ГОСТ Р 70462.1-2022; Страница 29

или поделиться

Ещё ГОСТы из 41757, используйте поиск в верху страницы

ГОСТ 2850-2022 Картон хризотиловый. Технические условия Chrysotile cardboard. Specifications (Настоящий стандарт распространяется на хризотиловый картон, изготовляемый на основе хризотила и применяемый в качестве огнезащитного теплоизоляционного материала, а также для уплотнения соединений приборов, аппаратуры и коммуникаций. Стандарт устанавливает основные требования к качеству продукции изложенные в разделах 3.2 (таблица 1), 4.2 (таблица 2)) ГОСТ Р 70467-2022 Изделия медицинские. Система наблюдения, применяемая изготовителем после выпуска изделий в обращение Medical devices. The monitoring system used by the manufacturer after the release of products in circulation (Настоящий стандарт содержит рекомендации по процессу наблюдения в отношении выпущенных в обращение изделий и предназначен для применения изготовителями медицинских изделий. Данный процесс послепродажного наблюдения не противоречит соответствующим международным стандартам, в частности ИСО 13485 и ИСО 14971. Настоящий стандарт описывает систематический проактивный процесс, который могут использовать изготовители с целью сбора и анализа соответствующих данных, предоставления информации для процессов обратной связи и использования этой информации для выполнения применимых регулирующих требований, а также для получения опыта на стадии постпроизводства. Выходные данные этого процесса могут использоваться: - в качестве входных данных в процессы жизненного цикла продукции; - в качестве входных данных в менеджмент риска; - для мониторинга и поддержания в актуальном состоянии требований к продукции; - для поддержания связи с регулирующими органами или в качестве входных данных в процессы улучшения) ГОСТ 9.704-80 Единая система защиты от коррозии и старения. Резины. Методы определения работоспособности уплотнительных деталей неподвижных соединений при радиационно-термическом и термическом старении Unified system of corrosion and ageing protection. Vulcanized rubbers. Methods of determination of the packing parts for the fixed joints working capacity during the radiation-thermal ageing (Настоящий стандарт распространяется на резиновые уплотнительные детали неподвижных неразъемных соединений сборочных единиц, машин, агрегатов, запасных частей и принадлежностей и устанавливает два метода определения работоспособности:. А - при радиационно-термическом старении;. Б - при термическом старении )

Страница 29

Страница 1

Untitled document

ГОСТ Р 70462.1—2022

[42] Lamel L., Gauvain J.L., Bennacef S.K., Devillers L., Foukia S., GangolfJ.J. et al. Field trials of a telephone service for

rail travel information. Third IEEE Workshop on Interactive Voice Technology for Telecommunications Applications.

1996

[43] Isobe T, Morishima M., Yoshitani F., Koizumi N., Murakami K. Voice-activated home banking system and its field

trial. IEEE, Proceedings Fourth International Conference on Spoken Language, Vol. 3. 1996

[44]Shiomi M., Sakamoto D., Kanda T, Ishi C.T., Ishiguro H., Hagita N. Field Trial of a Networked Robot at a Train

Station. Springer, International Journal of Social Robotics, Vol. 3. 2011

[45]Tian Y., Pei K., Jana S., Ray B. Deeptest: Automated testing of deep-neural-network-driven autonomous cars. ACM,

Proceedings of the 40th international conference on software engineering. 2018, ISBN 978-1-4503-5638-1

[46]Van Slype G. Critical study of methods for evaluating the quality of machine translation. Commission of European

Communities Directorate General Scientific and Technical Information and Information Management. 1979,

BR 19142

[47]Papineni K., Roukos S., Ward T, Zhu W.J. BLEU: a method for automatic evaluation of machine translation.

Proceedings of the 40th annual meeting on association for computational linguistics. 2002

[48]Graham Y., Baldwin T. Testing for significance of increased correlation with human judgment. Association for

Computational Linguistics, Conference on Empirical Methods in Natural Language Processing. 2014

[49]Kohonen T, Barna G., Chrisley R.L. Statistical pattern recognition with neural networks: benchmarking studies.

IEEE, Vol. Proceedings of International Conference on Neural Networks (ICNN’88). 1988

[50] Ngan M., Grother P.J. Face recognition vendor test (FRVT) performance of automated gender classification

algorithms. US Department of Commerce, National Institute of Standards and Technology. 2015

[51]Van Ginneken B., Kerkstra S., Meakin J. доступно no

https://grand-challenge.org

[52]Prechelt L. PROBEN1: A set of benchmarks and benchmarking rules for neural network training algorithms.

Fakultaet fuer Informatik, Universitaet Karlsruhe. 1994

[53] Maier-Hein L., Eisenmann M., ReinkeA., OnogurS., Stankovic M., Scholz P., Arbel T, Bogunovic H., Bradley A. P.,

Carass A. et al. Why rankings of biomedical image analysis competitions should be interpreted with care. Nature

Communications, Vol. 9. 2018, Doi: 10.1038/s41467-018-07619-7

[54]Szegedy C., Zaremba W., Sutskever I., Bruna J., Erhan D., Goodfellow I.J., Fergus R. Intriguing properties of neural

networks. IEEE, Computer Vision and Pattern Recognition. 2013

[55]Levenstein VI. Binary Codes with Correction for Deletions and Insertions of the Symbol 1. Problemy Peredachi

lnformatsii.1965

[56]Wang Z. et al. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image

Processing, Vol. 13. 2002

[57] Kexin P., Yinzhi C., Junfeng Y., Suman J. DeepXplore: Automated Whitebox Testing of Deep Learning Systems.

ACM, Proceedings of the 26th Symposium on Operating Systems Principles. 2017, ISBN 978-1-4503-5085-3

[58] Fergus R., Singh B., Hertzmann A., Roweis S. T, Freeman T.W. Removing Camera Shake from a Single Photograph.

ACM, 2006, ACM SIGGRAPH 2006 Papers. 2006, ISBN 1-59593-364-6

[59]Sur F., Grediac M. Measuring the noise of imaging sensors in the presence of vibrations and illumination flickering:

modeling, algorithm, and experiments. INRIA, MAGRIT, Institut Pascal. 2015, hal-01104124, RR-8672

[60] Li Y., Iwamoto Y., Ogawa K., Chen Y.-W. Computer Simulation of Image Distortion byAtmospheric Turbulence Using

Time-Series Image Data with 250-Million-Pixels. IJCEE, International Journal of Computer Electrical Engineering,

Vol. 10. 2018, ISSN 1793-8163

[61] Repasi E., Weiss R. Analysis of image distortions by atmospheric turbulence and computer simulation of turbulence

effects. SPIE, Infrared Imaging Systems: Design, Analysis, Modeling, and Testing, Vol. 6941. 2008

[62]Gilles J., Dagobert T, De Franchis C. Atmospheric turbulence restoration by diffeomorphic image registration and

blind deconvolution. Springer, Advanced Concepts for Intelligent Vision Systems, Vol. 5259. 2008, ISBN 978-3-540-

88458-3