Математика. матан ш. Матан Понятие функции, свойства функций, способы задания функций. Взаимно
 Скачать 1.66 Mb.
|
|
дату и время подписи ЭПМЗ; дата и время должны фиксироваться независимо от желания автора по системным часам компьютерной системы и объективно отражать момент подписания ЭПМЗ. Защита электронным ключом. Структура электронных ключей Процесс создания защиты делится на следующие этапы: 1. Анализ разрабатываемой программы и выделение таких функциональных блоков, без которых корректное выполнение программы будет невозможно. 2. В выделенных блоках программы производятся все необходимые изменения для обеспечения их работоспособности в электронном ключе. 3. Разработчик помещает полученный код и все необходимые данные в энергонезависимую память электронного ключа. 4. Последний шаг - замена в исходной программе выделенных блоков на функции вызова электронного ключа с соответствующими параметрами. Программа, установленная в компьютере может корректно работать только получая от ключа правильные ответы на свои вызовы. Ключи являетюся физическим устройством, выполненным в виде флешке или Bluetooth-модуля. Они работают по защищенному каналу и обеспечивают высокую защиту, не давая хакерам возможности скопировать пароли. Ключи могут присоединяться к различным портам компьютера и поставляться пользователю только при легальном приобретении программы. Примеры: Общая техническая схема электронных ключей с возможностью выполнения кода. - Интерфейс связи - обеспечивает информационный обмен электронного ключа с любым устройством, к которому он может быть подключен; - Процессор - реализует функцию выполнения кода, хранящегося в энергонезависимой памяти ключа; - ОЗУ - оперативное запоминающее устройство, предназначено для хранения переменных, стэка, организации буферов обмена данными; - Энергонезависимая память - предназначена для хранения программного кода и данных, которые необходимо скрыть от злоумышленника; - Часы реального времени - служат для предоставления дополнительных функций электронного ключа, таких как создание временных лицензий; - Элемент питания - батарейка, обеспечивающая непрерывную работу часов реального времени. Вопрос 38. Системы искусственного интеллекта. Подходы к построению систем искусственного интеллекта (логический, структурный, эволюционный, имитационный). Искусственный интеллект - Устройство, созданное человеком, решающее задачи, которые могут решать люди. Оно должно быть способно осуществлять: восприятие, обучение, анализ, рассуждение, использование знаний, планирование действий, логический вывод и т. д. Два основные направления в создании ИИ: Нейробионика - моделируют искусственным образом процессы, происходящие в мозгу человека. Практически это разработка элементов, подобных нейронам, объединение их в системы — нейросети, нейрокомпьютеры. Информационное - основной целью является не построение технического аналога биологической системы, а адекватное моделирование функционирования системы. Что касается внутренних механизмов формирования поведения, то они не должны копировать или даже учитывать особенности естественных, живых аналогов. Различные подходы к построению систем искусственного интеллекта 1) Логический подход к созданию систем искусственного интеллекта основан на моделировании рассуждений. Основой для данного подхода служит Булева алгебра. В настоящее время каждый программист знаком с алгеброй Буля и с логическими операторами (например, IF). Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов - в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Предикат - функция, аргументами которой могут быть ПРОИЗВОЛЬНЫЕ ОБЪЕКТЫ из некоторого множества, а значения функции "истина" или "ложь". Предикат можно рассматривать как расширение понятия высказывания. Множество, на котором предикат принимает только истинные значения называется областью истинности предиката. Квантор – логическая операция, ограничивающая область истинности какого либо предиката. Практически каждая система искусственного интеллекта, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и промежуточные значения. Недостатком данного подхода можно считать то, что для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных. К достоинствам можно отнести, то что получая решение мы получаем также алгоритм решения всех аналогичных задач. 