Academic literature on the topic 'Глибокі нейронні мережі'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Contents
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Глибокі нейронні мережі.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Глибокі нейронні мережі"
Koshel, А. "Перспективні напрямки застосування нейронних мереж у конструкторській діяльності." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 46 (April 1, 2022): 57–63. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-08.
Full textМальцев, A. "Щодо застосування глибокого навчання з підкріпленням у сучасних системах." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 44 (October 28, 2021): 37–43. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-06.
Full textДакі, О. А., С. А. Олізаренко, Ю. Г. Якусевич, З. Я. Дорофєєва, and В. В. Тришин. "Інформаційна технологія розробки бази знань інтелектуальної системи автоматичного управління рухом судна." Системи озброєння і військова техніка, no. 3(67) (September 24, 2021): 52–60. http://dx.doi.org/10.30748/soivt.2021.67.07.
Full textБeлоус, Р., Є. Крилов, and В. Анікін. "Поняття глибинного навчання та його використання для розпізнавання елементів на картографічних зображеннях." Адаптивні системи автоматичного управління 2, no. 37 (May 31, 2021): 3–7. http://dx.doi.org/10.20535/1560-8956.37.2020.226788.
Full textGrishmanov, E., A. Mogilatenko, and Yu Danilov. "РОЗРОБКА ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ АВТОМАТИЗОВАНОГО ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ В ПОЛЬОТІ." Системи управління, навігації та зв’язку. Збірник наукових праць 1, no. 53 (February 5, 2019): 36–40. http://dx.doi.org/10.26906/sunz.2019.1.036.
Full textGryshmanov, Е. "ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ МОДЕЛІ ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ ПІД ЧАС ПОЛЬОТУ." Системи управління, навігації та зв’язку. Збірник наукових праць 5, no. 51 (October 30, 2018): 20–23. http://dx.doi.org/10.26906/sunz.2018.5.020.
Full textЛогвін, A. "Глибинне навчання для аудіо-додатків." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 42 (March 26, 2021): 72–78. http://dx.doi.org/10.36910/6775-2524-0560-2021-42-11.
Full textКозак, Є. Б. "ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ." Таврійський науковий вісник. Серія: Технічні науки, no. 3 (November 2, 2021): 19–28. http://dx.doi.org/10.32851/tnv-tech.2021.3.3.
Full textХома, Ю. В., І. П. Микитин, С. І. Артемук, and В. А. Бридінський. "НЕЙРОКОМП’ЮТЕРНА СИСТЕМА КЕРУВАННЯ НА ОСНОВІ ПЛАТФОРМИ OPEN BCI ТА ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ." Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, no. 4 (2020): 127. http://dx.doi.org/10.32838/2663-5941/2020.4/18.
Full textGrishmanov, E., I. Zakharchenko, P. Berdnik, and M. Kasyanenko. "ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ ВЕКТОРНОЇ МОДЕЛІ ТЕКСТОВИХ ПОВІДОМЛЕНЬ ДЛЯ НАВЧАННЯ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ ПРОГНОЗУВАННЮ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ В ПОЛЬОТІ." Системи управління, навігації та зв’язку. Збірник наукових праць 2, no. 54 (April 11, 2019): 18–21. http://dx.doi.org/10.26906/sunz.2019.2.018.
Full textDissertations / Theses on the topic "Глибокі нейронні мережі"
Зайяд, Абдаллах Мухаммед. "Ecrypted Network Classification With Deep Learning." Master's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/34069.
Full textThis dissertation consists of 84 pages, 59 Figures and 29 sources in the reference list. Problem: As the world becomes more security conscious, more encryption protocols have been employed in ensuring suecure data transmission between communicating parties. Network classification has become more of a hassle with the use of some techniques as inspecting encrypted traffic can pose to be illegal in some countries. This has hindered network engineers to be able to classify traffic to differentiate encrypted from unencrypted traffic. Purpose of work: This paper aims at the problem caused by previous techniques used in encrypted network classification. Some of which are limited to data size and computational power. This paper employs the use of deep learning algorithm to solve this problem. The main tasks of the research: 1. Compare previous traditional techniques and compare their advantages and disadvantages 2. Study previous related works in the current field of research. 3. Propose a more modern and efficient method and algorithm for encrypted network traffic classification The object of research: Simple artificial neural network algorithm for accurate and reliable network traffic classification that is independent of data size and computational power. The subject of research: Based on data collected from private traffic flow in our own network simulation tool. We use our proposed method to identify the differences in network traffic payloads and classify network traffic. It helped to separate or classify encrypted from unencrypted traffic. 6 Research methods: Experimental method. We have carried out our experiment with network simulation and gathering traffic of different unencrypted protocols and encrypted protocols. Using python programming language and the Keras library we developed a convolutional neural network that was able to take in the payload of the traffic gathered, train the model and classify the traffic in our test set with high accuracy without the requirement of high computational power.
