Институт интеллектуальных кибернетических систем | Приемная комиссия НИЯУ МИФИ
Внимание! В период с апреля по май онлайн-консультации в дискорде проходят по понедельникам и четвергам (16:00-18:00) и в субботу 12:00-13:00.
Цель: Подготовка кадров, способных противостоять современным угрозам и вызовам, обладающих знаниями и компетенциями в области кибернетики, информационной и финансовой безопасности для решения задач разработки базового программного обеспечения, повышения защищенности критически важных информационных систем и противодействия финансированию терроризма и отмыванию денег.
Общая информация
Институт занимается исследованиями и инновационными разработками в области кибернетики, информационной и финансовой безопасности. Преимуществами института являются: подготовка кадров, обладающих актуальными компетенциями в области кибернетики, информационной и финансовой безопасности для профессионального решения задач построения защищенных информационных систем и разработки программного обеспечения; обучение технологиям проактивной киберзащиты, в том числе принципам построения адаптирующихся к быстро изменяющейся среде интеллектуальных агентов кибербезопасности и высокопроизводительных защищенных распределенных инфраструктур хранения и обработки данных, повышающих скорость реакции на киберугрозы и эффективность выявления незаконных финансовых операций; вовлечение в исследовательские работы в области робототехники и киберфизических систем.
При институте функционируют 4 малых инновационных предприятия.
Основные сферы трудоустройства выпускников: государственная служба, банковская сфера, финансовая сфера, аудит, IT-сфера, информационная безопасность.
Образовательные программы
Бакалавриат | |
---|---|
Код | Направление |
09.03.01 | Информатика и вычислительная техника |
09.03.04 | Программная инженерия |
10.03.01 | Информационная безопасность |
Специалитет | |
09.05.01 | Применение и эксплуатация автоматизированных систем специального назначения |
Магистратура | |
09.04.01 | Информатика и вычислительная техника |
09.![]() | Программная инженерия |
10.04.01 | Информационная безопасность |
Аспирантура | |
09.06.01 | Информатика и вычислительная техника |
10.06.01 | Информационная безопасность |
Кафедры
12 Компьютерные системы и технологии
22 Кибернетика
41 Защита информации
42 Криптология и кибербезопасность
43 Стратегические информационные исследования
44 Информационная безопасность банковских систем
65 Анализ конкурентных систем
Технологический потенциал
-Суперкомпьютер «Басов»
-Суперкомпьютер «Черенков»
-20 современных компьютерных классов для обучения студентов
-5 специализированных лабораторий по информационной безопасности
-6 студенческих конструкторских исследовательских бюро, оснащенных высокопроизводительным научным оборудованием
-Учебно-производственный комплекс: мелкосерийное производство высокотехнологичной продукции с автоматизированной системой управления
-Лабораторный стенд от компании National Instruments на базе аппаратно-программного LabView для изучения принципов разработки электронных устройств
-Стенды для изучения приемов разработки встраиваемых устройств на базе микроконтроллеров
-3 кластера для изучения методов параллельного программирования и построения высоконагруженных систем
-Лабораторный комплекс для изучения сетевых телекоммуникационных технологий на базе оборудования CISCO
С более подробной информацией можно ознакомиться на сайте и в справочных материалах.
Институт интеллектуальных кибернетических систем (ИИКС)
Кафедры и подразделения:
12 Компьютерные системы и технологии
22 Кибернетика
42 Криптология и кибербезопасность
43 Стратегические информационные исследования
44 Информационная безопасность банковских систем
65 Анализ конкурентных систем
227 Учебно-научная лаборатория «Научная визуализация»
Цель создания лаборатории: Учебно-научная лаборатория занимается вопросами разработки и практического использования инструментальных средств и методов компьютерной визуализации научных данных, а также подготовкой специалистов в этой области
425 Научно-исследовательская лаборатория «Когнитивные архитектуры и семантические технологии»
Цель создания лаборатории: разработки и исследования в области когнитивных архитектур и семантических технологий
575. 1 Учебный отдел института интеллектуальных кибернетических систем
415 Отделение интеллектуальных кибернетических систем офиса образовательных программ
578 Аттестационно-испытательный центр информационной безопасности и систем защиты информации
Отделение интеллектуальных кибернетических систем ИАТЭ
Международная лаборатория Кудряшова Н.А. (см. ниже)
Цель создания лаборатории: исследования в области нелинейной математической физики и математического моделирования
- Гибридные суперкомпьютерные технологии
- Робототехника
- Нейротехнологии и когнитивные архитектуры
- Интеллектуальные системы и технологии
- Программная инженерия и информационная поддержка разработки производства наукоемких изделий и технологий
- Фундаментальные основы информационных технологий
- Центр высокопроизводительных вычислений
- Кибербезопасность научно-образовательных объектов информатизации
- Аттестация объектов информатизации по требованиям безопасности информации
- Когнитивные архитектуры и семантические технологии
Общая информация | ИАТЭ НИЯУ «МИФИ»
Строка навигации
- Главная
- Образование
- Институты
- Институт интеллектуальных кибернетических систем
Общая информация
СТРАТЕГИЧЕСКАЯ ЦЕЛЬ ИИКС — ГЛОБАЛЬНОЕ ЛИДЕРСТВО В ПОДГОТОВКЕ КАДРОВ В ОБЛАСТИ КИБЕРНЕТИКИ, МАШИННОГО ИНТЕЛЛЕКТА, ИНФОРМАЦИОННОЙ И ФИНАНСОВОЙ БЕЗОПАСНОСТИ!!!
ОСНОВНЫЕ ПРИНЦИПЫ ОБРАЗОВАТЕЛЬНЫХ ПРОГРАММ ИИКС
- «Старт» со школьной скамьи (работа со школьниками, Предуниверситарии, летние IT-школы)
- Единое образовательное пространство (Москва, Обнинск)
- Универсальность дисциплин базового цикла
- Гибкость образовательных траекторий
- Модульность специальных дисциплин
- Привлечение ведущих IT-специалистов, национальных и мировых лидеров
- Развитие инновационной инфраструктуры (Программы «Умник», «Старт», Хакатоны, олимпиады, создание инновационных малых предприятий)
- Внедрение передовых образовательных программ в соответствии с современными стандартами (в т.
ч. стандартами worldskills)
К ПРИОРИТЕТНЫМ НАПРАВЛЕНИЯМ ОБРАЗОВАТЕЛЬНЫХ ПРОГРАММ ИИКС ОТНОСЯТСЯ:
- Искусственный интеллект и машинное обучение
- Нечеткие системы и мягкие вычисления
- Высокопроизводительные вычисления
- Облачные вычисления
- Блокчейн-технологии
- Цифровая экономика
- Технология «Умный дом»
- Большие данные (Big Data)
- Интернет вещей
- Компьютерное зрение
- Нейросенсорика
- Java- и Web-технологии
- Новые принципы построения компьютерных архитектур
- Корпоративные информационные системы
- Геоинформационные системы
- Робототехника
- Методы и системы поддержки принятия решений
- Беспроводные технологии
- Параллельное программирование
- Моделирование и анализ поведения сложных систем
В ИИКС обучаются более 300 студентов(из них 80 обучаются в магистратуре). Занятия проводятся высокопрофессиональными преподавательскими кадрами, активно ведущими исследования в рамках научных лабораторий отделения. Проводятся исследования в рамках следующих направлений: обработка больших данных, искусственный интеллект и машинное обучение, перспективные высокопроизводительные архитектуры, моделирование сложных систем. Базами практик, индивидуальных и проектных исследовательских работ студентов ИИКС, наряду с научными лабораториями, являются ведущие научные центры наукограда ОБНИНСК, предприятия IT-кластера Калужской области, академические и проектные институты Москвы. К процессу обучения привлекаются ведущие IT-компании России, специалисты которых читают студентам лекции и проводят практические занятия в рамках учебных курсов и соревнований.
МИФИ запускает программу по безопасности компьютерных систем
https://na.ria.ru/20210726/mifi-1742564239.html
МИФИ запускает программу по безопасности компьютерных систем
МИФИ запускает программу по безопасности компьютерных систем — РИА Новости, 26. 07.2021
МИФИ запускает программу по безопасности компьютерных систем
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) запускает новую программу бакалавриата «Безопасность компьютерных систем (Объекты… РИА Новости, 26.07.2021
2021-07-26T09:00
2021-07-26T09:00
2021-07-26T09:00
общество
национальный исследовательский ядерный университет «мифи»
приемная кампания в вузы
навигатор абитуриента
кем стать
/html/head/meta[@name=’og:title’]/@content
/html/head/meta[@name=’og:description’]/@content
https://cdnn21.img.ria.ru/images/07e5/05/1f/1734881429_0:329:2951:1989_1920x0_80_0_0_10320d209f651f56fa5e24414c823278.jpg
МОСКВА, 26 июл — РИА Новости. Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) запускает новую программу бакалавриата «Безопасность компьютерных систем (Объекты критической информационной инфраструктуры)», сообщили в пресс-службе вуза.Наукоемкие информационные технологии и информационно-технологические системы стремительно развиваются, расширяются области их применения, появляются новые способы и средства распределенного хранения, обработки и передачи информации. Как отметили в пресс-службе вуза, в условиях появления новых технологичных угроз информационной безопасности остро встает вопрос подготовки высококвалифицированных кадров.Новая программа бакалавриата НИЯУ МИФИ «Безопасность компьютерных систем (Объекты критической информационной инфраструктуры)» будет существенно отличаться от всех других программ, связанных с обеспечением информационной безопасности, рассказал директор института интеллектуальных кибернетических система НИЯУ МИФИ Валентин Климов.Климов также отметил, что особое внимание будет уделено защите информационно-вычислительных сетей и систем, криптографическим методам, архитектуре безопасности ЛВС и Интернет-сети, компьютерной криминалистике, тестированию на проникновение и анализу защищенности информационно-технологических систем. Также студенты прослушают специализированные курсы по дискретной математике, теории вероятностей и математической статистике, теории информации и другим математическим дисциплинам. «Мы уверены, что сумеем подготовить высококлассных специалистов, востребованных ведущими высокотехнологичными компаниями», — отметила проректор НИЯУ МИФИ Елена Весна.
По ее словам, среди преподавателей новой программы будут и опытные практики в области обеспечения информационной безопасности, и молодые специалисты из числа призеров международной олимпиады по криптографии «NSUCRYPTO» и других специальных конкурсов.
https://na.ria.ru/20210723/mifi-1742006730.html
https://na.ria.ru/20210723/mifi-1742006730.html
https://na.ria.ru/20210407/vuzy-1603408442.html
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
2021
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
Новости
ru-RU
https://na.ria.ru/docs/about/copyright.html
https://xn--c1acbl2abdlkab1og.xn--p1ai/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og. xn--p1ai/awards/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
РИА Новости
7 495 645-6601
ФГУП МИА «Россия сегодня»
https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/
общество, национальный исследовательский ядерный университет «мифи», приемная кампания в вузы, навигатор абитуриента, кем стать
МОСКВА, 26 июл — РИА Новости. Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) запускает новую программу бакалавриата «Безопасность компьютерных систем (Объекты критической информационной инфраструктуры)», сообщили в пресс-службе вуза.Наукоемкие информационные технологии и информационно-технологические системы стремительно развиваются, расширяются области их применения, появляются новые способы и средства распределенного хранения, обработки и передачи информации. Как отметили в пресс-службе вуза, в условиях появления новых технологичных угроз информационной безопасности остро встает вопрос подготовки высококвалифицированных кадров.
23 июля 2021, 09:00
Новые программы обучения лазерным технологиям запустили в МИФИНовая программа бакалавриата НИЯУ МИФИ «Безопасность компьютерных систем (Объекты критической информационной инфраструктуры)» будет существенно отличаться от всех других программ, связанных с обеспечением информационной безопасности, рассказал директор института интеллектуальных кибернетических система НИЯУ МИФИ Валентин Климов.
«Мы сделали акцент на фундаментальную математическую подготовку, изучение теоретических основ кибербезопасности и углубленное освоение современных информационных технологий, необходимых для решения задач защиты объектов критической информационной инфраструктуры. Выпускники программы будут востребованы в высокотехнологичных компаниях, где смогут разрабатывать математические модели кибербезопасности, обеспечивать безопасность и защиту данных в сфере эксплуатации комплексов программных и программно-аппаратных технических средств», — прокомментировал он.
Климов также отметил, что особое внимание будет уделено защите информационно-вычислительных сетей и систем, криптографическим методам, архитектуре безопасности ЛВС и Интернет-сети, компьютерной криминалистике, тестированию на проникновение и анализу защищенности информационно-технологических систем.
