Poreikių analizė

Vadyba  Kursiniai darbai   (33 psl., 188,9 kB)

Pinigų vertės problemos.

Ekonomika  Referatai   (23 psl., 69,28 kB)

Virtualiųjų mašinų technologija leidžia ant vieno kompiuterio paleisti kelėtą skirtingų operacinių sistemų. Tai yra leidžia pereiti iš vienos operacinės sistemos į kitą ne perkraunant kompiuterio. Naudojant virtualiąją mašiną mes nepakenksim mūsų kompiuteriui. Kursinio darbo turinys: 1. Įvadas. 2. VMware programinės įrangos apžvalga. 3. VMware Workstation diegimas namų kompiuteryje. 4. Darbo stoties modeliavimas. 5. Tinklų adapterių technologijos VMware Workstation. 6. Vietinio tinklo iš trijų kompiuterių modelio sudarymas panaudojant visas tris technologijas. 7. Išvados

Informatika  Kursiniai darbai   (21 psl., 1,16 MB)

Nusprendžiau įkurti Individualią įmonę “DF” angliško vertinio sutrumpinimas (Digital Future), tai reikštų - skaitmeninė ateitis. Kadangi žvelgiant į ateitį, matomas vis didesnis poreikis informacijos paieškai skaitmeniniuose kanaluose ir didėjant kompiuterinių žaidimų populiarumui, ši įmonė teiks interneto ir žaidimų paslaugas. Vartotojai galės susirasti čia reikalinga informacija, o jaunimas galės žaisti žaidimus. Toks pavadinimas pasirinktas, todėl, kad jis yra aiškus, išsamus ir puikiai atitinka veiklos pobūdį. Įmonė tikisi įsitvirtinti šioje rinkoje, todėl nusprendė išsinuomoti patalpas Vilniaus g. 32-12. Tai yra Šiaulių miesto centre.

Apskaita  Kursiniai darbai   (18 psl., 43,8 kB)

Kursinio projekto “šviesų valdiklis” aiškinamajame rašte nagrinėjami programuojamo elektronikos įtaiso projektavimo ir gamybos klausimai. Analitinėje dalyje apžvelgta eilė panašios paskirties elektros principinių schemų, paaiškinama tokių įtaisų sandara ir veikimas. Schemotechninėje dalyje suprojektuota valdiklio sandaros schema, aprašytas jos veikimas. Toliau paaiškintas įtaiso elektros principinės schemos projektavimas, pateikti galios stiprintuvo skaičiavimai.

Elektronika  Kursiniai darbai   (20 psl., 2,05 MB)

Demokratinės valstybės ateitis- vaikai, paaugliai ir jaunimas. Paauglys yra vienas iš aktyviausių besikeičiančios visuomenės narių, labai savitai reaguojančių į aplinkos, švietimo ir ugdymo pokyčius, turįs sudėtingą vidinį pasaulį. Perėjimas iš vaiko pasaulio į suaugusiųjų pasaulį yra sunkumų ir išbandymų metas ne tik patiems paaugliams, bet ir jų tėvams bei mokytojams. Pripažindami paauglio individualybę, suaugusieji perduoda visuomenės patirtį ir siekia jaunąją kartą geriau parengti gyvenimui ir darbui.

Socialinis darbas  Referatai   (21 psl., 35,6 kB)

Pasikeitus šalies ekonominei bei socialinei situacijai, dar labiau didėjant bedarbystei, didelė dalis tėvų nesugeba tinkamai atlikti savo pareigų. Šios problemos nėra naujos. Statistiniai duomenys liūdija, kad Lietuvoje egresyvūs vaikai tampa opia šiandienos problema. Šio diplominio darbo tema aktuali tuo, kad, atlikdama pagrindinę praktiką Didžiasalio laikinos vaikų globos centre (DLVGC), darbo autorė pastebėjo, jog darbas su egresyviais vaikais yra aktuali problema.

Socialinis darbas  Diplominiai darbai   (39 psl., 99,66 kB)

Praktikos darbo tikslas yra susipažinti su įmonės veikla, jos pobūdžiu bei pritaikyti Vilniaus kolegijoje įgytas teorines žinias. Tyrimo metu buvo siekiama atsakyti į šiuos klausimus: Sužinoti pirkėjų nuomonę apie parduotuvę; Išanalizuoti įmonės asortimento atitikimą vietai; Įvertinti prekių asortimento atitikimą paklausai; Sužinoti, kaip parduotuvėje formuojamas prekių asortimentas; Įvertinti pirkėjų pasitenkinimą parduotuvės siūlomu prekių asortimentu.

Rinkodara  Analizės   (22 psl., 43,07 kB)

Brangstantis kuras – viena aktualiausių šiandienos problemų. Ji reikšminga kiekvienam – pradedant eiliniu Lietuvos darbininku ir baigiant aukščiausiais šalies pareigūnais. Lietuvos Prezidentas Valdas Adamkus, ragindamas ruoštis degalų kainų kilimui, tai apibūdino kaip natūralų ekonominį procesą, tačiau kasmet vis didėjant įvairaus transporto srautams, tuo pačiu didėja sunaudojamų degalų bei išmetamų į atmosferą teršalų kiekiai. Tai jau tampa globaline problema, skatinanti mokslininkus ieškoti naujų alternatyvų šios problemos sprendimui.

