ivdon3@bk.ru
Мобильные приложения сегодня – это необходимый инструмент для работы, учебы, развлечений и связи со всем информационным миром. С каждым годом возрастают требования к приложениям, а также потребность в стабильных и многофункциональных программных средствах, которые будут способны быстро выполнять поставленные перед ними задачи. Хоть большинству приложений и необходим доступ в интернет для связи с сервисами, требуется также обеспечить и сохранность данных на самом устройстве, чтобы была возможность оффлайн - доступа к данным. Для решения этой задачи при разработке мобильных приложений существует множество различных средств, но наиболее распространённым является библиотека Room, входящая в пакет «Android Jetpack». В статье приведено краткое описание функциональных возможностей данной библиотеки. Рассмотрена работа всех основных компонентов с базовыми аннотациями. Также схематично представлено взаимодействие основных компонентов библиотеки и показан пример реализации в мобильном приложении на операционной системе Android.
Ключевые слова: база данных, SQLite, Android Jetpack, Room, Android
Любое мобильное приложение состоит из рабочих экранов, которые содержат различную информацию. С каждым годом требований к приложениям становится все больше. Это обусловлено постоянным ростом количества пользователей различных сервисов, которые требуют для своего функционирования определенные программные компоненты. Использование примитивных методов разработки, как и устаревших компонентов, приводит к увеличению сроков проектирования, реализации и внедрения проекта в работу. Но развитие технологий не стоит на месте, что позволяет решать появляющиеся трудоемкие задачи в более легкой форме и значительно быстрее. И примером этому является разработанная библиотека «The Navigation Component», что позволяет создавать удобную и понятную схему навигации внутри приложения, а это просто необходимо, когда мобильное приложение насчитывает множество рабочих окон. В статье будет приведен список компонентов библиотеки «The Navigation Component». Показаны основные атрибуты. Рассмотрен принцип работы каждого компонента.
Ключевые слова: навигационная схема приложения, The Navigation Component, приложение, Android
В данной статье рассматривается вопрос формирования и связи слоев в задаче классификации изображений знаков дорожного движения, а также вычисления весов на соответствующих слоях нейронной сети. Авторами приводится описание биологической структуры нейронов головного мозга, и их сопоставления с искусственными нейронными сетями. Представлена концептуальная модель искусственного нейрона и нейронной сети с описанием структурных элементов. Приведена матричная структура весов нейронной сети. Описан процесс преобразования RGB-изображения дорожного знака во входной слой нейронной сети. Для каждого скрытого слоя представлено соответствующее описание. Кроме того, приведено описание слоев свертки и максимального пула, а также пояснение необходимости применения данного типа слоев в сверточной нейронной сети. Так же авторами описан алгоритм формирования сверточной нейронной сети для классификации дорожных знаков. Приведены примеры работы данной нейронной сети.
Ключевые слова: сверточные нейронные сети, классификация, deep learning, big data, математическое моделирование, информатика
В настоящей работе описан вопрос выбора платформы распределенного реестра при проектировании информационных систем финансового сектора экономики. Актуальность данных исследований обуславливается все возрастающим ростом спроса на информационные системы финансового сектора экономики, сформированные с использованием технологии распределенного реестра. Рост заинтересованности данной технологией связан с необходимостью обеспечения надежного хранения информации, изменение которой будет отслеживаться участниками данной транзакции. Целью данной работы является определение наиболее подходящей платформы с использованием метода анализа иерархий. В ходе выполнения работы были выявлены основные платформы распределенного реестра, а также определены ключевые критерии данных фреймворков с учетом требований участников бизнес-процессов. Данные критерии были подвергнуты оценке. Для каждой матрицы оценки альтернатив по отдельным критериям были определены показатели вектора максимального собственного значения, а также доказана согласованность суждения, включая определение индекса согласованности, индекса локального приоритета и отношения согласованности. Проведен синтетический анализ рассматриваемых критериев. На основе полученных в ходе синтетического анализа данных проведен выбор наиболее перспективной платформы. Сформированы выводы по оцениваемым системам.
