49416

Использование нейронных сетей при определении цвета глаз будущего ребенка

Курсовая

Информатика, кибернетика и программирование

Практическое применение нейронных сетей при определении цвета глаз будущего ребенка В области определения цвета глаз будущего ребенка использование нейросетевых технологий не применяется в данное время поэтому хотелось бы попробовать осуществить эту идею поскольку мне она кажется очень даже интересной.

Русский

2013-12-27

468 KB

4 чел.

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

«ПЕРМСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ»

Факультет информатики и экономики

Кафедра прикладной информатики

КУРСОВАЯ РАБОТА

по искусственному интеллекту

Использование нейронных сетей при определении цвета глаз будущего ребенка.

ИСПОЛНИТЕЛЬ: студентка гр.1233

Сокуренко О.С.

                                                                               НАУЧНЫЙ РУКОВОДИТЕЛЬ:

Профессор Л. Н. Ясницкий

Пермь 2008

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  определении цвета глаз будущего ребенка

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

    2.2 Анализ полученных результатов………………………………………..13

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 определении цвета глаз 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 определения цвета глаз будущего 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 цвет глаз будущего ребенка. Однако желание предугадать или спланировать цвет глаз будущего  ребенка существует и существовало во все времена.

Некоторые  родители имеют свои пристрастия к цвету глаз будущего ребенка. 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 цвета глаз будущего ребенка от наследственности, т.е. цвета глаз бабушек, дедушек, пап, мам и пола родителя.

В своей работе, я рассмотрю 6 параметров, которые, на мой взгляд, могут влиять на формирование цвета глаз  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 – Цвет глаз матери супруга; 

X2 – Цвет глаз отца супруга;

X3 – Цвет глаз матери супруги;

Х4- Цвет глаз отца супруги;

Х5- Цвет глаз супруга;

Х6- Цвет газ супруги.

1-голубые  глаза;

2-карие  глаза;

3-зеленые  глаза.

На выходе будем формировать результирующий вектор со следующими компонентами:

Y1 – ребенок с голубыми глазами;

Y2 – ребенок с зелеными глазами;

Y3 -   ребенок с карие глазами

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 6 нейронов входного слоя, 2 скрытый слоя, и 3 нейрона  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

ch

 

 

1

2

1

1

1

1

1

0

0

1

2

1

1

2

1

1

0

0

1

2

1

2

1

1

1

0

0

1

2

1

2

1

2

1

0

0

1

2

1

2

2

1

1

0

0

1

2

1

2

2

2

1

0

0

1

2

1

2

2

3

1

0

0

1

2

1

2

3

2

1

0

0

1

3

2

3

1

1

1

0

0

1

3

2

3

1

2

0

0

1

1

3

2

3

1

3

0

1

0

1

3

2

3

3

2

0

0

1

1

3

2

3

3

3

0

1

0

1

3

3

1

1

1

1

0

0

1

3

3

1

3

3

0

1

0

1

3

3

2

1

1

1

0

0

1

3

3

2

1

2

0

0

1

1

3

3

2

1

3

0

1

0

1

3

3

2

3

2

0

0

1

1

3

3

2

3

3

0

1

0

1

3

3

3

1

1

1

0

0

1

3

3

3

1

3

0

1

0

1

3

3

3

3

3

0

1

0

2

1

1

1

1

1

1

0

0

2

1

1

1

2

1

0

0

1

2

1

1

2

1

1

1

0

0

2

1

1

2

1

2

0

0

1

2

1

1

2

2

1

0

0

1

2

1

1

2

2

2

0

0

1

2

1

1

2

2

3

0

0

1

2

1

1

2

3

2

0

0

1

2

1

1

2

3

3

0

1

0

2

1

1

3

1

1

1

0

0

2

1

1

3

2

1

0

0

1

2

1

1

3

2

3

0

0

1

2

1

1

3

3

3

0

1

0

2

1

2

1

1

1

1

0

0

2

1

2

1

1

2

0

0

1

2

1

2

1

2

1

0

0

1

2

1

2

1

2

2

0

0

1

2

1

2

1

2

3

0

0

1

2

1

2

1

3

2

0

0

1

2

1

2

1

3

3

0

1

0

2

1

2

2

1

1

1

0

0

2

1

2

2

1

2

0

0

1

2

1

2

2

1

3

0

1

0

2

1

2

2

2

1

0

0

1

2

1

2

2

2

2

0

0

1

2

1

2

2

2

3

0

0

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

Y1

Y2

Y3

1

3

2

3

1

3

0

1

0

1

3

2

3

3

2

0

0

1

1

3

2

3

3

3

0

1

0

1

3

3

1

1

1

1

0

0

1

3

3

1

3

3

0

1

0

1

3

3

2

1

1

1

0

0

2

1

1

2

3

2

0

0

1

2

1

1

2

3

3

0

1

0

2

1

1

3

1

1

1

0

0

2

1

1

3

2

1

0

0

1

2

1

1

3

2

3

0

0

1

2

1

1

3

3

3

0

1

0

2

1

2

1

1

1

1

0

0

2

1

2

1

1

2

0

0

1

2

1

2

1

2

1

0

0

1

2

1

2

1

2

2

0

0

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].

