И. К. Бейсембетов ректор Зам главного редактора



Pdf көрінісі
бет57/92
Дата31.03.2017
өлшемі51,43 Mb.
#10731
1   ...   53   54   55   56   57   58   59   60   ...   92

 

мұндағы, х

А

 , у



А

 , х

В 

 және у



В

 - жергілікті жердегі А және В тірек пункттерінің координаталары. 

Содан кейін жер телімі нүктелерін анықтауға қажетті бұрыштар мәндері β

1

 және β



2

 мына фор-

мулалардан анықталады: 

 

AC



AB







1

 ,                                                            (4) 



BA

BC







2

 



Жергілікті жердегі С нүктесінің орнын анықтау үшін бастапқы бағыттан β

1

 және  β

2 

бұрышта-


рын теодолиттің көмегімен А және В тірек пункттерінен шығарады. Осында теодолитті А және В  ті-

рек пункттерінің әрқайсысына орнатып β



1

 және β

2 

бұрыштарын құрады да, дүрбіні бағыттайды. Осы 

бағыттардың қиылысатын жақын жерінде а

1

, а

2

, в

1

, в

2

 нүктелерін

 

екі қадамен белгілейді де, бағыттың 



әрқайсысын  жіппен  қосады.  Осы  екі  бағыттың  қиылысатын  жері  жергілікті  жердегі  жобадағы  жер 

телімінің нүктесі болып саналады. Тексеру мақсатымен жер бетіндегі С нүктесіндегі γ бұрышын өл-

шейді. 

Ұзындық  қиылыстыру  тәсілін  жер  телімінің  жергілікті  жерге  шығарылатын  нүктелері  тірек 



пункттеріне  жақын  орналасқан  кезде,  яғни  тірек  пункті  мен  нүкте  арасындағы  қашықтық  таспаның 

немесе рулетканың ұзындығынан артық болмағанда қолданылады. Жер телімінің 1 және 2 нүктелері-

нің  (2,г-сурет)  орындарын  жер  бетіне  шығару  мақсатымен  олардың  жерге  орналастыру  планынан 

координаталарын  х



1

, у

1

және  х

2

, у

2

 графикалық түрде анықталады. Осыдан кейін тірек пункттерінен 

жер  бетіне шығарылатын жер телімінің нүктелеріне дейінгі қашықтықтарды d

1

, d

2

, d

 және d



4

 мына 


формулалардан анықтайды: 

 

2



2

1

1



1

1

1



sin

cos


Y

X

Y

Y

X

X

d

A

A

A

A













 



 Технические науки 

 

344                                                                                            



№2 2016 Вестник КазНИТУ

 

 



2

2

1



1

1

1



2

sin


cos

Y

X

Y

Y

X

X

d

B

B

B

B











,                                          (5) 

2

2

2



2

2

2



3

sin


cos

Y

X

Y

Y

X

X

d

A

A

A

A











2



2

2

2



2

2

4



sin

cos


Y

X

Y

Y

X

X

d

B

B

B

B











 



мұндағы,  α

A-1

, α

B-1

, α

A-2 

және α



B-2

 – А-1, В-1, А-2 және В-2 бағыттарының дирекциондық бұрыш-

тары. 


Жоғарыдағы формулада келтірілген бағыттардың дирекциондық бұрыштары α

A-1

, α

B-1

, α

A-2 

және 



α

B-2

 мына формулалардан анықталады: 

 

A



A

A

X

X

Y

Y



1



1

1



B

B

B

X

X

Y

Y



1



1

1

,                                                              (6) 

A

A

A

X

X

Y

Y



2



2

2



B

B

B

X

X

Y

Y



2



2

2

 

Осы дайындықты орындағаннан соң жер бетінде жер телімінің 1 және 2 нүктелерінің орында-



рын анықтау үшін А және В тірек пункттерінен d

1

 және d



2

,  d

3

 және d



4

 арақашықтықтарын шығарғанда 

олардың қиылысқан жерлері ізделіп отырған нүктелердің орындары болып табылады.  