Хемій, Андрій Богданович. "Дослідження когнітивних властивостей глибоких штучних нейронних мереж." Thesis, Тернопільський національний технічний університет імені Івана Пулюя, 2017. http://elartu.tntu.edu.ua/handle/123456789/18942.
Full textШевченко, Артем Олександрович. "Застосування штучного інтелекту для класифікації продуктів харчування." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9415.
Full textДаценко, Владислав Сергійович. "Метод реалізації систем ідентифікації вторгнень на базі нейромереж глибокого навчання." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9585.
Full textПідгородецький, Михайло Ігорович, and Mykhailo Pidhorodetskyi. "Проектування та розробка системи ідентифікації та класифікації зображень біооб’єктів за допомогою відкритих бібліотек Python." Master's thesis, ТНТУ ім. І Пулюя, 2021. http://elartu.tntu.edu.ua/handle/lib/36766.
Full textЧерез тісний зв’язок ідентифікації та класифікації об’єктів з аналізом відео та розумінням зображення, на це звернули увагу багато дослідників за останні роки. Традиційні методи виявлення об'єктів засновані на написаних вручну особливостях, є малоефективними. Їх продуктивність знижується під час конструювання складних систем, які поєднують в собі кілька низькорівневих особливостях зображення порівняно з детекторами об’єктів та класифікаторами зображень. Завдяки швидкому розвитку глибокого навчання, більш потужні інструменти, які здатні вивчати семантичні, високорівневі та глибші особливості, вводяться для вирішення існуючих проблем з якими не справляються традиційні архітектури. Ці моделі поводяться по-різному в залежно від архітектурі мережі, стратегії навчання та функцій оптимізації тощо.
Ковальчук, Роман Дмитрович, and Roman Kovalchuk. "Дослідження можливостей використання методів машинного навчання для розробки на мобільні платформи." Master's thesis, ТНТУ ім. І Пулюя, 2021. http://elartu.tntu.edu.ua/handle/lib/36827.
Full textМетою даної магістерської роботи є дослідження можливостей використання засобів машинного навчання при розробці на мобільні платформи. Для досягнення поставленої мети було сформовано наступні завдання: 1. проаналізувати можливі засоби машинного навчання доступні для використання на мобільних платформах; 2. проаналізувати засоби розробки додатків для платформ IOS та Android; 3. спроектувати та реалізувати додаток для однієї з мобільних платформ; 4. протестувати розроблений додаток. Після виконання всіх поставлених завдань було продемонстровано практичне використання засобів машинного навчання для розробки додатків на мобільні платформи.
Bezverkha, Kateryna. "Using of neural networks in aviation." Thesis, National Aviation University, 2021. https://er.nau.edu.ua/handle/NAU/50732.
Full textТhe use of neural network technologies in aviation is analyzed in the work and the prospects for their development of aviation systems.
У роботі проаналізовано використання нейромережевих технологій в авіації та перспективи їх розвитку в авіаційних системах.
Ліщук, Олександр Олегович, and Oleksandr Olegovich Lishchuk. "Розробка системи керування безпілотним автомобілем на основі нейронної мережі." Master's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/36855.
Full textВСТУП 8 1 АНАЛІЗ НАУКОВО-ТЕХНІЧНИХ ПУБЛІКАЦІЙ 11 1.1 Глибоке навчання безпілотного автомобіля 11 1.1.1 Глибоке навчання у сприйнятті 12 1.1.2 Злиття сенсорів 14 1.1.3 Глибоке навчання в локалізації 14 1.1.4 Планування на високому рівні 16 1.2 Набір даних для самокерованого автомобіля 17 1.2.1 Семантична сегментація 18 1.2.2 Алгоритм YOLO 19 1.3 Оптимізація моделі глибокого навчання для кращої продуктивності 21 1.3.1 Продуктивність 24 1.3.2 Модельна обрізка 25 1.3.3 Зменшення розміру моделі 26 1.4 Висновки до розділу 1 27 2 МОДЕЛЮВАННЯ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ 28 2.1 Нейронна мережа 28 2.2 Глибока нейронна мережа для автономного водіння 30 2.2.1 Автономна система водіння 35 2.2.2 Симулятор середовища unity 37 2.2.3 Попередня обробка даних 40 2.2.4 Архітектура J-Net 44 2.3 Реалізації AlexNet та PilotNet, порівняння з J-Net 47 2.3.1 Стратегія навчання та настройка 49 2.3.2 Обчислювальна складність 53 2.3.3 Результати перевірки в тренажері 56 2.4 Висновки до розділу 2 62 3 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 64 3.1 Організація охорони праці на виробництві автомобільного транспорту 64 3.2 Підвищення стійкості підприємства автомобілебудівної галузі у воєнний час. 67 ВИСНОВКИ 71 ДОДАТКИ
Задолинний, Олександр Юрійович, and Oleksandr Yuriiovych Zadolynnyi. "Дослідження згорткових нейронних мереж для задач опрацювання медичних зображень в умовах пандемії." Master's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/36852.
Full textВСТУП 8 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 10 1.1 Коронавіруси та пандемія 10 1.2 Стан досліджень в галузі опрацювання медичних зображень 11 1.3 Наукові розвідки про використання CNN для опрацювання медичних зображень в умовах пандемії 12 1.4 Висновок до першого розділу 22 2 МОДЕЛІ ВИЯВЛЕННЯ ІНФЕКЦІЙНИХ ЗАХВОРЮВАНЬ З ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ 23 2.1 Раннє виявлення COVID-19 з використанням CNN 23 2.2 Згорткові нейронні мережі 25 2.3 Гібридна модель CNN 27 2.4 Капсульні мережі 32 2.5 Нейромережна архітектура VGG-CapNet 36 2.6 Набір даних зображень 39 2.7 Висновок до другого розділу 40 3 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ НА ОСНОВІ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ЗАДАЧ ОПРАЦЮВАННЯ МЕДИЧНИХ ЗОБРАЖЕНЬ В УМОВАХ ПАНДЕМІЇ 41 3.1 Обчислювальний експеримент та результати моделювання 41 3.2 Модель CNN-CapsNet для виявлення COVID-19 42 3.3 Модель VGG-CapsNet для виявлення COVID-19 48 3.4 Аналіз результатів моделювання 54 3.5 Висновок до третього розділу 57 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 59 4.1 Дії роботодавців в умовах пандемії при захворюванні працівників COVID-19 59 4.2 Ергономічні вимоги до робочого місця користувача персональним комп’ютером (ПК) 62 ВИСНОВКИ 65 ПЕРЕЛІК ДЖЕРЕЛ 66 ДОДАТКИ
Третяк, Ігор Олегович. "Розробка системи комп'ютерного зору для розпізнавання емоцій." Магістерська робота, 2020. https://dspace.znu.edu.ua/jspui/handle/12345/1658.
Full textUA : Робота викладена на 52 сторінках друкованого тексту, містить 15 рисунків, 8 джерел, 1 додаток. Об’єкт дослідження: сучасні системи комп'ютерного зору. Мета роботи: розробка системи комп’ютерного зору для розпізнавання емоцій. Метод дослідження: аналітичний. У роботі досліджуються сучасні системи комп'ютерного зору. Розглядаються різні засоби та технології для вирішення проблеми виявлення та класифікації об’єкту на зображенні, запропоноване рішення на основі якого розробляється дизайн системи. В роботі представлено детальний огляд технологій і засобів для виявлення та класифікації об’єктів на зображенні.
EN : The work is presented on 52 pages of printed text, 15 images, 1 table, 8 sources, 1 supplement. The object of the study is modern computer vision systems. The aim of the study is design of computer vision system for emotion recognation. The method of research is analytical. In the work modern systems of computer vision are investigated. Various tools and technologies are being considered to solve the problem of detecting and classifying an object in an image, and a solution is proposed to design the system. The paper provides a detailed overview of technologies and tools for identifying and classifying objects in an image.