независимых входов и k контрольных точек, к которым имеется доступ. К входам КА подключим генератор псевдослучайных чисел и будем подавать на входы с различной вероятностью единичные и нулевые сигналы. Вероятность

151

единичного сигнала называется весом. Таким образом, имеется вектор весов

устройств, когда все координаты, составляющие вектор весов, равны 0.5. Близкий к оптимальному вектор весов не всегда состоит из координат, равных 0.5, и позволяет сократить длину псевдослучайного теста [1], [2].

Задача оптимизации распределения вероятностей входных сигналов при псевдослучайном тестировании КА может быть сформулирована следующим

значение:

H=(1/N) h1+(1/K) h2+(1/K) h3,

Причем

где N – длина случайного теста, K – число контрольных точек КА, R – число возможных откликов КА на входные воздействия, = 2 .

Для исследования энтропийного критерия были построены программные модели дискретных устройств, в которые вносились модели возможных неисправностей реальных цифровых схем – модели одиночных неисправностей типа «константная» и «короткое замыкание». При этом предполагалось, что "короткое замыкание" может возникнуть между любыми соединительными линиями тестируемой схемы. Для представленных ДУ строились тесты, проверяющие все возможные одиночные дефекты указанных выше типов. Подавались кодовые наборы из области допустимых значений, отслеживалась корректность переходов КА из одного состояния в другое. Для анализа

152

полученных результатов рассматривались тесты из различных литературных источников. Оценивалась вероятность появления единичного сигнала на каждом выходе по ее относительной частоте с достоверностью 0.95 и погрешностью не более 0.03. Для этого требуется выборка, содержащая около 1000 наборов.

В результате исследований были получены тесты, по длине не превосходящие оптимальные. Тестирование взвешенными случайными последовательностями оказалось более эффективным по сравнению тестированием случайными последовательностями с равномерно распределенными нулевыми и единичными логическими сигналами.

Литература

1.Петрухнова Г. В. Анализ свойств симметрии бинарной матрицы в задачах тестирования цифровых устройств // Актуальные проблемы прикладной математики, информатики и механики: труды Междунар. науч. конф. Воронеж: Научно-исследовательские публикации, 2018. с.1595-1606.

2.Петрухнова Г.В. Энтропийный критерий на основе меры симметричности бинарной матрицы. – Рязань: Вестник РГРТУ, 2019. с.66-72.

ФГБОУ ВО «Воронежский государственный технический университет», Россия

УДК 004.42

Ю. Б. Попова

ИНТЕЛЛЕКТУАЛЬНАЯ ОБУЧАЮЩАЯ СИСТЕМА CATS

Введение. Интеллектуальные обучающие системы (ИОС) позволяют реализовать процесс обучения с помощью динамически развивающейся базы знаний с учетом оптимального варианта обучения для каждого обучаемого при наличии автоматизированного учета и анализа получаемой информации, поступающей в базу данных [1]. В большинстве своем ИОС – это высокоструктурированные системы для обучения, в которых программным образом определяется формат обучения, возможности и формы деятельности обучаемого, реализуется постепенное приближение к поставленной цели обучения. В [2] к основным этапам работы ИОС относят построение курса обучения и поддержку в решении задач.

Целью этапа построения курса обучения является предоставление обучаемому наиболее оптимальной, унифицированной последовательности блоков знаний для изучения, а также последовательности заданий (примеров, вопросов, задач и т. д.) для практических занятий. Различают следующие виды построения последовательностей: активные и пассивные [2]. Активное построение последовательности предусматривает наличие активной цели

153

обучения, т.е. наличие определенного подмножества понятий для овладения. Подобные системы с активной последовательностью могут создать наиболее приемлемый индивидуальный путь для достижения целей обучения. Пассивная последовательность не требует активной цели и включается в процесс, когда пользователь не способен решить поставленную задачу или ответить на вопрос корректно.

Поддержка и помощь в решении задач обычно рассматривается как основная характеристика ИОС. Как правило, выделяют три способа поддержки в решении задач: интеллектуальный анализ решений обучаемого, интерактивная поддержка в решении задач и поддержка в решении задач на примерах [2]. Эти способы предназначены для того, чтобы помочь студенту в процессе решения поставленной задачи, однако их реализация происходит поразному.

