Добірка наукової літератури з теми "Глибокі нейронні мережі"
Оформте джерело за APA, MLA, Chicago, Harvard та іншими стилями
Зміст
Ознайомтеся зі списками актуальних статей, книг, дисертацій, тез та інших наукових джерел на тему "Глибокі нейронні мережі".
Біля кожної праці в переліку літератури доступна кнопка «Додати до бібліографії». Скористайтеся нею – і ми автоматично оформимо бібліографічне посилання на обрану працю в потрібному вам стилі цитування: APA, MLA, «Гарвард», «Чикаго», «Ванкувер» тощо.
Також ви можете завантажити повний текст наукової публікації у форматі «.pdf» та прочитати онлайн анотацію до роботи, якщо відповідні параметри наявні в метаданих.
Статті в журналах з теми "Глибокі нейронні мережі"
1
Koshel, А. "Перспективні напрямки застосування нейронних мереж у конструкторській діяльності". COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 46 (1 квітня 2022): 57–63. http://dx.doi.org/10.36910/6775-2524-0560-2022-46-08.
Повний текст джерелаАнотація:
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.
2
Мальцев, A. "Щодо застосування глибокого навчання з підкріпленням у сучасних системах." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 44 (28 жовтня 2021): 37–43. http://dx.doi.org/10.36910/6775-2524-0560-2021-44-06.
Повний текст джерелаАнотація:
У статті розкрито принципи застосування глибокого навчання з підкріпленням у сучасних системах. Підкреслено, що у функції навчання з підкріпленням входить адаптація немарківської моделі прийняття рішень до ситуації, що склалася за рахунок аналізу передісторії процесу прийняття рішень, внаслідок чого підвищується якість прийнятих рішень. Описано принцип реалізації навчання з підкрі.пленням та схематично розкрито схему взаємодії агента з навколишнім середовищем. Для детального опису запропоновано використання 2D-задачі балансування полюсів, яку покладено в основу математичного аспекту. Наголошено, що у сучасних системах найбільш часто використовується дві схеми навчання з підкріпленням це метод часових різниць та метод Монте-Карло. Здійснено математичне обґрунтування кожного методу окремо та запропоновано архітектуру глибокої Q-мережі. Описано модельні та безмодельні методи, підкреслено, що модельні методи засновані на моделях навчання з підкріпленням, що змушують агента намагатися зрозуміти світ і створити модель для його подання. Безмодельні методи намагаються захопити дві функції, функцію переходу від станів і функцію винагороди, з цієї моделі агент має посилання і може планувати відповідно. Проте, зазначається, що немає необхідності вивчати модель, і агент може замість цього вивчати політику безпосередньо, використовуючи такі алгоритми, як Q-навчання або градієнт політики. Глибока Q-мережа, використовує згорткову нейронну мережу для прямої інтерпретації графічного представлення вхідного стану з навколишнім середовищем. Обґрунтовано, що глибоку Q-мережу можна розглядати як параметризовану мережу політики, яка постійно навчається для наближення оптимальної політики, а, математично, глибока Q-мережа використовує рівняння Беллмана для мінімізації функції втрат, що є ефективним для зниження часу. Однак використання нейронної мережі для наближення функції значення виявилося нестабільним і може призвести до розбіжностей через зміщення, що походить від корелятивних вибірок
3
Дакі, О. А., С. А. Олізаренко, Ю. Г. Якусевич, З. Я. Дорофєєва та В. В. Тришин. "Інформаційна технологія розробки бази знань інтелектуальної системи автоматичного управління рухом судна". Системи озброєння і військова техніка, № 3(67) (24 вересня 2021): 52–60. http://dx.doi.org/10.30748/soivt.2021.67.07.
