Добірка наукової літератури з теми "Ймовірнісна нейронна мережа"

Робота присвячена аналізу інформаційних технологій хронобіологічного моніторингу кардіосистем, розробці систему підтримки прийняття рішень для лікаря-дослідника на базі методів класифікації з використанням нейронних мереж таких як імовірностна неронна мережа PNN (Probabilistic Neural Networks), багатошаровий персептрон MLP NN (Multi-Layer Perceptron), каскадно-кореляційна мережа CasCor (Cascade Correlation). У результаті отримано наступне: найкращим класифікатором є нейромережа каскадної кореляції з 85-88% точністю класифікації. Найгіршим класифікатором стала ймовірнісна нейронна мережа, оскільки точність цього алгоритму залежить від розміру набору даних.

В Україні наявна тенденція до збільшення розвитку ускладнення вагітності пізніми гестозами, тому дослідження методом математичного моделювання прогнозування виникнення прееклампсії середнього ступеня є доцільним та необхідним для спрощення верифікації даної патології. Мета – розроблення математичної моделі для визначення ймовірності та відсотка прогнозування виникнення прееклампсії середнього ступеня у жінок групи високого ризику розвитку пізнього гестозу на тлі метаболічного синдрому. Матеріал і методи. На сьогодні, окрім точної діагностики та ефективного лікування прееклампсії з ожирінням, постало питання прогнозування виникнення прееклампсії за допомогою біохімічних маркерів діагностики. Іншими словами, з якою ймовірністю може виникнути прееклампсія середнього ступеня у жінок групи ризику виникнення пізнього гестозу на тлі метаболічного синдрому. Для вирішення завдань такої складності застосували нейронні мережі, або «штучний інтелект». Результати. Математично доведено, що при наявності протеїнурії, що відповідає діагностичним критеріям прееклампсії легкого ступеня, дефіциту вітаміну D та підвищення рівня інгібіну А, ймовірність розвитку прееклампсії середнього ступеня становить 89 % . Висновки. У пацієнток віком понад 35 років ризик виникнення прееклампсії середнього ступеня, враховуючи додаткові прогностичні маркери, зокрема вітамін D та інгібін А, зростає ймовірність розвитку даного ускладнення вагітності на тлі метаболічного синдрому.

Наукові дослідження стають ефективними тоді, коли природу подій чи явищ можна розглядати з єдиних позицій, виробити універсальний підхід до них, сформувати загальні закономірності. Більшість сучасних фундаментальних наукових проблем і високих технологій тісно пов’язані з явищами, які лежать на границях різних рівнів організації. Природничі та деякі з гуманітарних наук (економіка, соціологія, психологія) розробили концепції і методи для кожного із ієрархічних рівнів, але не володіють універсальними підходами для опису того, що відбувається між цими рівнями ієрархії. Неспівпадання ієрархічних рівнів різних наук – одна із головних перешкод для розвитку дійсної міждисциплінарності (синтезу різних наук) і побудови цілісної картини світу. Виникає проблема формування нового світогляду і нової мови.Теорія складних систем – це одна із вдалих спроб побудови такого синтезу на основі універсальних підходів і нової методології [1]. В російськомовній літературі частіше зустрічається термін “синергетика”, який, на наш погляд, означує більш вузьку теорію самоорганізації в системах різної природи [2].Мета роботи – привернути увагу до нових можливостей, що виникають при розв’язанні деяких задач, виходячи з уявлень нової науки.На жаль, теорія складності не має до сих пір чіткого математичного визначення і може бути охарактеризована рисами тих систем і типів динаміки, котрі являються предметом її вивчення. Серед них головними є:– Нестабільність: складні системи прагнуть мати багато можливих мод поведінки, між якими вони блукають в результаті малих змін параметрів, що управляють динамікою.