2025

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/73841

Переглянути

Перегляд 2025 за Ключові слова "004.94"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Модель широтно-імпульсного регулятора швидкості двигуна БПЛА
    (КПІ ім. Ігоря Сікорського, 2025) Бердник, Ю.; Ролік, О.
    У статті розглянуто проблему керування безщітковим двигуном постійного струму, які широко використовуються в безпілотних літальних апаратах. Отримано модель безщіткового двигуна постійного струму. Синтезовано ШІМ-регулятор швидкості обертання двигуна БПЛА. Проведено моделювання, отримано графіки перехідних процесів. Досліджено вплив параметрів ШІМ-сигналу на якість керування. Встановлено залежність між частотою ШІМ-сигналу та показниками якості керування. Метою роботи є спрощення процесу проєктування систем керування БПЛА, шляхом встановлення критеріїв вибору параметрів широтно-імпульсного регулятора двигуна дрона. Об’єктом дослідження є двигун БПЛА. Виконання таких досліджень є актуальним у нинішніх умовах, оскільки виробники комерційних дронів не розголошують критерії налаштування ШІМ-регуляторів, а в науковій літературі приділено недостатньо уваги цій проблемі. Отримані результати можуть бути використані для проєктування власних систем керування двигунами дрона.
  • Ескіз
    ДокументВідкритий доступ
    Моделі для аналізу успішності стартапів та прогнозування їх виживання на ринку
    (КПІ ім. Ігоря Сікорського, 2025) Чорнобривець, Д. В.; Сергійчук, К. І.; Ліхоузова, Тетяна Анатоліївна
    Робота присвячена аналізу та прогнозуванню успішності стартапів. Метою є виявлення факторів, що впливають на можливості фінансування старапу, а також розробка моделей для прогнозування його успіху і майбутніх тенденцій. У роботі проведено ґрунтовний аналіз історичних даних стартапів з різних країн, їх показники фінансування та пройдені віхи розвитку. Дослідження базувалось на даних за більш ніж 100 років. Для прогнозування виживання стартапів на ринку обрано чотири моделі: Random Forest, k-Nearest Neighbors (kNN), Decision Tree та Gradient Boosting. Основною метрикою для визначення точності моделі у цьому дослідженні є зважена F-міра. На основі отриманих результатів можна зробити висновок, що найоптимальнішим методом для прогнозування успішності стартапу є модель Random Forest, хоча й інші моделі дали не набагато гірший результат. Аналіз факторів, що впливають на успішність стартапів, є критично важливим для розробки стратегій їх підтримки та розвитку. Отримані результати можуть бути використані як інвесторами, так і самими компаніями для прийняття більш обґрунтованих рішень та розробки ефективних стратегій. Очікується, що результати дослідження дозволять отримати глибше розуміння майбутніх перспектив цих компаній.