Математические методы в системах распознавания речи

255 

Ключевые  слова:  Сжатие  изображений,  математические  методы,  преобразование  Фурье,  нейросетевое 

программирование, ортогональные преобразования, клеточные автоматы, корреляционный анализ, алгоритмы. 

 

Наибольший  интерес  для  разработки  способов  компактного  хранения   представляют  сигналы, 

относящиеся к графическим, т.е. передающие различные виды изображений, например: фотографии, 

видеофильмы,  сигналы  цифрового  телевиденья  и  прочие  многомерные  сигналы,  сопряжённые  с 

передачей  графической  информации.  В  большинстве  случаев  передача  и  хранение  графических 

данных  потребляет  существенные  ресурсы  при  значительном  количестве  избыточной  информации. 

Применение  только  статистических  способов  сжатия  как  алгоритм  Хаффмана,  арифметическое 

кодирование  и  подобных,  в  большинстве  случаев  не  даёт  существенного  эффекта.  Поэтому  для 

эффективного  сжатия  к  цифровому  сигналу  применяют  несколько  последовательных 

преобразований.  Часть  преобразований  основана  на  рассмотрении  сигнала  как  поля,  к  которому 

применимы:  спектральный  анализ,  анализ  геометрической  структуры,  корреляционный  анализ, 

дифференциальный анализ. Таким образом, изображения рассматриваются как полевые структуры, а 

цифровые изображения – дискретные полевые структуры, соответственно. Частотные характеристики 

сигнала могут быть получены с помощью способов частотной декомпозиции (Фурье, вейвлет и др.). 

Пространственные  характеристики  сигнала  могут  быть  получены  с  помощью  геометрической 

интерпретации  сигнала,  определения  его  производных,  вейвлет  анализа,  оконного  преобразования 

Фурье. Вейвлет анализ, как и оконное преобразование Фурье, интересно тем, что позволяют получить 

не только частотную характеристику сигнала, но пространственную локализацию спектра. 

Нейросетевой метод сжатия 

В  нейросетевом  методе  сжатия  основу  составляют  двухслойные  нейронные  сети.  Первый  слой 

нейронной  сети  выполняет  роль  кодирования  изображений  (сжатие).  Второй  слой  осуществляет 

декодирование  (восстановление)  кодированных  изображений.  При  использовании  рассматриваемой 

нейросетевой  методики  сжатия  проблема  определения  оптимального  базиса  Карунена-Лоэва 

эффективно решается при помощи формализованных процедур обучения сети (например, применяя 

алгоритм «backpropagation»). Вторым  преимуществом  данного  метода  сжатия  является  его  высокая 

производительность,  обусловленная  возможностью  реализации  средствами  параллельного 

программирования.  Коэффициент сжатия γ равен отношению числа нейронов первого слоя к  числу 

нейронов второго слоя. 

Корреляционный анализ. 

Используется при обнаружении задачи одного сигнала в другом.  Пусть некоторое внешнее событие 

генерирует в датчике сигнал определенной формы. Однако события могут приходить почти одновременно, 

а сигналы от них – перекрываться.  Также на выходе датчика может присутствовать шум,  затрудняющий 

нахождение  нужных  сигналов.  Для  обнаружения  таких  сигналов  применяется  метод  корреляции. 

Автокорреляцию  применяется  тогда,  когда  находится  корреляция  сигнала  с  самим  собой.  Смысл  этой 

операции  в том, чтобы найти наиболее вероятные периоды повторения формы исходного сигнала.   

Преобразование Фурье. 

Какова  цель  разложения  сигналов  в  ряд  Фурье?  Преобразование  сигнала  в  его  Фурье-спектр - 

это  переход  в  другую  модель  представления  информации,  закодированной  в  сигнале.  Многие 

сигналы  удобно  анализировать,  раскладывая  их  на  синусоиды  (гармоники).  Также  синусоиды 

являются «собственными функциями» линейных систем (так  они проходят  через линейные системы, 

не  изменяя  формы,  а  изменяя  лишь  фазу  и  амплитуду).  Преобразование  Фурье-  это  разложение 

функции на синусоиды. Существует несколько видов   преобразования Фурье: 

- непериодический сигнал непрерывный можно разложить в интеграл Фурье 

- периодический непрерывный сигнал можно разложить в бесконечный ряд Фурье. 

