Radio Electronics, Computer Science, Control
Not a member yet
1174 research outputs found
Sort by
МЕТОД ДОСЛІДЖЕННЯ МАТЕМАТИЧНОЇ МОДЕЛІ ЗСУНУТОГО ЧАСУ ДВОФРАГМЕНТНОГО СИГНАЛУ З НЕЛІНІЙНОЮ ЧАСТОТНОЮ МОДУЛЯЦІЄЮ
No full textContext. The further development of the theory and techniques for forming and processing complex radar signals encompasses both the study of existing mathematical models of probing radio signals and the creation of new ones. One of the directions of such research focuses on reducing the maximum side lobe level in the autocorrelation functions of signals with intra-pulse modulation of frequency or phase. In this context, the instantaneous frequency may vary according to either a linear or nonlinear law. Nonlinear frequency modulation laws can reduce the maximum level of side lobes without introducing amplitude modulation in the output signal of the radio transmitting device and, consequently, without causing power loss in the sensing signals. The widespread implementation of nonlinear-frequency-modulated signals in radar technology is constrained by the insufficient development of their mathematical models. Therefore, the development of methods for analyzing existing mathematical models of signals with nonlinear frequency modulation remains an urgent scientific task.Objective. The purpose of this work is to develop a method for conducting research to evaluate the advantages and disadvantages of a mathematical model of a nonlinear-frequency-modulated signal consisting of two fragments with linear frequency modulation.Method. This study proposes a method for analyzing mathematical models of signals based on the transition from a shifted time scale to the current time scale. The methodology consists of the following main stages: a formalized description of mathematical models, transition to an alternative time scale, identification of components and determination of their physical essence, and a comparative analysis. The proposed method was validated through simulation modeling.Results. Using the proposed method, it has been determined that the mathematical operation of time scale shifting is equivalent to the introduction of additional components in the mathematical model. These components simultaneously and automatically compensate for the frequency jump at the junction of fragments, as well as introduce an additional linear phase increment in the second linearly frequency-modulated fragment. This approach provides a clear illustration of the frequency jump compensation mechanism in the studied mathematical model. The applied method enabled the identification of a drawback in the examined mathematical model, namely, the absence of a compensatory component for the instantaneous phase jump during the transition from the first LFM fragment to the second.Conclusions. A method has been developed to determine the essence and corresponding influence of the components of amathematical model in a time-shifted, nonlinear, frequency-modulated signal, which consists of two fragments with linear frequency modulation. The model under study is not entirely accurate, as it lacks a component to compensate for the phase jump at the transition from the first signal fragment to the second. The introduction of such a component ensures a further reduction in the maximum level of the side lobes of the signal autocorrelation function.Актуальність. Подальший розвиток теорії та техніки формування і оброки складних радіолокаційних сигналів передбачає дослідження існуючих та створення нових математичних моделей зондувальних радіосигналів. Один із напрямків такихдосліджень спрямовується на зниження максимального рівня бічних пелюсток автокореляційних функцій сигналів з внутрішньо імпульсною модуляцією частоти або фази. При цьому миттєва частота може змінюватися за лінійним або ж нелінійним законом. Нелінійні закони частотної модуляції можуть забезпечити зниження максимального рівня бічних пелюсток без амплітудної модуляції вихідного сигналу радіопередавального пристрою, а значить без втрат потужності зондувальних сигналів. Широке запровадження нелінійно-частотно модульованих сигналів в радіолокаційну техніку стримується недостатньою проробкою їх математичних моделей. Тому розроблення методів для дослідження існуючих математичних моделей сигналів з нелінійною частотною модуляцією є актуальною науковою задачею.Метою роботи є розробка методу для виконання досліджень стосовно визначення переваг та недоліків математичноїмоделі нелінійно-частотно модульованого сигналу у складі двох фрагментів з лінійною модуляцією частоти.Метод. У цьому дослідженні запропоновано метод аналізу математичних моделей сигналів, який базується на переходівід шкали зсунутого часу до шкали поточного часу. Методологія включає такі основні етапи: формалізований опис математичних моделей, перехід до іншої шкали часу, виділення складових та визначення їх фізичної сутності, проведення порівняльного аналізу. Перевірку працездатності методу виконано шляхом імітаційного моделювання.Результати. З використанням запропонованого методу визначено, що математична операція зсуву шкали часу є еквівалентною появі в математичній моделі додаткових складових, що здійснюють одночасну автоматичну компенсацію стрибка частоти на стику фрагментів, а також додаткового лінійного приросту фази у другому лінійно-частотно модульованому фрагменті. Застосований підхід забезпечує наочну ілюстрацію механізму компенсації стрибка частоти у математичної моделі, що досліджувалася. Використаний метод дозволив виявити недолік розглянутої математичної моделі, який полягає у відсутності компенсаційної складової стрибка миттєвої фази у момент переходу від першого ЛЧМ фрагменту до другого.Висновки. Розроблено метод для визначення сутності та відповідного впливу складових математичної моделі у зсунутому часі нелінійно-частотно модульованого сигналу, до складу якого входять два фрагменти з лінійною модуляцією частоти. Досліджувана модель є не зовсім коректною, оскільки не має у собі складової для компенсації стрибка фази у момент переходу від першого фрагменту сигналу до другого. Введення такої складової забезпечує подальше зниження максимального рівня бічних пелюсток автокореляційної функції сигналу.Актуальність. Подальший розвиток теорії та техніки формування і оброки складних радіолокаційних сигналів передбачає дослідження існуючих та створення нових математичних моделей зондувальних радіосигналів. Один із напрямків такихдосліджень спрямовується на зниження максимального рівня бічних пелюсток автокореляційних функцій сигналів з внутрішньо імпульсною модуляцією частоти або фази. При цьому миттєва частота може змінюватися за лінійним або ж нелінійним законом. Нелінійні закони частотної модуляції можуть забезпечити зниження максимального рівня бічних пелюсток без амплітудної модуляції вихідного сигналу радіопередавального пристрою, а значить без втрат потужності зондувальних сигналів. Широке запровадження нелінійно-частотно модульованих сигналів в радіолокаційну техніку стримується недостатньою проробкою їх математичних моделей. Тому розроблення методів для дослідження існуючих математичних моделей сигналів з нелінійною частотною модуляцією є актуальною науковою задачею.Метою роботи є розробка методу для виконання досліджень стосовно визначення переваг та недоліків математичноїмоделі нелінійно-частотно модульованого сигналу у складі двох фрагментів з лінійною модуляцією частоти.Метод. У цьому дослідженні запропоновано метод аналізу математичних моделей сигналів, який базується на переходівід шкали зсунутого часу до шкали поточного часу. Методологія включає такі основні етапи: формалізований опис математичних моделей, перехід до іншої шкали часу, виділення складових та визначення їх фізичної сутності, проведення порівняльного аналізу. Перевірку працездатності методу виконано шляхом імітаційного моделювання.Результати. З використанням запропонованого методу визначено, що математична операція зсуву шкали часу є еквівалентною появі в математичній моделі додаткових складових, що здійснюють одночасну автоматичну компенсацію стрибка частоти на стику фрагментів, а також додаткового лінійного приросту фази у другому лінійно-частотно модульованому фрагменті. Застосований підхід забезпечує наочну ілюстрацію механізму компенсації стрибка частоти у математичної моделі, що досліджувалася. Використаний метод дозволив виявити недолік розглянутої математичної моделі, який полягає у відсутності компенсаційної складової стрибка миттєвої фази у момент переходу від першого ЛЧМ фрагменту до другого.Висновки. Розроблено метод для визначення сутності та відповідного впливу складових математичної моделі у зсунутому часі нелінійно-частотно модульованого сигналу, до складу якого входять два фрагменти з лінійною модуляцією частоти. Досліджувана модель є не зовсім коректною, оскільки не має у собі складової для компенсації стрибка фази у момент переходу від першого фрагменту сигналу до другого. Введення такої складової забезпечує подальше зниження максимального рівня бічних пелюсток автокореляційної функції сигналу
ТЕОРЕТИЧНІ ОСНОВИ ОПТИМІЗАЦІЇ СТРУКТУРИ БАГАТОАНТЕННИХ РАДІОПЕЛЕНГАТОРІВ ДЛЯ ВИЗНАЧЕННЯ ПОЛОЖЕННЯ ДЖЕРЕЛ СТОХАСТИЧНИХ СИГНАЛІВ
