Разработка алгоритмов и программных модулей для решения задач классификации в САПР

Authors: Kondratiev, V. I.

Subject Terms: РАСШИРЕННЫЙ МЕТОД ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ, МЕТОД ЭВКЛИДОВА РАССТОЯНИЯ, МЕТОД ПОТЕНЦИАЛЬНЫХ ФУНКЦИЙ, METHODS OF NEURAL NETWORKS, ПРОГРАММНЫЙ МОДУЛЬ, МЕТОДЫ НЕЙРОННЫХ СЕТЕЙ, RECOGNITION OF IMAGES, РАСПОЗНАВАНИЕ ОБРАЗОВ, A METHOD OF THE POTENTIAL FUNCTIONS, THE EXPANDED METHOD OF POTENTIAL FUNCTIONS, THE PROGRAM MODULE, A METHOD BY EUCLID DISTANCES

File Description: application/pdf

Access URL: https://elar.urfu.ru/handle/10995/143274

Поиск признаков изменения состояния приповерхностного слоя литосферы на основе результата анализа изображений, отражающих динамику характеристик сигнала геоакустической эмиссии

Source: Vestnik KRAUNC: Fiziko-Matematičeskie Nauki, Vol 47, Iss 2, Pp 58-74 (2024)

Subject Terms: геоакустическая эмиссия, динамика характеристик сигнала, Science, распознавание образов, lithosphere state, pattern recognition, geoacoustic emission, состояние литосферы, of signal characteristics dynamics, нейронные сети, neural networks

Access URL: https://doaj.org/article/06d2fcb4a7d84dd7b9a682b306455d60

АЛГОРИТМИЧЕСКИЕ ОСНОВЫ ФОРМАЛИЗАЦИИ, ОЦИФРОВКИ И АНАЛИЗА НЕКОЛИЧЕСТВЕННЫХ ДАННЫХ

Subject Terms: таблица экспериментальных данных, классификация, преобразования типов признаков, Распознавание образов, ближайшего соседа, снижение размерности, оцифровки, анализа неколичественных данных, ЭВМ, информативный показатель

АЛГОРИТМИЧЕСКИЕ ОСНОВЫ ФОРМАЛИЗАЦИИ, ОЦИФРОВКИ И АНАЛИЗА НЕКОЛИЧЕСТВЕННЫХ ДАННЫХ

Subject Terms: таблица экспериментальных данных, классификация, преобразования типов признаков, Распознавание образов, ближайшего соседа, снижение размерности, оцифровки, анализа неколичественных данных, ЭВМ, информативный показатель

Организация машинных экспериментов на основе имитационных моделей

Source: Стратегическое планирование и развитие предприятий.

Subject Terms: факторные, функция полезности, машинный эксперимент, поверхность реакции, планирование эксперимента, распознавание образов, оптимизационные планы, ротатабельные

Проблемы адаптации нейродинамических систем в пространстве поведения и управления

Authors: V.P. Osipov, Y.I. Nechaev, A.N. Vasilyev

Source: Selected Papers of the XII International Scientific-Practical Conference Modern Information Technologies and IT- Education (SITITO 2017).

Subject Terms: Neuroinformatics, catastrophe theory, Нейроинформатика, нейродинамическая система, neural network modeling, pattern recognition, нейросетевое моделирование, распознавание образов, high-performance computing, адаптивное управление, adaptive control, 7. Clean energy, высокопроизводительные вычисления, теория катастроф, neuro-dynamic system, dynamic object, динамический объект

Access URL: https://search.datacite.org/works/10.25559/sitito.2017.5.455

Формализация принятия решений в машинных экспериментах с моделями экономических систем

Source: Стратегическое планирование и развитие предприятий.

Subject Terms: функция полезности, машинный эксперимент, решающая функция, искусственный интеллект, экспертные оценки, многокомпонентная функция реакции, распознавание образов, принятие решений, метод Байеса, алгоритм персептрона

Обработка и подготовка данных наблюдений в интересах выделения особенностей динамики характеристик геоакустической эмиссии

Authors: Сенкевич, Ю.И.

