SANTRAUKA Magistro darbo tema „Nusikaltimai žmogaus gyvybei ir kaltininko asmenybė“. Nusikaltimai žmogaus gyvybei – tai viena iš nusikaltimų žmogui rūšių, už kuriuos baudžiamoji atsakomybė numatyta Lietuvos Respublikos baudžiamojo kodekso Specialiosios dalies XVII skyriuje. Šiais nusikaltimais yra kėsinamasi į svarbiausią asmens teisinę vertybę – jo gyvybę. Magistro darbo objektas – nusikaltimai žmogaus gyvybei ir paties kaltininko asmenybė. Pagrindinis darbo tikslas – atskleisti žmogaus gyvybės apsaugos baudžiamosios teisės priemonėmis esmę ir parodyti pagrindines kaltininko asmenybės savybes. Magistro darbe trumpai pateikiama įstatymų, reglamentuojančių baudžiamąją atsakomybę už nusikaltimus žmogaus gyvybei, raida; atskleista nusikaltimų žmogaus gyvybei samprata ir jų sudėties požymių analizė. Neįmanoma išsiaiškinti padaryto nusikaltimo esmės, neanalizuojant asmenybės to asmens, kuris padarė tą nusikaltimą. Kaltininko asmenybės bruožų charakteristikoje analizuojami: 1) socialiniai – demografiniai ir 2) kriminaliniai – teisiniai asmenybės bruožai; 3) dorovinės kaltininko asmenybės savybės; 4) psichologiniai kaltininko asmenybės ypatumai. Ši analizė siejama su statistiniais duomenimis, kurie atskleidžia kokie asmenys padarė nusikaltimus žmogaus gyvybei per statistinius metus (lytis, pilietybė, amžius, išsilavinimas, užimtumas, neblaivumas ir pan.) bei aptariami psichologiniai kaltininko asmenybės ypatumai: agresyvumas, valingumas, emocijos ir kt. Greta analizės išnagrinėta ir... [toliau žr. visą tekstą] / SUMMARY The theme of this job - ,, The crimes danger to person life and own causer‘s personality. The crimes imminence to person life is one of the crime‘s sort, where criminal responsibility is described in the Criminal Code of Lithuanian Republic in the XVII chapter. These crimes encroach on person‘s the most important right to live. The subject of this job - the crimes danger to person life and own causer‘s personality. The purpose of this job – to show the juridical implements, which protected the person‘s rights and the main causer‘s features of his own personality. There are shortly decribed the law processes, wich are regulating the crime‘s danger to person life and unclosed the conception about people life, their features analysis. It is impossible to see crimes purport, if you don‘t analyse own causer‘s personality, either it is a trutful notion, that causer‘s personality isn‘t dissociative of done crime heaviness. In this job there are analysed the features of causer‘s individuality: 1) social -demographis; 2) criminal-juridical ; 3) moral; 4) psychological features. This analysis is asociate with statistical facts, wich shows the person‘s rating, who has made hard crimes through the year (assess sex, age, nationality, education, employment, insobriety and etc.) and there are given the psychological features of causer‘s individuality: voluntary, individuality, emotions and etc. Herewith near the analysis there are given the social environment‘s influence to causer‘s... [to full text]

Požymis – tai savitas, charakteringas sistemos atributas. FODA (angl. Feature Orented Domain Analysis) požymius apibūdina kaip žinomas, savitas bei vartotojui matomas sistemos charakteristikas, tuo tarpu funkcijos, objektai ir aspektai yra naudojami apibūdinti vidines sistemos detales. Požymių modeliavimas susitelkia ties labai matomų išorinių produkto charakteristikų apibūdinimu, kalbant apie produkto bendrumą bei variantiškumą, o ne apie detalų sistemos apibūdinimą. Požymių modeliavimo rezultatas yra požymių diagramos. Tai yra grafinė kalba naudojama atvaizduoti bei modeliuoti sistemos arba komponento variantiškumus aukštesniame abstrakcijos lygyje, daţniausiai pradiniuose projektavimo lygiuose, tokiuose kaip reikalavimų specifikavime kuriant programinę įrangą. Šiame darbe atliekamas programų sistemų variantiškumo modelių aprašytų požymių diagramomis tyrimas specifikavimo, sintaksės validavimo, sudėtingumo įvertinimo ir konfigūravimo aspektais. Darbe aprašomas autoriaus (bendraautorius: P. Žaliaduonis) sukurtas požymių modeliavimo įrankis leidžia vartotojui specifikuoti, modeliuoti, validuoti, įvertinti ir dokumentuoti programų sistemos produktų linijos požymių variantiškumo modelius. / Feature Modeling is a domain modeling technique used in software product line development and generative software engineering that addresses the development of reusable software. A feature model defines common and variable elements of a family of software systems or products of a product line – the domain. It can be used to derive members of the system family built from a common set of reusable assets. The concept of product line, if applied systematically, allows for the dramatic increase of software design quality, productivity, provides a capability for mass customization and leads to the „industrial‟ software design. In this work, the author describes the way of product line variability specification using feature diagrams. The presented approach deals with specification of feature model elements, syntax validation, complexity evaluation and feature diagram configuration aspects. The developed software, described in this thesis, allows the user to specify features, design, validate, evaluate and document system product line variability models.