Повний текст джерелаАнотація:
Питання створення і використання універсальної інформаційної технології для промислової розробки бази знань (БЗ) інтелектуальної системи автоматичного управління рухом судна (ІСАУ) в умовах невизначеності навколишнього середовища при неповній інформації з використанням останніх досягнень в області нечіткої логіки і глибокого навчання є недостатньо дослідженими. У роботі представлена інформаційна технологія розробки БЗ ІСАУ рухом судна з використанням глибоких нейронних мереж і інтервальних нечітких логічних моделей. У процесі розробки інформаційної технології вирішені такі часткові завдання: розроблена структура і склад інформаційної технології розробки БЗ ІСАУ рухом судна; обґрунтований вибір нечіткої логічної моделі для формалізації процесу функціонування нечіткого регулятора ІСАУ рухом судна; обґрунтований вибір глибокої нейронної мережі для формального представлення моделі нейромережевого аналізатора ІСАУ рухом судна; обґрунтовано ефективність застосування інформаційної технології розробки БЗ ІСАУ рухом судна з використанням глибоких нейронних мереж і інтервальних нечітких логічних моделей. Перспективами подальших досліджень у цьому напрямку може бути розробка пропозицій щодо використання засобів автоматизованого проектування БЗ ІСАУ рухом судна з врахуванням представлення даної технології як сукупності функцій-процесів по розробці відповідної БЗ.
4
Бeлоус, Р., Є. Крилов та В. Анікін. "Поняття глибинного навчання та його використання для розпізнавання елементів на картографічних зображеннях". Адаптивні системи автоматичного управління 2, № 37 (31 травня 2021): 3–7. http://dx.doi.org/10.20535/1560-8956.37.2020.226788.
Повний текст джерелаАнотація:
Об’єктом дослідження є процес оцифрування картографічних схем та зображень. У статті зроблено огляд основних рішень на сьогоднішній день, та їх недоліки. Також визначено варіант, для вирішення даної проблеми, запропоновано використати нейрону мережу, для розпізнавання зображення, а саме глибоке навчання. Глибоке навчання в свою чергу є класом алгоритмів машинного навчання, який використовує в собі багатошарову систему нелінійних фільтрів для відокремлення необхідних характеристик з перетвореннями.Метою роботи є зменшення часу на процес оцифровування архівів картографічних схем, за допомогою створення та навчання нейронної мережі з використання глибинного навчання.
Бібл. 5, іл. 5.
5
Grishmanov, E., A. Mogilatenko та Yu Danilov. "РОЗРОБКА ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ АВТОМАТИЗОВАНОГО ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ В ПОЛЬОТІ". Системи управління, навігації та зв’язку. Збірник наукових праць 1, № 53 (5 лютого 2019): 36–40. http://dx.doi.org/10.26906/sunz.2019.1.036.
Повний текст джерелаАнотація:
В роботі розроблена інформаційна технологія автоматизованого прогнозування несприятливого авіаційних подій в польоті з використання глибоких нейронних мереж для вирішення задач розпізнавання і запобігання несприятливих авіаційних подій є мало розглянутими і вимагають подальших досліджень. Запропоновано реалізація розробленої інформаційної технології (ІТ) в чотири етапи: підготовчий, основний, додатковий та заключний. Перший (підготовчий) етап функціонування ІТ виконується до початку прогнозування несприятливих авіаційних подій в польоті. Вхідні дані задаються у вигляді архівних текстових повідомлень про ситуацію в польоті за даними від зовнішніх джерел. Вихідні дані включають топологію та вагові коефіцієнти згорткової нейронної мережі (ЗНМ), які передаються для виконання основного етапу функціонування ІТ. Основний, додатковий та заключний етапи функціонування ІТ виконуються в процесі прогнозування несприятливих авіаційних подій в польоті. Вхідними даними для відповідних етапів є текстові повідомлення про ситуацію в польоті за даними від зовнішніх джерел, а також топологія та вагові коефіцієнти ЗНМ, отримані на підготовчому етапі з використанням модулю рекурентної нейронної мережі (LSTM). Вихідними даними основного етапу функціонування ІТ є задокументована інформація щодо результатів прогнозування несприятливих авіаційних подій в польоті. Розроблена ІТ технологія дозволяє реалізувати процес автоматизованого прогнозування несприятливого авіаційних подій в польоті з використанням глибоких нейронних мереж, з чітко визначеною і взаємозалежної сукупністю етапів, з можливістю подальшого розпаралелювання виконання їх процедур, з урахуванням особливостей подання (формалізації) знань про розпізнавання несприятливих авіаційних подій в польоті по текстовій інформації, що отримана та узагальнена від різних джерел за результатами контролю повітряного простору.
6
Gryshmanov, Е. "ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ МОДЕЛІ ПРОГНОЗУВАННЯ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ ПІД ЧАС ПОЛЬОТУ". Системи управління, навігації та зв’язку. Збірник наукових праць 5, № 51 (30 жовтня 2018): 20–23. http://dx.doi.org/10.26906/sunz.2018.5.020.
