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

Результати пошуку

Зараз показуємо 1 - 3 з 3
  • Ескіз
    Публікація
    Модифікований спрощений алгоритм методу групового врахування аргументів в імітаційному моделюванні процесами
    (Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського", 2021) Равська, Наталія Сергіївна; Корбут, Євген Валентинович; Івановський, Олексій Анатолійович; Родин, Р. П.; Парненко, Валерія Сергіївна; Заковоротний, Олександр Юрійович; Клочко, Олександр Олександрович; Сапон, Сергій Петрович; Loroch, Rolahd
    Існує багато видів и методів імітаційного моделювання, але серед них особливої уваги заслуговують методи засновані на теорії евристичної самоорганізації. Всі алгоритми методу групового врахування аргументів (МГВА) характеризуються структурною спільністю на принципі самоорганізації, які потребують незначних вимог до апріорної інформації, щоб здійснити перебір безкінечно великої кількості варіантів. Перевагою алгоритму методу групового врахування аргументів в порівнянні з іншими алгоритмами цього класу є наявність можливостей розширення вектора вихідних даних та апарату для усунення колінеарності - прийому ортогоналізації. МГВА складається з двох блоків: попередньої обробки спостережень з врахуванням системи вибраних опорних функцій та розрахунку претендентів селекції. В результаті роботи алгоритму одержують моделі здатні управляти процесом з врахуванням явищ, що супроводжують певний процес. Враховуючи спільність основних положень теорії самоорганізації штучних нейронних мереж та МГВА, до змінних мережі додаймо модель в якості змінної Z. В результаті одержимо нейронну мережу, яка описує фізичні явища, що супроводжують процес. Це дозволить значно підвищити ефективність та точність управління процесом.
  • Ескіз
    Документ
    Імітаційне моделювання процесами спрощеним алгоритмом методу групового врахування аргументів
    (Донбаська державна машинобудівна академія, 2022) Равська, Наталія Сергіївна; Корбут, Євген Валентинович; Родин, Р. П.; Парненко, Валерія Сергіївна; Заковоротний, Олександр Юрійович; Клочко, Олександр Олександрович; Сапон, С. П.; Loroch, Rolahd
  • Ескіз
    Документ
    Нейронные сети, учитывающие физические явления, сопровождающие процесс резания
    (National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute", 2020) Равская, Н. С.; Клочко, Александр Александрович; Заковоротный, Александр Юрьевич; Корбут, Евгений Валентинович; Родин, Р. П.
    У статті розглядаються питання застосування штучних нейронних мереж для управління процесом різання. Розглянуто питання підвищення точності управління системи і необхідність створення ШНС на основі явищ, що супроводжують процес різання. Створення таких ШНС є актуальною проблемою і має велике практичне значення. У статті показано, що не дивлячись на те, що метод штучних нейронних мереж дозволяє вирішувати завдання класифікації образів, часто вже не формалізуються або важко формалізуються, але цей метод не застосуємо для отримання моделей процесу різання з метою прогнозування явищ його супроводжуючих і оптимізацію умов проведення його. Для вирішення подібних завдань доцільно застосовувати МГУА.