Сборники ГЭСН в сметном деле

Сборники ГЭСН в сметном деле

Расшифровка ГЭСН звучит следующим образом: ГЭСН — это государственные элементные сметные нормы, применяемые при составлении сметной документации ресурсным методом. Однако, что такое ГЭСН, из данной расшифровки не совсем понятно. Попробуем разобраться.

Что такое

При чтении различных статей, методических указаний, пояснительных записок и прочих материалов, касающихся сметной документации, часто можно встретить такие выражения как «сборник ГЭСН 46» или «сборник ГЭСН 10». Однако для начинающего специалиста сметного отдела поначалу требуется расшифровка этого ГЭСН. Чтобы ответить на вопрос: «ГЭСН — что это?», в первую очередь начинающему специалисту следует обратиться к МДС81-35.2004. Данные методические указания являются одними из основополагающих в сметном деле и содержат в своем составе не только рекомендации к составлению локальных смет, смет по форме №4, КС-2 и прочих сметных форм, но также включают в себя обширную базу знаний о сметном деле, в том числе и определение того, что такое ГЭСН в строительстве.

Итак, в МДС81-35.2004 ГЭСН 2001 расшифровывается как, государственные элементные сметные нормы, и относятся к сметным нормативам. Сметные нормативы в свою очередь образуют основу ценообразования в России и являются базой для определения сметной стоимости. Также МДС81-35.2004 дает четкое определение тому, что такое ГСН, ОСН, ТСН, и отвечает на многие другие вопросы, касающиеся составления сметной документации.

Альтернативным ответом на вопрос «ГЭСН — что это в строительстве?» будет является то, что это свод расценок на различные виды работ. Кратко говоря, все ГЭСНы для строительства объединены в одну базу ГЭСН и распределены по сборникам согласно виду работ. Следует также отметить, что в связи с тем, что строительство является очень динамично изменяющейся областью экономики, довольно часто Минэкономразвития РФ выпускает поправки к ГЭСН 2001. Этими поправками, как правило, исключаются какие-то нормы, а другие нормы, наоборот, включаются в состав сборников.

ГЭСН 2001. Общие положения

Как сказано выше, все расценки ГЭСН объединены по видам работ. Все сборники ГЭСН в свою очередь распределены в несколько частей. Как видно на рисунке 1, существует 5 частей расценок ГЭСН на следующие виды работ:

• Строительные;
• Ремонтно-строительные;
• Монтаж оборудования;
• Капремонт оборудования;
• Пусконаладочные работы.

Данные сборники содержат в себе всеобъемлющий набор расценок, опираясь на которые возможно не только понять, что это такое — ГЭСН, но и как пользоваться ГЭСН, а также как составить смету в ГЭСН. Ниже каждая из частей сборников ГЭСН будет рассмотрена более подробно.

Рисунок 1. Сборники ГЭСН по видам работ

ГЭСН.

Как можно увидеть на рисунке 1, сборники ГЭСН на строительные работы содержат в своем составе все виды расценок, необходимых для производства данного вида работ. Так, сборник 1 ГЭСН учитывает полный комплекс земляных работ: разработку и засыпку грунта различными методами и механизмами, подготовку оснований, разработку котлованов и траншей, копание ям и пр. Сборник 1 ГЭСН 2001 можно применять как при разработке небольших участков, так и при земляных работах для строительства стадионов, аэродромов и т.д.

Также следует отметить, что каждый сборник норм включает в себя также техническую часть ГЭСН, в которой содержаться указания по исчислению объемов, данные о содержимом каждой конкретной расценки сборника и различные приложения, призванные для упрощения и обоснованности применения коэффициентов в сметных расчетах. Так, техническая часть ГЭСН 01 описывает общие положения при производстве земляных работ, содержит руководство по исчислению объемов работ и приложения по распределению ГЭСН на группы грунтов, указывает случаи применения коэффициентов и т. п. Земляные работы являются практически неизменными, поэтому базы ГЭСН 2017 года и базы ГЭСН 2020 года во многом идентичны, как по составу работ, так и по ресурсной части расценок.

Сборники с 02 по 04 государственных элементных сметных норм учитывают в себе расценки при производстве горно-вскрышных работ, буровзрывных работ и работ по устройству скважин.

Расценки ГЭСН на свайные работы возможно найти в составе сборника ГЭСН 05 «Свайные работы, опускные колодцы, закрепление грунтов». В данном сборнике находятся расценки на устройство различных типов свай при помощи разнообразных машин и механизмов, а также прочие сопутствующие данному виду работ расценки.

Если необходимо составить смету в ГЭСН на бетонные работы, то логично будет обратиться к расценкам сборника ГЭСН 6 или к сборнику ГЭСН 7. Оба сборника содержат в себе расценки на производство бетонных работ, только сборник 6 учитывает строительство монолитных бетонных конструкций, например, ГЭСН на устройство монолитного ростверка или ГЭСН на монтаж перемычек, а сборник 7 предполагает строительство конструкций из сборного бетона и железобетона, например, как ГЭСН на монтаж лестничных маршей.

Расценка ГЭСН на кладку стен учтена сборником ГЭСН 8. Сборник содержит расценки на кладку стен из различных материалов, например, из кирпича, блоков, плит. То есть таблицы данного сборника включают в свой состав ГЭСН на каменные работы. Также в составе сборника 08 находятся и расценки на сопутствующие при возведении стен работы: ГЭСН на устройство гидроизоляции, на установку строительных лесов и т.д. Кроме того, расценки данного сборника, как и большинства других строительных сборников, можно применять при строительстве, как жилого дома, так и промышленных зданий.

Сборником 9 ГЭСН 2001 учтены работы при строительстве объектов и конструкций из металла. При помощи расценок сборника ГЭСН 9 можно составить смету в ГЭСН на металлические каркасы зданий, рассчитать стоимость строительства бункеров, эстакад, узнать стоимость установки ограждающих элементов на кровле или на окнах и т.п. Также в составе девятого сборника в разделе 5 находится и расценка ГЭСН на сварочные работы.

Строительство различных конструкций из дерева можно расценить, основываясь на сборнике 10 сметных нормативов ГЭСН «Деревянные конструкции». Данным сборником учтено множество работ по работе с деревом, например, ГЭСН на установку стропил отражены в норме ГЭСН 10-01-002-01. В составе работ нормы ГЭСН на установку стропил числятся работы по изготовлению элементов стропил, контрольной сборке, укладке мауэрлатов и по креплению стропил. Таким образом, в 10-01-002-01 учтен весь комплекс по устройству стропильной системы в ГЭСН. Кроме того, при необходимости составления сметы по форме №4 или локальной сметы в ГЭСН на устройство перегородок из ГКЛ можно воспользоваться расценками раздела 5 сборника 10, например, таблицами 10-05-005 ГЭСН на перегородки из гипсокартона, в которых представлено несколько вариантов устройства перегородок в зависимости от наличия или отсутствия проемов.

Если необходима сметная форма на устройство бетонного пола в ГЭСН, то следует обращаться к нормам сборника ГЭСН 11. Например, к таблице ГЭСН 11-01-014. Нормами данной таблицы учтены работы в ГЭСН по устройству бетонных полов разной толщины, от 100 до 250 мм включительно, а также устройство бетонных полов на гранитном щебне. Кроме того, в составе сборника 11 ГЭСН на устройство полов возможно отыскать расценки и на сопутствующие работы, как то: работы по подготовке основания для пола, устройство стяжек, ГЭСН на гидроизоляцию обмазочную и многие другие.

При использовании сметных норм сборника 12 возможно составить локальную смету на устройство различных слоев и покрытий кровли.

Часто производство таких работ, как монтаж металлических конструкции, установка деревянных изделий или строительство объекта в агрессивных внешних условиях, требует отражения в сметных документах работ по защите строительных конструкций. Чтобы найти расценки на защиту конструкций, необходимо обратиться к сборнику 13 ГЭСН 2001. Данным сборником можно воспользоваться, если нужна расценка на футеровочные работы, на окраску или оклейку поверхности защитными материалами, а также на многие другие виды работ.

Сборником 14 учитываются расценки на конструкции в сельском строительстве. Например, используя данный сборник, можно составить смету в ГЭСН на животноводческие здания и теплицы.

Огромный спектр отделочных работ отражен в сборнике 15 ГЭСН (см. рисунок 2). Как продемонстрировано на рисунке 2, облицовочные, штукатурные, обойные и многие другие работы распределены по разделам сборника 15. В составе сборника возможно также обнаружить расценку ГЭСН на утепление стен, или ГЭСН на изоляционные работы других поверхностей и другими материалами. Также в составе раздела 5 указанного сборника на стекольные работы находится расценка ГЭСН на заполнение оконных проемов. Изучив техническую часть ГЭСН 15, можно получить руководство по исчислению объемов работ практически всех расценок сборника.

Рисунок 2. Сборник ГЭСН 15

Сборник ГЭСН 16 используется при составлении сметных форм на внутренние трубопроводы водоснабжения, отопления и канализации. А сборниками ГЭСН 17, 18 и 19 учтены расценки на монтаж внутренних устройств сетей отопления, канализации, водоснабжения и газификации, например, на установку раковин, водонагревателей, газовых плит и многого другого.
ГЭСН 20 можно применять при предоставлении сметной документации на вентиляцию.

Помимо этого, при строительстве инженерных сетей и прочих строительных конструкций, частым явлением бывает необходимость определения сметной стоимости временных сооружений, которые устанавливаются на время строительства объекта и демонтируются по его окончании. В таком случае для составления сметы существует сборник ГЭСН 21.

Сборник ГЭСН 22 применяется при создании сметы на наружные сети водопровода. В составе данного сборника собраны все необходимые расценки для успешного завершения строительства наружных инженерных сетей данного типа, например, состав звена по ГЭСН или устройство колодцев по ГЭСН 22.

Также полноценным комплексом расценок обладает и сборник 23, отражающий работы по устройству наружной канализации. Здесь также учтены расценки на прокладку различных видов трубопроводов, на устройство канализационных колодцев и прочие сопутствующие работы.

Сборником ГЭСН 24 возможно вычислить сметную стоимость ГЭСН на прокладку трубопроводов тепловых и газовых сетей снаружи зданий, подземным или надземным способом. Все вышеперечисленные сборники на инженерные сети, как правило, используются как для строительства сетей по проектам гражданского строительства, так и на промышленном производстве. Однако же сборник ГЭСН 25 на магистральные и промысловые трубопроводы применяется в сметах, в основном, на трубопроводах больших производств и заводов, а также при строительстве узлов с высокой нагрузкой.

В сборнике 26 находятся расценки на теплоизоляцию как горячих, так и холодных поверхностей. А сборником 27 ГЭСН 2001 следует воспользоваться при составлении сметы на все виды дорожных покрытий автомобильных дорог. ГЭСН 28 «Железные дороги», очевидно, применяется при устройстве полотна железнодорожных путей.

Сборниками 29-32 учтены расценки при устройстве тоннелей и метрополитенов (ГЭСН 29), мостов и труб (ГЭСН 30), аэродромов (ГЭСН 31) и трамвайных путей (ГЭСН 32). При составлении сметы на линии электропередач следует воспользоваться нормами сборника ГЭСН 33.

Сборниками ГЭСН также учтено множество других работ, например, работы по устройству сооружений связи и телевидения (ГЭСН 34), горнопроходческие работы (ГЭСН 35), работы на гидротехнических сооружениях (ГЭСН 36-41), берегоукрепительные работы и устройство судовозных путей (ГЭСН 42 и 43 соответственно), а также подводные работы (ГЭСН 44), работы по устройству промышленных печей (ГЭСН 45), работы по реконструкции (ГЭСН 46) и работы по озеленению (ГЭСН 47).

Однако сборниками ГЭСН на строительство не учтены ГЭСН на погрузо-разгрузочные работы. Данный вид работ, как правило, находится в составе ценников на ресурсы.

ГЭСН на ремонтные работы

При составлении сметы на демонтаж или ремонт какого-либо объекта, как правило, применяются сборники ГЭСН ремонтно-строительной части, в которой, как и в части на строительство, отображено множество расценок на огромный спектр ремонтных работ. Как правило, сборники ГЭСН на ремонтные работы отображаются как ГЭСНр, где «р» является обозначением вида работ. Например, так как сборник ГЭСН 58 находится в ремонтно-строительной части сметных нормативов, то корректнее отражать его как «ГЭСНр 58». В составе ремонтной части можно найти не только сборники на ремонт и разборку различных конструкций и коммуникаций, но, например, и на малярные работы (сборник ГЭСНр 62), на благоустройство (ГЭСНр 68) и на прочие ремонтно-строительные работы (сборник ГЭСНр 69).

Прочие сборники ГЭСН

Из состава остальных сборников ГЭСН, а именно на монтаж оборудования, на капитальный ремонт и на пусконаладочные работы, возможно применение расценок при производстве электромонтажных работ, установке систем сигнализации и пожаротушения, капитальном ремонте лифтов и оборудования, а также дальнейшая наладка установленного оборудования. Каждый из этих сборников по аналогии имеет свое обозначение. Так, например, монтажные сборники обозначаются как ГЭСНм, сборники на капитальный ремонт — как ГЭСНмр, а пусконаладка — ГЭСНп.

Таким образом, после изучения всего вышесказанного, а также всех нормативных документов по составлению сметных форм, можно ответить на вопрос о том, что такое ГЭСН в смете, как пользоваться ГЭСН и как составлять смету в ГЭСН. Знание ответа на эти вопросы позволит специалисту сметного отдела грамотно выбирать расценки и обосновывать свой выбор, опираясь на правоустанавливающие документы. В наши дни доступна также возможность поиска расценок ГЭСН онлайн, однако, проще всего воспользоваться готовыми сметными программами и программными комплексами.