- непериодический дискретный сигнал можно разложить в интеграл Фурье. 

- периодический дискретный сигнал можно разложить в конечный ряд Фурье. 

Компьютер  может  работать  только  с  ограниченным  объемом  данных,  поэтому  он  способен 

вычислять только последний вид преобразования Фурье. Для этого рассматривают ДПФ (дискретное 

преобразование  Фурье)  вещественного  сигнала.  Разложение  сигнала  на  синусоиды  (получение 

коэффициентов) называется прямым  преобразованием Фурье, обратный процесс- синтез  сигнала по 

синусоидам - обратным преобразованием Фурье. Способ, основанный на том, что среди множителей 

(синусов)  есть  много  повторяющихся.  Алгоритм  группирует  слагаемые      с  одинаковыми 

множителями, значительно сокращая число умножений. 

Комплексное ДПФ  

В спектр разлагается действительный сигнал, первые комплексные коэффициенты спектра будут 

совпадать со спектром обычного действительного ДПФ. 

256 

Двумерное ДПФ. 

Используются базисные функции преобразования Фурье, причем фазы могут быть различны. На 

изображении  каждая  из  этих  базисных  функций  представляет  собой  волну  определенной  частоты, 

определенной ориентации и определенной фазы. 

Таким  образом,  алгоритм  вычисления  ДПФ  изображения  заключается  в  вычислении 

одномерных БПФ сначала от всех строк, а потом от всех столбцов изображения. 

Спектральный анализ 

Применяется  для  наблюдения  и  анализа  спектра  сигнала.  Перед  вычислением  спектра  сигнала 

нужно  выбрать  отрезок  сигнала,  на  котором  будет  вычисляться  спектр.  При  этом  на  границах 

периодов  такая  функция  будет  иметь  разрывы.  А  разрывы  и  функции  сильно  отражаются  на  ее 

спектре,  сильно  искажая  ее.  Для  устранения  этого  эффекта  применяются  так  называемые 

взвешивающие  окна.  Они  плавно  сводят  на  нет  функцию  вблизи  краев  анализируемого  участка. 

Весовые  окна  имеют  форму,  похожую  на  гауссиан.  Важное  свойство  спектрального  анализа 

заключается  в  том,  что  при  разложении  в  спектр  находят  не  те  синусиодальные  составляющие,  из 

которых  состоял  исходный  сигнал,  а  лишь  находят,  с  какими  амплитудами  нужно  взять   

определенные кратные частоты, чтобы получить исходный сигнал.  

Быстрая свертка 

Свертка-  один  из  важнейших  процессов  в  обработке  сигналов.  Вычисление  свертки  через 

частотную область возможно с  помощью преобразование Фурье. Для ускорения вычисления размер 

секций входного сигнала выбирается одного порядка с длиной свертки.  

Фильтрация. 

Эффект  от  умножения  сигналов  при  свертке  называется  фильтрацией.  Это  дает  возможность 

изменять спектр сигнала. В обработке изображений фильтрация позволяет применять к изображению 

разные  эффекты:  размытие,  подчеркивание  границ,  тиснение  и  др.  Для  получения  требуемого  ядра 

свертки используют обратное преобразование Фурье.  

Деконволюция. 

Применяется когда необходимо восстановить сигнал после искажения его какой-либо линейной 

системой.  Восстановление  (хотя  бы  приближенное)  исходного  сигнала  по  свертовому  называется 

деконволюцей.  

Вейвлеты  

Вейвлeт —  математическая  функция,  позволяющая  анализировать  различные  частотные 

компоненты  данных.  График  функции  выглядит  как  волнообразные  колебания  с  амплитудой, 

уменьшающейся  до  нуля  вдали  от  начала  координат.  Однако  это  частное  определение —  в  общем 

случае  анализ  сигналов  производится  в  плоскости  вейвлет-коэффициентов  (масштаб —  время — 

уровень) (Scale-Time-Amplitude). Вейвлет-коэффициенты 

определяются 

интегральным 

преобразованием  сигнала.  Полученные  вейвлет-спектрограммы  принципиально  отличаются  от 

обычных спектров Фурье тем, что дают четкую привязку спектра различных особенностей сигналов 

ко времени. Рассматривают функцию (взятую будучи функцией от времени) в терминах колебаний, 

локализованных по времени и частоте.  

