From db3d2c2b6a3502d482d6f05a4614b5eda69129ff Mon Sep 17 00:00:00 2001
From: NovikovVN <NovikovVN@mpei.ru>
Date: Thu, 19 Feb 2026 13:50:18 +0000
Subject: [PATCH] =?UTF-8?q?=D0=97=D0=B0=D0=B3=D1=80=D1=83=D0=B7=D0=B8?=
 =?UTF-8?q?=D1=82=D1=8C=20=D1=84=D0=B0=D0=B9=D0=BB=D1=8B=20=D0=B2=20=C2=AB?=
 =?UTF-8?q?lab3=C2=BB?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 lab3/3.1_autoencoder.ipynb | 722 +++++++++++++++++++++++++++++++++++++
 lab3/3.3_image.ipynb       | 425 ++++++++++++++++++++++
 lab3/avia1.bmp             | Bin 0 -> 366134 bytes
 lab3/avia2.bmp             | Bin 0 -> 366134 bytes
 lab3/avia3.bmp             | Bin 0 -> 366134 bytes
 5 files changed, 1147 insertions(+)
 create mode 100644 lab3/3.1_autoencoder.ipynb
 create mode 100644 lab3/3.3_image.ipynb
 create mode 100644 lab3/avia1.bmp
 create mode 100644 lab3/avia2.bmp
 create mode 100644 lab3/avia3.bmp

diff --git a/lab3/3.1_autoencoder.ipynb b/lab3/3.1_autoencoder.ipynb
new file mode 100644
index 0000000..5be0162
--- /dev/null
+++ b/lab3/3.1_autoencoder.ipynb
@@ -0,0 +1,722 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "VhB5tU1IGSIh"
+   },
+   "source": [
+    "### ЛАБОРАТОРНАЯ РАБОТА №3\n",
+    "## Применение многослойного персептрона. Автоассоциативная ИНС"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "> Цель работы: знакомство с применением многослойного персептрона для решения задач сжатия данных, прогнозирования временных рядов и распознавания образов.\n",
+    ">\n",
+    "> Задание\n",
+    "> 1. Открыть файл с данными по минеральной воде, который использовался при решении задач классификации в предыдущей лабораторной работе. Построить и обучить автоассоциативные нейронные сети с 2-мя и 3-мя нейронами в скрытом слое:  \n",
+    "> а) для исходных данных из 5-ти классов;  \n",
+    "> б) для исходных данных из 4-х классов.  \n",
+    "> Провести визуализацию данных в скрытом слое каждой сети на плоскость и в 3-х мерное пространство.  Проанализировать полученные результаты. Выбрать и сохранить автоассоциативные ИНС, обеспечивающие наилучшее сжатие исходных данных.  \n",
+    "> 2. …  \n",
+    "> 3. Решить задачу распознавания 9-ти изображений самолетов. Исходные данные (файлы avia1.bmp, …, avia9.bmp) необходимо предварительно преобразовать в набор векторов со значениями признаков 0 или 1. Обученная нейронная сеть должна правильно определять модель самолета и его класс (истребитель/бомбардировщик). Принадлежность модели к определенному классу выбирается студентом самостоятельно."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Импорт библиотек:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "FwCw1KfEpbsm"
+   },
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import seaborn as sns\n",
+    "import torch\n",
+    "import matplotlib.pyplot as plt\n",
+    "from IPython.display import clear_output\n",
+    "from mpl_toolkits.mplot3d import Axes3D\n",
+    "\n",
+    "from torch import nn\n",
+    "\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Содержание:  \n",
+    "[1. Подготовка данных](#p_1)  \n",
+    "[2. Автоассоциативная нейронная сеть на полных данных](#p_2)  \n",
+    "[3. Автоассоциативная нейронная сеть на неполных данных](#p_3)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Подготовка данных<a id=\"p_1\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Загрузим в датафрейм `data` данные о сорока образцах минеральной воды, хранящиеся в файле `min_water.txt`."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 256
+    },
+    "id": "PkNWYbQCpsl_",
+    "outputId": "ee2dd8c3-2d7d-4962-bc40-a5cc2dded5db"
+   },
+   "outputs": [],
+   "source": [
+    "data = pd.read_csv('min_water.csv')\n",
+    "data.head(n=5)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Вынесем в отдельные переменные:\n",
+    " - `y_binary` — выходной признак для задачи бинарной классификации (первый столбец датафрейма);\n",
+    " - `y_multiclass` — выходной признак для задачи многоклассовой классификации (второй столбец датафрейма);\n",
+    " - `X_data` — входные признаки (оставшиеся столбцы)."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "D_QiYrPkpsu0"
+   },
+   "outputs": [],
+   "source": [
+    "y_binary = data.iloc[:, 0]\n",
+    "y_multiclass = data.iloc[:, 1]\n",
+    "\n",
+    "X_data = data.iloc[:, 2:]"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выпишите в список `features` отобранные в прошлой лабораторной работе признаки (формат: `features = ['VAR1', 'VAR2']`):"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "features = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Датафрейм с отобранными входными признаками `X_data_filtered`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 206
+    },
+    "id": "d6eTUCk2Cjdc",
+    "outputId": "d89643dd-a410-42b2-9b91-c4534966fd1d"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_filtered = X_data.loc[:, features]\n",
+    "X_data_filtered.head(n=5)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Произведите нормализацию или стандартизацию (на выбор) отобранных входных данных `X_data_filtered`. Результат сохраните в переменную `X_data_preprocessed`, которую затем представьте в виде тензора `X_data_tensor`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "HclxngwAGue-"
+   },
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь\n",
+    "\n",
+    "X_data_preprocessed = # Ваш код здесь\n",
+    "\n",
+    "X_data_tensor = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "AtGktiZmJiUV",
+    "outputId": "f9edb4f0-c5ab-4a62-af28-6552c981512f"
+   },
+   "source": [
+    "## 2. Автоассоциативная нейронная сеть на полных данных<a id=\"p_2\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "id": "jsWiE7Ke1p9S"
+   },
+   "source": [
+    "Автоассоциативная сеть (или автоассоциативная память) — тип нейронной сети, способный восстанавливать полный шаблон данных по его частичному или зашумлённому представлению.\n",
+    "\n",
+    "Типичная автоассоциативная сеть содержит как минимум три скрытых слоя:\n",
+    " - первый скрытый слой выполняет нелинейное кодирование входных данных (энкодер);\n",
+    " - средний слой («узкое горло» или «бутылочное горло») формирует сжатое представление данных — в результате обучения выдаёт компактное кодирование;\n",
+    " - последний скрытый слой служит декодером: восстанавливает исходные данные из сжатого представления.\n",
+    "\n",
+    "Цель обучения: в процессе минимизации ошибки воспроизведения сеть стремится сделать выходной сигнал максимально близким к входному. Это эквивалентно оптимальному кодированию в «узком горле» сети."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Допишите класс `Autoencoder` структурами энкодера и декодера на основе полносвязных слоёв `nn.Linear`. В качестве функций активации используйте `nn.ReLU()`. При этом на выходе энкодера функцию активации можно не применять — это позволит сохранить отрицательные значения в кодированном представлении."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class Autoencoder(nn.Module):\n",
+    "    def __init__(self, n_inputs, n_hiddens, bottleneck_size):\n",
+    "        super().__init__()\n",
+    "        self.encoder = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "        self.decoder = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        encoded = self.encoder(x)\n",
+    "        decoded = self.decoder(encoded)\n",
+    "        return decoded"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создайте экземпляр модели с двумя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "model_2 = Autoencoder(# Ващ код здесь\n",
+    "print(model_2)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "tGS2_TqjK_SI",
+    "outputId": "a1a63c33-5dd5-461e-8d20-97fc34455f21"
+   },
+   "source": [
+    "Пропустим данные через эту модель для её проверки:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "Y3GS-3AaKYt7",
+    "outputId": "981a4cd8-3b19-4bf6-ac07-ddd13e3df131"
+   },
+   "outputs": [],
+   "source": [
+    "model_2(X_data_tensor[:3])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Удостоверимся, что размерность её выхода совпадает с размерностью её входа:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "assert X_data_tensor[:3].shape == model_2(X_data_tensor[:3]).shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим, как модель обучается. Зададим оптимизатор и среднеквадратическую функцию потерь:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "VGWgT-_UKY5S"
+   },
+   "outputs": [],
+   "source": [
+    "optimizer = torch.optim.SGD(model_2.parameters(), lr=1.5)\n",
+    "criterion = nn.MSELoss()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Рассчитаем значение функции потерь:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "5kKYW89_KY8j",
+    "outputId": "94e90485-ca86-4204-e61d-75d247a87fc4"
+   },
+   "outputs": [],
+   "source": [
+    "decoded = model_2(X_data_tensor)\n",
+    "\n",
+    "loss = criterion(decoded, X_data_tensor)\n",