Vadyba  Referatai   (36 psl., 69,97 kB)

Šie metodai turi labai lėtą konvergavimą, bet teoriškai jie gali įveikti vietinį minimumą (local minima.) Kitas trūkumas yra tas, kad vienas turi valdyti daugybę vidinių kintamųjų (kiekvienam svoriui nustatyti triukšmo periodus), kas nėra labai efektyvu. Arba apibrėžti tik išorinius kintamuosius - tokius kaip įėjimo signalas (input), norimas signalas ir žingsnio dydis. Iš pragmatiškos požiūrio pusės labai pageidaujami būtų taip vadinami on-line (tiesioginiai) algoritmai, t.y. algoritmai, kur atskiram pavyzdžiui svoriai kaskart būtų atnaujinami. Bet žvelgiant iš (annealing) modeliavimo pusės į stochastinę on-line atnaujinimo metodų prigimtį , jų realizavimas nebūtų efektyvus. Dėl šių priežasčių bus bandoma atlikti tokį eksperimentą: pridėti triukšmus prie norimo signalo ir eksperimentiškai ištirti tokios procedūros privalumus. Triukšmas taip pat buvo naudojamas gradiento perdavimo (descent) procedūrose. Holmstrom išanalizavo statinio BP algoritmo [Holmstrom and Koistinen, 1992] apibendrinimo galimybę, kuomet atsitiktinis triukšmas įvedamas į išorinius signalus. Šie bandymai parodė, kad apibendrinimas gali būti pagerintas naudojant bandomuosiusose (training) duomenyse papildomus triukšmus. Matsuoka pademonstravo, kad ir triukšmo įvedimas į vieną įėjimo signalą gali pagerinti apibendrinimą (generalization) [Matsuoka, 1992]. Abu autoriai susikoncentravo tik ties tinklo apibendrinimo galimybe, tačiau jie nenagrinėjo triukšmų poveikio mokymosi greičiui ir išėjimo iš local minima galimybės. II Mokymosi su papildomais triukšmais atitinkamame signale analizė II.1 Klasikinis stebimas mokymasis Šioje dalyje kaip mokymosi sistemos prototipas yra naudojamas daugiasluoksnis perceptronas (perceptron) (MLP) su dviem lygiais. Tačiau išvados gali būti atvaizduojamos atsikartojančiose topologijose. Šiame tinkle, xk aprašo iėjimo vektoriaus vieną elementą; yi yra išėjimo lygio i-tasis išėjimas; Wij nusako svorius tarp paslėpto ir išėjimo sluoksnių; Vjk yra svoris tarp įėjimo ir paslėpto sluoksnio; ir Pj nusako paslėpto sluoksnio aktyvavimą. Pateiktas čia apmokymo algoritmas - tai atgalinio mokymo (backpropagation) (BP) algoritmas [Rumelhart et al, 1986]. Tegul di(t) žymi kelis norimus išėjimo neurono i laiko momentu t atsakymus, kur t yra diskretaus laiko indeksas. Galima apibrėžti klaidos signalą, kaip skirtumą tarp norimo atsakymo di(t) ir turimo atsakymo yi(t). Tai nusakomo (1) formulė: Pagrindinis mokymosi tikslas yra minimizuoti kainos funkciją, kurią nusako klaidos signalas ei(t), taip, kad turimas kiekvieno išėjimo neurono atsakymas tinkle statistikine prasme artėtų prie norimo atsakymo. Kriterijus naudojamas kainos funkcijai yra Vidurkio-Kvadrato-Klaidos (Mean-Square-Error) (MSE) kriterijus, apibrėžiamas kaip klaidos kvadrato sumos vidurkio-kvadrato reikšmė [Haykin, 1994]: Kur E yra statistikinis tikimybės operatorius ir sumuojami visi išėjimo sluoksnio neuronai (i=1,…,M). Kainos funkcijos J minimizavimas atsižvelgiant į tinklo parametrus lengvai g.b. formuluojamas gradiento mažinimo (gradient descent) metodu. Šios optimizavimo procedūros problema yra ta, kad jai reikia žinių apie neapibrėžtų procesų, generuojančių pavyzdžius, statistikines charakteristikas. Praktiškai tai gali būti apeita, optimizavimo problemai surandant artimą sprendinį. Klaidos kvadratų sumos momentinė reikšmė (Instantaneous value of the sum of Squared Errors) (ISE) yra pasirinkimo kriterijus [Haykin, 1994]: Po to tinklo parametrai (svoriai) yra pritaikomi ε(t). Faktiškai ši procedūra vadovaujasi taip vadinamu LMS algoritmu, kuomet svoriai yra atnaujinami kartu su kiekvienu pavyzdžiu [Widrow and Hoff, 1960]. II.1 Mokymasis su norimu triukšmingu signalu Vietoj to, kad svorių pritaikymui naudoti norimą signalą di(t), kaip norimas signalas išėjimo neuronui i imamas naujas signalas di(t)+ ni(t), kur ni(t) yra triukšmo periodas. Šiam triukšmo periodui priskiriamas nulinės reišmės baltas triukšmas su σ2 pokyčiu (variance) , nepriklausančiu nei nuo įėjimo signalo xk(t) nei nuo norimų signalų di(t). Neapibrėžtas triukšmo perdavimas yra priskiriamas Gauso ar vienarūšiam perdavimui. Čia norima įrodyti, kad šis naujas norimas signalas neįtakoja galutinės svorių reikšmės statistikine prasme. Tai užtikrina, kad nauja savybė sprendžia originalią optimizavimo problemą. Turint naujus norimus signalus, MSE (4) lygties gali būti perrašyta taip: Nėra sunku įrodyti [Richard and Lippmann 1991; White, 1989; Haykin, 1994], kad (4) lygtis yra lygi Kur ‘|’ simbolis žymi sąlygines galimybes (probabilities), ir 'var' yra kitimų (variance) sutrumpinimas. Pastebėkite, kad antras periodas dešinėje (5) lygties pusėje prisidės prie bendros klaidos J ir koks ir bebūtų mokymosi progresas, jis neįtakos