Get PDFContext. The relevance of the topic lies in the need to improve radio direction finders to increase accuracy, resistance to interference and adaptation to changing operating conditions. Modern scientific achievements require the development of methods for statistical synthesis and analysis of stochastic signal processing in multi-antenna systems, which will allow to take into account the uncertainty of real conditions. It is important to expand the capabilities of such systems for use in radar, radio navigation, communications and other industries. This will facilitate the creation of new approaches for direction finding of unknown signal sources in complex operating scenarios.Objective. The study is based on improving the measurements of the angular position accuracy of radio sources of stochasticsignals.Method. The approach is is based on the statistical theory of optimization of radio remote sensing and radar systems. Signal and noise models are constructed for stochastic signal sources, and the likelihood functional in the spectral domain is formulated, taking into account the structure of inverse correlation matrices. The Cramer-Rao inequality is used to determine the limiting errors of estimation of the angular position of the radio source.Results. For the first time the approach to statistical optimization of the structure of multi-antenna radio systems for directionfinding of stochastic radiation sources is theoretically justified, allowing to take into account the spatial orientation, antenna array geometry and radiation pattern. An optimal method of processing the observation equations for estimating the angular position of stochastic signal sources is constructed. A generalized structure of a single-antenna direction finder containing a matched filter, a decoherence filter and a digital calculator is proposed. It is proved that the use of decorelating processing allows to increase the estimation accuracy by increasing the number of independent signal samples. Analytical expressions for estimation and limiting errors, which take into account the spectrum width and directional pattern parameters, are obtained.Conclusions. This paper presents the latest theoretical foundations for the synthesis of radio direction finders of arbitrary configuration, which take into account the variety of radiation pattern shapes, spatial location and orientation of direction finders. The developed models of signals and noise using the maximum likelihood function criterion for the first time allow solving optimisation problems of synthesis with consideration the physical content consideration of correlation matrices. The obtained results are confirmed by solving the problem of measuring the radiation source angular position, which proves the proposed approaches effectiveness.Актуальність. Актуальність теми полягає у необхідності вдосконалення радіопеленгаторів для підвищення точності,стійкості до перешкод та адаптації до змінних умов експлуатації. Сучасні наукові досягнення вимагають розробки методівстатистичного синтезу та аналізу обробки стохастичних сигналів у багатоантенних системах, що дозволить врахувати невизначеність реальних умов. Важливим є розширення можливостей таких систем для застосування в радіолокації, радіонавігації, зв’язку та інших галузях. Це сприятиме створенню нових підходів для пеленгування джерел невідомих сигналів у складних сценаріях експлуатації.Мета. Дослідження спрямоване на підвищенні точності вимірювань кутового положення джерел радіовипромінюваннястохастичних сигналів.Метод. Ґрунтується на статистичній теорії оптимізації радіотехнічних систем дистанційного зондування та радіолокації.Для джерел стохастичних сигналів побудовано моделі сигналів і шумів, сформульовано функціонал правдоподібності успектральній області, враховуючи структуру обернених кореляційних матриць. Для визначення граничних похибок оцінювання кутового положення джерела радіовипромінювання використано нерівність Крамера-Рао.Результати. Вперше теоретично обґрунтовано підхід до статистичної оптимізації структури багатоантенних радіосистемпеленгації джерел стохастичного випромінювання, що дозволяє урахувати просторову орієнтацію, геометрію антенної решітки та діаграми спрямованості. Побудовано оптимальний метод обробки рівнянь спостереження для оцінювання кутового положення джерел стохастичних сигналів. Запропоновано узагальнену структуру одноантенного пеленгатора, що містить узгоджений фільтр, декорелюючий фільтр та цифровий обчислювач. Доведено, що використання декореляційної обробки дозволяє підвищити точність оцінювання за рахунок збільшення кількості незалежних відліків сигналу. Одержано аналітичні вирази для оцінювання та граничних похибок, які враховують ширину спектру та параметри діаграми спрямованості.Висновки. У роботі представлено новітні теоретичні основи синтезу радіопеленгаторів довільної конфігурації, які враховують різноманітність форм діаграм спрямованості, просторове розташування та орієнтацію пеленгаторів. Розроблені моделі сигналів і шумів із застосуванням критерію максимуму функціоналу правдоподібності вперше дозволяють вирішувати оптимізаційні задачі синтезу з урахуванням фізичного змісту кореляційних матриць. Отримані результати підтверджено вирішенням задачі вимірювання кутового положення джерела випромінювання, що доводить ефективність запропонованих підходів.Актуальність. Актуальність теми полягає у необхідності вдосконалення радіопеленгаторів для підвищення точності,стійкості до перешкод та адаптації до змінних умов експлуатації. Сучасні наукові досягнення вимагають розробки методівстатистичного синтезу та аналізу обробки стохастичних сигналів у багатоантенних системах, що дозволить врахувати невизначеність реальних умов. Важливим є розширення можливостей таких систем для застосування в радіолокації, радіонавігації, зв’язку та інших галузях. Це сприятиме створенню нових підходів для пеленгування джерел невідомих сигналів у складних сценаріях експлуатації.Мета. Дослідження спрямоване на підвищенні точності вимірювань кутового положення джерел радіовипромінюваннястохастичних сигналів.Метод. Ґрунтується на статистичній теорії оптимізації радіотехнічних систем дистанційного зондування та радіолокації.Для джерел стохастичних сигналів побудовано моделі сигналів і шумів, сформульовано функціонал правдоподібності успектральній області, враховуючи структуру обернених кореляційних матриць. Для визначення граничних похибок оцінювання кутового положення джерела радіовипромінювання використано нерівність Крамера-Рао.Результати. Вперше теоретично обґрунтовано підхід до статистичної оптимізації структури багатоантенних радіосистемпеленгації джерел стохастичного випромінювання, що дозволяє урахувати просторову орієнтацію, геометрію антенної решітки та діаграми спрямованості. Побудовано оптимальний метод обробки рівнянь спостереження для оцінювання кутового положення джерел стохастичних сигналів. Запропоновано узагальнену структуру одноантенного пеленгатора, що містить узгоджений фільтр, декорелюючий фільтр та цифровий обчислювач. Доведено, що використання декореляційної обробки дозволяє підвищити точність оцінювання за рахунок збільшення кількості незалежних відліків сигналу. Одержано аналітичні вирази для оцінювання та граничних похибок, які враховують ширину спектру та параметри діаграми спрямованості.Висновки. У роботі представлено новітні теоретичні основи синтезу радіопеленгаторів довільної конфігурації, які враховують різноманітність форм діаграм спрямованості, просторове розташування та орієнтацію пеленгаторів. Розроблені моделі сигналів і шумів із застосуванням критерію максимуму функціоналу правдоподібності вперше дозволяють вирішувати оптимізаційні задачі синтезу з урахуванням фізичного змісту кореляційних матриць. Отримані результати підтверджено вирішенням задачі вимірювання кутового положення джерела випромінювання, що доводить ефективність запропонованих підходів
ДОСЛІДЖЕННЯ ГІБРИДНОЇ МОДЕЛІ LSTM-CNN-ATTENTION ДЛЯ КЛАСИФІКАЦІЇ ВЕБ-КОНТЕНТУ НА ОСНОВІ ТЕКСТУ
