Мобильные приложения сегодня – это необходимый инструмент для работы, учебы, развлечений и связи со всем информационным миром. С каждым годом возрастают требования к приложениям, а также потребность в стабильных и многофункциональных программных средствах, которые будут способны быстро выполнять поставленные перед ними задачи. Хоть большинству приложений и необходим доступ в интернет для связи с сервисами, требуется также обеспечить и сохранность данных на самом устройстве, чтобы была возможность оффлайн - доступа к данным. Для решения этой задачи при разработке мобильных приложений существует множество различных средств, но наиболее распространённым является библиотека Room, входящая в пакет «Android Jetpack». В статье приведено краткое описание функциональных возможностей данной библиотеки. Рассмотрена работа всех основных компонентов с базовыми аннотациями. Также схематично представлено взаимодействие основных компонентов библиотеки и показан пример реализации в мобильном приложении на операционной системе Android.

Ключевые слова: база данных, SQLite, Android Jetpack, Room, Android

2.3.1 - Системный анализ, управление и обработка информации

Любое мобильное приложение состоит из рабочих экранов, которые содержат различную информацию. С каждым годом требований к приложениям становится все больше. Это обусловлено постоянным ростом количества пользователей различных сервисов, которые требуют для своего функционирования определенные программные компоненты. Использование примитивных методов разработки, как и устаревших компонентов, приводит к увеличению сроков проектирования, реализации и внедрения проекта в работу. Но развитие технологий не стоит на месте, что позволяет решать появляющиеся трудоемкие задачи в более легкой форме и значительно быстрее. И примером этому является разработанная библиотека «The Navigation Component», что позволяет создавать удобную и понятную схему навигации внутри приложения, а это просто необходимо, когда мобильное приложение насчитывает множество рабочих окон. В статье будет приведен список компонентов библиотеки «The Navigation Component». Показаны основные атрибуты. Рассмотрен принцип работы каждого компонента.

Ключевые слова: навигационная схема приложения, The Navigation Component, приложение, Android

2.3.1 - Системный анализ, управление и обработка информации

В данной статье рассматривается вопрос формирования и связи слоев в задаче классификации изображений знаков дорожного движения, а также вычисления весов на соответствующих слоях нейронной сети. Авторами приводится описание биологической структуры нейронов головного мозга, и их сопоставления с искусственными нейронными сетями. Представлена концептуальная модель искусственного нейрона и нейронной сети с описанием структурных элементов. Приведена матричная структура весов нейронной сети. Описан процесс преобразования RGB-изображения дорожного знака во входной слой нейронной сети. Для каждого скрытого слоя представлено соответствующее описание. Кроме того, приведено описание слоев свертки и максимального пула, а также пояснение необходимости применения данного типа слоев в сверточной нейронной сети. Так же авторами описан алгоритм формирования сверточной нейронной сети для классификации дорожных знаков. Приведены примеры работы данной нейронной сети.

Ключевые слова: сверточные нейронные сети, классификация, deep learning, big data, математическое моделирование, информатика

2.3.1 - Системный анализ, управление и обработка информации

В данной статье рассматривается проблематика определения органов воздушного дыхания на снимках компьютерной томографии с помощью сверточных нейронных сетей архитектуры U-NET. Описаны перспективы использования нейронных сетей при анализе медицинских снимков, а также использование архитектуры U-NET для семантической сегментации изображений. Производится формирование структуры искусственной нейронной сети на базе архитектуры U-NET. Визуализируется строение слоев данной сети и описаны составные части данной структуры. Особое внимание уделяется описанию и реализации процесса свертки. Представлена формула определения весовых коэффициентов границы разделения. Предложены алгоритмы формирования модели искусственной нейронной сети и алгоритм построения слоев. Рассматривается способ увеличения данных для обучающей выборки изображений медицинских снимков. Представлено изображение результата определения органов грудной клетки и соответствующая маска.