– Неприводимість: складні системи виступають як єдине ціле і не можуть бути вивчені шляхом розбиття їх на частини, що розглядаються ізольовано. Тобто поведінка системи зумовлюється взаємодією складових, але редукція системи до її складових спотворює більшість аспектів, які притаманні системній індивідуальності.– Адаптивність: складні системи часто включають множину агентів, котрі приймають рішення і діють, виходячи із часткової інформації про систему в цілому і її оточення. Більш того, ці агенти можуть змінювати правила своєї поведінки на основі такої часткової інформації. Іншими словами, складні системи мають здібності черпати скриті закономірності із неповної інформації, навчатися на цих закономірностях і змінювати свою поведінку на основі нової поступаючої інформації.– Емерджентність (від існуючого до виникаючого): складні системи продукують неочікувану поведінку; фактично вони продукують патерни і властивості, котрі неможливо передбачити на основі знань властивостей їх складових, якщо розглядати їх ізольовано.Ці та деякі менш важливі характерні риси дозволяють відділити просте від складного, притаманного найбільш фундаментальним процесам, які мають місце як в природничих, так і в гуманітарних науках і створюють тим самим істинний базис міждисциплінарності. За останні 30–40 років в теорії складності було розроблено нові наукові методи, які дозволяють універсально описати складну динаміку, будь то в явищах турбулентності, або в поведінці електорату напередодні виборів.Оскільки більшість складних явищ і процесів в таких галузях як екологія, соціологія, економіка, політологія та ін. не існують в реальному світі, то лише поява сучасних ЕОМ і створення комп’ютерних моделей цих явищ дозволило вперше в історії науки проводити експерименти в цих галузях так, як це завжди робилось в природничих науках. Але комп’ютерне моделювання спричинило розвиток і нових теоретичних підходів: фрактальної геометрії і р-адичної математики, теорії хаосу і самоорганізованої критичності, нейроінформатики і квантових алгоритмів тощо. Теорія складності дозволяє переносити в нові галузі дослідження ідеї і підходи, які стали успішними в інших наукових дисциплінах, і більш рельєфно виявляти ті проблеми, з якими інші науки не стикалися. Узагальнюючому погляду з позицій теорії складності властиві більша евристична цінність при аналізі таких нетрадиційних явищ, як глобалізація, “економіка, що заснована на знаннях” (knowledge-based economy), національні і світові фінансові кризи, економічні катастрофи і ряд інших.Однією з інтригуючих проблем теорії є дослідження властивостей комплексних мережеподібних високотехнологічних і інтелектуально важливих систем [3]. Окрім суто наукових і технологічних причин підвищеної уваги до них є і суто прагматична. Справа в тому, що такі системи мають системоутворюючу компоненту, тобто їх структура і динаміка активно впливають на ті процеси, які ними контролюються. В [4] наводиться приклад, коли відмова двох силових ліній системи електромережі в штаті Орегон (США) 10 серпня 1996 року через каскад стимульованих відмов призвели до виходу із ладу електромережі в 11 американських штатах і 2 канадських провінціях і залишили без струму 7 млн. споживачів протягом 16 годин. Вірус Love Bug worm, яких атакував Інтернет 4 травня 2000 року і до сих пір блукає по мережі, приніс збитків на мільярди доларів.До таких систем відносяться Інтернет, як складна мережа роутерів і комп’ютерів, об’єднаних фізичними та радіозв’язками, WWW, як віртуальна мережа Web-сторінок, об’єднаних гіперпосиланнями (рис. 1). Розповсюдження епідемій, чуток та ідей в соціальних мережах, вірусів – в комп’ютерних, живі клітини, мережі супермаркетів, актори Голівуду – ось далеко не повний перелік мережеподібних структур. Більш того, останнє десятиліття розвитку економіки знань привело до зміни парадигми структурного, функціонального і стратегічного позиціонування сучасних підприємств. Вертикально інтегровані корпорації повсюдно витісняються розподіленими мережними структурами (так званими бізнес-мережами) [5]. Багато хто з них замість прямого виробництва сьогодні займаються системною інтеграцією. Тому дослідження структури та динаміки мережеподібних систем дозволить оптимізувати бізнес-процеси та створити умови для їх ефективного розвитку і захисту.