СОДЕРЖАНИЕ
- Бредихин С. В., Щербакова Н. Г. Структурные свойства мультиплексной сети авторов научного журнала
- Дель И. В., Старченко А. В. Краткосрочный прогноз скорости ветра на основе искусственных нейронных сетей с применением метода декомпозиции на вариационные моды
- Ивлев А.Д., Линев А. В. Реализация алгоритмов подготовки начального состояния системы кубитов с учетом ограничений современных квантовых компьютеров
- Леонова Ю. Ф. Оптимизация программного кода на примере алгоритма для решения задачи коммивояжера
- Турсунов Ш. А., Рашидов А. Э. Анализ алгоритмов кодирования категориальных данных
С. В. Бредихин, Н. Г. Щербакова
Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
СТРУКТУРНЫЕ СВОЙСТВА МУЛЬТИПЛЕКСНОЙ СЕТИ АВТОРОВ НАУЧНОГО ЖУРНАЛА
УДК 519.177
DOI: 10.24412/2073-0667-2025-2-5-18
EDX: YYQLGV
Ряд социальных комплексных систем допускает формальное представление в виде мультиплексной сети, в которой множество однородных факторов объединены внутренними и межслойными отношениями. Каждый слой представляет свой тип бинарных отношений. В статье представлен метод моделирования реальной двухслойной взвешенной сети авторов научного журнала. Приведены формальные определения основных параметров, характеризующих топологию мультиплексной сети. Выполнен вычислительный эксперимент, иллюстрирующий метод моделирования сети авторов научного журнала, измерены значения параметров, определяющих ее структуру.
Ключевые слова: комплексные системы, анализ данных, библиометрия, научное соавторство, цитирование, мультиплексные сети, центральность акторов, кластеризация.
Список литературы
1. NICOSIA V., LATORA V. Measuring and modeling correlations in multiplex networks // Physical Review E. 2015. Vol. 92, 032805. DOI: 10.1103/PhysRevE.92.032805.
2. MENICHETTI G., REMONDINI D., PANZARASA P., MONDRAGON R. J., BIANCONI. Weighted multiplex networks // PLoS ONE. 2014. Vol. 9, iss. 6. e97857. DOI: 101371/journal pone 0097857.
3. TUNINETTI M., ALETA A., PAOLOTTI D., MORENO Y., STARNINI M. Prediction of scientific collaborations through multiplex interaction networks // Phys. Rev. Research. 2020. Vol. 2, 042029. DOI: 10.1103/PhysRevResearch.2.042029.
4. DlCKISON M. E., MAGNANI M., ROSSI L. Multilayer social networks. Cambridge: Cambridge Univ. Press, 2016. ISBN 9781139941907. DOI: 10.1017/CBO9781139941907.
5. LUSSEAU D., BARRETT L., HENZI S. P. Formalizing the multidimensional nature of social networks // Philos. Trans, of the Royal Soc. of London B. 2012. Vol. 367, iss. 1599. P. 2108-2118. DOI: 10.1098/rstb.2012.0113.
6. BATTISTON F., NICOSIA V., LATORA V. Structural measures for multiplex networks // Phys. Rev. 2014. E 89, 032804. DOI: 10.1103/PhysRevE.89.032804.
7. BlANCONI G. Multilayer network. Structure and function. Oxford: Oxford Univ. Press, 2018. ISBN: 9780191815676.
8. БРЕДИХИН С. В., ЩЕРБАКОВА H. Г. Взвешенная мультиплексная сеть авторов научного журнала // Проблемы информатики. 2025. № 1. С. 45-49. DOI: 10.24412/2073-0667-2025-1-45-59.
9. BOCCALETTI S., BIANCONI G., CRIADO R., DEL GENIO С. I., GOMEZ-GARDENES J., ROMANCE M., SENDINA-NADAL I., WANG Z., ZANIN M. The structure and dynamics of multilayer networks // Phys. Rep. 2014. V.544, iss, 1. P. 1-122. DOI: 10.1016/j.physrep.2014.07.001.
10. GOMEZ S., DIAZ-GUILERA A., GOMEZ-GARDENES J., PEREZ-VICENTE C. J., MORENO Y., ARENAS A. Diffusion dynamics on multiplex networks // Phys. Rev. Lett. 2013. Vol. 110, 028701. DOL 10.1103/ PhysRevLett. 110.028701.
