Классификатор разрешенного использования: Утвержден новый классификатор видов разрешенного использования земельных участков

Содержание

Минэкономразвития России скорректировало Классификатор видов разрешенного использования земельных участков

С 8 апреля увеличится число видов разрешенного использования земельных участков Минэкономразвития России скорректировало Классификатор видов разрешенного использования земельных участков.

Так, уточнены описание и детализация отдельных видов разрешенного использования земельных участков в составе укрупненных видов «Жилая застройка», «Общественное использование объектов капитального строительства», «Предпринимательство» и «Отдых (рекреация)».

С 8 апреля использование земельных участков для ИЖС будет предполагать размещение жилого дома (отдельно стоящего здания с не более чем тремя надземными этажами, высотой не более 20 метров, состоящего из комнат и помещений вспомогательного использования, используемых для удовлетворения гражданами бытовых и иных нужд, связанных с их проживанием в таком здании, не предназначенного для раздела на самостоятельные объекты недвижимости). Сейчас речь идет о размещении индивидуального жилого дома (дома, пригодного для постоянного проживания, не выше трех надземных этажей) (п. 2.1 Классификатора). Причем будет исключено выращивание на них плодовых, ягодных, овощных, бахчевых или иных декоративных культур с сохранением сельскохозяйственных культур (приказ Минэкономразвития России от 4 февраля 2019 г. № 44 «О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. № 540»). Использование земельных участков для ИЖС будет исключено для подсобных сооружений, сохранится для индивидуальных гаражей, но станет возможным для хозяйственных построек.

Также появятся отдельные коды для размещения зданий, обеспечивающих коммунальные услуги, домов престарелых, детских домов, ночлежек, общежитий, моргов, музеев и т. д., подробную информацию можно узнать на http://www.garant.ru/news/1265887/

Кадастровая палата по Москве сообщает об изменении классификатора видов разрешенного использования земельных участков

8 апреля вступил в силу приказ Минэкономразвития России
от 04.02.2019 № 44 «О внесении изменений в классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 1 сентября 2014 г. № 540» (далее – Приказ).

Документ разработан в целях уточнения и детализации видов разрешенного использования земельных участков, устранения сложностей при определении видов разрешенного использования земельных участков для градостроительных регламентов территориальных зон при осуществлении градостроительного зонирования, при выборе вида разрешенного использования конкретного земельного участка.

В соответствии с Приказом использование земельных участков для индивидуального жилищного строительства (ИЖС) предполагает размещение жилого дома — отдельно стоящего здания с количеством надземных этажей не более чем три, высотой не более 20 метров, состоящего из комнат и помещений вспомогательного использования, используемых для удовлетворения гражданами бытовых и иных нужд, связанных с их проживанием в таком здании, не предназначенного для раздела на самостоятельные объекты недвижимости, а также выращивания сельскохозяйственных культур и размещение индивидуальных гаражей, хозяйственных построек.

Из классификатора видов разрешенного использования земельных участков Приказом убрали некоторые уточнения.
В частности для земель, предназначенных для ведения садоводства
с выращиванием сельскохозяйственных культур для собственных нужд, больше не содержатся уточнения — «плодовых, ягодных, овощных, бахчевых или иных декоративных», что не накладывает ограничений или запрет на их выращивание.

Также, добавлены отдельные коды видов разрешенного использования для размещения зданий, обеспечивающих коммунальные услуги, домов престарелых, детских домов, общежитий, музеев и т. д., в частности:

— предоставление коммунальных услуг;

— административные здания организаций, обеспечивающих предоставление коммунальных услуг;

— дома социального обслуживания;

— оказание социальной помощи населению;

— оказание услуг связи;

— общежития;

— медицинские организации особого назначения.

Приказ уточняет характеристики жилого дома
и расширяет возможности использования земельных участков.

Расширение перечня видов разрешенного использования земельных участков в свою очередь позволяет собственнику выбрать вид, наиболее соответствующий фактическому использованию,
что может положительно отразиться на величине кадастровой стоимости и минимизирует риски наложения штрафов за нецелевое использование участка.

Застройщики продолжают спорить с налоговиками из-за видов деятельности на участках земли

С 1 марта этого года они сменились новым классификатором, обязательным к применению на всей территории России (приказ Минэкономразвития от 1.09.2014 № 540 «Об утверждении классификатора видов разрешенного использования земельных участков»).

Казалось бы, унификация и упорядочивание видов деятельности на земельном участке путем введения единой терминологии с четко определенным содержанием должны снять проблемы для застройщиков и собственников недвижимости. Классификатор разделяет земельные участки на 12 групп (сельскохозяйственное использование, жилая застройка, предпринимательство и т. д.), содержащих 81 вид разрешенного использования.

Положительный эффект

До принятия единого классификатора, например, под «малоэтажной застройкой» могло пониматься как индивидуальное жилищное строительство, так и возведение жилых зданий высотой до пяти этажей. Не было очевидно, какой точно перечень объектов капитального строительства может располагаться на участках с видом «занимаемый нежилыми зданиями и прилегающей территорией», «для размещения объектов коммунального назначения» или «дворовые постройки (мастерские, сараи, теплицы, бани и проч.)». Государственные органы зачастую неверно относили земельный участок к той или иной группе видов разрешенного использования, предусмотренных приказом Минэкономразвития № 39 и используемых для расчета кадастровой стоимости земли, что сказывалось на установлении неверного и, как правило, повышенного ее размера, определяющего и размер земельного налога. Подобного рода проблемы приходилось решать в судебном порядке. Не сильно помогала существующая до принятия классификатора позиция ВАС РФ, изложенная в постановлении президиума от 15.12.2011 № 12651/11, в соответствии с которой определение вида разрешенного использования, неоднозначно сформулированного в правоустанавливающих документах, должно осуществляться с учетом правового зонирования территории, вида деятельности, для которого земельный участок был ранее предоставлен и фактически осуществляемого владельцем участка, а также назначения объектов недвижимости, расположенных на этом участке (приказ Минэкономразвития России от 1.09.2014 № 540 «Об утверждении классификатора видов разрешенного использования земельных участков»).

Предполагается, что новый классификатор, вводя единую терминологию, устранит проблемы двоякого толкования содержания, с чем в общем он справился и даже более: некоторые нововведения должны порадовать застройщиков. Например, законодательно установлен новый вид использования «размещение объекта», который включает в себя как строительство, так и последующую эксплуатацию построенного, и заинтересованным лицам не придется проходить процедуру изменения вида разрешенного использования после окончания строительства. Не потребуется устанавливать для участка такие вспомогательные виды использования, как «для размещения и эксплуатации линейных объектов» (это, например, водопровод, линии связи, электропередачи) или «для размещения гаражей/паркингов», поскольку каждый вид предусматривает возможность их размещения. Для строительства таунхаусов в классификаторе предусмотрен отдельный вид использования – «совмещенное малоэтажное жилье».

Неоднозначные нововведения

Вместе с тем структура классификатора и некоторые формулировки видов использования вызывают больше недоумения, нежели устраняют неточности и навряд ли будут применимы на практике.

Например, установлен закрытый перечень объектов, которые могут быть размещены на земельном участке с видом использования «развлечения». Но виды развлекательных сооружений не ограничиваются танцевальными площадками, ночными клубами, аквапарками, боулингом, аттракционами, ипподромами, игровыми автоматами или игровыми площадками. Достаточно распространен на практике бильярд или пейнтбол, которые не включаются ни в одну из категорий. Надеемся, что практика пойдет по пути расширительного толкования указанного перечня.

Или классификатор выделает «передвижное жилье», предполагающее размещение сооружений, пригодных к использованию в качестве жилья (палаточные городки, кемпинги, жилые вагончики, жилые прицепы), с возможностью подключения названных сооружений к инженерным сетям. Возникают сомнения, что данный вид будет востребован землепользователями в качестве основного. Кстати, под этот вид не подпадают и дебаркадеры, предназначенные лишь для перегрузки (выгрузки или погрузки) грузов и пассажиров, а не для использования платформ в качестве жилья, временного или постоянного.

Подробная классификация разрешенного использования участков сельскохозяйственного и рекреационного назначения и точность в их содержании вряд ли являются оправданными. Сомневаемся, что владелец будет использовать землю, например, только для «природно-познавательного туризма», не включая рыбалку и охоту. Скорее землепользователи будут выбирать общий вид «отдых (рекреация)».

Несмотря на обязательное применение классификатора с момента его вступления в силу 1 марта 2015 г., не отменено и не изменено положение статьи 37 Земельного кодекса РФ, согласно которому виды разрешенного использования устанавливаются и изменяются в соответствии с градостроительным регламентом как составной частью правил землепользования и застройки (ПЗЗ). Последние должны быть приведены в соответствие с классификатором до 2020 г.

Какой же документ – градостроительный регламент в составе ПЗЗ или новый классификатор – имеет приоритет на ближайшие пять лет? Ведь неверное определение вида использования не позволит осуществить кадастровый учет земельного участка. На наш взгляд, несмотря на наличие ПЗЗ, которые могут действовать в старой редакции до 2020 г., новый вид разрешенного использования лучше выбирать в соответствии с новым классификатором, чтобы избежать споров, плавно перетекающих в судебные процессы, в дальнейшем.

На данный момент суды осторожно подходят к разрешению вопросов, связанных с соотношением вида, предусмотренного в классификаторе, и указанного в сведениях кадастра недвижимости, и признают законными формулировки вида использования, содержащиеся в правоустанавливающих документах до принятия классификатора. Или указывают на тождественность по существу видов, несмотря на разницу в формулировках. Например, не является разночтением вид «в целях многоэтажного жилищного строительства» и вид «для размещения жилого дома».

Автор – старший юрист практики разрешения споров юридической компании Rightmark Group

НОВЫЙ КЛАССИФИКАТОР ВИДОВ РАЗРЕШЕННОГО ИСПОЛЬЗОВАНИЯ ЗЕМЕЛЬНЫХ УЧАСТКОВ

Управление Росреестра по Волгоградской области информирует землепользователей об изменении существующего порядка законодательного регулирования видов разрешенного использования земельных участков. В соответствии со статьей 7 Земельного кодекса Российской Федерации земли используются в соответствии с установленным для них целевым назначением. Правовой режим земель определяется исходя из их принадлежности к той или иной категории и разрешенного использования. Виды разрешенного использования земельных участков определяются в соответствии с классификатором, утвержденным федеральным органом исполнительной власти, осуществляющим функции по выработке государственной политики и нормативно-правовому регулированию в сфере земельных отношений. До недавнего времени таким классификатором был Классификатор видов разрешенного использования земельных участков, утвержденный приказом Минэкономразвития России от 01.09.2014 № 540 С 5 апреля 2021 года вступил в силу новый Классификатор видов разрешенного использования земельных участков, утвержденный приказом Росреестра от 10.11.2020 № П/0412, которым установлены возможные способы использования земельного участка в соответствии с установленным для него видом разрешенного использования. Обращаем внимание землепользователей, что статьей 42 Земельного кодекса Российской Федерации на собственников земельных участков и иных землепользователей возложена обязанность использовать земельные участки в соответствии с их целевым назначением, описанным в правоустанавливающих документах. Осуществление хозяйственной деятельности, не предусмотренной категорией земель или видом разрешенного использования земельного участка, на всем земельном участке или на части участка является основанием для проведения проверки и привлечения правообладателя участка к административной ответственности по части 1 статьи 8.8 Кодекса Российской Федерации об административных правонарушениях за нецелевое использование земельного участка.

Установить вид разрешенного использования (ВРИ), соответствующий Классификатору, или изменить ВРИ

« Назад Установить вид разрешенного использования (ВРИ), соответствующий Классификатору, или изменить ВРИ
 30.01.2021 20:06


#repost @nataliaadigamova #ИмуществоВДеталях: Установить вид разрешенного использования (ВРИ), соответствующий Классификатору, или изменить ВРИ
⠀⠀⠀⠀
Разъясню, в чем разница⠀⠀
В 2014 г. Приказом Минэкономразвития РФ N540 утвержден Классификатор видов разрешенного использования зем. участков. Данным документом установлены наименования ВРИ, которые стали применяться к вновьобразованным участкам. Зем.участки, образованные до принятия этого документа, как правило, имеют иные ВРИ, не соответствующие Классификатору по формулировкам. ⠀⠀⠀
⠀⠀⠀⠀
Установление соответствия действующему Классификатору ВРИ- процедура приведения наименования существующего ВРИ к одному из видов действующего Классификатора, идентичному по содержанию. ⠀

Осуществляется по желанию правообладателя.⠀⠀

Может понадобиться для получения разрешительных документов на строительство.⠀⠀
⠀⠀⠀⠀
Н-р, в старых документах был ВРИ участка «под строительство дома». Сейчас такого ВРИ нет. Однако, есть идентичный ему — «для индивидуального жилищного строительства». Сюда же можно отнести ситуации, когда в старых документах ВРИ-«для строительства магазина». Тут можно установить соответствующее ВРИ «магазины».⠀

Для того, чтобы привести документы в порядок, нужно через РПГУ обратиться за госуслугой «Установление соответствия вида разрешенного использования земельных участков классификатору ВРИ земельных участков». Услугу предоставляют органы местного самоуправления, бесплатно. ⠀⠀⠀⠀
⠀⠀⠀⠀
А вот изменение ВРИ-это процедура, когда целевое назначение (ВРИ) существенно меняется. ⠀

Н-р, был ВРИ «для строительства автозаправочного комплекса», а вы хотите изменить его на «магазины», либо «под магазин» изменить на «хранение автотранспорта», либо вид «под бытовое обслуживание»-на «склады». В этих случаях назначение земли меняется кардинально, и собственнику нужно обращаться в Росреестр. ⠀

⚡️ Изменить ВРИ можно только в случае, когда испрашиваемый вид есть в утвержденных Правилах землепользования и застройки (ПЗЗ), и площадь участка соответствует установленным градостр.параметрам (предельные макс./мин. размеры ЗУ).

⠀⠀⠀⠀
изменение ВРИ участка на вид, подразумевающий жилищное строительство, требует платы


 

Выездное обслуживание временно приостановлено до нормализации

эпидемиологической обстановки

 

Выездное обслуживание

 

осуществляется приём по предварительной записи по телефону: 8 (800) 550-50-30

 

ТОСП (Слобода)
Понедельник 09:00-17:45
Перерыв 13:00-14:00
Вт-Вс Выходной
   
ТОСП (Зубово)
Вторник 09:00-17:45
Перерыв 13:00-14:00
Ср-Пн Выходной
   
ТОСП (Нудоль)
Пятница 08:30-17:00
Перерыв 13:00-13:30
Сб-Чт Выходной
   

Часы работы

Уважаемые заявители!

Уточняйте по телефону горячей линии:

122 или 8 (800) 550-50-30 доб. 3-52212

 

*Единый номер 122 создан для централизации звонков в контакт-центры субъектов Российской Федерации. Принцип работы данного номера устроен таким образом, что соединение абонента происходит с оператором службы того региона, на территории которого производится вызов.
Абоненты, находящиеся на территории Московской области, позвонившие на номер 122, автоматически переключаются на единый контакт-центр Московской области.


Центр (Клин) — Временно
ПН-СБ 08:00-20:00
Перерыв на санитарную обработку 
2 этаж 12:00-12:30 и 16:00-16:30
3 этаж  11:30-12:00 и 16:30-17:00
Воскресенье Выходной
   
ТОСП (Высоковск) — Временно
ПН, СР, ЧТ 09:00-18:00
Перерыв 13:00-13:30
Перерыв (паспортный стол) 13:00-14:00
Вт, Пт, Сб, Вс Выходной
   
ТОСП (Решетниково) — Временно
Вт, Чт, Пт 09:00-17:00
Перерыв 13:00-14:00
Пн, Ср, Сб, Вс Выходной
   

 

Для оформления услуги по выпуску электронной подписи зарегистрируйтесь на сайте Удостоверяющего центра 

      

Муниципальное автономное учреждение «Многофункциональный центр предоставления государственных и муниципальных услуг» городского округа Клин (МАУ «МФЦ» ГО Клин)

Адрес: 141601, Российская Федерация, Московская область,  городской округ Клин, город Клин, Советская площадь, дом 18А, 3 этаж

*Единый номер 122 создан для централизации звонков в контакт-центры субъектов Российской Федерации. Принцип работы данного номера устроен таким образом, что соединение абонента происходит с оператором службы того региона, на территории которого производится вызов.
Абоненты, находящиеся на территории Московской области, позвонившие на номер 122, автоматически переключаются на единый контакт-центр Московской области.

 

Список всех действующих МФЦ Московской области подробнее>

Классификатор видов разрешенного использования земельных участков в 2019 году, основные и вспомогаетльные, изменение вида целевого использования, объединение и перераспределение участков, штраф и ответственность за нецелевое ипользование

1328

Понятие вида разрешенного использования

В отечественном законодательстве отсутствует определение термина «вид разрешенного использования земли» или ВРИ, хотя таковой можно назвать одним из ключевых в процессе определения правового режима землепользования конкретного участка.

Согласно п.2 ст.7 ЗК РФ, правовой режим земельного надела устанавливается исходя из того, к какой группе ВРИ он относится согласно проведенному зонированию.

Внимание, если у вас возникли вопросы вы можете их задать юристу по социальным вопросам по телефону 8 804 333 16 88 или задать свой вопрос в чате дежурному юристу. Звонки принимаются круглосуточно. Звонок бесплатный! Позвоните и решите свой вопрос!

Иными словами, ВРИ это одна из существенных характеристик земельного участка, которая оказывает значительное влияние на его дальнейшее использование. Следствием установления определенной категории земли является конкретный правовой режим землепользования.

При выполнении зонирования определенной территории, как правило, возникает множество вопросов и сложностей, поскольку данная процедура затрагивает законодательные акты из самых различных отраслей права. Это очень сложно и порой нарушает процесс целостности восприятия законодательных норм.

Для упрощения был разработан специальный классификатор, в который внесли полный список видов разрешенного использования земельного участка, позволяющих упростить процесс зонирования, исключить нецелевое использование земельного участка и внести больше понимания в данный вопрос. Классификатор позволил упорядочить все имеющиеся виды деятельности граждан на земельных участках и выделить в отдельные группы те из них, которые имеют особое значение для общественных и правовых взаимоотношений.

В практическом применении классификатор ВРИ также имеет существенное значение, поскольку позволяет определить правовой режим для конкретного участка, а не только для общего земельного массива. ВРИ оказывает влияние на кадастровую и рыночную стоимости земли, может стать причиной изменения размера коэффициента для исчисления земельного налога.

Виды разрешенного использования земель

До того момента, как официально был принят Земельный кодекс РФ, норм, регулирующих проведение зонирования государственной территории и использование ВРИ для конкретных наделов земли не существовало. Все наделы проходили разделение на основании своего целевого использования. Категории земель, в свою очередь, обобщались под основным ВРИ.

Некоторые правовые моменты были указаны в Законе СССР «Об утверждении основ земельного законодательства» от 1968 года и в принятом позже Земельном кодексе РСФСР.

Первые попытки установки принципа назначения правового режима относительно участка с учетом ВРИ были предприняты в 2001 году, но официально утвержден Классификатор ВРИ был только 1 сентября 2014 года Приказом Минэкономразвития России № 540.

Градостроительный кодекс выделяет следующие ВРИ:

  • основные;
  • условно разрешенные;
  • вспомогательные;

Основной вид ВРИ определяется сразу же после того, как земельный надел был образован, причем, его выбирает собственник участка из перечня предложенных видов деятельности относительно конкретной территориальной зоны.