Большой  интерес  представляет  вейвлет  –преобразование.  Впервые  метод  вейвлет – 

преобразования  был  использован  для  анализа  свойств  сейсмических  и  акустических  сигналов. 

Математические  методы,  основанные  на  вейвлет – преобразовании,  применяют  для  решения 

различных задач (распознавание образов, обработка сигналов, анализ изображений, сжатие данных, 

шумоподавление и т.д.  

Вейвлет –преобразование как решение задачи Коши 

Вейвлетное  сжатие

 —  общее  название  класса  методов  кодирования  изображений, 

использующих  двумерное  вейвлет-разложение  кодируемого  изображения  или  его  частей.  Обычно 

подразумевается  сжатие  с  потерей  качества.  Существенную  роль  в  алгоритмах  вейвлетной 

компрессии  играет  концепция  представления  результатов  вейвлет-разложения  в  виде  нуль-дерева 

(zero-tree).  Упорядоченные  в  нуль-дереве  битовые  плоскости  коэффициентов  вейвлет-разложения 

огрубляются  и  кодируются  далее  с  использованием  статистических  методов  сжатия.  Вейвлетная 

компрессия  в  современных  алгоритмах  компрессии  изображений  позволяет  значительно  повысить 

степень  сжатия  чёрно-белых  и  цветных  изображений  при  сравнимом  визуальном  качестве  по 

отношению  к  алгоритмам  предыдущего  поколения,  основанным  на  дискретном  косинусном 

преобразовании,  таких,  например,  как JPEG. Для  работы  с  дискретными  изображениями 

используется  вариант  вейвлет-преобразования,  известный  как  алгоритм  Малла,  Исходное 

изображение  раскладывается  на  две  составляющие —  высокочастотные  детали  (состоящие  в 

257 

основном  из  резких  перепадов  яркости),  и  сглаженную  уменьшенную  версию  оригинала.  Это 

достигается  применением  пары  фильтров,  причём  каждая  из  полученных  составляющих  вдвое 

меньше  исходного  изображения.  Вейвлеты  непосредственно  не  фигурируют  в  алгоритмах,  но  если 

итерировать  соответствующие  фильтры  на  изображениях,  состоящих  из  единственной  яркой  точки, 

то  на  выходе  будут  все  отчётливей  проступать  вейвлеты.  Поскольку  изображения  двумерны, 

фильтрация производится и по вертикали, и по горизонтали. Этот процесс повторяется многократно, 

причём каждый раз в качестве входа используется сглаженная версия с предыдущего шага. Так как 

изображения «деталей» состоят обычно из набора резких границ и содержат обширные участки, где 

интенсивность близка к нулю. Если допустимо пренебречь некоторым количеством мелких деталей, 

то все эти значения можно просто обнулить. В результате получается версия исходного изображения, 

хорошо поддающаяся сжатию. Для восстановления оригинала снова применяется алгоритм Малла, но 

с  парой  фильтров,  обратной  к  исходным.  Алгоритм JPEG, в  отличие  от  вейвлетного,  сжимает  по 

отдельности  каждый  блок  исходного  изображения  размером 8 на 8 пикселов.  В  результате  при 

высоких степенях сжатия на восстановленном изображении может быть заметна блочная структура. 

При вейвлетном сжатии такой проблемы не возникает, но могут появляться искажения другого типа, 

имеющие вид «призрачной» ряби вблизи резких границ. Считается, что такие артефакты в среднем 

меньше бросаются в глаза наблюдателю, чем «квадратики», создаваемые JPEG. 

Дискретное псевдокосинусное преобразование 

Применяется  для  сжатия  изображений,  допускающее  вычисление  без  операций  умножения. 

Используются  два  критерия:  первый  критерий-  средняя  избыточная  энтропия.  Второй  критерий – 

локализация  большой  части  энергии  преобразования  в  малом  количестве  коэффициентов.  Оценить 

свойство локализации позволяет коэффициент эффективности кодирования. Метод основан на основе 

квантования и статистического кодирования коэффициентов.  В практике вольтамперометрического 

анализа наиболее часто используют методы подвижного среднего  и Фурье – преобразования .Суть 

метода подвижного среднего состоит в сглаживании неравномерностей сигнала, масштаб которых по 

оси  абсцисс  тем  меньше,  чем  меньше  размер  заданного  «окна  фильтрации».  Метод  Фурье – 

фильтрации состоит в разложении вольтамперометрического сигнала в ряд Фурье и преобразовании 

полученного  таким  образом  частотного  спектра.  Метод  Фурье  позволяет  проводить  фильтрацию 

периодических помех определенной частоты. Апериодический шум этим методом не удаляется.  

