НАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 54, серия 3.2 Количествено идентифициране на телетрафични обслужващи устройства посредством дърво
|
|
- Ивелин Кюркчиев
- преди 4 години
- Прегледи:
Препис
1 Количествено идентифициране на телетрафични обслужващи устройства посредством дърво на решенията и ANN класификатор Ивелина Балабанова, Георги Георгиев, Пенчо Пенчев Quantitative identification of Teletraffic serving devices through a decision tree classifier and ANN: There are classification models based on the decision tree and artificial neural network (ANN) to quantitatively identify the serving devices by teletraffic system D + M + H2 + E3 / D / n / k. Training classifiers were used: average downtime in the system W; average waiting time in the queue Wq; average number of calls in the system L and the average number of calls in queue Lq. An assessment of the model stood the method of decision tree by re-substitution and cross-validation at different levels of felling the branches. In the mean square error were studied changes and classification accuracy with a change of neurons in the hidden layer and the network structure is synthesized an artificial neural network. In the environment of the product is created LabVIEW virtual instrument for reading the data in Excel format and quantitatively identifying teletraffic serving devices. Key words: Decision tree, Teletraffic system, Cross-validation, Artificial neural network, Classification models. ВЪВЕДЕНИЕ Създадени са класификационни модели, базирани на дърво на решението и изкуствена невронна мрежа (ИНМ) за количествено идентифициране на обслужващи устройства на телетрафична система D+M+H2+E3/D/n/k. За обучение на класификаторите са използвани: средно време за престой в системата W; средно време за чакане в опашката Wq; среден брой повиквания в системата L и средния брой повиквания в опашката Lq. Извършена е оценка на модела, построен по метода дърво на решението, посредством ресубституция и крос-валидиране при различни нива на отсичане на разклонения. Изследвани са измененията на средноквадратичната грешка и класификационната точност с промяна на невроните в скрития мрежови слой и е синтезирана структура на изкуствена невронна мрежа. В среда на продукта LabVIEW е създаден виртуален инструмент за прочитане на данни в Excel формат и количествено идентифициране на телетрафични обслужващи устройства. ИЗХОДНИ ДАННИ Поставена е задачата за определяне на броя обслужващи устройства, при които са получени параметрите W, Wq, L и Lq на телетрафична система D+M+H2+E3/D/n/k чрез имитационно моделиране. Приложени са два подхода за решение като са формирани класификационни модели по метода дърво на решението и апарата на изкуствените невронни мрежи. При обучение на класификаторите е използван набор от данни с независими предсказващи променливи: средно време за престой в системата W; средно време за чакане в опашката Wq; среден брой повиквания в системата L; среден брой повиквания в опашката Lq. Обособени са следните класификационни групи: клас 1 едно обслужващо устройство; клас 2 три обслужващи устройства; клас 3 пет обслужващи устройства. Входният набор от данни съдържа общо 57 наблюдения, съответно по 19 наблюдения в състава на всяка група. Кодирането на дефинирани класове се извършва посредством категориален (символен) тип данни при дърво на решението и дискретни кодови комбинации (0 и 1) и отдели изходни неврони при изкуствената -9-
