48889

Использование нейронных сетей при планировании пола будущего ребенка

Курсовая

Информатика, кибернетика и программирование

Практическое применение нейронных сетей при планировании пола будущего ребенка Хотелось бы отметить что предметом исследования моей курсовой работы является прогнозирование пола будущего ребенка с помощью нейросетей. Выбор данной темы был обусловлен тем что в данной области применение методов искусственного интеллекта не распространено в свою очередь тема планирования пола ребенка всегда была и остается актуальной т.

Русский

2013-12-17

365.5 KB

8 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра информатики и ВТ

КУРСОВАЯ РАБОТА

по искусственному интеллекту

Использование нейронных сетей при планировании пола будущего ребенка

ИСПОЛНИТЕЛЬ: студентка гр.1233

О. А. Сидорова

НАУЧНЫЙ РУКОВОДИТЕЛЬ:

Профессор Л. Н. Ясницкий

Пермь 2007

СОДЕРЖАНИЕ

ВВЕДЕНИЕ……………………………………………………………………….3

ГЛАВА 1. Теоретические основы нейросетевых технологий

  1.   Сущность нейронных сетей……………………………………………….5
    1.   Роль нейросетей и нейрокомпьютеров…………………………………...7

ГЛАВА 2  Практическое применение нейронных сетей при планировании пола будущего ребенка

2.1 Постановка задачи…………………………………………………………8

    2.2 Анализ полученных результатов………………………………………..14

ЗАКЛЮЧЕНИЕ………………………………………………………………….16

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ………………………………...17

Введение

Человек – это самый сложный из доступных для нашего восприятия объект, а способность мышления – его главное свойство – атрибут. Искусственный интеллект - это наука, поставившая своей целью изучение и моделирование интеллектуальной деятельности человека[4].

Зародившийся более 700 лет  назад в средневековой Испании искусственный интеллект оформился в самостоятельную научную область в середине ХХ в. пройдя сложный, извилистый путь многократных метаний между чрезмерным оптимизмом и необоснованным скептицизмом, в наши дни искусственный интеллект получил блестящие практические приложения, открывающие перспективы, без которых немыслимо дальнейшее развитие цивилизации[4].

Сегодня  методы искусственного интеллекта позволили создать эффективные компьютерные программы в самых разнообразных, ранее считавшихся недоступными для формализации и алгоритмизации, сферах человеческой деятельности, таких как медицина, биология, социология, культурология, политология, экономика, бизнес, криминалистика и т.п. Идеи обучения и самообучения компьютерных программ, накопления знаний, приемы обработки нечетких и неконкретных знаний позволили создать программы, творящие чудеса. Компьютеры успешно борются за звание чемпиона мира по шахматам, моделируют творческую деятельность человека, создавая музыкальные и поэтические произведения, распознают образы и сцены, распознают, понимают и обрабатывают речь, тексты на естественном человеческом языке. Нейрокомпьютеры, созданные по образу и подобию человеческого мозга, успешно справляются с управлением сложными техническими объектами, диагностикой заболевания человека, неисправностей сложных технических устройств; предсказывают погоду и курсы валют, результаты голосований; выявляют хакеров и потенциальных банкротов; помогают абитуриентам правильно выбрать специальность и т.д.[4].

В отличие от жестко детерминированных компьютерных программ системы искусственного интеллекта сами ищут пути решения поставленной задачи. При этом они могут менять свои параметры и структуру, совершенствоваться и развиваться, не зависящей от воли разработчика жизнью[4].

В настоящее время можно выделить несколько направлений развития искусственного интеллекта:

  •  Разработка интеллектуальных систем, основанных на знаниях;
  •  Нейросетевые и нейрокомпьютерные технологии;
  •  Распознавание образов;
  •  Игры и творчество;
  •  Компьютерная лингвистика;
  •  Интеллектуальные роботы;
  •  Компьютерные вирусы;
  •  Интеллектуальное математическое моделирование.

В рамках данной курсовой работы остановимся на рассмотрении нейросетевых технологий, которые и будут являться объектом моего исследования.