galutinės svorių reikšmės, kadangi jis nėra tinklo svorių funkcija. Optimali svorių reikšmė yra apsprendžiama tiktai pirmo (5) lygties periodo. Kuomet triukšmas yra nulinės reikšmės baltas triukšmas ir jis nepriklauso nei nuo norimo, nei nuo įėjimo signalų, mes turime (6) lygtis rodo, kad triukšmas iš lygties, kuri apibrėš galutines svorių reikšmes, dingsta, taigi mokymassi su norimo triukšmo signalu duos rezultatų, originalios optimizavimo problemos sprendimo prasme, t.y. be triukšmo pridėjimo prie norimo signalo. (learning with the noisy desired signal will yield in the mean the solution for the originaloptimization problem, i.e., without the noise added to the desired signal.) Reiktų konstatuoti, kad ši išvada galioja visoms architektūrų rūšims.Atlikimo funkcijai apibrėžti reikalingi tik išoriniai matavimai (MSE), ir tai nėra susiję nei su topologija nei su kainos funkcijos apibrėžimo būdu (statiniu ar kintamu). Nors šis sprendimas yra patenkinamas, reikia prisiminti, kad mus domina on-line algoritmas, kur yra mokymosi dinamika, t.y. kaip mokymosi progresas yra veikiamas triukšmų. II.3 On-line algoritmas mokymuisi veikiant norimam triukšmingam signalui Reiktų pažymėti, kad atliekamos, modifikacijos, jokiais būdais neveikia atgalinio mokymosi algoritmo realizacijos, kadangi yra modifikuojamas tik signalas, kuris yra įvedamas kaip norimas rezultatas. Taigi, siūlomos modifikacijos gali būti taikomos dar neegzistuojančioms modeliavimo sistemoms. Svarbi problema, kaip modeliavimo metu valdyti triukšmų kaitą (variance). Dėl to tolimesniame skyriuje bus apžvelgiama tiukšmų įtaka momentiniam gradientui. II.4 Norimo triukšmingo signalo gradiente analizė. Svorinio vektoriuas pritaikymo statiniame BP algoritme formulė, tiklui atvaizduotame 1 pav. norimame signale be triukšmų yra [Hertz et al.,1991] Svoriams tarp paslėpto sluoksnio ir išorinio sluoksnio, ir Svoriams tarp iėjimo sluoksnio ir paslėpto sluoksnio, kur ŋ yra žingsnio dydis. Su triukšmingu norimu signalu, ISE (3) lygties tampa: Lygtyse (7) ir (8) įrašant naują reikšmę εnoisy(t), gausime lygtis Palyginus lygtis (7) su (10) ir (8) su (11) daroma išvada, kad triukšmo pridėjimo prie norimo signalo poveikis, tai extra stochastinio periodo svoriniame vektorių taikyme įtraukimas, kas gali būti modeliuojama kaip pridėtinis momentinio gradiento triukšmas (pertirbation) betriukšminiam atvejui. Stochastinio periodo bendra forma Kur N(t) yra veiksmo funkcija gauta pakeitus originalią klaidą d(t)-y(t) įvestu triukšmu n(t). Panagrinėkime papildomų periodų (extra terms) statistines savybes (10) ir (11) lygtyse ir pastebėkime kaip jos veikia svorinių vektorių statistiką. Bet pirmiausia, apibrėžkime atsitiktinius kintamuosius: Jeigu atsitiktiniai kintamieji ir nepriklauso vienas nuo kito, ir g ir f funkcijos yra Borelo funkcijos, tuomet f ir gtaip pat yra nepriklausomos [Feller, 1966]. Realiausios funkcijos f(x) įskaitant sigmoido funkciją, plačiai naudojamą neuroniniuose tinkluose yra Borelio funkcijos. Taigi, galima daryti išvadą, kad (10) ir (11) lygtyse triukšmas n(t) nepriklauso nuo O taip pat ir nuo Todėl gali būti užrašytos papildomų periodų (extra terms) tikimybės ir Jų kitimas (variance) ir Iš (14) ir (15) lygties galima daryti išvadą, kad nulinės reikšmės atsitiktinis triukšmas norimame signale nedaro įtakos svoriniams vektoriams, taigi pagrindinė papildomo stochastinio periodo (extra stochastic term) svorio atnaujinimo reikšmė yra nulis. Iš (16) ir (17) lygties daromos dvi svarbios išvados: triukšmas pridėtas prie norimo signalo veikia svorio atnaujinimo kitimą proporciškai kiekvieno svorio jautrumui. Tai reiškia, kad atskiro triukšmo šaltinis išėjime yra išverčiamas į skirtingus triukšmų stiprumus kiekvienam svoriui. Antra, žingsnio dydis arba išorinio triukšmo šaltinio kitimas valdys papildomų periodų (variance of the extra terms) svoriniuose vektorių prisitaikymo formulėse kitimą, gaunamą pridedant triukšmą prie norimo signalo. Pastebima, kad, kai = 0 arba triukšmo kitimas yra nulis, tuomet stochastinis periodas (stochastic terms) išnyksta - lieka tik originalus svorio atnaujinimas (t.y. sprendžiama originali optimizacijos problema). Šie aspektai ir idėjos gautos iš globalios optimizacijos pateikia empirines taisykles išorinių triukšmų šaltinių valdymui, gaunat reikšmingus rezultatus. Modeliavimo pradžioje norėtųsi svoriams uždėti atsitiktinius trikdžius (perturbation), tam, kad būtų leista algoritmui pabėgti iš vietinio minimumo (local minima.). Tačiau artėjant prie adaptacijos pabaigos trikdžių (perturbation) kitimas turi būti sumažintas iki nulio taip, kad svoriai galėtų pasiekti reikšmes duotas originalios optimizacijos problemos. Toliau bus naudojamas (annealing) tvarkaraštis, pasiūlytas Moody [Darken, Chang, and