80518

Інтелектуальні технології обробки економічних даних

Лекция

Информатика, кибернетика и программирование

Для аналізу і розвязання задач різного характеру в тому числі і економічних сучасні інформаційні технології пропонують широкий спектр засобів прийняття рішень людиномашинні інтерактивні системи які дозволяють особам що приймають рішення використовувати дані знання обєктивні чи субєктивні моделі. В першому випадку відомості містяться у різноманітних інформаційних джерелах книги документи бази даних інформаційні системи і т. Серед другої групи поширені так звані експертні системи спеціальні комп\' ютерні програми що моделюють...

Украинкский

2015-02-17

34.01 KB

2 чел.

Лекція 6. Інтелектуальні технології обробки економічних даних

План

1. Принципи функціонування автоматичних засобів видобування знань.

2. Нейромережеві технології штучного інтелекту.

3. Нові концепції у теорії штучного інтелекту.

1. Принципи функціонування автоматичних засобів видобування знань.

Для аналізу і розв' язання задач різного характеру, в тому числі і економічних, сучасні інформаційні технології пропонують широкий спектр засобів прийняття рішень - людино-машинні інтерактивні системи, які дозволяють особам, що приймають рішення, використовувати дані, знання, об'єктивні чи суб'єктивні моделі. Необхідно зазначити, що вибір засобу для обробки інформації обумовлюється властивостями поставленої задачі.

 Структуровані задачі містять кількісні та якісні змінні, підлягають формалізації, яка нескладно реалізується. Надалі для них можна розробити повністю структуровані процедури знаходження рішень.

Слабоструктуровані задачі містять як кількісні, так якісні змінні, для них можна частково розробити структуровані процедури знаходження рішень.

Неструктуровані задачі містять лише якісні описи, їх неможливо формалізувати, вимагають нестандартних процедур прийняття рішень, де використовуються досвід, кваліфікація та інтуїція людини.

Існує два способи отримання знань: документальний і експертний. В першому випадку відомості містяться у різноманітних інформаційних джерелах (книги, документи, бази даних, інформаційні системи і т.п.). Експертний спосіб припускає видобування і структуризацію знань з пам'яті людини - експерта, або фахівця в наочній області. Використовується для рішення неструктурованих задач.

 Серед методів першої групи в економіці поширені методи математичної статистики, що вирішують спектр задач, проте не дозволяють знаходити і видобувати знання з масивів даних. Також, високі вимоги до кваліфікації кінцевих користувачів обмежують їх використання.

Серед другої групи поширені так звані експертні системи - спеціальні комп' ютерні програми, що моделюють процеси розмірковування та прийняття рішення людини. Наприклад, експертна система ухвалення рішень на ринку цінних паперів, експертна система оцінки кредитних ризиків, тощо. Висока вартість створення і впровадження експертних систем, нездатність людей знаходити складну і нетривіальну залежність, часто відсутність фахівців, здатних грамотно структурувати свої знання також ускладнюють популяризацію такого підходу.

Специфіка сучасних вимог до обробки інформації робить безсилим як статистичні, так і експертні підходи в багатьох практичних областях, у тому числі і економічних. Тому для аналізу сучасних баз даних методи повинні бути ефективними, простими у використанні, володіти значним рівнем масштабності і певною автоматизованістю.

Методи виявлення знань можна умовно розбити на групи:

