ОБЗОР СОВРЕМЕННОГО ОБОРУДОВАНИЯ УСТРОЙСТВА
ОБЗОР СОВРЕМЕННОГО ОБОРУДОВАНИЯ УСТРОЙСТВА
Ключевые слова:
ML, ИТС, MHD, Интеллектуальные транспортные системы, Машинное обучение, Аппаратные устройства, Оценка эффективности, Таксономия.Аннотация
Растущая сложность интеллектуальных транспортных систем (ИТС), которые включают в себя широкий спектр приложений и услуг, вызвала необходимость в высокопроизводительных современных аппаратных устройствах (MHD). Проблема
производительности стала более заметной после интеграции методов машинного обучения (ML), развернутых в крупномасштабных условиях. Машинное обучение эффективно поддержало сферу ИТС, предоставив эффективные и оптимизированные решения проблем, которые в противном случае решались с использованием традиционных статистических и аналитических подходов. Обращаясь к потребности в развертывании аппаратного обеспечения ИТС в эпоху машинного обучения — это сложная проблема, которая включает в себя временные, пространственные, экологические и экономические факторы. В этом обзоре рассматривается новейшая литература ИТС на основе машинного обучения, в которых использовались MHD, с упором на показатели эффективности.
Библиографические ссылки
R. I. Meneguette, R. E. D. Grande, A. A. F. Loureiro, Intelligent Transport System in Smart Cities, Springer International Publishing, 2018.
A. Zappone, M. Di Renzo, M. Debbah, Wireless networks design in the era of deep learning: Model-based, ai-based, or both, IEEE-Transactions on Communications 67 (10) (2019) 7331–7376.
Юлдашев, Б. С., Дустмуродов, Э. Э., Турдиев, Б. Р., & Файзиев, Т. Б. (2020). ПОНИМАНИЕ БОЗОНА ХИГГСА С ПОМОЩЬЮ LheC. Science and Education, 1(4), 16-21.
Dustmurodov, E., Dustmurodova, X., Valikhanov, N., & Nomozova, D. (2023). THE CONCEPT OF THE FRITIOF (FTF) MODEL. Science and innovation, 2(A5), 51-53.
http://www.sciencedirect.com/science/article/pii/S0141933119300407