Нормативные документы по ценообразованию и сметам — Smeta-kz.com

Нормативные документы по ценообразованию и сметам, разработанные и утвержденные с 2015 года
Нормативные правовые акты
Правила формирования Единого государственного реестра новых технологий в строительстве	перейти
Правила формирования и ведения государственного банка проектов строительства, а также предоставления технико-экономических обоснований, типовых проектов и проектной (проектно-сметной) документации	перейти
Правила определения стоимости строительства объектов за счет государственных инвестиций и средств субъектов квазигосударственного сектора	перейти
Нормативный документ  по определению сметной стоимости строительства в Республике Казахстан	перейти
Нормативный документ  по определению величины накладных расходов и сметной прибыли в строительстве	перейти
Нормативный документ  по определению дополнительных затрат связанных с решениями проекта организации строительства	перейти
Нормативный документ по определению затрат на инжиниринговые услуги в строительстве	перейти
Нормативный документ по определению стоимости проектных работ для строительства в Республике Казахстан	перейти
Нормативный документ по определению стоимости инженерных изысканий для строительства в Республике Казахстан	перейти
Нормативный документ по конструктивно-технологической группировке данных в сметной документации	перейти
Нормативный документ по определению сметной стоимости строительства в рамках реализации пилотного проекта	перейти
Нормативный документ по определению сметной стоимости пусконаладочных работ при вводе в эксплуатацию объектов строительства в Республике Казахстан	перейти
Государственный норматив по формированию и представлению технико-экономических обоснований и проектно-сметной документации в электронно-цифровой форме в экспертные организации  и в Единый государственный электронный банк предпроектной и проектной (проектно-сметной) документации на строительство объектов, финансируемых за счет государственных инвестиций и средств субъектов квазигосударственного сектора	перейти
Методические документы по ценообразованию в строительстве Республики Казахстан
СТС РК 8. 04-07-2020 Сборник сметных тарифных ставок в строительстве 2021 год Источник: www.egfntd.kz	Скачать
Пособие по определению расчетной стоимости строительства объектов, не требующих разработки технико-экономического обоснования Источник: https://www.gov.kz/	Скачать
Нормы дополнительных затрат
НДЗ РК 8.04-06-2015 Сборник сметных норм дополнительных затрат при производстве строительно-монтажных работ в зимнее время	Скачать
НДЗ РК8.04-05-2015 Сборник сметных норм затрат на строительство временных зданий и сооружений	Скачать
Сборник элементных сметных норм расхода ресурсов на строительные работы Источник: www.egfntd.kz
ЭСН РК 8.04-01-2015* Общие положения по применению элементных сметных норм расхода ресурсов на строительные работы	Скачать
ЭСН РК 8. 04-01-2015 Раздел 1. Работы строительные земляные	Скачать
ЭСН РК 8.04-01-2015 Раздел 2. Работы строительные горно-вскрышные	Скачать
ЭСН РК 8.04-01-2015 Раздел 3. Работы строительные буровзрывные	Скачать
ЭСН РК 8.04-01-2015 Раздел 4. Работы строительные по устройству скважин	Скачать
ЭСН РК 8.04-01-2015 Раздел 5. Работы строительные свайные, закрепление грунтов, устройство опускных колодцев	Скачать
ЭСН РК 8.04-01-2015 Раздел 6. Работы строительные по устройству конструкций бетонных и железобетонных  монолитных	Скачать
ЭСН РК 8.04-01-2015 Раздел 7. Работы строительные по устройству конструкций бетонных и железобетонных сборных	Скачать
ЭСН РК 8.04-01-2015 Раздел 8. Работы строительные по устройству конструкций из кирпича и блоков	Скачать
ЭСН РК 8.04-01-2015 Раздел 9. Работы строительные по устройству конструкций металлических	Скачать
ЭСН РК 8. 04-01-2015 Раздел 10. Работы строительные по устройству конструкций деревянных, древеснокомпозитных и пластмассовых	Скачать
ЭСН РК 8.04-01-2015 Раздел 11. Работы строительные  по устройству полов	Скачать
ЭСН РК 8.04-01-2015 Раздел 12. Работы строительные  по устройству кровель	Скачать
ЭСН РК 8.04-01-2015 Раздел 13. Работы строительные  по защите строительных конструкций и оборудования от коррозии	Скачать
ЭСН РК 8.04-01-2015 Раздел 14. Работы строительные по устройству конструкций в сельском строительстве	Скачать
ЭСН РК 8.04-01-2015 Раздел 15. Работы строительные отделочные	Скачать
ЭСН РК 8.04-01-2015 Раздел 16. Работы строительные по устройству внутренних систем трубопроводов	Скачать
ЭСН РК 8.04-01-2015 Раздел 17. Работы строительные по устройству внутренних систем водопровода, канализации	Скачать
ЭСН РК 8. 04-01-2015 Раздел 18. Работы строительные по устройству внутренних систем отопления	Скачать
ЭСН РК 8.04-01-2015 Раздел 19. Работы строительные по устройству внутренних систем газоснабжения	Скачать
ЭСН РК 8.04-01-2015 Раздел 20. Работы строительные по устройству внутренних систем вентиляции и кондиционирования воздуха	Скачать
ЭСН РК 8.04-01-2015 Раздел 22. Работы строительные по устройству наружных сетей  водоснабжения	Скачать
ЭСН РК 8.04-01-2015 Раздел 23. Работы строительные по устройству наружных сетей канализации	Скачать
ЭСН РК 8.04-01-2015 Раздел 24. Работы строительные по устройству наружных сетей теплоснабжения и газоснабжения	Скачать
ЭСН РК 8.04-01-2015 Раздел 25. Работы строительные по устройству магистральных и промысловых трубопроводов газонефтепродуктов	Скачать
ЭСН РК 8.04-01-2015 Раздел 26. Работы строительные теплоизоляционные	Скачать
ЭСН РК 8.04-01-2015 Раздел 27. Работы строительные по сооружению автомобильных дорог	Скачать
ЭСН РК 8.04-01-2015 Раздел 28. Работы строительные по сооружению железных дорог	Скачать
ЭСН РК 8.04-01-2015 Раздел 29. Работы строительные по возведению тоннелей и метрополитенов	Скачать
ЭСН РК 8.04-01-2015 Раздел 30. Работы строительные по возведению мостов, водопропускных труб	Скачать
ЭСН РК 8.04-01-2015 Раздел 31. Работы строительные по возведению аэродромов	Скачать
ЭСН РК 8.04-01-2015 Раздел 33. Работы строительные по возведению линий электропередач	Скачать
ЭСН РК 8.04-01-2015 Раздел 34. Работы строительные по возведению сооружений связи, радиовещания и телевидения	Скачать
ЭСН РК 8.04-01-2015 Раздел 35. Работы строительные горнопроходческие	Скачать
ЭСН РК 8. 04-01-2015 Раздел 36. Работы строительные по возведению земляных конструкций гидротехнических сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 37. Работы строительные по возведению бетонных и железобетонных конструкций гидротехнических сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 38. Работы строительные по возведению каменных конструкций гидротехнических сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 39. Работы строительные по возведению металлических конструкций гидротехнических сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 40. Работы строительные по устройству деревянных конструкций гидротехнических сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 41. Работы строительные по устройству гидроизоляции  в гидротехнических сооружениях	Скачать
ЭСН РК 8.04-01-2015 Раздел 42. Работы строительные берегоукрепительные	Скачать
ЭСН РК 8. 04-01-2015 Раздел 43. Работы строительные по возведению судовозных путей стапелей и слипов	Скачать
ЭСН РК 8.04-01-2015 Раздел 44. Работы строительные водолазные	Скачать
ЭСН РК 8.04-01-2015 Раздел 45. Работы строительные по возведению промышленных печей и труб	Скачать
ЭСН РК 8.04-01-2015 Раздел 46. Работы строительные по реконструкции зданий и сооружений	Скачать
ЭСН РК 8.04-01-2015 Раздел 47. Озеленение	Скачать
Сборник элементных сметных норм расхода ресурсов на монтаж оборудования  Источник: www.egfntd.kz
ЭСН РК 8.04-02-2015 Общие положения по применению элементных сметных норм расхода ресурсов на монтажные работы	Скачать
ЭСН РК 8.04-02-2015 Раздел 1. Работы по монтажу металлообрабатывающего оборудования	Скачать
ЭСН РК 8. 04-02-2015 Раздел 2. Работы по монтажу деревообрабатывающего оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 3. Работы по монтажу подъемно-транспортного оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 4. Работы по монтажу дробильно-размольного и агломерационного оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 5. Работы по монтажу весового оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 6. Работы по монтажу теплосилового оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 7. Работы по монтажу компрессорных машин, насосов и вентиляторов	Скачать
ЭСН РК 8.04-02-2015 Раздел 8. Работы по монтажу электротехнических установок	Скачать
ЭСН РК 8.04-02-2015 Раздел 10. Работы по монтажу оборудования связи	Скачать
ЭСН РК 8.04-02-2015 Раздел 11. Работы по монтажу приборов, средств автоматизации и вычислительной техники	Скачать
ЭСН РК 8. 04-02-2015 Раздел 12. Работы по монтажу технологических трубопроводов	Скачать
ЭСН РК 8.04-02-2015 Раздел 13. Работы по монтажу оборудования атомных электрических станций	Скачать
ЭСН РК 8.04-02-2015 Раздел 14. Работы по монтажу оборудования прокатных производств	Скачать
ЭСН РК 8.04-02-2015 Раздел 15. Работы по монтажу оборудования очистки газов	Скачать
ЭСН РК 8.04-02-2015 Раздел 16. Работы по монтажу оборудования предприятий черной металлургии	Скачать
ЭСН РК 8.04-02-2015 Раздел 17. Работы по монтажу оборудования предприятий цветной металлургии	Скачать
ЭСН РК 8.04-02-2015 Раздел 18. Работы по монтажу оборудования предприятий химической и нефтеперерабатывающей промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 19. Работы по монтажу оборудования предприятий угольной и торфяной промышленности	Скачать
ЭСН РК 8. 04-02-2015 Раздел 20. Работы по монтажу оборудования сигнализации, централизации, блокировки и контактной сети на железнодорожном транспорте	Скачать
ЭСН РК 8.04-02-2015 Раздел 21. Работы по монтажу оборудования метрополитенов и тоннелей	Скачать
ЭСН РК 8.04-02-2015 Раздел 22. Работы по монтажу оборудования  гидроэлектрических станций	Скачать
ЭСН РК 8.04-02-2015 Раздел 23. Работы по монтажу оборудования предприятий электротехнической промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 24. Работы по монтажу оборудования предприятий промышленности строительных материалов	Скачать
ЭСН РК 8.04-02-2015 Раздел 25. Работы по монтажу оборудования предприятий целлюлозно-бумажной промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 26. Работы по монтажу оборудования предприятий текстильной промышленности	Скачать
ЭСН РК 8. 04-02-2015 Раздел 27. Работы по монтажу оборудования предприятий полиграфической промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 28. Работы по монтажу оборудования пищевой промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 29. Работы по монтажу оборудования театрально-зрелищных  предприятий	Скачать
ЭСН РК 8.04-02-2015 Раздел 30. Работы по монтажу оборудования зернохранилищ и предприятий по переработке зерна	Скачать
ЭСН РК 8.04-02-2015 Раздел 31. Работы по монтажу оборудования предприятий кинематографии	Скачать
ЭСН РК 8.04-02-2015 Раздел 32. Работы по монтажу оборудования предприятий электронной промышленности и промышленных средств связи	Скачать
ЭСН РК 8.04-02-2015 Раздел 33. Работы по монтажу оборудования предприятий легкой промышленности	Скачать
ЭСН РК 8.04-02-2015 Раздел 34. Работы по монтажу оборудования учреждений здравоохранения и предприятий медицинской промышленности	Скачать
ЭСН РК 8. 04-02-2015 Раздел 35. Работы по монтажу оборудования сельскохозяйственных производств	Скачать
ЭСН РК 8.04-02-2015 Раздел 36. Работы по монтажу оборудования предприятий бытового обслуживания и коммунального хозяйства	Скачать
ЭСН РК 8.04-02-2015 Раздел 37. Работы по монтажу оборудования общего назначения	Скачать
ЭСН РК 8.04-02-2015 Раздел 38. Работы по дополнительному перемещению оборудования и материальных ресурсов сверх предусмотренного  разделами сборника элементных сметных норм расхода ресурсов на монтаж оборудования	Скачать
ЭСН РК 8.04-02-2015 Раздел 39. Работы по контролю монтажных сварных соединений	Скачать
Сборник элементных сметных норм расхода ресурсов на ремонтно-строительные работы Источник: www.egfntd.kz
ЭСН РК 8.05-01-2015 Общие положения по применению элементных сметных норм расхода ресурсов на ремонтно-строительные работы	Скачать
ЭСН РК 8. 05-01-2015 Раздел 1. Работы ремонтно-строительные земляные	Скачать
ЭСН РК 8.05-01-2015 Раздел 2. Работы ремонтно-строительные. Фундаменты	Скачать
ЭСН РК 8.05-01-2015 Раздел 3. Работы ремонтно-строительные. Стены	Скачать
ЭСН РК 8.05-01-2015 Раздел 4. Работы ремонтно-строительные. Перекрытия	Скачать
ЭСН РК 8.05-01-2015 Раздел 5. Работы ремонтно-строительные. Перегородки	Скачать
ЭСН РК 8.05-01-2015 Раздел 6. Работы ремонтно-строительные. Проемы	Скачать
ЭСН РК 8.05-01-2015 Раздел 7. Работы ремонтно-строительные. Полы	Скачать
ЭСН РК 8.05-01-2015 Раздел 8. Работы ремонтно-строительные. Крыши, кровли	Скачать
ЭСН РК 8.05-01-2015 Раздел 9. Работы ремонтно-строительные. Лестницы, крыльца	Скачать
ЭСН РК 8.05-01-2015 Раздел 11. Работы ремонтно-строительные штукатурные	Скачать
ЭСН РК 8.05-01-2015 Раздел 12. Работы ремонтно-строительные малярные	Скачать
ЭСН РК 8.05-01-2015 Раздел 13. Работы ремонтно-строительные стекольные, обойные и облицовочные	Скачать
ЭСН РК 8.05-01-2015 Раздел 14. Работы ремонтно-строительные лепные	Скачать
ЭСН РК 8.05-01-2015 Раздел 15. Работы ремонтно-строительные внутренние санитарно-технические	Скачать
ЭСН РК 8.05-01-2015 Раздел 16. Работы ремонтно-строительные. Наружные инженерные сети	Скачать
ЭСН РК 8.05-01-2015 Раздел 17. Работы ремонтно-строительные электромонтажные	Скачать
ЭСН РК 8.05-01-2015 Раздел 18. Работы ремонтно-строительные. Благоустройство	Скачать
ЭСН РК 8.05-01-2015 Раздел 19. Работы ремонтно-строительные прочие	Скачать
Сборник элементных сметных норм расхода ресурсов на пусконаладочные работы Источник: www. egfntd.kz
ЭСН РК 8.04-03-2020 Общие положения по применению элементных сметных норм расхода ресурсов на пусконаладочные работы	Скачать
ЭСН РК 8.04-03-2020 Раздел 1. Работы пусконаладочные электротехнических устройств	Скачать
ЭСН РК 8.04-03-2020 Раздел 2. Работы пусконаладочные автоматизированных систем управления	Скачать
ЭСН РК 8.04-03-2020 Раздел 3. Работы пусконаладочные систем вентиляции и кондиционирования воздуха	Скачать
ЭСН РК 8.04-03-2020 Раздел 4. Работы пусконаладочные  подъемно-транспортного оборудования	Скачать
ЭСН РК 8.04-03-2020 Раздел 5. Работы пусконаладочные металлообрабатывающего оборудования	Скачать
ЭСН РК 8.04-03-2020 Раздел 6. Работы пусконаладочные холодильных и компрессорных устройств	Скачать
ЭСН РК 8.04-03-2020 Раздел 7. Работы пусконаладочные теплоэнергетического оборудования	Скачать
ЭСН РК 8. 04-03-2020 Раздел 8. Работы пусконаладочные деревообрабатывающего оборудования	Скачать
ЭСН РК 8.04-03-2020 Раздел 9. Работы пусконаладочные сооружений водоснабжения и канализации	Скачать
Изменения и дополнения Источник: www.egfntd.kz
ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы. Изменения и дополнения. Выпуск 1	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, ЭСЦМ РК 8.04-11-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов. Изменения и дополнения. Выпуск 2	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015 Сборники элементных сметных норм расхода ресурсов на строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 3	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 4	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015 Сборники элементных сметных норм расхода ресурсов на строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 5	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 6	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 7	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 8	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, СЦЭМ РК 8.04-11-2017 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов, 2017г. Изменения и дополнения. Выпуск 9	Скачать
ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, НДЗ РК 8.04-05-2015, НДЗ РК 8.04-06-2015 Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования. Изменения и дополнения. Выпуск 10	Скачать
Сборники укрупненных показателей сметной стоимости конструктивов и видов работ, сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов 2018 год (УСН РК 8. 02-03-2017, ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, СЦЭМ РК 8.04-11-2017) Изменения и дополнения. Выпуск 11	Скачать
Сборники укрупненных показателей стоимости зданий и сооружений. Объекты непроизводственного назначения, Сборники элементных сметных норм расхода ресурсов на строительные работы и монтаж оборудования, Сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов 2018 год, Сборник цен на проектные работы для строительства  (УСН РК 8.02-04-2017, ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2017, СЦП РК 8.03-01-2017). Изменения и дополнения. Выпуск 12	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов 2018 год  (ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, СЦЭМ РК 8.04-11-2017). Изменения и дополнения. Выпуск 13	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник цен на проектные работы для строительства (ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, ЭСН РК 8.05-01-2015, СЦП РК 8.03-01-2017) Изменения и дополнения Выпуск 14	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник цен в текущем уровне на эксплуатацию строительных машин и механизмов, Сборник укрупненных показателей сметной стоимости конструктивов и видов работ, Сборник цен на проектные работы для строительства (ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2018, УСН РК 8.02-03-2018, СЦП РК 8.03-01-2017) Изменения и дополнения Выпуск 15	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник цен в текущем уровне на эксплуатацию строительных машин и механизмов. (ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2018). Изменения и дополнения. Выпуск 16	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования (ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015). Изменения и дополнения. Выпуск 17	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов (ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2020). Изменения и дополнения. Выпуск 18	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования, Сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов, Сборник сметных тарифных ставок в строительстве (ЭСН РК 8. 04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2019, СТС РК 8.04-07-2019). Изменения и дополнения. Выпуск 19	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные, ремонтно-строительные работы и монтаж оборудования (ЭСН РК 8.04-01-2015, ЭСН РК 8.05-01-2015, ЭСН РК 8.04-02-2015) Изменения и дополнения Выпуск 20	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные работы и монтаж оборудования, сборники укрупненных показателей стоимости строительства зданий и сооружений, сборник сметных тарифных ставок в строительстве (ЭСН РК 8.04-01-2015, ЭСН РК 8.04-02-2015, УСН РК 8.02-04-2020, СТС РК 8.04-07-2020). Изменения и дополнения. Выпуск 21	Скачать
Сборники элементных сметных норм расхода ресурсов на строительные работы и монтаж оборудования, сборник сметных цен в текущем уровне на эксплуатацию строительных машин и механизмов , сборник сметных норм дополнительных затрат при производстве строительно-монтажных работ в зимнее время (ЭСН РК 8. 04-01-2015, ЭСН РК 8.04-02-2015, СЦЭМ РК 8.04-11-2020, НДЗ РК 8.04-06-2015). Изменения и дополнения. Выпуск 22	Скачать
Сборник цен на проектные работы для строительства 2021 год Источник: www.egfntd.kz
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 1 «Предприятия по добыче, транспорту и переработке нефти и газа»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 2 «Предприятия металлургии, горно-рудной и угольной промышленности»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 3 «Предприятия машиностроительного производства»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 4 «Предприятия агропромышленного комплекса»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 5 «Предприятия транспорта и связи»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 6 «Градостроительство, здания и сооружения жилищно-гражданского назначения»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 7 «Предприятия химической промышленности»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 8 «Водоснабжение и канализация.  Заглубленные сооружения и конструкции, строительное водопонижение и дренаж  Водохозяйственное строительство»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 9 «Сооружения пожаротушения, газоочистки и пылеулавливания предприятий. Промышленные печи, сушила, дымовые и вентиляционные трубы, конструкции тепловой изоляции и антикоррозионной защиты»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 10 «Объекты энергетики»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 11 «Предприятия лесного хозяйства»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 12 «Предприятия по производству строительных материалов и металлоконструкций, лесной, деревообрабатывающей и целлюлозно-бумажной промышленности»	Скачать
СЦП РК 8.03-01-2020 Сборник цен на проектные работы для строительства. Раздел 13 «Легкая, текстильная и местная промышленность»	Скачать
Сборник цен на инженерные изыскания для строительства 2021 год Источник: www.egfntd.kz
СЦИ РК 8.03-04-2020 Сборник цен на инженерные изыскания для строительства. Раздел 1 «Инженерно-геодезические изыскания»	Скачать
СЦИ РК 8.03-04-2020 Сборник цен на инженерные изыскания для строительства. Раздел 2 «Инженерно-геологические изыскания»	Скачать
СЦИ РК 8.03-04-2020 Сборник цен на инженерные изыскания для строительства. Раздел 3 «Инженерно-гидрографические работы. Инженерно-гидрометеорологические изыскания на реках»	Скачать
Укрупненные сметные нормативы. 2021 год Источник: www.egfntd.kz
УСН РК 8.02-03-2020 «Сборники укрупненных показателей сметной стоимости конструктивов и видов работ. Элементы внешнего благоустройства зданий и сооружений. Малые архитектурные формы»	Скачать
УСН РК 8.02-03-2020 «Сборники укрупненных показателей сметной стоимости конструктивов и видов работ. Наружные сети водоснабжения и канализации»	Скачать
УСН РК 8.02-03-2020 «Сборники укрупненных показателей сметной стоимости конструктивов и видов работ. Наружные сети теплоснабжения»	Скачать
Сборники сметных цен в текущем уровне Источник: www. egfntd.kz
ССЦ РК 8.04-08-2020 Сборники сметных цен в текущем уровне на строительные материалы, изделия и конструкции Общая часть 2021 год	Скачать
ССЦ РК 8.04-09-2020 Сборник сметных цен в текущем уровне на инженерное оборудование объектов строительства Общая часть 2021 год	Скачать