Также студенты прослушают специализированные курсы по дискретной математике, теории вероятностей и математической статистике, теории информации и другим математическим дисциплинам.
23 июля 2021, 09:00
Новые программы обучения лазерным технологиям запустили в МИФИ«Мы уверены, что сумеем подготовить высококлассных специалистов, востребованных ведущими высокотехнологичными компаниями», — отметила проректор НИЯУ МИФИ Елена Весна.
По ее словам, среди преподавателей новой программы будут и опытные практики в области обеспечения информационной безопасности, и молодые специалисты из числа призеров международной олимпиады по криптографии «NSUCRYPTO» и других специальных конкурсов.
7 апреля 2021, 09:00
Профессии, зарплаты, вузы: навигатор абитуриента 2021Национальный исследовательский ядерный университет «МИФИ» (МИФИ): факультеты и кафедры
Инженерно-физический институт биомедицины НИЯУ МИФИ (ИФИБ)
Целью ИФИБ является подготовка высококвалифицированных специалистов в области инженерно-физических технологий для биомедицины, включая ядерную и трансляционную медицину, в интересах Российских научных центров, инновационных предприятий и клиник. ИФИБ объединил в своем составе кафедры НИЯУ МИФИ медицинского, биологического, химического, инженерного и IT-профилей, что позволяет готовить специалистов, обладающих знаниями и компетенциями на стыке этих областей.
Задачи ИФИБ:
Проведение научных исследований с привлечением студентов и аспирантов в области современных биомедицинских технологий для разработки методов ранней диагностики и адресного лечения онкологических и других социально значимых заболеваний;
Подготовка на базе научных исследований и инженерно-физических разработок высококвалифицированных кадров для работы на современном биомедицинском оборудовании;
Использование результатов научных исследований для создания новых медицинских технологий, патентная и организационная поддержка новых стартапов, коммерциализация научных результатов;
Формирование на основе ИФИБ Центра трансляционной медицины для быстрого внедрения новых разработок.
Образование в ИФИБ основано на использовании современных принципов обучения: гибкие образовательные программы, модульная структура образовательных программ, индивидуальные траектории, практикоориентированность.
Уникальность образовательных программ ИФИБ:
Научная стратегия ИФИБ нацелена на достижение синергетического эффекта от объединения современных технологий нанобиоинженерии, бионанофотоники и технологий ядерной медицины. Подготовка кадров, которые будут обладать необходимыми знаниями и компетенциями для работы в этих динамично развивающихся областях, быстрой трансляции этих знаний в медицину, основана на уникальных образовательных программах, обладающих гибкостью к появляющимся новым научным достижениям и внедряющих их в образовательный процесс.
Набор образовательных программ для подготовки специалистов в биомедицине, включая ядерную медицину (особенно на высших уровнях подготовки – в магистратуре, аспирантуре) должен, с одной стороны, давать базовые знания и навыки в соответствующих научных областях, с другой – оперативно включать передовые достижения в учебный процесс. Такая динамичность достигается в ИФИБ путем создания новых образовательных программ на модульной основе и регулярной модернизации существующих программ, а также создания совместных образовательных программ с ведущими зарубежными университетами.
Особенности учебного процесса ИФИБ:
- Привлечение студентов к научной деятельности в процессе обучения
- Привлечение к чтению лекций ведущих зарубежных профессоров
- Стажировки студентов в зарубежных университетах–партнерах
- Регулярное проведение летних и зимних международных молодежных научных школ
Более полную информацию об ИФИБ Вы сможете найти на странице института ( http://physbio.mephi.ru/).
ИФЭБ и ИИКС НИЯУ МИФИ провели совместный День открытых дверей
Детали события:
- Дата:
Вместе – продуктивнее! ИФЭБ и ИИКС НИЯУ МИФИ провели совместный День открытых дверей
Институт интеллектуальных кибернетических систем совместно с Институтом финансовой и экономической безопасности НИЯУ МИФИ провели День открытых дверей, который, как всегда, собрал в альма-матер неравнодушных абитуриентов и их родителей. Программа мероприятия начиналась в актовом зале, где прозвучали приветственные слова и прошли выступления представителей институтов, приглашенных гостей-работодателей, ответственного секретаря приемной комиссии и представителя военной кафедры. Кроме того, в ходе Дня открытых дверей были награждены победители и призеры международной студенческой олимпиады по криптографии NSUCRYPTO.
Мероприятие открыл заместитель директора Института интеллектуальных кибернетических систем НИЯУ МИФИ Валентин Климов, он рассказал о подразделении, его истории и основных векторах развития. «Мы уделяем внимание всем ключевым мировым проблемам в области IT-технологий. В первую очередь, это проблема искусственного интеллекта, его развития, внедрения роботов, так называемой нейротехнологической революции. Мы должны обеспечить своевременный и достойный выход России на мировой уровень. Нас также интересует разработка умных домов, машин и всего, что работает без участия человека. Еще одно важное направление работы – информационная безопасность и борьба с киберпреступностью. Наш институт создан на триаде: наука, безопасность, инновации. Мы стоим на пороге новых научных открытий и внедряем их в обучение, поэтому готовим востребованных и конкурентоспособных специалистов», – обозначил Валентин Климов.
Программу продолжила заместитель директора Института финансово-экономической безопасности НИЯУ МИФИ Анна Норкина. «ИФЭБ был создан более 12 лет назад для обеспечения кадровой потребности Федеральной службы по финансовому мониторингу и других спецслужб РФ. В задачи Финмониторинга входит два направления: противодействие финансированию терроризма и производства оружия массового уничтожения. Также мы сотрудничаем с другими большими компаниями и корпорациями. В зависимости от потребностей рынка мы вносим корректировки в учебный план, чтобы готовить адаптированных к современным условиям специалистов, которые будут востребованы на рынке труда», – подытожила Анна Норкина. Также заместитель директора ИФЭБ поблагодарила всех за интерес к мероприятию и пригласила на совместный День открытых дверей всех подразделений НИЯУ МИФИ, чтобы лучше почувствовать атмосферу вуза.
В рамках официальной части программы выступил представитель Росфинмониторинга Марина Чурищева. «Мы ждем студентов НИЯУ МИФИ у себя на практике и стажировках, это неоценимый опыт в сфере финансовых расследований. Мы хотим видеть у себя специалистов со знанием правовой базы, иностранных языков, умением работать с открытыми источниками, обладающих знаниями в IT-сфере, владением математики, а также с хорошими личностными характеристиками. Каждый год специалисты из НИЯУ МИФИ пополняют нашу команду. Например, выпускник НИЯУ МИФИ 2009 года несколько раз проходил у нас практику, затем попал к нам в команду, и в 2018 году он занял должность начальника управления. Это очень хорошая карьера, и своим примером этот молодой человек доказал, что все это возможно», – рассказала Марина Чурищева и пригласила гостей мероприятия на мастер-класс Федеральной службы по финансовому мониторингу «Сто дорог – одна твоя!»
Череду выступлений продолжила руководитель совместного проекта НИЯУ МИФИ и Mail. ru Group Оксана Озерная. «Проект «Техноатом» создан, чтобы сократить разрыв в знаниях, которые преподаются в вузе и которые приобретаются непосредственно на работе. «Техноатом» существует уже два года, в рамках проекта ведущие специалисты Mail.ru Group приходят в НИЯУ МИФИ и преподают студентам различные языки программирования абсолютно бесплатно. Для того чтобы принять участие в проекте, нужно быть студентом НИЯУ МИФИ и пройти онлайн-отбор, затем вы сможете посещать занятия и по окончании курса получите соответствующий сертификат. С этим сертификатом вам начисляются дополнительные баллы при поступлении в магистратуру НИЯУ МИФИ, а также вы можете прийти на стажировку к нам в компанию. В прошлом году 37 студентов НИЯУ МИФИ прошли стажировку у нас», – рассказала Оксана Озерная и пригласила узнать больше информации о проекте «Техноатом» и стажировках в Mail.ru Group у стенда компании, который расположен в библиотеке.
Следующий блок выступлений был посвящен вопросам поступления. Ответственный секретарь приемной комиссии Игорь Цветков представил результаты приема прошлого года: проходные баллы по направлениям, контрольные цифры приема, минимальные баллы для подачи документов. Он отметил, что в последние годы качество приема в университет неизменно повышается, о чем свидетельствует увеличение среднего балла ЕГЭ поступивших в НИЯУ МИФИ. Также Игорь Цветков обратил внимание на то, что прием документов в НИЯУ МИФИ начинается 15 июня, а более подробно с правилами приема можно ознакомиться на официальном сайте университета в разделе Приемной комиссии НИЯУ МИФИ.
Официальная часть Дня открытых дверей завершилась выступлением начальника военной кафедры, полковника Андрея Коростелева. В своей речи он отметил, что НИЯУ МИФИ активно участвует во всех проектах, которые Министерство обороны реализует в отношении студентов. Работа ведется по четырем большим направлениям. Первое – подготовка офицеров запаса в интересах высокотехнологичных подразделений МО РФ по смежным направлениям подготовки. Второе – подготовка солдат и сержантов запаса. Третье направление касается студентов, которые не прошли обучение на военной кафедре. После окончания НИЯУ МИФИ они могут пройти срочную службу в научной роте. И четвертое – выпускники НИЯУ МИФИ крайне востребованы Министерством обороны РФ, как хорошо зарекомендовавшие себя специалисты.
После официальной части школьников пригласили в библиотеку, где им были предложены различные мастер-классы и выставочная экспозиция научных групп ИИКС и ИФЭБ. «Анализ информационной безопасности публичного Wi-Fi», «Инвестиции. Формирование бизнес-кейса», Технологии виртуальной реальности», «Анализ связей в социальной сети «Вконтакте», «Интернет вещей» – еще не весь перечень мастер-классов, которые проходили в этот день в НИЯУ МИФИ. Федеральная служба по финансовому мониторингу провела в рамках Дня открытых дверей два мастер-класса: «Сто дорог – одна твоя!» и «Финансовая разведка в современном мире».
Национальный исследовательский ядерный университет «МИФИ» — один из первых двух национальных исследовательских университетов России, образован 8 апреля 2009 года на базе Московского инженерно-физического института (государственного университета).
Историю ведёт от основанного в 1942 году Московского механического института боеприпасов (ММИБ). Занятия начались 1 января 1943 года. Первый адрес института — улица Кирова (сейчас Мясницкая), 21. Первым директором института стал Алексей Никитович Дыгерн. Первоначальной целью института ставилась подготовка специалистов для военных и атомных программ Советского Союза. В 1945 году переименован в Московский механический институт, а в 1953 году — в Московский инженерно-физический институт (МИФИ). С 1993 года — Московский государственный инженерно-физический институт (технический университет). С 2003 года — Московский инженерно-физический институт (государственный университет). На территории университета находится научно-исследовательский ядерный реактор бассейнового типа. Университет имеет тесные связи с Государственной корпорацией по атомной энергии «Росатом» и Международным агентством по атомной энергии. НИЯУ МИФИ служит площадкой для проведения всевозможных событий в мире науки. Ежегодно в вузе проводится научная сессия МИФИ. При поддержке партнёра вуза в области высоких технологий — корпорации Intel — начиная с 1997 года НИЯУ МИФИ открывает двери школьным талантам, организуя молодёжный конкурс «Юниор», включённый в структуру международного научно-инженерного конкурса Intel International Science and Engineering Fair. Участник Проекта 5-100.
|
Читайте в новом номере«Аккредитация в образовании» № 7 (123) 2020
Известный американский фантаст Роберт Асприн однажды написал: «Когда на носу кризис, не трать силы на овладение сведениями или умениями, которыми ты не обладаешь. Окапывайся, и управляйся с ним, как сможешь, с помощью того, что у тебя есть». Кризис уже наступил, и обойтись имеющимся инструментарием вряд ли получится. Как жить в новом, дивном мире и развивать потенциал – читайте в 123-м номере «АО».
|
Национальный исследовательский ядерный университет МИФИ (Московский инженерно-физический институт): рейтинги, стоимость и подробности о курсах
История Национального исследовательского ядерного университета «МИФИ» (Московский инженерно-физический институт) началась с основания в 1942 году Московского механического института боеприпасов. Позднее здесь был создан головной российский ядерный университет МИФИ, в его развитии и становлении принимали участие ведущие советские ученые, в том числе руководитель советского атомного проекта Игорь Курчатов.В МИФИ за всю его историю работали шесть нобелевских лауреатов — Николай Басов, Андрей Сахаров, Николай Семенов, Игорь Тамм, Илья Франк и Павел Черенков.
