Создана нейронная сеть, отслеживающая процесс принятия решения боевым роботом

Создана нейронная сеть, отслеживающая процесс принятия решения боевым роботом

Silentium est aurum.

Молчи, пока ты не в состоянии сказать нечто такое, что полезнее твоего молчания.

(кто-то умный и известный сказал)

В продолжение «Не нравятся нейронные сети? Вы просто не умеете их готовить. Рецепт. Ингредиенты, специи и прочее» http://smart-lab.ru/blog/327789.php и «Нейронные сети. Послевкусие. Заблуждения, ошибки, косяки. Первые 15 месяцев эксплуатации бота на нейронных сетях» http://smart-lab.ru/blog/329272.php

Я почему-то решила, что мои слова будут полезнее моего молчания на Смарт-Лабе. Только, когда я представляла эту пользу для себя, я имела в виду возникновение каких-то полезных связей и взаимовыгодного сотрудничества с другими трейдерами, работающими над созданием торговых алгоритмов на основе нейронных сетей. Этого пока по разным причинам не получилось. В качестве «побочного», но весьма приятного эффекта, получилось добавить заинтересованную аудиторию нашему «продажному» проекту – на сайте появилось … новых подписчиков. Хотя может так совпало – невозможно идентифицировать со СЛ эти люди или нет. Во всяком случае, это те, кто имеет желание зарабатывать на бирже, и имеет понимание, что в такой конкурентной среде идет борьба технологий.

Теперь о технологии. Технология сложна и неоднозначна. Мало быть хорошим кодером, надо не утратить желание постоянно познавать и экспериментировать. Нам повезло в своей команде иметь такого человека – понимающего рынок и нейронные сети. Не хочу грузить читателей историей поисков, проб и ошибок. Просто расскажу, как получилось то, что работает. Надеюсь, что основные понятия о нейронных сетях у вас уже есть.

Сначала была создана платформа на С++, которая формирует рабочую среду для стратегии (любой, не обязательно нейросетевой). Чтобы можно было подать на вход в платформу тиковые данные, и любая стратегия отработала бы как на реальном рынке. Стратегия стартует, создает свой набор индикаторов, открывает и закрывает сделки. Так можно прогнать любую стратегию на любом интервале времени.

Стратегии могут работать в двух режимах: боевой – формирует входы, подает их на НС и на основании ответа НС совершает сделку (этот режим нужен для тестирования готовых нейронок).

Второй режим – формирование примеров для обучения нейронной сети. Все то же самое, но пишет примеры сделок в файл. Пример состоит из набора входных данных (создается в платформе) и правильного ответа — buy или sell (создается в Матлабе).

Входы. Не могу я взять и просто выложить список наших входов. Это предмет долгих поисков. Каждый, кто хочет этим заниматься, должен сам определить свои данные, которые будут подаваться на входы НС. Могу сказать, что используются не абсолютные значения, а относительные (например, не цена, а отклонение от текущей цены).

Далее нормализация – приведение данных к единичному гиперкубу с равномерным распределением значений. Существует несколько способов таких преобразований — мы использовали свой.

Выгружаем данные входов в Матлаб (файл примеров – входная информация). В Матлаб формируем выходы. Примеры должны быть строго сбалансированными (сигналов buy и sell должно быть приблизительно одинаково), иначе у НС будет склонность к определенным сделкам (перекос).

Запускаем генетический алгоритм (ГА), который производит подбор лучшей архитектуры сети и лучшей комбинации входов. Выходные данные формируются по определенному алгоритму с параметрами, которые позволяют найти оптимальный диапазон и направление движения цены из каждой точки принятия решения.

Все тайные знания – в деталях. Если Вы будете этим заниматься, найдете свое «золотое сечение», возможно, лучше нашего.

Итак, сформированы варианты правильных ответов для обучения сетей, buy или sell. И создано множество нейронных сетей.

Для генетического алгоритма нейронную сеть описывает хромосома. Предположим, ГА создал 50 хромосом (сетей), для каждой вычисляет фитнесс-функцию, сравнивает эти хромосомы, выбирает из них лучшие, скрещивает их (или производит другие преобразования) и получает новые 50 сетей с лучшими параметрами. Таких итераций может быть много, например, 100.