  1.  класифікація використовується у випадку, коли класи об'єктів є наперед відомими. Наприклад, віднесення нового товару певної товарної групи (продовольчі, промислові), віднесення клієнта до визначеної категорії (постійний клієнт, новачок). При кредитуванні це може бути, наприклад, віднесення клієнта за певними ознаками до однієї з груп ризику.
  2.   кластеризація - групування об'єктів на основі даних, що описують сутність об'єкту. Об'єкти всередині кластера повинні бути "подібними" один на одного і відрізнятися від об'єктів, що увійшли до інших кластерів. Ступінь подібності об'єктів характеризує точність кластеризації. Для економічних задач використовують термін сегментація. Кластеризація може використовуватися для сегментації і побудови профілів клієнтів (покупців). При достатньо великій кількості клієнтів неможливо розробити для кожного індивідуальний підхід. Тому клієнтів зручно об'єднати в групи - сегменти з однорідними ознаками (групами ознак). Це можуть бути сегменти по сфері діяльності, по географічному розташуванню. Після сегментації можна отримати відомості, які саме сегменти є найактивнішими, які приносять найбільший прибуток, виділити характерні для них ознаки. Ефективність роботи з клієнтами підвищується за рахунок обліку їх персональних переваг.
  3.  регресія, у тому числі і задача прогнозування. Це встановлення залежності вихідних змінних від вхідних. До цього ж типу задач відноситься і прогнозування часового ряду на основі хронологічних даних. Регресія використовується для встановлення залежності в чинниках. Наприклад, в задачі прогнозування залежною величиною є обсяги продажів, а чинниками, що впливають на цю величину, можуть бути попередні обсяги продажів, зміна курсу валют, активність конкурентів і т.д. Або, наприклад, при кредитуванні фізичних осіб вірогідність повернення кредиту залежить від особистих характеристик людини, сфери його діяльності, наявності майна, платоспроможності, тощо.

асоціація - виявлення закономірностей між пов'язаними подіями. Прикладом такої закономірності служить правило, яке вказує, що з події X випливає подія Y. Асоціації допомагають виявляти товари, які люди купують одночасно. Це може бути корисно для більш зручного розміщення товару на прилавках, стимулювання продажів (наприклад: розміщення гірчиці чи кетчупу біля сосисок, чаю біля печива гарантує збільшення сукупних обсягів продажу цих продуктів).

Такі правила називаються асоціативними. Вперше ця задача була розв'язана для знаходження типових шаблонів покупок в супермаркетах, тому іноді її ще називають аналізом споживчого кошика (market basket analysis).

Послідовні шаблони - встановлення закономірностей між  пов'язаними у часі подіями.

Послідовні шаблони можуть використовуватись при плануванні продажів або наданні послуг. Наприклад: якщо людина придбала фотоплівку, то через деякий час віддасть її на проявлення і замовить друк фотографій.

Застосовуючи індуктивні методи до множини вхідних даних можна виявити нелінійні закономірності та видобути певні знання. Проте, незалежно від методу, їх якість та важливість насамперед залежить від якості, змістовності та повноти даних, що будуть проаналізовані.

2. Нейромережеві технології штучного інтелекту

Штучний інтелект є одним з напрямів інформатики, завданням якого є розробка апаратно-програмних засобів, які дозволяють користувачу формулювати і розв'язувати інтелектуальні задачі.

Сьогодні засоби штучного інтелекту включають в себе:

o експертні системи;

o програмний інструментарій розробки експертних систем;

o машинний переклад;

o інтелектуальні роботи;

o навчання і самонавчання;

o розпізнавання образів;

o нові архітектури комп'ютерів;

o ігри та машинна творчість.

Розробки в галузі штучного інтелекту розпочались з ідеї побудови системи, подібної до нервових клітин людини, що була запропонована Дж.Маккалоком та У.Піттом у 1943 р. та втілена у моделі штучного нейрона і принципах побудови штучних нейронних мереж, що здатні до навчання. Але задача практичного втілення розробленої методики виявилась складною і була розв'язана тільки через 20 років американським нейрофізіологом Ф.Розенблаттом в роботі 1962 р. "Принципи нейродинаміки", де була запропонована модель персептрона.

Штучна нейронна мережа - паралельно розподілений процесор, який володіє здатністю до навчання, збереження і представлення знань, набутих на основі досвіду

Штучні нейронні мережі, зокрема багатошаровий персептрон, вирішують задачі регресії і класифікації. Проте, на відміну від дерев рішень, нейронні мережі не здатні пояснити отримане рішення, тому їх функціонування нагадує "чорний ящик" з входами і виходами.

Нейронні мережі є обчислювальними структурами, що моделюють прості біологічні процеси, подібні до тих, що відбуваються в людському мозку. Вони здатні до адаптивного навчання шляхом реакції на позитивні і негативні дії.

Подібність штучної нейронної мережі з мозком полягає в двох аспектах:

o знання набуваються мережею під час навчання;

o для збереження знань використовуються міжнейронні з'єднання.

