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, Розробка генеративної моделі створення навчального контенту на основі великих мовних моделей(2025) Жеребний, В. В.Об’єкт дослідження – задача покращення якості автоматично створеного навчального контенту Предмет дослідження – розробка генеративної моделі для автоматизованого створення навчального контенту на основі великих мовних моделей (LLM), а також її інтеграція з механізмами семантичної перевірки знань. Мета роботи – створити архітектуру системи, яка поєднує генеративні можливості LLM з зовнішніми структурами знань. Де пропонується використання семантичного графу з використанням методу Retrieval Augmented Generation (RAG) для підвищення достовірності й педагогічної цінності згенерованих матеріалів. Методологія включає аналіз сучасних архітектур LLM (Transformer, Mixture-of-Experts), багаторівневе навчання, а також інтеграцію зовнішніх джерел знань (RAG, графи знань) для автоматизованої верифікації. Розроблено концептуальну архітектуру системи: генератор контенту, модуль структурування дидактики, модуль семантичної перевірки на основі графа знань, модуль фільтрації. Наукова новизна полягає в поєднанні генеративної моделі із семантичним графом перевірки знань як обов’язковим етапом верифікації перед публікацією контенту, що знижує ризики «галюцинацій» LLM та підвищує якість матеріалів.Тип документа:Публікація, Дослідження методів попередньої обробки даних в завданні розпізнавання людської активності(2025) Умнов, К. Г.Метою кваліфікаційної роботи є підвищення ефективності алгоритмів розпізнавання активності людини на основі даних акселерометра з набору UCI HAR Dataset. Об'єкт дослідження – процес розпізнавання активності людини на основі даних акселерометра. Предмет дослідження – методи попередньої обробки даних, отриманих з акселерометра, у системах розпізнавання активності людини (Human Activity Recognition, HAR). Методи дослідження – аналіз наукової літератури та існуючих досліджень у сфері HAR, експериментальне тестування різних комбінацій методів попередньої обробки даних (нормалізація, зменшення розмірності, аугментація), а також оцінка впливу цих методів на точність класифікації, час навчання та обчислювальні витрати. Результатами дослідження є визначення оптимальних методів попередньої обробки даних для HAR-систем, розробка програмного прототипу для тестування різних методів обробки даних, проведення серії експериментів з використанням різних алгоритмів класифікації, а також формулювання практичних рекомендацій щодо вибору методів попередньої обробки для підвищення ефективності систем розпізнавання активності людини в умовах реального часу та обмежених обчислювальних середовищ.Тип документа:Публікація, Розробка експертної системи підтримки прийняття рішень у сфері кібербезпеки(2025) Загоруйко, А. А.Мета роботи полягає у підвищенні ефективності функціонування систем захисту інформації шляхом створення програмного прототипу експертної системи, яка забезпечує автоматизований аналіз подій безпеки у реальному часі та генерацію верифікованих рекомендацій для оператора, що дозволяє мінімізувати вплив «людського фактору» на швидкість детекції загроз. Методи дослідження базуються на комплексному використанні теорії штучного інтелекту та інженерії знань для побудови логічної структури системи. У процесі проєктування було застосовано методи системного аналізу для декомпозиції функцій захисту, принципи об'єктно орієнтованого програмування для реалізації модульної архітектури, а також методи математичної статистики та експериментального тестування для оцінки швидкодії та точності роботи розроблених алгоритмів на контрольних сценаріях атак.Тип документа:Публікація, Метод виявлення та оцінки маніпулятивних стратегій у відповідях великих мовних моделей (LLM)(2025) Топорков, О. К.У роботі розглянуто теоретичні засади риторичних маніпуляцій та базові поняття адекватності роботи моделей ШІ. На основі кількох відкритих датасетів сформовано уніфікований корпус маніпулятивних текстів та запропоновано метод виявлення маніпулятивних стратегій, що поєднує векторний пошук з аналізом великої мовної моделі у форматі структурованого виводу.Тип документа:Публікація, Застосування методів Explainable AI (XAI) для підвищення прозорості ухвалення рішень у медичних інформаційних системах(2025) Цопа, М. Д.Об’єкт дослідження – процес ухвалення рішень у медичних інформаційних системах з використанням методів машинного навчання. Предмет дослідження – методи Explainable Artificial Intelligence (XAI), що застосовуються для підвищення прозорості, інтерпретованості та обґрунтованості рішень моделей машинного навчання в медичних інформаційних системах. Мета роботи – підвищення прозорості ухвалення рішень у медичних інформаційних системах шляхом застосування методів Explainable AI для інтерпретації результатів роботи моделей машинного навчання та забезпечення зрозумілих пояснень для медичних фахівців. Методи дослідження – методи аналізу та обробки медичних даних, алгоритми машинного навчання (градієнтний бустинг), методи пояснюваного штучного інтелекту, зокрема SHAP-аналіз, методи локальної та глобальної інтерпретації моделей, статистичні методи оцінки якості класифікації, а також методи програмної реалізації та експериментального дослідження.