Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://earchive.tpu.ru/handle/11683/139725
Полная запись метаданных
Поле DCЗначениеЯзык
dc.contributor.advisorМерзликин, Борис Сергеевичru
dc.contributor.authorВакуленко, В. А.ru
dc.date.accessioned2026-11-14T16:49:55Z-
dc.date.available2026-11-14T16:49:55Z-
dc.date.issued2026-
dc.identifier.citationВакуленко, В. А. Восстановление параметров уравнений математической физики с помощью байесовских и детерминированных PINN по малым зашумлённым данным / В. А. Вакуленко ; науч. рук. Б. С. Мерзликин // Перспективы развития фундаментальных наук. — Томск : Изд-во ТПУ, 2026. — Т. 3 : Математика. — С. 75-77.ru
dc.identifier.urihttp://earchive.tpu.ru/handle/11683/139725-
dc.description.abstractIn this study, a comparative analysis of deterministic and physics-informed Bayesian neural networks was conducted to identify parameters in the heat equation with small noisy datasets. The Bayesian approach was shown to provide more robust estimates with reliable uncertainty quantification, even under limited data conditions and high levels of noise. In contrast, the deterministic approach achieved higher accuracy when there were sufficient observations and the noise was low. The findings demonstrate a trade-off between these two approaches, depending on the availability and quality of the dataen
dc.format.mimetypeapplication/pdf-
dc.language.isoruen
dc.publisherТомский политехнический университетru
dc.relation.ispartofПерспективы развития фундаментальных наук. 2026. Т. 3 : Математикаru
dc.rightsinfo:eu-repo/semantics/openAccess-
dc.rightsAttribution-NonCommercial 4.0 Internationalen
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/-
dc.subjectphysics-informed neural networksen
dc.subjectBayesian neural networksen
dc.subjectinverse problemen
dc.subjectheat equationen
dc.subjectuncertainty quantificationen
dc.subjectsmall dataen
dc.titleВосстановление параметров уравнений математической физики с помощью байесовских и детерминированных PINN по малым зашумлённым даннымru
dc.title.alternativeRecovering mathematical physics parameters using Bayesian and deterministic PINNs from small noisy dataen
dc.typeConference Paperen
dc.typeinfo:eu-repo/semantics/conferencePaper-
dc.typeinfo:eu-repo/semantics/publishedVersion-
dcterms.audienceResearchesen
local.description.firstpage75-
local.description.lastpage77-
local.filepathconference_tpu-2026-C21_V3_p75-77.pdf-
local.identifier.bibrec(RuTPU)688911-
local.localtypeДокладru
local.volume3-
Располагается в коллекциях:Материалы конференций

Файлы этого ресурса:
Файл РазмерФормат 
conference_tpu-2026-C21_V3_p75-77.pdf446,2 kBAdobe PDFПросмотреть/Открыть


Лицензия на ресурс: Лицензия Creative Commons Creative Commons