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

Мультиагентна система для оптимізації навантаження громадського транспорту на основі підкріплювального навчання
(2026) Завада, Є. О.
Об’єкт дослідження – процес управління навантаженням громадського транспорту. Предмет дослідження – методи мультиагентного підкріплювального навчання для оптимізації транспортних потоків. Мета роботи – розробка мультиагентної системи оптимізації навантаження громадського транспорту на основі підкріплювального навчання. Методи дослідження – машинне навчання, підкріплювальне навчання, мультиагентне моделювання, аналіз транспортних потоків. У роботі розроблено мультиагентну систему для оптимізації роботи громадського транспорту. Реалізовано середовище симуляції транспортної мережі та алгоритми Q-learning, DQN, Policy Gradient і Actor-Critic для навчання агентів прийняттю ефективних рішень у динамічному середовищі. Серверну частину системи реалізовано на FastAPI, а клієнтський інтерфейс – на React. Проведено тестування системи та оцінку ефективності роботи агентів в умовах змінного транспортного навантаження.
Стохастичне моделювання та глибоке навчання для прогнозування динаміки епідемій
(2026) Зелінський, В. С.
Об'єкт дослідження – процес прогнозування динаміки епідемій за часовими рядами захворюваності. Предмет дослідження – гібридна стохастично-нейромережева модель Neural-SEIR на основі універсального диференціального рівняння та методи оцінювання невизначеності прогнозу. Мета роботи – розроблення, програмна реалізація та всебічна верифікація гібридної моделі Neural-SEIR для прогнозування динаміки епідемій і її об'єктивне порівняння з набором еталонних (бенчмарк) моделей. Методи дослідження – компартментне та стохастичне моделювання; глибоке навчання з ансамблями глибоких мереж; універсальні диференціальні рівняння; валідація з наростаючим ковзним початком без витоку інформації з майбутнього; імовірнісні метрики оцінювання. У роботі розглянуто актуальну проблему прогнозування динаміки епідемій за коротких, зашумлених і нерегулярно зведених рядів захворюваності. Запропоновано концепцію гібридної моделі Neural-SEIR, що поєднує епідеміологічну інтерпретовність SEIR з адаптивністю глибокого навчання та доповнюється стохастичним оцінюванням невизначеності прогнозу. Модель розроблено, програмно реалізовано й перевірено на даних щодо COVID-19 та сезонного грипу.
Рекомендаційна система оцінювання якості ABAP-коду на основі принципів Clean Code із використанням великих мовних моделей
(2026) Яблунівський, С. В.
Об’єкт дослідження – процеси оцінювання та підвищення якості ABAP-коду в корпоративних SAP-системах. Предмет дослідження – методи формування рекомендацій щодо вдосконалення ABAP-коду на основі принципів Clean Code/Clean ABAP, результатів статичного аналізу та великих мовних моделей. Мета роботи – розроблення рекомендаційної системи оцінювання якості ABAP-коду, яка на основі findings статичного аналізу та правил Clean ABAP генерує пояснювані рекомендації з використанням великих мовних моделей. Методи дослідження – системний і порівняльний аналіз, методи статичного аналізу програмного коду, підходи Retrieval-Augmented Generation, методи інформаційного пошуку та оцінювання якості програмного забезпечення. У межах цього дослідження сформовано модель рекомендаційної системи, що поєднує ATC як джерело фактів про порушення, Knowledge Base правил і антипатернів, retrieval-шар, recommendation engine на основі LLM та контур обов’язкової валідації через повторний запуск ATC і ABAP Unit.
Інтелектуальна система автоматизованого контролю якості та стилістики програмного коду на основі методів машинного навчання
(2026) Вовк, А. В.
Об’єкт дослідження – процедури комп'ютерного моніторингу та оцінювання вихідних текстів програмного забезпечення з метою виявлення відхилень від стилістичних і структурних регламентів. Предмет дослідження – алгоритми глибинного навчання, нейромережеві енкодери та AST-трансформації, призначені для розпізнавання аномалій і структурних дефектів у програмних модулях. Мета роботи – проєктування та реалізація інтелектуальної мікросервісної платформи для комплексного оцінювання надійності програмного забезпечення, автоматизованого проведення Code Review та динамічного розрахунку технічного боргу. Методи дослідження – гібридний підхід до аналізу, що поєднує детермінований розбір синтаксичного дерева (за допомогою модульних бібліотек AST мови Python) для вилучення інженерних метрик (цикломатичної складності, довжини методів) та ймовірніське семантичне кодування з використанням донавченої двомодальної трансформерної моделі CodeBERT. У кваліфікаційній роботі проаналізовано виклики підтримання якості кодової бази та обмеження існуючих лінтерів. Запропоновано архітектуру гібридної системи, що поєднує синтаксичний розбір із нейромережевими кодувальниками, що дозволяє знизити рівень хибних спрацьовувань та автоматизувати аудит ПЗ
Інтелектуальна система синтезу персональних освітніх планів засобами семантичного мапінгу, трансформерних NLP-моделей та онтологічного інжинірингу
(2026) Володін, В. А.
Об'єкт дослідження – процес автоматизованого синтезу персональних освітніх планів у сфері інформаційних технологій. Предмет дослідження – методи та засоби семантичного аналізу неформалізованих запитів природною мовою й алгоритми обходу графів передумов на основі онтологічних моделей знань. Мета роботи – розробка та програмна реалізація інтелектуальної системи, яка на основі довільного запиту користувача природною мовою формує логічно впорядкований персональний план вивчення дисциплін із поясненням кожного кроку. Методи дослідження – онтологічний інжиніринг засобами OWL і різонера HermiT, обробка природної мови на основі трансформерної моделі енкодера, графові алгоритми (обхід у глибину, топологічне сортування), принципи пояснюваного штучного інтелекту. Розроблено OWL-онтологію освітньо-професійної програми кафедри штучного інтелекту ХНУРЕ та NLP-конвеєр семантичного зіставлення запитів з її концептами. Графовий модуль будує персональний план, а механізм пояснення формує верифіковані шаблонні траси виведення – на відміну від генеративних пояснень. Компоненти інтегровано у веб орієнтований комплекс з інтерактивною візуалізацією графа передумов.