Programų sistemų kūrimas, kai yra daug užsakovų, kurių reikalavimai skiriasi, yra sudėtingas procesas ir reikalauja aprašyti galimus programų sistemos variantus. Programų variantiškumui aprašyti naudojami kuriamos sistemos požymių modeliai. Sistemos požymių modeliavimas yra svarbus variantiškumo aprašymo metodas. Sistemos požymių variantiškumo modeliai aprašo aibę programų sistemų, kurios dar vadinamos programų sistemų linija. Programų sistemų linija yra eilė panašių programų kurios dalinasi bendrais atributais. Tiksliau apibūdinti programų sistemų linijai yra nustatomi sistemų atributai ir jų tarpusavio sąryšiai, jie yra pavaizduojami požymių diagramose. Požymis tai savitas, charakteringas sistemos atributas, kuris nusako matomus sistemos atributus, tačiau nesigilina į detalų sistemos apibūdinimą. Greitam ir kokybiškam programų sistemos variantiškumo modeliavimui reikalingas geras įrankis. Tam skirtas požymių diagramų modeliavimo įrankis, nes sukurti požymių modeliai yra informatyvūs ir gali lengvai perteikti sistemos variantiškumo informaciją. Tačiau programų sistemos požymių diagrama neturi techninės informacijos, kuri yra reikalinga programos kūrimui. Ši informacija yra saugoma UML modeliuose. Programos UML modelį galima išplėsti variantiškumo informacija, papildant jį sistemos požymių modelio informacija. Magistrinio projekto metu buvo sukurtas įrankis (FD2), kuris įgyvendina požymių diagramos susiejimą su UML klasių diagrama. Magistriniame darbe tiriamas sistemų... [toliau žr. visą tekstą] / Feature modeling is important approach to deal system variability at higher abstraction level. Variability models define the variability of a software product line. Unfortunately, it is not integrated into a modeling framework like the Unified Modeling Language (UML). To use it in conjunction with UML, it is important to integrate feature modeling into UML. This thesis describes the way how feature variability models can be linked with existing UML models and how it is done in the feature modeling tool FD2. The feature modeling tool is described and the complete example provided. Chapter 2 discusses the way of Feature model integration with UML model. Chapter 3 describes the implementation of FD2 tool. Chapter 4 discusses the advantages and disadvantages of FD2 tool. Chapter 5 provides examples and discusses their results. In conclusion this thesis propose feature modeling integration with UML modeling, discusses the program developed during master project, provides 2 examples and discusses their results, points out some issues requiring further work.

Šiame darbe pasiūlytas algoritmas, gebantis spręsti dviejų klasių problemą bei pasitelkiant tik tekstinį turinį skirtas analizuoti ir klasifikuoti tokius daugialypės terpės dokumentus kaip HTML puslapiai. Taip pat Mozilla Firefox įskiepio pagrindu sukurtas turinio filtras, klasifikuojantis pagal darbe pasiūlytą klasifikavimo algoritmą. Klasifikatoriui apmokyti pasitelktas PHP programavimo kalba realizuotas tiesinis atraminių vektorių algoritmas (SVM). Pagrindinės realizuoto turinio filtro savybės, išskiriančios jį iš daugumos rinkoje esančių analogiškų įrankių, tai galimybė klasifikuoti dar algoritmui nežinomus interneto puslapius bei priklausomai nuo parametrų blokuoti tik dalį arba visą internetinį dokumentą. / An algorithm, able to solve two class problem, designed to analyse and classify multimedia documents such as HTML pages by using textual content, is suggested in the paper. Moreover, content filter based on Mozilla Firefox extension was developed to classify web pages according to the algorithm. Linear support vector machine (SVM) was developed using PHP programming language in order to train the classifier. The main advantage of the content filter we developed which distinguishes it from other analogical tools existing in the market is its ability to classify web pages unfamiliar to the algorithm and to block a part or entire web document depending on setup.