+    "loss"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выполните несколько раз эту и предыдущую ячейку, чтобы убедиться в уменьшении ошибки:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "G_JCVLCkKZCa"
+   },
+   "outputs": [],
+   "source": [
+    "loss.backward()\n",
+    "optimizer.step()\n",
+    "optimizer.zero_grad()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Задайте параметры для обучения автоассоциативной сети с двумя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model_2 = # Ваш код здесь\n",
+    "\n",
+    "epochs = # Ваш код здесь\n",
+    "\n",
+    "learning_rate = # Ваш код здесь\n",
+    "momentum = # Ваш код здесь\n",
+    "\n",
+    "optimizer = # Ваш код здесь\n",
+    "criterion = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Обучение нейронной сети:**"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "loss_history = []\n",
+    "\n",
+    "for epoch in range(epochs):\n",
+    "    # Ваш код здесь\n",
+    "\n",
+    "    if (epoch + 1) % 5 == 0:\n",
+    "\n",
+    "        clear_output(True)\n",
+    "        plt.plot(range(1, epoch+2), loss_history, label='Loss')\n",
+    "        plt.title(f'Epoch: {epoch + 1}, Loss: {loss_history[-1]:.6f}')\n",
+    "        plt.grid(True, alpha=0.3)\n",
+    "        plt.legend(loc='best')\n",
+    "        plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "После обучения сети получим двумерные данные с выхода энкодера:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "HFcSAdGoOaog",
+    "outputId": "36330737-7606-4a6a-e532-6bf372deb34d"
+   },
+   "outputs": [],
+   "source": [
+    "encoded_2d = model_2.encoder(X_data_tensor).detach().numpy()\n",
+    "print(encoded_2d[:3])"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим двумерную диаграмму рассеяния и отметим классы с помощью `y_multiclass`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 430
+    },
+    "id": "KkToPCInQQ1J",
+    "outputId": "244bae8a-94a9-4817-a564-69c630efea98"
+   },
+   "outputs": [],
+   "source": [
+    "scatter = plt.scatter(x=encoded_2d[:, 0], y=encoded_2d[:, 1], c=y_multiclass, cmap='viridis')\n",
+    "plt.grid(True, alpha=0.3)\n",
+    "\n",
+    "# Код для легенды\n",
+    "handles, labels = scatter.legend_elements(prop='colors')\n",
+    "plt.legend(handles, labels, loc='best', title='Classes')\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "По аналогии обучите автоассоциативную сеть с тремя нейронами в «узком горле»:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model_3 = # Ваш код здесь\n",
+    "\n",
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "После обучения сети получите трёхмерные данные с выхода энкодера:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "encoded_3d = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Построим трёхмерную диаграмму рассеяния:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 653
+    },
+    "id": "RpqVg5EeT72I",
+    "outputId": "2f5e070d-aa49-4eab-cd8e-277bd3a2c4b5"
+   },
+   "outputs": [],
+   "source": [
+    "fig = plt.figure(figsize=(10, 8))\n",
+    "ax = fig.add_subplot(111, projection='3d')\n",
+    "\n",
+    "scatter = ax.scatter(\n",
+    "    xs=encoded_3d[:, 0],\n",
+    "    ys=encoded_3d[:, 1],\n",
+    "    zs=encoded_3d[:, 2],\n",
+    "    c=y_multiclass,\n",
+    "    cmap='viridis',\n",
+    "    s=50\n",
+    ")\n",
+    "\n",
+    "ax.grid(True, alpha=0.3)\n",
+    "\n",
+    "handles, labels = scatter.legend_elements(prop='colors', alpha=0.8)\n",
+    "ax.legend(handles, labels, loc='best', title='Classes')\n",
+    "\n",
+    "# Настраиваем угол обзора:\n",
+    "# elev — высота, azim — азимут\n",
+    "ax.view_init(elev=20, azim=45)\n",
+    "\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сохраним в бинарные файлы `.npy` выходы энкодеров обеих моделей — для следующей лабораторной работы:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "np.save('encoded_2d.npy', encoded_2d)\n",
+    "np.save('encoded_3d.npy', encoded_3d)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 3. Автоассоциативная нейронная сеть на неполных данных<a id=\"p_3\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выберите класс, который нужно исключить:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "label_to_exclude = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создадим маску для исключения данных этого класса:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "WwlU6wRqXy3H"
+   },
+   "outputs": [],
+   "source": [
+    "mask_to_exclude = y_multiclass != label_to_exclude"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Данные исключены:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "I7sTKdWgQRWQ",
+    "outputId": "95d2a292-7e2f-401e-e473-7d5f09b0d7fb"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor[mask_to_exclude].shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "По аналогии с предыдущим пунктом реализуйте обучение автоассоциативных сетей с двумя и тремя нейронами в «узком горле» на неполных данных (т.е. на каждой эпохе вместо полных данных `X_data_tensor` на модель нужно подавать неполные данные `X_data_tensor[mask_to_exclude]`).\n",
+    "\n",
+    "Результаты выходов энкодеров в обоих случаях также сохраните в отдельные бинарные файлы."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "w3kJHSW3azk0"
+   },
+   "outputs": [],
+   "source": [
+    "# Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Литература:\n",
+    "1. Бородкин А.А., Елисеев В.Л. Основы и применение искусственных нейронных сетей. Сборник лабораторных работ: методическое пособие. – М.: Издательский дом МЭИ, 2017.\n",
+    "2. MachineLearning.ru  —  профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru\n",
+    "3. Modern State of Artificial Intelligence  —  Online Masters program at MIPT: https://girafe.ai/"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    " "
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.3"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 1
+}
diff --git a/lab3/3.3_image.ipynb b/lab3/3.3_image.ipynb
new file mode 100644
index 0000000..3692cdc
--- /dev/null
+++ b/lab3/3.3_image.ipynb
@@ -0,0 +1,425 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### ЛАБОРАТОРНАЯ РАБОТА №3\n",
+    "## Применение многослойного персептрона. Автоассоциативная ИНС"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "> Цель работы: знакомство с применением многослойного персептрона для решения задач сжатия данных, прогнозирования временных рядов и распознавания образов.\n",
+    ">\n",
+    "> Задание\n",
+    "> 1. Открыть файл с данными по минеральной воде, который использовался при решении задач классификации в предыдущей лабораторной работе. Построить и обучить автоассоциативные нейронные сети с 2-мя и 3-мя нейронами в скрытом слое:  \n",
+    "> а) для исходных данных из 5-ти классов;  \n",
+    "> б) для исходных данных из 4-х классов.  \n",
+    "> Провести визуализацию данных в скрытом слое каждой сети на плоскость и в 3-х мерное пространство.  Проанализировать полученные результаты. Выбрать и сохранить автоассоциативные ИНС, обеспечивающие наилучшее сжатие исходных данных.  \n",
+    "> 2. …  \n",
+    "> 3. Решить задачу распознавания 9-ти изображений самолетов. Исходные данные (файлы avia1.bmp, …, avia9.bmp) необходимо предварительно преобразовать в набор векторов со значениями признаков 0 или 1. Обученная нейронная сеть должна правильно определять модель самолета и его класс (истребитель/бомбардировщик). Принадлежность модели к определенному классу выбирается студентом самостоятельно."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Импорт библиотек:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "-jndqXPxywKw"
+   },
+   "outputs": [],
+   "source": [
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import matplotlib.pyplot as plt\n",
+    "import torch\n",
+    "import imageio\n",
+    "import warnings\n",
+    "\n",
+    "from torch import nn\n",
+    "from IPython.display import clear_output\n",
+    "\n",
+    "warnings.filterwarnings('ignore')\n",
+    "%matplotlib inline"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Содержание:  \n",
+    "[1. Подготовка данных](#p_1)  \n",
+    "[2. Классификация изображений](#p_2)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 1. Подготовка данных<a id=\"p_1\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Сохраним в список `X_data` все девять изображений. Каждое из них загрузим в виде NumPy-массива, затем преобразуем данный массив в `float32` и делением на 255 перемасштабируем в его диапазон `[0.0, 1.0]` (было `[0, 255]`). Само исходное изображение (по умолчанию цветное) преобразуем изображение в чёрно‑белое — для чего возьмём среднее по каналам R, G, B для каждого пикселя."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "Y03Y-xWo9Br1"
+   },
+   "outputs": [],
+   "source": [
+    "X_data = []\n",
+    "\n",
+    "for i in range(1, 10):\n",
+    "    filename = f'avia{i}.bmp'\n",
+    "    img = imageio.imread(filename)\n",
+    "    img = img.astype('float32') / 255.\n",
+    "    img = np.mean(img, axis=2)\n",