Source: Vestnik KRAUNC: Fiziko-Matematičeskie Nauki, Vol 47, Iss 2, Pp 75-94 (2024)

Subject Terms: обработка сигналов, распознавание образов, кластерный анализ, геоакустическая эмиссия, динамика характеристик сигнала, нейронные сети, signal processing, pattern recognition, cluster analysis, geoacoustic emission, signal characteristics dynamics display, neural networks, Science

File Description: electronic resource

Relation: https://krasec.ru/senkevich2472eng/; https://doaj.org/toc/2079-6641; https://doaj.org/toc/2079-665X

Access URL: https://doaj.org/article/66fe911194e9417ba58ec0b7e3629ce9

Технологии искусственного интеллекта в обработке фотографий: возможности и ограничения

Subject Terms: искусственный интеллект, генеративные модели, улучшение качества, креативные эффекты, распознавание образов, обработка фотографий, нейронные сети, автоматизация, ограничения ИИ, ретушь, оптимизация, машинное обучение

Технологии искусственного интеллекта в обработке фотографий: возможности и ограничения

Subject Terms: искусственный интеллект, генеративные модели, улучшение качества, креативные эффекты, распознавание образов, обработка фотографий, нейронные сети, автоматизация, ограничения ИИ, ретушь, оптимизация, машинное обучение

Многоуровневые алгоритмы для задач принятия решений прецедентного типа

Authors: Viktor V. Krasnoproshin, Vladimir А. Obraztsov

Source: Журнал Белорусского государственного университета: Математика, информатика, Iss 3, Pp 82-91 (2023)

Subject Terms: многоуровневый алгоритм, задача принятия решений, прецедентный тип, распознавание образов с обучением, модели корректировки, модели на основе структурирования информации, Mathematics, QA1-939

File Description: electronic resource

Relation: https://journals.bsu.by/index.php/mathematics/article/view/5730; https://doaj.org/toc/2520-6508; https://doaj.org/toc/2617-3956

Access URL: https://doaj.org/article/6e16d3fa6b0c4667ab28f89da6d90a8e

Философский анализ книги Рэя Курцвейла «Эволюция разума»

Subject Terms: Искусственный интеллект, человеческое мышление, иерархическое распознавание образов, неокортекс мозга, трансгуманизм, этические последствия

Философский анализ книги Рэя Курцвейла «Эволюция разума»

Subject Terms: Искусственный интеллект, человеческое мышление, иерархическое распознавание образов, неокортекс мозга, трансгуманизм, этические последствия

Автоматизация обработки результатов натурных испытаний пожарной ствольной техники на основе распознавания изображений

Subject Terms: распознавание образов, пожарные роботы, автоматизированная обработка изображений, перспективные преобразования, траектория струи, цифровое изображение, машинное обучение, пожарные стволы

Improving the accuracy of estimating the measure of proximity between objects during recognition

Authors: S.Y. Aliyeva

Source: Problems of Informatization and Management; Vol. 1 No. 69 (2022); 4-7
Проблемы информатизации и управления; Том 1 № 69 (2022); 4-7
Проблеми iнформатизацiї та управлiння; Том 1 № 69 (2022); 4-7

Subject Terms: погрешность, proximity measures between objects, pattern recognition, распознавание образов, error, меры близости между объектами, міри наближення між об'єктами, похибка, recognition reliability, інваріантність, розпізнавання образів, invariance, надежность распознавания, инвариантность, надійність розпізнавання

File Description: application/pdf

Access URL: https://jrnl.nau.edu.ua/index.php/PIU/article/view/16805

Application of deep learning methods in the problems of text image segmentation ; Применение методов глубокого обучения в задачах сегментации текстовых изображений

Authors: Бурикова, А. Г., Ершов, Н. М.

Source: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 2 (2024); 39-46 ; Системный анализ в науке и образовании; № 2 (2024); 39-46 ; 2071-9612

Subject Terms: сегментация изображений, распознавание образов, глубокое обучение, свёрточные нейронные сети, модель U-Net, image segmentation, pattern recognition, deep learning, convolutional neural networks, U-Net model

File Description: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/618/592; https://sanse.ru/index.php/sanse/article/view/618

Availability: https://sanse.ru/index.php/sanse/article/view/618

Recognizing historical handwritten documents using deep machine learning methods ; Распознавание исторических рукописных документов с применением методов глубокого машинного обучения

Authors: Мамедов, Т. Р., Ершов, Н. М.

