ISSN: 2310-8061
Репозиторій Харківського національного університету радіоелектроніки «ElAr КhNURE» є електронною платформою, що містить публікації наукових праць та досліджень науково-педагогічних працівників, інших співробітників, здобувачів вищої освіти ХНУРЕ. Серед них монографії, статті з наукових журналів та збірників, матеріали науково-практичних заходів, наукові публікації (розміщуються за умови наявності рецензії наукового керівника) та кваліфікаційні роботи здобувачів вищої освіти (розміщуються за дозволом автора КвР).
З усіх питань звертатися до адміністратора ElAr KhNURE за адресою: yuliia.derevianko@nure.ua
Фонди в ElAr
Виберіть фонд для перегляду його колекцій.
Останні подання
Тип документа:Публікація, Інформаційно-екстремальний алгоритм навчання керованого голосом маніпулятора(ХНУРЭ, 2015) Довбиш, А. С.; Берест, О. Б.; Приходченко, Р. С.Запропоновано модель інтелектуальної руки-маніпулятора, яка здатна розрізняти голосові команди. Розпізнавання голосових команд здійснюється в рамках інформаційно-екстремальної інтелектуальної технології, яка базується на максимізації інформаційної спроможності системи в процесі її навчання. Для заданого алфавіту голосових команд сформовано вхідний математичний опис руки-маніпулятора та реалізовано інформаційно-екстремальний алгоритм її навчання, За результатами фізичного моделювання підтверджено працездатність розробленого інформаційного та програмного забезпеченняТип документа:Публікація, Информационно-экстремальное машинное обучение по несбалансированным данным большого размера(ХНУРЭ, 2015) Москаленко, В. В.Предлагается алгоритм информационно-экстремального машинного обучения с итерационным сбором обучающей выборки, позволяющий производить обучение классификатора на исходных данных большого обьема без их дополнительной предобработки (нормализации, балансировки, фильтрации). В качестве примера рассмотрено реализацию предложенного алгоритма для обучения классификатора по большим несбалансированным наборам архивных данных мониторинга сетевого трафика и технологического процесса выращивания сцинтиляционных монокристалловТип документа:Публікація, Удосконалення архітектури neuronet автотрансферу(ХНУРЕ, 2024) Неронов, С. М.; Плєхова, Г. А.; Костікова, М. В.Для створення єдиного інформаційного простору транспортних послуг без зайвих капітальних витрат на створення спеціальної IT-інфраструктури, що є основою підвищення конкурентній спроможності транспортних та дорожніх організації надані практичні рекомендації з удосконалення архітектури Neuronet автотрансферу.Тип документа:Публікація, Використання машинного навчання для оптимізації доступу до даних в гібридному сховищі зображень(ХНУРЕ, 2023) Смеляков, К. С.; Кириченко, І. В.; Терещенко, Г. Ю.; Панасенко, Д. П.Робота присвячена дослідженню можливостей інтеграції машинного навчання для оптимізації доступу до даних в гібридному сховищі зображень. Основна задача полягає у пошуку схожих зображень серед великої кількості візуальних даних, що зберігаються у гібридному сховищі. Було розроблено систему, яка використовує методи глибинного навчання для вилучення ознак зображень, зокрема модель ResNet50, яка забезпечує високу точність вилучення ознак завдяки своїй глибинній архітектурі. Для ефективного пошуку схожих зображень застосовувалися MongoDB для зберігання зображень та метаданих, а також ElasticSearch для швидкої індексації та пошуку за векторами ознак. Проведено експериментальні дослідження з використанням датасету зображень різних тварин для оцінки продуктивності запропонованого підходу. Результати дослідження показали, що обраний підхід забезпечує високу швидкість та точність пошуку схожих зображень, підтверджуючи доцільність використання гібридних сховищ з використанням методів машинного навчання для ефективного управління великими обсягами візуальних даних. Використання попередньо навчених моделей значно знижує витрати на обчислювальні ресурси та час, необхідний для навчання, забезпечуючи при цьому високу точність і ефективність результатів.Тип документа:Публікація, Побудова моделі бізнес-процесу з використанням темпоральних знань при впровадженні процесного управління(ХНУРЕ, 2023) Чала, О. В.; Богатов, Є. О.Предметом дослідження є бізнес-процеси, що представляють собою послідовність робіт, яка забезпечується ресурсами та створює продукти та послуги, що мають цінність для клієнтів таких процесів. Метою є розробка підходу до вирішення задач впровадження процесного управління на основі автоматизованого виявлення темпоральних знань, що дозволяє встановити умови та обмеження на виконання дій процесу з урахуванням їх фактичної упорядкованості в часі і, тим самим, дає можливість врахувати персональні знання виконавців процесу як при побудові, так і при уточненні його моделі. Завдання: структуризація задач процесного управління з урахуванням взаємодії задач впровадження процесного управління та задач управління бізнес-процесами; розробка методу побудови прототипу бізнес-процесу з використанням темпоральних знань. Використовуваними підходами є: методи процесного управління, методи process mining, методи формування темпоральних знань. Наукова новизна отриманих результатів полягає в наступному. Розроблено метод побудови моделі бізнес-процесу «як є», що фактично виконується на підприємстві, з використанням темпоральних знань. Метод містить етапи формування темпоральних знань у вигляді правил, що визначають послідовність дій процесу у часі, виділення підмножин правил, що задають послідовне та паралельне або альтернативне виконання дій процесу, а також етапи моделі бізнес-процесу у вигляді графу потоків робіт, що враховує виявлені темпоральні правила. В практичному аспекті метод створює умови для реалізації постійного удосконалення бізнес-процесу на основі ітеративного виявлення та подальшого використання неявних знань виконавців, які знайшли відображення у темпоральних правилах.