В основі нейронних мереж лежить елементарний перетворювач - штучний нейрон, названий так за аналогією з його біологічним прототипом. Штучний нейрон складається з входів (синапсів), суматора, нелінійного перетворювача і виходу (аксона). Всі нейрони з'єднуються між собою зв'язками, які називаються вагами і визначаються певними величинами - ваговими коефіцієнтами.

Структуру нейромережі - багатошарового персептрона - можна описати наступним чином. Нейромережа складається з декількох шарів: вхідний, внутрішній (прихований) і вихідний шари. Вхідний шар реалізує зв'язок із вхідними даними, вихідний - із вихідними. Внутрішніх шарів може бути від одного і більше. В кожному шарі міститься декілька одиниць або десятків нейронів.

Перед використанням нейромережі проводиться її навчання, що є ітераційним процесом налаштування вагових коефіцієнтів. Для навчання використовуються спеціальні алгоритми. Найбільше розповсюдження отримали градієнтні методи - алгоритм зворотного поширення похибки (Back Propagation), зв'язаних градієнтів, RProp і інші. Основна особливість нейронних мереж полягає в тому, що в процесі навчання вони моделюють складну нелінійну залежність між вхідними і вихідними даними.

Для перевірки адекватності побудованої нейронної мережі використовується спеціальний метод - тестове підтвердження, в якому аналізується відсоткове співвідношення між вірними вихідними значеннями та помилковими. При незадовільному результаті перевірки проводиться навчання з використанням інакше підібраної навчальної вибірки даних для потрібної корекції вагових коефіцієнтів.

Загалом, нейронні мережі характеризуються такими факторами:

o структура мережі;

o процес пошуку (метод пересилання інформації з входу на вихід);

o метод навчання мережі.

Вибір топологічної структури мережі здійснюється у відповідності із особливостями і складністю розв'язуваної задачі. Для розв'язання деяких визначених типів задач вже існують оптимальні конфігурації нейронних мереж. Якщо задача не може бути зведена до відомого типу, то розробляється новий тип нейронної мережі.

Способи обробки інформації в нейронних мережах поділяються на:

o асоціацію (взаємозв'язок між інформацією (образом) на вході системи і інформацією (образом), що зберігається в системі);

o класифікацію (вказати або оцінити приналежність образу до відповідного класу).

Нейронні мережі недоцільно застосовувати у таких випадках:

o для задач, що мають точний аналітичний алгоритм розв'язання;

o у випадку потреби високої точності результатів;

o для задач, розв'язання яких вимагає багато етапних логічних висновків і тверджень;

o для задач, в яких використовується символьне представлення;

o для задач, які можуть бути розв'язані засобами з меншою собівартістю застосування.

Проте, нейронні мережі ефективно можуть використовуватись для розв'язання наступних задач:

o прогнозування на основі аналізу часових рядів;

o ідентифікації об'єктів і класифікації;

o оптимізації.

Однією із сфер застосування нейронних мереж є розпізнавання та аналіз вбудованої інформації при стеґанографічному (прихованому) захисті об'єктів: цифрових водяних знаків у зображеннях, цифрових копірайтів в програмних продуктах, і т.д.

3. Нові концепції у теорії штучного інтелекту.

На сьогоднішній день штучний інтелект (Artifical Intelligence, AI) залишається одним із найбільш перспективних і нерозкритих напрямків розвитку інформаційних управляючих систем та технологій. До складу понять штучного інтелекту сьогодні відносять нейронні мережі, нечітку логіку, експертні системи, ЕОМ п'ятого покоління, системи моделювання мислення.

Провідним лідером у розробці інтелектуального програмного забезпечення, що ґрунтується на засадах штучного інтелекту, є компанія Numenta, серед останніх розробок якої є програмне забезпечення, що здійснює моделювання суджень і працює за принципами людського мозку.

Програмне забезпечення Numenta працює за принципами самонавчальної штучної нейронної мережі. Топологія мережі відображує ієрархічну природу існуючої реальності подібно до того, як це здійснює наша свідомість, постійно деталізуючи оточуючу дійсність на сукупність складових.

У теоретичних напрямах розвитку систем штучного інтелекту розрізняють дві провідні гілки, які відповідають висхідним та низхідним методам моделювання.

Згідно висхідного методу моделювання теоретичні положення ґрунтуються на основі дослідних даних нейрофізіології.