НИЯУ МИФИ сегодня — один из ведущих научно-исследовательских университетов России, готовящий инженеров и ученых более чем по 200 направлениям. К наиболее перспективным направлениям обучения относятся:
- Наноматериалы и нанотехнологии;
- Радиационные и лучевые технологии;
- Медицинская физика и ядерная медицина;
- Сверхпроводимость и управляемый термоядерный синтез;
- Экология и биофизика;
- Информационная безопасность.
Кроме того, в МИФИ обучаются будущие менеджеры, специалисты и аналитики в области менеджмента, инженерной экономики, ядерного права и международного научно-технического сотрудничества.
Программы МИФИ:
С 2014 года в университете реализуются стандарты инициативы CDIO по модернизации инженерной подготовки в высшей школе. Стандарты направлены на повышение квалификации следующего поколения выпускников инженерных специальностей, а также используются ведущими мировыми университетами, такими как Стэнфордский университет, Калифорнийский государственный университет и Массачусетский технологический институт.
Аккредитованы FEANI (Федерация национальных инженерных ассоциаций) и Агентством по аккредитации программ инженерного образования (АНО АПИО).
Выпускник, обучавшийся по аккредитованной программе и имеющий необходимый профессиональный опыт, может получить звание (международный сертификат) евроинженера.
Выпускники НИЯУ МИФИ востребованы в России и за рубежом. Они работают в ЦЕРНе, Брукхейвенской национальной лаборатории (BNL), Юлихском исследовательском центре (Forschungszentrum Jülich GmbH), Институте физики высоких энергий Китайской академии наук, Организации по исследованию ускорителей высоких энергий и более чем в 100 ведущих научных центрах по всему миру.
Milli Atom Araştırma Üniversitesi ‘MİFİ (МИФИ): fakülteler
НЭСПИ МИФИ создан для развития на его базе инновационного научно-образовательного центра мирового уровня в области наноэлектроники, спинтроники, фотоники, СВЧ-приборов, датчиков и генераторов терагерцовых сигналов.
Глобальные вызовы для электронной промышленности сегодня:
- Необходимость передачи и обработки больших объемов данных в режиме реального времени;
- Энергоэффективность компонентной базы;
- Увеличение степени интеграции в схемах и уменьшение активной площади транзистора.
Решения:
Использование передовых материалов в высокоскоростных компактных электронных устройствах;
Новая архитектура электронных компонентов;
Новые принципы в электронике – магнитные свойства материалов, квантовые компьютеры.
NESPI предлагает уникальные возможности стать профессионалом в области разработки и применения современной и перспективной электронной компонентной базы. Выпускники обладают фундаментальными знаниями, владеют современными методами исследований, получают навыки изготовления и проектирования новых сложных устройств на стыке различных областей науки и техники.
Установки NESPI являются единственными в своем роде, предоставляющими передовые методы создания и изучения наноструктур и некремниевых электронных компонентов и схем, от основного материала до конечного устройства или функциональной системы.
Выпускники получают опыт практической работы с использованием передового научно-технического оборудования, хорошо разбираются в современной науке и технике, что делает их очень привлекательными на мировом рынке труда.
Работа над реальными исследовательскими проектами, изобретательскими задачами и созданием устройств уже на младших и старших курсах для бакалавров и особенно во время магистерской программы обеспечивает необходимую квалификацию, чтобы сделать карьеру в современной электронной промышленности.
Дополнительная информация —
http://nespi. mephi.ru/index.php?lang=en.
(PDF) Кибернетические инфраструктуры количественных и качественных данных для распределенных городов
неформальная человеческая деятельность формирует процесс.Роль наблюдателя, который обрабатывает и контролирует систему,
, выбирая, фильтруя и делая выводы из своей личной субъективности. Как определяет второй закон термодинамики
, энтропия может увеличиваться с течением времени для изолированной системы, наблюдатель изолирует систему, лишая ее
формы взаимодействия и равновесия. Изолируя системы, отсутствие взаимосвязи между
официальной и неофициальной информацией обычного топографического анализа в городах способствует частичному пониманию нашей городской среды (Sassen, 2011) путем разделения социальных, экономических, физических
и испытывает геолокальные заказы.
Роль наблюдателя аналогична той, которую Джеймс Клерк Максвелл определил как своего демона (Максвелл, 1867 г.),
существо, способное действовать на молекулярном уровне, перемещать частицы и управлять глобальной системой
уменьшить энтропию, для этого он должен иметь знание и понимание локальных и глобальных масштабов
одновременно. Первый позволяет ему точно знать, какую частицу он должен выбрать, а второй
дает ему контекст и информацию о том, где эта частица должна находиться в пространстве, наделяя его
определенным интеллектом, позволяя ему быть активным. элемент системы.
Непрерывный линейный поток информации от источника, расположенного в направлении из одной стороны в другую,
перерабатывающий входы в выходы это закрытая система, в которой контроллер играет важную роль, но не имеет
интеграции с самой системой. Регулирующая информация делает систему живой благодаря включению
обратной связи в качестве герменевтического и регенеративного процесса, нарушающего невзаимную линейность.
Модель жизнеспособной системы (VSM), разработанная британским кибернетиком Стаффордом Биром (1972 г.), представляет собой самовоспроизводящуюся
модель, способную рекурсивным образом учитывать изменения окружающей среды для непрерывной
адаптации во времени в причинно-следственной связи. действие, учитывая действительность, возможность и потенциальность.Появление этой модели
дополнило то, как Норберт Винер определил кибернетику, включив
системы как часть среды, так что результат системы может информировать следующую итерацию и, таким образом,
далее, порождая рекурсию. В той же линии VSM кибернетика второго порядка интегрировала
наблюдателя в систему (фон Форестер, 1979), вовлекая людей и, следовательно, общество. По
позволяя наблюдателю проникнуть внутрь системы и выбирать свою собственную цель, давая ему автономию,
изменяя линейный образ мышления в западной культуре (Delanda, 2010),
Установлено как подходящее средство для снижения социальной энтропии кибернетика улучшает связь между
людьми, людьми и машинами и машинами с машинами (Wiener, 1958), позволяя открывать новые
формальные образы воображения, включая идею генеративных, рекурсивных и кибернетических систем в
измерениях искусства, государственное управление, архитектура и городской дизайн.
4. Гибридные кибернетические инфраструктуры.
В дизайнерской практике принято проектировать в контексте и пространстве, они придают масштаб и серьезность,
обеспечивая точность локальных взаимодействий в определенное время. Привязывая результат к определенному времени,
придают стабильность, замораживая любые шансы на дальнейший рост (Vivanco, 2016). Жизнь — это диссипативный
метастабильный процесс (Schenider, Sagan, 2008), где вещи находятся в непрерывном преобразовании посредством
обмена энергией, основанного на законах термодинамики.Остановка отдельных эволюционных
процессов от объектов влияет на большую экосистему, увеличивая энтропию.
Что не так нормально в практике проектирования, так это открытое проектирование путем включения этих эволюционных
принципов с учетом четвертого измерения (Fry, 2009), что означает расширение границ дизайна
и делает вещи открытыми и общедоступными, чтобы они могут находиться во владении людей (Delanda, 2010),
, фокусируя силу и потенциал объектов на расширении их раскрывающихся способностей (Domínguez
Rubio, 2015). Для этого необходимо изменить представление о готовых объектах, понимаемых как продукты, на концепцию
прототипов, понимаемых как вмешательства. Чтобы добиться изменения, важно установить
разницу между прототипом и прототипированием.
Прототипы — это формальные представления проекций того, чем станет объект,
они передают расширенную идею, основанную на технологических, интерактивных и экономических аспектах. By
Улучшенный метод идентификации стохастической нелинейной системы с использованием авторегрессионной модели Гаммерштейна-Винера с ошибкой на выходе нечеткого типа, основанной на градиентном алгоритме, мультиинновации и методах фильтрации данных
В этой статье предлагается инновационный подход к идентификации нелинейных стохастических систем с использованием Модель Хаммерштейна-Винера (HW) с шумом авторегрессии ошибки вывода (OEA).Предлагаются две нечеткие системы для идентификации входных и выходных нелинейных блоков предлагаемой модели по заданным измерениям входных-выходных данных. В данной работе необходимость в широко используемых допущениях, включающих известную структуру входных и/или выходных нелинейностей и/или обратимых нелинейных выходов, устраняется заменой промежуточных переменных и шума их оценками. Четыре алгоритма параметрической оценки для идентификации предложенной стохастической авторегрессионной модели HW с ошибкой вывода нечеткого типа (FSOEAHW) получены на основе алгоритма обратного распространения и мультиинновационных методов идентификации и фильтрации данных.Предлагаемые алгоритмы представляют собой улучшенный алгоритм градиента обратного распространения (IBPG), мультиинновационный алгоритм IBPG (MIIBPG), алгоритм фильтрации данных IBPG (FIBPG) и мультиинновационный алгоритм FIBPG (MIFIBPG). Исследуется сходимость алгоритмов оценивания параметров. Эффективность предложенных алгоритмов показана на приведенном имитационном примере.
1. Введение
Идентификация системы – это подход к моделированию динамической системы на основе данных наблюдений [1–9]. Он состоит в поиске подходящей математической модели, которая, насколько это возможно, аппроксимирует поведение системы, задавая соответствующую модель структуры и параметров, устанавливая связь между входными и выходными измерениями системы [10–13].
Все физические системы нелинейны, и для описания таких систем естественно использовать нелинейную модель. Поэтому в последнее время больше внимания уделяется нелинейным методам идентификации и управления, поскольку подходы, основанные на линейной идентификации и управлении, широко развиваются и становятся зрелыми.Одним из классов таких систем нелинейного моделирования являются так называемые блочно-ориентированные модели, которые могут быть представлены в различных конфигурациях, где каскадно соединены линейные динамические блоки и нелинейные статические или динамические подсистемы. Модель Хаммерштейна (H) (статический нелинейный блок, за которым следует динамический линейный блок) и система Винера (W) (линейная динамическая подсистема, за которой следует статический нелинейный блок) являются основным классом каскадных систем, которые широко используются во многих инженерные приложения в промышленной практике [14–22] и, следовательно, подходам к моделированию такого класса блочно-ориентированных моделей уделяется большое внимание в течение многих лет [23–36]. Системы Гаммерштейна и Винера объединяются вместе для создания более сложных подкатегорий, а именно модели Хаммерштейна-Винера (HW) (линейный блок каскадируется между двумя нелинейными подсистемами) и системы Винера-Гаммерштейна (WH) (нелинейный блок встроен между двумя линейные блоки). В частности, во многих случаях реальная система содержит нелинейности как исполнительного механизма, так и сенсора. Тогда уместно рассматривать входной нелинейный блок как нелинейность привода, а выходную нелинейную подсистему как датчик и/или нелинейность процесса.Модель HW имеет несколько преимуществ: (i) Она имеет физическое представление о нелинейных характеристиках реальной системы, что важно при анализе, мониторинге, диагностике и управлении системой. (ii) Динамика HW в основном создается линейной подсистемой. Затем можно было бы использовать разработанные линейные подходы. (iii) Когда выходная нелинейность имеет обратную функцию, методы линейного управления могут быть легко применены с желаемыми характеристиками.
Эта блочно-ориентированная форма модели прекрасно используется в различных областях, таких как электрические, механические, гидравлические и химические области [37–46].Следовательно, идентификация моделей HW стала активной темой исследований в настоящее время. В литературе предлагаются различные методы, которые можно условно разделить на разные категории: рекурсивные, итерационные, слепые, подпространственные, частотные, перепараметризация, методы декомпозиции и т.д. Основная идея вышеупомянутых методов состоит в том, что параметры модели аппроксимируются либо путем построения гибридной модели из нелинейной и линейной частей (например, перепараметризация, подпространство, декомпозиция и слепые методы [36, 43–46]), либо отдельными шагами, где оценки входных и выходных параметров нелинейных подсистем и динамической линейной части устанавливаются на основе шага оценивания неизмеряемых промежуточных переменных (таких как частотный, итерационный, рекурсивный, стохастический, корреляционный методы и специальный входной [35, 47– 51]).
