Radio Electronics, Computer Science, Control
Not a member yet
1174 research outputs found
Sort by
ДВОШАРОВИЙ ІНВАРІАНТ ГРАФА ДЛЯ РОЗПІЗНАВАННЯ ОБРАЗІВ
No full textContext. The relevance of the article is driven by the need for further development of object recognition (classification) algorithms, reducing computational complexity, and increasing the functional capabilities of such algorithms. The graph invariant proposed in the article can be applied in machine vision systems for recognizing physical objects, which is essential during rescue and monitoring operations in crisis areas of various origins, as well as in delivering firepower to the enemy using swarms of unmanned aerial vehicles.Objective is to develop a graph invariant with low computational complexity that enables the classification of physical objects with a certain level of confidence in the presence of external interference.Method. The physical object to be recognized (identified) is modeled by a connected undirected weighted graph. To identify theconstant characteristics of different model graphs, the idea of selecting the minimum and maximum weighted spanning trees in the structure of these graphs is applied. For this purpose, the classical and modified Boruvka-Sollin’s method are used (modified – for constructing the maximum weighted spanning tree). Such a stratification of the structure of the initial graph into two layers provides a larger information base during image analysis regarding the belonging of a certain implementation to a certain class of objects. Next, for each of the resulting spanning trees, two numerical characteristics are calculated: the weight of the spanning tree and the Randić index. The first characteristic contains indirect information about the linear dimensions of the object, while the second conveys its structural features. These characteristics are independent of vertex labeling and the graphical representation of the graph, which is a necessary condition for graph isomorphism verification. From these four obtained characteristics, an invariant is formed, which describes the corresponding physical object present in a single scene. To fully describe one class or subclass of objects in four scenes (top view; front and rear hemispherical views; side view), the pattern recognition system must have four corresponding invariants.Results. 1) A two-layer invariant of a weighted undirected graph has been developed, enabling the recognition of physical objects with a certain level of confidence; 2) A method for recognizing physical objects has been formalized in graph theory terms, based on hashing the object structure using the weights of the minimum and maximum spanning trees of the model graph, as well as the Randić index of these trees; 3) The two-layer invariant of the weighted undirected graph has been verified on test tasks for graph isomorphism checking.Conclusions. The conducted theoretical studies and a series of experiments confirm the feasibility of using the proposed graph invariant for real-time pattern recognition and classification tasks. The estimates obtained using the developed method are probabilistic, allowing the system operator to flexibly approach the classification of physical objects within the machine vision system’s field of view, depending on the technological process requirements or the operational situation in the system’s deployment area.Актуальність. Актуальність статті обумовлюється потребою у подальшому розвитку алгоритмів розпізнавання (класифікації) об’єктів, у зменшенні обчислювальної складності і збільшенні функціональних можливостей таких алгоритмів. Запропонований у статті інваріант графа може бути застосований у системах машинного зору для розпізнавання фізичних об’єктів, що є важливим у ході виконання рятувальних, моніторингових завдань у кризових районах різного характеру походження, а також у ході нанесення противнику вогневого ураження із застосуванням рою безпілотних апаратів.Мета роботи полягає в розробленні інваріанту графа з низькою обчислювальною складністю, який дозволятиме з певним рівнем довірчої ймовірності класифікувати фізичні об’єкти в умовах зовнішніх завад.Метод. Фізичний об’єкт, що підлягає розпізнаванню (ідентифікації) моделюється зв’язним неорієнтованим зваженим графом. Для виявлення сталих характеристик різних модельних графів застосовано ідею виділення в структурі цих графів мінімального і максимального за вагою каркасних дерев. З цією метою застосовується класичний і модифікований методи Борувки-Солліна (модифікований – для побудови максимального зваженого каркасного дерева). Таке розшарування структури початкового графа на два шари надає більшої інформаційної бази у ході аналізу зображення щодо приналежності певної реалізації до деякого класу об’єктів. Далі, для кожного з отриманих таким чином каркасних дерев, відшукуються значення двох числових характеристик: ваги каркасного дерева та індексу Рандіча. Перша характеристика несе в собі опосередковану інформацію про лінійні розміри об’єкту, а друга – про його структурні особливості. Ці характеристики не залежать від способу позначення вершин та графічного зображення графа, що є необхідною умовою для перевірки графів на ізоморфізм.З отриманих таким чином чотирьох характеристик складається інваріант, яким описується відповідний фізичний об’єкт, що перебуває в одній сцені. Для повного опису одного класу або підкласу об’єктів в чотирьох сценах (вид зверху; вид передньої та задньої полусфер; вид збоку) система розпізнавання образів повинна мати чотири відповідні інваріанти.Результати. 1) Розроблено двошаровий інваріант зваженого неорієнтованого графу, який дозволяє з певним рівнем довірчої ймовірності розпізнавати фізичні об’єкти; 2) В термінах теорії графів формалізовано метод розпізнавання фізичних об’єктів, що заснований на хешуванні структури об’єкту вагою мінімального і максимального каркасних дерев модельного графу, а також індексом Рандіча цих дерев; 3) Виконано верифікацію двошарового інваріанту зваженого неорієнтованого графу на тестових задачах з перевірки графів на ізоморфізм.Висновки. Проведені теоретичні дослідження та низка проведених експериментів підтверджують можливість використання пропонованого інваріанту графів в задачах розпізнавання та класифікації образів в масштабі реального часу. Оцінки, що виробляються із використанням розробленого методу, носять ймовірнісний характер, що дозволяє особі, яка налаштовує систему машинного зору, гнучко підходити до класифікації фізичних об’єктів в полі зору такої системи, виходячи з вимог до технологічного процесу або з умов оперативної обстановки в районі застосування системи.Актуальність. Актуальність статті обумовлюється потребою у подальшому розвитку алгоритмів розпізнавання (класифікації) об’єктів, у зменшенні обчислювальної складності і збільшенні функціональних можливостей таких алгоритмів. Запропонований у статті інваріант графа може бути застосований у системах машинного зору для розпізнавання фізичних об’єктів, що є важливим у ході виконання рятувальних, моніторингових завдань у кризових районах різного характеру походження, а також у ході нанесення противнику вогневого ураження із застосуванням рою безпілотних апаратів.Мета роботи полягає в розробленні інваріанту графа з низькою обчислювальною складністю, який дозволятиме з певним рівнем довірчої ймовірності класифікувати фізичні об’єкти в умовах зовнішніх завад.Метод. Фізичний об’єкт, що підлягає розпізнаванню (ідентифікації) моделюється зв’язним неорієнтованим зваженим графом. Для виявлення сталих характеристик різних модельних графів застосовано ідею виділення в структурі цих графів мінімального і максимального за вагою каркасних дерев. З цією метою застосовується класичний і модифікований методи Борувки-Солліна (модифікований – для побудови максимального зваженого каркасного дерева). Таке розшарування структури початкового графа на два шари надає більшої інформаційної бази у ході аналізу зображення щодо приналежності певної реалізації до деякого класу об’єктів. Далі, для кожного з отриманих таким чином каркасних дерев, відшукуються значення двох числових характеристик: ваги каркасного дерева та індексу Рандіча. Перша характеристика несе в собі опосередковану інформацію про лінійні розміри об’єкту, а друга – про його структурні особливості. Ці характеристики не залежать від способу позначення вершин та графічного зображення графа, що є необхідною умовою для перевірки графів на ізоморфізм .З отриманих таким чином чотирьох характеристик складається інваріант, яким описується відповідний фізичний об’єкт, що перебуває в одній сцені. Для повного опису одного класу або підкласу об’єктів в чотирьох сценах (вид зверху; вид передньої та задньої полусфер; вид збоку) система розпізнавання образів повинна мати чотири відповідні інваріанти.Результати. 1) Розроблено двошаровий інваріант зваженого неорієнтованого графу, який дозволяє з певним рівнем довірчої ймовірності розпізнавати фізичні об’єкти; 2) В термінах теорії графів формалізовано метод розпізнавання фізичних об’єктів, що заснований на хешуванні структури об’єкту вагою мінімального і максимального каркасних дерев модельного графу, а також індексом Рандіча цих дерев; 3) Виконано верифікацію двошарового інваріанту зваженого неорієнтованого графу на тестових задачах з перевірки графів на ізоморфізм.Висновки. Проведені теоретичні дослідження та низка проведених експериментів підтверджують можливість використання пропонованого інваріанту графів в задачах розпізнавання та класифікації образів в масштабі реального часу. Оцінки, що виробляються із використанням розробленого методу, носять ймовірнісний характер, що дозволяє особі, яка налаштовує систему машинного зору, гнучко підходити до класифікації фізичних об’єктів в полі зору такої системи, виходячи з вимог до технологічного процесу або з умов оперативної обстановки в районі застосування системи
ОПТИМАЛЬНИЙ РОЗПОДІЛ ОБМЕЖЕНИХ РЕСУРСІВ В МУЛЬТИПРОЦЕСОРНИХ СИСТЕМАХ
Get PDFContext. The paper considers multiprocessor systems consisting of many processors with a common RAM. The efficiency of such systems depends on the operating system. It must ensure a uniform loading of processors with tasks, in which the peak load on RAM will be minimal. This is a rather complex problem. In this paper, it is solved by building optimization models and developing effective heuristic algorithms. This problem is solved in two stages. The first stage is the optimal loading of processors with tasks, and the second is the minimization of the peak load on RAM. Several optimization models of this problem have been built, for the solution of which the exact quadratic regularization method is effective. Effective heuristic algorithms have also been developed. Comparative computational experiments have been conducted, which confirm the effectiveness of the proposed technology for solving this problem.Objective. Development of mathematical optimization models, methods, and algorithms for optimal resource allocation in multiprocessor systems.Method. A two-stage solution to this problem is effective. Several optimization models containing Boolean variables are proposed. Such models are quite complex for finding optimal solutions. To solve them, it is proposed to use the method of exact quadratic regularization. This optimization method is used for the first time for this class of problems, so it required the development of appropriate algorithmic support. Heuristic algorithms are usually implemented in operating systems. Therefore, effective heuristic algorithms are proposed that use the final principle, which significantly improves the solution of the problem. Results. New optimization models for the allocation of limited resources in multiprocessor systems have been constructed. Effective heuristic algorithms have been developed, which are implemented software-wise using VBA in the Excel package. Software for entering initial data for optimization models has also been developed, which simplifies their solution. The results of computational experiments are presented.Conclusions. A new effective technology for optimal resource allocation in multiprocessor systems has been developed. Heuristic algorithms have been developed and implemented in software. Computational experiments have been conducted to confirm the effectiveness of the proposed technology for solving the problem.