Как известно, сегодня нейросети находят практическое применение для решения самых разнообразных задач в различных областях, например, диагностика в медицине, диагностика неисправностей сложных технических устройств, применение нейросетей в банковском деле, прогнозирование валютных курсов и котировок ценных бумаг с помощью неросетевых технологий и т.д.  

Хотелось бы отметить, что предметом исследования моей курсовой работы является прогнозирование пола будущего ребенка с помощью нейросетей.

Выбор данной темы был обусловлен  тем, что в данной области применение методов искусственного интеллекта не распространено, в свою очередь тема планирования пола ребенка всегда была и остается актуальной, т.к. практически все будущие родители имеют свои пристрастия к полу будущего ребенка. Отцы часто хотят мальчиков, матери - девочек. Мужчина хочет делиться житейским опытом с сыном и не представляет своего общения с девочкой. Женщины хотят получить помощницу, а может и подругу в лице девочки, и опасаются, что не справятся с воспитанием мальчика. Реже бывает и наоборот: отец хочет дочь, а мать - сына. В любом случае, наверное, все родители хотят предугадать, а может и спланировать пол своего будущего ребенка. 

Цель работы: с помощью своих исследований я бы хотела показать, можно ли использовать нейронные сети для прогнозирования пола ребенка и эффективно ли их применение в этой области.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  -  раскрыть сущность нейросетевых технологий;

-  обучить один из нейросимуляторов.

1.Теоретические основы нейросетевых технологий

1.1 Сущность нейронных сетей

Прежде всего, когда мы говорим о нейронных сетях, то чаще имеем в виду искусственные нейронные сети. Некоторые из них моделируют биологические нейронные сети, некоторые нет. Однако исторически сложилось так, что первые искусственные нейронные сети, были созданы в результате попыток создать компьютерную модель, воспроизводящую деятельность мозга в упрощенной форме. Конечно, возможности человеческого мозга неизмеримо больше, чем возможности самой мощной искусственной нейронной сети[2] .

Однако искусственные нейросети обладают рядом свойств, присущих биологическим нейросетям, в том числе и человеческому мозгу. Главное свойство нейросетей – способность к обучению. Для решения какой-либо задачи на компьютере традиционным методом необходимо знать правила (математические формулы), по которым из входных данных можно получит выходные (найти решение задачи). С помощью нейросети можно найти решение, не зная правил, а имея несколько примеров. Нейросети используют подход к решению задач более близкий к человеческому, чем традиционные вычисления. В самом деле, например, когда человек переходит улицу, он оценивает скорость движения автомобиле исходя из предыдущего опыта не используя математических вычислений. Или, например, как ребенок без труда может отличить кошку от собаки, основываясь на ранее виденных им примерах[3]. При этом часто он не может точно сказать, по каким признакам он их отличает, т.е. он не знает четкого алгоритма. Другое важное свойство нейросетей – способность находить решение, основываясь на зашумленных, искаженных и даже противоречивых данных. Еще одно замечательное свойство — это отказоустойчивость. В случае выхода из строя части нейронов, вся сеть в целом продолжает оставаться работоспособной, хотя, конечно, точность снижается. Это свойство важно для аппаратно реализованных нейросетей, т.к. если нейросеть эмулируется на традиционном компьютере, то в случае выхода из строя центрального процессора вся нейросеть потеряет работоспособность.
Нейронная сеть представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединений которых зависит от типа сети[3]. В основу искусственных нейронных сетей положены следующие черты живых нейронных сетей, позволяющие им хорошо справляться с нерегулярными задачами:

  1.  простой обрабатывающий элемент – нейрон;
  2.   очень большое число нейронов участвует в обработке информации;
  3.  один нейрон связан с большим числом других нейронов (глобальные связи), изменяющиеся по весу связи между нейронами;
  4.  массированная параллельность обработки информации.

Как уже было сказано, прототипом для создания нейрона послужил биологический нейрон головного мозга. Биологический нейрон имеет тело, совокупность отростков - дендритов, по которым в нейрон поступают входные сигналы, и отросток иного рода - аксон, передающий выходной сигнал нейрона другим клеткам. Точка соединения дендрита и аксона называется синапсом. Упрощенно функционирование нейрона можно представить следующим образом.