Moody, 1992] Kur o yra inicijuojamo žingsnio dydis, c yra paieškos laiko konstanta, ir NI - iteracijos numeris. Šių konstantų reikšmės turės būti apibrėžtos eksperimentiškai, kadangi jos priklauso nuo problemų. III Modeliavimo rezultatai Patvirtinant anksčiau atliktą analizę, modeliavimo rezultatai bus pateikiami dviem pavyzdžiais. Vienas jų naudoja dviejų-lygių MLP, taip vadinamos lygiškumo problemos (parity problem), kuri buvo pademonstruota vietinio minimumo (local minima) atveju, pažinimui [Rumelhart et al, 1986]. Iš modeliavimo rezultatų bus matyti, kad mokymasis labiausiai gali būti pagerintas naudojant numatytą metodą (proposed approach) ir globalų minimumą, pasiektą statistikine prasme. Kitas pavyzdys naudoja dinaminį neuroninį tinklą TDNN [Waibel et al., 1989] laiko signalų modeliavimui. Antro modeliavimo rezultatai taip pat patvirtina ankstesnę analizę. III.I Eksperimentai su MLP Spresime 3 bitų lygiškumo problemą. Tinklo dydis 3-3-1, t.y. 3 įėjimo neuronai, 3 paslėpti neuronai, ir 1 išėjimo neuronas. Netiesiškumas (nonlinearity) yra logistinė funkcija. Tiesioginis atgalinis mokymas (backpropagation) yra naudojamas abiem atvejais. Buvo pridėtas Gauso (Gaussian) triukšmas su  =0.001 prie norimo signalo ir parinkti atitinkami parametrai 18 Lygtyje: c= 500 ir o= 0.3. Rezultatai parodyti 2 paveikslėlyje. Stora linija vaizduoja mokymasi su triukšmingu norimu signalu, o punktyrinė linija - su originaliu norimu signalu. Šis pavyzdys rodo, kad mokymasis artėja prie lokalaus minimumo, (local minimum) kuomet naudojamas originalus norimas signalas, bet naudojant triukšmingą norimą signalą mokymasis pasiekia globalų minimumą (global minimum) . Svarbu pabrėžti, kad mokymasis su originaliu signalu, naudoja pastovų žingsnio dydį, kai tuo tarpu signalo su triukšmais žingsnis yra gaunamas iš (18) lygties. Naudojant skirtingus žingsnio dydžius ir skirtingus pradinius (initial) svorius, buvo pasiekti panašūs rezultatai. Tam, kad patvirtinti šio algoritmo konvergavimo galimybę, buvo remiamasi Monte Carlo modeliavimai su 100 bandymu. Rezultatai pavaizduoti 3 Paveiksle, kur punktyrinė linija yra 100 veiksmų rezulatai originaliam signalui, o stora linija - 100 veiksmų rezulatatai triukšmingam signalui. Šiame eksperimente, svoriai yra parenkami atsistiktinai, o žingsnio dydis o atsitiktinai parenkamas iš intervalo [0,1, 0,7]. Kuomet globalus minimumas (global minimum) yra 0, tuomet yra lengva paskaičiuoti reikšmę ir pokytį (mean and variance) 100 galutinių klaidų, kurios pateiktos 1 Lentelėje. Dar daugiau, mokymasisi su triukšmingu signalu laike 99% priartėjo prie globalaus minimumo, o su originaliu signalu tik 26%. Iš 1 Lentelės, galima daryti išvadą, kad su triukšmingu signalu, mokymasis konverguoja į globalų minimumą; bet su originaliu signalu, mokymasis statistikine prasme nekonverguoja. Taigi, iš šių modeliavimo rezultatų galima daryti išvadą, kad triukšmingas signalas leidžia mokymosi algoritmui išeiti iš lokalaus minimumo (local minima). III. II Eksperimentai su dinaminiu neuroniniu tinklu III.I dalyje buvo pademonstruoti statinio neuroninio tinklo modeliavimo rezultatai. Tam, kad patvirtinti, jog aprašytas metodas taip pat veikia ir dinaminiuose neuroniniuose tinkluose. Dinaminės sistemos modeliavimui bus naudojamas TDNN [Waibel et al.,1989]. Bus nagrinėjama tokia sistema, Kur ',' žymi diferencijavimo operatorių. Sistemos įėjimai yra sinusoidžių aibė, Su atsitiktine faze l.. 4 ir 5 Paveikslėliuose vaizduojami sistemos įėjimo ir atitinkamai normalizuoti išėjimo signalai. TDNN tinklo struktūra demonstruojama 6 Paveikslėlyje, kur naudojamas keturių lygių vėlinimas. Šiame tinkle, kaip įėjimai į paslėptą lygį naudojami tik du įėjimo signalai x(t) ir x(t-4). Netiesiškumas (nonlinearity) paslėptuose neuronuose - tai logistinė funkciją. Išėjimas turi vieną tiesinį neuroną. Mokymosi algoritmas - tai BP, kur pavyzdžių klaidos surandamos atimant tinklo išėjimą y(t) iš sistemos d(t) išėjimo. Mokymosi kreivės pavaizduotos 7 Paveikslėlyje, kur triukšmo signalo žingsnio dydis surandamas naudojant (18) Lygtį, kur c=10, 0.01, ir triukšmo kitimas 2 =0.001 . Aiškiai matyti, kad su triukšmingu signalu konvergavimas yra greitesnis ir pasiekiamas žemesnis MSE. Naudojant skirtingus žingsnio dydžius ir svorius, pasiekiami panašūs rezultatai su MSE minimumu lygiu 0,0091. Paveikslėlyje 8 pavaizduotos mokymosi kreivės 100 mokymosi veiksmų, kur žingsnio dydis atsitiktinai parenkamas iš intervalo [0,1, 0,01], o svoriai taip pat yra atsitiktiniai skaičiai. Kadangi nėra žinomas šios problemos globalus minimumas, todėl naudojamas MSE minimali reikšmė 0,0091 kaip globalaus minimumo įvertis. 2 Lentelė atspindi statistikinius rezultatus 100 eksperimentų. 