Для побудови і дослідження моделей складних мережеподібних систем введені нові поняття і означення. Коротко опишемо тільки головні з них. Хай вузол i має ki кінців (зв’язків) і може приєднати (бути зв’язаним) з іншими вузлами ki. Відношення між числом Ei зв’язків, які реально існують, та їх повним числом ki(ki–1)/2 для найближчих сусідів називається коефіцієнтом кластеризації для вузла i:. Рис. 1. Структури мереж World-Wide Web (WWW) і Інтернету. На верхній панелі WWW представлена у вигляді направлених гіперпосилань (URL). На нижній зображено Інтернет, як систему фізично з’єднаних вузлів (роутерів та комп’ютерів). Загальний коефіцієнт кластеризації знаходиться шляхом осереднення його локальних значень для всієї мережі. Дослідження показують, що він суттєво відрізняється від одержаних для випадкових графів Ердаша-Рені [4]. Ймовірність П того, що новий вузол буде приєднано до вузла i, залежить від ki вузла i. Величина називається переважним приєднанням (preferential attachment). Оскільки не всі вузли мають однакову кількість зв’язків, останні характеризуються функцією розподілу P(k), яка дає ймовірність того, що випадково вибраний вузол має k зв’язків. Для складних мереж функція P(k) відрізняється від розподілу Пуассона, який мав би місце для випадкових графів. Для переважної більшості складних мереж спостерігається степенева залежність , де γ=1–3 і зумовлено природою мережі. Такі мережі виявляють властивості направленого графа (рис. 2). Рис. 2. Розподіл Web-сторінок в Інтернеті [4]. Pout – ймовірність того, що документ має k вихідних гіперпосилань, а Pin – відповідно вхідних, і γout=2,45, γin=2,1. Крім цього, складні системи виявляють процеси самоорганізації, змінюються з часом, виявляють неабияку стійкість відносно помилок та зовнішніх втручань.В складних системах мають місце колективні емерджентні процеси, наприклад синхронізації, які схожі на подібні в квантовій оптиці. На мові системи зв’язаних осциляторів це означає, що при деякій критичній силі взаємодії осциляторів невелика їх купка (кластер) мають однакові фази і амплітуди.В економіці, фінансовій діяльності, підприємництві здійснювати вибір, приймати рішення доводиться в умовах невизначеності, конфлікту та зумовленого ними ризику. З огляду на це управління ризиками є однією з найважливіших технологій сьогодення [2, 6].До недавніх часів вважалось, що в основі розрахунків, які так чи інакше мають відношення до оцінки ризиків лежить нормальний розподіл. Йому підпорядкована сума незалежних, однаково розподілених випадкових величин. З огляду на це ймовірність помітних відхилень від середнього значення мала. Статистика ж багатьох складних систем – аварій і катастроф, розломів земної кори, фондових ринків, трафіка Інтернету тощо – зумовлена довгим ланцюгом причинно-наслідкових зв’язків. Вона описується, як показано вище, степеневим розподілом, “хвіст” якого спадає значно повільніше від нормального (так званий “розподіл з тяжкими хвостами”). У випадку степеневої статистики великими відхиленнями знехтувати вже не можна. З рисунку 3 видно, наскільки добре описуються степеневою статистикою торнадо (1), повені (2), шквали (3) і землетруси (4) за кількістю жертв в них в США в ХХ столітті [2]. Рис. 3. Системи, які демонструють самоорганізовану критичність (а саме такі ми і розглядаємо), самі по собі прагнуть до критичного стану, в якому можливі зміни будь-якого масштабу.