Научные публикации

scientific publication foto Журнал «European science» выходит ежемесячно, 19 числа (ежемесячно уточняется). Следующий номер журнала № 01(43), январь 2019 г. Выйдет - 19.02.2019 г. Статьи принимаются до 14.02.2019 г.

Мы рецензируем, редактируем, корректируем Ваши работы. Если редакция получит статью в последний день, есть большая вероятность того, что мы не успеем обработать Вашу статью. Убедительная просьба, если Вы хотите опубликоваться в ближайшем номере, не откладывайте отправку заявки. Потратьте одну минуту, заполните и отправьте заявку в Редакцию




Nematov Sh.N., Safarov A.B.

Email: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Nematov Shukhrat Nasulloyevich – Assistant;

Safarov Alisher Bekmurodovich – Assistant,

DEPARTMENT OF ELECTRICAL ENGINEERING,

FACULTY OF ELECTRICAL ENGINEERING AND INFORMATION AND COMMUNICATION TECHNOLOGY

IN MANUFACTURING,

BUKHARA ENGINEERING–TECHNOLOGICAL INSTITUTE,

BUKHARA, REPUBLIC OF UZBEKISTAN

Abstract: in article the design and a principle of work of an alternative source of the electric power with use of renewed energy sources is stated. With the help эластической cords energy of weak air and water streams collects in the form of potential mechanical energy. The electric power source provides accumulation of mechanical energy during absence of consumption and, the smooth expense of the saved up energy generates the alternating current electric power in a consumption mode. The source allows to receive an alternating current with nominal frequency and pressure without intermediate transformations on a direct current. An alternative source it is intended for consumers with small capacity and with short-term an operating mode.

Keywords: alternative energy source, alternating current, the generator, renewed energy sources, the store of mechanical energy.

Сафаров А.Б., Нематов Ш.Н.

Нематов Шухрат Насиллоевич – ассистент;

Сафаров Алишер Бекмуродович – ассистент,

кафедра электротехники,

факультет электротехники и информационно-коммуникационных технологий в производстве,

Бухарский инженерно-технологический институт,

г. Бухара, Республика Узбекистан

Аннотация: в статье изложена конструкция и принцип работы альтернативного источника электроэнергии с использованием возобновляемых источников энергии. С помощью эластической струны энергия слабых воздушных и водных потоков накапливается в виде потенциальной механической энергии. Источник электроэнергии обеспечивает накопление механической энергии при отсутствии потребления, и плавный расход накопленной энергии генерирует электрическую энергию переменного тока в режиме потребления. Источник позволяет получать переменный ток с номинальной частотой и давлением без промежуточных преобразований по постоянному току. Альтернативный источник предназначен для потребителей с небольшой емкостью и с кратковременным режимом работы.

Ключевые слова: альтернативный источник энергии, переменный ток, генератор, возобновляемые источники энергии, накопитель механической энергии.

References in English / Список литературы на английском языке

  1. Schwartz Marc, Heimiller Donna, Haymes Steve and Musial Walt. Assessment of Offshore Wind Energy Resources for the United States. Technical Report NREL/TP-500-45889 June 2010.

References / Список литературы

  1. Schwartz Marc, Heimiller Donna, Haymes Steve and Musial Walt. Assessment of Offshore Wind Energy Resources for the United States. Technical Report NREL/TP-500-45889 June 2010.

Ссылка для цитирования данной статьи

scientific publication copyright    
Cсылка для цитирования на русском языке. Сафаров А.Б., Нематов Ш.Н.  ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ АЛЬТЕРНАТИВНОГО ИСТОЧНИКА ЭЛЕКТРОЭНЕРГИИ С ИСПОЛЬЗОВАНИЕМ ХРАНЕНИЯ МЕХАНИЧЕСКОЙ ЭНЕРГИИ // European science № 4(26), 2017. C. {см. журнал}

scientific publication pdf

Abzalova L.R. 

Email: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Abzalova Liliya Radikovna – Bachelor, DEPARTMENT COMPUTER SYSTEMS AND NETWORKS, HIGHER SCHOOL OF ECONOMICS, MOSCOW

Abstract: this paper outlines the way in which the aggregated data from pulsometer device and smart watch may be used; it dives into problems, related to selection of right regression model, in order to predict future possible user`s pulse by certain timeframe; and suggest its implementation. Also, the following article covers the basic idea of classification in terms of detection specified condition associated with cardiovascular system based on aggregated data. And, finally, suggest its own approach of how to build analytics in long-running tasks.

