Fig. 1. Contextual chart neural process of recognition of phonemes

 

●

 Технические науки 

 

348                                                                                            

№2 2016 Вестник КазНИТУ

 

 

It should be noted that the proposed chart OCR process is implemented using neural network models, 

which are used in accordance solutions identified in neural methods. Given the known technology of applica-

tion  of  neural network  models for solving practical problems  may be argued that the process of neural net-

work recognition of phonemes in the voice signal must consist of the following stages: 

- formation parameters of case studies; 

- training set formation; 

- determine the type and parameters of neural network models; 

- application of neural network models for recognition. 

Use  the  following  statements  allowed  the  build  shown  in  Fig.  Chart  2  decomposition  process  neural 

network recognition of phonemes. Purpose of the components of this diagram is as follows: 

- Formation parameters case studies - determination for each phoneme set of input and output parame-

ters and their coding method to a form suitable for use in neural network models. 

-  Formation  training  set  -  determining  such  set  of  training  examples  corresponding  benchmark  pho-

nemes. The quantity, quality and range of examples should be sufficient for learning neural network model. 

Quality pretreatment training set for neural network models like multilayer perceptron offered estimate using 

constants of Lipshits [7]. 

- Determining the type and parameters of neural network models - the choice to use this type of neural 

network models with options that best meet the requirements of the problem of recognition of phonemes in 

the voice signal specific system of distance learning. 

- Application of neural network model - recognition of phonemes in the voice signal. Note that the use 

of neural network model causes stress Web server of distance learning and can lead to the exhaustion of its 

computing resources. 

 

 

Fig. 2.  Chart decomposition process neural network recognition of phonemes 

 

The next step was the creation of development conceptual model shown in Fig. 3 circuit components 

of neural network system of recognition of phonemes in the voice signal of distance learning. In the design 

takes  into account the peculiarities of  neural system  in a distance learning system and the results of [7, 10] 

relating to the disadvantage of the known means of neural network to recognize the voice signals. 

 

 

●

 Техникалық ғылымдар 

 

ҚазҰТЗУ хабаршысы №2 2016                                          

349 

 

 

Fig. 3. Scheme of interaction of components of neural network system of recognition of phonemes in the  

voice signal of distance learning 

 

Thus, the development includes: 

- imperfect methods of forming parameters for case studies of neural network models are designed to 

recognize phonemes; 

- forming long training set for neural models in the case of limited access to the database of phonemes; 

- the difficulty of access to existing databases phonemes; 

- additional load on the Web server of distance learning through the functioning of the recognition. 

Therefore, the scheme provides for the possibility  of forming parameters of case studies and training 

set using  expert data. Analysis  of the  data shown in Fig. 2 and Fig. 3 suggests that the  effectiveness  of the 

neural network recognition of phonemes in the voice signals of distance learning influenced by several fac-

tors, shown in Fig. 4. 

 

 

 

Fig. 4. Pressure on the effectiveness of recognition 

 

●

 Технические науки 

 

350                                                                                            

№2 2016 Вестник КазНИТУ

 

 

 

These factors can be divided into three groups, which characterize the learning process of neural net-

work model and resource consumption. It's also possible to argue that the effectiveness of the neural network 

recognition reasonable to evaluate in terms of the efficiency of the use of neural network assets and in terms 

of  learning  neural network  model. This performance should reflect  duration, specific resource consumption 

and  accuracy  of  these  processes.  Thus,  studies  allow  us  to  offer  series  shown  in  Fig.  5  indicators,  through 

which  it  is possible to assess the  effectiveness  of the  neural  network recognition  of phonemes in the  voice 

signal of distance learning. 