Нейрон получает от дендритов набор (вектор) входных сигналов. В теле нейрона оценивается суммарное значение входных сигналов. Однако входы нейрона неравнозначны. Каждый вход характеризуется некоторым весовым коэффициентом, определяющим важность поступающей по нему информации. Таким образом, нейрон не просто суммирует значения входных сигналов, а вычисляет скалярное произведение вектора входных сигналов и вектора весовых коэффициентов. Далее нейрон формирует выходной сигнал, интенсивность которого зависит от значения вычисленного скалярного произведения. Если оно не превышает некоторого заданного порога, то выходной сигнал не формируется вовсе - нейрон "не срабатывает". И затем выходной сигнал поступает на аксон и передается дендритам других нейронов[4].

Поведение искусственной нейронной сети зависит как от значения весовых параметров, так и от функции возбуждения нейронов. Известны три основных вида функции возбуждения: пороговая, линейная и сигмоидальная. Для пороговых элементов выход устанавливается на одном из двух уровней в зависимости от того, стал ли суммарный сигнал на входе нейрона больше или меньше некоторого порогового значения. Для линейных элементов выходная активность пропорциональна суммарному взвешенному входу нейрона. Для сигмоидальных элементов в зависимости от входного сигнала выход варьируется непрерывно (но не линейно) по мере изменения входа. Сигмоидальные элементы имеют больше сходства с реальными нейронами, чем линейные или пороговые, но любой из этих типов можно рассматривать лишь как приближение.

  1.   Роль нейросетей и нейрокомпьютеров

Рассмотрим несколько вариантов ответа на вопрос, зачем же нужны нейронные сети и нейрокомпьютеры, какова их роль.

  1.  Нейрокомпьютеры дают стандартный способ решения многих нестандартных задач. И неважно, что специализированная машина или программа лучше решит один класс задач. Важнее, что один нейрокомпьютер (нейроcимитатор) решит и эту задачу, и другую, и третью — и не надо каждый раз проектировать специализированную ЭВМ — нейрокомпьютер сделает все сам и почти не хуже.
  2.  Гибкость структуры: можно различными способами комбинировать простые составляющик нейрокомпьютеров - нейроны и связи между ними. За счет этого на одной элементной базе и даже внутри "тела" одного нейрокомпьютера можно создавать совершенно различные машины.
  3.   Нейронные сети позволяют создать эффективное программное обеспечение для высокопараллельных компьютеров. Для высокопараллельных машин хорошо известна проблема: как их эффективно использовать — как добиться, чтобы все элементы одновременно и без лишнего дублирования вычисляли что-нибудь полезное? Создавая математическое обеспечения на базе нейронных сетей, можно для широкого класса задач решить эту проблему.

Глава 2. Практическое применение нейронных сетей при планировании пола будущего ребенка

2.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат. В области планирования пола ребенка использование нейросетевых технологий не применяется в данное время, поэтому хотелось бы попробовать осуществить эту идею, поскольку мне она кажется очень даже интересной.

У людей на сегодняшний день  нет точных алгоритмов, позволяющих заранее спланировать пол ребенка. Однако желание предугадать или спланировать пол ребенка существует и существовало во все времена.

Практически все будущие родители имеют свои пристрастия к полу будущего ребенка. Отцы часто хотят мальчиков, матери - девочек. Мужчина хочет делиться житейским опытом с сыном и не представляет своего общения с девочкой. Женщины хотят получить помощницу, а может и подругу в лице девочки, и опасаются, что не справятся с воспитанием мальчика. Реже бывает и наоборот: отец хочет дочь, а мать - сына. В любом случае, наверное, все родители хотят предугадать, а может и спланировать пол своего будущего ребенка, это очевидно[8].

Бывают также наследственные заболевания, накрепко сцепленные с полом. Допустим, все мальчики в роду страдали (и будут страдать) от некоего недуга, например, гемофилии, тогда как вероятность его у девочек ничтожна. В этом случае рождение ребенка определенного пола не прихоть, а даже своего рода необходимость[10].