Условно разрешенный тип не считается основным, однако может быть введен после проведения необходимых согласований и обращения в специально созданную комиссию по землепользованию.

Вспомогательные ВРИ относятся к дополнительным и не могут иметь самостоятельного статуса. Иными словами, вспомогательные могут применяться только совместно с одним из вышеуказанных типов. В качестве примера можно привести такие ВРИ, как земля для возведения гаражных построек или объектов инженерных коммуникаций.

Классификатор видов разрешенного использования

Классификатор видов разрешенного использования земельных участков 2016 года, как уже отмечалось ранее, был введен в прошлом году. Данный документ представляет собой реестр из трех граф и нескольких разделов, где указаны: наименование обобщенного и уточненного вида разрешенного использования земельных наделов, а также соответствующий код. В реестре содержится 13 обобщенных ВРИ и 101 уточненный вид разрешенного использования. Разделение на основные, условно разрешенные и вспомогательные виды разрешенного использования в классификаторе не происходит.

Еще одной особенностью документа является то, что для каждого описания и наименования введен свой индивидуальный код, который в дальнейшем используется для обозначения в документации на участок.

Также, все виды использования в реестре допускают возможность постройки линейных объектов, к примеру, линии электропередач или водопровода. Исключением являются железная дорога и автотрасса.

При разработке классификатора использовался принцип преемственности, согласно которому ранее принятый рубрикатор должен сочетаться с новым. При определении ВРИ следует в первую очередь учитывать целевое назначение земли и территориальную зону, где она расположена.

В классификатор включены следующие виды разрешенного использования земель:

  • с/х-использование;
  • жилая застройка;
  • общественное использование капитальных объектов;
  • предпринимательская деятельность;
  • рекреационное назначение;
  • производство;
  • транспортная сфера;
  • оборонные объекты;
  • работы по особой охране и изучению природы;
  • использование лесов;
  • водные объекты;
  • земли общего использования
  • садоводческая, дачная, огородническая деятельность.

Установление и изменение вида разрешенного использования

Изменение вида разрешенного использования земельного участка 2016 года может потребоваться в нескольких случаях:

  • при возведении на участке объекта, имеющего иное назначение;
  • в случае смены основного назначения уже имеющейся недвижимости;
  • при уточнении ВРИ.

Общий порядок процедуры описан в ст. 36-39 ГрК РФ и предусматривает осуществление следующих действий:

  1. Владелец земли составляет заявление установленного образца и собирает необходимые документы.
  2. Пакет документов передается в уполномоченный орган (специальная Комиссия при администрации).
  3. Администрация выносит решение об изменении вида разрешенного использования
  4. Заявитель обращается в Росреестр для внесения изменений в кадастровый учет земельного участка.

Пример по видам разрешенного использования земельных участков

Максим С. провел межевание, оформил необходимые документы и в результате стал владельцем земельного участка в несколько соток в центре города. Максим решил построить там летнее кафе.

В документации, которую мужчина подал в земельный отдел, он указал вид деятельности из классификатора «4.6 – Общественное питание». После рассмотрения, документ был возвращен Максиму, с указанием того, что код указан неверно.

Бизнесмен обратился с жалобой к вышестоящему органу на действия сотрудника ведомства, на что получил ответ, согласно которому работник поступил абсолютно правильно, вернув заявление, поскольку выбирать вспомогательный ВРИ без определения основного запрещено.

В результате Максим подал заявление вновь, где указал общественное питание как вспомогательный вид, а код «4.0 – Предпринимательство» — в роли основного.

Заключение

В завершение написанного можно сформулировать несколько выводов:

  1. Разрешенный вид использования наделов или ВРИ не имеет четкого определения, однако является одним из определяющих терминов земельного права.
  2. Градостроительный кодекс выделяет: основные, условно разрешенные и вспомогательные типы пользования.
  3. Все виды разрешенного использования были объединены в специальный классификатор.
  4. Смена ВРИ производится в оговоренном законом порядке, путем подачи соответствующего заявления в уполномоченное ведомство.

Наиболее популярные вопросы и ответы на них по видам разрешенного использования

Вопрос: Здравствуйте. Я собственник надела. Сейчас основным ВРИ установлен «6.0 – Производственная деятельность», а в качестве дополнительного был использован «6.9 — склады», поскольку там размещены склады.

Недавно на участке было обнаружено небольшое месторождение нефти, и я бы хотел заняться теперь недропользованием. Подскажите, могу ли я это сделать, без корректировки и подачи декларации о смене ВРИ? Грозит ли мне штраф за отсутствие такого заявления и будет ли это считаться нарушением?

Ответ: Здравствуйте. В комментариях к классификатору ВРИ 2015 года указано, что если обобщенный вид пользования установлен в качестве основного, что в вашем случае имеет место, вы можете осуществлять на своем участке все виды деятельности, указанные в качестве вспомогательных.

Иными словами, вы имеете полное право начать использовать участок для добычи нефти, поскольку код «6.1 – недропользование» входит в основной код 6.0. без дополнительного уведомления или подачи заявления.

Список законов

Внимание, если у вас возникли вопросы вы можете их задать юристу по социальным вопросам по телефону 8 804 333 16 88 или задать свой вопрос в чате дежурному юристу. Звонки принимаются круглосуточно. Звонок бесплатный! Позвоните и решите свой вопрос!

Как в Подмосковье изменить вид разрешенного использования земельного участка

Вид разрешенного использования (ВРИ) — индивидуальная характеристика земельного участка. Она определяет способ его использования, то есть вид деятельности, которую можно на нем вести. Как изменить вид разрешенного использования или установить его, читайте в материале портала mosreg.ru.

Как получить разрешение на условно разрешенный вид использования объекта в Подмосковье>>

Виды разрешенного использования

Аэрофотосъемка земель

Источник: ©, pixabay.com

По словам министра имущественных отношений Московской области Владислава Когана, в регионе нередки ситуации, когда жилые, дачные или садовые дома стоят на земле, оформленной по старым документам. В них неверно указан ВРИ, и размещение объекта капстроительства на такой земле не предусмотрено. В таком случае собственнику надо изменить ВРИ на назначение «Для индивидуального жилищного строительства (ИЖС)», «Ведение личного подсобного хозяйства (ЛПХ)» или «Ведение садоводства».

Перечень всех возможных видов разрешенного использования приведен в классификаторе ВРИ, утвержденном приказом Минэкономразвития России от 01.09.2014 № 540. 

Виды разрешенного использования бывают основными, вспомогательными и условно разрешенными. Вспомогательный вид можно выбрать только дополнительно к основному или условно разрешенному. Установить его вместо основного нельзя.

Основной и вспомогательный виды использования участка можно установить или изменить самостоятельно без дополнительных разрешений и согласований (если это не противоречит правилам землепользования и застройки). Для этого надо обратиться в Управление Росреестра и внести в ЕГРН сведения об установлении или изменении ВРИ.

Установить условно разрешенный вид использования возможно в рамках государственной услуги, которую предоставляет комитет по архитектуре и градостроительству Московской области. Распоряжение Главархитектуры Московской области о предоставлении разрешения на условно разрешенный вид использования земельного участка принимается с учетом правил землепользования и застройки (ПЗЗ), а также результатов общественных обсуждений или публичных слушаний.

Если нужно изменить вид использования на не предусмотренный градостроительным регламентом, придется обратиться в специальную комиссию для внесения изменений в ПЗЗ.

Как добиться пересмотра кадастровой стоимости объектов недвижимости в Подмосковье>>

Когда нельзя изменить ВРИ

Земельный кодекс Российской Федерации

Источник: Фотобанк Московской области

Изменить ВРИ невозможно:

— по требованию арендатора — если договор аренды участка, находящегося в государственной (муниципальной) собственности, заключен на торгах;

— арендатору самостоятельно — если участок предоставлен в аренду для определенного вида использования;

— если градостроительным  регламентом и ПЗЗ для запрашиваемого вида использования установлены предельные размеры и параметры, не позволяющие вести деятельность согласно данному ВРИ.

Как в Подмосковье внести изменения в правила землепользования и застройки онлайн>>

Где подать заявление на изменение ВРИ

Заявление на изменение ВРИ подается в Росреестр через любой МФЦ Московской области.

Установление соответствия ВРИ классификатору

Девушка за компьютером с калькулятором проверяет расчеты

Источник: ©, pixabay.com

В случае если существующий вид разрешенного использования не соответствует действующему классификатору ВРИ, утвержденному приказом Минэкономразвития России от 01.09.2014 № 540, правообладатель земельного участка может обратиться за государственной услугой и установить соответствие существующего ВРИ классификатору. При этом для земельного участка устанавливается ВРИ согласно классификатору, по смыслу и содержанию соответствующий существующему.

Если испрашиваемый ВРИ не соответствует по смыслу и содержанию существующему ВРИ, необходимо обращаться за его изменением в Росреестр.

Предоставление земельного участка в Подмосковье через торги в собственность или аренду>>

Как установить соответствие классификатору

Работа Многофункционального центра предоставления государственных и муниципальных услуг

Источник: Фотобанк Московской области, Роман Варцев

Услугой установления соответствия вида разрешенного использования земельного участка классификатору могут воспользоваться правообладатели земельного участка — собственники, землепользователи, землевладельцы и арендаторы земельных участков. Получить ее можно через региональный портал государственных и муниципальных услуг.  

Для жителей, не имеющих выхода в Интернет, доступ к порталу организован в офисах МФЦ.

В случае подачи заявления онлайн заполняется заявление и прикладываются документы в электронном виде. С перечнем необходимых документов можно ознакомиться на странице услуги на РПГУ.

Как получить имущественный налоговый вычет в Подмосковье>>

Порядок и сроки оказания услуги

Мособлархитектура обработала более 200 документов по утверждению генпланов и ППЗ в 2018 году

Источник: Комитет по архитектуре и градостроительству Московской области

Рассмотрение заявления может занять до 13 рабочих дней, после чего ответ поступит в личный кабинет заявителя на РПГУ. Дополнительно результат государственной услуги можно получить в МФЦ, где его распечатают и заверят подписью уполномоченного сотрудника и печатью МФЦ.

Информация о стадии рассмотрения заявления также направляется в личный кабинет или на электронную почту.

Кроме того, заявитель может самостоятельно получить информацию о готовности результата предоставления госуслуги по телефону центра телефонного обслуживания населения Московской области 8(800) 550-50-30 или посредством сервиса РПГУ «Узнать статус заявления».

Как подать извещение о продаже сельхозземли в Подмосковье>>

Плата за изменение ВРИ

В случаях, предусмотренных законодательством, заявитель обязан внести в полном объеме плату за изменение ВРИ в тридцатидневный срок со дня получения соответствующего  уведомления от министерства имущественных отношений Московской области. Плата взимается в случае изменения ВРИ на вид, предусматривающий жилищное строительство.

Установление соответствия ВРИ классификатору видов разрешенного использования земельных участков осуществляется бесплатно.

Оплата налога на имущество физлиц в Подмосковье: порядок начисления и льготы>>

Глава 18.28 НЕКЛАССИФИЦИРОВАННОЕ И УСЛОВНОЕ ИСПОЛЬЗОВАНИЕ

Глава 18.28


НЕКЛАССИФИЦИРОВАННОЕ И УСЛОВНОЕ ИСПОЛЬЗОВАНИЕ

Ячейки:

18.28.010 Классификация не включенных в перечень видов использования.

18.28.020 Несекретное использование — Заявление о назначении.

18.28.030 Использование, требующее разрешения на несекретное использование.

18.28.040 Условное разрешение на использование — Цель.

18.28.050 Условное разрешение на использование — При необходимости.

18.28.060 Площадь и габариты.

18.28.070 Разрешение — Заявление.

18.28.010 Классификация видов использования, не включенных в перечень.

При создании зон использования совет рассмотрел характеристики видов использования, которые делают их сопоставимыми, совместимыми или подобными. Совет признает, что невозможно перечислить и классифицировать каждое использование, которому земля может быть посвящена, ни сейчас, ни в будущем, и что может существовать двусмысленность в отношении соответствующей и последовательной классификации использования.Следовательно:

A. Когда любое известное и идентифицируемое использование не указано как допустимое в какой-либо зоне; или

B. Когда какое-либо использование не возникло по причине какого-либо технического развития в ремеслах, науке и оборудовании; или

C. Когда любое использование, уже указанное в зоне, которое из-за использования какого-либо процесса, оборудования или материалов имеет стандарты производительности, отличные от тех, которые обычно связаны с видами использования в зоне, как в настоящее время классифицированы, и что, следовательно, делает его разумным что такое использование должно быть помещено в более ограниченную зону, ответственность и обязанность комиссии по планированию состоит в том, чтобы установить все относящиеся к делу факты, относящиеся к любому такому использованию, и дать то, что она сочтет подходящими для зонирования.Любое разбирательство в соответствии с этой главой должно рассматриваться как поправка. (Приказ 108-B §8.01, 1980)

18.28.020 Несекретное использование — Заявление о назначении.

Все следующие виды использования, описанные в этой главе, и все вопросы, непосредственно связанные с ними, заявлены как виды использования, обладающие характеристиками такой уникальной и особой формы, что делает невозможным их автоматическое включение в любые классы использования, указанные в зонах. ранее определенное, и полномочия по его местонахождению и эксплуатации подлежат пересмотру и выдаче разрешения на использование.Целью обзора должно быть определение того, что характеристики любого такого использования не должны быть необоснованно несовместимыми с типами использования, разрешенными на прилегающих территориях, и для дальнейшей цели определения таких условий, которые могут гарантировать, что основная цель этого должна быть служил. (Приказ 108-B §8.02, 1980)

18.28.030 Использование, требующее разрешения на несекретное использование.

Следующие виды использования могут быть обнаружены при условии выдачи разрешения на несекретное использование, обработанного, как предусмотрено в этой главе:

А.Аэропорты, посадочная площадка и вертодромы;

B. Перегрузочные станции (мусор и мусор), когда они эксплуатируются государственным агентством или по лицензии, выданной государственному агентству;

C. Свалки, государственные или частные, и коммерческие мусоросжигательные заводы;

Д. Электрогенерирующие установки;

E. Исправительные учреждения;

F. Разработка карьеров, горнодобывающая промышленность, свалки и раскопки;

G. Каменные дробилки, бетонные заводы и асфальтобетонные заводы;

H.Объекты коммунальной энергетики;

I. Свалки мусора при условии использования санитарных свалок;

J. Очистные сооружения;

K. Внешние объекты по переработке и хранению опасных отходов. (Приказ 188-B (часть), 1987; Приказ 108-B §8.03, 1980)

18.28.040 Условное разрешение на использование — Цель.

Целью условного разрешения на использование является:

A. Обеспечить посредством введения особых условий и требований в отношении разработки, что совместимость видов использования будет поддерживаться с учетом других существующих и потенциальных видов использования в пределах общей территории или предлагаемого использования;

Б.Установленные условия должны быть такими, которые будут разумно гарантировать, что неудобства или опасность для жизни или имущества не будут возникать. Комиссия по планированию не может использовать условное разрешение на использование для снижения требований к зонированию зоны, в которой должен располагаться объект. Такое сокращение требований должно быть достигнуто за счет отклонения. (Приказ 108-B §8.04, 1980)

18.28.050 Условное разрешение на использование — При необходимости.

Разрешение на условное использование должно требоваться для всех видов использования, определенных как условные в соответствии с каждой классификацией зонирования этого титула.Использование, не указанное в нем, считается использованием, не указанным в списке, и регулируется положениями для использования, не указанными в списке, описанными в этом разделе. (Приказ 108-B §8.05, 1980)

18.28.060 Площадь и габариты.

Требования к площади и стандартам размеров, применимые к конкретной зоне, в которой предполагается разместить любое такое использование, имеют преимущественную силу. (Приказ 108-B §8.06, 1980)

18.28.070 Разрешение — Заявление.

А.Разрешения на несекретное использование могут быть предоставлены после подачи заявки владельцем собственности или арендатором в соответствии с главой 18.48 настоящего раздела. Процедура, которой необходимо следовать при обработке таких разрешений, должна быть такой же, как изложено в главе 18.56 для поправок.

B. Условные разрешения на использование могут быть предоставлены в соответствии с процедурными требованиями, изложенными в главе 18.48 настоящего раздела. (Приказ 108-B §8.07, 1980)

границ | Расширение данных на основе условной GAN для улучшения классификатора задач глубокого обучения с использованием данных fNIRS

1 Введение

Функциональная ближняя инфракрасная спектроскопия (fNIRS) — это технология нейровизуализации для картирования функционирования коры головного мозга человека, которая использует ближнюю инфракрасную спектроскопию (Ferrari и Куаресима, 2012).Это отображение выполняется путем измерений и изображений локальных изменений мозга, вызванных модуляцией мозгового кровотока и метаболизма кислорода нейронной активностью (Yücel et al., 2017). fNIRS — это неинвазивная, воспроизводимая, портативная, экономичная и широко распространенная технология с высоким временным разрешением. Достижения в области технологий и оборудования позволили исследователям fNIRS неинвазивно исследовать нейроваскулярную физиологию, повышая разрешение и качество сигнала (Hocke et al., 2018). Однако такие технологии, как ЭЭГ, имеют ограничения в виде неточной локализации и недоступности подкорковых областей (Naseer and Hong, 2015).Другие методы, такие как фМРТ, могут использоваться для измерения гемодинамической активности, но из-за стоимости и портативности могут не подходить для популяционных исследований. Кроме того, в большинстве случаев fNIRS имеет лучшее временное разрешение, чем fMRI (Huppert et al., 2006). fNIRS больше подходит для популяционных исследований, для которых другие методы визуализации имеют ограниченное применение. Такие исследования могут включать младенцев и детей, процедуры, предполагающие мобильность и интерактивность, а также клиническую среду (Yücel et al., 2017).

С ростом популярности интерфейсов мозг-компьютер классификация задач с использованием технологий нейронной визуализации стала более важной.Что касается методов нейровизуализации, используемых для BCI, как EEG, так и fNIRS оказались наиболее распространенными для классификации задач (Hong et al., 2018; Saadati et al., 2019; Shin et al., 2016). Хотя существуют гораздо более сложные и точные методы нейровизуализации, которые можно использовать для медицинской диагностики, ЭЭГ и fNIRS очень подходят для исследований среди населения, поскольку они недороги и не вредны для повторного использования. Большинство существующих систем классификации задач используют обычные методы машинного обучения для классификации.Традиционные методы машинного обучения используются часто из-за простоты их реализации. Что касается недостатков, эти традиционные методы требуют значительного объема предварительной обработки данных и фазы извлечения признаков.

Кроме того, традиционные методы машинного обучения могут не улавливать всю ценную информацию в сложных паттернах нейронных сигналов. Точность обычных классификаторов в основном зависит от характеристик, выбранных для обучения модели. Извлечение и выбор оптимальных характеристик может быть проблемой при работе с нейронными сигналами.Сложность и многомерность данных нейровизуализации делают их более подходящими для методов глубокого обучения.