Актуальність. В роботі розглядаються мультипроцесорні системи, які складаються з безлічі процесорів з загальною оперативною пам’яттю. Ефективність функціонування таких систем залежить від операційної системи. Вона повинна забезпечити рівномірне завантаження процесорів завданнями, при якому пікове навантаження на оперативну пам'ять буде мінімальним. Це досить складна проблема. В даній роботі вона розв’язується шляхом побудови оптимізаційних моделей та розробкою ефективних евристичних алгоритмів. Дана проблема розв’язується в два етапи. На першому етапі знаходиться оптимальне завантаження процесорів завданнями, а на другому – мінімізація пікового навантаження оперативної пам’яті. Побудовано декілька оптимізаційних моделей цієї задачі, для розв’язування яких ефективним є метод точної квадратичноїрегуляризації. Розроблені також ефективні евристичні алгоритми. Проведені порівняльні обчислювальні експерименти, які підтверджують ефективність запропонованої технології розв’язування даної проблеми.Мета роботи. Розробка математичних оптимізаційних моделей, методів та алгоритмів оптимального розподілу ресурсів в мультипроцесорних системах.Метод. Ефективним є двоетапний розв’язок даної проблеми. Запропоновано декілька оптимізаційних моделей, які містять булеві змінні. Такі моделі досить складні для знаходження оптимальних розв’язків. Для їх розв’язування пропонується використовувати метод точної квадратичної регуляризації. Цей метод оптимізації використовується вперше для даного класу задач, тому він потребував розробки відповідного алгоритмічного забезпечення. В операційних системах, як правило, реалізуються евристичні алгоритми. Тому пропонуються ефективні евристичні алгоритми, які використовують фінальний принцип, що значно покращує розв’язок задачі.Результати. Побудовані нові оптимізаційні моделі розподілу обмежених ресурсів в мультипроцесорних системах. Розроблені ефективні евристичні алгоритми, які реалізовані програмно засобами VBA в пакеті Excel. Розроблене також програмне забезпечення для введення початкових даних оптимізаційних моделей, що спрощує їх розв’язування. Приведені результати обчислюваних експериментів.Висновки. Розроблена нова ефективна технологія оптимального розподілу ресурсів в мультипроцесорних системах. Розроблені евристичні алгоритми, які реалізовані програмно. Проведені обчислювальні експерименти підтверджують ефективність запропонованої технології розв’язування задачі.Актуальність. В роботі розглядаються мультипроцесорні системи, які складаються з безлічі процесорів з загальною оперативною пам’яттю. Ефективність функціонування таких систем залежить від операційної системи. Вона повинна забезпечити рівномірне завантаження процесорів завданнями, при якому пікове навантаження на оперативну пам'ять буде мінімальним. Це досить складна проблема. В даній роботі вона розв’язується шляхом побудови оптимізаційних моделей та розробкою ефективних евристичних алгоритмів. Дана проблема розв’язується в два етапи. На першому етапі знаходиться оптимальне завантаження процесорів завданнями, а на другому – мінімізація пікового навантаження оперативної пам’яті. Побудовано декілька оптимізаційних моделей цієї задачі, для розв’язування яких ефективним є метод точної квадратичної регуляризації. Розроблені також ефективні евристичні алгоритми. Проведені порівняльні обчислювальні експерименти, які підтверджують ефективність запропонованої технології розв’язування даної проблеми.Мета роботи. Розробка математичних оптимізаційних моделей, методів та алгоритмів оптимального розподілу ресурсів в мультипроцесорних системах.Метод. Ефективним є двоетапний розв’язок даної проблеми. Запропоновано декілька оптимізаційних моделей, які містять булеві змінні. Такі моделі досить складні для знаходження оптимальних розв’язків. Для їх розв’язування пропонується використовувати метод точної квадратичної регуляризації. Цей метод оптимізації використовується вперше для даного класу задач, тому він потребував розробки відповідного алгоритмічного забезпечення. В операційних системах, як правило, реалізуються евристичні алгоритми. Тому пропонуються ефективні евристичні алгоритми, які використовують фінальний принцип, що значно покращує розв’язок задачі.Результати. Побудовані нові оптимізаційні моделі розподілу обмежених ресурсів в мультипроцесорних системах. Розроблені ефективні евристичні алгоритми, які реалізовані програмно засобами VBA в пакеті Excel. Розроблене також програмне забезпечення для введення початкових даних оптимізаційних моделей, що спрощує їх розв’язування. Приведені результати обчислюваних експериментів.Висновки. Розроблена нова ефективна технологія оптимального розподілу ресурсів в мультипроцесорних системах. Розроблені евристичні алгоритми, які реалізовані програмно. Проведені обчислювальні експерименти підтверджують ефективність запропонованої технології розв’язування задачі
СПОСІБ АДАПТАЦІЇ ПАРАМЕТРІВ АЛГОРИТМІВ ВИЯВЛЕННЯ ТА ОЧИЩЕННЯ СТАТИСТИЧНОЇ ВИБІРКИ ВІД АНОМАЛІЙ ДЛЯ ЗАДАЧ DATA SCIENCE
No full textContext. Popularization of the Data Science for the tasks of e-commerce, the banking sector of the economy, for the tasks of managing dynamic objects – all this actualizes the requirements for indicators of the efficiency of data processing in the Time Series format. This also applies to the preparatory stage of data analysis at the level of detection and cleaning of statistical samples from anomalies such as rough measurements and omissions.Objective. The development of the method for adapting the parameters of the algorithms for detecting and cleaning the statistical sample of the Time Series format from anomalies for Data Science problems.Method. The article proposes a method for adapting the parameters of algorithms for detecting and cleaning a statistical sample from anomalies for data science problems. The proposed approach is based on and differs from similar practices by the introduction of an optimization approach in minimizing the dynamic and statistical error of the model, which determines the parameters of settings of popular algorithms for cleaning the statistical sample from anomalies using the Moving Window Method.Result. The introduction of the proposed approach into the practice of Data Science allows the development of software components for cleaning data from anomalies, which are trained by parameters purely according to the structure and dynamics of the Time Series.Conclusions. The key advantage of the proposed method is its simple implementation into existing algorithms for clearing the sample from anomalies and the absence of the need for the developer to select parameters for the settings of the cleaning algorithms manually, which saves time during development. The effectiveness of the proposed method is confirmed by the results of calculationsАктуальність. Популяризація задачі Data Science для завдань електронної комерції, банківського сектору економіки, для задач управління динамічними об’єктами – актуалізує вимоги до показників ефективності обробки даних формату Time Series.Зазначене стосується і підготовчого етапу аналізу даних на рівні виявлення та очищення статистичних вибірок віданомалій типу грубі виміри та пропуски.Метою роботи є розробка способу адаптації параметрів алгоритмів виявлення та очищення статистичної вибірки формату Time Series від аномалій для задач Data Science.Метод. У статті запропоновано спосіб адаптації параметрів алгоритмів виявлення та очищення статистичної вибірки від аномалій для задач data science. Запропонований підхід базується та відрізняється від аналогічних практик запровадженням оптимізаційного підходу в мінімізації динамічної та статистичної похибки моделі, що визначає параметри налаштувань популярних алгоритмів очищення статистичної вибірки від аномалій з використанням ковзного вікна (Moving Window Method).Результат. Запровадження запропонованого підходу в практику Data Science дозволяє розробляти програмні компонентидля очищення даних від аномалій, що навчаються за параметрами суто за структурою та динамікою Time Series. Це забезпечує підтримку широкого кола задач з нелінійними властивостями та сезонними закономірностями у даних. Отже спрощується процес супроводження подібних продуктів після впровадження їх в практику застосування.Висновки. Ключовою перевагою запропонованого методу є його проста імплементації в існуючі алгоритми очищення вибірки від аномалій та відсутність необхідності розробнику підбирати параметри налаштувань алгоритмів очищення вручну, що економить час при розробці. Ефективність запропонованого способу підтверджується результатами розрахунків.Актуальність. Популяризація задачі Data Science для завдань електронної комерції, банківського сектору економіки, для задач управління динамічними об’єктами – актуалізує вимоги до показників ефективності обробки даних формату Time Series. Зазначене стосується і підготовчого етапу аналізу даних на рівні виявлення та очищення статистичних вибірок віданомалій типу грубі виміри та пропуски.Метою роботи є розробка способу адаптації параметрів алгоритмів виявлення та очищення статистичної вибірки формату Time Series від аномалій для задач Data Science.Метод. У статті запропоновано спосіб адаптації параметрів алгоритмів виявлення та очищення статистичної вибірки від аномалій для задач data science. Запропонований підхід базується та відрізняється від аналогічних практик запровадженням оптимізаційного підходу в мінімізації динамічної та статистичної похибки моделі, що визначає параметри налаштувань популярних алгоритмів очищення статистичної вибірки від аномалій з використанням ковзного вікна (Moving Window Method).Результат. Запровадження запропонованого підходу в практику Data Science дозволяє розробляти програмні компонентидля очищення даних від аномалій, що навчаються за параметрами суто за структурою та динамікою Time Series. Це забезпечує підтримку широкого кола задач з нелінійними властивостями та сезонними закономірностями у даних. Отже спрощується процес супроводження подібних продуктів після впровадження їх в практику застосування.Висновки. Ключовою перевагою запропонованого методу є його проста імплементації в існуючі алгоритми очищення вибірки від аномалій та відсутність необхідності розробнику підбирати параметри налаштувань алгоритмів очищення вручну, що економить час при розробці. Ефективність запропонованого способу підтверджується результатами розрахунків