Magistro darbo tikslas yra tarpusavyje palyginti klasifikavimui skirtų požymių mažinimo metodus, kurie turimą požymių aibę transformuoja į mažesnės eilės aibę. Duomenų klasifikavimo kokybė transformuotoje požymių erdvėje turi nenukentėti. Eksperimentams naudotos keturios realių duomenų bazės. Kiekvienai duomenų bazei tikrinama hipotezė apie vidutinių reikšmių lygybę, t.y. lyginamos dvi skirtingos vidutinės klasifikavimo klaidos ir nuspręsta ar jos yra panašios, ar skirtingos, naudojant Stjudento (t) testą. Tam, kad tai patikrinti bus skaičiuojama T statistika. Pirmą kartą duomenų požymių atrinkimui panaudotas neraiškaus integralo metodas su pilnuoju matu. Visi gauti eksperimentų rezultatai pateikti paveiksluose ir apibendrinti lentelėse. Magistrinio darbo išvadose pateiktas trumpas gautų rezultatų aprašymas. / The process of finding features that meet the given constrains out of a large group of features is called feature reduction. The reduction concept can be divided into feature selection and feature extraction techniques. The feature selection approach selects the independent features that provide sufficient information for a satisfactory separation between the different situations we want to discriminate. The physical values of selected features remain unchanged. The redundancy of features might be identified by a feature clustering and selection algorithm or we might remove features with the highest correlation. The algorithm removes similar features. This implies a faster training of consequent classifiers on reduced feature space. The feature extraction method works in opposite. Hereby, the features are projected onto a set of reduced feature space by some transformation function. The features in transformed space are no longer representing the same physical meaning as in original space. The transformation function is an analytical function and the challenge is to find representative and informative transformation for the given feature set. Very well known techniques are: the principal components analysis (PCA) and dimensionality reduction by auto-associative mapping using MLP neural. Four methods for features space reduction were analyzed in this work. All these methods have been used with four publicly available databases and applied to very well known k-nearest neighbor... [to full text]

Elektronikos inžinerijos magistro darbo tema yra aktuali įvairiose šiuolaikinėse moderniųjų technologijų vystymosi ir pritaikymo srityse. Kompiuterinė rega siekia kurti algoritmus, kurie vis tobuliau leistų mašinoms atkartoti žmogaus vieną svarbiausių jutimų – regą, gebėjimą apdoroti vaizdinę informaciją, suprasti jos turinį. Šiuolaikinių atpažinimo modelių metodai yra požymiais grįsti algoritmai. Šiame darbe žmonių atpažinimui vaizde pasirinktas orientuotų gradientų histogramų (HOG) metodas. Išanalizuotas HOG metodo veikimo principas, apžvelgti kiti šio metodo pagrindu veikiantys metodai. / The theme of Master project of Electronics engineer is actual in various modern high – tech development and application domains. Computer vision develops algorithms to make machines more advanced to replicate one of the most important human senses – sight, the ability to process visual information, understand its contents. Modern methods of detection models are based on the features of algorithms. The histogram of oriented gradients (HOG) method performs the identification of people at a picture. We analyzed the principle of operating of HOG method and also took overview of few other operating methods based on HOG.