2) Под структурным подходом подразумеваются попытки построения искусственного интеллекта путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. Перцептрон состоит из совокупности сенсорных элементов (S-элементов), на которые поступают входные сигналы. S-элементы случайным образом связаны с совокупностью ассоциативных элементов (А-элементов), выход которых отличается от нуля только тогда, когда возбуждено достаточно большое число S- элементов, воздействующих на один А-элемент. Аэлементы соединены с реагирующими элементами (R-элементами) связями, коэффициенты усиления (v) которых переменны и изменяются в процессе обучения. Перцептрон обучается путем предъявления обучающей последовательности изображений объектов. В процессе обучения изменяются веса vi А-элементов. В частности, если применяется система подкрепления с коррекцией ошибок, прежде всего учитывается правильность решения, принимаемого перцептроном. Если решение правильно, то веса связей всех сработавших А-элементов, ведущих к R-элементу, выдавшему правильное решение, увеличиваются, а веса несработавших А-элементов остаются неизменными. После процесса обучения перцептрон сам, без учителя, начинает классифицировать новые объекты. Позднее возникли и другие модели, которые обычно известны под термином "нейронные сети" (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети. НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем искусственного интеллекта. Для моделей, построенных по мотивам человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом - нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да". 3) эволюционный подход. При построении систем искусственного интеллекта по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д. В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс. Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации. Недостатком этого подходя является то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему искусственного интеллекта, то есть мы не получаем явного алгоритма решения как в случае логического подхода, а также то что у нас нет возможности определить является ли найденное решение оптимальным. К достоинствам можно отнести, то что при таком подходе высока вероятность получить приемлимое решение, даже при неполном описании моделируемой системы. 4) имитационный подход. Данный подход, предложенный Уильямом Эшби (William Ross Ashby 1903 — 1972) является классическим для кибернетики с одним из ее базовых понятий - "черным ящиком" (ЧЯ). ЧЯ - устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой "черный ящик". Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Т.е. воздействие Х вызывает реакцию Y, и мы в процессе моделирования стараемся подобрать верные уравнения типа: Y=f(X). По степени информированности исследователя об объекте существуют три типа «ящиков»: 1) «белый ящик»: об объекте известно все; 2) «серый ящик»: известна структура объекта, неизвестны количественные значения параметров (используется наиболее часто) 3) «черный ящик»: об объекте неизвестно ничего. Основным недостатком имитационного подхода является низкая информационная способность большинства моделей, построенных с его помощью. Наилучшие результаты достигаются обычно в случае «серого ящика». Примером использования такого подхода в биофизике можно считать электрическую модель периферийного кровообращения. В ней, динамика кровотока может быть описана с помощью понятий теории электрических цепей. Систему периферийного кровообращения рассматривают как неоднородную электрическую цепь, каждая часть которой характеризуется своим значением проводимости. Такое описание становится возможным из-за сходства уравнений, описывающих гидравлическое и электрическое сопротивления. Несмотря на сравнительную простоту, электрическая модель достаточно содержательна и информативна. Вопрос 39. Автоматизированное рабочее место врача - специалиста. Компьютерные системы поддержки врачебных решений. Вывод на основе прецедентов. Классификация медицинских информационных систем по решаемым задачам: 1.Информационно-справочные системы 2. Консультативно-диагностические системы (Системы поддержки врачебных решений) 3. Приборно-компьютерные системы 4. Автоматизированные рабочие места специалистов Автоматизированное рабочее место (АРМ) — программно-технический комплекс, предназначенный для автоматизации деятельности определенного вида. АРМ врача обеспечивает электронный документооборот, автоматизирует статистическую отчетность и аналитическую обработку данных для контроля лечебного процесса, создает сайт врача. Есть АРМ врача общей практики (участкового), хирурга, кордиолога, психиатра и т.д Основные возможности АРМ врача 1. Ведение электронной истории болезни, с возможностью подразделения документа на амбулаторные, диспансерные, профилактические, смотровые карты пациента. Сбор, внесение и сохранение в базе данных об анамнезе, жалобах, динамическом изменении здоровья пациента. 2. Фиксирование лечебно-диагностического процесса, определение диагноза по МКБ- 10. 3. Планирование работы, осмотров, проведение профилактических мероприятий (иммунизации, вакцинации и т.д.), контроль соблюдения сроков. 4. Создание индивидуальных программ обследований и лечения. 5. Доступ к клиническим протоколам заболеваний. 6. Выписка рецептов. 7. Выдача листов временной нетрудоспособности. 