2 невронна мрежа. Позицията на единицата във всяка от комбинациите указва съответния брой обслужващи устройства. КОЛИЧЕСТВЕНО ИДЕНТИФИЦИРАНЕ НА ТЕЛЕТРАФИЧНИ ОБСЛУЖВАЩИ УСТРОЙСТВА С ПРИЛОЖЕНИЕ НА ДЪРВО НА РЕШЕНИЕТО Създаден е класификатор по метода дърво на решението, представляващ йерархична структура от логически if-then условия, за количествена идентификация на системните обслужващи устройства. На фиг.1 е представен първоначално генерирания класификационен модел. Фиг. 1. Първоначално генериран модел по метода дърво на решението Приложени са методите ресубституция и крос-валидиране на оценка на точността при класификация. При оценяване на качествата на класификатора наблюденията от входния набор от данни са разпределени в две извадки - 75% за обучение и 25% за тестване на крос-валидиращите модели. Извършена е процедура по отсичане на разклонения от първоначално генерирания модел при различни нива с цел минимизиране на грешката от крос-валидиране и намиране на структура с оптимален брой възли. По правило точността при ресубституция се счита като пооптимистична оценка, докато постигнатата при крос-валидиране се приема за подостоверна при класифициране на данни, неучаствали в процеса на обучение. В табл. 1 са показани резултатите при оценка на качеството на класификационния модел. Таблица 1. Резултати при оценка на качеството на класификатора Ниво на отсичане Точност при ресубституция, % Точност при крос-валидиране, % Приблизително очаквана точност при класифициране на нови данни, % Установено е, че при второ ниво на отсичане на разклонения се получава найвисока класификационна точност от 80.70% при крос-валидиране. Въз основа на това за идентифициране на телетрафичните обслужващи устройства е избран класификационен модел, показан на фиг. 2. При съответното ниво на отсичане при ресубституция постигнатата точност е 85.96%. При класифициране на нови данни се приема приблизително очаквана точност от 83.33%
3 Матрицата на коректни и некоректни класификации, представена на фиг. 3, показва коректно класифициране на наблюденията от трети клас. Едно наблюдение от първа и седем наблюдения от втора са некоректно отнесени, съответно към втора и трета класификационни групи. Фиг. 2. Класификационен модел при второ ниво на отсичане Фиг. 3. Класификационна матрица КОЛИЧЕСТВЕНО ИДЕНТИФИЦИРАНЕ НА ТЕЛЕТРАФИЧНИ ОБСЛУЖВАЩИ УСТРОЙСТВА С ПРИЛОЖЕНИЕ В ИЗКУСТВЕНА НЕВРОННА МРЕЖА Таблица 2. Резултати при експериментиране с броя на скритите неврони Скрити неврони Точност, % Средноквадратична грешка Използвана е трислойна архитектура на изкуствена невронна мрежа (ИНМ) с обратно разпространение на грешката за идентифициране на телетрафични обслужващи устройства с тангес-сигмоидална и линейна функции на активация в скрития и изходен мрежови слоеве. Обучението на ИНМ е извършено по алгоритъма на Levenberg-Marquard при следните параметри epochs: 1000, show: 25, goal: 0.01, lr.: 0.05 и min_grad: 1-eo5 и процентно съотношение на данните 70% за обучение, 15% за валидиране и 15% за тестване. Синтезирана е структура с шест скрити (междинни) неврона, при която са постигнати най-голяма и най-малка класификационна точност и средноквадратична грешка (mean squared error - MSE) от % и Резултатите при експериментиране с броя на невроните в междинния слой са показани в табл