В настоящее время существует несколько успешных классификаторов глубокого обучения с модальностями нейровизуализации, такими как ЭЭГ и fNIRS (Hennrich et al., 2015; Chiarelli et al., 2018). Одной из основных проблем при реализации классификаторов на основе глубокого обучения является размер выборки. Модели имеют тенденцию чрезмерно соответствовать небольшим размерам выборки, затрудняют обобщение модели и не соответствуют данным тестирования.Увеличение данных — это метод, который позволяет исследователям увеличить разнообразие обучающих данных, доступных для моделей, без дополнительного сбора данных. В области здравоохранения получение высококачественных помеченных данных для алгоритмов глубокого обучения может быть дорогостоящим и трудоемким. Это ситуация, когда могут быть полезны генеративные сети. Традиционные методы увеличения данных включают такие операции, как масштабирование, кадрирование, поворот и т. Д. Эти методы могут быть очень успешными при классификации объектов.В случаях, когда нет единого объекта для классификации, такие данные временных рядов, представленные в изображениях, с использованием традиционных методов увеличения данных не имеют большого смысла. Традиционные методы увеличения данных могут не подходить для генерации медицинских данных, где во многих случаях соблюдается строгий формат. Один из способов, который можно использовать для увеличения данных с помощью алгоритма глубокого обучения, известен как общие состязательные сети (GAN). Исследователи обнаружили, что увеличение данных с помощью сетей GAN повысило точность классификации (Antoniou et al., 2017).

Авторы предлагают систему классификации на основе гибридной сети CGAN-CNN для классификации изображений, полученных из сигналов fNIRS. Система может определить, является ли задача, выполняемая субъектом, постукиванием левым пальцем, постукиванием правым пальцем или постукиванием ногой. На предлагаемую систему глубокого обучения не повлияет относительно небольшое количество выборок из-за способности CGAN расширять данные. Предлагаемое может быть использовано при обучении классификатора глубокого обучения с относительно меньшим количеством выборок.Предлагаемая система может как генерировать искусственные выборки, так и классифицировать реальные данные. Предложенная система получила точность классификации 96,67% и средний AUROC 0,98. Эта предложенная система превзошла точность, полученную для того же набора данных с использованием традиционных классификаторов машинного обучения.

2 Предпосылки

fNIRS использует ближнее инфракрасное излучение для неинвазивного измерения изменений мозгового кровотока. Его принцип измерения основан на измерении оксигенации гемоглобина в мозговом кровотоке (Jobsis, 1977).fNIRS активно используются для классификации задач в интерфейсах мозг-компьютер. Благодаря своей экономичности и портативности, он широко используется для популяционных исследований. Исследователи могут визуализировать мозговой кровоток, используя сигналы fNIRS, чтобы проанализировать, как различные части коры головного мозга активируются во время определенных задач. В качестве примера на рисунке 1 показано, как модели активации мозга могут быть визуализированы с использованием изображений мозга с помощью fNIRS, когда субъект выполняет задания различной интенсивности во время вождения (Tsunashima and Yanagisawa, 2009).Данные fNIRS можно использовать для классификации широкого спектра задач, которые включают когнитивные задачи, такие как ментальная арифметика и задачи воображения движения, такие как постукивание пальцами / ногами (Shin et al., 2018; Bak et al., 2019).

РИСУНОК 1 . Функциональная визуализация мозга с помощью fNIRS, полученная, когда субъект выполнял задачи низкой, средней и высокой сложности во время вождения (Tsunashima and Yanagisawa, 2009).

Получение медицинских данных представляет практические трудности из-за времени, денег, рабочей силы и экономических затрат.Модель на основе глубокого обучения может лучше выполнять классификацию медицинских изображений, чем функции, созданные вручную, при работе с большим объемом данных (Zhang et al., 2019). Искусственные данные могут быть созданы с использованием традиционных методов увеличения изображения. Однако изображения, созданные традиционными методами увеличения, имеют такое же распределение, что и оригинал. Эта практика может не подходить, когда искусственные выборки должны представлять распределение данных между разными субъектами. GAN предоставляют метод для дополнения обучающих данных с помощью искусственно созданных выборок.Сети GAN успешно работают во многих областях, в том числе от обработки изображений и зрения до обработки речи и языка (Wang et al., 2017). Сети GAN использовались в области медицины, где создание синтетических изображений повысило точность классификации с сетями CNN, где сбор большого количества данных невозможен (Frid-Adar et al., 2018).

GAN — это инновационный способ обучения генеративной модели, представляющий проблему как проблему контролируемого обучения с использованием моделей глубокого обучения.Сети GAN могут автоматически обнаруживать закономерность во входных данных. Архитектура GAN была впервые предложена в статье 2014 года Гудфеллоу и др. (2014). Сети GAN могут генерировать новые выборки, которые кажутся принадлежащими исходному набору данных (Hong et al., 2019).

В GAN есть две подмодели, называемые генератором (G) и дискриминатором (D). Модель генератора используется для обучения созданию новых примеров, а модель дискриминатора — для классификации реальных или поддельных сгенерированных образцов (Creswell et al., 2018). GAN — это две модели, лежащие в основе мотивации обучения, пытающейся достичь равновесия по Нэшу в теории игр (Nash, 1951).Для достижения равновесия по Нэшу между двумя противниками должно быть достигнуто решение некооперативной игры. Каждый игрок уже знает все стратегии другого игрока. Следовательно, ни один игрок ничего не выиграет, изменив свою стратегию (Goodfellow et al., 2014). Любую функцию, которую можно дифференцировать, можно использовать как функцию для уравнений Генератора и Дискриминатора.

Модель генератора принимает случайный вектор фиксированной длины в качестве входных данных и генерирует выборку в области. Из гауссова распределения извлекается случайный вектор, чтобы инициировать процесс генерации.После обучения точки в этом многомерном векторном пространстве будут соответствовать точкам в проблемной области, чтобы сформировать сжатое представление распределения данных. Это векторное пространство известно как скрытое пространство. Скрытые переменные, хотя и необходимы для области, не наблюдаются напрямую.

В GAN, когда дискриминатор успешно идентифицирует настоящие и поддельные образцы, он вознаграждается или не требует изменения параметров модели (Goodfellow et al., 2014). Напротив, Генератор наказывается обширными обновлениями параметров модели.Этот процесс аналогичен игре с нулевой суммой. Когда оптимальное решение достигнуто, Генератор может каждый раз генерировать идеальные дубликаты из входной области. В этом случае Дискриминатор не может отличить настоящие образцы от поддельных и предсказать их подлинность в каждом случае.

Существенным расширением сети GAN является использование условной генерации вывода (Mirza and Osindero, 2014). Генеративную модель можно обучить создавать новые примеры из входной области.Некоторые дополнительные входные данные обусловливают случайный вектор из скрытого пространства. В условном дискриминаторе вместе с входными изображениями дается дополнительный ввод. В условном вводе типа метки классификации Дискриминатор ожидает ввода класса. Генератор учат генерировать примеры этого класса, чтобы обмануть Дискриминатор. Таким образом, условная GAN может генерировать выборки из домена заданного типа.

Одним из многих значительных достижений в использовании методов глубокого обучения в областях компьютерного зрения является расширение данных для повышения производительности модели.Сети GAN все чаще используются для увеличения объема данных (Douzas and Bacao, 2018). Дальнейшее расширение может улучшить навыки модели, обеспечить эффект регуляризации и уменьшить ошибку обобщения. Он работает путем создания искусственных, но правдоподобных примеров из входной проблемной области, на которой обучается модель. Традиционные методы дополнения состоят из простых преобразований существующих изображений, таких как обрезки, перевороты и т. Д. Генеративные модели, если они успешно обучены, могут обеспечить более специфичный для предметной области подход к увеличению данных.

3 Материалы и методы

3.1 Общая система

На fNIRS было выполнено несколько анализов для определения окончательной конфигурации системы. На рисунке 2 показан обзор всей системы. Полученные необработанные данные fNIRS были первоначально предварительно обработаны для устранения помех. Нейронные сигналы имеют сильно коррелированные переменные, которые следует удалить перед подачей в модель. Поэтому для предварительно обработанных данных были применены методы уменьшения размерности, чтобы удалить сильно коррелированные переменные.После этого данные отправляются на этап генерации изображения. Для временного ряда генерируются изображения поля суммирования углов Грамма. Затем набор данных делится на тестовый и обучающий наборы. Обучающий набор отправляется в модель CGAN, где создаются искусственные изображения для трех категорий. И реальные данные, и данные, сгенерированные CGAN, используются для обучения классификатора глубокого обучения на основе CNN. Набор для испытаний подается непосредственно в классификатор и используется для определения производительности. Для базовых классификаторов, которые использовали признаки, был выполнен отдельный процесс извлечения признаков, кратко описанный в следующих разделах.Наконец, результат получается с задачей, классифицируемой на постукивание правой рукой (RHT), постукивание левой рукой (LHT) или постукивание ногой (FT).

РИСУНОК 2 . Общая архитектура предлагаемой системы.

3.2 Данные

Данные, использованные для обучения классификатора, были получены из открытой базы данных (Bak et al., 2019). Более подробное описание данных можно найти в оригинальной публикации. В исследовании приняли участие 30 добровольцев. Всего в эксперименте приняли участие 30 добровольцев, не страдающих психическими или неврологическими расстройствами (17 мужчин, 13 женщин; 23.4 ± 2,5 года) (Bak et al., 2019). Данные fNIRS регистрировались многоканальной системой fNIRS, состоящей из восьми источников света и восьми детекторов. На рисунке 3 показано размещение оптодов fNIRS. Одно испытание включало вводный период и период выполнения заданий, за которым следовала пауза между испытаниями. В среднем интервал между испытаниями составлял 30 с. Из RHT, LHT и FT случайным образом отображался определенный тип задач, которые должны были выполнять добровольцы. Для задач RHT / LHT добровольцы выполняли одностороннее комплексное постукивание пальцами с частотой 2 Гц.Для FT участники стучали ногой с частотой 1 Гц.

fNIRS — это метод визуализации головного мозга, используемый для наблюдения за локальными изменениями концентрации гемоглобина в головном мозге, которые возникают в результате модуляции мозгового кровотока. Определенные области мозга активируются во время выполнения задачи, изменяя, таким образом, окси- и деокси-паттерны. На рисунке 4 показано топографическое распределение, построенное с использованием кислородных и дезокси каналов. Из топографических изображений очевидно, что левое полушарие реагирует увеличением HbO на задачу постукивания правым пальцем, а правое полушарие — на задачу постукивания пальцем левой руки; HbR показывает противоположную картину.Интересно, что и левое, и правое полушария показывают снижение HbO и увеличение HbR во время постукивания стопы.

РИСУНОК 4 . Представление изображений мозга (каналы Oxy и Deoxy) для трех задач.

3.3 Предварительная обработка

Сигналы fNIRS могут содержать различные помехи, такие как инструментальные, экспериментальные и физиологические шумы. Инструментальные и экспериментальные шумы обычно удаляются перед преобразованием необработанных сигналов оптической плотности в изменения концентрации HbO и HbR (Naseer and Hong, 2015).Из-за изменений HbO и HbR необходимо устранить физиологические шумы. Физиологические шумы включают сердцебиение (1–1,5 Гц), дыхание (0,2–0,5 Гц), волны Майера (0,1 Гц) и другие. После экспериментов с несколькими механизмами фильтрации был использован метод фильтрации, рекомендованный первоначальными авторами, опубликовавшими набор данных. Ни один из методов фильтрации не показал существенного преимущества перед другим. Фильтр нулевого порядка, реализованный фильтром Баттерворта третьего порядка с 0,01–0.Полоса пропускания 1 Гц использовалась для удаления физиологических шумов и смещения постоянного тока для этого набора данных (Bak et al., 2019). Значения ΔHbO / R были разделены на эпохи в диапазоне от –2–28 с относительно начала задания. Коррекция базовой линии была сделана для каждой эпохи путем вычитания среднего значения в пределах эталонного интервала (-1–0 с).

Характеристики ΔHbO / R были извлечены из трех временных окон в диапазонах 0–5, 5–10 и 10–15 с. Эпохи были использованы для вычисления среднего значения ΔHbO / R для каждого из 20 каналов.Поскольку метод выбора функции / канала не применялся, вектор признаков включал три функции, извлеченные из 20 каналов. Размерность вектора признаков была вычислена как 120. Перед подачей в модель векторы признаков были стандартизированы.

Данные ЭЭГ и NIRS имеют высокую размерность с множеством переменных, которые сильно коррелированы. Это может привести к снижению производительности алгоритмов машинного обучения. Следовательно, важно использовать такие методы, как анализ независимых компонентов (ICA) или анализ главных компонентов (PCA), можно использовать уменьшение размерности и максимизировать статистическую независимость оцениваемых компонентов (Comon, 1994).В этом исследовании ядро ​​PCA, расширение традиционного метода PCA с возможностью извлечения основных нелинейных компонентов без дорогостоящих вычислений, используется вместо PCA из-за нелинейного характера данных (Mika et al., 1999). Следовательно, перед подготовкой данных для классификатора глубокого обучения Kernal был применен PCA для удаления сильно коррелированных переменных.

3.3.1 Генерация изображений

Генерация изображений является важной частью системы классификации, основанной на CNN. В предлагаемом методе CNN используются как на этапе генерации, так и на этапе классификации.Качество изображений, подаваемых в эти сети, будет определять производительность классификаторов. В этом случае сигналы fNIRS представляют собой проблему для систем на основе CNN, поскольку они могут быть представлены по-разному. В этом разделе будут обсуждаться различные используемые изображения и то, как они в конечном итоге решают, какую категорию изображений следует обучать классификатору. В последнее время замечательные результаты были достигнуты путем обработки данных с помощью методов глубокого обучения и, в частности, с использованием сетей GAN с изображениями в качестве входных данных.Сети GAN обычно ассоциируются с выдающейся производительностью нейронной сети для чтения, обработки и извлечения основных функций двумерных данных, которые положительно повлияли на ее популярность. Однако даже в сценариях, где входные данные не отформатированы как изображение, многие методы преобразования помогли применить CNN к другим типам данных. Временные ряды — одна из этих структур данных, смоделированных для подхода с точки зрения компьютерного зрения.

Данные временного ряда должны быть преобразованы в 2D-изображение для ввода в CNN.Временной подход обычно выбирается в предыдущих исследованиях для этого шага, захватывая все каналы fNIRS во временном окне. Успех этого метода во многом зависит от длины набора данных и временного окна; небольшое количество образцов может быть переобученным. Для полного представления всего временного ряда можно использовать лишь несколько методов. В этом разделе описаны некоторые возможные решения, рассматриваемые в этом исследовании, чтобы определить, какой процесс создания изображения подходит для системы классификации.

В спектрограммах временные ряды несут информацию, содержащую как время, так и частоту как измерения величины. Локальные отношения представлены с помощью спектрограмм различных доменов. Эта функция усложняет извлечение локальных признаков, снабжая двумерные слои CNN спектрограммами, поскольку они имеют нелокальные отношения. Несколько систем классификации на основе CNN использовали спектрограммы нейронных сигналов (Ho et al., 2019; Chhabra et al., 2020).

Грамиановое угловое поле (GAF) — это изображение, полученное из одномерного временного ряда, представляющее некоторую временную корреляцию между каждой временной точкой (Wang and Oates, 2015a).GAF могут быть грамиановым полем суммирования углов (GASF) или грамиановым полем угловой разности (Wang and Oates, 2015b). GAF, в котором мы представляем временные ряды в полярной системе координат вместо типичных декартовых координат. Для этого исследования изображения GASF использовались в качестве изображений для обучения сверточных нейронных сетей. После анализа важности характеристик наиболее эффективного базового классификатора был выбран канал fNIRS, используемый для генерации изображений. GAF использовались для классификации нейронных сигналов, таких как формы волн ЭЭГ и fNIRS (Thanaraj et al., 2020; Wickramaratne and Mahmud, 2021). Другой метод, используемый для преобразования временного ряда в изображение, — это график повторения, изображение, полученное из временного ряда, представляющего расстояния между каждой временной точкой (Marwan et al., 2007). Для многомерных временных рядов можно использовать совместный график повторяемости, полученный из индивидуального графика повторяемости. Исследователи использовали графики рецидивов для классификации сигналов ЭЭГ в первую очередь для медицинских состояний (Zeng et al., 2020; Gao et al., 2020). После первоначального анализа для предложенной системы классификации были выбраны поля суммирования Грамма.На первом этапе создания изображения анализируются временные ряды. Из потока fNIRS изолирована область, в которой выполняются задачи. Одна запись содержит дополнительные данные в дополнение к выполненной задаче. Эти данные не требуются для классификации и могут работать как шум в системе. После этого выбранный поток данных, содержащий множество высококоррелированных каналов, отправляется через ядро ​​PCA. После того, как исходное изображение сгенерировано, изображения предварительно обрабатываются путем масштабирования их в соответствии с размерами CNN.Кроме того, изображения имеют оттенки серого, чтобы убедиться, что значения пикселей находятся в пределах допустимого диапазона.

3.4 Модель

Предлагаемая система состоит из двух моделей — одной системы для классификации образцов и генеративной модели для создания синтетических образцов. Поскольку входными данными, используемыми в системе классификации, являются данные изображения, а для обучения модели доступно относительно небольшое количество выборок, используется генеративный состязательный сетевой подход. В этом конкретном случае сеть Conditional GAN ​​использовалась для создания синтетических образцов, используемых для обучения модели.В сети GAN есть две конкурирующие модели, известные как генератор и дискриминатор. Структура этих отдельных моделей подробно описана в следующих разделах. Одна из самых сложных проблем в сети GAN — это обучение моделей состязательным способом. Стабильный механизм обучения для обучения GAN, где обе модели могут достичь состояния, эквивалентного равновесию Нэша.

3.4.1 Архитектура модели

После экспериментов с несколькими генеративными моделями была выбрана условная сеть GAN для создания синтетических образцов.Сеть CGAN обладает уникальной способностью генерировать новые образцы данной категории, передавая условный аргумент Генератору. Генератор будет генерировать синтетические образцы в соответствии с условным аргументом.

GAN преимущественно связаны с данными изображения и используют сверточные нейронные сети (CNN) в качестве моделей генератора и дискриминатора. Заметный прогресс был замечен в использовании CNN в более общем плане для достижения самых современных результатов по набору задач компьютерного зрения.Входные данные генератора обеспечивают сжатое представление набора изображений, используемых для обучения модели. Генератор генерирует новые изображения, которые разработчики могут легко просматривать и оценивать. GAN дает возможность визуально определять качество сгенерированных изображений. Эта уникальная особенность и достижения в области компьютерного зрения сделали GAN наиболее востребованной генеративной моделью.

Ниже приводится математическое представление функции потерь (или целевой функции) GAN, как показано в уравнении.1.

minGmaxDV (G, D) = minGmaxDEx∼pdata [logD (x)] + Ez∼pz [log (1 − D (G (z)))] (1)

, где x — выборка из распределение реального набора данных pdata ( x ) и z выбирается из распределения скрытого пространства pz ( z ). Уравнение 1 показаны две сети, играющие в игру Mini-Max, каждая из которых пытается улучшить свою функцию потерь.

Техника CGAN очень похожа на GAN. И Генератор, и Дискриминатор обусловили дополнительный вход (y).Это кондиционирование может быть выполнено путем подачи в Дискриминатор и Генератор в качестве дополнительного входного уровня. «Y» может быть любой вспомогательной информацией. В предлагаемой модели метки классов рассматриваются как параметр «y» (Gauthier, 2014). Функция стоимости для CGAN показана в формуле. 2. Интуиция, лежащая в основе условной информации y, заключается в том, что путем добавления дополнительной информации и генератор G, и дискриминатор D учатся работать в определенных режимах.

minGmaxDV (G, D) = minGmaxDEx∼pdata [logD (x | y)] + Ez∼pz [log (1 − D (G (z | y)))] (2)
3.4.2 Классификатор

Классификатор, используемый для определения задачи участника, был основан на архитектуре CNN, показанной на рисунке 5. Модель использует как реальные данные, так и синтетические данные, генерируемые сетью GAN. Сеть тестировалась только на реальных данных. CNN использует многомерную структуру, в которой каждый набор нейронов исследует небольшую область изображения. Каждая группа нейронов специализируется на идентификации одной части изображения. Конечный результат — это вектор оценок вероятности, представляющий, насколько вероятно, что каждая функция будет частью класса.

