Научные конференции

Информация о материале

Опубликовано: 29 декабря 2020

Просмотров: 807

Makarov A.E., Varlamov A.A.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Makarov Anatoly Evgenievich - Solutions Architect,

 IBM,

MOSCOW;

Varlamov Aleksandr Aleksandrovich – Senior Solutions Architect,

LI9 INC,

NORTH CAROLINA, Raleigh, UNITED STATES OF AMERICA

Abstract: the features of the analysis methods of big data arrays generated by social networks' cloud services are considered. Classification of typical tasks for this class of hardware and software platforms by the generated data format and the analysis system development goals is proposed. In contrast, the urgency of the task of automatic keyword recognition is indicated. To solve this problem, within the framework of the study, a complex methodology for constructing graph models of deep analysis was proposed, which is based on calculating the term frequency, determining the centrality measure, and the position of the nodes in the network. As a result of this work, a technique for recognizing keywords with several attributes was developed.

Keywords: graph model, deep analysis, social network, multi-attribute keyword extraction, centrality measures.

Макаров А.Е., Варламов А.А.

Макаров Анатолий Евгеньевич - архитектор решений,

IBM,

г. Москва;

Варламов Александр Александрович – главный архитектор решений,

Li9 INC,

Северная Каролина, г. Райли, Соединенные Штаты Америки

Аннотация: рассмотрены особенности анализа больших массивов данных, которые генерируются в рамках работы облачных сервисов, специализирующихся на работе с социальными сетями. Предложена классификация задач, характерных для данного класса аппаратно-программных платформ в соответствии с форматом генерируемых данных, а также целей, которые преследует разработка системы анализа; при этом указана актуальность задачи автоматического распознавания ключевых слов. Для решения данной задачи в рамках исследования была предложена комплексная методология построения графовых моделей глубинного анализа, которая базируется на расчете частоты появления терминов, определении показателя центральности и положения узлов. В результате проведенной работы была разработана методика распознавания ключевых слов с несколькими атрибутами.

Ключевые слова: графовая модель, глубинный анализ, социальная сеть, распознавание ключевых слов с несколькими атрибутами, показатель центральности.

Список литературы / References

• Shabunina E. & Pasi G. (2018). A graph-based approach to ememes identification and tracking in Social Media streams. Knowledge-Based Systems, 139, 108-118. doi:10.1016/j.knosys.2017.10.013.
• Bordoloi M. & Biswas S.K. (2018). Keyword extraction from micro-blogs using collective weight. Social Network Analysis and Mining, 8 (1). doi:10.1007/s13278-018-0536-8
• Weiler A., Grossniklaus M. & Scholl M.H. (2016). Editorial: Survey and Experimental Analysis of Event Detection Techniques for Twitter. The Computer Journal. 60 (3), 329–346 doi:10.1093/comjnl/bxw056.
• Li Y., Li M. & Shen Y. (2016). A Multi-attribute Keyword Retrieval Mechanism for Encrypted Cloud Data. International Journal of Security and Its Applications, 10 (12), 335-346. doi:10.14257/ijsia.2016.10.12.27.
• Bondade A. R., Patil P. & Patle G. (2020). Attribute based Encryption for Improved Multi-Keyword Search in Information Network, 5th International Conference on Communication and Electronics Systems (ICCES). doi:10.1109/icces48766.2020.9138046.
• He X. & Meghanathan N. (2016). Alternatives to Betweenness Centrality: A Measure of Correlation Coefficient. Computer Science & Information Technology (CS & IT). doi:10.5121/csit.2016.61301.
• Nikolaev A.R., Giannini M., Meghanathan R.N. & Leeuwen C.V., Enhanced information processing at revisited fixation locations. doi:10.1101/660308.
• Benyahia O., Largeron C.: Centrality for graphs with numerical attributes. In: 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). Р 1348–1353. IEEE (2015).
• Richiardi J., Achard S., Bullmore E. & Ville D.V. (2011). Classifying Connectivity Graphs Using Graph and Vertex Attributes, 2011 International Workshop on Pattern Recognition in NeuroImaging. doi:10.1109/prni.2011.18.
• Hernández J.M., Van Mieghem P.: Classification of Graph Metrics, 2011. Р 1–20. Delft University of Technology. Mekelweg. The Netherlands.
• Yang Y., Xie G.: Efficient identification of node importance in social networks. Inf. Process. Manage, 2016. 52 (5), 911–922.
• Shi S., Chen K., Wang Y. & Luo R., Node Importance Analysis in Complex Networks Based on Hardware Computing. Journal of Electronics & Information Technology, 33 (10), 2536-2540. doi:10.3724/sp.j.1146.2011. 00363.
• Biswas S.K., Bordoloi M., Shreya J.: A graph based keyword extraction model using collective node weight, 2018. Expert Syst. Appl. 97, 51–59.