З точки зору передбачення цікавим є той факт, що різні катастрофічні явища можуть розвиватися за однаковими законами. Незадовго до катастрофи вони демонструють швидкий катастрофічний ріст, на який накладені коливання з прискоренням. Асимптотикою таких процесів перед катастрофою є так званий режим з загостренням, коли одна або декілька величин, що характеризують систему, за скінчений час зростають до нескінченності. Згладжена крива добре описується формулою,тобто для таких різних катастрофічних явищ ми маємо один і той же розв’язок рівнянь, котрих, на жаль, поки що не знаємо. Теорія складності дозволяє переглянути деякі з основних положень ризикології та вказати алгоритми прогнозування катастрофічних явищ [7].Ключові концепції традиційних моделей та аналітичних методів аналізу і управління капіталом все частіше натикаються на проблеми, які не мають ефективних розв’язків в рамках загальноприйнятих парадигм. Причина криється в тому, що класичні підходи розроблені для опису відносно стабільних систем, які знаходяться в положенні відносно стійкої рівноваги. За своєю суттю ці методи і підходи непридатні для опису і моделювання швидких змін, не передбачуваних стрибків і складних взаємодій окремих складових сучасного світового ринкового процесу. Стало ясно, що зміни у фінансовому світі протікають настільки інтенсивно, а їх якісні прояви бувають настільки неочікуваними, що для аналізу і прогнозування фінансових ринків вкрай необхідним став синтез нових аналітичних підходів [8].Теорія складних систем вводить нові для фінансових аналітиків поняття, такі як фазовий простір, атрактор, експонента Ляпунова, горизонт передбачення, фрактальний розмір тощо. Крім того, все частіше для передбачення складних динамічних рядів використовуються алгоритми нейрокомп’ютинга [9]. Нейронні мережі – це системи штучного інтелекту, які здатні до самонавчання в процесі розв’язку задач. Навчання зводиться до обробки мережею множини прикладів, які подаються на вхід. Для максимізації виходів нейронна мережа модифікує інтенсивність зв’язків між нейронами, з яких вона побудована, і таким чином самонавчається. Сучасні багатошарові нейронні мережі формують своє внутрішнє зображення задачі в так званих внутрішніх шарах. При цьому останні відіграють роль “детекторів вивчених властивостей”, оскільки активність патернів в них є кодування того, що мережа “думає” про властивості, які містяться на вході. Використання нейромереж і генетичних алгоритмів стає конкурентноздібним підходом при розв’язанні задач передбачення, класифікації, моделювання фінансових часових рядів, задач оптимізації в галузі фінансового аналізу та управляння ризиком. Детермінований хаос пропонує пояснення нерегулярної поведінки і аномалій в системах, котрі не є стохастичними за природою. Ця теорія має широкий вибір потужних методів, включаючи відтворення атрактора в лаговому фазовому просторі, обчислення показників Ляпунова, узагальнених розмірностей і ентропій, статистичні тести на нелінійність.Головна ідея застосування методів хаотичної динаміки до аналізу часових рядів полягає в тому, що основна структура хаотичної системи (атрактор динамічної системи) може бути відтворена через вимірювання тільки однієї змінної системи, фіксованої як динамічний ряд. В цьому випадку процедура реконструкції фазового простору і відтворення хаотичного атрактора системи при динамічному аналізі часового ряду зводиться до побудови так званого лагового простору. Реальний атрактор динамічної системи і атрактор, відтворений в лаговому просторі по часовому ряду при деяких умовах мають еквівалентні характеристики [8].На завершення звернемо увагу на дидактичні можливості теорії складності. Розвиток сучасного суспільства і поява нових проблем вказує на те, що треба мати не тільки (і навіть не стільки) експертів по деяким аспектам окремих стадій складних процесів (професіоналів в старому розумінні цього терміну), знадобляться спеціалісти “по розв’язуванню проблем”. А це означає, що істинна міждисциплінарність, яка заснована на теорії складності, набуває особливого значення. З огляду на сказане треба вчити не “предметам”, а “стилям мислення”. Тобто, міждисциплінарність можна розглядати як основу освіти 21-го століття.