У відповідності з низхідним методом моделювання теоретичні положення ґрунтуються на відтворенні зовнішніх проявів інтелектуальної поведінки індивідуума. Цей метод моделювання, який також називається функціоналістським, є орієнтованим на широке практичне застосування, тому отримав значну фінансову і академічну підтримку та здобув значне поширення.

За міркуваннями функціоналістів (на чолі з М.Мінскі) спроби використання теорії штучних нейронних мереж до моделювання мозку є недоцільними, оскількивважається, що мозокперевантажений еволюційним навантаженням підсвідомих нераціональних конструкторських рішень. Як показує практика досліджень, системи, розроблені без урахування еволюційної передісторії, часом можуть перевершувати свої біологічні аналоги. Прикладами можуть служити твердження, що автомобіль обганяє найшвидшу тварину світу - гепарда, а літак - обганяє найшвидшого птаха - стрижа. Крім цього, функціоналісти виправдовують своє прохолодне ставлення до нейрофізіологічних концепцій, виходячи з того, що вона знаходиться лише на початкових етапах розуміння будови мозку.

В опозиційній науковій течії - нейрофізіологічній - існують інші думки. Вчені даного напрямку стверджують, що в області штучного інтелекту поки що невідомо нічого, що може бути порівняне з літаком чи автомобілем. Серед найновіших досліджень цього напрямку слід також зазначити проект Blue Brain (www.bluebrain.epfl.ch), у межах якого виконується комп'ютерне моделювання неокортекса миші з точністю до одного нейрона. Різні думки вчених існують також стосовно одного з ключових понять кібернетики - самосвідомості. Дехто з вчених стверджує, що воно може виникнути само собою. Однак є також противники такого твердження (Дж. Серл).

Прикладом програмного забезпечення з інтелектуальними здібностями може служити програма "Бармаглот" Ролло Карпентера (www. jabberwacky.com/chatjoan), яка побудована як самонавчальна система, яка формує репліки з бази даних, яка наповнюється під час розмов з людьми.

Згідно з поглядами іншого вченого - Роджера Пенроуза - людський мозок представляє собою квантовий комп'ютер, який перевершує за обчислювальною потужністю сучасні суперкомп'ютери у декілька порядків.

Ситуацію, що склалася у наукових поглядах з даного напрямку можна охарактеризувати як революційну, і таку, яка передбачає найближчим часом розробки ефективного методу її розв'язання.

Серед провідних вчених, розробників цього напряму, слід зазначити Джеффа Хоукінза (Jeff Hawkins), який приймав активну участь у розробці концепції КПК. Так, за його прямої участі були створені компанії Palm Computing та Handspring, які виготовили КПК PalmPilot та смартфон Treo. У своїй праці [Hawkins J., Blakeslee S. On intelligence, www.onintelligence.org] він пропонує новаторську концепцію моделювання інтелекту, основану на понятті "передбачувальної пам'яті" (memoryprediction framework). Свідомість, наділена функцією передбачувального моделювання, є найціннішим природнім здобутком.

Людський мозок зберігає спогади, щоб постійно робити передбачення про оточуючу дійсність (про те, що людина бачить, відчуває, чує). Така система передбачень працює згідно зі схемою: питання - перевірка - відповідь. Перевірка здійснюється шляхом порівняння з наявною базою даних паттернів. Коли після перевірки питання формується певний паттерн, який відсутній у наявному контексті, то передбачення не справджується, формується негативна відповідь і похибка привертає особливу увагу особи. При цьому суттєве значення має швидкість проходження відповідних процесів згідно із вказаною схемою. Згідно з прикладом, наведеним у праці Д. Хоукінза, поняття передбачення отримує розширене трактування, згідно з яким його перевірка може виконуватися практично миттєво. Подібне трактування процесів обробки інформації можна пов'язати з функціонуванням мозку. Так, про особу, мозок якої зупинив виконувати передбачення про оточуючу його дійсність, кажуть: "втратила свідомість".

