.RU

14. Поток сети - Методы нейроинформатики сборник научных трудов под редакцией доктора физико-математических наук...


^ 14. Поток сети

Фрагмент сети, состоящий из слоя входных синапсов, сумматора, нейрона и выходного синапса и названный «потоком» представлен в программной модели классом TNetStream.

Помимо обычных для потомка класса TNetPiece полей NextPiece, PriorPiece, ForwOut и BackOut данный класс включает в себя FirstLayer - список синапсов первого слоя, Summator - объект класса TSummator, реализующего тривиальный сумматор, Neuron - объект класса TNeuron, реализующего нелинейный преобразователь - нейрон, SecondLayer - объект класса TSynapse, описывающий выходной синапс потока.

Прямой такт потока, описанный методом ForwardTact, происходит следующим образом:

Перебираются элементы списка FirstLayer, для каждого из которых вызывается его собственный метод ForwardTact, затем происходит «срабатывание» (вызов этого же метода) для объектов Summator, Neuron и SecondLayer. Затем выходной сигнал объекта заносится в поле ForwOut - выходной сигнал всего потока.

Такт обратного функционирования потока, который описан в методе BackwardTact, включает в себя следующие действия:

Последовательный вызов собственного метода BackwardTact для объектов SecondLayer, Neuron и Summator, затем перебор элементов списка FirstLayer и вызов метода BackwardTact для каждого синапса, входящего в него.

Структура связей между элементами потока представлена на рис 10.




^ 15. Скомпонованная полутораслойная поточная сеть

Целая сеть представлена классом TNet. Данный класс также является потомком класса TNetPiece - общего элемента сети, что позволяет, используя свойство полиморфизма объектов, достаточно легко компоновать из отдельных фрагментов нейросети более сложной структуры.

Кроме полей, унаследованных от TNetPiece, сеть характеризуется также полями Inputs - список входных элементов, Streams - список потоков сети, SecondLayer - сумматор входного слоя, Answer - выходной элемент сети.

Для описания такта прямого функционирования сети используется, так же как в других элементах сети, метод ForwardTact. Методом выполняются следующие действия:

Перебор списка входных элементов и вызов метода ForwardTact для каждого из них, перебор и прямое функционирование каждого из элементов списка потоков, и затем - для объектов SecondLayer и Answer.

Метод BackwardTact, описывающий обратное функционирование сети, задается следующей последовательностью действий:

Обратное функционирование элементов Answer, SecondLayer, затем перебор и выполнение методов BackwardTact для элементов списков Streams и Inputs.

Структура связей между стандартными элементами полностью скомпонованной поточной нейросети показана на рис. 11.




Схема, приведенная на рис. 11, хорошо иллюстрирует преимущества применения объектно-ориентированного подхода к моделированию нейронных сетей.

Свойство полиморфизма объектов позволяет составлять список предыдущих элементов, например, сумматора, как из простых синапсов, так и из более сложных структур - потоков. Для этого требуется лишь аккуратное выполнение иерархии объектов, описывающих элементы сети.

В перспективе, с появлением параллельных трансляторов, объектно-ориентированный подход за счет свойства инкапсуляции объектов позволит легко перейти к моделированию нейросетей в параллельных системах.

Работа выполнена при финансовой поддержке ФЦП "ИНТЕГРАЦИЯ" (проект № 68, напр. 2.1.).


ЛИТЕРАТУРА

  1. Буч Г. Объектно-ориентированное программирование с примерами применения. - М.: Конкорд, 1992. - с. 36.

  2. Дантенманн Дж., Мишел Дж., Тейлор Д. Программирование в среде Delphi. - Киев: DiaSoft, 1995.

  3. Дарахвелидзе П., Марков Е. Delphi - среда визуального программирования. - Санкт-Петербург: BHV, 1996.

  4. Килверт Ч. Энциклопедия Delphi 2. Киев: DiaSoft, 1996.

  5. Миллер Т., Пауэл Д. И др. Использование Delphi 3. - Киев: Диалектика, 1997 - 768 с.

  6. Орлик С. Секреты Delphi на примерах. - М.: Бином, 1996 - 316 с.

  7. Оузер Д. Освой самостоятельно Delphi 2. - М.: Бином, 1997 - 624 с.

