Хімічний факультет
Постійне посилання на розділhttps://ekhnuir.karazin.ua/handle/123456789/52
Переглянути
16 результатів
Результати пошуку
Документ Хемометричні методи в розв'язанні задач якісного хімічного аналізу та класифікації фізико-хімічних даних(2017-10-05) Холін, Ю.В.; Пушкарьова, Я.М.; Пантелеймонов, А.В.; Некос, А.Н.В монографії обговорено зміст та актуальні завдання сучасного якісного хімічного аналізу та хемометричні методи, що найчастіше використовують для обробки хіміко-аналітичних і фізико-хімічних даних. Особливу увагу приділено засобам контролю автентичності продуктів харчування і напоїв, сільсько- господарської сировини, лікарських засобів, ідентифікації об’єктів довкілля. Розглянуто застосування апарату штучних нейронних мереж та нечітких множин для розв’язання задач якісного хімічного аналізу (ідентифікації аналітів та кластеризації багатопараметричних масивів даних). Для фахівців у царинах хемометрії, якісного хімічного аналізу, фізичної хімії.Документ Новые хемометрические способы обработки данных аналитического эксперимента(2009) Пантелеймонов, А.В.Документ К разработке нечетких критериев идентификации в качественном химическом анализе(ХНУ імені В.Н. Каразіна, 2005) Пантелеймонов, А.В.; Холин, Ю.В.Показана возможность построения критериев сходства объектов, идентифицируемых по спектроскопическим данным, с использованием аппарата теории нечетких множеств. Описана процедура вычисления функции принадлежности и проведено сравнение предложенных критериев с аналогамиДокумент Некоторые аспекты параметризации искусственных нейронных сетей в задачах качественного химического анализа(ХНУ імені В.Н. Каразіна, 2010) Краснянчин, Я.Н.; Пантелеймонов, А.В.; Холин, Ю.В.Изучены закономерности функционирования различных алгоритмов искусственных нейронных сетей при изменении ряда управляющих параметров. Предложена процедура формирования обучающей выборки, использующаяся для настройки нейронной сети. Показана удовлетворительная надежность классификации наборов тестовых данных при наличии в характеристиках исследуемых объектов грубых промахов с помощью аппарата нейронных сетейДокумент Вплив природи темплату на структурні, морфологічні та сорбційні властивості ормосилів з іммобілізованими аміногрупами(ХНУ імені В.Н. Каразіна, 2013) Ткаченко, О.С.; Христенко, І.В.; Міхралієва, А.А.; Пантелеймонов, А.В.; Холін, Ю.В.Методом золь-гель синтезу з використанням катіонного та аніонного ПАР синтезовано два ормосили, Матеріал 1 і Матеріал 2, з питомими площами поверхні 17±2 і 176±5 м2 г-1 та середнім розміром пор 3.6 і 3.3 нм, відповідно. Видалення ПАР з матриці було більш ефективним для Матеріалу 1, ніж для Матеріалу 2. Протолітичні рівноваги за участю іммобілізованих аміногруп для обох матеріалів адекватно описує модель бідентатного зв’язування. Основність аміногруп у складі Матеріалу 2 вища ніж основність аміногруп у Матеріалі 1; протонування аміногруп обох матеріалів проходить під впливом ефектів негативної кооперативностіДокумент Статистичні та хемометричні методи в хімії(ХНУ імені В.Н. Каразіна, 2012) Пантелеймонов, А.В.; Христенко, І.В.; Іванов, В.В.; Холін, Ю.В.Документ Інформатика та інформаційні технології для хіміків(ХНУ імені В.Н. Каразіна, 2011) Пантелеймонов, А.В.; Христенко, І.В.; Іванов, В.В.; Холін, Ю.В.Документ Информационно-поисковая система «Modified silica database»(ХНУ імені В.Н. Каразіна, 2012) Пантелеймонов, А.В.Дано краткое описание новой информационно-поисковой системы «Modified silica database», к которой предоставлен открытый доступ: http://www-chemo.univer.kharkov.ua/sio2db/. Исходным массивом данных служит фактографическая и библиографическая информация о свойствах химически модифицированных кремнеземов. В настоящее время в базу внесена информация о более чем 100 реакциях на поверхности кремнеземов, модифицированных 11 органическими модификаторами с 10 сорбатами из 9 растворителейДокумент Объединение наборов параметров, полученных в нескольких сериях измерений и содержащих оценки низкой точности(ХНУ імені В.Н. Каразіна, 2001) Холин, Ю.В.; Пантелеймонов, А.В.; Логинова, Л.П.Документ Надежность идентификации аналитов с помощью искусственных нейронных сетей(ХНУ імені В.Н. Каразіна, 2010) Краснянчин, Я.Н.; Пантелеймонов, А.В.; Холин, Ю.В.К решению задач идентификации объектов по данным многооткликового эксперимента привлечен аппарат искусственных нейронных сетей: алгоритмы с обучением и самоорганизующаяся сеть Кохонена. Показана удовлетворительная надежность идентификации с помощью алгоритмов искусственных нейронных сетей при разбиении на классы наборов тестовых данных со сложной структурой и при наличии в характеристиках классифицируемых объектов грубых промахов