Сеть Кохонена с параллельным обучением

Сеть Кохонена с параллельным обучением

Предложена модифицированная сеть Кохонена с алгоритмом поиска нейронов-победителей при параллельном предъявлении нескольких эталонных образов. Достигаемое повышение производительности перспективно в развитии многоядерных многопроцессорных вычислительных систем. Объем обучающей выборки определяется с...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Управляющие системы и машины
Datum:2009
Hauptverfasser: Дяченко, В.А., Михаль, О.Ф., Руденко, О.Г.
Format: Artikel
Sprache:Russian
Veröffentlicht: Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2009
Schlagworte:
Новые методы в информатике
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/82753
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Сеть Кохонена с параллельным обучением / В.А. Дяченко, О.Ф. Михаль, О.Г. Руденко // Управляющие системы и машины. — 2009. — № 5. — С. 14-18. — Бібліогр.: 6 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-82753
record_format dspace
spelling Дяченко, В.А.
Михаль, О.Ф.
Руденко, О.Г.
2015-06-06T18:10:13Z
2015-06-06T18:10:13Z
2009
Сеть Кохонена с параллельным обучением / В.А. Дяченко, О.Ф. Михаль, О.Г. Руденко // Управляющие системы и машины. — 2009. — № 5. — С. 14-18. — Бібліогр.: 6 назв. — рос.
0130-5395
https://nasplib.isofts.kiev.ua/handle/123456789/82753
519.87
Предложена модифицированная сеть Кохонена с алгоритмом поиска нейронов-победителей при параллельном предъявлении нескольких эталонных образов. Достигаемое повышение производительности перспективно в развитии многоядерных многопроцессорных вычислительных систем. Объем обучающей выборки определяется с использованием элементов статистического моделирования.
A modified Kohonen network is suggested with the algorithm of searching for the neuron-winners under the parallel presentation of several master images. The reached increasing of the capacity has the prospects as to the development of multikernel multiprocessor computer systems. The number of training samples is defined by using the elements of statistical modeling.
Запропоновано модифіковану мережу Кохонена з алгоритмом пошуку нейрона-переможця за наявності кількох еталонних образів паралельно. Підвищення продуктивності, що досягається, є перспективним у розвитку багатоядерних багатопроцесорних обчислювальних систем. Обсяг навчальної виборки відшукується з використанням елементів статистичного моделювання.
ru
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
Управляющие системы и машины
Новые методы в информатике
Сеть Кохонена с параллельным обучением
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Сеть Кохонена с параллельным обучением
spellingShingle Сеть Кохонена с параллельным обучением
Дяченко, В.А.
Михаль, О.Ф.
Руденко, О.Г.
Новые методы в информатике
title_short Сеть Кохонена с параллельным обучением
title_full Сеть Кохонена с параллельным обучением
title_fullStr Сеть Кохонена с параллельным обучением
title_full_unstemmed Сеть Кохонена с параллельным обучением
title_sort сеть кохонена с параллельным обучением
author Дяченко, В.А.
Михаль, О.Ф.
Руденко, О.Г.
author_facet Дяченко, В.А.
Михаль, О.Ф.
Руденко, О.Г.
topic Новые методы в информатике
topic_facet Новые методы в информатике
publishDate 2009
language Russian
container_title Управляющие системы и машины
publisher Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
format Article
description Предложена модифицированная сеть Кохонена с алгоритмом поиска нейронов-победителей при параллельном предъявлении нескольких эталонных образов. Достигаемое повышение производительности перспективно в развитии многоядерных многопроцессорных вычислительных систем. Объем обучающей выборки определяется с использованием элементов статистического моделирования. A modified Kohonen network is suggested with the algorithm of searching for the neuron-winners under the parallel presentation of several master images. The reached increasing of the capacity has the prospects as to the development of multikernel multiprocessor computer systems. The number of training samples is defined by using the elements of statistical modeling. Запропоновано модифіковану мережу Кохонена з алгоритмом пошуку нейрона-переможця за наявності кількох еталонних образів паралельно. Підвищення продуктивності, що досягається, є перспективним у розвитку багатоядерних багатопроцесорних обчислювальних систем. Обсяг навчальної виборки відшукується з використанням елементів статистичного моделювання.
