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, Використання синтетичних даних для задач розпізнавання та класифікації(УТіГН, 2024) Ващенко, К. С.; Іващенко, Г. С.Метою доповіді є аналіз ефективності використання синтетичного датасету у складі навчальної вибірки штучної нейронної мережі (модель на основі RCNN) для вирішення задач розпізнавання та класифікації об’єктів на зображеннях.Тип документа:Публікація, Онлайн-моніторинг активності користувачів сайту у реальному часі(УмЖ, 2025) Маслов, М. К.; Добровольський, О. О.; Філімончук, Т. В.Метою доповіді є наведення структури розподіленої інформаційної системи для реалізації проєкту, орієнтованого на збирання та аналіз активності користувачів сайту з подальшим відображенням її в реальному часі.Тип документа:Публікація, Using a deep learning neural network to predict flight path(2025) Bezsonov, O.; Liashenko, S.; Rudenko, O.; Rutska, S.; Vashchenko, K.The subject of this paper is a new approach using a deep learning neural network designed for predicting the flight path of an unmanned aerial vehicle (UAV). The purpose of this study was to improve the accuracy of drone flight path prediction by developing a deep learning-based trajectory forecasting model. The task was to collect and prepare a dataset of video and photo materials for training the neural network, develop and implement a deep learning model for trajectory prediction, and enhance UAV flight trajectory forecasting through model optimization and validation. Methods used included the creation of a synthetic dataset using the 3D modeling tool Blender, which enabled the generation of animations representing various drone flight scenarios. These scenarios include different environmental conditions and urban landscapes, providing a robust training ground for the neural network. To further improve and test the model’s predictive capabilities, real-world data, including eyewitness videos, were used. The architecture of the neural network includes long short-term memory (LSTM) units that can process sequential data, making them ideal for predicting dynamic UAV trajectories. The training process involved several stages, starting with pre-training on general visual features and then fine-tuning to UAV-specific motion patterns. The results of this study show that the neural network achieved high accuracy in trajectory prediction, with the model showing better performance in real-world scenarios compared to traditional trajectory prediction methods. The integration of LSTM enabled efficient learning and generalization of temporal data, capturing complex motion patterns and interactions with the environment. This research not only demonstrates the feasibility of using deep learning to predict UAV trajectories but also offers potential applications in civilian security or delivery logistics, where real-time trajectory prediction can significantly improve the efficiency and speed of decision-making. Conclusions. The scientific novelty of the obtained results lies in the development and training of deep learning models specifically designed for predicting drone flight paths. This study demonstrated the effectiveness of the proposed approach by demonstrating its ability to enhance the accuracy of UAV trajectory forecasting.Тип документа:Публікація, Методи самовідновлення програмного забезпечення(Жиліна: УмЖ, 2025) Волк, М. О.; Соробей, Б. В.; Самойлов, І. А.; Брестовицький, Р. М.; Хилько, Д. О.Метою роботи є підвищення стійкості критичних програмних систем шляхом розробки та застосування механізмів самовідновлення їхніх компонентів. Розроблено метод оцінювання надійності програмного забезпечення, заснований на аналізі його архітектури із застосуванням ланцюгів Маркова.Тип документа:Публікація, Методи планування завдань у системах хмарних обчислень(ХНУРЕ, 2025) Бугрій, А. М.; Ковтун, Є. І.; Волк, Д. М.; Головенець, М. І.; Кожухар Д. Д.Метою роботи є скорочення часу виконання завдань, покращення балансування навантаження та збільшення пропускної здатності хмарних систем шляхом оптимізації процесу розподілу завдань, що сприяє підвищенню ефективності управління ресурсами у хмарних обчисленнях.