Mongolian Journal of Engineering and Applied Sciences

Монгол мөнгөн дэвсгэртийн бактерийн тоо болон гэмтлийн хамаарал

Wed, 06 Nov 2024 00:00:00 +0800

Энэхүү судалгааны ажлын хүрээнд мөнгөн дэвсгэртэд агуулагдаж байгаа нийт бактерийн тоог тодорхойлж түүний гэмтлийн зэрэгтэй нь харьцуулан судалсан болно. Иргэдийн дунд мөнгөн дэвсгэртийн хэрэглээний тухай түүврийн санал асуулга явуулахад 1000 дэвсгэртийг түлхүү ашигладаг гэсэн үр дүн гарсан тул 1000 дэвсгэртийг түүврийн аргаар цайны газар, эмийн сан, CU ба GS25, хүнсний дэлгүүр, ТҮЦ, зах болон зах орчмын бүс гэсэн нийт 7 төрлийн газраас 141 дээжийг 2023 оны 10-11 сарын хугацаанд цуглуулсан. Дээжийн 20.73% нь E.coli, Staphylococcus aureus, Enterobacter, Salmonella, Shigella, Streptococcus, Pseudomonas, Proteus гэх өвчин үүсгэгч бактеруудаар бохирдсон байсан. Бета цацрагийн үүсгүүр ашиглан бүртгэгдсэн бета бөөм болон нягтын хамаарлаар мөнгөн дэвсгэртийн механик гэмтлийг дүгнэв. Бүртгэгдсэн бөөмийн тоо 36 бөөм/(мин*см²), нягт 10.2 гр/см²-аас 10.8 г/см² мужын хооронд байгаа тохиолдолд механик гэмтэл болон бактерийн бохирдол харьцангуй бага. Нягт бага (<10.2 г/см²)-тай буюу механик гэмтэл ихтэй мөнгөн дэвсгэртүүдийн бактерийн агууламж харьцангуй өндөр. Харин их нягт (>10.8 г/см²)-тай нь бактерийн болон механик гэмтэлтэй гэж гарсан. Эдгээр дүнгүүдээс үзвэл мөнгөн дэвсгэртээс арчдас авалгүйгээр бөөмийн нэвтрэлийг ашиглан бактерийн бохирдлыг ойролцоогоор таамаглах боломжтой байна.

Орон сууцны үнийг таамаглахад сургуулийн байршлын нөлөөллийг машин сургалтын арга ашиглан судлах нь

Отгончимэг Жамбалдорж, Наранчимэг Болд — Tue, 07 Jan 2025 00:00:00 +0800

Өнөөгийн өрсөлдөөнт зах зээлд орон сууцны үнэ цэнийг тодорхойлохдоо дан ганц зардалд тулгуурлан
үнэлэхээс гадна барилгын бүтээц, өрөөний зохион байгуулалт, байрлал, хэрэглэгчийн амьдралын хэв ма-
яг, санхүүгийн үнэ цэн гэх мэт бусад хүчин зүйлсийг харгалзан үздэг болсон. Эдгээр хүчин зүйлсийн нэг
нь сургууль юм. Олон улсад сургуулийн чанар болон байршил нь орон сууцны үнэд нөлөөлж буй олон
судалгаанууд байдаг. Харин манай улсын хувьд орон сууцны үнийг таамаглах судалгааны ажил тэр дун-
даа сургуулийн байршлын нөлөөг судалсан ажил байдаггүй тул бид энэхүү ажлаар сургуулийн байрлал
Улаанбаатар хотын орон сууцны үнэд хэрхэн нөлөөлж буйг машин сургалтын арга ашиглан судлахыг зо-
рилоо. Тодруулбал бид үл хөдлөхийн мэргэжлийн байгууллагаас хүлээн авсан 61106 өрхийн, 418 төслийн
орон сууцны өгөгдөл дээр ойролцоох 242 улсын сургууль, 65 хувийн сургуулийн байршлын координа-
тыг цуглуулж, хамгийн ойр сургууль хүртэлх зайг тооцоолсон. Ингээд үл хөдлөх хөрөнгийн мэргэжлийн
байгууллагаас авсан 25 онцлог шинж чанар бүхий өгөгдөл дээр нэмэлтээр сургуулийн зай, замын хөдөл-
гөөний бүсчлэл, инфляц, барилгын зардлын индекс зэрэг өгөгдөл цуглуулж түгээмэл хэрэглэгддэг машин
сургалтын аргуудыг ашиглан орон сууцны үнийг таамагласан. Туршилтын үр дүнгээс харахад онцлог
шинж чанарууд нэмэгдэхэд алдааны үзүүлэлт багассан бөгөөд ялангуяа сургуулийн зайн мэдээлэл орон
сууцны үнийг тооцоолоход чухал ач холбогдолтой болох нь батлагдсан. Машин сургалтын аргуудын хувьд
XGBoost болон Random Forest аргууд нь хамгийн сайн гүйцэтгэлийг үзүүлсэн.