Keywords: linear regression, pulsometer, smart watch, heart rate, Javascript, fuzzy logic, machine learning, classification.

Абзалова Л.Р.

Абзалова Лилия Радиковна – бакалавр, кафедра компьютерных систем и сетей, Высшая школа экономики, г. Москва

Аннотация: в данной статье рассматривается возможность использования собранных данных с пульсометров и умных часов; будут рассмотрены проблемы выбора регрессионной модели предсказаний возможного будущего пульса пользователя в разрезе времени и будет предложена собственная реализация решения для задач долгосрочного предсказания. Также в данной работе будет рассмотрена базовая идея применения методов классификации для выявления определенных состояний, связанных с сердечно-сосудистой системой, на основе собранных данных.

Ключевые слова: линейная регрессия, пульсометр, умные часы, сердечный ритм, Javascript, ленивые вычисления, машинное обучение, классификация.

References in English / Список литературы на английском языке

  1. Shouman Mai, Turner Tim, Stocker Rob. “Using Data Mining Techniques In Heart Disease Diagnoses And Treatment“. Electronics, Communications and Computers (JECECC), 2012 Japan-Egypt Conference March, 2012. P. 173-177.
  2. Detrano Robert, Janosi Andras, Steinbrunn Walter, Pfisterer Matthias, Schmid Johann-Jakob, Sandhu Sarbjit, Guppy Kern H., Lee Stella, Froelicher Victor, 1989 “International application of a new probability algorithm for the diagnosis of coronary artery disease” The American Journal of Cardiology. Pp. 304 - 310.15
  3. Gruhn N., Larsen F.S., Boesgaard S., Knudsen G.M., Mortensen S.A., Thomsen G., Aldershvile J.. Cerebral blood flow in patients with chronic heart failure before and after heart transplantation. Stroke. 32 (2001). 2530 – 2533.
  4. Polat K., Sahan S. and Gunes S. “Automatic detection of heart disease using an artificial immune recognition system (AIRS) with fuzzy resource allocation mechanism and k-nn (nearest neighbour) based weighting preprocessing”. Expert Systems with Applications, 2007. Pp. 625 - 631.
  5. Gopinathannair R., Mazur А. and Olshansky В. Syncope in congestive heart failure, J Cardiol, 15 (2008). 303 – 312.
  6. Ozsen S., Gunes S. 2009 “Attribute weighting via genetic algorithms for attribute weighted artificial immune system (AWAIS) and its application to heart disease and liver disorders problems” Expert Systems with Applications. Pp. 386 - 392.
  7. Das Resul, Turkoglub Ibrahim and Sengurb Abdulkadir, 2009. “Effective diagnosis of heart disease through neural networks ensembles”. Expert Systems with Applications. Pp. 7675 – 7680 [11] Lamia Abed Noor Muhammed 2012 “Using Data Mining technique to diagnosis heart disease”.
  8. Lee C.W.,. Lee J.H,. Lim T.H, Yang H.S., Hong M.K.,. Song J.K, Park S.W., Park S.J., Kim J.J., Prognostic significance of cerebral met.
  9. Grodins F.S., Buell J. and Bart A.J. Mathematical analysis and digital simulation of the respiratory control system, J Appl Physiol., 22 (1967). 260 – 276.
  10. Heldt Т. Computational Models of Cardiovascular Response to Orthostatic Stress. Ph.D. Thesis, Harvard/MIT Division of Health Science and Technology. MIT, 2004.
  11. Khoo M.C.K., Gottschalk А. and Pack A.I. Sleep-induced periodic breathing and apnea: A theoretical study. J Appl Physiol, 70 (1991). 2014 – 2024.

