CC BY
203
поскольку в подавляющем большинстве случаев даже железобетонные балки укладываются вручную силами бригады строителей из 4-5 человек. Нет необходимости дополнительного утепления и звукоизоляции потолка/пола, устройства на нем черновых выравнивающих стяжек, а также использования материалов для опалубки, эмульсий для ее смазки и т.д. и т.п. Исключительно важным можно считать и то, что сборно-монолитные перекрытия исключительно мобильные, сравнительно легкие и их можно устраивать в реконструируемых зданиях без демонтажа кровельной конструкции, заменяя старые деревянные перекрытия посредством монтажа на несущие ригельные системы. А также полностью независимые от геометрической формы здания в горизонтальном разрезе (наличие эркерных или иных пристроек, не прямоугольная форма и т.д.) благодаря возможности подгонки балок и блоков-вкладышей «по месту» в процессе строительства.
Это актуально в первую очередь для индивидуального строительства, ремонта и реконструкции существующих зданий, так как появляется возможность приобретать стеновые блоки одновременно для стен и перекрытий.
Список использованной литературы: 1. Страхова А. С. , Унежева В. А. Инновационные технологии в строительстве как ресурс экономического развития и фактор модернизации экономики строительства // Вестник БГТУ им. В. Г. Шухова. 2016. № 6. С. 263-272.
© Аль киари Мохаммед Яхья али, Абакумов Р.Г., 2017
УДК 004.89
Л.А. Амаева, ст.преподаватель Нижнекамский химико-технологический институт ФГБОУ ВО «КНИТУ»
г. Нижнекамск, Российская Федерация
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ
Аннотация
В статье предоставлен обзор различных методов интеллектуального анализа данных, используемых при разработке приложений. Рассматриваются достоинства и недостатки данных методов.
Ключевые слова
Кластеризация, нейронные сети, нечеткая логика, нейро-нечеткие системы, генетические алгоритмы
Методы интеллектуального анализа данных используют для работы с неточностью, неопределенностью данных, что позволяет моделировать процесс принятия решений человеком. К ним относятся следующие области: нечеткая логика, нейронные сети, генетические алгоритмы, кластеризация, которые дополняют друг друга и используются в различных комбинациях или самостоятельно для создания гибридных интеллектуальных систем. Каждый метод требует представления входной информации определенным образом, соответственно выходная информация также будет выражаться с использованием различных структур данных. Рассмотрим эти методы более подробно.
1. Нечеткая логика
Ключевое понятие в нечеткой логике является понятие нечетких множеств. Нечеткое множество выражает степень принадлежности элемента к множеству. По сравнению с математической логикой, где доля истины принимает значения из дискретных конечных множеств, степень истинности в нечеткой логике - это непрерывные значения в диапазоне [0,1]. Эта характеристика позволяет снимать неопределенность, свойственную реальным данным.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №02-1/2017 ISSN 2410-6070_
Хотя нечеткая логика - это хороший способ для моделирования человеческих рассуждений, существуют некоторые проблемы при ее использовании. Главный из них связан с тем, что в нечеткой логике нет механизма обучения на основе данных. Это означает, что данные должны быть явно заданы разработчиком. Кроме того это влияет и на определение других параметров модели.
2. Нейронные сети
Нейронные сети способны обучаться на основе опыта, обобщать предыдущие знания на новые случаи и извлекать существенные свойства из поступающей информации, содержащей излишние данные. Одной из важных задач при проведении нейросетевого моделирования является формирование обучающей выборки для нейронной сети[1, с.278].
В настоящее время нейронные сети широко применяются при разработке различных приложений. Тем не менее, они имеются следующие недостатки:
1) время обучения, необходимое для создания модели;
2) необходимый объем информации [2, с. 320].
3. Генетические алгоритмы
Генетические алгоритмы - адаптивные методы поиска, которые в последнее время часто используются для решения задач функциональной оптимизации. Они основаны на генетических процессах биологических организмов: биологические популяции развиваются в течение нескольких поколений, подчиняясь законам естественного отбора и по принципу «выживает наиболее приспособленный».
Основной идеей генетических алгоритмов является организация «борьбы за существование» и «естественного отбора» среди этих пробных решений.
