Інформаційні технології та сучасні сервіси

From Wikiversity

Інформаційні технології та сучасні сервіси[edit]

кафедра інформаційних мультимедійних технологій

Української академії друкарства Карпа Роман Ігорович

Тема дисертації: ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ОБРОБКИ ДАНИХ показів квартирних лічильників постачальникам послуг.


Інформаційні технології безпекометрії

Логіка та інформаційні технології

Моделювання та технології

Інтернет сервіс подання показів квартирних лічильників постачальникам послуг[edit]

Постійний розвиток інформаційних технологій приводить до появи різноманітних інформаційних ресурсів, що відрізняються один від одного формами уявлення і методами обробки складових їх інформаційних об'єктів. Тому в даний час в Інтернет існує достатньо велика кількість сервісів, що забезпечують роботу зі всім спектром ресурсів. Найбільш відомими серед них є: електронна пошта (E-mail), що забезпечує можливість обміну повідомленнями однієї людини з іншим або декількома абонентами;телеконференції, або групи новин (Usenet), що забезпечують можливість колективного обміну повідомленнями; сервіс FTP — система файлових архівів, що забезпечує зберігання і пересилку файлів різних типів; сервіс Telnet, призначений для управління віддаленими комп'ютерами в термінальному режимі;World Wide Web (WWW W3) — гіпертекстова (гіпермедіа) система, призначена для інтеграції різних мережевих ресурсів в єдиний інформаційний простір;сервіс DNS, або система доменних імен, що забезпечує можливість використання для адресації вузлів мережі мнемонічних імен замість числових адрес; сервіс IRC, призначений для підтримки текстового спілкування у реальному часі (chat);Перераховані вище сервіси відносяться до стандартних. Це означає, що принципи побудови клієнтського і серверного програмного забезпечення, а також протоколи взаємодії сформульовані у вигляді міжнародних стандартів. Отже, розробники програмного забезпечення при практичній реалізації зобов'язані витримувати загальні технічні вимоги.Разом із стандартними сервісами існують і нестандартні, такі, що є оригінальною розробкою тієї або іншої компанії. Як приклад можна привести різні системи типу Instant Messenger (своєрідні Інтернет-пейджери — ICQ, AOl, Demos on-line і т.п.), системи Інтернет-телефонії, трансляцій радіо і відео і т.д. Важливою особливістю таких систем є відсутність міжнародних стандартів, що може привести до виникнення технічних конфліктів з іншими подібними сервісами.

АНАЛІЗ ЗАСОБІВ РОЗПІЗНАВАННЯ ПОКАЗІВ ЛІЧИЛЬНИКІВ[edit]

Аналітичний огляд технологій передачі інформації

Практично всі сервіси мережі Інтернет побудовані на технології клієнт-сервер. Для роботи в мережі необхідно: фізично приєднати комп'ютер до одного з вузлів мережі Інтернет; одержати ІР-адресу на постійній або тимчасовій основі; встановити та налаштувати апаратне і програмне забезпечення.Організаційно доступ до мережі користувачі отримують через провайдера. ISP (Інтернет service provider, Постачальник послуг Інтернет) - забезпечує персональний доступ в Інтернет, доставку та збереження електронної пошти (e-mail), а також надання інструкцій щодо налаштування системи. З розвитком глобальної мережі з'являються нові сервіси і відповідні їм протоколи, змінюючи її вигляд і стрімко розширюючи коло користувачів. Для того, щоби використовувати будь-який сервіс мережі Інтернет, необхідно встановити на ПК клієнтську програму, яка здатна працювати за протоколом цього сервісу. Деякі клієнтські програми входять до складу операційних систем, а також до складу програм-переглядачів (броузерів), за допомогою яких можна переглянути сторінку в Інтернет.Для кожного типу ресурсу Інтернет є свій протокол доступу, наприклад: FTP (File Transfer Protocol) - передача файлів; HTTP (Hypertext Transfer Protocol) - передача гіпертексту; SMTP (Simple Mail Transfer Protocol) - передача поштових повідомлень; SNTP (Simple Network Time Protocol) - синхронізація часу (включаючи ПК) в мережі або у світовому масштабі.

Аналіз алгоритмів розпізнавання показів лічильника[edit]

Метою роботи є система , яка б відповідала вихідним умовам, а саме, задовольняв б норми обслуговування клієнтів, була простою у використанні і продуктивною. Практична цінність результатів роботи полягає у тому, що дана ситема являє собою універсальний засіб, для подачі показів лічильників , її можна було б використовувати в різних містах або країнах.

