Математичне моделювання та аналiз даних
Постійне посилання зібрання
Переглянути
Перегляд Математичне моделювання та аналiз даних за Дата публікації
Зараз показуємо 1 - 20 з 25
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Модифiкацiя алгоритму фазової кореляцiї для виявлення замаскованих об’єктiв на зображеннях(КПІ ім. Ігоря Сікорського, 2023) Дякуненко, М. С.; Смирнов, С. А.У роботi обґрунтовано застосування модифікації алгоритму фазової кореляції для вирішення задачі розпізнавання замаскованих об’єктів на цільових зображеннях з використанням еталонних зображень замаскованих об’єктів. Було модифіковано алгоритм фазової кореляції для врахування різних масштабів, а також поворотів на різні кути еталонних зображень, а також був застосований метод пiрамiдального масштабування для покращення швидкодії алгоритму. Проаналiзовано результати розпізнавання на основi алгоритму фазової кореляції, якi свiдчать про успiшне розв’язання поставленої задачi.Документ Відкритий доступ Моделювання народження аксiоноподiбних частинок в експериментi SHiP(КПІ ім. Ігоря Сікорського, 2023) Хохлов, Я. I.; Горкавенко, В. М.; Наказной, П. О.Документ Відкритий доступ Задача оптимального розподiлу ресурсiв для впливу на систему ринкiв активiв зi спекулятивною вартiстю в умовах бiполярного вибору(КПІ ім. Ігоря Сікорського, 2023) Щербакова, В. I.; Терещенко, I. М.У даній роботі розглянуто задачу побудови стратегії та розподілу ресурсів для впливу на систему ринків активів зі спекулятивною вартістю. Побудовано модель, яка враховує біполярний вибір агентів та взаємозв’язки цих ринків. Досліджено оптимальну стратегію вибору кроків та розподілу ресурсів для отримання максимального прибутку.Документ Відкритий доступ Хмарнi технологiї в задачах аналiзу супутникових даних(КПІ ім. Ігоря Сікорського, 2023) Кузiн, В. Г.; Григоренко, Є. М.; Шелестов, A. Ю.У цiй роботi розглядається застосування хмарних технологiй для обробки та аналiзу супутникових даних. Описано переваги використання хмарних рiшень порiвняно з локальними обчислювальними ресурсами, зокрема можливостi масштабування, доступнiсть i ефективнiсть, а також зниження вартостi та складностi управлiння iнфраструктурою. Зокрема, увага придiлена європейськiй хмарнiй платформi CREODIAS, що надає широкий спектр сервiсiв для обробки супутникових даних, таких як архiвування, обробка, аналiз та вiзуалiзацiя даних, доступ до вiдкритих даних з Copernicus та наявнiсть даних ARD, iнтеграцiя з iншими iнструментами та програмними засобами. Детально описано переваги використання цiєї платформи порiвняно з iншими хмарними рiшеннями. Також у роботi наведено результати порiвняльного аналiзу використання хмарних технологiй та локальних обчислювальних ресурсiв для обробки супутникових даних. Розглянуто рiзнi аспекти, такi як швидкiсть обробки, ефективнiсть використання ресурсiв, доступнiсть та масштабованiсть. Дослiдження показали, що хмарнi технологiї дозволяють значно покращити продуктивнiсть та ефективнiсть роботи з супутниковими даними порiвняно з їх локальною обробкою.Документ Відкритий доступ Рiвняння авторегресiї з марковськими перемиканнями(КПІ ім. Ігоря Сікорського, 2023) Мочук, О. В.; Нiщенко, I. I.Документ Відкритий доступ Розробка системи виявлення аномалiй в багатовимiрних ЕЕГ сигналах з використанням глибинного навчання на основi LSTM Autoencoder(КПІ ім. Ігоря Сікорського, 2023) Кириленко, П. О.; Яворський, О. А.Документ Відкритий доступ Пошук значущих ознак для виявлення захворювань лiсу на основi супутникових знiмкiв(КПІ ім. Ігоря Сікорського, 2023) Салiй, Є. В.; Лавренюк, А. М.Документ Відкритий доступ Розпiзнавання зображень планарних точкових об’єктiв(КПІ ім. Ігоря Сікорського, 2023) Карловський, В. О.; Нiщенко, I. I.У цій статті досліджується використання прихованої марковської моделі для розпізнавання точкових планарних об’єктів. Предметом дослідження є набір зображень, які були отримані в послідовні моменти часу. Кожне зображення відповідає планарному точковому процесу в обмеженій області. Інтенсивність та розташування точок на кожному зображенні залежать від стану деякого прихованого процесу. З урахуванням того, що прихований процес є ланцюгом Маркова з двома станами, метою цієї роботи є знаходження параметрів цього ланцюга та функцій, які задають розподіл точок в спостережуваній області.Документ Відкритий доступ Виявлення та аналiз прихованого керування сукупнiстю випадкових блукань(КПІ ім. Ігоря Сікорського, 2023) Мiснiк, А. О.; Нiщенко, I. I.Документ Відкритий доступ Оцiнювання характеристик частково спостережуваного ланцюга Маркова на двiйкових послiдовностях(КПІ ім. Ігоря Сікорського, 2023) Цибульник, А. В.; Нiщенко, I. I.