No full textContext. Text-based web content classification plays a pivotal role in various natural language processing (NLP) tasks, including fake news detection, spam filtering, content categorization, and automated moderation. As the scale and complexity of textual data on the web continue to grow, traditional classification approaches – especially those relying on manual feature engineering or shallow learning techniques – struggle to capture the nuanced semantic relationships and structural variability of modern web content. These limitations result in reduced adaptability and poor generalization performance on real-world data. Therefore, there is a clear need for advanced models that can simultaneously learn local linguistic patterns and understand the broader contextual meaning of web text.Method. This study presents a hybrid deep learning architecture that integrates Long Short-Term Memory (LSTM) networks, Convolutional Neural Networks (CNN), and an Attention mechanism to enhance the classification of web content based on text. Pretrained GloVe embeddings are used to represent words as dense vectors that preserve semantic similarity. The CNN layer extracts local n-gram patterns and lexical features, while the LSTM layer models long-range dependencies and sequential structure. The integrated Attention mechanism enables the model to focus selectively on the most informative parts of the input sequence. The model was evaluated using the dataset, which consists of over 10,000 HTML-based web pages annotated as legitimate or fake. A 5-fold cross-validation setup was used to assess the robustness and generalizability of the proposed solution.Results. Experimental results show that the hybrid LSTM-CNN-Attention model achieved outstanding performance, with an accuracy of 0.98, precision of 0.94, recall of 0.92, and F1-score of 0.93. These results surpass the performance of baseline models based solely on CNNs, LSTMs, or transformer-based classifiers such as BERT. The combination of neural network components enabled the model to effectively capture both fine-grained text structures and broader semantic context. Furthermore, the use of GloVe embeddings provided an efficient and effective representation of textual data, making the model suitable for integration into systems with real-time or near-real-time requirements.Conclusions. The proposed hybrid architecture demonstrates high effectiveness in text-based web content classification, particularly in tasks requiring both syntactic feature extraction and semantic interpretation. By combining convolutional, recurrent, and attention-based mechanisms, the model addresses the limitations of individual architectures and achieves improved generalization. These findings support the broader use of hybrid deep learning approaches in NLP applications, especially where complex, unstructured textual data must be processed and classified with high reliability.Актуальність. Класифікація веб-контенту на основі тексту відіграє ключову роль у різних завданнях обробки природної мови (NLP), включаючи виявлення фейкових новин, фільтрацію спаму, категоризацію контенту та автоматизовану модерацію. Оскільки обсяг і складність текстових даних в Інтернеті продовжують зростати, традиційні підходи до класифікації – особливо ті, що спираються на ручне створення ознак або поверхневі методи навчання – мають труднощі в уловлюванні тонких семантичних зв’язків і структурної мінливості сучасного веб-контенту. Ці обмеження призводять до зниження адаптивності та поганої здатності до узагальнення на реальних даних. Тому існує чітка потреба в удосконалених моделях, які можуть одночасно навчатися локальним мовним патернам і розуміти ширший контекстуальний зміст веб-тексту.Мета роботи – підвищення точності та узагальнювальних властивостей моделей класифікації веб-контенту на основі тексту шляхом використання передових технік глибинного навчання. Завданням є покращення витягування локальних та глобальних ознак тексту та навчання послідовностей, що дозволить створити більш ефективну та точну модель для класифікації веб-сторінок з урахуванням їх змісту та контексту.Метод. Це дослідження представляє гібридну архітектуру глибокого навчання, яка інтегрує мережі Long Short-Term Memory (LSTM), згорткові нейронні мережі (CNN) та механізм уваги для покращення класифікації веб-контенту на основі тексту. Для подання слів використовуються попередньо навчений вектор GloVe, який зберігає семантичну подібність. Згорткова мережа (CNN) видобуває локальні патерни n-грам і лексичні ознаки, в той час як LSTM моделює довготривалі залежності та послідовну структуру. Інтегрований механізм уваги дозволяє моделі вибірково фокусуватися на найважливіших частинах вхідної послідовності. Модель була оцінена за допомогою датасету, що складається з понад 10 000 веб-сторінок на основі HTML, позначених як легітимні або фейкові. Для оцінки стійкості та узагальненості запропонованого рішення використовувалася 5-кратна крос-валідація.Результати. Експериментальні результати показують, що гібридна модель LSTM-CNN-Attention досягла відмінних результатів, з точністю 0,98, точністю (precision) 0,94, відзивом (recall) 0,92 і F1-мірою 0,93. Ці результати перевершують ефективність базових моделей, що спираються лише на CNN, LSTM або трансформерні класифікатори, такі як BERT. Поєднання компонентів нейронних мереж дозволило моделі ефективно захоплювати як дрібні текстові структури, так і ширший семантичний контекст. Крім того, використання векторів GloVe надало ефективне та дієве подання текстових даних, роблячи модель придатною для інтеграції в системи з вимогами до реального часу або майже реального часу.Висновки. Запропонована гібридна архітектура демонструє високу ефективність у класифікації веб-контенту на основі тексту, особливо в завданнях, що вимагають одночасного видобутку синтаксичних ознак та семантичної інтерпретації. Поєднуючи згорткові, рекурентні та засновані на увазі механізми, модель долає обмеження окремих архітектур і досягає покращеного узагальнення. Ці висновки підтримують більш широке використання гібридних підходів глибокого навчання в додатках NLP, особливо там, де потрібно обробляти та класифікувати складні, неструктуровані текстові дані з високою надійністю.Актуальність. Класифікація веб-контенту на основі тексту відіграє ключову роль у різних завданнях обробки природної мови (NLP), включаючи виявлення фейкових новин, фільтрацію спаму, категоризацію контенту та автоматизовану модерацію. Оскільки обсяг і складність текстових даних в Інтернеті продовжують зростати, традиційні підходи до класифікації – особливо ті, що спираються на ручне створення ознак або поверхневі методи навчання – мають труднощі в уловлюванні тонких семантичних зв’язків і структурної мінливості сучасного веб-контенту. Ці обмеження призводять до зниження адаптивності та поганої здатності до узагальнення на реальних даних. Тому існує чітка потреба в удосконалених моделях, які можуть одночасно навчатися локальним мовним патернам і розуміти ширший контекстуальний зміст веб-тексту.Мета роботи – підвищення точності та узагальнювальних властивостей моделей класифікації веб-контенту на основі тексту шляхом використання передових технік глибинного навчання. Завданням є покращення витягування локальних та глобальних ознак тексту та навчання послідовностей, що дозволить створити більш ефективну та точну модель для класифікації веб-сторінок з урахуванням їх змісту та контексту.Метод. Це дослідження представляє гібридну архітектуру глибокого навчання, яка інтегрує мережі Long Short-Term Memory (LSTM), згорткові нейронні мережі (CNN) та механізм уваги для покращення класифікації веб-контенту на основі тексту. Для подання слів використовуються попередньо навчений вектор GloVe, який зберігає семантичну подібність. Згорткова мережа (CNN) видобуває локальні патерни n-грам і лексичні ознаки, в той час як LSTM моделює довготривалі залежності та послідовну структуру. Інтегрований механізм уваги дозволяє моделі вибірково фокусуватися на найважливіших частинах вхідної послідовності. Модель була оцінена за допомогою датасету, що складається з понад 10 000 веб-сторінок на основі HTML, позначених як легітимні або фейкові. Для оцінки стійкості та узагальненості запропонованого рішення використовувалася 5-кратна крос-валідація.Результати. Експериментальні результати показують, що гібридна модель LSTM-CNN-Attention досягла відмінних результатів, з точністю 0,98, точністю (precision) 0,94, відзивом (recall) 0,92 і F1-мірою 0,93. Ці результати перевершують ефективність базових моделей, що спираються лише на CNN, LSTM або трансформерні класифікатори, такі як BERT. Поєднання компонентів нейронних мереж дозволило моделі ефективно захоплювати як дрібні текстові структури, так і ширший семантичний контекст. Крім того, використання векторів GloVe надало ефективне та дієве подання текстових даних, роблячи модель придатною для інтеграції в системи з вимогами до реального часу або майже реального часу.Висновки. Запропонована гібридна архітектура демонструє високу ефективність у класифікації веб-контенту на основі тексту, особливо в завданнях, що вимагають одночасного видобутку синтаксичних ознак та семантичної інтерпретації. Поєднуючи згорткові, рекурентні та засновані на увазі механізми, модель долає обмеження окремих архітектур і досягає покращеного узагальнення. Ці висновки підтримують більш широке використання гібридних підходів глибокого навчання в додатках NLP, особливо там, де потрібно обробляти та класифікувати складні, неструктуровані текстові дані з високою надійністю
ВИКОРИСТАННЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ В АДАПТИВНИХ КОМПІЛЯТОРАХ ДЛЯ КРОСПЛАТФОРМЕНОЇ ОПТИМІЗАЦІЇ