 

T

h

e

 t

e

rm

 r

e

c

o

g

n

it

io

n

E

rr

o

r 

re

c

o

g

n

it

io

n

R

e

c

o

g

n

it

io

n

 o

f 

s

p

e

c

if

ic

 

re

s

o

u

rc

e

 c

o

n

s

u

m

p

ti

o

n

T

h

e

 t

e

rm

 e

x

e

rc

is

e

s

E

rr

o

r 

e

d

u

c

a

ti

o

n

S

p

e

c

if

ic

 r

e

s

o

u

rc

e

 

c

o

n

s

u

m

p

ti

o

n

 s

tu

d

y

T

h

e

 t

e

rm

 f

o

rm

a

ti

o

n

 

tr

a

in

in

g

 s

e

t

 

 

Fig. 5. Performance evaluation of the efficiency of neural network recognition 

 

 

As a result, determined that in analytical form a conceptual  model to  ensure the  efficiency  of neural 

network recognition of phonemes may display with the following expressions: 





2

1

, E

E

f

E 



,                                                          (1)  





3

2

1

1

e

,

e

,

e

f

E 

,                                                        (2)  





5

4

2

e

,

e

f

E 

,                                                           (3)  

where 



E

-  the  integrated  process  efficiency, 

1

E

-  the  effectiveness  of  the  design  and  application  of 

neural  network  assets, 

2

E

-  the  effectiveness  of  the  establishment  of  the  training  set, 

1

e

-  identify  effective 

types  of  neural  network  models, 

2

e

-  determine  the  parameters  of  neural  network  model, 

3

e

  -  specific  re-

source consumption application  of  neural network  means,  

4

e

-  determine the parameters  of training  exam-

ples, 

5

e

  - the formation of the training set. 

Use the developed conceptual model allows you to move to the next phase of research in the develop-

ment of effective means of neural network recognition. Note that according the results of [7] this phase is to 

improve the methodological bases use neural networks to detect voice signals in distance learning. 

 

●

 Техникалық ғылымдар 

 

ҚазҰТЗУ хабаршысы №2 2016                                          

351 

 

 

Conclusions. As a result of research developed a conceptual model to ensure the efficiency of neural 

network recognition  of phonemes in  distance  learning.  Unlike the  existing  conceptual  model takes  into ac-

count  the  fact  that  the  expected  terms  of  introduction  of  neural  variability  characterized  by  means  of  re-

strictions  on term  development, attracting labor resources, acoustic parameters of the  voice signals compu-

ting resources web-server e-learning system  and restrictions on the use of educational databases neural net-

work models.. Also in the process of creating a model of the factors affecting the performance of neural net-

work recognition of phonemes in distance learning and identified a number of indicators to measure the effi-

ciency  of  the  process.  Using  the  model  allows  us  to  go  to  develop  the  methodological  framework  creating 

effective means of neural network recognition. 

 

REFERENCES 

[1]  Dmitriev, V.T., Balandin I.V. (2008). Speaker-independent automatic search for keywords in a stream of 

continuous speech, resistant to acoustic noise. RSREU, Gazette, № 2 (Issue 24), 17-22.  

[2]  Geoffrey Hinton.(2011)  Deep Belief Nets. http://www.cs.toronto.edu/~hinton/nipstutorial/nipstut3.pdf. 

[3]  Hoards S.A. (2012) Recognition of voice commands using self-organizing Kohonen neural network. Youth 

Science and Technology Gazette, № 05,  http://sntbul.bmstu.ru/doc/ 458.html 

[4]  Kushnir D.A. (2006). Research and development of methods of analysis and neural network for speech sig-

nal processing speech recognition problem: dis. ... Cand. tehn. Sciences: 05.13.01. Moscow, 182. 

[5]  Le N.V., Panchenko D.P. (2011). Speech recognition based on artificial neural networks. Engineering sci-

ence in Russia and abroad: Proceedings of International. absentia. scientific. conf. Moscow, Publishing Your partner, 8-

11. 

[6]  Tereykovskaya L.A., Tereykovskyy I.A. (2013.) The problem of voice interaction in distance learning uni-

versity. Management of Complex Systems: Coll. sciences. papers, Issue 13, 157-161. 

[7]  Tereykovskyy I. (2007). Neural network means of information protection. Kiev, PolihrafKonsaltynh, 209. 

[8]  Titov N. (2007). Mathematical model of the organ of hearing for automatic speech recognition. Scientific-

technical. vestn. ITMO, № 37,307-310. 

