Все выпуски
- 2024 Том 16
- 2023 Том 15
- 2022 Том 14
- 2021 Том 13
- 2020 Том 12
- 2019 Том 11
- 2018 Том 10
- 2017 Том 9
- 2016 Том 8
- 2015 Том 7
- 2014 Том 6
- 2013 Том 5
- 2012 Том 4
- 2011 Том 3
- 2010 Том 2
- 2009 Том 1
-
Система интеграции гетерогенных моделей и ее применение к расчету слабосвязанных систем дифференциальных уравнений
Компьютерные исследования и моделирование, 2009, т. 1, № 2, с. 127-136Просмотров за год: 1.Разрабатывается программная система интеграции динамических моделей, неоднородных по своим математическим свойствам и/или по требованиям к шагу по времени. Предлагается семейство алгоритмов параллельного расчета гетерогенных моделей с разными шагами по времени. Применительно к слабосвязанным системам обыкновенных дифференциальных уравнений исследуется погрешность таких алгоритмов и их преимущество в затратах времени по сравнению с точными методами решения.
-
Глобальный бифуркационный анализ квартичной модели «хищник–жертва»
Компьютерные исследования и моделирование, 2011, т. 3, № 2, с. 125-134Просмотров за год: 5. Цитирований: 3 (РИНЦ).Мы проводим глобальный бифуркационный анализ квартичной модели типа «хищник–жертва». В частности, исследуя глобальные бифуркации особых точек и предельных циклов, мы доказываем, что соответствующая динамическая система имеет не более двух предельных циклов.
-
О разложении матриц при помощи метода стохастического градиентного спуска в приложении к задаче направляемой классификации микрочипов
Компьютерные исследования и моделирование, 2013, т. 5, № 2, с. 131-140Цитирований: 4 (РИНЦ).Многомерные данные, при использовании значительно большего количества признаков относительно меньшего числа наблюдений, порождают хорошо известную проблему переопределённой задачи. В связи с этим, представляется целесообразным описание данных в терминах меньшего числа мета-признаков, которые вычисляются при помощи так называемых матричных факторизаций. Такие факторизации способствуют уменьшению случайного шума при сохранении наиболее существенной информации. Три новых и взаимосвязанных метода предложены в этой статье: 1) факторизационный механизм градиентного спуска с двумя (согласно размерности микрочипа) гибкими и адаптируемыми параметрами обучения, включая явные формулы их автоматического пересчета, 2) непараметрический критерий для отбора количества факторов, и 3) неотрицательная модификация градиентной факторизации, которая не требует дополнительных вычислительных затрат в сравнении с базовой моделью. Мы иллюстрируем эффективность предложенных методов в приложении к задаче направляемой классификации данных в области биоинформатики.
Журнал индексируется в Scopus
Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU
Журнал входит в систему Российского индекса научного цитирования.
Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science
Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"