4 На фиг.4 и фиг.5 са представени избраната структура на ИНМ за количествено идентифициране и изменението на средноквадратичната грешка при обучение, валидиране и тестване. Фиг. 4. Структура на ИНМ Фиг. 5. Изменение на MSE Фиг. 6. Линейни регресионни зависимости за изходните групи a) б) Фиг. 7. Класификационни матрици за наблюденията а) от тестовата извадка и б) за целия набор от данни
5 Не са установени проблеми при обучение на невронната мрежа, валидиращата и тестова криви се характеризират с намаляващо изменение. Най-добра производителност при валидиране от е достигната при 12-та итерация. Получените високи стойности на корелационните коефициенти R на линейните регресионни зависимости за изходните неврони, показани на фиг. 6, потвърждават много добра линейна връзка между мрежовите и целеви резултати. Наблюдава се добро групиране на данните около съответните логически нива. Наблюденията от тестовата извадка и целия входен набор от данни за класификационните матрици, представени на фиг. 7, са разположени по диагонал от горен ляв към долен десен ъгъл, а останалите матрични елементи са нули свидетелство за пълно коректно определяне на груповата им принадлежност. Фиг. 8. Абсолютна мрежова грешка Фиг. 9. Мрежови резултати при класифициране на наблюденията от тестовата извадка На фиг. 8 е показана абсолютната мрежова грешка, пресметната като разлика между получените резултати, представени на фиг. 9, и целеви резултати за ИНМ. Грешката се изменя в диапазона от до като най-ниски и най-високи нива на вариране се наблюдават, съответно за първа и трета класификационни групи. ВИРТУАЛЕН ИНСТРУМЕНТ ЗА КОЛИЧЕСТВЕНО ИДЕНТИФИЦИРАНЕ НА ТЕЛЕТРАФИЧНИ ОБСЛУЖВАЩИ УСТРОЙСТВА В програмна среда на продукта LabVIEW e разработен виртуален инструмент (ВИ) за идентифициране на телетрафични обслужващи устройства. При тестване на работоспособността на ВИ са използвани данни, съхранявани в excel формат. След прочитане данните от тестовия файл, съответстващи на W; Wq; L и Lq, се конвертират от динамичен в скаларен тип и подават като входни променливи към matlab script. В скрипта се зареждат параметрите на обучената невронна мрежа за количествена идентификация. В калкулирания мрежови резултат се търси матричен елемент, чиято стойност е по-голяма от 0.5 или по-малка от Спрямо позицията на елемента се извършва причисляване към съответна класификационна група. В
6 дървовидна структура е направено описание на използваните параметри. Посредством числови индикатори и индикатори на ниво се визуализират параметрите W; Wq; L и Lq и изходния мрежови резултат. В табличен вид са показани целевите резултати на ИНМ. Графични индикатори визуализират изменението на W; Wq; L и Lq спрямо постъпващия трафик в системата А. Идентифицираните системни обслужващи устройства се указват чрез светлинен индикатор и текстово съобщение. Предният панел и блоковата диаграма на ВИ са показани на фиг. 10. а) б) Фиг. 10. Преден панел а) и блокова диаграма б) на ВИ