НЕЙРОМЕРЕЖЕВИЙ ПІДХІД ДО СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ ТРАНСПОРТНИХ ЗАСОБІВ НА ЗОБРАЖЕННЯХ НАДВИСОКОГО ПРОСТОРОВОГО РОЗРІЗНЕННЯ
No full textContext. The semantic segmentation of vehicles in very high resolution aerial images is essential in developing intelligent transportation systems. It allows for the automation of real-time traffic management and the detection of congestion and emergencies.Objective. This work aims to develop and evaluate the effectiveness of a neural network approach to semantic segmentation in very high resolution aerial images, which provides high detail and correct reproduction of object boundaries.Method. The DeepLab architecture with ResNet-101 as a backbone is used for gradient preservation and multiscale feature analysis. We trained on DOTA data and retrained on specialized sets with classes: vehicles, green areas, buildings, and roads. A loss function based on the Dice coefficient was applied to reduce the imbalance of classes. It effectively solves the class imbalance problem and improves the accuracy of segmenting objects of different sizes. Using ResNet-101 instead of Xception in the backbone network allows us to maintain the gradient as the network depth increases.Results. Experimental studies have confirmed the effectiveness of the proposed approach, which achieves a segmentation accuracy of more than 90%, outperforming existing analogs. The use of multiscale feature analysis allows for preserving the texture features of objects, reducing false classifications. A comparative study with U-Net, SegNet, FCN8s, and other methods confirms the higher performance of the proposed approach in terms of mIoU (82.3%) and Pixel Accuracy (95.1%).Conclusions. The experiments confirm the effectiveness of the proposed method of semantic segmentation of vehicles in ultrahigh spatial resolution images. Using DeepLab v3+ResNet-101 significantly improves the quality of vehicle segmentation in an urbanized environment. Excellent metric performance makes it promising for infrastructure monitoring and traffic planning tasks. Further research will focus on adapting the model to new datasetsАктуальність. Семантична сегментація транспортних засобів на аерокосмічних зображеннях надвисокого просторовогорозрізнення є важливим завданням для розвитку інтелектуальних транспортних систем, дозволяє автоматизувати управління дорожнім рухом у реальному часі, виявляти затори та аварійні ситуації.Мета роботи – розробка та оцінка ефективності нейромережевого підходу для сегментації транспортних засобів на аерокосмічних зображеннях надвисокого розрізнення, що забезпечує високу деталізацію та коректне відтворення границь об’єктів.Метод. Використано архітектуру DeepLab із ResNet-101 як Backbone для збереження градієнтів і багатомасштабногоаналізу ознак. Проведено навчання на даних DOTA та донавчання на спеціалізованих наборах із класами: транспортні засоби, зелені зони, будівлі, дороги. Для зменшення дисбалансу класів застосовано функцію втрат на основі коефіцієнта Dice. Це дозволяє ефективно вирішити проблему дисбалансу класів та покращити точність сегментації об’єктів різних розмірів. Використання ResNet-101 замість Xception у магістральній мережі дозволяє зберегти градієнт при збільшенні глибини мережі.Результати. Експериментальні дослідження підтвердили ефективність запропонованого підходу, що досягає точностісегментації понад 90%, перевершуючи існуючі аналоги. Використання багатомасштабного аналізу ознак дозволяє зберігати текстурні особливості об’єктів, зменшуючи хибні класифікації. Порівняльний аналіз із методами U-Net, SegNet, FCN8s та іншими підтверджує вищу продуктивність запропонованого підходу за метриками mIoU (82.3%) та Pixel Accuracy (95.1%).Висновки. Експерименти підтверджують ефективність запропонованого методу семантичної сегментації транспортнихзасобів на зображеннях надвисокого просторового розрізнення. Використання DeepLab v3+ ResNet-101 значно покращуєякість сегментації транспортних засобів в урбанізованому середовищі. Високі метричні показники роблять його перспективним для застосування у задачах інфраструктурного моніторингу та планування дорожнього руху. Подальші дослідження будуть зосереджені на адаптації моделі до нових наборів данихАктуальність. Семантична сегментація транспортних засобів на аерокосмічних зображеннях надвисокого просторовогорозрізнення є важливим завданням для розвитку інтелектуальних транспортних систем, дозволяє автоматизувати управління дорожнім рухом у реальному часі, виявляти затори та аварійні ситуації.Мета роботи – розробка та оцінка ефективності нейромережевого підходу для сегментації транспортних засобів на аерокосмічних зображеннях надвисокого розрізнення, що забезпечує високу деталізацію та коректне відтворення границь об’єктів.Метод. Використано архітектуру DeepLab із ResNet-101 як Backbone для збереження градієнтів і багатомасштабного аналізу ознак. Проведено навчання на даних DOTA та донавчання на спеціалізованих наборах із класами: транспортні засоби, зелені зони, будівлі, дороги. Для зменшення дисбалансу класів застосовано функцію втрат на основі коефіцієнта Dice. Це дозволяє ефективно вирішити проблему дисбалансу класів та покращити точність сегментації об’єктів різних розмірів. Використання ResNet-101 замість Xception у магістральній мережі дозволяє зберегти градієнт при збільшенні глибини мережі.Результати. Експериментальні дослідження підтвердили ефективність запропонованого підходу, що досягає точностісегментації понад 90%, перевершуючи існуючі аналоги. Використання багатомасштабного аналізу ознак дозволяє зберігати текстурні особливості об’єктів, зменшуючи хибні класифікації. Порівняльний аналіз із методами U-Net, SegNet, FCN8s та іншими підтверджує вищу продуктивність запропонованого підходу за метриками mIoU (82.3%) та Pixel Accuracy (95.1%).Висновки. Експерименти підтверджують ефективність запропонованого методу семантичної сегментації транспортних засобів на зображеннях надвисокого просторового розрізнення. Використання DeepLab v3+ ResNet-101 значно покращує якість сегментації транспортних засобів в урбанізованому середовищі. Високі метричні показники роблять його перспективним для застосування у задачах інфраструктурного моніторингу та планування дорожнього руху. Подальші дослідження будуть зосереджені на адаптації моделі до нових наборів дани
ПРО ОСОБЛИВІ ВИПАДКИ ЛАГРАНЖЕВОЇ ІНТЕРСТРІПАЦІЇ НАБЛИЖЕННЯ ФУНКЦІЙ ДВОХ ЗМІННИХ
No full textContext. The problem of approximating the values of continuous functions of two variables based on known information about them on stripes, the boundaries of which are parallel to the coordinate axes, is considered. The object of the study is the process of approximating the values of functions based on incomplete information about them, which is given on the system of stripes.Objective. The goal of the work is the review of information operators of Lagrangian interstripation and features of the construction of information approximation operators for some cases of the mutual arrangement of stripes in some region, which allow to significantly simplify the calculation of approximate values of the function in unknown subregions of the region.Method. Methods for approximating the values of continuous functions of two variables with incomplete information about them on some limited area are proposed. Information about the function is known only on a system of stripes limited by straight lines parallel to the coordinate axes. A method for approximating the values of continuous functions of two variables, information about which is known on two stripes, as a result of union of which only some rectangular subregion remains unknown in the region, is proposed. A method for approximating the values of continuous functions of two variables, information about which is known on three stripes, as a result