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.
Ссылка для цитирования. Макаров А.Е., Варламов А.А. ПОСТРОЕНИЕ ГРАФОВЫХ МОДЕЛЕЙ ГЛУБИННОГО АНАЛИЗА ДАННЫХ ОБЛАЧНЫХ СЕРВИСОВ, СПЕЦИАЛИЗИРУЮЩИХСЯ НА РАБОТЕ С СОЦИАЛЬНЫМИ СЕТЯМИ [BUILDING GRAPH MODELS OF DEPTH ANALYSIS OF DATA OF CLOUD SERVICES SPECIALIZED IN WORKING WITH SOCIAL NETWORKS] // LXXVI International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства:https://scientific-conference.com/grafik/grafik-2020-pervoe-polugodie.html  ( Boston. USA. - 23 December, 2020). с. {см. сборник}

Информация о материале

Опубликовано: 25 декабря 2020

Просмотров: 1014

Kamalov N.Z., Kamalov Sh.Z., Muratov Kh.M., Khoshimov F.A., Bakhadirov I.I., Kamalov J.N., Kamalov S.N.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Kamalov Nazhmiddin Ziyavuddinovich - Doctor of Technical Sciences, Professor, Head of Laboratory,

LABORATORY "ENERGY SAVING AND ENERGY EFFICIENCY",

JOINT STOCK COMPANY "SCIENTIFIC CENTER OF COTTON INDUSTRY";

Kamalov Shakhobiddin Ziyavuddinovich - Candidate of Technical Sciences, Chief Scientific Associate.

JOINT STOCK COMPANY «SCIENTIFIC CENTER OF COTTON INDUSTRY»,

Muratov Khakimjon Makhmudovich - Doctor of Technical Sciences, Professor, Director;

Khoshimov Foziljon Abidovich - Doctor of Technical Sciences, Professor, Head of Laboratory,

LABORATORY "ENERGY SAVING AND ENERGY EFFICIENCY",

 SCIENTIFIC-TECHNICAL CENTER OF JOINT-STOCK COMPANY "UZBEKENERGO";

Bahadirov Ilyos Ismailovich - Senior Teacher,

 DEPARTMENT ELECTRIC POWER SUPPLY,

TASHKENT STATE TECHNICAL UNIVERSITY;

Kamalov Jamoliddin Najmiddinovich - junior research Worker;

Kamalov Salohiddin Najmiddinovich - junior research Worker,

JOINT-STOCK COMPANY "SCIENTIFIC CENTER OF COTTON INDUSTRY»,

TASHKENT, REPUBLIC OF UZBEKISTAN

Abstract: the article presents the results of development of multilevel automated control system by the example of technological processes of primary raw cotton processing. The structure of the automated system is offered; its hardware and software were developed on the basis of microprocessor distributed system and control means manufactured by Honeywell (USA). The automated system has been implemented at the Uzbekistan cotton plant of Tashkent region. Besides, the main directions of solving problems at development of multilevel automated control system, in particular technological processes of primary raw cotton processing have been provided.

Keywords: insulation, humidity, electrostatics, potential, voltage.

Камалов Н.З., Камалов Ш.З., Муратов Х.М., Хошимов Ф.А., Бахадиров И.И., Камалов Ж.Н., Камалов С.Н.

Камалов Нажмиддин Зиявуддинович - доктор технических наук, профессор, заведующий лабораторией,

лаборатория «Энергосбережение и энергоэффективность»,

Открытое акционерное общество «Научный центр хлопковой промышленности»;

Камалов Шахобиддин Зиявуддинович - кандидат технических наук, старший научный сотрудник,

Открытое акционерное общество «Научный центр хлопковой промышленности»;

Муратов Хакимжон Махмудович - доктор технических наук, профессор, директор;

Хошимов Фозилджон Абидович - доктор технических наук, профессор, заведующий лабораторией,

лаборатория «Энергосбережение и энергоэффективность»,

Научно-технический центр Акционерное общество «Узбекэнерго»;

