• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Найдены 3 133 публикации
Сортировка:
по названию
по году
Статья
Zamyatina E.B., Mikov A., Kalashnikov S. International Journal "Information Technologies & Knowledge". 2018. Vol. 12. No. 2. P. 53-69.
Добавлено: 19 декабря 2018
Статья
Andrianova O., Kurdyukov A., Kustov A. Y. Journal of Computer and Systems Sciences International. 2015. Vol. 54. No. 5. P. 10-23.

@page { margin: 2cm } p { margin-bottom: 0.21cm; direction: ltr; color: #000000; line-height: 150%; text-align: justify; orphans: 2; widows: 2 } p.western { font-family: "Times New Roman", serif; font-size: 12pt; so-language: ru-RU } p.cjk { font-family: "Times New Roman", serif; font-size: 12pt } p.ctl { font-family: "Times New Roman", serif; font-size: 12pt; so-language: ar-SA } a:link { color: #0000ff }

Рассматриваются линейные стационарные дискретные дескрипторные системы, на вход которых поступает внешнее возмущение в виде последовательности гауссовских случайных векторов с ненулевыми математическими ожиданиями и ограниченной средней анизотропией. Для такого класса систем получены условия ограниченности анизотропийной нормы в терминах обобщенных алгебраических уравнений Риккати и линейных матричных неравенств. На базе этих результатов разработан алгоритм вычисления анизотропийной нормы с помощью метода выпуклой оптимизации. Рассмотрены численные примеры, иллюстрирующие методику вычисления анизотропийной нормы.

Добавлено: 20 октября 2017
Статья
Belov A., Andrianova O. Automation and Remote Control. 2016. Vol. 77. No. 10. P. 1741-1755.

В работе предлагается вычислительно эффективный метод синтеза суб- оптимального анизотропийного регулятора для дискретных дескриптор- ных систем на основе методов выпуклой оптимизации. Приводятся чис- ленные примеры.

Добавлено: 20 октября 2017
Статья
Dmitry S. Frolov. Business Informatics. 2015. No. 4. P. 63-70.
Добавлено: 13 декабря 2016
Статья
Sulimov P., Voronkova A. V., Kertesz-Farkas A. Bioinformatics. 2020. Vol. 36. No. 12. P. 3781-3787.
Добавлено: 31 августа 2020
Статья
Hollandi R., Diosdi A., Hollandi G. и др. Molecular Biology of the Cell. 2020. Т. 31. № 20. С. 2179-2186.

AnnotatorJ combines single-cell identification with deep learning and manual annotation. Cellular analysis quality depends on accurate and reliable detection and segmentation of cells so that the subsequent steps of analyses e.g. expression measurements may be carried out precisely and without bias. Deep learning has recently become a popular way of segmenting cells, performing unimaginably better than conventional methods. However, such deep learning applications may be trained on a large amount of annotated data to be able to match the highest expectations. High-quality annotations are unfortunately expensive as they require field experts to create them, and often cannot be shared outside the lab due to medical regulations.

We propose AnnotatorJ, an ImageJ plugin for the semi-automatic annotation of cells (or generally, objects of interest) on (not only) microscopy images in 2D that helps find the true contour of individual objects by applying U-Net-based pre-segmentation. The manual labour of hand-annotating cells can be significantly accelerated by using our tool. Thus, it enables users to create such datasets that could potentially increase the accuracy of state-of-the-art solutions, deep learning or otherwise, when used as training data.

Добавлено: 27 июля 2020
Статья
Savchenko A. Lecture Notes in Computer Science. 2015. Vol. 9124. P. 236-245.
Добавлено: 5 июля 2015
Статья
Гафаров Е. Р., Лазарев А. А. Information Processing Letters. 2012. Т. 112. № 3. С. 72-76.
In this note, we consider a single machine scheduling problem with generalized total tardiness objective function. A pseudo-polynomial time solution algorithm is proposed for a special case of this problem. Moreover, we present a new graphical algorithm for another special case, which corresponds to the classical problem of minimizing the weighted number of tardy jobs on a single machine. The latter algorithm improves the complexity of an existing pseudo-polynomial algorithm by Lawler. Computational results are presented for both special cases considered.
Добавлено: 24 ноября 2012
Статья
Zare M. H., Borrero J., Zeng B. et al. Annals of Operations Research. 2019. Vol. 272. No. 1-2. P. 99-117.
Добавлено: 19 ноября 2017
Статья
Iscan Z., Dokur Z. Biomedical Signal Processing and Control. 2014. Vol. 10. P. 145-152.

