Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму

Досліджено загальні закономірності побудови регресійної моделі зсувного процесу, що містить авторегресійну складову, на прикладі Південного берега Криму. Доданий керуючий чинник – завчасне вкладення коштів у протизсувні заходи, побудовано мережу довіри Байєса для прогнозу загальної вартості відно...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Datum:2008
1. Verfasser: Таран, В.М.
Format: Artikel
Sprache:Ukrainian
Veröffentlicht: Інститут проблем штучного інтелекту МОН України та НАН України 2008
Schlagworte:
Online Zugang:https://nasplib.isofts.kiev.ua/handle/123456789/7143
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму / В.М. Таран // Штучний інтелект. — 2008. — № 3. — С. 600-609. — Бібліогр.: 8 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine
id nasplib_isofts_kiev_ua-123456789-7143
record_format dspace
spelling Таран, В.М.
2010-03-24T18:01:44Z
2010-03-24T18:01:44Z
2008
Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму / В.М. Таран // Штучний інтелект. — 2008. — № 3. — С. 600-609. — Бібліогр.: 8 назв. — укр.
1561-5359
https://nasplib.isofts.kiev.ua/handle/123456789/7143
519.876:55.435.62(477.75)
Досліджено загальні закономірності побудови регресійної моделі зсувного процесу, що містить авторегресійну складову, на прикладі Південного берега Криму. Доданий керуючий чинник – завчасне вкладення коштів у протизсувні заходи, побудовано мережу довіри Байєса для прогнозу загальної вартості відновлювальних робіт і таких, що укріплюють схили, а також проведено її навчання.
Исследованы общие закономерности построения регрессионной модели оползневых процессов, содержащей авторегрессионную составляющую, на примере Южного берега Крыма. Добавлен управляющий фактор – заблаговременное вложение средств в противооползневые мероприятия, построена сеть доверия Байеса для прогноза общей стоимости восстановительных и укрепляющих склоны работ, а также проведено ее обучение.
General conformities to the law of construction of regressive model of landslide processes, containing a auto regressive constituent are investigational, on the example of the Southern coast of Crimea. A managing factor is added is the done early investment of facilities in anti landslide measures, the network of trust of Bayes is built for the prognosis of total worth of restoration and strengthening slopes works, and also its teaching is conducted.
uk
Інститут проблем штучного інтелекту МОН України та НАН України
Нейросетевые и нечеткие системы
Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
Обучение сети Байеса при моделировании оползневых процессов Южного берега Крыма
Teaching of Bayesian network at the modeling of landslide’s processes of the Southern coast of Crimea
Article
published earlier
institution Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection DSpace DC
title Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
spellingShingle Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
Таран, В.М.
Нейросетевые и нечеткие системы
title_short Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
title_full Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
title_fullStr Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
title_full_unstemmed Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму
title_sort навчання мережі байєса при моделюванні зсувних процесів південного берега криму
author Таран, В.М.
author_facet Таран, В.М.
topic Нейросетевые и нечеткие системы
topic_facet Нейросетевые и нечеткие системы
publishDate 2008
language Ukrainian
publisher Інститут проблем штучного інтелекту МОН України та НАН України
format Article
title_alt Обучение сети Байеса при моделировании оползневых процессов Южного берега Крыма
Teaching of Bayesian network at the modeling of landslide’s processes of the Southern coast of Crimea
description Досліджено загальні закономірності побудови регресійної моделі зсувного процесу, що містить авторегресійну складову, на прикладі Південного берега Криму. Доданий керуючий чинник – завчасне вкладення коштів у протизсувні заходи, побудовано мережу довіри Байєса для прогнозу загальної вартості відновлювальних робіт і таких, що укріплюють схили, а також проведено її навчання. Исследованы общие закономерности построения регрессионной модели оползневых процессов, содержащей авторегрессионную составляющую, на примере Южного берега Крыма. Добавлен управляющий фактор – заблаговременное вложение средств в противооползневые мероприятия, построена сеть доверия Байеса для прогноза общей стоимости восстановительных и укрепляющих склоны работ, а также проведено ее обучение. General conformities to the law of construction of regressive model of landslide processes, containing a auto regressive constituent are investigational, on the example of the Southern coast of Crimea. A managing factor is added is the done early investment of facilities in anti landslide measures, the network of trust of Bayes is built for the prognosis of total worth of restoration and strengthening slopes works, and also its teaching is conducted.
issn 1561-5359
url https://nasplib.isofts.kiev.ua/handle/123456789/7143
citation_txt Навчання мережі Байєса при моделюванні зсувних процесів Південного берега Криму / В.М. Таран // Штучний інтелект. — 2008. — № 3. — С. 600-609. — Бібліогр.: 8 назв. — укр.
work_keys_str_mv AT taranvm navčannâmerežíbaiêsaprimodelûvannízsuvnihprocesívpívdennogoberegakrimu
AT taranvm obučeniesetibaiesaprimodelirovaniiopolznevyhprocessovûžnogoberegakryma
AT taranvm teachingofbayesiannetworkatthemodelingoflandslidesprocessesofthesoutherncoastofcrimea
first_indexed 2025-11-28T23:34:13Z
last_indexed 2025-11-28T23:34:13Z
_version_ 1850854256616144896