issn 0130-5395
url https://nasplib.isofts.kiev.ua/handle/123456789/82753
citation_txt Сеть Кохонена с параллельным обучением / В.А. Дяченко, О.Ф. Михаль, О.Г. Руденко // Управляющие системы и машины. — 2009. — № 5. — С. 14-18. — Бібліогр.: 6 назв. — рос.
work_keys_str_mv AT dâčenkova setʹkohonenasparallelʹnymobučeniem
AT mihalʹof setʹkohonenasparallelʹnymobučeniem
AT rudenkoog setʹkohonenasparallelʹnymobučeniem
first_indexed 2025-11-25T21:07:16Z
last_indexed 2025-11-25T21:07:16Z
_version_ 1850545161653714944
fulltext 14 УСиМ, 2009, № 5 Новые методы в информатике УДК 519.87 В.А. Дяченко, О.Ф. Михаль, О.Г. Руденко Сеть Кохонена с параллельным обучением Предложена модифицированная сеть Кохонена с алгоритмом поиска нейронов-победителей при параллельном предъявлении нескольких эталонных образов. Достигаемое повышение производительности перспективно в развитии многоядерных много- процессорных вычислительных систем. Объем обучающей выборки определяется с использованием элементов статистическо- го моделирования. A modified Kohonen network is suggested with the algorithm of searching for the neuron-winners under the parallel presentation of several master images. The reached increasing of the capacity has the prospects as to the development of multikernel multiprocessor computer systems. The number of training samples is defined by using the elements of statistical modeling. Запропоновано модифіковану мережу Кохонена з алгоритмом пошуку нейрона-переможця за наявності кількох еталонних об- разів паралельно. Підвищення продуктивності, що досягається, є перспективним у розвитку багатоядерних багатопроцесорних обчислювальних систем. Обсяг навчальної виборки відшукується з використанням елементів статистичного моделювання. Введение. Многие задачи распознавания изо- бражений, речевых и других сигналов связаны с необходимостью хранения, обработки и пе- редачи массивов данных, что требует значи- тельных вычислительных ресурсов и времен- ных затрат. Если массивы данных отличаются незначительно, то существенной экономии как вычислительных средств, так и необходимого для решения задачи времени можно достичь, используя сжатие данных или специальные методы их кодирования. При этом данные мо- гут быть разбиты на кластеры – попарно непе- ресекающиеся области – с назначением для каждого из них своего типичного представите- ля (опорного представителя, центра кластера). Эффективность кластерного подхода обуслов- лена возможностью интерпретировать и ви- зуализировать получаемые результаты. Кроме того, кластеризация, как метод исследования, наиболее эффективна на начальных этапах об- работки данных. Группирование данных по- зволяет, в частности, локализовать малодосто- верные данные, с тем, чтобы на последующих этапах, возможно, выявить дополнительные влияющие факторы. Достаточно хорошо раз- работанные методы сжатия данных требуют для своей реализации наличия статистической информации об исследуемых процессах, в ча- стности, плотности распределения. В условиях отсутствия такой информации наиболее целе- сообразным представляется использование ис- кусственных нейронных сетей (ИНС) [1]. Ши- роко распространенным нейросетевым аппара- том кластеризации являются самоорганизую- щиеся карты Кохонена (СК) [2]. Обладая ря- дом несомненных достоинств, СК не лишены и недостатков, один из которых – использование в них последовательной процедуры обучения. Возможность повышения эффективности данной ИНС обусловило появление сосредо- точенных вычислительных систем на однокри- сталльных многоядерных процессорах, реали- зующих парадигму распределенной обработки данных [3], соответствующие прикладные на- правления которой связаны с интенсивным ис- пользованием параллельности обработки [4]. В [5, 6] упрощенно рассмотрены отдельные аспекты адаптивной параллельной процедуры обучения СК, обеспечивающей ряд преиму- ществ в производительности и эффективности обучения в сравнении с классическим вариан- том. В настоящей статье представлены прин- ципы построения СК с распараллеленным обу- чением, удобной к реализации на вычислитель- ной системе с элементами параллельной обра- ботки информации, в частности, на персональ- ном компьютере с многоядерным однокристал- льным процессором. УСиМ, 2009, № 5 15 Классический вариант самоорганизую- щейся карты Кохонена Карты Кохонена – представители ИНС, обу- чаемых без учителя, т.