7 ЗАКЛЮЧЕНИЕ Бурното развитие на мрежите с пакетна комутация, в частност Интернет и компютърните мрежи, доведе до появата на нов вид услуги, които стават все попопулярни сред потребителите на комуникационни услуги. Ако към това добавим и големия възход в областта на Интернет протоколите, които се превърнаха в предпочитан инструмент при пренос на информация за всички типове мрежи, поради отворения си интерфейс и широката реализация, то ние можем да кажем, че навлизаме в нова ера на комуникации. Технологиите за пренос на глас по Интернет протокол (VoIP), пренос на видео и видеоконференции по Интернет мрежата позволяват на потребителите да поддържат едно по-високо ниво на комуникативност и информираност. Успешно е илюстрирана възможността за приложение на използваните методи за класификация и виртуалния инструментариум LabVIEW в областта на съвременните телекомуникационни системи. ЛИТЕРАТУРА [1] Радев Д., Т. Илиев, Г. Христов. Компютърно моделиране на телетрафични системи, Изд. РУ Ангел Кънчев, Русе, [2] MathWorks. Decision trees, [3] Shih J., Hsu H., Multi-Channel Surface Acoistic Wave (SAW) Sensor Based on Artificial Back Propagation Neural (BPN) and Multivariable Linear Regression Analysis (MLR) for Organic Vapours. Journal of Chinese Chemical Society, 2007, 57, pp [4] Artificial Inteligence: Foundation of Computation Agents. Neural networks, За контакти: гл. ас. д-р инж. Ивелина Балабанова, Катедра Комуникационна техника и технологии, Технически университет Габрово, тел: 066/ , е-mail: ас. инж. Георги Георгиев, Катедра Основи на електротехниката и електроенергетиката, Технически университет - Габрово, GSM: , е-mail: givanow@abv.bg доц. д-р инж. Пенчо Пенчев, Катедра Комуникационна техника и технологии, Технически университет - Габрово, тел: 066/ , е-mail: ipkpen@tugab.bg Докладът е рецензиран
8 РУСЕНСКИ УНИВЕРСИТЕТ АНГЕЛ КЪНЧЕВ UNIVERSITY OF RUSE ANGEL KANCHEV ДИПЛОМА Програмният комитет на Научната конференция РУ&СУ 15 награждава с КРИСТАЛЕН ПРИЗ THE BEST PAPER ИВЕЛИНА БАЛАБАНОВА, ГЕОРГИ ГЕОРГИЕВ и ПЕНЧО ПЕНЧЕВ автори на доклада Количествено идентифициране на телетрафични обслужващи устройства посредством дърво на решенията и ANN класификатор DIPLOMA The Programme Committee of the Scientific Conference RU&SU'15 Awards the Crystal Prize "THE BEST PAPER" to IVELINA BALABANOVA, GEORGI GEORGIEV and PENCHO PENCHEV authorс of the paper Identifying the parameters of Teletraffic model of voice sources with application of ANN and ANFIS classifiers РЕКТОР RECTOR проф. дтн Христо Белоев Prof. DSc Hristo Beloev
НАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 49, серия 3.2 Приложение на инжектирана верига отговорности в университетска информационна система
Приложение на инжектирана верига отговорности в университетска информационна система Мирослав Михайлов, Цветелин Павлов, Венцислав Йорданов Application of injected chain of responsibility pattern in university
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 53, серия 3.2 Влияние на параметрите на транспортните протоколи върху качеството на мултимедийната
Влияние на параметрите на транспортните протоколи върху качеството на мултимедийната информация предавана в реално време Дияна Кючукова Transport layer protocol influence on the quality of real time multimedia