Электрод сравнения неполяризующийся медно-сульфатный длительного действия «ЭНЕРГОМЕРА» ЭСН-МС1, ЭСН-МС2

Нормативно-правовое обеспечение

• соответствует Госстандарту России РОСС.RU.АЮ11. 00231

Типоисполнения

Конструктивные особенности

• Электроды сравнения содержат вспомогательный электрод (25х25мм), конструктивно встроенный в корпус.
• В комплект поставки электродов сравнения прилагается насадка-имитатор толщины изоляции подземных сооружений, конструктивно устанавливаемая на вспомогательный электрод.
• Для исключения возможности механического повреждения ионообменных мембран электроды сравнения содержат внешнюю решетку.
• Длина соединительного кабеля для базовых исполнений составляет от 3 м до 10 м. По заявкам потребителей возможно увеличение длины кабеля до 100 м.
• Соединительный кабель имеет экранирующую оболочку для уменьшения уровня помех от сторонних источников.
• Соотношение объема корпуса электрода и объема электролита обеспечивает работоспособность электродов при осмотических процессах в течение всего срока службы, без долива электролита в процессе эксплуатации.
• Поставка в комплекте с датчиком скорости коррозии типа «ЭНЕРГОМЕРА» ДСК-1, конструктивно устанавливаемым на место насадки-имитатора, на вспомогательный электрод.

Условия эксплуатации

• Диапазон рабочих температур окружающей среды (грунта): от -10°С до +35°С.
• относительная влажность почвенной среды: до 100% (при температуре +35°С)
• размещение в почве и засыпка почвенной средой.

ДЕКОДИРОВАНИЯ СЕРИЙНОГО НОМЕРА DDI / B действительно декодирует данные обратного канала управления, если сигнал
хорошего качества представлен на DDI / B. Серийный номер мобильного телефона НЕ декодируется DDI / B
. С серийным номером
кто-то может легко совершить мошенничество и украсть телефонные услуги у операторов сотовой связи
.По этой причине CCS не декодирует серийный номер стандартного блока DDI / B
. Данные обратного канала не декодируются в блоке DDI / B
, а декодируются на ПК с помощью диагностического порта. Программное обеспечение
, необходимое для выполнения этой задачи, довольно сложное, и для кого-то
было бы очень сложно написать собственное программное обеспечение с DDI / B для декодирования данных.

Некоторым пользователям требуется DDI с возможностью декодирования серийных номеров.
CCS теперь может предоставить специальное программное обеспечение с этой возможностью для
авторизованных пользователей.Чтобы гарантировать, что пользователи, запрашивающие это программное обеспечение, авторизованы
, сотовый провайдер должен одобрить продажу устройства декодирования ESN запрашивающей стороне
. Ниже приводится конкретная политика в отношении продажи возможности декодирования серийного номера
:

1. Запрашивающие должны отправить CCS оригинальное письмо (не ксерокопирование или факс) на фирменном бланке компании
с запросом возможности ESN на DDI. Необходимо включить краткое описание
, для чего он будет использоваться. В письме должно быть указано
— номер заказа компании или номер моего счета.В письме также должны быть указаны имя
и должность лица, которому необходимо отправить, и должна быть подпись руководства
.

2. Должно быть получено одобрение одного из местных операторов сотовой связи.
Это может быть либо прикрепленное подписанное письмо, указывающее, что клиент имеет право
обрабатывать ESN (предпочтительно), либо имя и номер телефона
человека у оператора сотовой связи, с которым можно связаться для проверки авторизации
. Это не требуется, если DDI приобретается и отправляется
в государственное учреждение.

3. Продукты для декодирования ESN будут иметь серийный номер, который не может быть изменен, и
будет отслеживаться до первоначального отправителя запроса. Соответствующее использование декодера
является обязанностью утвержденного запросчика.

4. Файл всех запросов будет храниться в CCS. Копии всего файла
будут предоставлены по запросу по адресу:

* Любой правоохранительный орган.
* Любой оператор сотовой связи.
* Любая группа, представляющая операторов сотовой связи.

Есть ли у автомобильных двигателей серийные номера? [И как найти свой]

Мы можем получать комиссионные за покупки, сделанные по ссылкам в этом посте.

Когда вы собираетесь купить подержанный автомобиль или грузовик, вам захочется ответить на один вопрос: является ли двигатель оригинальным для данного транспортного средства. Авторитетные дилеры включают эту информацию в описание автомобиля. Хороший способ проверить это самостоятельно — сравнить информационный номер автомобиля (VIN) и серийный номер двигателя автомобиля / грузовика (ESN).

Каждый легковой или грузовой автомобиль производится с информационным номером транспортного средства (VIN) и серийным номером двигателя (ESN). VIN обычно находится на приборной панели возле лобового стекла. ESN нанесен либо на самом блоке двигателя, либо на металлической пластине, которая прикручена к блоку двигателя.

Продолжайте читать, чтобы узнать больше об идентификационных серийных номерах вашего автомобиля или грузовика и о том, где их найти. Вы узнаете, как узнать, оригинальный двигатель или замененный. Вы узнаете, как расшифровать различные серийные номера, чтобы узнать о двигателе вашего автомобиля, месте сборки и году выпуска.

Какие серийные номера у автомобиля?

Легковые и грузовые автомобили до середины 1990-х годов имеют два основных серийных номера: информационный номер автомобиля и серийный номер двигателя.

Легковые и грузовые автомобили после середины 1990-х годов имеют дополнительный номер семейства двигателей (EFN), который используется Агентством по охране окружающей среды для сортировки двигателей по выбросам.

Что такое серийный номер двигателя?

ESN — это индивидуальный номер, выбитый на блоке двигателя или на пластине двигателя, прикрепленной к блоку болтами. Производители автомобилей могут размещать ESN в любом месте блока цилиндров.

ESN сообщает вам, что это за двигатель, когда и где он был изготовлен, а также уникальный номер этого двигателя.

Подробнее: 12 типов автомобильных двигателей [и как они работают]

Серийный номер двигателя совпадает с VIN?

ESN не совпадает с VIN. ESN — это код, который идентифицирует информацию о производстве двигателя. VIN идентифицирует весь автомобиль в его первоначальном состоянии.

Как найти серийный номер двигателя

Лучше всего начать с руководства по эксплуатации вашего автомобиля. ESN часто находится на первых нескольких страницах руководства вместе с изображением того, где он находится на блоке двигателя.

Если ESN найти нелегко, проверьте указатель в задней части руководства по серийному номеру двигателя, который приведет вас к нужной странице с его местоположением.

