Научные публикации

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

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
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}

Информация о материале

Категория: 05.00.00 Технические науки

Опубликовано: 13 февраля 2017

Литвиненко Наталия Андреевна / Litvinenko Natalia – студент, кафедра техники и технологий автомобильного транспорта, Институт сферы обслуживания и предпринимательства (филиал) Донской государственный технический университет, г. Шахты

Abstract: the article considers the problem of capacity of the Russian Federation city streets in high traffic volume. After analyzing the works devoted to this subject is proposed to solve this problem, create a citywide automated traffic control systems with the use of "smart" traffic lights. Similar systems are already successfully up-robiruyutsya the Department of Transport and Communications of the Moscow government in the framework of the program to develop and improve citywide automated traffic control system.

Аннотация: в статье рассмотрена проблема обеспечения пропускной способности улиц городов Российской Федерации в условиях высокой интенсивности движения. Проведя анализ работ, посвященных данной тематике, предлагается для решения данной проблемы создать общегородские автоматизированные системы управления дорожным движением с применением «умных» светофоров. Подобные системы уже успешно апробируются Департаментом транспорта и связи правительства Москвы в рамках программы по развитию и совершенствованию общегородской автоматизированной системы управления дорожным движением.

Keywords: traffic, traffic safety.

Ключевые слова: интенсивность движения, транспортный поток, безопасность дорожного движения.

Литература

1. Черткова Ю. А., Калмыкова О. М. Проблемы обеспечения безопасности дорожного движения по улицам города с плотной застройкой и высокой интенсивностью движения транспортных средств. / В сборнике: Перспективы науки - 2016, материалы III Международного заочного конкурса научно-исследовательских работ, 2016. С. 113-117.
2. Калмыкова О. М. Исследование интенсивности движения транспортного потока на пересечении ул. Шевченко - пр. Карла Маркса г. Шахты / Калмыкова О. М., Питченко Д. С., Крюков С. А., Островский Г. А. // Проблемы современной науки и образования, 2016. № 19 (61). С. 30-34.
3. Калмыкова О. М. Исследование интенсивности движения транспортного потока на пересечении ул. Советская - пр. Карла Маркса г. Шахты / Калмыкова О. М., Калмыков Б. Ю., Лебедев Е. О., Литвиненко Н. А. // Вестник науки и образования, 2016. № 8 (20). С. 19-24.
4. Калмыков Б. Ю. Особенности расчета потенциальной энергии удара автобуса при опрокидывании в сфере транспортного машиностроения. / Калмыков Б. Ю., Овчинников Н. А., Калмыкова О. М. // Известия высших учебных заведений. Северо-Кавказский регион. Серия: Технические науки, 2010. № 2. С. 84-87.
5. Калмыкова О. М., Гармидер А. С. Повышение безопасности участия детей в дорожном движении / В сборнике: Безопасность, дорога, дети: практика, опыт, перспективы и технологии материалы форума, г. Ростов-на-Дону. редколлегия: Г. E. Давыдова, В. В. Зырянов, Б. Г. Гасанов, И. Н. Щербаков, 2015. С. 145-148.

Информация о материале

Категория: 05.00.00 Технические науки

Опубликовано: 16 января 2017

Хайруллин Данис Айратович / Khayrullin Danis – студент;

Терегулов Тагир Рафаэлович / Teregulov Tagir - кандидат технических наук, доцент, кафедра электромеханики, факультет авионики, энергетики и инфокоммуникаций, Уфимский государственный авиационный технический университет, г. Уфа

Аннотация: в статье анализируется принцип инфракрасного обогрева и его преимущество перед другими отопительными системами. Представлены также его преимущества и недостатки.

Abstract: the article analyzes the principle of infrared heating, and its advantage over other heating systems. Presented as its advantages and disadvantages.

Ключевые слова: классификация, инфракрасный, потоки воздуха.

Keywords: classification, infrared, air flows.

Литература

1. Мобинтех – информационные технологии. [Электронный ресурс]. Режим доступа: http://www.mobintech.ru/articles/06_infrared.html (дата обращения: 22.11.2016).
2. Компас в Мире Машин и Машиностроения. [Электронный ресурс]. Режим доступа: http://www.avtomash.ru/pred/hit/hit_tex.htm (дата обращения: 03.12.2016).
3. INFRATEC – тепло вашего дома. [Электронный ресурс]. Режим доступа: http://www.infra-tec.ru/stati/ik--i-zdorove(дата обращения: 04.12.2016).

Информация о материале

Категория: 05.00.00 Технические науки

Опубликовано: 12 декабря 2016

Квартальнов Семён Викторович / Kvartalnov Semen – студент;

Макулов Владислав Витальевич / Makulov Vladislav – студент, факультет промышленного и гражданского строительства, Самарский государственный архитектурно-строительный университет, г. Самара

Аннотация: статья посвящена такому теплоизоляционному материалу, как пеностекло. Рассмотрены его преимущества и недостатки, проанализировано его использование на российском рынке.

Abstract: article focuses on thermal insulation material such as foam glass. Consider its advantages and disadvantages, analyzes its use in the Russian market.

Ключевые слова: пеностекло, вспененная стекломасса, утеплитель, теплоизоляционный материал.

Keywords: foam glass, foamed glass melt, heat insulation, thermal insulation material.

Литература

1. Демидович Б. К. Пеностекло. Минск: Наука и техника, 1975.
2. Чернов С. А. Пеностекло – забытый материал будущего. Стекло мира, 2011.
3. Минько Н. И., Пучка О. В., Кузьменко А. А., Степанова М. Н. Перспективы развития технологии производства и применения пеностекла. Стекло мира, 2006.
4. Кетов А. О причинах отсутствия конкурентов у пеностекла на рынке теплоизоляции, или почему можно использовать кизяк для теплоизоляции, но не хочется. Стекло мира, 2011.

Информация о материале

Категория: 05.00.00 Технические науки

Опубликовано: 12 декабря 2016