of union of which only some rectangular subregion remains unknown in the region, is proposed. A method for approximating the values of continuous functions of two variables, information about which is known on four stripes, as a result of union of which only some rectangular subregion remains unknown in the region, is proposed. A method for approximating the values of continuous functions of two variables, the information about which is known on two stripes, as a result of union of which four rectangular subregions remain unknown in the region, is proposed. For all the considered cases, approximation operators are given that allow calculating the approximate form of the function in the unknown subregions in the analytical form.Results. The information operators of Lagrangian interstripation are implemented programmatically and investigated in problems of approximating the values of functions of two variables from known information about them on the systems of stripes.Conclusions. The experiments confirmed the accuracy of approximation of the values of continuous functions of two variablesof the proposed information interstripation operators for different systems of stripes. Approximation operators are given for special cases of the location of stripes in the region, the difference of which from the information interstripation operators of the general form lies in the significant simplification of the approximation operators without losing the accuracy of the approximation with a smaller number of arithmetic operations, which can be a decisive factor in some cases. Prospects for further research lie in the application of the proposed information operators in the problems of digital image processing, seismic mineral exploration data and remote sensing data etc.Актуальність. Розглянуто задачу наближення значень неперервних функцій двох змінних за відомою інформацією про неї на смугах, границі яких парарлельні осям координат. Об’єктом дослідження є процес наближення значень функцій на основі неповної інформації про них, що задана на системі смуг.Мета роботи – огляд інформаційних операторів інтерстріпації Лагранжа та особливостей побудови інформаційних операторів наближення для деяких випадків взаємного розташування смуг у просторі, які дозволяють значно спростити обчислення наближених значень функції у невідомих підобластях області дослідження.Метод. Запропоновано методи наближення значень неперервних функцій двох змінних за неповної інформацією про неї на деякій обмеженій області. Інформація про функцію є відомою лише на системі смуг, обмежених прямими, що парарлельні осям координат. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на двох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на трьох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на чотирьох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на двох смугах, в результаті об’єднання яких у області залишається невідомими чотири прямокутні підобласті.Для всіх розглянутих випадків наведено оператори наближення, які дозволяють обчислити наближений вигляд функції у невідоміхпідобластях у аналітичному вигляді.Результати. Інформаційні оператори інтерстріпації Лагранжа реалізовані програмно і досліджені в задачах наближення значень функцій двох змінних за відомою інформацією про неї на системах смуг.Висновки. Проведені експерименти підтвердили точність наближення значень неперервних функцій двох змінних запропонованих інформаційних операторів інтерстріпації для різних систем смуг. Наведено оператори наближення для особливих випадків розташування смуг у області дослідження, відмінність яких від інформаційних операторів інтерстрпації загального вигляду полягає у значному спрощенні операторів наближення не втрачаючи при цьому точності наближення при меншій кількості арифметичних операцій, що може бути вирішальним фактором в деяких випадках. Перспективи подальших досліджень полягають у застосуванні запропонованих інформаційних операторів у задачах цифрової обробки зображень, даних сейсмічної розвідки та даних дистанційного зондування планети.Актуальність. Розглянуто задачу наближення значень неперервних функцій двох змінних за відомою інформацією про неї на смугах, границі яких парарлельні осям координат. Об’єктом дослідження є процес наближення значень функцій на основі неповної інформації про них, що задана на системі смуг.Мета роботи – огляд інформаційних операторів інтерстріпації Лагранжа та особливостей побудови інформаційних операторів наближення для деяких випадків взаємного розташування смуг у просторі, які дозволяють значно спростити обчислення наближених значень функції у невідомих підобластях області дослідження.Метод. Запропоновано методи наближення значень неперервних функцій двох змінних за неповної інформацією про неї на деякій обмеженій області. Інформація про функцію є відомою лише на системі смуг, обмежених прямими, що парарлельні осям координат. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на двох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на трьох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на чотирьох смугах, в результаті об’єднання яких у області залишається невідомою лише деяка прямокутна підобласть. Запропоновано метод наближення значень неперервних функцій двох змінних, інформація про яку є відомою на двох смугах, в результаті об’єднання яких у області залишається невідомими чотири прямокутні підобласті.Для всіх розглянутих випадків наведено оператори наближення, які дозволяють обчислити наближений вигляд функції у невідоміхпідобластях у аналітичному вигляді.Результати. Інформаційні оператори інтерстріпації Лагранжа реалізовані програмно і досліджені в задачах наближення значень функцій двох змінних за відомою інформацією про неї на системах смуг.Висновки. Проведені експерименти підтвердили точність наближення значень неперервних функцій двох змінних запропонованих інформаційних операторів інтерстріпації для різних систем смуг. Наведено оператори наближення для особливих випадків розташування смуг у області дослідження, відмінність яких від інформаційних операторів інтерстрпації загального вигляду полягає у значному спрощенні операторів наближення не втрачаючи при цьому точності наближення при меншій кількості арифметичних операцій, що може бути вирішальним фактором в деяких випадках. Перспективи подальших досліджень полягають у застосуванні запропонованих інформаційних операторів у задачах цифрової обробки зображень, даних сейсмічної розвідки та даних дистанційного зондування планети
ОПТИМІЗАЦІЯ ПРОЦЕДУР ДЕКОМПОЗИЦІЇ ПЕРМАНЕНТУ З ВИКОРИСТАННЯМ АЛГОРИТМУ РОЗПАРАЛЕЛЮВАННЯ
No full textContext. The problem of efficiently finding all permutations of a list of N elements is a key problem in many areas of computer science, such as combinatorics, optimization, cryptography, and machine learning. The object of the study was to analyze the procedure of permanent decomposition and propose an algorithm for its parallelization using modern features of working with threads in C#.Objective. The goal of the work is the creation of the algorithm for parallelizing the generation of permutations using permanent decomposition processes.Method. The main research method is the comparison of various algorithms with proposed parallelized algorithm, taking into account such criteria as accuracy and speed. Scientific works [10, 9, 17] present algorithms, including the regular permanent decomposition algorithm and the Johnson-Trotter algorithm. The Johnson-Trotter’s algorithm is one of the most effective, so it has been taken as some kind of benchmark.It is worth mentioning that each paralleling process has its own disadvantages, including additional resources needed fot datasynchronization between threads. This can be minimized using both technical abilities of modern programming languages and optimization of the algorithm itself.Results. The developed parallelized algorithm have improved performance of the regular permanent decomposition algorithm for solving the problem of finding all permutations.Conclusions. The conducted experiments have confirmed the proposed parallelized algorithm’s version is better from a performance standpoint than the regular one. The prospects for further research may include the application of the parallelized version of the algorithm to some practical tasks and comparison of the results.Актуальність. Задача ефективного знаходження всіх перестановок списку з N елементів є ключовою проблемою в багатьох областях комп’ютерних наук, таких як комбінаторика, оптимізація, криптографія та машинне навчання. Метадослідження – проаналізувати процедуру перманентної декомпозиції та запропонувати алгоритм для її розпаралелювання з використанням сучасних можливостей роботи з потоками в мові C#.Мета роботи – метою роботи є створення алгоритму для розпаралелювання генерації перестановок з використаннямперманентних процесів декомпозиції.Метод. Основним методом дослідження є порівняння різних алгоритмів із запропонованим розпаралелеленим алгоритмом з урахуванням таких критеріїв, як точність та швидкість. У наукових працях [10, 9, 17] представлено алгоритми, серед яких регулярний алгоритм перманентної декомпозиції та алгоритм Джонсона-Троттера. Алгоритм Джонсона-Троттера є одним з найефективніших, тому його було взято за певний еталон.