СОВЕРШЕНСТВОВАНИЕ ОПТИКОЭЛЕКТРОННЫХ СИСТЕМ УПРАВЛЕНИЯ НА БАЗЕ НПВО С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

Салауат Kенгесбаев

Авторы

Салауат Kенгесбаев Автор

Ключевые слова:

MO, KNN, НПВО, DT, NB, RF, анализ данных, оптоэлектронные системы, прогнозное моделирование.

Аннотация

Исследует важную роль машинного обучения (МО) в разработке методологии анализа данных в многофункциональных оптоэлектронных системах. По мере того, как эти системы становятся все более сложными, интеграция методов MO становится все более важной для получения значимого понимания из обширных наборов данных, генерируемых оптоэлектронными устройствами. Алгоритмы MO облегчают обработку в реальном времени, распознавание образов и прогнозное оделирование, повышая эффективность и точность анализа данных. Автоматизируя извлечение сложных паттернов и корреляций, mo’ позволяет исследователям обнаруживать скрытые отношения между различными
оптоэлектронными параметрами.

Скачивания

Данные по скачиваниям пока не доступны.

Библиографические ссылки

. РахимовН.Р. Исследование фотоэлектрических свойств АФН-пленок теллурида кадмия с серебром и разработка оптоэлектронных приборов на их основе. Дисс. канд. техн. наук, Ташкент, 2001, 140 с.

. Абдуллаев А.А. и др. Различие нефти по спектрам отражения. Изв. вузов, Нефть и газ, 1979 г., № 3, с. 67–70.

. ГоськовП.И. Оптоэлектронные развертывающие полупроводниковые преобразования в измерительном языке. Томск. университет, 1978 г., 149–151 с.

. Лейкин М.В., Молочников Б.И. и рефрактометрия. Л.: Машиностроение, 1983 г

. Иоффе Б.В. Рефрактометрические методы в химии. Л.: Химия,1983 г.

. Патент РУз IАP 20030713 от 17.09.2004 г. Устройство для определения содержания эмульсионной воды в нефти и нефтепродуктах / Ш.М. Сайдахмедов; Р.Ж. Тожиев; Н.Р. Рахимов; А.Х. Хайдаров // Б.И. 2005. № 8. – С. 141.

. Рахимов, Н.Р. Оптоэлектронные системы на основе эффекта НПВО для контроля технологических параметров нефти и нефтепродуктов / Н.Р. Рахимов, Л.Ф. Парфирьев // Изв. вузов. Приборостроение, 2005. - № 10. – С. 41 – 45

. Ушаков, О.К. Автоматический колориметр на основе оптоэлектронных преобразователей/ О.К. Ушаков, Е.Ю. Кутенкова, А.Н. Серьезнов/Интерэкспо ГЕО – Сибирь-2012. VIII Междунар. науч. конгр., 10 – 20 апреля 2012 г. Новосибирск : Междунар. науч. конф. «Специализированное приборостроение, метрология, теплофизика, микротехника, нанотехнологии»: сб. материалов в 2 т. Т.1. – Новосибирск : СГГА, 2012. – С. 146 - 151.

. Н.Р.Рахимов, Б.Н.Рахимов оптоэлектронные преобразователи в нефтегазовой отрасли: монография.2018.-104-110 с.

. Zhang, S., Zhang, S., Wang, B. and Habetler, T.G., 2019. Machine Learning and Deep Learning Algorithms for Bearing Fault Diagnostics-A Comprehensive Review. arXiv preprint arXiv:1901.08247.

. Shalev-Shwartz, S. and Ben-David, S., 2014. Understanding machine learning: From theory to algorithms. Cambridge university press.

. Kotsiantis, S.B., Zaharakis, I., and Pintelas, P., 2007. Supervised machine learning: A review o f classification techniques. Emerging artificial intelligence applications in computer engineering, 160, pp.3-24.

. I. Rish, J. Hellerstein, and T. Jayram. An analysis of data characteristics that affect naive Bayes performance. Technical Report RC21993, IBM T.J. Watson Research Center, 2001.