Интеллектуальный анализ решений обучаемого работает с итоговыми ответами на задачи. В процессе анализа решенной задачи система должна оценить верность и корректность решения и, по возможности, определить, какие пробелы в знаниях повлекли за собой ошибку, и как эти пробелы можно закрыть. Интеллектуальные анализаторы решений могут предоставлять обучаемым обратную связь и обновлять модель обучаемого.

Интерактивная поддержка в решении задач предоставляет при необходимости интеллектуальную помощь обучаемому в процессе решения задачи. Уровень поддержки может отличаться в зависимости от сложности задания и модели обучаемого. Системы, в которых используется подобный способ, наблюдают за действиями обучаемых, анализируют их и используют полученные данные для принятия решения о необходимости помощи такими способами, как, например, советы, подсказки или сообщения о неверно сделанном в процессе решения шаге.

Поддержка в решении задач на примерах предоставляет возможность обучаемым решать задачи без акцентирования внимания на их ошибках, предлагая примеры схожих задач, успешно решенных ими ранее.

Таким образом, интеллектуальные обучающие системы с обратной связью, реализующие адаптивность к модели обучаемого, а также к образовательному контенту, могут в значительной степени оптимизировать процесс обучения.

Описание предлагаемой разработки. Авторский проект CATS (англ., Care About The Students) является интеллектуальной обучающей системой и предназначен для повышения качества подготовки специалистов дневной, заочной, дистанционной форм обучения, а также для самостоятельной работы. Использование в проекте информационных технологий, средств мультимедиа и телекоммуникаций улучшает динамику и содержательность учебных заданий, процесс их выполнения, контроль, оценку и успешность обучения. ИОС CATS реализована в виде веб-приложения c трехуровневой архитектурой. Сервер баз данных (БД) представляет собой слой данных, обеспечивает их хранение, вынесен на отдельный уровень, реализован средствами системы управления

154

базой данных Microsoft SQL Server. Подключение к этому компоненту возможно только с уровня сервера приложений, обеспечивающего организацию взаимодействия клиентов и сервера БД. Сервер приложений (WEB-сервер) представляет собой связующий слой, на н м сосредоточена большая часть бизнес-логики. Вне его остаются только фрагменты, экспортируемые на клиента (терминалы), а также элементы логики, погруженные в базу данных (хранимые процедуры и триггеры).

С точки зрения функциональных возможностей предлагаемая обучающая система поддерживает работу в 4 ролях: администратор, преподаватель, студент и наблюдатель. Подробное описание системы приведено в [3-6]. Интеллектуальное обучение в CATS взаимодействует с двумя программными модулями системы: электронный учебно-методический комплекс (ЭУМК) и модуль для тестирования знаний. В ЭУМК можно создавать электронный учебник, разбивая его на отдельные темы для изучения, добавляя файлы формата PDF, видео- и аудиозаписи. В модуле для тестирования знаний создаются тесты, вопросы которых связываются с темами из ЭУМК (рисунок

1).

Основная идея интеллектуальной составляющей системы CATS состоит в применении искусственной нейронной сети (ИНС) к конкретному учебному материалу, чтобы по окончании изучения курса или его отдельной темы обучающийся мог без участия преподавателя определить не только свой уровень знаний, проходя тесты, но и получить определенные рекомендации, какой материал необходимо изучить дополнительно вследствие конкретных пробелов в изучаемых вопросах. Такой подход также позволяет провести первоначальный анализ знаний до изучения материала и предоставить строго определенный, уникальный для каждого отдельного обучающегося набор материалов для изучения [7].

Рис. 1. Копия экрана связывания вопроса теста с темами ЭУМК

155

Для решения описанной задачи была выбрана автоматически генерируемая искусственная нейронная сеть. Количество входов зависит от количества вопросов, на которые должен ответить обучающийся. Количество выходов зависит от количества тем, к которым относятся вопросы выбранного для прохождения теста. Внутренний (скрытый) слой искусственной нейронной сети определяется количеством входных нейронов, разделенным на 2. Количество скрытых слоев зависит от количества входов (рис. 2). Чем больше скрытых слоев в ИНС, тем лучше может быть обучена искусственная нейронная сеть, тем распределение данных будет равномернее. Таким образом, все вопросы теста являются обучающей выборкой, генерация которой происходит после нажатия преподавателем на соответствующую кнопку. Обучающая выборка отправляется на обработку в блок создания и обучения искусственной нейронной сети определенного размера в зависимости от исходных данных.