Варто зазначити, що кожен процес розпаралелювання має свої недоліки, зокрема, додаткові ресурси, необхідні длясинхронізації даних між потоками. Це можна мінімізувати, використовуючи як технічні можливості сучасних мов програмування, так і оптимізацію самого алгоритму.Результати. Розроблений розпаралелений алгоритм дозволив покращити продуктивність звичайного алгоритмуперманентної декомпозиції для розв’язання задачі знаходження всіх перестановок.Висновки. Проведені експерименти підтвердили, що запропонована розпаралелена версія алгоритму є кращою з точкизору продуктивності, ніж звичайна. Перспективами подальших досліджень може бути застосування розпаралеленої версії алгоритму до деяких практичних задач та порівняння отриманих результатів.Актуальність. Задача ефективного знаходження всіх перестановок списку з N елементів є ключовою проблемою в багатьох областях комп’ютерних наук, таких як комбінаторика, оптимізація, криптографія та машинне навчання. Мета дослідження – проаналізувати процедуру перманентної декомпозиції та запропонувати алгоритм для її розпаралелювання з використанням сучасних можливостей роботи з потоками в мові C#.Мета роботи – метою роботи є створення алгоритму для розпаралелювання генерації перестановок з використаннямперманентних процесів декомпозиції.Метод. Основним методом дослідження є порівняння різних алгоритмів із запропонованим розпаралелеленим алгоритмом з урахуванням таких критеріїв, як точність та швидкість. У наукових працях [10, 9, 17] представлено алгоритми, серед яких регулярний алгоритм перманентної декомпозиції та алгоритм Джонсона-Троттера. Алгоритм Джонсона-Троттера є одним з найефективніших, тому його було взято за певний еталон.Варто зазначити, що кожен процес розпаралелювання має свої недоліки, зокрема, додаткові ресурси, необхідні для синхронізації даних між потоками. Це можна мінімізувати, використовуючи як технічні можливості сучасних мов програмування, так і оптимізацію самого алгоритму.Результати. Розроблений розпаралелений алгоритм дозволив покращити продуктивність звичайного алгоритмуперманентної декомпозиції для розв’язання задачі знаходження всіх перестановок.Висновки. Проведені експерименти підтвердили, що запропонована розпаралелена версія алгоритму є кращою з точки зору продуктивності, ніж звичайна. Перспективами подальших досліджень може бути застосування розпаралеленої версії алгоритму до деяких практичних задач та порівняння отриманих результатів
МЕТОДИКА ВИЗНАЧЕННЯ СТРУКТУРИ НЕЛІНІЙНИХ ЗА ПАРАМЕТРАМИ МОДЕЛЕЙ ДЛЯ ОБРОБКИ ЧАСОВИХ РЯДІВ
No full textContext. The practice of today’s problems actualizes the increase in requirements for the accuracy, reliability and completeness of the results of time series processing in many applied areas. One of the methods that provides high-precision processing of time series with the introduction of a stochastic model of measured parameters is statistical learning methods. However, modern approaches to statistical learning are limited, for the most part, to simplified polynomial models. Practice proves that real data most often have a complex form of a trend component, which cannot be reproduced by polynomials of even a high degree. Smoothing of nonlinear models can be implemented by various approaches, for example, by the method of determining the parameters of nonlinear models using the differential spectra balance (DSB) in the scheme of differential-non-Taylor transformations (DNT). The studies proved the need for its modification in the direction of developing a conditional approach to determining the structure of nonlinear mathematical models for processing time series with complex trend dynamics.Objective. The development of a method for determining the structure of nonlinear by mathematical models for processing time series using DSB in DNT transformations.Method. The paper develops a method for constructing nonlinear mathematical models in the DNT transformation scheme. The modification of the method consists in controlling the conditions for the formation of a certain system of equations in the DSB scheme to search for the parameters of a nonlinear model with its analytical solutions. If the system is indeterminate, the nonlinear model is supplemented by linear components. In the case of an overdetermined system, its solution is carried out using the least squares norm. A defined system is solved by classical approaches. These processes are implemented with the control of stochastic and dynamic accuracy of models in the areas of observation and extrapolation. If the results of statistical learning are unsatisfactory in accuracy, the obtained values of the nonlinear model are used as initial approximations of numerical methods.Result. Based on carried-out research, a method for determining the structure of nonlinear models for processing time series using BDS in the scheme of DNT transformations is proposed. Its application provides a conditional approach to determining the structure of models for processing time series and increasing the accuracy of estimation at the interval of observation and extrapolation.Conclusions. The application of the proposed method for determining the structure of nonlinear models for processing time series allows obtaining models with the best predictive properties in terms of accuracyАктуальність. Практика задач сьогодення актуалізує підвищення вимог до точності, достовірності і повноти результатів обробки часових рядів в багатьох прикладних сферах. Одним із методів, що забезпечує високоточну обробку часовихрядів із впровадженням стохастичної моделі виміряних параметрів є методи статистичного навчання. Однак, сучасні підходи до статистичного навчання обмежуються, здебільшого, спрощеними – лінійними за параметрами поліноміальними моделями. Практика доводить, що реальні дані найчастіше мають складну форму трендової складової, яка не може бути відтворена поліномами навіть високого ступеня. Згладжування нелінійних за параметрами моделей можливо реалізувати різними підходами, наприклад методом визначення параметрів нелінійних моделей з використанням балансу диференціальних спектрів (БДС) в схемі диференціально-нетейлорівських перетворень (ДНТ). Дослідження довели необхідність його модифікації в напрямку розробки обумовленого підходу до визначення структури нелінійних за параметрами математичних моделей для обробки часових рядів із складною динамікою тренду.Метою роботи є розробка методики визначення структури нелінійних за математичних моделей для обробки часовихрядів з використанням БДС в ДНТ перетвореннях.Метод. В статті отримав розвиток метод побудови нелінійних за параметрами математичних моделей в схемі ДНТ перетворень. Модифікація методу полягає у контролі умов формування визначеної системи рівнянь в схемі БДС для пошуку параметрів нелінійної моделі з її аналітичним розв’язкам. Якщо система невизначена – нелінійна модель доповнюється лінійними за параметрами компонентами. У випадку перевизначеної системи – її розв’язок здійснюється з використанням норми найменших квадратів. Визначена система – розв’язується класичними підходами. Зазначені процеси реалізуються із контролем стохастичної та динамічної точності моделей да ділянках спостереження та екстраполяції. Якщо результати статистичного навчання є незадовільними за точністю – отримані значення нелінійної моделі використовуються як початкові наближення чисельних методів.Результат. На підстава проведених досліджень запропоновано методику визначення структури нелінійних за параметрами моделей для обробки часових рядів з використанням БДС в схемі ДНТ перетворень. Її застосування забезпечує обумовлений підхід до визначення структури моделей для обробки часових рядів та підвищення точності оцінювання на інтервалі спостереження та екстраполяції.Висновки. Застосування запропонованої в статті методики визначення структури нелінійних за параметрами моделейдля обробки часових рядів дозволяє отримати моделі із кращими, за показником точності, прогностичними властивостями.Актуальність. Практика задач сьогодення актуалізує підвищення вимог до точності, достовірності і повноти результатів обробки часових рядів в багатьох прикладних сферах. Одним із методів, що забезпечує високоточну обробку часовихрядів із впровадженням стохастичної моделі виміряних параметрів є методи статистичного навчання. Однак, сучасні підходи до статистичного навчання обмежуються, здебільшого, спрощеними – лінійними за параметрами поліноміальними моделями. Практика доводить, що реальні дані найчастіше мають складну форму трендової складової, яка не може бути відтворена поліномами навіть високого ступеня. Згладжування нелінійних за параметрами моделей можливо реалізувати різними підходами, наприклад методом визначення параметрів нелінійних моделей з використанням балансу диференціальних спектрів (БДС) в схемі диференціально-нетейлорівських перетворень (ДНТ). Дослідження довели необхідність його модифікації в напрямку розробки обумовленого підходу до визначення структури нелінійних за параметрами математичних моделей для обробки часових рядів із складною динамікою тренду.