WWW.KNIGA.SELUK.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА - Книги, пособия, учебники, издания, публикации

 

Pages:     | 1 |   ...   | 8 | 9 ||

«INTERNATIONAL CONGRESS ON COMPUTER SCIENCE: INFORMATION SYSTEMS AND TECHNOLOGIES Proceedings of the International Congress Republic of Belarus, Minsk, October' 31 – ...»

-- [ Страница 10 ] --

Для осуществления как численных, так и символьных вычислений целесообразно выбрать один из универсальных математических пакетов, например, Mathcad (этот пакет входит в учебную программу по дисциплине «Информатика»). На лекциях можно продемонстрировать, как с помощью Mathcad вычисляются пределы, производные, интегралы, исследуются на сходимость ряды, составляются многочлены Тейлора, выполняются действия с матрицами, векторами, комплексными числами, решаются системы линейных алгебраических уравнений и т. д. Можно подготовить иллюстрации с графиками функций одной или двух переменных, с поверхностями и кривыми на плоскости или в пространстве, заданными различными способами.

Mathcad и Advanced Grapher также целесообразно использовать при разработке тематики курсовых работ и научно-исследовательских работ со студентами.

Применение данных интерактивных средств обучения позволит раскрыть такие разделы, как «Функции, последовательности, пределы», «Дифференцирование функций одной переменной», «Исследование функции с помощью производной», «Интегральное исчисление функций одной переменной», «Дифференциальное и интегральное исчисление функций нескольких переменных», «Дифференциальные уравнения», «Аналитическая геометрия и линейная алгебра», «Векторный анализ и элементы теории поля», «Ряды», «Теория вероятностей», «Элементы математической статистики». Использование интерактивных средств в обучении высшей математике позволит строить разнообразные графики на плоскости, проводить исследования функций, получать аналитическое выражение для производной, выполнять численное интегрирование, графически решать неравенства, осуществлять регрессионный анализ и т. д.

Использование интерактивных средств обучения в системе с классическим обучением в педагогических вузах позволит построить современный курс высшей математики.

Широко используются интерактивные геометрические среды, специально разработанные для образовательных целей и позволяющие выполнять на компьютере геометрические построения, состоящие из геометрических объектов, а также задавать соотношения между этими объектами. Интегративная геометрическая среда позволяет изменять геометрические объекты в рамках заданных соотношений. При этом остальные геометрические объекты также изменяются, сохраняя заданные соотношения неизменными. Выделяют следующие интегративные геометрические среды: Живая геометрия; математический конструктор; GeoNext; GeoGebra.

На базе современных интерактивных сред разрабатываются интерактивные учебники, в настоящее время проводится широкомасштабная экспериментальная программа по внедрению интерактивных учебников по геометрии в среде GeoNext и GeoGebra, которые позволяют повысить мотивацию к обучению, стимулировать исследовательскую деятельность учащихся, а также направлены на реализацию деятельностного и дифференцированного подходов.

Использование интерактивных средств обучения в системе с классическим обучением в педагогических вузах позволит построить современный курс высшей математики.

ЛИТЕРАТУРА

1. Ноздрачева, В. П. О модернизации курса высшей математики в военном вузе с помощью некоторых информационных технологий / В. П. Ноздрачева // Интернет-журнал «Вопросы интернет образования». Режим доступа: http://vio.uchim.info/Vio_46/cd_site/articles/art_2_5.htm 2. Розина, И. Н. Педагогическая компьютерно-опосредованная коммуникация. Теория и практика / И. Н. Розина. М.: Логос, 2005. 460 с.

3. Ахлебинин, А. К. Использование интерактивного компьютерного самоучителя решению задач в преподавании химии / А. К. Ахлебинин. // Наука и школа. 1998. №2. С. 33–37.

4. Чайков, С. Г. Методика обучения учащихся решению химических задач с использованием информационных технологий: дисс. … канд. пед. наук: 13.00.02. М., 2005.

ОБНАРУЖЕНИЕ ПАТОЛОГИЙ ГОЛОСОВОГО ТРАКТА

НА ОСНОВЕ ВЕЙВЛЕТ-АНАЛИЗА И МЕТОДА ОПОРНЫХ

ВЕКТОРОВ

E-mail: soroka.a.m@gmail.com, i.kheidorov@gmail.com В статье рассматривается проблема обнаружения патологий голосового тракта. Предложен алгоритм обнаружения патологий на основе вейвлет-анализа и метода опорных векторов. Экспериментальное исследование характеристик показало, что точность предложенного метода выше точности распознавания патологий методом на основе нейронных сетей и мелчастот кепстральных коэффициентов на 8,8 %.

Ключевые слова: патологии голосового тракта, метод опорных векторов, вейвлет анализ

ВВЕДЕНИЕ

В современной медицине значимую роль играют не только аппаратные средства, но и методы и алгоритмы интеллектуальной обработки информации, которые нашли применение на всех стадиях течения заболевания – от ранней неинвазивной диагностики до реабилитационного мониторинга. Одним из наиболее доступных сигналов для обработки является, несомненно, речь пациента, акустический анализ которой в первую очередь способен выявить заболевания и патологии речевого тракта, в том числе и на ранних стадиях, когда визуальный осмотр еще не позволяет установить точный диагноз.

Процесс генерации речевого сигнала начинается с преобразования абстрактного сообщения в мозге человека в последовательность нервных импульсов, под воздействием которых происходит изменение физических параметров голосового тракта человека, что в свою очередь ведет к образованию различных звуков при прохождении через голосовой тракт потока воздуха. Наибольший интерес для анализа представляют звуки вокализованной группы, к которым относятся все гласные фонемы, а также сонорные звуки. Процесс образования таких звуков связан с периодическим напряжением и расслаблением голосовых связок, в результате которого возникает квазипериодическая последовательность импульсов потока воздуха, возбуждающая голосовой тракт человека. Так же изменения параметров голосового тракта могут быть вызваны объективными факторами, которые свидетельствуют о наличии тех или иных заболеваний у диктора, например, органическими образованиями в гортани или функциональным состоянием голосовых связок, в результате чего происходит изменение основных характеристик речевого сигнала Установлено, что классический акустический анализ, основанный на Фурьеанализе [1], не обеспечивает уровня частотно-временного разрешения, при котором точность обнаружения патологий окажется сравнимой с точностью работы специалиста-фониатора. Так же показано, что для анализа кратковременных и нестационарных сигналов, к которым относятся фонемы речи, предпочтительными являются методы на основе вейвлет-преобразования [2,3].

МЕТОД ОПОРНЫХ ВЕКТОРОВ

Метод опорных векторов, впервые предложенный Вапником [4], представляет собой бинарный линейный классификатор. Рассмотрим проблему классификации для выборки, состоящей из k обучающих векторов, которые принадлежат двум разным классам {(x1, y1 ),...,(xk, yk )}, где xi R n – вектор признаков, а yi {1,1} – метка класса. Если прецеденты данной выборки могут быть разделены гиперплоскостью w x+b = 0 в пространстве признаков, говорят о случае линейно разделимых классов.

При этом существует бесконечное множество возможных разделяющих гиперплоскостей. В методе опорных векторов разделяющая гиперплоскость максимизирует отступы между классами [4]. Можно показать, что итоговый вид функции классификации описывается следующим выражением:

где ai – коэффициенты Лагранжа, полученные из решения задачи квадратичной оптимизации.

Если прецеденты обучающей выборки не разделимы в пространстве признаков с использованием гиперплоскости, говорят о случае линейно неразделимых классов.

Для решения проблемы классификации используется метод опорных векторов с мягким зазором или ядерные функции, осуществляющие нелинейное преобразование пространства признаков в расширенное пространство, в котором классы будут линейно разделимы.

Для заданной ядерной функции K ( x, y ) классификатор определяется выражением:

Одной из модификаций метода опорных векторов является одноклассовый метод опорных векторов [5], преимущество которого заключается в том, что данный метод позволяет получить функцию классификации при наличии обучающей выборки, состоящей из прецедентов только одного класса. Функция принятия решения в данном случае так же описывается выражением (2).

ВЕЙВЛЕТ - ПРЕОБРАЗОВАНИЕ

Теория вейвлет-преобразования, которая легла в основу вейвлет-анализа, сформировалась в начале 90-х годов XX века. Основной принцип вейвлет-преобразования есть разложение исходного сигнала по ортогональному базису, в качестве последнего используется набор солитонообразных функций двух аргументов – масштаба и сдвига.

Непрерывное вейвлет-преобразование описывается парой следующих выражений:

где коэффициент нормировки C определяется исходя из следующего условия:

набором базисных функций, которые обладают рядом специфических свойств.

Данные функции можно представить как масштабированные и сдвинутые во времени прототипы одной базисной функции (t ), которую принято называть вейвлетом.

Здесь аргумент a называется масштабом функции и является аналогом частоты в преобразовании Фурье. Аргумент b представляет собой сдвиг базисной функции во времени, т. е. (t b). Базисные функции локализованы на некотором интервале времени. Данное свойство выступает аналогом операции взвешивания окном в кратковременном Фурье-анализе, но, в отличие от последнего, интервал локализации изменяется масштабным коэффициентом, следовательно, происходит адаптация базисной функции к анализируемому сигналу. Следует отметить, что, в соответствии с принципом неопределенности, при увеличении разрешения в частотной области уменьшается разрешение во временной области и наоборот.

АЛГОРИТМ ОБНАРУЖЕНИЯ ПАТОЛОГИЙ ГОЛОСОВОГО ТРАКТА

Алгоритм обнаружения патологий голосового тракта включает в себя два этапа – выделение признакового описания участка сигнала и последующая классификация данного участка.

