Standard

РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN. / Мурадян, Денис; Алимов, Павел Геннадьевич.

в: Процессы управления и устойчивость, Том 12, № 1, 1, 01.07.2025, стр. 360-365.

Результаты исследований: Научные публикации в периодических изданиях › статья в журнале по материалам конференции › Рецензирование

Harvard

Мурадян, Д & Алимов, ПГ 2025, 'РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN', Процессы управления и устойчивость, Том. 12, № 1, 1, стр. 360-365.

APA

Мурадян, Д., & Алимов, П. Г. (2025). РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN. Процессы управления и устойчивость, 12(1), 360-365. [1].

Vancouver

Мурадян Д, Алимов ПГ. РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN. Процессы управления и устойчивость. 2025 Июль 1;12(1):360-365. 1.

Author

Мурадян, Денис ; Алимов, Павел Геннадьевич. / РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN. в: Процессы управления и устойчивость. 2025 ; Том 12, № 1. стр. 360-365.

BibTeX

@article{8fab0bdfd79d468a9efd15d36215106a,
title = "РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN",
abstract = "Статья посвящена разработке и интеграции архитектуры Gated Recurrent Unit (GRU) в пакет нейросетевой аппроксимации дифференциальных уравнений DEGANN. В работе описаны особенности реализации GRU-модели, её интеграция с существующей инфраструктурой DEGANN, а также проведено экспериментальное сравнение эффективности архитектур GRU и многослойного перцептрона (MLP), в рамках данного пакета. Экспериментальные результаты демонстрируют, что GRU обеспечивает более высокое качество аппроксимации сложных нелинейных зависимостей за счет лучшей обработки последовательных зависимостей, что подтверждается более быстрой сходимостью и высокой точностью предсказаний. Проведенный эксперимент указывает на перспективность использования рекуррентных нейронных сетей для решения задач дифференциальных уравнений в рамках пакета DEGANN.",
keywords = "НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, ГЛУБОКОЕ ОБУЧЕНИЕ, аппроксимация, дифференциальные и интегральные уравнения, нейронные сети, рекуррентные нейронные сети",
author = "Денис Мурадян and Алимов, {Павел Геннадьевич}",
year = "2025",
month = jul,
day = "1",
language = "русский",
volume = "12",
pages = "360--365",
journal = "Процессы управления и устойчивость",
issn = "2313-7304",
publisher = "Смирнов Николай Васильевич",
number = "1",
note = "LVI Международная научная конференция аспирантов и студентов «Процессы управления и устойчивость» , CPS'25 ; Conference date: 07-04-2025 Through 11-04-2025",
url = "http://cpsconf.ru/about/, https://cloud.mail.ru/public/Pey6/QTdNJq4cs",

}

RIS

TY - JOUR

T1 - РЕАЛИЗАЦИЯ И ВНЕДРЕНИЕ АРХИТЕКТУРЫ GATED RECURRENT UNIT В ПАКЕТ НЕЙРОСЕТЕВОЙ АППРОКСИМАЦИИ ДИФФЕРЕНЦИАЛЬНЫХ УРАВНЕНИЙ DEGANN

AU - Мурадян, Денис

AU - Алимов, Павел Геннадьевич

N1 - Conference code: LVI

PY - 2025/7/1

Y1 - 2025/7/1

N2 - Статья посвящена разработке и интеграции архитектуры Gated Recurrent Unit (GRU) в пакет нейросетевой аппроксимации дифференциальных уравнений DEGANN. В работе описаны особенности реализации GRU-модели, её интеграция с существующей инфраструктурой DEGANN, а также проведено экспериментальное сравнение эффективности архитектур GRU и многослойного перцептрона (MLP), в рамках данного пакета. Экспериментальные результаты демонстрируют, что GRU обеспечивает более высокое качество аппроксимации сложных нелинейных зависимостей за счет лучшей обработки последовательных зависимостей, что подтверждается более быстрой сходимостью и высокой точностью предсказаний. Проведенный эксперимент указывает на перспективность использования рекуррентных нейронных сетей для решения задач дифференциальных уравнений в рамках пакета DEGANN.

AB - Статья посвящена разработке и интеграции архитектуры Gated Recurrent Unit (GRU) в пакет нейросетевой аппроксимации дифференциальных уравнений DEGANN. В работе описаны особенности реализации GRU-модели, её интеграция с существующей инфраструктурой DEGANN, а также проведено экспериментальное сравнение эффективности архитектур GRU и многослойного перцептрона (MLP), в рамках данного пакета. Экспериментальные результаты демонстрируют, что GRU обеспечивает более высокое качество аппроксимации сложных нелинейных зависимостей за счет лучшей обработки последовательных зависимостей, что подтверждается более быстрой сходимостью и высокой точностью предсказаний. Проведенный эксперимент указывает на перспективность использования рекуррентных нейронных сетей для решения задач дифференциальных уравнений в рамках пакета DEGANN.

KW - НЕЙРОСЕТЕВАЯ АППРОКСИМАЦИЯ

KW - ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ

KW - ГЛУБОКОЕ ОБУЧЕНИЕ

KW - аппроксимация

KW - дифференциальные и интегральные уравнения

KW - нейронные сети

KW - рекуррентные нейронные сети

UR - https://dspace.spbu.ru/items/7cd995c8-70d3-4374-9ab5-be62803c3f7a

UR - https://elibrary.ru/item.asp?id=82486855

M3 - статья в журнале по материалам конференции

VL - 12

SP - 360

EP - 365

JO - Процессы управления и устойчивость

JF - Процессы управления и устойчивость

SN - 2313-7304

IS - 1

M1 - 1

T2 - LVI Международная научная конференция аспирантов и студентов «Процессы управления и устойчивость»

Y2 - 7 April 2025 through 11 April 2025

ER -

ID: 137823497