Ключевые слова: распределенный реестр, метод анализа иерархий, системный анализ, информационные системы, информатика
В данной статье рассматривается проблематика определения органов воздушного дыхания на снимках компьютерной томографии с помощью сверточных нейронных сетей архитектуры U-NET. Описаны перспективы использования нейронных сетей при анализе медицинских снимков, а также использование архитектуры U-NET для семантической сегментации изображений. Производится формирование структуры искусственной нейронной сети на базе архитектуры U-NET. Визуализируется строение слоев данной сети и описаны составные части данной структуры. Особое внимание уделяется описанию и реализации процесса свертки. Представлена формула определения весовых коэффициентов границы разделения. Предложены алгоритмы формирования модели искусственной нейронной сети и алгоритм построения слоев. Рассматривается способ увеличения данных для обучающей выборки изображений медицинских снимков. Представлено изображение результата определения органов грудной клетки и соответствующая маска.
Ключевые слова: сверточные нейронные сети, архитектура U-NET, глубокое обучение, распознавание изображений, machine learning
2.2.12 - Приборы, системы и изделия медицинского назначения , 2.3.1 - Системный анализ, управление и обработка информации
В данной статье рассматривается проблематика построения сверточных нейронных сетей для определения дорожных объектов. Представлена общая актуальность и постановка проблемы определения дорожных объектов. Сформировано обоснование применения искусственных нейронных сетей для определения дорожных объектов. В качестве основной архитектуры искусственной нейронной сети для определения дорожных объектов использована архитектура сети Retinanet. Визуализирована общая концепция данной архитектуры и основные подсети. Описаны функции ошибки для основных подсетей сети Retinanet. Дано проектное описание алгоритмов построения аннотации данных для обучения искусственной нейронной сети, а также алгоритмов построения архитектуры нейронной сети классификации, регрессии и пирамиды признаков. Определена динамика изменения общей функции ошибки при определении дорожных объектов. Представлен результат обучения искусственной нейронной сети.
Ключевые слова: сверточные нейронные сети, классификация, регрессия, сверточные нейронные сети, deep learning, big data, математическое моделирование, информатика, архитектура RetinaNet
05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ
В процессе ведения информационной деятельности скапливается большой набор данных, который отражает специфические особенности производимой работы. Не всегда хранимая информация находится в упорядоченном и понятном виде, благодаря чему с ней очень тяжело работать. Это затрудняет выполнение анализа, увеличивает сроки обработки. Решить эту проблему в силах нейросети. Сегодня нейронные сети повсеместно используются во многих сферах деятельности, за счёт их применения, например, появляется возможность более тщательно анализировать ситуацию на рынке и принимать соответствующие решения, прямо влияющие на успех. Благодаря использованию нейросети можно провести набор информации в удобный для анализа вид. В статье будет приведен перечень информации о самоорганизующейся карте Кохонена, касающийся принципов работы нейронной сети. Рассмотрена обработка тестовых данных с визуализацией карт.
Ключевые слова: самоорганизующаяся карта Кохонена, сети Кохонена, нейронные сети, кластер, обработка, Self Organizing Map, SOM
05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ
Мобильные приложения повсеместно используются множеством людей в повседневных задачах. С каждым годом возрастает потребность во все более функциональных, удобных и надежных программных средствах, которые смогут обеспечить быструю и безопасную работу в различных областях. Но для разработки такого приложения необходимо использовать соответствующую всем требованиям архитектуру. В данной работе пойдет речь об использовании компонентов из Android Architecture Components, разработанных компанией Google, которые позволяют реализовать некоторые паттерны проектирования с учетом особенностей операционной системы Android. В статье будет приведен перечень наиболее используемых компонентов, а также краткая справка по их функциональным возможностям. Рассмотрена работа одного из компонентов с базовыми элементами операционной системы Android. Также схематично показано взаимодействие компонентов на примере реализации одного из паттернов проектирования.
