Методи та програмні засоби для вирішення задачі класифікації на основі тривимірних нейронних мереж

Скорочена інформація про документ
dc.contributor.advisorЛісовиченко, Олег Іванович
dc.contributor.authorПаладієв, Олександр Олегович
dc.date.accessioned2025-06-27T09:33:47Z
dc.date.available2025-06-27T09:33:47Z
dc.date.issued2025
dc.description.abstractПаладієв О.О. Методи та програмні засоби для вирішення задачі класифікації на основі тривимірних нейронних мереж. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 – Інженерія програмного забезпечення з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ,, 2025. Дисертаційна робота присвячена розробці та дослідженню спеціалізованих програмних засобів для ефективної класифікації тривимірних зображень з можливістю їх інтеграції в різноманітні автоматизовані процеси. Основною метою дослідження є вдосконалення методів обробки та аналізу тривимірних даних шляхом застосування передових підходів до проектування архітектур нейронних мереж і розробки адаптивних алгоритмів оптимізації. У ході виконання роботи досягнуто наступних результатів: Вперше запропоновано використання опонентної кольорової системи як методу попередньої обробки даних. Запропонований метод підвищує інформативність ознак і покращує їхню інтерпретацію нейронними мережами, що суттєво зменшує втрати при класифікації. Додатково, досліджено особливості роботи опонентної системи в умовах різного рівня зашумленості вхідних даних, що дозволило розробити стратегії її адаптації до специфічних наборів зображень. Вперше розроблено топологію нейронних зв’язків яка реалізує локальнообмежені структури зв’язків з протилежними нейронами та їх безпосередніми сусідами в тривимірному просторі. Запропонована топологія поєднує розширювальні та звужувальні шари, що сприяє ефективному вилученню ознак. Особлива увага приділялася оптимізації параметрів цих шарів для забезпечення їхньої гнучкості й адаптивності під різні типи даних, а також визначенню оптимальної кількості нейронів і типів функцій активації для покращення навчання мережі. Вперше розроблено методи зміни кількості нейронних зв’язків. Ці підходи забезпечують підвищення швидкодії програмних засобів класифікації, за рахунок видалення слабких зв’язків та підвищення точності класифікації за рахунок генерації нових зв’язків для нейронів з вагами, наближеними до меж функції активації. Розроблено та протестовано кілька методів адаптації, включаючи методи поступового усічення ваг і додавання нових зв'язків для підвищення стійкості моделі до варіативності вхідних даних. Розроблено програмні засоби для забезпечення доступу до функціоналу класифікації тривимірних зображень, який дозволяє інтегрувати можливості класифікації в різні автоматизовані процеси. Реалізоване рішення підтримує масштабованість обробки великих обсягів даних, включаючи функції попередньої обробки, аналізу результатів і моніторингу продуктивності. Здійснено детальне тестування продуктивності розроблених програмних засобів на основі двох тривимірних наборів даних. Результати експериментів підтвердили високу точність і продуктивність розробленого підходу, що забезпечує його конкурентоспроможність у вирішенні задач автоматизованої класифікації складних тривимірних структур. Таким чином, створений метод класифікації та програмні засоби є ефективним рішенням для класифікації тривимірних зображень, поєднуючи новітні архітектури нейронних мереж і алгоритми оптимізації для досягнення високих показників точності та продуктивності. Запропонований підхід демонструє високу гнучкість і адаптивність, що дозволяє його застосування в широкому спектрі прикладних задач, включаючи медичну діагностику, промислову автоматизацію та аналіз наукових даних. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел та додатків. Загальний обсяг роботи становить 212 сторінок, з яких 168 сторінок основного тексту. Робота містить 50 рисунків, 3 таблиці та 80 літературних джерел.