The electronic nose system based on seven quartz-microbalance sensors was used to generate a pattern of the volatile compounds present in sausage samples with different mass content of soy protein isolate (SPI) ranging from 0 to 30% w/w. The original response curve was extracted to two features such as the maximum response value (ΔFimax, Hz) and area values of sensor response curve and time axis surrounded (Si, Hz·s). All parameters subjected to pattern recognition analysis in original, normalised, scaling values and after principal component analysis. In this paper we used probabilistic neural network (PNN) for multiclass discrimination of sausage products. The neural network architecture was optimized for samples discrimination using as input vectors the electronic nose parameters such as Si and ΔFimax. The best classification reliability (95.8%) for model based on dataset of Si in original values obtained with the values of the PNN smoothing parameter σ in the range from 3.6 to 54.0. The classification model built by ΔFimax dataset in original values gave the 100% identification accuracy with the value of the PNN smoothing parameter in the range from 0.2 to 1.0. Furthermore, the different pre-processing techniques applied to datasets led to a slight decrease the prediction performance of the classification models, but the speed of neural network training has increased. This paper presents a novel approach to identification of cooked sausages and determination of soy products mass content using the electronic nose combined with probabilistic neural network. Compared to classical methods, this new approach could represent an alternative and innovative tool for faster and cheaper sausage identification and mass content of soy protein isolate (0, 10, 20, 30% w/w) detection.

Розвиток людини, суспільства й економіки має спрямованість у майбутнє, що знайшло відображення у виникненні таких понять, як «передбачення», «прогноз». Прогнозування («наукове передбачення») – це та сторона пізнавальної діяльності суб’єкта, результатом якого є одержання знань про майбутні події.Моделі складних систем, таких як фінансові ринки, не завжди можуть давати однозначні рекомендації або прогноз.Серед факторів, що характеризують динаміку ринку та впливають на неї, є велика кількість даних нечислової природи, значення яких мають імовірнісну природу.Для подолання проблем, з якими доводиться зіштовхуватися при аналізі фінансової ситуації, робляться спроби застосування таких розділів сучасної фундаментальної й обчислювальної математики, як нейрокомп’ютери, теорія стохастичного моделювання (теорія хаосу) і теорія ризиків, теорія катастроф, синергетика й теорія систем, що самоорганізуються (включаючи генетичні алгоритми), теорія фракталів, нечіткі логіки й навіть віртуальна реальність.Правильне розуміння ситуації на ринку, аналіз його динаміки, прогнозування поводження ринку приводить до обґрунтованого прийняття рішень.Основна мета роботи полягала у розробці програмного забезпечення для дослідження динаміки й прогнозування курсу цінних паперів.Вiдповiдно до мети, було необхiдно вирiшити наступнi задачi:Розглянути основні підходи до аналізу ринку цінних паперів.Дослідити можливості програмного комплексу MetaTrader 4 по керуванню ринком цінних паперів.Проаналізувати можливості мови MQL 4 по створенню ринкових індикаторів і експертних систем аналізу ринку цінних паперів.Розробити й протестувати індикатор для аналізу динаміки курсів валют і експертну систему для короткочасного прогнозування й прийняття рішень на валютному ринку.Аналіз літератури з проблеми дослідження дозволив виділити наступні суттєві характеристики об’єкта дослідження:валютний ринок Forex має високу ліквідність;відсутність обмежень за часом роботи забезпечує неперервність процесу дослідження;децентралізованість забезпечує незалежність від локальних геополітичних факторів;велика кількість учасників ринку дозволяє абстрагуватися від індивідуальних особливостей гравців;об’єкт дослідження являє собою складну систему з великою кількістю нелінійних зв’язків.Виділені властивості валютного ринку дозволяють розглядати його як динамічну систему, що може бути проаналізована. Прогноз стану системи є актуальною проблемою, безпосередньо пов’язану з отриманням прибутку.Розгляд алгоритмів отримання якісних і кількісних характеристик ринку засобами фундаментального, технічного та комп’ютерного аналізу дозволив зробити наступні висновки:1. На практиці можна знайти випадки, коли кожен з представлених підходів до аналізу ринку дасть прийнятний результат. Для трейдерів, що не є ринкоутворювачами, найбільш прийнятним є комп’ютерний індикаторний аналіз з автотрейдингом за короткочасними прогнозами.2. Автоматичні індикатори є ефективним засобом графічного аналізу часових рядів, надаючи трейдеру можливість прийняття обґрунтованого рішення.3. При розробці експертної системи для робочого місця трейдера необхідно розрізняти поняття «прогнозування руху цін на ринку», з одного боку, та «ігрові робочі гіпотези», зважені за ймовірністю подій, з іншого.4. Критеріями вибору трейдингової системи є підтримка великого набору індикаторів і експертів, можливість розширення системи компонентами користувача, наявність вбудованої мови програмування та локалізація.В результаті дослідження було створено експертну систему, призначену для автоматичного ведення торгів на ринку цінних паперів. Експертна система реалізована засобами мови програмування MQL 4, що вбудована в термінал MetaTrader 4.Розгляд підходів до написання технічних індикаторів та експертних систем для підтримки прийняття рішень на основі аналізу динаміки курсу цінних паперів та короткочасного прогнозування дозволило зробити наступні висновки:Мова програмування MQL 4 має всі необхідні інструменти для забезпечення якісного технічного аналізу курсу валют.Можливість написання та тестування експертів в торговій системі MetaTrader дозволяє користувачу створити систему торгівлі, що приносить прибуток.Аналіз присутніх на ринку торгових систем виявив типові помилки в написанні експертних систем, що були враховані при розробці власного автотрейдингового експерта.Подальший розвиток даної роботи планується у напрямку дослідження динаміки валютних ринків з метою удосконалення алгоритмів прогнозування курсу та оптимізації роботи торгових експертних систем із застосування механізму нейронних мереж.