РИСУНОК 5 . Архитектура предложенного классификатора на основе CNN.

CNN работает в три этапа. Первый — это свертка. Изображение сканируется по несколько пикселей за раз, и создается карта объектов с вероятностями того, что каждый объект принадлежит к требуемому классу. Второй этап — это объединение или понижающая выборка, что снижает размерность каждой функции, сохраняя при этом наиболее релевантную информацию. На этапе объединения создается обзор основных функций изображения.Максимальный пул обычно используется в CNN, в котором максимальное значение берется из каждой области пикселей, сканируемой CNN. Обычно CNN необходимо выполнить несколько раундов свертки и объединения. CNN могут сами искать подходящие функции. Следовательно, дополнительный этап выбора функции не требуется.

Эта полностью подключенная нейронная сеть анализирует окончательные вероятности и решает, к какому классу принадлежит изображение. Полностью связанные слои выполняют классификацию извлеченных функций на основе информации о помеченных обучающих данных.Каждый узел полностью связанного слоя связан с каждым узлом предыдущего уровня. Наконец, выходной слой содержит один узел для каждого целевого класса в модели с функцией активации softmax для вычисления вероятности каждого класса. Функция активации softmax гарантирует, что конечные результаты соответствуют ограничениям плотности вероятности.

Как показано на рисунке 5, модель CNN состояла из 18 уровней, включая входной слой, четыре пары сверточных слоев с максимальным объединением, пакетную нормализацию, два полностью связанных слоя и, наконец, слой softmax для получения классифицированного класса.Все слои свертки были активированы функцией выпрямленных линейных единиц (Relu). Предлагаемый классификатор CNN вводит полутоновые изображения фиксированного размера 28 × 28 с измененным диапазоном интенсивности (0,1).

Коэффициент выпадения применяется ко всем выходным данным скрытых слоев, и все слои изначально имеют регуляризатор l2-ядра с силой 0,5 (Cogswell et al., 2015). Модель была обучена с использованием пакетов из четырех и включала изображения, созданные с помощью генератора, в дополнение к реальным данным. Скорость обучения была снижена на плато, а ранняя остановка использовалась для уменьшения переобучения.Используемая функция потерь представляла собой категориальную кросс-энтропию для модели, а оптимизатор — RMSprop (Tieleman and Hinton, 2012).

Гиперпараметры для сети CNN были выбраны после случайного поиска (Bergstra and Bengio, 2012). Для случайного поиска использовалась библиотека Hyperopt Python (Bergstra et al., 2013). Выбранные гиперпараметры включали значение выпадения, выбор оптимизатора, размер ядра, нет. нейронов. Были выбраны гиперпараметры, которые смогли достичь максимальной точности.

3.4.3 Генератор

Сеть GAN состоит из двух отдельных моделей: генератора (G) и дискриминатора (D). G используется для создания поддельных выборок, подобных реальному пространству данных, из скрытой переменной z. D определяет, поступает ли его ввод из G или реального пространства данных. G и D соревнуются за достижение своих индивидуальных целей; отсюда и термин «состязательный». Поскольку D хочет классифицировать реальные или поддельные образцы, V ( G , D ) считается целевой функцией как аспект проблемы классификации.С точки зрения D, если выборка основана на реальных данных, D максимизирует ее результат. Напротив, если образец поступает из G, D минимизирует его выход. Следовательно, член log (1- D ( G ( z | y ))) появляется в уравнении. 1. Поскольку цель G состоит в том, чтобы обмануть D, он пытается максимизировать производительность D, когда поддельный образец представлен D. Следовательно, D пытается максимизировать V ( G , D ). Напротив, G пытается минимизировать V ( G , D ), таким образом формируя минимаксное соотношение в уравнении.1. Теоретически, когда равновесие между G и D происходит, когда pdata ( x ) = pg ( x ) и D всегда производят 1/2, где pg ( x ) означает вероятностное распределение данных, предоставленных Генератором.

Генератор принимает точку в скрытом пространстве и метку класса в качестве входных данных. Выходной сигнал генератора представляет собой изображение в градациях серого размером 28 × 28 × 1 грамианского углового суммирующего поля. Сетевая архитектура состоит из полностью подключенного уровня, измененного до размера 7 × 7 × 128, и трех деконволюционных слоев для повышения дискретизации изображения с размером ядра 4 × 4.Деконволюцию можно рассматривать как расширение пикселей путем вставки между ними нулей (Frid-Adar et al., 2018). Свертка расширенного изображения приведет к увеличению выходного изображения. Пакетная нормализация (BN) применяется к каждому слою, кроме выходного. BN помогает стабилизировать обучение и проблемы с инициализацией параметров. Это полезно для предотвращения перехода моделей в режим свертывания. Когда происходит коллапс режима, Генератор будет выводить одинаковые изображения с небольшим разнообразием для разных входов.Функции активации ReLU применяются ко всем слоям, кроме выходного слоя, где используется функция активации tanh. Обратная связь Дискриминатора помогает Генератору корректировать свои веса для повышения производительности.

3.4.4 Дискриминатор

Сеть Дискриминатора используется для определения того, можно ли считать сгенерированные выборки реальными. Обычно дискриминатор можно считать работающим оптимально для классификации 50% сгенерированной выборки как подделки. Сети GAN формируются в два этапа, на которых Дискриминатор обучается максимально эффективно.Оптимальный дискриминатор имеет форму, приведенную в формуле. 3. Дискриминаторная сеть имеет типичную архитектуру CNN, которая принимает входное изображение размером 28 × 28 × 1 и выводит, является ли изображение реальным или поддельным.

D * (x) = Pr (x) Pr (x) + Pg (x) (3)
3.4.5 Обучение модели

Обучение сетей GAN — одна из самых сложных задач. Цель генеративных моделей — сопоставить реальное распределение данных pdata ( x ) из pg ( x ). Таким образом, минимизация различий между двумя распределениями является решающим моментом для обучения генеративных моделей.Две конкурирующие системы должны тренироваться одновременно. Обучение двух систем — задача с нулевой суммой. Оптимальное решение может быть достигнуто только при достижении равновесия по Нэшу.

G и D — две дифференцируемые функции, которые представляют Генератор и Дискриминатор соответственно. Входными данными для D являются x (реальные данные) и z (случайные данные). Результатом G являются поддельные данные, полученные в соответствии с распределением вероятностей фактических данных (или pdata ), G (z). Если существующие данные заданы как входные для Дискриминатора, он должен классифицировать входные данные как реальные данные, помечая их 1.Предположим, фальшивые или сгенерированные данные вводятся в Дискриминатор. В этом случае он должен классифицировать входные данные как поддельные, помечая их 0. Дискриминатор стремится правильно классифицировать входные данные в соответствии с источником данных. Генератор пытается обмануть Дискриминатор, делая сгенерированные данные G (z) подобными и соответствующими реальным данным x. Этот похожий на игру состязательный процесс медленно и постепенно улучшает производительность как Дискриминатора, так и Генератора на протяжении всего процесса. Следовательно, постепенно Генератор может генерировать более качественные изображения, которые выглядят более реальными, потому что он должен обмануть улучшенный и более эффективный Дискриминатор.

Несмотря на то, что сети GAN становятся все популярнее, их по-прежнему сложно обучать, поскольку большинство исследователей находят стабильные архитектуры эвристическим путем (Radford et al., 2015). Традиционные подходы к генеративному моделированию основаны на максимизации правдоподобия или, что эквивалентно, минимизации расхождения Кульбака-Лейблера (KL) между исходным распределением данных P r и распределением генератора P g В частности, модель дискриминатора Производительность используется для обновления весов модели дискриминатора и модели генератора.Генератор на самом деле никогда не видит примеров из предметной области и адаптируется в соответствии с работой Дискриминатора.

4 Результаты

Результаты системы анализировались в несколько этапов. На первом этапе для определения точности базовой классификации использовались традиционные классификаторы. На этом этапе использовались функции, использованные первоначальными авторами. На следующем этапе будет обсуждаться производительность классификатора глубокого обучения с добавлением данных и без него.

4.1 Параметры производительности

Результаты исследования разделены на два раздела. Первый раздел будет посвящен базовым классификаторам, которые использовались для оценки набора данных. Результаты этих классификаторов использовались для определения некоторых параметров классификаторов глубокого обучения. Во втором разделе будет представлена ​​производительность предлагаемой глубокой нейронной сети и ее сравнение с другими классификаторами.

Область под характеристикой приемника-оператора (AUROC) является важным показателем для способности классификатора точно различать классы.Значение AUROC более 0,9 считается отличным классификатором, а значение более 0,8 может считаться хорошим классификатором. В этом исследовании в качестве индикаторов тестирования использовались точность классификации и площадь под кривой. Определения вышеуказанных показателей следующие:

Точность = TP + TNTP + FP + TN + FN (5)

TP — количество истинных срабатываний, FN — количество ложных отрицательных результатов, FP — количество ложных срабатываний, TN — количество истинных негативов.

4.2 Производительность базовых моделей

В исходной публикации для расчета точности классификации был реализован линейный классификатор на основе SVM.Для проверки набора данных была применена перекрестная проверка без исключения (LOOCV) (Bak et al., 2019). Общие средние значения точности двоичной классификации были оценены в 83,4, 77,4 и 80,6% для RFT против LFT, RFT против FT и LFT против FT, соответственно, в исходной публикации. Анализ показал, что точность классификации RFT по сравнению с LFT значительно выше, чем точность классификации RFT по сравнению с FT. Среднее значение точности троичной классификации было оценено в 70,4%. В предварительном исследовании 27 из 30 добровольцев превысили теоретический уровень вероятности троичной классификации 42.7%. В дополнение к оригинальному методу классификации для этого исследования, для сравнения также использовались дополнительные традиционные методы машинного обучения. Сравнение точности этих классификаторов приведено в таблице 1. Помимо метода на основе SVM оригинальных авторов, для сравнения использовались другие методы, такие как логистическая регрессия, случайный лес и XGBoost. У логистической регрессии была худшая производительность, а у SVM — лучшая. Ни один из использованных традиционных классификаторов не превышал точности классификации первоначальных авторов.

ТАБЛИЦА 1 . Сравнение производительности традиционных классификаторов.

4.3 Производительность моделей глубокого обучения

Были использованы две модели глубокого обучения, одна для классификации, а другая для увеличения данных. На первом этапе традиционные показатели производительности сравниваются с автономной сетью глубокого обучения и сетью расширения данных. На втором этапе был проведен дальнейший анализ для определения данных, полученных в процессе увеличения данных.Классификатор глубокого обучения, предложенный в этом исследовании, основан на CNN, который обучается с использованием данных сети CGAN. Классификатор CNN, обученный только на реальных данных, получил точность 80%.

Образцы данных, сгенерированные генератором для каждой категории, показаны на рисунке 6. Сгенерированные образцы данных начинаются с 10% исходных данных и увеличиваются на 10% на каждом шаге. Традиционные показатели производительности, такие как точность и AUROC, а также точность классификации рассчитываются для каждого шага.В таблице 2 показано, как точность классификации и средний AUROC меняются на каждом этапе. Дополнительная таблица 3 показывает точность, полученную для каждого класса в каждом наборе данных. Матрица неточностей для классификатора, обученного с использованием только исходных данных, приведена в таблице 4. Согласно матрице неточностей, было несколько неправильных классификаций, в первую очередь для задач RHT и LHT. Матрица неточностей для классификатора, обученного с использованием максимального увеличения данных, приведена в таблице 5. В этой матрице неточностей имеется только одна неверная классификация.Классификатор, обученный с использованием максимальных дополненных данных, также получил лучшее значение AUROC. Кривые AUROC, полученные для этого случая, показаны на рисунке 7. Как и ожидалось, точность классификации улучшилась с увеличением количества данных. Общая архитектура классификатора не изменилась. Однако некоторые параметры регуляризации были изменены вместе с увеличением объема данных. Первоначально существовала строгая схема регуляризации из-за небольшого размера данных, и периодически регуляризация ослаблялась, чтобы предотвратить недопустимую подгонку.

РИСУНОК 6 . Синтетические изображения, созданные CGAN для задач (A) Постукивание ногой (B) Постукивание левым пальцем (C) Постукивание правым пальцем.

ТАБЛИЦА 2 . Сгенерированные данные и показатели производительности.

ТАБЛИЦА 3 . Точность для каждого класса в каждом наборе данных.

ТАБЛИЦА 4 . Матрица путаницы, полученная с помощью модели CNN с использованием тестовых данных от субъекта 1 для исходного набора данных.

ТАБЛИЦА 5 .Матрица неточностей для модели с дополнением данных GAN (реальные данные + 110% сгенерированных данных) с использованием тестовых данных от субъекта 1

РИСУНОК 7 . Кривые ROC для трех задач, полученные с использованием всех наборов тестов при обучении модели с использованием реальных данных + 110% сгенерированных данных для обучающего набора.

Классификатор получил максимальную точность классификации 96,67%, которая была обучена с реальными данными и 110% сгенерированными данными. Дальнейшее повышение точности классификации потребовало изменения данных в архитектуре данных.Поскольку авторы намеревались улучшить производительность модели только за счет увеличения данных, этап генерации данных завершился после 110% данных. Это падение точности классификации после 110% может быть вызвано чрезмерной подгонкой, и может потребоваться дальнейшая регуляризация.

4.4 Метрики производительности, связанные с генерирующими состязательными сетями (GAN)

Условная GAN, используемая для классификации задач, может генерировать искусственные выборки, принадлежащие определенной категории, указанной условным аргументом.В этом разделе анализируется сходство между сгенерированными выборками и исходным распределением данных в этом разделе.

В различных моделях GAN использовались другие метрики оценки эффективности, включая начальную оценку, оценку среднего мнения (MOS), метрику Вассерштейна, оценку нечеткого комбинаторного анализа (FCA), логарифмическую вероятность и схемы оценки на людях (Sharma et al., 2018 ). Среди них наиболее популярным показателем является начальная оценка (Salimans et al., 2016). Однако он нечувствителен к предыдущим распространяемым этикеткам.Расстояние Frechet Inception также чувствительно к визуальному качеству сгенерированных образцов и еще на один шаг более устойчиво к шуму. Он способен обнаруживать падение внутриклассового режима. Другой вариант — начальная оценка ядра. Многомасштабное структурное сходство для качества изображения (MS-SSIM) используется для интерпретации разнообразия изображений, где более высокий балл MS-SSIM указывает на более высокое сходство между двумя изображениями (Sharma et al., 2018; Wang et al., 2003; Brooks et al., 2008).

На рисунке 6 показан образец сгенерированных изображений GASF для трех задач.Визуальный осмотр был проведен для определения качества полученных изображений. Выходы для различных входов были проверены, чтобы увидеть, есть ли различия между сгенерированными изображениями. В случае коллапса режима сгенерированные изображения будут выглядеть очень похожими независимо от входных данных. В случаях с визуально похожими изображениями, значения MS-SIM использовались, чтобы определить, насколько они похожи. Для предложенной системы меры были приняты на этапе проектирования архитектуры генератора, вводя пакетную нормализацию после каждого уровня.

5 Обсуждение

Результаты нашего исследования показывают, что точность классификации на основе NIRS можно повысить за счет использования методов глубокого обучения. Процессы классификации являются важным шагом для улучшения систем классификации на основе NIRS, используемых в приложениях BCI. Предлагаемая троичная система классификации может классифицировать паттерны активации мозга RHT, LHT и FT. Для классификации требовалась некоторая форма предварительной обработки. Однако этап выбора признаков можно исключить, используя глубокие нейронные сети.Как и ожидалось, использование сети GAN для увеличения данных повысило точность классификации системы. Предлагаемая сеть может обобщить модель, используемую при классификации задач по широкому кругу субъектов.

Одним из недостатков глубоких нейронных сетей является то, что для правильного обучения сети необходимо использовать значительный объем данных. Методы увеличения данных могут увеличить размер выборки, когда сбор большого количества выборок нецелесообразен из-за экономических или временных ограничений. Традиционные методы увеличения данных включают масштабирование, обрезку, поворот и т. Д.Хотя эти методы очень успешны в классификации объектов, нет единого объекта, на котором можно было бы сосредоточиться на классификации в исключительных случаях, таких как данные временных рядов, представленные в изображениях. Следовательно, использование традиционных методов увеличения данных не имеет смысла. Поэтому для повышения точности классификации с использованием способности глубокой нейронной сети обрабатывать сложные данные авторы предлагают объединенный классификатор GAN и CNN. Сети GAN могут повысить эффективность классификации за счет увеличения данных.Модель генератора-дискриминатора сетей GAN позволяет генерировать искусственные выборки. Этот подход также представляет собой уникальную задачу обучения модели, поскольку оптимизация — это игра с нулевой суммой.

По результатам ясно, что сеть CGAN-CNN демонстрирует превосходную точность по сравнению с другими методами машинного обучения. Следовательно, можно обучить надежную модель классификации глубокого обучения с небольшими размерами выборки. Далее авторы попытались обучить классификатор CNN полностью на данных, генерируемых GAN, и протестировать его на реальных данных.Однако этот подход оказался не очень успешным, средняя точность составила 63,33%. Для сравнения, классификатор, обученный с помощью обучающего набора того же размера из исходного набора данных, при оценке с помощью тестового набора получил точность 80%. Как правило, модели глубокого обучения имеют тенденцию чрезмерно соответствовать данным, когда они обучаются с использованием небольших размеров выборки. Такое переоснащение приводит к плохой работе с тестовыми данными, что затрудняет обобщение модели. Кроме того, следует добавить, что, хотя производительность моделей улучшилась, с увеличением данных параметры регуляризации моделей изменились, чтобы гарантировать, что производительность модели не ухудшится.

Одним из наиболее важных аспектов моделей на основе глубокого обучения является обработка необработанных данных без особой предварительной обработки. При использовании необработанных данных для задач классификации могут потребоваться более сложные архитектуры глубокого обучения. Первоначально авторы пытались разработать модель на основе изображений, полученных с использованием необработанных данных в этом исследовании. Классификатор на основе необработанных данных работал плохо по сравнению с моделью с предварительной обработкой. Определенная степень предварительной обработки требовалась для моделей глубокого обучения в этом исследовании.Этот результат не означает, что в будущих исследованиях следует отказаться от классификаторов, основанных на необработанных данных. Классификаторы на основе необработанных данных будут полезны, если требуется классификация задач в реальном времени. Следовательно, необходимы дополнительные исследования, чтобы определить правильный баланс между точностью классификации и сложностью предварительной обработки.

Еще одним усовершенствованием исследований на основе fNIRS, которое предлагают авторы, является создание искусственной последовательности нейронных сигналов с использованием генеративных сетей. Современные генеративные сети, основанные на глубоком обучении, в основном ориентированы на изучение изображений.При представлении последовательностей в виде изображений может быть потеряна некоторая информация. Искусственные нейронные сигналы могут быть использованы в исследованиях как интерфейсов мозг-компьютер, так и здоровья. Дальнейшая предварительная обработка сигналов позволяет обучать такие генерирующие нейронные сети, исключая этап предварительной обработки дополнительных данных. Генеративные сети могут использоваться для преодоления экономических и временных ограничений популяционных исследований. Генеративные сети, такие как CGAN, могут использоваться вместе с другими методами нейровизуализации, особенно когда одно испытание может быть дорогостоящим, трудоемким или повторяющиеся испытания вредны для субъекта.