Поиск местоположения серийного номера двигателя без руководства

Для подержанного автомобиля, руководство по эксплуатации которого может быть не оригинальным, или если у вас его нет, перейдите на веб-сайт автопроизводителя и найдите местоположение серийного номера двигателя.

Вы также можете найти множество видеороликов, показывающих, где находится ESN для разных марок, моделей и годов выпуска автомобилей.

Например, вот одно из таких видео по поиску ESN на двигателе Volvo.

Считывание серийного номера двигателя на блоке двигателя

Когда вы знаете местонахождение ESN, вам понадобится фонарик, магазинное полотенце, камера мобильного телефона и, возможно, растворитель, например моторное масло, для очистки металла. Откройте капот, убедившись, что он надежно закреплен в верхнем положении. Хороший свет значительно облегчает этот процесс.

Нажмите здесь, чтобы узнать больше об Amazon.

Найдите штамп на пластине двигателя и при необходимости очистите его растворителем, чтобы он был разборчивым. Затем сделайте снимок, чтобы увеличить его для облегчения чтения.

Щелкните здесь, чтобы увидеть растворитель для очистки двигателя на Amazon.

Что вам говорит серийный номер двигателя?

ESN содержит много важной информации о двигателе. После декодирования ESN показывает производителя двигателя и конкретный завод. Он сообщает вам месяц и год сборки.

Он может сказать вам о том, какие у этого двигателя скучны, в литрах и других характеристиках.

Расшифровка ESN

ESN представляет собой последовательность цифр (цифр и букв) с пробелами. Цифры разные для каждой автомобильной компании. Большинство дает следующую информацию (порядок изменения в зависимости от производителя):

• Цифра, обозначающая страну-производителя автомобиля
• Цифра, идентифицирующая производителя автомобилей
• 1-2 цифры, обозначающие завод, на котором изготовлен двигатель
• 3-4 цифры, обозначающие тип двигателя
• 1-3 цифры, указывающие месяц, год, а иногда и точный день, когда на заводе был собран двигатель
• 3-4 цифры, дающие подробную информацию о характеристиках двигателя

Получив свой ESN, вы можете использовать веб-сайт автопроизводителя, чтобы найти запчасти для этого двигателя. При вводе ESN не включайте пробелы в строке поиска.

Или вы можете использовать некоторые автомобильные сайты или сайты автозапчастей, такие как Napa Auto Parts, Auto Zone или O’Reilly Auto Parts. Узнав название детали, сравните цены на Amazon.com.

Как узнать, оригинальный ли двигатель моего автомобиля?

Получив ESN, сравните его с шестью последними буквами VIN. Они должны быть такими же. Если они отличаются, двигатель не является двигателем производителя оригинального оборудования (OEM).Двигатель под замену.

Какой информационный номер автомобиля — VIN?

У каждого автомобиля есть уникальный VIN. Автомобильные компании используют стандартный порядок VIN, поэтому информацию легче расшифровать. Департамент транспортных средств и правоохранительные органы используют VIN для идентификации транспортного средства и его законного владельца.

Где найти VIN?

Вы можете найти VIN в нескольких местах на автомобиле. Два места, которые проще всего найти:

• На приборной панели со стороны водителя, рядом с основанием переднего лобового стекла
• Напечатано на наклейке на двери водителя

Расшифровка VIN

VIN состоит из 17 цифр, которые многое говорят об автомобиле.Некоторые страны ссылаются на номер шасси , а не называют его VIN. Вот что означают цифры, начиная слева:

• 1-я цифра — код страны
• 2-я цифра — производитель автомобилей
• 3-я цифра — подразделение производителя
• 4-я цифра — тип безопасного торможения
• 5-я цифра — серия
• 6-7-е цифры — Тип шасси
• 8-я цифра — Тип двигателя
• 9-я цифра — вид проверки
• 10-я цифра — буква, обозначающая производственную декаду
• 11-я цифра — год, обозначенный цифрами 0-9
• 12-я цифра — Код завода-изготовителя
• 13-17 цифры — Уникальный производственный номер

Примечание. 12-17 цифры являются частью ESN.

Меняется ли VIN при замене двигателя?

VIN никогда не меняется в течение всего срока службы автомобиля. Поскольку VIN не меняется, вы должны найти фактический ESN на блоке двигателя, чтобы сравнить его с шестью последними цифрами VIN, чтобы увидеть, совпадают ли они. Разные числа означают другой двигатель.

Как мне узнать дату изготовления моего двигателя?

Лучше всего начать с поиска VIN в декодере. Чтобы получить еще больше информации, найдите ESN для вашего двигателя и выясните, что он означает для всех характеристик вашего двигателя.

Вы можете найти месяц и год изготовления в VIN для всего автомобиля и в ESN для двигателя в сборе.

Какой номер семейства двигателей?

С середины 1990-х годов автомобилям в Соединенных Штатах был присвоен номер семейства двигателей (EFN), также называемый испытательной группой, в котором указывается тип двигателя и его стандарты выбросов. EPA использует EFN для классификации выбросов каждого транспортного средства при его испытании.

Подробнее: Есть ли у каталитических преобразователей серийные номера?

Наклейка системы контроля выбросов

EPA требует, чтобы все автомобили в Соединенных Штатах имели систему контроля выбросов, также называемую этикеткой с информацией о контроле за выбросами, прикрепленную к опоре радиатора или под капотом.

На этом лейбле EFN будет отображаться на видном месте. Большинство производителей автомобилей включают полный ESN автомобиля в номер семейства двигателей на этой этикетке.

Если вы являетесь первоначальным владельцем автомобиля, вы можете доверять ESN, указанному на этой этикетке, без необходимости искать ESN на самом блоке двигателя.

При закрытии

У всех автомобилей есть серийный номер двигателя и информационный номер автомобиля. ESN идентифицирует конкретный двигатель и некоторые его характеристики.VIN — это уникальный номер, идентифицирующий каждый конкретный автомобиль.

Может быть трудно найти ESN на самом блоке двигателя. К счастью, ESN напечатан на наклейке системы контроля выбросов и в Руководстве пользователя.

Мошенничество с сотовой связью

Мошенничество с сотовой связью

С любой новой технологией приходят те, кто ею воспользуется не по назначению, а сотовая связь телефоны не стали исключением.Если индустрия сотовой связи Ассоциация (CTIA), как полагают, потеряла более 650 миллионов долларов. мошенничество с сотовыми телефонами в 1995 году по сравнению с 482 миллионами долларов в 1994 году.

Это составляет почти четыре процента от общих доходов отрасли. В CTIA также утверждает, что убытки от мошенничества во всем мире могут превысить 1 миллиард долларов США. 1996. Хотя есть некоторые разногласия по поводу того, насколько велик реальный доллар убытки есть, нет сомнений в том, что мошенничество широко распространено и растет.

В настоящее время существует четыре распространенных типа сотового мошенничества. совершено. От наименее до наиболее технически сложных: кража телефона, мошенничество с подпиской, мошенничество и клонирование.

Кража — это просто кража сотового телефона и его использование. пока не будет сообщено о потере. Балтимор, штат Мэриленд, полиция заявляет, что количество краж сотовых телефонов возросло до 22 в день. Большинство телефонов похоже, что наркоманы воруют, чтобы быстро заработать, но многие доходят до рук более изощренных преступников.

Мошенничество с подпиской — это подписка на сотовую связь с использованием поддельное или украденное удостоверение личности без намерения оплачивать счет. Новым подписчикам обычно предоставляется льготный период от одного до трех месяцев. перед закрытием учетной записи, к тому времени преступник мог звонили на тысячи долларов. Мошенничество с подпиской не является ограничивается традиционной аналоговой сотовой связью. Даже Sprint Spectrum, новый цифровая служба PCS, описанная в колонке за октябрь 1996 г., работает над бороться с растущей волной ложных заявок на обслуживание.

Для следующих двух типов мошенничества важно понимать, как звонки размещаются и авторизуются в аналоговой сотовой системе. Для большего полный обзор, см. эту колонку в выпуске журнала за декабрь 1996 г. Время мониторинга .

РАЗРЕШЕНИЕ НА ЗВОНОК

Каждый сотовый телефон имеет электронный серийный номер (ESN). зашиты в телефон производителем. Это число предполагается однозначно и навсегда идентифицировать каждый сотовый телефон сделано, и в соответствии с правилами FCC не подлежит изменению.Кроме того, когда сотовый телефон введен в эксплуатацию, ему присвоен Мобильный Идентификационный номер (MIN) от оператора сотовой связи. Это десятизначный код города и номер телефона.

Каждый сотовый телефон также имеет «домашнюю» систему, которая является местной область, обслуживаемая их провайдером. При размещении вызова ESN и MIN, вместе с другой информацией передается с телефона на Обратный канал управления (RECC) для коммутации мобильных телефонов (MTSO) через ближайшую базовую станцию.MTSO ищет ESN и MIN в базе данных подписчиков, чтобы подтвердить, что телефону разрешено размещать вызов.

Когда сотовый телефон работает вне своей домашней системы, это называется «роуминг». Когда телефон в роуминге выполняет вызов, Пара ESN / MIN все еще отправляется, но поскольку в локальной системе нет запись для подписчика, он должен сделать запрос удаленной проверки вернуться в домашнюю систему. Этот запрос обычно не выполняется в своевременно, поэтому большинство систем пропускают первый вызов, пока ожидая ответа о проверке.Если пара ESN / MIN оказывается недопустимый, он помещается в «отрицательный» список и система блокирует будущие звонки с этого телефона.

ТАМБЛИНГ

Мошенничество при акробатике использует слабые места в этой проверке звонка. процесс, используя разные пары ESN / MIN для каждого вызова. Специально модифицированные телефоны «кувыркаются», переходя на новую пару ESN / MIN после каждого вызов. Эти пары обычно недопустимы ни в одной системе, но составлены в таким образом, чтобы выглядеть как законный бродяга.Случаи падение в крупных городах резко упало с введением быстрых баз данных и соглашений о взаимной проверке между сотовыми операторы. Cellular One помогла создать сеть сотовой связи в Северной Америке (NACN), который предоставляет стандартный набор возможностей роуминга, включая быстрая проверка звонков для клиентов в нескольких тысячах городов.

КЛОНИРОВАНИЕ

На данный момент наиболее прибыльной формой мошенничества для сотовых «бандитов» является клонирование.Использование оборудования для перехвата FM-сигнала 800 МГц, пары ESN / MIN «закручиваются», поскольку они передаются с телефона на базу станция. Поскольку сотовые телефоны также идентифицируют себя при включении и восстановления связи, бандиты известны частым аэропортам, автостоянки торговых центров, эстакады мостов или где-либо еще большое количество сотовые телефоны могут использоваться. В типичной настройке 800 МГц сканер настроен на один из обратных каналов управления, ожидая захватить мобильную передачу данных.Когда сотовый телефон передает это ESN и MIN, перехваченный поток данных передается от получателя к оборудование, которое извлекает цифровые единицы и нули, составляющие мобильное сообщение. Затем эти биты собираются программным обеспечением, которое воспроизводит ESN и MIN.

Определенное испытательное оборудование также может использоваться для захвата пар ESN / MIN. Несколько компаний производят устройства, предназначенные для использования в сервисных службах. персонал для тестирования и настройки телефонов отправляется в ремонт.Эти устройства часто переносимы и имеют возможность читать передачи из близлежащие телефоны.

Пары ESN / MIN также были собраны компьютерными взломщиками. незаконный доступ к базам данных сотовой системы. По крайней мере в одном случае однако информация из базы была просочена сотрудником компании, и многие аналитики по безопасности предупреждают, что наибольшие риски возникают изнутри. Некоторые менее искушенные мошенники собрали углерод. копии и квитанции из мусорных контейнеров на предприятиях, которые продают сотовые телефоны.Этот вид спорта, называемый «ныряние из мусорных контейнеров», оказался удивительно эффективен из-за неосторожного обращения с документами сотрудники.

ПЕРЕПРОГРАММИРОВАНИЕ ТЕЛЕФОНОВ

Независимо от способа приобретения сотовый bandit использует активную пару ESN / MIN для перепрограммирования второй сотовой телефон, который становится «клоном» оригинала. Самые современные телефоны позволяют изменять МИН с клавиатуры, часто после ввода специальный код доступа.Эти коды предназначались для выдачи только авторизованные сервисные центры, но их относительно легко определить по общедоступные источники, в том числе технические руководства от производителя. Перепрограммирование ESN — более сложная задача, но не непреодолимо. В ранних телефонах ESN был запрограммирован на стандартные микросхемы ПЗУ, которые легко заменялись. Немного позже телефоны хранят ESN в энергонезависимой памяти, которую можно изменить с помощью специальные кабели или разъемы.На некоторых телефонах стояла прошивка, которая управляет телефоном также на стандартных ПЗУ, которые могут быть позже заменены предприимчивыми людьми. Поскольку сотовый телефон по существу радиоуправляемый микропроцессором, эти люди изменять части программного обеспечения телефона, которые обращаются к ESN, исправление, чтобы использовать украденный номер вместо того, который установлен на фабрика.

БОРЬБА С МОШЕННИЧЕСТВОМ

Поставщики сотовых услуг принимают ряд превентивных мер. для борьбы с клонированием в аналоговых системах.

Сегодня на многих рынках сотовой связи пользователи должны входить в личный Идентификационный номер (PIN) до совершения звонка. Подобно PIN-код банкомата, четырехзначный код вводится после набрав номер назначения и нажав ОТПРАВИТЬ. Поскольку это число отправляется с помощью сигналов DTMF (те же тональные сигналы, что и на стационарных телефонах) по обратный голосовой канал, он не будет перехвачен клонером, прослушивающим обратные каналы управления. Bell Atlantic Nynex Mobile претендует на 80% сокращение мошенничества после введения PIN-кодов и Ameritech Cellular Сервисы сообщили о падении на 96%. Однако этот метод уязвим для cloner с использованием двух сканеров и декодера DTMF. Это также оказалось раздражает многих законных пользователей.

Распространенным способом обнаружения клонированных телефонов является использование клиентских профилирование. Сохраняется запись типичных шаблонов звонков из сотовый телефон, и если поступают звонки, отличные от этого шаблона, с клиентом связываются, чтобы подтвердить, что звонки были авторизованный.Например, если клиент обычно делает два местных звонка в день, и внезапно появляется четыре международных звонка в промежутке между двумя часов, система профилирования заметит несоответствие и предупредит безопасность персонал.