Ортогональные преобразования 

Предложенный  новый  метод  анализа  эффективности  основан  на  следующих  рассуждениях. 

Преобразования,  которые  используются  для  сжатия  изображений  должны  быть  быстрыми,  и,  по 

возможности,  легко  реализуемыми  на  компьютере.  Это  прежде  всего  предполагает,  что  такие 

преобразования  должны  быть  линейными.  То  есть,  преобразованные  величины  С

i 

являются 

линейными  комбинациями  (суммами  с  некоторыми  множителями  или  весами)  исходных  величин 

(пикселов) D

j

 причем соответствующим множителем или весом служит некоторое число W

ij

  

 

  

где 

 

 

Например, при 

 это преобразование можно записать в матричной форме 

 

 

 

которая в общем случае примет следующий вид 

.  

Метод сжатия цифровых изображений на основе блочных клеточных автоматов 

С. Shaw, S. Das и B.K. Sikdar предложили  основанный  на  клеточных  автоматах  способ 

энтропийного  кодирования  элементов  цифрового  изображения  после  дискретного  вейвлетного 

преобразования.  О. Lafe был  разработан  метод  сжатия,  построенный  на  основе  декоррелирующего 

преобразования,  использующего  в  качестве  базисных  векторов  состояния  развития  классического 

258 

клеточного  автомата  первого  порядка  с  окрестностью  Мура-фон  Неймана.  Здесь  под  порядком 

клеточного  автомата  подразумевается  значение f»log2|A|»j , где  А — это  алфавит  внутренних 

состояний,  определяющий  множество  возможных  значений  каждой  из  клеток  решетки  автомата. 

Применение  полученных  результатов  открывает  перспективы  создания  алгоритмов  обработки 

цифровых  изображений,  столь  же  эффективных,  что  и  построенные  на  основе  дискретного 

вейвлетного  преобразования,  и  в  то  же  время  столь  же  быстродействующих,  что  и  основанные  на 

дискретном  преобразовании  Фурье,  за  счет  замены  вещественных  операций  целочисленными. 

Разработанный метод сжатия цифровых изображений, основанный на использовании целочисленных 

операций  над  элементами  данных  вместо  вещественных,  позволяет  при  сравнимом  качестве 

обеспечить  большую  на 15—25 % скорость  преобразований  в  случае  программной  реализации  и 

многократно  большую  скорость  в  случае  аппаратной  реализации  по  сравнению  с  методами, 

построенными на основе вейвлетных преобразований. 

 

ЛИТЕРАТУРА 

1.   Д.  Ватолин,  А.  Ратушняк,  М.  Смирнов,  В.  Юкин. Методы  сжатия  данных.  Устройство  архиваторов, 

сжатие изображений и видео. - Диалог-МИФИ, 2002. - С. 384 

2.  http://graphics.cs.msu.su/library/. 

3.  Д. Сэломон. Сжатие данных, изображения и звука.- М.: Техносфера, 2004. — С. 368 

4.  Добеши И. Десять лекций по вейвлетам. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001, 

464 стр. 

5.  Умняшкин  Сергей  Владимирович.  Математические  методы  и  алгоритмы  цифровой  компрессии 

изображений с использованием ортогональных преобразований. Автореферат диссертации на соискание ученой 

степени  доктора  физико-математических  наук.-  Москва,  Работа  выполнена  в  Московском  государственном 

институте электронной техники (техническом университете),  2001, 48 стр. 

6.  Евсютин,Олег  Олегович.   "Метод  сжатия  цифровых  изображений  на  основе  блочных  клеточных 

автоматов". АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук. Томский 

государственный университет систем управления и радиотехники, Томск – 2012, 62 стр. 

