Dissertations / Theses on the topic 'Навчання нейронної мережі'
To see the other types of publications on this topic, follow the link: Навчання нейронної мережі.
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 dissertations / theses for your research on the topic 'Навчання нейронної 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.
Browse dissertations / theses on a wide variety of disciplines and organise your bibliography correctly.
1
Ковшик, Валентин Ігорович. "Визначення параметрів штучної нейронної мережі для прогнозування логістичних витрат." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2017. http://repository.kpi.kharkov.ua/handle/KhPI-Press/42694.
Full text
2
Кохановська, Н. В., О. В. Якімова, and Андрій Олександрович Дашкевич. "Розробка алгоритму навчання штучної нейронної мережі для вирішення задачі класифікацї." Thesis, НТУ "ХПІ", 2011. http://repository.kpi.kharkov.ua/handle/KhPI-Press/3350.
Full text
3
Болбас, Ю. А., and М. Г. Заворотна. "Выбор структуры нейронной сети для выполнения функций распознавания." Thesis, ХНУРЕ, 2019. http://openarchive.nure.ua/handle/document/8475.
Full textAbstract:
The neural network is a series of neurons connected by synapses. The structure of the neural network came from biology. The machine has the ability to analyze and memorize various information. Neural networks are able not only to analyze incoming information, but also to reproduce it from its memory. In order for the human brain to use neural networks. When learning without a teacher, the model uses unpartitioned data, from which the algorithm independently tries to extract features and dependencies. Learning without a teacher is often used when there are no known results in advance.
4
Новіков, Олександр Олегович. "Комп’ютерні засоби діагностування захворювань на основі нейронної мережі." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/43287.
Full textAbstract:
Кваліфікаційна робота включає пояснювальну записку (50 с., 36 рис., 2 додатки).
Об’єкт розробки – створення комп’ютерного засобу для діагностування захворювань на основі нейронної мережі, яка дозволяє визначати наявність недугу.
Предмет розробки – автоматизація діагностування діабетичної ретинопатії.
Комп’ютерний засоб дозволяє: діагностувати захворювання на основі цифрового зображення, яке завантажене користувачем використовуючи графічний інтерфейс. В процесі розробки було використано мову програмування високого рівня Python та пакети TensorFlow, Keras, NumPy.
В ході розробки:
- проведено аналіз методів машинного навчання для класифікації цифрових зображення;
- розроблено програмну систему для діагностування діабетичної ретинопатії з користувацьким інтерфейсом;
- виконано дослідження ефективності розробленої системи;
Використання цієї системи дозволить автоматизувати діагностування недугу. Що надає можливість своєчасного лікування пацієнта, економить час і сили лікарів.The object of development - the creation of a software system for diagnosing diseases based on the neural network, which allows to determine the presence of the disease. The subject of development is the automation of the diagnosis of diabetic retinopathy. The software system allows user to diagnose the disease on the basis of a digital image that is uploaded using a graphical interface. In the development process were using programming language Python and such packages as TensorFlow, Keras, NumPy. During development: - analysis of machine learning methods for the classification of digital images is carried out; - developed a software system for the diagnosis of diabetic retinopathy with a user interface; - studied the efficiency of the developed software. The use of this software system will make it possible to automate the diagnosis of the disease. That can help to timely treat the patient, save the time and effort of doctors.
5
Руденко, Інна Вікторівна. "Інформаційна технологія для класифікації марок автомобілів з використанням згорткової нейронної мережі." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9696.
Full textAbstract:
Метою роботи є розробка програмного модуля, що базується на удосконаленні та оптимізації параметрів класифікаційної моделіз горткової нейронної мережі.Дана дипломна робота присвячена розробці програмного продукту для розпізнавання марок автомобілів за допомогою навчання згорткової нейронної мережі і підбору оптимальних параметрів.
6
Шамрелюк, В'ячеслав Валерійович. "Розпізнавання образів нейромережею із генетичним алгоритмом навчання." Магістерська робота, Хмельницький національний університет, 2021. http://elar.khnu.km.ua/jspui/handle/123456789/10987.
Full textAbstract:
Кваліфікаційна робота розв’язує задачу автоматизованого розпізнавання образів нейромережею перцептрон, навчання якої здійснюється за допомогою генетичного алгоритму, зокрема, при навчанні двошарової нейромережі перцептрон за допомогою генетичного алгоритму навчання виконується повне поступове налаштування множини ваг синапсів нейромережі, що складається із двох підмножин, які утворюються предсинаптичними зв’язками схованого та вихідного прошарків нейронів мережі.
7
Ф, Брунь В. "Концептуальні підходи до навчання нейронних мереж." Thesis, Київ, Національний авіаційний університет, 2012. http://er.nau.edu.ua/handle/NAU/18857.
Full textAbstract:
Розглянуто основні принципи функціонування нейронних мереж. Елементарним перетворювачем у даних мережах є штучний нейрон, який складається з елементів трьох типів: помножувачів або синапсів, суматора і нелінійного перетворювача.
Найважливішою властивістю нейронних мереж є їх здатність навчатися на основі даних навколишнього середовища і в результаті навчання підвищувати свою продуктивність. Розглядається два концептуальні підходи до навчання нейронних мереж: навчання з учителем і навчання без учителя.
8
Зубенко, О. В., Л. М. Семенова, O. V. Zubenko, and L. M. Semenova. "Artificial Neural Networks and Their Current Level of Development." Thesis, Міжнародний гуманітарний університет; Південний регіональний центр Національної академії правових наук України, 2018. http://ir.lib.vntu.edu.ua//handle/123456789/24113.
Full textAbstract:
Neural networks, as one of the leading modern areas of information technology development, are reviewed in this work. The general concept of the neural network, the main types of them, as well their current level of development are presented.В роботі розглянуто нейронні мережі як один з провідних сучасних напрямків розвитку інформаційних технологій. Представлено загальну концепцію нейронної мережі, основні різновиди таких мереж та їх сучасний рівень розвитку.
9
Мац, В. І., and Леонід Михайлович Любчик. "Перенесення стилю за допомогою нейронних мереж." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2019. http://repository.kpi.kharkov.ua/handle/KhPI-Press/48448.
Full text
10
Смішний, Денис Миколайович. "Система прогнозування економічних показників." Master's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/30950.
Full textAbstract:
Магістерська дисертація: 88 с., 20 рис., 27 табл., 1 додаток, 33 джерел.
Актуальність проблеми. Глобалізація та збільшення числа населення сприяють розвитку глобальної економіки, а отже — появі нових видів госпо-дарської діяльності та нових гравців на ринку праці. При реалізації власного підприємства важливо правильно оцінити ризики ринку, проаналізувавши та спробувавши спрогнозувати рух котирувань на найближчий час задля мінімальних фінансових втрат.
Зв’язок роботи з науковими програмами, планами, темами. Наразі, не має конкретних зв’язків з науковими програмами чи планами.
Мета і задачі дослідження. Завданням цієї роботи є дослідження мож-ливості прогнозування економічних параметрів підприємств на прикладі цін на акції компаній на фондовій біржі. Метою є розроблення системи, побудо-ваної на базі нейронної мережі, здатної проаналізувати задані економічні по-казники та, на основі отриманих даних спрогнозувати їхню динаміку.
Об’єкт дослідження. Процес прогнозування економічних показників з використанням елементів нейронної мережі.
Предмет дослідження. Методи аналізу та обробки економічних даних за певний період.
Новизна. Отримання програмного продукту, що здатний прогнозувати коливання економічних показників. Дослідження можливості реалізації мо-делі на основі нейронної мережі для виконання поставленої мети та завдань.Master's Thesis: 88 pp., 20 figs., 27 tables, 1 appendix, 33 sources. The urgency of the problem. Globalization and population growth are con-tributing to the development of the global economy and, consequently, to the emergence of new types of economic activity and new players in the labor market. When implementing your own business it is important to properly evaluate the risks of the market, analyzing and trying to predict the movement of quotations in the near future for minimal financial losses. Relationship with working with scientific programs, plans, topics. Cur-rently, it has no specific links to scientific programs or plans. The purpose and objectives of the study. The purpose of this work is re-search possibility of forecasting the economic parameters of enterprises on the ex-ample of stock prices of companies on the stock exchange. The purpose is to de-velop a system based on a neural network, capable of analyzing specified economic indicators and, based on the data obtained, to predict their dynamics. Object of study. The process of forecasting economic performance using neural network elements. Subject of study. Methods of analysis and processing of economic data for a certain period. Novelty. Obtaining a software product capable of predicting economic fluc-tuations. Investigation of the possibility of creating a universal model based on a neural network, which would not require specialization and would be able to work effectively with any set of input data without further training.
11
Гайдук, Ірина Вадимівна. "Вирішення транспортної задачі методами машинного навчання." Master's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/46504.
Full textAbstract:
Магістерська дисертація: 87 с., 27 рисунків, 24 таблиці, 21
джерело.
В роботі розглянута класична задача оптимального
транспортування. Проведено дослідження відомих методів її вирішення,
їх переваги та недоліки, необхідні умови існування оптимального
розв’язку. Окрім цього, був запропонований машинний метод
вирішення задачі з побудовою та навчанням моделі на основі
генеративної нейронної мережі.
В роботі було розглянуто загальні відомості про методи вирішення
задачі оптимального транспортування при її незбалансованості та
масштабованості. Було виконано аналіз результатів трьох різних типів
задач, вирішених методом машинного навчання.
Об’єктом дослідження є класична задача оптимального
транспортування у трьох різних видах.
Предметом дослідження є методи машинного навчання, зокрема
генеративна змагальна нейронна мережа.Master’s thesis: 87 pages, 27 figures, 24 tables, 21 sources. Theme: The classical problem of optimal transportation. The conducted research solves it by known methods, their advantages and disadvantages, the necessary conditions for the existence of an optimal solution. This was a proposed machine method for solving problems with the construction and model of learning based on a generative neural network. The paper considered general information on the method of solving the problem of optimal transportation with its unbalance and scalability. The results of three different types of problems solved by the machine learning method were analyzed. The subject of the study is the classical problem of optimal transportation in three different types. The subject of research is the methods of machine learning, in particular the generative competitive neural network.
12
Барченко, Н. Л. "Інформаційна система підготовки вхідних даних для організації людино-машинної взаємодії в системах електронного навчання." Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/82480.
Full textAbstract:
Розроблено алгоритм та програмне забезпечення інформаційної системи підготовки вхідних даних для організації людино-машинної взаємодії. На першому етапі запропоновано використовувати штучні нейронні мережі для обчислення показників якості навчально-пізнавальної діяльності студента. На другому етапі запропоновано використовувати систему нечіткого логічного виведення для оцінки діяльності студента з урахуванням способу організації людино-машинної взаємодії.
13
Абойі, С. О. "Метод машинного навчання для веб-безпеки та аналітики." Master's thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/72577.
Full textAbstract:
Model аnd trаіnіng method of web mаlwаre trаffіc detectіon system
usіng convolutіonаl neurаl network аnd іnformаtіon-extreme clаssіfіer, preprocessed trаіnіng аnd test set of normаl аnd аbnormаl web trаffіc representаted by https аnd webshell аttаcks.
14
Москаленко, Д. М. "Підсистема збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз." Thesis, Чернігів, 2021. http://ir.stu.cn.ua/123456789/22463.
Full textAbstract:
Москаленко, Д. М. Підсистема збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз : магістерська робота : 121 «Інженерія програмного забезпечення», ОНП / Д. М. Москаленко ; керівник роботи М. С. Дорош ; НУ «Чернігівська політехніка», кафедра інформаційних технологій і програмної інженерії. – Чернігів, 2021. – 83 с.Метою даної кваліфікаційної роботи є розробка підсистеми збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз. Об'єктом дослідження є методи та моделі обробки природної мови за допомогою нейронних мереж. Предметом дослідження є методи та моделі збору та визначення особливостей розподілу даних соціальних мереж у системі виявлення кіберзагроз. В роботі проведено аналіз загроз в соціальних мережах спричинених небезпечними повідомленнями, а також аналіз задачі визначення емоційного тону текстових даних у соціальних мережах. Побудована архітектура та визначені методи та моделі обробки природньої мови та автоматизованої класифікації. В результаті чого була розроблена підсистема збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз. Методи дослідження. В основі досліджень лежить архітектура системи збору даних з соціальної мережі Twitter яка використовує методи машинного навчання та штучного інтелекту для обробки та визначення розподільчих рис даних повідомлень користовачів [47]. Реалізація програмного забезпечення виконувалась з використанням мови програмування Python за підтримки бібліотеки програмного забезпечення з відкритим кодом для машинного навчання TensorFlow та Keras. Результати представлені у вигляді таблиць та ілюстрацій, що демонструють правильність вибору методів збору та визначення розподільчих рис даних соціальних мереж в системі виявлення кіберзагроз на прикладі класифікації повідомлень. Результати роботи можуть бути використані для подальшої розробки системи пошуку наприклад загроз від онлайн хижаків, користувачів які попагандують ідеї тероризму чи екстремізму у соціальних мережах або перекваліфікації для пошуку повідомлень іншого характеру.
15
Черемський, І. А., and Олена Петрівна Черних. "Аналіз методів застосування нейронних мереж для визначення полярності тексту." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2018. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45637.
Full text
16
Андрущак, Володимир Степанович. "Моделі управління потоками інфокомунікаційних мереж з використанням методів штучного інтелекту і машинного навчання." Diss., Національний університет "Львівська політехніка", 2021. https://ena.lpnu.ua/handle/ntb/56769.
Full text
17
Якимів, Іван Андрійович. "Визначення кардіоваскулярних захворювань з допомогою методів машинного навчання." Master's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/46103.
Full textAbstract:
Проекти, які використовують методи машинного навчання, не є рідкість в наш час, вони можуть виконувати досить складні та великі задачі в медицині, так як: огляд стану здоров’я людини в той же час, як людина проходить консультацію, аналіз історії хвороб усієї країни чи певного регіону і на основі цього аналізу, може прогнозувати хвороби в майбутньому.
Під час роботи я створив проект, що використав та порівняв 5 методів машинного навчання, щоб визначити який з них найкраще підходить для подібних задач. Огляд відбувався на трьох наборах даних, що відрізняються самими характеристиками та їх кількістю.
Дипломна робота: 98 с., 53 рис., 21 табл., 1 додаток 13 с., 36 джерел.Проекти, які використовують методи машинного навчання, не є рідкість в наш час, вони можуть виконувати досить складні та великі задачі в медицині, так як: огляд стану здоров’я людини в той же час, як людина проходить консультацію, аналіз історії хвороб усієї країни чи певного регіону і на основі цього аналізу, може прогнозувати хвороби в майбутньому. Під час роботи я створив проект, що використав та порівняв 5 методів машинного навчання, щоб визначити який з них найкраще підходить для подібних задач. Огляд відбувався на трьох наборах даних, що відрізняються самими характеристиками та їх кількістю. Дипломна робота: 98 с., 53 рис., 21 табл., 1 додаток 13 с., 36 джерел.
18
Яковів, Іван Іванович. "Інтелектуальний аналіз показів сенсорних мереж для моніторингу об’єкта інформаційної діяльності." Thesis, Київ / НАУ. – Київ: Вид-во НАУ, 2017. http://er.nau.edu.ua/handle/NAU/26870.
Full textAbstract:
Безумовно моніторинг об’єкту, це незамінна частина забезпечення інформаційної безпеки на об’єкті інформаційної діляльності. На сьогодні вимоги до систем моніторингу часто змінюються, необхідно використовувати адаптивні системи, тобто ті, що підтримують часту зміну параметрів та можуть перепрограмовуватися. Тому важливо використовувати технології, які дозволяють легко «навчати» систему.
19
Рибалко, В. А. "Веб-додаток для прогнозування фондового ринку на основі штучних нейронних мереж." Thesis, Чернігів, 2021. http://ir.stu.cn.ua/123456789/22467.
Full textAbstract:
Рибалко, В. А. Веб-додаток для прогнозування фондового ринку на основі штучних нейронних мереж : магістерська робота : 121 Інженерія програмного забезпечення / В. А. Рибалко ; керівник роботи А. М. Акименко ; НУ «Чернігівська політехніка», кафедра інформаційних технологій програмного забезпечення. – Чернігів, 2021. – 76 с.Об’єктом розробки став веб-додаток для прогнозування фінансових часових рядів на основі штучних нейронних мереж. У роботі описано етапи та методи розробки веб-додатку, який передбачає ціни на фінансові інструменти та забезпечує можливість їх перегляду за допомогою веб-браузера. Форма прогнозу представлена у вигляді графіку ймовірностей, який складається з двох рядків: зелений - ймовірність подальшого руху цін вище поточних значень, червоний рядок - ймовірність подальшого руху цін нижче. Переглядаючи прогноз, можна змінити час на який буде прогноз. Нейронні мережі роблять прогнози щодо періоду дії однієї японської свічки на різних горизонтах, і, змінюючи її, ви можете регулювати діапазон прогнозу. Отримуючи нові дані, система постійно перевіряє попередні прогнози щодо цього значення, тим самим визначаючи точність прогнозу нейронної мережі. Після оцінки точності коригуються пороги початкових значень нейронної мережі для кожного класу прогнозу, а саме рух вгору і вниз.
The object of development was a web application for forecasting financial time series based on artificial neural networks. The article describes the stages and methods of developing a web application that provides prices for financial instruments and provides the ability to view them using a web browser. The forecast form is presented in the form of a probability graph, which consists of two lines: green - the probability of further price movements above current values, red line - the probability of further price movements below-che. By viewing the forecast, you can change the time for which the forecast will be. Neural networks make predictions about the duration of one Japanese candle on different horizons, and by changing it, you can adjust the forecast range. Upon receiving new data, the system constantly checks previous predictions for this value, thereby determining the accuracy of the prediction of the neural network. After estimating the accuracy, the thresholds of the initial values of the neural network for each forecast class are adjusted, namely the up and down motion.
20
Таценко, А. С. "Підсистема визначення рівня безпеки аккаунту з використанням методів машинного навчання в системі виявлення кіберзагроз." Thesis, Чернігів, 2021. http://ir.stu.cn.ua/123456789/22474.
Full textAbstract:
Таценко, А. С. Підсистема визначення рівня безпеки аккаунту з використанням методів машинного навчання в системі виявлення кіберзагроз : магістерська робота : 121 Інженерія програмного забезпечення, ОНП / А. С. Таценко ; керівник роботи М. С. Дорош ; НУ «Чернігівська політехніка», кафедра інформаційних технологій і програмної інженерії. – Чернігів, 2021. – 91 с.Метою даної кваліфікаційної роботи є розробка підсистеми визначення рівня безпеки аккаунту з використанням методів машинного навчання в системі виявлення кіберзагроз. Об’єктом дослідження є моделі та методи штучного інтелекту в галузі обробки та інтелектуального аналізу даних природніх мов. Предметом дослідження є методи та системи машинного навчання, на розмічених прикладах для побудови моделі прогнозування багато класової класифікації текстів Методами дослідження стали – метод обробки текстових даних до векторного виду (Word2Vec), логістична регресія, метод наівних баєсів та згорткова нейронна мережа LSTM (RNN). За допомогою цих методів можна приймати рішення для бізнесу, в політичних цілях і т.п. Останнім часом велика кількість людей діляться своєю думкою через Інтернет, тому в епоху інформації даний підхід до аналізу думки громадськості вимагає своєї уваги і є достатньо актуальним. В роботі запропоновано система класифікаціі рівня безпеки акаунтів. Виконане ретельне проектування систем. Програмна реалізація була здійснена за допомогою мови програмування Python за підтримки відкритих програмних бібліотек для машинного навчання TensorFlow, бекенду машинного навчання Keras та Sckit Learn. Підсистема була реалізована за на основі веб-фреймворку Flask. Результати роботи викладені у вигляді таблиць та ілюстрацій, що демонструють правильність вибору методів виділення суттєвих ознак, а також прикладу класифікації повідомлень. Результати роботи можуть бути використані для подальшої розробки системи пошуку токсичних повідомлень у соціальних мережах, або бути перекваліфікованими для пошуку повідомлень іншого характеру, наприклад, терористичних.
The purpose of this qualification work is to develop a subsystem for determining the level of account security using machine learning methods in the cyber threat detection system. The object of research are models and methods of artificial intelligence in the field of processing and intellectual analysis of natural language data. The subject of research are methods and systems of machine learning, on the marked examples for construction of model of forecasting of many class classification of texts The methods of research were the method of processing text data into a vector form (Word2Vec), logistic regression, the method of naive bayes and the convolutional neural network LSTM (RNN). With these methods you can make decisions for business, political purposes, etc. Recently, a large number of people share their opinions via the Internet, so in the information age, this approach to the analysis of public opinion requires attention and is quite relevant. The system of classification of account security level is offered in the work. Careful design of systems is executed. The software was implemented using the Python programming language with the support of open source software libraries for machine learning TensorFlow, machine learning backend Keras and Sckit Learn. The subsystem was implemented on the basis of the Flask web framework. The results are presented in the form of tables and illustrations that demonstrate the correctness of the choice of methods for highlighting the essential features, as well as an example of the classification of messages. The results of the work can be used to further develop a system for searching for toxic messages on social networks, or be retrained to search for messages of another nature, such as terrorist.
21
Колупанов, А. Г. "Інформаційна технологія розпізнавання захворювань свиней за фотографією." Master's thesis, Сумський державний університет, 2019. http://essuir.sumdu.edu.ua/handle/123456789/76522.
Full textAbstract:
Сформовано вхідний математичний опис для моделі аналізу діагностичних зображень, розроблено модель, і обрано алгоритм та програмна реалізація машинного навчання і екзамену для реалізації інформаційної технології діагностування свиней за фотографією. Розроблений алгоритм виконано в середовищі jupyter notebook на мові python.
22
Пришляк, М. Ю., С. О. Субботін, and А. О. Олійник. "Аналіз методів навчання на базі методів Монте-Карло для обмежених машин Больцмана." Thesis, Сумський державний університет, 2017. http://essuir.sumdu.edu.ua/handle/123456789/65628.
Full textAbstract:
Задачі роспізнавання та класифікації доцільно вирішувати за допомогою глибоких нейронних мереж (НМ). Усі глибокі НМ складаются
с базових НМ, до яких відноситься обмежена машина Больцмана
(ОМБ) – двошарова енергетична модель, яка не має зв’язків між нейронами всередині шарів, але самі шари повністю зв’язані між собою.
23
Старанчук, Захар Ігорович. "Багатокомп’ютерна система виявлення вторгнень на базі штучних імунних систем та нейронних мереж." Магістерська робота, Хмельницький національний університет, 2021. http://elar.khnu.km.ua/jspui/handle/123456789/10279.
Full textAbstract:
Через складність та різноманітність вторгнення засобів мережевої системи, нейронна мережа значно збагатила засоби досягнення системи виявлення вторгнень. Нейронні мережі моделюють роботу мозку, зберігання та обробку інформаційних механізмів, вони мають здатність абстрагувати узагальненні, навчальні та адаптивні можливості та властиві характеристики паралельних обчислень, роблячи це при виявленні вторгнень. Об’єктом дослідження є: дистрибутивні системи виявлення вторгнень на базі штучних імунних систем та нейронних мереж.
Предметом дослідження є процес виявлення вторгнень в корпоративній мережі організацій. Метою дипломної роботи є: розробка багатокомп’ютерної системе виявлення вторгнень в корпоративних мережах. Наукова новизна отриманих результатів полягає в тому, що на основі проведених досліджень удосконалено архітектуру багатокомп’ютерної системи виявлення комп’ютерних атак на основі штучних імунних систем та нейронних мереж, що дає змогу прогнозувати шляхи розвитку комп'ютерних атак. Практична значимість отриманих результатів полягає у розробленій архітектурі багатокомп’ютерної системи виявлення вторгнень на базі штучних імунних систем та нейронних мереж, яка стала основною розробки нового типу засобів виявлення комп'ютерних атак.
24
Отог, Д. В. "Прогнозування курсу криптовалют з використанням технологій нейромереж." Master's thesis, Сумський державний університет, 2020. https://essuir.sumdu.edu.ua/handle/123456789/82022.
Full textAbstract:
Метою кваліфікаційної роботи магістра є створення програми для прогнозування, реалізації та аналізу курсів криптовалют.
Під час виконання роботи використовували та аналізували методи та класифікації для прогнозування майбутнього курсу криптовалют, завдяки нейронним мережам.
У результаті проведених досліджень було розроблено програмний продукт, який може прогнозувати курс криптовалюти з точністю 20-50% залежно від прогнозованого періоду, а також тенденцію курсу з точністю до 100%. Було виявлено, що регресору потрібно 90 днів для навчання і більш точного прогнозу курсу криптовалют. Новизна роботи полягає в розробці методу прогнозування курсу криптовалюти, використовуючи дані із нейронних мереж як зовнішній фактор, що впливає на обмінний курс.
25
Лавренів, Андрій Дмитрович, and Andrii Lavreniv. "Розробка методів дослідження нейронних мереж з використанням середовища Wolfram Mathematica та мови програмування С++." Master's thesis, ТНТУ ім. І Пулюя, 2021. http://elartu.tntu.edu.ua/handle/lib/36818.
Full textAbstract:
Практичним застосуванням є нейроні мережі та методи роботи з ними у
системі Wolfram Mathematica. Безпосередня ідея магістерської роботи полягає у розробці програмних
засобів для роботи з нейронними мережами у системі Wolfram Mathematica. Також
в роботі розв’язується задача із порівняння ефективності роботи основних типів
нейронних мереж та встановлюються особливості подання і отримання даних в
них.
Наукова новизна отриманих в дипломній роботі результатів полягає у тому,
що вперше було послідовно розроблено програмні засоби для побудови, аналізу та
застосування нейронних мереж з використанням середовища та мови
програмування Wolfram Mathematica. Встановлено, що нейронні мережі, які
працюють у рамках системи Mathematica мають перспективу застосування до
широкого кола прикладних та наукових задачМета, яка поставлена в магістерській роботі досягається шляхом виконання таких завдань для середовища Wolfram Mathematica: дослідження основних видів нейронних мереж та способів їх подання; навчання нейронної мережі; формування репозиторію нейронної мережі Wolfram; способи отримання необхідної інформації у нейронній мережі;розробка самостійної LeNet архітектури та MXNet фреймфорку для нейронних мереж.
26
Даценко, 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 text
27
Бєляков, Нікіта Андрійович. "Прогнозна модель споживчого попиту на підприємствах роздрібної торгівлі на основі методів машинного навчання." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9533.
Full textAbstract:
Метою дипломної роботи є прогнозуюча модель попиту на підприємствах роздрібної торгівлі. Результатом виконання дипломної роботи є створення прогнозної моделі попиту групи товарів у трьох регіонах. Отримані результати дозволили оцінити попит продукції та скорегувати роботу підприємства.
28
Бріль, Андрій Сергійович, and Andriy Brilʹ. "Розробка системи підтримки прийняття рішень на основі розпізнавання зображень." Master's thesis, Тернопільський національний технічний університет імені Івана Пулюя, 2019. http://elartu.tntu.edu.ua/handle/lib/30717.
Full textAbstract:
Дана робота присвячена розробці системи підтримки прийняття рішень на основі розпізнавання зображень, а саме їхньої сегментації. Реалізовано програмний продукт для сегментації й аналізу вхідних зображень з відображенням результатів розпізнавання.
Методи й програмні засоби, які були використані для реалізації: мова програмування Python бібліотеку Keras, NumPy та TensorFlow.
Практичне значення. Реалізовано систему для сегментації зображень із зручністю завантаження та їхнього аналізу і отримання змістовної інформації щодо отриманих результатів.This paper is about developing a decision support system based on image recognition, namely their segmentation. Implemented a software product for segmenting and analyzing input images to display recognition results. Methods and tools used to implement this: Python programming language Keras library, NumPy and TensorFlow. Practical meaning. A system for image segmentation with ease of downloading and analyzing them and getting meaningful information about the results obtained.
29
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 textAbstract:
Дисертація складається з 84 сторінок, 59 Цифри та 29 джерел у
довідковому списку.
Проблема: Оскільки світ стає більш безпечним, для забезпечення
належної передачі даних між сторонами, що спілкуються, було
використано більше протоколів шифрування. Класифікація мережі стала
більше клопоту з використанням деяких прийомів, оскільки перевірка
зашифрованого трафіку в деяких країнах може бути незаконною. Це
заважає інженерам мережі мати можливість класифікувати трафік, щоб
відрізняти зашифрований від незашифрованого трафіку.
Мета роботи: Ця стаття спрямована на проблему, спричинену попередніми
методами, використовуваними в шифрованій мережевій класифікації.
Деякі з них обмежені розміром даних та обчислювальною потужністю. У
даній роботі використовується рішення алгоритму глибокого навчання для
вирішення цієї проблеми.
Основні завдання дослідження:
1. Порівняйте попередні традиційні методи та порівняйте їх
переваги та недоліки
2. Вивчити попередні супутні роботи у сучасній галузі
досліджень.
3. Запропонуйте більш сучасний та ефективний метод та алгоритм
для зашифрованої класифікації мережевого трафіку
Об'єкт дослідження: Простий алгоритм штучної нейронної
мережі для точної та надійної класифікації мережевого трафіку, що не
залежить від розміру даних та обчислювальної потужності.
Предмет дослідження: На основі даних, зібраних із приватного
потоку трафіку у нашому власному інструменті моделювання мережі. За
4
допомогою запропонованого нами методу визначаємо відмінності
корисних навантажень мережевого трафіку та класифікуємо мережевий
трафік. Це допомогло відокремити або класифікувати зашифровані від
незашифрованого трафіку.
Методи дослідження: Експериментальний метод.
Ми провели наш експеримент із моделюванням мережі та збиранням
трафіку різних незашифрованих протоколів та зашифрованих протоколів.
Використовуючи мову програмування python та бібліотеку Keras, ми
розробили згорнуту нейронну мережу, яка змогла прийняти корисне
навантаження зібраного трафіку, навчити модель та класифікувати трафік
у нашому тестовому наборі з високою точністю без вимоги високої
обчислювальної потужності.This 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.
30
Кравець, Олександра Олегівна. "Інформаційна система розпізнавання числової інформації." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/46874.
Full textAbstract:
Пояснювальна записка дипломного
проєкту складається з п’яти розділів, містить 22 рисунки, 4 таблиці, 1
додаток та 37 джерел.
Дипломний проєкт присвячений вирішенню задачі розпізнавання,
класифікації та подальшої обробки та збереження рукописної числової
інформації.
Метою створення системи є спрощення процесу перевірки
контрольних робіт студентів або учнів (де в якості відповідей маємо
рукописні числові значення) за рахунок автоматизації цього процесу шляхом
розпізнавання написаних студентами (учнями) відповідей у відповідному
бланку для відповідей за допомогою моделей машинного навчання.
У розділі загальних положень встановлено мету, цілі та задачі
розробки, визначено функціональні границі системи та побудована
структурна схема варіантів використання, проаналізовано існуючі аналоги
та встановлено відмінність від них системи, що проектується.
У розділі інформаційного забезпечення надано детальний опис
вхідних та вихідних даних, описано структуру масиву з інформацією, який
використовується у даній системі.
Розділ математичного забезпечення присвячений опису змістовної та
математичної постановки задачі, аналізу існуючих методів розв’язання
задачі даного дипломного проєкту та обґрунтування вибору одного з них з
його подальшим детальним описом.
Розділ програмного забезпечення описує засоби розробки
програмного продукту та етапи проектування його архітектури. Описано специфікацію функцій та звіти, які генеруються в ході запуску
програми.
У технологічному розділі визначено мету проведення випробувань
програмного продукту та описано їх результати.Explanatory note of the diploma project consists of five sections, contains 22 drawings, 5 tables, 1 application and 37 sources. The diploma project is devoted to solving the problem of recognition, classification, further processing and saving of handwritten numerical information. The system purpose is simplifying the process of checking the student’s tests (where the answers are handwritten numerical values) by automating this process by recognizing the answers written by students in the appropriate form for answers using machine learning models. In the general terms section the developmt purpose and are established, functional borders of system are defined and the structural scheme of variants of use is constructed, the existing analogues are analyzed and the difference from them of the projected system is established. The information support section provides a detailed description of the input and output data, as well as the structure description of the information array, that is used in this system is provided. The mathematical support section is devoted to the meaningful and mathematical formulation of the problem, analysis of the existing methods for solving the problem of this thesis project and justification of choosing one of them with its subsequent detailed description. The software support section describes the software development tools and the stages of designing its architecture. The specification of functions and reports generated during program startup is described. The technology section defines the purpose of testing the software product and describes their results.
31
Шевченко, 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 textAbstract:
В магістерській роботі було проведено дослідження з пошуку методів та аналізу підходів класифікації зображень продуктів харчування з використання штучного інтелекту. Розглянуті теоретичні та практичні основи нейронних мереж. У ході багаторазових спроб навчання штучної нейронної мережі, для реалізації даної задачі було вирішено використовувати поширені бібліотеки, що дозволяє максимально швидко та просто створювати нейронні мережі різних типів і архітектур.
32
Савінський, Владислав В'ячеславович. "Технологія розробки програмної системи для озвучення тексту голосом людини на основі машинного навчання." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9408.
Full textAbstract:
У дипломній роботі проаналізовані техніки для озвучення тексту голосом людини за допомогою нейронних мереж і поточний стан наборів аудіоданих. Уточнено гіперпараметри моделі на нових наборах даних для української корпусу. Удосконалено метод накопичення і збагачення звукових наборів даних шляхом розробки соціальної платформи зі спеціальним інтерфейсом для колективного роботи над створенням наборів аудіоданих
33
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 textAbstract:
Проведено дослідження сучасного стану машинного навчання, було проведено аналіз засобів розробки під мобільні платформи. Проаналізовано можливості використання засобів машинного навчання для розробки додатків під мобільні платформи. Було спроектовано та розроблено додаток для платформи IOS з використанням засобів машинного навчання для визначення що саме зображено на малюнку.Метою 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.
34
Канівець, Дмитро Володимирович. "Математичне та програмне забезпечення класифікації наукових текстів." Master's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/31517.
Full textAbstract:
Актуальність теми: для спрощення пошуку необхідної інформації серед наукових публікацій в Україні використовується бібліотечна класифікація. Проте наразі ця система є недосконалою, адже при класифікації допускаються помилки, а в деяких випадках вона виконується для збірника загалом, що призводить до часткової невідповідності для деяких статей, що в нього входять. Також виконання класифікації сторонньою людиною (наприклад, бібліотекарем чи редактором) вимагає багато часу. Вирішенням цієї проблеми є автоматизація процесу класифікації. За рахунок використання машинного навчання можна створити автоматичний класифікатор, яких дозволить покращити точність класифікації порівняно з ручною та прискорити класифікацію нових надходжень.
Мета дослідження: створення класифікатора наукових статей за категоріями УДК на основі машинного навчання.
Для реалізації поставленої мети були сформульовані наступні завдання:
– систематизація існуючих алгоритмів класифікації текстових даних;
– збір достатньої навчальних даних, розробка класифікатору на основі машинного навчання;
– тестування та аналіз ефективності отриманого алгоритму;
– визначення подальшого напрямку досліджень.
Об’єкт дослідження: бібліотечна класифікація наукових статей.
Предмет дослідження: алгоритми класифікації текстових даних.
Методи дослідження: для розв’язання поставленої задачі використовувались наївний баєсів класифікатор, нейронні мережі, алгоритм зворотного поширення помилки.
Наукова новизна: найбільш суттєвими науковими результатами магістерської дисертації є дослідження можливостей автоматизації класифікації наукових текстів; пошуку помилок у вже класифікованих текстах; створення алгоритмів класифікації для розрізнення категорій у текстів близьких тематик.
Практичне значення отриманих результатів визначається тим, що запропонований алгоритм дозволяє досягти точності бібліотечної класифікації в 86%, що дозволяє використовувати його для пошуку і виправлення помилок у класифікації текстів, а також як допоміжного засобу при класифікації нових надходжень.
Зв’язок роботи з науковими програмами, планами, темами: робота виконувалась на кафедрі автоматизованих систем обробки інформації та управління Національного технічного університету України «Київський політехнічний інститут ім. Ігоря Сікорського» в рамках теми «Математичні моделі та технології в СППР». Державний реєстраційний номер 0117U000914
Апробація: основні положення роботи доповідались і обговорювались на XІІ науково-практичній конференції магістрантів та аспірантів «Прикладна математика та комп’ютинг» (ПМК-2019), а також на третій всеукраїнській науково-практичній конференції молодих вчених та студентів «Інформаційні системи та технології управління» (ІСТУ-2019).Relevance: to simplify the search for relevant information among scientific publications in Ukraine, a library classification is used. However, this system is not perfect at this time, because classification is erroneous, and in some cases it is executed for the journal as a whole, which results in partial discrepancies for some of its articles. Also, it takes a long time to perform the classification by a third party (such as a librarian or editor). The solution to this problem is to automate the classification process. By using machine learning, automatic classifier can be created, which will improve the accuracy of the classification compared to manual and accelerate the classification of new revenues. Purpose: create a classifier of scientific articles by UDC categories based on machine learning. To achieve this goal, the following tasks were formulated: - systematization of existing text data classification algorithms; - gathering sufficient training data, developing a classifier based on machine learning; - testing and analysis of the efficiency of the obtained algorithm; - determining the further direction of research. Object of study: library classification of scientific articles. Subject of study: algorithms for classification of text data. Research methods: naive Bayes classifier, neural networks, backpropagation algorithm were used to solve this problem. Scientific novelty: the most significant scientific results of a master's thesis are the study of the possibilities of automation of the classification of scientific texts; search for mistakes in already classified texts; creation of classification algorithms for distinguishing categories in texts of similar subjects. The practical value of the obtained results is determined by the fact that the proposed algorithm allows to achieve the accuracy of library classification in 86%, which allows to use it for finding and correcting errors in the classification of texts, as well as an aid in the classification of new receipts. Relationship with working with scientific programs, plans, topics: work was performed at the Department of Automated Information Processing and Management Systems of the Igor Sikorsky National Technical University of Ukraine «Kyiv Polytechnic Institute» within the topic «Mathematical Models and Technologies in DSS». State Registration Number 0117U000914 Approbation: the main provisions of the work were reported and discussed at the XIII Scientific and Practical Conference of undergraduate and graduate students «Applied Mathematics and Computing» (AMP-2019), as well as at the third all-Ukrainian scientific and practical conference of young scientists and students «Information Systems and Technologies of Management» (ISTM-2019).
35
Кичигіна, Анастасія Юріївна. "Прогнозування ІМТ за допомогою методів машинного навчання." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/37413.
Full textAbstract:
Дипломна робота містить : 100 с., 17 табл., 16 рис., 2 дод. та 24 джерела.
Об’єктом дослідження є індекс маси тіла людини.
Предметом дослідження є методи машинного навчання – регресійні моделі, ансамблева модель випадковий ліс та нейронна мережа.
В даній роботі проведено дослідження залежності індексу маси тіла людини та наявності надмірної маси тіла від харчових та побутових звичок. Для побудови дослідження були використані методи машинного навчання та аналізу даних, проведено роботу для визначення можливостей по покращенню роботи стандартних моделей та визначено кращу модель для реалізації прогнозування та класифікації на основі наведених даних. Напрямок роботи є в понижені розмірності простору ознак, відбору кращих спостережень з валідними даним для кращої роботи моделей, а також у комбінуванні різних методів навчання та отриманні більш ефективних ансамблевих моделей.Thesis: 100 p., 17 tabl., 16 fig., 2 add. and 24 references. The object of the study is the human body mass index. The subject of research is machine learning methods - regression models, ensemble model random forest and neural network. In this paper, a study of the dependence of the human body mass index and the presence of excess body weight on eating and living habits. To build the study, the methods of machine learning and data analysis were used, work was done to identify opportunities to improve the performance of standard models and identified the best model for the implementation of predicting and classification based on the data. The direction of work is in the reduced dimensions of the feature space, selection of the best observations with valid data for better performance of models, as well as in combining different teaching methods and obtaining more effective ensemble models.
36
Сороцька, Наталя Тарасівна, and Natalya Sorotsʹka. "Розробка програмної системи керування контентом на основі використання мови С # по технології ASP.NET WebApi." Master's thesis, Тернопільський національний технічний університет імені Івана Пулюя, 2019. http://elartu.tntu.edu.ua/handle/lib/30645.
Full textAbstract:
Методи та програмні засоби, використані при виконанні розробки системи: мова програмування C# та її бібліотеки, середовище розробки Visual Studio, середовище розробки бази даних SQLMeneger.
Опрацьована вхідна та результуюча інформація, досліджено технології створення динамічних web-сервісів, описана структура наявної інформаційної бази, блок-схеми та кодові взірці основних функцій, проведена розробка програмного забезпеченя, вивчено питання безпеки охорони праці.Diploma work designed to make research, design and develop a web-based recipe management service and design a neural network for creating recipes through machine learning. Methods and software used in the development of the system: C # programming language and its libraries, Visual Studio development environment, SQLMeneger database development environment. Input and output information processed, dynamic web services creation technologies investigated, structure of available information base, block diagrams and code models of basic functions described, software development conducted, labor safety issues examined.
37
Дячук, Іван Сергійович. "Інтелектуальна система підбору клієнтського контенту." Master's thesis, Київ, 2018. https://ela.kpi.ua/handle/123456789/25528.
Full textAbstract:
Магістерська дисертація містить результати розроблення інтелектуальної систми підбору клієнтського контенту, що можуть бути використані як основа для реалізації аналогічних рішень. В роботі розроблено комбіновану математичну модель та програмний комплекс з її використанням. Результати роботи були використані при розробці системи, що впроваджена в експлуатацію, що підтверджує практичне значення одержаних результатів.The master’s thesis contains the results of the development of intellectual system of selection of client content that can be used as a basis for the implementation of similar solutions. In the work the combined mathematical model and software complex with its use are developed. The results of the work were used in the development of system being put into operation, confirming the practical value of the results that were obtained.
Магистерская диссертация содержит результаты разработки интеллектуальной системы подбора клиентского контента, которые могут быть использованы, как основа для реализации аналогичных решений. В работе разработана комбинированная математическая модель и программный комплекс с ее использованием. Результаты работы были использованы при разработке системы, внедренной в эксплуатацию, что подтверждает практическое значение полученных результатов.
38
Bezverkha, Kateryna. "Using of neural networks in aviation." Thesis, National Aviation University, 2021. https://er.nau.edu.ua/handle/NAU/50732.
Full textAbstract:
1. Soumitra P., Kunal K., Devashish J., Rachit D. (2008) - Application of Artificial Neural Networks in Aircraft Maintenance, Repair and Overhaul Solutions 2. Kalan R. Basic concepts of neural networks - M: Publishing house "Williams", 2003. 3. Web resource: http://www.modern-avionics.ru/ date of request 15.03.2021Тhe 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.
39
Коваленко, А. О. "Інтелектуальна система розпізнавання шкідливого програмного забезпечення." Master's thesis, Сумський державний університет, 2021. https://essuir.sumdu.edu.ua/handle/123456789/84124.
Full textAbstract:
Реалізована інтелектуальна система розпізнавання на основі згорткових нейронних мереж з кватерніонними компонентами, проведений вибір та дослідження методу перетворення файлів шкідливого програмного забезпечення у графічні зображення. Була сформована навчальна вибірка даних для класифікації та проведене тренування моделі. Результати роботи системи показали високу точність класифікації шкідливих зразків ПЗ. Програмна реалізація здійснена з використанням мови Python, бібліотек TensorFlow та Keras.
40
Дорофей, Валентин Вікторович, Назар Мирославович Паляниця, Valentyn Dorofei, and Nazar Palyanytsya. "Розробка та апробація автоматизованих технологій розпізнавання радіологічних зображень та діагностування захворювань на їх основі з використанням нейронних мереж." Master's thesis, Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв, 2019. http://elartu.tntu.edu.ua/handle/lib/29663.
Full textAbstract:
Робота виконана на кафедрі автоматизації технологічних процесів і виробництв факультету прикладних інформаційних технологій та електроінженерії Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України.
Захист відбудеться «23» грудня 2019р.о 8.00год. на засіданні екзаменаційної комісії №43 у Тернопільському національному технічному університеті імені Івана ПулюяВ магістерській роботі проведено аналіз наявних методів розпізнавання зображень та методів застосування машинного навчання в медицині. Виконано розроблення програмного пакету для розмічування радіологічних зображень а також власне розмічування цих зображень для їх розпізнавання та діагностування захворювань.
In the master's work the analysis of the available methods of image recognition and use of machine learning methods in medicine is carried out. The software package for marking radiological images has been developed, as well as the actual marking of these images for their recognition and diagnosis of diseases.
Вступ 8 1 Аналітична частина. Загальний огляд проблематики. вибір та опис використаних систем та методів 10 1.1 Обробка зображення та розпізнавання образів 10 1.1.1 Обробка зображення 10 1.1.2 Розпізнавання образів 12 1.2 Діагностика хвороб за допомогою аналізу зображень 16 1.2.1 Медична візуалізація 16 1.2.2 Комп'ютерна діагностика медичних зображень 17 1.2.3 Сучасний стан досліджень КД 18 1.2.4 Виявлення легеневих вузликів на ЗП та бічних рентгенограмах грудної клітки 19 1.2.5 Виявлення переломів хребців на бічних рентгенограмах грудної клітки 20 1.2.6 Виявлення внутрішньочерепної аневризми при МРА 20 1.2.7 Виявлення змін інтервалів у послідовних скануваннях кісток усього тіла 21 2 Науково-дослідна частина Формати медичних зображень 22 2.1 Особливості медичних зображень 22 2.1.1 Глибина пікселя 23 2.1.2 Фотометрична інтерпретація 24 2.1.3 Метадані 25 2.1.4 Дані пікселів 26 2.2 Стандартні формати зображень в медицині 27 2.2.1 BMP 28 2.2.2 TIFF 29 2.2.3 JPEG 29 2.2.4 GIF 30 2.2.5 MPEG 30 2.3 Спеціальні медичні формати 31 2.3.1 Analyze 31 2.3.2 Nifti 32 2.3.3 Minc 33 2.4 DICOM 34 3 Технологічна частина згорткові нейронні мережі 37 3.1 Штучні нейронні мережі 37 3.1.1 Перенавчання 38 3.2 Згорткові нейронні мережі 38 3.3 Архітектура ЗНН 39 3.3.1 Загальна архітектура 40 3.3.2 Згортковий шар 41 3.3.3 Шар пулінгу 43 3.4 Рекуррентна згорткова нейронна мережа 44 3.4.1 Рекуррентні нейронні мережі 44 3.5 Модель рекуррентної згорткової нейронної мережі 45 3.5.1 Рекуррентний згортковий шар 45 3.6 Штучні згорткові нейронні мережі для розпізнавання образів медичної візуалізації 48 3.7 Огляд задач, які вирішуються при використанням ЗНМ при обробці зображень 50 3.7.1 Класифікація 50 3.7.2 Використання згорткових нейронних мереж для класифікації зображень 51 3.7.3 Семантична сегментація 52 3.7.4 Розпізнавання об’єктів 55 3.7.5 Instance Segmentation 57 3.8 Використання ЗНМ для класифікації зображень 57 3.8.1 AlexNet 57 3.8.2 GoogleNet 59 3.8.3 ResNet 59 3.9 Використання ЗНМ для семантичної сегментації 60 3.9.1 U-Net 60 3.10 Використання ЗНМ для детектування об’єктів 61 3.10.1 YOLO 61 3.11 Метрики точності нейромереж для класифікації 62 3.11.1 Точність класифікації 62 3.11.2 Логарифмічна втрата 63 3.11.3 Матриця помилок 63 3.11.4 Площа під кривою 64 3.11.5 F1 показник 65 3.11.6 Середньоквадратична похибка 66 3.12 Метрики точності нейромереж для семантичної сегментації 67 3.12.1 Піксельна точність 67 3.12.2 Коефіцієнт флористичної спільності (коефіцієнт Жаккара) 68 3.12.3 Індекс Соренсена (показник F1) 69 3.13 Функції втрат для класифікації 70 3.13.1 Перехресна ентропія 70 3.13.2 Hinge 72 3.13.3 Функція втрат Г’юбера 73 3.13.4 Розбіжність Куллбека-Лайблера 74 3.13.5 Найменше абсолютне відхилення та найменше квадратне відхилення 74 3.14 Навчання нейромереж на вибірці з незбалансованими класами 75 3.14.1 Навчання з незбалансованих даних за допомогою Гауссової оцінки та моделювання шуму 78 3.14.2 Генерування прикладів даних за допомогою гаусової CPS 83 3.15 Розробка нейромереж за допомогою бібліотеки TensorFlow 88 3.15.1 Архітектура TensorFlow 88 3.15.2 Тензор 89 3.15.3 Графік 89 3.15.4 Як працює TensorFlow 91 3.16 Нейромережевий класифікатор на основі TensorFlow 91 3.16.1 Імпорт пакетів 91 3.16.2 Завантаження даних 92 3.16.3 Підготовка даних 93 3.16.4 Створення моделі 94 3.16.5 Навчання моделі 95 3.16.6 Візуалізація результатів навчання 97 3.17 Збільшення продуктивності моделі 98 3.17.1 Перенавчання 98 3.17.2 Розширення даних 99 3.17.3 Дропаут 102 3.17.4 Навчання мережі 103 3.17.5 Візуалізація моделі 105 4 Конструкторська частина 106 4.1 Машинне навчання у мамографії 107 4.2 ШІ у кардіології 108 4.3 Висновок до розділу 109 5 Спеціальна частина 111 5.1 Стан проблеми 111 5.2 Підготовка даних 112 5.3 DicomImageMarker 117 6 Обґрунтування економічної ефективності 120 6.1 Обчислення затрат на розробку програмного модуля 120 6.2 Визначення експлуатаційних витрат 126 6.3 Визначення економічної ефективності і терміну окупності капітальних вкладень 130 7 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 132 7.1 Міжнародна система безпеки при медичному опроміненні 134 7.1.1 Виправданість практичної діяльності при медичному опроміненні 134 7.1.2 Оптимізація захисту при медичному опроміненні 134 7.1.3 Межі дози при медичному опроміненні 135 7.2 Заходи щодо обмеження медичного опромінення при променевій діагностиці 136 7.2.1 Радіаційна безпека при проведенні рентгенологічних досліджень 137 7.3 Захист від випромінювання 138 7.3.1 Гарантування радіаційної безпеки медперсоналу рентгенівських відділень 139 7.3.2 Гарантування радіаційної безпеки пацієнтів при рентгенографії 140 7.3.3 Засоби для гарантування радіаційного захисту медперсоналу та пацієнтів 142 8 ЕКОЛОГІЯ 143 8.1 Енергозбереження і його роль у вирішенні екологічних проблем. 143 8.1.1 Енергоефективність у даному проекті 145 8.2 Джерела електромагнітних полів, іонізуючих випромінювань 146 8.3 Методи знешкодження електромагнітних полів та іонізуючого випромінювання 149 ВИСНОВКИ 151 Бібліографія 152 ДОДАТКИ 160 Додаток А Лістинг програми 161 Додаток Б Ілюстративні матеріали 169
41
Новіченко, Неля Валеріївна. "Система розпізнавання архітектурних стилів будівель за зображеннями." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/30980.
Full textAbstract:
Структура та обсяг роботи. Пояснювальна записка дипломного проекту складається з шести розділів, містить 18 рисунків, 21 таблиць, 1 додаткок, 17 джерел.
Дипломний проект присвячений розробці системи класифікації зображень з метою визначення архітектурних стилів будівель.
В дипломному проекті розглянуті методи класифікації цифрових зображень, засновані на машинному навчанні за допомогою нейронних мереж. Система вирішує задачу документування культурної спадщини та дозволяє зменшити помилки при визначенні архітектурного стилю.
У розділі загальні положення описано предметне середовище, процес діяльності та опис функціональної моделі системи. Також у розділі описано порівняння системи з наявними аналогами та описані мета та призначення розробки системи.
У розділі з інформаційного забезпечення були визначені дані для навчання системи, вхідні та вихідні дані до комплексу задач, були розроблені вимоги до зображень для аналізу, що відповідають поставленим цілям проекту.
Розділ математичного забезпечення присвячений обґрунтуванню обраного підходу навчання системи, що дозволив збільшити точність результатів.
Розділ програмного забезпечення описує основні засоби розробки комплексу задач, висунуті вимоги до технічного забезпечення. В цьому розділі обрано та обґрунтовано архітектуру програмного забезпечення.
У технологічному розділі описана інструкція користувача та проведене тестування комплексу задач.Structure and scope of work. Diploma project consists of six sections, contains 18 drawings, 21 tables, 1 applications, 17 sources. The diploma project is devoted to the development of tasks for the classification of images in order to determine the architectural styles of the buildings. Automatic methods for the classification of images during the analysis of architectural objects solve the problem of documenting cultural heritage and significantly reduce mistakes in sorting: usually a large number of images are processed and this is a tedious task, the process of classification by experts is prone to errors and takes a lot of time. The correct classification allows to study and analyze cultural heritage more effectively. In the diploma project were considered methods of classification of digital images, based on machine learning with the help of neural networks. The section on information provision define the data for training neural network, input and output data to a set of tasks, requirements for images for analysis, which corresponds to the set objectives of the project. The section of mathematical support is devoted to substantiation of the chosen approach of training the system, which allows to increase the accuracy of the results. The software section describes the main tools for developing a set of tasks, the requirements for technical support. This section defines and justifies the software architecture. The technology section describes the user's manual and tests a set of tasks.
42
Гасиджак, Віктор Степанович. "КЛАСИФІКАЦІЯ ВІБРАЦІЙНОГО СТАНУ ГАЗОТУРБІННОГО ДВИГУНА В ПРОЦЕСІ ЕКСПЛУАТАЦІЇ З ВИКОРИСТАННЯМ ІНТЕЛЕКТУАЛЬНИХ ТЕХНОЛОГІЙ." Thesis, Національний авіаційний університет, 2010. http://er.nau.edu.ua/handle/NAU/9896.
Full textAbstract:
Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.22.20 − експлуатація та ремонт засобів транспорту. − Національний авіаційний університет, м. Київ, 2010.
Дисертацію присвячено підвищенню достовірності класифікації ві-браційного стану ГТД на основі використанням інтелектуальних техноло-гій. В роботі запропоновано використовувати поетапний підхід: на пер-шому етапі класифікувати вібраційний стан ГТД на основі сформованих діагностичних ознак, на другому – автоматична змінювати режим роботи ГТД. При цьому другий етап здійснюється лише тоді, коли вібраційних параметри двигуна перебувають у діапазоні «потребує вжиття заходів».
У дисертаційній роботі вдосконалено структуру системи автомати-чного діагностування та керування режимами роботи ГТД, що дозволяє автоматично змінювати режим функціонування двигуна, для зменшення негативного впливу вібрації на окремі вузли і тим самим скоротити екс-плуатаційні витрати. Розроблено ефективний алгоритм структурного та параметричного синтезу ІСАД, яка містить у собі радіально-базисну нейронну мережу з нечітким виведенням класифікації і прогнозуванням вібраційного стану ГТД. Розроблено методику побудови «бази класів» ІСАД у вигляді: «якщо (діагностичні ознаки), то (клас вібраційного стану ГТД), що дає змогу використовувати експертні оцінки вібраційного стану ГТД, а також сформувати діагностичні ознаки з урахуванням зміни вібраційних характеристик типового двигуна, що дозволяє підвищувати точність класифікації вібраційного стану механічної частини ГТД.Диссертация на соискание научной степени кандидата технических наук по специальности 05.22.20 − эксплуатация и ремонт средств транспорта. − Национальный авиационный университет, г. Киев, 2010. Диссертация посвящена повышению достоверности классификации вибрационного состояния газотурбинного двигателя (ГТД) на основе использования интеллектуальных технологий. В работе разработан эффективный алгоритм структурного и параметрического синтеза ИСАД, который вмещает радиально-базисную нейронную сеть с нечетким выводом классификации вибрационного состояния ГТД. Разработана методика построения «базы классов» ИСАД в виде: «если (диагностические признаки), то (класс вибрационного состояния ГТД)», позволяющая использовать экспертные оценки вибрационного состояния ГТД, а также сформировать диагностические признаки с учетом изменения эксплуатационных характеристик двигателя, обеспечивающая повышение точности классификации вибрационного состояния механической части ГТД. Достоверность предложенной модели ИСАД подтверждается кор-ректным применением апробированного математического аппарата, со-гласованностью результатов математического моделирования режимов работы ГТД с результатами уже известных исследований и теоретических положений, а также экспериментом. Ключевые слова: газотурбинный двигатель, техническое состояние, вибрационная диагностика машин и механизмов, интеллектуальная си-стема автоматического диагностирования, нейро-фаззи сети, искусствен-ные нейронные сети, системы нечеткой классификации, методы обучения.
The thesis for the candidate degree in technical sciences on the specialty 05.22.20 − operation and the repair of the means of transport. − National Aviation University, Kiev, 2010. Current research work is dedicated to an increase in the authenticity of the classification of gas-turbine engine (GTE) vibration state on the basis of the intellectual technologies use. In the dissertation improved the structure of the system of automatic diagnostics and control of the regimes of GTE work for an automatic change in the regime of the functioning of engine for decreasing the negative influence of vibration on the separate units or to exclude GTE stoppage with the appearance of the random, short-term levels of vibration, and to thus reduce operating costs. In the dissertation is developed the effective algorithm of structural and parametric synthesis of the intellectual system of automatic diagnosis (ISAD), which includes radial-basic neuron network with the illegible conclusion of classification and the prognostication of GTE vibration state. The procedure of construction «rule base» of ISAD is developed in the form: «if (diagnostic signs), then (class of vibration state GTE)», which makes it possible to use ex-pert estimations of GTE vibration state, and also to form diagnostic signs taking into account a change in the operating characteristics of typical engine, which made it possible to increase the accuracy of the classification of the vibration state of GTE mechanical part. The authenticity of the proposed ISAD model is confirmed by the cor-rect application of the approved mathematical apparatus, by the coordination of the results of the mathematical simulation of the regimes of GTE work with the results of already known studies and theoretical positions, and also experiment.
43
Підгородецький, 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 textAbstract:
У роботі я розглянув фреймворк виявлення об'єктів TensorFlow Object Detection API, який базується на основі глибокого навчання. Робота починається з короткого вступу до історії глибокого навчання та її репрезентативного інструмента, а саме загорткової нейронної мережі (CNN). Потім робота зосереджена на типових архітектурах класифікації об’єктів та описано структуру цих мереж. Для ідентифікації та класифікації біооб’єктів на зображеннях, була розроблена нейронна мережа в основі якої лежить мережа SSD ResNet50 v1 FPN 640x640, яка найбільше підходить для вирішення цієї задачі.Через 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.
44
Хома, Юрій Володимирович. "Теорія і методи комп’ютерного опрацювання біосигналів на основі машинного навчання." Diss., Національний університет "Львівська політехніка", 2020. https://ena.lpnu.ua/handle/ntb/56149.
Full textAbstract:
У дисертаційній роботі вирішено актуальну науково-прикладну проблему у галузі інструментального забезпечення біоінформатики – розвиток теоретичних засад і нових підходів до удосконалення комп’ютерних систем опрацювання біосигналів на основі широкого використання штучних нейромереж і технологій глибинного навчання. Представлено концепцію трьох системних рівнів комп’ютерного опрацювання біосигналів, що базується на чіткому розмежуванні функцій системних рівнів від
методів і засобів, що їх реалізують. Таке розділення сприяє структуризації знань, уможливлює оцінювання ефективності різних методів і вибір кращих проектних рішень із урахуванням специфіки завдань, умов і сценаріїв. Автоматизовано пошук оптимальних значень гіперпараметрів багатошарового
нейрокласифікатора шляхом використання простої прогностичної моделі машинного навчання. Це дає змогу на 4 порядки скоротити час пошуку порівняно із повним перебором в просторі можливих значень.
Розроблено і апробовано підхід до виявлення і коригування залишкових аномалій в біосигналах, який базується на застосуванні нейромережевих автоенкодерів для нелінійної фільтрації завад, зосереджених в тій самій частині спектру, що й корисний сигнал. Застосування підходу у 5-7 разів зменшує похибку ідентифікації. Результати роботи можуть бути застосовані до різних прикладних задач, у таких сферах як кібербезпека та системи доступу (біометрична ідентифікація), робототехніка (нейромережеві інтерфейси управління) і афективна інформатика (аналіз психоемоційного стану), а також у медицині (діагностика, клінічні дослідження тощо). В диссертационной работе решена актуальная научно-прикладная проблема в области инструментального обеспечения биоинформатики - развитие теоретических основ и новых подходов к совершенствованию компьютерных
систем обработки биосигналов на основе широкого использования искусственных нейронных сетей и технологий глубинного обучения. Представлена концепция трех системных уровней компьютерной обработки биосигналов, основанная на четком разграничении функций системных уровней от
методов и средств, которые используются для их реализации. Такое разделение способствует структуризации знаний, позволяет оценить эффективность различных методов и выбрать лучшие проектные решения с учетом специфики задач, условий и сценариев. Автоматизирован поиск оптимальных значений гиперпараметров многослойного нейроклассификатора путем использования простой прогностической модели машинного обучения. Это позволяет на 4 порядка сократить время поиска по сравнению с полным перебором в пространстве всех возможных значений. Разработан и апробирован подход к выявлению и коррекции остаточных аномалий в биосигналах, основанный на применении нейросетевых автоэнкодеров для нелинейной фильтрации помех, сосредоточенных в той же части спектра, и полезный сигнал. Применение коррекции аномалий в 5-7 раз уменьшает
погрешность идентификации. Результаты работы могут быть применены в различных направлениях, таких как компьютерная безопасность и системы доступа (биометрическая идентификация), робототехника (нейросетевые интерфейсы управления) и аффективная информатика (анализ психоэмоционального состояния), а также в медицине (диагностика, клинические исследования и т.п.). The thesis solves a scientific problem in the field of instrumental support of bioinformatics - the development of theoretical foundations, improvement of methodological, algorithmic, software, and technical basis of the computer systems for processing of biosignals and data based on the extensive use of artificial neural networks and deep learning technologies. Current state and future perspectives of machine learning usage in the computer bioinformatics systems are analyzed in the thesis. It is shown that the heterogeneousness
of data and a wide range of bioinformatics tasks influenced the development of specialized solutions for each separate domain or application. This complicates the possibility to compare the effectiveness of certain methods as well as the usage of the best system design variants for the new tasks. A novel framework related to the development of principles for the design of the biosignals computer processing systems involving a combination of machine learning techniques and digital signal processing is presented in the thesis. The expediency of separation of the system levels within the process of biosignals processing is reasoned, and their functions are outlined. Innovativeness of the suggested approach lies in the separation of functions of the lower, middle, and upper levels from methods with the help of which they are realized, as well as from the implementation variants for these methods based on the hardware and software components. The middle
system level is significantly invariable both in regards to the task to be solved and to the biosignal type. At the same time, the upper level is specific as to the final application, and the lower level is specific as to the type of biosignal. Distinct outlining of functions for each system level and the inter-level interfaces opens perspectives for information structuring during the analysis of the known decisions, which simplifies the analysis and
comparison of the effectiveness of these solutions. The design process of the computer system for the specific tasks gets simplified and potentially quickens due to the possibility of transferring the best results among the related tasks. On the basis of the developed three system levels concept the range of tasks related to machine learning application and biosignals processing on all the system levels was studied and analyzed. A novel method of optimal hyperparameters selection for a multilayer neural network classifier based on the Monte Carlo method and predictive modeling was developed and introduced in the thesis, new algorithms for detection and correction of anomalies in ECG-signals were presented as well. This resulted in reduction of
hyperparameters optimization time by 4 orders compared to a grid search approach in the entire hyperspace of possible values. A new approach to the detection and correction of residual anomalies in biosignals was developed and tested. This approach is based on the use of neural network autoencoders for nonlinear filtering of distortions that are located in the same spectral band as the useful signal and its application reduces identification error by 5-7 times. A method of software conditioning of biosignals was developed, which enabled
parameters unification of digital records of biosignals from open databases by resampling, rescaling, time normalization, etc. and its application improves the issue of low data volume while deep neural networks training. A comprehensive study of the influence of the variability of ECG signal acquisition systems (different data sets, sampling frequency, recording duration, data volume) on the accuracy of biometric identification was performed. The obtained results proved sufficient stability and reliability of the electrocardiogram as a biometric marker and confirmed the possibility of its real-world application in biometric identification systems. Neural network equalizer was designed for dynamical error correction of bioimpedance sensors, which resulted in expanding the operating frequency band up to 100 times. Functionality was expanded, metrological characteristics were improved and the speed of the digital rheograph was doubled by improving the Howland current pump by compensating the basic bioimpedance with a coded potentiometer (trimmer) and using a
direct digital synthesis of orthogonal probing signals. Intelligent processing of vibroarthrography signals based on a combination of machine learning algorithms and wavelet decomposition was developed, which allowed
to achieve better accuracy in terms of knee joint disorders analysis. The results of the work can be used in various applications, such as cybersecurity and access systems (biometric identification), robotics (bio-machine control interfaces), and affective informatics (psycho-emotional state analysis), as well as a medical domain (diagnostics, clinical trials).
45
Діденко, Данііл Юрійович. "Алгоритми розпізнавання емоцій за мовними сигналами." Master's thesis, Київ, 2018. https://ela.kpi.ua/handle/123456789/25470.
Full textAbstract:
Дисертація містить основну частину на 38 аркушах, 24 ілюстрації.
Метою дисертації є аналіз та моделювання алгоритмів розпізнавання емоцій за мовленнєвими сигналами.
Об’єктом дослідження є алгоритми розпізнавання емоцій.
Предметом дослідження є розпізнавання емоцій за мовленнєвим сигналом.
Результатом роботи є:
Дослідження принципів дії алгоритмів розпізнавання емоцій;
Дослідження акустичних ознак мовленнєвого сигналу;
Моделювання та порівняння різних алгоритмів розпізнавання емоцій за мовленнєвим сигналом.
Галузь застосування: цифрова обробка акустичних сигналів.The thesis contains the main part on 38 sheets, 24 illustrations. The purpose of the dissertation is to analyze and simulate the algorithms for recognizing emotions by speech signals. The object of research is the algorithms of emotion recognition. The subject of the study is the recognition of emotions by the speech signal. The result of the work is: Research of the principles of the algorithms of emotional recognition; Investigation of acoustic signs of a speech signal; Simulation and comparison of various algorithms for recognizing emotions by speech signal. Field of application: digital processing of acoustic signals.
Целью диссертации является анализ и моделирование алгоритмов распознавания эмоций по речевыми сигналам. Объектом исследования являются алгоритмы распознавания эмоций. Предметом исследования является распознавание эмоций по речевым сигналом. Результатом работы являются: Исследование принципов действия алгоритмов распознавания эмоций; Исследование акустических признаков речевого сигнала; Моделирование и сравнения различных алгоритмов распознавания эмоций по речевым сигналом. Область применения: цифровая обработка акустических сигналов.
46
Ковальов, Костянтин Миколайович. "Комп'ютерна система управління промисловим роботом." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/28610.
Full textAbstract:
Кваліфікаційна робота включає пояснювальну записку (56 с., 2 додатка).
Об’єкт дослідження – алгоритми навчання з підкріпленням для задачі керування промисловою роботичною рукою.
Задача непервного керування промисловою роботичною рукою для нетривіальних задач є занадто складною або навіть невирішуваною для класичних методів робототехніки. Методи навчання з підкріпленням можуть бути використані в цьому випадку. Вони є досить простими у реалізації, дозволяють узагальнюватися на небачені випадки, та вчитися на даних великої розмірності. Ми реалізуємо метод градієнту глибокої детермінованої стратегії, який підходить для складних задач непервного управління.
В ході дослідження:
проведено аналіз існуючих класичних методів для задачі управління промисловим роботом
проведено аналіз існуючих алгоритмів навчання з підкріпленням та їх використання в області робототехніки
реалізовано алгоритм градієнту глибокої детермінованої стратегії
проведено тестування реалізованого алгоритму у спрощеному середовищі
запропоновано архітектуру нейронної мережі для вирішення поставленої задачі
проведено тестування алгоритму на навчальній виборці
проведено тестування алгоритму на здатність до узагальнення на тестовій виборці
Показано здатність алгоритму градієнту глибокої детермінованої стратегії з використанням нейронних мереж для представлення стратегії вирішувати поставлену задачі з зображенням в якості входу та узагальнюватися на небачені до цього об’єкти.Qualifying work includes an explanatory note (56 p., 2 appendix). The object of the study are reinforcement learning algorithms for the task of an industrial robotic arm control. Continuous control of an industrial robotic arm for non-trivial tasks is too complicated or even unsolvable for classical methods of robotics. Reinforcement learning methods can be used in this case. They are quite simple to implement, allow for generalization to unseen cases, and learn from high-dimensional data. We implement deep deterministic policy gradient algorithm that is suitable for complex continuous contol tasks. During the study: • An analysis of existing classical methods for the problem of industrial robot control was conducted • An analysis of existing algorithms of training with reinforcement learning and their use in the field of robotics has been conducted • Deep deterministic policy gradient algorithm is implemented • Implemented algorithm is tested on a simplified environment • The architecture of the neural network is proposed for solving the problem • Algorithm was tested on the training set of objects • Algorithm was tested for its generalization ability on the test set It was shown that deep deterministic policy gradient algorithm with neural network as policy approximator is able to solve the problem with the image as an input and to generalize to objects not seen before.
47
Головацький, Ігор Володимирович. "Інтелектуальна система розпізнавання елементів дорожнього руху." Master's thesis, КПІ ім. Ігоря Сікорського, 2019. https://ela.kpi.ua/handle/123456789/31808.
Full textAbstract:
У роботі розглянуто проблему розпізнавання елементів дорожнього
руху у відео потоці, проведено аналіз наявних проблем та складнощів в
існуючих методах розпізнавання елементів та порівняння їхніх
характеристик точності та швидкодії, переваг та недоліків.
Розроблено інтелектуальну систему розпізнавання елементів
дорожнього руху за допомогою алгоритмів машинного навчання та
нейронних мереж. Система може бути використана у відео реєстраторах
та у системах пасивної безпеки автомобіля.
Загалом в роботі розкрито питання призначення та доцільність
використання нейронної мережі та представлена програмна реалізація
системи за допомогою мови програмування C# та бібліотеки Accord.NET,
основними вимогами якої є: прийнятна точність розпізнавання,
можливість використання відео потоку в якості вхідних даних, знайдені
елементи повинні бути інтуїтивно виділені серед інших елементів та
простота в налагоджені. Окремо було приділено увагу локальним
результатам експериментів, що дають уявлення про характеристики
запропонованої системи.
Ключові слова: інтелектуальна система, нейронна мережа,
машинне навчання, алгоритм, комп’ютерний зір, дорожній рух.
Розмір пояснювальної записки – 81 аркушів, містить 23 ілюстрацій,
28 таблиць, 6 додатків.Examines the problem of recognition of traffic elements in the video stream, analyzes the existing problems and complexities in the existing methods of recognition of the elements and compares their characteristics of accuracy and speed, advantages and disadvantages. An intelligent system for recognizing traffic elements is using machine learning algorithms and neural networks. The system can be used in video recorders and passive vehicle security systems. In general, the paper addresses the purpose and feasibility of using a neural network and presents the software implementation of the system using the C# programming language and the Accord.NET library. The main requirements of which are: acceptable recognition accuracy, the ability to use video stream as input, found elements should be intuitive highlighted among other elements and simplicity in configuring. Special attention was paid to the local results of the experiments, which give an idea of the characteristics of the proposed system. Explanatory note size – 81 pages, contains 23 illustrations, 28 tables, 6 applications.
48
Шалда, І. С. "Інформаційна технологія навігації безпілотного робота на основі семантичної сегментації відео зображень." Master's thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/72251.
Full textAbstract:
Розроблено модель, алгоритм та програмна реалізація машинного навчання та екзамену для системи автономної навігації в рамках семантичної сегментації з використанням згорткових мереж розпізнавання. Розроблений алгоритм реалізовано на мові Python.
49
Чапалюк, Богдан Володимирович. "Системи автоматичної медичної комп’ютерної дiагностики з використанням методiв штучного iнтелекту." Doctoral thesis, Київ, 2020. https://ela.kpi.ua/handle/123456789/39677.
Full textAbstract:
Мета даного дисертацiйного дослiдження полягає в детальному розглядi, розробцi та удосконаленнi систем автоматичної комп’ютерної дiагностики раку легень використовуючи методи штучного iнтелекту, зокрема
застосовуючи та удосконалюючи останнi досягнення в областi глибинного
навчання.
Для дiагностування раку легенiв в сучасних медичних закладах використовують комп’ютерну томографiю, що представляє собою тривимiрне
зображення легенiв пацiєнта, отримане за допомогою рентгенiвського променю, що пошарово та поступово проходить через тканини людського тiла
в рiзних напрямках, з рiзних кутiв та положень. Такий вид зображень використовується в роботi для аналiзу присутностi пухлини в легенях за допомогою згорткових нейронних мереж. Однак, такi особливi данi накладають
свої складностi в розробцi систем медичного комп’ютерного дiагностування, оскiльки при роботi з ними необхiдно враховувати їхню тривимiрну
природу та вiдповiднi просторовi зв’язки. Тому, в дисертацiйному дослiдженнi розглядається три основнi пiдходи для роботи з такими даними:
1. Використання двовимiрної згорткової нейронної мережi. Для кожного шару КТ знiмка застосовується згорткова нейронна мережа.
Виходи мережi для кожного шару знiмку об’єднуються та фiнальний висновок робиться на основi правил навчання за набором зразкiв.
2. Використання тривимiрних згорткових нейронних мереж, якi враховують тривимiрну природу вхiдних даних та можуть вiднайти кориснi патерни використовуючи всi три просторовi вiсi. Часто, такi
системи роздiляють задачу на декiлька етапiв, кожен з яких використовує тривимiрну згорткову нейронну мережу налаштовану пiд
конкретну пiдзадачу.
3. Використання комбiнованої структури двовимiрної згорткової та рекурентної нейронних мереж. В такому пiдходi двовимiрну згорткову нейронну мережу використовують для представлення вхiдних
даних в менш мiрному просторi шляхом навчання многовиду меншої розмiрностi. Завдяки цьому на кожному шарi КТ зображення будуть видiлятися тiльки найбiльш важливi високорiвневi ознаки. Отриманi ознаки обробляються двонаправленою рекурентною
нейронною мережею з вентильним вузлом (англ. bidirectional gated
recurrent neural network), яка навчається складним нелiнiйним функцiям, що описують просторовi залежностi та вплив мiж ними. Вихiд рекурентної мережi повертає ймовiрнiсть наявностi пухлини на
знiмку.
В рамках даного дисертацiйного дослiдження проводиться аналiз та виконується експерименти для кожного пiдходу, а отриманi результати порiвнюються з роботами iнших авторiв. Експерименти показують, що найбiльш
точними є системи побудованi iз декiлькох тривимiрних згорткових нейронних мереж (одна мережа сегментує потенцiйнi проблемнi регiони, iнша
класифiкує присутнiсть в таких регiонах пухлини). Однак, такi системи
мають дуже великi обчислювальнi вимоги, через те що використовують
операцiю тривимiрної згортки, вимоги до обчислювальної потужностi якої
ростуть кубiчно зi збiльшенням розмiрностi вхiдного зображення. В такому випадку, запропонована архiтектура рекурентної згорткової нейронної
мережi дозволяє отримати точнiсть роботи системи на достатньо високому
рiвнi, в той же час використовуючи значно менш вимогливу до обчислювальних потужностей та пам’ятi операцiю двовимiрної згортки.
Наукова новизна отриманих результатiв дисертацiї полягає в запропонованому здобувачем методi побудови комбiнованої структури системи
комп’ютерної дiагностики, що полягає в поєднаннi двовимiрної згорткової
та двонаправленої рекурентної нейронної мережi LSTM. На вiдмiну вiд iнших рiшень, така система враховує просторовi зв’язки мiж рiзними шарами
знiмку комп’ютерної томографiї шляхом використання двонаправленої рекурентної нейронної мережi, на входi якої використовують високорiвневi
ознаки сформованi за допомогою двовимiрної згорткової нейронної мережi. Високорiвневi ознаки будуються для кожного шару знiмку пацiєнта.
За результатами експериментiв така архiтектура нейронної мережi змогла
досягти значення AUC ROC на рiвнi 83%, що трохи нижче у порiвнянi з
системами тривимiрних згорткових нейронних мереж, що показують значення AUC ROC на рiвнi 90-95%. Однак, отриманi результати є найвищими
результатами для рекурентних нейронних мереж, що застосовуються для
побудови систем комп’ютерної дiагностики раку легенiв. Також, запропонована архiтектура має вищу швидкодiю, що досягається шляхом використання операцiї двовимiрної згортки замiсть операцiї тривимiрної згортки,
вимоги якої до обчислювальної потужностi та пам’ятi ростуть квадратично
з розмiром вхiдних даних, а не кубiчно.
Для ефективного навчання комбiнованої структури згорткової рекурентної нейронної мережi був запропонований механiзм м’якої уваги, що надав
можливiсть нейроннiй мережi отримати iнформацiю про локацiю пухлини
пiд час навчання. Згiдно проведених експериментiв, такий пiдхiд допомiг
покращити показники метрики AUC ROC бiльш нiж на 8%.
Практичне значення отриманих результатiв полягає в розширенi та
удосконаленi iснуючих методiв побудови систем комп’ютерної дiагностики. Запропонована комбiнована структура згорткової нейронної мережi та
двонаправленої рекурентної мережi дозволяє отримати достатньо високу
точнiсть роботи системи та пiдвищує точнiсть роботи системи у порiвнянi з використанням звичайних рекурентних нейронних мереж. Також, така
система вiдзначається використанням меншої кiлькостi ресурсiв чим у тривимiрної згорткової нейронної мережi. Проведенi експерименти та аналiз
iснуючих методiв систем комп’ютерної дiагностики дозволив сформулювати необхiднi вимоги та пiдходи, якi потрiбно використовувати в залежностi вiд прiоритету швидкодiї чи точностi роботи системи. Запропонований
механiзм м’якої уваги дозволяє значно пiдвищити ефективнiсть навчання
комбiнованих архiтектур згорткових рекурентних нейронних мереж.
Результати дисертацiйного дослiдження впроваджено в НДР за темою
“Розроблення та дослiдження методiв обробки, розпiзнавання, захисту та
зберiгання медичних зображень в розподiлених комп’ютерних системах”
за номером держ реєстрацiї 0117U004267 (тема №2021п, код КВНТД I.1
01.05.02). Також, основнi результати роботи викладенi в 6 друкованих наукових роботах, з них двоє статей в наукових фахових виданнях України,
2 опублiковано в iноземних журналах, що iндексується в Googel Scholar та
iнших базах даних, 1-а стаття у виданнi, що входить до Web of Science Core
Collection та SCOPUS. Також опублiковано одну роботу в тезах доповiдей
мiжнародної наукової конференцiї.
50
Момот, Андрій Сергійович. "Удосконалення методу визначення характеристик дефектів багатошарових матеріалів за результатами активного теплового контролю." Doctoral thesis, Київ, 2020. https://ela.kpi.ua/handle/123456789/34952.
Full textAbstract:
В дисертації вперше отримані такі нові наукові результати:
1. Запропоновано метод автоматизованої обробки послідовності термограм, отриманих у результаті активного теплового контролю багатошарових матеріалів, який використовує нейромережеві технології для аналізу температурних профілів у кожній точці об’єкту та дозволяє одночасно проводити класифікацію знайдених дефектів, вимірювати їх глибину залягання та розкрив.
2. Набув подальшого розвитку метод синтезу нейронної мережі прямого розповсюдження зі зворотним поширенням помилки, який враховує залежності достовірності контролю та точності дефектометрії від архітектури та алгоритмів навчання нейронної мережі, що дозволило обґрунтувати вибір кількості прихованих прошарків нейронної мережі, кількості нейронів у цих прошарках та оптимального за показником середньоквадратичної помилки мережі алгоритму навчання.
3. Удосконалено метод формування навчального набору даних, який враховує залежності достовірності класифікації дефектів у багатошарових матеріалах, похибок визначення їх глибини залягання і розкриву від параметрів вибірки навчальних сигналів, що дозволило мінімізувати час навчання нейронної мережі без погіршення достовірності автоматизованої класифікації дефектів та точності дефектометрії. Практичне значення одержаних в дисертаційній роботі результатів полягає в тому, що було розроблено алгоритмічне і програмне забезпечення реалізації підсистеми визначення характеристик дефектів за результатами активного ТНК із використанням вдосконаленого методу на базі нейромережевих технологій, що дозволило автоматизувати класифікацію дефектів і побудову теплових томограм, підвищити точність теплової дефектометрії і достовірність контролю у порівнянні з існуючими методами. Розроблено віртуальний інтерфейс користувача, який містить інструменти для проведення дефектометрії та аналізу теплових томограм, що дало змогу покращити ефективність аналізу результатів контролю. Для розробленої системи експериментально визначено архітектуру та параметри навчання нейромереж, за яких досягається найвища достовірність класифікації дефектів та точність вимірювання їх характеристик. Розроблено та виготовлено експериментальний стенд та дослідні зразки для проведення активного теплового контролю і аналізу результатів із використанням удосконаленого методу визначення характеристик дефектів на основі нейронних мереж, що дозволило відпрацювати програмні алгоритми та підтвердити ефективність даного методу.
У дисертаційній роботі описано особливості та проблеми теплового контролю виробів із багатошарових матеріалів. Показано, що на сучасному етапі розвитку методів теплового неруйнівного контролю важливим завданням є не лише виявлення та визначення координат і поперечних розмірів дефектів багатошарових матеріалів, але і вимірювання їх глибини залягання та розкриву. Проведено аналіз факторів, які впливають на результати теплового контролю та описано характер взаємозв’язків між інформативними параметрами. Розглянуто традиційні математичні та статистичні методи теплової дефектометрії та встановлено їх недоліки. Описано, що аналітичний розв’язок обернених задач теплового контролю в ряді випадків є неоднозначним. Особливо низьку ефективність традиційні методи та побудовані на їх основі системи теплової дефектометрії мають у випадку контролю багатошарових матеріалів.
В роботі проведено порівняльний аналіз стандартних та спеціальних методів цифрової обробки термограм. Розглянуто методи Фур’є-аналізу, вейвлет-аналізу, аналізу головних компонент та динамічної теплової томографії. Показано, що дані методи мають низьку завадостійкість, сильну залежність результатів від вибору опорної точки та рівномірності нагріву об’єкту контролю. Окрім того, розглянуті традиційні методи обробки термограм не дозволяють проводити автоматичну класифікацію дефектів за типом та визначати їх розкрив.
У дисертаційній роботі описано можливості використання штучних нейронних мереж для удосконалення методів визначення характеристик дефектів. Розглянуто особливості побудови нейромережевих систем для вирішення задач класифікації дефектів та визначення їх глибини залягання і розкриву. Проведено порівняння ефективності роботи нейронних мереж та традиційних методів обробки термограм. Показано переваги нейронних мереж над традиційними алгоритмами.
Розглянуто найбільш перспективні області застосування нейромережевих систем аналізу результатів активного теплового неруйнівного контролю. Проведено аналіз існуючих робіт за напрямом теплового контролю композитів. Показано, що у відомій літературі не вирішуються завдання одночасної класифікації дефектів за типом та визначення їх глибини залягання і розкриву; не досліджено способи визначення глибини залягання дефектів або їх розкриву шляхом вирішення задачі регресії за допомогою нейронних мереж; не вирішується завдання побудови теплових зображень внутрішньої структури об’єкту контролю. Сформовано мету дослідження у вигляді автоматизації процесу активної теплової дефектоскопії та дефектометрії із застосуванням нейромережевих технологій, що забезпечуватиме підвищення інформативності, достовірності та ефективності контролю виробів із багатошарових матеріалів.
З метою удосконалення методів активної теплової дефектоскопії і дефектометрії та автоматизації обробки даних в дисертації обґрунтовано та розроблено підсистему цифрової обробки термограм, що складається з трьох нейромережевих модулів. Описано можливість використання багатошарових нейронних мереж прямого розповсюдження зі зворотним поширенням помилки з повнозв’язними прошарками у складі модуля виявлення та класифікації дефектів та модулів визначення глибини залягання і розкриву дефектів. Сформовано алгоритми формування навчальних множин для задач класифікації дефектів та визначення їх глибини залягання і розкриву. Описано процедуру навчання нейромережевих модулів та розроблено відповідне програмне забезпечення в середовищі MATLAB. Виконано програмну реалізацію віртуальних приладів в середовищі NI LabVIEW, в яких втілено алгоритми роботи нейромережевих модулів та пост-обробки результатів. Створено графічний інтерфейс користувача, який містить елементи керування, інструменти для проведення дефектометрії та блоки графічного відображення інформації щодо положення дефектів та внутрішньої структури об’єкту контролю.
На основі проведеного комп’ютерного моделювання процесу активного теплового контролю алюмінієвої пластини зі штучними внутрішніми дефектами отримано послідовності термограм. Встановлено, що внаслідок впливу високого рівня теплової дифузії та нерівномірності нагріву обробка отриманих послідовностей термограм традиційними методами є ускладненою та малоефективною. В результаті досліджень доведено, що розроблена автоматизована нейромережева система має покращені якісні та кількісні показники ефективності у порівнянні з традиційними методами.
У роботі проведено комп’ютерне моделювання процесу активного теплового контролю зразка із багатошарового вуглепластику зі штучними внутрішніми дефектами. За результатами досліджень ефективності обробки отриманих послідовностей термограм різними методами встановлено, що розроблена нейромережева система забезпечує найвищі показники якості класифікації дефектів та точності дефектометрії серед розглянутих методів.
Досліджено вплив архітектури нейронних мереж на результати роботи нейромережевих модулів розробленої системи у випадку обробки даних комп’ютерного моделювання. Дослідження показали, що найбільш оптимальним є використання двох прихованих прошарків з 12 нейронами в першому та 4 нейронами в другому прошарках. Встановлено, що із доступних алгоритмів навчання найбільш ефективним за показником середньоквадратичної помилки мережі є оптимізатор Левенберга-Маркарда. Проведено дослідження впливу обсягу та якості навчальної вибірки на результати роботи нейромережевих модулів. Встановлено кількісні значення погіршення показників ефективності роботи системи. У випадку зменшення кількості навчальних зразків в чотири рази, на 7,55 % знижується значення критерію Танімото та на 14,74 % зростає відносна похибка визначення глибини залягання дефектів. Водночас, в чотири рази зменшується час навчання. Аналогічні результати отримано і для випадку зменшення репрезентативності вибірки.
Розроблено та виготовлено 2 тестових та 5 навчальних зразків у вигляді пластин із багатошарових композиційних матеріалів, які містять штучні внутрішні дефекти з відомими параметрами. Зразки використовувались для проведення експериментальних досліджень ефективності роботи розробленої автоматизованої системи. Для проведення експериментів було виготовлено стенд для проведення активного теплового контролю за схемою з двостороннім доступом до об’єкту.
За результатами експериментальних досліджень встановлено, що в реальних умовах архітектура нейронних мереж відповідних модулів має бути ускладнена до 35 нейронів в першому та 15 нейронів в другому прихованому прошарках. Дослідження показали, що розроблена система дозволяє проводити безпомилкове виявлення та класифікацію дефектів за типом. Оцінка глибини залягання та розкриву дефектів із використанням розробленої системи відбувається з максимальною похибкою ±3,19 % та 3,50 % відповідно. Доведено, що розроблена система має підвищену достовірність контролю та точність дефектометрії у порівнянні з традиційними алгоритмами навіть в умовах нерівномірного нагріву. На основі результатів досліджень сформульовано рекомендації щодо методики контролю із використанням розробленої автоматизованої системи.
Ключові слова: неруйнівний контроль, тепловий контроль, теплова дефектометрія, теплова томографія, теплове поле, композиційні матеріали, нейронні мережі, нейромережевий класифікатор, мережа прямого розповсюдження, зворотне поширення помилки, машинне навчання.