Некоторые операторы сотовой связи предлагают простой метод установки лимитов на возможность набора номера в соответствии с потребностями клиента. Если клиент будет всегда пользуйтесь телефоном в домашней системе, роуминг можно отключить. Если клиент будет редко совершать международные звонки, счет может быть установить запрос PIN-кода перед выполнением этих вызовов, но разрешить всем местным звонки проходить без ПИН-кода.

Был представлен более сложный и несколько успешный метод. на ряде основных рынков называется радиочастотной (RF) дактилоскопией. «Подпись» создается и сохраняется для каждой авторизованной сотовой телефон, состоящий из характерных параметров, которые однозначно идентифицировать передатчик. Теория такова, что даже между идентичными сотовые телефоны, отдельные компоненты и варианты настройки создают достаточно различия в передаваемом сигнале, которые приемник базовой станции может отличать одно от другого.Таким образом, когда клонированный сотовый телефон отправляет ESN / MIN, сотовая система заметит, что переданный сигнал не соответствует подписи, хранящейся в базе данных подписчиков, и отклонить звонок. Эта система несовершенна, и испытания продолжаются. определить эффекты старения сотового телефона и передачи искажение точности проверки.

С осени 1995 года было произведено большинство новых сотовых телефонов. с возможностью аутентификации.В этом процессе сотовый телефон и базовая станция обменивается «секретным рукопожатием», полученным из математический алгоритм и 20-значное число. Юридический телефон идентифицирует сам, передав ответ алгоритму. Ключи к этому процессы хранятся в телефоне и в базе данных сотовой системы, и никогда не передаются, поэтому не уязвимы для перехвата. Этот процесс также прозрачен для пользователя и не требует дополнительных набор шагов.

Texas Instruments, среди прочего, работает над голосовой идентификацией. система, позволяющая совершать звонки только ранее записанным пользователям. В во время покупки или вскоре после этого пользователь записывает имя или ключ фраза, которая хранится в базе данных сотовой системы. Тогда каждый раз пользователь хочет позвонить, он должен произнести свое имя или ключевую фразу и сопоставьте сохраненную версию для проверки.

Этим летом AT&T Wireless Services потратила несколько сотен тысяч долларов на рекламную кампанию в Нью-Йорке, один из основных центры мошенничества в США.Метро, ​​автобусы и рекламные щиты предупредил потенциальных преступников, что операторы сотовой связи и правоохранительные органы агентства могут их выследить. Неясно, насколько эффективен поход был.

ЦИФРОВЫЕ СИСТЕМЫ

Цифровые системы обеспечивают большую степень защиты от клонирования. по двум основным причинам. Во-первых, оборудование в настоящее время недоступно для широкая публика, которая будет декодировать отправленные более сложные форматы сигналов цифровыми сотовыми телефонами.Несомненно, эта ситуация изменится в будущем, но пока такое оборудование получить сложно. Во-вторых, радиоинтерфейс будет зашифрован методами, которые будет очень сложно расшифровать. Государственные учреждения политически маневрируя, чтобы иметь достаточно сильное шифрование, чтобы противостоять отдельные попытки дешифрования, но достаточно слабые, чтобы взломать правительство Ресурсы. Подробнее об этом в следующей колонке.

Как обычно, присылайте комментарии, вопросы и критические замечания по адресу дан @ декодировать.com. До следующего месяца, удачного мониторинга!

Границы | Запрещение долгосрочной изменчивости при расшифровке траектории передних конечностей с использованием эволюционных нейронных сетей с обучением с коррекцией ошибок

Введение

Технология мозгового машинного интерфейса (ИМТ) преобразует нейронную активность мозга в кинематические параметры движений конечностей. Это позволяет управлять компьютерным курсором или протезами (Kao et al., 2014; Slutzky, 2018), что может значительно улучшить качество жизни.В интракортикальных ИМТ для декодирования нейронных сигналов были имплантированы микроэлектроды, имплантированные в кору. Затем эти сигналы были преобразованы в моторные команды для управления антропоморфной протезной конечностью, тем самым восстанавливая естественную функцию (Collinger et al., 2013; Roelfsema et al. , 2018).

Декодер был наиболее важным компонентом BMI; он моделировал функциональное отображение между нейронной активностью и кинематическими параметрами (например, скоростью движения или положением) и предполагал, что это функциональное отображение было инвариантным во времени (т.е., стационарное статистическое допущение) (Kim et al., 2006). Однако в реальных условиях нейронной регистрации существовала высокая степень вариабельности внутри и в течение дня (Simeral et al., 2011; Perge et al., 2013, 2014; Wodlinger et al., 2014; Downey et al., 2018), что препятствовало выполнению стационарного статистического предположения. Эта изменчивость состояла из относительного положения записывающих электродов — и окружающих нейронов, свойств электродов, реакции тканей на электроды и нейронной пластичности — и могла влиять на функциональное отображение между нейронной активностью и кинематическими параметрами (Jackson et al., 2006; Barrese et al., 2013; Фернандес и др., 2014; Салатино и др. , 2017; Михельсон и др., 2018; Хонг и Либер, 2019). Изменчивость в условиях нейронной записи приводила к нестабильной долговременной производительности декодирования и приводила к частому переобучению декодера (Jarosiewicz et al., 2013, 2015).

Обычная переподготовка декодера требовала, чтобы субъект периодически выполнял четко определенную задачу по сбору новых обучающих данных для предотвращения устаревания модели (Jarosiewicz et al., 2015). Этот способ может привести к дополнительному времени на тренировку, прежде чем можно будет использовать ИМТ.Традиционные линейные нейронные декодеры не нуждались в частом переобучении, но обладали ограниченной вычислительной сложностью, чтобы иметь дело с изменениями условий нейронной записи, обусловленными линейными свойствами (Collinger et al., 2013). Известно, что недавно возникшие условия нейронной регистрации в хронических системах ИМТ имеют некоторую схожесть с прошлыми условиями нейронной регистрации (Chestek et al., 2011; Perge et al. , 2013; Bishop et al., 2014; Nuyujukian et al., 2014). ; Orsborn et al., 2014). Поэтому были предложены вычислительно мощные нелинейные декодеры для изучения разнообразного набора нейронно-кинематических отображений, соответствующих различным условиям нейронной записи, собранных за много дней до использования BMI (Sussillo et al., 2016). Этот подход позволил избежать прерывания ИМТ, сохраняя параметры модели фиксированными во время использования ИМТ, и сделал ИМТ по своей сути устойчивым к изменениям в условиях нейронной записи за счет использования сходства между недавно встреченными и прошлыми условиями нейронной записи. Таким образом, ИМТ были обучены с данными за несколько дней, чтобы изучить различные условия нейронной записи и добиться стабильного долгосрочного декодирования. Однако они в значительной степени полагались на огромные обучающие данные, где большой обучающий набор может быть недоступен как для нечеловеческих приматов, так и для моделей грызунов.

Ограниченные данные для тренировок стали проблемой для применения BMI в долгосрочной перспективе. Хроническая воспалительная реакция приводит к потере нервного сигнала и снижению качества со временем (Chen et al., 2009). Кроме того, количество имплантированных электродов ограничено размером нервных ядер в мозге грызунов. Следовательно, ограниченные нейроны и ограниченное время записи приводят к ограниченным обучающим данным.

Модели грызунов с небольшим количеством имплантированных электродов широко используются для исследования современных нейронных протезов.Предыдущие исследования продемонстрировали возможности декодирования различных методов в моторной коре (Zhou et al., 2010; Yang et al., 2016), соматосенсорной коре (Pais-Vieira et al., 2013) и гиппокампе (Tampuu et al. , 2019) в моделях грызунов. Результаты показали, что хорошие методы декодирования должны быть значительно более устойчивыми к небольшим размерам выборки, вызванным ограниченными нейронами или ограниченным временем записи. В целом, ограниченное количество обучающих данных делало традиционные методы декодирования неточными, поскольку для достижения желаемых уровней производительности им обычно требовалось большое количество нейронов. Кроме того, небольшие объемы данных сделали современные методы декодирования ненадежными, поскольку их возрастающая сложность модели требовала большого количества обучающих данных (Glaser et al., 2017). Неизвестно, смогут ли ИМТ справиться со сценарием, в котором были доступны данные только за несколько дней. Это побудило нас разработать нейронный декодер, который мог бы учиться на ограниченных обучающих данных, основанных на моделях грызунов.

В приложениях прогнозирования временных рядов нейронные сети (NN) обычно использовали ошибку прогнозирования как дополнительный вход сети.Было доказано, что это дает более высокую производительность по сравнению с таковой без обратной связи по ошибкам (Connor et al., 1994; Mahmud and Meesad, 2016; Waheeb et al., 2016). Обратная связь по ошибке определяет разницу между выходным сигналом сети и целевым значением. Эта информация может предоставить сети информацию, касающуюся предыдущих характеристик прогнозирования, и, таким образом, может направить сеть к точному прогнозированию. В системе управления с обратной связью выходной сигнал подавался обратно, чтобы сформировать сигнал ошибки, который был разницей между целевым и фактическим выходом, чтобы управлять системой.Использование обратной связи может уменьшить влияние неопределенности модели (Løvaas et al., 2008). Кроме того, управление с обратной связью может справиться с изменчивостью от испытания к испытанию, вызванной сложной динамикой или шумом в моторном поведении (Todorov and Jordan, 2002). На основании современных физиологических исследований коры головного мозга человека (Miyamoto et al., 1988) моторная команда обратной связи использовалась в качестве сигнала ошибки для обучения NN (Kawato, 1990). Одно исследование предположило, что пользователь намеревался напрямую двигаться к цели при использовании ИМТ.Это исследование приспособило нейронный декодер путем оценки предполагаемой скорости пользователя, которая определялась по положению цели, положению курсора и декодированной скорости (Gilja et al., 2012). В недавнем исследовании учитывалось, как пользователь изменил нейронную модуляцию, чтобы справиться с ошибками движения, вызванными нейронной изменчивостью в петле обратной связи (Willett et al., 2019). Их структура моделировала онлайн / замкнутую динамику внутрикортикального ИМТ и откалибровала его декодер с помощью закодированного управляющего сигнала, который был разницей между положением цели и положением курсора.Кодированный управляющий сигнал с использованием целевой позиции сначала преобразовывался в нейронные функции, которые затем отображались в декодированный управляющий вектор для обновления выходных данных декодера, то есть скорости курсора. Это побудило нас ввести обратную связь по ошибке в нейронный декодер для работы с изменчивостью в условиях нейронной записи, потому что обратная связь по ошибке может компенсировать изменения в условиях нейронной записи. Тогда нейронный декодер не нуждался в переобучении, и ожидалось, что он будет устойчивым к различным условиям нейронной записи при использовании только нескольких дней обучающих данных.

Несколько характеристик делают NN вычислительно мощными декодерами в BMI. Во-первых, сеть с достаточным количеством скрытых нейронов может аппроксимировать любую непрерывную функцию (Hornik et al., 1989). Это делает НС подходящей для изучения функционального соответствия между нейронной активностью и кинематическими параметрами. Во-вторых, несколько типов нейронных сетей могут успешно управлять двигательными движениями в ИМТ. К ним относятся повторяющиеся NN (RNN) (Haykin, 1994; Shah et al., 2019), сеть эхо-состояний (ESN) (Jaeger and Haas, 2004) и NN с временной задержкой (TDNN) (Waibel et al., 1989). RNN имеют соединения обратной связи, которые способны обрабатывать последовательности нейронных сигналов. Их петля обратной связи применима к моделированию системной динамики и зависимому от времени функциональному картированию между нейронной активностью и кинематическими параметрами (Хайкин, 1994). ESN был разработан как RNN, который только тренирует связи между скрытыми нейронами и выходными нейронами для простого процесса обучения (Jaeger and Haas, 2004). TDNN — это сети прямого распространения с отложенными версиями входных данных, которые реализуют механизм краткосрочной памяти (Waibel et al., 1989). Из этих NN, RNN имеют высокую точность в приложениях BMI (Sanchez et al., 2004, 2005; Sussillo et al., 2012; Kifouche et al., 2014; Shah et al., 2019). Таким образом, в настоящей работе разработана RNN с обратной связью по ошибке в качестве нейронного декодера.

Поскольку производительность NN в значительной степени зависит от ее сетевой структуры, выбор структуры является решающей проблемой. Сетевая сеть с чрезмерно большой архитектурой может перекрывать обучающие данные и приводить к плохому обобщению. Кроме того, он часто имел жесткие временные ограничения.Напротив, NN с чрезмерно маленькой архитектурой может не соответствовать данным и не может аппроксимировать базовую функцию. Четыре наиболее часто используемых алгоритма для определения архитектуры сети — это конструктивный, отсекающий, конструктивно-отсекающий и эволюционный алгоритмы (EAs). Конструктивные алгоритмы (Kwok and Yeung, 1997) начинались с простой NN, а затем увеличивали количество скрытых нейронов или соединений с этой сетью на каждой итерации. Однако из-за несоответствующего критерия остановки может быть построена крупногабаритная сеть.Другими словами, в вопросе о том, когда прекратить строительство сетей, не было единого мнения. Алгоритм отсечения (Reed, 1993) начинался с слишком большой NN, а затем итеративно удалялись незначительные скрытые нейроны или соединения. Однако изначально было трудно определить слишком большую сетевую архитектуру для данной проблемы (Kwok and Yeung, 1997). Алгоритм конструктивного отсечения (Islam et al., 2009; Yang and Chen, 2012) объединил как конструктивный алгоритм, так и алгоритм отсечения для построения NN. Начиная с простейших возможных структур, сеть сначала была построена с использованием конструктивного алгоритма, а затем были удалены тривиальные скрытые нейроны или соединения с помощью алгоритма отсечения для достижения оптимальной сетевой архитектуры.В нескольких работах были разработаны сетевые сети с использованием советников (Huang and Du, 2008; Kaylani et al., 2009; Masutti and de Castro, 2009). EAs были разработаны как биологически правдоподобная стратегия для адаптации различных параметров NN, таких как вес и архитектура (Angeline et al., 1994). Однако кодирование NN в хромосому зависит от максимальной структуры сети, которая зависит от проблемы и должна определяться пользователем. Это свойство ограничивало гибкость представления проблемы и эффективность советников.В одном исследовании (Yang and Chen, 2012) был предложен эволюционный алгоритм построения и сокращения (ECPA) без предварительного определения максимальной структуры сети, что сделало эволюцию сетевой структуры более эффективной. Поскольку NN, используемые в BMI, были разработаны в зависимости от предмета, автоматическая оптимизация NN для конкретной задачи является желательной функцией. В этом исследовании был принят ECPA (Yang and Chen, 2012) для разработки NN с соответствующей структурой в качестве нейронного декодера для каждого субъекта в приложениях BMI.