Однако общее представление вышеупомянутых работ состоит в том, что шум процесса (т. е. шум между линейной динамической частью и нелинейным блоком) или выходные помехи (т. е. шум измерения, приведенный после нелинейного выходного блока) не учитывались, что не имеет место в практическом физическом процессе. Тогда более очевидно рассматривать некоторые стохастические возмущения. В связи с этим в литературе было предложено очень мало статей, посвященных стохастической модели HW.Например, в [43–49] авторы рассматривали конкретную структуру H-W, представляющую некоторые формы шума измерений. Для H-W с технологическим шумом некоторые работы были предложены в [49–53]. Эсмаилани и др. и Уиллс и др. [54–56] предложили методы идентификации класса систем H-W, представляющие шумы измерений и процессов.
Следует отметить, что применение вышеупомянутых подходов сильно ограничено из-за некоторых проблем. Фактически, соответствующие идеи ограничиваются полиномиальными формами входных и/или выходных нелинейных блоков или хорошо известными входными и/или выходными нелинейными характеристиками (такими как мертвая зона или люфт), но с неизвестными параметрами. Следовательно, если нелинейность не является непрерывной или не имеет полиномиальной формы или с неизвестными характеристиками, алгоритмы не дают удовлетворительных результатов. Более того, проблема избыточности, приводящая к чрезмерному размеру матричных параметров HW, является еще одной лазейкой ранее упомянутых методов. Для компенсации этих недостатков искусственные интеллектуальные системы, такие как нейронные сети и нечеткие системы, могут быть исследованы для моделирования модели HW благодаря их свойству универсальной аппроксимации и их способности моделировать заданную нелинейную функцию с любой произвольной точностью.Учитывая, что структура HW должна быть обеспечена, проблема идентификации нейронной сети или HW нечеткого типа отличается (где требуется моделирование двух нелинейных блоков и динамической линейной части) от традиционной нейронной сети и нечеткой системы, которые фокусируется только на глобальном процессе нелинейного преобразования данных. В настоящее время сообщалось лишь о разрозненных работах по идентификации модели H-W на основе нейронных сетей и нечетких систем.
В [57, 58] предложен многоэтапный подход к созданию H-W модели рекуррентного типа нейронной сети, основанный на инициализации границы активной области, реализации собственной системы в частотной области и алгоритмах наименьших квадратов и рекурсивного рекуррентного обучения.H-W система нейро-нечеткого типа была представлена в [59] с использованием двухступенчатого входного сигнала. Для той же формы системы Jia et al. и Ли и др. [60, 61] объединили специальный входной сигнал и метод корреляции для раздельной и нерекурсивной идентификации параметров системы. Однако большинство из приведенных выше алгоритмов основаны на некоторых ограничительных условиях, особенно на предварительном знании некоторых параметров и предположении об обратимости выходной нелинейности для получения оценки промежуточной переменной, что не всегда так.Еще в [62] используется градиентный алгоритм обратного распространения для оценки совместно неизвестных параметров и промежуточных переменных системы H-W нейросетевого типа с полиномиальной формой входных и выходных нелинейных блоков.
Очевидно, что есть некоторые проблемы, которые необходимо решить при идентификации нелинейных процессов с использованием модели H-W для достижения удовлетворительных результатов. Первый заключается в том, как учитывать возмущения стохастического нелинейного процесса в описании модели H-W. Во-вторых, как идентифицировать модель H-W без каких-либо предварительных знаний о системе и с использованием только входных и выходных измерений.В-третьих, как приобрести мощную идентификационную способность модели H-W с минимальными привлекательными теоретическими предположениями. Последний заключается в определении алгоритма обучения, который можно использовать для достижения хорошей производительности.
Для решения вышеописанных проблем в этой статье представлен новый метод моделирования и идентификации параметров для идентификации нелинейного стохастического процесса, описываемого моделью H-W с авторегрессионной ошибкой на выходе нечеткого типа (FSOEAHW). Таким образом, по сравнению с существующими исследованиями, основные вклады этой статьи заключаются в следующем.
Первая оригинальность заключается в предложенной схеме H-W нечеткого типа. Фактически линейная часть рассматривается как дискретная передаточная функция, а авторегрессионная математическая модель выходной ошибки описывает возмущение процесса. Кроме того, две нечеткие модели предназначены для описания входных и выходных нелинейностей модели H-W только с знанием входных и выходных измерений. В результате предложенная модель может не только описать динамику такой нелинейной системы, работающей в стохастической среде, и избежать встречающихся входных и выходных ограничений нелинейных блоков, основанных на конкретных формах или формах базисных функций, но и исключить предположение об обратимости статической выходной части на основе на оценках внутренних переменных без проблемы завышения параметров модели.
Второе участие связано с предложенными алгоритмами оценки параметров. Основная идея состоит в том, чтобы объединить алгоритм градиента распространения с обратной связью с мультиинновационным методом и методом фильтрации данных для идентификации модели H-W нечеткого типа. Предлагаемые алгоритмы идентификации основаны на измерении входных/выходных данных и аппроксимации всех внутренних переменных, полученных в результате предшествующих оценок соответствующих параметров. В этом случае предлагаются четыре алгоритма: алгоритм улучшенного градиента обратного распространения (IBPG), мультиинновационный алгоритм улучшенного градиента обратного распространения (MIIBPG) для повышения скорости сходимости с помощью мультиинновационного метода идентификации, алгоритм фильтрации данных IBPG (FIBPG). и мультиинновационный FIBPG (MIFIBPG).
Оставшаяся часть этого документа организована следующим образом. Рассматриваемая система описана в разделе 2. В разделе 3 разработаны алгоритмы оценивания параметров FSOEAHW, IBPG, MIIBPG, FIBPG и MIFIBPG, а также изучен анализ их сходимости. В разделе 4 представлены результаты моделирования. Некоторые выводы представлены в разделе 5.
2. Описание системы
2.1. Стохастическая авторегрессионная система Хаммерштейна-Винера с ошибками вывода (SOEAHW)
Рассмотрим стохастическую авторегрессионную систему Хаммерштейна-Винера с ошибками вывода (SOEAHW), представленную на рисунке 1.
В этой системе и являются входом и выходом системы соответственно. , , и являются внутренними переменными. Дискретная линейная передаточная функция окружена входным статическим нелинейным блоком и выходным статическим нелинейным блоком. Предполагается, что измеренный выходной сигнал содержит неизвестный компонент аддитивного шума, описываемый авторегрессионной математической моделью. представляет собой белый шум с нулевым средним значением и неизвестной дисперсией.
Первая неизмеряемая промежуточная переменная является выходом входного нелинейного блока и выражается следующим уравнением:
Линейная динамическая часть задается следующим выражением:
Вторая неизмеряемая промежуточная переменная может быть записана следующим образом:
Выход блока нелинейного вывода выражается следующим образом:
Шум определяется выражением
Имеем и .С учетом уравнений (4) и (5) выход системы выражается как
. наличие возмущения и большая сложность модели с минимумом привлекательных теоретических допущений, которые не всегда верны, особенно строгие ограничения, связанные с обратимостью нелинейного выходного блока и хорошо известными входными и/или выходными характеристиками нелинейных блоков (ii) Подходящая аппроксимация вышеописанная система, такая как сумма квадратов ошибок остаточного члена E (заданных следующим образом), которая должна быть уменьшена, насколько это возможно, с использованием адекватного алгоритма, где априори оценивается на выходе.
Для достижения вышеуказанных целей и на основе свойств универсальной аппроксимации нечетких систем мы предлагаем использовать две нечеткие модели для описания входной и выходной нелинейности.
2.2. Авторегрессионная модель Хаммерштейна-Винера со стохастической ошибкой вывода нечеткого типа (FSOEAHW)
Важнейшей задачей идентификации модели Хаммерштейна-Винера является эффективное моделирование двух статических нелинейных функций. Лучшее моделирование требует не только точной аппроксимации нелинейной функции, но и упрощения процесса идентификации.В литературе несколько исследований ограничиваются полиномиальной формой входных и/или выходных нелинейных блоков или известными входными и/или выходными нелинейными характеристиками (такими как мертвая зона или люфт), но с неизвестными параметрами [41–60, 63]. –74]. Следовательно, если нелинейность не является непрерывной или не имеет полиномиальной формы или с неизвестной характеристикой, алгоритмы не дают удовлетворительной работы. Для компенсации вышеупомянутых недостатков, встречающихся в существующей структуре модели Гаммерштейна-Винера, в этой статье мы посвятили две нечеткие модели описанию входной и выходной нелинейностей модели H-W только со знанием входных и выходных измерений.
В этом разделе мы предлагаем разработать подход к моделированию нелинейного динамического процесса, протекающего в стохастической идентификации среды на основе нечеткой модели. Согласно предыдущему разделу, мы предлагаем новую стохастическую авторегрессионную HW-модель выходной ошибки (FSOEAHW) нечеткого типа, представленную на рисунке 2. Она состоит из двух статических нелинейных блоков, описываемых двумя независимыми нечеткими системами: динамический линейный блок и блок авторегрессионного шума. .
Тогда выход первой нечеткой системы можно сформулировать следующим образом: и представить, соответственно, соответствующий центр и ширину.является параметром вектора и является вектором входной информации.
Следует отметить, что функции принадлежности могут иметь несколько форм, таких как треугольная, трапециевидная и гауссова. Единственное условие, которое должно быть выполнено, это то, что он должен находиться в интервале [0, 1]. В литературе обычно используется форма Гаусса из-за ее простоты, гладкости и отсутствия нуля во всех точках. Она определяется всего двумя параметрами (центром и шириной) и является непрерывно дифференцируемой функцией [75–77].
Вторую неизмеримую промежуточную переменную ФСОЭАНВ можно записать так: где и – соответственно параметры вектора и вектор наблюдения линейной динамической части.
Выход второй нечеткой системы выражается где , где и являются центром и шириной m th функции принадлежности . и являются, соответственно, параметром вектора и вектором наблюдения выходного нелинейного блока. является нечетким правилом следствия m th и является соответствующим общим номером правила.
Шум выражается формулой (5). Таким образом, выход системы можно переписать какили, что то же самое, записать в следующей матричной форме:
Следовательно, вектор параметров равен , а вектор наблюдения равен .
Обратите внимание, что все параметры вектора и векторы наблюдений (, , и ) неизвестны. Затем проблема состоит в разработке нового алгоритма идентификации, оценивающего неизвестные параметры и переменные с использованием входного измерения и выходного измерения и учитывающего цели, указанные в предыдущем абзаце.На основе оцененных параметров модели может быть построена математическая модель, идентифицирующая данную практическую стохастическую нелинейную динамическую систему.
3. Оценка параметров FSOEAHW
В этом разделе мы предлагаем использовать градиентный алгоритм обратного распространения для оценки неизвестных параметров и неизмеряемой переменной.
Градиентный алгоритм является важным инструментом в линейных и нелинейных задачах, в которых модификация оценок параметров достигается с помощью отрицательного направления градиента целевой функции. На сегодняшний день и в области идентификации и управления предлагаются различные рекурсивные и итерационные градиентные алгоритмы [16, 17, 78–84]. Алгоритм стохастического градиента является базовым алгоритмом рекурсивной идентификации, который используется для изучения различных типов систем, таких как многомерные системы [85, 86] и нелинейные блочно-ориентированные системы [16, 17, 26, 87]. В [88] была представлена итерационная оценка параметра градиента для авторегрессионных систем с ошибкой на выходе с использованием иерархического принципа.Ю и др. [31] использовали алгоритм обратного распространения на основе градиента для идентификации системы типа нейронной сети Хаммерштейна. Равный алгоритм был расширен [62] для идентификации системы H-W типа нейронной сети.
Слабость градиентных методов заключается в том, что точность оценки недостаточна для целей контроля точности, а скорость сходимости очень низкая. Для устранения этих недостатков в литературе были предложены различные подходы. Среди них мультиинновационный метод является одним из самых популярных методов, которые могут улучшить качество оценки параметров [89].Он состоит из оценки параметров, основанной не только на текущих данных, но и на предыдущих конечных данных на каждой итерации. В литературе представлены различные статьи для идентификации различных классов систем, таких как билинейные по параметру системы [90], многомерные линейные системы [91, 92], блочно-ориентированные системы [93–95] и т. д. .
Другим важным способом улучшения оценки параметров является использование мощного метода фильтрации данных. Основная идея, основанная на алгоритме идентификации, состоит в том, чтобы генерировать оценки параметров системы с использованием специального фильтра для фильтрации данных измерений, а затем идентифицировать отфильтрованную модель системы и отфильтрованную модель шума.В связи с этим структура системы идентификации будет изменена без устранения шума из данных или изменения взаимосвязи между переменными. Этот метод показал свою эффективность при идентификации различных типов возмущенных систем, таких как рассмотренные в [70, 92, 96–104].