З точки зору нейрофізіології, резервуаром свідомості є кора головного мозку, а точніше - зовнішня його частина, яка називається неокортексом, і яка складається з множини ієрархічно пов'язаних шарів. Нейрони першого шару візуальної області неокортекса можна умовно порівняти з комірками CCD-матриці цифрової камери; нейрони вищого рангу збуджуються при виявленні таких структурних графічних елементів, як границі контурів, або рух текстури у певному напрямку. Нейрони найвищих шарів ієрархії виконують аналіз найбільш абстрактних характеристик зображення: наприклад, спеціалістами доведено існування нейронів, які активізуються при наявності у довільній області поля зору певного людського обличчя. Згідно з теоретичними гіпотезами, інформація у такій структурі повинна поширюватися тільки знизу вверх - від рецепторів до нейронів, які відповідають за пам'ять і представлення картини бачення світу. Саме таким чином і передається інформація у створених на сьогодні системах машинного зору. Однак, у неокортексі живої істоти процеси виконуються дещо по-іншому: низхідний потік виявляється більш інтенсивним, ніж вихідний. В результаті такої системи обробки інформації найнижчий шар візуальної області неокортекса може отримувати стільки ж сигналів від вищих шарів, скільки отримує від фоторецепторів сітчатки. Проблема полягає у дослідженні типу інформації, яку переносять ці сигнали. За гіпотезою Д. Хоукінза ці сигнали містять передбачення.

На сьогодні у світі успішно працюють такі провідні наукові центри з проблем дослідження штучного інтелекту як Массачусетський технологічний інститут, Каліфорнійський університет в Берклі, Нейронауковий інститут у Редвуді. З 2005 р. розробки останнього закладу були доведені до рівня комерціалізації, що призвело до створення компанії Numenta, а інститут одержав статус філії Каліфорнійського університету.

На сьогодні компанія Numenta приступила до розповсюдження дослідної версії обчислювальної платформи NuPIC (Numenta Platform for Intelligent Computing), з допомогою якої користувач може самостійно будувати системи, які реалізують принцип передбачувальної пам'яті, і використовувати їх для розв'язання задач, пов'язаних з аналізом та екстраполяцією різноманітних даних. Інсталяційний пакет пакет програми NuPIC поширюється у двох версіях: для операційних систем Linux та Mac OS. Для користувачів ОС Microsoft Windows пропонується запускати на виконання Linux-версію NuPIC з допомогою спеціальної програми фільтра- емулятора. Рекомендований об'єм оперативної пам'яті для ефективної роботи програми повинен складати від 1 до 2 Гбайт. Програмний пакет містить інструменти для створення і виконання додатків, модельованих кортексоподібними структурами, згідно з термінологією Numenta - HTM- системами, а також вихідні коди на C++ та Python, документацію та приклади.

Основним будівельним елементом HTM-cистеми є вузол (node), пов'язаний з нижче- та вищерозміщеними вузлами двонапрямленими зв'язками, подібно до нейронів у моделі неокортекса. Нижній шар вузлів отримує вихідну інформацію від рецепторів, роль яких може виконувати функція читання файлу з даними, і виводити як передбачення інформацію, очищену від завад; створення вузлів верхнього шару трактується як найбільш узагальнений результат аналізу вихідної інформації. Під час функціонування HTM-системи кожний вузол здатний складати і оптимізувати набір з n векторів, які відповідають характерним поєднанням з поступаючих у нього сигналів. Створення вузла описується вектором з n скалярних величин, які у сумі дорівнюють одиниці, що відповідає достовірності кожної з гіпотез.

Пам'ять про властивості об'єктів компактно реалізується у сукупності таблиць станів вузлів відповідної HTM-системи. Врахування часової компоненти у самонавчанні HTM (Hierarchical Temporal Memory) системи потрібно для того, щоб зображення різних об'єктів не асоціювалися у верхніх шарах вузлів з різними гіпотезами. Неперервне спостереження за рухом об'єктів допомагає HTM-системі пов'язати разом їх різноманітні ракурси.

Одним із прикладів практичного застосування HTM-систем може служити демонстраційний додаток Pictures, що призначений для розпізнавання образів. Програмний додаток Pictures навчений розпізнавати у монохромних піктограмах, розмірами 32х32 піксела один із 48 стандартних символів. Така нетривіальна задача розпізнавання розв'язується методом на основі платформи NuPIC, побудованої у вигляді 4шарової HTM-системи. Вузли її нижнього шару, згруповані у матрицю 8х8, сприймають по 16 сигналів, що поступають з фрагментів розмірами 4х4 піксела, а вершиною піраміди є вузол з 48 гіпотезами, найбільш імовірні з яких відображаються справа у діалоговому вікні у вигляді стовпчикової діаграми.