11. БРЕДИХИН С. В., ЛЯПУНОВ В. M., ЩЕРБАКОВА H. Г. Библиометрические сети научных статей и журналов. Новосибирск: ИВМиМГ СО РАН, 2021. ISBN 978-5-901548-44-8.
12. BERLINGERIO М., COSCIA М., GIANNOTTI F., MONREALE A., PEDRESCHI D. Foundations of multidimensional network analysis // Intern. Conf, on Adv. in Soc. Networks Analysis and Mining. 2011. Р. 485-489. DOL 10.1109/ASONAM.2011.103.
13. BRODKA P., SKIBICKI K., KAZIENKO P., MUSIAL K. A degree centrality in multi-layered social network // 2011 Intern. Conf, on Comput. Aspects of Soc. Networks (CASoN). 2011. P. 237-242. DOL 10.1109/CASON.2011.6085951.
14. BONACICH P. Power and centrality: A family of measures // Amer. J. Sociol. 1987. Vol. 92, iss. 5. P. 1170-1182. DOL 10.4236/ajcc.2016.51001.
15. SOLA L., ROMANCE M., CRIADO R., FLORES J., DEL AMO A. G., BOCCALETTI S. Eigenvector centrality of nodes in multiplex networks // Chaos. 2013. Vol. 2, iss. 3, 033131. DOL 10.1063/1.4818544.
16. DE DOMENICO M., SOLE-RIBALTA A., OMODEI E., GOMEZ S., ARENAS A. Centrality in interconnected multilayer networks // Nature Commun. 2015. Vol. 6. 6868. DOL 10.1038/incomms7868.
17. WATTS D. J., STROGATZ S. H. Collective dynamics of’small-world’ networks // Nature. 1998. Vol. 393. P. 440-442. DOL 10.1038/30918.
18. LATORA V., MARCHIORI M. Economic small-world behavior in weighted networks // Eur. Phys. J. 2003. B. 52. P. 249-263. DOL 10.1140/epjb/e2003-00095-5.
19. CRIADO R., FLORES J., GARCIA DEL AMO A., GOMEZ-GARDENES J., ROMANCE M. A mathematical model for networks with structures in the mesoscale // Intern. J. of Comput. Math. 2012. Vol. 89, iss. 3. P. 291-309. DOL 10.1080/00207160.2011.577212.
20. BOLLOBAS B., RIORDAN О. M. Mathematical results on scale-free random graphs. Handbook of graphs and networks: From genome to Internet. Weinheim (FRG): Wiley-VCH Verlag GmbH & Co. KGaA, 2002. P. 1-34. ISBN: 9783527403363.
21. Cozzo Е., KIVELA М., DE DOMENICO М., SOLE A., ARENAS A. GOMEZ S., PORTER M. A., MORENO Y. Structure of triadic relations in multiplex networks // New J. of Phys. 2015. Vol. 17, No 7, 073029. DOI: 10.1088/1367-2630/17/7/07/3029.
22. BRODKA P., MESIAL K., KAZIENKO P. A method for group extraction in complex social networks // Commun. in Comput. and Inform. Sci. Springer Berlin Heidelberg. 2010. Vol. 111. P. 238-247. DOI: 10.1007/978-3-642-16318-0_27.
23. BRODKA P., KAZIENKO P., MUSIAL K., SKIBICKI K. Analysis of neighbourhoods in multi¬layered dynamic social networks // International J. of Computational Intelligence Systems. 2012. Vol. 5, iss. 3. P. 582-596. DOI: 1.1080/18756891.2012.696922.