Source: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 3 (2024); 46-53 ; Системный анализ в науке и образовании; № 3 (2024); 46-53 ; 2071-9612

Subject Terms: распознавание образов, глубокое обучение, рекуррентные нейронные сети, трансформеры, pattern recognition, deep learning, recurrent neural networks, transformers

File Description: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/625/595; https://sanse.ru/index.php/sanse/article/view/625

Availability: https://sanse.ru/index.php/sanse/article/view/625

Analysis of informativeness of features of classification of dangerous weather events based on radar observation results ; Анализ информативности признаков классификации опасных метеоявлений по результатам радиолокационных наблюдений

Authors: O. V. Vasiliev, E. S. Boyarenko, A. N. Savelyev, N. V. Gorbachev, О. В. Васильев, Э. С. Бояренко, А. Н. Савельев, Н. В. Горбачев

Contributors: The article was prepared within the framework of the project № 23-29-00450 granted by the Russian Science Foundation, Статья подготовлена в рамках поддержанного грантом Российского научного фонда проекта № 23-29-00450

Source: Civil Aviation High Technologies; Том 27, № 3 (2024); 8-22 ; Научный вестник МГТУ ГА; Том 27, № 3 (2024); 8-22 ; 2542-0119 ; 2079-0619

Subject Terms: пороги принятия решений, dangerous weather phenomena, classification of weather phenomena, pattern recognition, feature separation function, Bayesian approach, decision threshold, опасные метеорологические явления, классификация метеорологических явлений, распознавание образов, разделяющая функция признаков, байесовский подход

File Description: application/pdf

Relation: https://avia.mstuca.ru/jour/article/view/2379/1390; https://avia.mstuca.ru/jour/article/view/2379/1392; Позднякова В.А. Практическая авиационная метеорология. Екатеринбург: Уральский УТЦ ГА, 2010. 113 с.; Шакина Н.П., Иванова А.Р. Прогнозирование метеорологических условий для авиации: учеб. пособие. М.: Триада ЛТД, 2016. 312 с.; Дядюченко В.Н., Вылегжанин И.С., Павлюков Ю.Б. Доплеровские радиолокаторы в России // Наука в России. 2014. № 1. С. 23–27.; Мазуров Г.И., Акселевич В.И. Использование информации, получаемой с помощью ДМРЛ-с в метеорологии // Радиофизика, фотоника и исследование свойств вещества: тезисы докладов I Российской научной конференции, Омск, 6–8 октября 2020 года. Омск: Омский научно-исследовательский институт приборостроения, 2020. С. 83–84.; Жуков В.Ю., Щукин Г.Г. Состояние и перспективы сети доплеровских метеорологических радиолокаторов // Метеорология и гидрология. 2014. № 2. С. 92–100.; Галаева К.И. Обоснование задач, решаемых метеорологическим радиолокационным комплексом ближней аэродромной зоны / К.И. Галаева, Э.А. Болелов, И.Б. Губерман, А.А. Ещенко, С.В. Далецкий // Научный вестник ГосНИИ ГА. 2018. № 20 (331). С. 74–81.; Vasiliev O. The design and operation features of the near-airfield zone weather radar complex “Monocle” / O. Vasiliev, E. Bolelov, K. Galaeva, N. Gevak, S. Zyabkin, E. Kolesnikov, A. Peshko, I. Sinitsyn // 2021 XVIII Technical Scientific Conference on Aviation Dedicated to the Memory of N.Ye. Zhukovsky (TSCZh), 2021. Pp. 64–72. DOI:10.1109/TSCZh53346. 2021.9628352; Басов И.А., Дмитриева О.А., Дорофеев Е.В. и др. Методические указания по производству метеорологических радиолокационных наблюдений на ДМРЛ-С на сети Росгидромета в целях штормоповещения и метеобеспечения авиации. СПб.: ФГБУ «ГГО им. А.И. Воейкова», 2013. 137 с.; Дуда Р., Харт П. Распознавание образов и анализ сцен / Пер. с англ. Г.Г. Вайнштейна и А.М. Васьковского, под ред. В.Л. Стефанюка. М.: Мир, 1976. 511 с.; Чабан Л.Н. Методы и алгоритмы распознавания образов в автоматизированном дешифрировании данных дистанционного зондирования: учеб. пособие. М.: МИИГАиК, 2016. 94 c.; Фомин Я.А. Распознавание образов: теория и применения. 2-е изд. М.: ФАЗИС, 2012. 429 с.; Сосулин Ю.Г., Костров В.В., Паршин Ю.Н. Оценочно-корреляционная обработка сигналов и компенсация помех. М.: Радиотехника, 2014. 632 c.; Bishop C.M. Pattern recognition and machine learning. New York: Springer, 2006. 778 p. DOI:10.1007/978-0-387-45528-0; Webb A.R., Copsey K.D., Cawley G. Statistical pattern recognition. 3rd ed. New York: Wiley, 2011. 672 p.; Васильев О.В., Бояренко Э.С., Галаева К.И. Обоснование исходных данных параметрических алгоритмов классификации опасных метеоявлений // Научный Вестник МГТУ ГА. 2023. Т. 26, № 6. С. 8–21. DOI:10.26467/2079-0619-2023-26-6-8-21; Гельгор А.Л., Горлов А.И., Попов Е.А. Общая теория связи. Проверка статистических гипотез. Оценивание параметров. Оптимальный прием сигналов: учеб. пособие. СПб.: Изд-во Политехн. ун-та, 2013. 227 с.; Кремер Н.Ш. Теория вероятностей и математическая статистика. 2-е изд., перераб. и доп. М.: ЮНИТИ-ДАНА, 2004. 573 с.; Ту Д., Гонсалес Р. Принципы распознавания образов: пер с англ. М.: Мир, 1978. 411 c.; Вентцель Е.С. Теория вероятностей. 4-е изд. М.: Наука, 1969. 576 c.; Мясников В.В. Распознавание образов и машинное обучение. Основные подходы: учеб. пособие. Самара: Изд-во Самар. ун-та, 2023. 196 c.; Розов А.К. Оптимальные статистические решения. 2-е изд., перераб. и доп. СПб.: Политехника, 2016. 261 с.; Рубан А.И. Методы анализа данных: учеб. пособие. 2-е изд., испр. и доп. Красноярск: ИПЦ КГТУ, 2004. 319 с.; https://avia.mstuca.ru/jour/article/view/2379

Availability: https://avia.mstuca.ru/jour/article/view/2379
https://doi.org/10.26467/2079-0619-2024-27-3-8-22

Применение современных технологий сбора данных и методов машинного обучения для распознавания лиц

Authors: Мартон, Н. А., Жихарев, А. Г., Черных, В. С.

Subject Terms: техника, вычислительная техника, компьютеры, программное обеспечение, распознавание образов, защита программ, защита данных, нейронные сети, эмбеддинг, распознавание лиц, машинное обучение, модели

Relation: http://dspace.bsu.edu.ru/handle/123456789/62567

Availability: http://dspace.bsu.edu.ru/handle/123456789/62567

Analysis of fault diagnosis of DC motors by power consumption pattern recognition

Authors: Hasan Shakir Majdi, Sameera Sadey Shijer, Abduljabbar Owaid Hanfesh, Laith Jaafer Habeeb, Ahmad H. Sabry

Source: Eastern-European Journal of Enterprise Technologies; Том 5 № 5 (113) (2021): Прикладна фізика; 14-20
Eastern-European Journal of Enterprise Technologies; Том 5 № 5 (113) (2021): Прикладная физика; 14-20
Eastern-European Journal of Enterprise Technologies; Vol. 5 No. 5 (113) (2021): Applied physics; 14-20

Subject Terms: моніторинг, мониторинг, серводвигатель постоянного тока, pattern recognition, распознавание образов, споживана потужність, power consumption, 02 engineering and technology, power profile, 7. Clean energy, профіль потужності, потребляемая мощность, monitoring, DC servomotor, профиль мощности, серводвигун постійного струму, розпізнавання образів, 0202 electrical engineering, electronic engineering, information engineering, mechanical faults, механічні несправності, механические неисправности

File Description: application/pdf

Access URL: http://journals.uran.ua/eejet/article/download/240262/241519
https://doaj.org/article/5c585ebea0ac4fd48fbc63e9a894ec2b
http://journals.uran.ua/eejet/article/view/240262
http://journals.uran.ua/eejet/article/view/240262