Рис.2. Зависимость погрешности обучения от погрешности обобщения

 


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.

Таблица 3

Сравнение модельного и практического выхода персептрона

Практические значения

Модельные значения

Y1

Y2

Y3

Y1

Y2

Y3

0

1

0

-0,0009

1,0223

-0,0214

0

0

1

-0,0009

0,0184

0,9825

0

1

0

0,0048

1,013

-0,0178

1

0

0

1,0104

0,0027

-0,0131

0

1

0

0,0046

1,013

-0,0177

1

0

0

1,0097

0,0043

-0,0141

0

0

1

-0,0009

0,0041

0,9967

0

1

0

0,0068

1,0033

-0,0101

1

0

0

1,0019

0,005

-0,0069

0

0

1

0,0035

0,0086

0,9879

0

0

1

0,0013

0,0091

0,9896

0

1

0

0,0078

0,9972

-0,0051

1

0

0

1,0005

0,0044

-0,0049

0

0

1

0,0023

0,0055

0,9922

0

0

1

0,0032

0,0076

0,9892

0

0

1

-0,0008

-0,0081

1,0089

Несмотря на то, что модельные значения не полностью совпадают с практическими, можно утверждать, что тренд изменения искомых величин отражен точно.

На формирование решения о выявлении цвета глаз будущего ребенка влияет ряд параметров, посмотрим их значимость при определении цвета глаз (рис. 3)

Наиболее значимым параметром является цвет глаз матери ребенка, наименее значимыми – родители отца ребенка.

Проведем анализ зависимости определения цвета глаз ребенка от цвета глаз матери (таблица 5), матери отца ребенка (таблица 7)

Данные, используемые для анализа зависимости представлены в таблице 4, 6 соответственно.

Рис.3. Оценка значимости входных параметров

Таблица 4

Данные, используемые для выведения зависимости определения цвета глаз ребенка от цвета глаз матери

1

2

1

1

1

1

1

2

1

2

1

1

1

2

1

2

2

2

1

2

1

2

2

3

1

3

2

3

3

2

1

3

2

3

3

3

Таблица 5

зависимость определения цвета глаз ребенка от цвета глаз матери

Цвет глаз матери

Цвет глаз ребенка

Голубые глаза

зеленые глаза

Карие глаза

1

1,0143

0,0134

-0,0277

1

1,0144

0,0145

-0,0289

2

1,0143

0,0174

-0,0316

2

0,9966

0,0087

-0,0053

3

-0,0009

0,0184

0,9825

3

0,0048

1,013

-0,0178

  1.  голубой цвет глаз
  2.  карие глаза
  3.  зеленые глаза

Таблица 6

Данные, используемые для выведения зависимости определения цвета глаз ребенка от цвета глаз матери отца

1

1

1

1

1

1

1

1

1

2

1

2

1

2

1

2

2

2

1

2

1

2

2

3

1

3

2

1

3

2

1

3

2

3

3

3

Таблица 7

зависимость определения цвета глаз ребенка от цвета глаз матери

Цвет глаз матери отца

Цвет глаз ребенка

Голубые глаза

Зеленые глаза

Карие глаза

1

1,0144

0,0155

-0,0299

1

1,0145

0,0167

-0,0312

2

1,0143

0,0174

-0,0316

2

0,9966

0,0087

-0,0053

3

-0,0016

0,1224

0,8791

3

0,0048

1,013

-0,0178

 
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 определении цвета глаз будущего ребенка. В ходе её выполнения мне удалось создать персептрон с двумя скрытыми слоями, 6-ю входами, 3-мя выходами, с сигмоидной активационной функцией. При тестировании созданного приложения, я смогла убедиться, что персептрон успешно решает поставленную задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получаем адекватные результаты, то есть соответствующие действительности. То есть применение нейросетевых технологий в выбранной области можно считать перспективным.