+    "    X_data.append(img)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Список `y_data` содержит в себе ответ — принадлежит ли силуэт на каждом из девяти изображений бомбардировщику (`1` если принадлежит, `0` если не принадлежит):"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "HVW-f4IZ6Nvi"
+   },
+   "outputs": [],
+   "source": [
+    "y_data = [0, 1, 0, 0, 1, 0, 0, 0, 1]"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Выведем все девять изображений и подпишем каждое из них:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/",
+     "height": 865
+    },
+    "id": "luwhswXP6NzI",
+    "outputId": "f6262617-d188-40f7-b38f-37deed860ab9"
+   },
+   "outputs": [],
+   "source": [
+    "fig, axes = plt.subplots(3, 3, figsize=(9, 9))\n",
+    "axes = axes.ravel()\n",
+    "\n",
+    "for i in range(9):\n",
+    "    axes[i].imshow(X_data[i], cmap='gray')\n",
+    "    aircraft_type = '\\nБомбардировщик' if y_data[i] == 1 else '\\nИстребитель'\n",
+    "    axes[i].set_title(aircraft_type)\n",
+    "    axes[i].axis('off')\n",
+    "\n",
+    "plt.tight_layout()\n",
+    "plt.show()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Представим данные в виде тензоров `X_data_tensor` и `y_data_tensor`:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "zyU44xbVJ9EE"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor = torch.tensor(X_data).float()\n",
+    "y_data_tensor = torch.tensor(y_data).reshape(-1, 1).float()"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим размерность `X_data_tensor` — она показывает, что в тензоре лежат девять изображений размером 352 на 346:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "6uROCg66M2Ij",
+    "outputId": "eeb259ba-c3b2-4df2-b0b8-c5c38c33c416"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor.shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Многослойный персептрон всегда принимает на вход одномерные векторы. Однако в нашей задаче классификации силуэтов саолётов исходные изображения — как видно из размерности, двуомерные тензоры. И чтобы подать их на вход сети, их необходимо «развернуть» в одномерные векторы, сохранив количество объектов (пикселей) неизменным.\n",
+    "\n",
+    "Такое преобразование позволяет использовать пространственную информацию пикселей как набор признаков для полносвязных слоёв персептрона.\n",
+    "\n",
+    "В PyTorch это можно сделать с помощью метода `.view()` следующим образом:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "Q9BNBxAmKK1Z",
+    "outputId": "42786382-bf08-4f7f-ffc6-8370db68f156"
+   },
+   "outputs": [],
+   "source": [
+    "X_data_tensor.view(X_data_tensor.size(0), -1).shape"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Для проверки перемножим длину и щирину одного из изображений:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "jOLmEcvSPeEH",
+    "outputId": "f924e2ab-338f-4359-cb8a-93a3318ff675"
+   },
+   "outputs": [],
+   "source": [
+    "np.prod(X_data[0].shape)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "## 2. Классификация изображений<a id=\"p_2\"></a>"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Реализуйте в классе `ImageClassifier` с помощью полносвязных слоёв `nn.Linear` многослойный персептрон. В качестве промежуточных функций активации используйте `nn.ReLU()`, а в качестве финальной — сигмоиду, поскольку решается задача бинарной классификации."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class ImageClassifier(nn.Module):\n",
+    "    def __init__(self, input_size):\n",
+    "        super().__init__()\n",
+    "        self.seq = nn.Sequential(\n",
+    "            # Ваш код здесь\n",
+    "        )\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        x = x.view(x.size(0), -1)\n",
+    "        return self.seq(x)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Создайте экземпляр модели:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "model = ImageClassifier(input_size=# Ваш код здесь\n",
+    "\n",
+    "model"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Проверим, что модель при приходе данных возвращает вероятности:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "colab": {
+     "base_uri": "https://localhost:8080/"
+    },
+    "id": "x3QUCgUnOy_Z",
+    "outputId": "be3f4404-b3d5-4bf3-b510-8d7b903e5fc8"
+   },
+   "outputs": [],
+   "source": [
+    "model(X_data_tensor)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Метрика accuracy:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "id": "WMSGULyhQVNA"
+   },
+   "outputs": [],
+   "source": [
+    "def accuracy(y_pred, y_true):\n",
+    "    return torch.sum(y_pred == y_true) / len(y_true)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "Задайте параметры для обучения нейронной сети:"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "torch.manual_seed(seed=42)\n",
+    "\n",
+    "model = # Ваш код здесь\n",
+    "\n",
+    "epochs = # Ваш код здесь\n",
+    "\n",
+    "learning_rate = # Ваш код здесь\n",
+    "momentum = # Ваш код здесь\n",
+    "\n",
+    "optimizer = # Ваш код здесь\n",
+    "criterion = # Ваш код здесь"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Обучение нейронной сети:**"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "loss_history = []\n",
+    "\n",
+    "for epoch in range(epochs):\n",
+    "    # Ваш код здесь\n",
+    "\n",
+    "    if (epoch + 1) % 5 == 0:\n",
+    "\n",
+    "        clear_output(True)\n",
+    "        plt.plot(range(1, epoch+2), loss_history, label='Loss')\n",
+    "        plt.title(f'Epoch: {epoch + 1}, Loss: {loss_history[-1]:.6f}')\n",
+    "        plt.grid(True, alpha=0.3)\n",
+    "        plt.legend(loc='best')\n",
+    "        plt.show()\n",
+    "\n",
+    "        print(f'Accuracy: {accuracy((y_prob > 0.5).float(), y_data_tensor).item():.3f}')"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "### Литература:\n",
+    "1. Бородкин А.А., Елисеев В.Л. Основы и применение искусственных нейронных сетей. Сборник лабораторных работ: методическое пособие. – М.: Издательский дом МЭИ, 2017.\n",
+    "2. MachineLearning.ru  —  профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных: http://www.machinelearning.ru\n",
+    "3. Modern State of Artificial Intelligence  —  Online Masters program at MIPT: https://girafe.ai/"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    " "
+   ]
+  }
+ ],
+ "metadata": {
+  "colab": {
+   "provenance": []
+  },
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.7.3"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 1
+}
diff --git a/lab3/avia1.bmp b/lab3/avia1.bmp
new file mode 100644
index 0000000000000000000000000000000000000000..c69e422392d44b99a1a93790e222d62dd6478fe9
GIT binary patch
literal 366134
zcmeI5LALES5k+4bbZIjLM!*2*GXYwRiV-od;Qw#F<9DxY$+D_+s<g9KR{UgHb!s2g
z;Xw%e^I!k??_a)t{PB<N&%bYf{`<GDum5a+{`U2^AIo1~+x!3h_3P)KuZ6F#-}$3P
z;1?>Pzg|f8S1Bc?+Wv)FUXce4cc6O3{5M>vUR+GI{R?!wA`cqwK=q3GZ@5ssxR`4D
z7wC9J9yHv6>J@X|a4p$c%vSC~kH45|#S68(x-=6!F9Ovo=D*>>n#ILb+rL1^EApV>
z4pgt0|Aq_I&SEZ<Y_FWfw3NFRy!c!4py2|v+%nHS*OEPzylP$O@fTCAc%hb8<Uzw7
zs9rJu4Hv3+G25Q~+4P}BjH!TIhhM1W6?xEb2X0+ApUoGleFVH!In(pDP2tBgsjP1V
z$b*J!pm2+e8s4-Q_qZ*-iTQcC+=|~Q^r@4Tod9{Tqd0%KaoN}^PvG2V-thZD%N>xv
z;t0G!pvCcJ_wf5cgY`Eq8(ZZGG#I|_7V@CMd-*Glz#9Y_3}1H(dC=hfjmySXc>)cF
zue*gjXz*VCiX-p_fd<3Z-9jETcz@%vu~nWxgW>CLArBh7m%ri&yg{JB@O8J42Myle
zxNK~dC(vN{x?9MD2JhvsI0A1FXfS-;E#yIi_ctyZTjdEf7{2Zn@}R+c`74gV8w45*
zUv~?6(BS=z%f?oD0u6?*yM;V(@m_vNRuSmpcHko9funh=44rYGyJN39`;R<4CqN!N
zXV`p#@tov8zL_)|I|+~no#1*t%RjJ|9rh6Co0|m4gPXvfY`2`2{AWKQ&$o>P$b&{u
zBevzAS<4PbIKUYd0^~sj(8$-8(~|$}kxp>d2?6rp1dPRU{+TuI(83hXJQ5%ejx;Qv
zjYnmP<1PK+>>mWk1Fw6q#K0Oi>E+eBb;tuR?~O-giQ~PzTDJ~);OPAlGi%nQqfzUY
zA`g_jH=CvK2P?UhSqpg}=5F}O?QKBJhehR(2V%zej#K#W#C%v(4tXGEeE7NUZ9vS2
zMdgqOO2+rjQiku8d{|ctd7$KdhPm$TLCJ@8wU7r&-uKQ@`0tcVSXv8tpk#mexqi@q
zk`L=@ArF+ie=ttrKUMN!T`lB+lK0_<`auIqKCG*SJW%rf!8nEgRLO^RwU7r&-iIIR
z%Ld*^?|a|Y`Eeov@?awTo2B;wiuG`_OSaD>KpxDbf4g?9BzUR4-6S8(BS0R^W8YUf
zTqN|h$yZYdkOxz+_ZAHo2AkmCUioeU0qmLpy}u-R(9e!98wijG4UlxUkOw+mq*Ov4
zgtC=92xV71vE)H0&&Y#NcEuA*9)$9YJP2i1Jh9|KD9^})P<F)=OCE&sj64WsS3I%g
zK`772gHU$G6H6Y1@{BwPWmi10<UuIU$b(RJ#S=>&gz}6$2xV71vE)H0&&Y#NcEuA*
z9)$9YJP2i1Jh9|KD9^})P<F)=OCE&sj64WsS3I%gK`772gHU$G6H6Y1@{BwPWmi10
z<UuIU$b(RJ#S=>&gz}6$2xV71vE)H0&&Y#NcEuA*9)$9YJP2i1Jh9|KD9^})P<F)=
zOCH4Y?1$n&!4MPhqN>S*XvPOhf|t~2fS1-w9)z+#To{-N4rN^ovE;!ZpNua4rfxg=
zrO~KFnqvn!x%4r=?%L829ygz6q(V3H*hUW6{>29f&k2Mcqcq~5`^X98!H7GMW~4$l
zGQ!E#&ma#*+<?$ylt%mrCs#j%JQ#5U(u`E-Mn*Wf`WfWGh#L@kjM9i7;pFOPkOzZq
zK$@wF+sGg%mp+C(7-WCkF-oI+kdsRvLmmvWKh0FdZDf#>OCLiX46;A&7^P7@$jPOT
zArA)GpJuA!HZsV`rH`4H2aWeGggcGBu+5Y}h^rzlQa%q%ZxDwkBOpF)`trzwWD`L<
z1_WMnd~xvEpl_d?z0zEtr}u&`uOI+{DS<&AaPc4@Nq{_%v;|QRm_mR&n1Y?65RfE5
z9!T1PC<sg;KpsrNPEiO*5+DyGZ9x<SrVt<xreLQi1SAQN2a>iR3IbCIkOxz+QxpP{
z1jqwPTMz|-DFn!aDcC6r0Z9Vnfut=yqBiq=3Q;8r0rDV<Q|N?%JpuB-o-q|55QPAF
z5XC8ULcpE?d0@|&3J{1wfINue6gnYbPk=nIXG{eML?J*PL~#n85U?je9@sOc0tBKE
zAP=HAg-!_A6Ce-l8B+lQQ3#L+=T1FgbABpsAfQX&$(`^1Hp2hjdUtdChq|VtEFFRE
z*1dY#uixw8ZliCX`}{a54{ot}PU2QMHbbCF;K`k=9{$?!q(t|(<Uyl5Y=gir0^QU0
z`ta8=SATt2qWkj&^56<P?;voWK=-umA69GbJDnfMgQ_)bfWUVGqh|E`so#DYRpRbB
z<iR%^_yGcS0(Xb3xc|CL@e_wd^5EJR-a_Dm!1KBMIP!hrd5OLg7RZAQ%sXv<hQI>?
