Научный журнал

Натолина С.А., Кузнецова О.Ю.

 Натолина Светлана Александровна – магистрант;

Кузнецова Ольга Юрьевна – кандидат технических наук, доцент,

кафедра «Информационно-вычислительные системы»,

Пензенский государственный университет,

г. Пенза

Аннотация: данная статья представляет обзор современных подходов к распознаванию лиц, включая метод гибкого сравнения на графах, метод главных компонент, активные модели внешнего вида и нейронные сети. Исследуются ключевые характеристики каждого метода, выявляются их преимущества и недостатки, а также определены основные аспекты, влияющие на точность и эффективность распознавания лиц. Работа имеет целью обеспечить читателям понимание различий между методами и помочь им выбрать наиболее подходящий под свои потребности.

Ключевые слова: распознавание лиц, идентификация, метод гибкого сравнения на графах, метод главных компонент, активные модели внешнего вида, нейронные сети.

Список литературы

1. Фарафонова А.Е. Технологии биометрической идентификации личности / А.Е. Фарафонова, Е.Л. Турнецкая // Обработка, передача и защита информации в компьютерных системах: Первая Всероссийская научная конференция, Санкт-Петербург, 14–22 апреля 2020 года. – Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2020. – С. 43-49.
2. Левчук С.А., Якименко A.А. Исследование характеристик алгоритмов распознавания лиц // Сборник научных трудов НГТУ. – 2018. – № 3–4 (93). – С. 40–58.
3. Тихонова Т.С., Белов Ю.С. Основные подходы к отслеживанию и распознаванию лица [Текст] / Т.С. Тихонова, Ю.С. Белов // Электронный журнал: наука, техника и образование. — 2016. — № 2 (6). — С. 111-115.
4. Паршин С.Е. Исследование параметров алгоритмов распознавания лиц [Текст] / С.Е. Паршин // Сборник научных трудов НГТУ. — 2019. — № 1 (94). — С. 55-70.
5. Бредихин А.И. Алгоритмы обучения сверточных нейронных сетей [Текст] / А.И. Бредихин // Вестник Югорского государственного университета. — 2019. — № 1 (52). — С. 41-54.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Натолина С.А., Кузнецова О.Ю. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К РАСПОЗНАВАНИЮ ЛИЦ // Научный журнал № 2(69), 2024. - С. {см. журнал}.

Москвина Д.А.

Москвина Дарья Андреевна – студент магистратуры, кафедра «Информационно-вычислительные системы», Пензенский государственный университет, г. Пенза

Аннотация: статья посвящена исследованию технологий виртуальной реальности в образовании. Автор рассматривает варианты использования таких технологий в образовании, проводит анализ их преимуществ и недостатков. В заключении автор подчеркивает важность развития технологий виртуальной реальности в образовании, а также предлагает ряд рекомендаций для улучшения использования данных технологий в учебных учреждениях. Сделан вывод, что развитие и интеграция технологий виртуальной реальности в образование открывает новые перспективы для улучшения обучения, повышения мотивации учащихся и развития персонализированного подхода к образованию.

Ключевые слова: виртуальная реальность, область образования, использование технологий, обучение.

Список литературы

1. MEL VR Виртуальные уроки [Электронный ресурс] // Google Play. URL:https://play.google.com/store/apps/details?id=com.melscience.melchemistryvr&hl=ru&gl=RU (дата обращения: 03.05.2024).
2. Полное погружение: как VR-приложения помогают детям учиться [Электронный ресурс] URL: https://lifehacker.ru/vr-prilozheniya-i-obuchenie/ (дата обращения: 05.05.2024).
3. VR-технологии в сфере образования [Электронный ресурс] URL:https://svetak.ru/blog/virtual-reality (дата обращения: 05.05.2024).
4. Козлова А.В., Ходакова Н.П. Перспективы технологий виртуальной и дополненной реальности в дополнительном образовании // Научно-методический электронный журнал «Калининградский вестник образования». — 2022. — № 4 (16) - декабрь. — С. 55-63.
5. Виртуальная реальность в образовании [Электронный ресурс] URL:https://hsbi.hse.ru/articles/virtualnaya-realnost-v-obrazovanii/ (дата обращения: 06.05.2024).

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Москвина Д.А. ИССЛЕДОВАНИЕ ТЕХНОЛОГИЙ ВИРТУАЛЬНОЙ РЕАЛЬНОСТИ В ОБРАЗОВАНИИ // Научный журнал № 2(69), 2024. - С. {см. журнал}.