No full textContext. Modern software is developed under conditions of continuously increasing complexity of computing systems. Today, developers must consider a vast diversity of platforms, ranging from resource-constrained mobile devices to servers with highperformance processors and specialized architectures such as GPUs, FPGAs and even quantum computers. This heterogeneity requires software to operate efficiently across various hardware platforms. However, portability remains one of the most challenging tasks, especially when high performance is required. One of the promising directions to address this problem is the use of adaptive compilers that can automatically optimize code for different architectures. This approach allows developers to focus on the functional part of the software, minimizing the effort spent on optimization and configuration. Genetic algorithms (GAs) play a special role among the methods used to create adaptive compilers. These are powerful evolutionary techniques that allow finding optimal solutions in complex and multidimensional parameter spaces.Objective. The objective of this research is to apply genetic algorithms in the process of adaptive compilation to enable automatic optimization of software across different hardware platforms.Method. The approach is based on genetic algorithms to automate the compilation process. The key stages include: population initialization – creation of an initial set of compilation parameters; fitness function evaluation – assessment of the efficiency of each parameter combination; evolutionary operations – applying crossover, mutation and selection to generate the next generation of parameters; termination criteria – stopping the iterative process upon reaching an optimal result or stabilization of metrics.Results. The developed algorithm was implemented in Python using the numpy, multiprocessing and subprocess libraries.Performance evaluation of the algorithm was carried out using execution time, energy consumption and memory usage metrics.Conclusions. The scientific novelty of the study lies in the development of: an innovative approach to automatic compilation parameter optimization based on genetic algorithms; a method for dynamic selection of optimization strategies based on performance metrics for different architectures; integration of GAs with modern compilers such as LLVM for automatic analysis of intermediate representation and code optimization; and methods for applying adaptive compilers to solve cross-platform optimization problems. The practical significance is determined by the use of genetic algorithms in adaptive compilers, which significantly improves the efficiency of the compilation process by automating the selection of optimal parameters for various architectures. The proposed approach can be successfully applied in the fields of mobile computing, cloud technologies and high-performance systems.Актуальність. Сучасне програмне забезпечення розробляється в умовах постійно зростаючої складності обчислювальних систем. Сьогодні розробникам доводиться враховувати величезну різноманітність платформ: від мобільних пристроїв із обмеженими ресурсами до серверів із високопродуктивними процесорами та спеціалізованих архітектур, таких як GPU, FPGA та навіть квантові комп’ютери. Ця гетерогенність вимагає від програмного забезпечення здатності ефективно працювати на різних апаратних платформах. Однак переносимість програм залишається однією з найскладніших задач, особливо коли йдеться про досягнення високої продуктивності.Одним із перспективних напрямів вирішення цієї проблеми є використання адаптивних компіляторів, які здатніавтоматично оптимізувати програмний код для різних архітектур. Такий підхід дозволяє розробникам зосередитися нафункціональній частині програм, мінімізуючи витрати на оптимізацію та налаштування. Особливе місце серед підходів достворення адаптивних компіляторів займають генетичні алгоритми (ГА). Це потужні еволюційні методи, які дозволяютьзнаходити оптимальні рішення у складних і багатовимірних параметрів.Мета роботи. Метою дослідження є застосування генетичних алгоритмів у процесі адаптивної компіляції длязабезпечення автоматичної оптимізації програмного забезпечення на різних апаратних платформах.Метод. Ґрунтується на генетичних алгоритмів для автоматизації процесу компіляції. Основніими етапами якого є:ініціалізація популяції – створення початкового набору параметрів компіляції; оцінка функції пристосованості – визначення ефективності кожної комбінації параметрів; еволюційні операції застосування схрещування, мутації та відбору для створення нового покоління параметрів; критерії зупинки – завершення ітераційного процесу при досягненні оптимального результату або стабілізації метрик.Результати. Розроблений алгоритм був реалізований на Python із використанням бібліотек numpy, multiprocessing іsubprocess. Для оцінки ефективності алгоритму використовувалися метрики часу виконання, споживання енергії та обсягу використаної пам’яті.Висновки. Наукова новизна дослідження полягає в розробки: інноваційного підхіда до автоматичної оптимізаціїпараметрів компіляції, заснованому на використанні генетичних алгоритмів; метода динамічного вибору стратегійоптимізації на основі метрик продуктивності для різних архітектур; інтеграції ГА із сучасними компіляторами, такими якLLVM, для автоматичного аналізу проміжного подання та оптимізації кодів; методів застосування адаптивних компіляторів для вирішення задач кросплатформної оптимізації. Практична значимість визначається у використання генетичних алгоритмів в адаптивних компіляторах, що дозволяє значно підвищити ефективність процесу компіляції, автоматизуючи вибір оптимальних параметрів для різних архітектур. Запропонований підхід може бути успішно застосований у галузях мобільних обчислень, хмарних технологій і високопродуктивних системАктуальність. Сучасне програмне забезпечення розробляється в умовах постійно зростаючої складності обчислювальних систем. Сьогодні розробникам доводиться враховувати величезну різноманітність платформ: від мобільних пристроїв із обмеженими ресурсами до серверів із високопродуктивними процесорами та спеціалізованих архітектур, таких як GPU, FPGA та навіть квантові комп’ютери. Ця гетерогенність вимагає від програмного забезпечення здатності ефективно працювати на різних апаратних платформах. Однак переносимість програм залишається однією з найскладніших задач, особливо коли йдеться про досягнення високої продуктивності.Одним із перспективних напрямів вирішення цієї проблеми є використання адаптивних компіляторів, які здатніавтоматично оптимізувати програмний код для різних архітектур. Такий підхід дозволяє розробникам зосередитися нафункціональній частині програм, мінімізуючи витрати на оптимізацію та налаштування. Особливе місце серед підходів до створення адаптивних компіляторів займають генетичні алгоритми (ГА). Це потужні еволюційні методи, які дозволяютьзнаходити оптимальні рішення у складних і багатовимірних параметрів.Мета роботи. Метою дослідження є застосування генетичних алгоритмів у процесі адаптивної компіляції длязабезпечення автоматичної оптимізації програмного забезпечення на різних апаратних платформах.Метод. Ґрунтується на генетичних алгоритмів для автоматизації процесу компіляції. Основніими етапами якого є: ініціалізація популяції – створення початкового набору параметрів компіляції; оцінка функції пристосованості – визначення ефективності кожної комбінації параметрів; еволюційні операції застосування схрещування, мутації та відбору для створення нового покоління параметрів; критерії зупинки – завершення ітераційного процесу при досягненні оптимального результату або стабілізації метрик.Результати. Розроблений алгоритм був реалізований на Python із використанням бібліотек numpy, multiprocessing і subprocess. Для оцінки ефективності алгоритму використовувалися метрики часу виконання, споживання енергії та обсягу використаної пам’яті.Висновки. Наукова новизна дослідження полягає в розробки: інноваційного підхіда до автоматичної оптимізаціїпараметрів компіляції, заснованому на використанні генетичних алгоритмів; метода динамічного вибору стратегій оптимізації на основі метрик продуктивності для різних архітектур; інтеграції ГА із сучасними компіляторами, такими якLLVM, для автоматичного аналізу проміжного подання та оптимізації кодів; методів застосування адаптивних компіляторів для вирішення задач кросплатформної оптимізації. Практична значимість визначається у використання генетичних алгоритмів в адаптивних компіляторах, що дозволяє значно підвищити ефективність процесу компіляції, автоматизуючи вибір оптимальних параметрів для різних архітектур. Запропонований підхід може бути успішно застосований у галузях мобільних обчислень, хмарних технологій і високопродуктивних систе
МОДИФІКАЦІЯ ШЕЙДЕРІВ І РЕНДЕР-ТЕКСТУР НА КРИВОЛІНІЙНИХ ПОВЕРХНЯХ