4. Нейро-нечеткие системы
Основной идеей объединения нечетких систем и нейронных сетей является разработка архитектуры, которая использует нечеткие системы представления знаний в интерпретируемых образах и способна к обучению нейронной сети для оптимизации его параметров. Однако нейро-нечеткие системы сохраняют некоторые недостатки обоих подходов, в основном - это время, необходимое для динамического моделирования [3, с. 595]
5. Нечеткая кластеризация
В кластеризации данные разделяются на четкие кластеры, где каждая точка данных принадлежит только одному кластеру. В нечеткой кластеризации, точки данных могут принадлежать более чем к одному кластеру. С каждой точкой данных классов связан показатель, который указывает степень принадлежности, к разным кластерам. Одним из ключевых элементов любой системы кластеризации является определение понятия расстояние, используемое для создания кластеров, что является одной из проблем при моделировании пользователя, так как данные, которые используются при моделировании трудно выразить в числах.
Сравнительный анализ методов по различным характеристикам
Для того чтобы решить какой из предложенных методов лучше использовать при разработке приложений проведем их сравнительный анализ. В таблице приведены характеристики методов по шести различным критериям:
1. Сложность - предполагается вычислительная сложность обработки;
2. Динамическое моделирование - возможность изменения модели в любой момент времени;
3. Размер обучающих данных - отражает объем данных, необходимых для обеспечения надежной модели пользователя;
4. Неопределенность - возможность обработки неопределенности, т. е. возможность использования в областях, которым свойственны нечеткости моделирования;
5. Зашумленность данных - возможность обработки зашумленных данных;
6. Интерпретация - насколько простым является результат, чтобы конечный пользователь смог понять полученное значение.
Таблица 1
Сравнительный анализ методов по
Сложность Динамическое моделирование Размер обучающих данных Неопределенность Зашумленность данных Интерпретация
Нечеткая логика средняя Да Не доступно Да Да Высокая
Нейронные сети высокая Да Большой Да Да Низкая
Генетические алгоритмы высокая Нет Не доступно Нет Да Низкая
Кластеризация высокая/ср едняя Нет Средний/ большой Да Да Низкая
Нейро-нечеткая система высокая Да Средний/ большой Да Да Средняя/ высокая
различным характеристикам
Таким образом, различные методы дают разные возможности, имеют свои сильные и слабые стороны. Например, нечеткая логика имитирует механизм принятия решений человеком, который может быть использован, чтобы сделать выводы, определить цели и планы; нейронные сети предоставляют гибкий механизм для представления характеристик; нейро-нечеткие системы представляют собой механизм для захвата и настройки экспертных знаний.
Список использованной литературы:
1. Н.А. Седова, В.А.Седов. Нейросетевое решение задачи расхождения двух судов в зоне чрезмерного сближения // Перспективы развития информационных технологий: Тр. всеросс. молод. научно-практич. конф. - Кемерово, 2014. - С.278-279
2. Л.А. Амаева. Использование методов интеллектуального анализа данных для моделирования пользователя // Вестник Казанского технологического университета, 2015. Т.18, №1. С.320-322
3. Krishnapura, R., Josh, A., Nasraoui O., Yi L. Low-Complexity Fuzzy Relational Clustering Algorithms for Web Mining // IEEE Transactions on Fuzzy Systems, 2001. Vol. 9 (4). Pp. 595-608
© Амаева Л.А., 2017
УДК62
Босых О.С.
студентка ХГУ им. Н.Ф. Катанова, г. Абакан, РФ E-mail: olesya_04-05@bk.ru Научный руководитель: Голубничий А. А. старший преподаватель кафедры ИЭОП ХГУ им. Н.Ф. Катанова, г. Абакан, РФ
РЕКОМЕНДАЦИИ ПО ОЧИСТКЕ ДРЕНАЖНЫХ СИСТЕМ ГБУ РХ «УПРАВЛЕНИЕ ИНЖЕНЕРНЫХ ЗАЩИТ»
Аннотация
В статье рассматриваются дренажные системы г. Абакана, находящиеся под наблюдением ГБУ РХ «Управление инженерных защит». Даются рекомендации по подбору оборудования для очистки дрен от заиливания.
Ключевые слова
Заиливание, дренажный канал, иловые отложения, земснаряд.
Причиной выхода дренажной системы из нормальной эксплуатации может являться закупорка дрен и коллекторов нерастворимыми осадками, состоящими из полуторных окислов железа. Заиливание полостей труб частицами грунта, является основной причиной нарушения нормального осушительного действия