 

REFERENCES 

1.  D.Vatolin, A. Ratushnik, M. Yukin. Metodi szhatiya dannih. Ustroistvo arhivatorov, szhatie izobrasheniy i 

video. – Dialog MIFI, 2002.-C.384 

2.  http://graphics.cs.msu.su/library/. 

3.  D.Selomon. Szhatie dannih, izobrazheniya I zvuka. – M. Tehnosphera,2004. – C.368 

4.  Dobeshi I. Desyat’ lekciy po veivletam. – Izhevsk: NIC  «Regulyarnaya I haoticheskaya dinamika»,2001,464 str. 

5.  Umnyashkin Sergei Vladimirovich. Matematicheskie metodi I algoritmi cifrovoi kompressii izobrazheniy s 

ispol’zovaniem ortogonal’nih preobrazovaniy. Avtoreferat dissertacii na soiskanie uchenoi stepeni doktora fiziko-

matematicheskih nauk.-Moskva, Rabota vipolnena v Moskovskom gosudarstvennom institute elektronnoi 

tehniki(tehnicheskom universitete), 2001,48 str. 

6.  Evsyutin, Oleg Olegovich. “Metod szhatiya cifrovih izobrazheniy na osnove blochnih kletochnih avtomatov”. 

AVTOREFERAT dissertacii na soiskanie uchenoi stepeni kandidata tehnicheskih nauk. Tomskiy gosudarstvenniy 

universitet system upravleniya I radiotehniki, Tomsk – 2012,62str. 

 

Курманкожаева А.А.,  Есенбеков К. 

Бейнелерді сығу математикалық əдістердің аналитикалық шолуы 

Түйіндеме.  Қарастырылған  əдістер JPEG  əдіспен  салыстырылғанда  бейнелеудін  сапасын  жоғарлатады 

жəне    нақты  деректердің  орнына  бүтін  сандық  операцияларды  қолдану  арқылы 15-25%   түрлендіру 

жылдамдығын  қамтиды.   

Түйін  сөздер:  ақпаратты  сығу  математикалық  əдістері,  блокті  клеткалық  автоматтар,  түрлендіру,  

бейнелей сапасы, талдау, диссертациялар 

 

Kurmankozhaeva AA, Essenbekov K. 

Analytical review of the mathematical methods of image compression 

Summary.  These methods provide improved image quality as compared with the method of JPEG, and 

approaches to the method of JPEG 2000, providing greater by 15-25% conversion speed by using integer operations on 

data items instead of real. 

Key words: Mathematical methods of data compression, block cellular automata, conversion, image quality 

analysis, the thesis. 

 

 

 

 

259 

ƏОЖ 004 

 

Қуаныш А.А. студент, Абайұлы А. студент, Мырзашова Р.Б. студент, 

Сейдахметова Г.Е. 

Қ.И. Сəтбаев атындағы Қазақ ұлттық техникалық университеті,  

Алматы қ., Қазақстан Республикасы 

altusha_04_11_94@mail.ru  

 

IOS APPLE - ГЕ АРНАЛҒАН МОБИЛЬДІ ПРОГРАММАЛАУ 

 

Аңдатпа.  Қазіргі  кезде,  əлемнің  көптеген  жоғарғы  оқу  орындарында Apple-ді  оқу  процессінде,  жаңа 

технологияларды кеңінен қолдану мақсатында, негізгі платформа ретінде енгізген болатын. «КазНТУ - Apple» 

ғылымы орталығының құрылуы, оқу процессіне қазіргі уақытқа сай, жаңа дисциплиналарды енгізуге жол ашты. 

Сонымен  қатар,  қазіргі  кезде Apple фирмасының  компьютерлері  мен  мобильді  құрылғыларының  əлемде 

кеңінен  тарағаны, iOSApple үшін  мобильді  программалауды  меңгеруде  жəне Swift программалау  тілін 

меңгеруге мүмкіндік береді.  

Түйін  сөздер.  iOS Apple-де  мобильді  программалау, Swift программалау  тілі,  класстармен  құрылымдар,  

конструкторлар мен деструкторлар, протоколдар мен индекстер. 

 

Кіріспе. 