Розглянуті питання виявлення помилок в штучних нейромережах, що пов’язані з суперечливістю думок експертів та/або обмеженістю (недосконалістю) опису предметної області. Проаналізовано підходи щодо їх відлагодження. Показані шляхи вдосконалення існуючих підходів щодо відлагодження помилок типу “забування про виключення”. Показано можливі шляхи застосування отриманих рішень для відлагодження помилок “перетин критичних подій”. Запропоновано формалізоване визначення помилки нейромережевої інтелектуальної системи з урахуванням вимог до оперативності і точності подання інформації. Розглянуті питання впливу некоректної організації машинного навчання на точність класифікації елементів нейромережевої інтелектуальної системи. Доведено можливість застосування методів контрастування мереж на підготовчому етапі до тестування бази знань інтелектуальної системи підтримки прийняття рішень, що дозволяє зменшити ймовірність виникнення помилок даного типу для зазначених систем. Наведено класифікацію алгоритмів вибірки знань з інтелектуальної нейронної мережі, виконано їх аналіз та показано, що для виявлення зазначених типів помилок доцільно використовувати модифікований алгоритм GLARE з процедурою адаптації. Наведено блок-схеми алгоритмів відлагодження БЗ ІСППР, що використовують отримані теоретичні рішення. Запропоновано схему організації процесу тестування за рівнями деталізації для інтеграційного та модульного тестування, що може бути застосована для реалізації процесів тестування Agile-методології, зокрема: Agile Modeling, Agile Unified Process, Agile Data Method, Essential Unified Process, Extreme Programming, Feature Driven Development, Getting Real, Open UP, Scrum, Kanban.

Розглянуті питання виявлення помилок в штучних нейромережах, що пов’язані з суперечливістю думок експертів та/або обмеженістю (недосконалістю) опису предметної області. Проаналізовано підходи щодо їх відлагодження. Показані шляхи вдосконалення існуючих підходів щодо відлагодження помилок типу “забування про виключення”. Показано можливі шляхи застосування отриманих рішень для відлагодження помилок “перетин критичних подій”. Запропоновано формалізоване визначення помилки нейромережевої інтелектуальної системи з урахуванням вимог до оперативності і точності подання інформації. Розглянуті питання впливу некоректної організації машинного навчання на точність класифікації елементів нейромережевої інтелектуальної системи. Доведено можливість застосування методів контрастування мереж на підготовчому етапі до тестування бази знань інтелектуальної системи підтримки прийняття рішень, що дозволяє зменшити ймовірність виникнення помилок даного типу для зазначених систем. Наведено класифікацію алгоритмів вибірки знань з інтелектуальної нейронної мережі, виконано їх аналіз та показано, що для виявлення зазначених типів помилок доцільно використовувати модифікований алгоритм GLARE з процедурою адаптації. Наведено блок-схеми алгоритмів відлагодження БЗ ІСППР, що використовують отримані теоретичні рішення. Запропоновано схему організації процесу тестування за рівнями деталізації для інтеграційного та модульного тестування, що може бути застосована для реалізації процесів тестування Agile-методології, зокрема: Agile Modeling, Agile Unified Process, Agile Data Method, Essential Unified Process, Extreme Programming, Feature Driven Development, Getting Real, Open UP, Scrum, Kanban.