dc.description.abstractotherPalladiiev O.O. Methods and software for solving the classification problem based on three-dimensional neural networks. – Qualification Research Paper (Manuscript). Dissertation for the degree of Doctor of Philosophy in the specialty 121 – Software Engineering, in the field of knowledge 12 – Information Technologies. – National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute," Kyiv, 2025. This dissertation is dedicated to the development and investigation of specialized software tools for effective classification of three-dimensional images with the possibility of integration into various automated processes. The main objective of the study is to improve methods for processing and analyzing three-dimensional data by applying advanced approaches to neural network architecture design and developing adaptive optimization algorithms. The following results were achieved during the research: For the first time, the use of an opponent color system as a preprocessing stage for image data was proposed. The suggested technique enhances the informativeness of features and improves their interpretation by neural networks, significantly increasing classification efficiency. Additionally, the behavior of the opponent system under different levels of input data noise was studied, enabling the development of strategies to adapt it to specific image datasets. A new concept for organizing layers in neural networks with localized connection schemes between neurons was developed. The proposed architecture combines expansion and contraction layers, facilitating effective feature extraction and data dimensionality reduction with minimal information loss. Special attention was paid to optimizing the parameters of these layers to ensure flexibility and adaptability to different data types, as well as determining the optimal number of neurons and activation functions to improve network training. Adaptive methods for optimizing neural network architecture were implemented for the first time, based on dynamic restructuring of local connections during the training process. This approach improves classification efficiency and accuracy by adapting the network structure to the characteristics of input data. Several adaptation algorithms were developed and tested, including methods for gradual weight pruning and adding new connections to enhance model robustness against data variability. Algorithms for selecting neurons with low activity (weak connections) were proposed to reduce the computational complexity of the network and minimize the risk of overfitting. This allows for maintaining high accuracy results with optimal resource utilization. Criteria for neuron selection were developed, based on feature importance analysis and their contribution to the final decision. A tool was developed to provide access to the functionality of three-dimensional image classification, enabling the integration of classification capabilities into various automated processes. The implemented solution supports scalability for processing large datasets, including preprocessing functions, result analysis, and performance monitoring. Comprehensive performance testing of the developed software was conducted using a spectrum of three-dimensional datasets. Experimental results confirmed the high accuracy and performance of the proposed approach, ensuring its competitiveness in solving automated classification tasks for complex three-dimensional structures. Thus, the created classification method and software tools represent an effective solution for classifying three-dimensional images, combining advanced neural network architectures and optimization algorithms to achieve high accuracy and performance. The proposed approach demonstrates high flexibility and adaptability, allowing its application in a wide range of practical tasks, including medical diagnostics, industrial automation, and scientific data analysis. The dissertation consists of an introduction, four chapters, conclusions, a list of sources used and appendices. The total volume of the work is 212 pages, of which 168 pages are the main text. The work contains 50 figures, 3 tables and 80 literary sources.
dc.format.extent212 с.
dc.identifier.citationПаладієв, О. О. Методи та програмні засоби для вирішення задачі класифікації на основі тривимірних нейронних мереж : дис. … д-ра філософії : 121 Інженерія програмного забезпечення / Паладієв Олександр Олегович. – Київ, 2025. – 212 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74480
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectінженерія програмного забезпечення
dc.subjectаналіз даних
dc.subjectавтоматизація
dc.subjectавтоматизація моделювання нейронних мереж
dc.subjectавтоматизована обробка
dc.subjectглибоке навчання
dc.subjectкласифікація
dc.subjectмашинне навчання
dc.subjectмета-навчання
dc.subjectметоди машинного навчання
dc.subjectнечітка логіка
dc.subjectоцінка ефективності
dc.subjectпопередня обробка
dc.subjectрозпізнавання об’єктів
dc.subjectсистеми нечіткої логіки
dc.subjectнейронні мережі
dc.subjectінтелектуалізація
dc.subjectмодель
dc.subjectмікросервіси
dc.subjectsoftware engineering
dc.subjectdata analysis
dc.subjectautomation
dc.subjectneural network modeling automation
dc.subjectautomated processing
dc.subjectdeep learning
dc.subjectclassification
dc.subjectmachine learning
dc.subjectmeta-learning
dc.subjectmachine learning methods
dc.subjectfuzzy logic
dc.subjectperformance evaluation
dc.subjectpreprocessing
dc.subjectobject recognition
dc.subjectfuzzy logic systems
dc.subjectneural networks
dc.subjectintellectualization
dc.subjectmodel
dc.subjectmicroservices
dc.subject.udc004.65
dc.titleМетоди та програмні засоби для вирішення задачі класифікації на основі тривимірних нейронних мереж
dc.title.alternativeMethods and software for solving the classification problem based on three-dimensional neural networks
dc.typeThesis Doctoral

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Palladiiev_dys.pdf
Розмір:
6.9 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Дисертації (ІПІ)
Дисертації (вільний доступ)