Дисертації (ІСТ)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Перегляд Дисертації (ІСТ) за Ключові слова "artificial intelligence"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Методи та засоби управління автономними логістичними кіберфізичними системами з використанням технологій штучного інтелекту(КПІ ім. Ігоря Сікорського, 2024) Головатенко, Ілля Анатолійович; Писаренко, Андрій ВолодимировичГоловатенко І. А. Методи та засоби управління автономними логістичними кіберфізичними системами з використанням технологій штучного інтелекту. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 126 – Інформаційні системи та технології з галузі знань 12 – Інформаційні технології. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2024. Дисертаційна робота присвячена розробленню методів та засобів планування логістики автономних кіберфізичних систем. Сучасний світ швидко розвивається, особливо у сфері інформаційних технологій. Застосування штучного інтелекту в кіберфізичних системах є ключовим фактором в цьому розвитку. Динамічні зміни вимагають нових підходів до управління, і саме це робить тему дослідження вкрай актуальною. Автономні логістичні кіберфізичні системи стають все більш складними та розгалуженими. Ефективне управління ними стає викликом через розмаїття параметрів, що впливають на їх функціонування. Застосування методів штучного інтелекту може значно полегшити цей процес та підвищити його результативність. Ефективне управління логістичними кіберфізичними системами важливе для економії ресурсів, часу та коштів. Застосування технологій штучного інтелекту може сприяти оптимізації процесів, підвищенню продуктивності та зниженню витрат. Автономні системи широко використовуються в різних галузях, включаючи транспорт, виробництво, медицину тощо. Збільшення автономії таких систем породжує нові виклики, такі як безпека, надійність та ефективність. Дослідження, присвячене вирішенню зазначених проблем вкрай важливе, оскільки воно дозволяє вдосконалити функціонування та впровадження автономних логістичних кіберфізичних систем на міжнародному рівні. Застосування штучного інтелекту в управлінні кіберфізичними системами вимагає глибокого розуміння інтеграції різноманітних технологій. Розв’язання цієї проблеми не тільки сприяє розвитку конкретного напряму, але й робить внесок у загальний розвиток наукової думки та суспільства в цілому. Отже, актуальність представленої дисертаційної роботи визначається потребою сучасного світу в ефективних методах управління складними автономними логістичними кіберфізичними системами, що використовують технології штучного інтелекту. Результати дослідження мають значущий вплив на розвиток інформаційних технологій та покращення функціонування важливих галузей господарства та науки. Метою наукового дослідження є підвищення ефективності планування в реальному часі логістики автономних транспортних засобів, як складової кіберфізичної системи з використанням моделей навчання з підкріпленням. Зважаючи на аналіз різноманітних методів побудови кіберфізичних систем у галузі автономної логістики, перший розділ розглядає та систематизує ці підходи. Зокрема, він досліджує та аналізує існуючі методики та інструменти, що використовуються в проектуванні та моделюванні кіберфізичних систем, зокрема в контексті автономних транспортних засобів. Другий розділ присвячений аналізу методів планування логістичних маршрутів та їхнього впливу на ефективність та безпеку автономних транспортних систем. Він досліджує існуючі методи та їхню ефективність, а також вказує на недоліки та можливості вдосконалення. Розділ охоплює розробку та вдосконалення методів контролю та керування кіберфізичними системами з метою підвищення їхньої надійності та ефективності. Цей розділ вивчає принципи функціонування кіберфізичних систем та методи їхнього оптимізованого управління. У третьому розділі розглядається метод побудови безпечних логістичних маршрутів, що базується на модифікації та розвитку алгоритму A*. Даний розділ описує впровадження нових функціональних можливостей та алгоритмів для забезпечення безпеки та ефективності автономних транспортних засобів. Розділ, окрім іншого, присвячений розробці архітектури кіберфізичних систем, яка включає в себе застосування «хмарних» технологій, мікросервісів та ефективних методів зберігання даних для підвищення швидкодії, покращення відмовостійкості та поліпшення надійності усієї системи. Четвертий розділ описує експериментальне підтвердження отриманих результатів шляхом комп’ютерного моделювання кіберфізичних логістичних систем. Він демонструє практичне застосування розроблених методів та алгоритмів у реальних умовах, що дає можливість