Planimetrija. Formules, pavyzdziai, vienetai... Apskritimo ilgis,Kosinusų teorema,Sinusų teorema,Pusiaukampinės savybė,Stačiųjų trikmapių savybės ir begalė kitų naudingu dalykų

Matematika  Konspektai   (19 psl., 234,91 kB)

Mikro - makro ekonomikos kursinis darbas.

Ekonomika  Kursiniai darbai   (29 psl., 49,07 kB)

1.FOLOSOFIJOS KILME, OBJEKTAS Filosofija- isminties meile.Senones Graikijoje ismintis tapatinama su zinojimu apskritai.Reikia siekti isminties, ja myleti.Pats zodis filosofija atsirado VI a pr kr. Pavartojo Pitagoras.Filisofija susiformavo VI a pr kr. 3 salyse: Indijoje Kinijoje Graikijoje.Aukstumas pasieke Grakijoje. Filosofijai atsirasti butinas laisvalaikis, kad butu laiko filosofuoti. Gali kilti tik laisvoje salyje. Objektas- tai ka nagrineja mokslas. Filosofija turi pagrindini, centrini klausima: kas yra butis? Kokia vieta zmogus uzima pasaulyje? Pazinimo problemos : kas yra pazinimas? Jo saltiniai? Ribos? Kas yra tiesa? Geris? Grozis? Zmogus? Laime? Teisingumas? Ir kiti fundamentalus klausimai. Pagrindines strukturines filosofijos dalys : buties teorija (ontologija)- metafizika; gnoseologija( epistemologija)- pazinimo teorija; politine ir socialine filosofija; estetika- grozio teorija; logika. Butis yra viena, ji supantis pasaulis be materialiu daiktu.

Kita  Paruoštukės   (4 psl., 50,3 kB)

Gelžbetonio esmė - viename elemente panaudotos 2 medžiagos, betonas ir metalas (armatūra). Gniuždymo ir tempimo įtempimams atlaikyti. Anksčiau buvo naudojama geležinė dabar plieninės armatūros. Armatūra ir betonas dirba gerai kartu nes jų temperatūrinio plėtimosi koef. panašūs. Kietėdamas betonas gerai sukimba su armatūra ir saugo ją nuo korozijos ir mechaninio poveikio. Konstrukcijos stiprios, atsparios ugniai, ilgaamžės, pigios eksploatacijos. Trūkumai:masė, šilumos ir garso laidumas. Esan įtemtai armatūrai Rb siekia 2000MPa,su neitempta Rb=300-400MPa.labai stiprus plienas įtempiamas tam, kad nesusidarytu dideli plyšiai. Armatūra įempiama į atsparas arba sukietėjusį betoną. 1825m Anglijoje sukurtas portlandcementis. Pradėtos gaminti betoninės konstrukcijos, kurias tobulinant atsirado g/b. Prancūzas Lambo padarė g/b valtį, Monje užpatentavo armuotus puodus gėlėm. Briaunuota perdanga 19a.pab.suprojektavo Henebikas.Pirmos oficialios projektavimo taisyklės 1929m.ir toliau tobulintos.LR g/b naudojimo pradininkas P.Morkūnas.G/b teorija ir konstrukcijas tobulino Ražaitis,Rozenbliumas. Naudojamas surenkamoms, monolitinėms konstr.ir surenkamoms – monolitinėms plokštėms kevalams, kupolams, sijoms gaminti. Talpykloms,dumtraukiams,bokštamas,ir kitiems statyniams.Konstr. skirstomos į masyvias ir plonasienes.

Inžinerija  Paruoštukės   (12 psl., 93,66 kB)

Tai, kad sveikata - turtas, žino visi, tačiau ne visi žino, kaip ja rūpintis. Lietuvoje nuo kraujo apytakos sistemos ligų miršta tris kartus daugiau žmonių negu nuo vėžio. Nustatant širdies ir kraujagyslių ligų rizikos laipsnį visada turi būti įvertinami rizikos veiksniai, t.y. amžius, lytis, rūkymas, netaisyklinga mityba, fizinis aktyvumas, padidėjusio cholesterolio ir kitų lipidų kiekiui kraujyje paveldimumas ir kt. Širdis, kaip ir kiekvienas raumuo, gali būti geriau ar blogiau išsivysčiusi. Yra priklausomybė tarp skeleto raumenų jėgos (tonuso) ir širdies darbingumo: efektyviau širdis dirba, kai skeleto raumenys stipresni. Dėl to, treniruodami ir vystydami kūno raumenyną, drauge stipriname ir širdies raumenį (miokardą). Pirmasis į tai atkreipė dėmesį žinomas anglų gydytojas ir fiziologas Viljamas Harvėjus. Jis konstatavo, kad sunkiai dirbančių žmonių, kurių raumenynas gerai išvystytas, širdis yra stipresnė, masyvesnė.

Medicina  Referatai   (30 psl., 39,88 kB)

Ekonominei sistemai tolydžiai plėtojantis, finansų mechanizmas darosi vis sudėtingesnis, kreditiniai sandoriai nepaprastai išplito ir dabar dauguma įvairių dydžių verslo sandorių atliekama per bankus. Stipri šalies bankų sistema yra teigiamo investicinio klimato, palankių skolinimosi sąlygų, užtikrinančių įmonių sėkmingą plėtrą, šalies piliečių galimybių gauti visas šiuolaikinės bankininkystės paslaugas, garantas. Lizingas, arba išperkamoji nuoma — tai finansinė paslauga, leidžianti Jums naudotis norima preke sumokėjus tik dalį jos vertės. Likusią sumą sumokate "SNORO lizingui" dalimis pagal nustatytą grafiką. Prekės nuosavybės teisė lizingo sutarties galiojimo metu priklauso "SNORO lizingui". Prekė tampa Jūsų nuosavybe, kai visiškai atsiskaitote su "SNORO lizingu".

Administravimas  Referatai   (23 psl., 47,22 kB)

Kiekvienas iš mūsų valomės dantis bent du kartus per dieną, dantų higiena yra neatsiejama kasdieninės rutinos dalis. Ji pašalina maisto daleles ir apnašas nuo dantų paviršiaus. Dantų pasta padeda apsaugoti dantis nuo karieso ir dantenų ligų. Ji padeda mums išlaikyti gaivų kvėpavimą ir gražią šypseną. Labai svarbu pasirinkti tinkamą dantų pastą. Daugelis žmonių renkasi skirtingai, vieni renkasi pagal kainą, kiti pagal savybes, tretiems svarbi yra tik pakuotė. Tam, kad detaliau išsiaiškinčiau pagal kokius kriterijus žmonės renkasi dantų pastą aš atlikau tyrimą.

Rinkodara  Tyrimai   (12 psl., 37,46 kB)

Labai daug naudingos informacijos pasiruošti biologijos valstybiniam egzaminui. iologija – mokslas apie gyvybę. Jis tyrinėja gyvybę kaip ypatingą materijos judėjimo formą, jos egzistavimo ir vystimosi dėsnius. Biologijos tyrimo objektas yra gyvieji organizmai, jų sandara, funkcijos, gamtinės bendrijos. Biologijos mokslo sistema aiškina gyvosios gamtos esmę, formos, vystimosi ir tai yra vadinama – bendrąja biologija . Tam tikrus objektus tyrinėja specialūs mokslai.