Об’єктом дослідження є ланцюг Маркова зі значеннями в множині двійкових послідовностей фіксованої довжини. Динаміка ланцюга задається як випадкове блукання вершинами одиничного куба, розмірність якого збігається з довжиною двійкової послідовності. Стани цього ланцюга є неспостережуваними (прихованими), а матриця перехідних імовірностей – невідомою. Спостережуваними величинами в кожен момент часу є набір значень певного функціонала від фіксованих підмножин двійкової послідовності, яка описує поточний стан прихованого ланцюга. Також є відомими значення вказаного функціонала, обчисленого від деякої невідомої підмножини стану прихованого ланцюга. Задача полягає у локалізації – оцінюванні потужності та набору елементів цієї підмножини. Для розв’язування задачі використовується математичний апарат прихованих марковських моделей.Документ Відкритий доступ Огляд застосування методiв градiєнтного бустингу в задачах регресiї(КПІ ім. Ігоря Сікорського, 2023) Асєко-Нкiлi, А. М.; Яворський, O. A.У цiй роботi показанi рiзнi алгоритми градiєнтного бустiнгу та їх реалiзацiї в контекстi розв’язання задач регресiї. Зокрема, у роботi будуть проаналiзованi рiзнi гiперпараметри та їх вплив на ефективнiсть застосування даного методу. Результати дослiдження сприятимуть кращому розумiнню можливостей градiєнтного бустингу у вирiшеннi практичних завдань в галузi машинного навчання та аналiзу даних.Документ Відкритий доступ Пошук аномалiй в системах автентифiкацiй за допомогою методiв машинного навчання(КПІ ім. Ігоря Сікорського, 2023) Колесник, А. М.; Ткач, М. В.В роботі розглянуто різні методи і підходи для пошуку аномалій в системах автентифікації, котрі мають замету забезпечення інформаційної безпеки в таких системах. Наведено класифікацію методів машинного навчанння, а саме: з учителем і без вчителя та підходів, які використовуються для кожного з них. Буде описано начому базуються підходи, а також детальніше будуть розглянуті підходи, які використовуються в дипломній роботі. В тому числі буде розглянуто методи і алгоритми, які використовуються в інших научних дослідженнях.Документ Відкритий доступ Аналiз авторегресiйної моделi з марковськими перемиканнями та мультиплiкативним шумом(КПІ ім. Ігоря Сікорського, 2023) Шифрiн, Д. С.; Нiщенко, I. I.Документ Відкритий доступ Цифрова стабiлiзацiя вiдео в реальному часi. Усунення ефекту послідовного затвора(КПІ ім. Ігоря Сікорського, 2023) Павлюк, А. Д.; Орєхов, О. А.Документ Відкритий доступ Управлiння iнвестицiйними портфелями в просторi DeFi(КПІ ім. Ігоря Сікорського, 2023) Шевцова, М. С.; Яворський, О. А.Документ Відкритий доступ Пошук та видалення розмiтки розлiнованого аркушу(КПІ ім. Ігоря Сікорського, 2023) Кузнєцов, П. С.В цій роботі запропоновано алгоритм пошуку спотворених вертикальних та горизонтальних ліній та їх видалення. Результатом є аркуш з видаленою розміткою. Через деформацію аркушу, на якому необхідно знайти та видалити розмітку, виникають спотворення ліній. Переважно це невеликі вигини їх країв або середини. Якісний пошук точок ліній забезпечує їх коректне видалення.Документ Відкритий доступ Порiвняння точних та наближених методiв побудови довiрчих iнтервалiв для параметрiв деяких розподiлiв(КПІ ім. Ігоря Сікорського, 2023) Корабльов, М. М.; Канiовська, I. Ю.Документ Відкритий доступ Порiвняння методiв оптимiзацiї гiперпараметрiв для нейронних мереж(КПІ ім. Ігоря Сікорського, 2023) Козаровицька, П. Є.; Кучеренко, Т. Ю.Документ Відкритий доступ Використання хмарних обчислень для аналiзу якостi повiтря(КПІ ім. Ігоря Сікорського, 2023) Гридiн, П. О.; Яйлимова, Г. О.Ця публікація містить огляд переваг використання хмарних обчислень для аналізу якості повітря. Тут пояснюється, як хмарні обчислення можуть зменшити вартість аналізу даних, підвищити точність результатів аналізу даних і зробити аналіз даних швидше. Вона також охоплює різні типи хмарних служб, доступних для аналізу даних.Документ Відкритий доступ Використання алгоритмiв машинного навчання для задачi оцiнки якостi землi(КПІ ім. Ігоря Сікорського, 2023) Шередеко, О. В.; Яйлимова, Г. О.За допомогою моделей лінійної регресії та дерева рішень, побудувати прогнозування якості землі. Підхід базується на аналізі взаємозв’язків між якістю землі, відстанню до міст/селищ та типами сільськогосподарських культур, які є одними з найважливіших предикторів якості землі. Для досягнення цієї мети був проведений комплексний аналіз набору даних, включаючи попередню обробку даних, попередній аналіз даних, вибір моделі та оцінку ефективності.