Повний текст джерелаАнотація:
Мета статті. Проведення дослідження та вибір найбільш ефективного математичного апарату для побудови моделі прогнозування несприятливих авіаційних подій під час польоту. Результати. В статті проведений аналіз відомих методів, що використовуються для вирішення задач класифікації даних с точки зору доцільності їх застосування для побудови моделі прогнозування несприятливих авіаційних подій під час польоту на основі аналізу текстових повідомлень. Розглянуто наступні методи: логістична регресія, метод опорних веторів, наївний байєсівський класифікатор, випадковий ліс (random forest). Крім того для вирішення подібного класу задач розглянуто згорткові та рекурентні нейронні мережі в яких застосовуються алгоритми глибокого навчання. Висновки. В результаті аналізу вказаних методів для побудови моделі прогнозування несприятливих авіаційних подій під час польоту на основі аналізу текстових повідомлень обрано математичний апарат глибоких нейронних мереж. Завдяки застосуванню в них алгоритмів глибокого навчання вони володіють найбільш високою точністю у порівнянні з традиційними підходами.
7
Логвін, A. "Глибинне навчання для аудіо-додатків". COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, № 42 (26 березня 2021): 72–78. http://dx.doi.org/10.36910/6775-2524-0560-2021-42-11.
Повний текст джерелаАнотація:
Розкрито принципи застосування глибокого навчання для нейронних мереж щодо розпізнавання аудіо-сигналів. Відокремлено області подання звуку. Підкреслено, що дослідження буде обмежено аудіо-сигналами. Описано принципи розбиття сигналу на складові елементи та їх вилучення із аудіо запису. Наведено схему формування розподілу аудіо-сигналу та запропоновано загальний підхід до задачі розпізнавання аудіо-сигналів. Він умовно поділений на три окремі етапи: обробка аудіо-запису та його перетворення у частотно-часову область, побудова спектрограми та її перетворення на формат з подальшим виведенням послідовності ознак у вигляді векторів. Визначений коефіцієнт накладання та середньозважений коефіцієнт перекриття (частковий збіг). Сформовано низку значень на основі проведеного експерименту, які показали, що на характеристики / параметри аудіо-додатків, сформовані за допомогою нейронної мережі з глибоким навчанням, має вплив метод підготовки даних, додавання шарів та формування спектру одиниць, що покращує результат за рахунок помноженого часу навчання, те саме стосується і періодичних з'єднань.
8
Козак, Є. Б. "ПРИНЦИПИ ВПРОВАДЖЕННЯ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ У СФЕРІ ІНТЕЛЕКТУАЛЬНОГО ОБСЛУГОВУВАННЯ ПРОМИСЛОВОГО ОБЛАДНАННЯ". Таврійський науковий вісник. Серія: Технічні науки, № 3 (2 листопада 2021): 19–28. http://dx.doi.org/10.32851/tnv-tech.2021.3.3.
Повний текст джерелаАнотація:
У статті досліджено принципи впровадження моделей машинного навчання у сферу інтелектуального обслуговування промислового обладнання. Зазначено, що розумне вироб- ництво використовує передову аналітику даних для доповнення фізичних законів щодо підвищення ефективності роботи виробничих систем. Наголошується, що за широкого поширення датчиків та Інтернету речей (IoT) зростає потреба в обробці великих вироб- ничих даних, що характеризуються високим об’ємом, високою швидкістю і високою різ- номанітністю. Наведено схему промислової машини, яка використовується для перемо- тування та різання пакувальної плівки на виробництві. Детально розкрито виробничий процес та складено структурну схему налаштування системи, сформовано модель клас- теризації параметрів для виявлення збоїв у роботі промислової машини. Підкреслено, що дані, отримані від датчиків, фактично є дискретними даними часу, що відбираються за секунду часу, а декомпозиція даних часових рядів виявила тенденцію до зростання залиш- ків. Отримані часові ряди стаціонарувались за допомогою диференціації, а логарифмічне перетворення у свою чергу використовувалось для зменшення дисперсії даних часових рядів. При цьому наголошується, що диференціація усуває зміни рівня динамічного ряду, а отже, усуває тенденції та сезонність, причому середнє ковзне та стандартне відхи- лення знайдено незалежно від часу, на основі чого побудовано діаграму стаціонарності. Визначено етапи прогнозування та запропоновано модель інтегрованої ковзної середньої. У роботі запропоновано три моделі: метод опорних векторів, глибока нейронна мережа та наївний баєсів класифікатор, здійснено порівняння всіх трьох моделей та доведено, що модель глибокої нейронної мережі була більш ефективною в разі моделювання даних. Про- гнозна модель побудована для зменшення низькоякісних виробничих циклів та планування технічного обслуговування. Таким чином, наголошено, що машинне навчання на основі IoT допоможе подолати суттєві обмеження продуктивності та пов’язані з цим витрати на обслуговування, що в загальному випадку значно підвищить продуктивність виробничого обладнання.
