CC BY
43
нейронную сеть - значит, сообщить ей, чего мы от нее добиваемся: для этого у нас должна быть некоторая база входных данных и соответствующих им выходных значений. Алгоритм обратного распространения ошибки - это набор формул, который позволяет по вектору ошибки вычислить требуемые поправки для весов нейронной сети [2,3,4].
После многократного предъявления примеров веса нейронной сети стабилизируются, причем нейронная сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что "нейронная сеть выучила все примеры", "нейронная сеть обучена", или "нейронная сеть натренирована". В программных реализациях можно видеть, что в процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную нейронную сеть считают натренированной и готовой к применению на новых данных.
Во многих случаях применение генетического алгоритма может помочь уменьшить число циклов прогонки для обучения нейронной сети путём использования более значимых данных для подстройки весов.
Генетические алгоритмы - адаптивные методы поиска, которые в последнее время часто используются для решения задач функциональной оптимизации. Вначале генерируется определенное количество возможных решений, а затем вычисляется для каждого “уровень выживаемости” - близость к истине. Эти решения дают потомство. Те, что “сильнее”, т. е. больше подходят, имеют больший шанс к воспроизводству, а “слабые” постепенно отмирают. Процесс повторяется до тех пор, пока не будет получено оптимальное решение или не получено достаточное к нему приближение.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Остроух Е.Н., Чегодарь М.Ю. Применение алгоритма генетического поиска при тестировании программного обеспечения/ Труды Южного (Ростовского) отделения Академии информатизации образования. - Ростов н/Д: РГПУ, 2006. - 176 с.
2. Короткий С. Нейронные сети: основные положения. http://lii.newmail.ru
3. Генетические алгоритмы http://www.neuroproiect.ru
4. Курейчик В.М. Генетические алгоритмы и их применение. -Таганрог: Изд-во ТРТУ, изд.2-е, доп, 2002, -242с.
УДК 681.35
Б.А. Державец
УСТАНОВКА UBUNTU INTREPID SERVER PV DomU В СРЕДЕ Xen 3.3 Ubuntu Hardy Dom0
Известно, что в среде естественного Xen Hypervisor Ubuntu Hardy Dom0 эта попытка терпит крах ( Xen 3.2). Выполним Back port Intrepid Xen 3.3 Hypervisor на Ubuntu Hardy Dom0.
В среде Synaptic Manager пометим для установки следующие пакеты : lib-xen3-dev xen-doc-3.3 xen-hypervisor-3.3 xen-utils-3.3 и подтвердим разрешение конфликтов перед установкой (рис. 1).
Рис. 1 Окно, показывающее установку пакетов libxen3-dev xen-hypervisor-3.3 xen-utils-3.3
Перезагрузим систему с вновь установленным Xen 3.3 root@boris-desktop:~# xm info
xen-doc-3.3
host release version machine
nr_cpus :
nr_nodes cores_per_socket threads_per_core cpu_mhz hw_caps
bfebfbff:20100800:00000000:00000140:0000e3bd:00000000:00000001:00000000
: boris-desktop : 2.6.24-21-xen
: #1 SMP Wed Oct 22 01:07:57 UTC 200S : xS6_64 : 2 : 1
: 2 : 1 2400
virt_caps total_memory free_memory node_to_cpu node_to_memory xen_maior xen_minor xen_extra :
xen_caps x86_32p hvm-3.0-x86_64 xen_scheduler
hvm : 4095 : 36
: node0:0-1 : node0:36
: 3 : 3 .0
: xen-3.0-xS6_64 xen-3.0-xS6_32p hvm-3.0-xS6_32 hvm-3.0-: credit
SS
xen_pagesize : 4096
platform_params : virt_start=0xffff800000000000
xen_changeset : unavailable
cc_compiler : gcc version 4.2.4 (Ubuntu 4.2.4-1ubuntu3)
cc_compile_by : buildd
cc_compile_domain : buildd
cc_compile_date : Wed Oct 29 23:39:07 UTC 2008
xend_config_format : 4
root@boris-desktop:~# brctl show
bridge name bridge id STP enabled interfaces
eth1 8000.000c76e01ec5 no peth1
vif5.0.
Теперь создадим HVM DomU, используя профайл
kernel = "/usr/lib/xen/boot/hvmloader"
builder = 'hvm'
memory = 2048
name = "IntrepidHVM"
vcpus = 1
vif = [ 'type=ioemu,bridge=eth1' ]
disk = [ 'phy:/dev/sdb5,hda,w!','phy:/dev/loop0,hdc:cdrom,r']
device_model = '/usr/lib/xen/bin/qemu-dm'
vnc=1
boot='d'
В силу того, что ядро Intrepid Server поддерживает паравиртуализацию, профайл, приведенный ниже, загрузит PV DomU , используя уже созданный образ.
name = 'IntrepidPV'
bootloader="/usr/bin/pygrub"
memory = 2048
disk = ['phy:/dev/sdb5,hda,w']
vif = [ 'bridge=eth1' ]
vfb = ['type=vnc,vncunused=1']
on_reboot = 'restart'
on_crash = 'restart'
# xm create intrepid.py
# vncviewer localhost:0
>pltt«iont Ptecot Syttom H Q
roolOboili'drtktop: /oti/nrn/vm
[<• £d« yi»«. Jkrmmal >b* U#IP
root@boris-desktop:/etc/xen/vm# uname -a Linux boris-desktop 2.6.24-21-xen #1 SHP Wed Oct 22 91:07:57 UTC 2008 x86 64 GNU /Linux
root@boris-desktop:/etc/xen/vm# xm create intrepid.py using config file “
Started domain Intr root@boris-desktop:
VNC server supports No authentication nej Desktop name "Xen-In Connected to VNC sen VNC server default fl 32 bits per pixel.
Least significant True colour: max r Using default colorn^
32 bits per pixel.
Least significant True colour: max rj Same machine: prefer 0
И ">u Nov 1Э. 12:10 Pi
X j # [dMhintm: xn •» U... || t (Attempt Ы prarvu Int | # (Xon WtmtatWO on... || Я ro<X#bon»-dMlaop: ... (D ’bghtVNC Xfi-mn»tii
Рис. 2. Загрузка PV DomU, с использованием созданного образа
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. http://lxer.com/module/newswire/view/111403/index.html.
УДК 621.396.965.621.391.26
Е.А.Самойличенко
АЛГОРИТМ ОБНАРУЖЕНИЯ ДВИЖУЩИХСЯ ОБЪЕКТОВ ПО ЭХОСИГНАЛУ
В настоящее время стали особенно актуальны задачи охраны объектов, находящихся либо целиком в водной среде, либо в непосредственной близости от водоёма, таких как: плавучие нефтедобывающие вышки и гостиничные комплексы, атомные и гидроэлектростанции и т.п. Для этих задач используются охранные системы, построенные на базе гидролокатора.
Гидролокатор - аппаратурный комплекс для определения с помощью акустических сигналов положения подводных и плавучих объектов. Главными элементами гидролокатора являются подводный излучатель мощного акустического сигнала и чувствительный приемник, реагирующий даже на слабые отражения этого сигнала от погруженных в воду объектов.
Последнее десятилетие ознаменовалось дальнейшим развитием гидролокационных систем (ГЛС), которое опиралось на успехи, достигнутые в ряде областей науки, в частности, в области цифровых методов формирования и обработки сигналов. Существенное влияние на развитие ГЛС оказало и развитие элементной
