Кафедра прикладної математики (ПМА)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/1425

Переглянути

Перегляд Кафедра прикладної математики (ПМА) за Автор "Андрусенко, Олена Миколаївна"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Математичне та програмне забезпечення для отримання слабкого розв’язку гри антишахи
    (КПІ ім. Ігоря Сікорського, 2023) Федорченко, Ростислав Євгенійович; Андрусенко, Олена Миколаївна
    Дипломна робота складається з 58 аркушів і включає 2 додатки та перелік посилань на використані джерела з 23 найменувань. У роботі наведено 18 рисунків та 2 таблиці. Метою даної дипломної роботи є розробка математичного та програмного забезпечення для отримання слабких рішень у грі антишахи. Антишахи - це варіант шахів, де гравці мають зворотні цілі: перемагає той, хто віддасть всі фігури. У роботі проведено аналіз існуючих рішень, пов'язаних з побудовою дерев рішень у грі антишахи. Були розглянуті різні алгоритми та підходи до цієї проблеми. На основі проведеного аналізу було обрано метод, який найкраще відповідає поставленій задачі. Для реалізації пошуку неповних рішень було розроблено математичну модель та відповідне програмне забезпечення. Модель використовує відповідні евристики, які враховують специфіку та особливості гри . Проведено тестування розробленого програмного забезпечення, щоб перевірити його ефективність та точність. Результати тестування підтвердили працездатність розробленого рішення. Основні положення дипломної роботи можуть бути використані для подальшого розвитку і вдосконалення алгоритмів пошуку побудови дерев рішень у грі антишахи.
  • Ескіз
    ДокументВідкритий доступ
    Математичне та програмне забезпечення системи розпізнавання марки автомобілів на фотографіях в умовах обмеженого ракурсу
    (КПІ ім. Ігоря Сікорського, 2023) Гуро, Дмитро Анатолійович; Андрусенко, Олена Миколаївна
    Дисертацію виконано на 95 аркушах, вона містить 3 додатки та перелік посилань на використані джерела з 37 найменувань. У роботі наведено 36 рисунки та 2 таблиці. Актуальність теми. На сьогоднішній день у світі існує величезна кількість транспортних засобів і наземний транспорт, очевидно, є основним способом пересування людства. З цього випливає, що контроль потоку транспортних засобів є дуже важливою задачею, так як завжди є необхідним в реальному часу відслідковувати порушення правил дорожнього руху, фіксувати переміщення вантажівок, знаходити автомобілі по системі камер тощо. Більшість систем, що встановлюються на дорогах громадського використання, навчені для розпізнавання авто спереду та ззаду, так як цього достатньо для більшості потреб систем контролю. Проте, не завжди є можливість встановити камеру, на яку покладено роботу зйомки трафіку, таким чином, тому є необхідність розробити систему, що може розпізнавати автомобілі незалежно від ракурсу та повноти зображення авбомобілю. Зв’язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконувалась згідно з планом науково-дослідних робіт кафедри прикладної математики Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського». Мета і задачі дослідження. Метою дисертаційної роботи є створення системи здатної швидко та ефективно класифікувати автомобілі на цифрових зображеннях в умовах обмеженого ракурсу. Для досягнення мети було розв’язано такі задачі: - провести аналіз предметної області - зібрати або знайти необхідний - розробити алгоритмм розпізнавання моделі автомобіля на фотографії - розробити демонстраційну систему та інтегрувати алгоритм неї Об’єктом дослідження є методи роботи із зображеннями та їх класифікації. Предметом дослідження є застосування методів машинного навчання для заадчі класифікації зображень. Методи дослідження. Основним методом, що був використаний в дисертації для класифікації класів автомобілів є метод машинного навчання – згорткова нейронна мережа. Наукова новизна одержаних результатів роботи. Використано архітектуру згорткової нейронної мережі, яка за показниками точності та повноти не поступається відомим аналогам, але потребує менше часу на її навчання, використовує меншу кількість параметрів, швидше класифікує цифрові зображення і потребує менше ресурсів для розгортання і використання. Також система, в яку інтегрована мережа, робить акцент на зображеннях автомобілів в неповних ракурсах. Практичне значення роботи полягає у створенні власного модулю для класифікації цифрових зображень із використанням нейронних мереж. За допомоги цього модуля можна оптимізувати системи, де існує необхідність розпізнавання марки та моделі автомобіля, в ситуаціях, коли неможливо отримати повне зображення авто.