РЕАЛІЗАЦІЯ СИСТЕМИ ПЕРЕДАЧІ ПОКАЗІВ ЛІЧИЛЬНИКІВ[edit]

Необхідно розробити систему автоматизованої подачі лічильників. Клієнтська програм буде реалізована на платформі Andoid щоб охопити більшу кількість корстувачів. Подаючи показники про використання вищезнанчених послуг, користувач отримує єдину квитанцію, у якій зазначено також і суму за вивіз твердих побутових відходів, інтернет, кабельне телебачення, домофон тощо. Оплатити комунальні послуги, можна буде за лічені хвилини скориставшись сервісом, який працює на базі «Приватбанку». Для цього достатньо мати інтернет та картку VIZA чи MasterCard будь-якого банку із коштами на рахунку. При оплаті послуг через даний сервіс жодних додаткових комісій споживач не сплачує. Також буде можливість використовувати сервіси EasyPay. В клієнтській програмі буде розроблена можливість считувати покази лічильників задопомогою камери в режимі реального часу. При розробці постає питання розпізнавання зображення а саме цифрю Клієнтська програма буде мати можливіть розпізнавати покази лічильників за допомогою камери на Android пристрої. Було розглянуто 4 підходи для розпізнавання цифр: k-Nearest Neighbor, Random Forest, Support Vector Machine використовуючи Gaussian Radial Basis Function kernel і Polynomial kernel.Алгоритм може бути застосовний до виборів з великою кількістю атрибутів (багатовимірним). Для цього перед застосуванням потрібно визначити функцію дистанції. Класичний варіант визначення дистанції - дистанція в евклідовому просторі.Класифікація об'єктів проводиться шляхом голосування: кожне дерево комітету відносить об'єкт, який класифікується до одного з класів, і перемагає клас, за який проголосувало найбільше число дерев. Оптимальне число дерев підбирається таким чином, щоб мінімізувати помилку класифікатора на тестовій вибірці. У разі її відсутності, мінімізується оцінка помилки out-of-bag: частка прикладів навчальної вибірки, неправильно класифікованих комітетом, якщо не враховувати голоси дерев на прикладах, що входять в їх власну навчальну підвибірку. Випадкові ліси, отримані в результаті застосування технік, описаних раніше, можуть бути природним чином використані для оцінки важливості змінних в задачах регресії та класифікації. Наступний спосіб такої оцінки був описаний Breiman.

ДОСЛІДЖЕННЯ РОБОТИ СИСТЕМИ[edit]

Перший крок в оцінці важливості змінної в тренувальному наборі — тренування випадкового лісу на цьому наборі. Під час процесу побудови моделі для кожного елемента тренувального набору вважається так звана out- of-bag — помилка. Потім для кожної сутності така помилка опосередковується по всьому випадковому лісі. Для того, щоб оцінити важливість j -ого параметра після тренування, значення j-ого параметра перемішуються для всіх записів тренувального набору та out-of-bag — помилка рахується знову. Важливість параметра оцінюється шляхом усереднення по всіх деревах різниці показників out-of- bag — помилок до і після перемішування значень. При цьому значення таких помилок нормалізуються на стандартне відхилення. Параметри вибірки, які дають більші значення, вважаються більш важливими для тренувального набору. Метод опорних векторів (англ. Support vector machine, SVM) — метод класифікації, належить до групи граничних методів; визначає класи за допомогою меж просторів. Опорними векторами вважаються об'єкти множини, що лежать на цих межах. Класифікація вважається вдалою, якщо простір між межами — порожній. Метод опорних векторів - це набір схожих алгоритмів виду «навчання із вчителем». Ці алгоритми зазвичай використовуються для задач класифікації та регресійного аналізу. Метод належить до розряду лінійних класифікаторів. Також може розглядатись як особливий випадок регуляризації за А. Н. Тихоновим. Особливою властивістю методу опорних векторів є безперервне зменшення емпіричної помилки класифікації та збільшення проміжку. Тому цей метод також відомий як метод класифікатора з максимальним проміжком. Основна ідея методу опорних векторів – перевід вихідних векторів у простір більш високої розмірності та пошук роздільної гіперплощини з максимальним проміжком у цьому просторі. Дві паралельні гіперплощини будуються по обидва боки гіперплощини, що розділяє наші класи. Роздільною гіперплощиною буде та, що максимізує відстань до двох паралельних гіперплощин. Алгоритм працює у припущенні, що чим більша різниця або відстань між цими паралельними гіперплощинами, тим меншою буде середня помилка класифікатора На практиці для побудови машин опорних векторів розв’язують саме цю задачу, а не (3), через те що гарантувати лінійну роздільність точок на два класи в загальному випадку неможливо. Цей варіант алгоритму називають алгоритмом з мяким проміжком (soft-margin SVM), тоді як у випадку лінійно роздільного алгоритму говорять про жорсткий проміжок (hard-margin SVM). Для алгоритму класифікації зберігається формула (4), з тою лише різницею, що тепер ненулевим володіють не лише опорні обєкти, але й обєкти- порушники. Певним чином – це недолік, оскільки порушниками часто виявляються шумові викиди, і побудоване на них кінцеве правило,по суті, опирається на шум. Константу С зазвичай обирають за критерієм ковзкого контролю. Це спосіб, що потребує досить багато сил. Адже задачу доводиться вирішувати заново при кожному значенні C. Якщо є підстави вважати, що вибірка майже лінійно роздільна, і лише об'єкти-викиди класифікуються неправильно, то можна застосувати фільтрацію викидів. Спочатку задача вирішується при деякому значенні C, і з вибірки видаляється невелика частка об'єктів, що мають найбільшу величину помилки.