Список литературы / References

  1. Шуман Май, Тернер Тим, Стокер Роб. «Использование интеллектуального анализа данных в диагностике и лечении заболеваний сердца». Электроника, информация и компьютеры (JECECC), 2012. Японско-Египетская конференция, Март 2012. С. 173 - 177.
  2. Детрано Роберт, Яноси Андрес, Штейнбрун Уолтер, Фистер Матиас, Смит Джон-Якоб, Санду С., Гуппи Керн Х., Ли Стелла, Фроличер Виктор, 1989. «Международная программа возможностей нового алгоритма для диагностики заболеваний коронарной артерии». Американский журнал кардиологии. С. 304 - 310.15.
  3. Грун Н., Ларсен Ф.С., Босгард С., Нудсен Г.М., Мортенсен С.А., Томсен Д., Альдершвиль Дж, «Мозговое кровообращение пациентов с хроническим пороком сердца, до и после трансплантации сердца». Инсульт. 32 (2001). 2530 – 2533.
  4. Полат К., Сахан С. И Гинес С. 2007 «Автоматизированное определение заболеваний сердца с использованием искусственного распознавания иммунной системы (AIRS) с механизмом нечеткого распределения ресурсов и k-ная (ближайшие точки) основанной на определении нагрузки предварительной обработки» Экспертные системы с применением, 2007. С. 625 – 631.
  5. Гопинатанер Р., Мазур А. и Ольшанский Б. Обморок в застойной сердечной недостаточности. Дж. Кардиол. 15 (2008). 303 – 312.
  6. Озсен С., Гинес С., 2009 «Весовой множитель через генетический алгоритм для весового коэффициента для искуственной иммунной системы (AWAIS) и его применение для заболеваний сердца и заболеваний печени». Экспертные системы с применением. С. 386 – 392.
  7. Дас Расул, Туркоглуб Ибрагим и Сенгурб Абдулхадир, 2009. «Эффективная диагностика заболеваний сердца через группу нейронных сетей». Экспертные системы с применением. С. 7675 - 7680.
  8. Ли С.В., Ли Т.Х., Лим Т.Х., Янг Х.С., Хонг М.К., Сонг Дж.К., Парк С.В., Парк С.Дж., Ким Д.Д. Прогнозирование черепно-мозговой активности.
  9. Гродинс Ф.С., Буэл Д. и Барт А.Дж. Математический анализ и цифровое моделирование органов дыхания. J Appl Physiol. 22 (1967). 260 – 276.
  10. Хелт Т. Вычислительная модель ответа сердечно-сосудистой системы на ортостатическое давление,.Ph.D. Thesis, Harvard/MIT. Делегация естественных и прикладных наук для здоровья. MIT, 2004.
  11. Кхо М.С.К., Готсчалк А. и Пак А.И.,Периодическое дыхание Чейна-Стокса и апноэ в искусственном сне: теоретическое исследование. J Appl Physiol. 70 (1991). 2014 – 2024.

Ссылка для цитирования данной статьи

scientific publication copyright    
Cсылка для цитирования на русском языке. Абзалова Л.Р. ДОЛГОСРОЧНЫЕ ПРЕДСКАЗАНИЯ В ЗАДАЧАХ, СВЯЗАННЫХ С ИЗМЕРЕНИЕМ ПУЛЬСА // European science № 4(26), 2017. C. {см. журнал}

scientific publication pdf

Hoshimov F.A., Bakhadirov I.I., Sulaymonov F.M.

Email: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Hoshimov Fozildzhon Abidovich - Doctor of Technical Sciences, Professor, Head of the Laboratory, INSTITUTE OF ENERGY AND AUTOMATION, ACADEMY OF SCIENCES OF THE REPUBLIC OF UZBEKISTAN;

Bakhadirov Ilyos Ismailovich – assistant;

Sulaymonov Faridun Muhiddinovich – Student,

ELECTRO SUPPLY CHAIR OF POWER FACULTY TASHKENT STATE TECHNICAL UNIVERSITY, TASHKENT, REPUBLIC OF UZBEKISTAN

Abstract: in this article are stated the rational mode of melting steel to a semi-product in heavy-duty arc electric furnaces, establishment of optimum size of power according to need for heat during every period of melting. The advantages of electro smelting in comparison with the other steel-smelting productions and steel-smelting process in an electric furnace. Influence of the current electric parameters of the power DSP-100 mode пи intensifications of technological processes on productivity of the furnace, size of specific amount of electric energy for the purpose of a choice of the most rational parameter characterizing efficiency of smelting of steel is investigated.

Keywords: energy carriers, dispersion of windings of the stator, energy resource.

Хошимов Ф.А., Бахадиров И.И., Сулаймонов Ф.М.