  8. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики / РАН. Сибирское отделение. - Новосибирск, 1998. - Т.1, №1. - С.11-24.
^ ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ПРИ РЕШЕНИИ АНАЛИТИЧЕСКИХ ЗАДАЧ В ГИС

А.А. Питенко


Институт вычислительного моделирования СО РАН,

660036, Красноярск-36, ИВМ СО РАН,

E-mail: pitty@cc.krascience.rssi.ru


Описан подход к использованию нейросетевых технологий для решения аналитических задач в ГИС. Дано изложение некоторых из них и показаны области применения. Представлен макет программной системы.


Нарастающие информационные потоки в современном обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивают нагрузку на пользователя этих технологий и ставят задачу переноса проблемы выбора и принятия решений с человека на ЭВМ. Одним из путей решения этой задачи является применение аналитических систем, которые могут быть составной частью ГИС [4,5,6].

Можно выделить несколько групп задач, требующих применения таких систем в ГИС:

ГИС являются хорошей средой для внедрения методов искусственного интеллекта и экспертных систем [6]. Это вызвано, с одной стороны, разнообразием и сложностью данных в ГИС, с другой — наличием большого числа аналитических задач при использовании ГИС.

Электронную карту в ГИС можно рассматривать как многокомпонентную модель реальности. Основными целями ее создания являются:

Основой визуального представления данных при помощи ГИС-технологий служит так называемая графическая среда. Основу графической среды и соответственно визуализации базы данных ГИС составляют векторные и растровые модели.

В общем случае модели пространственных (координатных) данных могут иметь векторное или растровое (ячеистое) представление, содержать или не содержать топологические характеристики. Этот подход позволяет классифицировать модели по трем типам:

Все эти модели взаимно преобразуемы. Тем не менее, при получении каждой из них необходимо учитывать их особенности. В ГИС форме представления координатных данных соответствуют два основных подкласса моделей – векторные и растровые (ячеистые или мозаичные). Возможен класс моделей, которые содержат характеристики как векторов, так и мозаик. Они называются гибридными моделями.

В дальнейшем под терминами решетка, мозаика, элемент растра будем понимать одно и то же. Основу такой классификации составляет атомарная единица (пространства), содержащая представления площадей, линий и точек.

Между векторными и растровыми изображениями имеется различие, характерное именно для ГИС. Растровые изображения отображают поля данных, т.е. носят полевой характер. Векторные изображения в ГИС, как правило, отображают геоинформационные объекты, т.е. носят объектный характер.

Рассмотрим подробнее растровые модели данных, которые ближе касаются нашей основной задачи, нежели чем векторные. Напомним, что модель данных представляет собой отображение непрерывных последовательностей реального мира в набор дискретных объектов.

В растровых моделях дискретизация осуществляется наиболее простым способом - весь объект (исследуемая территория) отображается в пространственные ячейки, образующие регулярную сеть. При этом каждой ячейке растровой модели соответствует одинаковый по размерам, но разный по характеристикам (цвет, плотность) участок поверхности объекта. В ячейке модели содержится одно значение, усредняющее характеристику участка поверхности объекта. В теории обработки изображений эта процедура известна под названием пикселизация или растеризация.

Если векторная модель дает информацию о том, где расположен тот или иной объект, то растровая - информацию о том, что расположено в той или иной точке территории. Это определяет основное назначение растровых моделей - непрерывное отображение поверхности.

В растровых моделях в качестве атомарной модели используют двумерный элемент – пиксель (ячейка). Упорядоченная совокупность атомарных моделей образует растр, который, в свою очередь, является моделью карты или геообьекта.

Растровые модели имеют следующие достоинства:

Данные для анализа могут быть получены из векторных слоев, отражающих поля тематических или/и временных характеристик, растеризацией и записаны в таблицу или напрямую занесены туда из отчетов. Таблица, содержащая атрибуты объектов, называется таблицей атрибутов. В таблице каждому объекту соответствует строка таблицы, каждому тематическому признаку – столбец таблицы. Каждая клетка таблицы отражает значение определенного признака для определенного объекта.

В общем случае ввод информации для задач ГИС осуществляется комплексно: по данным дистанционного зондирования, со снимков спутников, аэроснимков, по материалам дешифрирования снимков, полевым измерениям, по информации с карт.

