Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/345434Полная запись метаданных
| Поле DC | Значение | Язык |
|---|---|---|
| dc.contributor.author | Головач, О. С. | |
| dc.date.accessioned | 2026-04-17T08:22:29Z | - |
| dc.date.available | 2026-04-17T08:22:29Z | - |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Цифровая трансформация – шаг в будущее : материалы VІ Междунар. науч.-практ. конф. молодых ученых, Минск, 2 окт. 2025 г. / Белорус. гос. ун-т ; редкол.: И. А. Карачун (гл. ред.), А. А. Королёва, Б. Н. Паньшин. – Минск : БГУ, 2025. – С. 579-582. | |
| dc.identifier.isbn | 978-985-881-904-0 | |
| dc.identifier.uri | https://elib.bsu.by/handle/123456789/345434 | - |
| dc.description.abstract | В статье разрабатывается метод классификации типов колебаний (свободные незатухающие, затухающие и вынужденные) на основе физически симулированных данных. Из зашумленных временных рядов извлекались признаки, которые затем использовались для обучения пяти моделей машинного обучения. Наилучшие результаты показал алгоритм метод опорных векторов с точностью (91,8 %). Результаты подтверждают потенциал машинного обучения для автоматизации анализа колебательных систем | |
| dc.language.iso | ru | |
| dc.publisher | Минск : БГУ | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Кибернетика | |
| dc.subject | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Физика | |
| dc.title | Перспективы применения методов машинного обучения в анализе колебательных систем | |
| dc.title.alternative | Prospects for the application of machine learning methods in the analysis of oscillatory systems / O. S. Golovach | |
| dc.type | conference paper | |
| dc.description.alternative | This paper develops a method for classifying types of oscillations (free undamped, damped, and forced) based on physically simulated data. Features were extracted from noisy time series and subsequently used to train five machine learning models. The support vector machine achieved the best performance with an accuracy of 91.8 %. The results confirm the potential of machine learning for automating analysis of oscillatory systems | |
| Располагается в коллекциях: | 2025. Цифровая трансформация – шаг в будущее | |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| 579-582.pdf | 258,04 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.