72% (trails) su triukšmingu signalu pasiekė globalų minimumą, ir tik 8% (trails) pasiekė globalų rezultatą su originaliu signalu. Daroma išvada, kad mokymasisi su triukšmingais signalais yra mažiau nepastovus ir mokymosi kreivės taip pat yra daug lygesnės. (smoother) IV.Discussion Eksperimentiškai buvo pademonstruota, kad mokymasis su triukšmingais signalais padidina pastovaus žingsnio dydžio BP algoritmo paieškos galimybes. Tai yra pasiekiama be papildomos kainos algoritmų realizavimo perioduose (This is accomplished at no extra cost in terms of algorithm implementation,), kadangi naudojamas tiesioginis atgalinis mokymas (straight backpropagation.) Papildomos savybės yra gaunamos įvedant nulinės reikšmės valdomo kitimo Gauso triukšmą ir žingsnio dydžio nustatymui pasinaudojant (18) Lygtimi. Buvo pademonstruota, kad triukšmo pridėjimas prie norimo signalo svorių atnaujinimo formulėse prideda nulinės reikšmės stochastinį periodą (that adding noise to the desired signal adds a zero mean stochastic term in the weightupdate formulas.). Nors atskiras triukšmo signalas ir yra įvedamas į norimą signalą, tačiau stochastinio periodo kitimas kiekvienam tinklo svoriui skiriasi (proporcingai kiekvieno svorio jautrumui). Dar daugiau, šio periodo kitimas tiesiogiai valdomas žingsnio dydžio arba išorinio triukšmo šaltinio kitimo. Tai reiškia, kad triukšmo pridėjimas prie norimo signalo yra labai paprasta ir efektyvi procedūra mokymosi proceso ištraukimo iš lokalaus minimumo. Kitimas arba žingsnio dydis turi būti parinktas (anealing) pritaikymo metu. Parinkimo (anealing) realizavimui buvo panaudota Moodžio paieška ir konvergavimo procedūra, tačiau kiekvienai problemai spręsti parametrai turi būti surandami eksperimentiškai. Žingsnio dydžio planavimas, toks, kad būtų įveiktas lokalus minimumas, išlieka atviras klausimas ne tik šiame metode, bet taip pat ir kituose stochastiniuose algoritmuose tokiuose kaip sumodeliuotas parinkimas (simulated annealing) [Kirkpatrick et al., 1983]. Mokymosi algoritmų lankstumo padidinimui yra siūlomi du skirtingi žingsnių dydžiai, vienas gradientui ir kitas - triukšmui. Ši procedūra turi neišvengiamą jungtį su globaliu optimizavimo metodu, vadinamu stochastiniu funkciniu nesklandumų šalinimu (stochastic functional smoothing) [Rubinstein, 1981 and 1986]. Priede aiškinama, kad tiesioginė stochastinio funkcinio nesklandumų šalinimo versija sutrikdo gradientą kartu su triukšmo periodu proporcingai Hesano paviršiui. ( an on-line ver-sion of stochastic functional smoothing perturbs the true gradient with a noise term proportional to the Hessian of the performance surface.) Kuomet signalas pridedamas prie norimo signalo, tikrinis (true) gradientas taip pat yra paveikiamas triukšmų periodo. Šiuo atveju poveikis yra proporcingas naujos veikimo funkcijos gradientui, kuris gaunamas iš originalaus skirtumo tarp d(t) ir y(t), kartu su įvestu triukšmu. Šis paviršius yra susijęs su originaliu, bet gali ir žymiai skirtis. Taigi, kuomet triukšmų šaltinis paprastai yra nustatomas į nulinę Gauso reikšmę, galima tikėtis mažiau optimalių rezultatų, lyginant su stochastinės funkcijos lyginimu (stochastic functional smoothing.). Tačiau algoritmo paprastumas ir geras veikimas gautas eksperimentuose skatina toliau dirbti prie šio metodo. Priedas Šio priedo tikslas yra susieti triukšmo pridėjimą prie norimo signalo naudojant stochastinį funkcinį lyginimo metodą, kuris yra globali optimizacijos procedūra. A.I Stochastinio funkcinio lyginimo optimizacijos apžvalga Stochastiniame funkciniame lyginime, originali neišgaubta funkcija yra perkeliama pagalbinės lyginimo funkcijos, kuri turi kai kurias optimizavimo savybes (t.y. atskiras minimumas). Dirbant su lyginimo funkcija, gali būti atsrastas optimalios problemos globalus minimumas . Lyginimo kainos funkcijos klasė parametrizuota ß yra apibrėžiama kaip [Rubinstein, 1981 and 1986] Kur ß yra valdymo parametras, o y yra atsitiktinis dydis. Dėl J ˆ (wtam, kad būti naudingam originaliai optimizacijai, h ˆ (v impulso atsakymas turi tenkinti keleta sąlygų [žr. Rubinstein, 1981 ir 1986 detaliau], taip, kad parametras apsprendžia lyginimo taikomo J(w) laipsnį. Dideliam lyginimo poveikis yra didelis ir atvirkščiai. Kuomet  0 J ˆ () = J , tuomet nėra lyginimo. Intuityviai aišku, kad norint išvengti lokalaus minimumo, optimizacijos pradžioje  turi būti pakankamai didelis. Tačiau siekiant optimumo lyginimo efektyvumas turi būti mažinamas leidžiant ß artėti prie nulio. Taigi minimumo taške w* laukiamas sutapimas tarp J(w) ir J ˆ ( Atitinkamai, konstruojant iteratyvią w* paieškos procedūrą, yra reikalinga lyginimo funkcijų aibė J ˆ(ß s=1,2,...... Jei signalo atsakymo dalis yra išrenkama kaip daugianormalinė funkcija su dydžiu n ir kitimu ß, tai Lyginimo kainos funkcijos gradientas gali būti įvertintas