Далеко не все ГИС снабжены возможностями специализированного анализа, например, геологического. Связано это с тем, что четкой схемы проведения таких работ, не существует и организации, занимающиеся ими, предпочитают производить анализ по собственным методикам и правилам. Работа со специфическими данными специфическим образом является характерной чертой этого типа анализа. Кроме того, взгляды на приемы его проведения могут меняться с течением времени. Поэтому такие возможности в ГИС представляются средствами создания приложений самими пользователями. Сложность состоит в том, для каждой специализированной области возникает необходимость создавать отдельное приложение к ГИС и часто даже свою методику обработки. Это не всегда возможно и всегда дорого.

Нейронные сети претендуют на то, чтобы стать универсальным аппаратом, решающим разные специфические задачи из разных проблемных областей в ГИС. Такая универсальность обуславливается тем, что нейросети дают стандартный способ решения многих нестандартных задач [3]. И неважно, что специализированная программа решит лучше один класс задач. Важнее, что один нейроимитатор решит и эту задачу и другую и третью и не надо каждый раз создавать специализированные приложения для каждой специфической задачи.

Как правило, модули, реализующие специализированный анализ для разных проблемных областей, решают одинаковые качественные задачи. Перейдя от специфических частных аналитических задач к общему видению проблемы в целом, можно увидеть одно важное обстоятельство. А именно, большинство аналитических задач сводится к одной проблеме, которая легко формулируется, но сложно решается: к проблеме заполнения пропусков в таблице.

Учитывая то, что часто методика обработки неизвестна, с этой задачей справляются лучше всего нейронные сети, которые позволяют строить эмпирические зависимости без привлечения дополнительной информации.

Опишем некоторый круг задач, требующих решения в ГИС, для которых могут быть использованы нейросетевые технологии.

1. Основная задача, к которой, так или иначе, относятся остальные, описанные ниже, это построение слоя. Она означает заполнение его недостающих частей (или построение слоя полностью) по информации, имеющейся в других слоях, на основе нахождения некоторой функциональной зависимости между параметрами, полученными эмпирическим путем, и скрытыми теоретическими параметрами, определяющими сущностные характеристики каждой конкретной точки.

Даны слои качественных характеристик одной и той же территории. Слой, который необходимо восстановить, известен частично. При обучении нейросети используется только та информация из слоев, которая покрывает известные участки слоя с пробелами. Обучившись, нейросеть может распространить знания о зависимости между слоями на отсутствующие области карты. Получившиеся знания обладают переносимостью за рамки данной территории. Все описанные ниже задачи можно рассматривать как частный случай данной.

Классификационные задачи. Поскольку при сборе информа­ции для БД приходится иметь дело с результатами измерений, определим по этому показателю три типа задач классификации.

К задачам классификации первого типа относятся те, в которых исходные измерения требуется разделить на устойчивые группы. Их называют задачами классификации без учителя, кластеризации, таксо­номии, типизации. Этот тип классификации основан преимущественно на опытных данных.

Задачи классификации второго типа характеризуются тем, что исходные данные уже сгруппированы и требуется оценить их информа­тивность (значимость) относительно совокупности известных этало­нов. Такого рода задачи встречаются при распознавании образов, дешифрировании снимков и т.д.

Задачи классификации третьего типа – задачи разбиения. В них исходные измерения или их функции требуется разбить на устойчивые группы в зависимости от их величины (типичный пример - зонирование).

В ГИС задачи классификации первого типа возникают и решаются при разработке классификаторов, т.е. при организации информацион­ной основы, задачи второго типа - при сборе первичных данных и при использовании ГИС для экспертных решений или оценок. Задачи классификации третьего типа возникают в приложениях ГИС для решения проблем в области экологии, землепользования, статистики и т.п.

2. Вторая решаемая задача – восстановление легенды. Классификация с учителем – генерация объектов слоя по заданным классификационным правилам. Правила задаются во время обучения нейросети и остаются скрытыми от пользователя. Пользователь имеет возможность задавать, по его мнению, полезные для классификации признаки, выбрав слои, участвующие в обучении. Типичная задача поиск полезных ископаемых по косвенным признакам. Эта задача решается на основе информации об уже разведанных месторождениях и полевых съемках косвенных признаков. Знания, полученные при обучении, переносимы на другую территорию с известными косвенными признаками.