Далее мы представляем четыре алгоритма оценки, чтобы получить неизвестные параметры предлагаемой модели FSOEAHW. Первый алгоритм — это улучшенный градиент обратного распространения (IBPG), в котором используется алгоритм градиента на основе обратного распространения.Второй алгоритм, а именно MIIBPG, использует мультиинновационный метод и алгоритм IBPG для улучшения скорости сходимости посредством мультиинновационного метода идентификации. Наконец, с той же целью предлагаются алгоритм IBPG на основе фильтрации данных (FIBPG) и алгоритм FIBPG на основе мультиинноваций (MIFIBPG).
3.1. Алгоритм улучшенного градиента обратного распространения (IBPG)
Пусть , , и будут оцененными переменными, соответственно, промежуточных переменных , , и на шаге итерации t следующим образом: где оцененные параметры вектора на рекурсивном шаге t равны . Предсказанные векторы наблюдения , , и с и в которых , , и , , , и оценки центра и ширины, соответственно, n th и m th параметров функций принадлежности и , и .
В результате априорная оценка выходного сигнала может быть выражена с помощью следующей эквивалентной регулируемой модели: где , , и где — оценка выходного шума, которая может быть выражена из уравнения (6) как .
Чтобы дать , заменяется его оценкой , что приводит к следующему выражению:
Используя уравнение (16), мы можем определить член ошибки оценки как
Используя градиентный алгоритм обратного распространения, каждый неизвестный параметр в модели FSOEHW обновляется в соответствии с формулой корректировки, полученной путем минимизации следующей функции квадратичной ошибки по отношению к этому параметру:
Путем рекурсивного применения цепного правила все неизмеряемые переменные должны быть сначала рассчитаны на основе значений параметра FSOEHW перед корректировкой (т. е., параметры, полученные в результате предыдущего шага регулировки t-1 ). Затем каждый неизвестный параметр корректируется в соответствии со следующим выражением: где скорость обучения обновлений параметров. Параметры и – соответственно значения параметра после и до каждого шага настройки. представляет собой один из наборов параметров настройки FSOEAHW с .
Применяя алгоритм IBPG, уравнения настройки параметров первой нечеткой модели записываются следующим образом: где
Параметры линейной динамической части настраиваются в соответствии с уравнениями (28) и (29):
Наконец, уравнения настройки параметров вторая нечеткая система и аддитивный шум могут быть получены по следующим формулам: , (30) и (31), которые опущены в случае BPG.Фактически, наш алгоритм вдохновлен [15, 24]. Неизмеряемые переменные , , и пересчитываются на каждом рекурсивном шаге t на основе , , , , и , полученных в результате только что предыдущего рекурсивного шага, поскольку рассматриваемая система предполагается инвариантной, а линейная часть является динамической. Затем рекомендуется рассмотреть вышеприведенные условия.
Ниже приводится сводка процедуры идентификации IBPG модели FSOEAHW: Шаг 1: случайным образом инициализируйте параметры FSOEAHW. Зафиксировать скорость обучения; .На каждой итерации t и для каждой выборки k повторите следующие шаги: Шаг 2: для входных данных вычислите, используя уравнение (13). Шаг 3: вычислить , , и соответственно на основе уравнений (14)–(16) и (18). Шаг 4: настроить параметры FSOEAHW с помощью уравнений (21)–(35). Шаг 5: рассчитать оценку шума по уравнению (17). Шаг 6: если критерии остановки E , заданные (7), и изменения параметров () меньше фиксированных малых значений, то остановитесь; в противном случае перейдите к шагу 2; .
3.1.1. Анализ сходимости алгоритма IBPG
Процедуры настройки параметров FSOEAHW основаны на выборе скорости обучения (). Слишком маленькое значение гарантирует сходимость, но с низкой скоростью обучения, тогда как слишком большое приводит к параметрическому расхождению. В этом разделе теорема 1 дает подход к выбору удобного .
Теорема 1. Асимптотическая сходимость алгоритма IBPG гарантируется, если каждая скорость обучения каждого соответствующего регулируемого параметра выбрана так, чтобы удовлетворять где .
Доказательство. См. Приложение А.
3.2. Многоинновационный алгоритм улучшенного градиента обратного распространения ошибки (MIIBPG)
Мультиинновационный метод является эффективным инструментом для повышения скорости сходимости методов оценки. Вот почему он объединяется с различными алгоритмами оценивания, такими как градиентный алгоритм и метод наименьших квадратов в его рекурсивной и итерационной форме [33, 105–113]. В частности, хорошо известно, что алгоритм рекурсивного градиента имеет низкую скорость сходимости по сравнению с другими подходами к оценке [113].Этому недостатку способствуют многие факторы, в основном его зависимость только от текущих данных. По сути, на каждом шаге рекурсии градиентный алгоритм не использует предыдущие данные. Он не имеет возможности использовать доступные данные на том же шаге.
Чтобы преодолеть эту проблему, в этом разделе мы предлагаем использовать многоинновационный алгоритм IBPG (MIIBPG), основанный на предыдущих конечных данных; то есть алгоритм MIIBPG использует текущие и предыдущие данные на каждой итерации t , что может повысить точность оценки параметра.
Элементарная идея состоит в том, чтобы расширить член ошибки, заданный (8) и обозначаемый скалярной инновацией, до инновационного вектора (называемого мультиинновацией) [109, 111, 113].
Определить вектор инноваций как где положительное целое число, обозначающее длину инновации, и l th скалярный член ошибки во времени, выраженный как
Этот метод предоставляет набор уравнений для обновления параметров, перечисленных ниже:где
Алгоритм идентификации MIIBPG может быть реализован на основе следующих шагов: Шаг 1: инициализировать параметры линейных динамических частей двух нечетких систем и выходного шума. случайно.Зафиксируйте скорость обучения и длину инновации L ; . На каждой итерации t и для каждой выборки k повторите следующие шаги: Шаг 2: для , и для данного входа вычислите , , , , и используя уравнения (13)–(16) и (18) заменив к с кл . Шаг 3: настроить параметры FSOEAHW с помощью уравнений (40)–(53). Шаг 4: рассчитайте оценку шума по уравнению (17), заменив k на k-l . Шаг 5: если критерии остановки E , заданные (7), и изменения параметров () меньше фиксированных малых значений, то остановитесь; в противном случае перейдите к шагу 2; .
3.2.1. Анализ сходимости алгоритма MIIBPG
В этом разделе предполагается анализ сходимости алгоритма MIIBPG, который может применяться для оценки нелинейной стохастической системы, которую можно проиллюстрировать предложенной моделью FSOEAHW. Свойства сходимости алгоритма MIIBPG вводятся следующей теоремой.
Теорема 2. Асимптотическая сходимость алгоритма MIIBPG гарантируется, если скорость обучения соответствующего регулируемого параметра выбрана удовлетворяющей где .
Доказательство. См. Приложение B.
3.3. Алгоритм улучшенного градиента обратного распространения (FIBPG) на основе фильтрации данных
Метод фильтрации данных при идентификации системы используется для решения проблем оценки параметров систем, нарушаемых цветными шумами. В частности, элементарная идея состоит в том, чтобы использовать линейный фильтр для фильтрации данных ввода-вывода, чтобы исходные системы с цветными шумами преобразовывались в новые с белыми шумами. Затем структура системы преобразуется для упрощения без изменения соотношения между входами и выходами системы.Благодаря преимуществам метода фильтрации данных он широко применяется для идентификации различных систем и оценки параметров. Например, каждый из рекурсивных, итерационных и иерархических алгоритмов наименьших квадратов сочетается с методом фильтрации данных в задаче идентификации авторегрессионных линейных систем с ошибкой на выходе [114], управляемых линейных систем авторегрессии со скользящим средним с двумя входами и одним выходом [115]. ], системы Хаммерштейна с конечной импульсной характеристикой со скользящим средним выходным шумом [116] и многопараметрическая бокс-подобная система Дженкинса [117].Точно так же градиентный алгоритм в его рекурсивной и итеративной форме используется с методом фильтрации данных для идентификации некоторых классов линейных и нелинейных систем, таких как линейная многопараметрическая авторегрессионная система скользящего среднего [101], линейная система в пространстве состояний в ее наблюдаемой канонической форме. возмущенный цветным шумом [118], и блочно-ориентированная система, такая как система с конечной импульсной характеристикой Хаммерштейна со скользящим средним выходным шумом [119].
Воодушевленные приведенным выше описанием, мы предлагаем в этом разделе объединить алгоритм IBPG (данный в Разделе 3.1) с методом фильтрации данных для повышения точности алгоритма IBPG. В нашем случае мы предлагаем ввести линейный фильтр для фильтрации данных измерений с целью оценки параметров и промежуточных переменных по двум критериям.
Определим, соответственно, отфильтрованную промежуточную переменную и отфильтрованный вывод как
У нас есть . Умножая обе части (11) на и используя (10), мы получаем
Таким образом, отфильтрованный вывод можно записать в матричной форме как
Таким образом, мы можем записать отфильтрованный вектор наблюдения следующим образом:
Следовательно, отфильтрованный вывод системы может быть определен как
Теперь цель состоит в том, чтобы разработать подход к оценке параметров FSOEAHW, основанный на градиентном алгоритме, с использованием измерения отфильтрованных данных и минимизацией отфильтрованной ошибки оценки, заданной выражением, где отфильтрованный оценочный вывод может быть выражен эквивалентным регулируемая модель: где будет выражено позже.Он представляет собой оцененный отфильтрованный вектор наблюдения, в котором оцениваемая промежуточная переменная определяется выражением (14).
Тем не менее, в уравнении (59) зависит от неизвестного параметра , . Чтобы нейтрализовать эту проблему, мы представляем двухшаговый алгоритм градиента. На первом этапе неизвестный параметр , , будет оцениваться путем минимизации критериев (заданных уравнением (62)). Впоследствии набор неизвестных параметров будет оцениваться с минимизацией критериев, заданных уравнением (66).
В действительности квадратичный критерий содержит неизмеряемый вектор выходного шума , поэтому оценка неизвестного параметра , , не может быть реализована.Тогда мы предлагаем заменить в (62) его оценку, заданную уравнением (64). После этого новые квадратичные целевые функции будут определены как где
Следовательно, уравнение оценивания параметра , , может быть получено с использованием градиентного алгоритма минимизации критериев следующим образом:
квадратичная целевая функция определяется следующим образом: где и выражаются, соответственно, где
У нас есть
Следовательно, остальные параметры настраиваются с использованием следующих уравнений с :где
Подводя итог алгоритму FIBPG, мы даем следующие шаги : Шаг 1: случайным образом инициализируйте параметры линейных динамических частей двух нечетких систем и параметры выходного шума. Зафиксировать скорость обучения; . На каждой итерации t и для каждой выборки k повторить следующие шаги: Шаг 2: для ввода вычислить , , , и, используя, соответственно, уравнения (13)–(16), заменив k на kp . Шаг 3: расчет с использованием уравнения (64). Шаг 4: настроить параметр , , по уравнению (65). Шаг 5: вычислить , и на основе уравнений (66)–(68) соответственно. Шаг 6: обновить остальные параметры, используя уравнения (71)–(84). Шаг 7: если критерии остановки E , заданные (7), и изменения параметров () меньше фиксированных малых значений, то остановитесь; в противном случае перейдите к шагу 2; .
3.3.1. Анализ сходимости FIBPG
Этот подраздел посвящен анализу сходимости FIBPG, который может применяться для оценки параметров нелинейной системы, описываемой моделью FSEOFHW. Свойства сходимости алгоритма FIBPG определяются в следующей теореме.
Теорема 3. Асимптотическая сходимость FIBPG обеспечивается, если скорость обучения и другие параметры FSOEAHW удовлетворяют следующим условиям: где
— элемент множества параметров с .
Доказательство. См. Приложение C.
3.4. Алгоритм улучшенного градиента обратного распространения (MIFIBPG) на основе нескольких инноваций и фильтрации данных
Подобно разделу 3.2 и для повышения точности сходимости, мы можем объединить мультиинновационный подход с методом фильтрации данных, и тогда мы получим мультиинновационный алгоритм FIBPG (MIFIBPG). ) алгоритм.