6 Заключение

fNIRS — это метод нейровизуализации, который можно использовать для классификации задач для интерфейсов мозг-компьютер. Сложная природа сигналов fNIRS делает их идеальными для классификаторов на основе глубокого обучения. Небольшой размер выборки, полученной в результате экспериментов с использованием методов нейровизуализации, затрудняет обобщение классификаторами глубокого обучения. Генеративные модели могут генерировать синтетические образцы, которые могут повысить точность классификации классификаторов на основе глубокого обучения.Авторы предложили условную сеть GAN, которая позволяет пополнять данные путем создания новых выборок. Вновь сгенерированные образцы используются для обучения модели глубокого обучения, основанной на CNN. Кроме того, было замечено, что точность классификации на тестовом наборе может повыситься за счет использования сгенерированных выборок данных для обучения. Это предлагаемое решение может использоваться в различных случаях, когда для точных прогнозов на основе модели требуется большой объем данных. Тем не менее, из-за множества ограничений сбор данных сложен.Качество системы можно улучшить за счет большего сбора данных и точной настройки модели. Дальнейший анализ может сравнить, как синтетические данные, генерируемые из сети GAN, с разными объектами. Такие синтетические нейронные данные могут использоваться для обучения как классификации задач, так и классификации медицинских данных, где сбор данных имеет ограничения.

Заявление о доступности данных

Исходные материалы, представленные в исследовании, включены в статью / дополнительные материалы, дальнейшие запросы можно направить соответствующему автору.

Вклад авторов

Все перечисленные авторы внесли существенный, прямой и интеллектуальный вклад в работу и одобрили ее для публикации.

Конфликт интересов

Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно относятся к их аффилированным организациям или к претензиям издателя, редакторов и рецензентов.Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

Благодарности

Авторы выражают признательность за финансовую поддержку этой работы Университетом Нью-Гэмпшира.

Ссылки

A, J., M, S., Chhabra, H., Shajil, N., and Venkatasubramanian, G. (2020). Исследование глубокой сверточной нейронной сети для классификации сигналов моторного изображения Fnirs для приложений Bci. Biomed. Сигнальный процесс. Контроль. 62, 102133. doi: 10.1016 / j.bspc.2020.102133

CrossRef Полный текст | Google Scholar

Антониу А., Сторки А. и Эдвардс Х. (2017). Состязательные сети, генерирующие увеличение данных. Препринт arXiv arXiv: 1711.04340.

Google Scholar

Бак, С., Парк, Дж., Шин, Дж. И Чон, Дж. (2019). Набор данных открытого доступа fNIRS для классификации одностороннего постукивания пальцами и ногами. Электроника 8, 1486. ​​doi: 10.3390 / electronics8121486

CrossRef Полный текст | Google Scholar

Бергстра Дж. И Бенжио Ю. (2012). Случайный поиск для оптимизации гиперпараметров. J. Machine Learn. Res. 13, 281–305. DOI: 10.5555 / 2188385.2188395

Google Scholar

Бергстра, Дж., Яминс, Д., и Кокс, Д. Д. (2013). «Hyperopt: библиотека Python для оптимизации гиперпараметров алгоритмов машинного обучения», в материалах 12-й конференции «Python в науке» (Citeseer), 24–29 июня 2013 г., Остин, Техас, 13, 20.doi: 10.25080 / majora-8b375195-003

CrossRef Полный текст | Google Scholar

Брукс, А.С., Сяонан Чжао, X., и Паппас, Т.Н. (2008). Метрики качества структурного сходства в контексте кодирования: исследование пространства реалистичных искажений. IEEE Trans. Процесс изображения. 17, 1261–1273. doi: 10.1109 / tip.2008.926161

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Чиарелли, А. М., Кроче, П., Мерла, А., и Заппасоди, Ф. (2018). Глубокое обучение для гибридного интерфейса мозг-компьютер EEG-fNIRS: приложение к классификации моторных изображений. J. Neural Eng. 15, 036028. doi: 10.1088 / 1741-2552 / aaaf82

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Когсвелл, М., Ахмед, Ф., Гиршик, Р., Зитник, Л., и Батра, Д. (2015). Снижение переобучения в глубоких сетях за счет декорреляционных представлений. Препринт arXiv arXiv: 1511.06068

Google Scholar

Comon, P. (1994). Независимый компонентный анализ, новая концепция ?. Сигнал. Обработка 36, 287–314. doi: 10.1016 / 0165-1684 (94)

-9

CrossRef Полный текст | Google Scholar

Кресвелл, А., Уайт, Т., Думулин, В., Арулкумаран, К., Сенгупта, Б., и Бхарат, А.А. (2018). Генеративные состязательные сети: обзор. Сигнал IEEE. Процесс. Mag. 35, 53–65. doi: 10.1109 / msp.2017.2765202

CrossRef Полный текст | Google Scholar

Дузас, Г., и Бакао, Ф. (2018). Эффективная генерация данных для несбалансированного обучения с использованием условно генерирующих состязательных сетей. Expert Syst. Прил. 91, 464–471. doi: 10.1016 / j.eswa.2017.09.030

CrossRef Полный текст | Google Scholar

Ferrari, M., и Куаресима, В. (2012). Краткий обзор истории развития человека в области функциональной ближней инфракрасной спектроскопии (Fnirs) и областей применения. Neuroimage 63, 921–935. doi: 10.1016 / j.neuroimage.2012.03.049

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Фрид-Адар, М., Диамант, И., Кланг, Э., Амитаи, М., Голдбергер, Дж., И Гринспен, Х. (2018). Синтетическое медицинское увеличение изображений на основе Гана для повышения эффективности Cnn в классификации поражений печени. Нейрокомпьютинг 321, 321–331. doi: 10.1016 / j.neucom.2018.09.013

CrossRef Полный текст | Google Scholar

Gao, Z., Dang, W., Wang, X., Hong, X., Hou, L., Ma, K., et al. (2020). Сложные сети и глубокое обучение для анализа сигналов ЭЭГ. Cogn. Neurodyn. 15, 369–388. doi: 10.1007 / s11571-020-09626-1

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Gauthier, J. (2014). «Условные генеративные состязательные сети для сверточной генерации лиц», в проекте класса для Стэнфорда CS231N: сверточные нейронные сети для визуального распознавания, зимний семестр Кембридж, Массачусетс: MIT Press 2014, 2.

Google Scholar

Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., et al. (2014). «Генеративные состязательные сети», в Достижения в системах обработки нейронной информации Кембридж, Массачусетс: MIT Press, 2672–2680.

Google Scholar

Хеннрих, Дж., Херфф, К., Хегер, Д., и Шульц, Т. (2015). «Исследование глубокого обучения для Fnirs на основе Bci», 37-я Ежегодная международная конференция IEEE Engineering in Medicine and Biology Society (EMBC), 2015 г., 25–29 августа 2015 г., Милан, Италия: IEEE 2015, 2844–2847.doi: 10.1109 / EMBC.2015.7318984

CrossRef Полный текст | Google Scholar

Ho, T. K. K., Gwak, J., Park, C. M., and Song, J.-I. (2019). Дискриминация уровней умственной нагрузки от многоканальных Fnirs с использованием подходов, основанных на глубоком изучении. IEEE Access 7, 24392–24403. doi: 10.1109 / access.2019.2

7

CrossRef Полный текст | Google Scholar

Hocke, L., Oni, I., Duszynski, C., Corrigan, A., Frederick, B., and Dunn, J. (2018). Автоматическая обработка данных fNIRS — Наглядное руководство по подводным камням и последствиям. Алгоритмы 11, 67. doi: 10.3390 / a11050067

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Хонг, К.-С., Хан, М. Дж., И Хонг, М. Дж. (2018). Методы извлечения признаков и классификации для гибридных интерфейсов мозг-компьютер Fnirs-Eeg. Фронт. Гм. Neurosci. 12, 246. doi: 10.3389 / fnhum.2018.00246

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Hong, Y., Hwang, U., Yoo, J., and Yoon, S. (2019). Как работают генеративные состязательные сети и их варианты. ACM Comput. Surv. 52, 1–43. doi: 10.1145 / 3301282

CrossRef Полный текст | Google Scholar

Huppert, T. J., Hoge, R. D., Diamond, S. G., Franceschini, M. A., and Boas, D. A. (2006). Временное сравнение гемодинамических реакций Bold, Asl и Nirs на двигательные стимулы у взрослых людей. Neuroimage 29, 368–382. doi: 10.1016 / j.neuroimage.2005.08.065

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Марван, Н., Карменромано, М., Тиль, М.и Куртс Дж. (2007). Графики повторяемости для анализа сложных систем. Phys. Реп. 438, 237–329. doi: 10.1016 / j.physrep.2006.11.001

CrossRef Полный текст | Google Scholar

Mika, S., Schölkopf, B., Smola, A.J., Müller, K.-R., Scholz, M., and Rätsch, G. (1999). «Kernel Pca и устранение шумов в пространствах признаков», в Advances in Neural Information Processing Systems , MIT Press, Кембридж, Массачусетс: 536–542.

Google Scholar

Мирза, М., и Осиндеро, С. (2014). Условно порождающие состязательные сети. Препринт arXiv arXiv: 1411.1784.

Google Scholar

Рэдфорд, А., Мец, Л., и Чинтала, С. (2015). Обучение неконтролируемому представлению с помощью глубоких сверточных генеративных состязательных сетей. Препринт arXiv arXiv: 1511.06434

Google Scholar

Саадати М., Нельсон Дж. и Аяз Х. (2019). «Сверточная нейронная сеть для гибридной классификации умственной нагрузки Fnirs-Eeg» на Международной конференции по прикладному человеческому фактору и эргономике, 24–28 июля 2019 г., Вашингтон, округ Колумбия (Springer), 221–232.doi: 10.1007 / 978-3-030-20473-0_22

CrossRef Полный текст | Google Scholar

Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., and Chen, X. (2016). Улучшенные методы обучения ганов. Препринт arXiv arXiv: 1606.03498

Google Scholar

Шарма А., Джиндал Н. и Такур А. (2018). «Сравнение генерирующих состязательных сетей — исследование», Первая международная конференция по безопасным кибервычислениям и коммуникациям (ICSCCC) 2018 г., 15–17 декабря 2018 г., Джаландхар (IEEE), 391–396.

Google Scholar

Shin, J., von Lühmann, A., Blankertz, B., Kim, D. W., Jeong, J., Hwang, H.J., et al. (2016). Набор данных открытого доступа для однократной классификации ЭЭГ + NIRS. IEEE Trans. Neural Syst. Rehabil. Англ. 25, 1735–1745. doi: 10.1109 / TNSRE.2016.2628057

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Shin, J., Kwon, J., and Im, C.-H. (2018). Тернарный гибридный мозг-компьютерный интерфейс Eeg-Nirs для классификации паттернов активации мозга во время ментальной арифметики, двигательных образов и состояния ожидания. Фронт. Нейроинформ. 12, 5. doi: 10.3389 / fninf.2018.00005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Thanaraj, K. P., Parvathavarthini, B., Tanik, U. J., Rajinikanth, V., Kadry, S., and Kamalanand, K. (2020). Реализация глубинных нейронных сетей для классификации сигналов Eeg с использованием грамианового углового суммирования поля для диагностики эпилепсии. Препринт arXiv arXiv: 2003.04534

Google Scholar

Цунашима, Х., Янагисава, К. (2009). Измерение функции мозга водителя автомобиля с помощью функциональной спектроскопии в ближнем инфракрасном диапазоне (Fnirs). Comput. Intell. Neurosci. , 2009, 1–12. doi: 10.1155 / 2009/164958

CrossRef Полный текст | Google Scholar

Wang, K., Gou, C., Duan, Y., Lin, Y., Zheng, X., and Wang, F.-Y. (2017). Генеративные состязательные сети: введение и перспективы. Ieee / caa J. Autom. Sinica 4, 588–598. doi: 10.1109 / jas.2017.7510583

CrossRef Полный текст | Google Scholar

Ван З. и Оутс Т. (2015a). «Кодирование временных рядов как изображений для визуального контроля и классификации с использованием мозаичных сверточных нейронных сетей», на семинарах на двадцать девятой конференции AAAI по искусственному интеллекту 1.

Google Scholar

Ван З. и Оутс Т. (2015b). Визуализация временных рядов для улучшения классификации и вменения. Препринт arXiv arXiv: 1506.00327

Google Scholar

Ван З., Симончелли Э. П. и Бовик А. С. (2003). «Мультимасштабное структурное подобие для оценки качества изображения», на Седьмой конференции Asilomar по сигналам, системам и компьютерам, 9–12 ноября 2003 г., Pacific Grove, CA (IEEE) 2, 1398–1402.

Google Scholar

Викрамаратне, С.Д. и Махмуд М. С. (2021 г.). Система троичной классификации задач на основе глубокого обучения с использованием грамианового углового суммирования поля в данных нейровизуализации Fnirs. Препринт arXiv arXiv: 2101.05891. doi: 10.1109 / healthcom49281.2021.9398993

CrossRef Полный текст | Google Scholar

Юсель, М. А., Селб, Дж. Дж., Хупперт, Т. Дж., Франческини, М. А., и Боас, Д. А. (2017). Функциональная ближняя инфракрасная спектроскопия: обеспечение рутинной функциональной визуализации мозга. Curr. Opin. Биомед. Англ. 4, 78–86.doi: 10.1016 / j.cobme.2017.09.011

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zeng, M., Zhang, X., Zhao, C., Lu, X., and Meng, Q. (2020). Grp-dnet: плотно связанная сверточная сеть на основе серого графика рецидивов для классификации эпилептиформ Eeg. J. Neurosci. Методы 347, 108953. doi: 10.1016 / j.jneumeth.2020.108953

PubMed Аннотация | CrossRef Полный текст | Google Scholar

Zhang, Y.-D., Govindaraj, V. V., Tang, C., Zhu, W., и Sun, J. (2019). Высокоэффективная классификация рассеянного склероза с помощью расширения данных и модели обучения Alexnet Transfer. J Med. Imaging Hlth Inform. 9, 2012–2021. doi: 10.1166 / jmihi.2019.2692

CrossRef Полный текст | Google Scholar

Классы использования | Изменение использования

Приказ 1987 года о городском и сельском планировании (классы использования) (с поправками) относит использование земли и зданий к различным категориям, известным как «классы использования», которые подробно описаны ниже.

«Смена использования» может происходить в пределах одного класса использования или от одного класса использования к другому.

В зависимости от специфики любого предлагаемого изменения использования, включая любые строительные работы, связанные с предложением, может потребоваться приложение для разрешения на строительство или предварительное одобрение.

Соответствующие строительные нормы и правила также необходимо учитывать при любом предлагаемом изменении использования.

Текущие классы использования

Текущие классы использования последний раз обновлялись 1 сентября 2020 г.

Как правило, для любых приложений классы использования, действовавшие на момент отправки приложения, будут использоваться для его определения.

Существуют и другие специальные области законодательства, которые разрешают использование классов использования в том виде, в котором они были в определенный момент времени.

Тем не менее, рекомендуется подтверждать особенности любой из этих потенциальных ситуаций в соответствующем местном органе планирования.

Класс B
  • B2 Общепромышленное применение — Использование для промышленных процессов, кроме тех, которые подпадают под класс E (g) (ранее класс B1) (за исключением целей сжигания, химической обработки или захоронения или опасных отходов)
  • B8 Хранение или распространение — Этот класс включает хранение на открытом воздухе.
Класс C
  • C1 Гостиницы — Гостиницы, пансионаты и гостевые дома, в которых не предоставляется значительный элемент обслуживания (за исключением общежитий)
  • C2 Дома-интернаты — Дома престарелых, больницы, дома престарелых, школы-интернаты, колледжи-интернаты и учебные центры
  • C2A Безопасное жилое учреждение — Использование для обеспечения безопасного жилого помещения, включая использование в качестве тюрьмы, учреждения для молодых правонарушителей, центра содержания под стражей, безопасного учебного центра, центра временного содержания, центра временного содержания, безопасной больницы, безопасного жилья местных властей или использовать как военную казарму
  • C3 Жилые дома — Этот класс состоит из трех частей.
    • C3 (a) охватывает использование одиноким лицом или семьей (пара, состоящая в браке или нет, лицо, связанное друг с другом, с членами семьи одной пары, которые рассматриваются как члены семьи другой пары. ), работодатель и некоторые домашние работники (например, помощница по хозяйству, няня, медсестра, гувернантка, слуга, шофер, садовник, секретарь и личный помощник), опекун и лицо, получающее уход, а также приемный родитель и приемный ребенок
    • C3 (b) охватывает до шести человек, живущих вместе как одно домашнее хозяйство и получающих уход e.грамм. поддерживаемые жилищные программы, например, для людей с ограниченными возможностями обучения или психическими расстройствами
    • C3 (c) позволяет группам людей (до шести) жить вместе как одно домашнее хозяйство. Это позволяет предусмотреть те группы, которые не подпадают под определение ОПЗ C4, но которые попали в предыдущий класс использования C3, т.е. небольшая религиозная община может попасть в этот раздел, как и домовладелец, живущий с квартирантом
  • C4 Многопрофильные дома — Небольшие общие дома, в которых проживают от трех до шести человек, не связанных между собой родственниками, в качестве единственного или основного места жительства, которые разделяют основные удобства, такие как кухня или ванная комната.
Класс E — коммерческий, деловой и сервисный

В 11 частях класс E в более широком смысле охватывает виды использования, ранее определенные в отмененных классах A1 / 2/3, B1, D1 (a-b) и «спорт в помещении» из D2 (e):

  • E (a) Выставочная или розничная торговля товарами, кроме горячих продуктов
  • E (b) Продажа продуктов питания и напитков для потребления (в основном) на месте
  • E (c) Предоставление:
    • E (c) (i) Финансовые услуги,
    • E (c) (ii) Профессиональные услуги (кроме здравоохранения или медицинских услуг), или
    • E (c) (iii) Другие соответствующие услуги в коммерческой, деловой или обслуживающей зоне
  • E (d) Спорт, отдых или фитнес в помещении (без использования моторизованных транспортных средств или огнестрельного оружия, а также использования в качестве плавательного бассейна или катка)
  • E (e) Предоставление медицинских услуг (за исключением использования помещений, примыкающих к месту жительства консультанта или практикующего врача)
  • E (f) Ясли, ясли или дневной центр (за исключением жилых помещений)
  • E (g) Использование в жилом районе без ущерба для его удобства:
    • E (g) (i) Офисы для выполнения любых операционных или административных функций,
    • E (g) (ii) Исследование и разработка продуктов или процессов
    • E (g) (iii) Промышленные процессы
Класс F — местное сообщество и обучение

В двух основных частях класс F охватывает виды использования, ранее определенные в аннулированных классах D1, «спорт на открытом воздухе», «бассейны» и «катки» из D2 (e), а также новые виды использования местными сообществами.

  • F1 Учебные и нежилые учреждения — Использование (не включая использование в жилых помещениях), определенное в 7 частях:
    • F1 (a) Обеспечение образования
    • F1 (b) Демонстрация произведений искусства (кроме продажи или аренды)
    • F1 (c) Музеи
    • F1 (d) Публичные библиотеки или общественные читальные залы
    • F1 (e) Общественные или выставочные залы
    • F1 (f) Общественное богослужение или религиозное обучение (или в связи с таким использованием)
    • F1 (g) Суды
  • F2 Местное сообщество — Использование, как определено в 4 частях:
    • F2 (a) Магазины (в основном) по продаже товаров первой необходимости, в том числе продуктов питания, площадь которых не превышает 280 квадратных метров и в пределах 1000 метров нет другого такого объекта
    • F2 (b) Залы или места для встреч, используемые местным населением
    • F2 (c) Площадки или места для занятий спортом или отдыхом на открытом воздухе (без использования моторных транспортных средств или огнестрельного оружия)
    • F2 (d) Крытые или открытые бассейны или катки
Sui Generis

«Sui generis» — латинский термин, который в данном контексте означает «в собственном классе».