9
Хома, Ю. В., І. П. Микитин, С. І. Артемук та В. А. Бридінський. "НЕЙРОКОМП’ЮТЕРНА СИСТЕМА КЕРУВАННЯ НА ОСНОВІ ПЛАТФОРМИ OPEN BCI ТА ГЛИБОКИХ НЕЙРОННИХ МЕРЕЖ". Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, № 4 (2020): 127. http://dx.doi.org/10.32838/2663-5941/2020.4/18.
Повний текст джерела
10
Grishmanov, E., I. Zakharchenko, P. Berdnik та M. Kasyanenko. "ВИБІР МАТЕМАТИЧНОГО АПАРАТУ ДЛЯ ПОБУДОВИ ВЕКТОРНОЇ МОДЕЛІ ТЕКСТОВИХ ПОВІДОМЛЕНЬ ДЛЯ НАВЧАННЯ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ ПРОГНОЗУВАННЮ НЕСПРИЯТЛИВИХ АВІАЦІЙНИХ ПОДІЙ В ПОЛЬОТІ". Системи управління, навігації та зв’язку. Збірник наукових праць 2, № 54 (11 квітня 2019): 18–21. http://dx.doi.org/10.26906/sunz.2019.2.018.
Повний текст джерелаАнотація:
В роботі проводиться дослідження і вибір математичного апарату для побудови словника і векторної моделі текстових повідомлень для навчання глибокої гібридної нейронної мережі прогнозуванню несприятливих авіаційних подій в польоті. Для визначення вагових значень слів в текстових повідомленнях про несприятливі авіаційнї події в польоті при формуванні словника аналізуються вагові моделі на основі мір TF-IDF, TF-RF і TF-ICF. У якості методів векторного представлення текстової інформації в роботі досліджуються: «мішок слів», латентно-семантичний аналіз (Latent semantic analysis (LSA)), моделі векторного уявлення Word2Vec, Global Vectors (GloVe) та Doc2Vec. В результаті аналізу вказаних моделей і методів в якості базового підходу до формування словника уніграмм (біграмм) пропонується використовувати міру TF-ICF, а в якості моделі векторного уявлення слів (словосполучень) пропонується використовувати модель CBOW.
Дисертації з теми "Глибокі нейронні мережі"
1
Зайяд, Абдаллах Мухаммед. "Ecrypted Network Classification With Deep Learning." Master's thesis, КПІ ім. Ігоря Сікорського, 2020. https://ela.kpi.ua/handle/123456789/34069.
Повний текст джерелаАнотація:
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.
2
Хемій, Андрій Богданович. "Дослідження когнітивних властивостей глибоких штучних нейронних мереж". Thesis, Тернопільський національний технічний університет імені Івана Пулюя, 2017. http://elartu.tntu.edu.ua/handle/123456789/18942.
Повний текст джерелаАнотація:
Дипломна робота «Дослідження когнітивних властивостей глибоких штучних нейронних мереж» Хемія Андрія Богдановича, Тернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра програмної інженерії, група СПм–61 Тернопіль, 2017 C. 101, рис. – 10, табл. – 5, слайдів. – 12, додат. – 2, бібліогр. – 17.
Здійснено дослідження когнітивних властивостей глибоких штучних нейронних мереж. Використано методи математичного моделювання для відображення структури нейронної мережі, показано процес навчання. Розроблено мінімальну програмну реалізацію для унаочнення даного процесу.
3
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.
Повний текст джерелаАнотація:
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.
4
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.
Повний текст джерела
5
Підгородецький, Михайло Ігорович, та 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.
Повний текст джерелаАнотація:
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.
6
Ковальчук, Роман Дмитрович, та 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.
Повний текст джерелаАнотація:
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.