3. Зонирование. Основное назначение функций этой группы состоит в построении новых объектов – зон до того на карте не существовавших, т.е. участков территорий, однородных в смысле некоторого критерия или группы критериев. Границы зон могут либо совпадать с границами ранее существовавших объектов (задача определения "нарезки" избирательных округов по сетке квартального деления), либо строиться в результате различных видов моделирования (зоны экологического риска). Типичные задачи этого типа: выделение зон градостроительной ценности территорий, зон экологического риска, зонирование урбанизированных территорий по транспортной доступности, построение зон обслуживания поликлиник и т.д. Работа может производиться как с растровыми, так и с векторными изображениями.

В сущности, зонирование это – классификация без учителя. Задан набор объектов, каждому объекту сопоставлен вектор значений признаков (строка таблицы). Требуется разбить эти объекты на классы эквивалентности.

Отнесение объекта к классу проводится путем его сравнения с типичными элементами разных классов и выбора ближайшего. Простейшая мера близости объектов – квадрат евклидового расстояния между векторами значений их признаков (чем меньше расстояние, тем ближе объекты). Соответствующее определение признаков типичного объекта – среднее арифметическое значение признаков по выборке, представляющей класс. Другая мера близости, естественно возникающая при обработке сигналов, изображений и т.п. – квадрат коэффициента корреляции (чем он больше, тем ближе объекты). Возможны и иные варианты – все зависит от задачи. Для каждого нового объекта нужно выполнить два действия:

1) найти класс, к которому он принадлежит;

2) использовать новую информацию, полученную об этом объекте, для исправления (коррекции) правил классификации.

В результате классификации как бы появляются новые имена и правила их присвоения.

4. Создание моделей поверхностей. Это и модели построения изолинейных изображений по регулярным и нерегулярным точкам и модели трехмерной визуализации, например, построение панорамы города в аксонометрической или иной проекции. Расчет производится по содержащимся в базах данных численным характеристикам. Моделироваться могут, как изображения действительного рельефа или непрерывного поля, современного или с учетом динамических изменений, так и воображаемые поверхности, построенные по одному или нескольким показателям, например, поверхность цен на землю, плотность дорожной сети или населения и т.п.

5. Временной анализ растровых изображений. В качестве таких изображений в ГИС обычно выступают снимки или растеризованные векторные изображения. Преимущество снимков – в их современности и достоверности, поэтому часто встречающийся вид анализа в этой группе – временной. Сравниваются и ищутся различия между снимками различной давности, таким образом, оценивается динамика произошедших изменений. Не менее часто анализируются пространственные взаимосвязи двух или нескольких явлений.

Анализ временных рядов содержит комплекс задач, которые сводятся к построению функций по конечным наборам значений и заполнению пробелов в таблицах. Временные ряды представляют собой специальный вид таблиц и заслуживают отдельного рассмотрения. Для каждого типа объектов выделяется набор постоянных признаков (констант) и множество свойств, меняющихся со временем (переменных признаков). Предполагается, что в любой момент времени для каждого объекта существуют свои значения переменных признаков. Вот, например, три задачи, специфичные для обработки временных рядов:

а) определение констант (всех или части) по известным значениям переменных в разные моменты времени;

б) предсказание значений части переменных в некоторый момент времени по известным значениям констант, переменных в нескольких предшествовавших моментах времени и части переменных в текущий момент;

в) определение объема данных о прошлом, достаточных для пред­сказания будущего на конкретное время и с заданной точностью.

Обычная задача при временном анализе – получение прогноза. Легко заметить, что решение такой задачи мало чем отличается от решения задачи по восполнению пробелов в слое на основе информации, заключенной в других слоях. Единственное концептуальное отличие состоит в том, что слои вместо качественных признаков содержат количественные, т.е. изменение во времени одного и того же слоя. Взяв за основу известные слои одной и той же территории в количестве N-1 (без последнего), а в качестве восстанавливаемого слой с номером N производим обучение нейросети. Для прогноза подаем на вход нейросети слои в количестве N-1 (без первого), тем самым на выходе получаем прогнозируемый слой N+1.

6. Анализ значимости. Как уже было сказано, основной задачей является восполнение пробелов в данных и решается она применительно к данной области построением слоя по слою (или нескольким слоям). При этом исследуется вопрос, какие из входных сигналов являются доминирующими, (значимыми) при принятии нейросетью решения, а какие нет. Другими словами, насколько каждый слой участвующий в построении влияет на восполнение пробелов. Такая информация дает знание, например, о том какие признаки можно убрать из рассмотрения, а какие оставить.

