Научный 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}.

Майоров Д.В.

Майоров Дмитрий Вадимович – ведущий фронтенд разработчик компании 10up,

г. Торонто, Канада

Аннотация: в данной научной статье рассматривается применение методов динамического программирования в сфере front-end разработки. Исследование актуализируется потребностью оптимизации ресурсов и улучшения производительности в современных веб-приложениях. Статья предлагает комплексный обзор проблем, которые могут быть решены с использованием динамического программирования, включая оптимизацию загрузки и отображения контента, маршрутизацию и поисковую оптимизацию в одностраничных приложениях, а также создание адаптивных и реактивных интерфейсов.

Список литературы

1. Беллман Ричард. "Динамическое программирование" // Издательство Принстонского университета, 1957.
2. Кормен Т.Х., Лейзерсон Ч.Э., Ривест Р.Л., Штайн К. "Введение в алгоритмы" // MIT Press, 2009.
3. Жонассен Д.Х., Тессмер М., Ханнум У.Х. "Методы анализа задач для инструкционного дизайна" // Lawrence Erlbaum Associates, 1999.
4. Мак Коннелл Стив. "Полное руководство по созданию программного обеспечения" // Microsoft Press, 2004.
5. Саудерс Стив. "Высокопроизводительные веб-сайты: необходимые знания для front-end инженеров" // O'Reilly Media, 2007.
6. Майер Дж.Д. "Рекомендации по тестированию производительности веб-приложений" // Microsoft Corporation, 2007.
7. Вроблевски Люк. "Мобильный в первую очередь" // A Book Apart, 2011.
8. Ресиг Джон и Бибо Беар. "Секреты JavaScript ниндзя" // Manning Publications, 2016.

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 ДИНАМИЧЕСКОГО ПРОГРАММИРОВАНИЯ В ФРОНТЕНД РАЗРАБОТКЕ// Научный журнал № 2(67), 2023. - С. {см. журнал}.

Сайдахмедов А.И., Сайдахмедов И.М.

Сайдахмедов Ахрорбек Игамбердиевич - доктор технических наук, заместитель начальника департамента;

Сайдахмедов Игамберди Мухтарович - доктор технических наук, профессор;

Департамент реализации инвестиционных проектов и инновационной деятельности, АО «Узбекнефтегаз»;

Ташкентский химико-технологический институт,

г. Ташкент, Республика Узбекистан

Аннотация: получена дизельная фракция смол горючих сланцев месторождения Сангрунтау и определены её физико-химические показатели. Проведены сравнительные исследования с дизельным топливом нефтяного происхождения. Показана возможность вовлечения дизельной фракции сланцевой смолы в качестве компонента при производстве товарного дизельного топлива.

Список литературы

1. Горючие сланцы. /Под ред. Т.ф. Йена и Дж. В. Чилингаряна. – М.: Мир, – 1980 – 262 с.
2. Хрусталева Г.К., Воробьева Л.А., Медведева Г.А. Минеральное сырье. Горючие сланцы. // Справочник. – М.: ЗАО «Геоинформмарк», – 1997.

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.
Сайдахмедов А.И., Сайдахмедов И.М. Продукты сланцевой смолы как компоненты дизельного топлива // Научный журнал № 1(66), 2023. - С. {см. журнал}.