Определить и следующим образом:где
Как и в предыдущем разделе и со ссылкой на алгоритм MIIBPG, первоначально параметр вектора корректируется для расчета ошибки инновационного вектора.Он обновляется по формуле (91) путем минимизации квадратичного критерия, заданного следующим уравнением:
Уравнения настройки всех остальных параметров получаются с использованием алгоритма MIFIBPG, минимизирующего функцию стоимости . Они перечислены следующим образом:гдегде
3.4.1. Исследование сходимости алгоритма MIFIBPG
Принимая во внимание упомянутые теоремы, мы можем легко продемонстрировать свойства сходимости этого алгоритма MIFIBPG для рассматриваемого FSOEAHW, что формулируется следующей теоремой.
Теорема 4. Сходимость алгоритма MIFIBPG обеспечивается, если скорости обучения и , где представляет каждый элемент множества параметров , при , удовлетворяют следующим неравенствам:где .
Доказательство теоремы аналогично приведенным в приложениях B и C для исследования сходимости алгоритмов MIIIBPG и FIBPG.
4. Пример
В этом разделе мы проведем иллюстративное моделирование, чтобы проверить производительность и эффективность разработанных алгоритмов.Поэтому мы рассматриваем нелинейную стохастическую систему, заданную математической моделью стохастической ошибки выхода Хаммерштейна-Винера, в которой ее блоки представлены следующими выражениями:
Набор из 9000 случайных значений от 0 до 4 используется в качестве входных данных представляет собой последовательность белого шума с нулевым средним значением и отношением шума к сигналу как . Вход и соответствующий выход представлены на рисунке 3.
Параметры, влияющие на предлагаемый FSOEAHW, выбираются следующим образом.
Входной нелинейный блок аппроксимируется с помощью нечеткой системы, состоящей из 8 правил, в которых последовательные части инициализируются случайным образом между 0 и 1 и параметрами функции принадлежности и инициализируются, соответственно, в интервалах и .
Начальные значения параметров , , , , и считаются соответственно как .
Выходная нелинейная часть изображается 6 нечеткими правилами, где параметры последующих частей инициализируются случайным образом между 0 и 1,5 и параметрами функции принадлежности и берутся, соответственно, в интервалах и . Численное моделирование реализовано для оценки параметров, влияющих на дискретное время FSOEAHW.
4.1. Параметрическая оценка с использованием алгоритма IBPG
Мы предлагаем оценивать параметры FSOEAHW с использованием алгоритма IBPG, описанного в разделе 3.1. Таким образом, мы демонстрируем результаты оценки, приводя кривые эволюции промежуточных переменных и оценок выхода , , , и на рисунке 4.
Кроме того, на рисунке 5 представлены кривые эволюции ошибки оценки и параметрического расстояния в котором и . В табл. 1 представлены некоторые полученные численные значения оценок векторных параметров и соответствующая параметрическая ошибка для t = 0, 2000, 4000, 6000 и 9000. Кроме того, для оценки качества оценок в табл. ошибки оценивания (, , , , и ).
|
|
Как отмечено в вышеупомянутых результатах моделирования, удовлетворительная оценка достигается с предлагаемым алгоритмом IBPG, несмотря на существование шум, воздействующий на выход процесса без ограничительных допущений. Кроме того, ошибки оценки параметров постепенно становятся меньше. Таким образом, оценки параметров ближе к истинным значениям, а нечеткие модели обеспечивают удовлетворительную точность оценки нелинейных входных и выходных блоков.
Для сравнения предлагаем привести результаты моделирования, в которых входная и выходная нелинейные части оцениваются двумя независимыми полиномиальными функциями, выражаемыми следующими уравнениями: где и — постоянные параметры. Тогда соответствующие системные параметры авторегрессионного HW (OEAHW) с выходной ошибкой равны , , , и . Предлагаемый алгоритм IBPG используется для настройки параметров на основе обновленных уравнений, приведенных в Приложении D. Следует отметить, что OEAHW вдохновлен работой [24], где алгоритм IBPG используется для оценки полиномиальной модели Винера.
В этом смысле на рис. 6 показаны кривые эволюции оценок и параметрических ошибок для моделей OEAHW и FSOEAHW. В таблице 3 представлена оценка качества OEAHW.
|
Полученные результаты подтверждают, что модель FSOEAHW дает более удовлетворительную точность оценки по сравнению с моделью OEAHWM с полиномиальной формой. Благодаря способности нечетких систем обеспечивать хорошую аппроксимацию двух нелинейных частей, предложенный FSOEAHW достигает хороших результатов при сравнительно небольшом объеме вычислений, и полученная оценочная модель может правильно отражать динамику системы.
4.2. Параметрическая оценка с использованием алгоритма MIIBPG
Используя алгоритм MIIBPG для идентификации параметров FSOEAHW, оценки параметров векторов и соответствующие им параметрические ошибки приведены в таблице 4 для L = 2, 5 и 7. Кроме того, для тех же значений L , кривые эволюции и дисперсии ошибки оценки представлены, соответственно, на рисунках 7 и 8, где среднее статистическое значение ошибки оценки. Ошибки оценивания системных переменных приведены в табл. 5.
|
|
Изучив таблицы 4 и 5 и рисунки 7 и 8, мы можем подтвердить, что ошибки параметров и оценок постепенно уменьшаются с увеличением итерационной переменной и длины обновления.Кроме того, разработанный алгоритм MIIBPG обеспечивает более высокую производительность, чем стандартный алгоритм IBPG. Фактически оценки параметров системы сходятся к их истинным значениям, а ошибки оценивания уменьшаются до меньших значений. В этом направлении предлагаемый многоинновационный подход может эффективно оценивать параметры, а увеличение длины инновации может повысить точность оценки параметров и переменных и ускорить скорость сходимости, поскольку алгоритм использует больше информации на каждой итерации. Следовательно, предложенный алгоритм эффективен для идентификации модели FSOEAHW.
4.3. Параметрическая оценка с использованием алгоритма FIBPG
В этом разделе эффективность алгоритма FIBPG по сравнению с алгоритмом IBPG хорошо видна путем визуализации кривых эволюции дисперсии ошибки оценки и параметрической ошибки, представленных соответственно на рисунках 9 и 10. фактически обеспечивается плавная и более точная параметрическая сходимость. Это более подтверждается изучением таблиц 6 и 7, которые показывают точность оценки модели FSOEAHW.
+
|
|
4.

В этой части мы используем алгоритм MIFIBPG для оценки параметров FSOEAHW. Таким образом, в таблицах 8 и 9 представлены оценки параметров и ошибки их оценки для L = 2, 5 и 7. Для одинаковых значений инновационной длины на рисунках 11 и 12 приведены дисперсия ошибки оценки и параметрическое расстояние .
предлагаемый мульти-инновационный подход в сочетании с данными фильтрации метод может эффективно и плавно оценить параметры и увеличивая длину инноваций дает хороший параметр точности оценки и ускоряет скорость сходимости, а затем устраняет недостатки градиентного алгоритма. 5. Заключение В данной статье рассматривается моделирование и идентификация систем SOEAHW на основе технологии искусственного интеллекта. Для идентификации входного и выходного нелинейных блоков используются две нечеткие модели с настраиваемыми параметрами. Выходная нелинейность может быть необратимой. ПриложениеA: Доказательство сходимости алгоритма IBPGРассмотрим функцию Ляпунова дискретного типа как [15, 51] Для простоты записи индекс t будет опущен.Изменение функции Ляпунова из-за процесса обучения, следовательно, разница ошибок может быть вычислена как Обозначим вектор параметров, подлежащий настройке на основе алгоритма IBPG и соответствующей ему скорости обучения, где Тогда можно вычислить как где обозначает изменение вектора параметров, сформулированное с помощью уравнений (20) и (П.3) как где Функция Ляпунова (П.1) является стационарной положительно определенной функцией. Таким образом, из (П.3)–(П.8) уравнение (П.2) будет выражаться в виде, где Теперь очевидно, что сходимость FOEAHW гарантирована, если . Тогда мы получаем условия теоремы 1. Это завершает доказательство. B: Доказательство сходимости алгоритма MIIBPGВ этом случае мы определяем функцию Ляпунова как выражено где Используя уравнения (Б.3)–(B.6), уравнение (B.2) переформулируется следующим образом: где Чтобы гарантировать, что достаточно иметь условия, описанные в теореме 2. сходимости, мы определяем кандидата Ляпунова V , который является положительно определенным и выражается в соответствии со следующим уравнением: где функция Ляпунова первого дискретного типа может быть определена как Изменение функции Ляпунова из-за процесса обучения отсюда Как и в приложении А, у нас есть следующее выражение:где Для того, чтобы уравнение (В.5) должно выполняться: где Вторая часть разности равна По тем же соображениям альтернирование функции Ляпунова выражается формулой где . Таким образом, за все время k , значит , где Следовательно, общая разница . Это подразумевает сходимость алгоритма FIBPG. На этом доказательство теоремы 3 завершено. эта учеба. Конфликт интересовАвторы заявляют об отсутствии конфликта интересов. Использование онтологий для улучшения поиска и навигации в электронной версии «Большой украинской энциклопедии» | РогушинаСемантическая МедиаВики. — https://www.semantic-mediawiki.org/wiki/Semantic_MediaWiki Гуарино Н. Формальная онтология в информационных системах. Формальная онтология в информационных системах. проц. ФОИС’98. 3-15. 1998. Ушольд М., Грюнингер М. Онтологии: принципы, методы и приложения. Обзор инженерных знаний. 1996. Том. 11, N 2. Ссылка .Асунсьон Г. Онтологическая инженерия: с примерами из областей управления знаниями, электронной коммерции и семантической сети (расширенная обработка информации и знаний). — http://www.amazon.com/gp/reader/1852335513/ref=sib_rdr_toc/. Рогушина Ю. Семантические ресурсы Wiki и их использование для построения персонализированных онтологий. Рогушина Ю.В. (2018) Теоретические средства использования онтологий для семантизации веб-ресурсов. Проблемы в программировании. № 2-3. С. 197-203. [на украинском] CrossRef Семантическая веб-активность W3C. -http://www.w3.org/2001/sw/Activity/. Рогушина Ю.В., Прийма С.М., Строкань О.В. (2017) Создание и использование ресурсов Semantic Wiki: учебник. Мелитополь, ФОП Одинорог Т.В. 169 с.[на украинском] Квиллиан М.Р. Семантическая память. В Мински, М. (ред.), Семантическая обработка информации. MIT Press, Кембридж, Массачусетс, 1968. .Коллинз, А., Лофтус, Э. Теория активации распространения семантической обработки. Психологический обзор. 1975. 82. С. 407-428. Перекрёстная ссылка Рада Р., Мили Х., Бикнел Э., Блеттнер М. Разработка и применение метрики в семантических сетях. IEEE Transaction on Systems, Man, and Cybernetics.1989. 19(1). С. 17-30. Перекрёстная ссылка Ричардсон Р. Ли Дж. Х., Ким М. Х., Ли Й. Дж. Поиск информации на основе концептуальной дистанции в иерархиях IS-A. Журнал документации. 1993. 49(2).С. 188-207. Перекрёстная ссылка Рада Р., Бикнелл Э. Ранжирование документов с тезаурусом. ЯСИС. 1989. 10(5). С. 304-310. Перекрёстная ссылка Ликок С., Ходоров М. WordNet: электронная лексическая база данных. Кембридж. 1998. С. 265. .Миллер Г. WordNet: интерактивная лексическая база данных. Международный журнал лексикографии, 3(4). (Специальный выпуск). 1990. Перекрёстная ссылка . Ву З., Палмер М. Семантика глаголов и лексический отбор.проц. 32-е ежегодное собрание Ассоциации вычислительной техники. Лингвистика. Лас-Крусес. 1994. Резник П. Семантическое сходство в таксономии: мера, основанная на информации, и ее применение к проблемам двусмысленности в естественном языке. Журнал исследований искусственного интеллекта. 1999. 11. С. 95-130. Перекрёстная ссылка Крюков К.В., Панкова К.В., Пронина В.А., Шипилина Л.Б. (2010) Меры семантической близости в онтологиях. Материалы МИФИ-2010, Том.5. Информационно-телекоммуникационные системы. Проблемы информационной безопасности. С. 75-78. [на русском] Тверской А. Признаки сходства. Психологический Rev. 1977. Vol. 84. С. 327. CrossRef .Бульсков Х., Кнаппе Р., Андреасен Т. Об измерении подобия для концептуальных запросов. проц. 5-й междунар. Конф. FQAS. LNCS. V. 2522. Берлин: Springer. 2002. С. 100. Ссылка .Левенштейн И.В. Двоичные коды, способные исправлять удаления, вставки и обращения.