Жармалық тәсіл планда координаталық тор және жергілікті жерде тор төбелері бекітілген бол-

са, онда жер телімінің бұрылу нүктелері былайша анықталады (2,д-сурет). План бойынша координа-

талық  тор  қабырғалары  бойындағы  1-1,  1-3,  1-n,  1-m,  11-n



1

,  11-m

1

,  111-2,  111-4  арақашықтықтарын 

анықтайды.  Жергілікті  жерде  анықталған  осы  арақашықтықтарды  координаталық  тор  төбелерінен 

квадрат қабырғаларының бойымен өлшеп салады. Содан кейін көздеу сызықтары 1-2 және n-n

1

 қиы-


лысында N

1

 нүктесін, 1-2 және m-m

1

 қиылысында M



1

 нүктесін, 3-4 және n-n

1

 қиылысында N нүктесін, 



3-4 және m-m

1

 қиылысында M нүктесін табады.   

Жергілікті  нысандардан  бөлу  тәсілі  ішінара  құрылыстанған  аумақ  ішінде  жер  телімі  орналас-

қанда (2,е-сурет), оның бұрылу бұрыштары жергілікті жердегі нысандардан жоғарыдағы келтірілген 

тікбұрышты  және  полярлық  координаталар,  бұрыштық  және  ұзындық  қиылыстырулар  немесе  осы 

тәсілдердің  қисындасуымен  анықталады.  Осында барлық  бастапқы  мәліметтер  планнан  графикалық 

түрде  анықталады,  себебі  жер  телімі  ғимараттар  мен  нысандар  арасында  болған  кезде  бөлулік  жұ-

мыстарды жүргізуде  жоғары дәлдіктің қажеттігі тумайды. 

  

ӘДЕБИЕТТЕР 



[1]  Қазақстан Республикасының Жер кодексі. –Алматы: Жеті жарғы, 2003. -256 б. 

[2]   Поклад Г.Г., Гриднев С.П. Геодезия. –М.: Академический Проект, 2007.-592 c. 

 

REFERENCES 



[1]  Kazakhstan Respublikasynyn Zher kodeksi. – Almaty: Zheti zhargy, 2003. – 256 b. 

[2]  Poklad G.G., Gridnev S.P. Geodeziya. – M: Akademicheskiiy Proekt, 2007. – 592 s. 

 

 

 



 

 

 



 Техникалық ғылымдар 

 

ҚазҰТЗУ хабаршысы №2 2016                                          



345 

 

Калыбеков Т., Абен А.С.



 

Способы перенесения в натуру проектных границ земельного участка 

Резюме. В статье приведены способы перенесения в натуру при землеустроительных работах проектных 

границ  земельных  участков.  Приведены  формулы  для  определения  координат  проектных  точек  земельного 

участка при землеустройтельных работах. 

Ключевые слова: земельный участок, граница, кадастр, землеустройство, перенесение в натуру.  

 

Kalybekov T., Aben A.S. 



Methods of transference in nature of project borders of lot land  

Summary.  Ways  of  transferring  to  nature  are  given  in  article  during  the  land  management  works  of  design 

borders of the land plots. The formulas for determining the coordinates of the design point of land in the land surveying 

work. 

Key words: land plot, border, inventory, land management, transferring to nature. 

 

 



 

UDC 519.68                                                                                              



 

N. Seilova

1

 L. Tereykovskaya

2

A. Наджи



(



Kazakh national research technical university named after Satpayev K.I.,  

Almaty, Kazakhstan. seilova_na@mail.ru  

Kyiv National University of Construction and Architecture, Kyiv, Ukraine, terejkowski@ukr.net 



3

National Aviation University, Kyiv, Ukraine, abdonagi@hotmail.com) 



 

CONCEPTUAL MODEL TO ENSURE THE EFFICIENCY OF NEURAL NETWORK 

RECOGNITION OF PHONEMES IN DISTANCE LEARNING 

 

Abstract. The article is devoted to the problem of improving the effectiveness of distance learning through the 

introduction of interactive training materials, based on the media to recognize the voice signals. It is shown that the pro-

spects  for  the  development  of  such  tools  related to  the  creation  of  neural networks,  which  are  designed  to recognize 

phonemes and should be adapted for use in distance learning. An outline promising research paths towards development 

of effective means of neural network using a conceptual model. The conceptual model to ensure the efficiency of neural 

network recognition of phonemes in distance learning. Unlike the existing conceptual model takes into account the fact 

that  the  expected  terms  of  introduction  of  neural network  means  characterized  by  variability  limits  on  term  develop-

ment, attracting labor resources acoustic parameters of the voice signal computing resources web server system of dis-

tance education and restrictions on the use of educational databases neural network models. In the process of creating a 

model  of  the  factors  affecting  the  performance  of  neural  network  recognition  of  phonemes  in  distance  learning  and 

identified a number of indicators to measure the efficiency of the process. Using the model allows us to go to develop 

the methodological framework creating effective means of neural network recognition. 

