Пример готовой дипломной работы по предмету: Программирование
Содержание
Оглавление
Введение 3
Глава
1. Тестирование ПО 4
1.1. Автоматизация тестирования 4
1.2. Модульное тестирование 13
1.3. Фреймворк CxxTest 18
Глава
2. Октодерево (octree) 19
2.1. Основные сведения 19
2.2. Тестирование octree 20
2.2.1. Тестирование модуля bound.h 20
2.2.2. Тестирование модуля kd_tree_node.h 21
2.2.3. Тестирование модуля point.h 22
Глава 3. Диффузия нейромедиаторов 24
3.1. Основные сведения 24
3.2. Тестирование 25
3.2.1. Тестирование модуля OctreeNode.h 25
Заключение 27
Список использованной литературы 28
Приложение 1 – Исходный код класса TestBound 29
Приложение 2 – Исходный код класса TestOctreeNode 33
Приложение 3 – Исходный код класса TestPoint 34
Приложение 4 – Исходный код класса TestKdTreeNode 36
Выдержка из текста
Актуальность темы.
Одним из наиболее актуальных направлений в области кибернетики является построение программных приложений для симуляция диффузии нейромедиаторов. В настоящее время симуляция диффузии нейромедиаторов в растущих нейрональных структурах с применением новых модифицированных является важным и актуальным вопросом.
После двух десятилетий почти полного забвения интерес к искусственным нейронным сетям быстро вырос за последние несколько лет. Специалисты из таких далеких областей, как техническое конструирование, философия, физиология и психология, заинтригованы возможностями, предоставляемыми этой технологией, и ищут приложения им внутри своих дисциплин.
Это возрождение интереса было вызвано как теоретическими, так и прикладными достижениями. Неожиданно открылись возможности использования вычислений в сферах, до этого относящихся лишь к области человеческого интеллекта, возможности создания машин, способность которых учиться и запоминать удивительным образом напоминает мыслительные процессы человека, и наполнения новым значительным содержанием критиковавшегося термина «искусственный интеллект».
Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.
Несмотря на такое функциональное сходство, даже самый оптимистичный их защитник не предположит, что в скором будущем искусственные нейронные сети будут дублировать функции человеческого мозга. Реальный «интеллект», демонстрируемый самыми сложными нейронными сетями, находится ниже уровня дождевого червя, и энтузиазм должен быть умерен в соответствии с современными реалиями.
Цель работы.
Основной целью данной работы является: тестирование системы симуляции диффузии нейромедиаторов в растущих нейрональных структурах.
Список использованной литературы
Список использованной литературы
1. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе // М.:МИФИ, 1998.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2005, 755 с.
3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере // Новосибирск.: Наука, 1996. 276с.
4. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика // М.: Горячая линия–Телеком, 2001. 328с.
5. К. Ауэр, Р. Миллер Экстремальное программирование: постановка процесса. — СПб.: Питер, 2004. — 368 с: ил.
6. Кон. Майк. Scrum: гибкая разработка ПО.: Пер. с англ. — М.: ООО "И.Д. Вильяме", 2011. — 576 с.
7. Макконнелл С. Профессиональная разработка программного обеспечения. — Пер. с англ. — СПб.: Символ-Плюс, 2006. — 240 с, ил.
8. Прэтт У. Цифровая обработка изображений: Пер с англ. – М.: Мир, 1982, 788 c.: ил.
9. Садыков С.С., Стародубов Д.Н. Алгоритмы определения длины и ширины дискретных площадных объектов. //Автоматизация и современные технологии. 2007. № 10. С.10-15.
10. Садыков С.С., Савичева С.В. «Исследование наложенности плоских объектов в поле зрения СТЗ», //Приборостроение, 2012. № 2. С. 14-19.
11. Садыков С.С., Савичева С.В. «Предварительная обработка изображений плоских объектов в системах технического зрения», //Приборостроение, 2012. № 2. С. 19-24.
12. Садыков С.С., Савичева С.В. «Алгоритм идентификации плоских объектов с использованием минимального числа признаков» //Автоматизация и современные технологии, 2011. № 7. С. 3-6.
13. Садыков С.С., Савичева С.В. «Идентификация реальных плоских объектов на основе единственного признака точек их внешних контуров», //Информационные технологии, 2011. № 8. С.13-16.
14. Савичева С.В. Экспериментальное исследование алгоритма идентификации плоских объектов. Алгоритмы, методы и системы обработки данных: Сборник научных трудов. Выпуск 15 – Муром: Изд.-полиграфический центр МИ ВлГУ, 2010. С. 153-160.
15. Скотт Ф. Ушсон Иркк Мзйплс Тим Лэндгреив. Принципы проектирования и разработки программного обеспечения. Учебный курс MCSD/Пер. с англ. — 2-е изд., испр. — М.: Иэдателъ-СКО-торговык дом «Русская Редакция», 2002. — 736 стр.: ил.