Значимость по слою складывается из значимости его точек. Благодаря такой информации можно видеть, какие области из слоев участвующих в качестве входов были значимы при построении, таким образом, мы получаем представление о территориальном распределении значимости. Вербальную оценку этой информации трудно переоценить.

Для обучения нейронной сети создается задачник (обучающее множество), состоящий из примеров вида "вход–правильный выход" [2]. Вход – вектор сигналов, предъявляемый нейросети, выход – вектор сигналов, который нейросеть должна выдать после функционирования. По паре "требуемый выход – полученный выход" можно построить функцию оценки. Чаще всего используется метод наименьших квадратов (МНК). Для ускорения обучения применяют специализированные оценки, например, МНК с люфтом. Это позволяет прекращать процесс обучения, когда достигнута удовлетворяющая пользователя точность.

Обучением называется процесс минимизации функции оценки. Он выполняется с привлечением градиентных методов оптимизации и состоит в поиске таких значений параметров, при которых нейросеть выдает правильный вектор выходных сигналов.

Нейросеть состоит из нелинейных преобразователей сигнала, связанных между собой посредством адаптивных связей, линейно преобразующих проходящий через них сигнал. Такие элементы называются нейронами. В нашем случае нейросеть состоит из Паде–нейронов.

Паде–нейрон состоит из двух адаптивных сумматоров и нелинейного элемента с двумя входами, вычисляющего частное от своих входных сигналов. Получая на входе n-мерный вектор x, Паде–нейрон выдает на выходе отношение (x,)/(x,), имеет 2n настраиваемых параметров – координат векторов ,. Название происходит от аппроксимации Паде – метода рациональной аппроксимации функций.

С выбранным количеством слоев и нейронов в слое создается слоистая нейросеть. После выбора метода обучения нейросеть запускается на обучение. Нейросеть считается обученной после достижения заданного (малого) значения функции оценки.

Рассмотрим факторы, от которых зависит успешность обучения нейронной сети правильному решению задачи. В общем случае сеть должна быть достаточно гибкой, чтобы научиться правильно решать все примеры обучающей выборки. Поэтому в нейронной сети должно быть достаточное количество нейронов и связей.

На основании обучающей выборки сложно определить количество слоев и нейронов, необходимых сети для правильного решения задачи. Поэтому обычно обучают сеть со структурой, предлагаемой программой-нейроимитатором по умолчанию, если сеть не может обучиться (обучается с недостаточной точностью или совсем не обучается), ее размер увеличивают. На практике при решении разнообразных задач практически не встречается ситуации, когда требуется нейросеть с более чем сотней нейронов – обычно хватает нескольких десятков нейронов и даже меньшего числа.

Встречаются ситуации, когда нейросеть плохо обучается из-за противоречивой обучающей выборки и увеличение размера нейронной сети мало помогает. Это бывает в тех случаях, когда в обучающей выборке присутствуют задачи с одинаковыми условиями, но разными ответами (одинаковыми входными векторами данных, но разными выходными). Появление таких конфликтных примеров может, например, означать недостаточность набора входных признаков, поскольку при расширении признакового пространства конфликтным примерам могут соответствовать разные значения добавляемого признака и критическая ситуация будет исчерпана. В любом случае пользователь должен решить эту проблему, например, исключением конфликтных примеров из задачника.

После обучения нейронной сети необходимо провести ее тестирование на тестовой выборке для определения точности решения не входивших в обучающую выборку задач. Точность правильного решения очень сильно зависит от репрезентативности обучающей выборки. Обычно при решении различных неформализованных задач в разных проблемных областях точность в 70-90% правильных ответов на тестовой выборке соответствует проценту правильных ответов при решении этих же задач специалистом-экспертом.

Разработано программное обеспечение для анализа географических данных на основе обучаемых нейронных сетей. Программа работает со слоями и картами созданными в системе ГеоГраф/GeoDraw[1].

Для аналитической обработки векторные слои растрируются. Результат записывается в таблицу. Запись таблицы соответствует точке, поле соответствует слою. Проблема визуализации результатов обработки, решается созданием и раскрашиванием полигональной сетки, где каждой точке после растрирования соответствует квадрат сетки. Проблема противоречивости обучающей выборки решается линейной фильтрацией и/или исключением конфликтных примеров.

По данным, полученным после растрирования и, возможно, фильтрации, для обучения нейронной сети создается задачник. С выбранным количеством слоев и нейронов в слое создается слоистая нейросеть. После выбора метода обучения нейросеть запускается на обучение. Нейросеть считается обученной после достижения заданного (малого) значения функции оценки.