[9]  Vintsyuk  T.K.  (1987).  Analysis  and  interpretation  of  the  speech  recognition  signals.  Kiev,  Naukova 

Dumka. 262. 

[10]  Yaschenko V.A. (2005). Secondary machines in intelligent systems. Artificial intelligence, № 3, 14-20. 

 

 

Сейлова Н.А., Терейковская Л.А. , Абду Наджи 

Қашықтықтан білім беру жүйесінде фонемам нейрондық желі тану үрдісінің тиімділігін қамтама-

сыз ету тұжырымдамалық үлгісі 

Түйіндеме. Мақала дауыс сигналдарды тану құралдарына негізделген , интерактивті оқу материалдарын 

енгізу  арқылы  қашықтықтан  оқыту  тиімділігін  арттыру  мәселелерне  арналған.  Ол  осы  қорларды  дамыту  пер-

спективалары және фонемы тану үшін құрастырылған және қашықтықтан оқыту жүйесінде пайдалану жағдай-

ларына бейімделген болуы тиіс нейрондық желілерді құру, байланысты екендігі көрсетілген. Үлгіні пайдалана 

отырып, тиімді нейрондық желіні тану құралдарын құрудың әдіснамалық қорын дамыту мүмкіндігі туады. 

Негізгі сөздер: дауысты сигналды тану, қашықтықтан білім беру жүйесі, нейронді желі, фонема, тұжы-

рымдамалық үлгі. 

 

Сейлова Н.А., Терейковская Л.А., Абду Наджи 

Концептуальная  модель  обеспечения  эффективности  процесса  нейросетевого  распознавания  фо-

нем в системе дистанционного образования 

Резюме.  Статья  посвящена  проблеме  повышения  эффективности  системы  дистанционного  обучения  за 

счет внедрения интерактивных учебных материалов, основанных на средствах распознавания голосовых сигна-

лов.  Показано,  что  перспективы  разработки  таких  средств  связаны  с  созданием  нейронных  сетей,  которые 

предназначены для распознавания фонем и должны быть адаптированы к условиям применения в системе ди-

станционного обучения. Использование модели позволяет перейти к разработке методологической базы созда-

ния эффективных нейросетевых средств распознавания. 

Ключевые  слова:  распознавание  голосового  сигнала,  система  дистанционного  обучения,  нейронная 

сеть, фонема, концептуальная модель. 

 

 

 

 

 

●

 Технические науки 

 

352                                                                                            

№2 2016 Вестник КазНИТУ

 

 

УДК 697.24 

Т.О. Сейдалиев, Г.Б. Алдабергенова  

(Казахский национальный технический университет имени К.И.Сатпаева 

Алматы, Республика Казахстан, Stalgat73@mail.ru) 

 

СОВРЕМЕННЫЕ СИСТЕМЫ ОТОПЛЕНИЯ И ОХЛАЖДЕНИЯ ЗДАНИЙ 

 

Аннотация. В настоящее время все больший интерес специалистов вызывают энергоэффективные кли-

матизации, в которых может использоваться низкотемпературный теплоноситель в режиме отопления и высо-

котемпературный  холодоноситель  в  режиме  охлаждения.  Этому  в  том  числе  способствует  развитие  систем 

климатизации на базе теплонососных установок. 

Ключевые слова: Отопление, системы, охлаждение, здания, климатизация, энергоэффективность, уста-

новки, технология, теплопотери, теплоотдача, теплоноситель, параметры. 

 

Все начиналось с отопления производственных помещений, причем нам доставались сложные 

случаи  (как  из-за  особенностей  технологии,  так  и  из-за  особенностей  самих  систем  отопления, 

например слишком низкой для обычных систем рабочей температуры теплоносителя). 

Затем эти системы стали более известны и интересны, в первую очередь за счет их энергосбе-

регающего  потенциала.  Потом  данной  технологией  заинтересовались  архитекторы,  поскольку  она 

дает им определенную свободу, среди объектов появились автосалоны. Затем была волна спортивных 

объектов по всей стране [1]. 