Biologija  Pagalbinė medžiaga   (73 psl., 658,89 kB)

Šiuolaikinėje gamyboje darbo sąlygos būna labai įvairios ir sudėtingos. Nepaisant darbų saugos bei technologijos reikalavimų, užtikrinančių darbuotojų saugą ir sveikatą, darbo aplinka neretai būna ne tik nepalanki dirbančiųjų sveikatai, bet kenksminga ir net pavojinga. Pavyzdžiui, darbo vietose išsiskiria daug šilumos, drėgmės, dulkių, kenksmingų ir nuodingų medžiagų, susidaro intensyviai cirkuliuojantys oro srautai, didelį triukšmą sukelia įvairūs mechanizmai, mašinos, staklės, presai, dirbančiuosius gali veikti rentgeno, radioaktyvūs spinduliai, elektromagnetinis, elektrostatinis laukas. Patalpose kartais gali susidaryti sąlygos, keliančios gaisro arba sprogimo pavojų.

Administravimas  Referatai   (28 psl., 116,1 kB)

Tiesą sakant, gavęs kursinio darbo temą, sutrikau. Pačiam beveik nieko neišmanant apie patriotizmą tenka atskleisti dviejų bene žymiausių nepriklausomos tarpukario Lietuvos pedagogų Antano Maceinos ir Stasio Šalkauskio požiūrius šia tema, bei palyginti jų keliamas idėjas. Manau nereiktų vengti ir priešpastatyti šių šviesuolių minčių šių dienų realijoms, nes prieš penkiasdešimt metų pasakytos mintys gali būti, švelniai tariant, truputėlį “apkerpėjusios”. Na, bet arčiau prie reikalo.

Kalbos kultūra  Referatai   (10 psl., 20,58 kB)

Šiandieninėje rinkoje modernios, nuolat tobulėjančios, besimokančios organizacijos privalo kurti ir išlaikyti konkurencinį pranašumą. Jį stipriai įtakoja įmonės nustatyta misija ir vizija, kurią kuria, įtakoja ir atstovauja įmonės vadovybė. Organizacijos vadovas privalo būti ne vien biurokratiškas vadovas bet ir lyderis. Lyderis, kurio pavyzdžiu sektų personalas, įmonės vardas garsėtų nuo jo požiūrio ir idėjų kūrybingumo.

Vadyba  Referatai   (18 psl., 58,21 kB)

