Текущий выпуск Номер 5, 2024 Том 16

Все выпуски

Результаты поиска по 'модель':
Найдено статей: 699
  1. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 5, с. 1099-1101
  2. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 6, с. 1415-1418
  3. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 1, с. 5-10
  4. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 2, с. 245-248
  5. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 3, с. 581-584
  6. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 4, с. 821-823
  7. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 5, с. 1037-1040
  8. Корчак А.Б., Евдокимов А.В.
    Система интеграции гетерогенных моделей и ее применение к расчету слабосвязанных систем дифференциальных уравнений
    Компьютерные исследования и моделирование, 2009, т. 1, № 2, с. 127-136

    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.

    Просмотров за год: 1.
  9. Гайко В.А.
    Глобальный бифуркационный анализ квартичной модели «хищник–жертва»
    Компьютерные исследования и моделирование, 2011, т. 3, № 2, с. 125-134

    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.

    Просмотров за год: 5. Цитирований: 3 (РИНЦ).
  10. 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.

    Цитирований: 4 (РИНЦ).
Страницы: « первая предыдущая следующая последняя »

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.