Метою роботи є розробка методики визначення структури нелінійних за математичних моделей для обробки часових рядів з використанням БДС в ДНТ перетвореннях.Метод. В статті отримав розвиток метод побудови нелінійних за параметрами математичних моделей в схемі ДНТ перетворень. Модифікація методу полягає у контролі умов формування визначеної системи рівнянь в схемі БДС для пошуку параметрів нелінійної моделі з її аналітичним розв’язкам. Якщо система невизначена – нелінійна модель доповнюється лінійними за параметрами компонентами. У випадку перевизначеної системи – її розв’язок здійснюється з використанням норми найменших квадратів. Визначена система – розв’язується класичними підходами. Зазначені процеси реалізуються із контролем стохастичної та динамічної точності моделей да ділянках спостереження та екстраполяції. Якщо результати статистичного навчання є незадовільними за точністю – отримані значення нелінійної моделі використовуються як початкові наближення чисельних методів.Результат. На підстава проведених досліджень запропоновано методику визначення структури нелінійних за параметрами моделей для обробки часових рядів з використанням БДС в схемі ДНТ перетворень. Її застосування забезпечує обумовлений підхід до визначення структури моделей для обробки часових рядів та підвищення точності оцінювання на інтервалі спостереження та екстраполяції.Висновки. Застосування запропонованої в статті методики визначення структури нелінійних за параметрами моделейдля обробки часових рядів дозволяє отримати моделі із кращими, за показником точності, прогностичними властивостями
ПОБУДОВА ДІАГНОСТИЧНОЇ МОДЕЛІ, КЕРОВАНОЇ ДАНИМИ, ДЛЯ МОНІТОРИНГУ СПРАВНОСТІ ТА ВИКОРИСТАННЯ СПОРЯДЖЕННЯ ГЕЛІКОПТЕРІВ
No full textContext. Modern technical objects (in particular vehicles) are extremely complex and place high demands on reliability. This requires automation of condition monitoring and fault diagnosis of objects and their components. The predictive maintenance improves operational readiness of technical objects. The object of study is a technical object health and usage monitoring process. The subject of study is a methods of computational intelligence for data-driven model building and related data processing tasks for health and usage monitoring system.Objective. The purpose of the work is to formulate data processing problems, to form a data set for data-driven model building and construct simple method for automatic diagnostic model building on example of helicopter health and usage monitoring system.Method. The method is proposed for the mapping of multidimensional data into a two-dimensional space preserving local properties of class separation, allowing for the visualization of multidimensional data and the production of simple diagnostic models for the automatic classification of diagnostic objects. The proposed method allows obtaining highly accurate diagnostic model with small training samples, provided that the frequency of classes in the samples is preserved. A method for synthesizing diagnostic models based on a two-layer feed-forward neural network is also proposed, which allows obtaining models in a non-iterative mode.Results. A sample of observations of the state of helicopter gears was obtained, which can be used to compare data-driven diagnostic methods and data processing methods that solve the problems of data dimensionality reduction. The Software has been developed that allows displaying a sample from a multidimensional to a two-dimensional space, which makes it possible to visualize data and reduces the dimensionality of the data. Diagnostic models have been obtained that allow automating the decision-making process on whether the diagnosed object (helicopter gear) belongs to one of two classes of states.Conclusions. The results of conducted experiments allow to conclude that the proposed method provides a significant reduction in the data dimensionality (in particular, for the considered problem of constructing a model for helicopter gear diagnosis, it reducesthe data dimensionality due to the compression of features by 46876 times). As the results of the conducted experiments for randomly selected instances in a two-dimensional system of artificial features obtained on the basis of the proposed method showed a significant reduction of the sample for individual tasks may allow to provide acceptable accuracy. And taking into account individual estimates of the instance significance will allow, even for small samples, to ensure the topological representativeness of the formed sample in relation to the original sample. The prospects for further research are to compare methods for constructing data-driven models, as well as methods for reducing the dimensionality of data based on the proposed sample. Additionally, it may be of interest to study a possible combination of theproposed method with methods for sample forming using metrics of the value of instances.Актуальність. Сучасні технічні об’єкти (зокрема транспортні засоби) є надзвичайно складними та висувають великівимоги до надійності. Це потребує автоматизації моніторингу стану та діагностування несправностей об’єктів та їх складо-вих. Прогнозне обслуговування підвищує експлуатаційну готовність технічних об’єктів. Об’єктом дослідження є процесмоніторингу справності та використання технічних об’єктів. Предметом дослідження є методи обчислювального інтелектудля побудови керованої даними моделі та відповідні завдання опрацювання даних для системи моніторингу працездатностіта використання.Мета. Мета роботи – сформулювати задачі обробки даних, сформувати набір даних для побудови керованої даними мо-делі та побудувати простий метод автоматичної побудови діагностичних моделей на прикладі системи моніторингу стану тавикористання гелікоптерів.Метод. Запропоновано метод для відображення багатовимірних даних у двовимірний простір із збереженням локальнихвластивостей поділу класів, що дозволяє візуалізувати багатовимірні дані та створювати прості діагностичні моделі дляавтоматичної класифікації об’єктів діагностування. Запропонований метод дозволяє отримати високоточну діагностичнумодель з малими навчальними вибірками за умови збереження частоти класів у вибірках. Запропоновано також метод син-тезу діагностичних моделей на основі двошарової нейронної мережі прямого поширення, що дозволяє отримувати моделі внеітеративному режимі.Результати. Отримано вибірку спостережень стану механізмів вертольота, яку можна використовувати для порівнянняметодів діагностування, керованого даними, та методів опрацювання даних, які вирішують задачі скорочення розмірностіданих. Розроблено програмне забезпечення, яке дозволяє відображати вибірку з багатовимірного простору в двовимірний,що дає змогу візуалізувати дані та зменшує розмірність даних. Отримано діагностичні моделі, які дозволяють автоматизува-ти процес прийняття рішення про належність діагностованого об’єкта (спорядження вертольота) до одного з двох класівстанів.Висновки. Результати проведених експериментів дозволяють зробити висновок, що запропонований метод забезпечуєсуттєве зниження розмірності даних (зокрема, для розглянутої задачі побудови моделі діагностування вертолітного облад-нання зменшує розмірність даних за рахунок стиснення ознак у 46876 разів). Оскільки результати проведених експеримен-тів для випадково вибраних екземплярів у двовимірній системі штучних ознак, отриманих на основі запропонованого мето-ду, показали значне скорочення вибірки для окремих завдань, це може дозволити забезпечити прийнятну точність. А враху-вання індивідуальних оцінок значущості екземплярів дозволить навіть для малих вибірок забезпечити топологічну репрезе-нтативність сформованої вибірки по відношенню до вихідної вибірки.Перспективи подальших досліджень полягають у порівнянні методів побудови моделей, керованих даними, а також ме-тодів зменшення розмірності даних на основі запропонованої вибірки. Крім того, може становити інтерес дослідження мож-ливого поєднання запропонованого методу з методами формування вибірки з використанням метрик значення екземплярівАктуальність. Сучасні технічні об’єкти (зокрема транспортні засоби) є надзвичайно складними та висувають великі вимоги до надійності. Це потребує автоматизації моніторингу стану та діагностування несправностей об’єктів та їх складових. Прогнозне обслуговування підвищує експлуатаційну готовність технічних об’єктів. Об’єктом дослідження є процес моніторингу справності та використання технічних об’єктів. Предметом дослідження є методи обчислювального інтелектудля побудови керованої даними моделі та відповідні завдання опрацювання даних для системи моніторингу працездатностіта використання.Мета. Мета роботи – сформулювати задачі обробки даних, сформувати набір даних для побудови керованої даними моделі та побудувати простий метод автоматичної побудови діагностичних моделей на прикладі системи моніторингу стану та використання гелікоптерів.