Šie metodai turi labai lėtą konvergavimą, bet teoriškai jie gali įveikti vietinį minimumą (local minima.) Kitas trūkumas yra tas, kad vienas turi valdyti daugybę vidinių kintamųjų (kiekvienam svoriui nustatyti triukšmo periodus), kas nėra labai efektyvu. Arba apibrėžti tik išorinius kintamuosius - tokius kaip įėjimo signalas (input), norimas signalas ir žingsnio dydis. Iš pragmatiškos požiūrio pusės labai pageidaujami būtų taip vadinami on-line (tiesioginiai) algoritmai, t.y. algoritmai, kur atskiram pavyzdžiui svoriai kaskart būtų atnaujinami. Bet žvelgiant iš (annealing) modeliavimo pusės į stochastinę on-line atnaujinimo metodų prigimtį , jų realizavimas nebūtų efektyvus. Dėl šių priežasčių bus bandoma atlikti tokį eksperimentą: pridėti triukšmus prie norimo signalo ir eksperimentiškai ištirti tokios procedūros privalumus. Triukšmas taip pat buvo naudojamas gradiento perdavimo (descent) procedūrose. Holmstrom išanalizavo statinio BP algoritmo [Holmstrom and Koistinen, 1992] apibendrinimo galimybę, kuomet atsitiktinis triukšmas įvedamas į išorinius signalus. Šie bandymai parodė, kad apibendrinimas gali būti pagerintas naudojant bandomuosiusose (training) duomenyse papildomus triukšmus. Matsuoka pademonstravo, kad ir triukšmo įvedimas į vieną įėjimo signalą gali pagerinti apibendrinimą (generalization) [Matsuoka, 1992]. Abu autoriai susikoncentravo tik ties tinklo apibendrinimo galimybe, tačiau jie nenagrinėjo triukšmų poveikio mokymosi greičiui ir išėjimo iš local minima galimybės. II Mokymosi su papildomais triukšmais atitinkamame signale analizė II.1 Klasikinis stebimas mokymasis Šioje dalyje kaip mokymosi sistemos prototipas yra naudojamas daugiasluoksnis perceptronas (perceptron) (MLP) su dviem lygiais. Tačiau išvados gali būti atvaizduojamos atsikartojančiose topologijose. Šiame tinkle, xk aprašo iėjimo vektoriaus vieną elementą; yi yra išėjimo lygio i-tasis išėjimas; Wij nusako svorius tarp paslėpto ir išėjimo sluoksnių; Vjk yra svoris tarp įėjimo ir paslėpto sluoksnio; ir Pj nusako paslėpto sluoksnio aktyvavimą. Pateiktas čia apmokymo algoritmas - tai atgalinio mokymo (backpropagation) (BP) algoritmas [Rumelhart et al, 1986]. Tegul di(t) žymi kelis norimus išėjimo neurono i laiko momentu t atsakymus, kur t yra diskretaus laiko indeksas. Galima apibrėžti klaidos signalą, kaip skirtumą tarp norimo atsakymo di(t) ir turimo atsakymo yi(t). Tai nusakomo (1) formulė: Pagrindinis mokymosi tikslas yra minimizuoti kainos funkciją, kurią nusako klaidos signalas ei(t), taip, kad turimas kiekvieno išėjimo neurono atsakymas tinkle statistikine prasme artėtų prie norimo atsakymo. Kriterijus naudojamas kainos funkcijai yra Vidurkio-Kvadrato-Klaidos (Mean-Square-Error) (MSE) kriterijus, apibrėžiamas kaip klaidos kvadrato sumos vidurkio-kvadrato reikšmė [Haykin, 1994]: Kur E yra statistikinis tikimybės operatorius ir sumuojami visi išėjimo sluoksnio neuronai (i=1,…,M). Kainos funkcijos J minimizavimas atsižvelgiant į tinklo parametrus lengvai g.b. formuluojamas gradiento mažinimo (gradient descent) metodu. Šios optimizavimo procedūros problema yra ta, kad jai reikia žinių apie neapibrėžtų procesų, generuojančių pavyzdžius, statistikines charakteristikas. Praktiškai tai gali būti apeita, optimizavimo problemai surandant artimą sprendinį. Klaidos kvadratų sumos momentinė reikšmė (Instantaneous value of the sum of Squared Errors) (ISE) yra pasirinkimo kriterijus [Haykin, 1994]: Po to tinklo parametrai (svoriai) yra pritaikomi ε(t). Faktiškai ši procedūra vadovaujasi taip vadinamu LMS algoritmu, kuomet svoriai yra atnaujinami kartu su kiekvienu pavyzdžiu [Widrow and Hoff, 1960]. II.1 Mokymasis su norimu triukšmingu signalu Vietoj to, kad svorių pritaikymui naudoti norimą signalą di(t), kaip norimas signalas išėjimo neuronui i imamas naujas signalas di(t)+ ni(t), kur ni(t) yra triukšmo periodas. Šiam triukšmo periodui priskiriamas nulinės reišmės baltas triukšmas su σ2 pokyčiu (variance) , nepriklausančiu nei nuo įėjimo signalo xk(t) nei nuo norimų signalų di(t). Neapibrėžtas triukšmo perdavimas yra priskiriamas Gauso ar vienarūšiam perdavimui. Čia norima įrodyti, kad šis naujas norimas signalas neįtakoja galutinės svorių reikšmės statistikine prasme. Tai užtikrina, kad nauja savybė sprendžia originalią optimizavimo problemą. Turint naujus norimus signalus, MSE (4) lygties gali būti perrašyta taip: Nėra sunku įrodyti [Richard and Lippmann 1991; White, 1989; Haykin, 1994], kad (4) lygtis yra lygi Kur ‘|’ simbolis žymi sąlygines galimybes (probabilities), ir 'var' yra kitimų (variance) sutrumpinimas. Pastebėkite, kad antras periodas dešinėje (5) lygties pusėje prisidės prie bendros klaidos J ir koks ir bebūtų mokymosi progresas, jis neįtakos galutinės svorių reikšmės, kadangi jis nėra tinklo svorių funkcija. Optimali svorių reikšmė yra apsprendžiama tiktai pirmo (5) lygties periodo. Kuomet triukšmas yra nulinės reikšmės baltas triukšmas ir jis nepriklauso nei nuo norimo, nei nuo įėjimo signalų, mes turime (6) lygtis rodo, kad triukšmas iš lygties, kuri apibrėš galutines svorių reikšmes, dingsta, taigi mokymassi su norimo triukšmo signalu duos rezultatų, originalios optimizavimo problemos sprendimo prasme, t.y. be triukšmo pridėjimo prie norimo signalo. (learning with the noisy desired signal will yield in the mean the solution for the originaloptimization problem, i.e., without the noise added to the desired signal.) Reiktų konstatuoti, kad ši išvada galioja visoms architektūrų rūšims.Atlikimo funkcijai apibrėžti reikalingi tik išoriniai matavimai (MSE), ir tai nėra susiję nei su topologija nei su kainos funkcijos apibrėžimo būdu (statiniu ar kintamu). Nors šis sprendimas yra patenkinamas, reikia prisiminti, kad mus domina on-line algoritmas, kur yra mokymosi dinamika, t.y. kaip mokymosi progresas yra veikiamas triukšmų. II.3 On-line algoritmas mokymuisi veikiant norimam triukšmingam signalui Reiktų pažymėti, kad atliekamos, modifikacijos, jokiais būdais neveikia atgalinio mokymosi algoritmo realizacijos, kadangi yra modifikuojamas tik signalas, kuris yra įvedamas kaip norimas rezultatas. Taigi, siūlomos modifikacijos gali būti taikomos dar neegzistuojančioms modeliavimo sistemoms. Svarbi problema, kaip modeliavimo metu valdyti triukšmų kaitą (variance). Dėl to tolimesniame skyriuje bus apžvelgiama tiukšmų įtaka momentiniam gradientui. II.4 Norimo triukšmingo signalo gradiente analizė. Svorinio vektoriuas pritaikymo statiniame BP algoritme formulė, tiklui atvaizduotame 1 pav. norimame signale be triukšmų yra [Hertz et al.,1991] Svoriams tarp paslėpto sluoksnio ir išorinio sluoksnio, ir Svoriams tarp iėjimo sluoksnio ir paslėpto sluoksnio, kur ŋ yra žingsnio dydis. Su triukšmingu norimu signalu, ISE (3) lygties tampa: Lygtyse (7) ir (8) įrašant naują reikšmę εnoisy(t), gausime lygtis Palyginus lygtis (7) su (10) ir (8) su (11) daroma išvada, kad triukšmo pridėjimo prie norimo signalo poveikis, tai extra stochastinio periodo svoriniame vektorių taikyme įtraukimas, kas gali būti modeliuojama kaip pridėtinis momentinio gradiento triukšmas (pertirbation) betriukšminiam atvejui. Stochastinio periodo bendra forma Kur N(t) yra veiksmo funkcija gauta pakeitus originalią klaidą d(t)-y(t) įvestu triukšmu n(t). Panagrinėkime papildomų periodų (extra terms) statistines savybes (10) ir (11) lygtyse ir pastebėkime kaip jos veikia svorinių vektorių statistiką. Bet pirmiausia, apibrėžkime atsitiktinius kintamuosius: Jeigu atsitiktiniai kintamieji ir nepriklauso vienas nuo kito, ir g ir f funkcijos yra Borelo funkcijos, tuomet f ir gtaip pat yra nepriklausomos [Feller, 1966]. Realiausios funkcijos f(x) įskaitant sigmoido funkciją, plačiai naudojamą neuroniniuose tinkluose yra Borelio funkcijos. Taigi, galima daryti išvadą, kad (10) ir (11) lygtyse triukšmas n(t) nepriklauso nuo O taip pat ir nuo Todėl gali būti užrašytos papildomų periodų (extra terms) tikimybės ir Jų kitimas (variance) ir Iš (14) ir (15) lygties galima daryti išvadą, kad nulinės reikšmės atsitiktinis triukšmas norimame signale nedaro įtakos svoriniams vektoriams, taigi pagrindinė papildomo stochastinio periodo (extra stochastic term) svorio atnaujinimo reikšmė yra nulis. Iš (16) ir (17) lygties daromos dvi svarbios išvados: triukšmas pridėtas prie norimo signalo veikia svorio atnaujinimo kitimą proporciškai kiekvieno svorio jautrumui. Tai reiškia, kad atskiro triukšmo šaltinis išėjime yra išverčiamas į skirtingus triukšmų stiprumus kiekvienam svoriui. Antra, žingsnio dydis arba išorinio triukšmo šaltinio kitimas valdys papildomų periodų (variance of the extra terms) svoriniuose vektorių prisitaikymo formulėse kitimą, gaunamą pridedant triukšmą prie norimo signalo. Pastebima, kad, kai = 0 arba triukšmo kitimas yra nulis, tuomet stochastinis periodas (stochastic terms) išnyksta - lieka tik originalus svorio atnaujinimas (t.y. sprendžiama originali optimizacijos problema). Šie aspektai ir idėjos gautos iš globalios optimizacijos pateikia empirines taisykles išorinių triukšmų šaltinių valdymui, gaunat reikšmingus rezultatus. Modeliavimo pradžioje norėtųsi svoriams uždėti atsitiktinius trikdžius (perturbation), tam, kad būtų leista algoritmui pabėgti iš vietinio minimumo (local minima.). Tačiau artėjant prie adaptacijos pabaigos trikdžių (perturbation) kitimas turi būti sumažintas iki nulio taip, kad svoriai galėtų pasiekti reikšmes duotas originalios optimizacijos problemos. Toliau bus naudojamas (annealing) tvarkaraštis, pasiūlytas Moody [Darken, Chang, and Moody, 1992] Kur o yra inicijuojamo žingsnio dydis, c yra paieškos laiko konstanta, ir NI - iteracijos numeris. Šių konstantų reikšmės turės būti apibrėžtos eksperimentiškai, kadangi jos priklauso nuo problemų. III Modeliavimo rezultatai Patvirtinant anksčiau atliktą analizę, modeliavimo rezultatai bus pateikiami dviem pavyzdžiais. Vienas jų naudoja dviejų-lygių MLP, taip vadinamos lygiškumo problemos (parity problem), kuri buvo pademonstruota vietinio minimumo (local minima) atveju, pažinimui [Rumelhart et al, 1986]. Iš modeliavimo rezultatų bus matyti, kad mokymasis labiausiai gali būti pagerintas naudojant numatytą metodą (proposed approach) ir globalų minimumą, pasiektą statistikine prasme. Kitas pavyzdys naudoja dinaminį neuroninį tinklą TDNN [Waibel et al., 1989] laiko signalų modeliavimui. Antro modeliavimo rezultatai taip pat patvirtina ankstesnę analizę. III.I Eksperimentai su MLP Spresime 3 bitų lygiškumo problemą. Tinklo dydis 3-3-1, t.y. 3 įėjimo neuronai, 3 paslėpti neuronai, ir 1 išėjimo neuronas. Netiesiškumas (nonlinearity) yra logistinė funkcija. Tiesioginis atgalinis mokymas (backpropagation) yra naudojamas abiem atvejais. Buvo pridėtas Gauso (Gaussian) triukšmas su  =0.001 prie norimo signalo ir parinkti atitinkami parametrai 18 Lygtyje: c= 500 ir o= 0.3. Rezultatai parodyti 2 paveikslėlyje. Stora linija vaizduoja mokymasi su triukšmingu norimu signalu, o punktyrinė linija - su originaliu norimu signalu. Šis pavyzdys rodo, kad mokymasis artėja prie lokalaus minimumo, (local minimum) kuomet naudojamas originalus norimas signalas, bet naudojant triukšmingą norimą signalą mokymasis pasiekia globalų minimumą (global minimum) . Svarbu pabrėžti, kad mokymasis su originaliu signalu, naudoja pastovų žingsnio dydį, kai tuo tarpu signalo su triukšmais žingsnis yra gaunamas iš (18) lygties. Naudojant skirtingus žingsnio dydžius ir skirtingus pradinius (initial) svorius, buvo pasiekti panašūs rezultatai. Tam, kad patvirtinti šio algoritmo konvergavimo galimybę, buvo remiamasi Monte Carlo modeliavimai su 100 bandymu. Rezultatai pavaizduoti 3 Paveiksle, kur punktyrinė linija yra 100 veiksmų rezulatai originaliam signalui, o stora linija - 100 veiksmų rezulatatai triukšmingam signalui. Šiame eksperimente, svoriai yra parenkami atsistiktinai, o žingsnio dydis o atsitiktinai parenkamas iš intervalo [0,1, 0,7]. Kuomet globalus minimumas (global minimum) yra 0, tuomet yra lengva paskaičiuoti reikšmę ir pokytį (mean and variance) 100 galutinių klaidų, kurios pateiktos 1 Lentelėje. Dar daugiau, mokymasisi su triukšmingu signalu laike 99% priartėjo prie globalaus minimumo, o su originaliu signalu tik 26%. Iš 1 Lentelės, galima daryti išvadą, kad su triukšmingu signalu, mokymasis konverguoja į globalų minimumą; bet su originaliu signalu, mokymasis statistikine prasme nekonverguoja. Taigi, iš šių modeliavimo rezultatų galima daryti išvadą, kad triukšmingas signalas leidžia mokymosi algoritmui išeiti iš lokalaus minimumo (local minima). III. II Eksperimentai su dinaminiu neuroniniu tinklu III.I dalyje buvo pademonstruoti statinio neuroninio tinklo modeliavimo rezultatai. Tam, kad patvirtinti, jog aprašytas metodas taip pat veikia ir dinaminiuose neuroniniuose tinkluose. Dinaminės sistemos modeliavimui bus naudojamas TDNN [Waibel et al.,1989]. Bus nagrinėjama tokia sistema, Kur ',' žymi diferencijavimo operatorių. Sistemos įėjimai yra sinusoidžių aibė, Su atsitiktine faze l.. 4 ir 5 Paveikslėliuose vaizduojami sistemos įėjimo ir atitinkamai normalizuoti išėjimo signalai. TDNN tinklo struktūra demonstruojama 6 Paveikslėlyje, kur naudojamas keturių lygių vėlinimas. Šiame tinkle, kaip įėjimai į paslėptą lygį naudojami tik du įėjimo signalai x(t) ir x(t-4). Netiesiškumas (nonlinearity) paslėptuose neuronuose - tai logistinė funkciją. Išėjimas turi vieną tiesinį neuroną. Mokymosi algoritmas - tai BP, kur pavyzdžių klaidos surandamos atimant tinklo išėjimą y(t) iš sistemos d(t) išėjimo. Mokymosi kreivės pavaizduotos 7 Paveikslėlyje, kur triukšmo signalo žingsnio dydis surandamas naudojant (18) Lygtį, kur c=10, 0.01, ir triukšmo kitimas 2 =0.001 . Aiškiai matyti, kad su triukšmingu signalu konvergavimas yra greitesnis ir pasiekiamas žemesnis MSE. Naudojant skirtingus žingsnio dydžius ir svorius, pasiekiami panašūs rezultatai su MSE minimumu lygiu 0,0091. Paveikslėlyje 8 pavaizduotos mokymosi kreivės 100 mokymosi veiksmų, kur žingsnio dydis atsitiktinai parenkamas iš intervalo [0,1, 0,01], o svoriai taip pat yra atsitiktiniai skaičiai. Kadangi nėra žinomas šios problemos globalus minimumas, todėl naudojamas MSE minimali reikšmė 0,0091 kaip globalaus minimumo įvertis. 2 Lentelė atspindi statistikinius rezultatus 100 eksperimentų. 72% (trails) su triukšmingu signalu pasiekė globalų minimumą, ir tik 8% (trails) pasiekė globalų rezultatą su originaliu signalu. Daroma išvada, kad mokymasisi su triukšmingais signalais yra mažiau nepastovus ir mokymosi kreivės taip pat yra daug lygesnės. (smoother) IV.Discussion Eksperimentiškai buvo pademonstruota, kad mokymasis su triukšmingais signalais padidina pastovaus žingsnio dydžio BP algoritmo paieškos galimybes. Tai yra pasiekiama be papildomos kainos algoritmų realizavimo perioduose (This is accomplished at no extra cost in terms of algorithm implementation,), kadangi naudojamas tiesioginis atgalinis mokymas (straight backpropagation.) Papildomos savybės yra gaunamos įvedant nulinės reikšmės valdomo kitimo Gauso triukšmą ir žingsnio dydžio nustatymui pasinaudojant (18) Lygtimi. Buvo pademonstruota, kad triukšmo pridėjimas prie norimo signalo svorių atnaujinimo formulėse prideda nulinės reikšmės stochastinį periodą (that adding noise to the desired signal adds a zero mean stochastic term in the weightupdate formulas.). Nors atskiras triukšmo signalas ir yra įvedamas į norimą signalą, tačiau stochastinio periodo kitimas kiekvienam tinklo svoriui skiriasi (proporcingai kiekvieno svorio jautrumui). Dar daugiau, šio periodo kitimas tiesiogiai valdomas žingsnio dydžio arba išorinio triukšmo šaltinio kitimo. Tai reiškia, kad triukšmo pridėjimas prie norimo signalo yra labai paprasta ir efektyvi procedūra mokymosi proceso ištraukimo iš lokalaus minimumo. Kitimas arba žingsnio dydis turi būti parinktas (anealing) pritaikymo metu. Parinkimo (anealing) realizavimui buvo panaudota Moodžio paieška ir konvergavimo procedūra, tačiau