перевірити їх ефективність та працездатність. Результати, отримані у дисертаційному дослідженні, містять наукову новизну: 1. розроблено новий метод планування шляху для автономних логістичних кіберфізичних систем, що включає в себе модифікації алгоритму A*, які забезпечують управління рухом автономних транспортних засобів у логістичних кіберфізичних системах, з використанням моделей навчання з підкріпленням, для поліпшення прийняття рішень у реальному часі; 2. удосконалено модельно-орієнтований метод до моделювання кіберфізичних систем, який, на відміну від існуючих, передбачає симбіоз метамоделювання та моделей бізнес-процесів, що дозволяє визначати ієрархічні структури, залежності між різними елементами кіберфізичних систем, включаючи аспекти їхньої динаміки, ресурсного управління та взаємодії з оточуючим середовищем; та забезпечує ефективність таких систем і їх відповідність стратегічним цілям; 3. дістав подальшого розвитку метод до побудови адаптивної логістичної системи на основі інтеграції засобів штучного інтелекту задля оптимізації планування шляху та уникнення перешкод, що, на відміну від існуючих, дозволяє логістичній системі гнучко адаптуватися до змін у внутрішніх та зовнішніх умовах та вчасно уникати перешкоди, що визначається високою продуктивністю та задоволенням вимог сучасного логістичного середовища, де швидкість реагування та ефективне управління ресурсами визначають успіх системи. Практичне значення результатів дисертаційного дослідження полягає у розроблені моделі кіберфізичної логістичної системи, що здатна керувати автономним об’єктами. Розроблені моделі навчання з підкріпленням та методи планування шляху дозволяють підвищити ефективність та точність планування маршрутів для автономних транспортних засобів, зменшуючи час доставки та оптимізуючи використання ресурсів. Розроблені методи планування шляху з урахуванням безпекових обмежень дозволяють уникнути небезпек та аварій на дорогах, забезпечуючи безпеку як для автономних транспортних засобів, так і для інших учасників дорожнього руху. Врахування обмежень при плануванні логістичного шляху дозволяє підвищити ефективність та оптимізувати процеси доставки, зменшуючи затрати часу та ресурсів на перевезення вантажів. Результати впроваджені в навчальний процес кафедри інформаційних систем та технологій при підготовці методичних матеріалів до проведення занять за освітнім компонентом «Оптимальні системи». Результати дисертаційної роботи опубліковано у 6 наукових публікаціях, серед яких 1 стаття у періодичному науковому виданні, проіндексованому у Web of Science Core Collection та Scopus базах даних, 2 статті у фахових наукових журналах категорії «Б», 2 публікації у матеріалах міжнародних наукових конференцій, 1 розділ у колективній монографії у співавторстві з науковим керівником, проіндексованій у базі Scopus.Документ Відкритий доступ Методи інтелектуального прогнозування артеріального тиску та класифікації артеріальної гіпертензії(КПІ ім. Ігоря Сікорського, 2025) Коломоєць, Сергій Олексійович; Чумаченко, Олена ІллівнаКоломоєць С.О. Методи інтелектуального прогнозування артеріального тиску та класифікації артеріальної гіпертензії. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 126 – Інформаційні системи та технології в галузі знань 12 – Інформаційні технології. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. Дисертаційну роботу присвячено розробці методів обробки сигналів безманжетного вимірювання артеріального тиску з подальшим їх прогнозуванням та розробці інтелектуальних методів класифікації ступеня артеріальної гіпертензії на основі використання гібридних нейронних мереж ансамбльового типу. В роботі проведено аналіз існуючих проблем з захворюваннями серцевосудинної системи, а саме проблеми діагностування артеріальної гіпертензії, яка характеризується підвищеним артеріального тиску, що може привести до виникнення таких тяжких захворювань як інфаркт або інсульт. Показано, що основним шляхом запобігання таких хвороб є постійний моніторинг артеріального тиску завдяки використанню безманжетного вимірювання артеріального тиску з подальшим його прогнозуванням за часом, що може надати можливість термінового інформування хворих та лікарів про необхідність медикаментозного втручання, що дозволить в короткий термін знизити артеріальний тиск. Другим шляхом запобігання вищеназваних вражаючих ефектів є розробка інтелектуальної системи діагностування ступеню артеріальної гіпертензії. У першому розділі наведено інформаційну довідку щодо поширення АГ у світі, зокрема в Україні і зроблено висновок, що стан цієї проблеми не відповідає світовим стандартам, зокрема європейським. Особливо це стосується практичній