е. не получающих ин- формацию о желаемом выходном сигнале. Са- моорганизующаяся сеть в процессе обучения разбивает предъявляемые входные сигналы на классы, строя соответствующие топологичес- кие карты. Таким образом, СК потенциально реализуют автоматизированные методы выяв- ления новых структур в массивах данных: раз- ведочный анализ данных (распознавание и ус- тановление близости кластеров) и обнаружение новых явлений (распознавание и отнесение дан- ных к конкретным кластерам; если встречается наблюдение, не похожее ни на один из извест- ных образцов, оно не классифицируется, т.е. выявляется его новизна). Обучение карты предусматривает следую- щие циклически повторяющиеся действия: • предъявление векторов эталонных образ- цов (ЭО) параллельно каждому из нейронов рецепторного поля; • формирование по каждому (очередному) ЭО реакций каждого из нейронов; • выявление нейрона-победителя x ∈ A, век- тор весов которого покомпонентно минималь- но удален от вектора предъявляемого ЭО; • корректировку векторов весов нейронов ближнего окружения x с учетом их удаленно- сти и номера шага (k) процесса обучения в со- ответствии с алгоритмом: aij(k+1) = aij(k) + α(k) fij(k) (x(k) – aij(k)), (1) где α(k) ∈ (0, 1] – коэффициент усиления; fij(k) – монотонно убывающая функция fij(k) = f( ri – rj , k) = f(d, k) = f(d, σ); ri, rj – векторы, определяющие положение ней- ронов i и j в решетке; d = ri – rj – принятая мет- рика; σ – параметр расстояния, задающий ве- личину области «соседства» и уменьшающий- ся с течением времени до нуля. Адаптивная параллельная процедура Описанная последовательная процедура обу- чения СК отличается громоздкостью. Выявлен- ный на k-м шаге нейрон-победитель «актуален» только для его ближайшего окружения. Если для (k + 1)-го ЭО, нейрон-победитель будет на- ходиться далеко от предыдущего, процедура корректировки его окружения (1) не повлияет на результаты предыдущего шага обучения. Аналогично, (k + 2)-й шаг обучения может быть таким, что его нейрон-победитель окажется да- леко от предыдущих двух. Следовательно, со- ответствующие ЭО, с точки зрения их реаль- ной одинаковой значимости для процесса обу- чения данной СК, могли бы предъявляться в произвольном порядке. Таким образом, проце- дура (1) с α(k) ∈ (0, 1] и монотонно убывающей функцией fij(k) искажает реальную значимость ЭО для процесса обучения, вводя дополнитель- ную («паразитную», не мотивированную) зави- симость от порядка предъявления ЭО. Следует также отметить, что параллельность ввода и начальной обработки информации ре- цепторным полем СК фундаментально проти- воречат последовательному характеру предъ- явления образов и обучения СК. Снятие дан- ного противоречия посредством модифициро- вания структуры связей и процедуры обучения СК потенциально обеспечивает положитель- ный эффект: повышает скорость обучения, а следовательно, эффективность процесса обу- чения и последующей эксплуатации СК. Соот- ветственно изменяется структура организации информации, приобретаемой и хранимой СК. Следовательно, изменяются и эксплуатацион- ные характеристики СК после обучения. Вариант сокращения продолжительности процедуры обучения СК, включающий рас- параллеливание обработки предложен в [5, 6]. Предъявление ЭО, формирование реакций ней- ронов рецепторного поля и выявление нейро- на-победителя – действия сугубо последова- тельные, поскольку в каждом шаге процедуры обучения по определению может быть единст- венный нейрон-победитель. Несколько иной смысл имеет коррекция векторов весов нейро- нов. После предъявления k-го ЭО победителем является нейрон x(k) ∈ {a11, a12,…, aij,…, amn}; после предъявления (k + 1)-го образца – ней- 16 УСиМ, 2009, № 5 рон x(k + 1). Допустима ситуация