В этой работе предлагается эволюционная конструктивная и сокращающая нейронная сеть с обратной связью по ошибке (ECPNN-EF) для декодирования нейронной активности в движение передних конечностей крысы с использованием данных всего за несколько дней для обучения нейронного декодера. Задача нажатия рычага для крысы была разработана для оценки эффективности предложенного нейронного декодера. Обратная связь по ошибке, обеспечивающая разницу между декодированной и реальной кинематикой, может компенсировать снижение производительности декодирования при изменении условий нейронной записи.Таким образом, ECPNN-EF может обеспечить стабильную и точную долговременную производительность декодирования. Остальная часть этой статьи организована следующим образом. Сначала мы описываем экспериментальную установку и предлагаемый декодер. Во-вторых, мы демонстрируем влияние нескольких параметров, а именно вероятности кроссовера и мутации . Кроме того, также показаны и обсуждаются эффекты прогресса эволюции, отсечения на основе кластеров (CBP) и выбора выживаемости на основе возраста (ABSS) на производительность предлагаемого декодера.Наконец, мы описываем, как частично связанная топология и обратная связь по ошибкам улучшают долговременную производительность декодирования.

Материалы и методы

Животные

Четыре взрослых крысы-самца линии Wistar в возрасте 8 недель, весом от 250 до 350 г содержались в помещении для животных в хорошо контролируемых лабораторных условиях (12:12 цикл свет / темнота со светом в 7 утра; 20 ° ± 3). ° C) и скармливали ad libitum . Уход и экспериментальные манипуляции с животными были рассмотрены и одобрены Комитетом по уходу и использованию животных Национального университета Ян Мин.

Операция по нейронной имплантации

Животных анестезировали 40 мг / кг золазепама и тилетамина (Zoletil 50, Virbac., Corros, Франция) и 8 мкг / кг гидрохлорида дексмедетомидина (Dexdomitor ^® , Pfizer Inc., New York, NY, USA) посредством внутримышечных инъекций. . Крыс помещали в стереотаксическую рамку (Stoelting Co. Ltd., Вуд-Дейл, Иллинойс, США) и закрепляли ушными балками и зубной балкой. Между ушами сделали разрез. Кожу черепа оттягивали, чтобы обнажить поверхность черепа от брегмы до ламбдовидного шва.В черепе просверливали небольшие заусенцы для имплантированной микропроволочной электродной решетки и для установки винтов (Shoukin Industry Co., Ltd., Нью-Тайбэй, Тайвань).

Для каждой крысы 8-канальный лабораторный набор электродов из микропроволоки из нержавеющей стали (продукт № M177390, диаметр 0,002 фута, California Fine Wire Co., Grover Beach, CA, США; электроды были разнесены на 500 мкм друг от друга) располагали вертикально. имплантирован в слой V области передних конечностей первичной моторной (M1) коры (передне-заднее [AP]: +2.От 0 мм до -1,0 мм, медиально-латеральный [ML]: +2,7 мм, дорсально-вентральный [DV]: 1,5 мм. Для определения местоположения передних конечностей, представляющих M1 для имплантации электрода, была применена внутрикортикальная микростимуляция, чтобы подтвердить наблюдаемые подергивания мышц передних конечностей (Yang et al., 2016). По прошествии 1 недели послеоперационного периода восстановления животные получали тренировку нажатия на рычаг, связанную с водным вознаграждением.

Поведенческий тренинг

Крысы были обучены нажимать на рычаг правой передней конечностью, чтобы получить водное вознаграждение.Перед обучением с поощрением крыс содержали в одиночном помещении и лишали воды не менее 8 часов. Во время обучения с поощрением крыс помещали в лабораторный бокс из оргстекла 30 × 30 × 60 см ³ и помещали барьер 14 × 14 × 37,5 см ³ , чтобы построить L-образный путь для поведенческого задача. На одном конце пути был установлен рычаг (высота 15 см от дна), а на другом конце пути был установлен автоподатчик с водяной трубкой, которая подавала воду на тарелку.Крысы могли получить 0,25-миллилитровую каплю воды в качестве награды на тарелке после нажатия на рычаг. Испытывающих жажду крыс обучали нажимать на рычаг, чтобы получать водное вознаграждение без каких-либо сигналов, потому что они научились давать оперантный ответ на положительное подкрепление (водное вознаграждение). Крыс обучили нажимать на рычаг с левой стороны ящика, а затем свободно перемещаться по U-образной траектории к правой стороне ящика. Это нужно было выполнить в течение 3 секунд, чтобы получить награду. Экспериментальный временной курс включал фазы поведенческого обучения и сбора данных.В фазе поведенческого обучения имплантированные крысы изучали ассоциацию нажатия рычага и водного вознаграждения в течение 3-5 дней без нейронных записей. Чтобы соответствовать критериям успешного обучения поведенческой задаче, крысы должны были выполнить непрерывное повторение пяти последовательных попыток нажатия на рычаг и поощрения водой, не пропуская ни одного испытания между последовательными испытаниями (Lin et al., 2016). Достигнув критериев, животные перешли на этап сбора данных. Во время этой 12-дневной фазы траектории движения передних конечностей были одновременно получены с соответствующими электрофизиологическими записями нервных спайков, когда они выполняли задачу водного вознаграждения.

Запись данных

В этом исследовании кинематика передних конечностей и нейронная активность регистрировались одновременно, когда животное выполняло нажатие на рычаг, связанное с водным вознаграждением, как показано на рисунке 1. Во время поведенческой задачи маркер синего цвета, сделанный из нейлона, был закреплен на правом запястье. крыса, чтобы отслеживать траекторию передних конечностей. Траектория движения передних конечностей крысы фиксировалась камерой устройства с зарядовой связью (DFK21F04, Imaging Source, Бремен, Германия), которая выдавала изображение RGB с разрешением 640 × 480 при 30 Гц и затем анализировалась системой видеонаблюдения (CinePlex, Plexon Inc. ., Даллас, Техас, США). Когда рычаг был нажат, он запускал микровыключатель положения тяги для генерации транзисторно-транзисторного логического импульса для многоканального процессора сбора данных (Plexon Inc., Даллас, Техас, США), который позволял точно синхронизировать нейронные данные с событие нажатия рычага, а затем водное вознаграждение доставлялось через управляемый компьютером электромагнитный клапан, подключенный к разработанной лабораторией системе подачи воды под давлением.

Рисунок 1 . Архитектура системы и экспериментальная постановка задачи нажатия рычага водного вознаграждения.Пока крыса нажимала на рычаг, чтобы получить водное вознаграждение, система нейронной записи записывала и предварительно обрабатывала импульсную активность нейронов от электродной матрицы, имплантированной в кору головного мозга крысы. Система слежения за траекторией получала соответствующую траекторию передних конечностей с камеры.

Пиковую активность нейронов крысы отбирали при 40 кГц и аналоговую фильтровали от 300 до 5000 Гц. Алгоритм сортировки спайков использовался для определения активности отдельных единиц. Во-первых, был установлен порог амплитуды с четырьмя стандартными отклонениями отфильтрованных нейронных сигналов, чтобы идентифицировать пики от отфильтрованных нейронных сигналов.Затем пики были отсортированы обученным техником посредством анализа основных компонентов с использованием коммерческого программного обеспечения для сортировки пиков (Sort Client, Plexon Inc., Даллас, Техас, США).

Нейронный декодер: ECPNN-EF

Скорости стрельбы каждой отсортированной единицы из коры головного мозга M1 крысы были декодированы в мгновенную скорость траектории передних конечностей. Как горизонтальные, так и вертикальные скорости оценивались по положению синего маркера с помощью двухточечной цифровой дифференциации. Частота срабатывания каждого отсортированного нейрона определялась путем подсчета пиков в заданном временном интервале, длина которого составляла 33 мс и была равна временному разрешению системы видеонаблюдения.На рис. 2 показан пример движения передних конечностей крысы при нажатии на рычаг и соответствующие цепочки нервных шипов. Известно, что существует временная задержка между возбуждением нейронов и соответствующим состоянием передних конечностей из-за их причинной связи (Paninski et al., 2004; Wu et al., 2004; Yang et al., 2016). Кроме того, точность декодирования была улучшена, если принять во внимание оптимальную задержку по времени. Здесь крысы с ограничением воды легко обучаются поведению нажатия на рычаг в течение нескольких тренировочных сессий, что позволяет регистрировать активность нейронов во время приобретения двигательной последовательности, как показано на рисунках 2A, B, показало, что некоторые нейроны M1 проявляли повышенную активность для последовательного двигательного поведения до того, как событие нажатия рычага, которое представило максимальную скорость стрельбы в третьем временном интервале (с задержкой 99 мс).Таким образом, мы эмпирически выбираем 363 мс последовательности пиков для 11 интервалов времени (8 интервалов до и 2 интервала после третьего интервала времени до нажатия рычага), чтобы спрогнозировать серию скоростей движения.

Рисунок 2 . Одновременная запись траектории движения передних конечностей и тренировки шипов во время выполнения задачи нажатия рычага, связанной с водным вознаграждением. (A) Покадровая анимация, представляющая движение передних конечностей из данных временного ряда с отслеживанием видео (см. Дополнительное видео). Шесть последовательных фотографий показали, что крыса в испытательной клетке успешно достигла и нажала на рычаг (отмечен зеленым), при этом одновременно регистрировались траектории движения передних конечностей и нервная активность. (B) Активность нейронов, записанная от восьми нейронов во время одного движения, отображается в виде последовательности импульсов и гистограммы активности нейронов (размер ячейки 33 мс). Красная линия указывает момент, когда крыса нажала на рычаг правой передней конечностью.

Последовательность шипов была дискретизирована в 11 временных интервалов для каждого испытания, соответствующих каждой полной траектории движений передних конечностей во время выполнения задачи по достижению рычага. Имея в общей сложности k нейронов, отсортированных по всем каналам, мы определили N (t) = {ni (t)} i = 1k как набор нейронных функций, где t обозначил временной шаг, который был временным интервалом в этом исследовании, n _i ( t ), представленное как количество спайков отсортированного нейрона в текущем интервале, а i обозначает индекс отсортированного нейрона от 1 до k .(t), где t и t _pre представляют текущий временной интервал и предыдущий интервал времени, соответственно. Шаг обработки данных показан на рисунке 3.

Рисунок 3 . Структура данных ввода для декодера ECPNN-EF. (t).

Среднеквадратичная ошибка была принята как функция потерь из-за ее широкого использования в приложении регрессии и определена следующим образом:

Оптимальные веса ECPNN-EF были получены путем минимизации потерь следующим образом:

В этом исследовании применялось обратное распространение во времени (BPTT) для нахождения оптимальных весов ECPNN-EF путем итеративного определения градиента потерь по отношению к весам следующим образом:

где η — скорость обучения.Подробности BPTT (Werbos, 1988) описаны в дополнительном примечании 1. Детали проектирования структуры ECPNN-EF описаны в дополнительном примечании 2.

ECPNN-EF принял гиперболический тангенс сигмовидной передаточной функции для всех скрытых нейронов и выходного нейрона. Пропускные соединения существовали между прерывистыми слоями, например между входным слоем и выходным слоем. Кроме того, скрытый слой обладал самовоспроизводящимися связями. После того, как структура и вес ECPNN-EF были обучены, была принята фиксированная модель для прогнозирования скорости передней конечности крысы без дополнительных затрат на обучение.

Псевдокод обучающего алгоритма ECPNN-EF появляется в алгоритме 1. Начальная популяция началась с набора начальных NN, каждая из которых имела единственный скрытый нейрон. Одно соединение было сгенерировано от одного входного нейрона, не связанного с ошибкой, к скрытому нейрону. Пропускное соединение было сгенерировано от одного входного нейрона, не связанного с ошибкой, к выходному нейрону. Одно соединение было сгенерировано от одного связанного с ошибкой входного нейрона со скрытым нейроном или с выходным нейроном. Подробное описание инициализации популяции было в дополнительном примечании 3.Кроме того, в скрытом нейроне была построена самовоспроизводящаяся связь с вероятностью 0,5. Здесь входной нейрон, связанный с ошибкой, получил ошибку предсказания, как показано на рисунке 4, тогда как входной нейрон, не связанный с ошибкой, получил мгновенную частоту срабатывания каждой единицы. Этот механизм раздельной генерации соединений входного нейрона, связанного с ошибкой, и входного нейрона, не связанного с ошибкой, гарантирует, что начальные NN могут немедленно обработать обратную связь об ошибке. В результате был сгенерирован набор исходных NN с частично связанной топологией.

Цель оператора кроссовера сети состояла в том, чтобы исследовать пространство структурного поиска и, таким образом, улучшить возможности обработки ECPNN-EF. Операция пересечения сети произвольно выбрала две родительские NN посредством турнирного отбора, а затем объединила их структуры для создания дочерней NN с вероятностью пересечения , p _c (см. Дополнительное примечание 4). Оператор сетевой мутации использовал пространство структурного поиска для достижения небольшого возмущения структуры путем случайной генерации нового соединения от входа к скрытому нейрону.Кроме того, операция сетевой мутации случайным образом сконструировала самовоспроизводящееся соединение скрытого нейрона или новое пропускаемое соединение от выхода или скрытого нейрона к его предыдущему последовательному или непоследовательному слою с вероятностью мутации , p _м (см. Дополнительное примечание 5).

CBP в основном отсекал незначительные скрытые нейроны, чтобы избежать чрезмерно сложного ECPNN-EF с плохой производительностью обобщения из-за использования операции пересечения сети .Сначала он сгруппировал скрытые нейроны в две группы (то есть лучшие и худшие группы, в зависимости от их значимости в NN), а затем удалил скрытые нейроны в худшей группе стохастическим способом. Подробное описание CBP было в дополнительном примечании 6.

