Факультет біомедичної інженерії (ФБМІ)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/59

Переглянути

Перегляд Факультет біомедичної інженерії (ФБМІ) за Ключові слова "004.021"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Програмна система для порівняльного дослідження збіжності алгоритмів лінійної класифікації
    (2018) Матушевич, Наталія Анатоліївна; Файнзільберг, Леонід Соломонович
    Обсяг магістерської дисертації становить 143 сторінок, 56 ілюстрації, 7 таблиць та 48 джерел за переліком посилань. Завдання навчання розпізнавання об'єктів різної фізичної природи (Mashine Leatning) - одна з головних задач штучного інтелекту. Досить часто таке завдання розглядаються як завдання визначення параметрів дискримінантної функції (функцій) в багатовимірному просторі ознак. Існують різні алгоритми навчання лінійних класифікаторів, два з яких - алгоритм навчання персептрона, запропонований Френком Розенблатом і алгоритм Б.Н.Козинця. Формальні умови, які дають оцінку числа ітерацій вказаних алгоритмів, досить грубі і тому не дозволяють однозначно відповісти на важливе питання: який з алгоритмів і коли забезпечує більшу швидкість збіжності в процесі навчання по кінцевої вибірці спостережень. Невідомі також і ряд інших властивостей названих алгоритмів, які важливі при вирішенні конкретних практичних завдань. Метою дослідження є розробка програмної системи для дослідження властивостей алгоритмів навчання Розенблата і Козинця на основі проведення статистичного експерименту методом Монте-Карло. Завдання: - провести аналіз алгоритмів лінійної класифікації об’єктів; - створити програмну систему для зручного дослідження збіжності алгоритмів; - програмно реалізувати алгоритм Розенблата; - програмно реалізувати алгоритм Козинця; - провести дослідження збіжності обраних алгоритмів; - проаналізувати результати експериментів. Об’єктом дослідження є алгоритми для лінійної класифікації об’єктів. Предметом дослідження виступають алгоритми Розенблата та Козинця для лінійної класифікації об’єктів, їх властивості. Розробка була здійснена засобами мови програмування C# в середовищі розробки Microsoft Visual Studio 2017. Матеріали, що свідчать про наукову та практичну цінність публікації: 1. Fainzilberg L.S., Matushevych N.A. Сomparative evaluation of convergence's speed of learning algorithms for linear classifiers by statistical experiments method introduction // Кибернетика и вычислительная техника. – 2018. – № 2. – 17 с. 2. Матушевич Н.А. Огляд алгоритму Козинця для побудови оптимальної розділяючої гіперплощини // Актуальные научные исследования в современном мире // Сб. научных трудов - Переяслав- мельницкий. – 2017. – № 12(32), ч. 7. – С.122-125. 3. Матушевич Н.А. Порівняльний аналіз алгоритмів побудови розділяючої гіперплощини // Теорія і практика накових знань (частина IV): матеріали II Міжнародної науково-практичної конференції м. Київ, 28-29 грудня 2017 року. – Київ.: МЦНД. – 2017. – С. 31-31. 4. Програмний продукт розроблено та впроваджено в Міжнародному науково-навчальному центрі інформаційних технологій і систем Національної Академії наук України та Міністерства освіти і науки України та відповідає заявленим вимогам (акт впровадження від 25.04.18).
  • Ескіз
    ДокументВідкритий доступ
    Створення та порівняльний аналіз кластеризаційних алгоритмів розпізнавання статистичних залежностей
    (2018) Уманець, Віталій Сергійович; Павлов, Володимир Анатолійович
    Обсяг магістерської дисертації становить 127 сторінок, 72 ілюстрації, 5 таблиць та 50 джерел за переліком посилань. Задача визначення функціонального зв'язку між біофізичними показниками є складовою частиною актуального завдання пошуку оптимальних впливів на біологічний об'єкт і не вирішена в повній мірі на сьогоднішній день. При цьому найбільш цікавими є результати, що адекватно представляють розбиття простору на області (кластери) які відносяться до різних функціональних співвідношень, що зв'язують біофізичні показники, що розглядуються в даній області. Такі кластери логічно називати функціональними, а їх форма в загальному випадку може бути довільною. Для адекватного поділу вихідної сукупності на такі однорідні групи необхідне застосування нових інформаційних технологій. Метою дослідження є розробка алгоритму кластерного аналізу, що дозволяє формувати кластери довільної форми та оцінювати динаміку змін характеристик біологічних об’єктів. У відповідності до мети сформовано наступні задачі:  Провести аналіз сучасних алгоритмів кластеризації.  Розробити алгоритм нечітких k-середніх з обмеженою масою робочої області.  Спроектувати та реалізувати програмний засіб для побудови розбиття множини об'єктів на кластери за допомогою розробленого алгоритму.  Оцінити ефективність алгоритму на практичній задачі. Об’єктом дослідження є технології Data Mining. Предметом дослідження виступає кластерний аналіз. Розробка була здійснена засобами мов програмування Java та Scala в середовищі розробки IntelliJ IDEA. Публікації за темою магістерської дисертації: 1) Настенко Є.А., Уманець В.С. Аналіз станів системи кровообігу студентів у просторі параметрів залежності артеріальний тиск-пульс / Є.А. Настенко, Г.Л. Бойко, В.А Павлов, В.С. Уманець// Вісник університету "Україна". – Серія "Інформатика, обчислювальна техніка та кібернетика". – Київ. – 2018. – № 1(21). – 6 с. 2) Настенко Є.А., Уманець В.С. Метод нечітких k-середніх з обмеженою масою робочої області формування кластерів довільної форми // Біомедична інженерія і технологія. – Київ. – 2018. – 7 с. 3) Уманець В.С. Модифицированный алгоритм С-средних для функционально связных кластеров // Теорія і практика наукових знань (частина IV): матеріали II Міжнародної науково-практичної конференції. – Київ. – 28-29 грудня 2017 р. – С. 48-49. Магістерська дисертація виконана на замовлення кафедри фізичного виховання «КПІ ім. Ігоря Сікорського». Одержані результати дослідження впроваджені в діяльність кафедри фізичного виховання «КПІ ім. Ігоря Сікорського» (акт впровадження від 03.05.2018).