Связаться с приемной комиссией

Меню раздела

Основное меню

Преподаватели и работники

Дударов Сергей Павлович

Занимаемые должности

Декан факультета (Факультет цифровых технологий и химического инжиниринга)

Доцент (Кафедра информационных компьютерных технологий)

Телефон

+7 (495) 495-12-69

E-mail

dudarov.s.p@muctr.ru

Сайт https://www.muctr.ru
Уровень образования Высшее
Квалификация

Инженер

Преподаваемые учебные предметы, курсы, дисциплины (модули)

Методы вычислительной математики и пакеты прикладных программ

Интеллектуальные системы и технологии

Интеллектуальные системы

Эволюционные методы и алгоритмы оптимизации

Учёная степень

Кандидат технических наук

Учёное звание Доцент
Наименование направления подготовки и (или) специальности

Основные процессы химических производств и химическая кибернетика

Данные о повышении квалификации и (или) профессиональной переподготовке

«Технология проведения вебинаров», РХТУ им. Д.И. Менделеева, объем программы 36 часов, повышение квалификации, сроки обучения: с 06.03.2017 по 03.04.2017, удостоверение о повышении квалификации № 772404089925 от 13 апреля 2017 г.

«Аккредитация вуза в условиях ФГОС++», РХТУ им. Д.И. Менделеева, объем программы 18 часов, повышение квалификации, сроки обучения: с 05.02.2018 по 19.03.2018, удостоверение о повышении квалификации № 771801452805 от 19 марта 2018 г.

«Основы программирования на языке Python», РХТУ им. Д.И. Менделеева, объем программы 72 часов, повышение квалификации, сроки обучения: с 31.10.2019 по 19.12.2019, удостоверение о повышении квалификации № 773100585729 от 23 января 2020 г.

Удостоверение о повышении квалификации № 482410984750 по программе дополнительного профессионального образования «Организация первой доврачебной помощи педагогическими работниками образовательных организаций», рег. номер 21/108627 от 06.04.2020 г. Сроки обучения: с 02.04.2020 г. по 06.04.2020 г., объем: 16 часов.

Удостоверение № 322/0009 по программе «Охрана труда для руководителей и специалистов». Дата обучения: 30.04.2020 г. Протокол обучения №322. Действительно до 29.04.2023 г. Объем: 40 часов.

Удостоверение о повышении квалификации № 772411905868 по дополнительной профессиональной программе «Информационные и компьютерные технологии в дистанционном, сетевом и смешанном обучении», рег. номер 8524 от 15.07.2020 г. Сроки обучения: с 29.06.2020 г. по 03.07.2020 г., объем: 16 часов.

Удостоверение о повышении квалификации № 771802110386 по дополнительной профессиональной программе «Пожарно-технический минимум для руководителей и ответственных за пожарную безопасность учреждениях (офисах)», рег. номер 0022 от 29.01.2021 г. Сроки обучения: с 23.12.2020 г. по 29.01.2021 г., объем: 16 часов.

Удостоверение о повышении квалификации ПК 018751 по дополнительной профессиональной программе «Компьютерная графика и цифровой дизайн» по профилю направления подготовки 54.03.01 «Дизайн» на основе профессионального стандарта «Графический дизайнер», рег. номер 1284 от 28.12.2020 г. Сроки обучения: с 01.12.2020 г. по 28.12.2020 г., объем: 72 часа.

Общий стаж работы 20 лет (с 01.05.2003)
Стаж работы по специальности 20 лет (с 01.05.2003)
Публикации внесенные в ИАС "Истина" ссылка

Научные интересы:

Вычислительная математика. Искусственные нейронные сети. Нечёткая логика и теория нечётких множеств. Эволюционные и популяционные алгоритмы. Методы искусственного интеллекта в решении задач экологической и промышленной безопасности.

Публикации

Александров А. К., Дударов С. П. Одномерная альтернатива многомерной нейронной сети радиально-базисных функций // Успехи в химии и химической технологии. — 2018. — Т. 32, № 11. — С. 13–15.

Маркин И. С., Дударов С. П. Программное обеспечение для интерполирования полей загрязнения атмосферы в режиме реального времени с использованием нейронных сетей радиально-базисных функций // Успехи в химии и химической технологии. — 2018. — Т. 32, № 1. — С. 12–14.

Dudarov S. P. Models of self-organizing artificial neural networks to identify stationary industrial sources of air pollution // Mathematical Models and Computer Simulations. — 2017. — Vol. 9, no. 4. — P. 481–488. A problem of identifying one particular or a few possible pollution sources that are responsible for the deterioration of the air quality as a result of exceeding the standards of the maximum permissible emissions is considered. A model problem for a group of spatially divided stationary permanent industrial sources is solved. A statement identifying the problem and a method to solve it using two architectures of artificial neural networks, Kohonen’s networks for learning vector quantization with fixed and adaptive structures, as well as adaptive resonance theory network for analog inputs (ART-2), are presented. The method consists of clustering the data provided by self-learning algorithms (unsupervised learning). Estimation equations are given and operation algorithms of Kohonen’s and adaptive resonance theory networks at different life cycle stages are described. The results of the solution of the model problem that are obtained using each network is performed are comparatively analyzed. [ DOI ]

Сальников Е. С., Дударов С. П. Исследование и модификация алгоритма эволюции разума для задач многомерной оптимизации // Успехи в химии и химической технологии. — 2017. — Т. 31, № 1. — С. 59–62.

Дударов С. П. Модели самоорганизующихся искусственных нейронных сетей для идентификации стационарных промышленных источников загрязнения воздуха // Математическое моделирование. — 2017. — Т. 29, № 1. — С. 33–44. Рассмотрена задача идентификации одного конкретного или нескольких возможных источников загрязнения, виновных в ухудшении качества воздушной среды в результате превышения норм предельно допустимых выбросов. В работе решается модельная задача с группой пространственно разделённых стационарных постоянно действующих промышленных источников. Представлены постановка задачи идентификации и метод её решения с использованием двух архитектур искусственных нейронных сетей: нейронных сетей Кохонена для квантования обучающих векторов (Kohonen’s networks for learning vector quantization) с фиксированной и адаптивной структурами и сети адаптивного резонанса (adaptive resonance theory network, ART) для аналоговых входных сигналов (АРТ-2). Метод состоит в кластеризации данных, которую обеспечивают алгоритмы самообучения (обучения без учителя). Даны расчётные соотношения и описаны алгоритмы работы нейронных сетей Кохонена и адаптивного резонанса на различных стадиях жизненного цикла. Проведён сравнительный анализ результатов решения модельной задачи, полученных с использованием каждой из сетей.

Top