kiekvienai problemai spręsti parametrai turi būti surandami eksperimentiškai. Žingsnio dydžio planavimas, toks, kad būtų įveiktas lokalus minimumas, išlieka atviras klausimas ne tik šiame metode, bet taip pat ir kituose stochastiniuose algoritmuose tokiuose kaip sumodeliuotas parinkimas (simulated annealing) [Kirkpatrick et al., 1983]. Mokymosi algoritmų lankstumo padidinimui yra siūlomi du skirtingi žingsnių dydžiai, vienas gradientui ir kitas - triukšmui. Ši procedūra turi neišvengiamą jungtį su globaliu optimizavimo metodu, vadinamu stochastiniu funkciniu nesklandumų šalinimu (stochastic functional smoothing) [Rubinstein, 1981 and 1986]. Priede aiškinama, kad tiesioginė stochastinio funkcinio nesklandumų šalinimo versija sutrikdo gradientą kartu su triukšmo periodu proporcingai Hesano paviršiui. ( an on-line ver-sion of stochastic functional smoothing perturbs the true gradient with a noise term proportional to the Hessian of the performance surface.) Kuomet signalas pridedamas prie norimo signalo, tikrinis (true) gradientas taip pat yra paveikiamas triukšmų periodo. Šiuo atveju poveikis yra proporcingas naujos veikimo funkcijos gradientui, kuris gaunamas iš originalaus skirtumo tarp d(t) ir y(t), kartu su įvestu triukšmu. Šis paviršius yra susijęs su originaliu, bet gali ir žymiai skirtis. Taigi, kuomet triukšmų šaltinis paprastai yra nustatomas į nulinę Gauso reikšmę, galima tikėtis mažiau optimalių rezultatų, lyginant su stochastinės funkcijos lyginimu (stochastic functional smoothing.). Tačiau algoritmo paprastumas ir geras veikimas gautas eksperimentuose skatina toliau dirbti prie šio metodo. Priedas Šio priedo tikslas yra susieti triukšmo pridėjimą prie norimo signalo naudojant stochastinį funkcinį lyginimo metodą, kuris yra globali optimizacijos procedūra. A.I Stochastinio funkcinio lyginimo optimizacijos apžvalga Stochastiniame funkciniame lyginime, originali neišgaubta funkcija yra perkeliama pagalbinės lyginimo funkcijos, kuri turi kai kurias optimizavimo savybes (t.y. atskiras minimumas). Dirbant su lyginimo funkcija, gali būti atsrastas optimalios problemos globalus minimumas . Lyginimo kainos funkcijos klasė parametrizuota ß yra apibrėžiama kaip [Rubinstein, 1981 and 1986] Kur ß yra valdymo parametras, o y yra atsitiktinis dydis. Dėl J ˆ (wtam, kad būti naudingam originaliai optimizacijai, h ˆ (v impulso atsakymas turi tenkinti keleta sąlygų [žr. Rubinstein, 1981 ir 1986 detaliau], taip, kad parametras apsprendžia lyginimo taikomo J(w) laipsnį. Dideliam lyginimo poveikis yra didelis ir atvirkščiai. Kuomet  0 J ˆ () = J , tuomet nėra lyginimo. Intuityviai aišku, kad norint išvengti lokalaus minimumo, optimizacijos pradžioje  turi būti pakankamai didelis. Tačiau siekiant optimumo lyginimo efektyvumas turi būti mažinamas leidžiant ß artėti prie nulio. Taigi minimumo taške w* laukiamas sutapimas tarp J(w) ir J ˆ ( Atitinkamai, konstruojant iteratyvią w* paieškos procedūrą, yra reikalinga lyginimo funkcijų aibė J ˆ(ß s=1,2,...... Jei signalo atsakymo dalis yra išrenkama kaip daugianormalinė funkcija su dydžiu n ir kitimu ß, tai Lyginimo kainos funkcijos gradientas gali būti įvertintas taip [Styblinski and Tang, 1990] Kur N yra pavyzdžių su daugybe kintamųjų iš (23) Lygties skaičius. Taigi, lyginimo kainos funkcijos gradientas gali būti randamas iš originalios kainos funkcijos. A.II Tiesioginė stochastinės lyginimo funkcijos Optimizavimo realizacija Susiejami triukšmo norimame signale poveikis ((10) ir (11) lygtys) su tiesiogine lyginimo funkcinių gradientų realizacija ((24) Lygtis)). Bus taikoma stochastinės aproksimacijos savybė [Robbins and Monro, 1951]. Kuomet ISE aproksimuoja (stochastine prasme) į MSE ir gradiento operatorius yra tiesinis operatorius, lyginimo kainos funkcijos gradientas εˆ gali būti įvertintas pagal analogiją su Lygtimi (25), taip Dėl supaprastinimo, čia yra ignoruojamas diskretinio laiko indeksas t. Reiktų pabrėžti, kad iš L.(24), kuri atspindi originalios stochastinės lyginimo funkcijos optimizacijos artėjimą prie L.(26), kuri yra tiesioginis L.(24) įvertis, tik vienintelė stochastinės aproksimacijos savybė buvo taikoma taip, kad būtų garantuotas tiesioginio įvertinimo stabilumas [Robbins and Monro, 1951; Kusher and Calrk, 1978; Wang and Principe, 1995]. Tiesioginis vienpusisi įvertis naudojamas L.(26) yra pagrindas gradiento įverčio naudojamo LMS ir BP algoritmuose. L.(26) išreiškia įvertinimą ε(w) gradiento, kuomet w yra paveikiamas atsitiktinio kintamojo βv j . Šis metodas praktiniam realizavimui yra per brangus, kadangi svoriai turi būti veikiami (gradiento skaičiavimui pageidaujamas antras tinklas). Taigi, šis metodas tiesiogiai nėra įgyvendinamas. Realizacijos supaprastinimui siūloma atlikti Teiloro seriją ekspansijų apie w, ir antrame etape jį suskaidyti. Literatūra 1. Darken, C., Chang, J., and Moody, J., “Learning Rate Schedules for Faster Stochastic Gradient Search,” IEEE Neural Networks for Signal Processing, 1992. 2. Fahlman, S., “Fast-Learning Variations on Back-Propagation: An Empirical Study,” In Proc. Of 1988 Conn. Model Summer School. 3. Feller, W, An Introduction to Probability Theory and Its Applications, Vol. 1, 2rd ed. Wiley, NewYork, 1966. 4. Haykin, S, Neural Networks---A Comprehensive Foundation, Macmillan College Publishing Company, New York, 1994. 5. Hertz J., Krogh A., Palmer R. G., “Introduction to the theory of neural computation,” Addison-Wesley,1991. 6. Hinton G. E., “Connectionist learning procedure,” In machine learning: Paradigms and methods, J. G. Carbonell, ed., pp. 185-234. MIT Press, Cambridge, MA, 1989. 7. Holmstrom L., and Koistinen, P., “Using Additive Noise in Back-Propagation Training,” IEEE Trans. on Neural Networks, Vol. 3, No.1, 1992. 8. Kirkpatrick, S., et. al., “Optimization by simulated annealing,” Science 220, 671-680. 9. Krogh, A. and Hertz, J., “Generalization in a Linear Perceptron in the Present of Noise,” J. Phys. A: Math. Gen. 25(1992) 1135-1147. 10. Kushner, H., “Asymptotic Global Behavior for Stochastic Approximation and Diffusions with Slowly Decreasing Noise Effects: Global Minimization via Monte Carlo,” SIAM J. APPL.MATH. Vol. 47, No. 1 Feb., 1987. 11. Kushner, H, and Clark, D. S., Stochastic Approximation Methods for Constrained and Uncon-strained Systems, Springer-Verlag, New York, 1978. 12. Matsuoka, K., “Noise Injection into Inputs in Back-Propagation Learning,” IEEE Trans. Systems, Man, and Cybernetics, Vol. 22, No. 3, 1992. 13. Richard M., Lippmann R. P., “Neural network classifiers estimate Bayesian a posteriori probabil-ity,” Neural Computation, 3, 461-483, 1991. 14. Robbins, H., and S. Monroe, “A stochastic approximation method,” Annals of Mathematical Sta-tistics 22, 1951. 15. Rognvaldsson, T., “On Langevin Updating in Multilayer Perceptrons,” Neural Computation, 6.916-926, 1994. 16. Rubinstein, R., Simulation and the Monte Carlo Method, Wiley,1981. 17. Rubinstein, R., Monte Carlo Optimization, Simulation and Sensitivity of the Queueing Networks,Wiley, 1986. 18. Rumelhart et al, Parallel Distributed Processing, Vol.1, MIT Press, 1986. 19. Styblinski, M.A., and Tang, T.-S, “Experiments in Nonconvex Optimization: Stochastic Approxi-mation with Function Smoothing and Simulated Annealing,” Neural Networks, Vol.3, 1990. 20. Szu, H., “Fast simulated annealing,” AIP conf. Proc. 151:Neural Networks for Computing, Snow-bird, UT, 1986. 21. Waibel, A., T. Hanazawa, G. Hinton, K. Shikano, K. J. Lang, “Phoneme recognition using time-delay neural networks,” IEEEE Trams. ASSP-37, 1989. 22. Wang, C., and J. C. Principe, “On-line stochastic functional smoothing optimization for neural network training, submitted to Neural Networks, 1995. 23. Werbos, p., “Generalization of backpropagation with application to a recurrent gas market model,” Neural Networks, 1, 339-356. 24. Widrow, B., and Hoff, M., “Adaptive switching circuits,” IRE WESCON Convention Record, pp.96-104, 1960.