Рис. 2. Графическое изображение искусственной нейронной сети для 10 вопросов по 3 темам изучаемого курса

Заключение. Разработанная ИНС может быть применена для изучения любой учебной дисциплины с различным количеством тем и вопросов по учебному материалу. В настоящее время под готовые электронные учебнометодические комплексы, разработанные в обучающей системе CATS, формируются наборы тестов, связанные с отдельными темами ЭУМК, по дисциплинам «Тестирование и отладка программного обеспечения», «Надежность программного обеспечения», «Модульное тестирование» для подготовки инженеров-программистов на факультете информационных технологий и робототехники в Белорусском национальном техническом университете. Интеллектуальная обучающая система CATS доступна как в локальной сети университета, так и в сети Интернет по адресу educats.by. Применение описанного в данной работе подхода позволит значительно сократить время изучения данных учебных дисциплин.

156

Литература

1.Семенова Н.Г., Семенов А.М., Крылов И.Б. База знаний интеллектуальной обучающей системы технической дисциплины // Вестник Оренбургского государственного университета. 2013. № 9. С. 44–54.

2.Пелюшенко А.В. Обучающие среды и интеллектуальные обучающие системы: возможности использования в образовательном процессе // Известия Волгоградского государственного технического университета. 2006. №3. C. 48– 50.

3.Попова Ю.Б., Яцынович В.В. Автоматизированная система поддержки учебного процесса в вузе // Информатизация образования – 2010: педагогические аспекты создания информационно-образовательной среды: материалы междунар. науч. конф., 27–30 окт. 2010 г. – Минск: БГУ, 2010. – C. 400–404.

4.Попова Ю.Б. Функциональные возможности автоматизированной системы управления обучением CATS (Care About The Students) // Информатизация образования и методика электронного обучения: материалы II Междунар. науч. конф. Красноярск, 25–28 сентября 2018г.: в 2 ч. Ч. 1 / под общ. ред. М.В. Носкова. – Красноярск: Сиб. федер. ун-т, 2018. – С. 232–236.

5.Попова Ю.Б., Яцынович С.В. Программная реализация миграции контента по стандарту SCORM в системе управления обучением // Системный анализ и прикладная информатика. 2016. №1. С. 86–97.

6.Попова Ю.Б., Голобурда А.С. Алгоритмическая и программная реализация определения плагиата в системах управления обучением // Системный анализ и прикладная информатика. 2017. №1. С. 71–78.

7.Попова Ю.Б., Яцынович С.В. Применение искусственной нейронной сети для определения степени усвоения учебного материала / Математические методы в технике и технологиях: сб. тр. междунар. науч. конф.: в 12 т. Т. 10 / под общ. ред. А.А. Большакова. – Спб.: Изд-во Политехн. ун-та, 2018. – С. 89– 92.

Белорусский национальный технический университет, Республика Беларусь

УДК 004.4

Ю.В. Минаева, Д.С. Гладилкин, И.А. Волосникова

ПРОГРАММНЫЕ ПРОДУКТЫ ДЛЯ АНАЛИЗА И ВИЗУАЛИЗАЦИИ РЕЗУЛЬТАТОВ НАБЛЮДЕНИЙ

Обработка и анализ экспериментальных данных, полученных в результате наблюдения за исследуемым объектом или явлением, представляют собой сложный и трудоемкий процесс, особенности которого зависят от целей исследования, объема накопленных данных и методов их сбора.

157

Для автоматизации деятельности специалиста-аналитика разработано большое количество программных продуктов, наиболее популярными из которых являются MS Excel, Calc, STATISTICA, SPSS.

Microsoft Excel – это программный продукт, разработанный корпорацией

Microsoft и входящий в стандартную поставку Microsoft Office [1, 2]. Excel

является достаточно распространенным инструментом, используемым для работы с электронными таблицами. Свою популярность продукт приобр л из-за интуитивно понятного интерфейса и большого количества функций для работы со статистическими данными. Одним из самых распространенным инструментов Excel являются сводные таблицы, предназначенные для обобщения, анализа и визуализации данных. Также в MS Excel существует специальная надстройка «Пакет анализа», содержащий расширенный набор функций анализа и описания различного рода массивов данных. Инструменты данного пакета позволяют выполнять такие вида обработки данных, как подсчет параметров описательно статистики, дисперсионный, регрессионный анализ, сглаживание данных и т.д. Однако использование Microsoft Excel допустимо лишь в тех случаях, когда необходимо выполнить простейшие операции на подобии вычисления описательных статистик, сортировки данных или построения простейших графиков.