Key words: voice recognition signal, distance learning, neural network, phoneme, conceptual model. 

 

Formulation of the problem. Today it is believed that one  of the  important ways to improve the  ef-

fectiveness  of  distance  learning  is  the  use  of  interactive  learning  tools  based  on  mass  recognition  of  voice 

signals [6]. Note that commonly recognize voice signals means companies such as Google and Microsoft are 

based on neural network models. Together with the findings [1-3], indicating promising application of neural 

network models and the means to recognize the voice signals of distance learning. At the same time the most 

famous  of  distance  learning  neural  network  means  of  identification  available.  Therefore  presents  scientific 

and  practical  interest  in  the  sector  create  effective  means  of  neural  network  to  recognize  the  voice  signals 

adapted for use in distance learning. 

Analysis of recent research and publications. Accordingly, [6], the voice interaction in the operation 

of distance learning should be used during lectures, seminars, consultations, laboratory and practical classes. 

It  is  a  natural  addition  to  this  list  is  the  use  of  voice  interaction  for  user  authentication.  Note  that  during  a 

voice  interaction  will  understand  the  interaction  between  the  components  of  distance  learning,  which  is 

based on the recognition of voice signals. In many cases, this recognition should be conducted in automatic 

mode, for  example, computer testing, the student  must provide  voice answer the  question. This recognition 

system must simultaneously solve two problems: to identify the correct answer and perform user authentica-

tion. 


 



 Технические науки 

 

346                                                                                            



№2 2016 Вестник КазНИТУ

 

 



The  solution  to  both  problems  of  voice  recognition  based  on  user  information.  Note  that  in  general 

such recognition is consistent with the dual tasks: 

- Creating formal description of voice. 

- Conduct semantic analysis received formal description. 

Quite  often  during formal  descriptions of voice understand its text representation. This  modern theo-

retical  developments in the field  of semantic analysis of text information  do not allow  you to create  highly 

reliable tools, and in many cases the student response and person can be determined on the basis of detection 

(absence) it more specific words. Thus, concerning information technology distance learning, recognition of 

voice is to find it and keyword recognition speaker. Consider the problem of search keywords. Accordingly, 

[9], this search algorithm generally consists of the following stages: 

 

Digitization reference and experimental audio signal. 



 

Filtering noise. 

 

With bold signal words. 



 

Digitized signal processing to reduce the amount of input recognition system. 

 

Additional filtration spectrum. 



 

Compression range to incorporate features of human perception of sound and reduce the number 

of input parameters recognition system. 

 

Comparison of experimental and reference signals. 



Under [3-5, 9], the most difficult stage of the search is to implement recognition procedure, which re-

sults  in  standard  definition  that  most  closely  reflects  incoming  (unknown)  voice  signal.  Difficulty  recogni-

tion procedure, primarily due to the fact that the  voice signal  is characterized by non-linear change  of pace 

broadcasting of words and different duration of pauses at the beginning and end of words. Therefore, in most 

cases directly compare the unknown voice signal with standard word impossible. Typically, the recognition 

procedure  is  divided  into  several  stages.  Incoming  voice  signal  is  first  divided  into  elements  -  phonemes 

(phonemes phase), allophones,  dyfony, Trifon,  warehouses,  etc. For these  elements are  most similar stand-

ards and standards already using elements are most similar patterns of individual words. Section voice signal 

into separate elements efficiently performed by analyzing energy components. Methods recognition of indi-

vidual words based on standards elements are also considered sufficiently proven and reliable [9,10]. At the 

same time the problem  of the individual  elements  of the standards is far from solved. Results [1,5] suggest 

about  the  prospects  for  use  as  individual  elements  phonemes,  because  of  their  relative  malochyselnistyu 

compared to the  number of  warehouses, allophones, and  dyfoniv triphones. In accordance  with the  conclu-

sions [2] to recognize phonemes are useful neural network  means. In this case the  expected  introduction  of 

conditions  characterized  by  means  of  neural  variability  limits  on  term  development,  attracting  labor  re-

sources acoustic parameters of the voice signals and computing resources on a web server of distance learn-

ing.  It  should  be  noted  restrictions  on  the  use  of  databases  examples  recordings  necessary  for  the  study  of 

neural  network  models,  which  greatly  affects  recognition  accuracy  means  that  are  created  based  on  them. 