Кибернетика и теория управления. 1966. Том. 10. С. 707. Методические рекомендации по подготовке, редактированию и оформлению статей для Большой Украинской Энциклопедии (2015) / Под ред. Рогушина Ю.В. (2017) Использование онтологических знаний для семантического поиска сложных информационных объектов // Тр. ОСТИС-2017. С. 127-132. Рогушина Ю.В. (2017) Использование семантических свойств ресурсов Wiki для расширения функциональных возможностей «Большой украинской энциклопедии».Энциклопедии в современном информационном пространстве: коллективная монография / Под ред. Киридон А.М., Киев. С. 104-115. [на украинском] Гришанова И.Ю., Рогушина Ю.В. (2018) Адаптация технологических средств Semantic Mediawiki для нужд онлайн-версии Большой Украинской Энциклопедии // Энциклопедии в Украине: люди, идеи, шаги: коллективная монография / Под ред. Киридон А.М., Киев. С. 240-253. [на украинском] ПРОПОРЦИИ И НОРМЫ ХОЗЯЙСТВЕННОЙ ДЕЯТЕЛЬНОСТИ КАК ФАКТОР МАКСИМИЗАЦИИ ВАЛОВОЙ ДОБАВЛЕННОЙ СТОИМОСТИ В ПЕРЕХОДНОЙ ЭКОНОМИКЕ | ВЫКЛЮК Акбари, Р., Зиарати, К., 2011. Многоуровневый эволюционный алгоритм оптимизации числовых функций. Атенсия, М., Джойя, Г., Сандовал, Ф., 2005. Нейронные сети Хопфилда для параметрической идентификации динамических систем. Письма о нейронной обработке, 21, стр. 143-152. Балакришнан, С., Каннан, П.С., Аравиндан, К., Субатра, П., 2003. Выбросы в режиме онлайн и диспетчеризация экономической нагрузки с использованием адаптивной нейронной сети Хопфилда.Applied Soft Computing, 2(4), февраль, стр. 297-305. Коэн, М.А., Гроссберг, С.Г., 1983. Абсолютная стабильность формирования глобальных паттернов и параллельного хранения памяти конкурентными нейронными сетями». IEEE Transactions on Systems, Man and Cybernetics, 13(5), стр. 15-26. Дачин А., Бурча Ф.К., 2013 г. Структурные изменения и производительность в кризисный период в Румынии. Дело отрасли. Теоретическая и прикладная экономика, ХХ, 6(583), стр. 139-148. Гарг, Э.М., Сингх, Э.М., Гирдер, Э.В., 2012. Сравнительное исследование распределения экономической нагрузки (ELD) с использованием модифицированной нейронной сети Хопфилда. Гедзь М., 2014. Регулирование структурных изменений в экономике Украины. Российский академический журнал, 29(3), с.35-38. Хопфилд, Дж. Дж., 1982. Нейронные сети и физические системы с возникающими коллективными вычислительными способностями.Труды Национальной академии наук, 79, стр. 2554-2558. Katsikatsou, M., Moustaki, I., Yang-Wallentin, F., Jöreskog, K., 2012. Парная оценка правдоподобия для моделей факторного анализа с порядковыми данными. Вычислительная статистика и анализ данных, 56, стр. 4243-4258. Лабайе, Э., Шотил, П.Е., Богдан, В., Новак, Дж., Мишке, Дж., Фрук, М., Ионуциу, О., 2013. Новый рассвет: возобновление роста в Центральной и Восточной Европе, McKinsey Глобальный институт. Ли, К.Ю., Соде-Йоме А., Парк Дж. Х., 1998. Адаптивные нейронные сети Хопфилда для распределения экономической нагрузки. Максимов Ю.А., Филиповская Е.А., 1982. Алгоритмы решения задач нелинейного программирования, МИФИ, Москва, 52с. Мишра, С.К., Мишра, С.К., 2015. Сравнительное исследование решения проблемы экономичного распределения нагрузки в энергосистемах с экологической точки зрения. Procedia Computer Science, Международная конференция по компьютерам, коммуникациям и конвергенции (ICCC 2015), 48, стр.96-100 Мур, Дж. Х., Уэзерфорд, Л. Р., 2004. Моделирование решений в Microsoft Excel, 6-е изд., Издательство Вильямс, Москва, 1024 с. Pavelescu, F.M., 2012. Колебания экономической активности, отраслевое распределение валовой добавленной стоимости и величина обратного мультипликатора в Румынии за период 1989-2009 гг. Румынский журнал экономики, 35, 2(44), стр. 88-112. Пирог О.В., 2014. Структурные изменения в модели национальной экономики Украины под влиянием информатизации общества.Эффективная экономика, 7. Russu, C., 2015. Структурные изменения, произошедшие в обрабатывающей промышленности Румынии за последние два десятилетия. Procedia Economics and Finance, 2-я Международная конференция «Научные экономические исследования — теоретические, эмпирические и практические подходы», ESPERA 2014, 13-14 ноября 2014 г., Бухарест, Румыния Скрибане И., Екабсоне С., 2013. Структурные изменения в экономике Латвии после ее вступления в Европейский Союз.Интеллектуальная экономика, 7(1), стр. 29-41. Выклюк Ю.В., Ротарь А.В., Евдокименко В.В., 2013. Формирование стратегии воспроизводства моделей экономической деятельности в регионах на основе Soft Computing в условиях ускорения роста валового регионального продукта. Сборник научных статей. Экономические науки, 9, с. 99-116 Выклюк Ю.В., Евдокименко В.В., 2013. Развитие методов Soft Computing для оптимизации формирования стратегии воспроизводства моделей экономической деятельности в регионах. Выклюк Ю., Евдокименко В., 2014. Новые методы Soft Computing в формировании стратегии регионального развития. Журнал МЭСТ, 26(2), стр. 274-284. Wan-Liang, W., Xin-Li, X., Qi-Di, W., 2003. Подход нейронных сетей Хопфилда к задачам планирования рабочих мест, Интеллектуальное управление. В интеллектуальном управлении. 2003 Международный симпозиум IEEE по (стр.935-940). IEEE. Евдокименко В., 2013. Особенности управления воспроизводством социально-экономических процессов региона в современных условиях. Черновцы: Технодрук, 270 с. Чжан, Дж., Чанг, Х., Ло, В.Л., 2007. Вероятность адаптивного кроссовера и мутации на основе кластеризации для генетических алгоритмов. IEEE Transactions на Evolutionary. Вычисление, 11(3), стр. 326-335. конкурсных списков Обнинского института атомной энергии. Обнинское отделение нияу мифи (иате) (235).![]() 1 / 5 ИАТЭ организует и проводит международные конференции по безопасности и подготовке кадров для атомной энергетики, по материаловедению и др. ИсторияОбнинский филиал МИФИ (1953-1985)Лаборатории «Б» МВД СССР — предприятию а/я 276 (далее) Министерства среднего машиностроения СССР требуются специалисты в области атомной энергетики.В 1950 году директор ФЭИ Д. И. Блохинцев подписал приказ об образовании на предприятии почтового ящика 276 заочных отделений Московского механического института (впоследствии преобразованного в филиал МИФИ) и МГУ. Организация этих отделов была возложена на заведующего лабораторией п/я 276 В. Н. Глазанова. В новом учебном заведении не было штатных преподавателей и учебной базы, но воспитательная работа велась удовлетворительно.В 1952 году учебное заведение преобразовано Министерством высшего и среднего специального образования СССР (приказ от 24 октября 1952 года) в вечернее отделение № 5 МИФИ. Проблема нехватки учебных помещений решена за счет части здания школы им. Шацкого и подвалов общежитий и помещений отдела кадров ФЭИ. Лабораторные работы проводились в соответствующих лабораториях ФЭИ с участием сотрудников этих лабораторий.Формально учебное заведение являлось филиалом МИФИ, фактически – филиалом ФЭИ. Для того, чтобы учебное заведение получило собственное здание, В.Н. Глазанов, будучи заместителем директора ФЭИ по науке, пошел на подлог, построив новое здание площадью 400 квадратных метров. м по документам на кафедру ФЭИ и передачу ее в 1959 году в филиал МИФИ. К началу 1960-х годов был сформирован коллектив преподавателей, учебно-вспомогательного персонала, созданы учебно-исследовательские лаборатории, мастерские, кабинеты, полностью оснащенные современным оборудованием и приборами.Лабораториями руководили первые сотрудники: Л.М. Мирошниченко, Т. В 1962 году на первый курс дневного отделения поступило 50 человек. В 1963 году был введен институт кураторов, работающих на общественных началах. Также на общественных началах начала работать воспитательная комиссия во главе со студентами, в обязанности которой входил контроль за успеваемостью студентов. Организация обучения включала УИР (учебно-научная работа) два дня в неделю, начиная с 4 курса, на базе ФЭИ, затем преддипломную практику и, наконец, диплом как завершающий этап два предыдущих вида обучения.Дипломы в результате были в основном высокого уровня. За двадцать лет существования филиала МИФИ количество штатных преподавателей выросло с трех в 1954 г. до ста четырех в 1974 г. Выпускники Обнинского филиала МИФИ уже в начале 1960-х гг. , а у профессорско-преподавательского состава возникла идея создания на базе филиала самостоятельного института для подготовки физиков в области биологии, радиологии, геологии и метеорологии. Команде преподавателей удалось убедить руководство Министерства среднего машиностроения не разбрасывать образовавшееся уникальное учебное заведение. В 1970 году филиал возглавил Г.А. Середы, при котором был построен учебный корпус, кафедры были частично оснащены современным оборудованием и приборами, новый институт получил хорошо подготовленные учебно-методические кадры. В 1985 году на базе филиала МИФИ был создан новый Институт атомной энергии (ИАТЭ), который возглавил Обнинский институт атомной энергии, организованный в 1985 году на базе филиала Московского инженерно-физического института, ныне — Обнинский институт атомной энергии — филиал Федерального государственного автономного образовательного учреждения высшего профессионального образования «Национальный исследовательский ядерный университет» МИФИ» — единственный специализированный вуз в России и СНГ, осуществляющий подготовку специалистов в области высоких технологий для предприятий и организаций атомной энергетики, науки и техники. В ИАТЭ обучается около 100 аспирантов, действуют 2 специализированных Совета по защите кандидатских диссертаций.Профессорско-преподавательский состав ИАТЭ принимает активное участие в научных исследованиях в области ядерной физики и ядерных реакций, физико-технических проблем атомной энергетики, надежности и безопасности объектов атомной энергетики и промышленности, построения математических моделей различных процессов и установок, компьютерные технологии, математика и информатика, исследования в области диагностики, физики металлов, теплофизики и др. Из Википедии, свободной энциклопедии
(ИАТЭ) – высшее учебное заведение в г. Обнинске, основанное в 1985 году на базе Обнинского филиала. До 2002 года он назывался Обнинский институт атомной энергии . В 2002 году он получил статус государственного технического университета и был переименован в Обнинский государственный технический университет атомной энергетики .29 апреля 2009 года приказом Федерального агентства по образованию № 491 Обнинский государственный технический университет атомной энергии реорганизован в форме присоединения к НИЯУ МИФИ с наименованием «Обнинский институт атомной энергии» — филиал федерального государственного бюджетного образовательного учреждение высшего профессионального образования «Национальный исследовательский ядерный университет «МИФИ». ИАТЭ – единственное высшее учебное заведение в России, осуществляющее подготовку специалистов в области высоких технологий для организаций атомной энергетики, науки и техники. Структура университета
Специальность