ПодробноМашинно обучение Лабораторно упражнение 9 Класификация с множество класове. Представяне на невронна мрежа Упражнението демонстрира класификация в множ
Машинно обучение Лабораторно упражнение 9 Класификация с множество класове. Представяне на невронна мрежа Упражнението демонстрира класификация в множество класове чрез методи логаритмична регресия и невронни
ПодробноSlide 1
Методи и алгоритми за моделиране, симулация и оптимизация на полупроводникови сензори Венцеслав Шопов E-mail: vkshopov@yahoo.com BG051PO001-3.3.06-0002 Цел на дисертационния труд е да се създаде софтуерна
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 51, серия 4 Параметрично 3D проектиране на елемент от ръчен винтов крик Ахмед Али Ахмед Parametric
Параметрично 3D проектиране на елемент от ръчен винтов крик Ахмед Али Ахмед Parametric 3D construction of a jack-screw s part: The paper describes a method for a parametric construction of the nut, which
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 47, серия 4 Сравнително изследване на някои от характеристиките на измервателните системи за позиц
Сравнително изследване на някои от характеристиките на измервателните системи за позициониране и навигация на автомобили Даниел Любенов, Митко Маринов A comparative study of some characteristics of the
Подробноr_AcademicCurriculum_BG
Утвърден от Академичния съвет на УАСГ Confirmed by Academic Council of UACEG Дата Date Утвърждавам Ректор Confirmed by Rector... / проф. д-р инж. Иван Марков / Prof. Dr. Eng. Ivan Markov ХИДРОТЕХНИЧЕСКИ
ПодробноPROCEEDINGS OF UNIVERSITY OF RUSE , volume 55, book 3.2. НАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 55, серия 3.2. SAT-2G CSNT-05
SAT-2G.302-2-CSNT-05 Development of a virtual tool for filtering, research and analysis of signals and noise by IIR and FIR digital filters in Labview Georgi Georgiev, Ivelina Balabanova, Pencho Penchev
ПодробноThree-tier distributed applications Grisha Spasov, Nikolay Kakanakov, Nencho Lupanov Technical University Sofia - branch Plovdiv, Plovdiv, Bulgaria
Компютърни мрежи (КМ) Защо - появата на необходимост за обмен на съобщения и данни (информация) между различни клиентски приложения, при съответното развитието на комуникационните технологии (комутация
ПодробноПроектът се осъществява с финансовата подкрепа на Оперативна Програма Развитие на Човешките Ресурси , Съфинансиран от Европейския Социален Фо
ЛЯТНА ШКОЛА 2013 ПОВИШАВАНЕ ТОЧНОСТТА НА РОБОТ ЧРЕЗ ИДЕНТИФИКАЦИЯ И РАЗПОЗНАВАНЕ Доц. д-р инж. Роман Захариев ПОВИШАВАНЕ НА ЕФЕКТИВНОСТТА И КАЧЕСТВОТО НА ОБУЧЕНИЕ И НА НАУЧНИЯ ПОТЕНЦИАЛ В ОБЛАСТТА НА СИСТЕМНОТО
ПодробноМашинно обучение - въведение
Линейна регресия с една променлива Доц. д-р Ивайло Пенев Кат. Компютърни науки и технологии Пример 1 Данни за цени на къщи Площ (x) Означения: Цена в $ (y) 2104 460 000 1416 232 000 1534 315 000 852 178
Подробнов общ вид и е напълно приложима и за многомерни системи с малък брой входове и изходи, каквито често се срещат в техниката. Акцент в труда е автоматиз
в общ вид и е напълно приложима и за многомерни системи с малък брой входове и изходи, каквито често се срещат в техниката. Акцент в труда е автоматизирането на процеса на идентификация. Дискутират се
ПодробноСТАНОВИЩЕ oт проф. д-р Маргарита Теодосиева, Русенски университет А. Кънчев на дисертационния труд за присъждане на образователната и научна степен до
СТАНОВИЩЕ oт проф. д-р Маргарита Теодосиева, Русенски университет А. Кънчев на дисертационния труд за присъждане на образователната и научна степен доктор в област на висше образование 4. Природни науки,
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 50, серия 3.2 Операционна среда за разпределена симулация Христо Вълчанов RunTime System for Distr
Операционна среда за разпределена симулация Христо Вълчанов RunTime System for Distributed Simulation: Parallel discrete event simulation (PDES) is a widely used approach for investigation and evaluation
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 52, серия 3.2 Изследване на основния процес при кодирането на цифровия комуникационен канал Изравн
Изследване на основния процес при кодирането на цифровия комуникационен канал Изравняване на енергията на сигнала Боян Карапенев Study of the main process of coding the digital communication channel: Levelling
ПодробноАВТОМАТИЗИРАН КОМПЛЕКС ЗА СИТОПЕЧАТ ВЪРХУ ЦИЛИНДРИЧНИ ПОВЪРХНИНИ
ИЗСЛЕДВАНЕ НА ЗЪБНА ПРЕДАВКА ОТ ВОДНИ СЪОРЪЖЕНИЯ В СРЕДА НА САЕ СИСТЕМА Милчо Ташев Резюме: В настоящата статия са представени получените резултати от изследване в среда на САЕ система една конкретна зъбна
ПодробноРЕЦЕНЗИЯ от проф. д-р Красен Стефанов Стефанов на дисертационен труд на тема ИНСТРУМЕНТИ ЗА ПРЕДСТАВЯНЕ НА 3D ОБЕКТИ И КОЛЕКЦИИ В ИНТЕРНЕТ за придобив
РЕЦЕНЗИЯ от проф. д-р Красен Стефанов Стефанов на дисертационен труд на тема ИНСТРУМЕНТИ ЗА ПРЕДСТАВЯНЕ НА 3D ОБЕКТИ И КОЛЕКЦИИ В ИНТЕРНЕТ за придобиване на образователната и научна степен доктор, в област
ПодробноMicrosoft PowerPoint - DBoyadzhieva
: Изграждане на висококвалифицирани млади изследователи по съвременни информационни технологии за оптимизация, разпознаване на образи и подпомагане вземането на решения Минимизиране на броя на признаците
ПодробноТЕХНИЧЕСКИ УНИВЕРСИТЕТ СОФИЯ УТВЪРЖДАВАМ Ректор: /проф. д-р инж. М. Христов/ Срок на обучение: Форма на обучение: 4 години редовна У Ч Е Б Е Н П Л А Н
ТЕХНИЧЕСКИ УНИВЕРСИТЕТ СОФИЯ УТВЪРЖДАВАМ Ректор: /проф. д-р инж. М. Христов/ Срок на обучение: Форма на обучение: 4 години редовна У Ч Е Б Е Н П Л А Н за образователно-квалификационна степен бакалавър
Подробноr_AcademicCurriculum_BG
Утвърден от Академичния съвет на УАСГ Confirmed by Academic Council of UACEG Дата 13.07.2016 г. Date Утвърждавам Ректор Confirmed by Rector... / проф. д-р инж. Иван Марков / Prof. Dr. Eng. Ivan Markov
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 51, серия 4 Методика за изследване изпреварването между автомобили с помощта на GPS приемници Свил
Методика за изследване изпреварването между автомобили с помощта на GPS приемници Свилен Костадинов, Митко Маринов, Даниел Любенов Method for testing overtaking between cars using GPS loggers: In this
ПодробноСТАНОВИЩЕ на дисертационен труд за получаване на образователната и научна степен доктор на тема: АКУСТИЧНО-ФОНЕТИЧНО МОДЕЛИРАНЕ ЗА РАЗПОЗНАВАНЕ НА ДЕТ
СТАНОВИЩЕ на дисертационен труд за получаване на образователната и научна степен доктор на тема: АКУСТИЧНО-ФОНЕТИЧНО МОДЕЛИРАНЕ ЗА РАЗПОЗНАВАНЕ НА ДЕТСКА РЕЧ НА БЪЛГАРСКИ ЕЗИК Научна специалност: Информатика