Informatika  Kursiniai darbai   (164,25 kB)

Išgaunant panašiausią atvejį ar atvejus iš atvejų bazės, jie yra apibrėžiami, remiantis naujos problemos aprašymu. Pakartotinai naudojant informaciją ir žinias išgautuose atvejuose, jos taikomos naujos problemos sprendimui. Tam, kad suformuoti sprendžiamą atvejį, naujos problemos aprašymas suderinamas su informacija, esančia sename atvejyje. Peržiūrint siūlomo sprendimo tinkamumą, jis įvertinamas realiame laike. Jei būtina ir įmanoma, siūlomas atvejis pritaikomas. Jei atvejo sprendimas sugeneruotas pakeitimo fazėje, tuomet jis turi būti saugomas būsimų problemų sprendimui - tai reiškia, kad atvejų bazė yra atnaujinama, įsimenant naują atvejį. 3 Panašių atvejų paieška CBR sistemose Išskirtinė CBR sistemų savybė - panašių atvejų paieška atvejų bazėje. CBR sistemos suvienodina užklausų ir atvejų skaičiavimus. Naudojama savybė yra vadinama artimiausio kaimyno suradimu. Globalus panašumas tarp atvejų gali būti surandamas, pavyzdžiui, kaip lokalaus panašumo svorinė suma, skaičiuojama kiekvienai savybei, kurią turi aprašytas atvejis. Lokalaus panašumo skaičiavimui kiekvienai individualiai savybei gali būti naudojamos skirtingos metrikos priklausomai nuo jos duomenų tipo (skaičiai, simboliai ir taip toliau). Kiekviena savybė gali turėti su ja susijusį svorį, kuris didina arba mažina tos savybės svarbą. Jeigu atvejų bazė yra labai didelė, ji turi būti suindeksuota. Tinka įvairūs indeksavimo būdai. Didelių atvejų bazių indeksavimui gali būti naudojami medžiai. Sprendimų medis - tai hierarchinė saugomų atvejų struktūra, besiremianti savybių reikšmėmis. Šaknies viršūnės apima visus atvejus, o žemesnės viršūnės palaipsniui padalina atvejus į poaibius. Šis medis dar vadinamas klasifikacijos medžiu. Klasifikacija - tai n-viršūnių medis, kur viršūnės atvaizduoja simbolines reikšmes. Simboliai kiekvienoje medžio viršūnėje gali būti naudojami kaip atributo reikšmė atvejyje arba užklausoje. Skirtingai nuo paprasto simbolinio tipo, kuris tik išvardina galimas atributo reikšmes, vieta klasifikacijų medyje atvaizduoja papildomus ryšius tarp simbolių. Šie ryšiai išreiškia žinias apie klasifikacijos simbolių panašumą. Atvejų atvaizdavimo kalbos turi šiuos klasifikacijos tipus, kurie naudojami CBR programų modeliavime [2]. 4 Žinios, įeinančios į klasifikavimo sistemas Toliau bus analizuojamos žinios, kurios naudojamos klasifikacijose. Įvertinimo sistemos [3] naudoja du skirtingus žinių tipus: 1. Žinias apie objektų klases (vaizduojamos vidinėmis viršūnėmis); 2. Žinios apie panašumą tarp kabančių viršūnių.