Каждый набор параметров (хромосома) оценивается методом кросс-валидации (CV). Для этого по одной хромосоме создается множество сетей, которые обучаются и тестируются на разных периодах. Все это выполняет генетический алгоритм автоматически.

В результате на выходе ГА получаем популяцию из 50 сетей, из которых выбираем сети по параметрам, которые нам важны (например, фактор восстановления, просадка, равномерность графика профита).

Генетический алгоритм есть в Матлабе (GATool), но у нас – конечно же, свой.

Вообще в Матлабе есть библиотека NNTool, которая использовалась вначале. Она универсальна, но отстает от жизни – новых, необходимых вещей в ней нет, а дорабатывать ее сложно. Поэтому сейчас используется библиотека DeepLearnToolbox https://github.com/rasmusbergpalm/DeepLearnToolbox. Она была взята за основу и также доработана.

Далее сети проверяются в Матлабе на тестовом периоде, который не совпадает с периодом обучения. Для этого тоже написан свой тестер. Ну, Вы уже поняли, что у нас все свое.

В разных источниках разночтения по названиям периодов – период обучения, период тестирования, период валидации… Слава богу, что нет общепринятой терминологии. А то бы уже все давно понаделали своих сеток и разбогатели…

Для окончательной проверки готовые к использованию нейронные сети выгружаются из Матлаба и прогоняются на нашей платформе на точных тиковых данных с полной имитацией рыночной торговли.

Есть еще интересная вещь – мы можем объединять разные сети в портфель. Например, выбрать из генерации 10 сетей с близкими значениями по прибыли и просадке, с минимальной корреляцией времени просадок. Тогда на периоде получаем результат со средним значением прибыли и просадкой, ниже среднего значения по сетям. Это возможность при сохранении выбранного уровня риска в % получить больший доход.

Мы не останавливаемся, а идем дальше. Запущено тестирование сетей для других инструментов. Рассчитываются новые сети по новым технологиям. Цель – повышение доходности и уменьшение просадок. Надо же когда-нибудь соответствовать уровню ЛЧИ (это ж показатель, наверное). Хотя, если честно, просто хочется чтобы рутинную и нервную работу на рынке выполнял ИИ.

Создана нейронная сеть, отслеживающая процесс принятия решения боевым роботом

CLAIM – научно-образовательный кластер

Читать еще:  Как правильно выбрать посудомоечную машину для дома?

Информационная система обучения нейронной сети мобильного робота

Курсовой проект

Содержание

Аннотация к проекту

Информационная система обучения нейронной сети мобильного робота разрабатывалась с целью исследования «разумных» роботов, способных выполнять простейшие действия. В качестве основного направления исследования была выбрана проблема выбора траекторий движения мобильными роботами. Для решения поставленной задачи был разработан мобильный робот на основе микроконтроллера ATmega8 компании AVR, создана программная симуляция нейронной сети и программа обучения данной нейронной сети.

Существует большое многообразие нейронных сетей: от рекурентных до сетей с применением нечеткой логики. Каждая структура имеет собственные достоинства и недостатки, но выбор необходимой и достаточной реализации сети среди этого множества является трудоемким процессом.

Проблема выбора траекторий движения мобильными роботами состоит именно в определении архитектуры нейронной сети, по причине ограниченности вычислительной мощностьи микроконтроллера. Использование нейроконтроллера достаточно дорогостоющее решение, поэтому и используется программная симуляция.

Любой пользователь данной информационной системы может оценить эффективность программной симуляции персептрона (одна из самых простых моделей нейронной сети), которая позволет мобильному роботу объезжать препятствия.

Предметная область

Роботехнические системы

В современном обществе большое развитие получили робототехнические системы, которые быстро стали движущей силой прогресса во многих областях, в виду наличия преимуществ по сравнению с биологическими системами.