Rykštenės (Solidago L.) gentis, priklausanti astrinių (Asteraceae Dumort.) šeimai, apima apie 100 rūšių, daugiausiai paplitusių Šiaurės Amerikoje. Tik kelios genties rūšys paplitusios kituose žemynuose. Lietuvoje yra trys svetimžemės rykštenių rūšys: kanadinė (S. canadensis L.), aukštoji (S. altissima L.) ir vėlyvoji (S. gigantea Ait.). Darbo tikslas – nustatyti svetimžemių rykštenės genties augalų įvairovę Lietuvoje ir įvertinti rūšių morfologinių požymių variaciją populiacijose. Darbo uždaviniai: 1. Nustatyti rykštenės genties rūšių įvairovę ir paplitimą Lietuvoje; 2. Ištirti rykštenių populiacijų tankumą ir sudėtį; 3. Įvertinti rykštenių morfologinių požymių variaciją populiacijose; 4. Nustatyti svetimžemių rykštenių rūšių patikimiausius skiriamuosius morfologinius požymius. / The genus goldenrod (Solidago L.), belonging to the Asteraceae Dumort. family, includes about 100 species distributed mainly in North America. A few af species are distributed in other continents. Three alien species of this genus are registered in Lithuania: Solidago canadensis L., S. altissima L. and S. gigantea Ait. The aim of the investigation was to evaluate diversity of alien Solidago species in Lithuania and to estimate variation of morphological characteristics in their populations. Following tasks were formulated: (1) to estimate diversity and distribution of Solidago species in Lithuania; (2) to investigate density and structure of populations; (3) to reveal variabilityy of morphological characters in populations; (4) to reveal the most reliable diagnostic features for species identification.

In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text] / Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA.

Daugelis praktiškai reikšmingu sistemu mokymo uždaviniu reikalauja gebeti panaudoti didelio matavimo, strukturizuotus, netiesinius duomenis. Vaizdu, teksto, socialiniu bei verslo ryšiu analize, ivairus bioinformatikos uždaviniai galetu buti tokiu uždaviniu pavyzdžiais. Todel požymiu išskyrimas dažnai yra pirmasis žingsnis, kuriuo pradedama duomenu analize ir nuo kurio priklauso galutinio rezultato sekme. Šio disertacinio darbo tyrimo objektas yra požymiu išskyrimo algoritmai, besiremiantys priklausomumo savoka. Darbe nagrinejamas priklausomumas, nusakytas kovariacinio operatoriaus Hilberto-Šmidto normos (HSIC mato) branduoliniu ivertiniu. Pasiulyti šiuo ivertiniu besiremiantys HBFE ir HSCA algoritmai leidžia dirbti su bet kokios strukturos duomenimis, bei yra formuluojami tikriniu vektoriu terminais (tai leidžia optimizavimui naudoti standartinius paketus), bei taikytini ne tik prižiurimo, bet ir dalinai prižiurimo mokymo imtims. Pastaruoju atveju HBFE ir HSCA modifikacijos remiasi Laplaso reguliarizacija. Eksperimentais su klasifikavimo bei daugiažymio klasifikavimo duomenimis parodyta, jog pasiulyti algoritmai leidžia pagerinti klasifikavimo efektyvuma lyginant su PCA ar LDA. / In many important real world applications the initial representation of the data is inconvenient, or even prohibitive for further analysis. For example, in image analysis, text analysis and computational genetics high-dimensional, massive, structural, incomplete, and noisy data sets are common. Therefore, feature extraction, or revelation of informative features from the raw data is one of fundamental machine learning problems. Efficient feature extraction helps to understand data and the process that generates it, reduce costs for future measurements and data analysis. The representation of the structured data as a compact set of informative numeric features allows applying well studied machine learning techniques instead of developing new ones.. The dissertation focuses on supervised and semi-supervised feature extraction methods, which optimize the dependence structure of features. The dependence is measured using the kernel estimator of Hilbert-Schmidt norm of covariance operator (HSIC measure). Two dependence structures are investigated: in the first case we seek features which maximize the dependence on the dependent variable, and in the second one, we additionally minimize the mutual dependence of features. Linear and kernel formulations of HBFE and HSCA are provided. Using Laplacian regularization framework we construct semi-supervised variants of HBFE and HSCA. Suggested algorithms were investigated experimentally using conventional and multilabel classification data... [to full text]

The research is dealing with the problem of choosing right statistical criteria in order to analyze the concrete educological research information and to interpret the received results. The practical value of the research’s results could be described as: 1- the exact evaluation of the real situation, by researching the effectiveness of use of educational computer means at the lessons of mathematics, with the help of hypothesises; 2- the statistical criteria received at the time of the research can be used at the concrete future researches.