zeWP~#s#^TG+4FggJlKd<9bf|l8VNif&}yOQCHhWSCJ*}XyuPZs$A+Z{Jh@AaH|lwb
zz7xoU25w7T_7$3K@Z5Gw6|!yl^V7+Lb2j^%s(Wk*L}0gd;zJeJEN$dL1No|ZYzRc4
z!Eo~}Rb1u@P706*Ct&vFs&#CLMPPS!;zO0#EN$|6Fbm9Hw`v_5ViDM#o%m2CHcK0M
zP$OTpjt#L0)C~7{UnS-tqEv%CC{a1CRjp$~ECNS!XFXSm%@a1Ia+SxvVT!zC(On4-
zIS3rho%LKLIZxP>%2giwhAHxnMRz4U<REY~ch+;2<UC<hDpz^z8>Yy6E4qu}ApwCm
zbEo`R#W+RPR&>&TelV+D)4ElY*`Pqc^bRy0e&o>jiO)9jz=!kCD#u&Ea~}amyH+ek
z9yq$*HvxQgB;aV*ilxW{N7s+{n&&<Oj&`kBiahXjy>AHkYA4`p*K*a!17FMcd(A@!
z0bj3HtVSL<y52DXd~zh<=+&a7$OA{?k5`-LJ_3$*tyqdYaCE(I0{H4kz|pQ1OOXeT
zt{?9;&wT_O?OL%EdEn@J-vsd0PQcNtMN5$fzQ*rYd!2_J@Mp{0t8MXY!)yJu;ka$z
z&%<y62RDYF&4I%Se2$d(%5VZ4Xi9)QFvUCiaPjH?ls6gx=h+e<4{Z4kKK*mx#8(FQ
z&vC{C$OB`*V~-b~{-V6G1USu<0C`}Fcl6=KffHXG&4BX^36KYdaK|4lKKey@<0){W
z83FRZ46Vh%#eoxFwBW#*Mg+(MBd|8dijRI#o(&03H6cJAm|!(Iv^Z`0izX~M)P?|g
zV8hkoRQ=H}DzresnMMT210%2o#}=nef6;&hM_Lge53I<JKUaVBiwehs;6yV5<bfI5
z;RhF|O@DDX2M)9&Kpxn!9euL?=ob}^#=v=o1jqwJxPy-_PMiMXU<w>(Nq{`Cq&xO(
z{n0Nf91DTdObL(&rg(=QUYs`l#i0y1%$5LoV9R&p>H4EzR5%g=XBiV94~zj1Jia(>
z`ilbzaFjIx^1zz#xbyW#zo>8=08TO|KpvPQ9#)_@ZTgGD`sW~f0_1@`<53m#N580W
zRQsIcK!7}OfIO%~aoY432X)Ue9t6k(56WX|=#PF;;h5$*#f1QQ;DUKbk>a%JFAnLQ
zLwpF32R@ufRM8*(qQViabA}TE^1uo7fHK8t(_b9WIY)RAAP>AqKd+-d`bCA$8|MT!
z0_1@k>c@qO)26@pxNi>dBS0Sbv3^=ffAotApSI2Sjs(a9N7xTb6{k&q@nP3|?n!_=
z@TC2$mj37$6+Ua4uU!d{2d=mu6)R4g{^Fya`Pi2LdEm?YNj3e^FDiV}GT%BAAP<~@
zKPXq6HvPp19rLL-0rJ3`cz-?p(Jw0OZ<sIL36KZw$h!*`r%ivcyI(%^CqN$fGw-da
zKl(+5z3uYd1Onv21n8Y5i_@mR*x4<g%^*M?%%I*^Q-Ab}3j3Pnt0@G?gDKd%iWa9$
zf3d4qKAJ;-Jeb41r>g$w7Zvuj$~Th;kOz~%ca$wooBm=)r+hMt0C_Nr{QbK6qhC~b
zzfr!JMu0q+hW>Wp;<V{6-tLnR<`Ezd=CQw9S%36D72fTU{c{PB2Xpz~ss1@_`YU((
zWAA(d<iUIoS{3L||EI#%-q@!>fIQIfp+&{#wCS(3^u-<>0_1^?7d0jN)BmZk))Viw
z2#^O_eq5>foHqTHtA2Q=M}R!g^W;pC{`40Wp0&feAOZ3~(3BHN#c9)DJn4pIMFQl3
zqAO)h`lDY|SZ;<@Ndn}7q%B2J#c9)DEcU{pCIRw5)0dJe{n0NfEVaU#C;{?7)R=;-
z;<V{67CK=`l>m95>ddDu{n0Nf{A`33SpwvNtTi9PiqodQ_|XRox&+7rU2oo%>5qO<
z;d>kWEKGnr5H{yiT5;gS7eBjTMV0`0AZyKsF!8xRllRdF3%Ufz16^<4m7NWo`1*Sr
z{47j>JP<bLO`7=JpUHdcf*+L$kO#`{eAjk1aN_IVo8TvD0_1_TJ>SHM&;6OaZ$0pX
zHUaWL+n=Mlvw;&|KeoWLI05oN+@OOz@wq>fcj$mebpqspx<h~JI~zFh^*<ZnNuB_C
zAaBtwP<-w$<n1l+AWnch5I5)`?_%J@Umcp@QJMgGAZ^b#apFUNChuDh{Gd&MJka*%
zsP1gw#Mh54@GMS%JP<eNAWwYm&*U9C;8C3bd7$plpZd-QPJI2(26&PuKpx0jv<noU
z`!jjFejfA*kO%r6{Ze=~aN_H~<nz}61jvH`CjB8%eD2TW#Q}`c-^qhGm*8yR^w;As
zUR^195a$Ny&wWv09Ka~$_k%!ppg3*%i-8CumERBI+yVX3KT{Zo@#;#+gE%+fY}&-v
z;{Zk}|9&Cg9Z-vhe1sEs#P0_g&GnCjj1*Vwi9E>Yx@R6_<hO25<UvO7$%Blpdh|pd
zcu@AP;g$#9jZx2-0C`{x*#CI9FxU$DcSl820$6H_chcc*kua%0%32X153I;eJJ&4?
z`2Ap-$7Y4e12eR<4kiy~kxx*UJV;>TM+<I|@KKqC*aXOf*#4E(lLuuktkwvS2Q@<B
z-n)gtRwx`C1YZ-t(rZ2e-;xIbO;eFf9;i4mQioe4j1<jT0tCnd0TYHxAP<HkUF1OW
zAfwUbK}J_SdLj=zD0|l+54?$IsYf1UadPj&Eey6odr=;85WvzLJ|4Ot4-PPRyhngM
zxW_BNZt@_2Nvaab16609=yHpMCnEV)kN|lgXv#B5Zeg$$dZv`G<p^M@oFz{Mkq1u+
zF8n=tkj{MaAf2Ut4Uq?ateq;62Tq_fmLU()xk?_Sv(&F4^1zR^Qzi1i33SFX<UvkX
zokAfayrp|04>H>Clm=X$be9K96I$vP2mJRBvfUo?Ae*Dx|7Ew|AL-z&-Vk|^?gsd!
z0hcG?<w@7l>J5<xtKWbJ{S)yI;AwtJ9%%X!LKS%s!lpYS$%8wz*!ztDdGHNKh9Ag-
z3@%RUfjpQ5-mWZpV8=H7$>c#gi^+p@mijeB9{90#sze?*fzDWlJV@s%d63RhzlO*I
zKh{o_$O9+P8Ox9d>0Bib(pl=)5P9Io+NlzG-~>8j8S)^VtK>mCOZ^%m5Byj=RU!|Z
zKxZsN9;9=XJV<A$Uqj@9A8V&d<bf0DjAh7!bgq&I=`8hYh&=FP?No_8Z~~pN40({w
zRq`O6rG5>O2Y#%bDv<|Hpfi>s57N0x9;CC>uOaflkF`@J^1umn#xmqVI#<bqbe8%x
zL>~CDcB<r-2TuJ^#*qMd;0RlxRC`){s@=c+e8ox*0^~ssAMbRrkM+gFo%7h6hX8qy
z$II4EE@EJR)p{2DauFa8a{1ZP%|7%O4=v}gCm#XwAfKnTjxJ(ge^on!_c;lW2RVJc
z>S`bQi-)W4d6$;}d63uJi_R{R;PvX_TV5q5KprGE_q;Xo;GE6UZ^(o7?5~EwwqZRg
zbo_$=&aZb5$b<DfZ|#^oXeE_rA9;|+%h8>X2cwDVpGO|(do)WSc`%Foyt?GUJof69
z$pdwV#_J;w#xu=wB6*O-$@V_TgLYP{?IaIYbNt8OQ>y>59u+$NL4Z71?;h0CfLpQN
zt$1~e^XoZJ9<1kiYsch4E2%vDs(Fy7RXVvzfIPSfEWvj2Ac2WSEszIBV1<t*4}{H`
zER8&vY`}!_<iP~!K}wPbL5vzGlROv*Guct(K{7)d+93}bAT7FuJXp_o@?bsBTRSEX
zT1n;EM;_$ya&#x;!DyoT=aC2c9?eon9?T*?uP%8okG*<j@<838@%qSv@l3OvNFHQy
zvb_)Tpq<rfJIRC99B=sNo!3J`$A1tY57xU1{C=>W=dB%+2d$*??5pO%wjocqbaICP
z&flSxV=sA-!$*rQ$O8+i+Gmmn+WyQ`M;^?iKc_Z%Fo%1Ds^mcgm&R%&561G$bQ*b(
z$<4N2$b&XcEAAo>)^nXaSkLp;j>&^oQhD}~2YI|4-3fUxnyCJH<bl3NvlNmCv&he@
zOCHQ)uU?rvP<Lp&KJs8Z(<~>F2U(nK?}I#OXSLc+@?bT`8~*vmEil%jLdQP{;QV^`
zfZq?+^SrfV@}QMeo_*v&9xq3CLLQ7Js(&7NpzqNvh2+63^7HDF2lLpgS0)eC9U82!