taip [Styblinski and Tang, 1990] Kur N yra pavyzdžių su daugybe kintamųjų iš (23) Lygties skaičius. Taigi, lyginimo kainos funkcijos gradientas gali būti randamas iš originalios kainos funkcijos. A.II Tiesioginė stochastinės lyginimo funkcijos Optimizavimo realizacija Susiejami triukšmo norimame signale poveikis ((10) ir (11) lygtys) su tiesiogine lyginimo funkcinių gradientų realizacija ((24) Lygtis)). Bus taikoma stochastinės aproksimacijos savybė [Robbins and Monro, 1951]. Kuomet ISE aproksimuoja (stochastine prasme) į MSE ir gradiento operatorius yra tiesinis operatorius, lyginimo kainos funkcijos gradientas εˆ gali būti įvertintas pagal analogiją su Lygtimi (25), taip Dėl supaprastinimo, čia yra ignoruojamas diskretinio laiko indeksas t. Reiktų pabrėžti, kad iš L.(24), kuri atspindi originalios stochastinės lyginimo funkcijos optimizacijos artėjimą prie L.(26), kuri yra tiesioginis L.(24) įvertis, tik vienintelė stochastinės aproksimacijos savybė buvo taikoma taip, kad būtų garantuotas tiesioginio įvertinimo stabilumas [Robbins and Monro, 1951; Kusher and Calrk, 1978; Wang and Principe, 1995]. Tiesioginis vienpusisi įvertis naudojamas L.(26) yra pagrindas gradiento įverčio naudojamo LMS ir BP algoritmuose. L.(26) išreiškia įvertinimą ε(w) gradiento, kuomet w yra paveikiamas atsitiktinio kintamojo βv j . Šis metodas praktiniam realizavimui yra per brangus, kadangi svoriai turi būti veikiami (gradiento skaičiavimui pageidaujamas antras tinklas). Taigi, šis metodas tiesiogiai nėra įgyvendinamas. Realizacijos supaprastinimui siūloma atlikti Teiloro seriją ekspansijų apie w, ir antrame etape jį suskaidyti. Literatūra 1. Darken, C., Chang, J., and Moody, J., “Learning Rate Schedules for Faster Stochastic Gradient Search,” IEEE Neural Networks for Signal Processing, 1992. 2. Fahlman, S., “Fast-Learning Variations on Back-Propagation: An Empirical Study,” In Proc. Of 1988 Conn. Model Summer School. 3. Feller, W, An Introduction to Probability Theory and Its Applications, Vol. 1, 2rd ed. Wiley, NewYork, 1966. 4. Haykin, S, Neural Networks---A Comprehensive Foundation, Macmillan College Publishing Company, New York, 1994. 5. Hertz J., Krogh A., Palmer R. G., “Introduction to the theory of neural computation,” Addison-Wesley,1991. 6. Hinton G. E., “Connectionist learning procedure,” In machine learning: Paradigms and methods, J. G. Carbonell, ed., pp. 185-234. MIT Press, Cambridge, MA, 1989. 7. Holmstrom L., and Koistinen, P., “Using Additive Noise in Back-Propagation Training,” IEEE Trans. on Neural Networks, Vol. 3, No.1, 1992. 8. Kirkpatrick, S., et. al., “Optimization by simulated annealing,” Science 220, 671-680. 9. Krogh, A. and Hertz, J., “Generalization in a Linear Perceptron in the Present of Noise,” J. Phys. A: Math. Gen. 25(1992) 1135-1147. 10. Kushner, H., “Asymptotic Global Behavior for Stochastic Approximation and Diffusions with Slowly Decreasing Noise Effects: Global Minimization via Monte Carlo,” SIAM J. APPL.MATH. Vol. 47, No. 1 Feb., 1987. 11. Kushner, H, and Clark, D. S., Stochastic Approximation Methods for Constrained and Uncon-strained Systems, Springer-Verlag, New York, 1978. 12. Matsuoka, K., “Noise Injection into Inputs in Back-Propagation Learning,” IEEE Trans. Systems, Man, and Cybernetics, Vol. 22, No. 3, 1992. 13. Richard M., Lippmann R. P., “Neural network classifiers estimate Bayesian a posteriori probabil-ity,” Neural Computation, 3, 461-483, 1991. 14. Robbins, H., and S. Monroe, “A stochastic approximation method,” Annals of Mathematical Sta-tistics 22, 1951. 15. Rognvaldsson, T., “On Langevin Updating in Multilayer Perceptrons,” Neural Computation, 6.916-926, 1994. 16. Rubinstein, R., Simulation and the Monte Carlo Method, Wiley,1981. 17. Rubinstein, R., Monte Carlo Optimization, Simulation and Sensitivity of the Queueing Networks,Wiley, 1986. 18. Rumelhart et al, Parallel Distributed Processing, Vol.1, MIT Press, 1986. 19. Styblinski, M.A., and Tang, T.-S, “Experiments in Nonconvex Optimization: Stochastic Approxi-mation with Function Smoothing and Simulated Annealing,” Neural Networks, Vol.3, 1990. 20. Szu, H., “Fast simulated annealing,” AIP conf. Proc. 151:Neural Networks for Computing, Snow-bird, UT, 1986. 21. Waibel, A., T. Hanazawa, G. Hinton, K. Shikano, K. J. Lang, “Phoneme recognition using time-delay neural networks,” IEEEE Trams. ASSP-37, 1989. 22. Wang, C., and J. C. Principe, “On-line stochastic functional smoothing optimization for neural network training, submitted to Neural Networks, 1995. 23. Werbos, p., “Generalization of backpropagation with application to a recurrent gas market model,” Neural Networks, 1, 339-356. 24. Widrow, B., and Hoff, M., “Adaptive switching circuits,” IRE WESCON Convention Record, pp.96-104, 1960.