Научная деятельностьИАТЭ организует и проводит международные конференции по безопасности и подготовке кадров для атомной энергетики, по материаловедению и др. ИсторияОбнинский филиал МИФИ (1953-1985)Лаборатории «Б» МВД СССР — предприятию п/я 276 (далее) Министерства среднего машиностроения СССР требуются специалисты в области атомной энергетики.В 1950 году директор ФЭИ Д. И. Блохинцев подписал приказ об образовании на предприятии заочных кафедр Московского механического института (впоследствии преобразованного в филиал МИФИ) и МГУ. Организация этих отделов была возложена на заведующего лабораторией п/я 276 В.Н. Глазанов. В новом учебном заведении не было штатных преподавателей и учебной базы, но воспитательная работа велась удовлетворительно.В 1952 году учебное заведение преобразовано Министерством высшего и среднего специального образования СССР (приказ от 24 октября 1952 года) в вечернее отделение № 5 МИФИ. Проблема нехватки учебных помещений решена за счет части здания Шацкой школы и подвалов общежитий и помещений отдела кадров ФЭИ. Лабораторные работы проводились в соответствующих лабораториях ФЭИ с участием сотрудников этих лабораторий.Формально учебное заведение являлось филиалом МИФИ, фактически – филиалом ФЭИ. Для того, чтобы учебное заведение получило собственное здание, В.Н. Глазанов, будучи заместителем директора ФЭИ по науке, пошел на подлог, построив новое здание площадью 400 квадратных метров. м по документам на кафедру ФЭИ и передачу ее в 1959 году в филиал МИФИ. К началу 1960-х годов был сформирован коллектив преподавателей, учебно-вспомогательного персонала, созданы учебно-исследовательские лаборатории, мастерские, кабинеты, полностью оснащенные современным оборудованием и приборами.Лабораториями руководили первые сотрудники: Л.М. Мирошниченко, Т. В 1962 году на первый курс дневного отделения поступило 50 человек. В 1963 году был введен институт кураторов, работающих на общественных началах. Также на общественных началах начала работать воспитательная комиссия во главе со студентами, в обязанности которой входил контроль за успеваемостью студентов. Организация обучения включала УИР (учебно-научная работа) два дня в неделю, начиная с 4 курса, на базе ФЭИ, затем преддипломную практику и, наконец, диплом как завершающий этап два предыдущих вида обучения.Дипломы в результате были в основном высокого уровня. За двадцать лет существования филиала МИФИ количество штатных преподавателей выросло с трех в 1954 г. до ста четырех в 1974 г. Выпускники Обнинского филиала МИФИ уже в начале 1960-х гг. , а у профессорско-преподавательского состава возникла идея создания на базе филиала самостоятельного института для подготовки физиков в области биологии, радиологии, геологии и метеорологии. Команде преподавателей удалось убедить руководство Министерства среднего машиностроения не разбрасывать образовавшееся уникальное учебное заведение. директоров и ректоров
Известные учителяИзвестные выпускники и студентыБиблиография
Написать отзыв о статье «Обнинский институт атомной энергии Национальный исследовательский ядерный университет МИФИ»ПримечанияссылокОтрывок, характеризующий Обнинский институт атомной энергии Национальный исследовательский ядерный университет МИФИВ Николин день, в именины князя, вся Москва была у подъезда его дома, но он велел никого не принимать; но лишь некоторых, список которых он передал княжне Марье, велел позвать к обеду.Метивье, приехавший утром с поздравлениями, как врач, счел приличным de forcer la consigne [нарушить запрет], как он сказал княжне Марье, и вошел к князю. Случилось так, что в это утро дня рождения старый князь был в одном из своих худших настроений. ![]() Сначала она услышала голос одного Метивье, потом голос отца, потом оба голоса заговорили вместе, дверь распахнулась, и на пороге показалась испуганная красивая фигура Метивье с черным гребнем и фигура принца в шапке. и халат с изуродованным яростью лицом и опущенными зрачками глаз. — Вы не понимаете? — закричал князь, — но я понимаю! Французский шпион, Бонапарт-раб, шпион, вон из моего дома, — вон, говорю, — и он захлопнул дверь. Метивье, пожав плечами, подошел к мадемуазель Бурьен, прибежавшей на крик из соседней комнаты. ![]() «Принц не совсем здоров», la bile et le transport au cerveau. Tranquillisez vous, je repasserai demain, [желчь и приливы к мозгу. Успокойся, я завтра приду,] — сказал Метивье и, приложив палец к губам, поспешно удалился. За дверью послышались шаги в ботинках и крики: «Шпионы, предатели, везде предатели! В твоем доме нет ни минуты покоя!» После отъезда Метивье старый князь позвал к себе дочь и вся сила его гнева обрушилась на нее. Это ее вина, что к нему допустили шпиона. .Ведь, сказал он, он велел ей составить список, а тех, кого нет в списке, не пускать. Зачем они отпустили эту сволочь! Она была причиной всего.С ней он не мог иметь ни минуты покоя, он не мог спокойно умереть, сказал он. — Нет, матушка, расходитесь, расходитесь, знаете ли, знаете ли! Я больше не могу, — сказал он и вышел из комнаты. И как бы боясь, что она не сможет как-то утешиться, вернулся к ней и, стараясь принять спокойный вид, добавил: — И не надо. Не думайте, что я сказал вам это в минуту сердечной, но я спокоен, и я обдумал это; и будет — расходитесь, ищите себе место!. ![]() «А хоть бы какой-нибудь дурак женился на ней!» — Он хлопнул дверью, подозвал к себе m-lle Bourienne и замолчал в кабинете. В два часа избранные шесть человек собрались на ужин. Гости — знаменитый граф Ростопчин, князь Лопухин с племянником, генерал Чатров, старый, товарищ князя, и молодые Пьер и Борис Друбецкие — ждали его в гостиной. На днях Борис, приехавший в Москву на каникулы, пожелал быть представленным князю Николаю Андреевичу и сумел завоевать его благосклонность до такой степени, что князь сделал для него исключение из всех неженатых молодых людей, которых он не принимать. Княжеский дом был не то, что называется «светлым», а то был такой маленький кружок, который хотя и не был слышен в городе, но в котором было лестнее всего быть принятым. Борис понял это неделю назад, когда в его присутствии Ростопчин сказал главнокомандующему, позвавшему графа отобедать в Николин день, что его быть не может: — В этот день я всегда иду приложиться к мощам Князь Николай Андреевич. ![]() — О да, да, — ответил главнокомандующий. — Что он?.. Маленькое общество, собравшееся в старинной, высокой, со старой мебелью, гостиной перед обедом, выглядело как торжественное заседание придворного совета. Все молчали, а если и говорили, то тихо. Князь Николай Андреевич вышел серьезный и молчаливый. Княжна Марья казалась еще более тихой и робкой, чем обычно. Гости неохотно обращались к ней, так как видели, что ей не до их разговоров. Один граф Ростопчин держал нить разговора, рассказывая о последних городских или политических новостях. В разговоре изредка принимали участие Лопухин и старый генерал. Князь Николай Андреевич слушал, как верховный судья слушал доносившийся ему доклад, лишь изредка заявляя молчанием или кратким словом, что он принял к сведению докладываемое ему. Тон разговора был таков, что было понятно, что никто не одобряет то, что делается в политическом мире. События были изложены, по-видимому, подтверждая, что дела шли все хуже и хуже; но в каждом рассказе и суде удивительно, как рассказчик останавливался или останавливался каждый раз на той границе, где суд мог относиться к лику Императора. ![]() За обедом разговор зашел о последних политических известиях, о захвате Наполеоном владений герцога Ольденбургского и о враждебной Наполеону русской ноте, разосланной всем европейским дворам. — Бонапарт обращается с Европой, как с пиратом на завоеванном корабле, — сказал граф Ростопчин, повторяя уже несколько раз сказанную им фразу. — Вы только удивляетесь терпению или слепоте государей. Теперь дело доходит до папы, и Бонапарт уже не медлит свергнуть главу католической религии, и все молчат! Один наш государь протестовал против захвата владений герцога Ольденбургского.А потом… — Граф Ростопчин замолчал, чувствуя, что стоит на том месте, где осуждать уже нельзя. «Предложили вместо герцогства Ольденбургского другие владения, — сказал князь Николай Андреевич. — Как я крестьян с Лысых гор переселил в Богучарово и Рязань, так и он князей. — Le duc d»Oldenbourg supporte son malheur avec une force de caractere et une resignation admirable, [Герцог Ольденбургский переносит свое несчастье с недюжинной силой воли и покорностью судьбе, — сказал Борис, почтительно вступая в разговор. ![]() — Прочитал наш протест по делу Ольденбургских и удивился дурной формулировке этой записки, — сказал граф Ростопчин небрежным тоном человека, судящего хорошо знакомое ему дело. Пьер посмотрел на Растопчина с наивным удивлением, не понимая, почему его беспокоит скверная формулировка записки. – А не все ли равно, как написана записка, граф? — сказал он, — если его содержание сильное. — Mon cher, avec nos 500 mille hommes de troupes, il serait facile d’avoir un beau style, [Дорогой мой, с нашим 500-тысячным войском кажется легко выразиться в хорошем стиле] — сказал граф Ростопчин. Пьер понял отчего граф Ростопчин беспокоился о редакционной записке. — Кажется, писака совсем развелась, — сказал старый князь, — там в Петербурге все пишется, не только записки, но и новые законы пишутся. ![]() С минуту разговор был тихим; старый генерал обратил внимание с кашлем. — О последнем событии на смотре в Питере изволили узнать? как показал себя новый французский посланник! — Что? Да, я что-то слышал; он сказал что-то неловко перед Его Величеством. «Его величество обратил внимание на гренадерскую дивизию и на торжественный марш, — продолжал генерал, — и как будто посланник не обратил никакого внимания и как будто позволил себе сказать, что мы во Франции не обращаем внимания к таким мелочам.Государь ничего не соизволил сказать. При очередном смотре, говорят, государь так и не соизволил к нему обратиться. Все замолчали: нельзя судить об этом факте, который относился лично к государю. — Дерзайте! — сказал князь. Вы знаете Метивье? Я выгнал его сегодня. Он был здесь, меня впустили, как я ни просил никого не впускать, — сказал князь, сердито глядя на дочь. И он рассказал весь свой разговор с французским доктором и причины, по которым он был убежден, что Метивье — шпион. ![]() К жаркому подавали шампанское. Гости встали с мест, поздравляя старого князя. Княжна Марья тоже подошла к нему. Он посмотрел на нее холодным, сердитым взглядом и подставил морщинистую, выбритую щеку. Все выражение его лица говорило ей, что он не забыл утреннего разговора, что решение его осталось в прежней силе и что только благодаря присутствию гостей он не сказал ей этого теперь. Когда они пошли в гостиную пить кофе, старики сели вместе. Князь Николай Андреевич оживился и высказал свое мнение о предстоящей войне. Он сказал, что наши войны с Бонапартом будут несчастны, пока мы будем искать союзов с немцами и вмешиваться в европейские дела, в которые нас втянул Тильзитский мир. Нам не нужно было воевать за Австрию или против Австрии. Наша политика вся на востоке, а по отношению к Бонапарту только одно — вооружение на границе и твердость в политике, и он никогда не посмеет перейти русскую границу, как на седьмом году. ![]() — А куда нам, князь, с французами воевать! — сказал граф Ростопчин. — Можем ли мы поднять оружие против наших учителей и богов? Посмотрите на нашу молодежь, посмотрите на наших дам. Наши боги — французы, наше царство небесное — Париж. Он стал говорить громче, очевидно, чтобы все его слышали. «Французские костюмы, французские мысли, французские чувства!» Вы выгнали Метивье в шею, потому что он француз и негодяй, а наши барышни за ним ползают. Вчера был на вечере, так из пяти дам три католички и с разрешения папы в воскресенье шьют холст.А сами сидят почти голые, как вывески торговых бань, если можно так сказать. Эх, посмотри на нашу молодость, князь, взял бы из Кунсткамеры старую дубину Петра Великого, да по-русски борта отломил бы, всякая ерунда соскочила бы! Все замолчали. Старый князь посмотрел на Растопчина с улыбкой на лице и одобрительно покачал головой. — Ну, прощайте, ваше превосходительство, не болейте, — сказал Растопчин, вставая обычными своими быстрыми движениями и протягивая руку князю. ![]() — Прощай, милый, — арфа, я всегда буду его слушать! — сказал старый князь, взяв его за руку и предлагая поцеловать в щеку. Другие поднялись с Ростопчиным. Княжна Марья, сидя в гостиной и прислушиваясь к этим разговорам и сплетням стариков, ничего не поняла из услышанного; она думала только о том, все ли гости заметили враждебное отношение отца к ней. Она даже не заметила того особого внимания и любезностей, которые Друбецкой, побывавший у них в доме в третий раз, оказывал ей в течение всего этого обеда. Все вузы Колумбийский университет Новиконтский морской колледж Хакасский технический институт им. Н.Ф.Катанова (филиал СФУ) Каспийский государственный технологический университет им. Есенова Актюбинский региональный государственный университет им. К. Жубанова Западно-Казахстанский государственный медицинский университет. М. Оспанова Алматинский университет управления Алматинский государственный колледж энергетики и электронных технологий Алматинский технологический университет Алматинский университет энергетики и связи Казахская академия транспорта и коммуникаций.М. Тынышпаева Казахская Головная Архитектурно-Строительная Академия Казахская Национальная Академия Искусств. 2019. Все права защищены. Карта сайта |