Библиографическая ссылка: Бредихин С. В., Щербакова Н. Г. Структурные свойства мультиплексной сети авторов научного журнала //"Проблемы информатики", 2025, № 2, с.5-18 DOI: 10.24412/2073-0667-2025-2-5-18. – EDN: YYQLGV
И. В. Дель*. А. В. Старченко**
Томский государственный университет,634050, Томск, Россия
Институт оптики атмосферы СО РАН, 634055, Томск, Россия
КРАТКОСРОЧНЫЙ ПРОГНОЗ СКОРОСТИ ВЕТРА НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С
ПРИМЕНЕНИЕМ МЕТОДА ДЕКОМПОЗИЦИИ НА ВАРИАЦИОННЫЕ МОДЫ
УДК 519.6, 004.032.26
DOI: 10.24412/2073-0667-2025-2-19-32
EDX: VKPBAD
Прогнозирование скорости ветра с использованием нейронных сетей становится все более ак-туальным в условиях изменения климата и увеличения частоты экстремальных погодных яв-лений. Кроме того, краткосрочный прогноз локальной скорости ветра чрезвычайно важен для обеспечения безопасной и эффективной работы ветровых электрических станций и аэропортов. Современные методы машинного обучения, включая нейронные сети, способны обрабатывать большие объемы данных и выявлять сложные зависимости, что позволяет значительно повысить точность прогнозов. «Шум» во входных данных, обусловленный различными внешними факторами, часто снижает точность построенных по ним прогнозов, и, как следствие, влияет на производительность и качество математической модели.
Для повышения точности и заблаговременности краткосрочного прогнозирования скорости ветра по измеренным значениям метеорологических параметров за предыдущие часы предложен гибридный метод, который использует искусственные нейронные сети (ИНС) в сочетании с фильтрацией входного сигнала методом декомпозиции на вариационные моды (Variational Mode Decomposition — VMD). Применение разработанного гибридного метода краткосрочного прогноза позволило достичь значительного увеличения точности прогнозирования. В частности, средняя абсолютная ошибка (Mean Absolute Error, МАЕ) и средняя абсолютная процентная ошибка (Mean Absolute Percentage Error, MAPE) снизились не менее чем на 90 % (до 0.013-0.101 м/с и 0.9 %-6.1 %, соответственно) при рассмотренных вариантах заблаговременности. Полученные значения метрик МАЕ и МАРЕ подтверждают высокую точность разработанного метода, поскольку МАРЕ менее 10 % можно классифицировать как превосходное прогнозирование. Оценивая полученные результаты, можно сделать вывод о целесообразности дальнейшей работы по использованию предложенного гибридного метода для повышения качества краткосрочного прогнозирования скорости ветра и других метеопараметров, получаемых в результате наблюдений.
Ключевые слова: искусственные нейронные сети, временные ряды, вариационная модовая декомпозиция, краткосрочный локальный прогноз скорости ветра.
Список литературы
1. Huang N. Е., Shen Z., Long S. R., et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis // Proceedings of the Royal Society of London A. 1998. V. 454. P. 903-995.
2. Torres, M. E., Colominas M. A., Schlotthauer G., Flandrin P. A complete ensemble empirical mode decomposition with adaptive noise // 2011 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2011. P. 4144-4147.
3. Gilles J. Empirical Wavelet Transform // IEEE Transactions on Signal Processing. 2013. V. 61(16). P. 3999-4010.
4. Singh P., Joshi S.D., Patney R. K., Saha K. The Fourier decomposition method for nonlinear and non-stationary time series analysis // Proc. R. Soc. A. 47320160871. 2017. V. 473.
5. Zhou W., Feng Z., Xu Y. F., Wang X., Lv H. Empirical Fourier decomposition: an accurate signal decomposition method for nonlinear and non-stationary time series analysis // Meeh. Syst. Signal Process. 2022. V. 163.
6. Dragomiretskiy K., Zosso D. Variational mode decomposition // IEEE Transactions on Signal Processing. 2013. V. 62(3). P. 531-544.
7. Lv S, Wang L, Wang S. A Hybrid Neural Network Model for Short-Term Wind Speed Forecasting // Energies. 2023. V. 16(4).
8. Zhang Y., Zhao Y., Gao S. A Novel Hybrid Model for Wind Speed Prediction Based on VMD and Neural Network Considering Atmospheric Uncertainties // IEEE Access. 2019. V. 7, P. 60322-60332.
9. Гладких В. А., Макиенко В. Э. Цифровая ультразвуковая метеостанция // Приборы. 2009. № 7, (109). С. 21-25.
10. Hestenes М. R. Multiplier and Gradient Methods // Journal of Optimization Theory and Applications. 1969. V. 4(5). P. 303-320.
11. Rockafellar R. T. A dual approach to solving nonlinear programming problems by unconstrained optimization // Mathematical Programming. 1973. V. 5(1). P. 354-373.
12. Bertsekas D. P. Constrained optimization and Lagrange Multiplier methods. Computer Science and Applied Mathematics, Boston: Academic Press. 1982.