7
Bezverkha, Kateryna. "Using of neural networks in aviation." Thesis, National Aviation University, 2021. https://er.nau.edu.ua/handle/NAU/50732.
Повний текст джерелаАнотація:
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.
8
Ліщук, Олександр Олегович, та Oleksandr Olegovich Lishchuk. "Розробка системи керування безпілотним автомобілем на основі нейронної мережі". Master's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/36855.
Повний текст джерелаАнотація:
В першому розділі кваліфікаційної роботи проаналізовано науково-технічні публікації про методи навчання безпілотного автомобіля за допомогою нейронної мережі.
В другому розділі кваліфікаційної роботи розглянуто вже існуючі моделі нейронних мереж автономних автомобілів. Запропоновано J-Net, модель нейронної мережі яка використовує менше ресурсів для навчання та керування авто. Проведено аналіз результатів J-Net та інших, вже існуючих, моделей нейронної мережі.
В третьому розділі кваліфікаційної роботи розглянуто охорону праці на виробництві автомобільного транспорту та безпеку в надзвичайних ситуаціях.
Основні результати: запропоновано модель нейронної мережі ,J-Net, яка є менш ресурсозатратною і, в порівнянні з іншими дослідженими в цій роботі моделями, показує схожі, а в деяких випадках кращі, навчання та керування авто результати в віртуальному середовищі Unity.
The first section of the thesis analyzes scientific and technical publications on methods of teaching a drone using a neural network.
In the second section of the thesis existing models of neural networks of autonomous cars are considered. J-Net, a neural network model that uses fewer resources for learning and driving is proposed. The results of J-Net and other existing neural network models were analyzed.
The third section of the thesis deals with labor protection in the production of motor transport and safety in emergencies.
Main results: a neural network model, J-Net, is proposed, which is less resource-intensive and, compared to other models studied in this paper, shows similar, and in some cases better, learning and driving control results in the Unity virtual environment.ВСТУП 8 1 АНАЛІЗ НАУКОВО-ТЕХНІЧНИХ ПУБЛІКАЦІЙ 11 1.1 Глибоке навчання безпілотного автомобіля 11 1.1.1 Глибоке навчання у сприйнятті 12 1.1.2 Злиття сенсорів 14 1.1.3 Глибоке навчання в локалізації 14 1.1.4 Планування на високому рівні 16 1.2 Набір даних для самокерованого автомобіля 17 1.2.1 Семантична сегментація 18 1.2.2 Алгоритм YOLO 19 1.3 Оптимізація моделі глибокого навчання для кращої продуктивності 21 1.3.1 Продуктивність 24 1.3.2 Модельна обрізка 25 1.3.3 Зменшення розміру моделі 26 1.4 Висновки до розділу 1 27 2 МОДЕЛЮВАННЯ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ 28 2.1 Нейронна мережа 28 2.2 Глибока нейронна мережа для автономного водіння 30 2.2.1 Автономна система водіння 35 2.2.2 Симулятор середовища unity 37 2.2.3 Попередня обробка даних 40 2.2.4 Архітектура J-Net 44 2.3 Реалізації AlexNet та PilotNet, порівняння з J-Net 47 2.3.1 Стратегія навчання та настройка 49 2.3.2 Обчислювальна складність 53 2.3.3 Результати перевірки в тренажері 56 2.4 Висновки до розділу 2 62 3 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 64 3.1 Організація охорони праці на виробництві автомобільного транспорту 64 3.2 Підвищення стійкості підприємства автомобілебудівної галузі у воєнний час. 67 ВИСНОВКИ 71 ДОДАТКИ
9
Задолинний, Олександр Юрійович, та Oleksandr Yuriiovych Zadolynnyi. "Дослідження згорткових нейронних мереж для задач опрацювання медичних зображень в умовах пандемії". Master's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/36852.
Повний текст джерелаАнотація:
Кваліфікаційна робота присв’ячена дослідженню згорткових нейронних мереж для задач опрацювання медичних зображень. В першому розділі кваліфікаційної роботи описано коронавіруси та пандемію. Висвітлено стан досліджень в галузі опрацювання медичних зображень. Проведено наукові розвідки про використання згорткових нейронних мереж для опрацювання медичних зображень в умовах пандемії. В другому розділі кваліфікаційної роботи описано раннє виявлення COVID-19 з використанням згорткових нейронних мереж. Досліджено їх гібридну модель. Розглянуто капсульні мережі. Досліджено нейромережну архітектуру VGG-CapNet.