Swift - бұл  əртүрлі  қосымшаларды  құру  үшін  қолданылатын Appleкомпания  ұсынған 

программалаутілінің бір түрі.Swift - iOS жəне Mac-қа арналған,тəжірибесі бар қолданушыларға жаңа 

қосымшалар құру барысында көптеген мүмкіндіктер береді. Swift-ті меңгеру қиынға соқпайды, оның 

тілі  түсінікті  əрі Objective-C-дегідей  өте  қолайлы.Қазіргі  кезде  өзінің  ойындағы  қосымшаларды 

жүзеге асыру үшін қолданушылар C жəне С# жəне т.б. тілідерден қүралған тілде жаңа қосымшаларды 

құра алады. Swift программалау тілі жоғарғы оқу орындарының оқу программасына, «iOS Apple-де 

мобильді программалау» сабағына, 5В060200 жəне 5В070400 мамандықтарына қосылған.  

Курста біз Swift тілін құрайтын келесі бөлімдермен танысамыз:  

1. Swift тілінде программалауға кіріспе. 

2. Жолдар. Коллекциялар. Опциональды айнымалылар.Сабскрипттер. Картедждер. 

3. Функционалды программалаудың элеметтері. Функциялар параметрлері. Клоужерлер. Enums 

(константылар группалары) 

4. Объектті бағытталған программалау. Енгізулер.Класстармен құрылымдар. Value Types 

жəнеReference Types. 

5. Мінездемелер мен əдістер. Индекстер. 

6. Мұрагерлік. Əдістердің жаңадан қосылуы. Конструкторлар мен деструкторлар. Объектті 

инициализациялау процессі. 

7. Қосымашалар. Протоколдар. Жалпылық класстары. 

8. Swift-тегі жобаның құрылымы. Swift-пен бірге қолдану[1]. 

Swift - көп  парадигмалы  объектілі    -    бағытталған  программалау  тілі,  яғни  оны Apple 

компаниясы iOS жəнеOS X үшін  құрған. SwiftCocoa  жəне Cocoa Touch жəне Apple-дің  негізгі  код 

базасымен 

сыйымдылығымен 

шектеуленген. IOS платформаiPhone, iPad жəне iPod 

Touchқұрылғыларға арналған қосымшаларды əзірлеу үшін негіз болып саналады, сондай-ақ   əр түрлі 

жүйелері  қазіргі  заманға  лайықты iOS-қосымшасыз  болмайды. Пəннің  зерттеу  үшін  талаптарының 

бірі ООП принциптерін түсіну, сондай-ақ бағдарламалау тілінде (C, C #, Java, Python жəне т.б) бірін 

дамыту тəжірибесі болып табылады. Мобильдік  қосымша дамыту - бұл процесс, яғни  бұл қосымша 

студенттер үшін үлкен емес портативті құрылғылар, смартфон немесе ұялы телефондарға арналған. 

Бұл қосымшалар өндірістік процесс барысында құрылғыдан алдын -ала орнатылған, бағдарламалық 

қамтамасыз ету тарату үшін түрлі платформалар арқылы жүктелген немесе клиент жағында болмаса 

серверде өңделеді, ол веб-бағдарлама болып табылады[2]. 

Android, iOS, BlackBerry, Open webOS, Symbian OS, Bada от Samsung, жəне Windows 

Mobileпроцессор белгілі бір форматта жұмыс істейтін кодымен дербес компьютерлер сияқты стандартты 

екілік бағдарламаларды қолдайды. Swift үлгілерді қауіпсіз бағдарламаларды жəне қазіргі заман талабына 

сай  функцияларды  қосады,  қарапайым,  неғұрлым  икемді  жəне  қызықты  процесінде  қосымшаларды 

əзірлеп  жасайды. Swift – бұл  бағдарламаларды  дамытуға  елестету  үшін  мүмкіндік  болып  табылады. 

Компиляторлар, фреймворктар, отладчиктер программалаудың жаңа тілінің құрылуына негіз болды.Бұл 

мықты  программалау  тілі  түсінікті  жəне  еліктіргіш  сонымен  қатар  скриптті  болып  табылады.Ол 

playground-ты  қолдайды,  яғни    бұл  студенттерге  коды  бар  тəжірибеге  мүмкіндік  береді,  нəтижесінде 

нақты режим уақытында қажеттіліксіз компиляциялайды жəне іске қосады[3-4]. 