13. Wiener N. Extrapolation, Interpolation, and Smoothing of Stationary Time Series. The MIT Press. 1949.
14. Goodfellow L, Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
15. Loshchilov L, Hutter F. Fixing weight decay regularization in adam // arXiv:1711.05101. 2017.
16. Huber P. J. Robust Estimation of a Location Parameter // Ann. Math. Statist. 1964. V. 35(1). P. 73-101.
Библиографическая ссылка: Дель И. В., Старченко А. В. Краткосрочный прогноз скорости ветра на основе искусственных нейронных сетей с применением метода декомпозиции на вариационные моды //"Проблемы информатики", 2025, № 2, с.19-32 DOI: 10.24412/2073-0667-2025-2-19-32. – EDN: VKPBAD
А.Д. Ивлев, А. В. Линев
Национальный исследовательский Нижегородский государственный университет им. Н.П. Лобачевского, 603950, Нижний Новгород, Россия
РЕАЛИЗАЦИЯ АЛГОРИТМОВ ПОДГОТОВКИ НАЧАЛЬНОГО СОСТОЯНИЯ СИСТЕМЫ КУБИТОВ С УЧЕТОМ ОГРАНИЧЕНИЙ СОВРЕМЕННЫХ КВАНТОВЫХ КОМПЬЮТЕРОВ
УДК 519.688
DOI: 10.24412/2073-0667-2025-2-33-47
EDX: FCJOXG
Подготовка произвольного начального состояния системы кубитов является важной и ак-туальной задачей квантовых вычислений. Ее значимость обуславливается тем, что многие квантовые алгоритмы требуют предварительной загрузки классических данных на квантовые устройства. Соответственно, вычислительные затраты на загрузку данных могут накладывать ограничения на возможное квантовое ускорение, а точность подготовленного состояния влияет на корректность результатов алгоритмов. В данной работе рассмотрены несколько актуальных подходов к подготовке начального состояния, а также их алгоритмическая трансляция в язык QASM с учетом топологии и базисных наборов гейтов современных квантовых компьютеров. Проведены эксперименты на симуляторе идеального квантового компьютера и симуляторе зашумленного квантового компьютера с характеристиками реальной системы, по результатам которых проведено сравнение теоретических и практических оценок точности, глубины и размеров квантовых схем рассматриваемых алгоритмов.
Ключевые слова: квантовые вычисления, подготовка квантового состояния, трансляция, QASM.
Список литературы
1. Hur Т., Kim L., Park D. К. Quantum convolutional neural network for classical data classification // Quantum Machine Intelligence. 2022, 4(1), 3.
2. Barenco A. et al. Stabilization of quantum computations by symmetrization // SIAM Journal on Computing. 1997, 26(5), 1541-1557.
3. Harrow A. W., Hassidim A., Lloyd S. Quantum algorithm for linear systems of equations // Physical review letters. 2009, 103(15), 150502.
4. Sun X. et al. Asymptotically optimal circuit depth for quantum state preparation and general unitary synthesis // IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems. 2023, 42(10), 3301-3314.
5. Araujo I. F. et al. A divide-and-conquer algorithm for quantum state preparation // Scientific reports. 2021, 11(1), 6329.
6. Sim S., Johnson P. D., Aspuru-Guzik A. Expressibility and entangling capability of parameterized quantum circuits for hybrid quantum-classical algorithms // Advanced Quantum Technologies. 2019, 2(12), 1900070.
7. Cross A. W. et al. Open quantum assembly language // arXiv preprint arXiv: 1707.03429. 2017.
9. Barenco A. et al. Elementary gates for quantum computation // Physical review A. 1995, 52(5), 3457.
10. Shende V. V., Bullock S. S., Markov I. L. Synthesis of quantum logic circuits // Proceedings of the 2005 Asia and South Pacific Design Automation Conference. 2005, 272-275.