Попытки предсказаний и теории "запланированного" рождения существовали с незапамятных времен, но большинство из них являлись мошенническими. Как бы ни старались мамы соблюдать советы знахарей, результат оставался, как правило, непредсказуемым. А сколько людей брались решать эту задачу - не сосчитать. Это и ясновидящие и энтузиасты-родители, и ученые с мировым именем.[9].

В последнее время уже накопилось немало фактов, обобщение которых позволило ученым проследить зависимость формирования пола будущего ребенка от наследственности, обстановки, в которой был зачат ребенок, возраста родителей, питания супругов и т.д.[9].

В своей работе, я рассмотрю 10 параметров, которые, на мой взгляд, могут влиять на формирование пола будущего ребенка.

Так как параметры, описывающие предметную область имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

На вход подаются следующие параметры:

X1 - Возраст женщины во время зачатия; 

X2 – Возраст мужчины во время зачатия;

X3 - Разница в возрасте:

   0 - одногодки;

   1 - на 1-2 года старше мужчина;

   2 - на 3-4 года старше мужчина;

   3 - на 5 и > лет старше мужчина;

   4 - на 1-2 года старше женщина;

   5 - на 3-4 года старше женщина;

   6 - на 5 и > лет старше женщина;

X4 - Месяц зачатия;

X5 - Какие роды по счету;

X6 - Курение до зачатия:

   0 - не курят;

   1 - курит мужчина;

   2 - курит женщина;

   3 - курят оба;

X7 - Волосы мужчины:

   0 - редкие;

   1 - нормальные;

   2 - густые;

X8 - Ритм жизни:

1 - спокойная, размеренная жизнь;

2 - изменения ритмов жизни (переезды и т.д.);

X9 - Преобладание мальчиков или девочек в роду по женской и мужской линии:

   0 – одинаково;

   1 – мальчики;

   2 – девочки;

   3 - по женской линии - мальчики, по мужской – девочки;

   4 - по женской линии - девочки, по мужской – мальчики;

   5 - по женской линии - мальчики, по мужской – одинаково;

   6 - по женской линии - девочки, по мужской – одинаково;

   7 - по женской линии - одинаково, по мужской – мальчики;

   8 - по женской линии - одинаково, по мужской - девочки;

X10 – Преобладающие продукты питания в рационе женщины до зачатия:

   1 - консервированные продукты, мясо, колбасные изделия, рыба, овощи, фрукты, соль.

      2 - сахар, мед, варенье, пряности, все виды хлеба и другой выпечки, овощи (картошка  в ограниченном количестве), фрукты (кроме, слив, бананов, черешни,  абрикосов), молочные продукты, орехи (не соленые);

На выходе будем формировать результирующий вектор со следующими компонентами:

Y1 – родился мальчик;

Y2 – родилась девочка;

Для работы будем использовать нейросимулятор, который был создан студентом 4 курса механико-математического факультета, Черепановым Ф. Он представлен на Рис. 1.

Рис.1. Нейросимулятор

Из него видно, что мы использовали 10 нейронов входного слоя, 1 скрытый слой, и 1 нейрон на выходе.

Ниже приведены данные обучающей и тестируемой выборки, которые не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

Обучающая выборка составлена из реальных данных, собранных с помощью социологического опроса, она содержит 30 записей и представлена в таблице1.