Хошимов Фозилджон Абидович - доктор технических наук, профессор, заведующий лабораторией, Институт энергетики и автоматики академии наук Республики Узбекистан;

Бахадиров Илёс Исмаилович – ассистент;

Сулаймонов Фаридун Мухиддинович – студент,

кафедра электроснабжения, энергетический факультет,

Ташкентский государственный технический университет,

г. Ташкент, Республика Узбекистан

Аннотация: в данной статье излагается рациональный режим плавки стального полупродукта в сверхмощных дуговых электропечах, установлена оптимальная величина мощности в соответствии с потребностью в тепле в каждый период плавки. Выявлено преимущество электроплавки по сравнению с другими сталеплавильными производствами и процесс выплавки стали в электрической печи. Исследуется влияние текущих электрических параметров энергетического режима ДСП-100 при интенсификации технологических процессов на производительности печи, величины удельного количества электрической энергии с целью выбора наиболее рационального параметра, характеризующего эффективность выплавки стали.    

Ключевые слова: энергоносители, рассеяние обмоток статора, энергоресурс.

Список литературы / References

  1. Хошимов Ф.А., Аллаев К.Р.Энергосбережениена промышленных предприятиях.Ташкент: Изд-во «Фан», 2011.-
  2. Гофман Г.Б. Нормирование потребления энергии и энергетические балансы промышленных предприятий. М. Л., Энергия, 1966. 320 с.

Список литературы на английском языке / References in English

  1. Hoshimov F.A., Allayev K.R. Energy saving on industrial enterprises. Tashkent: Publishing house of “Fan”, 2011.-209.
  2. Hoffman G.B. Regulation of an energy consumption and energy balances of industrial enterprises. M L. Energy, 1966. 320 p.

Ссылка для цитирования данной статьи

scientific publication copyright    
Cсылка для цитирования на русском языке. Хошимов Ф.А., Бахадиров И.И., Сулаймонов Ф.М. Рациональный режим плавки стального полупродукта в сверхмощных дуговых электропечах // European science № 3(25), 2017. C. {см. журнал}

scientific publication pdf

Zuev E.

Zuev Egor Dmitrievich – Bachelor, DEPARTMENT COMPUTER SYSTEMS AND NETWORKS, HIGHER SCHOOL OF ECONOMICS, MOSCOW

Abstract: this paper outlines the way in which the aggregated data from EEG device may be used in future predictions; it dives into the problems, related to building a regression function, based on certain conditions of certain user; classify certain function by timestamp; and suggest its implementation. Also, the following article covers the basic idea of classification in terms of taking a decision, which function to use, in order to calculate correct average concentration level of current user on certain time frame.

Keywords: linear regression, Naïve Bayes, SVM, automatization, EEG,, brain waves, Javascript, fuzzy logic, machine learning, classification.

Зуев Е. Д. 

Зуев Егор Дмитриевич – бакалавр, кафедра компьютерных систем и сетей, Высшая школа экономики, г. Москва

Аннотация: в данной статье рассматривается возможность использования собранных данных с ЭЭГ устройства для будущих предсказаний; Также будут рассмотрены проблемы построения регрессионного уравнения для конкретного пользователя; классификация определенной функции на основе временного промежутка и будет предложена собственная реализация решения данной проблемы. Более того, в данной рукописи будет рассмотрена базовая идея применения методов классификации для определения, по какой функции считать средний уровень концентрации конкретного пользователя для данного временного фрейма.

Ключевые слова: линейная регрессия, наивный Байес, SVM, ЭЭГ, мозговые волны, Javascript, ленивые вычисления, машинное обучение, классификация.

Список литературы / References

  1. Фреунд Осуна Р. и Гироси Ф. Продвинутый учитель для SVM. Д. Принсип, Л. Джиль, Н. Морган, и Е. Уилсон, авторы. Нейронные сети и обработка сигналов. VII — коференция, 1997 IEEEWorkshop. С. 276 – 285. Нью Йорк, 1997. IEEE.
  2. Абу-Мостафа Ы. С., 1990. Обучение по совпадениям в нейронных сетях, Д. Cомплеxиты. С. 192–198.
  3. Тибширани Р. & Фриедман Д. (2008), Элементы статистического обучения. Спрингер. Калифорния.
  4. Акаике Х., 1970. Идентификация статистического предиктора. Институт Статической математики. 22 ежегодная конференция. С. 203–217.
  5. Ангел Д. Р. П., Уизинович П., Ллойд-Харт М. и Сандлер Д., Nature
  6. Баум Е. Б. IEEETrans. Onneuralnetworks
  7. Уестреич Д., Лесслер Д. & Ёнссон М.,SVM, decisiontrees (CART) и мета-классификаторы как альтернатива логической регрессии. JournalClinicalEpidemiology
  8. Икбал М. С., Мисра Х. и Ыегнанараыана Б. Анализ само-ассоциативных нейронных сетей. IEEE Международная конференция по нейронным сетям. Вашингтон. США, 1999. С. 70.
  9. Щимке С., Виелхауер C., Диттманн Д. Использование адаптивной дистанции Левенштейна для онлайн аутефикации. Распознавание паттернов, 17 международная конференция (ICPR'04), 2004.
  10. Давидсон Р. Д, и Лутз А. «Разум Будды: Нейропластичность и медитация». IEEESignalProcessing
  11. Валле Роналд С. и Ёхн М. Левине. «Эффекты наблюдения за контролем альфа волн». Психофизиология 12.3, 1975. С. 306-309.
  12. Лотте Ф., Cонгедо М., Леcуыер А., Ламарче, Ф. & Арналди Б.,BCI интерфейсов. Журнал нейронной инженерии. 4 (2). R1–R13.

Список литературы на английском языке / References in English

  1. Osuna R. Freund and. Girosi F. An improved training algorithm for support vector machines. In J. Principe, L. Gile, N. Morgan, and E. Wilson, editors, Neural Networks for Signal Processing VII — Proceedings of the 1997 IEEE Workshop. Pages 276 – 285. New York, 1997. IEEE.
  2. Abu-Mostafa Y. S. (1990). Learning from hints in neural networks, J. Complexity 6, 192–198.
  3. Tibshirani, R. & Friedman, J. (2008), The Elements of Statistical Learning, Springer, California
  4. Akaike H., 203–217.
  5. Angel J. R. P., Wizinowich P., Lloyd-Hart M. and Sandler D.,
  6. Baum E. B.
  7. Westreich D., Lessler J. & Jonsson M.,Propensity score estimation: Neural networks, support vector machines, decision trees (CART), and metaclassifiers as alternatives to logistic regression. Journal of Clinical Epidemiology 63, 826–833.
  8. Ikbal M. S., Misra H. and Yegnanarayana B. Analysis of autoassociative mapping neural networks. In IEEE Proceedings of the International Joint Conference on Neural Networks, Washington. USA, 1999. 70.
  9. Schimke S., Vielhauer C., Dittmann J. Using Adapted Levenshtein Distance for On-Line Signature Authentication. Proceedings of the Pattern Recognition, 17th International Conference on (ICPR'04), 2004.
  10. Davidson R. J. and Lutz A. “Buddha’s Brain: Neuroplasticity and Meditation”. IEEE Signal Processing, 2007: 171 - 174. Print.
  11. Valle Ronald S. and Levine John M. “Expectation Effects in Alpha Wave Control”. Psychophysiology 12.3 (1975): 306-309. Print.
  12. Lotte F., Congedo M., Lecuyer А., Lamarche F. & Arnaldi B., 2007. June. A review of classification algorithms for EEG-based brain-computer interfaces. Journal of neural engineering. 4. R1–R13.

Ссылка для цитирования данной статьи

scientific publication copyright    
Cсылка для цитирования на русском языке. Зуев Е. Д. КОРОТКОСРОЧНЫЕ/ДОЛГОСРОЧНЫЕ ПРЕДСКАЗАНИЯ МЕНТАЛЬНОГО СОСТОЯНИЯ. КЛАССИФИКАЦИЯ РЕГРЕССИОННЫХ МЕТОДОВ В ПРОДВИНУТОЙ АНАЛИТИКЕ // European science № 2(24), 2017. C. {см. журнал}

scientific publication pdf

Яндекс.Метрика Рейтинг@Mail.ru

adware software removal

Контакты в России

Мы в социальных сетях

Внимание

Как авторам, при выборе журнала, не попасть в руки мошенников. Очень обстоятельная статья. >>>

Вы здесь: Главная Главная Статьи Технические науки