На данный момент не существует единого, всеми признаваемого определения термина «робот», поэтому под роботом будет подразумеваться аппаратно-программная система, состоящее как минимум из следующих компонентов:

  • Набор сенсоров
  • Программное обеспечение, определяющей поведение робота
  • Набор приводов и эффекторов

Робот — механизм, управляемый центральным контроллером, который постоянно обновляет свое представление об окружающем мире и вырабатывает план поведения, исходя из этого представления. Новая информация о мире поступает от сенсоров, например, осязания, света, ультразвука и т.д. Микроконтроллер анализирует всю предоставляемую от сенсоров информацию и обновляет представление об окружающей среде, а затем принимает решение о том или ином действии. Все действия выполняются с помощью приводов и эффекторов. Приводы обычно представляют собой двигатели или компрессоры, подсоединенные к устройствам, непосредственно взаимодействующими с окружающим миром – эффекторам. Примерами эффекторов могут служить гусеничные траки или механические конечности. При этом иногда под приводами понимаются как сами приводы, так и эффекторы, например, гусеничные траки.

Таким образом, традиционный робот получает данные от множества сенсоров, комбинирует эти данные в процессе обновления картины мира, затем вырабатывает план действий на основе данной картины, и наконец, приводит его в исполнение. К сожалению, данный подход сопряжен с определенными трудностями. Во-первых, он требует большого объема вычислений. Во-вторых, поддержка актуальной картины окружающего мира – задача очень сложная, т.к. мир меняется постоянно, а понятие о времени для робота дискретно и зависит от мощности микроконтроллера. При этом известно, что многие организмы, например, насекомые, благополучно существуют и без поддержки полной картины мира, более того, даже не имея памяти как таковой.

Всех роботов можно условно разделить на три поколения:

  • первое поколение роботов не имело большого ассортимента сенсоров и выполняло определенную заранее программу или полностью подчиняются оператору, который уже принимает решения
  • второе поколение оснащено более совершенные сенсоры, которые позволяли роботам самим принимать решения. Очень часто для более успешной реализации принятия решения, роботами управляло ЭВМ
  • третье поколения – поколение адаптивных роботов. Их также называют интеллектуальными роботами. В них нет четкой программы действий, вместо этого заложены определенные правила, по которым робот обучается, а потом уже и сам совершает ожидаемые от него действия

В настоящее время запущены серийно только роботы первого поколения, которые успешно работают на заводах и выполняют механическую работу, такую как сварка, фрезерование, транспортировка. В развитых странах Европы, США и Японии ведутся попытки создания крупносерийных образцов роботизированных систем второго поколения. Роботы третьего поколения пока находятся только в статии разработки, и, скорее всего, мир еще не скоро увидет первые серийные образцы.

Структура информационной системы

В информационной системе обучения нейронной сети мобильного робота решены следующие проблемы:

  • Разработан мобильный робот для иллюстрации работы алгоритма поиска траекторий движения
  • Синтезированна нейронная сеть (полносвязный четырехслойный персептрон 6-10-10-2)
  • Реализованно программная симуляция персептрона для робота
  • Создана программа обучения данной нейронной сети

Структурная схема данной информационной системы:

Описание программы

Нейросетевое программное обеспечение для ПЭВМ

Нейросетовое ПО для ПЭВМ осуществляет обучение случайно заданную нейронную сеть. Обучение проходит на 20 примерах. Количество обучающих итераций — 10 тысяч проходов. После однократного обучения пользователь может проверить работоспособность нейронной сети, после чего или, или проверить рабостоспособность на другом примере, прекратить обучение, либо продолжить обучение на этих 20 примерах. Программное обеспечение по окончанию работы генерирует файл с весовыми коэффициентами.

Нейросетевое программное обеспечение для мобильного робота

Полученные весовые коэффициенты необходимо вставить в программный код программного обеспечения микроконтроллера мобильного робота. После этого необходимо компилировать полученный код с помощью специального программного обеспечения (AVR Studio 4, например) и загрузить сгенерированный *.hex файл в память микроконтроллера (для этого можно использовать WinAVR, например).