Сейчас  примерно  равные  доли  занимают  производственные,  складские,  спортивные  и  обще-

ственные  здания,  разнообразные  сервисные  центры  и  ангары.  В  последнее  время  появляются  также 

торговые  центры,  выставочные  залы,  оранжереи,  конюшни,  гаражи,  кафе  и  рестораны,  так  что  об-

ласть применения постоянно расширяется. 

Интересно, что и специалисты, и конечный потребитель видят преимущества данного типа си-

стем и выбирают их снова и снова. Именно поэтому у нас много постоянных клиентов. 

дает им определенную свободу, среди объектов появились автосалоны. Затем была волна спор-

тивных объектов по всей стране. 

Сейчас  примерно  равные  доли  занимают  производственные,  складские,  спортивные  и  обще-

ственные  здания,  разнообразные  сервисные  центры  и  ангары.  В  последнее  время  появляются  также 

торговые  центры,  выставочные  залы,  оранжереи,  конюшни,  гаражи,  кафе  и  рестораны,  так  что  об-

ласть применения постоянно расширяется. 

Интересно, что и специалисты, и конечный потребитель видят преимущества данного типа си-

стем и выбирают их снова и снова. Именно поэтому у нас много постоянных клиентов.  

Основное отличие, наверное, это низкая инерционность подвесных систем, возможность более 

быстрого реагирования на изменения температуры в помещении и наружной температуры, более бы-

стрый переход системы из дежурного режима в рабочий [2]. 

Кроме  того,  использовать  подвесные  панельнолучистые  системы  рекомендуется,  если  рекон-

струкция системы отопления происходит без остановки производства-у нас было много таких случа-

ев.  Такие  системы  можно  устанавливать  на  самой  поздней  стадии  готовности  объекта,  причем  их 

монтаж происходит значительно быстрее и проще. 

Также  подвесные  потолочные  отопительные  панели  можно  использовать  в  системах  с  более 

высоким  рабочим  давлением  и  более  высокой  рабочей  температурой,  когда  в  этом  есть  необходи-

мость (до 12 атм и +140 °С соответственно). 

Максимальная высота установки водяной панельно-лучистой системы зависит от теплопотери 

помещения, параметров теплоносителя и свободной площади потолка, на которой можно разместить 

панели,  которые  при  заданном  температурном  напоре  обеспечат  необходимую  теплоотдачу.  По-

скольку воздух прозрачен для теплового излучения, панели эффективны на очень большой высоте. У 

нас есть объекты, где панели установлены на высоте более 20, 30 и даже 40 м. 

Что касается минимальной высоты установки таких систем, необходимо помнить, что чем ниже 

вы  устанавливаете  панели  и  чем  большую  площадь  потолка  они  занимают,  тем  более  низкие  па-

раметры  теплоносителя  нужно  принимать.  Например,  для  высоты  подвеса  2,5-3,0  м  это  примерно 

+35/+30...+45/+35 °С. Более подробную информацию об  определении максимально допустимой тем-

пературы поверхности панелей в помещениях с постоянным пребыванием людей можно найти в раз-

 

●

 Техникалық ғылымдар 

 

ҚазҰТЗУ хабаршысы №2 2016                                          

353 

 

деле  «Требования  к  комфортности  тепловой  обстановки  в  помещении  при  отоплении  панелями»  в 

рекомендациях  АВОК  «Системы  отопления  с  потолочными  подвесными  излучающими  панелями». 

Для практических нужд проектирования ограничения по максимальной температуре поверхности па-

нели в зависимости от высоты  установки панельно-лучистой системы представлены в нашей техни-

ческой документации для каждой модели панелей [3]. 

Параметры теплоносителя должны удовлетворять требованиям в отношении допустимых по-

казателей pH (оптимальный 7-8), а также требованиям, приведенным в «Правилах технической экс-

плуатации электрических станций и сетей Российской Федерации», в том числе и в отношении со-

держания кислорода (не более 20 мкг/дм

3

), жесткости и содержания железа. 

Это зависит от конкретной модели панелей, материалов и технологии производства, а также от 

выбранной техники соединения панелей и присоединительной арматуры. Диапазон по максимальной 

рабочей температуре от +50 до +140 °С, по максимальному рабочему давлению от 4 до 12атм. В лю-

бом случае можно выбрать подходящее дешение.  

