ISSN: 2310-8061
Електронний архів Харківського національного університету радіоелектроніки «ElAr КhNURE» є інституціальним репозиторієм, що містить публікації наукових праць та досліджень науково-педагогічних працівників, інших співробітників, здобувачів вищої освіти ХНУРЕ, а також публікації сторонніх наукових організацій. 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
Виберіть фонд, щоб переглянути його колекції.
Останні подання
Метод планування завдань оброблення даних у розподілених системах з обмеженою інформацією про доступні ресурси
(ХНУРЕ, 2023) Козирєв, А.; Шубін, І. Ю.
У сучасному цифровому ландшафті розподілені системи оброблення даних (РСОД) стають усе більш критично важливими для забезпечення ефективного оброблення, аналізу та управління великими обсягами інформації. Ці системи часто використовуються в комерційних, наукових і соціальних доменах для оброблення комплексних даних в реальному часі або пакетному режимі. Одним із ключових складників таких систем є планування завдань, що є надзвичайно складним процесом, зокрема коли інформація про ресурсні потреби не є повною або точною. Предметом дослідження є алгоритми, методи та підходи, які використовуються для планування завдань між вузлами в розподілених системах. Мета роботи – створення оптимізованого методу планування завдань у РСОД з обмеженою інформацією про доступні ресурси. Завдання дослідження: проаналізувати недоліки сучасних методів для планування завдань у розподілених системах оброблення даних; оптимізувати метод планування завдань на основі метаданих між вузлами РСОД, який ґрунтується на методології пошуку найближчих сусідів із використанням методу локалізованого хешування та алгебри скінченних предикатів; розробити архітектуру програмного рішення та його реалізацію на основі оптимізованого методу; протестувати алгоритм на прикладі завдання декодування відео. Застосовано такі методи: статистичні алгоритми та техніки, зокрема класифікація та кластерний аналіз, використані для прогнозування потреб у ресурсах; візуалізаційні методи допомогли в аналізі та інтерпретації результатів. Результати роботи: проаналізовано недоліки сучасних методів для розподілу завдань у розподілених системах оброблення даних; створено оптимізований метод планування завдань на основі метаданих у РСОД, який ґрунтується на методології пошуку найближчих сусідів із використанням методу локалізованого хешування та алгебри скінченних предикатів; деталізовано процеси в модифікованому алгоритмі пошуку найближчих сусідів; розроблено архітектуру програмного рішення, що інтегрує оптимізований метод планування завдань на основі метаданих та алокації ресурсів; за допомогою практичного сценарію здійснено валідацію програмного рішення – використання створеного алгоритму в задачі планування для декодування відеоінформації. Висновки. Запропонований метод, що ґрунтується на методології локалізованого хешування та на застосуванні алгебри скінченних предикатів, є ефективним навіть у разі недостатньої або обмеженої інформації про ресурсні потреби. Це підтверджує можливість використання динамічних стратегій планування для адаптації до мінливих умов навантаження та доступності ресурсів.
Метод повторного використання знань у формі логічних рівнянь
(ХНУРЕ, 2023) Каратаєв, О.; Ситніков, Д.
Предмет дослідження – процеси побудови та поповнення баз знань, повторного використання знань, і створення програмних систем на основі баз знань, інтерпретація знань як один із підходів до повторного їх застосування, що полягає у виведенні нових знань на основі наявних фактів у базі знань. Мета дослідження – розроблення методу повторного використання знань за допомогою вирішення логічних рівнянь скінченних предикатів для певної предметної галузі. Для досягнення поставленої мети визначено такі завдання: дослідити дескриптивні підходи до логічного моделювання предметної галузі, що дають змогу повторного використання знань, заданих системою логічних рівнянь у межах алгебри скінченних предикатів; розробити метод поповнення бази знань у формі предикатних рівнянь за допомогою вилучення змінних із логічних систем, де рівняння є складними логічними зв’язками між дискретними ознаками об’єктів або процесів. Використано такі методи: алгебра скінченних предикатів, кванторні операції з предикатами для інтерпретації знань. Здобуто такі результати: проаналізовано дескриптивні методи повторного використання знань; запропоновано метод поповнення бази знань у формі логічних рівнянь з метою спрощення подальшого використання неявних зв’язків між дискретними ознаками; розглянуто приклад поповнення бази знань медичної галузі, що дає змогу повторного використання знань, заданих неявно. Висновки. Запропонований метод дає змогу поповнювати базу знань у формі логічних рівнянь способом додавання предикатних рівнянь, що пов’язують окремі набори дискретних змінних, які цікавлять ученого або практика. Метод поповнення бази знань оснований на додаванні нових спрощених рівнянь; спрощені предикатні рівняння моделюють логічні закономірності, що неявно містяться в основній базі знань; проведено експериментальне дослідження.
Justifying the selection of a neural network linguistic classifier
(ХНУРЕ, 2023) Barkovska, O.; Voropaieva, K.; Ruskikh, O.