12. Luo J., Li L. Circuit complexity of sparse quantum state preparation // arXiv preprint arXiv:2406.16142. 2024.
Библиографическая ссылка: Ивлев А.Д., Линев А. В. Реализация алгоритмов подготовки начального состояния системы кубитов с учетом ограничений современных квантовых компьютеров //"Проблемы информатики", 2025, № 2, с.33-47 DOI: 10.24412/2073-0667-2025-2-33-47. – EDN: FCJOXG
Ю. Ф. Леонова
Южно-Уральский государственный университет, 454080, Челябинск, Россия
ОПТИМИЗАЦИЯ ПРОГРАММНОГО КОДА НА ПРИМЕРЕ АЛГОРИТМА ДЛЯ РЕШЕНИЯ ЗАДАЧИ КОММИВОЯЖЕРА
УДК 004.051
DOI: 10.24412/2073-0667-2025-2-48-64
EDX: KQAAFR
В статье рассматриваются методы оптимизации программного кода, реализующего алгоритм соединения циклов для решения задачи коммивояжера. Особое внимание уделено параллелизации вычислений с использованием технологий ОрепМР и MPI, а также оптимизации структуры данных и управления памятью для повышения эффективности алгоритма. Применение предложенных методов к задачам большой размерности продемонстрировало значительное сокращение времени выполнения и более эффективное использование вычислительных ресурсов. Предложенные подходы к оптимизации могут быть применены к широкому кругу задач комбинаторной оптимизации, где важны быстродействие и рациональное распределение ресурсов.
Ключевые слова: задача коммивояжера, комбинаторная оптимизация, оптимизация про-граммного кода, оптимизация производительности, параллельные вычисления, инструментирование и профилирование.
Список литературы
1. Jarrah A., Bataineh A. S. A., Almomany A. The optimisation of travelling salesman problem based on parallel ant colony algorithm // International Journal of Computer Applications in Technology. 2022. V. 69. N 4. P. 309-321.
2. Rhee Y. Gpu-based parallel ant colony system for traveling salesman problem // Journal of The Korea Society of Computer and Information. 2022. V. 27. N 2. P. 1-8.
3. Wang Z. et al. A fine-grained fast parallel genetic algorithm based on a ternary optical computer for solving traveling salesman problem // The Journal of Supercomputing. 2023. V. 79. N о. P. 4760-4790.
4. Peng C. Parallel genetic algorithm for travelling salesman problem // In: International conference on automation control, algorithm, and intelligent bionics (ACAIB 2022). 2022. V. 12253, P. 259-267.
5. Alhenawi E. et al. Solving Traveling Salesman Problem Using Parallel River Formation Dynamics Optimization Algorithm on Multi-core Architecture Using Apache Spark // International Journal of Computational Intelligence Systems. 2024. V. 17. N 1. P. 4.
6. Qiao Y. et al. A hybridized parallel bats algorithm for combinatorial problem of traveling salesman // Journal of Intelligent & Fuzzy Systems. 2020. T 38. N 5. P. 5811-5820.
7. Король 3. А. Анкудинов К. А., Королькова Л. H. Исследование методов оптимизации про-граммного кода для повышения производительности // Инновационные направления развития в образовании, экономике, технике и технологиях. 2023. С. 257-260.
8. Тайк А. М. Лупин С. А., Федяшин Д. А. Использование библиотеки MPI для параллельной реализации алгоритма полного перебора вариантов // Программные продукты и системы. 2023. Т. 36. № 4. С. 607-614.
9. Panyukov А. V., Leonova Y. F. Algorithm for approximate solution of the travelling salesman problem // Optimization Problems and Their Applications (OPTA-2018). 2018. P. 31. (in Russian).
10. Leonova Yu. F. Cycles merging algorithm for an approximate solution of the traveling salesman problem // Abstracts of the XIX All-Russian Conference of Young Scientists on Mathematical Modeling and Information Technologies, Novosibirsk: ICT SB RAS. 2018. P. 28.
11. Panyukov A.V., Leonova Yu. F. Cycle Merging Algorithm for MAX TSP Problems // XVIII International Conference “Mathematical Optimization Theory and Operations Research” (MOTOR 2019), Ekaterinburg, Russia: Publisher “UMC UrFU”. 2019. P. 57.
12. Panyukov A.V., Leonova Yu.F. Cycle merging algorithm for the maximal metric traveling salesman problem // Bulletin of the South Ural State University, V. 10, N 4: a series of Computational Mathematics and Informatics. Chelyabinsk: Publishing House of SUSU. 2021. P. 26-36. (in Russian) DOI: 10.14529/cmse210402.