Apache OpenOffice.org Calc — это табличный процессор, входящий в состав OpenOffice.org. С его помощью можно анализировать вводимые данные, заниматься расч тами, прогнозировать, сводить данные с разных листов и таблиц, строить диаграммы и графики [3]. Пошаговый ввод формул в ячейки электронных таблиц с помощью Мастера облегчает формирование сложных и вложенных формул, демонстрирует описания каждого параметра и конечный результат на любом этапе ввода. Условное форматирование и стили ячеек позволяют упорядочить готовые данные, а сводные таблицы и графики показывают итоги работы. Более двух десятков форматов импорта и экспорта файлов, включая функции импорта текста, позволяют оперировать практически любыми данными.

Пакет STATISTICA разработан компанией Statsoft и предназначен для статистического анализа данных, полученных в результате исследований. Он включает такие методы, как корреляционный, регрессионный, дискриминантный, факторный, кластерный анализ и др. Для визуализации результатов исследований и вычислений пакет содержит более сотни графиков от стандартных до специализированных статистических [4].

SPSS Statistics - это программный пакет, который используется для интерактивного или пакетного статистического анализа. Название программного обеспечения первоначально означало статистический пакет для социальных наук (Statistical Package for the Social Sciences – англ.) и отражало первоначальную направленность на проведение прикладных исследований в общественных и гуманитарных науках, но в настоящее время данное программное обеспечение применяется для обработки данных и в других областях, включая медицинские науки и маркетинг, и используется

158

маркетологами, социологами, компаниями, специализирующимися на исследовании общественного мнения и другими [5]. Продукт поддерживает графический и прямой способ взаимодействия с пользователем. Большинство функций доступны через набор раскрывающихся либо всплывающих окон, но полный спектр возможностей доступен лишь при использовании встроенного пакета программирования. Командный синтаксис позволяет упростить вывод результатов и итерационные обработки операций анализа. Также пакета программирования позволяет решить более сложные задачи по обработке больших объ мов данных и вычислений. Одной из особенностей продукта является возможность работы в интерактивном и автономном режимах, используя поставляемое разработчиком средство производственного задания.

Литература

1.Microsoft Excel – Wikipedia [Электронный ресурс]: https://en.wikipedia.org/wiki/Microsoft_Excel (Дата обращения: 23.04.2019).

2.What is Microsoft Excel and What Does It Do [Электронный ресурс]: https://www.lifewire.com/what-is-microsoft-excel-3573533 (Дата обращения: 27.04.2019).

3.Apache OpenOffice Calc [Электронный ресурс]: http://www.openoffice.org/product/calc.html (Дата обращения: 27.04.2019).

4.Халафян А.А. STATISTICA 6. Статистический анализ данных / А.А. Халафян. М.: ООО «Бином-Пресс». 2007. 512 с.

5.SPSS – Wikipedia [Электронный ресурс]: https://en.wikipedia.org/wiki/SPSS (Дата обращения: 25.04.2019).

ФГБОУ ВО «Воронежский государственный технический университет», Россия

УДК 004.92

Г.В. Воронцов, А.А. Рындин, Ю.П. Преображенский

ПРОБЛЕМА ПРИМЕНЕНИЯ АЛГОРИТМА ТРАССИРОВКИ ПУТИ

ВСИСТЕМАХ ВИЗУАЛИЗАЦИИ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ

Впоследнее время технологии трассировки получили существенное развитие, компания-разработчик видеокарт и программного обеспечения Nvidia выпустило новое поколение видеокарт с технологией RTX. Данная технология позволяет использовать алгоритм трассировки лучей вместе с методом растеризации в системах визуализации трехмерных сцен в режиме реального времени. Метод трассировки лучей используется для уточнения результатов таких эффектов, как отражение, преломление и затенение. Метод трассировки лучей не позволяет получить физически корректный результат вычисления поведения фотонов в трехмерном пространстве, так как используется

159