ABSS не позволило ECPNN-EF создать полностью связанную структуру. Он выбрал NN для следующего поколения в соответствии с возрастом, который показал, сколько поколений выжило NN. Старые сети имели тенденцию иметь полностью связанную структуру из-за использования операции сетевой мутации .ABSS заменил NN старшего возраста на начальные NN (см. Дополнительное примечание 3) стохастическим образом и, таким образом, не позволил населению достичь полностью связанной структуры. ABSS в основном удалил полностью связанные сети и заставил остальные сети выжить до следующего поколения с помощью стохастического механизма. Подробное описание ABSS было в дополнительном примечании 7. Процесс эволюции прекращался, когда обобщающая потеря ( GL ) соответствовала критерию ранней остановки или было достигнуто максимальное количество поколений.Критерий раннего прекращения, мотивированный Исламом и соавт. (2009) оценили прогресс эволюции, используя ошибки обучения и проверки, чтобы избежать переобучения. Он впервые определил GL в τ-м поколении как:

, где E _va (τ) — это ошибка валидации сети с наилучшей пригодностью в τ-м поколении, а E _low (τ) — наименьшая E _va (τ) до τ-го поколения.Разница между средней ошибкой обучения и минимальной ошибкой обучения на τ-м поколении полосы k была определена как:

, где E _tr (ω) — ошибка обучения НС с наилучшей пригодностью в ω-м поколении, а k — длина полосы. В этой работе k было установлено равным 5. Обратите внимание, что GL (τ) и P _k (τ) были определены с использованием проверочного и обучающего наборов соответственно. E _va (τ) и E _tr (ω) были рассчитаны с помощью функции потерь, представленной в (2) . Алгоритм обучения ECPNN-EF завершается, когда GL (τ)> P _k (τ). В качестве нейронного декодера была выбрана оптимальная сеть с частично связанной топологией.

Таким образом, сетевой кроссовер и мутация развили NN конструктивным образом, чтобы улучшить их способность к обработке, тогда как CBP и ABSS развили NN деструктивным способом, который расширил их возможности обобщения и снизил затраты на оборудование (Yang and Chen, 2012) .Критерий ранней остановки был принят для прекращения процесса эволюции путем наблюдения ошибок как обучения, так и проверки, чтобы избежать переобучения на этапе обучения, что сократило время обучения и сохранило возможность обобщения (Islam et al., 2009). ECPNN-EF был реализован и обучен в MATLAB (MathWorks, Натик, Массачусетс, США).

Наборы данных и оптимизация структуры нейронных сетей

Данные, собранные в сеансе записи, были разделены на обучающий набор для разработки нейронного декодера, набор для проверки, позволяющий избежать переобучения во время фазы обучения, и набор для тестирования для оценки способности нейронного декодера к обобщению.Для каждой крысы экспериментальные испытания первых 2 дней использовались как наборы для обучения и проверки, а оставшиеся 10 дней использовались как наборы для тестирования. Количество испытаний, использованных для каждой крысы, показано в таблице 1.

Таблица 1 . Характеристики экспериментальных данных.

В настоящем исследовании оценивалась точность предсказания (характеристики декодирования) предложенного нейронного декодера с использованием коэффициента корреляции Пирсона ( r ), который измерял силу линейной зависимости между наблюдаемыми и прогнозируемыми траекториями передних конечностей (Manohar et al., 2012; Шимода и др., 2012). При разработке ECPNN-EF с хорошей способностью к обобщению и компактной структурой была принята 5-кратная перекрестная проверка для определения оптимального p _c , p _m и завершенного поколения. Для каждой данной пары из p _c и p _m экспериментальные испытания первых 2 дней были случайным образом разделены на пять непересекающихся наборов равного размера, где четыре набора использовались в качестве обучающего набора. для развития ECPNN-EF, и один набор использовался в качестве набора для проверки для оценки производительности декодирования развитого ECPNN-EF на этапе обучения.После того, как ECPNN-EF был разработан через оптимальные p _c и p _m , набор проверки также использовался для определения наилучшего завершенного поколения развитого ECPNN-EF.

Чтобы исследовать влияние CBP и ABSS на эволюцию ECPNN-EF, были реализованы два варианта ECPNN-EF, которые использовали только CBP или ABSS. Один вариант ECPNN-EF только с CBP назывался ECPNN-EFWC, а другой вариант ECPNN-EF только с ABSS назывался ECPNN-EFWA.Производительность декодирования ECPNN-EF, ECPNN-EFWC и ECPNN-EFWA сравнивалась с использованием набора для проверки в терминах r , количества скрытых нейронов ( N _h ), количества соединений ( N _c ), коэффициент подключения ( R _c ) и завершение ( G _T ). Модель R _c была определена следующим образом:

, где N _f — количество подключений в сети с полностью подключенной топологией.Сеть имела полностью подключенную топологию, когда R _c = 1; однако сеть имела частично подключенную топологию, когда R _c <1.

Статистический анализ

В этом исследовании мы исследовали зависимость производительности декодирования от параметров p _c и p _m , используя статистический метод, двусторонний дисперсионный анализ (ANOVA) с последующим анализом Тьюки. апостериорный тест и скорректированное значение P путем множественного сравнения с использованием поправки Бонферрони на проверочном наборе.Мы устанавливаем p _c на 7 уровнях (0,6, 0,65, 0,7, 0,75, 0,8, 0,85 и 0,9). Кроме того, 7 уровней p _m (0,6, 0,65, 0,7, 0,75, 0,8, 0,85 и 0,9) использовались для каждого p _c , чтобы определить, обнаружил ли алгоритм ближайшую -оптимальное решение. Это оценило, были ли какие-либо существенные различия в производительности декодирования в соответствии с используемыми параметрами. Кроме того, мы проанализировали влияние CBP и ABSS на реконфигурацию ECPNN-EF, а затем оценили сравнение производительности декодирования ECPNN-EF, ECPNN-EFWC и ECPNN-EFWA на проверке, установленной односторонним ANOVA с пост- hoc Тест HSD Тьюки.

Чтобы исследовать производительность декодирования и стабильность ECPNN-EF, а также влияние обратной связи по ошибке прогнозирования на повышение точности прогнозирования ECPNN-EF без обучения с исправлением ошибок (ECPNN), смешанная модель ANOVA с тремя декодерами [ECPNN -EF, полностью подключенная RNN с обратной связью по ошибке (RNN-EF) и ECPNN] в качестве фиксированных коэффициентов и повторного измерения ежедневного тестирования, установленного в течение 10 дней тестирования, за которым следует апостериорный тест Тьюки , а затем скорректированный P -значение Бонферрони с поправкой на множественное сравнение.Характеристики декодирования четырех крыс были представлены как среднее значение ± стандартное отклонение (SD). Анализ данных выполнялся в SPSS версии 20.0 (SPSS Inc., Чикаго, Иллинойс, США).

Результаты

О производительности декодирования различных вероятностей кроссовера и мутации

Производительность декодирования ECPNN-EF развивалась при различных значениях p _c и p _m значения были оценены с помощью набора для проверки, как показано на рисунке 5.Результаты показали, что большее увеличение p _c и p _m и худшая точность декодирования ( r ). В дополнительном примечании 9 был приведен простой анализ основных эффектов, который исследовал эффекты 7 уровней p _m на фиксированном уровне p _c = 0,75 и 0,8. ( r = 0.912 ± 0,019) было достигнуто при использовании p _c = 0,75 и p _м = 0,75 (по сравнению с другими комбинациями p _c и p _м , P <0,05 проанализировано с помощью ANOVA для множественных сравнений).

Рисунок 5 . Производительность декодирования ECPNN-EF при различных p _c и p _m .Мы выполнили апостериорный анализ на основе оцененных предельных средних значений коэффициента корреляции ( r ) и скорректировали значение P путем множественного сравнения с использованием поправки Бонферрони (см. Таблицу S2 в дополнительном примечании 8). . Мы обнаружили, что максимальное значение r наблюдалось, когда p _m = 0,75 и p _c = 0,75 ( r = 0.912 ± 0,019) и показали значительные различия в r из p _c = 0,8 и p _м = 0,75. Следовательно, почти оптимальным решением алгоритма было p _c = 0,75 и p _m = 0,75.

Развитие ECPNN-EF

На рисунке 6 представлен прогресс эволюции ECPNN-EF с использованием оптимальных вероятностей кроссовера и мутации ( p _c = 0.75 и p _м = 0,75), полученные на рисунке 5. Результаты показали, что GL и разница между средней ошибкой обучения и минимальной ошибкой обучения ( P _k ) были почти ноль в ранних поколениях. Впоследствии GL немного увеличился, но P _k изменился. Примечательно, что GL не всегда был больше, чем P _k .Большинство GL резко увеличились и были больше, чем P _k после 33-го поколения, отмеченного черной вертикальной пунктирной линией. Это потенциально указывает на проблему переобучения, которая может привести к худшему развитию. Поэтому ECPNN-EF было предложено прекратить эволюцию в этом поколении в соответствии с критерием ранней остановки, чтобы поддерживать стабильную производительность декодирования. Среднее число завершившихся поколений в этом исследовании составило 33 ( G _T = 33.2 ± 1.1).

Рисунок 6 . Прогресс эволюции ECPNN-EF. Заштрихованные области представляют SD. Вертикальная ось слева представляет P _k (синяя линия). Вертикальная ось справа представляет GL (красная линия). Большинство GL соответствуют критерию ранней остановки в среднем завершенном поколении ( G _T = 33,2 ± 1,1), обозначенном черной вертикальной пунктирной линией.

Влияние CBP и ABSS на производительность декодирования

В таблице 2 показаны характеристики декодирования ECPNN-EF, ECPNN-EFWC и ECPNN-EFWA.ECPNN-EF обеспечивает значительно более высокую производительность декодирования ( r = 0,912 ± 0,019), чем ECPNN-EFWC ( r = 0,602 ± 0,083) и ECPNN-EFWA ( r = 0,708 ± 0,066. ) ( P <0,05, проанализировано с помощью однофакторного дисперсионного анализа с использованием теста HSD post-hoc Tukey). ECPNN-EF обладал более компактной структурой ( N _h = 4,2 ± 2,7 и N _c = 20.6 ± 7,2), чем ECPNN-EFWC ( N _h = 4,6 ± 3,8 и N _c = 23,0 ± 10,1) и ECPNN-EFWA ( N _{h 9024 14,4 ± 14,4 и N c = 57,9 ± 52,1). Более того, ECPNN-EFWA имел большее стандартное отклонение, чем два других метода. Все три метода обладали почти одинаковыми R c . ECPNN-EF ( R c = 0.12 ± 0,02) и ECPNN-EFWA ( R c = 0,12 ± 0,01) давали немного более разреженные структуры, чем ECPNN-EFWC ( R c = 0,13 ± 0,01). Все три метода завершили эволюцию до 38-го поколения. ECPNN-EF завершился немного раньше ( G T = 33,2 ± 1,1), чем два других декодера.}

Таблица 2 . Эволюционные результаты ECPNN-EF, ECPNN-EFWC и ECPNN-EFWA.

Сравнение производительности декодирования

Мы применили смешанную модель ANOVA с тремя декодерами (ECPNN-EF, RNN-EF и ECPNN) в качестве фиксированных факторов и повторяющейся меры времени, затем скорректировали значение P путем множественного сравнения с использованием поправки Бонферрони. Три декодера реконструировали траектории движения, аналогичные реальным траекториям движения (Рисунок 7). Однако декодер ECPNN-EF показал лучшую реконструкцию и стабильность и был значительно лучше, чем декодеры ECPNN и RNN-EF за 10 дней тестирования.

Рисунок 7 . Визуализация данных средних прогнозируемых траекторий ECPNN-EF, ECPNN и RNN-EF. Репрезентативные ежедневные реконструированные траектории тестовых испытаний у крысы №16. Средние восстановленные траектории ECPNN-EF (красная линия) были более похожи на фактические (черная линия) и демонстрировали меньшую дисперсию, чем траектории ECPNN (зеленая линия) и RNN-EF (синяя линия) за 10 дней тестирования. , где теневые области представляют собой соответствующие SD предсказанных траекторий.

Чтобы исследовать эффективность частично связанной топологии ECPNN-EF, ECPNN-EF сравнивали с RNN-EF с помощью апостериорного анализа . Здесь количество скрытых нейронов RNN-EF было таким же, как и в ECPNN-EF для справедливого сравнения [веса были скорректированы BPTT] (Werbos, 1988). На рисунке 8 статистически показано ежедневное сравнение r между декодерами ECPNN-EF и RNN-EF. Среднее значение r декодера RNN-EF монотонно уменьшалось с постепенным увеличением изменчивости r в течение 10 дней тестирования.Результат показал, что RNN-EF не может обеспечить стабильную долговременную производительность декодирования. Напротив, производительность декодирования ECPNN-EF немного снижалась каждый день и достигла r = 0,740 ± 0,042 в день тестирования 10. Более того, разброс в производительности нейронного декодирования (SD) ECPNN-EF был меньше. чем у RNN-EF в каждый день. Производительность декодирования ECPNN-EF была значительно выше, чем у RNN-EF ( P <0,05, проанализировано с помощью анализа повторных измерений с использованием смешанной модели ANOVA с апостериорным тестом , N = 4) в каждый день.

Рисунок 8 . Сравнение суточных r ECPNN-EF, ECPNN и RNN-EF. Производительность декодирования ECPNN-EF на 1-м, 2-м, 3-м, 4-м, 5-м, 6-м, 7-м, 8-м, 9-м и 10-м. Тестовый день был значительно выше, чем у ECPNN и RNN-EF (также см. Анализ post-hoc сравнения производительности декодирования в таблице S3 в дополнительном примечании 10) и соответствующий вариант r был меньше, чем у ECPNN и RNN-EF после 4-го дня тестирования.Символы * и ^# обозначают P <0,05, как было проанализировано анализом повторных измерений с использованием смешанной модели ANOVA с поправкой Бонферрони для множественного тестирования.

