http://dspace.nbuv.gov.ua:80/handle/123456789/180415 2026-04-06T13:39:42Z 2026-04-06T13:39:42Z Білоконь, О.С. http://dspace.nbuv.gov.ua:80/handle/123456789/180487 2021-09-29T22:26:56Z 2020-01-01T00:00:00Z

Застосування технології глибинного навчання для побудови інтелектуальних автономних машин Білоконь, О.С. Одними з найбільш частими задачами, що зустрічаються у побудові інтелектуальних систем машинного зору для побудови інтелектуальних автономних машин є задачі класифікації та регресії. Розв'язання задач класифікації використовуються для рефлекторних дій автономних машин. А розв'язання задач прогнозування можна застосовувати для побудови систем машинного зору для наділення інтелектуальних автономних машин знаннями з довкілля, які своєю чергою, важливі для запланованих прогнозованих рухів. Визначення класу екземплярів задач є важливою процедурою для ефективного проектування систем глибинного навчання. В цих рамках у роботі досліджено можливість застосування багатошарової нейронної мережі, в якості регресора для побудови елементарних функціональних відображень для подальшого прогнозування. У дослідженні окреслено особливості функціонування та комплектації спеціалізованої робототехнічної системи, яка розглядається у даній роботі, як інтелектуальна автономна машина або фізичний агент, згенерований набір даних точок за елементарними функціями, виконуються аналітичне моделювання та моделювання систем що навчаються. Побудовано графік вхідних даних, визначено архітектуру нейронної мережі, реалізовано алгоритм метода градієнтного спуску і на останок побудовані вихідні графіки: процесу навчання, прогнозування результатів та порівняльний графік прогнозованих результатів накладений на графік вхідних даних. У результаті дослідження проведено оцінку інтелектуальних можливостей машини до запланованих рухів.; Одними из наиболее частыми задачами, которые встречаются в построении интеллектуальных систем машинного зрения для построения автономных машин являются задачи классификации и регрессии. Решение задач классификации используются для рефлекторных действий автономных машин. А решения задач прогнозирования можно применять для построения систем машинного зрения для наделения интеллектуальных автономных машин знаниями из окружающей среды, которые в свою очередь, важны для запланированных прогнозируемых движений. Определение класса экземпляров задач является важной процедурой для эффективного проектирования систем глубоко обучения. В этих рамках в работе исследована возможность применения многослойной нейроной сети, в качестве регрессора для построения элементарных функциональных отображений для дальнейшего прогнозирования. В исследовании обозначены особенности функционирования и комплектации специализированной робототехнической системы, которая рассматривается в данной работе, как интеллектуальная автономная машина или физический агент, сгенерированный набор данных точек по элементарным функциям, выполняются аналитическое моделирование и обучающее моделирование. Построен график входных данных, определена архитектура нейронной сети, реализован алгоритм метода градиентного спуска и напоследок построены выходные графики: процесса обучения, прогнозирования результатов и сравнительный график прогнозируемых результатов наложенного на график входных данных. В результате исследования проведена оценка интеллектуальных возможностей машины в прогнозируемых движений.; One of the most common tasks that arise in building intelligent machine vision systems for intellectually autonomous machines is the problems of classification and regression. Classification problems are used for the reflexive action of autonomous machines. Prediction tasks can be used to build machine vision systems to provide intelligent autonomous machines with environmental knowledge, which in turn is important for planned predictable movements. Defining a class of task instances is an important procedure for the effective design of deep learning systems. In this context, the possibility of using a multilayered neural network as a regressor to construct elementary functional mappings is explored for further prediction. The study outlines the peculiarities of functioning and configuration of a specialized robotics system, considered in this paper as an intelligent autonomous machine or physical agent, generates a set of data points for elementary functions, analytical modeling and modeling of training systems. Input graph was constructed, neural network architecture was defined, gradient descent algorithm was implemented, and output schedules were finally constructed: learning process, results prediction and comparative graph of predicted results superimposed on the input graph. As a result of the study, an assessment of the machine's intellectual ability to predict was made.

2020-01-01T00:00:00Z Балабанов, О.С. http://dspace.nbuv.gov.ua:80/handle/123456789/180486 2021-09-29T22:26:30Z 2020-01-01T00:00:00Z

Відтворення казуальних моделей з даних. Проблеми адекватності структур з прихованими причинами Балабанов, О.С. Аналізується надійність відтворення каузальних моделей зі статистичних даних методами, основаними на незалежності. Показано механізми виникнення неадекватності моделі внаслідок недосконалості та неповноти емпіричних даних. Розкрито специфічні проблеми виведення (розпізнавання) спрямованості впливів між змінними в ситуації, коли деякі причини є прихованими. Виявлено некоректність відомого правила виведення спрямованості (орієнтації) зв'язків в умовах прихованих змінних. Запропоновано корекцію розглянутого правила для уникнення можливих помилок.; Анализируется надежность восстановления каузальных моделей из статистических данных методами, основанными на независимости. Показаны механизмы возникновения неадекватности модели вследствие несовершенства и неполноты эмпирических данных. Раскрыты специфические проблемы вывода (распознавания) направленности влияний между переменными в ситуации, когда некоторые причини являются скрытыми. Выявлена некорректность известного правила вывода направленности (ориентации) связей в условиях скрытых переменных. Предложена коррекция рассмотренного правила для исключения возможных ошибок; The reliability of causal inference from data (by independence-based methods) is analyzed. We uncover some mechanisms which may result in model inadequacy due to sample bias and hidden variables. We detect some specific problems in recognition of direction of influence when some causes are hidden. Incorrectness of known rule for edge orientation (under causal insufficiency) is revealed. We suggest the correction to the rule aiming to retain model adequacy

2020-01-01T00:00:00Z Глибовець, М.М. Салата, К.В. Ткач, Н.А. http://dspace.nbuv.gov.ua:80/handle/123456789/180485 2021-09-29T22:26:41Z 2020-01-01T00:00:00Z

Побудова діагностичної експертно-медичної системи з використанням нейронних мереж Глибовець, М.М.; Салата, К.В.; Ткач, Н.А. В статье рассмотрено методы (деревья принятия решений, глубинное обучение, метод k-ближайших соседей, нейронные сети) создания диагностических экспертно-медицинские систем. Для практической части создания API были выбраны классификаторы и проведено исследование их работы. А именно были сравнены классификаторы, базирующиеся на нейронных сетях, деревьях принятия решений и методе k-ближайших соседей. Были оптимизированы параметры для этих классификаторов. В результате были отобраны параметры на которых исследовались данные. Также был исследован датасет информации о пациентах, у которых был сердечный приступ, для разработки программной системы диагностирования сердечных болезней. Описано диагностическое API определения сердечных болезней пациентов.; В статье рассмотрено методы (деревья принятия решений, глубинное обучение, метод k-ближайших соседей, нейронные сети) создания диагностических экспертно-медицинские систем. Для практической части создания API были выбраны классификаторы и проведено исследование их работы. А именно были сравнены классификаторы, базирующиеся на нейронных сетях, деревьях принятия решений и методе k-ближайших соседей. Были оптимизированы параметры для этих классификаторов. В результате были отобраны параметры на которых исследовались данные. Также был исследован датасет информации о пациентах, у которых был сердечный приступ, для разработки программной системы диагностирования сердечных болезней. Описано диагностическое API определения сердечных болезней пациентов.; In the article was discussed the methods (decision trees, deep learning algorithms, k-nearest neighbors, neural networks) to create diagnostic expert medical systems. For practice part were developed diagnostic API based on chosen classifiers that implement the algorithms and a study of their work was conducted. Namely, classifiers based on neural networks, decision trees and k-nearest neighbors method were compared. The parameters for the selected classifier were optimized. As a result, were selected parameters on which the data were researched. In addition, the dataset of information of patients who had heart attack was researched to develop a diagnostic system for revealing heart diseases. The diagnostic API for revealing patients’ heart diseases is described. Keywords: diagnostic systems, medical systems, neural networks, decision trees, diagnostic API.

2020-01-01T00:00:00Z Дорошенко, А.Ю. Шпиг, В.М. Кушніренко, Р.В. http://dspace.nbuv.gov.ua:80/handle/123456789/180484 2021-09-29T22:26:51Z 2020-01-01T00:00:00Z

Застосування машинного навчання для уточнення чисельних метеорологічних прогнозів Дорошенко, А.Ю.; Шпиг, В.М.; Кушніренко, Р.В. Зроблено короткий огляд тенденцій розвитку чисельного прогнозування погоди, труднощів та природи їх виникнення, існуючих та перспективних шляхів їх подолання. Як перспективний підхід для збільшення точності прогнозу приземної температури повітря чисельної регіональної моделі COSMO запропоновано архітектуру нейронної мережі, яка дозволяє прогнозувати помилки власне прогнозів атмосферної моделі із подальшим їх коригуванням. Проведено експерименти з різними передісторіями помилок регіональної моделі. Визначено кількість епох, після збільшення якої мало місце так зване перенавчання мережі. Показано, що запропонована архітектура дає можливість досягти покращення прогнозу приземної температури повітря приблизно у 50 % випадків.; Сделан краткий обзор тенденций развития численного прогнозирования погоды, трудностей и природы их возникновения, существующих и перспективных путей их преодоления. Как перспективный подход для увеличения точности прогноза приземной температуры воздуха численной региональной модели COSMO предложена архитектура нейронной сети, которая позволяет прогнозировать ошибки собственно прогнозов атмосферной модели с последующей их коррекцией. Были проведены эксперименты с различными предыстория ошибок региональной модели. Определено количество эпох, после увеличения которого имело место так называемое переобучение сети. Показано, что предложенная архитектура позволяет достичь улучшения прогноза приземной температуры воздуха примерно в 50 % случаев.; In this paper are presented a brief overview of trends in numerical weather prediction, difficulties and the nature of their occurrence, the existing and perspective ways to overcome them. The neural network architecture is proposed as a promising approach to increase the accuracy of the 2m temperature forecast by COSMO regional model. This architecture allows predicting errors of the atmospheric model forecasts with their further corrections. Experiments were conducted with different prehistories of regional model errors. The number of epochs was determined after which the increase of the so-called retraining of the network had place. It is shown that the proposed architecture makes it possible to achieve an improvement of 2m temperature forecast in approximately 50 % of cases.

2020-01-01T00:00:00Z