Фотография мобильного робота с нейросетевым ПО:

Реализация программы

Часть программного продукта для ПЭВМ реализована на языке C++ на платформе Microsoft Visual C++ как консольное приложение, поэтому может быть запущено на любой операционной системе Windows. Программа для ПЭВМ не требует предварительной установки, не модифицирует реестр Windows, не изменяет/создает файлов в системных директориях. Удаление программы осуществляется простым удалением с жесткого диска.

Для скачивания доступна программа обучения нейронной сети и скомпилированный *.hex файл, который можно загрузить в собственный мобильный робот на основе микроконтроллера ATmega8. Использование других микроконтроллеров строго не рекомендуется. Соединение ИК-дальномера (рекомендуемая модель — GP2D120) осуществлять строго в порт PC0 микроконтроллера.

© НОК CLAIM. Замечания, вопросы и сведения об ошибках просим сообщать в форуме или присылать администратору сайта.


Предисловие:
Привет всем тем, кто это читает. Я хотел бы рассказать Вам об одном своем эксперименте. Собственно описанная ниже идея не нова и наверняка приходила в голову многим людям, увлекающимся данной темой. На самом деле от простых размышлений до практической реализации прошло достаточно много времени. Начать работу мешало абсолютная уверенность в том, что в голове все работает, и вроде как реализовывать все в железе не имеет смысла. Но набравшись «смелости» и приступив к делу, все оказалось намного сложнее. На пути к достижению к цели пришлось немного повозиться. Об этом и история…

Читать еще:  Разборка стиральной машины индезит своими руками

1) Установить возможность запуска нейронной сети на контроллере Arduino.
2) Установить пригодность ее работы в поставленных условиях.
3) Определить наилучшую топологию сети.

Для решения поставленной задачи были выбраны следующие комплектующие:

1) Контроллер –Arduino 328
2) Колесная платформа – самодельная.
3) Датчик расстояния – HC – SR04
4) Датчик света – фоторезистор.
5) Датчик звука – китайский микрофон с логическим выходом.
6) Нейронная сеть – 2 слоя, 5 нейронов в каждом
Так же были сформированы дополнительные требования:

1) Сеть должна обучаться отдельно (На ПК).
2) Параметры сети должны загружаться в контроллер на лету, без перепрашивки.

Забегая немного вперед, хочу пояснить третий пункт. С топологией «проиграться» практические не удалось, оперативная память контроллера наложила ограничения. Изначально топология сети была трехслойной (5 – 8 — 5).

Чему и как будем учить?

Из конструкции робота видно, что даже без использования нейронной сети, его возможности ограничены. Максимум что можно «логически» запрограммировать, это обход препятствий с выбором наилучшего направления, включение/выключение робота по звуку или уровню освещенности и. т.д, одним словом в интернете масса подобных поделок. Но вот какая штука – все это быстро надоедает,… Что если захотелось что- то поменять, например реакцию на свет или звук или получить некоторую непредсказуемость в поведении. Конечно, можно предусмотреть все это в программе контроллера, данные грузить с SD карточки, а непредсказуемость получить простым рандомом. Но мы не ищем легких путей…:).
Делать будем так: пусть все выше перечисленные задачи решает нейронная сеть.
Обучать будем методом обратного распространения ошибки. Кстати о том что такое нейронная сеть и алгоритм обратного распространения можно прочитать здесь и здесь
Коэффициенты сети будут переноситься в контроллер посредством SD карты.

Как же это работает?

Был заложен следующий принцип работы:
На компьютере:
1) Создается обучающая выборка
2) Сеть обучается до тех пор, пока глобальная ошибка на всех выборках не станет равной нулю.(на самом деле будет немного не так)
3) После обучения создается отчет и файл для контроллера.
4) Файл записывается на карточку.