Некоторые виды использования специально определены и исключены из классификации законодательством, и поэтому становятся «sui generis». Это:

  • кинотеатры
  • развлекательные галереи / центры или ярмарки
  • прачечных
  • АЗС
  • аренда, продажа и / или демонстрация автотранспортных средств
  • таксомоторных предприятий
  • площадок для металлолома или площадок для хранения / распределения полезных ископаемых и / или разбивки автомобилей
  • «Щелочная работа» (любая работа, регистрируемая под щелочью и т. Д.Закон о регулировании трудовых отношений 1906 г. (с поправками)
  • общежитий (без значительного элемента обслуживания)
  • Установки для сжигания, химической обработки или захоронения опасных отходов
  • розничных складских клубов
  • ночных клубов
  • казино
  • букмекерские конторы / магазины
  • пунктов выдачи кредитов
  • публичных домов, винных баров или питейных заведений — с 1 сентября 2020 года, ранее класс A4
  • питейных заведений с расширенным питанием — с 1 сентября 2020 года, ранее класс А4
  • горячих блюд на вынос (для продажи горячих блюд, когда они потребляются в основном вне помещений) — с 1 сентября 2020 года, ранее класс A5
  • площадок для выступлений с живой музыкой — мест, недавно определенных как «Sui Generis», с 1 сентября 2020 года
  • кинотеатров — с 1 сентября 2020 года, ранее класс D2 (a)
  • концертных залов — с 1 сентября 2020 года, ранее класс D2 (б)
  • залов для бинго — с 1 сентября 2020 года, ранее класс D2 (c)
  • танцевальных залов — с 1 сентября 2020 года, ранее класс D2 (d)

Другие виды использования становятся «sui generis», если они выходят за определенные пределы любого другого класса использования.

Например, C4 (Дома для нескольких человек) ограничивается домами, в которых проживает не более шести человек. Таким образом, многоквартирные дома с более чем шестью жильцами становятся предметом особого пользования.

Отмененные классы использования

Старые классы использования включены сюда для справки и использования в определенных ситуациях, когда они остаются действительными.

Класс A

Class A был отменен с 1 сентября 2020 года. Class A 1/2/3 были фактически заменены на Use Class E (a, b, c).Использование A4 / 5 не входило в класс использования E и было определено как «Sui Generis»

.
  • A1 Магазины — Магазины, склады розничной торговли, парикмахерские, гробовщики, туристические и билетные агентства, почтовые отделения, зоомагазины, сэндвич-бары, выставочные залы, пункты проката товаров для дома, химчистки, похоронные бюро и интернет-кафе
  • A2 Финансовые и профессиональные услуги — Финансовые услуги, такие как банки и строительные общества, профессиональные услуги (кроме медицинских и медицинских услуг), включая агентства по недвижимости и трудоустройству.Сюда не входят букмекерские конторы и пункты выдачи кредитов — теперь они классифицируются как «sui generis» (см. Ниже)
  • A3 Рестораны и кафе — Продажа еды и напитков для потребления на территории — рестораны, закусочные и кафе
  • A4 Питьевые заведения — Пабы, винные бары или другие питейные заведения (но не ночные клубы), включая питейные заведения с расширенным питанием
  • A5 Горячие продукты на вынос — Продажа горячих продуктов для потребления вне помещений.
Класс B

B1 Business был отменен с 1 сентября 2020 года. Фактически заменен новым классом E (g).

  • B1 Business — Использование, которое может осуществляться в жилом районе без ущерба для его удобства. Этот класс состоял из трех частей:
    • B1 (a) Офисы — кроме использования в классе A2 (см. Выше)
    • B1 (b) Исследования и разработки продуктов или процессов
    • B1 (c) Промышленные процессы

Классы использования B2 и B8 остаются в силе (см. «Текущие классы использования» выше).

Классы использования B3 (отменены в 1992 г.) и B4 – B7 (отменены в 1995 г.) использовались для обозначения конкретных промышленных применений «

.
Класс D

Класс D был отменен с 1 сентября 2020 года. D1 был выделен и заменен новыми классами E (e-f) и F1. D2 был разделен и заменен новыми классами E (d) и F2 (c-d), а также несколькими новыми определениями использования «Sui Generis».

  • D1 Нежилые учреждения — Клиники, медицинские центры, ясли, ясли, дневные центры, школы, художественные галереи (кроме продажи или аренды), музеи, библиотеки, залы, места отправления культа, церковные залы, право корт.Нежилые учебно-тренировочные центры
  • D2 Сборка и досуг — Кинотеатры, музыкальные и концертные залы, бинго и танцевальные залы (но не ночные клубы), плавательные ванны, катки, тренажерные залы или зоны для занятий спортом в помещении или на открытом воздухе и отдыха (кроме мотоспорта или где огнестрельное оружие).

Оценка классификаторов машинного обучения для интеллектуальных трекеров следующего поколения с непрерывной этограммой | Экология движения

  • 1.

    Боргер Л., Бейлевельд А.И., Файет А.Л., Маховски-Капуска Г.Е., Патрик С.К., Стрит Г.М. и др.Особенность биологической обработки. J Anim Ecol. 2020; 89 (1): 6–15.

    PubMed Статья Google ученый

  • 2.

    Ropert-Coudert Y, Wilson RP. Тенденции и перспективы дистанционного зондирования животных. Фасад Ecol Environ. 2005. 3 (8): 437–44.

    Артикул Google ученый

  • 3.

    Cooke SJ, Hinch SG, Wikelski M, Andrews RD, Kuchel LJ, Wolcott TG, et al. Биотелеметрия: механистический подход к экологии.Trends Ecol Evol. 2004. 19 (6): 334–43.

    PubMed Статья Google ученый

  • 4.

    Cooke SJ. Биотелеметрия и биологизация в исследованиях вымирающих видов и сохранении животных: актуальность для региональных, национальных и оценок угроз Красного списка МСОП. Угроза видам Res. 2008. 4: 165–85.

    Артикул Google ученый

  • 5.

    Wilson ADM, Wikelski M, Wilson RP, Cooke SJ.Использование биологических сенсорных меток в охране животных. Conserv Biol. 2015; 29 (4): 1065–75.

    CAS PubMed Статья Google ученый

  • 6.

    Толедо С., Шохами Д., Шиффнер И., Лурье Е., Орчан Ю., Бартан И. и др. Навигация на основе когнитивных карт у диких летучих мышей, обнаруженная с помощью новой высокопроизводительной системы слежения. Наука. 2020; 369 (6500): 188.

    CAS PubMed Статья Google ученый

  • 7.

    Браун Д.Д., Кейс Р., Викельски М., Уилсон Р., Климли А.П. Наблюдение за невидимым посредством ускоренной регистрации поведения животных. Аним Биотелеметрия. 2013; 1 (1): 20.

    Артикул Google ученый

  • 8.

    Shepard ELC, Wilson RP, Halsey LG, Quintana F, Gómez Laich A, Gleiss AC, et al. Получение движения тела посредством соответствующего сглаживания данных ускорения. Aquat Biol. 2008. 4 (3): 235–41.

    Артикул Google ученый

  • 9.

    Wilson RP, White CR, Quintana F, Halsey LG, Liebsch N, Martin GR и др. Движение к ускорению для оценки скорости метаболизма, зависящей от активности у свободноживущих животных: случай с бакланом. J Anim Ecol. 2006; 75 (5): 1081–90.

    PubMed Статья Google ученый

  • 10.

    Qasem L, Cardew A, Wilson A, Griffiths I., Halsey LG, Shepard ELC, et al. Трехосное динамическое ускорение как показатель расхода энергии животными; мы должны суммировать значения или вычислять вектор? PLoS One.2012; 7 (2): e31187.

    CAS PubMed PubMed Central Статья Google ученый

  • 11.

    Райт Б.М., Дж.К.Б. Ф., Эллис Г.М., Дик В.Б., Шапиро А.Д., Баттайле BC и др. Мелкомасштабные перемещения рыбоядных косаток ( Orcinus orca ) за кормом связаны с вертикальным распределением и реакцией бегства лососевых жертв (Oncorhynchus spp.). Mov Ecol. 2017; 5 (1): 3.

    PubMed PubMed Central Статья Google ученый

  • 12.

    Уилсон Р.П., Шепард Э., Либш Н. Вникание в интимные подробности жизни животных: ведение ежедневного дневника о животных. Угроза видам Res. 2008. 4 (1–2): 123–37.

    Артикул Google ученый

  • 13.

    Участник торгов OR, Walker JS, Jones MW, Holton MD, Urge P, Scantlebury DM, et al. Шаг за шагом: реконструкция путей передвижения наземных животных методом счисления. Mov Ecol. 2015; 3 (1): 23.

    CAS PubMed PubMed Central Статья Google ученый

  • 14.

    Dunford CE, Marks NJ, Wilmers CC, Bryce CM, Nickel B, Wolfe LL, et al. Выживание на крутых склонах: оценка локомоторных затрат диких горных львов (Puma concolor) в полевых условиях. Mov Ecol. 2020; 8: 34.

    PubMed PubMed Central Статья Google ученый

  • 15.

    Williams TM, Wolfe L, Davis T., Kendall T, Richter B, Wang Y, et al. Мгновенная энергетика убийств пумы раскрывает преимущество скрытых атак кошачьих.Наука. 2014. 346 (6205): 81–5.

    CAS PubMed Статья Google ученый

  • 16.

    Дейли М.А., Ченнон А.Дж., Нолан Г.С., Холл Дж. Предпочтительные скорости перехода от ходьбы и ходьбы к бегу у страусов, измеренные с помощью датчиков GPS-IMU. J Exp Biol. 2016. 219 (20): 3301–8.

    PubMed Статья Google ученый

  • 17.

    Сакамото К.К., Сато К., Исидзука М., Ватануки Ю., Такахаши А., Даунт Ф. и др.Можно ли автоматически создавать этограммы с использованием данных об ускорении тела птиц, находящихся на свободном выгуле? PLoS One. 2009; 4 (4): e5379.

    PubMed PubMed Central Статья CAS Google ученый

  • 18.

    Доктер А.М., Фоккема В., Беккер С.К., Бутен В., Эббинге Б.С., Мюскенс Г. и др. Запасы тела сохраняются по мере того, как фитнес-корреляты у дальних мигрантов, освобожденных от ограничений в питании. Behav Ecol. 2018; 29 (5): 1157–66.

    Артикул Google ученый

  • 19.

    Натан Р., Шпигель О, Фортманн-Роу С., Харел Р., Викельски М., Гетц В.М. Использование данных трехосного ускорения для определения поведенческих режимов животных, находящихся на свободном выгуле: общие концепции и инструменты, проиллюстрированные для грифов-стервятников. J Exp Biol. 2012. 215 (6): 986–96.

    PubMed PubMed Central Статья Google ученый

  • 20.

    Шамун-Баранес Дж., Бом Р., ван Лун Э.Е., Энс Б.Дж., Остербик К., Бутен В. От данных датчиков к поведению животных: пример ловца-сорока.PLoS One. 2012; 7 (5): e37997.

    CAS PubMed PubMed Central Статья Google ученый

  • 21.

    Браун Д.Д., Монтгомери Р.А., Миллспо Дж.Дж., Янсен П.А., Гарсон-Лопес С.Х., Кейс Р. Выбор и пространственное расположение мест отдыха в пределах ареалов обитания в северном Тамандуа. J Zool. 2014. 293 (3): 160–70.

    Артикул Google ученый

  • 22.

    Angel LP, Berlincourt M, Arnould JPY.Выраженные межколонийные различия в экологии кормодобывания австралийских олуш: влияние различий в среде обитания. Mar Ecol Prog Ser. 2016; 556: 261–72.

    Артикул Google ученый

  • 23.

    Райан М.А., Уиссон Д.А., Холланд Дж. Дж., Арноулд Дж. П. Паттерны активности коал, обитающих на свободе (Phascolarctos cinereus), выявленные с помощью акселерометрии. PLoS One. 2013; 8 (11): e80366.

    CAS PubMed PubMed Central Статья Google ученый

  • 24.

    Kölzsch A, Neefjes M, Barkway J, Müskens GJDM, van Langevelde F, de Boer WF и др. Шейный ремень или рюкзак? Различия в дизайне меток и их влияние на отслеживание с помощью GPS / акселерометра приводят к появлению крупных водоплавающих птиц. Аним Биотелеметрия. 2016; 4 (1): 13.

    Артикул Google ученый

  • 25.

    Yu H, Wang X, Cao L, Zhang L, Jia Q, Lee H и др. Являются ли сокращающиеся популяции диких гусей в Китае «пленниками» их естественной среды обитания? Curr Biol.2017; 27 (10): R376 – R7.

    CAS PubMed Статья Google ученый

  • 26.

    Рутц К., Хейс GC. Новые рубежи в биологической науке. Biol Lett. 2009. 5 (3): 289–92.

    PubMed PubMed Central Статья Google ученый

  • 27.

    Толедо С. Оценка местоположения с нуля. Филадельфия: Общество промышленной и прикладной математики; 2020. стр. 217.

  • 28.

    Cox SL, Orgeret F, Gesta M, Rodde C, Heizer I, Weimerskirch H, et al. Обработка данных об ускорении и погружении на борту спутниковых релейных меток для исследования поведения морских хищников при нырянии и поиске пищи. Методы Ecol Evol. 2017; 9 (1): 64–77.

    PubMed PubMed Central Статья Google ученый

  • 29.

    Доктер А.М., Фоккема В., Эббинге Б.С., Олфф Х., ван дер Джеугд Х.П., Нолет Б.А. и др.Сельскохозяйственные пастбища бросают вызов привлекательности естественных солончаков для перелетных гусей. J Appl Ecol. 2018; 55 (6): 2707–18.

    Артикул Google ученый

  • 30.

    Angel LP, Barker S, Berlincourt M, Tew E, Warwick-Evans V, Arnould JPY. Местное питание: Австралазийские олуши увеличивают свои усилия по добыче корма в ограниченном ареале. Биол Открытый. 2015; 4 (10): 1298–305.

    PubMed PubMed Central Статья Google ученый

  • 31.

    Ladds MA, Thompson AP, Kadar J-P, Slip DJ, Hocking DP, Harcourt RG. Супермашинное обучение: повышение точности и уменьшение отклонений классификации поведения от акселерометрии. Аним Биотелеметрия. 2017; 5 (1): 8.

    Артикул Google ученый

  • 32.

    Nuijten RJM, Gerrits T, Shamoun-Baranes J, Nolet BA. Лучше меньше, да лучше: сжатие данных акселерометра с потерями увеличивает биологическую способность. J Anim Ecol. 2020; 89 (1): 237–47.

    PubMed PubMed Central Статья Google ученый

  • 33.

    Roux SP, Marias J, Wolhuter R, Niesler T. Классификация животного поведения овец (Dohne Merino) и носорогов ( Ceratotherium simum и Diceros bicornis ). Аним Биотелеметрия. 2017; 5 (1): 1–13.

  • 34.

    Корпела Дж., Сузуки Х., Мацумото С., Мизутани Ю., Самедзима М., Маэкава Т. и др. Машинное обучение обеспечивает улучшенное время работы и точность для биорегистраторов морских птиц.Commun Biol. 2020; 3 (1): 633.

    PubMed PubMed Central Статья Google ученый

  • 35.

    Чакраварти П., Коззи Дж., Озгул А., Аминиан К. Новый биомеханический подход к распознаванию поведения животных с использованием акселерометров. Методы Ecol Evol. 2019; 10 (6): 802–14.

    Артикул Google ученый

  • 36.

    Васкес Диосдадо Дж. А., Баркер З. Э., Ходжес Х. Р., Амори Дж. Р., Крофт Д. П., Белл Н. Дж. И др.Классификация поведения молочных коров в стойлах с использованием системы мониторинга активности на основе акселерометра. Аним Биотелеметрия. 2015; 3 (1): 15.

    Артикул Google ученый

  • 37.

    Sur M, Suffredini T, Wessells SM, Bloom PH, Lanzone M, Blackshire S, et al. Улучшенная контролируемая классификация данных акселерометрии для различения поведения парящих птиц. PLoS One. 2017; 12 (4): e0174785.

    PubMed PubMed Central Статья CAS Google ученый

  • 38.

    Chen T, Guestrin C. XGBoost: масштабируемая система повышения качества дерева. В: Материалы 22-й международной конференции acm sigkdd по открытию знаний и интеллектуальному анализу данных; 2016. с. 785–94.

    Глава Google ученый

  • 39.

    Натан Р., Гетц В.М., Ревилла Е., Холиоак М., Кадмон Р., Сальц Д. и др. Парадигма экологии движения для объединения исследований движения организмов. Proc Natl Acad Sci U S. A. 2008; 105 (49): 19052–9.

    CAS PubMed PubMed Central Статья Google ученый

  • 40.

    Kröschel M, Reineking B, Werwie F, Wildi F, Storch I. Дистанционный мониторинг поведения бдительности у крупных травоядных с использованием данных ускорения. Аним Биотелеметрия. 2017; 5 (1): 10.

    Артикул Google ученый

  • 41.

    Resheff YS, Rotics S, Harel R, Spiegel O, Nathan R. AcceleRater: веб-приложение для контролируемого обучения поведенческим режимам на основе измерений ускорения. Mov Ecol. 2014; 2 (1): 27.

    PubMed PubMed Central Статья Google ученый

  • 42.

    Beauchemin KA. Приглашенный обзор: современные перспективы поедания и пережевывания молочных коров. J Dairy Sci. 2018; 101 (6): 4762–84.

    CAS PubMed Статья Google ученый

  • 43.

    R Основная команда. R: язык и среда для статистических вычислений. Вена: Фонд R для статистических вычислений; 2016.

    Google ученый

  • 44.

    Næs T, Mevik B-H.Понимание проблемы коллинеарности в регрессионном и дискриминантном анализе. J Chemom. 2001. 15 (4): 413–26.

    Артикул Google ученый

  • 45.

    Weegman MD, Bearhop S, Hilton GM, Walsh AJ, Griffin L, Resheff YS, et al. Использование акселерометрии для сравнения затрат на длительную миграцию у арктических травоядных. Curr Zool. 2017; 63 (6): 667–74.

    PubMed PubMed Central Статья Google ученый

  • 46.

    Rotics S, Kaatz M, Resheff YS, Turjeman SF, Zurell D, Sapir N, et al. Проблемы первой миграции: движение и поведение молодых аистов по сравнению с взрослыми белыми аистами с пониманием ювенальной смертности. J Anim Ecol. 2016; 85 (4): 938–47.

    PubMed Статья Google ученый

  • 47.

    Бао Л., Интилле СС, редакторы. Распознавание активности по аннотированным пользователем данным об ускорении. Распространенные вычисления: Берлин: Springer Berlin Heidelberg; 2004 г.

  • 48.

    Камминг Г.С., Ндлову М. Спутниковая телеметрия афротропических уток: методологические детали и оценка успешности. Afr Zool. 2011; 46 (2): 425–34 10.

    Статья Google ученый

  • 49.

    Паттерсон А., Гилкрист Х. Г., Чиверс Л., Хэтч С., Эллиот К. Сравнение методов классификации поведения двух видов морских птиц с помощью акселерометров. Ecol Evol. 2019; 9 (6): 3030–45.