zB@DJbgR62}5CS+K#Hdj+$%9cOQ=UT}q_p+CDe~Z)4R84SjjP=O@?bT`Z}rRX2e)vg
z*xV8cDH^4T+XTpi+sMLyKpup*(5wOSzznVC!7X91?a>sEDr*8bZ%tV2eDXld5G^_6
zftDZUYRCg~#E}b-2a(<D&`ut7KwIY%@?agWe|Ab9EN1w<cFBW#yu$A$55ik$*#LQ9
zNmuY}@<7lO9ZBSYju$RU$O9M5QHziVQJovC`<N4hkLI{I1jvIpUZE5M)&$4{Yr>ol
Tfj9)ngE(HH6av-+zP|nsfO<9w

literal 0
HcmV?d00001

diff --git a/lab3/avia2.bmp b/lab3/avia2.bmp
new file mode 100644
index 0000000000000000000000000000000000000000..a3650b61e1cb15c0056151bfef256537ef01a7b7
GIT binary patch
literal 366134
zcmeI5ZHSds*T+YDBg0-M(!l9OY4B!5#U?arYNVR7mpdzB%sxGaOc8#tH_IY>5iAIk
zA$bO+vc5!E6E+0VK+0$ZYLtk@L^f(dADW1oh(XkRt~v9}>2l7w_O;GA`(>@Y{y})n
zwf9;3zyJTWez(qTdeeXB|L<9KBmc}#{{2t#?}HQS>i#GBcS7BzBd-hpd~tqV-N?UV
z|D3`<r%sKTA@4^K=?St`grDw2*44SIEvT}fh8-tWgvsMHbN*6<pYBA02L*3Acc@vL
zyVkH+*?a|7s}^r9u@rbvNbQU>&S2G*L@`o2j(8mo+oV|PNGEtuFqT6nR-wUBQ&=xs
z#nnQ6#QNQ36$B3od4=k}8qbx|Yc*ce=f|a3>PRPe03JAMtyI~E9(u^<OxJQ&O0~vE
z@Su=-Egcl_vr;;?v$M0QsVSgQ#G`M#@kS|@I?@RqfCr9R>-4h3i441~p`qb))#|<i
z4+@coZ9^-kfBNaCS6+E#u~bJ#NAiD~Y~H+i_wL>M_wNth*om;YbLST2@q9RX^k{IS
z!U_NnV&OqW6Xv<;4j(>Tk-SiwJ=?<YIPd^GaNm|KEiIu&yrOg6JHh<~@Blohq(_%5
zSwfkxrAwDmwsG6@#v5-`Vn&2}!2|Fhqpj25jo>!8?(}4sq2)Dr03KxYy1SX<TsgxG
zEw8}?@F1htIZv%SZ5d{0c?}+b2N}KYZsyol?(6HzFhk30@Blo>=ykSJ>rPmP6N+Ag
z2P%2c-`}6x<nG3fZRK1~qTc`>sN}(p9XoPco9)!P6PD{q^c%o~Ld5P`jBVxI)@G~R
zov>U_qTc`>sN}(vDN}M=+uhi)t(@yg^c%nfl{`o$(%jl?N7kt@vnLu>^ZG)A2gx0s
zb{UFGaX?A88?Ff+6wHy*u+Zt$0mGmuSppBh1E(V<s<@J&H(V1u01rfstW&XuK~b^<
z9)Jf<M@&?4B|~qxCU^iIh#Fa^Vhw|$WC=U~51fvesNzb7-f&Iu06Y*ivQEVs21Usd
zcmN(a9WhbGl?=V%n&82yQ!l;rlBlkQSXT}h21UsdcyQ{}i4!MWH5lrOazM$@8?Ff+
z6wDFTwGivd0mGmuSppAAg8u2JpN5Brlh?`L-gVh!m$~Xa)aB<uNiV2-0Ui({pD|+w
zzutu+`wkF#A@VKY0WDzry@!hY95{IJAgvvu-31=dqUG1SP-Nc$S}(-B3p}8uYrpqU
zF^~iE=g%+A{K%0br7sn}0S{=Q2kKoMYuN!>+In|^2ej-hw<XGjaG;~3gO;}5UEl#N
z`w;DmGc7wXd-iNv+In|^2ej-hcP7dOa)6e$-d*4UE&D+2i(@T2KucTiF7SYsz2&w<
zxj+uk($>2RJfLMCsC{v)Wd~?!>)iz&(6YDOmM9m<0b1I6cYz1A>;ttgj<xInEp5HK
zzyn(LmfI5L0y#iSTkkILfR=rr_QkQ59iXMHcNcg-%ieNZqFf*cXld)+1s>3{57fRm
z*0KY%wDs-+4`|t2ZcCI4<Nz&gy}Q5zTK0k37spz5fR?u2UEl#Nd&_N!a)BJ6rLA`t
zctFcOQ2XLo%MQ@e*1HQlpk;5lEm1Cz1GKdD?g9^J*#~N09BbJDTH1Pdfd}O5@44q5
z%gu>$-W?#Pt#l)JU@7>DI{TGZURkqdP3g%M6~X389k}M2Yf3%Go3sPqLE4Slo{8;g
zK7?2#)@^0Yx%19DE4pvlB6vx006d_$MB78`S#vRBktnwroT1-0`DLA<4wlRgfCpxO
z$gBJI?IZTAxg@bjl-sO0V=jVKvjgCP*&p&MeL&46>2>1UX~h|H5v-aW01wRmkXPx`
zX)Z~x6W>lN&X|i})$9OxVD^W+N}tYMyLK6>((A;x(_l-oM7*!L2v*GwfCpxO$g6wz
z?zPge#3E5{Gn-AkvbhLW%?^MEW`8PN?e6a0wr$(jUw=I~IJkWI^3KlAAAa~@`}Xb0
z!{2}Z-PhNbTaVcFQEvO>lTQr(5U*^gfTdgqz=K?i{B9t2eU#e{9z19;n|NhI1uW${
z03PI8<afi1FTO}@{P?z+ogTgKRaag0{rBIG?)>n>58r+F-CJ+Hb#%%6aja4t01qfG
zG1$}C*cbr-7B61h-rk<rIXpZ(G&Gd_sw#Qjv}qFqgCSwW0q{Ut9|)zw+i$-u&1sE#
z!2@ZjPn$MPA`+z8tW+;}AT4-_Fi12@vstNL1SKta@IYE(lJtTHlF}N{3LZ#HOp;#k
zKvG&GTEPQpiAmB69!N@SL@Rh8Eip-Y!2?NYjc5fAq$MUvFL)p+tr4x@fwaUV=>-oY
zr8S}zJdl={B)#B)q_jq~f(OzPlcX0skd&5G7$gi6WwTzf2uf7;LVt1q9!Tjj@IXpZ
z1)X=@b(c^ih_YF)Snxnp_A_VB1P??dCQK}NASy7SFu<=Dq;wg0ASJ1SPW=2pR9y1J
zf(N29!_N;y#U)QHcpxgXi!QoIC=x{3tXC{}AS!#IFu?Z@q;wg0ASJ1SPVhifT=K+%
z2cj|q4@AW!Pb_#KDl_mvR9y1Jf(N290}n*SB~L7PASyHPKvZ1v#DWK+G6N4p#U)QH
zcpxe>@IX{t^2CA%(lWdG=9?u_L7L4<^@0bYf?v6Er9>Dcnnl^HS1f`OmAz0HjLH_}
zv{JF)fwSQI`ugs@_ul#Q=fC&fd+XM%+p=X#OH0dw1q;@%U;pKoU#?xd_Q3}qO#Z6#
z<gY-VI(6z(Pdznh(xhZ=7A{=4diClXZn$B^iWOa5T{qoy)8WI14;(l!Ffbq*21W6U
z7A?B`^2;Yro;+*TthsaNI<p^zt8oB4pt)9TXFSMtAb}7qZN0m|148z4CjiRFIY3BT
z^%n4e5dXNI!k2O#Af&B&3wS_?UvB$DdD?;GI~IhrRc`?g2=S+T3eTb)Af&B&3wS_?
zU-Se(eA)p*+N!sJ2ZZ?34TWdX4iM5-y#+iV#6NrXY|%pi@kIv+X{+7>9uVU1?CdNy
z6dpu7KuBBl7Vv-&|FL7oL=OSPk2)}M;zUB)s<(g#g!twDt%)E(+JWBQUP9WcxA5RW
zQ&Uqqw}ys><oEm+b4h+b|HT(yoNVam=y>+oXOo}37nl4zBx2I?@GR5;Kiwkw6dpVf
z+Fy_@$btR)_lurXKjOgyK`jlbH8|k^r<Hyt*zPIdK@Ba2kBWBSkw+eR|NZw*oH$V&
zsiQ}a7N2!KfCr*m8sgbI@YrLIC4VdTrI%isd=IR?zW(~_uP^=~SLdI9e)3yeo__l2
z<QturTyjbADibD5IC=795FmjE#T4)W2RJzZ9&kznTHruf2f%}{{^N8wz{vsdfKwXK
z0tdo603L+(AE(0sP7Z(voYH_6I1ttW@F1-JI2{gfazHB&R;^maDF$eP11ucS%7f(I
zEc}NEIKasP@PJbq&;kd-IshJo^&h9h0ZtBp2b|J?7B~>r0q`KK|2Q2EaB@H~50by>
zm{Sta0tdo7pqK~A)sz4BGkgS400-DOpqmE=4jf>U1cbnW@DAwaL3sb601j|+Krs*Y
z?%m5N321=>;T=%SgYf1<0UTiF0C>PG5XgZ80Uc1xgK<}1x^!tVhpw)!<aye(X?=Zt
z4?OTd@jV{kK-><D8wx*P^7!*qYrJdn$7ILd8n~T82WlLO>OLL?50a}Ve`2-5mcf-H
zcA&a}uJKc`@F1}v;?}^`v^nt2H{aAa+0}hK79Jcweq3A2;J$1fAkJcce?M`jw{5ZT
zATf+>cR-jb2fWR$i-Tg}!M=U_R5cwg%hmxGW9qGDEIddIW7{AQrpf_tv+Lp@@IY0s
z;<D}?a51LdYR1BYJMOr{ebP7q4&*!FZFXH86bldXW5NzN;KczKW9qGDEIddI^Aa`=
zfde@Xc$-}p2gSmJUAuPW#Drxy;KczKW9qGDEIhdS>Z`qkjYHr-jsxCi*Tq4x@E|86
zEW-g`4!9UoZ#BUKUu}YOlsMpRc3m743lFAGpRT0ca82e8xEND!HDlqyq)C&Qw+ZAa
zalqT`x;Q8n9w_NGT$8^8F2>YbP4Iw!gF&Gv2fWR$i-W)eQN0GS{2g#Hrrv6T2mBih
z3Pm~KZFXH81RjX$HHhW!fQvEpRueqn-(XNE$^mb)>*AnTc(8HfMo~=zvC%r<Vobf&
zjD-h@VbL}i<BO&L<{ZW{y-M>oyDkojhzHHh&0cfIVQ`?F11`qYTg`}gP>W~fa>YA1
zP>ln%^kMMNf(K&}R1-Zu0|!bR7;7kzKY|Biv2EC}p(I+ofCCjfFxF5ae*_Q4VyifJ
zd;kuVI520<oUw)y`6GBxi0!u9ZYzlvFO)hUa*!>F1`i5GD(!q+yTk!Yb0xJ5cmN)h
z%!K9_QU}?RZt$RBWJ5!P<{`k{iw;<tE2(9`gF<q}cEE#j2c!<NCEefwc%YmBr(fUF
zTuChh9)Jg@4}|isqz<wr-QWRupqv1wUw{4j^_E6UWEt?F5L-t_$LVc>uk<<~a*!>F
z1`qO#)H@eiZ=Tl?F|UIMgmkqIhSGZzIwIOF-~l08rE{V3+V%DIgpP=I3wS_?R^?zs
zd+FBJ)~vhz_~Va+c8GZkctA)ut9|fZoCAckRc`?g2=R;SdI-*PfRMK8E#Ltm{;cN0
zdvOjB(pJ3%JRrm`uInK<%K<{#s<(g#g!r?X3-84_KuBBl7Vsc1e*Do%;)dQJI4^DO
z>)-*Q0}TCzC0Py-(pJ3%JRrm`tL35A-~b_Q)my*=TKvb39V>49`RAX%_~MJ+-rk|1
zq2fzJ4`PXr1I4`XP}TwPpsX!bz5M+1&-pYyl$3R#s$dm;2t2SFcG(`pOC}CjjXKU^
z;DOa#nKZs~8Lz(j>hsS(f5jD7JpTCOx8HvIx^?UR{PRz%IY(OzJg^$A@<9xK{egi2
zt9hy`1|Hapyt}(Q_&_KZU@uIimB0h5!7Crf;Mc$9mRqdmsje7!U@!9ByLSg42;~AU
zxZnbNd1|Z#9#~CX`8aa8zSTU{6$1~fM$Ta%lxwh>r@CU`fxXC+Z*D7}MGn`um#4-`
z;DNo=lV7}Y7zpJW?B%Jk5_n)Qb>)M|<ofpV)L02Tu$TJQty`JQgk~A`^3+%fJg}E~
zS67$jLF91vmtTI_UY;5&fd}?dZ)<DgFcX?J{PD*h_VUzN2|Tcxy5?EraQEbwY*zDB
zR}4I`7x{C~J;z}tG;6@G7iw&0@SsKmQy-r-YnJ9&<Z$=D{`xBw2p%hT06eJJvdj-~
z7zpJW1_uW-<G}*K0q}re5^;<2S!8m3Vp!N#)&cOKtSwc&WHJ!SWmFX%KJ@<%fCu(k
zLHQsuxxT$THC6%-?4?d0i2nZm(qri#$4-L-rN-h7-2w1`?p5ASLzAYL3}w>W@LYuh
z8#Zh(*o&oH2f%||i^v;@{cEU4tPtzAvd+w#H;;bb88c>-ErORs2fzcOQG{&^7cQi9
zuAvg;<FW3kudmN?=E*0Yq~AKL2;Ng101qfG(e_N7IFZt}hGLYD$GYdW*Iu*YjG+jY
zavcB<axEfnxbMFED8p)~NBMZHdknTDOLyOWH|63@O-<%HST#EU9+>^9WR=pe$)2o|
z#E-|iEz6eC_rzZ^oORY&<~mq4JCNO;=FefZ)B)n8mVR*b&CZ=Wi4~&UmSxN6`#E#w
zP;TAa+-$CcRkH)&f!Uu*Rw)ge>@k!iR)}(&!Ior+c;z)~)|l&H)$D+=J<T7*>Np38
zJv;7G#V?b;bCg&i%56m-%03XUykyCevLDAwq66Ro(I~>UEnBwawyn8L?#CnEV8xkp
z&pp>%2dicWzyq^CwXGgHbZE4|b=O_@&p-cET5M=&D5-Gr<jLfNd-m*k;)y3B=0S2b
zgFp0(8;W2l*8yV)xu3=c&kjWVM=&i|u)ts@cwjKc;u3gZ(M&I;UVr^{`fv!^X*Q33
z5px}^njHWS%>J-kr4I+6oh>abJv}`|JKuTdowT;(d#S~xvJdIa=I62>$4jCE-~rJn
zPTR}_!E@D$f15UKTDx{_X{pxM)`o_L7hZUwbO~=NasWK2$Sxk6c}~1p6%Xg2BF6#n
zAjcq%%jU`BxysQ;Xex04JSee*{|lZIZ&t<MRVYjx01pJVfqC+Ht_rkSqh#<vVCp<4
z-mFTX%^D?x2hvh+Z*MnG9>dk-zgCuJvr@g_fwbTmj(e^oX&&p<3m!<zK6m&SZjk1&
zUcKOfwCov<d#)sD9_!T$9!SeRcla1?kmj*oz2Jeg>=}-Gt|Vz5>(vV$NXtHV_!w@G
z=CNMA;DNO48IF6dBxxS&)e9a-%RYDb7;cc}v0lC4fwb%yj(e^oX&&p<3m!<zK6m&S
zZjk1&UcKOfwCov<d#)sD9_!T$9!SeRcla1?IQ#6grP-`hFL)p=c!uLnktEG#rFy{w
zX~9#5kKrC^HY?Q&9!LwG;jB|6NwZn0UhqI#@RZ?WxJR1JO7(&V(t>9=>l8`SY*wll
zJdhUrym|8|^T%zEG@F&`1rMYJ&u!3&dZgK`R4;fSEqLPmaoZ-%W~F+;18Ko?8+4)`
zX*Mg>3m!-do;ZKpwn?*Dsb26vTJYQkov25e%}Vux2hxIHym&Ej1X*p9X0uYg;DNN@
zmn~byYS4*dq}i-gFL)p=c;ftV+a}FsrFy{wX~A<FbfO+<HY?Q&9!Lv*`t<3<5oEPZ
zn$1e}f(O!q$M08`mY5{H;DMyHMzpf}Uwyh5X*Mg>3m!-do<4%Cc7E`|2hyC@s24nt
zmO85`r;FLMXOA?eHR=Tq1g5@x`SP~5w)4(Ak3NpUcM7ywqh#<P#?*sP|2gNJbLN?6
zE?Tsxr>Ez$&pwOM<2dgG9>kfer*Au6d+oK6`ls|-;6bFp`}rwCq~__p7I+Y8_TWLJ
z!MeQ`c;MFGVAa8cVAe}M7(9@io<Tc!U@!+uSq^{)S<VQ54;}~)FpPZgAdK(MPX!O0
zTO8v7;6aS39yxLZJcuz^=XU}RoLd~=faE_G01pEAF8@gIKz@d$Hy9Wg01rxS!JAwM
zz=K?iWNrWtWabuFHFyv>09VI@2d<orx-NJSX}sV;q`|tq7I@&+-(c0jgJ9N6J{UZZ
zoSs2DcwjIGOIZ$p2U*Ste-9oA4={{;@F0xu&QJBjgYUlk&iPGnfJX<w1CM6=JjxFb
zeBKCWd2j$c@L;m{BUY_i1s-^JJ%$6pgBVgAe}}=rLGWO_DfpV;0C+$!N#YjpKw@ga
zHG>DiBXA=CJaFS{<W<3g7z6(H+i$^x7=v|wC-A_z#Q_fJ?d|o$gI|CBHNf?7q%#M=
z183HTE$oK}Veg33tvdi7Shti%LGXY_4#HG`2f_lQ$^{RoPGMil0q`JYMl_GV{PGKU
z5KWpsF9II;blc-uet7Wl#~*vV6OMB30C?cs;xGsJ;X#<Y;Z$c1fCtX34O<vI2<yMl
z)4>Cw!R5&Y5AqzsdKm}6gEFSX@CrPLAw}<Z01v!d?&m=8z>m+7odO<27U<Y@z=JU-
z@M8rIfCm+rC26Z49wh&vgd|g-HO~R?AkQJ8>wb99*w`r4AIL820C-T=7Wpsz@L=oK
zt@5qH4gPfiJowj(sGj`rVDsk9QMso6GT=d^E#QX-Z@u+ar2Z+r7I+Y8@P2qOb?Vee
z{Zo1^@F3FQzxwJc4@kiG6C-OM@F224v#)df`0*V(b}U=A%pxa#`|Y>v1F<5{0q{Ux
zW)>7vkg$67>f%Ym!^8LAfB(2o6<6^PjRW98G*MP~k#WOa`elXnussF`z=If4tmY1-
z07$=SZEdZlC_W?H0q{V0fYr%=^UXKY(_i|W{>4IdN8nQu9RLp`rdG4&wzjrX2BhEA
zd;$uHbO1aM8C$KQ)1zPZdGh4RwVr{`3v>WH5ExqRlFKq6{Sx0lsNH0V6~F_Dsnx7G
zJ^E#zli$u%^C2i8&jIj2US<{)mt{curG+z4LZAcSfxysemz*B`vd=44tf>7IR1oI?
