Программы для ЭВМ

Программа генерирует карту препятствий, необходимую для системы планирования мобильного робота. Карта препятствий - чёрно-белое изображение, где белый цвет соответствует доступному для перемещения пространству, а чёрный - запрещенные области. На вход принимает xml-описание области, для которой генерируется карта; описание объектов- препятствий в формате sdf; карту с размеченными запрещёнными для перемещения областями (например, из-за особенностей ландшафта). На выходе программы - карта препятствий (изображение размер 320x320 пикселей формата bmp), а также файл-описание карты препятствий формата xml. Python 3.5

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа принимает данные от некоторых устройств или отправляет данные на них. Устройства подключены к компьютеру по шине I2C. Формат принимаемых/отправляемых данных описывается в файле определённой структуры. Согласно этому файлу, отправляемые данные компонуются и направляются адресатам, а получаемые - дешифруются. Python 3.5

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа выполняет обучение и валидацию глубокой искусственной нейронной сети спроектированной для определения опасных ситуаций (столкновение, падение, переворот и т.п.) для траектории мобильного робота по данным, получаемым со стереокамеры. Python 3.5

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа предназначена для имитационного моделирования поведения группы агентов с целью анализа воздействия способов и параметров межагентных взаимодействий на её эффективность. Агенты реализованы в соответствии с эмоционально-потребностной моделью, формализованной в виде системы правил. Модель дополнена специфическим набором установок, определяющих симпатии/антипатии агентов друг к другу – моральными нормами. В базовом варианте модели воспроизводится пищевое поведение группы агентов на клеточной карте. Реализован также вывод результатов моделирования (параметров состояния агентов и производительности сбора пищи) как в графическом, так и в текстовом виде. Python 3.5

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа служит для решения задачи классификации с помощью спайковой (импульсной) нейронной сети с моделью синаптической пластичности Spike-Timing-Dependent Plasticity (STDP). Реализовано решение трёх тестовых задач: классификации ирисов Фишера, Висконсинского тестового набора данных по раку груди, и распознавания рукописных цифр, содержащихся в открытой библиотеке sklearn digits. Принцип работы основан на эффекте стабилизации под действием аддитивной STDP со схемой учёта пар спайков «симметричная с ограничением» средней частоты выходной спайковой активности нейрона. Реализовано два способа декодирования выходных частот нейронов первого либо второго слоя каждой из сетей в метки классов: путём обучения классификатора Gradient Boosting из библиотеки sklearn, а также с помощью алгоритма, основанного на сравнении выходных частот нейронов в ответ на примеры тестировочной выборки с выходными частотами этих нейронов в ответ на примеры тренировочной выборки. Тип ЭВМ: IBM PC-совмест. ПК. ОС: Ubuntu. Python 3.5, Bash

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа служит для определения принадлежности входных примеров к классам по выходной активности обученной спайковой (импульсной) нейронной сети. Алогоритм декодирования заключается в следующем: 1. Каждому выходному нейрону ставится в соответствие определённый класс в задаче классификации (далее - «свой класс» для данного нейрона); 2. На этапе тестирования записываются частоты возбуждения (спайков) нейрона в ответ на все примеры тренировочной и тестировочной выборки; 3. Для каждого нейрона и каждого класса вычисляется средняя частота спайков этого нейрона в ответ на тренировочную выборку этого класса. Диапазон выходной частоты нейрона на «своём» классе определяется как средняя частота этого нейрона в ответ на свой класс плюс-минус половина расстояния до ближайшей средней частоты этого нейрона в ответ на какой- либо другой класс; 4. Нейрон называется распознавшим пример как «свой», если выходная частота нейрона в ответ на этот пример лежит внутри диапазона выходной частоты этого нейрона на «своём» классе; 5. Для каждого нейрона вычисляется разность между его средними выходными частотами в ответ на различные классы. Эта разность характеризует то, насколько хорошо нейрон различает классы; 6. Окончательно, пример тестировочной выборки считается отнесённым сетью к i-ку классу, если i-й нейрон распознал этот пример как свой. Если несколько нейронов распознали пример как свой, из них учитывается нейрон с максимальной разностью, определённой на шаге 5. Входные примеры кодируются средними частотами независимых пуассоновских спайковых последовательностей. В качестве модели синаптической пластичности используется аддитивная Spike-Timing-Dependent Plasticity (STDP) со схемой учёта пар спайков «симметричная с ограничением». Python 3.5, bash

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа вычисляет математическое ожидание изменения синаптического веса нейрона Integrate-and-Fire под действием модели синаптической пластичности Spike- Timing-Dependent Plasticity (STDP). Входными данными являются константы STDP, порог нейрона и частоты пуассоновских входных спайковых последовательностей. Реализована аддитивная STDP с двумя схемами учёта пар спайков: пре-центрированной и ограниченной симметричной. Отличительной особенностью программы является учёт вклада, который в изменение веса вносит корреляция выходной последовательности нейрона со входными. Выходная последовательность спайков нейрона моделируется процессом Эрланга, а также, для сравнения, пуассоновским процессом. Конечным результатом является оценка стационарного распределения весов, а именно количество весов, установившихся вблизи 1. Тип ЭВМ: Персональный компьютер IBM PC. ОС: Ubuntu. Python 3.5, gnuplot

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа предназначена для вычисления энергий в зависимости от величины внешнего магнитного поля, магнитных дипольных поляризуемостей нейтрального и заряженного псевдоскалярных мезонов и графического анализа полученных результатов. Область применения программы — вычисление и графический анализ физических величин в квантовой хромодинамике. Python 3.5, Gnuplot

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программа предназначена для вычисления энергий в зависимости от величины внешнего магнитного поля, магнитной дипольной поляризуемости и g-фактора векторного заряженного мезона в решёточной квантовой хромодинамике. Выполняется графический анализ полученных данных. Python 3.5, Gnuplot

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)

Программный комплекс предназначен для управления многозвенным манипулятором ST Robotics R12-6 с применением дихотомического алгоритма решения задачи обратной кинематики. Управляющие процедуры выполнены в виде набора процедур на языке Matlab, предназначенных в первую очередь для исследований поведения системы в сложных случаях. Предоставляются также реализации процедур на языке Python, обеспечивающие управление роботом средствами фреймворка ROS. Python 3.5, MATLAB

Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Курчатовский институт" (RU)