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, Мультимодальна інтелектуальна система ймовірнісного прогнозування змін курсів криптовалют на основі ринкових, текстових та ончейн-даних(2026) Золотаревський, М. С.Об’єкт дослідження – процес прогнозування змін курсів криптовалют на основі мультимодальних часових рядів. Предмет дослідження – методи та моделі мультимодального інтелектуального прогнозування курсів криптовалют із використанням ринкових, текстових та ончейн-даних. Мета роботи – розроблення мультимодальної інтелектуальної системи ймовірнісного прогнозування змін курсів криптовалют на основі поєднання глибинних нейронних мереж та ансамблевих моделей машинного навчання. Методи дослідження – методи машинного та глибинного навчання, аналізу часових рядів, обробки природної мови, сентимент-аналізу, градієнтного бустингу, нормалізації даних та статистичної оцінки якості прогнозування. У результаті роботи розроблено мультимодальну інтелектуальну систему прогнозування курсів криптовалют, що поєднує ринкові дані, текстову інформацію та ончейн-метрики. Реалізовано гібридну архітектуру CNN-BiLSTM-Attention, ансамблевий компонент XGBoost, Python FastAPI AI-сервіс, ASP.NET Core backend, базу даних PostgreSQL та механізм збереження історії прогнозів. Проведено експериментальне дослідження якості прогнозування та визначено обмеження процедури нормалізації даних як напрям подальшого вдосконалення системи.Тип документа:Публікація, Методи використання систем штучного інтелекту для підтримки прийняття рішень в задачах медичної діагностики(2026) Жук, А. В.Об’єктом дослідження є системи медичної діагностики, орієнтовані на автоматизований аналіз рентгенівських знімків грудної клітки із застосуванням методів штучного інтелекту. Предметом дослідження є моделі глибокого навчання, зокрема нейромережеві архітектури CNN, ResNet та Vision Transformer. Мета роботи – підвищення точності підтримки прийняття рішень у задачах медичної діагностики шляхом дослідження та порівняння сучасних архітектур глибокого навчання для класифікації рентгенівських знімків. Методами дослідження є методи глибокого навчання та методи обробки та аналізу медичних зображень. У результаті роботи проведено дослідження ефективності сучасних архітектур глибокого навчання у задачі багатоміткової класифікації рентгенівських знімків грудної клітки. Встановлено, що гібридна архітектура, яка поєднує згорткові мережі та механізм самоуваги. Результати роботи можуть бути використані для створення систем підтримки прийняття рішень у медичній діагностиці, зокрема для автоматизованого аналізу рентгенівських знімків. Сфера застосування включає медичні інформаційні системи, телемедицину та інтелектуальні системи аналізу медичних зображень.Тип документа:Публікація, Дослідження та порівняння методів екстракції даних з неструктурованих текстових документів на основі NLP-моделей(2026) Тернинко, Д. І.Об’єкт дослідження – процес екстракції даних з неструктурованих текстових документів. Предмет дослідження – методи екстракції даних з текстових документів на основі NLP-моделей. Мета роботи – дослідження та порівняння методів екстракції даних з неструктурованих текстових документів на основі NLP-моделей. Методи дослідження – методи обробки природної мови, розпізнавання іменованих сутностей, rule-based підхід, моделі машинного навчання та трансформерні моделі (spaCy, BERT, DistilBERT), методи оцінювання якості (precision, recall, F1-score). У роботі досліджено та порівняно методи екстракції даних з неструктурованих текстових документів на основі NLP-моделей на прикладі текстових резюме. Реалізовано rule-based підхід, модель на основі spaCy, трансформерні моделі DistilBERT та BERT-base-cased, а також гібридний підхід. Проведено експериментальне оцінювання ефективності методів із використанням метрик якості та виконано їх порівняльний аналіз. Результати дослідження показали доцільність використання комбінованих підходів для підвищення якості екстракції інформації.Тип документа:Публікація, Дослідження методів персоналізованого прогнозування настрою з використанням Core ML(2026) Величко, Д. О.Об’єктом дослідження є прогнозування емоційного стану користувача на основі поведінкових показників, отриманих із мобільного середовища. Предметом дослідження є методи машинного навчання для класифікації та прогнозування настрою користувача на основі аналізу поведінкових даних. Метою роботи є розроблення математичної моделі визначення інтегрального показника настрою на основі поведінкових ознак та експериментального дослідження методів машинного навчання для його класифікації у мобільному середовищі Core ML. У роботі використано методи машинного навчання для задач класифікації, зокрема логістичну регресію, метод k-найближчих сусідів, дерево рішень, Random Forest та Gradient Boosting. У результаті виконання роботи запропоновано математичну модель визначення інтегрального показника настрою користувача на основі поведінкових показників, розроблено методику перетворення інтегрального показника у класи емоційного стану, проведено експериментальне дослідження алгоритмів машинного навчання та визначено найбільш ефективну модель для локального прогнозування настрою. Отримані результати можуть бути використані під час розроблення інтелектуальних мобільних застосунків для моніторингу психологічного стану користувачів та підтримки їх емоційного благополуччя.Тип документа:Публікація, Дослідження перколяції у мережах на основі моделі з нечіткою логікою(2026) Янченко,П. С.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.