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, Дослідження моделей компʼютерного зору для вирішення задачі розпізнавання обʼєктів та тексту(2025) Омельченко, М. Д.Об’єкт дослідження – процес аналізу зображень із використанням сучасних мультимодальних моделей комп’ютерного зору та обробки природної мови. Предмет дослідження – методи та моделі розпізнавання об’єктів і тексту на зображеннях у межах vision-language підходу. Мета роботи – теоретичне та експериментальне дослідження можливостей мультимодальних vision-language моделей для вирішення задач розпізнавання об’єктів, оптичного розпізнавання тексту та комбінованого аналізу сцен. Методи дослідження – аналіз і узагальнення наукових публікацій, теоретичне моделювання, експериментальне дослідження роботи мультимодальної моделі у режимі inference, порівняльний аналіз результатів. У роботі досліджено можливості застосування мультимодальних моделей для вирішення задач аналізу зображень без спеціалізованого донавчання. Показано, що формулювання завдання у вигляді текстової інструкції дозволяє отримувати структуровані результати у вигляді описів об’єктів, координат обмежувальних прямокутників та розпізнаного тексту. Отримані результати підтверджують перспективність мультимодального підходу для побудови універсальних систем комп’ютерного зору.Тип документа:Публікація, Генерація PBR-текстур на основі зображень у 3D-графіці методами машинного навчання(2025) Ніколайчук, Д. А.Об’єкт дослідження – методи генерації PBR-текстур з одного вхідного зображення в 3D-графіці. Мета роботи – закріплення, поглиблення теоретичних та практичних знань, здобутих у процесі навчання, а також дослідження та практична реалізація сучасних методів машинного навчання (ML) для автоматизованого синтезу фізично коректних текстур (зокрема, карт нормалей, шорсткості та металічності). Методи дослідження – в рамках виконання кваліфікаційної роботи було проведено теоретичний аналіз, що містить дослідження літератури та огляд технологій, а також емпіричний аналіз під час якого було зібрано дані, проведено необхідні експерименти та їх аналіз Темою кваліфікаційної роботи є автоматизована генерація набору PBR-текстур (normal, roughness, displacement та ін.) з використанням бібліотек машинного навчання, зокрема TensorFlow/Keras та мови Python. У результаті виконання було проведено дослідження як теоретичних основ PBR-пайплайну, так і практичної реалізації моделі та її інтеграції. Розглядався загальний підхід до задачі перетворення зображення на зображення, що дозволяє нейронній мережі виводити приховані матеріальні властивості поверхні з візуальних підказок на одному фото. Була розроблена та натренована модель ML, а також створено аддон для Blender 3D для демонстрації практичного застосування.Тип документа:Публікація, Розроблення стратегії тестування генеративних моделей штучного інтелекту в інтелектуальних системах(2025) Ольшанський, О. А.Об’єкт дослідження – генеративні моделі штучного інтелекту. Мета роботи – визначення стратегії тестування генеративних моделей штучного інтелекту. Методи дослідження – вивчення особливостей генеративних моделей, що впливають на їх тестування; аналіз існуючих методів тестування програмного забезпечення на можливість використання їх при розробці генеративних моделей штучного інтелекту та створення нових методів тестування на основі огляду особливостей штучного інтелекту. Проаналізовано особливості генеративних моделей, що впливають на їх тестування, проведено дослідження традиційних методів тестування на можливість їх використання для генеративних моделей штучного інтелекту. Знайдені нові методів тестування для генеративних моделей. На основі результатів даного дослідження можливо впровадити або покращити тестування комерційного програмного забезпечення, що використовує генеративні моделі ШІ.Тип документа:Публікація, Моделювання перколяційних явищ в мережевих структурах(2025) Корж, Д. В.Об’єктом досліджень є перколяційні явища. Предметом досліджень кваліфікаційної роботи є властивості кластерів, які формуються внаслідок перколяційних процесів. Метою роботи є моделювання перколяції на регулярних решітках та в мережевих структурах, дослідження властивостей перколяційних кластерів.Тип документа:Публікація, Інтелектуальна система прогнозування поведінки користувачів на основі методів підкріплювального навчання(2025) Мацицький, А. О.Об’єкт дослідження – процес прогнозування поведінки користувачів у рекомендаційних системах. Предмет дослідження – методи глибокого навчання з підкріпленням для формування персоналізованих рекомендацій. Мета роботи – підвищення ефективності прогнозування поведінки користувачів шляхом розробки інтелектуальної системи на основі методу Double Deep Q-Network. Методи дослідження: теоретичний аналіз, математичне моделювання (MDP), методи машинного навчання (Deep RL), експериментальний метод. Результати та новизна. Розроблено архітектуру інтелектуальної системи, що враховує динаміку інтересів користувача. Запропоновано модифіковану функцію винагороди. Практичне значення. Створено програмний продукт мовою Python (TensorFlow) для генерації рекомендацій фільмів. Експериментально підтверджено здатність системи адаптуватися до вподобань користувачів. Сфера застосування – рекомендаційні сервіси та стрімінгові платформи. Висновки. Використання глибокого навчання з підкріпленням дозволяє ефективно вирішувати задачі рекомендації в динамічних середовищах.