Informatika  Kursiniai darbai   (164,25 kB)

Šio projekto tikslas – išanalizuoti galimybes steigti dekoratyvinių vejų projektavimo, apželdinimo ir priežiūros įmonę Kauno mieste. Pasiteisinus šio projekto analizei, tikimasi, šiame mieste pradėti verslą. Patogi geografinė padėtis ir situacija rinkoje, taip pat žodinė pirkėjų apklausa, išsamiai išanalizuotos įmonės stiprybės sudaro palankias sąlygas šiam verslui plėtoti.

Rinkodara  Kursiniai darbai   (26 psl., 73,91 kB)

Opaligė – tai lėtinė liga, kuriai paūmėjus atsiranda skrandžio ar dvylikapirštės žarnos opa. Paviršinės skrandžio ar dvylikapirštės žarnos gleivinės žaizdelės vadinamos erozijomis. Jei pažeidimas gilesnis, susidaro gleivinės „žaizda” – tai opa. Opaligė — nereta ikimokyklinio ir mokyklinio amžiaus vaikų liga. Sergamumas opalige tūkstančiui vaikų l,2±0,3.

Maistas, sveikata, higiena  Referatai   (14 psl., 24,07 kB)

Acid rain" is a general name for many phenomena including acid fog, acid sleet, and acid snow. Although we associate the acid threat with rainy days, acid deposition occurs all the time, even on sunny days. Something is acidic if it has a low pH. The pH of a liquid is measured on a scale which ranges from 0 to 14 with 7.0 being neutral. Anything with a pH value lower than 7.0 is acidic, and anything higher than 7.0 is basic.

Geografija  Pagalbinė medžiaga   (3 psl., 6,71 kB)

Visi žmonės turi įgimtų savybių, gabumų, kurie, jiems sąveikaujant su su aplinka, kinta ir vystosi. Kiekvienas žmogus yra nepakartojamas ir tik su didelėmis išlygomis galima žmones jungti į grupes, turinčias bendrus siekius, interesus. Priklausomai nuo charakterio, kiekvienas darbuotojas toje pačioje situacijoje dažnai elgiasi visiškai skirtingai. Todėl vadovas, norėdamas žmones motyvuoti kokio tai tikslo siekimui, turi žinoti jų poreikius. Motyvavimas - tai savęs ir kitų veiklos, siekiant asmeninių ar organizacijos tikslų, skatinimo procesas.

Psichologija  Pagalbinė medžiaga   (5 psl., 13,03 kB)

Vokietijos Federacinės Respublikos plotas 356 945 kv.km Atstumas nuo šiauriausio šalies taško (Sylt sala) iki labiausiai į pietus nutolusio taško (Allgauer Alpen) 876 km Atstumas nuo labiausiai į vakarus nutolusio šalies taško (Selfkant) iki rytinio taško (Lausitzer Neise) 640 km VFR sienos ilgis 3758 km Šalys, turinčios bendras sienas su Vokietija Danija, Lenkija, Čekija, Austrija, Švedija, Liuksemburgas, Prancūzija, Belgija, Nyderlandai Jūros iš šiaurės vakarų - Šiaurės jūra, iš šiaurės rytų - Baltijos jūra Ilgiausios upės Reinas (865 km), Elbė (700 km), Dunojus (647 km), Mainas (524 km), Vėzeris (440 km) Didžiausi ežerai Bodeno (538,5 kv.m), Müritco (110,3 kv.m), Chymzė (82 kv.m)

Geografija  Referatai   (20,76 kB)

Išsiskyrimas niekuomet nebūna lengvas sprendimas. Kiekvienas išsiskyrimas – skausminga netektis. Prarandamas žmogus, su kuriuo galbūt gyventa ilgai. Atsisveikinama su dalele praeities, ko gero, su bendro gyvenimo ateityje planais ir tikslais. Negrįžtamai baigiamas gyvenimo tarpsnis. Todėl išsiskyrimas nebus sprendimas, priimtas skubotai ir lengvabūdiškai.

Sociologija  Referatai   (12,31 kB)

Untersuchungsmethoden: es wurde eine quantitative Untersuchung von mir durchgeführt, um den Bedarf an der palativen Betreuung in Kaunas in Bezug auf Schwerkranke zu schätzen. Als zu Untersuchenden wurden die Patienten auserwählt, die an Bluterkrankungen, bösartigen Tumoren, neuro-motorischen Krankheiten leiden. Eine anonyme Umfrage ist im Januar – April 2006 durchgeführt worden. Daran haben sich 113 Patienten beteiligt, die in Kaunas wohnhaft sind und bei der Praxis „Corpus sanum“ angemeldet sind.

Medicina  Kursiniai darbai   (4,86 kB)

Sveikata - unikali vertybė, gamtos dovanota žmogui. Vokiečių filosofas Artūras Šopenhaueris yra pasakęs, kad „sveikta taip pranoksta visas kitas gyvenimo vertybes, kad visai sveikas skurdžius laimingesnis už ligotą karalių“. Šis darbas skirtas LKKA studentams ir medicinos studentams. Referate aprašoma su mokyklos aplinka susijusi mokinių sveikata. Kokios didžiausios problemos mokykloje, mokinių sveikata. Sveikatą stiprinančios...

Medicina  Referatai   (21,61 kB)

Buvusių kalinių adaptacija – aktuali Lietuvos socialinė problema. Ši problema yra spręstina visų pirma todėl, kad nuteistųjų skaičius Lietuvoje nemažėja. Remiantis statistiniais duomenimis, net 48 procentai kalinčių asmenų patenka į kalėjimą po antrą, trečią kartą. Ilgą laiką kalinių adaptacijos problema buvo tarsi gyvenimo užribyje ir požiūris į buvusius kalinius tiek iš visuomenės, tiek iš valdžios pusės ilgą laiką buvo ribotas. Supratimas, jog buvusius kalinius reikia ne tik kontroliuoti, bet ir socializuoti, integruojant juos į visuomenę, atsirado tik paskutiniais metais. Iš akademinės visuomenės narių buvę kaliniai, kaip pažeidžiama socialinė grupė, taip pat kol kas nesulaukia reikiamo dėmesio.

Sociologija  Kursiniai darbai   (21,24 kB)

Kaip pripažįsta daugelis autorių, vienas iš svarbiausių vidinių darinių, per kuriuos „lūžta“ išoriniai poveikiai – tai asmenybės savęs vertinimas. Savęs vertinimas palieka neišdildomus pėdsakus visuose žmogaus poelgiuose ir veiksmuose – nuo vaikystės iki gilios senatvės.