Ключевые слова: сверточные нейронные сети, архитектура U-NET, глубокое обучение, распознавание изображений, machine learning

2.2.12 - Приборы, системы и изделия медицинского назначения , 2.3.1 - Системный анализ, управление и обработка информации

В данной статье рассматривается проблематика построения сверточных нейронных сетей для определения дорожных объектов. Представлена общая актуальность и постановка проблемы определения дорожных объектов. Сформировано обоснование применения искусственных нейронных сетей для определения дорожных объектов. В качестве основной архитектуры искусственной нейронной сети для определения дорожных объектов использована архитектура сети Retinanet. Визуализирована общая концепция данной архитектуры и основные подсети. Описаны функции ошибки для основных подсетей сети Retinanet. Дано проектное описание алгоритмов построения аннотации данных для обучения искусственной нейронной сети, а также алгоритмов построения архитектуры нейронной сети классификации, регрессии и пирамиды признаков. Определена динамика изменения общей функции ошибки при определении дорожных объектов. Представлен результат обучения искусственной нейронной сети.

Ключевые слова: сверточные нейронные сети, классификация, регрессия, сверточные нейронные сети, deep learning, big data, математическое моделирование, информатика, архитектура RetinaNet

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ

В процессе ведения информационной деятельности скапливается большой набор данных, который отражает специфические особенности производимой работы. Не всегда хранимая информация находится в упорядоченном и понятном виде, благодаря чему с ней очень тяжело работать. Это затрудняет выполнение анализа, увеличивает сроки обработки. Решить эту проблему в силах нейросети. Сегодня нейронные сети повсеместно используются во многих сферах деятельности, за счёт их применения, например, появляется возможность более тщательно анализировать ситуацию на рынке и принимать соответствующие решения, прямо влияющие на успех. Благодаря использованию нейросети можно провести набор информации в удобный для анализа вид. В статье будет приведен перечень информации о самоорганизующейся карте Кохонена, касающийся принципов работы нейронной сети. Рассмотрена обработка тестовых данных с визуализацией карт.

Ключевые слова: самоорганизующаяся карта Кохонена, сети Кохонена, нейронные сети, кластер, обработка, Self Organizing Map, SOM

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Мобильные приложения повсеместно используются множеством людей в повседневных задачах. С каждым годом возрастает потребность во все более функциональных, удобных и надежных программных средствах, которые смогут обеспечить быструю и безопасную работу в различных областях. Но для разработки такого приложения необходимо использовать соответствующую всем требованиям архитектуру. В данной работе пойдет речь об использовании компонентов из Android Architecture Components, разработанных компанией Google, которые позволяют реализовать некоторые паттерны проектирования с учетом особенностей операционной системы Android. В статье будет приведен перечень наиболее используемых компонентов, а также краткая справка по их функциональным возможностям. Рассмотрена работа одного из компонентов с базовыми элементами операционной системы Android. Также схематично показано взаимодействие компонентов на примере реализации одного из паттернов проектирования.

Ключевые слова: архитектура приложения, Android Architecture Components, приложение, Android

05.13.01 - Системный анализ, управление и обработка информации (по отраслям)

В данной статье рассматривается проблематика определения знаков дорожного движения для управления автотранспортным средством с использованием аппарата искусственной нейронной сети. Описана актуальность исследований на данный момент времени, а также преимущества использования нейронных сетей при определении знаков дорожного движения. Представлены входные данные при определении знаков дорожного движения для сверточных нейронных сетей. Сформирована архитектура сверточной нейронной сети классификации, в частности, рассматривается последовательность слоев сети классификации изображений. Дано математическое описание моделирования функции ошибки и метода стохастического градиентного спуска. Представлена математическая модель процесса обучения искусственной нейронной сети, а также функций активации: линейной функции и сигмоиды. Предложен алгоритм формирования модели искусственной нейронной сети. Визуализирован на графике процесс обучения данной функции. Представлен результат обучения.

Ключевые слова: искусственные нейронные сети, классификация, сверточные нейронные сети, deep learning, big data, математическое моделирование, информатика

05.13.01 - Системный анализ, управление и обработка информации (по отраслям) , 05.13.18 - Математическое моделирование, численные методы и комплексы программ