ВПРОВАДЖЕННЯ ТА ТЕСТУВАННЯ РОБОТИ СИСТЕМИ[edit]

В процесі виконання було розроблено програмну систему для автоматизації подачі лічильників. Відповідно до завдання було розроблено клієнт-серверну систему. Тестування розробленої системи провелось на двох наборах програмного забезпечення. Був протестований час розпізнавання показів лічильників в режимі реального часу. Особливу увагу було акцентовано на проведенні обчислень з використанням різних алгоритмів розпізнавання і їх особливостей. Отже, поставлене завдання було виконано. У цьому проекті, я мав можливість вивчити деякі поняття машинного навчання в Computer Vision від плідного практичної точки зору. Вплив класифікатора, її параметрів, добре вибрали попередню обробку даних, і хороший вибір можливостей, про запуск раз і точність явно з'явилися в численних експериментах, які я зробив. Експерименти близько первинної обробки - Вирівнювання і розмитість - дав високу точність з непоганими часу роботи, далеко за межами моїх первісних очікувань. Тим не менш, навіть незважаючи на те, експерименти про збільшення навчання набір з штучними зразків показав, що Випадкові лісу може досягти швидкості помилку 3%, вони не дають ніякого подальшого поліпшення відносно краще, отриманої точності. Інтуїція в спробі ці більшістю голосів класифікатори прийшли з того чудового факту, що тільки близько половини з 81 зразків, які неправильно класифікованих за SVM класифікатору також неправильно класифікований за класифікатором k-NN. Тим не менш, у той час як це показує деякі можливості для незначного поліпшення коефіцієнта помилок 0,81%, здається, тепер ясно, на мій погляд, що більш складні інструменти машинного навчання та ідеї потрібно, щоб дістатися до кращих ставок помилки в літературі, нижче 0,3%..

Інформаційні системи в оперативній поліграфії

Інформаційні технології медичного туризму

ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВИЗНАЧЕННЯ ЕНЕРГЕТИЧНИХ ХАРАКТЕРИСТИК ПОВЕРХНЕВИХ ШАРIВ МЕТАЛІВ З ВИКОРИСТАННЯМ АЛГЕБРИ АЛГОРИТМІВ

Інформаційні технології рерайтинга в е- поліграфії.

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ[edit]

1. Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 1998, Volume 86, Issue 11, pp. 2278–2324. 2. http://yann.lecun.com/exdb/mnist/ The MNIST database webpage on Y. Lecun website. 3. http://opencv.org/ The OpenCV library website. 4. S. Bernard, L. Heutte, and S. Adam, Using Random Forests for Handwritten Digit Recognition, Proceedings of ICDAR 2007. 5. K. Kavukcuoglu, M. Ranzato, R. Fergus, and Y. LeCun, Learning Invariant Features through Topographic Filter Maps, Proceedings of CPVR 2009. 6. N. Dalal, and B. Triggs, Histograms of oriented gradients for human detection, Proceedings of CPVR 2005. 7. Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani (2013). An Introduction to Statistical Learning. Springer. pp. 316–321 8. Ho, Tin Kam (2002). "A Data Complexity Analysis of Comparative Advantages of Decision Forest Constructors" (PDF). Pattern Analysis and Applications: 102–112. 9. Mills, Peter. "Efficient statistical classification of satellite measurements".International Journal of Remote Sensing. 10. CKeditor [Електронний ресурс] // Википедиа – свободная энциклопедия, 2012 – Режим доступу : http://wikipedia.org/wiki/CKeditor, вільний. – (25.11.2017). 11. Карпа Р. І., Огірко І. В.Третє покоління технології блокчейн / Тези доповідей наук.-техн. конференцій. проф. виклад. складу, науков. працівн. і аспірантів. Львів: УАД, 2020. 12 Карпа Р. І. «Інтернет сервіс подання показів послуг» / Тези доповідей наук.-техн. конференцій. проф. виклад. складу, науков. працівн. і аспірантів. Львів: УАД, 2021.

Для студентів та аспірантів і докторантів. Основною метою є ознайомлення з основами проведення наукових досліджень. Підготували Яремко Яромир Васильович, Дудик Роман Олегович, Гупало Юрій Степанович, Якубович Максим Ігорович.