In this paper, an electroencephalogram-based innovative brain–computer interface (BCI), known as “Character Plotter”, is presented. The proposed design uses steady-state visually evoked potentials. The subjects generate characters by drawing, step by step, lines between six circles on the computer screen. Additionally, there are three circles for controlling the drawing procedure. The features obtained from canonical correlation analysis are used for classification. The proposed synchronous BCI design was tested on 16 subjects in offline and online experimental tasks using support vector machines, linear discriminant analysis and the nearest mean classifier. The obtained classification performances indicate that the proposed design can be successfully used in classification. The Character Plotter converges to the natural writing scheme of humans. Therefore, subjects can adapt to the BCI design in a short training session.

Добавлено: 21 января 2015
Статья
Силаков Д. В. Системный администратор. 2018. № 10. С. 34-39.

С ростом популярности контейнеризации приложений растет спрос на приложения, способные управлять большим количеством контейнеров. На слуху прежде всего Kubernetes и Docker Swarm. Однако у них есть и другие достойные открытые конкуренты. В этой статье мы рассмотрим Mesos, развиваемый фондом Apache

Добавлено: 20 февраля 2019
Статья
Furmanov K. K., Nikol'skii I. M. Computational Mathematics and Modeling. 2016. Vol. 27. No. 2. P. 247-253.
Добавлено: 22 декабря 2016
Статья
Mecheraoui K., Lomazova I. A., Belala N. Journal of Parallel and Distributed Computing. 2021. Vol. 155. P. 14-23.
Добавлено: 13 мая 2021
Статья
Veselov S., Gribanov D., Zolotykh N. et al. Discrete Applied Mathematics. 2020. Vol. 283. P. 11-19.
Добавлено: 29 октября 2019
Статья
Mokeev D. B., Malyshev D. Optimization Letters. 2020. Vol. 14. No. 6. P. 1317-1322.
Добавлено: 12 марта 2020
Статья
Romanov A., Lomotin Konstantin, Kozlova Ekaterina. Data Science Journal. 2019. Vol. 18. No. 1. P. 1-17.
Добавлено: 25 августа 2019
Статья
Koltsov S. Physica A: Statistical Mechanics and its Applications. 2018. Vol. 512. P. 1192-1204.
Добавлено: 11 октября 2018
Статья
Lepskiy A., Suevalov A. Procedia Computer Science. 2019. Vol. 162. P. 235-242.
Добавлено: 1 января 2020
Статья
Kychkin A.V., Mikriukov G. P. Проблемы региональной энергетики. 2016. Vol. 2. No. 31. P. 84-92.
Добавлено: 21 ноября 2017
Статья
Shugurov I., Mitsyuk A. A. Proceedings of the Institute for System Programming of the RAS. 2016. Vol. 28. No. 3. P. 103-122.

Process mining – это относительно новая область исследований, в рамках которой разрабатываются методы исследования и улучшения бизнес-процессов. Спецификой методов process mining является то, что они основываются на анализе истории выполнения процессов, которая представляется в виде логов событий.  Проверка соответствия моделей процессов и логов событий  является одним из ключевых направлений в области process mining. Алгоритмы проверки соответствия используются для того, чтобы оценить, насколько хорошо данная модель бизнес-процесса, представленная, например, в виде сети Петри, описывает поведение, записанное в логе событий.  Проверка соответствия, базирующаяся на использовании так называемых "выравниваний", на данный момент является самым передовым и часто используемым алгоритмом проверки соответствия. В данной работе рассматривается проблема большой вычислительной сложности данного алгоритма. В настоящее время проверка соответствия на основе выравниваний является не слишком эффективной с точки зрения потребления памяти и времени, необходимого для вычислений. Решение этой проблемы имеет большое значение для успешного применения проверки соответствия между реальными моделями бизнес-процессов и логами событий, что весьма проблематично с использованием существующих подходов. MapReduce является популярной моделью параллельных вычислений, которая упрощает реализацию эффективных и масштабируемых распределенных вычислений. В данной работе представлена модифицированная версия алгоритма проверки соответствия на основе выравниваний с применением MapReduce. Так же в работе показано, что проверка соответствия может быть распределена с помощью MapReduce, и что такое распределение может привести к уменьшению времени, требуемого для вычислений. Показано, что алгоритм проверки соответствия модели процесса и лога событий может быть реализован в распределенном виде с помощью MapReduce.  Показано, что время вычисления растет линейно с ростом размера логов событий.

Добавлено: 12 сентября 2016
Статья
Bankov D., Khorov E., Lyakhov A. et al. Journal of Communications Technology and Electronics. 2019. Vol. 64. No. 8. P. 880-889.
Добавлено: 1 октября 2019