Особливістю HTM-систем є відносна вимогливість до обчислювальних ресурсів. Однак, цей недолік компенсується можливостями розпаралелювання обчислень. У найближчій перспективі очікується поява спеціальних нейрочипів, які реалізують функціональність HTM-систем на апаратному рівні.

Серед замовників, які успішно використовують програмну систему Numenta - компанія EDS A Micro, яка спеціалізується на моніторингу промислових мереж електроживлення і зацікавлена у методах оперативної інтерпретації даних, які поступають від декількох тисяч джерел; автомобілебудівна фірма, яка використовує HTM-системи для виявлення аварійнонебезпечних ситуацій на основі показів з інфрачервоних, ультразвукових та інших бортових сенсорів; нафтогазорозвідувальна компанія (не розголошує своєї назви), що розробляє методи трансформації даних, які отримуються з сейсмологічних джерел та супутників для виявлення перспективних місць буріння свердловин нафто- та газовидобування; адміністрація торгівельного Web-порталу, яка з допомогою інтелектуального програмного забезпечення Numenta планує відслідковувати споживчі нахили користувачів з метою покращення якості їх обслуговування. Також передбачається успішне використання програми для аналізу та інтерпретації результатів спостережень за космологічними та квантовомеханічними явищами, які за складністю перевищують можливості звичайної комп'ютерної обробки.

На сьогоднішній день пріоритетом компанії Numenta - організація масштабного вивчення сфер практичного застосування HTM-систем, тому дослідна версія програмної платформи на сьогодні поширюється з відкритою ліцензією на використання.

Однак, розроблена програмна система має певні недоліки.

Насамперед, навчання HTM-системи є доволі складним процесом. Іншим критичним фактором стосовно відповідності програмних процесів, які моделюються системою Numenta до реальних процесів мислення живих істот є результати ветеринарних фізіологічних досліджень, які показують, що, наприклад, мозок ворони та й деяких інших достатньо розумних птахів майже зовсім немає кори (кортекса), однак це зовсім не зменшує їх розум. Більше того, саме ця категорія птахів досить добре піддається тренуванню.

Розроблені на сьогодні HTM-системи здатні запам'ятовувати і передбачати. Але вони не здатні формувати емоції, які характерні для людини, та й для деяких тварин з родини ссавців. Існує гіпотеза, що відповідні зони зосереджені не лише в кортексі, а й у інших частинах головного мозку. Однак, без програмного відтворення їх роботи неможливе коректне відтворення процесу мислення. Тому така програма, що відтворює роботу частини "беземоційного" мозку не зможе розв'язати навіть елементарні тести на мислення, наприклад, тест Тьюринга.

Тому на сьогоднішній день, за думкою багатьох вчених даного наукового напрямку існує думка, що розроблена програмна система Numenta, яка ґрунтується на теоретичних концепціях моделі штучного інтелекту Д. Хоукінза, є лише початковим етапом у довжелезному ланцюзі наукових досліджень, які повинно буде здійснити людство в процесі свого наукового розвитку.

Для аналізу і розв'язання економічних задач, сучасні інформаційні технології пропонують широкий спектр засобів прийняття рішень із використанням даних, знань, об'єктивних чи суб'єктивних моделей, технологій видобування знань. Методи видобування знань можна умовно розбити на п'ять груп: класифікація; кластеризація (сегментація); регресія; асоціація.

Завданням напряму штучного інтелекту є розробка апаратно- програмних засобів, що дозволяють користувачу формулювати і розв'язувати інтелектуальні задачі. До складу понять штучного інтелекту сьогодні відносять нейронні мережі, нечітку логіку, експертні системи, комп'ютери п'ятого покоління, системи моделювання мислення, тощо. Нейронні мережі можуть ефективно використовуватись для розв'язання задач прогнозування на основі аналізу часових рядів; ідентифікації об'єктів і класифікації; оптимізації.