непересека- емости их областей корректировки: F(k) ∩ F(k + 1) = ∅; F(k), F(k + 1) ⊂ A; f(k), f(k + 1) > 0. (2) При этом при больших n и m вероятность непустого пересечения мала. Пусть последова- тельно предъявляется g образцов, по каждому из которых определяется свой нейрон-победи- тель, а с учетом (2) их расстановка на множе- стве A такова, что области корректировки F(1), F(2), …, F(g) попарно не пересекаются: F(p) ∩ F(q) = ∅; p, q∈(1,2,...,g); p ≠ q. (3) Подобная ситуация достижима последова- тельным предъявлением произвольных ЭО с изъятием, если очередной предъявленный ЭО не удовлетворяет (3). При этом в каждый цикл из g ЭО подбираются образы, потенциально относящиеся к разным кластерам, т.е. проце- дура разбивки на кластеры дополнительно под- держивается указанным изъятием при предъ- явлении ЭО, реализуемым аналогично «вре- менному откату». Далее для сформированного g-элементного набора нейронов-победителей конструируется суммарная (совокупная, композиционная) функ- ция корректировки fg = f(1) ∪ f(2) ∪ … ∪ f(h) … ∪ f(g) = = min (f(1), f(2),…, f(h),…, f(g)), (4) описывающая степень принадлежности окрест- ных нейронов к соответствующим нейронам- победителям, имеющая g локальных максиму- мов в точках расположения нейронов-победи- телей. C учетом (4) множество нейронов A (рецепторное поле) корректируется за один раз, т.е. для нейронов-победителей процедура корректировки является параллельной. Проце- дура повторяется до исчерпания набора ЭО (рис. 1). Особенность данного подхода состоит в том, что число g задается изначально, по результа- там предварительного вероятностного оцени- вания, индивидуального для конкретной пред- метной ситуации с учетом (2) и (3). При этом в процессе формирования очередного набора ЭО те ЭО, которые не удовлетворяют ситуации, откладываются и предъявляются в следующих циклах обучения. Очевидно, что в каждом из циклов по g предъявлений ЭО амплитудного изменения (коэффициент α(k) в (1)) и измене- ния размеров окрестности, охватываемой fij(k), не требуется, поскольку внутри группы от- дельные нейроны-победители не конкурируют за ближнее окружение. В результате, обучение СК становится менее продолжительным и по- тенциально более эффективным: требуется обу- чающая выборка ЭО меньшего объема либо при фиксированном объеме обучающей выборки ре- зультат тренировки будет более устойчивым при воспроизводимости конфигураций кластеров. Рис. 1. Схема алгоритма обучения модифицированной сети Кохонена Вероятностное оценивание объемов обу- чающей выборки Для вероятностной оценки объемов g набо- ров ЭО целесообразно проведение статистиче- ского моделирования. Рассмотрим случай дву- мерного рецепторного поля размером m×n, с неизменной конфигурацией окрестности ней- рона-победителя (коэффициент fij в (1)), вклю- чающей в себя только четыре ближайших (со- седних) нейрона. В данном варианте допусти- мы три структурно различных вида нейронов: УСиМ, 2009, № 5 17 • угловые (если такой нейрон становится по- бедителем, изменяются весовые значения толь- ко у двух близлежащих нейронов), таких ней- ронов k1 = 4; • краевые (изменяются значения трех близле- жащих нейронов), число таких нейронов линей- но зависит от размеров сети: k2 = 2 (m + n – 4); • центральные (изменяются значения четы- рёх нейронов), их число квадратично зависит от размеров сети: k3 = mn – 2 (m + n – 2). Упрощаем модельную ситуацию: пусть m = n. Тогда k1 = 4; k2 = 4 (n – 2); k3 = n2 – 4 (n – 1). Непосредственным подсчетом находим, что при n ~ 40 величина (k1 + k2) составляет поряд- ка 10% от k3; при n ~ 400 – порядка 1%; при n ~ 4000 – порядка 0,1%, т.