Прохорова О.В.

Прохорова Ольга Витольдовна - доктор технических наук, доцент, кафедра вычислительной техники, Институт Автоматики и Информационных технологий Самарский государственный технический университет, г. Самара

Аннотация: в статье рассмотрен подход к синтезу систем автоматического управления (САУ), базирующийся на методе моделирования процессов в комплексной s – плоскости. Класс рассматриваемых систем – многопараметрические, линейные.

Ключевые слова: система автоматического управления, динамические и статические характеристики, переходной процесс, передаточная функция, полюса и нули, эталонная система, целевая функция.

Список литературы

1. Прохорова О.В. Оптимизация многомерных систем автоматического управления на основе модификации метода корневого годографа. Автореферат. - Москва: МИЭМ, 1998. -30 с.
2. Прохорова О.В. Оптимизация и синтез многомерных САУ на основе моделирования процессов в s-области. Монография. - Москва: АПКиППРО, 2010. - 158 с.
3. Прохорова О.В., Орлов С.П. Параметрическая оптимизация систем автоматического управления при задании эталонной САУ корневым годографом или расположением полюсов и нулей. // IEEE II International Conference onControl in Technical Systems (CTS), (25-27 Oct. 2017, SPbGTU LETI). IEEE Conference Publications, IEEE Xplore, 2017. P. 16-19.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Прохорова О.В. СИНТЕЗ СТРУКТУРЫ УПРАВЛЯЮЩЕГО УСТРОЙСТВА ЗАДАННЫМ ОБЪЕКТОМ НА ОСНОВЕ МОДЕЛИРОВАНИЯ ПРОЦЕССОВ В КОМПЛЕКСНОЙ ПЛОСКОСТИ // Научный журнал № 2(67), 2023. - С. {см. журнал}.

Майоров Д.В.

Майоров Дмитрий Вадимович – ведущий фронтенд разработчик,

 компания 10up,

г. Торонто, Канада

Аннотация: в статье рассматривается применение глубокого обучения в предиктивном вводе. Предиктивный ввод, давно зарекомендовавший себя как инструмент для ускорения и упрощения текстового ввода, находит новые горизонты благодаря интеграции с технологиями глубокого обучения. Статья начинается с введения в основные концепции предиктивного ввода и глубокого обучения, а затем углубляется в исторический контекст развития этих технологий. Основное внимание уделяется роли рекуррентных нейронных сетей, в частности LSTM, в современных системах предсказания текста. Также обсуждаются вопросы сбора и обработки данных для обучения, практического применения и достижений в этой области. Отдельное внимание уделено вопросам безопасности и конфиденциальности, связанным с использованием личных данных пользователей. В заключении представлены текущие тренды и возможные направления будущего развития применения глубокого обучения в предиктивном вводе.

Ключевые слова: глубокое обучение, предиктивный ввод, нейронные сети, рекуррентные нейронные сети (RNN), LSTM (долгосрочная память краткосрочного действия), текстовый ввод, функция потерь, переобучение, данные для обучения, препроцессинг данных, безопасность данных, конфиденциальность, пользовательский опыт, тренировка моделей, валидация моделей..

Список литературы

1. Goodfellow I., Bengio Y., Courville A. Глубокое обучение. MIT Press, 2016.
2. Hochreiter S., Schmidhuber J. "Long Short-Term Memory". Neural Computation, 1997, том 9, №8, с. 1735-1780.
3. Karpathy A., Johnson J., Fei-Fei L. "Visualizing and Understanding Recurrent Networks". arXiv preprint, 2015.
4. Vaswani A. и др. "Attention Is All You Need". Advances in Neural Information Processing Systems, 2017, с. 5998-6008.
5. Chollet F. Python и глубокое обучение. O'Reilly Media, 2018.
6. Bengio Y., Ducharme R., Vincent P., Jauvin C. "A Neural Probabilistic Language Model". Journal of Machine Learning Research, 2003, том 3, с. 1137-1155.
7. Abadi M. и др. "TensorFlow: A system for large-scale machine learning". 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16), 2016, с. 265-283.

Ссылка для цитирования данной статьи 

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Майоров Д.В. ПРИМЕНЕНИЕ ГЛУБОКОГО ОБУЧЕНИЯ В ПРЕДИКТИВНОМ ВВОДЕ// Научный журнал № 2(67), 2023. - С. {см. журнал}.