                                                                                                           Таблица 1

Обучающая выборка

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y

24

28

2

4

1

1

2

1

2

1

1

27

31

2

1

2

1

2

1

2

2

2

32

36

2

9

3

1

2

1

2

2

2

17

16

4

1

1

1

2

1

4

2

2

22

21

4

7

2

1

2

1

4

2

2

29

28

4

8

3

1

2

1

4

2

2

26

25

4

12

1

1

1

1

2

2

1

28

27

4

12

2

1

1

1

2

2

2

18

24

3

7

1

0

1

1

1

2

2

19

25

3

9

2

0

1

2

1

1

1

23

22

4

7

1

0

1

2

4

2

2

27

26

4

9

2

0

1

2

4

1

1

19

25

3

9

1

1

1

2

1

2

1

26

32

3

6

2

1

1

1

1

1

1

21

25

2

6

1

1

1

2

0

1

1

21

23

1

3

1

1

1

1

2

1

2

23

25

1

11

2

0

1

1

2

1

1

22

33

3

3

1

0

2

1

1

1

1

24

35

3

10

2

0

2

1

1

1

1

21

22

1

6

1

3

1

1

7

2

2

28

29

1

3

2

1

1

2

7

1

1

22

22

0

5

1

0

2

1

4

1

1

27

27

0

4

2

1

2

2

4

1

2

34

30

5

12

1

1

0

2

6

2

1

36

32

5

3

2

1

0

2

6

2

1

17

22

3

6

1

1

2

1

3

2

2

20

25

3

2

2

1

2

1

3

2

1

24

29

3

7

3

1

2

1

3

1

2

21

31

3

4

1

0

0

2

3

1

1

В таблице 2 приведена тестируемая выборка, данные которой не входили в процесс обучения, и на основе которых  мы можем понять, насколько точно обучилась сеть.

                                                                              Таблица 2

Тестируемая выборка

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

Y

20

21

1

4

1

0

1

1

3

2

2

20

21

1

10

1

1

2

2

4

2

2

22

23

1

7

2

1

2

1

4

1

2

24

23

4

10

1

0

1

2

8

2

2

19

20

1

1

1

3

2

2

4

1

2

19

23

2

9

1

0

1

1

6

2

1

29

33

2

9

2

0

1

2

6

1

1

29

34

3

1

1

3

2

2

4

2

2

23

26

2

4

1

1

2

2

4

2

1


При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было. Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке- погрешностью обобщения, обозначаемой T [4].

 


2.2. Анализ полученных результатов

Анализируя работу персептрона и полученные результаты можно сделать вывод, что персептрон выдал модельные значения близкие к практическим. Для того, чтобы наглядно продемонстрировать это утверждение, на гистограмме 1  покажем соотношение между модельными значениями и практически полученными результатами.

Гистограмма 1


Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно. Для подтверждения работоспособности моделей на вход сетей были поданы значения из тестируемой выборки.

Гистограмма 2

 

Из гистограммы 2 можно сделать вывод, что полученные значения тестируемой выборки довольно-таки далеки от модельных значений, лишь в одном случае из пяти эти значения более или менее близки (6 пара).


Заключение 

Подведём итог проделанной работы.

В первой части были обобщены знания в области нейросетевых технологий.

Во второй части я отразила попытку применения нейросети на практике при планировании пола будущего ребенка. В результате персептрон не смог решить поставленную перед ним задачу. Подав на его вход сигналы, которых не было в обучающей выборке, на выходе я получила результаты, в основном, сильно отличающиеся от реальных показателей,  т.е. прогнозирование пола ребенка с помощью нейросимулятора, к сожалению, оказалось неэффективным.  Однако при дальнейшей разработке этой программы, при более тщательном анализе факторов, влияющих на формирование пола ребенка, а также при увеличении собранных данных, возможно, в дальнейшем программа усовершенствуется и с помощью нее все же можно будет спрогнозировать пол своего будущего ребенка. Эта тема, я думаю, всегда будет актуальной, так как любому человеку хотелось бы попробовать заглянуть таким образов в свое будущее.


Список использованной литературы

 

Литература

  1.  Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.:Изд. дом «Вильямс», 2003. – 864 с.
  2.  Уоссермен. Нейрокомпьютерная техника: теория и практика.
  3.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.
  4.  Ясницкий Л.Н. Введение в искусственный интеллект: Учеб. пособие для студ. высш. учеб. заведений, М.: Издательский центр «Академия», 2005.-176 с.

Ссылки на ресурсы Интернет

  1.  http://www.artint.ru/ - Российский НИИ Искусственного интеллекта;
  2.  http://www.raai.org/ - Российская ассоциация искусственного интеллекта;
  3.  http://neural.narod.ru/ - Искусственный разум;
  4.  http://www.planbaby.ru/ -  Планирование пола ребенка;
  5.  http://www.bcetyt.ru/ -  Выбор пола ребенка до зачатия;
  6.  http://www.med2000.ru/ - Мальчик или девочка?