No full textContext. The display of curvilinear surfaces on flat screens is a complex task. The development of an interface for such surfaces is a relevant task that requires the solution of numerous issues. This paper presents an approach to UI development for curvilinear surfaces and shader modifications for the creation of realistic landscape elements. The object of the research is the development of an interface system based on a custom raycaster to ensure interactivity and create an immersive effect within the game environment.Objective. The purpose of the paper. The primary objective of this research is to create, optimise and adapt shaders on curved surfaces to achieve more efficient rendering with high-quality visualisation.Method. The development of user interfaces (UI) for curvilinear surfaces requires consideration of geometric parameters. To resolve this issue, a custom component based on BaseRaycaster was developed, enabling the computation of the intersection between the camera ray and the physical surface. To provide correct and efficient interaction with the canvas a custom component based on BaseRaycaster was created. The developed component solves the problem by identifying the ray intersection point from the camera with the canvas surface. The implementation of this component involves an algorithm for detecting the camera’s ray intersections with colliders, using a mathematical model to process the detected elements, according for their depth to ensure proper interaction.Results.This approach facilitates the creation of interfaces on arbitrary static curved surfaces that are applicable in various gaming and interactive scenarios.Conclusions. The use of splines and modified shaders ensures the placement of text on curvilinear surfaces and the natural arrangement of roads and other landscape elements according to the terrain contours. This approach is important for developing openworld games or games with complex geometry, where the UI on curvilinear surfaces appears natural and integrated into the environment.Актуальність. Криволінійні поверхні є складними для відображення на плоскому екрані. Розробка інтерфейсу для таких поверхонь є актуальною задачею, яка потребує вирішення багатьох проблем. У даній роботі представлено підхід до розробки UI для криволінійних поверхонь, а також модифікація шейдерів для створення реалістичних елементів ландшафту. Об’єктом дослідження є розробка інтерфейсної системи на основі кастомного рейкаста для забезпечення інтерактивності та занурення у ігровий світ.Мета роботи. Основна мета даної роботи полягає у створенні, вдосконаленні та адаптації шейдерів на криволінійних поверхнях для досягнення більш ефективного рендерингу, зберігаючи при цьому високу якість візуалізації.Метод. Розробка UI для криволінійних поверхонь потребує врахування особливостей геометрії. Для вирішення цієї проблеми було розроблено кастомний компонент на базі BaseRaycaster, який дозволяє визначати перетин променя від камери з фізичною поверхнею. З метою забезпечення коректної та ефективної взаємодії з полотном, розроблено кастомний компонент на основі BaseRaycaster. Запропонований компонент вирішує проблему шляхом визначення точки перетину променя, що виходить з камери, з фізичною поверхнею полотна. Реалізація включає в себе алгоритм пошуку перетинів променя з колайдерами за допомогою математичної формули та подальшу обробку знайдених елементів з урахуванням їх глибини для забезпечення коректної взаємодії. Завдяки цьому підходу, з’являється можливість створювати інтерфейс на довільній кривій статичній поверхні, що відкриває широкі можливості для використання в різноманітних ігрових та інтерактивних сценаріях.Результати. Представлений підхід до розробки UI для криволінійних поверхонь та використання модифікованих шейдерів дозволяє створювати більш інтерактивні та реалістичні інтерфейси та ігрові світи.Висновки. Використання сплайнів та модифікованих шейдерів забезпечує розташування тексту на криволінійних поверхнях та органічне розташування доріг та інших елементів ландшафту відповідно до контурів місцевості. Цей підхід є важливим для створення ігор з відкритим світом або складною геометрією, де UI на криволінійній поверхні виглядає природно та інтегровано в середовище
МЕТОД ПОПЕРЕДЖЕННЯ АВАРІЙНИХ СТАНІВ ОБЕРТОВИХ МАШИН ЗА АНАЛІЗОМ ВІБРАЦІЙ ЗАСОБАМИ МАШИННОГО НАВЧАННЯ
No full textContext. The problem of determining transitional conditions that precede the shift from an operating state to a non-operating state based on data obtained from the sensors of rotating machine elements is being solved. The object of the study is the process of detecting faults and states that indicate an approach to breakdown in rotating machine elements based on data obtained from sensors.The subject of the study is the application of k-means and the elbow method algorithms for clustering and convolutional neural networks for classifying sensor data and detecting near-failure states of machine elements.Objective. The purpose of the work is to create a method for processing sensor data from rotating machines using convolutional neural networks to accurately detect conditions close to failure in rotating machine elements, which will increase the efficiency of maintenance and prevent equipment failures.Method. The proposed method of preventing failures of rotating machines by vibration analysis using machine learning techniques using a combination of clustering and deep learning methods. At the first stage, the sensor data undergoes preprocessing, including normalization, dimensionality reduction, and noise removal, after which the K-means algorithm is applied. To determine theoptimal number of clusters, the Elbow method is used, which provides an effective grouping of the states of rotating machine elements,identifying states close to the transition to fault. A CNN model has also been developed that classifies clusters, allowing for the accurate separation of nominal, fault, and transitional conditions. The combination of clustering methods with the CNN model improves the accuracy of detecting potential faults and enables timely response, which is critical for preventing accidents and ensuringthe stability of equipment operation.Results. A method of preventing failures of rotating machines by vibration analysis using machine learning techniques and a relevant software package have been developed. The implemented method allows us to identify not only normal and emergencystates but also to distinguish a third class – transitional, close to breakdown. The quality of clustering for the three classes is confirmedby the value of the silhouette coefficient of 0.506, which indicates the proper separation of the clusters, and the Davis-Boldin index of 0.796, which demonstrates a high level of internal cluster coherence. Additionally, CNN was trained to achieve 99% accuracy for classifying this class, which makes the method highly efficient and distinguishes it from existing solutions.Conclusions. A method of preventing failures of rotating machines by vibration analysis using machine learning techniques wasdeveloped, the allocation of the third class – transitional, indicating a state close to breakdown – was proposed, and its effectivenesswas confirmed. The practical significance of the results lies in the creation of a neural network model for classifying the state of rotating elements and the development of a web application for interacting with these models.Актуальність. Вирішується проблема визначення перехідних станів, що передують переходу з робочого стану у неро-бочий за отриманими даними з датчиків обертових елементів машин. Об’єктом дослідження є процес виявлення несправно-стей та станів, що свідчать про наближення до поломки у елементах обертових машин на основі даних, отриманих з сенсо-рів. Предметом дослідження є застосування алгоритмів k-means та методу Elbow для кластеризації та згорткових нейроннихмереж для класифікації даних з сенсорів та виявлення близьких до поломки станів елементів машини.Мета роботи. Метою роботи є створення методу обробки сенсорних даних обертових машин з використанням згортко-вих нейронних мереж для точного виявлення станів, близьких до відмови, в елементах обертових машин, що дозволить під-вищити ефективність технічного обслуговування та запобігти відмовам обладнання.Метод. Запропонований метод запобігання відмовам обертових машин базується на аналізі сигналів вібрації з викорис-танням комбінації методів кластеризації та глибокого навчання. На першому етапі дані з датчиків проходять попереднюобробку, що включає нормалізацію, зменшення розмірності та видалення шумів, після чого застосовується алгоритм k-середніх. Для визначення оптимальної кількості кластерів використовується метод Elbow, який забезпечує ефективне гру-пування станів обертових елементів машини, виявляючи стани, близькі до переходу в несправність. Також була розробленамодель CNN, яка класифікує кластери, дозволяючи точно розділити номінальні, несправні та перехідні стани. Поєднанняметодів кластеризації з CNN-моделлю підвищує точність виявлення потенційних несправностей і дозволяє своєчасно реагу-вати на них, що є критично важливим для запобігання аваріям і забезпечення стабільності роботи обладнання.Результати. Створено метод попередження аварійних станів обертових машин за аналізом вібрацій засобами машинно-го навчання та відповідний комплекс програмного забезпечення. Реалізований метод дозволяє ідентифікувати не лише нор-мальні й аварійні стани, але й виділяти третій клас – близький до поломки. Якість кластеризації для трьох класів підтвер-джується значенням коефіцієнта силуету 0,506, що свідчить про належну відокремленість кластерів, та індексом Девіса-Болдіна 0,796, що демонструє високий рівень внутрішньої когерентності кластерів. Додатково було натреновано CNN, якадосягає 99% точності для класифікації цього класу, що робить метод високоефективним і вирізняє його серед існуючих рі-шень.Висновки. Було розроблено метод попередження аварійних станів обертових машин за аналізом вібрацій засобами ма-шинного навчання, запропоновано виокремлення третього класу – перехідного, що вказує на стан, близький до поломки, іпідтверджено його ефективність. Практичне значення результатів полягає у створенні нейромережевих моделей для класи-фікації стану обертових елементів та розробці вебзастосунку для взаємодії з цими моделями.