В третьому розділі кваліфікаційної роботи описано описано обчислювальний експеримент та подано результати моделювання. Досліджено модель CNN-CapsNet для виявлення COVID-19. Наведено результати використання моделі VGG-CapsNet для виявлення COVID-19. Проаналізовано результати моделювання.
Qualification work is devoted to the study of convolutional neural networks for the tasks of medical image processing. The first section of the qualification describes coronaviruses and pandemics. The state of research in the field of medical image processing is highlighted. Scientific research has been conducted on the use of convolutional neural networks for the processing of medical images in a pandemic. The second section of the qualification work describes the early detection of COVID-19 using convolutional neural networks. Their hybrid model has been studied. Capsule networks are considered. The neural network architecture of VGG-CapNet has been studied.
The third section of the qualification work describes the computational experiment and presents the simulation results. The CNN-CapsNet model for COVID-19 detection was investigated. The results of using the VGG-CapsNet model to detect COVID-19 are presented. The simulation results are analyzed.ВСТУП 8 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 10 1.1 Коронавіруси та пандемія 10 1.2 Стан досліджень в галузі опрацювання медичних зображень 11 1.3 Наукові розвідки про використання CNN для опрацювання медичних зображень в умовах пандемії 12 1.4 Висновок до першого розділу 22 2 МОДЕЛІ ВИЯВЛЕННЯ ІНФЕКЦІЙНИХ ЗАХВОРЮВАНЬ З ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ 23 2.1 Раннє виявлення COVID-19 з використанням CNN 23 2.2 Згорткові нейронні мережі 25 2.3 Гібридна модель CNN 27 2.4 Капсульні мережі 32 2.5 Нейромережна архітектура VGG-CapNet 36 2.6 Набір даних зображень 39 2.7 Висновок до другого розділу 40 3 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ НА ОСНОВІ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ЗАДАЧ ОПРАЦЮВАННЯ МЕДИЧНИХ ЗОБРАЖЕНЬ В УМОВАХ ПАНДЕМІЇ 41 3.1 Обчислювальний експеримент та результати моделювання 41 3.2 Модель CNN-CapsNet для виявлення COVID-19 42 3.3 Модель VGG-CapsNet для виявлення COVID-19 48 3.4 Аналіз результатів моделювання 54 3.5 Висновок до третього розділу 57 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 59 4.1 Дії роботодавців в умовах пандемії при захворюванні працівників COVID-19 59 4.2 Ергономічні вимоги до робочого місця користувача персональним комп’ютером (ПК) 62 ВИСНОВКИ 65 ПЕРЕЛІК ДЖЕРЕЛ 66 ДОДАТКИ
10
Третяк, Ігор Олегович. "Розробка системи комп'ютерного зору для розпізнавання емоцій". Магістерська робота, 2020. https://dspace.znu.edu.ua/jspui/handle/12345/1658.
Повний текст джерелаАнотація:
Третяк І. О. Розробка системи комп'ютерного зору для розпізнавання емоцій : кваліфікаційна робота магістра спеціальності 121 "Інженерія програмного забезпечення" / наук. керівник О. В. Кудін. Запоріжжя : ЗНУ, 2020. 52 с.UA : Робота викладена на 52 сторінках друкованого тексту, містить 15 рисунків, 8 джерел, 1 додаток. Об’єкт дослідження: сучасні системи комп'ютерного зору. Мета роботи: розробка системи комп’ютерного зору для розпізнавання емоцій. Метод дослідження: аналітичний. У роботі досліджуються сучасні системи комп'ютерного зору. Розглядаються різні засоби та технології для вирішення проблеми виявлення та класифікації об’єкту на зображенні, запропоноване рішення на основі якого розробляється дизайн системи. В роботі представлено детальний огляд технологій і засобів для виявлення та класифікації об’єктів на зображенні.
EN : The work is presented on 52 pages of printed text, 15 images, 1 table, 8 sources, 1 supplement. The object of the study is modern computer vision systems. The aim of the study is design of computer vision system for emotion recognation. The method of research is analytical. In the work modern systems of computer vision are investigated. Various tools and technologies are being considered to solve the problem of detecting and classifying an object in an image, and a solution is proposed to design the system. The paper provides a detailed overview of technologies and tools for identifying and classifying objects in an image.