На Arduino:
1) После включения с SD карточки загружаются параметры сети.
2) После загрузки сеть готова к работе.
3) На основании показаний датчиков формируется «вектор данных».
4) Этот вектор подается на вход сети.
5) После просчета, выходной вектор сети подается на дешифратор.
6) Дешифратор, в зависимости от результата работы сети, определяет тип команды и выполняет ее.
7) Цикл повторяется с пункта 3,

Вектором данных я буду называть одномерный массив определенной размерности, элементы этого массива – числа. Скажем, что в нулевом элементе будет храниться расстояние до препятствия справа, в первом расстояние в прямой видимости и.т.д.
Почему же все-таки вектор? Когда я только начинал разбираться с нейронными сетями я сформировал для себя следующие понятие: «любой набор данных есть точка в N мерном пространстве». В нашем случае пространство будет размерности 5. Да, да такие бывают :).
Вот точное расположение данных в массиве:

Собственно куда же без картинки 🙂

Честно говоря, я не очень сильно хочу уделять сильное внимание этому пункту. Причина этого желания в том, что сам робот в первую очередь не является объектом исследования а его реализация банальна. Единственное о чем я хочу рассказать, это об драйвере двигателей L293D. Эту замечательную микросхему я использовал в силу отсутствия готового шилда. Честно говоря, в электронике я не селен и подключил ее по первой загугленной схеме. В итоге оказалось, что для управления направлением вращения приходилось переводить ножку в состояние INPUT. Это было весьма не привычно, и я до сих пор не знаю чем это может аукнуться…
Насчет колес…в качестве редукторов были использованы серво — машинки, переделанные на постоянное вращение. Все остальные примочки как датчик расстояния и SD card модуля были подключены по стандартным схемам.

Да, качество сборки на 3 🙂

Даже не знаю с чего начать. С одной стороны тут нет ни каких велосипедов все стандартно:

Начнем с программы для ПК:
Написана она, а точнее они на C#. Потому что это достаточно простой язык и я часто использую его в своей работе, но не об этом. В программах нет классов все сделано в «функциональном» стиле для более простого понимания начинающим. Как Вы успели понять программ две: Первая это простой интерфейс, код которого не заслуживает тут присутствовать ибо та все очень просто. Будет только скриншот:

Тут все предельно просто: движками крутим значение на входах, выбираем мысленно реакцию на эти данные из предложенных пяти и ставим галочку. Жмем «добавить».

В результате работы получается файл вот с таким содержанием:

Слева двоеточия что подаем на вход, справа то, что хотим получить.

После того как мы заполнили этот файл, нажимаем кнопку «Создать» и он автоматически передается другой программе. Собственно та другая программа выполняет две функции: учит сеть на предъявленных данных и формирует отчет. Начнем с конца:

Вот такой отчет хороший:

Хороший он потому, что строки Input Res и NET OUT совпадают. Это говорит о том, что при подачи на вход Input data мы хотели бы получить Input Res, а получаем NET OUT. Так что о качестве работы сети мы будем судить из этого отчета.

Теория гласит, что при обучении сети образцы стоит предъявлять в случайном порядке. К чему я это – в моей практике это, на первый взгляд, незначительное утверждение в действительности влияет на скорость сходимости алгоритма. Так же на скорость влияет и первоначально выбранные веса. Бывало что с первой попытки алгоритм не сходился, приходилось по несколько раз запускать обучение для того что бы добиться результата.

Я не знаю стоит ли приводить полный код программы вместе с парсером файлов и созданием выходного файла для контроллера. Так что приведу на свой взгляд только самые важны моменты в одном листинге:

Собственно ни чего сложного. Как мы видим из кода в качестве функции активации нейронов выбрана пороговая функция с параметром срабатывания 0,5. Это позволяет избавиться от производных при обучении, а на контроллере не тратить время на вычисление значения логистической функции. Хотя при этом мы жертвуем временем сходимости алгоритма (это не научная теория, а лишь мои наблюдения на практике).
Да, возможно кто то заметил, что в процессе обучения стоит константное число итераций. Это связанно с тем, что иногда сеть проваливается в локальные минимумы, при этом ошибка равно нулю, а вот качество обучения порой ужасное. Так что пришлось сделать так… Возможно я что то делаю неверно… если кто то заметит, скажите пожалуйста.