    PubMed PubMed Central Статья Google ученый

  • 50.

    Толоши Л., Ленгауэр Т. Классификация с коррелированными признаками: ненадежность ранжирования признаков и решений. Биоинформатика. 2011. 27 (14): 1986–94.

    PubMed Статья CAS Google ученый

  • 51.

    Бом Р.А., Бутен В., Пирсма Т., Остербек К., ван Гилс Дж.А. Оптимизация этограмм на основе ускорения: использование сегментации с переменным временем по сравнению с сегментацией с фиксированным временем. Mov Ecol. 2014; 2 (1): 6.

    PubMed PubMed Central Статья Google ученый

  • 52.

    van der Kolk H-J, Ens BJ, Oosterbeek K, Bouten W, Allen AM, Frauendorf M и др. Специалисты по кормлению береговых птиц различаются по тому, как условия окружающей среды меняют время кормления. Behav Ecol. 2020; 31 (2): 371–82.

  • 53.

    Фельманн Дж., О’Райен М.Дж., Хопкинс П.В., О’Салливан Дж., Холтон М.Д., Шепард Э.Л.С. и др. Определение поведения по данным акселерометра у диких социальных приматов. Аним Биотелеметрия. 2017; 5 (1): 6.

    Артикул Google ученый

  • Получение ограничений на основе классификатора | SpringerLink

  • 1.

    Asdi, H.A., Bessiere, C., Ezzahir, R., Lazaar, N .: генератор запросов с ограничением по времени для получения ограничений. В: Материалы 15-й Международной конференции по интеграции программирования с ограничениями, искусственного интеллекта и исследования операций, Lecture Notes in Computer Science, vol. 10848, pp 1–17 (2018)

  • 2.

    Аркангиоли, Р., Бессьер, К., Лазар, Н .: Получение множественных ограничений. В: Материалы 25-й Международной совместной конференции по искусственному интеллекту (2016)

  • 3.

    Асафу-Аджей, Дж. К., Бетенский, Р. А.: Попарный наивный байесовский подход к байесовской классификации. Междунар. J. Распознавание образов. Артиф. Intell. 29 (7) (2015)

  • 4.

    Бартолини, А., Ломбарди, М., Милано, М., Бенини, Л .: Нейронные ограничения для моделирования сложных реальных проблем. В: Материалы 17-й Международной конференции по принципам и практике программирования с ограничениями Лекционные заметки по информатике, т. 6876, pp. 115–129 (2011)

  • 5.

    Бельдичану, Н., Симонис, Х .: Искатель моделей: извлечение моделей глобальных ограничений из положительных примеров. В: Интеллектуальный анализ данных и программирование в ограничениях, Конспект лекций по информатике, т. 10101, pp 77–95. Springer (2016)

  • 6.

    Бессьер, К., Кориче, Ф., Лазаара, Н., О’Салливан, Б.: Получение ограничений. Артиф. Intell. 244 , 315–342 (2017)

    MathSciNet Статья Google ученый

  • 7.

    Бессьер, К., Колетта, Р., Фрейдер, Э. К., О’Салливан, Б.: Использование обучающей силы примеров в автоматизированном получении ограничений. В: Материалы 10-й Международной конференции по принципам и практике программирования с ограничениями Лекционные заметки по информатике, т. 3258, pp. 123–137 (2004)

  • 8.

    Бессьер, К., Колетта, Р., Дауди, А., Лазар, Н., Буяхф, Э. Х .: Повышение эффективности получения ограничений с помощью запросов обобщения. В: Материалы 21-й Европейской конференции по искусственному интеллекту, стр. 99–104 (2014)

  • 9.

    Бессьер, К., Колетта, Р., Хебрард, Э., Кацирелос, Г., Лазаар, Н., Народицкая, Н., Кемпер, К.-Г., Уолш, Т .: Получение ограничений с помощью частичных запросов. В: Материалы 23-й Международной совместной конференции по искусственному интеллекту, стр. 475–481. AAAI Press (2013)

  • 10.

    Бонфьетти А., Ломбарди М., Милано, М .: Встраивание деревьев решений и случайных лесов в программирование ограничений. В: Труды Международной конференции по ИИ и методам ИЛИ в программировании с ограничениями для задач комбинаторной оптимизации, Конспект лекций по информатике, т.9075, стр 74–90. Springer (2015)

  • 11.

    Браун Д., Гиринг М., Прествич С.Д .: Pulse-net: динамическое сжатие сверточных нейронных сетей. В: Proceedings of the IEEE 5th World Forum on Internet of Things (2019)

  • 12.

    Казале П., Пуйоль О., Радева П.: Приблизительное семейство выпуклых корпусов для одноклассовой классификации. В: Материалы международного семинара по множественным классификационным системам, лекция в Notes Computer Sci, vol. 6713, стр. 106–115 (2011)

  • 13.

    Cheng, B.M.W., Choi, K.M.F., Lee, H.H.M., Wu, J.C.K .: Увеличение распространения ограничений с помощью избыточного моделирования: отчет об опыте. Ограничения 4 , 167–192 (1999)

    Статья Google ученый

  • 14.

    Домингос П., Паццани М .: Об оптимальности простого байесовского классификатора в условиях нулевой потери. Мах. Учиться. 29 , 103–130 (1997)

    Артикул Google ученый

  • 15.

    Фишетти, М., Джо, Дж .: Глубокие нейронные сети как смешанные целочисленные линейные программы 0-1: технико-экономическое обоснование. Ограничения 23 (3), 296–309 (2018)

    MathSciNet Статья Google ученый

  • 16.

    Франкл Дж., Карбин М .: Гипотеза лотерейного билета: поиск редких обучаемых нейронных сетей. В: Материалы Международной конференции по обучающимся представлениям. появиться (2019)

  • 17.

    Freuder, E.C .: Ограничения: узы, которые связывают. В: Материалы 21-й Национальной конференции по искусственному интеллекту, стр. 1520–1523. AAAI Press (2006)

  • 18.

    Фрейдер, E.C .: Прогресс к Святому Граалю. Ограничения 23 , 158–171 (2018)

    MathSciNet Статья Google ученый

  • 19.

    Фрейдер, E.C., Уоллес, Р.Дж .: Стратегии предложения для агентов сваха на основе ограничений. Int. J. Artif. Intell.Инструменты 11 (1), 3–18 (2002)

    Артикул Google ученый

  • 20.

    Гент, И.П., Петри, К.Е., Пьюджет, Дж.-Ф .: Справочник по программированию в ограничениях. Эльзевир, Амстердам (2006)

    Google ученый

  • 21.

    Гуд, И.Дж .: Предвкушение Тьюринга эмпирического Байеса в связи с криптоанализом военно-морской загадки. J. Stat. Comput. Simul. 66 (2), 101–111 (2000)

    MathSciNet Статья Google ученый

  • 22.

    Хнич, Б., Прествич, С.Д., Селенский, Э., Смит, Б.М.: Модели ограничений для тестовой задачи о покрытии. Ограничения 11 (3), 199–219 (2006)

    MathSciNet Статья Google ученый

  • 23.

    Касс Р.Э., Рафтери А.Э .: Байесовские факторы. J. Amer. Стат. Доц. 90 (430), 773–795 (1995)

    MathSciNet Статья Google ученый

  • 24.

    Хан, С., Мэдден, М .: Одноклассовая классификация: Таксономия изучения и обзор методов. Знай. Англ. Ред. 29 (3), 345–374 (2014)

    Статья Google ученый

  • 25.

    Колб, С., Парамонов, С., Гунс, Т., Де Рэдт, Л .: Ограничения обучения в электронных таблицах и табличных данных. Мах. Учиться. 106 , 1441–1468 (2017)

    MathSciNet Статья Google ученый

  • 26.

    Лаллуэ, А., Лопес, М., Мартин, Л., Врейн, Ч .: Проблемы обучения с ограничениями. В: Материалы Международной конференции IEEE по инструментам с искусственным интеллектом, стр. 45–52 (2010)

  • 27.

    Лаллуэ А., Легченко А. Два вклада программирования с ограничениями в машинное обучение. In: Proceedings of the European Conference on Machine Learning Lecture Notes in Artificial Intelligence, vol. 3720, стр. 617–624. Springer (2005)

  • 28.

    Ломбарди, М., Милано, М .: Повышение качества комбинаторного моделирования задач с помощью машинного обучения. В: Материалы 27-й Международной совместной конференции по искусственному интеллекту, стр 5472–5478 (2018)

  • 29.

    Ломбарди, М., Милано, М., Бартолини, А .: Обучение модели эмпирических решений. Артиф. Intell. 244 (Дополнение C), 343–367 (2017)

    MathSciNet Статья Google ученый

  • 30.

    Manning, C.D., Raghavan, P., Шютце, М .: Введение в поиск информации. Издательство Кембриджского университета, Кембридж (2008)

    Книга Google ученый

  • 31.

    Прествич, С.Д .: Сбор надежных ограничений путем последовательного анализа. В: Материалы 24-й Европейской конференции по искусственному интеллекту, рубежам в области искусственного интеллекта и приложений, т. 325, стр. 355–362. IOS Press (2020)

  • 32.

    О’Салливан, Б.: Автоматическое моделирование и решение в программировании ограничений.В: Proceedings of the 24th AAAI Conference on Artificial Intelligence, pp 1493–1497 (2010)

  • 33.

    Pawlak, T.P., Krawiec, K .: Автоматический синтез ограничений из примеров с использованием смешанного целочисленного линейного программирования. Евро. J. Oper. Res. 261 (3), 1141–1157 (2017)

    MathSciNet Статья Google ученый

  • 34.

    Де Раэдт, Л., Дехаспе, Л.: Клаузальное открытие. Мах. Учиться. 26 , 99–146 (1997)

    Артикул Google ученый

  • 35.

    De Raedt, L., Dz̆eroski, S .: Jk-клаузальные теории первого порядка поддаются изучению с помощью PAC. Артиф. Intell. 70 , 375–392 (1994)

    MathSciNet Статья Google ученый

  • 36.

    Де Рэдт, Л., Пассерини, А., Ресо, С .: Изучение ограничений на примерах. В: Proceedings of the 32nd AAAI Conference on Artificial Intelligence, pp 7965–7970 (2018)

  • 37.

    Say, B., Wu, G., Zhou, YQ, Sanner, S .: Нелинейное гибридное планирование с глубокой сетью изучили переходные модели и смешанные целочисленные линейные программы.В: Материалы 26-й Международной совместной конференции по искусственному интеллекту, стр. 750–756 (2017)

  • 38.

    Смит Б.М., Стергиу К., Уолш Т .: Моделирование проблемы линейки Голомба. В: Труды 16-й Международной совместной конференции по искусственному интеллекту (1999)

  • 39.

    Снелл, Дж., Сверски, К., Земель, Р .: Прототипные сети для обучения с использованием нескольких кадров. В: Материалы 31-й конференции по системам обработки нейронной информации (2017)

  • 40.

    Тьенг, В., Тедрейк, Р .: Проверка нейронных сетей со смешанным целочисленным программированием. coRR (2017)

  • 41.

    Цейтин, Г .: О сложности вывода в исчислении высказываний. В: Siekmann, J., Wrightson, G. (eds.) Automation of Reasoning: Classical Papers in Computational Logic, vol. 2. С. 466–483. Springer (1983)

  • 42.

    Цурос, Д.К., Стерджиу, К., Саригианнидис, П.Г .: Эффективные методы для получения ограничений. В: Материалы 24-й Международной конференции по принципам и практике программирования с ограничениями, Lecture Notes in Computer Science, vol.11008, pp. 373–388 (2018)

  • 43.

    Цурос, округ Колумбия, Стерджиу, К., Бессьер, К. Получение множественных ограничений на основе структуры. В: 25-я Международная конференция по принципам и практике программирования с ограничениями, конспекты лекций по информатике, т. 11802, pp. 709–725 (2019)

  • 44.

    Valiant, L.G .: Теория обучаемого. Commun. ACM 27 (11), 1134–1142 (1984)

    Артикул Google ученый

  • 45.

    Вервер, С., Чжан, Ю., Йе, Q.C .: Оптимизация аукционов с использованием деревьев регрессии и линейных моделей в виде целочисленных программ. Артиф. Intell. 244 , 368–395 (2017)

    MathSciNet Статья Google ученый

  • 46.

    Виньялс, О., Бланделл, К., Лилликрэп, Т., Кавукчуоглу, К., Виерстра, Д.: Согласование сетей для однократного обучения. В: Материалы 30-й конференции по системам обработки нейронной информации, стр. 3637–3645 (2016)

  • 47.

    Vu, X.-H., O’Sullivan, B .: Объединяющая структура для обобщенного получения ограничений. Int. J. Artif. Intell. Инструменты 17 (5), 803–833 (2008)

    Артикул Google ученый

  • NC DEQ: Классификация

    Все поверхностные воды в Северной Каролине, за очень немногими исключениями, имеют классификацию.

    На этой странице вы можете узнать о процессе классификации, о том, как классификации могут повлиять на вас, и найти классификацию потока.

    ЧАСТО ЗАПРАШИВАЕМЫЕ ДОКУМЕНТЫ

    ПРОГРАММА КЛАССИФИКАЦИИ

    ЧТО ТАКОЕ КЛАССИФИКАЦИЯ ПОВЕРХНОСТНОЙ ВОДЫ?

    Классификации поверхностных вод — это обозначения, применяемые к поверхностным водным объектам, таким как ручьи, реки и озера, которые определяют наилучшие виды использования, которые должны быть защищены в этих водах (например, плавание, рыбная ловля, питьевое водоснабжение), и несут с собой связанный набор стандарты качества воды для защиты этих видов использования. Классификация поверхностных вод — это один из инструментов, который государственные и федеральные агентства используют для управления и защиты всех ручьев, рек, озер и других поверхностных вод в Северной Каролине.Классификации и связанные с ними правила защиты могут быть разработаны для защиты качества воды, рыб и диких животных или других особых характеристик. С каждой классификацией связаны стандарты, которые используются для определения того, охраняются ли указанные виды использования.

    КАК КЛАССИФИКАЦИИ ВЛИЯЮТ НА МЕНЯ?

    Прежде чем покупать недвижимость, планировать новый проект развития, строить новую дорогу или предпринимать другие действия по землепользованию, вам следует уточнить в местных, государственных и федеральных агентствах классификацию поверхностных вод для водоема на вашем участке.Многие из классификаций, особенно те, которые предназначены для защиты источников питьевой воды и некоторых высококачественных вод, содержат правила защиты, которые регулируют такие виды деятельности, как развитие, которые могут повлиять на качество поверхностных вод. Кроме того, обратите внимание, что в зависимости от классификации прилегающего водоема некоторые виды деятельности могут быть ограничены.

    ПОЧЕМУ ОНИ ИНОГДА ПЕРЕСЕЧАЮТСЯ?

    Многие ручьи, реки и озера могут иметь несколько классификаций, применяемых к одной и той же территории.Это связано с тем, что поверхностные воды классифицируются для защиты различных видов использования или особых характеристик водного объекта. Например, поток или конкретный сегмент потока может быть классифицирован как HQW класса WS-III Tr Отделом водных ресурсов (DWR) Северной Каролины. Это защищает его как источник питьевой воды (WS-III), как форелевые воды (Tr) и как воду высокого качества (HQW). Сегменты потока вверх или вниз по течению могут иметь разные классификации, основанные на других водопользованиях или характеристиках потока.

    КАК ОПРЕДЕЛИТЬ КЛАССИФИКАЦИЮ МОЕГО ПОТОКА?

    DWR классифицирует все поверхностные воды.Таблицы речных бассейнов классификации поверхностных вод определяют поверхностные водные объекты по бассейну, названию (в основном из топографических карт Геологической службы США) и классификации воды, присвоенной различным сегментам водотока.

    Данные классификации поверхностных вод доступны в Интернете на карте классификации поверхностных вод DWR. Если вам нужна помощь в определении классификации водного объекта, обратитесь в центральный офис в Роли или в любое из региональных офисов.Вам также следует связаться с другими агентствами по поводу любой из их классификаций, которая может применяться.

    КАК ОПРЕДЕЛЯЮТСЯ ДАННЫЕ КЛАССИФИКАЦИИ?

    Они основаны на правилах, определенных в Административном кодексе штата Северная Каролина. Классификации и их правила регулярно обновляются и пересматриваются, поэтому перед началом любого проекта проконсультируйтесь с соответствующими агентствами.

    Правила основаны на минимальных правилах защиты государственных и федеральных агентств. Местные органы власти в большинстве случаев могут принимать более строгие правила землепользования или охраны водных ресурсов.Обратитесь к местным органам власти, имеющим юрисдикцию над вашей землей, о любых местных правилах и процедурах, которые могут применяться.

    КАК ИЗМЕНИТЬ КЛАССИФИКАЦИЮ ВОДЫ?

    Классификация водного объекта может быть изменена по требованию самоуправления или гражданина. DWR рассматривает каждый запрос на реклассификацию и проводит оценку водного объекта, чтобы определить уместность реклассификации. DWR также проводит периодические оценки водного объекта, по результатам которых может быть вынесена рекомендация о реклассификации водного объекта.Для реклассификации водного объекта необходимо пройти нормотворческий процесс. Чтобы инициировать реклассификацию, заполните «Заявление о реклассификации поверхностных вод Северной Каролины». Чтобы запросить копию, вы можете связаться с персоналом. Более подробная информация доступна в документе под названием Реклассификация поверхностных вод в Северной Каролине.

    ГДЕ МОЖНО ПОЛУЧИТЬ БОЛЬШЕ ИНФОРМАЦИИ?

    Более подробная информация о классификациях поверхностных пресных вод доступна в брошюре «Руководство по классификации поверхностных пресных вод в Северной Каролине».Этот документ включает таблицу, в которой сравниваются различные правила классификации этих вод; информация, представленная в этом документе, не в табличной форме, представлена ​​на этой веб-странице и на дополнительных веб-страницах этого веб-сайта. Чтобы просмотреть таблицу брошюры, перейдите по ссылке вверху этой веб-страницы. Таблица не включает информацию о классификациях, которые в настоящее время не присвоены каким-либо поверхностным пресным водам. С вопросами о Классификациях приливных соленых вод в Северной Каролине обращайтесь к сотрудникам Отделения по рассмотрению классификаций и стандартов / правил.

    КЛАССИФИКАЦИЯ


    Краткое описание
    B: основной отдых, пресная вода Sw: Болотные воды
    C: Водный мир, дополнительный отдых, пресная вода Tr: Trout Waters
    CA: критическая область UWL: Уникальные водно-болотные угодья
    HQW: вода высокого качества FWS: Водоснабжение будущего
    Н / Д: Не применимо / За пределами штата WS-I: Водоснабжение I — Натуральное
    NSW: Вода, чувствительная к питательным веществам WS-II: Водоснабжение II — Незастройка
    ORW: Выдающиеся ресурсные воды WS-III: Водоснабжение III — Средне развитое
    SA: Рынок моллюсков, соленая вода WS-IV: Водоснабжение IV — высокоразвитое
    SB: Основной отдых, соленая вода WS-V: Водоснабжение V — вверх по потоку
    SC: Водный мир, дополнительный отдых, соленая вода +, @, #, *: специальные обозначения

    Прокрутите страницу вниз для более подробного объяснения каждой классификации.

