CC BY
33138
Секция 8
с псевдослучайным распределением связей была выполнена на языке программирования Python 3. В исследовании приводятся сравнительные результаты обучения различных сетей с разными наборами гиперпараметров.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований и Правительства Республики Башкортостан (код проекта 17-47-020068).
Список литературы
1. Пятакович В.А., Василенко А.М., Хотинский О.В. Аналитическая конструкция и исходные структуры искусственной нейронной сети, техническая реализация модели математического нейрона. Интернет-журнал Науковедение, 2017, Т. 9, №. 3 (40), с. 89.
2. Горбачевская Е.Н. Классификация нейронных сетей. Вестник ВУиТ, 2012, №. 2 (19), с. 128-134.
Применение нейросетей в моделировании химических реакций
С. Н. Коледин, Р. Р. Алмакаев
Уфимский государственный нефтяной технический университет Email: [email protected] DOI: 10.24411/9999-017A-2019-10280
Построение модели реакции диметилкарбоната со спиртами, в присутствии металлокомплесных катализаторов, производилось 3 способами. Метод закона действующих масс [2, 3], при котором ошибка отклонения составила около 10 %. При методе наименьших квадратов [4] ошибка составила порядка 14 %, что не удовлетворительно, поскольку ошибка больше, чем у предыдущего метода. Ошибка расчета задачи с помощью персептрона [1] составила 5-7 %. На нейросеть были поданы данные от 20 до 180 минут. Планируется снизить ошибку до 1 % и научить нейросеть описывать другие металлокомплекс-ные реакции.
Работа выполнена при поддержке гранта РФФИ 18-37-00015. Список литературы
1. Саймон Хайкин Нейронные сети: полный курс, 2-е изд. — С.П., 2016 75 - 21
2. Koledina K, Koledin S, Schadneva N, Mayakova Y and Gubaydullin I 2017 Reac Kinet Mech Cat 121(2) 425-428
3. Spivak S, Koledina K, Koledin S and Gubaidullin I 2017 Journal of applied informatics 12(1) 39-49
4. Линник Ю. В. Метод наименьших квадратов и основы математико-статистической теории обработки наблюдений. — 2-е изд. — М., 1962.
Компьютерные сети, протоколы и потоки трафика: от реальных данных до математического моделирования
Е. Ю. Лисовская1, М. Пагано2
1Томский государственный университет
2University of Pisa
Email: [email protected]
DOI: 10.24411/9999-017A-2019-10281
Классическая теория телетрафика, основанная на работах Эрланга, сотрудника Копенгагенской телефонной компании, сыграла важную роль в развитии телефонной сети общего пользования. Однако ее применение к современным компьютерным сетям требует определенной осторожности. Действительно, компьютерные сети используют совершенно другой архитектурный подход (коммутация пакетов вместо коммутации каналов). Кроме того, потоки трафика, генерируемого пользователями этих сетей, имеют статистические характеристики, сильно отличающиеся от свойств голосового трафика не только неоднородностью этих данных, но и влиянием механизмов управления перегрузками (например, TCP). Таким образом, прямое применение классических результатов теории телетрафика привело, с одной стороны, к резкой нехватке нужного количества сетевых ресурсов, и с другой стороны - к падению интереса инженеров-практиков к аналитическим результатам.
