ElAr KhNURE:: Головна

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.

Зараз показано 1 - 13 з 13

Останні подання

Оценка качества подчеркивающих преобразований для задачи сегментации изображений
(ХНУРЭ, 2010) Полякова, М. В.; Крылов, В. Н.; Гуляева, Н. А.
Статья посвящена формированию обобщенного показателя качества подчеркивающего преобразования для процедуры сегментации изображений, обеспечивающего повышение эффективности обработки изображений в системах компьютерного распознавания зрительных образов. Для этого проанализированы существующие показатели качества подчеркивающего преобразования. Те из них, которые учитывают имеющуюся априорную информацию об изображении и цели обработки, выделены в обобщенный векторный показатель качества подчеркивающего преобразования.
Метод исследования процессов принятия решений в госрегулировании телекоммуникационной отрасли
(ХНУРЭ, 2010) Калмыков, А. В.
Рассматриваются процессы принятия решений в сложных организационных структурах. Используется методика формирования системных моделей организационных систем на основе декомпозиции на уровни иерархии и старты (аспекты) деятельности. Предложено представление аспектов деятельности в виде вложенной иерархии решающих и исполнительных компонентов. Показана многоуровневая структура информационных связей между управляющей системой и управляемым объектом.
Компонентна модель оцінювання вартості похідних фінансових інструментів на фондовому ринку
(ХНУРЭ, 2010) Маслянко, П. П.; Рябушенко, А. В.; Козленко, М. В.
В роботі представлена компонентна модель та специфікація компонента оцінювання вартості похідних фінансових інструментів системи управління фінансово-інвестиційної діяльності. Проведено аналіз існуючих рішень оцінювання вартості похідних фінансових інструментів та запропоновано вдосконалений метод оцінювання вартості похідних фінансових інструментів – модель випадкового середнього і мультифрактальної волатильності.
Комп’ютерні моделі прогнозування значень часових рядів
(ХНУРЕ, 2025) Костюченко, А. Д.; Герасимов, В. В.
У роботі розглянуто підхід до комп’ютерного моделювання часових рядів на основі сучасних архітектур глибокого навчання, зокрема LSTM, GRU та їхніх гібридних комбінацій, а також ансамблевих моделей. Запропоновано порівняльний аналіз глибоких нейромережевих структур різної параметричної складності за метриками MAE, MSE, SMAPE та MAPE на тренувальній, валідаційній та тестовій вибірках. Показано, що гібридні архітектури LSTM+GRU забезпечують кращу якість прогнозування порівняно з окремими моделями, однак подальше нарощування глибини та кількості параметрів призводить лише до незначного приросту точності. Найкращі результати отримано для ансамблевого алгоритму, сформованого на основі кількох різнорідних моделей, який демонструє найнижчі значення похибок та підвищену стійкість до умів і аномалій даних. Результати експериментів підтверджують, що поєднання глибинних рекурентних архітектур із ансамблевими підходами є ефективним інструментом підвищення точності та стабільності прогнозування довгострокових метеорологічних часових рядів і може бути використане як основа для побудови прикладних систем підтримки прийняття рішень в енергетиці, транспорті та інших динамічних галузях. The paper presents an approach to computer modelling of time series based on modern deep learning architectures, specifically LSTM, GRU, and their hybrid combinations, as well as ensemble models. A comparative analysis of deep neural network structures with varying parametric complexity is proposed, utilising MAE, MSE, SMAPE, and MAPE metrics on training, validation, and test samples. It is demonstrated that hybrid LSTM+GRU architectures yield better prediction quality compared to individual models; however, further increasing the depth and number of parameters results in only a slight increase in accuracy. The best results were obtained for an ensemble algorithm based on several heterogeneous models, which demonstrates the lowest error values and increased resistance to noise and data anomalies. The results of the experiments confirm that the combination of deep recurrent architectures with ensemble approaches is an effective tool for improving the accuracy and stability of long-term meteorological time series forecasting and can serve as a basis for building applied decision support systems in energy, transportation, and other dynamic industries.
Вплив параметрів оптимізації інференції на ефективність спайкових нейронних мереж
(ХНУРЕ, 2025) Бодянський, Є. В.; Савенков, Д. В.
Спайкові нейронні мережі (SNN) – це третє покоління штучних нейромереж, яке завдяки своїй енерго-ефективності та розрідженості ідеально підходить для застосування у ресурсо-обмежених середовищах, як,наприклад, IoT або робототехніка. Однак і вони можуть не зустрічати екстремальних вимог, що призводить до необхідності використання методів оптимізації інференції, зокрема квантизації та прунінг. Сучасні до-слідження вже розглядали практичне застосування даних методів для спайкових нейромереж, але вони не зосереджувались на впливі початкових параметрів оптимізації на продуктивність стисненої моделі. Мета цього дослідження полягає у систематизація та емпіричне дослідження впливу параметрів методів квантизації та прунінгу на кінцеву продуктивність спайкових нейронних мереж. Для експериментів було використано архітектуру згорткової SNN (CSNN) на основі нейрона Leaky Integrate-and-Fire (LIF). Модель тестувалась на трьох наборах даних класифікації зображень: MNIST, FMNIST та CIFAR10. Стиснення проводилося методами статичної k-бітної квантизації після навчання та структурованого прунінгу з різними коефіцієнтами, що зустрічаються у практичному використанні. Отримані результати показують, що при невисоких параметрах стиснення SNN демонструють несуттєву втрату точності, одночасно забезпечуючи значне зменшення розміру моделі та енергоспоживання. Однак, для більш складного набору даних, неоптимальної навченої моделі та при екстремальних налаштуваннях стиснення, спостерігається різке та значне погіршення метрик класифікації. Spiking neural networks (SNNs) are the third generation of artificial neural networks, which, thanks to their energy efficiency and sparsity, are ideal for use in resource-constrained environments such as IoT or robotics. However, even they may not meet extreme requirements, leading to the need for inference optimization methods, such as quantization and pruning. Recent studies have already considered the practical application of these methods for spiking neural networks, but they have not focused on the impact of initial optimization parameters on the performance of the compressed model. The goal of this study is to systematize and empirically investigate the impact of quantization and pruning method parameters on the final performance of spiking neural networks. A convolutional SNN (CSNN) architecture based on the Leaky Integrate-and-Fire (LIF) neuron was used for the experiments. The model was tested on three image classification datasets: MNIST, FMNIST, and CIFAR10. Compression was performed using static k-bit quantization methods after training and structured pruning with different coefficients encountered in practical use. The results show that at low compression parameters, SNNs demonstrate insignificant accuracy loss while providing a significant reduction in model size and energy consumption. However, for a more complex dataset, a suboptimal trained model, and extreme compression settings, a sharp and significant deterioration in classification metrics is observed.