Галкин Валерий Александрович

С.131-136

С.143-150

С. 1-8

Рассматривается задача оптимизации времени восприятия технической информации на географической карте. Определяется функция восприятия в соответствии со значениями передаваемой информации. Формируется информационная модель для частной автоматизированной системы обработки технической информации. Показаны визуальные переменные и свойства восприятия передаваемой на карте информации. Приводится связь информационной модели и значений визуальных переменных с целью группировки и оценки технических показателей на карте. Представлен анализ совместной работы визуальных переменных. Проанализированы результаты экспериментального применения такого подхода для частного примера АСОИ. Экспериментально подтверждено сокращение времени восприятия информации человеком-оператором на 34.48%.

Проводится описание компонентов программного обеспечения и требуемых технических показателей. Представлены диаграммы классов анализа и проектирования для разработки программного обеспечения. Детально анализированы логические компоненты программного обеспечения (классы) и их функциональные характеристики. Определяется предметная область для хранения ожидаемых результатов сбора технических данных. Реализуется предварительная оптимизация изначального решения на основе оперативного тестирования в режиме доступа реального Интернет – пользователя. Показаны результаты функционирования программного обеспечения на этапе сбора технических данных.

Построена модель системы мониторинга рабочих станций в локальной вычислительной сети. Представлено описание функционирования системы мониторинга, определены основные потоки информации в системе и их объемы. Определены обслуживающие аппараты в терминах СМО и языка имитационного моделирования GPSS. Исходя из технических характеристик современных рабочих станций, определены диапазоны возможных значений варьируемых параметров модели. Проведено моделирование, результаты которого позволили оценить предельные возможности системы мониторинга и требования к техническим средствам локальной вычислительной сети, а именно: среднее время передачи запроса через канал связи - Тк = 10 мс, среднее время обработки запроса на рабочей станции - Тр = 200 мс, среднее время обработки запроса на сервере - Тс = 20 мс, число активных рабочих станций в сети - N = 15.

Определены первоочередные проблемы контроля надлежащего предоставления Интернет-доступа. Предложена, основанная на соглашении с конечным Интернет пользователем, новая идея реализации автоматизированной системы обработки его технических данных для определения реального качества представляемой услуги. Представлены показатели, которые по мнению авторов могут быть рассмотрены для специального технического контроля икоторые позволили бы иметь реальную техническую и статистическую картину состояния обслуживания, с точки зрения пользователя. Определена основная структура этой системы. Описаны этапы сбора, передачи и обработки данных, а также статистические отчеты и мониторинг системы. Построены функциональная и имитационная модель системы. Представлены результаты моделирования и дан их анализ.

Рассмотрен алгоритм автоматизированной генерации обучающей выборки для нейронной сети с обратным распространением ошибки. Обучение и распознавание рукописного символа происходит путем генерации конечного множества вариантов написания символа. В качестве обучающей последовательности символов использовались цифры от 0 до 9. Отклонение параметров трассировки символа не превышает 15% (величины углов значимых отрезков с осями координат) от начертания эталонного рукописного символа. Показано, что нейронная сеть обучается быстрее на сгенерированной выборке, чем на выборке, заданной человеком. Алгоритм реализован на языке программирования Microsoft C#.

Приведен анализ применимости различных программных продуктов по моделированию компьютерных сетей к оценке характеристик сетей хранения данных. Рассмотрена схема сети хранения данных, составлены модели этой сети в NetCrackerPro4.1 и на языке GPSS. NetCracker не поддерживает моделирование каналов FC (Fibre Channel), поэтому решено заменить его на близкий по скорости оптический канал ATM OC-48 (STM-16). Скорость передачи по этому каналу составляет 2,4 Гбит/c, однако следует учесть относительно большой размер заголовка ячеек АТМ (5 байт из 53), что приводит к снижению ёмкости канала до 2,17 Гбит/c, что близко к каналу FC 2 Гбит/c. Проведено моделирование и даны оценки результатов, на основании которых представлен сравнительный анализ различных подходов к имитационному моделированию СХД.

Рассмотрен алгоритм автоматизированной генерации обучающей выборки для нейронной сети с обратным распространением ошибки. Обучение и распознавание рукописного символа происходит путем генерации конечного множества вариантов написания символа. Отклонение параметров трассировки символа не превышает 15% (величины углов значимых отрезков с осями координат) от начертания эталонного рукописного символа. Показано, что нейронная сеть обучается быстрее на сгенерированной выборке, чем на выборке, заданной человеком. Алгоритм реализован на языке программирования Microsoft C#.

В статье исследована зависимость быстродействия on - line распознавателя почерка, построенного на основе искусственных нейронных сетей, от архитектуры этих сетей и программного решения в целом для ручного и автоматизированного методов выделения символов (букв) из связанной последовательности (слов). Для каждого метода разработана имитационная модель, которая реализована на языке GPSS. Результаты моделирования показали, что карманные персональные компьютеры (КПК), позволяют выполнить программную реализацию распознавателя почерка, способную предоставить пользователю полезную функциональность на приемлемом уровне.