Поскольку теплоносителем является вода или водно-гликолевая смесь, регулирование теплоот-

дачи осуществляется точно так же, как и систем водяных радиаторов,- качественно и количественно. 

В  основном  водяные  панельно-лучистые  системы  как  раз  и  применяют  в  качестве  единствен-

ной  системы  отопления.  Для  отопления  загородного  дома  мы  все-таки  рекомендуем  использовать 

радиаторы или систему «теплый пол», если систему планируют использовать только в режиме отоп-

ления.  Применение  потолочных  панельно  лучистых  систем  в  частных  домах  экономически  оправ-

данно только при использовании системы и в режиме охлаждения. 

«Холодные  потолки»  -  это  так  называемая  высокотемпературная  и,  соответственно,  энергоэф-

фективная  система  охлаждения.  В  Европе  уже  выработана  методика  проектирования  таких  систем. 

Она  отличается  от  стандартной  методики  воздушного  охлаждения.  Температуру  подающей  маги-

страли принимают обычно+15...+16 °С, обратной +18...+19°С, поэтому такие системы эффективны в 

комбинации с тепловыми насосами в режиме пассивного охлаждения, а также в системах с использо-

ванием грунтовых вод без доохлаждения. Расчетная температура также отличается от той, к которой 

мы привыкли, и составляет +25...+26 ”С, а не +20...+22 "С. Лучистый теплообмен происходит более 

интенсивно, чем конвективный, и эффект отвода тепла от людей более сильный, поэтому при темпе-

ратуре +22 °С люди уже чувствуют дискомфорт, проще говоря, мерзнут. 

Методика проектирования панельно-лучистого охлаждения всегда предусматривает предотвра-

щение  образования  конденсата  с  помощью  установки  датчика  точки  росы  на  подающем  трубо-

проводе.  Когда  датчик  срабатывает,  температура  поверхности  панелей  увеличивается  либо  за  счет 

снижения  расхода  холодоносителя,  либо  путем  повышения  его  температуры  за  счет  подмеса  из  об-

ратного трубопровода [4,5,6]. 

Кроме того, когда проектируется система панельно лучистого охлаждения, необходимо предус-

мотреть систему вентиляции с возможностью осушения воздуха. Тогда система будет работать более 

эффективно, а уровень комфорта будет выше. 

Можно. Допустимо содержание гликоля до 50%. Необходимо также скорректировать площадь 

панельно  лучистой  системы  с  учетом  уменьшения  мощности  системы.  Соответственно,  несколько 

отличаться будут и потери давления. 

 

ЛИТЕРАТУРА 

[1]  Наумов  А.Л.  Энергоэффективных  жилой  дом  в  Москве.  //  Здания  высоких  технологий.  2012.ТПА 

2009 г. №2. - С. 83-84. 

[2]  Пырков  В.В.  Гидравлическое  регулирование  систем  отопления  и  охлаждения.  Теория  и  практика. 

Киев: ДП «Такі справи», 2005. – С. 320. 

[3]  Орлов  К.С.  Монтаж  и  эксплуатация  санитарно-технических,  вентиляционных  систем  и  оборудова-

ния. [Текст] / К.С. Орлов// - М.: Изд-во Академия, 2006 г. - 336 с. 

[4]  Покотилов В.В. Системы водяного отопления. ГЕРЦ Арматурен ГмБх, 2008. – С. 161. 

[5] Гнездилова О. А. Контроль энергосбережения в системах теплоснабжения, отопления и горячего во-

доснабжения  /  О.  А.  Гнездилова,  В.  Ф.  Степанов  //  Молодежь  и  XXI  век:  тезисы  докладов  XXXIV  вузовской 

науч.-техн. конф. — Курск, 2006. — С. 121 —122. 

[6] Журнал АВОК. Москва: АРКТИКА 2015. – С. 40-42. 

 

 

 

жүктеу/скачать 51,43 Mb.

Достарыңызбен бөлісу: