Кафедра "Комп'ютерна інженерія та програмування"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/1095

Офіційний сайт кафедри https://web.kpi.kharkov.ua/cep

Від 26 листопада 2021 року кафедра має назву – "Комп’ютерна інженерія та програмування"; попередні назви – “Обчислювальна техніка та програмування”, “Електронні обчислювальні машини”, первісна назва – кафедра “Математичні та лічильно-вирішальні прилади та пристрої”.

Кафедра “Математичні та лічильно-вирішальні прилади та пристрої” заснована 1 вересня 1961 року. Організатором та її першим завідувачем був професор Віктор Георгійович Васильєв.

Кафедра входить до складу Навчально-наукового інституту комп'ютерних наук та інформаційних технологій Національного технічного університету "Харківський політехнічний інститут". Перший випуск – 24 інженери, підготовлених кафедрою, відбувся в 1964 році. З тих пір кафедрою підготовлено понад 4 тисячі фахівців, зокрема близько 500 для 50 країн світу.

У складі науково-педагогічного колективу кафедри працюють: 11 докторів технічних наук, 21 кандидат технічних наук, 1 – економічних, 1 – фізико-математичних, 1 – педагогічних, 1 доктор філософії; 9 співробітників мають звання професора, 14 – доцента, 2 – старшого наукового співробітника.

Переглянути

Фільтри

2018 - 20193

Налаштування

Автор: search.filters.author.Леонов, Сергей ЮрьевичORCID: search.filters.orcid.https://orcid.org/0000-0001-8139-0458

Результати пошуку

Зараз показуємо 1 - 3 з 3
  • Ескіз
    Документ
    Нейронная сеть, использующая скалярное произведение и определяющая несколько решений
    (Національний технічний університет "Харківський політехнічний інститут", 2019) Дмитриенко, Валерий Дмитриевич; Леонов, Сергей Юрьевич
    Нейронная сеть Хемминга является весьма эффективным инструментом для решения задач распознавания дискретных объектов, двоичные компоненты которых описываются с помощью биполярных компонент, а в качестве меры близости используется разность между числом одинаковых биполярных компонент векторов и расстоянием Хемминга между ними. Для более тонкой классификации двоичных объектов (векторов) применяется ряд расширений расстояния Хемминга, использующих различные функции аффинности (близости или взаимосвязи) между двоичными объектами. В статье предлагаются модификации нейронной сети Хемминга, в которых вместо расстояния Хемминга предлагаются другие функции аффинности между двоичными векторами.
  • Ескіз
    Документ
    Программная компонента для поиска решений системы уравнений в частных производных в ГТУ методом группового учета аргументов
    (Национальный технический университет "Харьковский политехнический институт", 2019) Дмитриенко, Валерий Дмитриевич; Заковоротный, Александр Юрьевич; Леонов, Сергей Юрьевич; Главчев, Дмитрий Максимович
    В геометрической теории управления (ГТУ) модели объектов управления, описываемые системами нелинейных обыкновенных дифференциальных уравнений, преобразовываются в эквивалентные линейные модели в форме Бруновского. Затем с помощью линейных моделей определяют оптимальные законы управления линейными объектами, а потом с помощью специальных преобразований переносят эти законы управления на модели исходных нелинейных объектов. Для определения функций преобразования (ФП), связывающих переменные линейных и нелинейных моделей необходимо решать системы дифференциальных уравнений в частных производных. Поскольку универсальных методов решения таких систем уравнений нет, то предложен метод поиска ФП на основе многорядного алгоритма МГУА. Проверка предложенного метода при решении ряда задач с помощью ГТУ подтвердила его работоспособность.
  • Ескіз
    Документ
    Основные структуры данных на базе ассоциативных нейронных сетей
    (НТУ "ХПІ", 2018) Дмитриенко, Валерий Дмитриевич; Леонов, Сергей Юрьевич; Бречко, Вероника Александровна
    Без основных структур данных: списков, магазинов, очередей, деревьев и т. д., невозможна разработка эффективных алгоритмов. Однако при моделировании ряда технологических процессов (например, при лезвийной обработке металлов) обычные структуры данных недостаточно соответствуют этим процессам и поэтому становятся неэффективными. В связи с этим предлагается новая структура данных на основе ассоциативных нейронных сетей, позволяющая более эффективно моделировать технологические процессы лезвийной обработки металлов.