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 53 серия 1.1 Изменение на мощностните показатели на бензинов ДВГ при прилагане на горивоспестяващи
Изменение на мощностните показатели на бензинов ДВГ при прилагане на горивоспестяващи технологии Георги Комитов, Димитър Кехайов Variation of power indicators to petrol engine by using of fuelsave technology:
Подробно1 РЕЦЕНЗИЯ върху дисертационен труд за придобиване на образователна и научна степен доктор Автор на дисертационния труд: маг. инж. Любомира Илиева Дим
1 РЕЦЕНЗИЯ върху дисертационен труд за придобиване на образователна и научна степен доктор Автор на дисертационния труд: маг. инж. Любомира Илиева Димитрова Тема на дисертационния труд: Създаване и изследване
Подробно4
Метод и машина за многооперационно обработване на стъпални ротационни детайли Част Технология за синхронизирано обработване на два патронникови детайла доц. д-р Л. Ж. Стоев, ТУ-София, lstoev@tu-sofia.bg,
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 49, серия 3.2 Един подход за обработка и конвертиране на векторни изображения в WEB-базираните сис
Един подход за обработка и конвертиране на векторни изображения в WEB-базираните системи Цветан Христов Христов An Approach for Vector Graphics Manipulation and Conversion in the WEB-Based Systems: In
ПодробноМИНИСТЕРСТВО НА ОБРАЗОВАНИЕТО И НАУКАТА
МИНИСТЕРСТВО НА ОБРАЗОВАНИЕТО И НАУКАТА 1. У Ч Е Б Н А П Р О Г Р А М А за задължителна професионална подготовка 1. Учебен предмет: ВЪВЕДЕНИЕ В РС 2. Модул: ВЪВЕДЕНИЕ В РС УТВЪРДЕНА СЪС ЗАПОВЕД РД 09 1084
ПодробноDiapositiva 1
Интегрирана библиотечно-информационна система e-lib & i-lib Prima Обзор. Конфигурация. Администриране Интегрирана библиотечно-информационна система e-lib & i-lib Prima. Обзор Съвременен софтуерен продукт
ПодробноКомпютърна Графика и Презентации - Графично моделиране
Компютърна Графика и Презентации Графично Моделиране. Генеративна Компютърна Графика гл. ас. д-р А. Пенев Генеративната КГ се занимава с: Построяване на обекти (модели); Генерация на изображение; Преобразуване
ПодробноMicrosoft Word - 1_Electrotexnika.doc
НА СЪЮЗА НА УЧЕНИТЕ - СЛИВЕН ТОМ 6, 2004 г. 0 TEХНИЧЕСКИ УНИВЕРСИТЕТ СОФИЯ ИНЖЕНЕРНО ПЕДАГОГИЧЕСКИ ФАКУЛТЕТ СЛИВЕН ВТОРА НАУЧНА КОНФЕРЕНЦИЯ СЛИВЕН - 2003 СБОРНИК ДОКЛАДИ НАПРАВЛЕНИE Електротехника и електроенергетика
ПодробноMicrosoft Word - MEIT_Burova-BD.doc
Утвърдил:.. Декан Дата... СОФИЙСКИ УНИВЕРСИТЕТ СВ. КЛИМЕНТ ОХРИДСКИ Факултет: Физически... Специалност: (код и наименование)... Магистърска програма: Микроелектроника и информационни технологии Дисциплина:
ПодробноСТАНОВИЩЕ
РЕЦЕНЗИЯ върху дисертационeн труд за получаване на образователната и научна степен доктор, Автор: маг.инж. Ивайло Пламенов Пенев Тема: ПОДХОД ЗА ПЛАНИРАНЕ И ИЗПЪЛНЕНИЕ НА ПАРАЛЕЛНИ ЗАДАЧИ В РАЗПРЕДЕЛЕНА
ПодробноЦЕНТЪР ПО ИНФОРМАТИКА, ТЕХНИЧЕСКИ И ПРИРОДНИ НАУКИ УЧЕБНА ПРОГРАМА Утвърждавам: Декан: EN 598 ПЛАНИРАНЕ И ИЗГРАЖДАНЕ НА КОМПЮТЪРНИ МРЕЖИ Дата: прот. 5
ЦЕНТЪР ПО ИНФОРМАТИКА, ТЕХНИЧЕСКИ И ПРИРОДНИ НАУКИ УЧЕБНА ПРОГРАМА Утвърждавам: Декан: EN 598 ПЛАНИРАНЕ И ИЗГРАЖДАНЕ НА КОМПЮТЪРНИ МРЕЖИ Дата: прот. 5/19.11.2010 Актуализирана: Прот. 16 от 17.06.2016 г.