zcpxq^8-iD^Tv-+a>6bRnK@DLJfCs_?vm<xs&YkJeFMY-zY+%P|X;r`jX^Gj=Tgrg+
zn~y&F$ksuqBgg^pKu}m#rKYF9^x5iBC?>`M@IXvdHibU(%rm77NWbas?zVXzY6)=w
zJP;C;U73dt9ZFAs>9gJAP)&*h;DMB+tm^#z_uoqykbbjm+cv8QqL>T^zyldMSyq`I
z{j6upN1~hr2fzafDOuN;#em}b_V#w`hoT^V2fzdV897i`ocpYY3opFT!LcaG-2w1`
zdqPh1Wnm!w-pRoz%G&|(fOkHQ)TQS>>)FxKD9hOa@PKnV&a`DQApPFi;V8`40q}rt
zHV&1g=RWJ%;qfTV)dBE;YcfuCWicTA-l+f-=ji}=z%v)es?u|x_3T&z%5!u8Jm8p$
zb4^(cNWXV30tfJO06gHAi3dgLxi9-XVZsCtGH?Vp2fzbviFnadmI3LPk3RaS7a=%=
zmjmDduRJ`dNsoTkvnMGyhLZ!}0jD&)X~|+h`n@+XIEaq}-~pd3JSs`gec9*c=4Ov_
za1<8@zymHxc-2vs0qK_;H*WMQ2#4`-06gH4gJ%`#(J%WvWy%!Kl5iXc2fzakDR|dV
zmI32ldKZNQ!#e;TgwMdYg6-S4j~o56U;37X^B6b)9xw>OvxJ8qez+_E(k~ku8$GMS
zaU2`~4>+XYS3`R4vz}+poat8-PGjK!c)%hCuOhM-Fz$U%PmfnwIE;Y<b#?y-zN6ZO

literal 0
HcmV?d00001

diff --git a/lab3/avia3.bmp b/lab3/avia3.bmp
new file mode 100644
index 0000000000000000000000000000000000000000..5f43a88b612d0aa90d642435702fbf8a3e69bf48
GIT binary patch
literal 366134
zcmeI3OR^-l4Mm>@o_g#hcm-a7=iY!vUX@qmeYH#dx+^P_`2k4)1i_<-4rMVxe9lc=
z%c0Oe|Midm{^je>zy9(1^Y_=EfB*6I^`F<DKfeC<=keFq>;3=!`t|eA_rcfK5B`Dx
z1R(H}0Di!S009X6CV(IOCc)n!00I19rElQ(|3?)4eI+o=`ilU5u-K;{vI4$}#lDL7
zxG4WdvBm>_u!hc!Q{o4W;AXuh@q<}sqwj74_(3<qxf0+9bLr*WEq>q(d~`YdV6+0E
z>*EKZ<<V~rKhS5IC?kH5NKDBn_<@AdvN8C<V$$OWiwRygE`CtQYx-#XV0sBH2fz<3
z=?2V=9|RO7PD}Vf94%Zr!4F(8&sqdOm{qyPz9oL}ifPQwwaE#f{Nw`GwlDF6+ML9v
zA%GvGky17YejwwtXcT_1nDF?)VuII=iyzeSnm!som|jB50q_G$x&d?J2LVNi(-M9V
zM+=uu@B<gjvlhV*W>v1SZ~UMU+#1*LgEe%1Pl+GAQSeX_zz<3$sZa2O)bjQYhadD3
zoa{b+FqvS!?cxW%yoXoA4~9z+xdHqjvN{I6;Rgm#^Q6QN@@OfV1V0dAS~UniSWJ2R
zU@^h##>EfncugOTA51Ty<pB7BCEb9z@q>V(#AyjXh@*u|C-{L2=2?s22eT^I*f)OA
z2yTsQ_`w=Fe@`hfgICN-NSJj;0P%M?X8m!$=<liS!`^S-@jR?X06$2f_<NOA9#SA-
zh!z6)K?}8TcT{YkHc2=NG}KK1Kj=mnAwlgbtHehboE~%u;0L-q2W3;)@7g4TW~Hnl
z0sO!au3zffRaS}j8;?p}1n>hd(x!D(_PaKT=|m(SLI6J)g598K?Kbzv8w^3p!36Mw
z!2+n2@89p*3~H^DC=3B@KdAkts^YJxeJ8nkyU2MJNtNJ5z%DiBRDPiH6}Kgs;-hFA
zt@+jzOlY!-0DjQC4tf{gioH_4pQ|49da1}%)gi%C5NQ1XuZFAmoCr-v;OeX3d=>)u
zLAs?(HqiGb-4FGSnPu(5_K6?de`&mhKp%mytAE-Ue$b~jw;|v|;B<Y}5Ag#ZHK_uD
zZUXAtUnay4x>X_p1l$Oe8?1YRAGk?LAqaF6(B1wr8-CC&5eXpRMxfka-4p!4O-c$u
zpqqg1_Ltf4gKmjP00AEY<@&0hsQQ5q6{<jBO#<rMUnW%bgID@Bg<@(5I1nh;SN#M(
zaL|zw5YQl?zWrrF{6Iq}azMa=K)Jr^C-{Mbj+B6a1_AZ$FB9Si8bXl+0zL%F4c0xu
z4}5f_3IsF==x%?R4L{IOi5w8{Ay96x?g@V2qa#%ypg}-)`^#+jfrd)tfPe#ma(&fL
z@B;@ODFFcu0_xjeCRFtUjhV>-0SKHEDA!m0MAZ*o-JK7@DFh(UO+bD7%Y>?a&^<5-
zAOL|&0_FOupWp|V^mze+SOnC!zf7p=2e0(80MZQv5)mlZSN#M(Nc6ohN^Sz`+g~Qc
z4|0D(OqYm2xxVTr_(7uYg;CNIP&a@>Li`~8C&YkR2po3T;wOHP<zr!v^aLyn;E)qP
zNdFZvU={+0-L?3MA7uGhm?J#_3j;XhRP}@Of-oQi1`;^zuEkIMV4%K~hCmGg3j;Xh
z9O?&$UetfquqGA)(Fv$8NSQFTAH2qmE;0Q<Kun-qU-c7JKd9Y5^=Zn4V%7vgAUc8a
z^Hx8>52Akr^ap`o1k|^`Oo$)wwLw5Ypj;iT6G8D`AzBr0@}%|yIcXvxa6{l`fmB}I
zl>U6BQtLhme((vLX9%1TxZfd_w`XOKXDWs6li&wO==_Gjk-+^9^}jvVyZGH-=rMz;
zA6$%adHmR2XTW7)UO+%hpz|Yqye@9!>oHY-0Dd5sgUBTb^e@?c207IGJSuPT1GyYT
zE=fRT&u)^)q246XdW9dz<sfoN0$Qtfl}8TsDud!Vejt~F$R!CVZrf=pIn>kZx`(QM
z@M=vy+$&Odl&fr2EfEZX1A(jWO6&Yk?&haf#hX0ZOL;R*`Rb-GpI2o|oIv0}!1_}>
zl)L$9-N`Gzsvq2pa{9_)zQ+=$jd2KpZvv0sPk(?Mb$_kL4ETXu4kA+%c-$4E06A2n
z20qi`2XZ-x%uC>NC!C+<P#qdu+YjVY5Sf^O!=Bxgkb}KRqV)<tkjp`2QUY4b)RspM
zwJm?uE&M<(2a!n$RBeoUupFv-=`taHAeV#4qy);f@H~-2b?9oGA2<y6SVArZk%<XB
zekY~@a<Hatd?&{b<Z=+1lz_vY-IS0+y-A|=3O|s`L1a<_TFcayM-H_uf7LDgKrRQ7
zNeNVKjC!yfs(R@%A$}m2gUF-=%C+!3kwbOp3O|s`L1a<_4tsV}LJsvNiPkIpKrRQ7
zNeO5zQ(GQ6)VBOpx9|hG97HB1P_;4Y!E&hTrOSl)fm{wElM*P`!t+E9)uAi=KrRQ7
zNeMXY*-Z&K)SDz)ukZu897HB1ptVeGdE`*r@>ku$59D$XnUp})#;6C&p{kcI6XFMQ
zIfzV3pj->j6FF3eu2lWt(C=%|*U9O)hsaSsPkZBVH3FkPzwf$o+75kM`hi3H{UzjT
z5Sf@j|A*9^K~A-~g#6<2esGUUt`(8<61e{cOy5>PGwtL%Iezd2xk@pDBNO<P`m@i^
zbLZ#JHXffHdczN%AU~=^KyU(23J-oSr{~Zpe((fYE*Fsj2|UTm`yB!NV29)6N5F5K
zmgEFZ6y@le0Df@I=KGEO(<3q<fhT!+zaxMj>~Ng?2>6ZDlAOSaq8wclzz?q3e7})@
zdPD{!@FXwqcLeZ*9gdS90l#rtk`p*ll%s0`_`x-s?>F*KkI0w=o)qT&MgTw9Se!q_
z{Kn}@NZ?#lPA>@H2Nz)8$HMQ9u$TniI`SYPfFC?jiusw-m5{)byu9BLzz=pfPJRf#
zJHlcTI8l_NYXbPeHJjI)nBO>E$qC%b%gZAH{NPAr_gntm5gC)fPELM25x@_g3B~--
z=}JW4NnYOX2;c`h949|SUmZb#37m+^(FFng-~!C|ap13<)<gtu<>lp(0Df>JvimLi
z<Om8(U?(R(o(SLvw}b+J=(Hvxa4Rn_j|A|8Baz*2(I-bxU;;Zi`SC;mKe#0n_(P{P
z5rJEId3hv&9~_Ase~Z34f&vpbD$4I`0{Fo-8_Ao%Yd~wi2uO4!=9>V1(ETN_caaHn
z%ez(r{GeO!$lH*(w{G1?a6$k-IDt}klz8XDj#j4-(P9Glff&_IVA#FM+SrX2yy_u<
zAN0`sc{l6MMV_l$G!mQ>zz@#3RGdcMo2<Q6$U|ri0sNqb)@f|kor^rzsSq6Y6TlC;
z8Ajflti5%MMuKw!_`x}siqot+7kRD<c?hi`fFIP*Dq|xrP2%24AvjSXfFJZ>OuTcE
zN9z-f+m{6JgG)5h7m@cSYj09*h^r)kA5;P>!?W&O<he=}I8h;hA9Q1kyf;~U>lTd!