Метод. Запропоновано метод для відображення багатовимірних даних у двовимірний простір із збереженням локальних властивостей поділу класів, що дозволяє візуалізувати багатовимірні дані та створювати прості діагностичні моделі дляавтоматичної класифікації об’єктів діагностування. Запропонований метод дозволяє отримати високоточну діагностичну модель з малими навчальними вибірками за умови збереження частоти класів у вибірках. Запропоновано також метод синтезу діагностичних моделей на основі двошарової нейронної мережі прямого поширення, що дозволяє отримувати моделі внеітеративному режимі.Результати. Отримано вибірку спостережень стану механізмів вертольота, яку можна використовувати для порівнянняметодів діагностування, керованого даними, та методів опрацювання даних, які вирішують задачі скорочення розмірності даних. Розроблено програмне забезпечення, яке дозволяє відображати вибірку з багатовимірного простору в двовимірний, що дає змогу візуалізувати дані та зменшує розмірність даних. Отримано діагностичні моделі, які дозволяють автоматизува-ти процес прийняття рішення про належність діагностованого об’єкта (спорядження вертольота) до одного з двох класів станів.Висновки. Результати проведених експериментів дозволяють зробити висновок, що запропонований метод забезпечує суттєве зниження розмірності даних (зокрема, для розглянутої задачі побудови моделі діагностування вертолітного облад-нання зменшує розмірність даних за рахунок стиснення ознак у 46876 разів). Оскільки результати проведених експериментів для випадково вибраних екземплярів у двовимірній системі штучних ознак, отриманих на основі запропонованого методу, показали значне скорочення вибірки для окремих завдань, це може дозволити забезпечити прийнятну точність. А врахування індивідуальних оцінок значущості екземплярів дозволить навіть для малих вибірок забезпечити топологічну репрезентативність сформованої вибірки по відношенню до вихідної вибірки. Перспективи подальших досліджень полягають у порівнянні методів побудови моделей, керованих даними, а також методів зменшення розмірності даних на основі запропонованої вибірки. Крім того, може становити інтерес дослідження можливого поєднання запропонованого методу з методами формування вибірки з використанням метрик значення екземплярів
ІЄРАРХІЧНЕ МАШИННЕ НАВЧАННЯ СИСТЕМИ ФУНКЦІОНАЛЬНОГО ДІАГНОСТУВАННЯ ПАТОЛОГІЙ ОКА НА ОСНОВІ ІНФОРМАЦІЙНО-ЕКСТРЕМАЛЬНОГО ПІДХОДУ
No full textContext. The task of information-extremal machine learning for the diagnosis of eye pathologies based on the characteristic signs of diseases is considered. The object of the study is the process of hierarchical machine learning in the system for diagnosing ophthalmological diseases. The aging population and the increasing prevalence of eye diseases, such as glaucoma, optic nerve atrophy, retinal detachment, and diabetic retinopathy, necessitate effective methods for early diagnosis to prevent vision loss. Traditional diagnostic methods largely rely on the experience of the physician, which can lead to errors. The use of artificial intelligence (AI) and machine learning (ML) can significantly improve the accuracy and speed of diagnosis, making this topic highly relevant.Objective. To enhance the functional efficiency of a computerized system for diagnosing eye pathologies based on image data.Method. A method of information-extremal hierarchical machine learning for a system of eye pathology diagnosis based on the characteristic signs of diseases is proposed. The method is based on a functional approach to modeling cognitive processes of natural intelligence, ensuring the adaptability of the diagnostic system under any initial conditions for the formation of pathology images and allowing flexible retraining of the system when the recognition class alphabet expands. The foundation of the method is the principle of maximizing the criterion of functional efficiency based on a modified Kullback information measure, which is a functional of the diagnostic rule precision characteristics. The learning process is considered as an iterative procedure for optimizing the parameters of the diagnostic system’s operation according to this information criterion. Based on the proposed categorical functional model, an information-extremal machine learning algorithm with a hierarchical data structure in the form of a binary recursive tree is developed. This data structure enables the division of a large number of recognition classes into pairs of nearest neighbors, for which the machine learning parameters are optimized using a linear algorithm of the necessary depth.Results. An intelligent technology for diagnosing eye pathologies has been developed, which includes a comprehensive set of information, algorithmic, and software components. A comparative analysis of the effectiveness of different methods for organizing decision rules during system training has been conducted. It was found that the use of recursive hierarchical classifier structures allows achieving higher diagnostic accuracy compared to binary classifiers.Conclusions. The developed intelligent computer-based diagnostic system for eye pathologies demonstrates high efficiency and accuracy. The implementation of such a system in medical practice could significantly improve the quality of eye disease diagnostics, reduce the workload on physicians, and minimize the risk of misdiagnosis. Further research could focus on refining algorithms and expanding their application to other types of medical imagesАктуальність. Розглянуто задачу інформаційно-екстремального машинного навчання системи діагностування патологійока за характерними ознаками захворювань. Об’єктом дослідження є процес ієрархічного машинного навчання системидіагностування офтальмологічних захворювань. Старіння населення та поширення захворювань очей, таких як глаукома, атрофія зорового нерва, відшарування сітківки та діабетична ретинопатія, вимагають ефективних методів ранньої діагностики для запобігання втрати зору. Традиційні методи діагностики значною мірою залежать від досвіду лікаря, що може призводити до помилок. Використання штучного інтелекту (ШІ) та машинного навчання (МН) може суттєво покращити точність і швидкість діагностування, що робить цю тему надзвичайно актуальною.Мета. Підвищення функціональної ефективності комп’ютеризованої системи діагностування патологій ока на основізображень.Метод. Запропоновано метод інформаційно-екстремального ієрархічного машинного навчання для системидіагностування патологій ока на основі характерних ознак захворювань. Метод базується на функціональному підході домоделювання когнітивних процесів природного інтелекту, що забезпечує адаптивність системи діагностування за будь-яких початкових умов формування зображень патологій і дозволяє гнучко перенавчати систему при збільшення потужності алфавіту класів розпізнавання. Основою методу є принцип максимізації критерію функціональної ефективності на базі модифікованої інформаційної міри Кульбака, яка є функціоналом від точносних харатеристик діагростичних правил. Процес навчання розглядається як ітераційна процедура оптимізації параметрів роботи системи діагностування за цим інформаційним критерієм. На основі запропонованої категорійної функціональної моделі розроблено алгоритм інформаційно-екстремального машинного навчання з ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Така структура даних дозволяє розділяти велику кількість класів розпізнавання на пари найближчих сусідів, для яких параметри машинного навчання оптимізуються за лінійним алгоритмом необхідної глибини.Результати. Розроблено інтелектуальну технологію діагностики патологій ока, яка включає комплекс інформаційного,алгоритмічного та програмного забезпечення. Проведено порівняльний аналіз ефективності різних методів організаціївирішальних правил у процесі навчання системи. Виявлено, що використання декурсивних ієрархічних структуркласифікаторів дозволяє досягти вищої точності діагностики у порівнянні з бінарними класифікаторами.Висновки. Розроблена інтелектуальна система комп’ютерного діагностування патологій ока демонструє високуефективність та точність. Впровадження такої системи у медичну практику може суттєво підвищити якість діагностикиочних захворювань, знизити навантаження на лікарів та мінімізувати ризик помилкових діагнозів. Подальші дослідження можуть бути спрямовані на вдосконалення алгоритмів та розширення їх застосування на інші типи медичних зображеньАктуальність. Розглянуто задачу інформаційно-екстремального машинного навчання системи діагностування патологій ока за характерними ознаками захворювань. Об’єктом дослідження є процес ієрархічного машинного навчання системи діагностування офтальмологічних захворювань. Старіння населення та поширення захворювань очей, таких як глаукома, атрофія зорового нерва, відшарування сітківки та діабетична ретинопатія, вимагають ефективних методів ранньої діагностики для запобігання втрати зору. Традиційні методи діагностики значною мірою залежать від досвіду лікаря, що може призводити до помилок. Використання штучного інтелекту (ШІ) та машинного навчання (МН) може суттєво покращити точність і швидкість діагностування, що робить цю тему надзвичайно актуальною.