Бахадиров Илёс Исмаилович - старший преподаватель,

кафедра электроснабжения,

Ташкентский государственный технический университет;

Камалов Жамолиддин Нажмиддинович – младший научный сотрудник;

Камалов Салохиддин Нажмиддинович - младший научный сотрудник, Открытое акционерное общество «Научный центр хлопковой промышленности»,

г. Ташкент, Республика Узбекистан

Аннотация: в статье приведены результаты разработки многоуровневой автоматизированной системы управления на примере технологических процессов первичной переработки хлопка-сырца. Предложена структура автоматизированной системы, технические и программные средства которой разработаны на базе средств микропроцессорной распределенной системы и средств управления производства фирмы Honeywell (США). Автоматизированная система реализована на узбекском хлопкозаводе Ташкентской области. Кроме этого приведены основные направления решения задач при разработке многоуровневой автоматизированной системы управления, в частности технологических процессов первичной переработки хлопка-сырца.

Ключевые слова: изоляция, влажность, электростатика, потенциал, напряжение.

Список литературы / References

• Камалов Н.З., Камалов Ш.З., Азимов Б.М., Камалов Ю.Н., Шаджалилов З.Р. Синтез системы автоматической оптимизации технологических процессов семенного хлопка. Сборник результатов научно-технических достижений в хлопковой отрасли Республики Узбекистан (УЗПСИМ-90) [текст]: Сборник статей международной научно-технической конференции 23-27 октября 2017 года. Т.: "Ильмий тексника аксбороти-пресс нашрийоти". Стр. 153-156.
• Камалов Н.З., Камалов Ш.З., Каримов Д.Р., Тенчурин М.Ш. Система автоматической защиты от воспламенения хлопчатобумажных материалов и пожаров в пневмопроводе. Сборник результатов научно-технических достижений в хлопковой отрасли Республики Узбекистан (УЗПСИМ-90) [текст]: Сборник статей международной научно-технической конференции 23-27 октября 2017 года. Т.: "Ильмий тексника аксбороти-пресс нашрийоти". С. 135-138.
• Камалов Н.З., Камалов Ш.З., Камалов Х.Н. "Проблемы автоматизации технологического процесса пиления семян хлопчатника" Материалы Международного НПК "Инновация-2015".Ташкент. ТГТУ, 23-24 октября 2015 г.

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.
Ссылка для цитирования. Камалов Н.З., Камалов Ш.З., Муратов Х.М., Хошимов Ф.А., Бахадиров И.И., Камалов Ж.Н., Камалов С.Н. МНОГОУРОВНЕВАЯ АВТОМАТИЗИРОВАННАЯ СИСТЕМА УПРАВЛЕНИЯ КЛАССОМ РАЗДЕЛИТЕЛЬНЫХ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ [MULTILEVEL AUTOMATED CONTROL SYSTEM FOR A CLASS OF SEPARATING TECHNOLOGICAL PROCESSES] // XIX INTERNATIONAL SCIENTIFIC REVIEW OF THE TECHNICAL SCIENCES, MATHEMATICS AND COMPUTER SCIENCE Свободное цитирование при указании авторства: https://scientific-conference.com/grafik/2019-vtoroe-polugodie.html ( Boston. USA. - 30 December, 2020). с. {см. сборник}

Информация о материале

Опубликовано: 22 декабря 2020

Просмотров: 787

Abdurakhmonova P.E., Shamsieva М.B.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Abdurakhmonova Pokiza Elmurodovna – Methodist,

DEPARTMENT OF YOUTH AFFAIRS, SPIRITUALLY AND EDUCATION;

Shamsieva Mahbuba Badrievna – PhD in Technics, Associate Professor,

CONSTRUCTION AND TECHNOLOGY OF LEATHER GOODS DEPARTMENT,

TASHKENT INSTITUTE OF TEXTILE AND LIGHT INDUSTRY,

TASHKENT, REPUBLIC OF UZBEKISTAN

Abstract: in this work, the main operational properties of astrakhan fur is studied, including chemical and physic-mechanical analysis of experimental variants, fattened on the basis of ether. It was found that the investigated purebred karakul specimens comply with state standards for chemical and physic-mechanical properties. It is noted that the use of etherification to expand the range of fatliquoring materials, has a positive effect on the properties of astrakhan fur and helps to reduce the cost of the finished product.

Keywords: karakul, etherification, natural fur, physic-mechanical property, sort.