Вокализованные звуки представляют собой участки речевого сигнала, образованные вследствие возбуждения резонаторных камер голосового тракта человека последовательностью квазипериодических импульсов, возникающих в процессе работы голосовых связок. Данные звуки обладают выраженной формантной структурой, в которой форманты соответствуют резонансным частотам голосового тракта. Кроме того, в данных звуках всегда присутствует шумовая компонента, обусловленная наличием препятствий в голосовом тракте. Таким образом, речевой сигнал можно представить в виде суммы гармонической и шумовой компонент x ( n) = s ( n) + w( n), где s ( n) – гармоническая компонента сигнала, а w( n) – аддитивный шум.

Наличие патологий голосового тракта приводит к изменению физических параметров голосового тракта, что изменяет акустические характеристики вокализованных звуков. Например, наличие новообразования голосовых связок приводит к изменению периода их колебаний, что влечет за собой изменение частоты основного тона. Так же существенно меняется способность голосовых связок сохранять постоянную частоту колебаний в процессе фонации.

Для построения системы обнаружения патологий голосового тракта сделаем ряд предположений. Во-первых, предположим, что изменение физических характеристик голосового тракта приведет к существенному перераспределению энергий шумовой и гармонической компонентами сигнала. Во-вторых, предположим, что существенную роль играет распределение энергии компонент по частотному диапазону.

В таком случае алгоритм построения векторов признаков опишем следующей последовательностью действий:

1. Выделение частоты основного тона сигнала.

2. Оценка энергии гармоники основного тона:

E f ( n ) = W f2 ( a, n ), где W f – коэффициенты вейвлет-преобразования гармоники основного тона, n – анализируемый отсчет сигнала.

3. Разделение сигнала на шумовую w( n) и гармоническую s ( n) компоненты.

4. Оценка энергии шумовой и гармонической компонент сигнала в нескольких частотных диапазонах Ai :

где Ws, Ww – коэффициенты вейвлет преобразования, соответственно, гармонической и шумовой компонент сигнала, i = 1...N – номер рассматриваемого частотного диапазона, N – количество анализируемых диапазонов.

5. Оценка отношений энергий гармонической, шумовой компонент сигнала соответственно и энергии гармоники основного тона:

В качестве классификатора будем использовать одноклассовый метод опорных векторов и следующий подход к обнаружению патологий: проведем обучение одноклассовых моделей для каждого гласного звука здоровых дикторов и дикторов с патологиями голосового тракта. При тестировании сигнала будем рассматривать только те участки, которые были классифицированы обученными моделями. Итоговое решение будем принимать исходя из количества распознанных участков моделями здоровых дикторов и дикторов с патологиями.

ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ

Для определения характеристик предложенного алгоритма распознавания патологий голосового тракта проведено экспериментальное исследование. В качестве обучающих данных использовалась база речевых сигналов, подготовленная на кафедре радиофизики и медиа технологий Белорусского государственного университета и государственного учреждения «Республиканский научно-практический центр оториноларингологии», специалистами которого была проведена ручная сегментация обучающей выборки по типам патологий голосового тракта и степени выраженности патологии. Общий объем базы данных составил 3,7 Гб, записи сделаны в формате wav pcm, с частотой дискретизации 44,1 kHz, размер сэмпла равен 32 битам. В среднем каждая запись содержит 10с речевого сигнала диктора. При этом 62% записей принадлежат дикторам в возрасте от 18 до 22 лет. В качестве ядра метода опорных векторов использовалась радиальная базисная функция, оптимальные параметры для каждого классификатора определены экспериментально с использованием методов поиска по сетке и кроссвалидации.

Результаты сравнительного тестирования предложенного метода и метода на основе нейронных сетей (НС) и мелчастот кепстральных коэффициентов (МЧКК) представлены в таблице.

Из анализа результатов можно сделать вывод, что наиболее точно классифицируются фонемы [a], что объясняется спецификой работы голосового тракта, а так же большим количеством обучающих данных в сравнении с другими фонемами.

Средняя точность для всех

ЗАКЛЮЧЕНИЕ

Использование предложенного алгоритма построения признакового описания речевого сигнала и алгоритма классификации на основе одноклассового метода опорных векторов позволяет получить точность обнаружения патологий равную 94,2%, что на 8,8% выше точности распознавания на основе нейронных сетей и мелчастот кепстральных коэффициентов.

ЛИТЕРАТУРА

1. Кухарчик, П. Д. Определение патологий голосового тракта путём анализа речевого сигнала на основе вейвлетного преобразования и метода опорных векторов / П. Д. Кухарчик, И. Э. Хейдоров, Ши У, Цзинбинь Янь // Электроника Инфо. 2008. №12. С 44– 2. Antonioua, I. Wavelets and stochastic processes / I. Antonioua, K. Gustafon // Mathematics a. Computers in Simulation. 1999. Vol. 29. P. 81– 3. Mallat, S. Singularity detection and processing with wavelets / S. Mallat, L.H. Wen // IEEE Trans. on Information Theory. 1992. Vol. 38, № 2. P.617– 4. Vapnik, V. N. The nature of statistical learning theory / V. N. Vapnik. New York; London : Springer, 1998. 189 p.

5. Tax, D. Data domain description by support vectors / D. Tax, R. Juin // Europian symposium on artificial neural networks : ESANN’99 : proc. Of th 7th Europ. Symp., Brugers, Apr. 1999 / ed. M. Verleysen. Brussels, 1999. P.251–

РАЗРАБОТКА СИСТЕМЫ РАСПОЗНАВАНИЯ СЛИТНОЙ РЕЧИ

С ИСПОЛЬЗОВАНИЕМ СЕМАНТИЧЕСКОГО АНАЛИЗА

Данная работа является первым шагом на пути к созданию автономного интерфейсного компонента, который станет значимой частью целой технологии проектирования интеллектуальных систем (Эта технология разрабатывается в рамках открытого проекта OSTIS). Доступ и хранение информации в таких системах осуществляется с помощью методов семантического анализа. Благодаря использованию такого относительно автономного компонента, даже у разработчиков, которые не являются специалистами в сфере анализа речевых сигналов, в перспективе появится возможность создания речевых интерфейсов для своих приложений.

Ключевые слова: распознавание речи, речевой интерфейс баз знаний, семантический анализ, программный пакет HTK.

ВВЕДЕНИЕ

Анализируя современные тенденции развития интерфейсов информационных и интеллектуальных систем, небезосновательным выглядит факт, что после интерфейса командной строки (1960 – 80-е г.г.), и графического интерфейса (1980 – 2000-е г.г.) будущее принадлежит комплексному пользовательскому интерфейсу, позволяющему задействовать, кроме зрения, разные органы чувств человека, в первую очередь – его слух. Многие факты говорят в пользу этого утверждения:

• речь – наиболее популярная форма коммуникации между людьми;

• нет необходимости в непосредственном контакте при взаимодействии, поскольку микрофон и динамики могут располагаться на расстоянии;

• руки и глаза остаются свободными, что делает голосовой интерфейс приоритетным в некоторых ситуациях, таких, как, например, процесс вождения транспортного средства либо параллельного использования нескольких приложений одновременно;

• на данный момент в мире существует порядка 1,3 миллиарда мобильных телефонов, что в пять раз превышает количество компьютеров, подключенных к интернету. Это обеспечивает огромный рынок для будущих систем автоматического диалога;

• отдельным пунктом стоит выделить обратную связь. Благодаря достаточно высокому уровню интеллекта современных систем появляется возможность увеличить точность распознавания и понимания устной речи.

В свете всех перечисленных тенденций вполне закономерным и актуальным выглядит разработка речевых способов управления для поддержки средств навигации и поиска в семантических сетях. Как правило, от таких приборов требуется, с одной стороны, обеспечивать обработку большого объема запросов, а с другой – в процессе использования как можно меньше отвлекать пользователя от объекта поиска. При этом неизбежно растет число элементов графического меню, что в свою очередь замедляет время поиска нужной опции и заставляет отвлечься от искомого объекта [1].

Целью данной работы является выбор подходящей технологии и методики для создания модуля распознавания слитной русской речи, призванного обеспечить использования голосового ввода для осуществления запроса к базам знаний. При этом акцент ставится на разработку именно относительно автономного компонента, который мог бы быть использован разработчиком, не имеющем высокой квалификации в сфере обработки сигналов или теории Скрытых Марковских Моделей. Такая подсистема должна стать частью целой технологии проектирования интеллектуальных систем, разрабатываемой в рамках открытого проекта OSTIS.

Теория СММ была выбраны как методологическая основа для создания модуля распознавания речевых запросов. В качестве набора инструментов, реализующего все основные функции и алгоритмы был использован пакет HTK.

ТЕСТОВЫЕ ДИАЛОГИ ДЛЯ ИНТЕРФЕЙСА СЕМАНТИЧЕСКИХ

БАЗ ЗНАНИЙ

При создании прототипа речевого интерфейса для осуществления различного рода запросов в семантических базах знаний были выбраны ряд тестовых диалогов пользователя с системой с целью выбора необходимых в общении слов и фраз для последующего создания СММ с соответствующими параметрами. Примером такого рода диалогов могут служить следующие ситуации:

Вопрос: Что это такое (В окне геометрического редактора выделяется некоторая Ответ: Это треугольник со сторонами a, b и углом С, равным 45 градусам, между ними.

Вопрос: Как они связаны (В окне системы выделяются понятия треугольника и Ответ: Эти два понятия связаны в теореме синусов и теореме косинусов.

Вопрос: Что из этого следует?

Ответ: Это дает возможность расчета численных характеристик конкретного Вопрос: Приведите пример.

Ответ: Зная длины двух сторон и значение угла между ними, можно рассчитать длину третьей стороны.

Вопрос: Приведете примеры другой теоремы.

Ответ: Сумма углов треугольника равна 180 градусам.

И т. д.

Из существующего ограниченного набора запросов во-первых: был сформирован набор базовых слов, сгруппированный по назначению.

ВЫБОР СПОСОБА ПОДГОТОВКИ ДАННЫХ ДЛЯ СОЗДАНИЯ

МОДЕЛЕЙ

В качестве вариантов рассматривались системы со следующими характеристиками: монофонные без разметки обучающих данных, монофонные с разметкой обучающих данных и системы на основе связанных трифонов, где обучение проводилось без разметки обучающих данных. Критерием для сравнения выступали среднее время распознавания на один фрейм, точность распознавания по фразам, а также точность распознавания по отдельным словам. Обучение осуществлялось на одинаковом ограниченном наборе из 50 фраз, содержащих в сумме 217 слов. Результаты представлены в таблице.

данных без разметки данных данных На основе выше приведенной информации выбор был сделан в пользу системы на основе монофонов, для создания которой использовались данный, размеченный вручную. Решающим фактором стал высокий процент точности распознавания по фразам при приемлемом времени распознавания. Такие результаты можно объяснить следующим образом: исходя из условия ограниченности словаря и возможных последовательностей слов, целесообразным выглядит разметить ограниченное число обучающих файлов вручную, с другой стороны эта же ограничение препятствует созданию качественных трифонов, тем более связанных.

АЛГОРИТМ СОЗДАНИЯ СИСТЕМЫ СММ ДЛЯ РАСПОЗНАВАНИЯ

Полный цикл создания хорошо обученных СММ включает два основных этапа:

подготовка данных для обучения и непосредственно само обучение (рис. ).

Рис. Алгоритм создания набора СММ для распознавания Подготовка данных Шаг 1 – Грамматика. Первым шагом было создание грамматики каждого из запросов. Грамматика в данном случае представляла собой сетку, которая включала в себя строгие последовательности слов, допустимых для распознавания.

Шаг 2 – Словарь. Спускаясь ниже по иерархии от фраз к отдельным словам, создавался упорядоченный словарь слов, входящих в запросы. Закрытый словарь предоставлял возможность создания уникальной фонетической транскрипции, адаптированной для конкретного диктора и учитывающей региональные особенности произношения некоторых слов русского языка.

Шаг 3 – запись данных. На данном этапе осуществлялось создание набора файлов формата wav, содержащих несколько вариантов (не менее трех) записей базовых слов, произнесенных диктором. В качестве инструмента выступала функция HSLab из пакета HTK, которая позволила не только записать данные, но и разметить их по содержащимся фонемам. Всего для обучения использовалось 113 фраз, состоящих в сумме из 613 слов.

Шаг 4 – кодирование данных. Финальным шагом в подготовке данных является обработка речевых сигналов и преобразование их в последовательности векторов признаков. В данной работе в качестве таких векторов были использованы кепстральные коэффициенты шкалы мел-частот [2, 4].

Обучение С этого момента начинается создание набора обученных СММ, эмиссионные вероятности, в которых описываются смесью плотностей распределения Гауссовых случайных величин [5].

Шаг 5 – Создание начальных монофонов. Первым шагом в создании системы СММ является определение модели прототипа. Для системы, основанной на фонемах, хорошей топологией является лево-правая схема с тремя состояниями [5]. Начальные значения для модели каждой фонемы рассчитывались на основании обучающих данных с помощью алгоритма Витерби [6]. Программным средством здесь выступила функция HInit.

Шаг 7 – Пересчёт коэффициентов монофонов. Параметры модели каждой фонемы затем пересчитывались по методу Баума-Уэлча (алгоритм прямого-обратного хода или алгоритм максимизации правдоподобия) [5]. Пересчет производился с помощью функции HRest.

Шаг 8 – Создание системы СММ для распознавания фраз. Последним шагом стала корректировка параметров моделей фонем, но уже не отдельно, а в связке друг с другом в контексте как отдельных слов, так и целых предложений. Такая интегрированная система создавалась функцией HERest.

ЗАКЛЮЧЕНИЕ

Результатом работы стало решение конкретной задачи, а именно создания модуля распознавания речи для осуществления голосовых запросов к интеллектуальной базе знаний. Цель была достигнута, что стало следствием решения следующих подзадач:

1. выбран способ реализации системы с учетом требований к точности и времени распознавания;

2. создан прототип модуля, который способен с высокой точностью распознавать широкий спектр запросов к базе знаний по геометрии. Все запросы являются русскоязычными;

3. выработана методика создания модуля распознавания для русскоязычных фраз, которая может быть применена человеком, который не является специалистом в сфере речевых, для создания модуля распознавания запросов к базам знаний в других сферах помимо геометрии.

ЛИТЕРАТУРА

1. Landauer, T. K. Selection from alphabetic and numeric menu trees using a touch screen: Breadth, depth, and width / T. K. Landauer, D. W. Nachbar // New York : ACM, 1985.

2. Oppenhejm, A. V. From Frequency to Quefrancy: A History of the Cepstrum / A. V. Oppenhejm, R. W. Schafer // IEEE Signal Processing Magazine. 2004. Vol. 21. Р. 95– 3. Бовбель, Е. И. Скрытые марковские модели и машины на опорных векторах от теории к практике / Е. И. Бовбель, И. Э. Хейдоров, Ю. В. Пачковский. Минск : БГУ, 2008.130 c.

4. Опенгейм, А. В. Цифровая обработка сигналов / А. В. Опенгейм, Р. В. Шафер. М : Техносфера, 1979. 856 с.

5. Rabiner, L. A. Tutorial on Hidden Markov Models and Selected Applications in Speech / L. A. Rabiner // Recognition. IEEE Press, 1988. Р. 257–286.

TOWARDS CROSS-MODAL SEARCH AND SYNCHRONIZATION

OF MUSIC AND VIDEO STREAMS

Fraunhofer Institute for Digital Media Technology IDMT With music markets shifting, the commercial use of music in video productions for film, TV or advertisement worldwide grows increasingly important. Our novel research project «SyncGlobal» addresses this global music licensing opportunity by developing adequate time-aware search technologies to efficiently handle sync licensing requests. The goal is to find the best acoustic or semantic matches to any video sequence from large-scale intercultural music catalogs with minimum human efforts involved. In this paper we outline conceptual issues and technology requirements derived from different application scenarios. We briefly introduce music and video segmentation, cross-modal semantic mapping strategies and time-aware music search techniques based on audio signal analysis.

Key words: music sync search, segmentation, time-aware metadata, crossmodal semantic mapping.

INTRODUCTION AND PROJECT GOALS

The commercial use of music in video productions for film, TV or advertisement, also known as sync-licensing, is a growing market segment in the otherwise declining music business. Our current research in the SyncGlobal project is targeted towards the development of automated tools that shall support music supervisors and film producers during the creative process of assigning music excerpts to video streams. The goal is to find and synchronize the best matching music to any video sequence from large-scale intercultural music catalogs with a high level of automation.

Currently a typical work-flow involves a lot of human expertise and efforts. It starts with the segmentation of the video stream into logical units or scenes. The producer may wish to underlay some of these scenes with music in order to induce, intensify or attenuate a certain narrative element or emotional state at the recipient either in accordance with, or in contrast to, the visual modality. For this purpose producers usually describe the desired music with complex statements using some sort of vocabulary, such as «classical music, mystic, increasing intensity over time». Sometimes the producer already selects an exemplary piece of music which is familiar to her/him in order to further clarify his intentions.

The requirements are specified in the so called “pitch for music” which is send out to the music labels, sometimes in combination with the original video clip, but usually without.

Music supervisors at the record labels who have a deep knowledge of the respective catalogs are searching for the desired music and propose it to the producer. The returned list of tracks is then prelistened and evaluated by the producer. The decision is usually felt under consideration of qualitative aspects and related licensing costs. The decision-making process can greatly benefit from arranging the music already along the timeline of the video before listening which is of course an expensive undertaking when not supported by automated synchronization techniques.

Our research aims at providing advanced time-aware music analysis, similarity and synch solutions that facilitate the whole work-flow while giving access to much bigger online repositories to choose the music from. Furthermore, a signal-based technology for keyword spotting from vocals tracks shall be developed in order to further extend the semantic search capabilities. Common semantic mappings between video and music shall be learned using machine learning in order to partially automate the authoring process whenever applicable. The current research builds on the results of our previous project in hybrid, adaptive music analysis, search and recommendation for global music, namely «Globalmusic2one» [3]. Representative results can be reviewed in [9] or [8].

STATE OF THE ART

Online music search today is usually limited to expert metadata or user tags, e.g. genre or mood, describing full tracks. According to their website, SynchStage [15] – a proprietary online video compositing suite for sync-licensing incorporates as well music analysis algorithms to tag the songs with relevant audible metadata on upload. The integrated authoring environment allows the user to manually offset waveforms against the video to determine the potential of a track by previewing. A similar system, however serving a different purpose was proposed by Nakano et al. [10]. DanceReProducer automatically generates dance videos by segmenting and concatenating existing dance video sequences. It employs the two types of relationships between an image sequence and music. First, in local relationships, the visual rhythms such as dance motion, camera work, etc. are synchronized with musical tempo, rhythm, and accent. Second, in content relationships, the music structure and temporal continuity of image sequence are taken into account. Doppler et al. [4] and Rubish et al. [13] present a framework for rapid score music prototyping (RapScoM) specialized on the creation of music for film and video production. The tool supports media producers by exposing a set of high-level parameters tailored to the vocabulary of films (such as mood descriptors, semantic parameters, film and music genre etc.). The semiautomated process of music production uses algorithmic composition strategies to either generate new musical material, or process exemplary material, such as audio or MIDI files.

It is natural for humans to associate the content of video and the lyrics of the accompanying music. The task of keyword spotting is well-know in speech processing [12], however it remains challenging in a case of music. Gruhne et al. [6] present an approach for phoneme recognition in popular music based on the low level acoustical features and classification techniques. A recent work of Frostel et al. [5] presents a regression model of «backness» and «height» for vowel phonemes based on common acoustic features.

APPLICATION SCENARIOS

This section sketches some of the application scenarios that are addressed within the SyncGlobal project.

Scenario 1: Video and matching music track are available, however for some reasons (i. e. licensing issues) the music need to be exchanged. The task is to find suitable music track that shares similar characteristics in timbre, instrumentation, dynamics and structure by using the available audio track as a query.

Scenario 2: Only video is available. The task is to find an audio track that matches in both structure and appearance. Here two paradigms can be explored. First, some generic low-level rules for audio and video content are applied. For instance, when the picture in the video opens, the sound should open, become more bright, as well. Second, both video and music are segmented in homogeneous regions and these segments are associated with the metadata attributes. Based on these metadata, the optimal sound track can be found.

Scenario 3 provides a possibility to search for music by using free text keywords or predefined «catchy words». Both can be detected in the sung lyrics automatically using a novel word-spotting technology for music.

SYNCGLOBAL SYSTEM ARCHITECTURE

The architecture of the proposed audiovisual online authoring system is depicted in fig. 1. It consists of an interactive user interface, several web-services providing the system functionality and distributed databases and content repositories. The user interface implements all interactions required during the creative authoring process, starting from video segmentation and scene description over music search and browsing to music assignment and synchronization. Although the work-flow is seamlessly supported by automated functionality provided through the web-services creative user decisions based on audiovisual previews remain possible at all times. Administrative tasks, such as content ingestion, metadata enrichment or user management are handled by a separate application.

SYNC-SEARCH PARADIGM AND

CROSS-MODAL SEMANTIC MAPPING

Music and video, both are temporal streams which exhibit varying semantic qualities over time. The corresponding metadata should therefore as well be accurately assigned along the time-line of the signals in order to enable sequence-based search and usage scenarios. We are currently investigating advanced temporal analysis methods for music and video based on regression models and dynamic texture modeling [1]. The purpose is to automatically transcribe temporal structures, gradients or progressions of musical, visual or perceptual properties as well as specific cue points within a sound file or a video clip.

Rhythmic patterns are captured from music using temporal onset repetitions and from video by analyzing the dynamics of motions or cuts.

Instead of just searching for full tracks that roughly fit the requested qualities, our sync-search engine is designed to find particular segments within the tracks that are precisely in sync with the desired temporal semantics. This is essential for linking music and video in a meaningful way. Supported sync-search criteria involve among others duration, beginning or ending of a certain property, a certain shape of a property gradient or specific rhythmic patterns. In contrast to regular search expressions, temporal specifications of the search criteria are an integral part of any sync-search query.

Sync-search is deployed in our project to find music segments that match the semantics of a video scene in a certain way. However, divers mapping strategies between visual and musical characteristics seem eligible. First observations suggest that mappings are more plausible on higher levels of abstraction, e.g. rhythmic synchronicity or mood, while signal-related semantic descriptions will indeed require translations between the both modalities. Typical semantic mappings shall be further investigated during an empirical user study on the basis of TV commercials and game trailers.

MUSIC AND VIDEO SCENE SEGMENTATION

The structure of video and audio content is of particular importance for the syncsearch task. It is natural when similar video content is accompanied with a similar music. In order to tackle this problem it is important to find the segment borders and the similar and/or repeating sections for both audio and video.

The task of structure analysis is well-studied for both video and music. A survey of shot boundary detection (SBD) of the research work of the annual Text Retrieval Conference Video Retrieval Evaluation (TrecVid) can be found in [14]. A less specific survey on scene segmentation and many other important issues to video analysis and video retrieval can be found in [7]. In SyncGlobal project we propose to use a two-pass algorithm for scene segmentation which uses content-based features in the first step and video production grammar rules as scene merging criteria in the second step.

An overview of state-of-the- art methods for computational music structure analysis is given in [11]. Here an audio recording is divided into temporal segments corresponding to musical parts which are further grouped into musically meaningful categories. For music segmentation in SyncGlobal project we apply a method derived from the DISTBIC algorithm successfully applied for Speaker Segmentation [2]. Firstly, the temporal positions of all possible segment changes are detected using a Bayesian Information Criterion (BIC) based novelty measure on the low-level acoustical feature vectors. Secondly, segment-class identifiers are assigned for each segment based on the BIC in an agglomerative hierarchical clustering procedure. In addition some post-processing is made restricting the minimal allowed segment length.

CONCLUSIONS AND OUTLOOK

The future of successful music marketing will depend on how well a music catalogue connects with online databases, search tools and applications. We presented several conceptual and technical issues to be solved when developing an online music synclicensing platform. We outlined the necessity of advanced techniques for temporal information retrieval from video and music signals in video post-production. Smart, cross-catalogue sync-search applications will not only facilitate the work of music supervisors and film producers, the almost unlimited access to distributed online catalogues is expected to further stimulate the whole music licensing business through better competition and more applicable license and pricing models.

ACKNOWLEDGEMENTS

SyncGlobal is a 2-year collaborative research project between Piranha Musik & IT AG from Berlin and Bach Technology GmbH, 4FriendsOnly AG and Fraunhofer IDMT in Ilmenau. The project is co-financed by the German Ministry of Education and Research in the frame of an SME innovation program (FKZ 01/S11007).

LITERATURE

1. Barrington, L. Modelling Music as a Dynamic Texture / L. Barrington, B. Chan, G. Lanckriet // IEEE Transactions on Audio, Speech, and Language Processing. Vol. 18, №. 3. Р. 602–612. Mar. 2010.

2. Delacourt, P. DISTBIC: A speaker-based segmentation for audio data indexing / P. Delacourt. // Speech Communication, Vol. 32, №. 1–2. Р. 111–126. Sep. 2000.

3. Dittmar, C. Songs2See and GlobalMusic2One - Two ongoing projects in Music Information Retrieval at Fraunhofer IDMT / C. Dittmar, H. Gromann, E. Cano, S. Grollmisch, H. Lukashevich, J. Abesser. // In Proc. of the 7th International Symposium on Computer Music Modeling and Retrieval. Malaga, Spain, 4. Doppler, J. RaPScoM: Towards composition strategies in a rapid score music prototyping / J. Doppler, J.Rubisch, M. Jaksche, H. Raffaseder. // In Proc. of the Audio Mostly Conference on Interaction with Sound. Coimbra, Portugal, 2011.

5. Frostel, H. The Vowel Worm: Real-time mapping and visualization of sung vowels in music / H. Frostel, A. Arzt, G. Widmer. // In Proc. of the 8th Sound and Music Computing Conference. Padova, Italy, 2011.

6. Gruhne, M. Phoneme Recognition on Popular Music, In Proceedings of the 8th International Conference on Music Information Retrieval / M. Gruhne, K. Schmidt, C. Dittmar. // Vienna, Austria, 2007.

7. Hu, W. A Survey on Visual Content-Based Video Indexing and Retrieval / W. Hu, N. Xie, L. Li, X.Zeng, S. Maybank. // IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews, Vol. №. 99. P. 1–23. Mar 2011.

8. Kruspe, A. Automatic Classification of Musical Pieces into Global Cultural Areas. In Proc. of the AES 42nd Conference on Semantic Audio / A. Kruspe, H. Lukashevich, J. Abeer, H. Gromann, C. Dittmar. // Ilmenau, Germany, 2011.

9. Lukashevich, H. From Multi-Labeling to Multi-Domain-Labeling: A Novel Two-Dimensional Approach to Music Genre Classification / H. Lukashevich, J. Abeer, C. Dittmar, H. Gromann. // In Proc. of the 10th Proceedings of the International Symposium on Music Information Retrieval Conference. Kobe, Japan, 2009.

10. Nakano, T. DanceReProduced: An automatic mashup music video generation system by reusing dance video clips on the Web. In Proc. of the 8th Sound and Music Computing Conference / T. Nakano, S. Murofushi, M. Goto, S. Morishima. // Padova, Italy, 2011.

11. Paulus, J. Audio-based music structure analysis. In Proc. of the International Symposium on Music Information Retrieval Conference / J. Paulus, M. Mller, A. Klapuri. // Utrecht, Netherlands, 2010.

12. Rose, R.C. A hidden Markov model based keyword recognition system / R.C. Rose, D. B. Paul. // In Proc.

of the IEEE International Conference on Acoustics, Speech, and Signal Processing, Piscataway, USA, 13. Rubisch, J. RaPScoM A framework for rapid prototyping of semantically enhanced score music. In Proc. of the 8th Sound and Music Computing Conference / J. Rubisch, J. Doppler, H. Raffaseder. // Padova, Italy, 2011.

14. Smeaton, A. F. Video shot boundary detection: Seven years of TRECVid activity / A. F. Smeaton, P. Over, A. R. Doherty. // Computer Vision and Image Understanding, Vol. 114, №. 4. P. 411–418. 2010.

15. SynchStage – an online video compositing suite. Online at http://www.synchtank.net/synchstage

TWO-STEP RUSSIAN PHONEME

CLASSIFICATION METHOD

E-mail: soroka.a.m@gmail.com, p.d.kukharchik@gmail.com Key words: phoneme based speech recognition, support vector machine, wavelet transform

INTRODUCTION

The main approach of speech recognition is based on the classification of basic speech units, such as phonemes or diphones. However, standard feature extraction methods make such speech units very irregularly distributed in the feature space. There are several methods that address feature vector clusterization, such as the construction of language lattices and tangling grids or various linguistic models [1]. These methods have some drawback, with algorithms complexity among others.

In this paper two feature extraction methods based on wavelet transform are proposed. They attempt to make feature vectors more evenly distributed in the feature space.

We also propose a genuine two-step phoneme classification method based on support vector machine (SVM), which deals better with clustered phonemes than an ordinary multiclass SVM classifier.

The structure of the paper is as follows: first, we describe the main idea of the SVM algorithm; then, we introduce two wavelet transform based feature vector construction methods; after that we present the two-step phoneme classification method; and finally, we describe the some experiments, which measure the performance of all the proposed methods.

SUPPORT VECTOR MACHINE

SVM is a supervised learning algorithm, which was first proposed by Vapnik [2].

This algorithm attempts to minimize empirical risk by utilizing a set of separating hyperplanes, which not only separate different classes of data, but also maximize margins between the classes. This fact made SVM highly generalization-capable. Let’s consider the SVM method in details.

Let X be a set of d-dimensional vectors ( X R d ) and A X be it’s subset. Consider the following mapping: f : X Y, where Y = {1, +1}, f ( x ) = +1 if and only if x A, and f ( x ) = 1 otherwise. This mapping defines two distinct classes.

The mapping itself (as well as underlying A ) is considered to be unknown, and the goal of the algorithm is to learn to classify elements of X into the two classes (in other words, to imitate f ).

The learning process is based on a finite set of training instances x X X, for which values f ( x ) are considered known. The combination of all the instances and the appropriate values of f (the set of tuples ( x, f ( x )) ) is called the training set.

We will also use the term “training class” to indicate a set of training instances that belong to one of the two classes defined by f.

In the simplest case the training data are linearly separable. That is, there exist hyperplane w x = b that separates the training classes. An infinite number of hyperplanes may satisfy (1). From the point of view of statistical learning theory [2] only one of the hyperplanes is of a particular interest. It is called the optimal separating hyperplane; it introduces the maximum possible margin between the training classes.

The training data are not always linearly separable, i.e. it is not always possible to find a separating hyperplane. In practice the dataset is often disturbed by noise and some of the training instances may be bad representatives of their class. So it is better to allow these instances to be “misclassified.” Such kind of misclassification is handled by attaching a penalty : X R for each training instance. The sum of these penalties is added to the cost function. Having found the optimal separating hyperplane, one can now define a linear step classifier, which would differentiate between the two classes c ( x ) = sign( w x b) Attaching penalties is not the only way of dealing with linear non-separability in SVM. Sometimes the linear non-separability of the dataset is caused not only by noise but also by “internal structure” of the data. To build a non-linear classifier, first, set X is mapped into some Hilbert space F (called the transformed feature space), which can be of a much higher dimension than X. Then the linear separation process described above is performed on the elements of the transformed feature space. To solve optimization problem in the feature space one doesn’t even need to know the explicit form of the mapping function : X F. The only thing required for the calculations is the so called reproducing kernel of the mapping (or simply the kernel). This kernel merely defines the inner product of the transformed feature space in terms of elements of set X (i.e. original feature space), i. e. k : X X R, k ( x, x ') = ( x), ( x ') F. It can be shown [7] that kernel function uniquely identifies mapping and vice versa.

The resulting step classifier would look as follows: c( x ) = sign( k ( w, x ) b).

Choosing the appropriate kernel is quite an involved process, which lies beyond the scope of the current paper.

WAVELET TRANSFORM BASED CONSTRUCTION

OF FEATURE VECTOR

One of the basic aspects of acoustic signal processing is the process of feature vector construction. The utilization of mel-frequency cepstral coefficients (MFCCs) [5] is one of commonly used methods used for that purpose. It was shown, however, that this method lacks proper accuracy due to unacceptable proximity of the resultant feature vectors in the feature space [6].

In our paper we propose alternative method, which is based on wavelet transform of the acoustic samples. The method obtains feature vector in the following way. First, the sample’s wavelet is split into 3N windows. Next, in each window an average energy is calculated: Sij, i = 1...N, j = 1...3. The Si 2 are put directly into feature vector, while Si1 and Si 3 are differenced first: i = Si 3 Si1, which is done to deal with several effects induced by vowel reduction and coarticulation at the beginning and at the end of phonemes.

The resultant feature vector is constructed as follows:

The method is illustrated on fig. 1.

Fig. 1. The process of obtaining feature vector from the sample’s wavelet

TWO-STEP PHONEME CLASSIFICATION METHOD

Now we will describe the two-step phoneme classification method. The method attempts to determine the phoneme, to which a given acoustic sample may correspond to.

As one could infer from the method’s title, the method constitutes of two steps. The first step determines a group of phonemes, to which a given sample would most likely correspond to. After that, the second step determines the exact phoneme that the sample most probably represents.

The first step utilizes a so called multiclass classifier, which is simply a set of binary SVM classifiers, each having been trained to classify into a separate phoneme group.

The second step also utilizes a set of binary SVN classifiers. However, there are two major distinctions from the first step: first, the set of classifiers is determined by the phoneme group chosen during the first step; and second, each classifier is trained to classify the instances of one phoneme against the instances of some other phoneme. In other words, for each possible pair of phonemes in the chosen phoneme group a classifier is built to discriminate between the phonemes within the pair. Such approach proved to increase the classification accuracy.

The phoneme groups were formed empirically to minimize classification errors during the first step. First, we considered all the phonemes to be separate groups, i.e. each phoneme group contained only one phoneme (a so called single-step classifier). Having build the set of classifiers needed for the first step, we run several tests and found several pairs of phoneme groups, one member of which was often misclassified to be the other one (e.g.

sound samples that represented phoneme “Ш” were often interpreted by the classifier to be the representatives of phoneme “Щ” and vice versa). Then, we merged most frequently misclassified group pairs. Having reduced the classification error during the first step (as well as the amount of phoneme groups), we reiterated the process again to reduce the classification error even more, until it became low enough.

EXPERIMENTS

To build and test the two-step classifier a training set of 7000 sound samples obtained from VoxForge speech corpus [4] and the acoustic base of the department of radio physics and digital media technologies of the Belarusian State University was used. The training set contained about 150 samples for each of the Russian phonemes. A test set of 1000 samples was used. The proposed method of feature vector construction was tested as well as the standard MFCC-based method.

During the first experiment a training set of 1000 samples, 700 of which were the representatives of phoneme “А”, and a test set of 300 phoneme “А” samples was used. The determined accuracies of the classification of the proposed method and MFCC were 82,7%, and 80,3%, respectively.

To test the classification ability of similar phonemes we used a training set of vowel phoneme samples, with the test set being 100 samples of phoneme “А”. During this test the two method performed with the following accuracies: 92% (the proposed method) and 82% (MFCC).

During the third experiment we attempted to assess the performance of the optimal two-step classifier. The parameters of the optimal classifier were determined via crossvalidation and grid search. It utilized the proposed feature vector construction method.

Having built the optimal two-step classifier we tested it’s performance with the training set of about 6000 samples (about 135 samples for every phoneme) and a test set of samples, which contained only the samples representing “А”, “М”, “Н”, or “Д”. The results of the third test are summarized in table 1.

The fourth experiment compared the proposed two-step classifier with simple singlestep classifier (i.e. the classifier, for which the phoneme groups contained only one phoneme each). The results of the experiment are shown in table 2.

The data presented in table 2 shows that two-step classifier outperforms the singlestep classifier on 6,4% on average.

CONCLUSION

In this paper we have considered feature vector construction method based on wavelet transform. The method proved to outperform the traditional MFCC method by 2,4% on average and by 10% during the classification of closely spaced phonemes.

We also proposed two-step phoneme classification method based on SVM, which outperforms an ordinary multiclass SVM classifier by 6,4% on average.

REFERENCES

1. Алиев, Р. М. Поиск ключевых слов с использованием решетки фрагментов cлов / Р. М. Алиев, Цзинбинь Янь, И. Э. Хейдоров.// Компьютерная лингвистика и интеллектуальные технологии : сб.

материалов ежегод. междунар. конф. «Диалог 2009», Бекасово, 27–31 мая 2009 г. / Рос. фонд фундам. исслед., Моск. гос. ун-т ; редкол.: А.Е. Кибрик [и др.]. М., 2009. С. 351– 2. Vapnik, V. The nature of statistical learning theory [M] // New York. Springer-Verlag, 3. Шмырев, Н. В. Свободные речевые базы данных VoxForge.org // Сборник трудов международной конференции «Диалог 2008». 2008. С. 585–588.

4. Huang, X. Spoken Language Processing: a guide to theory, algorithm, and system development. / X. Huang, A. Acero // New Jersey: Prentice-Hall Inc. Upper Saddle River, 2001.

5. Siafarikas, M. Speech Recognition using Wavelet Packet Features / M. Siafarikas, I. Mporas, T.Ganchev, N. Fakotakis. // Journal of Wavelet Theory and Applications. 2008. Vol. 2, № 1. P. 41–59.

6. Bart, Hamers. Kernel models for large scale applications // Katholieke Universiteit Leuven – Faculteit Toegepaste Wetenschappen Arenbergkasteel, B-3001 Heverlee (Belgium)

TO THE CONSTRUCTION MODEL OF PORTAL WITH OPEN

SOURCE SOFTWARE FOR SCHOOLS IN VIETNAM

Faculty of Information Technology – HCM University of Pedagogy The report examines aspects of creating a model of an information portal with open source software for use in schools. Creating modules-channels links between "school - teachers - parents - students". As the main base of the educational portal system chosen to the Moodle learning environment, to support teaching and training activities for teachers and students. Designed for integration module k-NN training «feedback» oriented to student work. The proposed model is successfully applied to the portal practice in secondary schools in Vietnam.

Key words : information portal, open source code, e-learning, self-learning, school, k-NN algorithm.

INTRODUCTION

A web portal or links page is a web site that functions as a point of access to information on the World Wide Web. A portal presents information from diverse sources in a unified way.

Apart from the standard search engine feature, web portals offer other services such as e-mail, news, stock prices, information, databases and entertainment. Portals provide a way for enterprises to provide a consistent look and feel with access control and procedures for multiple applications and databases, which otherwise would have been different entities altogether.

Portal has features to help administrators gather, manage many different sources, from which distributed them as individual services for different users depending on group rights, the needs and purposes the user.

The portal is at school portal for education organizations containing information about the school and the specific activities of the school is teaching, learning, and some other functions. There are many options when building a portal model for schools, but our model was selected as the open source product for free to save costs and be able to adjust upgrading in accordance with school.

Moodle (abbreviation for Modular Object-Oriented Dynamic Learning Environment) is a free source e-learning software platform, also known as a Course Management System, Learning Management System, or Virtual Learning Environment VLE). As of October 2010 it had a user base of 49,952 registered and verified sites, serving 37 million users in 3.7 million courses.

As a course management system, Moodle is designed to help educators who want to create quality online courses. The software is used all over the world by universities, schools, companies and independent teachers. Moodle is open source and completely free to use.

MODEL PORTAL SYSTEM

Model portal system for the schools have integrated architecture includes a core system Moodle, together with additional integrated modules and subsystems.

The integrated modules - Allows students or teachers to start two-way dialogue with one another.

- Allows students to build mathematical expressions using a graphic drag-and-drop - Allows users to complete online feedback-style forms using a variety of user input - Support video conference.

- Integrates Google Apps’ services with Moodle and allows for Google Apps management and use from within Moodle.

In addition, the integrated modules include: k-NN module rated feedback; CBR module;

Application of the proposed expansion of portal system based on CBR and k-NN algorithm, known application development k-NN feedback form module (form module activity) assembled into Moodle, non-interference in the source code Moodle root. k-NN-based feedback on the test scores of the test questions that students achieve and the situation by the experts that teachers pre-set to give feedback.

The purpose of the application-oriented to support learning for students: For student stake the knowledge or poor, by taking the test will need to know what parts to study more, of course, the proposed that school teachers should be studied carefully to make. For strong students, feedback and suggestions to improve the knowledge learned are made.

Content on the portal are organized in sections each unit, the largest grant the school managing board, below the lower levels. Each unit uses a number of services. Organization of content on the portal consists of three main groups: the groups - associations, teachers – staff and students. Inside the main group may include sub-groups or units. Members of the units are allowed to use the services of that unit and the service level above or below with limit rights and powers.

The subsystems include: 1. Inspection subsystem; 2. Integrated subsystem for demonstration Web information (other than environment of Moodle); 3. Subsystem to extract information via mobile phone; 4. Subsystem supports communication channel with parents;

5. Subsystem support tools for teachers.

Database system including the warehouse of the lecture course (Mathematics, Physics, Chemistry, Literature, History, Geography, English, Citizenship Education), the exercises, exams, video clips and the reference images.

IMPLEMENTATION

The model portal system initially deployed applications for secondary schools in Vietnam and have good results.

In the future, we plan to implement additional functionality installed videoconference using Bigbluebutton module integrated with Moodle.

LITERATURE

1. A. Aamodt, E. Plaza. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. IOS Press, 1994, Vol. 7: 1, Р. 39– 2. Rob Allan, Chris Awre, Mark Baker, Adrian Fish, Portals and Portlets. Uk e-Science Technology Report Series. 3. Jason Hollowell, Moodle as a Curriculum and Information Management System (CIMS), Packt Publishing Ltd., 2011, Р. 115–

СОДЕРЖАНИЕ

С е к ц и я 6. Оптимизация и надежность информационных систем А. Н. Дудин, Х. Аль-Бегейн Жизнеспособность линии передачи информации, подверженной атакам………… В. И. Клименок Многолинейная система обслуживания с приоритетами и повторными вызовами……………………………………………………………………………… В. И. Клименок, А. Н. Дудин, Ч. С. Ким Система обслуживания с рекуррентным входным потоком и повторными вызовами……………………………………………………………………………… Е. В. Колузаева, М. А. Маталыцкий О решении задачи оптимального распределения потоков сообщений в одной информационной системе…………………………………………………………… А. З. Меликов, М. И. Фаттахова Численный анализ моделей мультисервисных беспроводных сетей связи с очередями вызовов нереального времени…………………………………………... Г. К. Мишкой Аналоги уравнения Поллачека-Хинчина для систем Поллинга…………………... В. В. Мушко Система MMAP[2]/PH[2]/N+R с повторными вызовами и зарезервированными приборами…………………………………………………………………………….. В. В. Науменко Исследование модели прогнозирования доходов пункта коллективного пользования информационной сети………………………………………………… С. Э. Статкевич Исследование моделей информационно-компьютерных сетей с ненадежными системами в переходном режиме…………………………………………………… О. С. Тарамин, С. А. Дудин Моделирование и оптимизация функционирования современного центра обслуживания звонков с помощью систем массового обслуживания……………. Н. В. Черная О применении НМ-сетей с приоритетными заявками в качестве моделей информационно-компьютерных сетей……………………………………………… E. Lebedev, I. Makushenko, I. Usar On retrial queues controlled by the threshold and hysteresis strategies……………….. Nguyen Tuan Minh Queueing system GI/M/1 with randomized threshold admission control……………... Marcin Zikowski Stochastic server model with limited storage size…………………………………...… С е к ц и я 7. Параллельная и распределенная обработка данных, С. В. Баханович, Н. А. Лиходед, Г. М. Заяц, С. А. Артемчик Параллельная реализация локально-одномерного метода численного решения квазилинейных двумерных параболических уравнений………………... Е. В. Бобовик О возможности расширения функционально-модульного подхода к построению приложений……………………………………………………………. М. К. Буза, Н. В. Деева Обобщенная модель автоматизированного рабочего места специалиста на вычислительном кластере………………………………………………………….... М. К. Буза, О. М. Кондратьева Моделирование методом молекулярной динамики на многопроцессорных компьютерах………………………………………………………………………….. А. М. Дежурко, С. В. Малый, С. Г. Мулярчик, И. М. Шевкун Особенности реализации метода минимальных автономных блоков на видеокартах…………………………………………………………………………… А. П. Карпенко, О. Г. Козлова Нейродинамическое программирование и параллельные вычисления в задаче оптимального управления динамической системой……………………….. А. В. Клименко, В. С. Смородин Проектное моделирование структуры производственной системы с параллельно-последовательной организацией……………………………………. Е. И. Клименков Гетерогенная многоядерная операционная система: архитектура, подходы, преимущества……………………………………………………………………….
. К. С. Курочка, О. Д. Асенчик, Е. Г. Стародубцев Организация распределенных вычислений при моделировании электромагнитных полей в композитных материалах, содержащих наночастицы металлов……………………………………………………………… П. И. Соболевский, Н. А. Лиходед Однородные зависимости зернистых алгоритмов………………………………... А. А. Толстиков, Н. А. Лиходед Корректность разбиений алгоритмов при организации зернистых параллельных вычислительных процессов………………………………………... В. С. Клышевич, Л. В. Рудикова Общие подходы к разработке интернет-портала для создания пользовательских приложений различного профиля…………………………….. И. В. Минин, О. В. Минин Обеспечение информационной безопасности компьютеров на основе дифракционных оптических технологий………………………………………….. А. П. Побегайло Динамическое назначение ролей в языках программирования со статической типизацией……………………………………………………………. С. Н. Райков, Л. В. Рудикова, М. В. Бельков, В. В. Кирис О некоторых подходах к созданию программного обеспечения, поддерживающего экспрессную экспертизу химического состава твердотельных материалов…………………………………………………………. И. А. Шалатонин, П. П. Коваленко Алгоритм защиты программного обеспечения пользователя привязкой к ресурсам ПК…………………………………………………………………………. С е к ц и я 9. Распознавание образов, информационные системы управления С. В. Абламейко, В. В. Краснопрошин, В. А. Образцов Технологии и системы для решения практических задач распознавания образов……………………………………………………………………………….. М. А. Акинфина, С. П. Бондаренко Реализация модулей отчетности и прогнозирования в информационной банковской системе…………………………………………………………………. В. С. Денисюк Применение и оптимизация преобразования Хафа для поиска объектов на изображении………………………………………………………………………… Ю. Т. Каганов Многоагентное и нейронечеткое управление сложными робототехническими системами……………………………………………………………………………. А. В. Карканица Реализация программного компонента построения графовой модели динамической предметной области………………………………………………... Е. И. Козлова, И. И. Азарко, О. Н. Янковский Нейросетевые методы анализа и прогнозирования структуры синтетических алмазов………………………………………………………………………………. Е. А. Корчевская, В. М. Мироненко Разработка и исследование программного обеспечения для распознавания и анализа паразитологических объектов…………………………………………….. В. В. Краснопрошин, Х. Виссия, А. Н. Вальвачев Технология принятия решений на основе предметных коллекций…………........ Д. М. Курлович, С. И. Богдан, В. Э. Кутырло, Ю. Н. Еленский Использование ГИС-технологий для разработки баз геоданных и геоинформационных проектов месторождений бурых углей и горючих сланцев Республики Беларусь…………………………………………………........ Д. М. Курлович Использование Model Builder при разработке набора инструментов «Структурно-геоморфологический ГИС-анализ» для ArcToolbox ГИС ArcGIS 9.3……………………………………………………………………………. Д. И. Мазовка Формальный подход к решению задачи визуализации…………………………... Г. Н. Подгорная Методики многокритериального анализа и оптимизации информационной инфраструктуры субъекта хозяйствования………………………………………... А. В. Протосавицкий, Е. С. Горшкова, Р. В. Телятников, И. П. Шумский Обеспечение инвариантности обработки цветных изображений к яркостным и спектральным искажениям……………………………………………………….. Н. В. Репич, А. А. Белый Реализация алгоритма сопровождения видеообъектов…….…………………….. А. А. Топаз, В. В. Конах Компьютерные технологии в изучении динамики почвенного покрова по материалам дистанционного зондирования………………………………………. С. В. Черепица, С. М. Бычков, А. Н. Коваленко, Н. В. Кулевич, Н. М. Макоед, А. Л. Мазаник, А. А. Семашко, Д. Л. Радивончик Система контроля качества и управления запасами горюче-смазочных материалов…………………………………………………………………………... О. В. Шут Метод объектных резолюций в задачах распознавания образов………………… S. Bezobrazov, V. Golovko Evolution of detectors in neural network immune system for pattern recognition…... Y. Lisitsa, A. Halavatyi, E. Hadzic, E. Friederich, M. Yatskou, V. Apanasovich An algorithm for processing the frap images of actin filament treadmilling………… Y. Lisitsa, M. Yatskou, T. Apanasovich, V. Apanasovich A fully-automated nuclear segmentation approach for analysis of cell fluorescent images………………………………………………………………………………… Huan Liu, Shuang Zhang Approach of fuzzy analytic hierarchy process to evaluate e-commerce websites…… O. P. Solovey Reliable real-time video background subtraction: mixture of Gaussians approach….. I. Volkov, J. Vasilenko Note on Brain image asymmetry analysis……………………………………………. В. И. Бенедиктович О рациональной укладке графов на плоскости…………………………………… Г. П. Волчкова О некоторых свойствах плотных расписаний…………………………………….. А. Г. Головнев Новая верхняя оценка для задачи MAX-2-CSP…………………………………… В. А. Демиденко Релаксации многогранника симметрической задачи коммивояжера в пространстве минимальной размерности…………………………………………. А. Н. Исаченко, Я. А. Исаченко Наследование гиперграней в задачах на перестановках…………………………. А. А. Карпук Об алгоритмах нормализации отношений в реляционных базах данных………. С. Г. Катаранчук Задача Вебера для n-мерного кубического комплекса со взвешенными вершинами…………………………………………………………………………... О. М. Китурко, М. А. Маталыцкий О решении новых задач математической логистики…………………………….. В. М. Котов Групповые технологии и динамические оценки в задачах с неполной информацией………………………………………………………………………… С. А. Кравченко Об одной задаче минимизации суммы относительных задержек……………….. Г. М. Левин, Н. Н. Гущинский, С. А. Карпыза, И. В. Кособуцкий Модели и методы поддержки принятия решений при проектировании гидромеханических трансмиссий с вальной коробкой передач…………………. В. В. Лепин Эффективные по памяти алгоритмы для решения задач в рекурсивнопорождаемых классах графов……………………………………………………… И. П. Логинова Об одном подходе к нахождению максимальной связной 0-1 подматрицы бинарной матрицы………………………………………………………………….. О. В. Максимович, Р. И. Тышкевич L(2, 1) раскраска и гамильтоново пополнение……………………………………. В. А. Мощенский Из неравенства классов NP и P вытекает противоречие…………………………. В. Г. Найденко О топологии частичной выпуклости………………………………………………. Ю. Л. Орлович, Я. Блажевич, В. С. Гордон, А. Б. Долгий, Г. Финке Сложность задачи о наибольшем независимом множестве в классе треугольных графов………………………………………………………………… Р. А. Петрович Алгоритм распознавания принадлежности хордального графа классу графов C……………………………………………………………………………... Л. А. Пилипчук Дробно-линейные неоднородные задачи потокового программирования……… В. А. Шлык Вершинные базисы многогранников Гомори……………………………………... N. Brauner, G. Finke, V. Jost, M. Y. Kovalyov, Yu. L. Orlovich, Ph. V. Pronin, A. Waserhole Computational complexity of maximum distance-(k, l) matchings in graphs……….. O. V. Glebova, Yu. M. Metelsky, P. V. Skums Krausz dimension and its generalizations in special graph classes………………….. D. D. Lozovanu, S. W. Pickl, M. A. Capcelea Linear programming approach for solving stochastic control problem on networks with discounted transition costs……………………………………………. L. A. Pilipchuk, T. S. Vishnevetskaya Theoretical-graph approach for research of the rank of the special sparse matrix to the sensor location problem for the multi graphs………………………… Р. М. Алиев Автоматическое распознавание нот в музыкальном сигнале на основе преобразования Фурье и вейвлет-анализа………………………………………… И. В. Кучугуров Исследование и разработка семантических методов анализа распределенных языков программирования…………………………………………………………. Н. Д. Кучугурова, В. В. Кучугуров Проблема понимания учебного материала при создании цифровых образовательных ресурсов и их использовании обучающимися………………... Г. А. Ломакин Общие подходы к созданию обобщенной графической среды, поддерживающей реализацию 3D-приложений………………………………….. М. С. Помелова Интерактивные среды в обучении высшей математике студентов педагогических специальностей…………………………………………………… А. М. Сорока, И. Э. Хейдоров Обнаружение патологий голосового тракта на основе вейвлет-анализа и метода опорных векторов………………………………………………………… И. Э. Хейдоров, А. А. Кузьмин Разработка системы распознавания слитной речи с использованием семантического анализа…………………………………………………………….. Holger Grossmann, Anna Kruspe, Jakob Abeer, Hanna Lukashevich Towards cross-modal search and synchronization of music and video streams……... A. M. Soroka, P. D. Kukharchik Two-step Russian phoneme classification method…………………………………... Nguyen Quang Tan To the construction model of portal with open source software for schools in Vietnam……………………………………………………………………………

МЕЖДУНАРОДНЫЙ КОНГРЕСС

ПО ИНФОРМАТИКЕ:

ИНФОРМАЦИОННЫЕ СИСТЕМЫ

И ТЕХНОЛОГИИ

INTERNATIONAL CONGRESS

ON COMPUTER SCIENCE:

INFORMATION SYSTEMS

AND TECHNOLOGIES

В ДВУХ ЧАСТЯХ

Корректоры Л. Н. Масловская, Н. П. Ракицкая, Л. С. Мануленко Подписано в печать 12.10.2011. Формат 6084/8. Бумага офсетная. Гарнитура Таймс.

Печать офсетная. Усл. печ. л. 46,97. Уч.-изд. л. 39,18. Тираж 150 экз. Зак.

Белорусский государственный университет.

«Издательский центр Белорусского государственного университета».



Pages:     | 1 |   ...   | 8 | 9 ||





Похожие работы:

«министерство образования российской федерации государственное образовательное учреждение московский государственный индустриальный университет информационно-вычислительный центр Информационные технологии и программирование Межвузовский сборник статей Выпуск 3 (8) Москва 2003 ББК 22.18 УДК 681.3 И74 Информационные технологии и программирование: Межвузов ский сборник статей. Вып. 3 (8) М.: МГИУ, 2003. 52 с. Редакционная коллегия: д.ф.-м.н. профессор В.А. Васенин, д.ф.-м.н. профессор А.А. Пярнпуу,...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ БАШКИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ОТЧЕТ по результатам самообследования соответствия государственному образовательному стандарту содержания и качества подготовки обучающихся федерального государственного бюджетного образовательного учреждения высшего профессионального образования Бирский филиал Башкирский государственный университет по...»

«ТЕОРИЯ И МЕТОДОЛОГИЯ УДК 336.722.112:316 Т. А. Аймалетдинов О ПОДХОДАХ К ИССЛЕДОВАНИЮ ЛОЯЛЬНОСТИ КЛИЕНТОВ В БАНКОВСКОЙ СФЕРЕ АЙМАЛЕТДИНОВ Тимур Алиевич - директор по исследованиям ЗАО НАФИ, кандидат социологических наук, доцент кафедры социальной и педагогической информатики РГСУ. Email: aimaletdinov@nacfin.ru Аннотация. В статье приводится обзор классических и современных подходов к теоретической интерпретации и эмпирическим исследованиям лояльности клиентов к банкам. На основе анализа...»

«Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования ПОВОЛЖСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ И ИНФОРМАТИКИ РУКОВОДЯЩИЙ РД ПГУТИ ДОКУМЕНТ 2.64.7-2013 Система управления качеством образования ПОРЯДОК ПЕРЕВОДА, ОТЧИСЛЕНИЯ И ВОССТАНОВЛЕНИЯ СТУДЕНТОВ В ПГУТИ Положение Самара 2013 РД ПГУТИ 2.64.7 – 2013 ПОРЯДОК ПЕРЕВОДА, ОТЧИСЛЕНИЯ И ВОССТАНОВЛЕНИЯ СТУДЕНТОВ В ПГУТИ Положение Предисловие 1 РАЗРАБОТАН Отделом качества образования ПГУТИ...»

«Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования САМАРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ НОРМАТИВНЫЕ ДОКУМЕНТЫ САМАРСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Выпуск 1 Издательство Универс-групп 2005 Печатается по решению Редакционно-издательского совета Самарского государственного университета Нормативные документы Самарского государственного университета. Информационные технологии. Выпуск 1. / Составители:...»

«Новые поступления. Январь 2012 - Общая методология. Научные и технические методы исследований Савельева, И.М. 1 001.8 С-128 Классическое наследие [Текст] / И. М. Савельева, А. В. Полетаев. - М. : ГУ ВШЭ, 2010. - 336 с. - (Социальная теория). экз. - ISBN 978-5-7598-0724-7 : 101-35. 1чз В монографии представлен науковедческий, социологический, библиометрический и семиотический анализ статуса классики в общественных науках XX века - экономике, социологии, психологии и истории. Синтез этих подходов...»

«Направление подготовки: 010300.68 Фундаментальная информатика и информационные технологии (очная, очно-заочная) Объектами профессиональной деятельности магистра фундаментальной информатики и информационных технологий являются научно-исследовательские и опытноконструкторские проекты, математические, информационные, имитационные модели систем и процессов; программное и информационное обеспечение компьютерных средств, информационных систем; языки программирования, языки описания информационных...»

«Зарегистрировано в Минюсте РФ 16 декабря 2009 г. N 15640 МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ПРИКАЗ от 9 ноября 2009 г. N 553 ОБ УТВЕРЖДЕНИИ И ВВЕДЕНИИ В ДЕЙСТВИЕ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ПО НАПРАВЛЕНИЮ ПОДГОТОВКИ 230100 ИНФОРМАТИКА И ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА (КВАЛИФИКАЦИЯ (СТЕПЕНЬ) БАКАЛАВР) (в ред. Приказов Минобрнауки РФ от 18.05.2011 N 1657, от 31.05.2011 N 1975) КонсультантПлюс: примечание. Постановление...»

«Теоретические, организационные, учебно-методические и правовые проблемы ПРАВОВЫЕ ПРОБЛЕМЫ ИНФОРМАТИЗАЦИИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ Д.ю.н., профессор А.В.Морозов, Т.А.Полякова (Департамент правовой информатизации и научнотехнического обеспечения Минюста России) Развитие общества в настоящее время характеризуется возрастающей ролью информационной сферы. В Окинавской Хартии Глобального информационного Общества, подписанной главами “восьмерки” 22 июля 2000 г., государства провозглашают...»

«Кучин Владимир О научно-религиозном предвидении Где двое или трое собраны во имя Мое, там и Я посреди них. Мф. 18:20 Официально информатику определяют как науку о способах сбора, хранения, поиска, преобразования, защиты и использования информации. В узких кругах ее также считают реальным строителем моста через пропасть, которая разделяет науку и религию. Кажется, еще чуть-чуть и отличить информатику от религии станет практически невозможно. По всем существующим на сегодня критериям. Судите...»

«Зарегистрировано в Минюсте РФ 28 апреля 2010 г. N 17035 МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ ПРИКАЗ от 29 марта 2010 г. N 224 ОБ УТВЕРЖДЕНИИ И ВВЕДЕНИИ В ДЕЙСТВИЕ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО ОБРАЗОВАТЕЛЬНОГО СТАНДАРТА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ ПО НАПРАВЛЕНИЮ ПОДГОТОВКИ 021300 КАРТОГРАФИЯ И ГЕОИНФОРМАТИКА (КВАЛИФИКАЦИЯ (СТЕПЕНЬ) МАГИСТР) КонсультантПлюс: примечание. Постановление Правительства РФ от 15.06.2004 N 280 утратило силу в связи с изданием Постановления...»

«Научные исследования подавателей факультета I математики и информатики 70-летию университета посвящается УДК 517.977 Е.А. Наумович ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДЕЯТЕЛЬНОСТИ КАФЕДРЫ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ И ОПТИМАЛЬНОГО УПРАВЛЕНИЯ (1979-2009 гг.) В статье приводятся краткие сведения из истории создания и развития кафедры дифференциальных уравнений и оптимального управления. Сформулированы основные научные направления и наиболее важные результаты, полученные сотрудниками кафедры. Приведена информации...»

«Направление подготовки: 010400.68 Прикладная математика и информатика (очная) Объектами профессиональной деятельности магистра прикладной математики и информатики являются научно - исследовательские центры, государственные органы управления, образовательные учреждения и организации различных форм собственности, использующие методы прикладной математики и компьютерные технологии в своей работе. Магистр прикладной математики и информатики подготовлен к деятельности, требующей углубленной...»

«Кирикчи Василий Павлович Эволюция развития, организация и экономические аспекты внедрения IPTV Специальность: 5А522104 – Цифровое телевидение и радиовещание Диссертация на соискание академической степени магистра Работа рассмотрена Научный руководитель и допускается к защите к.т.н., доцент Абдуазизов А.А. зав. кафедрой ТВ и РВ к.т.н., доцент В.А. Губенко (подпись) (подпись) _ 2012...»

«ДОКЛАДЫ БГУИР № 2 (14) АПРЕЛЬ–ИЮНЬ 2006 ЭКОНОМИКА И УПРАВЛЕНИЕ УДК 608. (075) ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ НЕМАТЕРИАЛЬНЫХ АКТИВОВ Т.Е. НАГАНОВА Белорусский государственный университет информатики и радиоэлектроники П. Бровки, 6, Минск, 220013, Беларусь Поступила в редакцию 28 ноября 2005 Рассматриваются теоретические составляющие интеллектуальной собственности с целью формулировки подходов к совершенствованию патентно-лицензионной работы в Республике Беларусь. Ключевые слова: интеллектуальная...»

«Предисловие Раздел 1. Общие вопросы методики преподавания  информатики и ИКТ в школе Глава 1. Предмет информатики в школе 1.1. Информатика как наука и как учебный предмет 1.2. История введения предмета информатика в отечественной  школе 1.3. Цели и задачи школьного курса информатики Контрольные вопросы и задания Глава 2. Содержание школьного курса информатики и ИКТ 36   2.1. Общедидактические подходы к определению содержания курса  информатики...»

«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ИМЕНИ М.В.ЛОМОНОСОВА ХИМИЧЕСКИЙ ФАКУЛЬТЕТ КАФЕДРА ОРГАНИЧЕСКОЙ ХИМИИ И.Э.НИФАНТЬЕВ, П.В.ИВЧЕНКО ПРАКТИКУМ ПО ОРГАНИЧЕСКОЙ ХИМИИ Методическая разработка для студентов факультета биоинженерии и биоинформатики Москва 2006 г. Введение Настоящее пособи предназначено для изучающих органическую химию студентов второго курса факультета биоинженерии и биоинформатики МГУ им. М.В.Ломоносова. Оно состоит из двух частей. Первая часть знакомит студентов с основными...»

«Направление бакалавриата 210100 Электроника и наноэлектроника Профиль подготовки Электронные приборы и устройства СОДЕРЖАНИЕ ИСТОРИЯ ИНОСТРАННЫЙ ЯЗЫК ФИЛОСОФИЯ ЭКОНОМИКА И ОРГАНИЗАЦИЯ ПРОИЗВОДСТВА КУЛЬТУРОЛОГИЯ ПРАВОВЕДЕНИЕ ПОЛИТОЛОГИЯ СОЦИОЛОГИЯ МАТЕМАТИКА ФИЗИКА ХИМИЯ ЭКОЛОГИЯ ИНФОРМАТИКА ВЫЧИСЛИТЕЛЬНАЯ МАТЕМАТИКА МЕТОДЫ МАТЕМАТИЧЕСКОЙ ФИЗИКИ ФИЗИЧЕСКИЕ ОСНОВЫ ЭМИССИОННОЙ ЭЛЕКТРОНИКИ И КАТОДЫ СПЕЦИАЛЬНЫЕ ВОПРОСЫ ФИЗИКИ СПЕЦИАЛЬНЫЕ ВОПРОСЫ МАТЕМАТИКИ ОСНОВЫ ТЕОРИИ НАДЁЖНОСТИ ТЕОРИЯ ИНЖЕНЕРНОГО...»

«МОСКОВСКИЙ ГОРОДСКОЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ Фундаментальная библиотека Отдел информационного обслуживания Бюллетень новых поступлений в Фундаментальную библиотеку март 2014 г. Москва 2014 1 Составители: Т.А. Сенченко В бюллетень вошла учебная, учебно-методическая, научная и художественная литература, поступившая в Фундаментальную библиотеку в марте 2014 г. Материал расположен в систематическом порядке по отраслям знаний, внутри разделов – в алфавитнохронологическом. Указано распределение по...»

«МИНИСТЕРСТВО СЕЛЬСКОГО ХОЗЯЙСТВА РОССИЙСКОЙФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ СТАВРОПОЛЬСКИЙ ГОСУДАРСТВЕННЫЙ АГРАРНЫЙ УНИВЕРСИТЕТ УТВЕРЖДАЮ Проректор по учебной и воспитательной работе И. В. Атанов _2013 г. ОТЧЕТ о самообследовании основной образовательной программы высшего образования Направление подготовки: 230700.68 - Прикладная информатика Профиль: 230700.68.01 Системы корпоративного управления (код, наименование...»







 
© 2014 www.kniga.seluk.ru - «Бесплатная электронная библиотека - Книги, пособия, учебники, издания, публикации»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.