е. краевые эффекты сглаживаются только при существенном рас- ширении рецепторного поля. Поэтому возмож- ности упрощения вероятностного оценивания ограничены. Необходимо рассчитать вероятности непе- ресечения областей, которые в первую очередь зависят от того, где расположится нейрон-по- бедитель, так как область возбудившихся ней- ронов может иметь различные размеры. Далее нужно рассчитать количество возможных ва- риантов с первым нейроном-победителем. Этим нейроном может оказаться как угловой, так и краевой и центральный нейроны. Рас- смотрим вероятности для указанных случаев: • угловой нейрон: P = 4/(mn); • краевой нейрон: P = 2 (m + n – 4) / (mn); • центральный нейрон: P = (mn – 2 (m + n – 2) ) / (mn) = =1 – (2 (m + n – 2) / (mn) ). Далее вероятность непересечения может быть рассчитана исходя из того, что надо учитывать местоположение областей уже возбужденных нейронов, т.е. чтобы следующий нейрон-побе- дитель и нейроны, находящиеся возле него, не попадали в такие области. Соответствующие аналитические выражения остаются простыми лишь в предположении малости вероятности непустого пересечения, т.е. для больших ре- цепторных полей. Оценку предельных допус- тимых объемов параллельной обучаемости СК представляется более простым выполнить ме- тодами статистического моделирования, позво- ляющими учесть также конфигурацию рецеп- торного поля (случай m ≠ n). Моделирование позволяет получить наборы статистических оце- нок для вероятностей заданного процента ис- пользования исходного обучающего материала при равномерном двумерном статистическим распределении выпадений нейронов-победите- лей по рецепторному полю СК. Зная указан- ные вероятности и имея данные о выигрыше в производительности модифицированной про- цедуры обучения СК в сравнении с традици- онным вариантом, можно оценить оптималь- ные объемы выборок ЭО. Критерием оптималь- ности может быть, в частности, минимальное время обучения СК. Моделирование реализуется с использовани- ем генераторов случайных чисел, воспроизво- дящих процесс нахождения нейрона-победи- теля. В структурном отношении модель анало- гична алгоритму обучения, приведенному на рис. 1, и дополнена стандартными блоками ста- тистического анализа и документирования ре- зультатов. Укрупненно, моделирование вклю- чает в себя следующие этапы. • Ввод матрицы A рецепторного поля (раз- меров m, n и элементов ai,j, где i ∈ (1, 2,…, m), j ∈ (1, 2,…, n)). • Подсчет количества краевых k2 и цен- тральных k3 нейронов в соответствии с задан- ной размерностью матрицы. • На первом шаге (после предъявления пер- вого образца) количество возможных нейро- нов–победителей равно S = m×n. • Получение нейрона-победителя ai,j после предъявления ЭО. Определение его типа: крае- вой (i ∈ (1, m), j ∉ (1, n) или i ∉ (1, m), j ∈ (1, n)); центральный (i, j ∉ (1, n, m)); угловой (i ∈ (1, m), j ∈ (1, n)). В упрощенном варианте модели ак- тивационная функция изменяет значения весов только нейронов, окружающих нейрон-побе- дитель (ai–1,j–1, ai–1,j, ai–1,j+1, ai,j–1, ai,j+1, ai+1,j–1, ai+1,j, ai+1,j+1). При этом количество изменяемых ней- 18 УСиМ, 2009, № 5 ронов составляет три – для угловых, пять – для краевых и восемь – для центральных. Таким образом, после предъявления каждого образца и определения нейрона-победителя из S вычи- тается количество измененных нейронов, вклю- чая нейрон-победитель. • После предъявления каждого образца, срав- ниваем S с пороговым значением Q. Если S > Q, продолжаем предъявление образцов; если S = Q, – цикл предъявления образцов окончен. Возможен также альтернативный вариант построения модели: многократная генерация ЭО (псевдослучайное задание координат нового нейрона-победителя), провер- ка расхождения его с уже размещенными нейронами- победителями, статистическое оценивание вероятности успешного размещения в зависимости от числа предъ- явленных ЭО. На графиках (рис. 2) представлены результаты моде- лирования для рецепторных полей нейронов. Графики 1, 2,…, 5 соответствуют допустимым расстояниям меж- ду элементами 1, 2,…, 5 единиц. Вероятность P наложе- ния элементов растет с ростом числа N предъявляемых элементов и допустимого расстояния их расположения. Вероятность существенно зависит от размеров рецептор- ного поля: с учетом масштаба, весь массив графиков (б) может быть сжат и помещен в нижнюю строку клеток графика (а). Зависимость вероятности от асимметрии поля (случай m×n, m ≠ n) на данном этапе моделирова- ния не рассматривалась. a б Рис. 2. Вероятность