ПодробноПроектиране на непрекъснат ПИД - регулатор. Динамичните свойства на системите за автоматично регулиране, при реализация на първия етап от проектиранет
Проектиране на непрекъснат П - регулатор инамичните свойства на системите за автоматично регулиране, при реализация на първия етап от проектирането им, могат да се окажат незадоволителни по отношение на
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 52, серия 4 Изследване на спирачните свойства на лек автомобил с пиезоелектрически сензори Георги
Изследване на спирачните свойства на лек автомобил с пиезоелектрически сензори Георги Кадикянов Research on the Braking Performance of a Car with Piezoelectric Sensors: In this paper a facility for the
ПодробноЛогаритмична регресия
Логаритмична регресия Доц. д-р Ивайло Пенев Кат. Компютърни науки и технологии Функция на хипотезата h θ x = g θ T x = 1 1 + e θt x Функция на цената J θ = 1 σ m i=1 m Cost(h θ x i, y i ), където Cost(h
ПодробноНАУЧНИ ТРУДОВЕ НА РУСЕНСКИЯ УНИВЕРСИТЕТ , том 54, серия 6.1 Базови механизми на модела Бизнес процес като услуга Надежда Филипова Abstract: Basi
Базови механизми на модела Бизнес процес като услуга Надежда Филипова Abstract: Basic Mechanisms of the Business Process as a Service model. The Business Process as a Service model integrates the Business
ПодробноISSN
FRI-2G.302-1-CSN-04 REGRESSION MODELS FOR PREDICTION OF PARAMETERS OF TELETRAFFIC SYSTEM M/M/1/K 4 Prof. Mihail Iliev, DcS Telecommunications Department, Angel Kanchev Univesity of Ruse Tel.: 082-888 673
ПодробноÓâîä
Снежана Георгиева Гочева-Илиева МАРКЕТИНГОВИ ИЗСЛЕДВАНИЯ Факултет по математика и информатика Пловдивски университет Паисий Хилендарски Пловдив, 2013-2017 Съдържание ЛЕКЦИЯ 7. Класификационни и регресионни
ПодробноMicrosoft Word - Techn zad 2017-M1
ТЕХНИЧЕСКА СПЕЦИФИКАЦИЯ за предоставяне на достъп до специализирана уеб-базирана електронна платформа, позволяваща провеждане на Национално онлайн външно оценяване на дигиталните компетентности на учениците
ПодробноПОКАНА КОНФЕРЕНЦИЯ Предизвикателства и перспективи в развитието на железопътния транспорт в България 12 ноември 2019 година Голяма конферентна зала, 1
ПОКАНА КОНФЕРЕНЦИЯ Предизвикателства и перспективи в развитието на железопътния транспорт в България 12 ноември 2019 година Голяма конферентна зала, 10.00 часа УНСС София Уважаеми колеги, Катедра ИКОНОМИКА
Подробноr_AcademicCurriculum_BG
Утвърден от Академичния съвет на УАСГ Confirmed by Academic Council of UACEG Дата Date Утвърждавам Ректор Confirmed by Rector... / проф. д-р инж. Иван Марков / Prof. Dr. Eng. Ivan Markov ХИДРОТЕХНИЧЕСКИ
ПодробноРЪКОВОДСТВО ЗА РАБОТА С ЛИНЕЕН ТЕГЛОВЕН ДОЗАТОР 2017
РЪКОВОДСТВО ЗА РАБОТА С ЛИНЕЕН ТЕГЛОВЕН ДОЗАТОР 2017 СЪДЪРЖАНИЕ МОНТАЖ... Стр.3 СТАРТИРАНЕ НА ДОЗАТОРА... Стр.4 ГЛАВНО МЕНЮ... Стр.7 НАСТРОЙКА НА РАБОТНА ПРОГРАМА... Стр.10 КАЛИБРИРАНЕ... Стр.16 ПОЧИСТВАНЕ
Подробно<4D F736F F D20C0E2F2EEECE0F2E8E7E8F0E0EDE820F1E8F1F2E5ECE820E7E020EEE1F0E0E1EEF2EAE020EDE020E8EDF4EEF0ECE0F6E8FF20E820F3EFF0E0E2E
ТЕХНИЧЕСКИ УНИВЕРСИТЕТ ГАБРОВО ФАКУЛТЕТ ЕЛЕКТРОТЕХНИКА И ЕЛЕКТРОНИКА Приета с решение на АС Протокол 7/28.03.2017 г. Утвърдил Ректор:. /проф. дтн инж Р. Иларионов/ КВАЛИФИКАЦИОННА ХАРАКТЕРИСТИКА Докторска
Подробно