Ключевые слова: архитектура приложения, Android Architecture Components, приложение, Android
05.13.01 - Системный анализ, управление и обработка информации (по отраслям)
В данной статье рассматривается проблематика определения знаков дорожного движения для управления автотранспортным средством с использованием аппарата искусственной нейронной сети. Описана актуальность исследований на данный момент времени, а также преимущества использования нейронных сетей при определении знаков дорожного движения. Представлены входные данные при определении знаков дорожного движения для сверточных нейронных сетей. Сформирована архитектура сверточной нейронной сети классификации, в частности, рассматривается последовательность слоев сети классификации изображений. Дано математическое описание моделирования функции ошибки и метода стохастического градиентного спуска. Представлена математическая модель процесса обучения искусственной нейронной сети, а также функций активации: линейной функции и сигмоиды. Предложен алгоритм формирования модели искусственной нейронной сети. Визуализирован на графике процесс обучения данной функции. Представлен результат обучения.
Ключевые слова: искусственные нейронные сети, классификация, сверточные нейронные сети, deep learning, big data, математическое моделирование, информатика
05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ
В данной статье рассматривается проблематика определения дорожного покрытия для автоматического управления транспортным средством с использованием искусственной нейронной сети. Описано состояние отрасли на текущий момент времени, а также актуальность данных исследований. Представлены входные данные для определения дорожного покрытия. Обосновывается идея применимости метода сегментации изображений для определения дорожного покрытия. Производится формирование структуры искусственной нейронной сети на базе архитектуры U-NET. В частности визуализируется строение последовательности слоев. Особое внимание уделяется математическому моделированию процесса свертки и максимального пула. Приводится математическая модель процесса обучения искусственной нейронной сети, а так же функций активации: линейной функции и сигмоиды. Предложен алгоритм формирования модели искусственной нейронной сети. Визуализирован на графике процесс обучения данной функции. Представлен результат обучения.
Ключевые слова: искусственные нейронные сети, U-NET, анализ данных,, машинное обучение, deep lerning, сверточные нейронные сети, свертка, максимальный пул, сегментация изображений, моделирование
05.13.01 - Системный анализ, управление и обработка информации (по отраслям)
В данной статье рассматривается проблема определения стоимости аренды недвижимости. Обосновывается идея о минимизации функции абсолютной ошибки с использованием искусственных нейронных сетей. Особое внимание уделено процессу определения входных данных нейронной сети. В частности, рассмотрена проблематика определения таких параметров как благоустройство региона и помещения. В статье выяснены особенности определения весовых коэффициентов для определения технического оснащения помещения с использованием генетического алгоритма. Предложена модель архитектуры нейронной сети. Описана модель изменения весовых коэффициентов. По итогу произведена апробация модели на тестовых данных, а также описана модель корректировки данных с учетом динамики цен.
Ключевые слова: нейронная сеть, data mining, анализ данных, аренда недвижимости, регрессия, генетический алгоритм, информатика, машинное обучение, оценка стоимости, моделирование, экстраполяция
05.13.15 - Вычислительные машины, комплексы и компьютерные сети , 05.13.18 - Математическое моделирование, численные методы и комплексы программ
В данной статье представлена математическая модель распределенного реестра как сети массового обслуживания. Рассмотрены основные компоненты данной сети, а также их формальное представление. Визуализирована модель peer-to-peer сети, определен вектор состояния сети, а также определены ограничения пространства состояний. После чего были представлены законы распределения отдельных потоков и времени обслуживания. Кроме того, были определены элементы конструирования инфинитезимальной матрицы. На основании полученных данных была произведена имитационная модель данного процесса. Для проведения имитационного моделирования был использован пакет Anylogic. Результаты проведения имитационного моделирования были проанализированы и выбраны наиболее оптимальные параметры.
Ключевые слова: сеть массового обслуживания, информационная безопасность, распределенные реестры, информатика и вычислительная техника, математическое моделирование информационная система, corda
05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