Academic literature on the topic 'Нейроні мережі'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Нейроні мережі.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Нейроні мережі"
1
Бажинов, О., Р. Заверуха, and Т. Бажинов. "Інформаційна комплексна система діагностики гібридних і електромобілів." Науковий журнал «Інженерія природокористування», no. 2(16) (December 1, 2020): 12–18. http://dx.doi.org/10.37700/enm.2020.2(16).12-18.
Full textAbstract:
Розглянуто штучні нейроні мережі в системі управління силовою установкою транспортного засобу з метою зменшення витрати енергії та діагностики off-line технічного стану тягової акумуляторної батареї. Отримано метод діагностики технічного стану силової установки, який використовує штучні нейронні мережі та системи нечіткого висновку для визначення технічного стану ДВЗ та тягової акумуляторної батареї.Метою роботи є підвищення ефективності діагностики функціональних систем гібридного та електромобіля шляхом оперативного синтезу управляючих впливів за енергетичними і якісними критеріями з урахуванням зовнішніх умов експлуатації. Обґрунтування методу діагностики технічного стану силової установки гібридного та електромобіля з використанням штучної нейронної мережі та системи нечіткого висновку. Дати наукове обґрунтування діагностичних параметрів силової установки гібридного автомобіля. В роботі використано штучні нейронні мережі в системі управління силовою установкою транспортного засобу з метою зменшення витрати енергії та діагностики off-line технічного стану тягової акумуляторної батареї. За допомогою симулятора навчається нейромережева модель автомобіля, яка використовує off-line навчання нейроконтролера. Якість навчання нейроконтролера визначається симулятором. При подальшому функціонуванні системи управління параметри нейронних мереж не змінюються. Відсутність адаптації вагових коефіцієнтів при функціюванні системи управління обґрунтовано тим, що це веде до втрати довго часовоїпам’яті системи управління при виникненні кратко часової несправності, а також можливості виникнення біфуркації при адаптації в нелінійних системах наведено на рисунку 1.Цільова функція оптимізації управління має на увазі мінімізацію витрати енергії при збереженні ступеню заряду тягової акумуляторної батареї при обмеженому діапазоні руху транспортного засобу в заданих умовах експлуатації.За результатами випробувань метода нейроуправління отримано, що нейроконтролер забезпечує зменшення витрати палива на 17 % і скорочує діапазон зміни ступеня зарядженості тягової акумуляторної батареї на 35 %, а також забезпечує мінімізацію викидів токсичних речовин.
2
Hlavcheva, D., and V. Yaloveha. "КАПСУЛЬНІ НЕЙРОННІ МЕРЕЖІ." Системи управління, навігації та зв’язку. Збірник наукових праць 5, no. 51 (October 30, 2018): 132–35. http://dx.doi.org/10.26906/sunz.2018.5.132.
Full textAbstract:
Предметом вивчення є історія становлення та розвиток теорії нейронних мереж, сучасні підходи до проблем розпізнавання та класифікації зображень. Особлива увага приділяється якісному огляду капсульних та згорткових нейронних мереж, принципів їх роботи та визначення основних відмінностей. Метою роботи є аналіз сучасного стану досліджень нейронних мереж та можливих перспектив розвитку цієї галузі. Завдання: проаналізувати історичний розвиток теорії нейронних мереж. Провести порівняння між типами нейронних мереж, що базуються на концепції глибокого навчання: згортковими та капсульними. Методом проведення дослідження є аналіз сучасної літератури та основних тенденцій розвитку глибокого навчання. Результатами проведеного дослідження є виявлення значущих відкриттів, що вплинули на розвиток нейронних мереж. Функціонування нейронних мереж базується на роботі нервової системи біологічних організмів. Зокрема, це принцип активності біологічного нейрону, ансамблі нейронів, виявлення «простих клітин» у зоровій корі мозку. На даний момент найбільший розвиток мають нейронні мережі, що засновані на концепції глибокого навчання, яка дозволяє багатошаровим обчислювальним моделям вивчати дані з кількома рівнями абстракції. Згорткові мережі, що використовують цю концепцію досягли значних успіхів у розпізнаванні зображень, відео та аудіо. Рекурентні мережі виявилися кращі у аналізі тексту та мови. Згорткові нейронні мережі маються низку недоліків, на яких наголошено у роботі. Капсульні нейронні мережі є вдосконаленням концепції згорткових нейронних мереж. В їх основі покладено «капсули», які призначені для виявлення характеристик об’єкта. Капсули як група нейронів характеризуються вектором активації. Запропонований відомими ученими векторний підхід дозволяє врахувати поворот та трансляцію об’єктів. Капсульні нейронні мережі потребують значно меншу навчальну вибірку, ніж згорткові. У висновках роботи визначаються основні перспективи розвитку теорії нейронних мереж, а також можливий стрімкий розвиток неконтрольованого навчання нейронних мереж. Наголошується на важливості критичного аналізу проблем нейронних мереж як вирішального фактору їх майбутнього розвитку.
3
Pogrebnyak, S. V., and O. O. Vodka. "Моделювання механічної поведінки еластомірних матеріалів за допомогою штучної нейронної мережі." Scientific Bulletin of UNFU 28, no. 11 (December 27, 2018): 130–34. http://dx.doi.org/10.15421/40281123.
Full textAbstract:
У ХХІ ст. нейронні мережі широко використовують у різних сферах, зокрема в комп'ютерному моделюванні та механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Створено програмний продукт із використанням елементів штучного інтелекту для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати та давати результати з мінімальною похибкою. Інструментом розв'язання задачі було використання елементів штучного інтелекту, а точніше – нейронних мереж прямого поширення. Збудовано нейронну мережу прямого поширення. Її навчив вчитель із використанням методу зворотного розповсюдження похибки на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, що отримували на вхід однаковий набір даних, якого не використовували під час навчання, але він був відомий з експерименту. Отже, було знайдено похибку мережі за кількістю виділеної енергії та середньоквадратичним відхиленням. Докладно описано тип мережі та її топологію. Метод навчання і підготовки навчаючої вибірки також описано математично. Внаслідок проведеної роботи збудовано та протестовано програмне забезпечення з використанням штучної нейронної мережі та визначено її похибку.
4
Лєві, Л. І. "ФОРМАЛІЗАЦІЯ ВОЛОГОПЕРЕНОСУ В НЕНАСИЧЕНІЙ ЗОНІ МОДУЛЬНОЇ ДІЛЯНКИ ҐРУНТУ ЯК ОБ’ЄКТУ КЕРУВАННЯ НА ОСНОВІ НЕО-ФАЗЗІ МЕРЕЖ." Вісник Полтавської державної аграрної академії, no. 3 (September 27, 2019): 248–55. http://dx.doi.org/10.31210/visnyk2019.03.34.
Full textAbstract:
Метою статті є дослідження модульної ділянки ґрунту як об’єкту керування, яка є складною ро-зподіленою у просторі системою. Однією з характерних ознак складності об’єкта керування є неви-значеність у представленні його структури та поведінки. У рамках сучасної методології системно-го моделювання невизначеність може характеризувати наступні аспекти модельних уявлень: неяс-ність або нечіткість границі системи; неоднозначність семантики окремих термінів; неповнота модельних уявлень щодо певної складної системи; наявність протиріч між окремими компонентами модельних уявлень або вимог, які повинна задовольняти модель складної системи; невизначеність настання певних подій, які належать до можливості знаходження системи ‒ оригіналу в певному стані в майбутньому; лінгвістична невизначеність. На модульну ділянку ґрунту як об’єкт керування здійснюють вплив змінні збурення − погодні умови (температура й вологість повітря, швидкість ві-тру, сонячна радіація, опади). Від них залежить вихідний параметр − всмоктуючий тиск (вологість) ґрунту. Цьому об՚єкту керування притаманна стохастична невизначеність, оскільки його властиво-сті змінюються випадково. На сьогодні, крім класичних нейронних мереж, розвиваються гібридні, зокрема, нечіткі нейронні мережі. Вони об’єднують у собі переваги нейронних мереж і систем нечі-ткого виведення. Тому для моделювання ненасиченої зони модульної ділянки ґрунту як об’єкту керу-вання ґрунту застосовано саме гібридну нейро-нечітку мережу на основі нео-фаззі нейрона. Розроб-лені нео-фаззі моделі ненасиченої зони модульної ділянки ґрунту як об’єкта керування для прогнозу-вання всмоктуючого тиску ґрунту забезпечують вищу точність роботи, ніж багатошарові мережі прямого поширення. Водночас вони мають простішу архітектуру, що забезпечує легшу практичну реалізацію та більшу швидкість навчання. Розроблені нео-фаззі моделі можуть бути використані у складі автоматизованого робочого місця диспетчера зрошувальної системи і слугувати зручним ін-струментом для планування й керування режимами зволоження сільськогосподарських культур.
5
Федоряка, М., and K. Мелкумян. "Гібридний метод обробки зображень на конволюційних нейронних мережах." Адаптивні системи автоматичного управління 1, no. 38 (May 31, 2021): 72–76. http://dx.doi.org/10.20535/1560-8956.38.2021.233198.
Full textAbstract:
Стаття присвячена опису моделі конволюційної нейронної мережі для покращення роздільної здатності зображень на мобільних пристроях. В наш час мобільна фотографія стає все більш і більш популярною. Багато людей вибирають у якості основного пристрою для створення фото свій смартфон, оскільки це значно зручніше, швидше та дешевше за спеціалізовану камеру. Нажаль, висока роздільна здатність і якість фото доступна лише покупцям дорогих смартфонів. Саме тому актуальною є проблема покращення роздільної здатності та чіткості фотографій є неймовірно актуальною. Традиційні алгоритми без використання машинного навчання демонструють непогані результати і не потребують великого обсягу часу, потрібного на підбір наборів даних, що необхідні для тренування нейронної мережі, та, власне, на сам процес тренування. Проте, іх ефективність та якість результату значно гірша ніж у підходів з використанням нейронних мереж. Саме тому пропонується застосувати гібридний метод обробки зображень, що базується на конволюційних нейронних мережах. Структура мережі відрізняється від класичних підходів комбінацією обробки нейронною мережею та одним з більш традиційних алгоритмів обробки зображень. Запропонавана системавикористовує конволюційні нейронні мережі замість традиційних генеративних змагальних мереж. Запропонована архітектура мережі використовує автокодувальник, який вчиться на різких зображеннях шляхом вилучення ознак. Після навчання вихідне зображення пропускається через автокодувальник. Після видалення шумів та застосування корекцій, декодер створює з цих даних необхідне різке зображення. Після обробки нейронною мережею, застосовується алгоритм Unsharp Masking з буфером глибини для покращення контрасту і яскравості результуючого зображення. У статті наведено перелік переваг використання вищезазначеної системи.
Бібл. 5, іл. 1.
6
Zhukovskyy, V. V., S. V. Shatnyi, and N. A. Zhukovska. "Нейронна мережа для розпізнавання та класифікації картографічних зображень ґрунтових масивів." Scientific Bulletin of UNFU 30, no. 5 (November 3, 2020): 100–104. http://dx.doi.org/10.36930/40300517.
Full textAbstract:
Запропоновано нейронну мережу для розпізнавання картографічних зображень ґрунтових масивів та класифікації ландшафтних ділянок за типами ґрунтових масивів із використанням нейронної мережі. Описано підходи до проектування архітектури, методів навчання, підготовки даних для проведення навчання, тренування та тестування нейронної мережі. Розроблено структурно-функціональну схему нейронної мережі, яка складається із вхідного, прихованих та вихідного шарів, кожен окремий нейрон описано відповідною активаційною функцією із підібраними ваговими коефіцієнтами. Показано доцільність застосування кількості нейронів, їх тип та архітектуру для проведення задачі розпізнавання та класифікації ділянок на кадастрових картах. Як вихідні дані використано відкриті державні інформаційні ресурси, в яких виділено окремі ділянки за типами ґрунтів, їх поширення та сформовано базу даних для навчання та тренування нейронної мережі. Проаналізовано ефективність, швидкодію та точність роботи нейронної мережі, зокрема, проведено комп'ютерну симуляцію із використанням сучасного програмного забезпечення та математичне моделювання обчислювальних процесів у середині структури нейронної мережі. Розроблено програмні засоби для попередньої підготовки та оброблення вхідних даних, подальшого тренування та навчання нейронної мережі та безпосередньо процесу розпізнавання та класифікації. Відповідно до отриманих результатів, розроблена модель та структура нейромережі, її програмні засоби реалізації показують високу ефективність як на етапі попереднього оброблення даних, так і загалом на етапі класифікації та виділення цільових ділянок ґрунтових масивів. Надалі наступним етапом досліджень є розроблення та інтеграція програмно-апаратної системи на основі розпаралелених та частково розпаралелених засобів обчислювальної техніки, що дасть змогу значно пришвидшити обчислювальні операції, досягти виконання процесів навчання та тренування нейронної мережі в режимі реального часу та без втрати точності. Подані наукові та практичні результати мають високий потенціал для інтеграції в сучасні інформаційно-аналітичні системи, системи аналізу та моніторингу за станом навколишнього середовища, технологічними об'єктами та об'єктами промисловості.
7
Харченко, Н., and В. Сердаковський. "Нейронна мережа для діагностики хвороби Паркінсона за зображенням спіралі Архімеда." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 45 (December 23, 2021): 54–58. http://dx.doi.org/10.36910/6775-2524-0560-2021-45-08.
Full textAbstract:
У статті розглянуто актуальну проблему встановлення діагнозу Паркінсона на ранніх стадіях захворювання. Вибір теми дослідження обумовлено невиліковністю хвороби Паркінсона, отже вкрай гостро, на думку авторів є нагальне виявлення захворювання на ранніх стадіях. Констатовано, що діагностики, для точного встановлення діагнозу нині не існує, тому залишається проведення тестів для виявлення симптомів. Одним з таких, як слушно зауважують автори є малювання спіралі Архімеда, яке має доволі високу точність під час виявлення тремору спокою. Створення алгоритму для автоматичної обробки таких зображень може допомогти у проведені діагностики, а також моніторингу розвитку хвороби. Поєднання штучного інтелекту та інтернет медичних речей з часом зробить підключені пристрої для моніторингу стану здоров’я більш інтелектуальними. Нейронні мережі та величезні обсяги даних, що генеруються інтернет медичних речей, також можуть використовуватися для встановлення діагнозу. Авторами статті наголошено на фундаментальних можливостях нейронних мереж, їх сприятливій ролі у трансформації сфери радіології, шляхом заощадження часу та грошей медичних організацій. Розроблено нейронну мережу, яка зможе за зображенням намальованої спіралі Архімеда встановити діагноз. Дану мережу можна використовувати для проведення ранньої діагностики, а також подальшого моніторингу стану хвороби. Зважаючи на невелику вибірку зображень для навчання та тренування моделі авторами статті було прийняте рішення про збільшення вибірки шляхом перетворення зображень, а також використання згорткової нейронної мережі з попереднім навчанням. У результаті проведеної роботи було створено модель, яка має точність 93.7 відсотків яка дозволить автоматизувати процес діагностики хвороби на ранніх стадіях.
8
Koshel, А. "Перспективні напрямки застосування нейронних мереж у конструкторській діяльності." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 46 (April 1, 2022): 57–63. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-08.
Full textAbstract:
У статті описано перспективні напрямки застосування нейронних мереж у конструкторській діяльності. Наголошено, що в умовах сьогодення нейромережеві технології знайшли застосування в економіці, медицині, промисловості, багатьох інших галузях науки і техніки, здатні вирішувати практично будь-які завдання, пов'язані з моделюванням, прогнозуванням, оптимізацією. Наголошено на проблематиці дослідження, підкреслено, що виробничі процеси характеризуються величезним розмаїттям динамічно взаємодіючих параметрів і зазвичай надто складні до створення адекватних аналітичних моделей, а у деяких випадках вдалі з погляду адекватності описуваному процесу аналітичні математичні моделі виявляються неспроможними через високі вимоги до обчислювальної потужності. Запропоновано дві моделі нейронних мереж: глибока нейронна мережа та згорткова нейронна мережа, робота яких направлена на використання у конструкторській діяльності яка спрямована на проектування лонжерону автомобіля. Описано та схематично запропоновано блок-схему зворотного проектування профілів лонжеронів, а також сформовано багатошарову архітектуру згорткової нейронної мережі, яка використовується у конструкторській діяльності, яка складається із згорткового шару, шару об’єднання та повністю пов’язаного шару та сформовано архітектуру глибокої нейронної мережі, яка використовується у конструкторській діяльності направленій на проектування лонжерону автомобіля. Наголошено, що на відміну від моделі згорткової нейронної мережі, дані навантаження розглядаються як ціле, а не поділяються на статичні та динамічні, а зворотне проектування з використанням глибокої нейронної мережі здійснюється за допомогою стандартних бібліотек. Підкреслюється, що нейромережеві технології можуть бути корисними при створенні набору базових програмних моделей-блоків, наділених певними властивостями, що відповідають деяким реальним процесам або явищам, для подальшого їх комбінування в більш складних системах конструювання. Причому найскладніша частина такого набору модулів це саме середовище взаємодії таких блоків, яке у перспективі також може бути побудовано на основі нейронних мереж.
9
Dmitrienko, V., S. Leonov, and V. Brechko. "ВИКОРИСТАННЯ АСОЦІАТИВНОЇ ПАМ’ЯТІ ПРИ ПРОЕКТУВАННІ ТЕХНОЛОГІЧНОГО ПРОЦЕСУ." Системи управління, навігації та зв’язку. Збірник наукових праць 3, no. 55 (June 21, 2019): 99–103. http://dx.doi.org/10.26906/sunz.2019.3.099.
Full textAbstract:
При проектуванні технологічних процесів механообробки використовується банк даних, в якому необхідно знайти потрібну інформацію та скомпонувати її в залежності від задачі. При цьому виникає необхідність побудови багаторівневої структури обробки даних. Також необхідно забезпечити швидкий пошук необхідної інформації, яка знаходиться в банку даних. Вирішити цю проблему можна за допомогою асоціативної пам'яті, застосувати яку можна як при пошуку інформації, так і при подальшому збереженні отриманого технологічного процесу. Метою роботи є розробка нейронних мереж асоціативної пам'яті для проектування і зберігання технологічних процесів для високоточних і унікальних деталей. Результати. За допомогою запропонованих нейронних мереж асоціативної пам'яті розроблено технологічний процес для виробництва конкретної деталі. Алгоритм навчання окремих модулів багатошарової мережі являє собою процес визначення навчального набору зображень і побудови матриць вагів зв’язків між вхідним і вихідними шарами нейронів. При використанні асоціативної пам'яті збільшується швидкість роботи з даними за рахунок паралельної обробки інформації. Математичне моделювання технологічного процесу виробництва деталі підтвердило правильність теоретичних положень. Висновки. Розроблені нейронні мережі для проектування і зберігання технологічних процесів для виробництва високоточних деталей.
10
Давидько, О. Б., А. О. Ладік, В. Б. Максименко, М. І. Линник, О. В. Павлов, and Є. А. Настенко. "КЛАСИФІКАЦІЯ УРАЖЕНЬ ЛЕГЕНЬ ПРИ COVID-19 НА ОСНОВІ ТЕКСТУРНИХ ОЗНАК ТА ЗГОРТКОВОЇ НЕЙРОННОЇ МЕРЕЖІ." Біомедична інженерія і технологія, no. 6 (November 17, 2021): 19–28. http://dx.doi.org/10.20535/2617-8974.2021.6.231887.
Full textAbstract:
Реферат – Проблематика. Визначення структури ураження легеневої тканини хворих на COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» є важливою складовою обґрунтування діагнозу та лікувальних заходів на поточний момент терапії пацієнта. Найбільш поширеним засобом визначення стадії та типу ураження дихальних шляхів є аналіз рентген зображень та комп’ютерної томографії (КТ). Оскільки особливістю вірусної пневмонії SARS-CoV-2 є швидкий перехід від легких стадій до важких з розвитком цитокинового шторму і розповсюдження вірусу в артеріальний кровотік, то надійний та швидкий аналіз КТ зображень легень пацієнта є запорукою прийняття своєчасних лікувальних заходів. В даній роботі розглядаються можливості застосування засобів штучного інтелекту для вирішення задачі класифікації уражень легень при захворюванні COVID-19. Мета. Метою роботи є створення класифікаційної системи типу уражень легень при COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» на основі згорткової нейронної мережі CNN та текстурних ознак, джерелом яких є матриці суміжності GLCM при різних значеннях кутів напрямку аналізу. Методика реалізації. Оскільки основою відмінностей різних типів ураження легеневої тканини на КТ зображеннях є відмінності у їх текстурних характеристиках, то в основу простору ознак класифікаційної системи закладемо елементи гістограм на основі матриць суміжності областей інтересу КТ зображень легень. У зв’язку з високими якостями перетворення простору ознак до потреб задач класифікації згортковими шарами мережі, засобом побудови класифікатора пропонується застосувати згорткову нейронну мережу. Для навчання системи ДУ “«Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України» було надано 794 КТ зрізів від 20 пацієнтів із масками зображень, на яких виділені 4714 зони інтересу з означеними типами уражень легень. Була побудована модель семишарової згорткової нейронної мережі: із чотирма згортковими шарами, після перших трьох з яких йдуть агрегувальні шари. На вхід згорткової нейронної мережі одночасно подаються текстурні ознаки двох GLCM, які були отримані із сегментованих КТ зображень під різними кутами. В якості функції втрат була використана NLLLOSS. Шар активації Softmax визначає результат задачі класифікації. Результати дослідження. Побудована згорткова нейронна мережа на тестовій вибірці з 472 зображень має загальну точність класифікації у 83%, на класі «матове скло» - 90,1%, «бруківки» - 70,5%, «консолідація» – 54,2% та на робочій вибірці з 4714 ROI зображень має загальну точність у 98%, на класі «матове скло» - 98,6%, «бруківка» - 96,8%, «консолідація» – 95,4% Висновки. В роботі одержано модель з високою ефективністю класифікації типу уражень легень при COVID-19. Класифікатор побудовано на основі згорткової нейронної мережі та ознак текстури, джерелом яких є матриці суміжності областей інтересу КТ зображень легень. Ключові слова – GLCM, матриця суміжності, область інтересу, комп’ютерна томографія, COVID-19, згорткова нейронна мережа, ураження легень, матове скло, бруківка, консолідація.
Dissertations / Theses on the topic "Нейроні мережі"
1
Мороз, А. С., and О. Є. Петренко. "Засоби захисту інформації на основі нейронних мереж." Thesis, НТУ «ХПІ», 2020. http://openarchive.nure.ua/handle/document/14291.
Full text
2
Гірний, Микола Юрійович. "Використання штучного інтелекту для оцінювання розпізнавання зображень." Магістерська робота, Хмельницький національний університет, 2020. http://elar.khnu.km.ua/jspui/handle/123456789/9420.
Full textAbstract:
В магістерській роботі розроблений і реалізований метод отримування інформації для розпізнавання рецептів та інгредієнтів за зображенням страв та їх рецептурою. Розроблювальна система пропонує користувачам страви на основі виявлених схожих, які виражені в текстовій формі та у вигляді зображень.
3
Гутман, А. І. "Застосування нейронних мереж для задач класифікації." Thesis, Київський національний університет технологій та дизайну, 2018. https://er.knutd.edu.ua/handle/123456789/11830.
Full text
4
Греков, І. С., and М. Г. Заворотна. "Классификация нейронных сетей." Thesis, Кременчуцький льотний коледж, 2019. http://openarchive.nure.ua/handle/document/9373.
Full textAbstract:
В настоящий момент в мире бурно развивается новая прикладная область математики, специализирующаяся на искусственных нейронных сетях. Актуальность исследований в этом направлении обусловлена возможностями применения нейронных сетей в самых разных областях.
5
Ковнер, А. А. "Нейронні мережі в робототехніці." Thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/67036.
Full textAbstract:
Штучна нейронна мережа (ШНМ) – математична модель, або її
програмне втілення, яка побудована на принципі функціонування
біологічних нейронних мереж. ШНМ – це система з’єднаних між
собою простих процесорів, які виконують роль так званих «штучних
нейронів».
6
Чернецький, Ігор Володимирович, Игорь Владимирович Чернецкий, and Ihor Volodymyrovych Chernetskyi. "Штучні нейронні мережі в практичній мікробіології." Thesis, Сумський державний університет, 2018. http://essuir.sumdu.edu.ua/handle/123456789/66952.
Full textAbstract:
Штучні нейронні мережі – це математична модель, а також її
програмна та апаратна реалізація, робота якої здійснюється за
принципом організації та роботи біологічних нейронних мереж.
Штучна нейронна мережа є основою поняття «інтелектуальний
аналіз». З математичної точки зору ці мережі являють собою різновид
нелінійної оптимізації.
7
Булашенко, Андрій Васильович, Андрей Васильевич Булашенко, Andrii Vasylovych Bulashenko, and В. О. Коваль. "Ймовірнісна нейронна мережа." Thesis, Видавництво СумДУ, 2010. http://essuir.sumdu.edu.ua/handle/123456789/21033.
Full text
8
Шаповалов, М. С., Олександр Юрійович Заковоротний, and В. М. Гугнін. "Нейронні мережі адаптивної резонансної теорії в задачах розпізнавання." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2017. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45201.
Full text
9
Strukov, D. D., and O. Y. Myronchuk. "Application of neural networks for solving interpolation tasks." Thesis, National Aviation University, 2021. https://er.nau.edu.ua/handle/NAU/50536.
Full textAbstract:
1. Jinwook Go, Kwanghoon Sohn and Chulhee Lee, "Interpolation using neural networks for digital still cameras," in IEEE Transactions on Consumer Electronics, vol. 46, no. 3, pp. 610-616, Aug. 2000, doi: 10.1109/30.883419.
2. Myronchuk, O., Shpylka, O., & Zhuk, S. (2020). Two-stage Channel Frequency Response Estimation in OFDM Systems. Path of Science, 6(2), 1001-1007. doi: http://dx.doi.org/10.22178/pos.55-1
3. Myronchuk O. Algorithm Of Channel Frequency Response Estimation In Orthogonal Frequency Division Multiplexing Systems Based On Kalman Filter / O. Myronchuk, O. Shpylka, S. Zhuk // 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 31-34, doi: 10.1109/TCSET49122.2020.235385.
4. A. Y. Myronchuk, O. O. Shpylka and S. Y. Zhuk, “Channel frequency response estimation method based on pilot’s filtration and extrapolation”, Visnyk NTUU KPI Seriia - Radiotekhnika Radioaparatobuduvannia, (78), pp. 36-42, 2019. doi:10.20535/RADAP.2019.78.36-42
5. Myronchuk O. Yu. Two-Stage Method for Joint Estimation of Information Symbols and Channel Frequency Response in OFDM Communication Systems / O. Yu. Myronchuk, A. A. Shpylka, S. Ya. Zhuk // Radioelectronics and Communications Systems. – 2020. Vol. 63. – No. 8, pp. 418 429. doi: 10.3103/S073527272008004X
6. Луцький М.Г., Корченко О.Г., Горніцька Д.А., Ярмошевич І.М. Модель оцінки якості експерта для підвищення об’єктивності експертиз у сфері інформаційної безпеки. Захист інформації. 2011. Том 13. Вип. 2(51).
DOI: 10.18372/2410-7840.13.2022Artificial neural networks (ANN) are fundamental solution for most of nowadays algorithmic and optimization problems. The most frequently encountered artificial neuron models are neurons with multiple inputs and single output, named feedforward neural network (FNN).
Штучні нейронні мережі (ANN) є фундаментальним рішенням для більшості сучасних задач алгоритмізації та оптимізації. Найбільш часто зустрічаються моделі штучних нейронів - це нейрони з кількома входами та єдиним виходом, названі нейронною мережею прямого пересилання (FNN).
10
Коваленко, Володимир Володимирович. "Кіберфізична система розумної парковки на основі технології комп’ютерного зору." Магістерська робота, Хмельницький національний університет, 2022. http://elar.khnu.km.ua/jspui/handle/123456789/11951.
Full textAbstract:
У роботі розглянуто принципи застосування штучних нейронних мереж для розпізнавання зображень автомобілів для кіберфізичної системи розумної парковки. Удосконалено метод розпізнавання зображень на базі технології Google Cloud Vision API та розроблено модель розпізнавання зображень автомобілів на основі згорткової нейронної мережі ЗНМ.
Book chapters on the topic "Нейроні мережі"
1
Приймак, В. І., С. М. Вишневська, and А. І. Трач. "ІНТЕЛЕКТУАЛЬНИЙ КАПІТАЛ І ЦИФРОВА ЕКОНОМІКА В СИСТЕМІ СТАЛОГО РОЗВИТКУ." In Economics, management and administration in the coordinates of sustainable development. Publishing House “Baltija Publishing”, 2021. http://dx.doi.org/10.30525/978-9934-26-157-2-23.
Full textAbstract:
Досліджено економічну сутність інтелектуального капіталу в сучасну епоху постіндустріального суспільства. Висвітлено його суспільне значення як визначального чинника економічного зростання та конкурентоспроможності держави. Обґрунтовано, що становлення економіки знань впливає на розвиток інтелектуального капіталу. Розглянуто системоутворюючі складові частини інтелектуального капіталу. Аргументовано необхідність застосування інтелектуального аналізу для оцінювання людського, організаційного, соціального та інформаційного складників інтелектуального капіталу. Узагальнено науково-методичні підходи до кластеризації регіонів України за оцінкою основних складників інтелектуального капіталу. За допомогою розробленої математичної моделі, основою якої є штучна нейронна мережа карт самоорганізації Кохонена, запропоновано підхід до поділу цих регіонів на кластери. Використання розглянутих у роботі методів аналізу рівня розвитку інтелектуального капіталу дасть змогу точніше вибрати напрями підвищення ефективності державного управління в умовах цифрової економіки для сталого розвитку держави.
Reports on the topic "Нейроні мережі"
1
Пермякова, О. С., and Сергій Олексійович Семеріков. Застосування нейронних мереж у задачах прогнозування. Видавничий центр КТУ, November 2008. http://dx.doi.org/10.31812/0564/923.
Full textAbstract:
Нейронна мережа – це набір нейронів, певним чином зв’язаних між собою. Тришаровий перцептрон – нейромережа, яка досить проста за структурою й у той же час широко використається для розв’язання прикладних завдань.
2
Семеріков, С. О. Застосування методів машинного навчання у навчанні моделювання майбутніх учителів хімії. КДПУ, November 2018. http://dx.doi.org/10.31812/123456789/2647.
Full textAbstract:
Починаючи з 2018-2019 н. р., для магістрантів з додатковою спеціальністю «Інформатика» уведено навчальну дисципліну «Чисельні методи та моделювання», спрямованої на формування у студентів системи теоретичних знань з основ апарату чисельних методів і практичних навичок їх використання для розробки та дослідження математичних моделей. Одним із провідних завдань дисципліни є надання комплексу знань, необхідних для розуміння проблем, які виникають під час побудови та при використанні сучасних інтелектуальних систем, та ознайомлення студентів з основними принципами нейромережевого моделювання: – загальними характеристиками біологічних та штучних нейронів; – штучною нейронною мережею Хебба, класичним та модифікованими перцептронами; – видами функцій активації, що набули поширення в штучних нейронних мережах; – технологією проектування одношарових та багатошарових штучних нейронних мереж; – алгоритмами навчання нейронних мереж. Вказані питання в останні десятиріччя розглядаються у межах машинного навчання (Machine Learning) – розділу штучного інтелекту, що розглядає методи побудови алгоритмів та на їх основі програм, здатних «навчатися» шляхом подання емпіричних даних (прецедентів або спостережень), в яких виявляються закономірності, та на їх основі будуються моделі, що надають можливість у подальшому прогнозувати певні характеристики для нових об’єктів. На жаль, класичний (і найбільш популярний у світі) курс машинного навчання Е. Ина (Andrew Ng), розміщений на платформі Coursera, зорієнтований насамперед на студентів-початковців інформатичних спеціальностей – це надає можливість пропонувати його для самостійного опрацювання, але не розв’язує основну проблему: надання змістовних моделей, що відображають специфіку основної спеціальності – хімія.