Актуальність. Вирішується проблема визначення перехідних станів, що передують переходу з робочого стану у неробочий за отриманими даними з датчиків обертових елементів машин. Об’єктом дослідження є процес виявлення несправностей та станів, що свідчать про наближення до поломки у елементах обертових машин на основі даних, отриманих з сенсорів. Предметом дослідження є застосування алгоритмів k-means та методу Elbow для кластеризації та згорткових нейроннихмереж для класифікації даних з сенсорів та виявлення близьких до поломки станів елементів машини.Мета роботи. Метою роботи є створення методу обробки сенсорних даних обертових машин з використанням згорткових нейронних мереж для точного виявлення станів, близьких до відмови, в елементах обертових машин, що дозволить під-вищити ефективність технічного обслуговування та запобігти відмовам обладнання.Метод. Запропонований метод запобігання відмовам обертових машин базується на аналізі сигналів вібрації з використанням комбінації методів кластеризації та глибокого навчання. На першому етапі дані з датчиків проходять попередню обробку, що включає нормалізацію, зменшення розмірності та видалення шумів, після чого застосовується алгоритм k-середніх. Для визначення оптимальної кількості кластерів використовується метод Elbow, який забезпечує ефективне групування станів обертових елементів машини, виявляючи стани, близькі до переходу в несправність. Також була розроблена модель CNN, яка класифікує кластери, дозволяючи точно розділити номінальні, несправні та перехідні стани. Поєднання методів кластеризації з CNN-моделлю підвищує точність виявлення потенційних несправностей і дозволяє своєчасно реагувати на них, що є критично важливим для запобігання аваріям і забезпечення стабільності роботи обладнання.Результати. Створено метод попередження аварійних станів обертових машин за аналізом вібрацій засобами машинного навчання та відповідний комплекс програмного забезпечення. Реалізований метод дозволяє ідентифікувати не лише нормальні й аварійні стани, але й виділяти третій клас – близький до поломки. Якість кластеризації для трьох класів підтверджується значенням коефіцієнта силуету 0,506, що свідчить про належну відокремленість кластерів, та індексом Девіса-Болдіна 0,796, що демонструє високий рівень внутрішньої когерентності кластерів. Додатково було натреновано CNN, якадосягає 99% точності для класифікації цього класу, що робить метод високоефективним і вирізняє його серед існуючих рішень.Висновки. Було розроблено метод попередження аварійних станів обертових машин за аналізом вібрацій засобами машинного навчання, запропоновано виокремлення третього класу – перехідного, що вказує на стан, близький до поломки, і підтверджено його ефективність. Практичне значення результатів полягає у створенні нейромережевих моделей для класи-фікації стану обертових елементів та розробці вебзастосунку для взаємодії з цими моделями
БАГАТОМАСШТАБНИЙ МЕТОД НА ОСНОВІ ЧАСОВОЇ ГЕНЕРАТИВНОЇ МЕРЕЖІ ДЛЯ ВИСОКОЇ РОЗДІЛЬНОСТІ ТА СТАБІЛЬНОГО РУХУ ВІДЕО
No full textContext. The problem of improving the quality of video images is relevant in many areas, including video analytics, film production, telemedicine and surveillance systems. Traditional video processing methods often lead to loss of details, blurring and artifacts, especially when working with fast movements. The use of generative neural networks allows you to preserve textural features and improve the consistency between frames, however, existing methods have shortcomings in maintaining temporal stability and the quality of detail restoration.Objective. The goal of the study is the process of generating and improving video images using deep generative neural networks. The purpose of the work is to develop and study MST-GAN (Multi-Scale Temporal GAN), which allows you to preserve both spatial and temporal consistency of the video, using multi-scale feature alignment, optical flow regularization and a temporal discriminator.Method. A new method based on the GAN architecture is proposed, which includes: multi-scale feature alignment (MSFA), which corrects shifts between neighboring frames at different levels of detail; a residual feature boosting module to restore lost details after alignment; optical flow regularization, which minimizes sudden changes in motion and prevents artifacts; a temporal discriminator that learns to evaluate the sequence of frames, providing a consistent video without flickering and distortion.Results. An experimental study of the proposed method was conducted on a set of different data and compared with other modern analogues by the metrics SSIM, PSNR and LPIPS. As a result, values were obtained that show that the proposed method outperforms existing methods, providing better frame detail and more stable transitions between them.Conclusions. The proposed method provides improved video quality by combining detail recovery accuracy and temporal frame consistencyАктуальність. Проблема покращення якості відеозображень є актуальною у багатьох сферах, включаючивідеоаналітику, кіновиробництво, телемедицину та системи спостереження. Традиційні методи відеообробки частопризводять до втрати деталей, розмиття та артефактів, особливо при роботі зі швидкими рухами. Використаннягенеративних нейромереж дозволяє зберігати текстурні особливості та покращувати узгодженість між кадрами, протеіснуючі методи, такі як EDVR, RBPN та TecoGAN, мають недоліки у збереженні часової стабільності та якості відновленнядеталей.Об’єкт дослідження є процес генерації та покращення відеозображень за допомогою глибоких генеративнихнейромереж.Мета роботи – розробка та дослідження MST-GAN (Multi-Scale Temporal GAN), що дозволяє зберігати як просторову, так і часову узгодженість відео, використовуючи багатомасштабне вирівнювання ознак, регуляризацію оптичного потоку та часовий дискримінатор.Метод. Запропоновано новий метод на основі архітектури GAN, який включає: багатомасштабне вирівнювання ознак(MSFA), що коригує зсуви між сусідніми кадрами на різних рівнях деталізації; модуль резидуального підсилення (ResidualFeature Boosting) для відновлення втрачених деталей після вирівнювання; регуляризацію оптичного потоку (Optical FlowRegularization), що мінімізує різкі зміни руху та запобігає артефактам; часовий дискримінатор (Temporal Discriminator), який навчається оцінювати послідовність кадрів, забезпечуючи узгоджене відео без миготінь і спотворень.Результати. Проведено експериментальне дослідження запропонованого методу на наборі різних даних та порівняно з іншими сучасними аналогами за метриками SSIM, PSNR та LPIPS . В результаті отримали значення, що показують, що запропонований метод перевершує існуючі методи, забезпечуючи кращу деталізацію кадрів та стабільніші переходи між ними.Висновки. Запропонований метод забезпечує покращену якість відео, поєднуючи точність відновлення деталей тачасову узгодженість кадрівАктуальність. Проблема покращення якості відеозображень є актуальною у багатьох сферах, включаючи відеоаналітику, кіновиробництво, телемедицину та системи спостереження. Традиційні методи відеообробки часто призводять до втрати деталей, розмиття та артефактів, особливо при роботі зі швидкими рухами. Використання генеративних нейромереж дозволяє зберігати текстурні особливості та покращувати узгодженість між кадрами, протеіснуючі методи, такі як EDVR, RBPN та TecoGAN, мають недоліки у збереженні часової стабільності та якості відновлення деталей.Об’єкт дослідження є процес генерації та покращення відеозображень за допомогою глибоких генеративних нейромереж.Мета роботи – розробка та дослідження MST-GAN (Multi-Scale Temporal GAN), що дозволяє зберігати як просторову,так і часову узгодженість відео, використовуючи багатомасштабне вирівнювання ознак, регуляризацію оптичного потоку та часовий дискримінатор.Метод. Запропоновано новий метод на основі архітектури GAN, який включає: багатомасштабне вирівнювання ознак (MSFA), що коригує зсуви між сусідніми кадрами на різних рівнях деталізації; модуль резидуального підсилення (ResidualFeature Boosting) для відновлення втрачених деталей після вирівнювання; регуляризацію оптичного потоку (Optical FlowRegularization), що мінімізує різкі зміни руху та запобігає артефактам; часовий дискримінатор (Temporal Discriminator), який навчається оцінювати послідовність кадрів, забезпечуючи узгоджене відео без миготінь і спотворень.Результати. Проведено експериментальне дослідження запропонованого методу на наборі різних даних та порівняно з іншими сучасними аналогами за метриками SSIM, PSNR та LPIPS . В результаті отримали значення, що показують, що запропонований метод перевершує існуючі методи, забезпечуючи кращу деталізацію кадрів та стабільніші переходи між ними.Висновки. Запропонований метод забезпечує покращену якість відео, поєднуючи точність відновлення деталей та часову узгодженість кадрі
АНСАМБЛЬ АДАПТИВНИХ ПРЕДИКТОРІВ ДЛЯ БАГАТОВИМІРНИХ НЕСТАЦІОНАРНИХ ПОСЛІДОВНОСТЕЙ ТА ЙОГО ОНЛАЙН-НАВЧАННЯ
No full textContext. In this research, we explore an ensemble of metamodels that utilizes multivariate signals to generate forecasts. The ensemble includes various traditional forecasting models such as multivariate regression, exponential smoothing, ARIMAX, as well as nonlinear structures based on artificial neural networks, ranging from simple feedforward networks to deep architectures like LSTM and transformers.