 

А также другие работы, которые могут Вас заинтересовать

26391. Волосы (pili) 20.5 KB
  Есть подниматель волоса из гладкой мышцы m. Стержень: сердцевина определяет толщину волоса отсутствует в пуховых волосах корковое вещество определяет прочность упругость растяжимость и гибкость волоса содержит пигмент и кутикула – чешуйчатый слой защищает от влаги микрофлоры определяет рисунок волоса.
26392. Вспомогательные приспособления глаза 20 KB
  Наружная поверхность век покрыта волосатой кожей а внутренняя слсзистой – конъюнктивой которая переходит на глазное яблоко. По краю века около границы с конъюнктивой – ресницы у плотоядных и свиней на нижнем веке их нет. На внутреннем ребре края век открываются сальные железы их секрет предотвращают скатывание слёз через край век.
26393. Вспомогательные приспособления мышц 21 KB
  Каждая мышца упакована глубокой фасцией которая имеет футлярное строение. Она препятствует распространению инфекции экономит силу мышечного сокращения имеет собственные сосуды и нервы поэтому интегрирует функционирование костей связок и мышц. Могут находиться под кожей под мышцей под связкой под фасцией под сухожилием.
26394. Головная кишка 21 KB
  ответ и глотки. Глотка pharynx полостной орган в котором перекрещиваются дыхательный и пищеварительный пути: воздух из хоан через глотку проходит в гортань расположенную в вентральной части ее мощная мускулатура передвигает корм из глотки в пищевод расположенный над гортанью. Стенки глотки состоят из 3 слоев: а слизистая оболочка; 6 мышечный слой состоит из парных правых и левых поперечно исчерченных мышц заканчивающихся на дорсальном сухожильном шве глотки raphe pharyngis.
26395. Головной мозг (encephalon) и черепные нервы 22.5 KB
  Ромбовидный мозг представлен продолговатым отходят с 6 по 12 пары черепных нервов и задним мозгом а задний cocтоит из мозжечка и мозгового моста отходит 5 пара черепных нервов. Большой мозг представлен средним отходят 3 и 4 пары нервов промежуточным 2 пара нервов и концевым 1 пара черепных нервов В ромбовидном мозге расположен 4й мозговой желудочек в среднеммозговой водопровод в промежуточном 3й а в концевом 1й и 2й мозговые желудочки.
26396. Гортань larynx 25 KB
  Остов гортани образован 5 хрящами на которых прикрепляются мышца гортани и глотки: кольцевидный хрящ cartilagо cricoidea гиалиновый состоит из пластинки и дужки. На переднем крае пластинки заметны фасетки для сочленения с черпаловидными хрящами. Черпаловидные хрящи соединяются суставами с пластинкой кольцевидного хряща. Основание хряща соединено связкой с телом щитовидного хряща вершина отогнута вперед.
26397. Грудная клетка и полость 23.5 KB
  Мышечный аппарат грудной клетки представлен дыхательными мышцами которые образуют 2 функциональные группы: вдыхатели инспираторы и выдыхатели экспираторы. Грудная клетка замыкает грудную полость cavum thoracis при этом форма грудной клетки определяет объём грудной полости и как следствие функциональные возможности органов грудной полости прежде всего лёгких и сердца При этом важное значение имеет форма диафрагмы которая отделяет грудную и брюшную полости друг от друга и образует купол вершина которого расположена в плоскости 67...
26398. Дыхательный аппарат apparatus respiratorius 20 KB
  Состав у млекопитающих: носоглотка – гортань – трахея – лёгкие. У птиц: носовая полость – носоглотка – верхняя гортань состоит из 3 хрящей отсутствуют щитовидный и надгортанник – трахея длинная тесно связана с пищеводом – у бифуркации трахеи – нижняя певчая гортань макроскорически прозрачна несколько расширена пузыревидно является резонатором звуков – лёгкие очень компактные и врастают в грудной отдел позвоночника.
26399. Закономерности строения и ветвления сосудов. Круги кровообращения 21.5 KB
  Отработанная венозная кровь собирается в посткапилляры – венулы – вены. Вены снабжены клапанами – складками эндотелия. Все вены объединяются в 2 крупные – краниальную и каудальную полые у которых отсутствуют клапаны впадают в правое предсердие.