The Monnum spiking dataset for spike neural networks

Mon, 27 Jan 2025 00:00:00 +0800

Spiking Neural Networks are a type of artificial neural network that mimics the way biological neural networks in the brain process information. Spiking neural networks form the foundation of the brain’s efficient information processing. While we don’t fully understand how these networks calculate, recent optimization techniques allow us to create increasingly complex functional spiking neural networks in a simulated environment. These methods promise to develop more efficient computing hardware and explore new possibilities in understanding brain circuit function. It is essential to have objective methods to compare their performance to speed up the development of such techniques. However, there are currently no widely accepted means of comparing the computational performance of spiking neural networks. We have introduced a new spike-based classification dataset that can be widely used to evaluate software performance and neuromorphic hardware implementations of spiking neural networks to address this issue. To achieve this, we have created a general procedure for converting audio signals into spiking neural network activity, drawing inspiration from neurophysiology. We created the Monnum digit dataset specifically for this study. Within the range of this research, We implemented a digit recognition system from 1 to 10 spoken in the Mongolian language for the Spike neural network. The last is data for training and testing, which was prepared in HDF5 format extension and then trained in the SNN network.

ХИЙМЭЛ ДАГУУЛЫН МЭДЭЭЛЭЛ АШИГЛАН МАШИН СУРГАЛТЫН АРГААР ОЙН ТҮЙМРИЙН ЭРСДЭЛИЙГ УРЬДЧИЛАН ТААМАГЛАХ НЬ

Н. Баянмөнх, Ш. Цолмонбаяр, Ш. Идэрбаяр, Ц. Батчулуун, Б. Оюунсанаа — Thu, 16 Jan 2025 00:00:00 +0800

Монгол орны уур амьсгалын гол онцлог бол жилийн дөрвөн улирлын ялгаа ихтэй, энэ чанараараа агаарын температурын хэлбэлзэл өндөр, хур тунадас бага, уур амьсгалд өргөрөгийн болон өндрийн бүслүүрийн ялгаа тодорхой илэрдэг явдал юм. Монгол улсад ой хээрийн түймрийн хяналт, шинжилгээний судалгааны арга зүй хязгаарлагдмал байдаг. Хээрийн түймэр нь голдуу хавар, намрын улиралд хур тунадас багатай, хуурай, аянга, цахилгаан, хэт халалт зэрэг байгалийн хүчин зүйлс болон хүний буруутай үйл ажиллагаанаас үүдэн гардаг. Энэхүү судалгааны зорилго нь хээрийн түймрийг машин сургалтын арга Random Forest (RF) ангиллын аргыг ашиглан ой хээрийн түймэрт дүн шинжилгээ хийхэд чиглэгдсэн. Судалгааны мужаар Монгол орны зүүн хэсэгт орших Дорнод аймгийн хойт хэсэг Сибирийн ойн бүсийн үргэлжлэл бүс нутгийг сонгож авсан бөгөөд тус аймагт жил бүрийн хаврын улиралд ой, хээрийн түймрийн тохиолдол ихээхэн гардаг. Иймээс судалгаанд 2015-2022 оны хаврын улирлыг сонгон авсан. Судалгааны ажлын хүрээнд MODIS хиймэл дагуулын мэдээллийг ашиглан хөрснөөс хамаарсан ургамлын индекс (MSAVI), нормчлогдсон шаталтын харьцааг (NBR) зэрэг индексийг тооцож гарган түймрийн бодит тохиолдлуудтай харьцуулсан. Түүнчлэн агаарын температур, хур тунадас, салхины хурд болон MSAVI, ургамлын нормчлогдсон индекс (NDVI), газрын гадаргын температур (LST), өндрийн тоон загвар (DEM) зэрэг хүчин зүйлсээс хамааруулан хээрийн түймрийг RF ангиллын аргаар таамаглах аргачлалыг дэвшүүлсэн. Ой хээрийн түймрийн зураглалын загварын үр дүнг газрын бодит мэдээлэлтэй харьцуулж, ойн сангийн эрсдэл, өөрчлөлтийн мэдээлэлтэй харьцуулахад 75% таарсан үзүүлэлтэй бөгөөд түймрийн голомтын 86 хувь нь ойн талбай, 14 хувь нь хээрийн түймэр байна. Судалааны гол зорилгод түймэртэй, түймэргүй гэсэн 2 ангилалд хуваан, машин сургалтын арга ашиглан урьдчилан таамаглсан нь зорьсон үр дүнд хүрсэн.