Objective. A goal of this research is to develop an effective method for combining forecasts from multiple models forming metamodels to create a unified forecast that surpasses the accuracy of individual models. We are aimed to investigate the effectiveness of the proposed ensemble in the context of forecasting tasks with nonstationary signals.
Method. The proposed ensemble of metamodels employs the method of Lagrange multipliers to estimate the parameters of the metamodel. The Kuhn-Tucker system of equations is solved to obtain unbiased estimates using the least squares method. Additionally, we introduce a recurrent form of the least squares algorithm for adaptive processing of nonstationary signals.
Results. The evaluation of the proposed ensemble method is conducted on a dataset of time series. Metamodels formed by combining various individual models demonstrate improved forecast accuracy compared to individual models. The approach shows effectiveness in capturing nonstationary patterns and enhancing overall forecasting accuracy.
Conclusions. The ensemble of metamodels, which utilizes multivariate signals for forecast generation, offers a promising approach to achieve better forecasting accuracy. By combining diverse models, the ensemble exhibits robustness to nonstationarity and improves the reliability of forecasts.Актуальність. У даному дослідженні ми розглядаємо ансамбль метамоделей, який використовує багатовимірні сигнали для генерації прогнозів. Ансамбль включає різні традиційні моделі прогнозування, такі як багатовимірна регресія, експоненційне згладжування, ARIMAX, а також нелінійні структури на основі штучних нейронних мереж, від простих поверхневих рекурентних мереж до глибоких архітектур, таких як LSTM і трансформери.
Мета роботи. Основною метою цього дослідження є розробка ефективного методу поєднання прогнозів декількох моделей, що утворюють метамоделі, для створення єдиного прогнозу, який перевищує точність окремих моделей. Ми прагнемо дослідити ефективність запропонованого ансамблю в контексті задач прогнозування з нестаціонарними сигналами.
Метод. Запропонований ансамбль метамоделей використовує метод множників Лагранжа для оцінки параметрів метамоделі. Система рівнянь Куна-Таккера розв’язується для отримання незміщених оцінок за допомогою методу найменших квадратів. Крім того, ми вводимо рекурентну форму алгоритму найменших квадратів для адаптивної обробки нестаціонарних сигналів.
Результати. Оцінка запропонованого ансамблю методу здійснюється на наборі даних часових рядів. Метамоделі, утворені шляхом поєднання різних окремих моделей, демонструють покращену точність прогнозу порівняно з індивідуальними моделями. Підхід проявляє ефективність в утриманні нестаціонарних шаблонів та покращенні загальної точності прогнозування.
Висновки. Ансамбль метамоделей, який використовує багатовимірні сигнали для формування прогнозів, пропонує перспективний підхід для досягнення кращої точності прогнозування. Шляхом поєднання різноманітних моделей, ансамбль проявляє стійкість до нестаціонарності та покращує надійність прогнозів.Актуальність. У даному дослідженні ми розглядаємо ансамбль метамоделей, який використовує багатовимірні сигнали для генерації прогнозів. Ансамбль включає різні традиційні моделі прогнозування, такі як багатовимірна регресія, експоненційне згладжування, ARIMAX, а також нелінійні структури на основі штучних нейронних мереж, від простих поверхневих рекурентних мереж до глибоких архітектур, таких як LSTM і трансформери.
Мета роботи. Основною метою цього дослідження є розробка ефективного методу поєднання прогнозів декількох моделей, що утворюють метамоделі, для створення єдиного прогнозу, який перевищує точність окремих моделей. Ми прагнемо дослідити ефективність запропонованого ансамблю в контексті задач прогнозування з нестаціонарними сигналами.
Метод. Запропонований ансамбль метамоделей використовує метод множників Лагранжа для оцінки параметрів метамоделі. Система рівнянь Куна-Таккера розв’язується для отримання незміщених оцінок за допомогою методу найменших квадратів. Крім того, ми вводимо рекурентну форму алгоритму найменших квадратів для адаптивної обробки нестаціонарних сигналів.
Результати. Оцінка запропонованого ансамблю методу здійснюється на наборі даних часових рядів. Метамоделі, утворені шляхом поєднання різних окремих моделей, демонструють покращену точність прогнозу порівняно з індивідуальними моделями. Підхід проявляє ефективність в утриманні нестаціонарних шаблонів та покращенні загальної точності прогнозування.
Висновки. Ансамбль метамоделей, який використовує багатовимірні сигнали для формування прогнозів, пропонує перспективний підхід для досягнення кращої точності прогнозування. Шляхом поєднання різноманітних моделей, ансамбль проявляє стійкість до нестаціонарності та покращує надійність прогнозів
МЕТОД АГЕНТНО-ОРІЄНТОВАНОГО ПРОГНОЗУВАННЯ АВТОМОБІЛЬНОГО ТРАФІКУ В УМОВАХ ОБМЕЖЕНОСТІ ДАНИХ ТА РЕСУРСІВ
No full textContext. Problem of traffic prediction in a city is closely connected to the tasks of transportations in a city as well as air pollution detection in a city. Modern prediction models have redundant complexity when used for separate stations, require large number of measuring stations, long measurement period when predictions are made hourly. Therefore, there is a lack of method to overcome these constraints. The object of the study is a city traffic.
Objective. The objective of the study is to develop a method for traffic prediction, providing models for traffic quantification at measuring stations in the future under data and resource constraints.
Method. The method for agent-oriented traffic prediction under data and resource constraints was proposed in the paper. This method uses biLSTM models with input features, including traffic data obtained from agent, representing target station, and other agents, representing informative city stations. These agents are selected by ensembles of decision trees using Random Forest method. Input time period length is proposed to set using autocorrelation data.
Results. Experimental investigation was conducted on traffic data taken in Madrid from 59 measuring stations. Models created by the proposed method had higher prediction accuracy with lower values of MSE, MAE, RMSE and higher informativeness compared to base LSTM models.
Conclusions. Obtained models as study results have optimal number of input features compared to the known models, do not require complete system of city stations for all roads. It enables to apply these models under city traffic data and resource constraints. The proposed solutions provide high informativeness of obtained models with practically applicable accuracy level.Актуальність. Проблема прогнозування автомобільного трафіку в місті пов’язана з розв’язанням одночасно і завдань переміщення в місті, і визначення забрудненості повітря в місті. Сучасні моделі прогнозування мають надмірну складність при використанні для окремих станцій, потребують великої кількості станцій спостереження, тривалого періоду спостереження зокрема у випадку погодинного прогнозування. Тому існує потреба в створенні відповідного метода, який дозволить подолати ці обмеження. Об’єктом роботи є автомобільний трафік у місті.
Мета роботи – розробити метод прогнозування автомобільного трафіку, який дозволить створити моделі для визначення трафіку за станціями у майбутньому в умовах обмеженості даних та ресурсів.
Метод. У статті запропоновано метод агентно-орієнтованого прогнозування автомобільного трафіку в умовах обмеженості наявних даних і обчислювальних ресурсів. Даний метод ґрунтується на використанні двонаправлених LSTM моделей з вхідними ознаками, якими є дані, отримані від агента, що відповідає станції прогнозування, та від агентів, що представляють інші інформативні станції у місті, які обираються на основі використання ансамблів дерев рішень за допомогою методу Random Forest. Довжина вхідного часового інтервалу в методі обирається на основі даних автокореляції.
Результати. Експериментальне дослідження проводилося на основі даних про трафік у місті Мадрид, використовуючи дані, зібрані за 59 станціями спостереження. У результаті застосування створених на основі запропонованого методу моделей було отримано підвищену точність прогнозування, яку було підтверджено зменшенням значень MSE, MAE, RMSE, та підвищену інформативність порівняно з базовими LSTM-моделями.
Висновки. Отримані в результаті проведеного дослідження моделі відрізняються оптимальною кількістю вхідних ознак порівняно з відомими, не потребують використання цілісної системи станцій у місті на всіх автомобільних дорогах. Це дозволяє використовувати дані моделі в умовах обмеження ресурсів та обмеженої доступності даних про трафік у місті. При цьому забезпечується достатньо висока інформативність створених моделей з придатним для застосування на практиці рівнем точності прогнозування. Актуальність. Проблема прогнозування автомобільного трафіку в місті пов’язана з розв’язанням одночасно і завдань переміщення в місті, і визначення забрудненості повітря в місті. Сучасні моделі прогнозування мають надмірну складність при використанні для окремих станцій, потребують великої кількості станцій спостереження, тривалого періоду спостереження зокрема у випадку погодинного прогнозування. Тому існує потреба в створенні відповідного метода, який дозволить подолати ці обмеження. Об’єктом роботи є автомобільний трафік у місті.