Абдурахмонова П.Э., Шамсиева М.Б.

Абдурахмонова Покиза Элмуродовна – методист,

 отдел по делам молодежи, духовности и просвещения;

Шамсиева Махбуба Бадриевна – кандидат технических наук, доцент,

кафедра конструирования и технологии изделий из кожи,

Ташкентский институт текстильной и лёгкой промышленности,

г. Ташкент, Республика Узбекистан

Аннотация: в данной работе изучены основные эксплуатационные свойства чистопородного каракуля, в том числе проведены химический и физико-механический анализ опытных вариантов, жированных на основе этерификата. Установлено, что исследуемые чистопородные образцы каракуля соответствуют государственным стандартам по химическим и физико-механическим свойствам. Отмечено, что применение этерификата расширяет ассортимент жирующих материалов, положительно влияет на свойства каракулевого меха и способствует уменшению себестоимости готового продукта.

Ключевые слова: каракуль, этерификат,натуральный мех, физико–химическые свойства, сорт.

Список литературы / References

• Абдурахмонова П.Э. и др. Переработка жиросодержащих отходов на жиреющих вещества при производстве кожи хромового дубления. Инновационные идеи и разработки талантливой молодежи в контексте модернизации оборудования и технологий: науч.-практ. конф. Ташкент, 5-6 мая 2016. Изд-во ТИТЛП, 2016. С. 143-145 [на английском].
• Патент RU Номер патента: 2401865 Способ жирования кож. Гайслер Хельмут (DE), Маркуссон Андерс (SE), Андреассен Йозефине (SE), Картхойзер Йоахим (SE) (RU 20.10.2010).

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.
Ссылка для цитирования. Абдурахмонова П.Э., Шамсиева М.Б. ИССЛЕДОВАНИЕ ОСНОВНЫХ ФИЗИКО-ХИМИЧЕСКИХ СВОЙСТВ КАРАКУЛЯ [RESEARCH OF THE MAIN PHYSICAL AND CHEMICAL PROPERTIES OF KARAKUL] // LXXVI International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства:https://scientific-conference.com/grafik/grafik-2020-pervoe-polugodie.html  ( Boston. USA. - 23 December, 2020). с. {см. сборник}

Информация о материале

Опубликовано: 24 ноября 2020

Просмотров: 817

Shatokhin A.V.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Shatokhin Arseny Valerievich – Вachelor of Science,

DEPARTMENT OF INFORMATION ANALYTICS AND POLITICAL TECHNOLOGIES,

BAUMAN MOSCOW STATE TECHNICAL UNIVERSITY, MOSCOW

Abstract: this paper introduces a new resource-saving solution to the problem of retrieving part of an image. Most image-retrieval functions require the ability to extract structured features to understand the context of an unfamiliar environment and realistic image restoration. The proposed model is based on the conceptual art of convolutional architecture and reproductive opposition models. This method allows you to achieve high quality retrieval of a person's face image, while requiring a minimum amount of resources. The generator design of the generator makes it easier to make better use of the resources used by extracting features from the image tower - the more complex earth features are extracted with less modification, which can significantly reduce the resources used. This paper provides a comparative evaluation of the method used, and the competition, which ensures that by presenting cascade generator design ideas, high quality can be obtained without the use of any back-end processing at minimal source costs. This paper also presents an analysis of the key components of the new approach, showing their importance for the proposed approach.

Keywords: deep learning, partial image restoration, cascade neural networks, generative adversarial networks.

Шатохин А.В.

Шатохин Арсений Валерьевич – бакалавр наук,

кафедра информационной аналитики и политических технологий,

Московский государственный технический университет им. Н.Э. Баумана, г. Москва

Аннотация: эта статья представляет новое ресурсосберегающее решение проблемы восстановления части изображения. Большинство функций поиска изображений требуют способности извлекать структурированные признаки для понимания контекста незнакомой среды и восстановления реалистичного изображения. Предлагаемая модель основана на концептуальном искусстве сверточной архитектуры и моделей репродуктивной оппозиции. Этот метод позволяет добиться высокого качества поиска изображения лица человека, требуя при этом минимального количества ресурсов. Конструкция генератора упрощает более эффективное использование ресурсов, извлекаемых из башни изображений - более сложные объекты земли извлекаются с меньшими изменениями, что может значительно сократить используемые ресурсы. В этой статье дается сравнительная оценка используемого метода и конкурентов, что гарантирует, что путем представления идей проектирования каскадных генераторов можно получить высокое качество без использования какой-либо внутренней обработки при минимальных затратах на источник. В этом документе также представлен анализ ключевых компонентов нового подхода, показывающий их важность для предлагаемого подхода.