    КЛАССИФИКАЦИЯ ПОВЕРХНОСТНОЙ ВОДЫ DWR

    Всем поверхностным водам в Северной Каролине присвоена первичная классификация Отделом водных ресурсов Северной Каролины (DWR). Все воды должны как минимум соответствовать стандартам для вод класса C (пригодные для рыбной ловли / плавания). Другие основные классификации обеспечивают дополнительные уровни защиты для рекреации, контактирующей с основной водой (класс B), и питьевой воды (классы водоснабжения с I по V). Чтобы найти классификацию конкретного водного объекта, вы можете использовать базу данных BIMS или посмотреть карту классификации поверхностных вод DWR в сочетании с применимыми графиками и правилами классификации речных бассейнов.Вы также можете обратиться за помощью в Отдел по пересмотру классификаций и стандартов / правил. Чтобы просмотреть нормативные различия между применяемыми в настоящее время классификациями пресных вод, щелкните здесь, чтобы перейти к таблице классификаций пресных вод. Чтобы просмотреть нормативные различия между применяемыми в настоящее время классификациями приливных соленых вод, щелкните здесь, чтобы перейти к таблице классификаций приливных соленых вод.

    класс C

    Водные ресурсы, охраняемые для таких целей, как вторичный отдых, рыбная ловля, дикая природа, потребление рыбы, водные организмы, включая размножение, выживание и поддержание биологической целостности, а также сельское хозяйство.Вторичный отдых включает в себя переход вброд, катание на лодке и другие виды использования, связанные с контактом человеческого тела с водой, когда такие действия происходят нечасто, неорганизованно или случайно.

    класс B

    Водные ресурсы, защищенные для всех видов использования класса C, помимо основного отдыха. К основным видам отдыха относятся плавание, ныряние с кожи, катание на водных лыжах и аналогичные виды использования, связанные с контактом человеческого тела с водой, если такие занятия проводятся организованно или на частой основе.

    Водоснабжение I (WS-I)

    Вода, защищенная для всех видов использования класса C, а также вода, используемая в качестве источников водоснабжения для питья, кулинарии или пищевой промышленности для тех пользователей, которые желают максимальной защиты своего водоснабжения. Воды WS-I — это воды в пределах естественных и неосвоенных водосборов, находящихся в государственной собственности. Все воды WS-I относятся к HQW по дополнительной классификации. Дополнительная информация: Домашняя страница Программы защиты водоразделов систем водоснабжения

    Водоснабжение II (WS-II)

    Вода, используемая в качестве источников водоснабжения для питьевых, кулинарных или пищевых целей, где классификация WS-I невозможна.Эти воды также защищены для использования в классе C. Воды WS-II обычно находятся в преимущественно неосвоенных водоразделах. Все воды WS-II относятся к HQW по дополнительной классификации. Дополнительная информация: Домашняя страница Программы защиты водоразделов систем водоснабжения

    Водоснабжение III (WS-III)

    Вода, используемая в качестве источников водоснабжения для питья, кулинарии или пищевой промышленности, где более защитная классификация WS-I или II невозможна. Эти воды также защищены для использования в классе C.Воды WS-III обычно находятся в водоразделах от слабой до умеренной. Дополнительная информация: Домашняя страница Программы защиты водоразделов систем водоснабжения

    Водоснабжение IV (WS-IV)

    Вода, используемая в качестве источников водоснабжения для питьевых, кулинарных или пищевых целей, где классификация WS-I, II или III не применима. Эти воды также защищены для использования в классе C. Воды WS-IV, как правило, находятся в водоразделах от умеренной до высокоразвитой или на охраняемых территориях. Дополнительная информация:

    Водоснабжение V (WS-V)

    Воды, защищенные как источники водоснабжения, которые, как правило, идут вверх по течению и стекают в воды класса WS-IV или воды, используемые промышленностью для снабжения своих сотрудников питьевой водой или как воды, ранее использовавшиеся для водоснабжения.Эти воды также защищены для использования в классе C. Дополнительная информация: Домашняя страница Программы защиты водоразделов систем водоснабжения

    класс WL

    Пресноводные водно-болотные угодья — это часть всех водно-болотных угодий, которые, в свою очередь, являются водами, поддерживающими растительность, приспособленную к жизни в условиях насыщенных почв. Водно-болотные угодья обычно включают болота, топи, трясины и тому подобное. Эти воды защищены для накопления ливневых и паводковых вод, водных организмов, дикой природы, гидрологических функций, фильтрации и защиты береговой линии.

    класс SC

    Все приливные соленые воды, защищенные для вторичного отдыха, такого как рыбалка, катание на лодках и другие виды деятельности, предполагающие минимальный контакт с кожей; потребление рыбы и некоммерческих моллюсков; размножение и выживание водных организмов; и дикая природа.

    Класс SB

    Приливно-соленая вода, защищенная для всех видов использования СК, помимо основной рекреации. К основным видам отдыха относятся плавание, ныряние с кожи, катание на водных лыжах и аналогичные виды использования, связанные с контактом человеческого тела с водой, если такие занятия проводятся организованно или на частой основе.

    класс SA

    Приливные соленые воды, которые используются для промысловой ловли моллюсков или в маркетинговых целях, а также защищены для всех видов использования Класса SC и Класса SB. Все воды ЮА также являются HQW по дополнительной классификации.

    класс SWL

    Это соленые воды, которые соответствуют определению прибрежных водно-болотных угодий, как это определено Отделом управления прибрежными районами, и которые расположены к суше от средней линии высокого уровня воды или водно-болотных угодий, прилегающих к устьевым водам, как это определено Отделом управления прибрежными районами.

    ДОПОЛНИТЕЛЬНАЯ КЛАССИФИКАЦИЯ DWR

    Дополнительные классификации иногда добавляются DWR к основным классификациям для обеспечения дополнительной защиты вод с особыми целями или значениями.

    Водоснабжение будущего (FWS)

    Дополнительная классификация вод, предназначенных для использования в качестве будущего источника питья, кулинарии или пищевой промышленности. FWS будет применяться к одной из классификаций первичного водоснабжения (WS-I, WS-II, WS-III или WS-IV). В настоящее время ни один водный объект в государстве не имеет этого обозначения.

    Вода высокого качества (HQW)

    Дополнительная классификация, предназначенная для защиты вод, получивших оценку «отлично» на основании биологических и физических / химических характеристик по результатам мониторинга Отдела или специальных исследований, первичных питомников, обозначенных Комиссией по морскому рыболовству, и других функциональных питомников, обозначенных Комиссией по морскому рыболовству.

    Следующие воды относятся к категории HQW по определению:

    • WS-I,
    • WS-II,
    • SA (промысловая ловля моллюсков),
    • ORW,
    • Первичные питомники (PNA) или другие функциональные питомники, определенные Комиссией по морскому рыболовству, или
    • Водоемов, в отношении которых DWR получил петицию о реклассификации до WS-I или WS-II.

    Выдающиеся природные ресурсы (ORW)

    Все водные ресурсы с исключительными ресурсами относятся к категории высококачественных вод. Эта дополнительная классификация предназначена для защиты уникальных и особых вод, имеющих отличное качество воды и имеющих исключительное государственное или национальное экологическое или рекреационное значение. Для этого вода должна быть оценена DWR как «отлично» и иметь одно из следующих выдающихся значений ресурса:

    • Выдающиеся места обитания рыб и рыболовство,
    • Необычно высокий уровень отдыха на воде или потенциал для такого вида отдыха,
    • Некоторое специальное обозначение, такое как Природная и живописная река Северной Каролины или Национальный заповедник дикой природы,
    • Важная составляющая государственного или национального парка или леса, или
    • Особое экологическое или научное значение (среда обитания редких или исчезающих видов, исследовательские или образовательные районы).

    Дополнительные сведения см. На домашней странице Отделения биологической оценки.

    Вода, чувствительная к питательным веществам (NSW)

    Дополнительная классификация предназначена для вод, требующих дополнительного управления питательными веществами из-за чрезмерного роста микроскопической или макроскопической растительности.

    Болотные воды (Sw)

    Дополнительная классификация, предназначенная для распознавания тех вод с низкой скоростью и другими природными характеристиками, которые отличаются от соседних потоков.

    Форель Уотерс (Тр)

    Дополнительная классификация, предназначенная для защиты пресных вод, в которых созданы условия, которые должны поддерживать и обеспечивать возможность размножения форели и выживания зарыбленной форели на круглогодичной основе. Эта классификация не совпадает с обозначением государственных водоемов для горной форели, установленными Комиссией по ресурсам дикой природы Северной Каролины.

    Уникальное водно-болотное угодье (UWL)

    Дополнительная классификация водно-болотных угодий исключительного государственного или национального экологического значения.Эти водно-болотные угодья могут включать водно-болотные угодья, которые были задокументированы к удовлетворению Комиссии по управлению окружающей средой в качестве среды обитания, необходимой для сохранения находящихся в государственном или федеральном перечне находящихся под угрозой исчезновения или находящихся под угрозой исчезновения видов.

    Бассейн реки Мыс Страх

    @ См. Правило 15A NCAC 2B.0311: застройка не подпадает под действие правила 15A NCAC 2H.1006, если управляющий муниципалитет считает, что застройка подпадает под «положение 5/70», как описано в правиле 15A NCAC 2B.0215 (3) (b) (i) (E).

    * Этот символ обозначает воды, которые находятся в пределах обозначенного критического водораздела и подпадают под особую стратегию управления, указанную в 15A NCAC 2B .0248.

    # Сброс сточных вод запрещен в сегменты, классифицированные как SB или SC со знаком фунта в соответствии с положениями 15 NCAC 2B .0203 и 2H .0404 (a), чтобы защитить прилегающие воды для ловли моллюсков.

    + Этот символ обозначает воды, на которые распространяется особая стратегия управления, указанная в 15A NCAC 2B.0225 правило о выдающихся ресурсных водах (ORW).

    Бассейн реки Катоба

    + Этот символ обозначает воды, которые подпадают под особую стратегию управления, указанную в 15A NCAC 2B .0225 правила выдающихся ресурсных вод (ORW), с целью защиты вод ниже по течению, обозначенных как ORW.

    Бассейн реки Малый Теннесси

    @ Этим символом обозначаются воды, на которые распространяются особые действия, указанные в 15A NCAC 2B .0224, Правиле высокого качества воды (HQW), с целью защиты вод ниже по течению, обозначенных как HQW.

    # Сбросы из точечных источников запрещены в сегменты, классифицированные HQW со знаком фунта в соответствии с положениями 15A NCAC 2B .0201, чтобы защитить существующее и предполагаемое использование этих вод.

    Бассейн реки пиломатериалов

    + Этим символом обозначены воды, на которые распространяется особая стратегия управления, указанная в 15A NCAC
    2B .0225 правила выдающихся ресурсных вод (ORW).

    @ Этим символом обозначены воды, на которые распространяется особая стратегия управления, указанная в 15A NCAC 2B.0227 ПЛАНЫ УПРАВЛЕНИЯ КАЧЕСТВОМ ВОДЫ.

    Бассейн Новой реки

    + Этот символ обозначает воды, которые подпадают под особую стратегию управления, указанную в 15A NCAC 2B .0225 правила выдающихся ресурсных вод (ORW), с целью защиты вод ниже по течению, обозначенных как ORW.

    Бассейн реки Саванна

    @ Этот символ обозначает воды, на которые распространяется стратегия управления, указанная в 15A NCAC 2B .0201, применяемая к высококачественным водам (HQW), с целью защиты вод ниже по течению.

    + Этот символ обозначает воды, которые подпадают под особую стратегию управления, указанную в 15A NCAC 2B .0225 правила выдающихся ресурсных вод (ORW), с целью защиты вод ниже по течению, обозначенных как ORW.

    Бассейн реки Тар-Памлико

    + Этим символом обозначаются воды, на которые распространяется особая стратегия управления, указанная в 15A NCAC 2B .0225 Правиле по выдающимся ресурсным водам (ORW).

    Бассейн реки Уайт-Оук

    # Сброс сточных вод запрещен в сегменты, классифицированные как SB или SC со знаком решетки в соответствии с положениями 15 NCAC 2B.0203 и 2H .0404 (a) для защиты прилегающих водоемов, где ведется ловля моллюсков.

    Природные и живописные реки Северная Каролина

    Обозначение реки правительства штата, предназначенное для защиты определенных свободно текущих рек или участков с выдающимися природными, живописными, образовательными, рекреационными, геологическими, рыбными и дикими животными, историческими, научными или другими культурными ценностями. Существует три классификации рек: природные, живописные и рекреационные. Эта классификация находится в ведении NC Division of Parks and Recreation.

    Федеральные дикие и живописные реки

    Обозначение реки федеральным правительством, предназначенное для защиты определенных свободно текущих рек или участков с выдающимися живописными, рекреационными, геологическими, рыбными и дикими животными, историческими, археологическими или другими ценностями. Есть три классификации рек: дикие, живописные и рекреационные.

    Установленные общественные водоемы для горной форели

    Назначение государственного управления рыболовством, администрируемое Комиссией по ресурсам дикой природы Северной Каролины, которое обеспечивает публичный доступ к водотокам для рыбной ловли на частных и государственных землях.Он регулирует только рыболовную деятельность (сезоны, ограничения по размеру, ограничения по шпулярникам и ограничения по наживке и приманке) и не является той же классификацией, что и классификация DWQ Tr, которая защищает качество воды.

    Экологические зоны

    Подразделение управления прибрежными районами отвечает за поддержание экологически опасных районов устья (AEC) и установление специальных стандартов использования, которые определяют типы проектов и методы строительства, которые могут быть расположены / использованы в AEC.

    Отдел по очистке моллюсков и качеству рекреационной воды Отдела морского рыболовства следит за качеством соленой воды и общественной безопасностью в связи с промыслом моллюсков. Они несут ответственность за мониторинг районов добычи моллюсков и закрытие их, если существует опасность для населения из-за употребления моллюсков из определенного района.

    Первичные питомники, как определено Комиссией по морскому рыболовству, — это районы устьевой системы, где происходит начальное постличиночное развитие.Эти районы обычно расположены в самых верхних частях системы, где популяции всегда представляют собой очень раннюю молодь. Подразделение морского рыболовства отвечает за сохранение, защиту и развитие основных питомников коммерчески важных рыб и моллюсков. Дополнительная информация: Описание специальных обозначений

    Зоны без разряда

    Зона запрета сброса (согласно определению EPA (https://www.epa.gov/vessels-marinas-and-ports/vessel-sewage-discharges) — это акватория, в которую запрещен сброс отходов из морских туалетов. .Штат с согласия EPA может предпринять это действие, если штат определяет, что защита и улучшение качества указанных вод требует большей защиты окружающей среды, чем позволяют действующие федеральные стандарты. Получите дополнительную информацию о NDZ NC.

    Использование классификаций безопасности с Box Governance — Box Support

    Если вы являетесь администратором, Box позволяет создавать, изменять и удалять классификации безопасности для содержимого в развертывании Box вашей организации.С помощью классификации безопасности вы можете классифицировать файлы на основе их чувствительности и применять политики доступа, связанные с этим уровнем конфиденциальности. Классификация помогает идентифицировать конфиденциальную информацию и поощрять более разумное поведение при работе с этим контентом.

    Создание классификации

    После создания классификации Box позволяет вам

    • отображать эту классификацию в разделе Подробности на правой боковой панели и рядом с именем файла в окне предварительного просмотра, когда пользователи выбирают или предварительно просматривают содержимое, и
    • отображает информационное сообщение с более подробным описанием классификации, когда люди выбирают или просматривают контент.

    Для создания новой классификации:

    1. На левой боковой панели консоли администратора щелкните Классификация .
    2. В правом верхнем углу нажмите Создать новый .
    3. В поле Имя введите имя своей классификации безопасности. Имя классификации должно быть уникальным и содержать не более 40 символов.
    4. Согласно определению
      • Выберите цвет фона для классификационной метки.Один и тот же цвет можно использовать для нескольких классификационных меток.
      • Введите сообщение, которое вы хотите, чтобы Box отображал, когда люди выбирают или предварительно просматривают контент, имеющий эту классификацию.
    5. В правом верхнем углу нажмите Создать .

    Изменение классификации

    Box также позволяет указать, каким ролям пользователей разрешено изменять классификации. Это разрешение применяется ко всем определенным вами классификациям.

    Чтобы выбрать тип соавтора, который может изменять классификации:

    1. На левой боковой панели консоли администратора щелкните Классификация .
    2. В правом верхнем углу нажмите Настройки .
    3. Выберите тип соавтора, которому разрешено изменять классификации. Вы можете выбрать
      • Владелец или
      • Собственник и совладелец или
      • Владелец, совладелец и редактор или
      • Владелец, совладелец, редактор и средство просмотра .
    4. В правом нижнем углу нажмите Сохранить .

    Чтобы изменить классификацию:

    1. На левой боковой панели консоли администратора щелкните Классификация .
    2. Щелкните имя классификации, которую хотите отредактировать.
    3. Измените название, описание и цвет классификации по своему усмотрению.
    4. В правом верхнем углу нажмите Сохранить .

    При изменении цвета классификационной метки Box обновляет цвет всех меток с этой классификацией.

    Удаление классификации

    Чтобы удалить классификацию:

    1. На левой боковой панели консоли администратора щелкните Классификация .
    2. Щелкните имя классификации, которую хотите удалить.
    3. В правом верхнем углу нажмите Удалить .

    ВАЖНО

    Удаление классификации необратимо. Box удаляет классификацию из всех файлов и папок, к которым она применяется. Эту операцию нельзя отменить.

    Поиск секретного содержания

    Хотя Box не может запустить отчет для отображения всего классифицированного содержимого, вы можете использовать функцию поиска Box для достижения того же результата.Администратор или соадминистратор с привилегиями файлов и папок как минимум на просмотр пользовательского контента может искать контент с определенной классификацией.

    Для поиска всего контента, имеющего заданную классификацию:

    1. В верхней части окна Box в поле Search Files and Folders щелкните значок Параметры поиска.
    2. Выберите вкладку Метаданные
    3. Под шаблоном метаданных щелкните Выберите шаблон и выберите Классификация .
    4. В разделе Классификация щелкните Выберите значение и выберите метку классификации.
    5. Чтобы запустить поиск, выполните одно из следующих действий:
      • в верхней части окна Box, в поле Search Files and Folders щелкните значок поиска (увеличительное стекло) или
      • на клавиатуре нажмите Enter.

    FAQ

    Кто может управлять классификацией безопасности?

    Чтобы создавать и редактировать классификации, вы должны быть администратором или иметь права соадминистратора как минимум на создание и редактирование метаданных.

    Какие роли пользователей могут изменять метку классификации безопасности, которая была ранее применена (на компьютере или вручную) к файлу или папке?

    Все ваши внутренние пользователи ролей, указанных в настройках классификации, могут применять, изменять и удалять метки классификации.

    Могу ли я использовать классификацию и другой шаблон метаданных одновременно для одного документа?

    Да, файл может иметь несколько шаблонов метаданных и классификацию одновременно.

    Есть ли ограничение на количество классификаций, которые администратор / соадминистратор может создать?

    Да, Box поддерживает 25 различных классификаций.

    Есть ли ограничение на количество классификационных меток, которое может иметь файл или папка одновременно?

    Да, файл или папка могут иметь только одну классификационную метку одновременно.

    Требуется ли сообщение в определении?

    Да, требуются и классификационное название, и классификационное определение.

    Как я могу предотвратить доступ к секретным файлам через менее ограничительную общую ссылку на уровне папки?

    Существует три способа ограничить доступ к секретным файлам через общую ссылку на уровне папки:

    • Ограничение общих ссылок : ограничивая общие ссылки «Только файлы», файлы на вашем предприятии следуют определенным настройкам общих ссылок (в соответствии с любой Классификацией безопасности, применяемой на уровне отдельных файлов).
    alexxlab

    *

    *

    Top