Мета. Підвищення функціональної ефективності комп’ютеризованої системи діагностування патологій ока на основі зображень.Метод. Запропоновано метод інформаційно-екстремального ієрархічного машинного навчання для системи діагностування патологій ока на основі характерних ознак захворювань. Метод базується на функціональному підході домоделювання когнітивних процесів природного інтелекту, що забезпечує адаптивність системи діагностування за будь-яких початкових умов формування зображень патологій і дозволяє гнучко перенавчати систему при збільшення потужності алфавіту класів розпізнавання. Основою методу є принцип максимізації критерію функціональної ефективності на базі модифікованої інформаційної міри Кульбака, яка є функціоналом від точносних харатеристик діагростичних правил. Процес навчання розглядається як ітераційна процедура оптимізації параметрів роботи системи діагностування за цим інформаційним критерієм. На основі запропонованої категорійної функціональної моделі розроблено алгоритм інформаційно-екстремального машинного навчання з ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Така структура даних дозволяє розділяти велику кількість класів розпізнавання на пари найближчих сусідів, для яких параметри машинного навчання оптимізуються за лінійним алгоритмом необхідної глибини.Результати. Розроблено інтелектуальну технологію діагностики патологій ока, яка включає комплекс інформаційного,алгоритмічного та програмного забезпечення. Проведено порівняльний аналіз ефективності різних методів організаціївирішальних правил у процесі навчання системи. Виявлено, що використання декурсивних ієрархічних структуркласифікаторів дозволяє досягти вищої точності діагностики у порівнянні з бінарними класифікаторами.Висновки. Розроблена інтелектуальна система комп’ютерного діагностування патологій ока демонструє високуефективність та точність. Впровадження такої системи у медичну практику може суттєво підвищити якість діагностикиочних захворювань, знизити навантаження на лікарів та мінімізувати ризик помилкових діагнозів. Подальші дослідження можуть бути спрямовані на вдосконалення алгоритмів та розширення їх застосування на інші типи медичних зображен
ОПТИМІЗОВАНА МОДЕЛЬ ПРОГНОЗУВАННЯ ДОСТУПНОСТІ ОБ’ЄКТІВ НА ОСНОВІ ГЛИБИННОГО НАВЧАННЯ І ГЕОПРОСТОРОВИХ ОЗНАК
No full textContext. Today, predicting the availability of objects in spatially distributed systems remains one of the areas of computer science that constantly attracts the attention of researchers. There are many reasons for this. There is an increase in the amount of spatial information. New types of infrastructure networks are emerging, as well as the need for rapid decision-making in changing conditions. At the same time, traditional analysis methods do not always cope with the tasks of processing multidimensional data. This is especially true when it comes to complex or unstable environments. This opens up opportunities for applying deep learning methods that demonstrate high efficiency where classical approaches fail.Objective. The study aims to optimize the model for predicting the availability of objects in spatially distributed systems by defining an efficient deep learning architecture that uses spatial and other infrastructure features to improve prediction accuracy and generalizability.Method. To achieve this goal, deep learning architectures were used, including feed-forward models (FNN), convolutional neural networks (CNN), and recurrent neural networks (RNN, GRU, LSTM). During the modeling, methods of data normalization, training regularization, and a comprehensive system for evaluating the accuracy of forecasts using the mean square error, mean absolute error, and coefficient of determination were used.Results. An optimized architecture of a recurrent neural network was built for the study, which includes a combination of two recurrent layers, Dropout regularization layers, and a fully connected layer. The analysis has shown that the proposed model provides high accuracy in predicting the availability of objects, demonstrating stability over a wide range of spatial data. Comparison of actual and predicted values confirmed the effectiveness of the proposed solution.Conclusions. The proposed approach to building an optimized deep learning model for predicting the availability of objects provides a high level of generalization and accuracy, which creates prerequisites for its use in systems of intelligent decision support in spatially distributed environments.Актуальність. На сьогодні прогнозування доступності об’єктів у просторово-розподілених системах залишається одним із тих напрямів інформатики, який постійно привертає увагу дослідників. Причин для цього чимало. Спостерігаєтьсязбільшення обсягів просторової інформації. Появляються нові типи інфраструктурних мереж, а також потреба в оперативному прийнятті рішень у мінливих умовах. Водночас, традиційні методи аналізу не завжди справляються із завданнями обробки багатовимірних даних. Особливо це актуально, коли йдеться про складні або нестабільні середовища. Це відкриває можливості для застосування методів глибинного навчання, які демонструють високу ефективність там, де класичні підходи не працюють.Мета роботи. Дослідження спрямоване на оптимізацію моделі прогнозування доступності об’єктів у простороворозподілених системах шляхом визначення ефективної архітектури глибинного навчання, що використовує просторові та інфраструктурні ознаки для підвищення точності прогнозування та узагальнюючої здатності. Методи. Для досягнення поставленої мети було застосовано архітектури глибинного навчання, серед яких моделі прямого розповсюдження (FNN), згорткові нейронні мережі (CNN) та рекурентні нейронні мережі (RNN, GRU, LSTM). Під часмоделювання використовувалися методи нормалізації даних, регуляризації навчання, а також комплексна система оцінювання точності прогнозів за допомогою середньої квадратичної помилки, середньої абсолютної помилки та коефіцієнта детермінації.Результати. Під виконання дослідження було побудовано оптимізовану архітектуру рекурентної нейронної мережі, щовключає комбінацію двох рекурентних шарів, шарів регуляризації Dropout та повнозв’язного шару. Проведений аналіз показав, що запропонована модель забезпечує високу точність прогнозування доступності об’єктів, демонструючи стабільність роботи на широкому спектрі просторових даних. Співставлення фактичних та прогнозованих значень підтвердило ефективність запропонованого рішення.Висновки. Запропонований підхід до побудови оптимізованої моделі глибинного навчання для прогнозування доступності об’єктів забезпечує високий рівень узагальнення та точності, що створює передумови для її використання у системах інтелектуальної підтримки прийняття рішень у просторово-розподілених середовищахАктуальність. На сьогодні прогнозування доступності об’єктів у просторово-розподілених системах залишається одним із тих напрямів інформатики, який постійно привертає увагу дослідників. Причин для цього чимало. Спостерігаєтьсязбільшення обсягів просторової інформації. Появляються нові типи інфраструктурних мереж, а також потреба в оперативному прийнятті рішень у мінливих умовах. Водночас, традиційні методи аналізу не завжди справляються із завданнями обробки багатовимірних даних. Особливо це актуально, коли йдеться про складні або нестабільні середовища. Це відкриває можливості для застосування методів глибинного навчання, які демонструють високу ефективність там, де класичні підходи не працюють.Мета роботи. Дослідження спрямоване на оптимізацію моделі прогнозування доступності об’єктів у простороворозподілених системах шляхом визначення ефективної архітектури глибинного навчання, що використовує просторові та інфраструктурні ознаки для підвищення точності прогнозування та узагальнюючої здатності. Методи. Для досягнення поставленої мети було застосовано архітектури глибинного навчання, серед яких моделі прямого розповсюдження (FNN), згорткові нейронні мережі (CNN) та рекурентні нейронні мережі (RNN, GRU, LSTM). Під час моделювання використовувалися методи нормалізації даних, регуляризації навчання, а також комплексна система оцінювання точності прогнозів за допомогою середньої квадратичної помилки, середньої абсолютної помилки та коефіцієнта детермінації.Результати. Під виконання дослідження було побудовано оптимізовану архітектуру рекурентної нейронної мережі, що включає комбінацію двох рекурентних шарів, шарів регуляризації Dropout та повнозв’язного шару. Проведений аналіз показав, що запропонована модель забезпечує високу точність прогнозування доступності об’єктів, демонструючи стабільність роботи на широкому спектрі просторових даних. Співставлення фактичних та прогнозованих значень підтвердило ефективність запропонованого рішення.Висновки. Запропонований підхід до побудови оптимізованої моделі глибинного навчання для прогнозування доступності об’єктів забезпечує високий рівень узагальнення та точності, що створює передумови для її використання у системах інтелектуальної підтримки прийняття рішень у просторово-розподілених середовища