P наложения объектов от номера N предъ- являемого объекта для рецепторных полей размером: а – 20×20 и б – 80×80 Результаты могут быть интерпретированы следующим образом. Согласно, например, графику 3 (рис. 2,б) при восьми последовательных предъявлениях объектов ве- роятность наличия наложения не превышает 3%. Для конкретной программной реализации при известном вы игрыше в производительности процесса обучения (см. рис. 1) в сравнении с традиционным вариантом сети Кохо- нена, на основании результатов моделирования, представ- ленных на рис. 2, могут быть даны конкретные реко- мендации по оптимизации объема обучающей выборки. Критерий оптимальности для заданной конфигурации па- раметров сети Кохонена (формата рецепторного поля, до- пустимого расстояния между элементами и др.) может быть сформулирован, в частности, как максимизация объема фрагмента обучающей выборки (минимизация фрагментированности обучающей выборки) при непре- вышении заданной вероятности наложения элементов. Заключение. Информационная емкость сети Кохо- нена определяется объемом рецепторного поля, с воз- растанием которого существенно растет объем обучаю- щей выборки. Перспективным направлением повышения производительности сети на этапе обучения является предложенный метод параллельного обучения, в кото- ром нахождение нейрона-победителя осуществляется па- раллельно для нескольких эталонных образов – фрагмен- тов обучающей выборки. Однако при этом возникает за- дача оценки оптимальных объемов фрагментов выбор- ки, решаемая средствами статистического моделирования. Предложенный метод параллельного обучения имеет приоритет в свете развития средств распределенной об- работки данных, в частности с использованием много- ядерных и многопроцессорных вычислительных систем. 1. Руденко О.Г., Бодянский Е.В. Основы теории искус- ственных нейроных сетей. – Харьков: ТЕЛЕТЕХ, 2002. – 317 с. 2. Kohonen T. Self-organization and associative memory // Series in Information Sciences. – 1984. – 8. – Berlin: Springer Verlag. 3. Эндрюс Г.Р. Основы многопоточного, параллель- ного и распределённого программирования. – М: Изд. дом «Вильямс», 2003. – 512 с. 4. Михаль О.Ф., Руденко О.Г. Моделирование на сетях Петри виртуального вычислительного устройства для исследования эффективности локально-параллель- ных алгоритмов // УСиМ. – 2003. – № 3. – С. 18–28. 5. Дяченко В.А. Cинтез карт Кохонена c адаптивным параллельным обучением // 12-й Междунар. моло- дежный форум «Радиоэлектроника и молодежь в XXI веке», г. Харьков, ХНУРЭ, 2008. 6. Дяченко В.А. Адаптивная параллельная обработка карт Кохонена. Области корректировки // Мат-лы междунар. науч.-практ. конф. студентов и аспиран- тов «Информационные технологии в экономике и образовании». – М.: Российский ун-т кооперации, 2008. – С. 54–58 Поступила 10.02.2009 E-mail:fuzzy16@pisem.net © В.А. Дяченко, О.Ф. Михаль, О.Г. Руденко, 2009 << /ASCII85EncodePages false /AllowTransparency false /AutoPositionEPSFiles true /AutoRotatePages /None /Binding /Left /CalGrayProfile (Dot Gain 20%) /CalRGBProfile (sRGB IEC61966-2.1) /CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2) /sRGBProfile (sRGB IEC61966-2.1) /CannotEmbedFontPolicy /Error /CompatibilityLevel 1.4 /CompressObjects /Tags /CompressPages true /ConvertImagesToIndexed true /PassThroughJPEGImages true /CreateJobTicket false /DefaultRenderingIntent /Default /DetectBlends true /DetectCurves 0.0000 /ColorConversionStrategy /CMYK /DoThumbnails false /EmbedAllFonts true /EmbedOpenType false /ParseICCProfilesInComments true /EmbedJobOptions true /DSCReportingLevel 0 /EmitDSCWarnings false /EndPage -1 /ImageMemory 1048576 /LockDistillerParams false /MaxSubsetPct 100 /Optimize true /OPM 1 /ParseDSCComments true /ParseDSCCommentsForDocInfo true /PreserveCopyPage true /PreserveDICMYKValues true /PreserveEPSInfo true /PreserveFlatness true /PreserveHalftoneInfo false /PreserveOPIComments true /PreserveOverprintSettings true /StartPage 1 /SubsetFonts true /TransferFunctionInfo /Apply /UCRandBGInfo /Preserve /UsePrologue