Psichologija  Laboratoriniai darbai   (4,85 kB)

Kiekvienas žmogus yra savaip vertingas, neatsižvelgiant į tai,kas jis yra ir ką jis geba. Žmogaus gyvenimas yra savaime vertingas, prasmingas. Tai yra vertinimo pavyzdys. Tas,kuris mano taip pat, pritars ir šiam teiginiui: “Visi žmonės turi vienodą teisę į žmogaus vertą egzistavimą”. Judesio ir padėties sutrikimų turintys vaikai išsiskiria iš savo bendraamžių fizine raida.

Pedagogika  Kursiniai darbai   (15,19 kB)

Metalo pjovimo staklėmis ir kitomis metalo apdirbimo mašinomis gaminami visi šiolaikiniai įrenginiai mašinoms, prietaisai ir kiti pramoniniai gaminiai. Metalai ir nemetalinės medžiagos rankiniu būdu apdirbamos jau labai seniai, bet staklėmis...

Mechanika  Kursiniai darbai   (12,04 kB)

Įvarių variklių veikimo principai. Variklių klasifikacija. Šiluminiai varikliai klasifikuojami pagal įvairius būdingus požymius. Pagal darbo mišinio uždegimo būdą skiriami varikliai, kuriuose mišinys uždegamas priverstinai papildomu energijos šaltiniu (elektros kibirkštimi, elektrofakelu ir t.t.) arba jis užsiliepsnoja savaime dėl aukštos suspausto oro temperatūros.

Mechanika  Referatai   (10,38 kB)

Tai darbas apie XXa. didžiausias katastrofas: žemės drebėjimus, rugsėjo 11- osios teroro išpuolį Amerikoje ir apie pirmąsias atomines bombas panaudotas antrojo pasaulinio karo metu.

Istorija  Kursiniai darbai   (5,48 kB)

Po komunistinių rėžimų žlugimo Rytų Europoje ir Rusijoje, dėmesys komunizmui kaip politinei ideologijai, smarkiai susilpnėjo. Didelė dalis akademinio sluoksnio žmonių ir šiaip plačioji visuomenė mano, kad lavono tyrimai nereikalingi. Tačiau jau dabar atsiranda žmonių, manančių, jog komunizmo idėja nėra blogas dalykas. Pati savaime tai teisinga ir graži idėja, o visos negerovės kilo dėl "stalininių nukrypimų".

Istorija  Kursiniai darbai   (21,94 kB)

Kreditinės kortelės. E-pašto “bombinimas” arba “spam” žinučių siuntimas. Įsibrovimas į kito kompiuterį įvairiais tikslais. Virusai. Internetas prijungia mūsų kompiuterius prie pasaulinių informacijos lobynų bei sujungia mus vienus su kitais. Iš pirmo žvilgsnio Internete viskas atrodo labai saugu, patikima, informatyvu. Tačiau kiekvienas žmogus, bent kažkiek giliau domėjęsis ar dažnai besinaudojantis Internetu žino ir kitą dalyką – tai pavojų. Ypač paskutiniais metais padidėjo rizika užsikrėsti kokiu nors pavojingu virusu ar leisti pilnai išnaudoti savo kompiuterį pačiam visai to nežinant.

Informatika  Referatai   (4 psl., 11,63 kB)

Transportas ir jo produktas. Transporto efektyvumas. Transporto sistemos funkciniai komponentai. Transporto politika. Lietuva Europos transporto rinkoje. Transporto rūšies parinkimas. Bendra vežimų koncepcija. Kelių transportas. Geležinkelių transportas. Jūrų transportas. Oro transportas. Lietuvos Respublikos transporto veiklos pagrindų įstatymas. Lietuvos Respublikos kelių transporto kodeksas. Vežimų organizavimas. Kelių transporto kontrolė. Žyminis mokestis ir tarifai. Keleivių ir bagažo vežimas. Krovinių ir pašto vežimas. Atsakomybė ir draudimas. Krovinių vidaus vežimo kelių transportu taisyklės. Transporto priemonių ir jų ekipažų kontrolė. Kroviniai ir jų srautai.

Logistika  Pagalbinė medžiaga   (62 psl., 197,67 kB)

Įvadas. Darbo aplinka. Darbo aplinkos veiksniai. Darbo aplinkos mikroklimatas. Triukšmas. Virbacija. Spinduliavimas. Cheminė darbo aplinka. Nelaimingi atsitikimai darbe ir profesinės ligos. Nelaimingi atsitikimai darbe. Profesinės ligos. Žalos atlyginimas. Išvados.

Darbo ir civilinė sauga  Referatai   (15 psl., 29,75 kB)

Tai yra baigiamasis C++ programavimo kurso darbas, kurio metu reikia sukurti realiai veikiančią programą, kuri sugebėtų atlikti tam tikras funkcijas, tokias kaip: skaičiuoti vidurkį, rūšiuoti pagal atitinkamus pavadinimus, sudėti, atimti ir panašiai. Pagrindinėje formoje galimas pagrindinių duomenų įvedimas jų apdorojimas ir rezultato gavimas. Taip pat galutiniai rezultatai išsaugomi duomenų bazės lentelėse.

Informatika  Kursiniai darbai   (12 psl., 263,11 kB)

Žiniasklaidos rūšys ir funkcijos. Žurnalistinių vertybių žlugimas. Didžiulė mulkinimo mašina? Žvilgsnis į nūdienos naująją žiniasklaidą ir jos užuomazgas. Žiniasklaida ir konfliktinė hegemonija. Lietuvos visuomenės pasitikėjimo žiniasklaida fenomenas. Žiniasklaida ir demokratija. Nepilnamečių nusikalstamumas ir žiniasklaida žiniasklaida ir agresija. Psichologinis žiniasklaidos poveikis. Elektroninė žiniasklaida. Internetinė žiniasklaida. Jos galimybės.

Žiniasklaida  Konspektai   (54 psl., 95,73 kB)