However, analysis of the literature [4,8,10] indicates insufficient adaptation of modern means of neural net-

work recognition to the voice signal variability appointed in terms of implementation of distance learning. In 

turn, the  lack  of adaptation could affect the  effectiveness  of such  measures. The purpose  of this paper is to 

develop a conceptual model to ensure the efficiency of neural network recognition of phonemes in distance 

learning. 

Development of a conceptual model. In general, the conceptual model is a model subject area, consist-

ing of a list of related concepts that are used to describe this area along with the properties and characteristics 

of  these  concepts  classification  by  type  situations  featured  in  the  art,  and  the  laws  it  flow  processes  [6,7]. 

Conceptual model is a reflection of the concept, the notion of which way to understand certain opinions, the 

interpretation of certain phenomena, the basic point of view, leading to the idea of systematic coverage. We 

note  that  the  development  of  a  conceptual  model  is  a common  starting  point  of  the  methodological  frame-

work, which is a system of principles and methods of organization and construction of theoretical and practi-

cal  work  and  theory  of  the  system.  Because  the  bottom  line  thesis  involves  the  creation  of  software  and 

hardware  for  recognition  of  phonemes,  to  determine  the  effectiveness  of  the  neural  network  recognition  of 

phonemes in the voice alarm system provides distance learning to use the definition of the field of computer 

and software engineering. Under international standards that area efficiency - the set of attributes that define 

the  relationship  level  execution  systems,  use  of  resources  (tools,  equipment,  materials  -  paper  for  printers, 


 



 Техникалық ғылымдар 

 

ҚазҰТЗУ хабаршысы №2 2016                                          



347 

 

etc.)  And services performed by staff and  other support staff. By the performance characteristics  of a soft-



ware system include: 

 

efficiency - an attribute that indicates the response time of processing and fulfillment functions; 



 

specific  resource  consumption  -  an  attribute  that  defines  the  amount  and  duration  of  resources 

used in the performance of specified functions; 

 

consistency  -  an  attribute  that  indicates  compliance  with  this  attribute  set  standards,  rules  and 



regulations. 

In accordance with the definitions, the first stage of creating conceptual model was conducted harmo-

nize terminology used in the application  of  neural  networks for voice recognition signal. Harmonization of 

positions held display the state of the practice and supports problem solving thesis. As a result, the following 

terms: 

- Voice is - a complex acoustic signal, the source of which is the human voice. In the context of this 



thesis synonymous voice signal is a voice signal, although in general terms between the data there are some 

differences [6]. 

- Phoneme similar element - highlighted in the voice signal fragment, whose parameters correspond to 

separate phonemes. 

- Phoneme - the minimal structural and functional unit of speech sound, which is used for the identifi-

cation of differences and meaningful units of language. 

- Neural network - a network of artificial neurons connected by synaptic (suspended) bonds [7]. 

- Neural network  model - a model  of a neural network, characterized by learning, signal propagation 

method, structure type connections and artificial neurons. 

These options and their combinations determine the type of neural network models. Synonymous with 

the  type  of  neural  network  model  is  a  neural  network  architecture.  Derived  from  the  term  neural  network 

model  is  a  neural  network  techniques,  neural  network  system  and  neural  network  means  that  the  methods, 

systems and tools that are based on the use of neural networks. As generally understood by the term means 

instrument  (object,  device,  collection  of  devices),  the  concept  of  neural  network  is  a  collective  means  for 

neural models and neural systems used for recognition of phonemes in the voice signal of distance learning. 

This hardware and software implementation of such devices will be called instrumental neural network tool. 

Also  determined that the problem regarding this  dissertation conceptual  model is intended to formalize the 

causal relationships that are inherent in the process of recognition of phonemes in the voice signal is deter-

mined by the  need to  improve the  efficiency  of  distance learning. In addition, the conceptual  model should 

take into account: 

- conditions for the functioning of neural network by means of recognition of phonemes nature of the 

interaction between components and remote training, as well as between its different parts; 

- the  need to  implement  effective application  of neural  network  models for recognition  of phonemes 

and direction of its improvement; 

- neural network means more control and determination of its controlled variables. 

Therefore, the next phase of construction of a conceptual model was presented contextual process dia-

gram of neural network recognition of phonemes in the voice signal, reflecting its basic function and interac-

tion with the environment (see. Fig. 1). 

 

 



Достарыңызбен бөлісу:
1   ...   53   54   55   56   57   58   59   60   ...   92




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет