?
Prediction of Characteristics of Inductive Coupled Radio Frequency Discharge at Low Pressure in One-Dimensional Approximation Using Neural Network Approach
High Energy Chemistry. 2024. Vol. 58. No. Suppl. 3. P. S421–S424.
Aleksei Samarin, Назаренко А. А., Nazarenko D. и др., Machine Learning and Knowledge Extraction 2026 Vol. 8 No. 10 Article 330
Добавлено: 14 октября 2026 г.
Parkhomenko V., Куликова С. П., Бузмаков А. В., Lobachevskii Journal of Mathematics 2026 Vol. 47 No. 6 P. 2979–2992
Добавлено: 14 октября 2026 г.
Kuznetsov A. P., Sedova Y. V., Sataev I. R. и др., Mathematics and Computers in Simulation 2027 Vol. 2 P. 574–592
Добавлено: 14 октября 2026 г.
Дмитриев А. В., Корнилов В. В., Batienkov R., Lecture Notes in Civil Engineering 2026 Vol. 886 P. 249–255
Добавлено: 13 октября 2026 г.
Дмитриев А. В., Shulman I., Лебедев А. А., Studies in Computational Intelligence 2026 Vol. 1265 P. 266–273
Добавлено: 13 октября 2026 г.
Добавлено: 13 октября 2026 г.
Makarov D. M., Каликин Н. Н., Fashchevsky K. A. и др., Electrochimica Acta 2026 Vol. 579 Article 150159
Добавлено: 13 октября 2026 г.
Добавлено: 13 октября 2026 г.
В данной работе проведено сравнение точности дальнометрии лидарных архитектур прямого времени пролёта (dToF) и вне прямой видимости (NLOS), обе из которых используют сверхпроводящий нанопроволочный детектор одиночных фотонов (SNSPD). Обе системы работают на длине волны 1550 нм с импульсным лазером длительностью 50 пс и методом коррелированного во времени счёта одиночных фотонов (TCSPC). Конфигурация dToF обеспечила точность около 100 мкм ...
Добавлено: 12 октября 2026 г.
Shemakhin A.Y,, Zheltukhin V. S., Shemakhin E. Y. и др., High Energy Chemistry 2024 Vol. 58 No. 3 P. S416–S420
Добавлено: 26 февраля 2026 г.
Бояров Е. Н., Абрамова С. В., Купцова О. В. и др., Педагогика. Вопросы теории и практики 2025 Т. 10 № 5 С. 588–599
Цель исследования заключается в теоретическом обосновании возможности применения нейросетевого подхода к построению современного образовательного процесса в вузе. В статье рассматриваются основные методы машинного обучения, используемые для анализа образовательных данных, обосновывается необходимость их внедрения в образовательный процесс. Особое внимание уделено вопросам интерпретируемости моделей искусственных нейронных сетей (ИНС) и их влиянию на принятие решений в образовательных учреждениях. ...
Добавлено: 9 декабря 2025 г.
Daud A., Ahmad M., Малик М. Ш. и др., Scientometrics 2015 Vol. 102 No. 2 P. 1687–1711
Добавлено: 27 ноября 2023 г.
Харламов А. А., Pilgun M., , in: XII Международная научно-техническая конференция "Нейроинформатика-2020". Сборник научных трудов". М.: МИФИ, 2020.: М.: [б.и.], 2020.
Добавлено: 8 января 2022 г.
Карпов И. А., Roman Marakulin, , in: Data Analytics and Management in Data Intensive Domains. 23rd International Conference, DAMDID/RCDL 2021, Moscow, Russia, October 26–29, 2021, Revised Selected Papers.: Springer, 2022. P. 36–50.
Добавлено: 4 сентября 2021 г.
Харламов А. А., Pilgun M., International Journal of Future Generation Communication and Networking 2020 Vol. 13 No. 3 P. 37–44
Добавлено: 29 октября 2020 г.
Заиченко Н. А., В кн.: Региональная экономика и развитие территорий 1(12) Сборник научных статейВып. 12.: РИЦ ГУАП, 2018. С. 109–121.
В статье представленные особенности развития региональных образовательных систем северных регионов страны. Базой для сравнения являются статистические данные в разрезе регионов, прогнозы развития и некоторые результаты тематических исследований по качеству образования. Сравнительный анализ предложен по РФ, СЗФО и 8 регионам(Республики Коми, Карелия, Ненецкий автономный округ, Вологодская область,Мурманская область, Ямало-Ненецкий автономный округ, Красноярский край, Якутия) .В качестве выводов ...
Добавлено: 10 октября 2018 г.