Informatika  Pagalbinė medžiaga   (21,07 kB)

Paklausos ir pasiūlos modelis. Paklausa. Pasiūla . Rinkos pusiausvyra . Vyriausybės įtaka rinkos pusiausvyrai. Paklausos ir pasiūlos elastingumas. Paklausos elastingumą kainai lemiantys veiksniai. Kryžminis paklausos elastingumas. Vartotojo elgesio modeliavimas. Gamybos teorija. Pelno maksimizavimas. Kaštu teorija. Konkurencines rinkos modelis. Monopolines rinkos modelis. Oligopolines rinkos modelis. Gamybos veiksniu rinkos. Pusiausvyra mainuose.

Ekonomika  Konspektai   (129 psl., 1,92 MB)

Genetikai organizmus apibūdina dviem terminais – genotipu ir fenotipu. Genotipas - tai organizmo (ląstelės) genetinės informacijos (genų) visuma. Fenotipas – visų organizmo ar ląstelės požymių visuma. Fenotipas yra realizuota, įgyvendinta genetinė informacija. Organizmo požymiai yra organizmo ypatumai, kuriuos galima įvertinti (išsiaiškinti), suskaičiuoti ar išmatuoti. Kiekvienas organizmas turi labai daug požymių, nes kiekvienas organizmas yra sudėtinga sistema, sudaryta iš daugelio dalių, kuriose vyksta sudėtingi reiškiniai.

Biologija  Konspektai   (5 psl., 21,78 kB)

Fosfolipido molekulė susideda iš dviejų dalių - elektros krūvį turinčios galvos ir dviejų uodegų, kurios yra elektriškai neutralios. Uodegą sudaro dvi glicerino molekule sujungtos riebiosios rūgštys, o galvutę - prie glicerino prijungta fosforo rūgšties liekana su tam tikro alkoholio molekule. Beveik visa riebiosios rūgšties molekulė - tai ilga elektriškai neutrali angliavandenilinė grandinėlė, kuri negali sąveikauti su poliškomis vandens molekulėmis. Nuo fosforo rūgšties atskyla , o nuo alkoholio liekanos arba atskyla, arba prisijungia prie jos, todėl galvutė yra poliška - elektringa.

Biologija  Konspektai   (4 psl., 13,33 kB)

Elektrono sukinys. Paulio principas.Būdingieji rentgeno spinduliai. Neišsigimusios ir išsigimusios “dujos”. Fermio”dujų” pasiskirstymo f-ja. Bozės dujų pasiskirstymo f-ja. Sąveikos rūšys. Radioaktyviojo skilimo dėsnis. α skilimas. β skilimas. Jonizuojantis spinduliavimas,vienetas,poveikis. Termobranduolinių reakcijų valdymo problema. Subatominių dalelių klasifikacija

Fizika  Paruoštukės   (8 psl., 57,97 kB)

Gamta - neišsenkamas natūralių vaistų šaltinis. Jau gilioje senovėje mūsų protėviai atkreipė dėmesį į daugelio augalų maistines ir vaistines savybes. Ir šiandien niekas neabejoja, kad sergant įvairiomis ligomis, vartoti vaistinius augalus yra naudinga. Vis dažniau ne tik ligoniai, bet ir gydytojai pirmenybę teikia vaistiniams augalams. Jie kaip vaistai pranašesni už daugelį sintetinių preparatų, nes dauguma jų nenuodingi, retai sukelia šalutinių nepageidaujamų reiškinių, ir daugelis iš jų turi biologiškai aktyvių gamtinių medžiagų kompleksą.

Medicina  Pagalbinė medžiaga   (49 psl., 71,84 kB)

Užsienio ryšių administravimo problemos verslo organizacijose ir jų sprendimo prioritetai. Virtualios organizacijos kilmė ir apibrėžimas. Personalo vadybos teorijos ir jų taikymo galimybės naujoms darbo organizavimo formoms, grindžiamoms IT panaudojimu, įgyvendinti Šiuolaikinės personalo valdymo funkcijos ir jų turinys Personalo valdymo apibrėžimas. Personalo valdymo vaidmuo, kuriant konkurencinį organizacijos pranašumąPersonalo valdymo funkcijos.

Vadyba  Konspektai   (75 psl., 939,64 kB)

Ankstyvoji senovės Graikijos matematika. Matematikos mokslo atsiradimas. VI-V amžiai pr.m.e. Graikijos istorijoje įsidėmėtini šiais trimis svarbiais įvykiais: pirmą kartą žmonijos istorijoje susikūrė demokratinė valstybė, atsirado tragedija bei komedija ir buvo sukurta matematika kaip abstraktus dedukcinis mokslas. Šie įvykiai, kurių kiekvienas atskirai buvo nepaprastai reikšmingas, sudaro fenomeną, vėliau pavadintą “graikų stebuklu”. Antikos žmonių polinkį mokslui galima paaiškinti ten įsigalėjusia nuomone, kad žinios žmogų tobulina, daro jį asmenybe. Graikijoje mokslas jau buvo atskiro asmens reikalas. Ir išminčius Graikijoje ne dievų patikėtinis, bet asmenybė, kuriai įgyti pripažinimą nepakanka vien dievo autoriteto.

Matematika  Referatai   (7 psl., 17,02 kB)

Kas yra patriotizmas. Tikrasis ir dirbtinis patriotizmas. Patriotizmo pasireiškimo keliai. Patriotinis auklėjimas. Tarpukario Lietuvos pedagogų Antano Maceinos ir Stasio Šalkauskio požiūris į patriotizmą. Stovint ant trečio tūkstantmečio slenksčio, kalbėti apie patriotizmą gali atrodyti mažų mažiausiai naivu. Vyrauja nuomonė, kuriai pritariu ir aš, kad ateinantis amžius bus tautų jungimosi ir kosmopolitizmo metas. Tam įvykti yra visos prielaidos. Po truputį nyksta kalbos barjerai, žmonės gali palyginti laisvai keisti savo gyvenamąją vietą, jie tampa mažiau priklausomi nuo religijos, abejingesni tautos istorijai.

Politologija  Referatai   (12 psl., 23,43 kB)

VI-V amžiai pr.m.e. Graikijos istorijoje įsidėmetini šiais trimis svarbiuasiais įvykiais: pirmą kartą žmonijos istorijoje susikūrė demokratinė valstybė, atsirado tragedija, bei komedija ir buvo sukurta matematika kaip abstraktus dedukacinis mokslas. Šie įvykiai,kurių kiekvienas atskirai buvo nepaprastai reikšmingas, sudaro fenomeną, vėliau pavadintą "graikų stebuklu". Antikos žmonių polinkį mokslui galima paaiškinti ten įsigalėjusia nuomone,kad žinios žmogų tobulina,daro jį asmenybe, Graikijoje mokslas jau buvo atskiro asmens reikalas. Ir išmincius Graikijoje ne dievų patikėtinios, bet asmenybė,kuriai įgyti pripažinimą nepakanka vien dievo autoriteto,- jis turi "kovoti" už savo vietą. Taigi įsigalėjo diskusijos.