 

А также другие работы, которые могут Вас заинтересовать

35042. Project Studiocs Электрика 3.0 254.5 KB
  15 Введение Разработка компании Consistent Softwre САПР Project Studiocs Электрика хорошо знакома специалистам. До августа 2004 года основное внимание разработчиков было направлено на развитие существующих тогда самостоятельных модулей пакета Project Studiocs Электрика: Project Studiocs Освещение создание проектов внутреннего электрического освещения и Project Studiocs Сила создание силовой части проектов электроснабжения зданий и сооружений. В декабре 2004 года компания Consistent Softwre объявила о выходе новой версии САПР Project...
35043. CAD/CAM системы среднего уровня на примере систем Cimatron, MasterCam, Solid Edge 585.5 KB
  Реферат по САПР на тему: CD CM системы среднего уровня на примере систем Cimtron MsterCm Solid Edge.5 MsterCm. На рынке программных продуктов широко используются два типа твердотельного геометрического ядра: Prsolid CIS К наиболее известным CD CM системам среднего уровня построенным на основе ядра CIS относятся: DEM Cimtron MsterCm utoCD 2000 Powermill CDdy Brvo К наиболее известным CD CM системам среднего уровня построенным на основе ядра Prsolid относятся: ...
35044. Программное обеспечение Consistent Software ElectriCS 3D 83 KB
  Реферат на тему: Программное обеспечение Consistent Softwre ElectriCS 3D Студент: Петров И.3 Назначение ElectriCS 3D.4 Предмет автоматизации ElectriCS 3D.4 Достоинства ElectriCS 3D.
35045. Изотопы в природе 156 KB
  Основная заслуга в открытии стабильных изотопов принадлежит английскому физику Ф. он установил что инертный газ неон атомный вес 202 является смесью двух изотопов с атомными весами 20 и 22. Ученый проводил исследования на протяжении полутора десятилетий и обнаружил 210 стабильных изотопов большинства элементов. Химические элементы как правило представляют собой смесь изотопов т.
35047. Радиоэкология и ОС 99 KB
  В него не включают поступившие в окружающую среду искусственные радиоактивные вещества от испытаний ядерного оружия и от работы предприятий ядерного топливного цикла ЯТЦ. Загрязнение биосферы радионуклидами образовавшимися при испытаниях ядерного оружия. Испытания ядерного оружия в атмосфере были начаты США в 1945 г. большинство стран подписали Договор об ограничении испытаний ядерного оружия кроме подземных.
35048. ХИМИЧЕСКИЙ СОСТАВ АТМОСФЕРЫ 170.5 KB
  Отношение содержание инертных газов в атмосфере Земли к их содержанию в солнечной системе Такое различие указывает что земная атмосфера не есть производная солнечной атмосферы а образовалась при эволюции самой Земли. Если аргон третий по объему газ атмосферы выделился из горных пород значит и остальные газы могли поступить также. Особенно сильное воздействие живые организмы оказали на состав атмосферы.
35049. ГИДРОСФЕРА 118.5 KB
  Воды Мирового океана покрывают 2 3 поверхности планеты и образуют основную массу ее водной оболочки. Воды Мирового океана составляют около 93 всех вод биосферы поэтому можно считать что химический состав гидросферы в целом определяется главным образом химическим составом океанических вод. Существует мнение и не без основания что для Земли характерно постоянное присутствие воды на её поверхности. Катионы переходили сразу в раствор поэтому воды сразу же стали солеными.
35050. Биосфера Состав живого вещества 238 KB
  Сумма зольных элементов это сложный итог взаимодействия живого вещества с земной корой. Поэтому изучение зольных элементов так же важно как и определение главных элементов в организме. С целью исключения влияния сильно варьирующих количеств воды и приведения данных о содержании химических элементов к выражению удобному для сравнения рассчитывают содержание элементов на абсолютно сухое органическое вещество высушенное до постоянной массы при температуре 102 105 оС. В этом случае получают значения содержания элементов не в реальных...