Comparative Analysis: A Feasible Software Engineering Method

The reasonable choice is a critical success factor for decision- making in the field of software engineering (SE). A case-driven comparative analysis has been introduced and a procedure for its systematic application has been suggested. The paper describes how the proposed method can be built in a general framework for SE activities. Some examples of experimental versions of the framework are brie y presented.

Comparative Analysis of Viscoelastic Models Involving Fractional Derivatives of Different Orders

Mathematics Subject Classification: 74D05, 26A33

Comparative Analysis of the Opposite Rotating Cylinders Impact over Couette Flow for Rarefied Gas

Петър Господинов, Добри Данков, Владимир Русинов, Стефан Стефанов - Иследвано е цилиндрично течение на Кует на разреден газ в случая на въртене на два коаксиални цилиндъра с еднакви по големина скорости, но в различни посоки. Целта на изследването е да се установи влиянието на малки скорости на въртене върху макрохарактеристиките – ρ, V , . Числените резултати са получени чрез използване на DSMC и числено решение на уравненията на Навие-Стокс за относително малки (дозвукови) скорости на въртене. Установено е добро съвпадение на резултатите получени по двата метода за Kn = 0.02. Установено е, че съществува “стационарна” точка за плътността и скоростта. Получените резултати са важни при решаването на неравнини, задачи от микрофлуидиката с отчитане на ефектите на кривината. Ключови думи: Механика на флуидите, Кинетична теория, Разреден газ, DSMC

A Comparative Analysis of Predictive Learning Algorithms on High-Dimensional Microarray Cancer Data

This research evaluates pattern recognition techniques on a subclass of big data where the dimensionality of the input space (p) is much larger than the number of observations (n). Specifically, we evaluate massive gene expression microarray cancer data where the ratio κ is less than one. We explore the statistical and computational challenges inherent in these high dimensional low sample size (HDLSS) problems and present statistical machine learning methods used to tackle and circumvent these difficulties. Regularization and kernel algorithms were explored in this research using seven datasets where κ < 1. These techniques require special attention to tuning necessitating several extensions of cross-validation to be investigated to support better predictive performance. While no single algorithm was universally the best predictor, the regularization technique produced lower test errors in five of the seven datasets studied.