Matematika  Referatai   (5,57 kB)

Šiame darbe jūs rasite informacijos apie matematikos istoriją, matematinių terminų kilmę. Taip pat pateikėme šešių žymiausių matematikų trumpas biografijas, nuotraukas. Ar žinote, kad didelė dalis geometrijos terminų atsirado senovės Graikijoje. Štai keletas terminų. Planimetrija - matuoju plokštumą. Diametras - skersmuo, kiaurai matuojantis. O dabar pateiksime truputi informacijos apie žymiausius matematikus. Archimedas- jis buvo žymiausias senovės matematikas ir fizikas.

Matematika  Referatai   (5,09 kB)

Tiesą sakant, gavęs kursinio darbo temą, sutrikau. Pačiam beveik nieko neišmanant apie patriotizmą tenka atskleisti dviejų bene žymiausių nepriklausomos tarpukario Lietuvos pedagogų Antano Maceinos ir Stasio Šalkauskio požiūrius šia tema, bei palyginti jų keliamas idėjas. Manau nereiktų vengti ir priešpastatyti šių šviesuolių minčių šių dienų realijoms, nes prieš penkiasdešimt metų pasakytos mintys gali būti, švelniai tariant, truputėlį “apkerpėjusios”. Na, bet arčiau prie reikalo.

Filosofija  Kursiniai darbai   (5,12 kB)

Vėliau, trečioje Jonijos kosmologų kartoje, subrendo naujos filosofinės problemos ir atsirado naujų teorijų; tų teorijų buvo daug, ir tas pačias problemas jos sprendė tiesiog priešingai. Viena iš tų teorijų buvo Herakleito pradėtas variabilizmas. HERAKLEITO GYVENIMAS IR DARBAI. Kilęs iš Efeso, jis buvo kilmingiausios efesiečių giminės palikuonis;

Filosofija  Analizės   (5,42 kB)

Nėra abejonių, jog vienas svarbiausių žmonijos raidos etapų - tai bendruomenės sukūrimas. Šis veiksnys padėjo ženkliai pastūmėti į priekį visą žmonijos evoliuciją. Bendruomenė pasižymi tuo, jog jos narius sieja begalė saitų - pradedant papročiais ir baigiant sutartimis. Kartais yra bandoma šiuos santykius sugrupuoti tam tikra tvarka, nustatyti jų hierarchinius ryšius. Pavyzdžiui, marksistai teigia, jog svarbiausias ir esminis yra “gamybinis ryšys”. Dėl jo atsiranda visi kiti santykiai. Kitos teorijos iškelia ne materialinius, bet psichologinius, dvasinius ar religinius motyvus.

Teisė  Pagalbinė medžiaga   (3 psl., 7,95 kB)

Jeigu žmogus pradeda realizuoti visa, apie ką papasakojome, jeigu laiko save vienos bendros sistemos, kuriai priklauso visi žmonės, dalimi, jeigu šį žinojimą perduoda kitiems ir kuria aplinką, kuri jį rems tobulėjimo kelyje, tuomet jis palaipsniui išsiugdo tikrąjį, stiprų ir užbaigtą norą įgyti gamtos altruizmo savybę. Jau pats kelias į šį norą – iššūkis, jis pripildo mūsų gyvenimą visapusišku turiniu, suteikia giliausią prasmę. Galutinai susiformavęs altruistinis noras žmogui atveria naują tikrovę. Prieš aprašydami šią tikrovę ir pojūčius, kuriuos patiria žmogus, esantis joje, išsiaiškinkime bendrą tikrovės suvokimo mechanizmą. Iš pirmo žvilgsnio šis ekskursas gali atrodyti nereikalingas ir beprasmis. Kas nežino, kas yra tikrovė? Tikrovė – visa, kas mus supa, visi mūsų matomi daiktai: sienos, namai, žmonės, visa visata. Tikrovė – tai, ką galima paliesti, išgirsti, paragauti, pauostyti ir t. t.

Filosofija  Referatai   (10 psl., 18,3 kB)

Teisės samprata. Teisės, kaip tautos kultūros, samprata. Teisės, kaip “lašo jūroje”, samprata. Teisės, kaip religijos, samprata. Teisės, kaip nepasiekiamos idėjos, samprata. Teisės, kaip valstybės politikos, samprata. Teisės, kaip “to, ką daro teismai”, samprata. Norint nagrinėti teisės mokslą, kaip ir kiekvieną mokslą, pirmiausia reikia išsiaiškinti, ką mes nagrinėsime, kadangi pastangos perprasti objektą, kurio reikšmė nežinoma, yra bevaisės ir betikslės. Norint suvokti teisę reikia atsakyti į tris klausimus: kuo teisė skiriasi nuo grasinimais paremtų įsakymų ir kuo su jais susijusi; kuo teisinė pareiga skiriasi nuo moralinės prievolės ir kuo su ja susijusi; kas yra normos ir kokiu mastu teisę sudaro normos.

Teisė  Kursiniai darbai   (11 psl., 19,31 kB)

Darbo tikslas išsiaiškinti kriptografinių sistemų su atviru raktu sudarymo principus, susipažinti su RSA kriptografiniu algoritmu, suprasti ir įsisavinti viešųjų raktų paskirstymo mechanizmą. Viena bazinių idėjų, panaudotų tokių sistemų sukūrimui ir praktiniam naudojimui – vienakryptės (neapgręžiamos) funkcijos. Vienakryptė funkcija yra tokia funkcija f, kuriai būdinga tokia savybė: esant žinomam x, palyginti paprastai galima apskaičiuoti y=f(x), tačiau surasti x, jeigu žinoma y, praktiškai neįmanoma. Kitaip sakant, ypač sunku apskaičiuoti atvirkštinę funkciją f-1(y). Nesunku pastebėti, kad toks šių funkcijų apibrėžimas nėra matematiškai tikslus, tačiau kriptografijoje jos naudojamos.

Elektronika  Laboratoriniai darbai   (8 psl., 25,36 kB)

K.Donelaitis “Metai”. Išminčiai K.Donelaičio “Metuose”. K. Donelaičio asmenybė, vertybių sistema “Metuose”. Gamta ir žmogus K.Donelaičio “Metuose”. Skaitydami Kristijono Donelaičio “Metus”, pastebime, kad nemažą kūrinio dalį sudaro Lauro, Selmo ir šaltyšiaus Pričkaus pamokančios bei patariančios kalbos, kuriose, be abejonės, regime paties autoriaus pozicją. Todėl galime spręsti, kad vienas iš Donelaičio tikslų buvo parodyti žmonėms, kaip reikia teisingai elgtis, o tas, kuris teisingai elgiasi, yra ir išmintingas.

Lietuvių kalba  Konspektai   (10 psl., 36,73 kB)