8. Вывод необходимых данных на бумажный носитель. Ввод, коррекция и сохранение сведений производиться самим врачом, в режиме рабочего процесса, в шаблонные формы. Для защиты системы от постороннего вмешательства, для каждого врача предусматривается индивидуальная идентификация. Это могут быть цифровая подпись, пароль или код доступа. Дополнительные возможности АРМ 1. Доступ к справочной информации из баз данных ЛПУ, Министерства Здравоохранения, медицинских научно-исследовательских учреждений. 2. Ведение различной отчётности, с возможностью формирования и группирования сведений по участкам, подразделениям ЛПУ, отчётным периодам. 3. Сбор аналитических и статистических данных по группам пациентов – пенсионеры, состоящие на «Д» учёте, льготники, инвалиды и т.д. 4. Контроль ресурсов, применяемых в процессе лечения (аппаратные и лабораторные исследования, медикаменты, наличие мест в диспансерах и т.п.). Коммуникационные возможности АРМ обеспечивают оперативный обмен информацией, отправка отчётной документации, а также, при наличии соответствующих технических средств, позволяют создавать и участвовать в видеоконференциях, консилиумах и т.д. Техническое и программное обеспечение АРМ врача АРМ врача, как правило, оснащается сетевыми аппаратными инструментами для подключения к Интернет-ресурсам и общей системе ЛПУ – модем, сетевой адаптер, сетевые каналы связи и т.п. При необходимости АРМ врача обеспечивается специальными устройствами, такими как цифровые фото- и видеокамера, сканер, АЦП. Программное обеспечение АРМ врача – это комплекс программ, которые обеспечивают эффективный вычислительный и организационный процессы. ПО автоматизированного рабочего места врача должна отвечать следующим требованиям: · удобный пользовательский интерфейс программы; · оперативность ввода данных, с возможностью обнаружения ошибок; · ускоренный поиск и обработка документов; · обмен информацией между АРМ; · возможность индивидуализации программы для конкретного пользователя. Компьютерные системы поддержки врачебных решений. Компьютерная поддержка врачебных решений это система, включающая регистр медицинских данных и комплекс программ, ориентированных на решение диагностических, прогностических и лечебных задач (иногда их называют экспертными системами-ЭС). ЭС - продукты исследований и разработок в области ИИ, находят широкое применение в медицине с 1980-х гг. Современные информационные технологии используемые в ЭС: теории принятия решений, методы вывода по прецедентам и распознавание образов. ЭС призвана помочь врачу аккумулировать собственный опыт путем накопления и интерпретации данных о пациентах и их состоянии в виде прецедентов и, если необходимо, использовать опыт, накопленный другими врачами в подобных системах. Такие системы, часто используют вывод решений на основе прецедентов. Вывод на основе прецедентов Вывод на основе прецедентов основан на знаниях о предыдущих ситуациях или случаях (прецедентах). При рассмотрении новой проблемы (текущего случая) в качестве аналога находится похожий прецедент. Решение, выбранное из аналога, либо используется прямо, либо адаптируется к текущему случаю. После того, как текущий случай будет решен, он вносится в базу прецедентов вместе со своим решением для его возможного последующего использования. Система, построенная по такому принципу, является самообучаемой. Вопрос 40. Архитектура клиент-сервер, структура, примеры использования. Реализация медицинских информационных систем на архитектуре «клиент- сервер». Подавляющее большинство МИС построено на архитектуре «клиент-сервер». Т.к. большая часть существующих требований к МИС уже реализована в промышленных СУБД, построенных по архитектуре «клиент-сервер», что позволяет значительно сократить время на создание системы. Клиент-сервер — вычислительная или сетевая архитектура, в которой задания или сетевая нагрузка распределены между поставщиками услуг - серверами, и заказчиками услуг, клиентами. е Многоуровневая архитектура клиент-сервер – разновидность архитектуры клиент- сервер, в которой функция обработки данных вынесена на один или несколько отдельных серверов. Это позволяет разделить функции хранения, обработки и представления данных для более эффективного использования возможностей серверов и клиентов. · Клиент – это интерфейсный (обычно графический) компонент (программа, установленная на компьютер), который представляет первый уровень - приложение для конечного пользователя. Первый уровень не должен иметь прямых связей с базой данных. · Сервер приложений располагается на втором уровне. На втором уровне сосредоточена большая часть логической схемы системы. Вне его остаются фрагменты, экспортируемые клиентам, а также погруженные в третий уровень хранимые процедуры. · Сервер базы данных обеспечивает хранение данных и выносится на третий уровень. Обычно это стандартная СУБД. В простейшей конфигурации физически сервер приложений может быть совмещен с сервером базы данных на одном компьютере, к которому по сети подключается один или несколько клиентов. |