13. Свидетельство о государственной регистрации программы для ЭВМ № 2021669214 Россий¬ская Федерация. Программа для реализации алгоритма соединения циклов для решения задачи коммивояжера : № 2021668239: заявл. 16.11.2021 : опубл. 25.11.2021 / Ю. Ф. Леонова, А. В. Паню- ков ; заявитель Федеральное государственное автономное образовательное учреждение высшего образования «Южно-Уральский государственный университет». EDN RPNSPO.
14. Гантерот К. Оптимизация программ на C++. Проверенные методы повышения произво-дительности. 1-е изд. М.: Вильямс, 2017. 400 с.
15. Панюков А. В., Телегин В. А. Техника программной реализации потоковых алгоритмов // Вестник Южно-Уральского государственного университета. Серия: Математическое модели-рование и программирование. 2008. № 27 (127). С. 78-99.
18. Мейерс С. Эффективный и современный C++. 42 рекомендации по использованию C++11 и С++14. М.: Вильямс, 2018. 304 с.
19. std::mersenne_twister_engine. [Электрон, pec.]: https: //en. cppref erence . com/w/срр/ numeric/random/mersenne_twister_engine .html, last accessed 2024/11/02.
20. Best Practices in the Parallel Patterns Library. [Электрон, pec.]:
https://learn.microsoft. com/en-us/cpp/parallel/concrt/best-practices-in-the-parallel-patterns-library?view= msvc-170, last accessed 2024/10/15.
Библиографическая ссылка: Леонова Ю. Ф. Оптимизация программного кода на примере алгоритма для решения задачи коммивояжера //"Проблемы информатики", 2025, № 2, с.48--64 DOI: 10.24412/2073-0667-2025-2-48-64. – EDN: KQAAFR
Ш.А. Турсунов, А. Э. Рашидов
Самаркандский государственный университет имени Шарофа Рашидова, 703004, Самарканд, Узбекистан
АНАЛИЗ АЛГОРИТМОВ КОДИРОВАНИЯ КАТЕГОРИАЛЬНЫХ ДАННЫХ
УДК 519
DOI: 10.24412/2073-0667-2025-2-65-80
EDN: ALXCCT
Известно, что эффективность искусственного интеллекта, признанного наиболее полезным инструментом во всех сферах, тесно связана с рядом факторов. Один из ключевых факторов — необходимость преобразования входных данных в формат, понятный алгоритмам ИИ, поскольку они основаны на математических операциях. Однако часто встречаются данные, на которых невозможно напрямую выполнять арифметические действия. Удаление таких данных может негативно повлиять на результат, поэтому требуется их преобразование в числовую форму. Существуют различные методы кодирования категориальных данных, и выбор наилучшего из них представляет собой сложную исследовательскую задачу. В данной работе проводится анализ 12 методов преобразования текстовых данных. Рассматриваются преимущества и недостатки каждого подхода, а также проводится их сравнительный анализ с выводами.
Ключевые слова: искусственный интеллект, кодирование категориальных данных, методы кодирования данных.
Список литературы
1. Nazarov, F. М., O’G’Li, У. S. S., & O’G’Li, Е. В. S. Algorithms То Increase Data Reliability In Video Transcription // 2022 IEEE 16th International Conference on Application of Information and Communication Technologies (AICT), 2022. 1-6. DOI:
https://doi.org/10.1109/AICT55583.2022. 10013558.
2. Rashidov, A., Akhatov, A., Aminov, I., Mardonov, D., & Dagur, A. Distribution of data flows in distributed systems using hierarchical clustering // In A. Dagur, D. K. Shukla, N. F. Makhmadiyarovich, A. A. Rustamovich, & J. J. Sindorovich, Artificial Intelligence and Information Technologies. 2024. 1st ed., P. 207-212. CRC Press. DOI:
https://doi.org/10.1201/9781032700502- 34.
3. Zaynidinov, H., Xuramov, L., & Khodjaeva, D. Intelligent algorithms of digital processing of biomedical images in wavelet methods // In A. Dagur, K. Singh, P. S. Mehra, & D. K. Shukla, Artificial Intelligence, Blockchain, Computing and Security. 2023. Vol. 2. 1st ed., P. 648-653. CRC Press. DOI:
https://doi.org/10.1201/9781032684994-105.