Дипломну роботу виконано на 63 аркушах, вона містить перелік посилань на використані джерела з 32 найменувань. У роботі наведено 25 рисунків та 8 таблиць. Метою даної дипломної роботи є перевірка доцільності використання нейронних мереж для обробки вихідних сигналів акселерометру. У дипломній роботі розглядається актуальність задачі розпізнавання типів фізичної активності людини. В якості основного джерела отримання інформації використовується акселерометр. У роботі наведені теоретичні відомості про акселерометр, його фізичний принцип роботи, а також проведено огляд основних технологій виготовлення. Описано класичні методи обробки інформації та нейронні мережі як інструмент сучасного аналізу даних. В якості основних моделей для обробки сигналів акселерометрів було використано ймовірнісну нейронну мережу та модель логістичної регресії. Проведено дослідження з використання цих методів щодо визначення типу фізичної активності.
The thesis is presented in 63 pages. It contains bibliography of 32 references. 25 figure and 8 tables are given in the thesis. The goal of the thesis is checking the feasibility of using neural networks to process the output signals of the accelerometer. The thesis considers the relevance of the problem of recognizing the types of physical activity. An accelerometer is used as the main source of information. The paper provides theoretical information about the accelerometer, its physical principle of operation, as well as an overview of the main manufacturing technologies. Classical methods of information processing and neural networks as a tool of modern data analysis are described. A probabilistic neural network and a logistic regression model were used as the main models for processing accelerometer signals. A study on the use of these methods to determine the type of physical activity.

Магістерська дисертація: 111 с., 19 рис., 30 табл., 2 додатки, 27 джерел. Об’єкт дослідження – прогнозування сучасних військових конфліктів за допомогою імовірнісно-статистичних методів. Мета роботи – розробка та дослідження інтелектуальної системи прогнозування потенціального виникнення військового конфлікту у країнах світу , що дає можливість підготуватися до такої ситуації і, в деяких випадках, попередити її. В роботі розглянуто і проаналізовано прогнозування виникнення сучасних військових (збройних) конфліктів, проаналізовані методи та алгоритми побудови байєсівських та нейронних мереж, їх використання у різноманітних галузях військового моделювання. Розроблено систему побудови прогнозу виникнення військового конфлікту у країні на основі використання методів побудови байєсівських та нейронних мереж. Система побудови пронозу реалізована за допомогою мови програмування Java (Spring), JavaScript (Angular 2). Точність та правильність роботи системи показують результати наявної політичної ситуації у світі, які ми можемо з вами спостерігати за допомогою засобів масової інформації (ЗМІ). Результати даної роботи рекомендується використовувати для передбачення виникнення військових збройних конфліктів, що допоможе попередити виникнення даного, або ж по можливості зменшити ризик його виникнення.
Theme: “System of forecasting the emergence of armed conflicts via probability statistical methods”. Master’s thesis: 111 p., 19 fig., 30 tab., 2 appendices, 27 sources. The object of study - the prediction of modern military conflicts through bayesian and neural networks. The purpose of the work - research and development of intelligent system of forecasting the potential occurrence of military conflict in the world, which makes it possible to prepare for such situation and, in some cases, prevent it. In this work was reviewed and analyzed next problems: predicting the emergence of modern military (armed) conflict, was analyzed the methods and algorithms of bayesian and neural networks, their use in various fields of military simulation. Also was developed the system of forecasting the emergence of armed conflict in the country using constructing bayesian and neural networks methods. The forecasting system was implemented by using programming languages Java (Spring) and JavaScript (Angular 2). Precision and accuracy of the system shows the results of the political situation in the world which we can observe through the mass media (MSM) The results of this study are recommended for predicting the emergence of armed military conflict that will help prevent them, or as much as possible to reduce the risk of their occurrence.