Обученная нейросеть может распространять знания о зависимости между слоями на отсутствующие области карты. При тестировании нейросети по задачнику и примерам, не входящим в задачник, результат записывается в таблицу, после чего, полигональный слой ("сетка") может быть раскрашен в соответствии с полученными при тестировании значениями.

Также может быть исследован вопрос, какие из входных сигналов являются доминирующими (значимыми) при принятии нейросетью решения, а какие нет. Полученные показатели значимости можно использовать, например, при анализе вектора входных сигналов на избыточность. Значимость параметра зависит от точки карты, поэтому возможна раскраска "сетки" ("слоя значимости") для каждого параметра. Благодаря такой информации можно видеть, какие области из слоев, участвующих в качестве входов, были значимы при построении слоя, таким образом, получается представление о территориальном распределении значимости.

Программа позволяет выполнять как элементарные операции с картой, так и традиционные операции над нейронными сетями (создание сети, ее обучение, тестирование), а также предобработку (растрирование, фильтрация) и визуализацию результатов.


ЛИТЕРАТУРА

  1. ГеоГраф, GeoDraw – профессиональные отечественные ГИС для широкого круга пользователей // ГИС – обозрение. Зима, 1994. С.24 – 25.

  2. Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастиро­ва­ние, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях. // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара; КГТУ. Красноярск, 1995. – 229 с.

  3. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. – Новосибирск: Наука, 1996. – 276с.

  4. Коновалова Н.В., Капралов Е.Г. Введение в ГИС. – М., 1997. – 160 с.

  5. Хаксхолд В. Введение в городские географические информационные системы. New York: Oxford, 1991. – 321 с.

  6. Цветков В.Я. Геоинформационные системы и технологии. – М.: Финансы и статистика, 1998. – 288 с.




