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

Тест. Розпорядження
(ХНУРЕ, 2026)
Гібридна система детекції та інтерпретації ознак синтезованого мовлення за сукупністю спектрально-фазових та SSL-характеристик
(2026) Ростовцев, В. В.
Об’єкт дослідження – процес автоматичного виявлення синтезованого мовлення в аудіосигналах. Предмет дослідження – методи аналізу, виділення та інтеграції спектральних, фазових, просодичних і SSL-характеристик для визначення автентичності мовного аудіосигналу. Мета роботи – розробити концепцію гібридної системи детекції та інтерпретації ознак синтезованого мовлення, що дозволить визначати штучне походження аудіозапису на основі комплексного аналізу акустичних характеристик і нейромережевих представлень мовлення. Методи дослідження – порівняльний аналіз сучасних підходів до детекції синтезованого мовлення, аналіз методів цифрової обробки аудіосигналів, дослідження спектральних, фазових і просодичних ознак, а також аналіз моделей самокерованого навчання. У звіті розглянуто сучасні виклики виявлення синтезованого мовлення, пов’язані з розвитком нейронного синтезу, клонування голосу та deepfake-аудіо. Проаналізовано основні групи методів детекції, зокрема підходи на основі кепстральних ознак, нейромережевих архітектур, моделей самокерованого навчання та гібридного поєднання різних типів представлень. Обґрунтовано доцільність створення системи, яка враховує не лише спектральну структуру аудіосигналу, а й фазові, просодичні та SSL-характеристики.
Інтелектуальна мультиагентна екосистема для підтримки життєвого циклу програмного забезпечення
(2026) Рудь, С. І.
Об’єкт дослідження – процеси інтеграції механізмів кібербезпеки в життєвий цикл розробки програмного забезпечення (SDLC). Предмет дослідження – методи, моделі та технології побудови автономних мультиагентних систем для автоматизованого аудиту, рефакторингу та верифікації вихідного коду. Мета роботи – проєктування автономної мультиагентної ШІ екосистеми, здатної без участі людини виконувати повний DevSecOps-цикл: від пошуку вразливостей до безпечного рефакторингу та фінальної QA верифікації коду. Методи дослідження – системний аналіз архітектур ШІ-агентів та їх інтеграції у CI/CD процесах. Практична реалізація спирається на фреймворк CrewAI для рольової оркестрації та передові практики Prompt Engineering, що забезпечують мовну універсальність системи (Polyglot mode). У результаті роботи досліджено проблематику використання LLM у DevSecOps (зокрема, семантичне зміщення та втрату контексту). Запропоновано інноваційну трирівневу архітектуру ШІ-асистентів, яка автоматизує обробку логіки застосунків та синхронізується із системами контролю версій для генерації готових звітів і патчів.
Дослідження методів автоматизації аналізу даних із використанням моделей штучного інтелекту
(2026) Романов, В. С.
Об’єкт дослідження – процес автоматизації аналізу структурованих даних у інформаційних системах. Предмет дослідження – методи автоматичного вибору моделей машинного навчання, попередньої обробки даних та побудови інтелектуальних аналітичних систем. Мета роботи – дослідити та спроектувати систему автоматизованого аналізу даних із використанням моделей штучного інтелекту, здатну автоматично виконувати основні етапи аналітичного процесу. Методи дослідження – методи машинного навчання, автоматизований вибір моделей, попередня обробка даних, аналіз ефективності моделей. Робота присвячена дослідженню та розробці системи автоматизованого аналізу даних із використанням моделей штучного інтелекту. Розглянуто підходи до побудови AutoML-систем, методи попередньої обробки даних та автоматичного вибору моделей машинного навчання. Запропоновано архітектуру системи, що автоматизує основні етапи аналітичного процесу. Проведено експериментальне дослідження роботи системи на різних наборах даних, яке підтвердило можливість автоматичного виконання аналізу без ручного налаштування більшості параметрів. Результати роботи можуть бути використані у системах бізнес-аналітики та підтримки прийняття рішень.
Агентно-орієнтована автоматизація еволюції схем баз даних у складних інформаційних системах
(2026) Прошкін, О. Д.
Об’єкт дослідження – процеси автоматизації еволюції та модифікації схем реляційних баз даних за допомогою технологій штучного інтелекту. Предмет дослідження – архітектурні підходи та методи побудови інтелектуальних агентів для генерації, валідації та безпечного розгортання SQL-міграцій. Мета роботи – аналіз предметної області та обґрунтування концепції інтелектуальної системи для безпечної автоматизації еволюції схем реляційних баз даних на основі запитів природною мовою із забезпеченням балансу між автономністю управління та безпекою корпоративних даних. Методи дослідження – теоретичний (збір та аналіз науково-технічного матеріалу) та аналіз архітектурних парадигм інтелектуальних систем. У результаті роботи проведено детальний аналіз предметної області управління змінами у реляційних базах даних та визначено критичні ризики використання неконтрольованих великих мовних моделей. Сформульовано технічне завдання та розроблено концепцію гібридного підходу, який поєднує гнучкість генеративних моделей для ітеративної самокорекції з жорстким графовим контролем обов'язкових перевірок безпеки. Результати мають прикладний характер і є міцним архітектурним фундаментом для подальшої програмної реалізації та тестування агентної системи в рамках дипломного проєкту.