Чтобы исследовать эффект обучения с исправлением ошибок (обратная связь с ошибками) в декодере, ECPNN-EF сравнивался с ECPNN с использованием апостериорного теста . Как показано на рисунке 8, декодер ECPNN-EF показал более высокую и стабильную точность прогнозируемых траекторий по сравнению с таковыми декодера ECPNN в течение 10 дней тестирования.Среднее значение r декодера ECPNN заметно снизилось, и соответствующая изменчивость r стала огромной после дня тестирования 5. Напротив, ежедневное значение r ECPNN-EF медленно уменьшалось, а ежедневное изменчивость r существенно не изменилась за 10 дней. ECPNN-EF r был значительно выше, чем у ECPNN в каждый день ( P <0,05, проанализировано с помощью анализа повторных измерений с использованием смешанной модели ANOVA с апостериорным тестом , N = 4), и соответствующее отклонение (SD) в суточных r ECPNN-EF было меньше, чем у ECPNN.Самый низкий r ECPNN-EF ( r = 0,740 ± 0,042) и ECPNN ( r = 0,413 ± 0,158) наблюдался в день испытаний 10.

Обсуждение

Лучшая производительность со структурой NN, определяемой почти оптимальными вероятностями кроссовера и мутации

p _c и p _m влияли на эволюцию сетевой структуры и, таким образом, вовлекали вклад нейронов в движение передних конечностей.Оба оператора кроссовера и мутации увеличивают сложность модели. Кроссовер предоставил возможность добавить скрытые нейроны, в то время как мутация привела к небольшому изменению структуры модели за счет добавления соединений. Предыдущая статья Schwartz et al. (1988) сообщили, что отдельные нейроны моторной коры разряжаются с движениями в предпочтительном направлении. Высокое значение p _c привело к большой сетевой структуре, которая обладала достаточными возможностями обработки информации, но могла привести к переобучению.Напротив, низкое значение p _c привело к простой структуре сети, которая могла бы привести к недостаточному соответствию. Высокое значение p _m позволило скрытым нейронам иметь больше соединений от нейронных входов, что привело к полностью связанной топологии. Увеличение p _c и p _m не может последовательно улучшать производительность декодирования развитого нейронного декодера. Увеличение p _c и p _м от 0.6 до 0,75 увеличили вычислительную сложность нейронного декодера, так что соответствующие нейронные входы могли быть точно декодированы в движение передних конечностей. Однако частый кроссовер или мутация (высокая p _c и p _m , соответственно) в диапазоне 0,8–0,9 может вводить избыточные связи от нерелевантных нейронов с частотой возбуждения, не влияют на кинематические параметры. И наоборот, низкое значение p _m позволило скрытым нейронам иметь мало связей, что привело к разреженной топологии.Однако вероятность обработки некоторых нейронных входов была ниже. Низкий p _c и p _m может воспроизводить топологию, слишком разреженную для построения связей между кинематическими параметрами и соответствующими нейронами, что приводит к менее точному нейронному декодированию. Наши экспериментальные результаты показали, что p _c = 0,75 и p _m = 0,75 могут обеспечить наилучшую производительность декодирования.Развитый ECPNN-EF обладал не только достаточным количеством скрытых нейронов для декодирования нейрональной активности, но и соответствующей топологией, которая выбирала входы, связанные с движением передних конечностей, для скрытых нейронов.

Ранняя остановка для противодействия переобучению в эволюционном развитии ECPNN-EF

Большинство эволюций ECPNN-EF завершились вокруг среднего завершения поколения, потому что был соблюден критерий раннего завершения. Критерий ранней остановки учитывал как ошибки обучения, так и ошибки проверки.В ранних поколениях GL был почти нулевым, что указывало на то, что ошибка валидации была почти такой же, как и самая низкая ошибка валидации среди последних поколений. Это означает, что ошибка проверки не увеличилась. Хотя функциональное отображение между нейронной активностью и кинематическими параметрами менялось в разные дни из-за изменчивости условий нейронной записи, обучающая выборка может иметь те же условия нейронной записи, что и проверочная выборка. ECPNN-EF изучил общее функциональное отображение наборов для обучения и проверки в ранних поколениях, что позволило его развитой разреженной топологии постепенно научиться декодировать общие схемы стрельбы в движения передних конечностей в наборе для проверки.Кроме того, P _k был почти нулевым, что указывало на то, что средняя ошибка обучения не превышала минимальную ошибку обучения среди последних поколений. Это продемонстрировало, что ошибка обучения постепенно уменьшалась. И GL , и P _k показали, что эволюция улучшила обобщающую способность ECPNN-EF в ранних поколениях. До поколения среднего завершения небольшое увеличение GL могло указывать на переоснащение, но GL не всегда был выше, чем P _k .Это означало, что способность ECPNN-EF к обобщению могла быть исправлена ​​эволюцией, как показано в Prechelt (1998); Sussillo et al. (2016). Большинство GL резко увеличились и были постоянно выше, чем P _k после генерации среднего завершения. Это продемонстрировало, что ошибка проверки увеличилась, что указывает на переобучение. Предыдущая работа (Kao et al., 2015) предполагала, что нейронный декодер со слишком большим количеством параметров может привести к переобучению.Эволюция имела тенденцию создавать более сложный нейронный декодер с несколькими весами, что потенциально способствовало переобучению в последующих поколениях. Таким образом, эволюция была прекращена, чтобы предотвратить переоснащение обучающей выборки сниженной способностью к обобщению и сэкономить время вычислений.

Лучшая производительность на основе NN с хорошей способностью к обобщению и компактной структурой

Тот факт, что ECPNN-EF значительно превзошел ECPNN-EFWC и ECPNN-EFWA с точки зрения r , предполагает, что и CBP, и ABSS были важны для развития нейронного декодера с возможностью обобщения.CBP обрезал незначительные скрытые нейроны и привел к снижению N _h и N _c в ECPNN-EF и ECPNN-EFWC. Этот механизм сделал сеть более компактной и предотвратил чрезмерно сложную структуру сети, вызванную пересечением сети на протяжении многих поколений. С другой стороны, ECPNN-EFWC R _c , как ожидалось, будет значительно больше, чем у ECPNN-EF и ECPNN-EFWA, потому что ABSS, как правило, выбирает сеть с разреженной топологией.Однако разница в R _c между ECPNN-EF, ECPNN-EFWC и ECPNN-EFWA не была значительной из-за эффекта ранней остановки. Все три подхода остановили эволюцию до 38 поколений. Сети в популяции претерпели всего несколько кроссоверов и мутаций , и, таким образом, их сетевые структуры были менее сложными. Тем не менее, плохой r в ECPNN-EFWC предположил, что, хотя раннее прекращение привело к снижению R _c , эволюция без ABSS приведет к развитию нейронного декодера с плохой способностью к обобщению.ABSS выбрал сети без избыточных подключений для следующего поколения и, таким образом, предотвратил полностью подключенную топологию сети, вызванную мутацией сети. Чрезмерно сложные нейронные декодеры могут включать избыточные скрытые нейроны, которые превосходят обучающий набор. Это может нарушить точное декодирование нейронной активности в тестовой выборке, которая может иметь условия нейронной записи, отличные от обучающей выборки. Кроме того, избыточные веса могут подключаться к нейронам с предпочтительными направлениями, которые не имеют отношения к вертикальной или горизонтальной скорости.

ECPNN-EF завершил работу и получил почти оптимальный нейронный декодер раньше, чем ECPNN-EFWC и ECPNN-EFWA. Ошибка валидации в этих трех моделях увеличилась после их завершения генерации. Это привело к переобучению, потому что их развитые структуры были более сложными, чем почти оптимальные нейронные декодеры. Развитие ECPNN-EF было более эффективным, чем ECPNN-EFWC и ECPNN-EFWA, что указывает на то, что он получил почти оптимальный нейронный декодер быстрее, чем его сокращенные модели. Таким образом, поколение терминации ECPNN-EF было раньше, чем его сокращенные модели.Эти результаты показывают, что CBP и ABSS помогли разработать нейронный декодер с менее сложной структурой и лучшей способностью к обобщению. Эффективность питания и управление питанием являются чрезвычайно важными проблемами для полностью имплантируемых нейронных декодеров в ИМТ. Из-за своей разреженной топологии ECPNN-EF предлагает практический подход к вычислительно эффективному нейронному декодированию за счет уменьшения количества скрытых нейронов и межуровневых соединений, что приводит к меньшему использованию памяти и энергопотреблению (Chen et al., 2015).Меньшее потребление энергии приводит к увеличению срока службы батареи, что может облегчить имплантацию нейронных декодеров в мозг (Sarpeshkar et al., 2008).

Лучшая производительность на основе соответствующей сети на основе подключенной топологии

Несколько исследований показали, что частично подключенная NN (PCNN) обеспечивает лучшую производительность, чем полностью подключенная нейронная сеть (FCNN) (Elizondo and Fiesler, 1997). ECPNN-EF, тип PCNN, достиг значительно более высокого среднесуточного значения r , чем RNN-EF, который является типом FCNN; это говорит о том, что FCNN может состоять из большого количества избыточных соединений и приводить к переобучению с плохим обобщением по сравнению с PCNN (Elizondo and Fiesler, 1997; Wong et al., 2010; Guo et al., 2012). Некоторая информация, которая не имела отношения к движению передней конечности и обрабатывалась избыточными соединениями, может препятствовать работе нейронного декодера и увеличивать вероятность того, что NN застрянут в локальных минимумах. Кроме того, вариация в производительности декодирования RNN-EF от тестового дня 3 до тестового дня 10 была больше, чем для тестового дня 1 и тестового дня 2, тогда как вариация в производительности декодирования ECPNN-EF кардинально не изменилась. Это предполагало, что избыточные веса в RNN-EF не могли справиться с изменением условий нейронной записи и, таким образом, приводили к нестабильной производительности декодирования.ECPNN-EF превосходит RNN-EF из-за использования частично связанной топологии. Тенденции, наблюдаемые в настоящем исследовании, основаны на предположении о том, что количество соединений не является ключевым аспектом NN, а скорее соответствующей связной топологией (Yang and Chen, 2012).

Сравнение обучения коррекции ошибок на основе линейного нейронного декодера

Наша предыдущая работа продемонстрировала модель линейного декодирования взаимосвязи между возбуждением нейронов и кинематическими параметрами (Yang et al., 2016). Нарезанная обратная регрессия (SIR) с обучением с обратной связью (SIR-EF) была реализована на основе линейного нейронного декодера SIR для справедливого сравнения с алгоритмом ECPNN-EF (см. Дополнительное примечание 11). Поскольку ECPNN-EF должен был обрабатывать изменяющиеся условия нейронной записи с течением времени, он обладал большими возможностями обработки, чем линейная модель. SIR-EF не мог справиться с долговременной изменчивостью условий нейронной записи из-за линейных свойств и ограниченной вычислительной сложности.SIR-EF присвоил веса срезам с нейронами, которые имели аналогичный вклад в движение передних конечностей при нажатии на рычаг. Однако вариации в условиях нейронной записи из-за реакции ткани на нейронные имплантаты или микродвижения электродов в течение нескольких дней приводили к вариациям схемы возбуждения (Barrese et al., 2013; Sussillo et al., 2016). Таким образом, производительность декодирования снизилась, потому что веса, рассчитанные с использованием обучающих данных в течение первых 2 дней, не могли предсказать скорость в последующие дни тестирования с другими нейронными условиями.

Обучение коррекции ошибок на основе NN для повышения долговременной стабильности декодирования

Было обнаружено, что функциональное отображение между мгновенной скоростью стрельбы и кинематическими параметрами может изменяться при хронической записи из-за изменений условий нейронной записи (Sussillo et al., 2016). Относительное увеличение среднего значения ECPNN r в тестовый день 3 и тестовый день 5 может свидетельствовать о том, что условия записи, вероятно, имели некоторую схожесть с условиями на этапе обучения.Следовательно, нелинейная модель ECPNN, которая изучила зависящее от времени функциональное отображение из обучающего набора, могла точно декодировать мгновенную скорость стрельбы в кинематические параметры. В этой ситуации обратная связь по ошибке играла вспомогательную роль нейронного декодирования. Значительное уменьшение среднего значения ECPNN r после 5-го дня тестирования может указывать на то, что условия нейронной записи отличались от условий на этапе обучения. Выученное функциональное отображение между мгновенной скоростью стрельбы и кинематическими параметрами было бесполезно для обеспечения стабильности долгосрочной производительности декодирования ECPNN.

Напротив, когда условия нейронной записи изменились после 5-го дня испытаний, обратная связь по ошибке ECPNN-EF ‘предоставила немедленную кинематическую информацию и, таким образом, компенсировала дневные изменения в функциональном отображении между мгновенной скоростью стрельбы и кинематическими параметрами. ECPNN-EF может обеспечить не только более надежное декодирование в течение дня (меньшее SD), но и более надежное декодирование в течение дня (меньшие колебания среднего дневного значения r ), чем у ECPNN. Это продемонстрировало, что использование обратной связи по ошибке в ECPNN-EF улучшило долгосрочную стабильность декодирования, когда были доступны только несколько дней обучающих данных.

  30.07.2013 12:48: 56,550 http-bio-9090-exec-11 WARN danial 768x347x3 danial 10.161.238.121 /rest/plugins/1.0/purchased/available[license.internal.impl.PluginLicenseRepositoryImpl] Неожиданная ошибка при декодировании сохраненной лицензии для 'com.pyxis.greenhopper.jira': com.atlassian.extras.decoder.api.LicenseDecoderNotFoundException: не удалось найти действительные декодеры в [com.atlassian.extras.decoder.v2.Version2LicenseDiscion2 6a961601, com.atlassian.extras.decoder.v1.Version1LicenseDecoder@237ed252] для лицензии строки 
2013-07-30 12:49: 51,637 http-bio-9090-exec-5 WARN danial 769x352x1 danial 10.161.238.121 /rest/plugins/1.0/purchased/update[license.internal.impl.PluginLicenseRepositoryImpl] Неожиданная ошибка декодирования сохраненной лицензии для 'com.pyxis.greenhopper.jira': com.atlassian.extras.decoder.api.LicenseDecoceptionNotFoundFound Не удалось найти допустимые декодеры в [com.atlassian.extras.decoder.v2.Version2LicenseDecoder@6a961601, com.atlassian.extras.decoder.v1.Version1LicenseDecoder@237ed252] для строки лицензии
  

  выберите * из propertyentry, где entity_name = 'GreenHopper';  

  выберите * из propertytext, где id = XXXXX;  

  удалить из propertyentry, где entity_name = 'GreenHopper';  

  удалить из propertytext, где id = ZZZZZ;