5. Rashidov, A., Akhatov, А., & Nazarov, F. The Same Size Distribution of Data Based on Unsupervised Clustering Algorithms // In Z. Hu, Q. Zhang, & M. He (Eds.), Advances in Artificial Systems for Logistics Engineering HI. 2023. Vol. 180, P. 437-447. Springer Nature Switzerland. DOI:
https://doi.org/10.1007/978-3-031-36115-9_40.
6. Rustamovich, A. A., Mekhriddin, N., Fayzullo, N., & Sabharwal, M. Intelligent system of labor market regulation based on the evolutionary modeling of employment // 2022 4th International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), 2022. P. 2534-2539. DOI:
https://doi.org/10.1109/ICAC3N56670.2022.10074149.
7. Rashidov, A., Akhatov, A., & Mardonov, D. The Distribution Algorithm of Data Flows Based on the BIRCH Clustering in the Internal Distribution Mechanism // 2024 International Russian Smart Industry Conference (SmartlndustryCon), 2024. P. 923-927. DOI:
https://doi.org/10.1109/ SmartIndustryCon61328.2024.10516193.
9. Rashidov, A., & Madaminjonov, A. Sun’iy intellekt modelini qurishda ma’lumotlarni tozalash bosqichi tahlili: Sun’iy intellekt modelini qurishda ma’lumotlarni tozalash bosqichi tahlili // Modern problems and prospects of applied mathematics, 2024. N 1 (01). [El. Res.]:
https://ojs.qarshidu. uz/index.php/mp/art icle/view/473.
10. Rashidov A., Axatov A., & Nazarov F. ICHKI TAQSIMLASH MEXANIZMIDA MA’LUMOTLAR OQIMLARINI BOSHQARISH ALGORITMI. 2024. DOI:
https://doi.org/10. 5281/ZEN0D0.11475559.
12. Akhatov A. & Rashidov A. Big Data va unig turli sohalardagi tadbiqi // Descendants of Muhammad Al-Khwarizmi, 2021. № 4 (18), P. 135-44.
13. Bolikulov, F., Nasimov, R., Rashidov, A., Akhmedov, F., & Cho, Y.-I. Effective Methods of Categorical Data Encoding for Artificial Intelligence Algorithms // Mathematics, 2024. N 12 (16), P. 2553. DOI:
https://doi.org/10.3390/mathl2162553.
14. Rashidov, A., Akhatov, A., & Nazarov, F. The Same Size Distribution of Data Based on Unsupervised Clustering Algorithms. In Z. Hu, Q. Zhang, & M. He (Eds.) // Advances in Artificial Systems for Logistics Engineering III. 2023. Vol. 180, P. 437-447. Springer Nature Switzerland. DOL
https://doi.org/10.1007/978-3-031-36115-9_40.
17. Potdar, K., S., T., & D., C. A Comparative Study of Categorical Variable Encoding Techniques for Neural Network Classifiers // International Journal of Computer Applications, 2017. N 175 (4), P. 7-9. DOL
https://doi.org/10.5120/ijca2017915495.
18. Sun, W., Cai, Y., & Liu, Y. MSR14 Comparisons of Encoding Techniques for Categorical Features in Linear Regression Models // Value in Health, 2022. N 25 (7), S520. DOL
https://doi. org/10.1016/j.jval.2022.04.1221.
19. Uyar, A., Bener, A., Ciray, H. N., & Bahceci, M. A frequency based encoding technique for transformation of categorical variables in mixed IVF dataset // 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2009. P. 6214-6217. DOL
https://doi. org/10.1109/IEMBS.2009.5334548.
20. Seger, С. An investigation of categorical variable encoding techniques in machine learning: Binary versus one-hot and feature hashing. 2018. [El. Res.]:
https://api.semanticscholar.org/ CorpusID:250534659.
21. Akhatov, A., Rashidov, A., & Renavikar, A. Optimization of the database structure based on Machine Learning algorithms in case of increased data flow. In A. Dagur, K. Singh, P. S. Mehra, & D. K. Shukla, Artificial Intelligence, Blockchain, Computing and Security, 2023. Vol. 2, 1st ed., P. 675-680. CRC Press. DOI:
https://doi.org/10.1201/9781032684994-109.
Библиографическая ссылка: Турсунов Ш. А., Рашидов А. Э. Анализ алгоритмов кодирования категориальных данных //"Проблемы информатики", 2025, № 2, с.5-18 DOI: 10.24412/2073-0667-2025-2-5-18. – EDN: ALXCCT
English
Русский