260 

Swift  қазіргі  тілдердің  үздігін  біріктіреді  жəнеAppleтəжірибесін  мол  қанағаттандыру  үшін 

арналған. Ол былайша əзірленген, яғни студент оны оңай əзірлей алады жəне оның бірінші қолдануы  

«Сəлем,  əлем!»,  тіпті  бүкіл  операциялық  жүйесі  дайын  болып  табылады. Apple компаниясы  үшін 

Swift  программалау  тілі  осылардың  барлығын  қолданушылар  мен  құрушыларға    негізгі  құрылғы 

ретінде көрсетеді[5-6]. 

Мысалы: 

//  AppDelegate.swift 

//  HelloWorld_Sv 

//  Created by student on 13.02.15. 

//  Copyright (c) 2015 Todd Perkins. All rights reserved. 

import Cocoa 

@NSApplicationMain 

class AppDelegate: NSObject, NSApplicationDelegate { 

@IBOutletweakvar window: NSWindow! 

@IBOutletweakvar textField: NSTextField! 

@IBOutletweakvar label: NSTextField! 

@IBActionfunc clickedButton(sender:AnyObject){ 

var name = textField.stringValue 

        label.stringValue = "Hi \(name) !"} 

func applicationDidFinishLaunching(aNotification: NSNotification) { 

// Insert code here to initialize your application} 

func applicationWillTerminate(aNotification: NSNotification) { 

// Insert code here to tear down your application}} 

 

//AppDelegate.swift 

//  3zadanie_sv 

//  Created by student on 13.02.15. 

//  Copyright (c) 2015 Todd Perkins. All rights reserved. 

import Cocoa 

@NSApplicationMain 

class AppDelegate: NSObject, NSApplicationDelegate { 

@IBOutletweakvar window: NSWindow! 

@IBOutletweakvar label: NSTextField? 

@IBActionfunc didClickButton(sender: AnyObject) { 

            label!.stringValue = "Button was Clicked!"} 

func applicationDidFinishLaunching(aNotification: NSNotification) { 

// Insert code here to initialize your application} 

func applicationWillTerminate(aNotification: NSNotification) { 

// Insert code here to tear down your application} } 

 

//AppDelegate.swift 

//  AppLifecycle_sv 

//  Created by student on 13.02.15. 

//  Copyright (c) 2015 Todd Perkins. All rights reserved. 

import Cocoa 

class AppDelegate: NSObject, NSApplicationDelegate { 

@IBOutletweakvar window: NSWindow! 

func applicationDidFinishLaunching(aNotification: NSNotification?) { 

// Insert code here to initialize your application} 

func applicationWillTerminate(aNotification: NSNotification?) { 

// Insert code here to tear down your application}} 

//  File.swift 

//  AppLifecycle_sv 

//  Created by student on 13.02.15. 

//  Copyright (c) 2015 Todd Perkins. All rights reserved. 

import Cocoa 

NSApplicationMain(C_ARGC, C_ARGV)// 

261 

//  AppDelegate.swift 

//  rabota_sv 

//  Created by student on 13.02.15. 

//  Copyright (c) 2015 Todd Perkins. All rights reserved. 

import Cocoa 

@NSApplicationMain 

class AppDelegate: NSObject, NSApplicationDelegate { 

@IBOutletweakvar window: NSWindow! 

@IBOutletweakvar textField: NSTextField! 

@IBOutletweakvar label: NSTextField! 

@IBActionfunc clickedButton(sender:AnyObject) 

    {var slovo = textField.stringValue 

    label.stringValue = "Введенное слово: \(slovo)!" 

       Label2.stringValue = "Вы нажали 1-ю кнопку"} 

@IBOutletweakvar Label2: NSTextField! 

@IBOutletweakvar Text: NSTextField! 

@IBActionfunc Button3(sender: AnyObject) { 

Text.stringValue+=textField.stringValue+""}   

@IBActionfunc didClickButton(sender: AnyObject) { 

    textField.stringValue="" 

    label.stringValue = "Вы не ввели слово" 

    Label2.stringValue = "Вы нажали 2-ю кнопку"} 

func applicationDidFinishLaunching(aNotification: NSNotification) { 

// Insert code here to initialize your application} 

func applicationWillTerminate(aNotification: NSNotification) { 

// Insert code here to tear down your application}} 

 

 

 

1 сурет - Есептің нəтижесі 

 

жүктеу/скачать 19,96 Mb.

Достарыңызбен бөлісу: