Добірка наукової літератури з теми "Структура обробки даних"

В роботі проведено синтез та аналіз оптимальної структури обробки даних оглядових радіолокаційних систем спостереження, який показуэ що завдяки створенню тимчасової інформаційної бази сигнальних даних на потрібну кількість оглядів радіолокаційної системи спостереження, в кожному елементі якої зберігаються сигнальні дані з показниками якості та параметри їх отримання, вдається здійснити міжетапну наскрізну оптимізацію обробки сигналів, первинної та вторинної обробки даних систем спостереження повітряного простору на основі критерія Неймана-Пірсона та з’являється можливість швидше формулювати підготовку інформаційних повідомлень у межах поточного інформування, що істотно впливає на якість прийнятого рішення. Наведені розрахунки показали, які є переваги в якості обробки даних первинних радіолокаторів в порівнянні з варіантом поєднання даних, який здійснюється на рівні прийняття рішень про виявлення провітряного об’єкта в кожному каналі обробки сигнальних дани, та показує неодноманітність якісті прийняття рішення, що визначається як якістю, так і складом інформації, на основі якої приймаються рішення. Таким чином наведена структура призведе до якіснішого аналізу інформації про повітряний простор, який значною мірою забезпечує як безпеку країни, так і безпеку повітряного руху

У статті розглядаються особливості реалізації арифметичних операцій непозиційної системи числення у класі лишків. Реалізація арифметичних операцій у класі лишків виконуються незалежно і паралельно над однойменними розрядами (залишками), а структура операційного пристрою комп'ютерних засобів обробки даних представляється у вигляді незалежних обчислювальних трактів, кожен з яких функціонує за своєю основою mi класу лишків. Розглядаються та аналізуються методи реалізації модульних арифметичних операцій у класі лишків. Результати аналізу основних властивостей класів лишків дозволяють зробити висновок про те, що комп'ютерних засобів обробки даних, які функціонують у класі лишків, відносяться до швидкодіючих та надійних об'єктів. Зазначені особливості структури та принципів функціонування комп'ютерних засобів обробки даних у класі лишків сприяють розробці ефективних й оптимальних методів резервування, що не мають аналогів в позиційних системах числення.

У статті розглядаються актуальні питання застосування сучасних технологій і методів виявлення та розпізнавання об’єктів. Стаття присвячена аналізу особливостей застосування різних типів нейронних мереж в процесі поетапної обробки відеоданих, які отримуються з систем технічного зору роботів, систем відеомоніторингу, інтелектуальних систем безпеки. Проведено огляд сучасної літератури, яка описує методику формування простору ознак опису об'єктів і методів їх розпізнавання. Під час огляду показано, що процес інтелектуальної обробки відеоданих складається з багатьох етапів обробки зображень, одним із яких є обробка з застосуванням нейронних мереж в якостіінтелектуальних компонентів. Баторівневість етапів обробки в реальному часі вимагає обгрунтування застосування різних типів нейронних мереж при різних процесах обробки з метою підвищення якості та оптимізації часу обробки таких даних. Наводиться структура моделі обробки відеозображень. Також у статті проводиться визначення типів нейронної мережі на різних етапах обробки даних (таких як ідентифікація параметрів і характеристик групи, знаходження групових об’єктів, посекторна обробка зображень, класифікація об’єкту, розпізнавання об’єкту, створення контурної моделі об’єкту, виявлення об’єкту в секторі, оцінка параметрів сектору, визначення інформаційних секторів, розбиття кадру на сектори, обробка інформаційних кадрів) відповідно ієрархічної моделі, що пропонується, з подальшим використанням отриманих результатів для мультиагентної системи розподіленої інтелектуальної обробки відеоданих об’єктів моніторингу та приклади подальшого застосування отриманих результатів. Бібл. 13, табл. 1.

Проаналізовано особливості, що виникають під час підготовки студентів фізичних та інженерних спеціальностей у вивченні статистичних методів і їх застосуванні на практиці. Досліджено основні типи задач, що виникають під час статистичної обробки експериментальних даних. Розглядається методика використання програмного середовища LabVIEW для побудови модуля визначення статистичних параметрів експериментальних вибірок. Описана структура створеного програмного забезпечення і його реалізація засобами середовища LabVIEW. Описана процедура програмування в LabVIEW і низка базових елементів, що використовуються для розробки програми.

Розглядаються питання формування інформаційного середовища бази знань для лінгвістичного аналізу і обробки за такими формами уявлення, як дані, інформація, тематичні знання, інтелектуальні знання та досвід застосування з використанням метаданих та відповідних метамоделей. Дається їх опис з використанням функціональних шарів для кожної форми і показуються їх взаємозв'язки, які призводять до багаторівневої моделі БЗ. Пропонується структура БЗ з функціональними формами опису для вирішення завдань лінгвістичного аналізу й обробки, яка відрізняється від традиційних тим, що кожний наступний функціональний шар базується на попередньому і може включати його, як складову частину, а також тим, що знання формуються у вигляді тематичних і інтелектуальних знань. Запропоновано також, що крім даних, інформації, знань, інтелектуальних знань і досвіду щодо їх використання, в БЗ повинні зберігатися та оброблятися також об'єкти / суб'єкти / процеси / явища / події / ситуації, які виявляються при обробці похідних текстів у вигляді лінгвістичних об'єктів і які мають різного виду уявлення, зв'язки і відносини між собою.

Компанія AVON - косметична фірма, яка поширює свою продукцію виключно через консультантів (мережевий маркетинг). Компанія AVON розповсюджує свою продукцію за методом прямого продажу. Прямий продаж – це реалізація товарів та послуг кінцевому споживачу за межами звичайних місць роздрібної торгівлі шляхом індивідуальної презентації товарів чи послуг. Серед компаній, які працюють за методом прямого продажу в Україні, AVON посідає перше місце за рівнем першого згадування назви компанії опитуваними та у числі лідерів серед компаній прямого продажу, продукція яких популярна серед споживачів усіх вікових груп у віці до 45 років. Конкурентами її є такі фірми, як – Mary Kay, Oriflame, Faberlic, Amway. Хороша інформаційна система обліку, вбираючи в себе всю корисну інформацію, є найкращою помічницею персоналу і засобом успішної діяльності в умовах конкуренції. Тому актуальним є створення привабливої та інформативної інформаційної системи обліку продукції Avon. Для Avon потрібно розробити автоматизовану інформаційну систему обліку продукції: структуру меню інформаційної системи обліку продукції Avon, логічну структуру бази даних, фізичну модель даних, екранні форми по відображенню необхідної інформації. Створена логічна модель даних, або логічна схема – модель даних конкретної предметної області, виражена незалежно від конкретного продукту керування базами даних або технології зберігання (фізична модель даних), але в термінах структур даних, таких як реляційні таблиці та колонки, об'єктно-орієнтовані класи чи теги XML. Фізичне проектування бази даних залучає глибоке використання конкретної технології керування базами даних. Як СУБД використовувалась Microsoft Access – система управління базами даних, програма, що входить до складу пакету офісних програм Microsoft Office. Створено екранні форми інформаційної системи. Для запуску інформаційної системи обліку продукції Avon необхідно зайти до кореневого каталогу системи та запустити виконавчий файл. В результаті отримаємо головну форму інформаційної системи. Далі робота інформаційної системи здійснюється за допомогою форм, які відкриваються при натисканні на відповідний елемент. Таким чином, розроблена автоматизована інформаційна система обліку продукції Avon, в якій реалізовано оновлення бази даних та реалізовано вхідну інформацію, що є найбільш детальною і становить основу для наступної логічної та арифметичної обробки даних. Впровадження створеної інформаційної системи обліку продукції AVON дозволить отримати повну, достовірну та своєчасну інформацію стосовно обліку наявності косметичної продукції на офісі Ключові слова: автоматизована інформаційна система обліку продукції Avon, мережевий маркетинг, логічна структура бази даних, фізичне проектування бази даних, Microsoft Access, екранні форми інформаційної системи

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.

У цій роботі представлена структура та функціональність zFunction, що є адаптивною розподіленою обчислювальною платформою, яка підтримує зручну модель програмування для розробки додатків для паралельної обробки. Це дозволяє розробникам розробляти програмне забезпечення як би вони програмують для одного комп'ютера, а потім він автоматично піклується про розподіл даних та паралелізацію завдань на різних вузлах кластера або декількох ядрах центрального процесора. Zфункція таким чином істотно покращує продуктивність складного розподіленого програми, що обробляють велику кількість даних у режимі реального часу, це критично важливі системи. У цій роботі використано репрезентативне тематичне дослідження з домену фінансових послуг, щоб показати, як zFunction може отримати вигоду від цих типів програм.

Ковалевський С. В., Сидюк Д. М. Ідентифікація об'єктів дослідження з використанням сигнатур. Oбробка матеріалів тиском. 2020. № 1 (50). C. 210-216. В роботі запропонований спосіб обробки зображення для подальшого розпізнавання об'єктів різних структур штампованок на основі зображень (фотографії). Цей метод дозволяє зробити інваріантними невраховані фактори, які можуть вплинути на якість фотографії. Як об'єкт дослідження виступають зразки шліфів сталей після термічної обробки. Час витримки і умови охолодження ідентичні для всіх випадків. Обробка зображень передбачає їх попереднє поліпшення, а саме видалення шумів і виставляння авторівней, подальше перетворення в цифровий масив даних, отримання гістограми зображення з подальшим виділенням більш інформативною частини сигнатури. Перетворення безперервного сигналу (зображення) в сигнатуру за допомогою дискретизації і квантування виконано в системі MatLab 6.1 і дозволило виключити суб'єктивні фактори візуального аналізу і класичних методів розрахунку співвідношення структур в металі. Кількість інтервалів приймається рівним 10. Тестове і навчальне безлічі формуються в програмі Microsoft Access на основі даних про зображення, термічної обробки, склад і співвідношенні структур. У програмі NeuroPro 0.25определяется значимість входів і встановлюється взаємозв'язок між температурним режимом, фазами в структурі і сигнатурою зображення. Підтверджено можливість прогнозу структури і зображення фаз на основі температурного режиму, типу і часу охолодження. Додатково вирішена зворотна задача можливості прогнозу технологічних параметрів термічної обробки на основі раніше існуючих прикладів. Метод застосуємо до будь-якої кількості інтервалів, від 2 до 255. Збільшення кількості інтервалів може дати можливість відтворити прогнозовану структуру в якості зображення.

У статті проаналізовано причини виникнення та наслідки небезпечних ситуацій під час руху судна та визначено необхідність застосування індивідуально-адаптованого підходу для підтри ки прийняття рішення. Запропоновано підхід щодо оперативного контролю та підтри ки дій судноводія, в основі якого лежить використання індивідуально адаптованої нейро ережевої оделі його діяльності, що реалізує особливості управлінських реакцій при небезпечних режи ах плавання. Такі оделідозволяють здійснювати виявляти та перехоплювати по илки судноводія в процесі реалізації прийнятого рішення. Прогнозу точності приведення судна в тер інальну точку траєкторії аневру на основі поточного вектору стану, забезпечує своєчасність визначення ситуації. Складність завдання прогнозування ситуацій в небезпечних режи ах управління за рахунок визначення по илок судноводія виникає через не ожливість чіткої постановки відповідності з ін вхідних і вихідних пара етрів стану, в яко у знаходиться або до якого прагне об'єкт управління. Найважливіша властивість нечітких нейронних ереж, що свідчить про їх великий потенціал в галузі прогнозування та підтри ки дій судноводія, складається в ожливості паралельної обробки інфор ації усі а нейрона и. Завдяки цій здатності при великій кількості іжнейронних зв'язків досягається одночасно обробка значного обсягу ви ірювальної інфор ації, що надходить ви ірювальної інфор ації в реально у асштабі часу. Структура та пара етри нечітких нейро ережевих оделей визначаються на основі обробки даних попередніх дій, виконаних конкретни судноводіє на конкретно у судні, та безперервно уточняються по ірі надходження нових даних. Використана класифікація по илок судноводія при прийнятті рішень в процесі управління суден дозволило розробити процедури реагування на них. Запропонований підхід дозволяєузгодити технічний та біологічний сег ент ергатичної систе и «судноводій ⸺ судно» та знизити вплив людського фактору в небезпечних ситуаціях під час руху судна. Ключові слова: судно,судноводій, ситуація небезпечного зближення, навігаційна обстановка, ергатична систе а, людський фактор.

Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 01.05.02 – «Математичне моделювання та обчислювальні методи». – Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, 2019. Дисертація присвячена вирішенню проблеми ідентифікації сегментних і ритмічних структур циклічних сигналів, що підвищують точність їх опрацювання та комп’ютерного моделювання в автоматизованих системах цифрової обробки даних. Створено методологію побудови методів сегментації різних циклічних сигналів, моделями яких є циклічні функції. Розроблена на основі створеної методології система методів сегментації циклічних сигналів дозволяє проводити ідентифікацію їх сегментних і дискретних ритмічних структур з підвищеною точністю при їх автоматизованому опрацюванні. Удосконалено метод ідентифікації ритмічної структури за рахунок використання методів інтерполяції квадратичним чи кубічним сплайном у порівнянні з відомим методом ідентифікації ритмічної структури на основі кусково-лінійної інтерполяції. Розроблено метод адаптивної ідентифікації ритмічної структури циклічних сигналів, який містить як складові метод визначення додаткових елементів ритмічної структури та метод визначення оптимального полінома на відповідному сегменті. Розроблено метод верифікації моделей на основі перевірки гіпотези про належність досліджуваного сигналу до класу циклічних. Розроблено математичні засоби ідентифікації сегментних та оцінювання ритмічних структур, які в цілому підвищують точність методів дискретизації, статистичного опрацювання та комп’ютерного моделювання циклічних сигналів, придатні для використання в програмно-апаратних системах цифрової обробки (діагностики чи прогнозування) різних циклічних сигналів.
Диссертация на соискание ученой степени доктора технических наук по специальности 01.05.02 – «Математическое моделирование и вычислительные методы». – Тернопольский национальный технический университет имени Ивана Пулюя, Тернополь, 2019. Диссертация посвящена решению проблемы идентификации сегментных и ритмических структур циклических сигналов, повышающие точность их обработки, а также компьютерного моделирования в автоматизированных системах цифровой обработки данных. Создано методологию построения методов сегментации разных циклических сигналов, моделями которых есть циклические функции. Разработанная на основании созданной методологии система методов сегментации циклических сигналов позволяет проводить идентификацию их сегментных и дискретных ритмических структур с повышенной точностью при их автоматизированной обработке. Усовершенствован метод идентификации ритмической структуры за счет использования методов интерполяции квадратичным или кубическим сплайном по сравнению с известным методом идентификации ритмической структуры на основании кусочно-линейной интерполяции. Разработанный метод адаптивной идентификации ритмической структуры циклических сигналов, который включает в себя как свои составляющие метод определения дополнительных элементов ритмической структуры и метод определения оптимального полинома на соответствующем сегменте. Разработан метод верификации моделей на основании проверки гипотезы о принадлежности исследуемого сигнала к классу циклических. Разработанные математические средства идентификации сегментных и оценки ритмических структур, которые, в целом, повышают точность методов дискретизации, статистической обработки и компьютерного моделирования циклических сигналов, пригодные для использования в программно-аппаратных системах цифровой обработки (диагностики или прогнозирования) разных циклических сигналов.
The dissertation for a scientific degree of Doctor of Technical Sciences on specialty 01.05.02 – «Mathematical modeling and computation methods». – Ternopil Ivan Puluj National Technical University, Ternopil, 2019. The dissertation is dedicated to the solution of the scientific problem which consists in the creation of new methods for identification of segment and rhythm structures of cyclic signals, which provide improved accuracy of cyclic signals processing and computer modeling in automated digital data processing systems. Considering the fact that there is a repetitive structure of cyclic signals, which is due to phase expansion in time or space of cyclic occurrences and processes - a methodology for constructing methods of segmentation (mathematical models of which are cyclic functions with segment structure) of different cyclic signals is created. The system of new methods of segmentation of cyclic signals was developed on the basis of the created methodology. It allows identifying their segment and discrete rhythm structures with increased accuracy at their automated processing within the framework of deterministic and stochastic mathematical models of cyclic functions with a variable or constant rhythm. There were improvements made in the method for identifying the rhythm structure of cyclic signals through the use of methods of interpolation by the means of a quadratic or cubic spline in comparison with the known method of identification of the rhythm structure on the basis of piecewise linear interpolation. The method of adaptive identification of the rhythm structure of cyclic signals was developed, which includes, as its components, the developed method of determining additional elements of the rhythm structure and the developed method of determining the optimal polynomial in the corresponding segment. Considering the greater number of elements of the rhythm structure, this allowed evaluating the type of optimal polynomial among the linear, quadratic and cubic ones in the investigated segment. This also allowed choosing a method of evaluating the rhythm structure in the investigated segment among the known method (based on piecewise linear interpolation) and the developed one in the process of work (based on quadratic and cubic splines). The achieved results gave a possibility to adaptively evaluate the investigated segment and improved accuracy of identifying the rhythm structure of cyclic signals. There was developed a method of verifying the models of the investigated signals which is based on testing the hypothesis of the relation of the investigated signal to the class of cyclic signals for the suitable, correct application of the methods developed in the process of this study (during the processing of cyclic signals). The mathematical model and methods of statistical development of the surface formation process on the metal’s outer layer, caused by the effect of mechanical or laser shock-wave force on it, in a form of a cyclic random process with a segment structure, was delineated. Mathematical tools were developed of identifying the segment and evaluating rhythm structures that increase the overall accuracy of methods of processing of cyclic signals, in particular, sampling methods, statistical processing and computer simulation of cyclic signals. These tools are suitable for use as components of specialized programs in both software and hardware digital processing systems (diagnostics or forecasting) of different cyclic signals: in cardiac diagnostics systems, in systems of technical diagnostics of the state of the surface of metals and in systems of analysis and forecasting of economic cyclic process.
Перелік основних умовних позначень, символів і скорочень...33 Вступ (актуальність теми)...39 Розділ 1. Математичні моделі та методи опрацювання циклічних сигналів у системах їх цифрової обробки (огляд літературних джерел)...49 1.1. Циклічні сигнали в системах цифрової обробки даних та процес ідентифікації їх сегментних структур (об’єкт дослідження)...49 1.1.1. Циклічні кардіосигнали. Комп’ютерні системи діагностики функціонального стану серцево-судинної системи людини...51 1.1.1.1 Електрокардіосигнал. Автоматизовані комп’ютерні електрокардіо-діагностичні системи, існуючі методи дослідження електрокардіосигналів та діагностичні ознаки...51 1.1.1.2 Математичні моделі, які використовуються в автоматизованих, комп’ютерних системах цифрової обробки кардіосигналів…66 1.1.2. Циклічні процеси рельєфних утворень на поверхні металів викликані механічним чи лазерних ударно-хвильовим впливом на неї, їх математичні моделі. Комп’ютерні системи дослідження й технічного діагностування стану поверхні металів...60 1.1.3. Циклічні економічні процеси, їх математичні моделі. Комп’ютерні системи автоматизованого аналізу та прогнозу циклічних економічних процесів...62 1.1.4. Циклічні сигнали електро-, газо-, нафто-, водоспоживання, їх математичні моделі. Комп’ютерні системи аналізу та прогнозу електро-, газо-, нафто-, водоспоживання…65 1.1.5. Узагальнена структурна схема автоматизованих комп’ютерних, систем діагностики та прогнозування за циклічними сигналами...68 1.2. Недоліки (науково-технічні проблеми) в автоматизованих, комп’ютерних, системах цифрової обробки та комп’ютерного моделювання циклічних сигналів...73 1.3. Вимоги висунуті до математичної моделі циклічних сигналів…74 1.4. Відомі математичні моделі циклічних сигналів та можливості їх використання для вирішення проблеми ідентифікації їх сегментної структури…76 1.4.1. Детерміновані математичні моделі циклічних сигналів…77 1.4.2. Стохастичні математичні моделі циклічних сигналів…79 1.5. Постановка проблеми ідентифікації сегментної структури з урахуванням вибраної математичної моделі циклічних сигналів…88 1.6. Вимоги до розробляємих методів сегментації циклічних сигналів…93 1.7. Відомі методи сегментації циклічних сигналів…94 1.7.1. Методи сегментації циклічних сигналів (детермінований підхід)…94 1.7.2. Методи сегментації циклічних сигналів (стохастичний підхід)…102 1.7.3. Методи, які використовуються для розпізнавання (ідентифікації, класифікацїї,) виділених сегментів сегментів циклічного сигналу та методи аналізу його ритму…102 1.8. Висновки до першого розділу...108 Розділ 2. Сегментні структури циклічних сигналів. Постановка завдання сегментації циклічних сигналів...111 2.1. Концептуальна модель циклічних сигналів із сегментною структурою…111 2.2. Узагальнена сегментна структура циклічних сигналів. Основні математичні співвідношення для сегментних структур циклічних сигналів…116 2.2.1. Сегментна циклічна структура циклічних сигналів…118 2.2.2. Сегментна зонна структура циклічних сигналів…120 2.3. Узагальнена ритмічна структура циклічних сигналів. Основні математичні співвідношення для ритмічних структур циклічних сигналів…125 2.4. Таксономія класів моделей циклічних функцій із сегментною структурою…141 2.5. Постановка завдання сегментації циклічних сигналів із сегментною структурою…144 2.6. Висновки до другого розділу...147 Розділ 3. Методологія сегментації циклічних сигналів. Методи ідентифікації сегментних структур циклічних сигналів. Оцінювання точності розроблених методів сегментації...150 3.1. Методологія сегментації циклічних сигналів…150 3.2. Метод сегментації циклічного сигналу, моделлю якого є абстрактна циклічна функція із сегментною структурою…156 3.3. Метод сегментації циклічного сигналу, моделлю якого є детермінована циклічна числова функція дискретного аргументу із відомою (ідентифікованою) сегментною структурою…158 3.3.1. Метод сегментації циклічного сигналу з урахуванням відомої (ідентифікованої) сегментної циклічної структури…159 3.3.2. Метод сегментації циклічного сигналу з урахуванням відомої (ідентифікованої) сегментної зонної структури...163 3.4. Метод сегментації циклічного сигналу, моделлю якого є детермінована циклічна числова функція дискретного аргументу та детермінована циклічна інтервальна функція дискретного аргументу із сегментною структурою...171 3.4.1. Результати застосування методу сегментації циклічних сигналів, моделями якого є детермінована циклічна числова функція дискретного аргументу та детермінована циклічна інтервальна функція дискретного аргументу із сегментною структурою, оцінювання точності методу їх сегментації…180 3.5. Метод сегментації циклічного сигналу, моделлю якого є циклічний випадковий процес дискретного аргументу з сегментною структурою…185 3.5.1. Результати застосування методу сегментації циклічних сигналів, моделями яких є циклічні випадкові процеси із сегментною структурою, оцінювання точності методу їх сегментації…194 3.6. Модифікація блоку оцінювання сегментної структури циклічних сигналів, моделями яких є циклічні випадкові процеси із сегментною структурою, оцінювання похибок методу їх сегментації...199 3.7. Підхід до розпізнавання сегментів-зон, отриманих на основі методів сегментації циклічних сигналів…208 3.8. Приклади результатів застосування розроблених методів сегментації циклічних сигналів у різних галузях…209 3.8.1. Результати сегментації циклічних кардіосигналів (у медицині)…209 3.8.2. Результати сегментації циклічних процесів рельєфних утворень на поверхні металів (у механіці)…211 3.8.3. Результати сегментації циклічних економічних процесів (у економіці)...211 3.9. Висновки до третього розділу…213 Розділ 4. Методи оцінювання ритмічної структури циклічних сигналів. Аналіз точності розроблених методів оцінювання ритмічних структур…215 4.1. Постановка задачі оцінювання ритмічної структури циклічного сигналу….215 4.2. Метод оцінювання ритмічної структури за допомогою змішаної інтерполяції: кусково-квадратичної та кусково-лінійної…217 4.2.1. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній циклічній структурі…219 4.2.2. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній зонній структурі …223 4.3. Метод оцінювання ритмічної структури за допомогою змішаної інтерполяції квадратичним сплайном та кусково-лінійної…230 4.3.1. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній циклічній структурі…230 4.3.2. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній зонній структурі…233 4.4. Метод оцінювання ритмічної структури за допомогою змішаної інтерполяції кубічним сплайном та кусково-лінійної…236 4.4.1. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній циклічній структурі…236 4.4.2. Оцінювання дискретної ритмічної структури, що відповідає ідентифікованій сегментній зонній структурі…240 4.5. Методом оцінювання ритмічної структури шляхом визначення її додаткових елементів (відліків)…244 4.5.1. Оцінювання ритмічної структури, що відповідає ідентифікованій сегментній циклічній структурі...248 4.5.2. Оцінювання ритмічної структури, що відповідає ідентифікованій сегментній зонній структурі…249 4.6. Метод оцінювання оптимального полінома на сегменті в межах відліків сегментної структури…256 4.6.1. Оцінювання оптимального полінома, що описує ритмічну структуру в межах відліків ідентифікованої сегментної циклічної структури…257 4.6.2. Оцінювання оптимального полінома, що описує ритмічну структуру в межах відліків ідентифікованої сегментної зонної структури…259 4.7. Метод оцінювання ритмічної структури шляхом адаптивної її ідентифікації…265 4.8. Порівняльний аналіз точності відомого та розроблених методів оцінювання ритмічної структури циклічних сигналів…268 4.9. Висновки до четвертого розділу…278 Розділ 5. Методи статистичного опрацювання та комп’ютерного моделювання циклічних сигналів із урахуванням оціненої ритмічної структури...281 5.1. Дискретизація циклічних сигналів у системах цифрового опрацювання з урахуванням їх оціненої ритмічної структури…281 5.1.1. Похибки передискретизації циклічних сигналів з урахуванням оцінених їх ритмічних структур…285 5.2. Методи статистичного опрацювання циклічних сигналів із урахуванням оцінених їх ритмічних структур…289 5.2.1. Оцінки імовірнісних характеристик циклічних сигналів із урахуванням різних ритмічних структур…291 5.3. Методи статистичного опрацювання сумісних ймовірнісних характеристик вектора циклічних ритмічно пов’язаних випадкових процесів із урахуванням різних ритмічних структур…293 5.4. Результати застосування методів статистичного опрацювання циклічних сигналів з урахуванням оцінених ритмічних структур у різних галузях…295 5.4.1. Результати статистичного опрацювання циклічних кардіосигналів (у медицині)...295 5.4.2. Результати статистичного опрацювання циклічних процесів рельєфних утворень на поверхні металів (у механіці)…297 5.4.3. Результати статистичного опрацювання циклічних економічних процесів (в економіці)…300 5.5. Комп’ютерне моделювання циклічних сигналів із урахуванням їх оцінених ритмічних структур…302 5.5.1. Результати комп’ютерного моделювання циклічних кардіосигналів (у медицині)…306 5.5.2. Результати комп’ютерного моделювання циклічних процесів рельєфних утворень на поверхні металів (у механіці)…307 5.5.3. Результати комп’ютерного моделювання циклічних економічних процесів (в економіці)…309 5.5.4. Оцінювання точності методу комп’ютерного моделювання циклічних сигналів із урахуванням різних ритмічних структур. Похибки комп’ютерного моделювання циклічних сигналів…310 5.6. Метод перевірки статистичної гіпотези про належність досліджуваного сигналу до класу циклічних (метод верифікації циклічності)…312 5.7. Висновки до п’ятого розділу…324 Розділ 6. Діагностичні та прогностичні ознаки в системах цифрової обробки даних. Комплекс комп’ютерних програм для опрацювання й комп’ютерного моделювання циклічних сигналів…326 6.1. Інформативні ознаки в системах обробки циклічних сигналів...326 6.1.1. Діагностичні ознаки в системах цифрової діагностики стану серця людини за електрокардіосигналами (у медицині)…332 6.1.1.1. Діагностичні ознаки у вигляді перших двох коефіцієнтів розкладу оцінки математичного сподівання електрокардіосигналу у ряд Чебишева…333 6.1.1.2. Діагностичні ознаки у вигляді перших п’ятидесяти коефіцієнтів розкладу сумісних імовірнісних характеристик кореляційної функції та коваріаційної функції електрокардіосигналу у тригонометричні ряди...337 6.1.2. Діагностичні ознаки в системах цифрової діагностики стану поверхні металу за процесами рельєфних утворень, що виникають під силовим чи енергетичним впливом на неї (у механіці)…340 6.1.3. Прогностичні ознаки в системах опрацювання циклічних економічних процесів (в економіці)...344 6.2. Комплекс комп’ютерних програм для опрацювання та комп’ютерного моделювання циклічних сигналів…354 6.3. Висновки до шостого розділу...362 Висновки...365 Список використаних джерел...368 Додаток А. Системи відбору (системи відведень) та діагностичні зони електрокардіосигналу. Фрагменти електрокардіосигналів, які відповідають певним патологіям. Відомості про циклічні кардіосигнали, зокрема, магнітокардіосигнал, реокардіосигнал, фонокардіосигнал, синхронно зареєстровані кардіосигнали (полікардіосигнали) в автоматизованих комп’ютерних магнітокардіодіагностичних системах, існуючі методи їх дослідження та діагностичні ознаки…416 Додаток Б. Технологія дослідження стану поверхні металів…431 Додаток В. Відомі математичні моделі циклічних сигналів та явищ. Таблиця порівняння властивостей математичних моделей циклічних сигналів…438 Додаток Д. Відомі методи сегментації циклічних сигналів. Таблиця порівняння методів сегментації в системах цифрового опрацювання циклічних сигналів…479 Додаток Е. Аналіз науково-технічної області моделювання та опрацювання циклічних сигналів з позиції вживаних термінів та понять...532 Додаток Ж. Абстрактні циклічні функції з сегментною структурою як моделі циклічних сигналів…540 Додаток З. Деякі відомі підкласи випадкових процесів із циклічними ймовірнісними характеристиками…562 Додаток И. Приклади результатів сегментації різних циклічних сигналів розробленими методами…567 Додаток К. Аналітичні залежності для визначення коефіцієнтів у методі квадратичної інтерполяції на сегментах…571 Додаток Л. Основні відомості про передискретизацію циклічних сигналів…574 Додаток М. Основні відомості про статистичне опрацювання циклічних сигналів…580 Додаток Н. Застосування коефіцієнтів розкладу в різних базисах, як діагностичних ознак. Відомості про поліноми дискретного аргументу Чебишева, Кравчука та Лагера ...590 Додаток П. Розклади одновимірних та двовимірних оцінок статистичних характеристик циклічних сигналів…596 Додаток Р. Фрагмент програми для сегментації детермінованих циклічних сигналів…613 Додаток С. Фрагмент програми для сегментації стохастичних циклічних сигналів…618 Додаток Т. Фрагмент програми для оцінювання ритмічної структури циклічного сигналу...624 Додаток У. Фрагмент програми для статистичного опрацювання та комп’ютерного моделювання циклічних сигналів…630 Додаток Ф. Список публікацій здобувача за темою дисертації…635 Додаток Х. Свідоцтва про реєстрацію авторського права на комп’ютерні програми...650 Додаток Ц. Акти впроваджень…657

Проблеми автоматизації різних процесів управління і обробки даних на основі застосування сучасних засобів обчислювальної техніки є на сьогодні однією з головних задач інформаційних технологій. Успішне рішення цих проблем залежить від сумісних зусиль різних фахівців. Одержані цікаві результати в області розробки і дослідження нових математичних моделей ряду важливих процесів, створення ефективних математичних методів рішення задач, що виникають при побудові автоматизованих систем, зокрема, задач дискретної і комбінаторної оптимізації в різних постановках. У монографії надані паралельні обчислювальні структури для рішення задач дискретної оптимізації.

Стаття присвячена виявленню раціонального інструментарію діагностики рівня сформованості професійно-термінологічної компетентності (ПТК) майбутнього спеціаліста на основі обґрунтованих та уніфікованих критеріїв і показників, які є необхідною передумовою ефективності її становлення. Так як розуміння структури є вихідним етапом розроблення методики визначення рівня сформованості, проведено аналіз компонентного складу ПТК, що являє єдність трьох компонентів: предметно-пізнавального, інтелектуально-рефлексивного та комунікативно-мовленнєвого. Становлення ПТК визна-чається рівнем розвитку кожного її структурного компонента. Запропоновано трирівневий аналіз кожного структурного компонента ПТК. Поєднання оцінок їх рівня сформованості забезпечує об’єктивність загальної оцінки. Критерії сформованості ПТК відповідають її компонентному складу і представлені теоретичним (гносеологічним), особистісним (мотиваційним) і практичним (комунікативним). Підкреслено визначальне значення предметно-пізнавального компонента, що проявляється у становленні й удосконаленні активного словника термінів за фахом майбутнього спеціаліста та зумовлює безпосередньо теоретичну (когнітивну) діяльність і здійснення фахівцем рефлексивної та практичної діяльності. Наведена характеристика низького (початкового), середнього (достатнього) й високого (компетентного) рівнів сформованості професійно-термінологічної компетентності. Запропонована тривимірна матрична модель визначення рівня сформованості професійно-термінологічної компетентності майбутнього спеціаліста, що формується за результатами діагностичного дослідження рівнів сформованості кожного з компонентів ПТК. Сформульовано основні завдання емпіричного визначення стану сформованості компонентів ПТК. Виокремлено основні групи методів дослідження рівня сформованості окремого компонента ПТК: методи визначення ступеня розуміння (володіння) термінами; виявлення особливостей застосування термінів у письмовому мовленні; самооцінки ступеня володіння термінологією за фахом і методи обробки отриманих даних.