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.thetcher.ru/ -  Планирование цвета глаз ребенка;


 

А также другие работы, которые могут Вас заинтересовать

26252. Оценка экологической емкости агроландшафта 49 KB
  14 Домашнее задание Оценка экологической емкости агроландшафта Цели и задачи. Сформировать представление о способности агроландшафта воспринимать антропогенную нагрузку при сохранении экологической устойчивости и критериях ее оценки. Формируется понятие экологической емкости агроландшафта и определяющие ее условия. Дать оценку экологической емкости агроландшафта на примере конкретного земельного массива Оценка экологическая емкость агроландшафта Чтобы обеспечить экологическую устойчивость агроландшафта необходимо задать такие параметры...
26253. Значение и место альтернативных технологий в земледелии 47 KB
  Сформировать представление об агротехнологиях альтернативного земледелия как социальном явлении их формах причинах агрономических ограничений возможностях использования. Принципы и источники альтернативного земледелия его мотивации. Основателем данного направления считают австрийского философа Рудольфа Штайнера сформулировавшего в 1924 году принципы так называемого биодинамического земледелия как развитие созданного им мистического учения антропософии. В то же время продукция органического земледелия отнюдь не застрахована от природных...
26254. Агроэкологические требования сельскохозяйственных культур как исходный критерий агрооценки земель 38.5 KB
  Близкие по условиям возделывания конкретных сельскохозяйственных растений ЭАА объединяются в агроэкологические типы земель в пределах которых формируются производственные участки. Пока что не все аспекты агроэкологической оценки растений разработаны с достаточной полнотой особенно почвенные некоторые трудно поддаются формализации. Следует ускорить разработку региональных рекомендаций по данному вопросу с учетом местных условий культур сортов растений. Отношение растений к свету: размещение растений по реакции на продолжительность дня...
26255. Выбор, размещение и сельскохозяйственных культур и сортов и разработка агроэкологических карт в АгроГИС 64 KB
  Ключевые слова: виды сорта культур агроэкологическая оценка интенсивные пластичные устойчивые сорта агроэкологическая карта категории пригодности. Выбор культуры и сорта. Выбор культуры и сорта Выбор культур для региона конкретного хозяйства и поля осуществляют на основе оценки их биологических требований и средообразующего влияния. Показатели агроэкологической оценки культур указанные в паспорте сорта сравниваются с соответствующими параметрами агроландшафта.
26256. Управление продукционным процессом сельскохозяйственных культур и агроценозами 54 KB
  В процессе генерации технологических решений с помощью специально разработанного интерфейса СППР автоматически формируется задание на выполнение конкретной операции в режиме точного земледелия которое затем загружается в бортовой компьютер сельскохозяйственной техники. В зависимости от режима реализации операции различают два типа задания: Карта операции режим функционирования offline Карта агротребований на выполнение операции режим online Карта операции электронная карта поля где для каждого однородного участка поля указана...
26257. Защита растений от вредителей и болезней в агроценозах 327.5 KB
  Практическое занятие Защита растений от вредителей и болезней в агроценозах Цели и задачи. Развить способность практиковать интегрированный подход к защите растений и умение использовать современные методы и средства борьбы с вредителями и болезнями. Рассматриваются агротехнические химические и биологические методы защиты растений от болезней и вредителей при различных уровнях интенсификации агротехнологий и интегрированном подходе. Разработать систему мер по защите растений в заданном севообороте при заданной фитосанитарной ситуации.
26258. Создание картограмм агрофизического состояния почв и интерпретация результатов в геоинформационных системах (ГИС) 384 KB
  Практическое занятие Создание картограмм агрофизического состояния почв и интерпретация результатов в геоинформационных системах ГИС Цели и задачи. Приобретение навыков картографирования агрофизического состояния почв с использованием педотрансферных функций и ГИСтехнологий. Рассматривается методика разработки картограмм агрофизических свойств почв в геоинформационных системах на примере плотности почв и запасов продуктивной влаги. Освоить методику картографирования физических и воднофизических свойств почв на конкретном первичном...
26259. Понятия природного ландшафта и агроландшафта и принципы ландшафтно-экологического анализ территории 102.5 KB
  Формируются определения природного ландшафта сельскохозяйственного ландшафта рассматриваются задачи ландшафтноэкологического анализа территории и географическая классификация ландшафтов. Ключевые слова: геосистема геосистемные уровни региональный локальный местности урочище подурочище фации агроэкологическая группа земель элементарный ареал агроландшафта классификация ландшафтов. Географическая классификация природных и природносельскохозяйственных ландшафтов. В качестве базовой категории в ландшафтоведении используется понятие...
26260. Особенности проектирования защиты растений в агроценозах и перспективы ее экологизации 63.5 KB
  Лекция Особенности проектирования защиты растений в агроценозах и перспективы ее экологизации Цели и задачи. Проектирование защиты растений в агротехнологиях различных уровней интенсификации. Принципы и возможности экологизации защиты растений. Проектирование защиты растений в агротехнологиях различных уровней интенсификации Проектирование систем защиты осуществляется на основе определения видового состава вредных организмов в рамках агроэкологической группы земель и их потенциальной вредоносности которая устанавливается с помощью...