Читать еще:  Как пользоваться индукционной плитой

Собственно код Arduino:

Запустить сеть на Arduino возможно и она даже будет работать. Временами конечно же начинаются глюки. Я думаю они связаны с обучающей выборкой. Я не тратил особо много времени на ее подборку и по этому не могу утверждать точно. Возможно в скором времени будут внесены некоторые коррективы. Ну а сейчас пока вот так. Спасибо за внимание.

Использование нейронных сетей в роботах

Использование нейронных сетей в роботах

Итак, каким образом нейронные сети сегодня используются в робототехнике? Да, мы еще далеки от создания достаточно «разумного» ИИ, не говоря уже о том, чтобы снабдить им одного из наших роботов. Тем не менее, во многих случаях использование технологии нейросетей позволяет создавать системы контроля функций роботов, превосходящих возможности стандартных ЦПУ и программного обеспечения. Использование нейросетей в наших роботах позволит им совершать маленькие «чудеса» без использования стандартных компьютеров, процессоров и программ. В главе 6 мы построим систему с нечеткой логикой, состоящую из двух нейронов, способную отслеживать направление источника света. Подвижный робот, снабженный такой системой, оказывается в состоянии следовать за источником света в любом направлении. Также в главе 6 мы обсудим технологию BEAM и идеи Марка Тилдена, создавшего транзисторные схемы (нейронные сети), которые обеспечивают движение и иные функции роботам, имеющим «ноги». Большой прогресс достигнут в применении другого нейронного процесса, названного предикативной архитектурой, использующего метод предикативной (условной) реакции на стимул.

Данный текст является ознакомительным фрагментом.

Читать книгу целиком

Похожие главы из других книг

8.2.4.3.8 Использование клавиатуры

8.2.4.3.8 Использование клавиатуры Должны быть определены правила использования специальных клавиш в диалоговой документации.Примечания1 Пользователь должен иметь возможность вызова справки, используя конкретную клавишу или комбинацию клавиш, в любой точке программы.

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ Вопрос 413. Какой персонал осуществляет организацию водно-химического режима работы оборудования и его контроль?Ответ. Осуществляет подготовленный персонал химической лаборатории или

Глава 9. БЕЗОПАСНОСТЬ ПРИ ЭКСПЛУАТАЦИИ ИНЖЕНЕРНЫХ СЕТЕЙ И СООРУЖЕНИЙ

Глава 9. БЕЗОПАСНОСТЬ ПРИ ЭКСПЛУАТАЦИИ ИНЖЕНЕРНЫХ СЕТЕЙ И СООРУЖЕНИЙ 9.1. Общие меры безопасности Чем больше и современнее ОУ, тем больше в нем различных инженерно-технических сооружений. Кроме того, на территории ОУ могут быть проложены «чужие» трубопроводы, кабели и

Выполнение и защита осветительных сетей

Выполнение и защита осветительных сетей Вопрос. Как должно выбираться сечение нулевых рабочих проводников трехфазных питающих и групповых линий с лампами люминесцентными, ДРЛ, ДРИ, ДРИЗ, ДНаТ при одновременном отключении всех фазных проводов линии?Ответ. Должно

Выполнение и защита сетей наружного освещения

Выполнение и защита сетей наружного освещения Вопрос. Каковы рекомендации настоящих Правил по выполнению сетей наружного освещения?Ответ. Рекомендуется выполнять кабельными или воздушными с использованием СИП. В обоснованных случаях для воздушных распределительных

2.3. Государственный энергетический надзор за организацией рациональной и безопасной эксплуатации электроустановок и электрических сетей

2.3. Государственный энергетический надзор за организацией рациональной и безопасной эксплуатации электроустановок и электрических сетей Одним из важнейших методов государственного контроля и регулирования в электроэнергетике, наряду с государственным

Глава 4. ПОРЯДОК ЛИЦЕНЗИРОВАНИЯ ДЕЯТЕЛЬНОСТИ ПО ЭКСПЛУАТАЦИИ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ

Глава 4. ПОРЯДОК ЛИЦЕНЗИРОВАНИЯ ДЕЯТЕЛЬНОСТИ ПО ЭКСПЛУАТАЦИИ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ При взаимоотношениях потребителей электрической энергии с энергоснабжающими организациями, органами государственного надзора, а также с проектными, монтажными, наладочными и другими

8. Использование энергии

8. Использование энергии Некоторые положения в области тепловой работы печей могут быть получены непосредственно из классической термодинамики обратимых процессов.Под тепловой работой печи понимается совокупность происходящих в ней тепловых процессов, конечной целью

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ 12.1. Организовать водно-химический режим с целью обеспечения надежной работы тепловых энергоустановок, трубопроводов и другого оборудования без повреждения и снижения экономичности, вызванных

ПРАВИЛА ТЕХНИКИ БЕЗОПАСНОСТИ ПРИ ЭКСПЛУАТАЦИИ ТЕПЛОПОТРЕБЛЯЮЩИХ УСТАНОВОК И ТЕПЛОВЫХ СЕТЕЙ ПОТРЕБИТЕЛЕЙ

ПРАВИЛА ТЕХНИКИ БЕЗОПАСНОСТИ ПРИ ЭКСПЛУАТАЦИИ ТЕПЛОПОТРЕБЛЯЮЩИХ УСТАНОВОК И ТЕПЛОВЫХ СЕТЕЙ ПОТРЕБИТЕЛЕЙ СОГЛАСОВАНЫ Советом Федерации независимых профсоюзов России 06.05.1992 г. письмом № 105/78УТВЕРЖДЕНЫ начальником Госэнергонадзора 07.05.1992 г.ПРАВИЛА ТЕХНИКИ

Вопрос 4. Безопасность компьютерных сетей в банке

Вопрос 4. Безопасность компьютерных сетей в банке Классификация сетей.Сети компьютеров имеют множество преимуществ перед совокупностью отдельных систем, в их числе следующие:? Разделение ресурсов. Пользователи сети могут иметь доступ к определенным ресурсам всех узлов

Лекция 11 Основные направления обеспечения информационной безопасности компьютерных сетей учебных заведений

Лекция 11 Основные направления обеспечения информационной безопасности компьютерных сетей учебных заведений Учебные вопросы:1. Состояние вопросов обеспечения информационной безопасности.2. Угрозы и уязвимости КСУЗ.3. Этапы построения БКСУЗ.4. Направление

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ

12. ВОДОПОДГОТОВКА И ВОДНО-ХИМИЧЕСКИЙ РЕЖИМ ТЕПЛОВЫХ ЭНЕРГОУСТАНОВОК И СЕТЕЙ 12.1. Организовать водно-химический режим с целью обеспечения надежной работы тепловых энергоустановок, трубопроводов и другого оборудования без повреждения и снижения экономичности, вызванных

5.3.1. ОСНОВНЫЕ ЭТАПЫ РАЗВИТИЯ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ

5.3.1. ОСНОВНЫЕ ЭТАПЫ РАЗВИТИЯ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ Хронология развития линий электропередачи (ЛЭП) трехфазного переменного тока в Европе и США хорошо известна. На рис. 5.7 видно, как быстро был преодолен стартовый 10–15-ки-ловольтный рубеж: в 1898–1902 гг. были освоены ЛЭП 35–40 кВ,

1.5. Взаимодействие сетей Wi-Fi и сотовой связи

1.5. Взаимодействие сетей Wi-Fi и сотовой связи Теоретически и перспективно Wi-Fi и подобные ему технологии со временем могут заменить сотовые сети, такие как GSM. Препятствиями для такого развития событий в ближайшем будущем являются отсутствие глобального роуминга,

1.6. Вопросы взаимодействия программного обеспечения ПК и сетей Wi-Fi

1.6. Вопросы взаимодействия программного обеспечения ПК и сетей Wi-Fi Уже давно, примерно с 1998 года, операционные системы (далее -ОС) семейства BSD (FreeBSD, NetBSD, OpenBSD) работают с большинством адаптеров. Драйверы для чипов Atheros, Prism, Harris/Intersil и Aironet (от соответствующих производителей

Ссылка на основную публикацию
Adblock
detector