14-obrazci-form-i-dokumentov-dlya-zapolneniya-uchastnikami-razmesheniya-zakaza.html
14-obshie-elementi-funkcionirovaniya-rannih-sistem-kvazideneg-kvazidengi-stanovlenie-osobennosti-funkcionirovaniya.html
14-ocenka-effektivnosti-realizacii-konvencij-rio-v-aspekte-realizacii-eoeob.html
14-ohrana-portovih-sredstv-preambula-1-diplomaticheskaya-konferenciya-po-ohrane-na-more-sostoyavshayasya-v-londone-v.html
14-opisanie-rezultatov-ispolneniya-gosudarstvennoj-funkcii-i-obshie-polozheniya.html
14-organizacionnij-mehanizm-adaptacii-zakonodatelstva-programma-proon-gef-ekologicheskogo-ozdorovleniya-bassejna-dnepra.html
  • composition.bystrickaya.ru/pedagogicheskie-rabotniki-polozhenie-o-novoj-sisteme-oplati-truda-municipalnogo-obrazovatelnogo-uchrezhdeniya.html
  • teacher.bystrickaya.ru/glava-12-vnutrihudozhestvennie-i-obshekulturnie-faktori-hudozhestvennogo-processa-krivcun-o-a-k-82-estetika-uchebnik.html
  • laboratornaya.bystrickaya.ru/raschet-elementov-staticheski-neopredelennih-i-staticheski-opredelennih-sistem-na-prochnost-zhestkost.html
  • zanyatie.bystrickaya.ru/osushestvlenie-ovd-pasportno-registracionnoj-sistemi-chast-6.html
  • books.bystrickaya.ru/byulleten-novih-postuplenij-11-12-fevralya-2009-g.html
  • report.bystrickaya.ru/h-vozvrashenie-v-berg-pervaya-vstrecha-s-italiej-13.html
  • obrazovanie.bystrickaya.ru/poziciya-vlastej-situaciya-s-zashitoj-prav-detej-v-rossii-rossijskoe-zakonodatelstvo-15.html
  • thesis.bystrickaya.ru/programma-mezhdisciplinarnogo-vstupitelnogo-ekzamena-dlya-postupayushih-na-magisterskuyu-programmu-specializirovannoj-podgotovki-031202-68-lingvistika-teoriya-perevoda-i-mezhkulturnaya-mezhyazikovaya-kommunikaciya.html
  • studies.bystrickaya.ru/borba-s-morskim-piratstvom.html
  • lesson.bystrickaya.ru/preimushestva-i-nedostatki-razlichnih-organizacionnih-struktur-upravleniya.html
  • institute.bystrickaya.ru/glava-vii-kultura-i-lichnost-posobie-dlya-studentov-visshih-uchebnih-zavedenij-oglavlenie.html
  • uchenik.bystrickaya.ru/dogovor-elektrosnabzheniya-i-arendi-zdaniya-i-sooruzheniya.html
  • thescience.bystrickaya.ru/kniga-sharlotta-bronte-dzhen-ejr-stranica-9.html
  • uchit.bystrickaya.ru/tema-ege-2010-18-iyunya-v-stenah-loft-proekta-etazhi-startuet-festival-artes-liberales-fakulteta-iskusstv.html
  • spur.bystrickaya.ru/literatura-johnson-h-graham-m.html
  • textbook.bystrickaya.ru/hishniki-pyatogo-kontinenta-chitatel-yanadeyus-chto-vi-blagozhelatelno-primete-etu-knigu.html
  • exchangerate.bystrickaya.ru/geografiya-rastenievodstva-rossijskoj-federacii-chast-4.html
  • institut.bystrickaya.ru/testirovanie-ne-nachato-rezultati-testirovaniya-110102-65-agroekologiya.html
  • znaniya.bystrickaya.ru/proverka-instrukciya-po-ekspluatacii-dioks-diox-perenosnaya-stomatologicheskaya-rentgenologicheskaya-sistema.html
  • learn.bystrickaya.ru/glava-2-razrabotka-kompleksa-dinamicheskih-modelej-diagnostiki-socialnih-riskov-i-prognozirovaniya-vizovov-ugroz-i-socialnih-posledstvij.html
  • ekzamen.bystrickaya.ru/rezultati-nauchnih-issledovanij.html
  • exam.bystrickaya.ru/vzrivi.html
  • institut.bystrickaya.ru/sto-pudov-82-ot-150207-g-sto-pudov-77-ot-11-01-07-g.html
  • portfolio.bystrickaya.ru/pedagogicheskaya-nauka-obrazovanie-informacionnij-byulleten-novih-postuplenij.html
  • letter.bystrickaya.ru/mihail-nikiforuk-bilo-li-chto-nibud-v-babem-yaru-fakti-protiv-mifa-ili-pochemu-poet-evtushenko-nikogda-ne-bil-bezdenezhnim-chelovekom.html
  • turn.bystrickaya.ru/plan-osnovnih-meropriyatij-po-provedeniyu-goda-ohrani-okruzhayushej-sredi-v-respublike-bashkortostan-.html
  • tetrad.bystrickaya.ru/urok-7-iyulya-2004-goda-kratkoe-soderzhanie-statej.html
  • thescience.bystrickaya.ru/ien-makyuen-iskuplenie-stranica-15.html
  • institute.bystrickaya.ru/glava-32-syphilinum-this-edition-first-published-2000.html
  • thesis.bystrickaya.ru/programma-mezhdunarodnoj-nauchno-prakticheskoj-konferencii-aspirantov-i-molodih-uchenih-minsk-15-16-dekabrya-2009-goda.html
  • znanie.bystrickaya.ru/4-raschet-obema-realizuemoj-produkcii-i-pribili-finansovij-plan-kak-sostavnaya-chast-biznes-plana.html
  • textbook.bystrickaya.ru/instrukciya-po-organizacii-v-minenergo-rossii-raboti-po-raschetu-i-obosnovaniyu-normativov-udelnogo-rashoda-topliva-na-otpushennuyu-elektricheskuyu-i-teplovuyu-energiyu-stranica-2.html
  • nauka.bystrickaya.ru/v-etoj-knizhke-predstavlen-material-po-tvoreniyu-zhizni-vo-vselennoj-i-na-zemle-a-takzhe-po-obyasneniyu-etogo-processa-s-ispolzovaniem-chisel-i-geometrii-obosno-stranica-2.html
  • tests.bystrickaya.ru/medvedev-otmetil-kachestvo-mezhparlamentskogo-vzaimodejstviya-s-kitaem-grizlov-b-v-monitoring-smi-24-26.html
  • doklad.bystrickaya.ru/voprosi-i-zadaniya-stranica-20.html
  • © bystrickaya.ru
    Мобильный рефератник - для мобильных людей.