Мета роботи – розробити метод прогнозування автомобільного трафіку, який дозволить створити моделі для визначення трафіку за станціями у майбутньому в умовах обмеженості даних та ресурсів.
Метод. У статті запропоновано метод агентно-орієнтованого прогнозування автомобільного трафіку в умовах обмеженості наявних даних і обчислювальних ресурсів. Даний метод ґрунтується на використанні двонаправлених LSTM моделей з вхідними ознаками, якими є дані, отримані від агента, що відповідає станції прогнозування, та від агентів, що представляють інші інформативні станції у місті, які обираються на основі використання ансамблів дерев рішень за допомогою методу Random Forest. Довжина вхідного часового інтервалу в методі обирається на основі даних автокореляції.
Результати. Експериментальне дослідження проводилося на основі даних про трафік у місті Мадрид, використовуючи дані, зібрані за 59 станціями спостереження. У результаті застосування створених на основі запропонованого методу моделей було отримано підвищену точність прогнозування, яку було підтверджено зменшенням значень MSE, MAE, RMSE, та підвищену інформативність порівняно з базовими LSTM-моделями.
Висновки. Отримані в результаті проведеного дослідження моделі відрізняються оптимальною кількістю вхідних ознак порівняно з відомими, не потребують використання цілісної системи станцій у місті на всіх автомобільних дорогах. Це дозволяє використовувати дані моделі в умовах обмеження ресурсів та обмеженої доступності даних про трафік у місті. При цьому забезпечується достатньо висока інформативність створених моделей з придатним для застосування на практиці рівнем точності прогнозування. 
ПІДХІД ДО АВТОМАТИЧНОГО СТВОРЕННЯ АНОТОВАНОГО ДАТАСЕТУ ДЛЯ ВИЯВЛЕННЯ, ЛОКАЛІЗАЦІЇ ТА КЛАСИФІКАЦІЇ КЛІТИН КРОВІ НА ЗОБРАЖЕННІ
No full textContext. The paper considers the problem of automating the creation of an annotated dataset for further use in a system for detecting, localizing and classifying blood cells in an image using deep learning. The subject of the research is the processes of digital image processing for object detection and localization.
Objective. The aim of this study is to create a pipeline of digital image processing methods that can automatically generate an annotated set of blood smear images. This set will then be used to train and validate deep learning models, significantly reducing the time required by machine learning specialists.
Method. The proposed approach for object detection and localization is based on digital image processing methods such as filtering, thresholding, binarization, contour detection, and filling. The pipeline for detection and localization includes the following steps: The given fragment of text describes a process that involves noise reduction, conversion to the HSV color model, defining a mask for white blood cells and platelets, detecting the contours of white blood cells and platelets, determining the coordinates of the upper left and lower right corners of white blood cells and platelets, calculating the area of the region inside the bounding box, saving the obtained data, and determining the most common color in the image; filling the contours of leukocytes and platelets with said color; defining a mask for red blood cells; defining the contours of red blood cells; determining the coordinates of the upper left and lower right corners of red blood cells; calculating the area of the region within the bounding box; entering data about the found objects into the dataframe; saving to a .csv file for future use. With an unlabeled image dataset and a generated .csv file using image processing libraries, any researcher should be able to recreate a labeled dataset.
Results. The developed approach was implemented in software for creating an annotated dataset of blood smear images
Conclusions. The study proposes and justifies an approach to automatically create a set of annotated data. The pipeline is tested on a set of unlabelled data and a set of labelled data is obtained, consisting of cell images and a .csv file with the attributes “file name”, “type”, “xmin”, “ymin”, “xmax”, “ymax”, “area”, which are the coordinates of the bounding box for each object. The number of correctly, incorrectly, and unrecognised objects is calculated manually, and metrics are calculated to assess the accuracy and quality of object detection and localisation.Актуальність. Розглянуто проблему автоматизації створення анотованого набору даних для його подальшого використання в системі виявлення, локалізації та класифікації клітин крові на зображенні з використанням глибокого навчання. Об’єктом дослідження є процеси обробки цифрових зображень для виявлення та локалізації об’єктів.
Мета роботи – розробка пайплайну із послідовності методів обробки цифрових зображень для автоматичного створення анотованого набору зображень мазків крові з подальшим використанням для навчання та валідації моделей глибокого навчання, що має суттєво скоротити час спеціалістів з машинного навчання.
Метод. Запропонований підхід для виявлення та локалізації об’єктів базується на методах обробки цифрових зображень: методах фільтрації, порогової фільтрації, бінаризації, знаходження та заливки контурів тощо. Пайлайн по виявленню та локалізації складається з наступних кроків: приглушення шумів; перетворення в HVS кольорову модель; визначення маски для лейкоцитів та тромбоцитів; визначення контурів лейкоцитів та тромбоцитів; визначення координат верхнього лівого та правого нижнього кутів лейкоцитів та тромбоцитів; обчислення площі області всередині обмежувальної рамки; збереження отриманих даних; визначення найпоширенішого кольору на зображенні; заливка цим кольором контурів лейкоцитів та тромбоцитів; визначення маски для еритроцитів; визначення контурів еритроцитів; визначення координат верхнього лівого та правого нижнього кутів еритроцитів; обчислення площі області всередині обмежувальної рамки; занесення до датафрейму даних про знайдені об’єкти; збереження в файлі .csv для подальшого використання.
Результати. Розроблений підхід був впроваджений у програмне забезпечення для створення анотованого набору даних зображень мазків крові.
Висновки. В дослідженні запропоновано та обґрунтовано підхід для автоматичного створення набору анотованих даних. Пайплайн протестовано на наборі нерозмічених даних та отримано набір розмічених даних, що складається з зображень клітин та файлу в форматі .csv, що має ознаки «назва файлу», «тип клітини», «xmin», «ymin», «xmax», «ymax», що є координатами обмежувальної рамки для кожного об’єкту. Підраховано кількість правильно, неправильно та нерозпізнаних об’єктів та розраховано метрики для оцінки точності та якості виявлення та локалізації об’єктів. Актуальність. Розглянуто проблему автоматизації створення анотованого набору даних для його подальшого використання в системі виявлення, локалізації та класифікації клітин крові на зображенні з використанням глибокого навчання. Об’єктом дослідження є процеси обробки цифрових зображень для виявлення та локалізації об’єктів.
Мета роботи – розробка пайплайну із послідовності методів обробки цифрових зображень для автоматичного створення анотованого набору зображень мазків крові з подальшим використанням для навчання та валідації моделей глибокого навчання, що має суттєво скоротити час спеціалістів з машинного навчання.
Метод. Запропонований підхід для виявлення та локалізації об’єктів базується на методах обробки цифрових зображень: методах фільтрації, порогової фільтрації, бінаризації, знаходження та заливки контурів тощо. Пайлайн по виявленню та локалізації складається з наступних кроків: приглушення шумів; перетворення в HVS кольорову модель; визначення маски для лейкоцитів та тромбоцитів; визначення контурів лейкоцитів та тромбоцитів; визначення координат верхнього лівого та правого нижнього кутів лейкоцитів та тромбоцитів; обчислення площі області всередині обмежувальної рамки; збереження отриманих даних; визначення найпоширенішого кольору на зображенні; заливка цим кольором контурів лейкоцитів та тромбоцитів; визначення маски для еритроцитів; визначення контурів еритроцитів; визначення координат верхнього лівого та правого нижнього кутів еритроцитів; обчислення площі області всередині обмежувальної рамки; занесення до датафрейму даних про знайдені об’єкти; збереження в файлі .csv для подальшого використання.
Результати. Розроблений підхід був впроваджений у програмне забезпечення для створення анотованого набору даних зображень мазків крові.
Висновки. В дослідженні запропоновано та обґрунтовано підхід для автоматичного створення набору анотованих даних. Пайплайн протестовано на наборі нерозмічених даних та отримано набір розмічених даних, що складається з зображень клітин та файлу в форматі .csv, що має ознаки «назва файлу», «тип клітини», «xmin», «ymin», «xmax», «ymax», що є координатами обмежувальної рамки для кожного об’єкту. Підраховано кількість правильно, неправильно та нерозпізнаних об’єктів та розраховано метрики для оцінки точності та якості виявлення та локалізації об’єктів.