z=LGPBb1oI9S$8h-Tov*VT0;OosG)Tl8+mWC_I4@+hy4WbgKmadcP{c=-J+4;oB)1s
z&ZXis^4?_atwJ6`YY5;6HMGjutP2-^u2Kt5`U&6%eGKF8P09}YMC0})0sP<+jp#+n
zZHqsYNE?Fc3E&6y%sy|#U!9a4eoDZzA_4rM4`#}3i$7GKXxzRefFE3<5xt1NIw?C8
zX+uyw0sNqz+2@Uv+ZKPQPYHNdB!D0E!HmB;DLd>FjoX(5@PkV<q8BN*ZHl2p@(@%>
z06(Y%b_kzhby7BY5Q3j71n>hDj2B5#E@FhCE_id?O8`IUCHQbZ!uI6r;Q>0YTM6I?
zt>onQ@~xxWL~_VPst~{rR50Eqaoe6`g>Iqp(u4qhV1ji^nrufs$JrqA<V65KFedG}
zK*?$uD?|Dd0{FoR6wRY#JL)-(rVQkg5x@^*oSLIN7bsb+X69UMCV(F_qmx}swxgco
z$N&?iNdQ04q<NCdbAgi8I-$vtF#-I*9B{HN^&7`n8PcB+zz<HKC?9=q&^zht=j+*T
zt){K?CdPvs0sO!X^+lm+*HyXkH=bAC_cIU91YqwByeOx<R+FSFFmMop0DcfahDml<
zt<3<)Y2lmzesIpk^;B)qCQ0N9mtr*p@Pis!7O|7;ux6VU7|E$Z06$Q{*pWnY(I&~&
zL5r)l1n>h}zR%ew*<s~2pSch*f&hLng8FAo<wct$-6sK_;}F0PMr$$20xP#UnmYB*
z3E&6kT>MUz7j2SsetfA^LjXUhp=A*}$pUM(X@QZPDg^KY6^tE8G#71>TphHyYD)k=
zu;u%leUcs4Z1Wik5rYWe2ZO-B%W5v#B)Q(R^AL>yelS{*Np@JX&C$rIe@Os8xI`1>
zh2|#4$Q6YweG~-ng91swgBWXE-9<o>v~*7ZKe*=;=56&dj=m6v9F0^Ezz-^54GSH;
z+b#8n!J=>n0sNo?p4-)yeH?wq4Gx7A3E&5cFwIhp-tCt9W-v%>NB}=DgsYaiWgkc1
zQ5&8_js)-nN7&7!M(=h@{pMl0IFJB-Fc7}Dbjv=Dz9Sxvz(54>gFs?jwlaFRTk2m9
z!;8QK@PokOyjyG8$Dw!Lo%1jk0sLSFy@u{~OYs??(&GsM{NMyixTBVp9C{}lK^l?~
zzz<}c#zqa@?Uv$WaZ$aQ0DjPn&hcW)N)El_$c9py1n>h*npU}n?siLYD-h&0CV(Fp
z16E1jvXVpZs7y@~e**Y{KlA#ELwCESc>Rdn2tfcp2qD8m6D=z_^v=UPypBo$KZvT#
zXJ12iyQTPN^E^*P06&;Ptd^A=eP;%)^mrtI9~_B9{5^WNtLsOENKXO+_<;b@@Q~_#
z9DQLpF&bzifFHDR^Sw2Cy{qf{;-Q)v0sKG>rD3A#eH?wkkOiqN3E&5obhUDiUhnGq
zT7#3vnE-y^47{ma^*#o;&@?EQ1{1&!1`8l6A7H(!TM!LKP%r}cK`=p1+o@j0(HBmq
z;4nS`{2;zYKRX<~;dS*Vfl8Z40{Fp^$dte9w$(m*N{BT5;|G3_<twmX@~uJ^X3TLU
zfFB%*%=&xVR{N(}8PWF>0sP>J&@AumU0|y)3lsXRC4e8)5{nwYZL9rLR0j0bO8`IU
zB^c$ty$fs=qRdPm+63?eZK9*{ZQE-9G-^ibS`)wztO<MNw|9Z9g4ayc@g{&DcoVm(
zw{5Halhq959Zdi~7_ER-eR~(!Droggo@fN{gJ_Dh_OorP{Zng?+>1^CKZvf7v_E?n
z*eXbSB5pPU_`z(7UG=+dtNqhe51h|V06&;r!QcJcyTDfAcTN7DjR1a-MbT|r?VqwR
zV~!&M{NPAr*5CFnuvM6q5q&=qzz?1X&GLTRR{N(}n9ye}0sNqrSk!oX7uYI9Wk6rO
z1n`4if>G{o+iL$5WoG)&CV(Gk6CIMz-U4<NhRjG&2Lkwk17w#HyM;CW;W7|K1`xmx
z20%9{X>0+z^d<w4GynnoAb<!eE$kN7_=ifvBne0WKL{vFQ%lAcuuI?6AeSZ}fFDdC
zlBmVq!W#b&HAK*a1n`3iMLTWT*aCLxPaEJc0Rj9Vfrvjx*e$H_k1WiX<46EMI1-ul
zx3LB6($C6>zMlx-2Tz1%dB0m&;~%pyq0d?Z_(3hPsPV=YuuC760e$rnzz=!}hPc1m
zR{I|zW~K=P0{DRe)FCPDU0|y)WI&2K5Wo){AiI><w$=X0Wgv<SAb=kXfNoOK-UYS_
zCIgT(00I0UfCwrrY};!8q|z`+0usOv0*cbqlD!LT6`C64(gXzXg9$_uwYY7o{gbF6
zf+i$@A519PY0LI5uvIv1fWrg?@Ph;*{v2W3R{N(c%$Vay06#bqnf1553v3l;Wklak
z1n`3=LbJTzw$=V=7AEvrO8`HpB^EW_-UYS_Q5n!zF9H0Zmtd6p+qT+2MVXmCv<ct`
z+C)d?vv+~5!l)UkYfS(@uqN!4f7@33C$E{P<4piR@Fs3m&)x;L3RW|acQgU~V6*~S
z^|x)cf70riJkbc?2hkL1?Z@5)whFC1axXdo{2;nQ(*Cw>wSSWKMBHoy@PpYDyXx28
z1-1%TJ#aod0sLTg1%LOyZL9s$@0$EQ8v*<vi=y@}uvN&yj5&@3@Pi|fS$}WaYX3AV
zBl><KfFC>&n&rK{3v3l;VM3p^1n`4eVo~F_ZMA=j%7DIl3E&641f$%ycY$9Oq6|zQ
z1_bZ}1E@n%y7|GY(2xNs>OcT(9U!}uzz<w7Coh5@WDyuY$fD%PIq-v#^fha{`GIEB
z<O)UrKL{pBb36D!GdeE53E&5B6q7&T2a^jJqJ8`zgbWHz;0Fp2mrsEoWcdW}gDgsp
zoC7}?Nnf)zexONn)m->N7UkXi;8iFKGv+uFK-(jcS%2dPvnm&<Z~P#V8a=(>2R-z-
z`%M5pNc1K6SVAITjB+G^9~_A!|6S!7$yqR7K>$A}kfc8lT0(jb3|JDt4@xH4Pw<26
z3b)UPAGEWZ^(KBWt8(^z;|KPPqgB8UqA3!mAN(MW7G9m;2VSJ-tAiiRr&({u_(3nh
zy!Y{gyxLw(h96v!;T%6$?;F4m*3(=%F@7K=l_w5A$fKq9B=~_g(fIlBgZLVa>JUE|
zMSfge{9qjW=#}w<=nCoghac!O&5{v6$fBft4*WpQYPCrGU^T^m{J;;^(_A_+ejp{4
zCk{WzqowvF_<=Uj`1$aI_!^Ds5I-12eq3GrU>y7CmGOh<3hDQUALuj9k`X`1qNIEd
z{6NlXwMhJ6HO2Y&3+pK^pBO)ov&s_5KObaKQhyHoK%Z&!jQBxxg~s)VAB<x^sxp2s
zihTUK_(6P)v^&HPw29`)hacq8QaTBKASJb49DcB(<|0Q}4-6B({@WHHtVTfO27DN+
zeHK6GMfUY%#}C%iTskp+ASIP24nN4FrS>HFfi}_j`S64I8jb1@KNv-RTwVNN9Q){%
z@q_3J>Gy{p=rhfd5kJVHq<jwiK+bBlNc><m#rf|W*Hc_RF@7Ltl_ipYKFFe^{v7y$
zKGWzK@q_3Jjq49T7{`88W&B_i`S^A5gZLV0cZeTo6U~zkKggq{bQ1hPN@~40{9r}R
zMUJo@7$)YwZ(Q&j5V-;WL$TnO@#nvbUUKZEhsF<<mj8Bm{NNT(%9r>-N?BEg!Vgq1
zPL%{dm`X0!X7K}8+#!nL2O(q#*#v$NQWn#ugnsY}Gi`(90STaaKv9fa68eF07o?9!
z06&PRifvE$fi2&ev*QOdtJl^$e$d8kg<JT+3M%hs#1Hm7__Yzh4>lG{JPFO<6}AKp
lhTIcC_C1gEzvO;^C8Ylt$^r3%l1b_l{2;Zwy~BNd{U18tH7@`F

literal 0
HcmV?d00001