false /ColorSettingsFile () /AlwaysEmbed [ true ] /NeverEmbed [ true ] /AntiAliasColorImages false /CropColorImages true /ColorImageMinResolution 300 /ColorImageMinResolutionPolicy /OK /DownsampleColorImages true /ColorImageDownsampleType /Bicubic /ColorImageResolution 300 /ColorImageDepth -1 /ColorImageMinDownsampleDepth 1 /ColorImageDownsampleThreshold 1.50000 /EncodeColorImages true /ColorImageFilter /DCTEncode /AutoFilterColorImages true /ColorImageAutoFilterStrategy /JPEG /ColorACSImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /ColorImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /JPEG2000ColorACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000ColorImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasGrayImages false /CropGrayImages true /GrayImageMinResolution 300 /GrayImageMinResolutionPolicy /OK /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageMinDownsampleDepth 2 /GrayImageDownsampleThreshold 1.50000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /GrayImageDict << /QFactor 0.15 /HSamples [1 1 1 1] /VSamples [1 1 1 1] >> /JPEG2000GrayACSImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /JPEG2000GrayImageDict << /TileWidth 256 /TileHeight 256 /Quality 30 >> /AntiAliasMonoImages false /CropMonoImages true /MonoImageMinResolution 1200 /MonoImageMinResolutionPolicy /OK /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1200 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.50000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict << /K -1 >> /AllowPSXObjects false /CheckCompliance [ /None ] /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile () /PDFXOutputConditionIdentifier () /PDFXOutputCondition () /PDFXRegistryName () /PDFXTrapped /False /CreateJDFFile false /Description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> /CHS <FEFF4f7f75288fd94e9b8bbe5b9a521b5efa7684002000410064006f006200650020005000440046002065876863900275284e8e9ad88d2891cf76845370524d53705237300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c676562535f00521b5efa768400200050004400460020658768633002> /CHT <FEFF4f7f752890194e9b8a2d7f6e5efa7acb7684002000410064006f006200650020005000440046002065874ef69069752865bc9ad854c18cea76845370524d5370523786557406300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c4f86958b555f5df25efa7acb76840020005000440046002065874ef63002> /CZE <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> /DAN <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> /DEU <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> /ESP <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> /ETI <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> /FRA <FEFF005500740069006c006900730065007a00200063006500730020006f007000740069006f006e00730020006100660069006e00200064006500200063007200e900650072002000640065007300200064006f00630075006d0065006e00740073002000410064006f00620065002000500044004600200070006f0075007200200075006e00650020007100750061006c0069007400e90020006400270069006d007000720065007300730069006f006e00200070007200e9007000720065007300730065002e0020004c0065007300200064006f00630075006d0065006e00740073002000500044004600200063007200e900e90073002000700065007500760065006e0074002000ea0074007200650020006f007500760065007200740073002000640061006e00730020004100630072006f006200610074002c002000610069006e00730069002000710075002700410064006f00620065002000520065006100640065007200200035002e0030002000650074002000760065007200730069006f006e007300200075006c007400e90072006900650075007200650073002e> /GRE <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a stvaranje Adobe PDF dokumenata najpogodnijih za visokokvalitetni ispis prije tiskanja koristite ove postavke. Stvoreni PDF dokumenti mogu se otvoriti Acrobat i Adobe Reader 5.0 i kasnijim verzijama.) /HUN <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> /ITA <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> /JPN <FEFF9ad854c18cea306a30d730ea30d730ec30b951fa529b7528002000410064006f0062006500200050004400460020658766f8306e4f5c6210306b4f7f75283057307e305930023053306e8a2d5b9a30674f5c62103055308c305f0020005000440046002030d530a130a430eb306f3001004100630072006f0062006100740020304a30883073002000410064006f00620065002000520065006100640065007200200035002e003000204ee5964d3067958b304f30533068304c3067304d307e305930023053306e8a2d5b9a306b306f30d530a930f330c8306e57cb30818fbc307f304c5fc59808306730593002> /KOR <FEFFc7740020c124c815c7440020c0acc6a9d558c5ec0020ace0d488c9c80020c2dcd5d80020c778c1c4c5d00020ac00c7a50020c801d569d55c002000410064006f0062006500200050004400460020bb38c11cb97c0020c791c131d569b2c8b2e4002e0020c774b807ac8c0020c791c131b41c00200050004400460020bb38c11cb2940020004100630072006f0062006100740020bc0f002000410064006f00620065002000520065006100640065007200200035002e00300020c774c0c1c5d0c11c0020c5f40020c2180020c788c2b5b2c8b2e4002e> /LTH <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> /LVI <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> /NLD (Gebruik deze instellingen om Adobe PDF-documenten te maken die zijn geoptimaliseerd voor prepress-afdrukken van hoge kwaliteit. De gemaakte PDF-documenten kunnen worden geopend met Acrobat en Adobe Reader 5.0 en hoger.) /NOR <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> /POL <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> /PTB <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> /RUM <FEFF005500740069006c0069007a00610163006900200061006300650073007400650020007300650074010300720069002000700065006e007400720075002000610020006300720065006100200064006f00630075006d0065006e00740065002000410064006f006200650020005000440046002000610064006500630076006100740065002000700065006e0074007200750020007400690070010300720069007200650061002000700072006500700072006500730073002000640065002000630061006c006900740061007400650020007300750070006500720069006f006100720103002e002000200044006f00630075006d0065006e00740065006c00650020005000440046002000630072006500610074006500200070006f00740020006600690020006400650073006300680069007300650020006300750020004100630072006f006200610074002c002000410064006f00620065002000520065006100640065007200200035002e00300020015f00690020007600650072007300690075006e0069006c006500200075006c0074006500720069006f006100720065002e> /RUS <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> /SKY <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> /SLV <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> /SUO <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> /SVE <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> /TUR <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> /UKR <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> /ENU (Use these settings to create Adobe PDF documents best suited for high-quality prepress printing. Created PDF documents can be opened with Acrobat and Adobe Reader 5.0 and later.) >> /Namespace [ (Adobe) (Common) (1.0) ] /OtherNamespaces [ << /AsReaderSpreads false /CropImagesToFrames true /ErrorControl /WarnAndContinue /FlattenerIgnoreSpreadOverrides false /IncludeGuidesGrids false /IncludeNonPrinting false /IncludeSlug false /Namespace [ (Adobe) (InDesign) (4.0) ] /OmitPlacedBitmaps false /OmitPlacedEPS false /OmitPlacedPDF false /SimulateOverprint /Legacy >> << /AddBleedMarks false /AddColorBars false /AddCropMarks false /AddPageInfo false /AddRegMarks false /ConvertColors /ConvertToCMYK /DestinationProfileName () /DestinationProfileSelector /DocumentCMYK /Downsample16BitImages true /FlattenerPreset << /PresetSelector /MediumResolution >> /FormElements false /GenerateStructure false /IncludeBookmarks false /IncludeHyperlinks false /IncludeInteractive false /IncludeLayers false /IncludeProfiles false /MultimediaHandling /UseObjectSettings /Namespace [ (Adobe) (CreativeSuite) (2.0) ] /PDFXOutputIntentProfileSelector /DocumentCMYK /PreserveEditing true /UntaggedCMYKHandling /LeaveUntagged /UntaggedRGBHandling /UseDocumentProfile /UseDocumentBleed false >> ] >> setdistillerparams << /HWResolution [2400 2400] /PageSize [612.000 792.000] >> setpagedevice

Ähnliche Einträge