All issues

Разрабатывается программная система интеграции динамических моделей, неоднородных по своим математическим свойствам и/или по требованиям к шагу по времени. Предлагается семейство алгоритмов параллельного расчета гетерогенных моделей с разными шагами по времени. Применительно к слабосвязанным системам обыкновенных дифференциальных уравнений исследуется погрешность таких алгоритмов и их преимущество в затратах времени по сравнению с точными методами решения.

We develop the software tool for integration of dynamics models, which are inhomogeneous over mathematical properties and/or over requirements to the time step. The family of algorithms for the parallel computation of heterogeneous models with different time steps is offered. Analytical estimates and direct measurements of the error of these algorithms are made with reference to weakly coupled ODE sets. The advantage of the algorithms in the time cost as compared to accurate methods is shown.

Мы проводим глобальный бифуркационный анализ квартичной модели типа «хищник–жертва». В частности, исследуя глобальные бифуркации особых точек и предельных циклов, мы доказываем, что соответствующая динамическая система имеет не более двух предельных циклов.

We complete the global bifurcation analysis of a quartic predator–prey model. In particular, studying global bifurcations of singular points and limit cycles, we prove that the corresponding dynamical system has at most two limit cycles.

Многомерные данные, при использовании значительно большего количества признаков относительно меньшего числа наблюдений, порождают хорошо известную проблему переопределённой задачи. В связи с этим, представляется целесообразным описание данных в терминах меньшего числа мета-признаков, которые вычисляются при помощи так называемых матричных факторизаций. Такие факторизации способствуют уменьшению случайного шума при сохранении наиболее существенной информации. Три новых и взаимосвязанных метода предложены в этой статье: 1) факторизационный механизм градиентного спуска с двумя (согласно размерности микрочипа) гибкими и адаптируемыми параметрами обучения, включая явные формулы их автоматического пересчета, 2) непараметрический критерий для отбора количества факторов, и 3) неотрицательная модификация градиентной факторизации, которая не требует дополнительных вычислительных затрат в сравнении с базовой моделью. Мы иллюстрируем эффективность предложенных методов в приложении к задаче направляемой классификации данных в области биоинформатики.

Microarray datasets are highly dimensional, with a small number of collected samples in comparison to thousands of features. This poses a significant challenge that affects the interpretation, applicability and validation of the analytical results. Matrix factorizations have proven to be a useful method for describing data in terms of a small number of meta-features, which reduces noise, while still capturing the essential features of the data. Three novel and mutually relevant methods are presented in this paper: 1) gradient-based matrix factorization with two adaptive learning rates (in accordance with the number of factor matrices) and their automatic updates; 2) nonparametric criterion for the selection of the number of factors; and 3) nonnegative version of the gradient-based matrix factorization which doesn't require any extra computational costs in difference to the existing methods. We demonstrate effectiveness of the proposed methods to the supervised classification of gene expression data.