The subject matter of this article revolves around the exploration of neural network architectures to enhance the accuracy of text classification, particularly within the realm of natural language processing. The significance of text classification has grown notably in recent years due to its pivotal role in various applications like sentiment analysis, content filtering, and information categorization. Given the escalating demand for precision and efficiency in text classification methods, the evaluation and comparison of diverse neural network models become imperative to determine optimal strategies. The goal of this study is to address the challenges and opportunities inherent in text classification while shedding light on the comparative performance of two well-established neural network architectures: Long Short-Term Memory (LSTM) and Convolutional Neural Network (CNN). To achieve the goal, the following tasks were solved: a comprehensive analysis of these neural network models was performed, considering several key aspects. These aspects include classification accuracy, training and prediction time, model size, data distribution, and overall ease of use. By systematically assessing these attributes, this study aims to provide valuable information about the strengths and weaknesses of each model and enable researchers and practitioners to make informed decisions when selecting a neural network classifier for text classification tasks. The following methods used are a comprehensive analysis of neural network models, assessment of classification accuracy, training and prediction time, model size, and data distribution. The following results were obtained: The LSTM model demonstrated superior classification accuracy across all three training sample sizes when compared to CNN. This highlights LSTM's ability to effectively adapt to diverse data types and consistently maintain high accuracy, even with substantial data volumes. Furthermore, the study revealed that computing power significantly influences model performance, emphasizing the need to consider available resources when selecting a model. Conclusions. Based on the study's findings, the Long Short-Term Memory (LSTM) model emerged as the preferred choice for text data classification. Its adeptness in handling sequential data, recognizing long-term dependencies, and consistently delivering high accuracy positions it as a robust solution for text analysis across various domains. The decision is supported by the model's swift training and prediction speed and its compact size, making it a suitable candidate for practical implementation.
Методи автоматизації та інтерпретації якості освітніх тестів у системах розподіленого віртуального навчання
(ХНУРЕ, 2023) Ляшик, В.; Шубін, І. Ю.
Предметом дослідження є розроблення математичного та алгоритмічного забезпечення інтелектуального інструментарію аналізу наборів тестових завдань і моделювання процесу інтерпретації якості наборів тестових завдань, що дає змогу об’єктивно та всебічно проводити безперервний контроль знань студентів (суб’єктів навчання) за умови впровадження концепції віртуального розподіленого навчання. Мета роботи – створення методів автоматизації оцінювання якості освітніх тестів та інтерпретації результатів, подання математичного апарату, що допомагає якнайкраще описувати складні інтелектуальні процеси й методи оцінювання комплектів тестових завдань під час перевірки рівня знань суб’єктів навчання. У статті вирішуються такі завдання: формування моделі тестування в розподіленому віртуальному навчальному середовищі та моделі оцінювання валідності за змістом наборів тестових завдань. Використовуються такі методи: математична статистика й інтелектуальний аналіз інформації, алгебра скінченних предикатів і операцій. Здобуто такі результати: сформульовано принципи інтелектуального аналізу значення коефіцієнтів надійності, коефіцієнтів валідності, коефіцієнта дискримінативності; визначено індекс важкості завдань для оцінювання знань суб’єктів навчання. Висновки. Застосування методів формалізації оцінювання тестів підтверджують необхідність уведення в практику освіти кількісних методів оцінювання знань студентів. Упровадження зазначених методів передбачає правильне визначення цілей контролю, предмета вимірювання та вибір засобів вимірювання. Застосування розробленого методу аналізу наборів тестових завдань сприяє ефективній реалізації всіх функцій контролю, відповідає основним його принципам для вирішення завдань оцінювання якості тестів і лежить в основі моделей розподіленого віртуального навчання та методів аналізу успішності суб’єктів навчання.
Feasibility analysis of implant movement along arc trajectory under non-contact control in magnetic stereotaxic system
(ХНУРЕ, 2023) Jiao Hunkun; Avrunin, O.
У статті подано безконтактне керування магнітними імплантами способом зміни зовнішнього магнітного поля в магнітній стереотаксичній системі та проаналізовано можливість їх переміщення по дуговій траєкторії. За допомогою програмного забезпечення COMSOL змодельовано процес переміщення мініатюрного магнітного імпланта по дуговій траєкторії, досліджено зміну траєкторії мікромагнітного імпланта після зміни зовнішнього магнітного поля, визначено взаємне розташування великих постійних магнітів та проведено механічний аналіз переміщення мініатюрного магнітного імпланта по дуговій траєкторії. У цьому експерименті ми фіксуємо великий постійний магніт, рухаємо лише другий постійний магніт, спочатку спостерігаємо процес руху малих постійних магнітів по прямій траєкторії, визначаємо положення магнітного поля великого постійного магніту, коли він контактує з малим постійним магнітом, а потім аналізуємо силу малого постійного магніту за допомогою модуля розрахунку сили та встановлюємо відносне положення між двома великими постійними магнітами, порівнюючи x F та F y , і коли малий постійний магніт почне рухатись по дуговій траєкторії. Далі, згідно з попередніми результатами, ми переміщуємо два сусідні великі постійні магніти одночасно з певним інтервалом, записуємо траєкторію руху малого магніту, і, нарешті, за допомогою модуля розрахунку сил програмного забезпечення COMSOL здійснюємо силовий аналіз руху малих постійних магнітів по дугових траєкторіях. Результати проведеного експерименту будуть використані для визначення взаємного розташування двох великих постійних магнітів, розташованих поруч під час дослідження, для з’ясування того, за яких умов малі постійні магніти будуть рухатися по дуговій траєкторії. Метою цього експерименту є забезпечення теоретичної та інформаційної підтримки для подальших практичних досліджень магнітної стереотаксичної системи, коли всі параметри в програмному забезпеченні COMSOL отримані на основі фактичних показників вимірювань для підвищення вірогідності результатів симуляції.