Ключевые слова: глубокое обучение, частичное восстановление изображений, каскадные нейронные сети, генеративные состязательные сети.

References / Список литературы

• Goodfellow Ian J., Pouget-Abadie Jean, Mirza Mehdi, Xu Bing, Warde-Farley David, Ozair Sherjil, Courville Aaron C. and Bengio Yoshua. Generative adversarial nets. NIPS,
• Zhao Н., Qi X., Shen X., Shi J. Icnet for real-time semantic segmentation on high-resolution images, arXiv:1704.08545, 2017.
• Tero Karras, Timo Aila, Samuli Laine and Jaakko Lehtinen, 2017. Progressive growing of gans for improved quality, stability, and variation. arXiv:1710.10196, 2017.
• Barnes С., Shechtman Е., Finkelstein А. and Goldman D. Patchmatch: A randomized correspondence algorithm for structural image editing. ACM Transactions on Graphics, 2009.
• Fedorov Vadim, Facciolo Gabriele and Arias Pablo. “Variational framework for non-local inpainting”, Image Processing Online. Vol. 5. Pp. 362–386, 2015.
• He К. and Sun J. Statistics of patch offsets for image completion. In ECCV. Рages 16–29. Springer, 2012.
• Pathak D., Krahenbuhl Р., Donahue J., Darrell Т. and Efros A.A. Context encoders: Feature learning by inpainting. In CVPR, pages 2536–2544, 2016.
• Yu J., Lin Z., Yang J., Shen Х., Lu Х. and Huang T.S. Generative image inpainting with contextual attention. arXiv preprint arXiv:1801.07892, 2018.
• Yi Wang, Xin Tao, Xiaojuan Qi, Xiaoyong Shen, and Jiaya Jia. Image inpainting via generative multi-column convolutional neural networks. In NeurIPS, 2018.
• Karras Tero, Aila Timo, Laine Samuli and Lehtinen Jaakko, 2017. Progressive growing of gans for improved quality, stability, and variation. arXiv preprint arXiv:1710.10196.
• Howard Andrew G., Menglong Zhu, Bo Chen, Kalenichenko Dmitry, Weijun Wang, Weyand Tobias, Andreetto Marco and Hartwig Adam. Mobilenets: Efficient convolutional neural networks for mobile vision applications. CoRR, abs/1704.04861, 2017. 2, 4, 5, 6.
• He К., Zhang Х., Ren S. and Sun J. Deep residual learning for image recognition. In CVPR, 1, 2, 3, 4, 5, 6.
• Yu F. and Koltun V. Multi-scale context aggregation by dilated convolutions. In ICLR, 2016.
• Johnson J., Alahi А. and Fei-Fei L. Perceptual losses for real-time style transfer and super- resolution. 2016
• Simonyan Karen and Zisserman Andrew, Very deep convolutional networks for large- scale image recognition. arXiv preprint arXiv:1409.1556, 2014.
• Krizhevsky Alex, Sutskever Ilya and Hinton Geoffrey E., ImageNet Classification with Deep Convolutional Neural Networks. In Neural Information Processing Systems (NIPS). 1106–1114.
• Takeru Miyato, Toshiki Kataoka, Masanori Koyama and Yuichi Yoshida. Spectral normalization for generative adversarial networks. In ICLR, 2018.
• Ting-Chun Wang, Ming-Yu Liu, Jun-Yan Zhu, Tao Andrew, Kautz Jan and Catanzaro Bryan. High-resolution image synthesis and semantic manipulation with conditional CoRR, abs/1711.11585, 2017.
• Kingma D.P. and Ba J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
• Ulyanov D., Vedaldi А. and Lempitsky V. Instance normalization: The missing ingredient for fast stylization. arXiv preprint arXiv:1607.08022, 2016.

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.
Ссылка для цитирования. Шатохин А.В. КАСКАДНЫЕ НЕЙРОННЫЕ СЕТИ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ [CASCADED NEURAL NETWORKS FOR IMAGE INPAINTING] // LXXV International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства:https://scientific-conference.com/grafik/grafik-2020-pervoe-polugodie.html  ( Boston. USA. - 23 November, 2020). с. {см. сборник}