відсутності використання безманжетного вимірювання тиску для загальної спільноти. Проведено аналіз існуючих приладів по безманжетному вимірюванню тиску. У другому розділі обґрунтовано використання методів прогнозування часових рядів до прогнозу артеріального тиску у хворих. Наведено новий метод прогнозування артеріального тиску, який полягає у використанні методів попередньої обробки результатів вимірювання та методів прогнозування часових рядів. Виконано огляд наукових робіт з попередньої обробки даних. Обґрунтовано використання методів усунення шумів, виявлення та усунення аномалій, заповнення відсутніх даних за якими наведено результати попередньої обробки. В якості експериментальних даних для обробки було взято дані надані Державною установою «Національний науковий центр ім. акад. М.Д. Стражеска». Проведено аналіз відомих методів прогнозування часових рядів для даних вимірювання артеріального тиску. Показано, що найкращі результати дають методи на основі використання рекурентних нейронних мереж, а саме LSTM, GRU, BI-LSTM. З метою покращення результатів прогнозування запропоновано використання нового підходу, який передбачає застосування гібридних нейронних мереж на основі бустингу, а саме послідовного з’єднання таких нейронних мереж як LSTM, GRU та низки їх комбінацій. Отримані результати показали ефективність запропонованого підходу, а саме вдалося підвищити точність прогнозування різних горизонтів в середньому на 10%. В третьому розділі вирішена задачу по вибору суттєвих ознак які характеризують ступінь артеріальної гіпертензії, а саме: – для першого ступеню значеннями тиску; – для другого ступеню значеннями тиску аналізами крові та сечі (еритроцити, лейкоцити, гемоглобін, тромбоцити, рівень білка, рівень креатиніну, рівень холестерину (загального), рівень цукру (глюкоза), калій, магній, натрій, адреналін, норадреналін, альдостерон), аномальними показниками, які можна виявити на ЕКГ та ЕхоКГ (індекс Соколова — Лайона, вольтажний індекс Корнелла, ІМЛШ, хронічною хворобою нирок третьої стадії, кісточково-плечовим індексом, важкою ретинопатією; – для третього ступеню значеннями тиску, наявністю аномальних значень в аналізах, ЕКГ та ЕхоКГ як при ІІ ступені артеріальної гіпертензії, наявністю в анамнезі цереброваскулярних захворювань (внутрішньомозкового крововиливу, ішемічного інсульту, транзиторної ішемічної атаки), наявністю в анамнезі ішемічної хвороби серця (інфаркта міокарда, реваскуляризації міокарда, стенокардії), виявленню стенозу під час візуалізаційних досліджень, наявності тяжкої альбумінурії, наявністю четвертої або п’ятої стадії хронічної хвороби нирок. Обґрунтовано необхідність використання гібридних нейронних мереж побудованих на основі ансамбльового підходу для розв’язання задачі класифікації ступенів АГ. На основі проведеного аналізу показано що найкращим варіантом є використання бегінгу при цьому розроблено новий метод для розв’язання даної задачі. Отримані результати показали ефективність запропонованого методу. В четвертому розділі розроблено інформаційні технології та сценарії використання запропонованої інформаційної технології щодо інтелектуального прогнозування АТ. Результати, отримані в дисертаційному дослідженні, містять наукову новизну: – вперше запропоновано метод для обробки даних артеріального тиску у хворих, який відрізняється тим, що на основі методів безманжетного вимірювання здійснює попередню обробку отриманих даних та подальше прогнозування на основі використання гібридних рекурентних нейронних мереж, горизонт прогнозу яких адаптовано під поточний стан пацієнта, що дає можливість знизити імовірність виникнення інсульту або інфаркту у хворих; – удосконалено метод вирішення задачі класифікації та знижено обчислювальні витрати при машинному навчанні гібридних нейронних мереж за рахунок визначення найбільш впливових ознак артеріальної гіпертензії для різних ступенів захворювання, які крім загальних ознак (анамнез, результати огляду лікаря, результати аналізів крові, сечі, вимірювання артеріального тиску) включають результати обробки ЕКГ, ЕхоКГ; – розроблено метод структурно-параметричного синтезу гібридної нейронної мережі для розв’язання задачі класифікації ступеня артеріальної гіпертензії, який відрізняється тим, що гібридна нейронна мережа будується на основі створення беггінг-ансамблю інтелектуальних класифікаторів, включених в ансамбль за критеріями точності та різноманіття, що дозволяє підвищити точність класифікації. Дисертаційна робота складається зі вступу, 4 розділів, висновків, списку використаних джерел з 210 найменувань та одного додатку. Загальний обсяг дисертації складає 150 сторінок, містить 47 рисунків та 21 таблицю.