Кафедра "Системний аналіз та інформаційно-аналітичні технології"

Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/7644

Офіційний сайт кафедри http://web.kpi.kharkov.ua/say

Кафедра "Системний аналіз та інформаційно-аналітичні технології" заснована в 1982 році.

Кафедра входить до складу Навчально-наукового інституту комп'ютерних наук та інформаційних технологій Національного технічного університету "Харківський політехнічний інститут". Випускники кафедри працюють у провідних ІТ-компаніях: EPAM, CloudWorks, DataArt, MedeAnalytics, NIX Solutions, CodeIT, Ciklum та багатьох інших в Україні та за кордоном.

У складі науково-педагогічного колективу кафедри працюють: 4 доктора технічних наук; 9 кандидатів наук: 8 – технічних , 1 – економічних; 4 співробітника мають звання професора, 9 – доцента.

Переглянути

Результати пошуку

Зараз показуємо 1 - 10 з 15

Методичні вказівки до лабораторних занять з дисципліни "Основи штучного інтелекту"
(Національний технічний університет "Харківський політехнічний інститут", 2024) Дорофєєв, Юрій Іванович; Паржин, Юрій Володимирович
Для людини розумові здібності мають дуже важливе значення. Протягом багатьох років дослідники намагаються зрозуміти, як людина думає та вирішує складні інтелектуальні задачі, тобто збагнути, як людині вдається сприймати, розуміти, прогнозувати та управляти світом, який є набагато значнішим за своїми розмірами і набагато складнішим у порівнянні з людиною. Перед фахівцями в галузі створення інтелектуальних систем постає ще більш відповідальне завдання − не тільки зрозуміти природу інтелекту, але й створити інтелектуальні сутності, тобто моделі штучного інтелекту, які будуть мати компетентності людського рівня. У теперішній час тематика штучного інтелекту охоплює величезний перелік наукових напрямків, починаючи з таких задач загального характеру, як розпізнавання образів, класифікація та кластеризація даних, і закінчуючи такими спеціальними задачами, як гра в шахи та доведення математичних теорем. У дослідженнях, які об’єднуються поняттям «штучний інтелект», систематизуються та автоматизуються інтелектуальні задачі, і тому ця галузь стосується будь-якої сфери інтелектуальної діяльності людини. Метою даних методичних вказівок є допомога студентам засвоїти на практиці основні методи розв’язання інтелектуальних задач аналізу і обробки даних, а також принципи побудови та функціонування інтелектуальних систем. У результаті виконання лабораторних робіт студенти повинні вивчити типи архітектури інтелектуальних систем, способи їхньої побудови, навчання та моделювання. Оскільки зазначена галузь досліджень характеризується значною новизною, даний посібник описує лише основні типи інтелектуальних задач, для розв’язання яких доцільно використати системи штучного інтелекту. Дані лабораторні роботи також спрямовані на набуття студентами практичних навичок використання сучасних програмних засобів для побудови і моделювання інтелектуальних систем аналізу та обробки даних.
Методичні вказівки щодо вимог до структури та змісту пояснювальних записок дипломних робіт магістрів
(Національний технічний університет "Харківський політехнічний інститут", 2024) Безменов, Микола Іванович; Северин, Валерій Петрович; Дорофєєв, Юрій Іванович
Методичні вказівки містять опис вимог до обов’язкової структури та мінімального змісту пояснювальних записок дипломних робіт студентів другого (магістерського) рівня вищої освіти, які навчаються за спеціальністю 124 «Системний аналіз» на освітній програмі «Системний аналіз і управління».
Застосування методу парних порівнянь для побудови функції приналежності нечітких змінних
(Національний технічний університет "Харківський політехнічний інститут", 2018) Благіна, К. М.; Дорофєєв, Юрій Іванович
Методичні вказівки щодо вимог до структури та змісту пояснювальних записок дипломних робіт бакалаврів
(2023) Дорофєєв, Юрій Іванович; Безменов, Микола Іванович; Малько, Максим Миколайович; Северин, Валерій Петрович
Методичні вказівки містять опис вимог до обов’язкової структури та мінімального змісту пояснювальних записок дипломних робіт студентів першого (бакалаврського) рівня вищої освіти, які навчаються за спеціальністю 124 «Системний аналіз» на освітній програмі «Системний аналіз та управління».
Методичні вказівки щодо структури та змісту пояснювальних записок дипломних робіт бакалаврів
(2023) Коваленко, Сергій Володимирович; Дорофєєв, Юрій Іванович; Безменов, Микола Іванович
Методичні вказівки містять опис вимог до обов’язкової структури та мінімального змісту пояснювальних записок дипломних робіт студентів першого (бакалаврського) рівня вищої освіти, які навчаються за спеціальністю 186 «Видавництво та поліграфія» на освітній програмі «Інформаційні технології в медіаіндустрії».
Інформаційні технології керування запасами в мережах поставок
(ФОП Панов А. М., 2019) Любчик, Леонід Михайлович; Дорофєєв, Юрій Іванович
Розглянуто питання синтезу систем робастного керування запасами в мережах поставок в умовах невизначеності відносно транспортних запізнювань та зовнішнього попиту. З використанням методу інваріантних еліпсоїдів та дескрипторного підходу синтезовано системи децентралізованого гарантуючого керування запасами. Розглянуто сучасні інформаційні технології керування мережами поставок та результати розв’язання практичних задач. Призначено для науковців, інженерів, студентів та аспірантів.
Дескрипторный подход к синтезу управления запасами в цепях поставок с неопределенными временными задержками
(ESC "IASA" NTUU "Igor Sikorsky Kyiv Polytechnic Institute", 2017) Дорофеев, Юрий Иванович; Любчик, Леонид Михайлович; Никульченко, Артем Александрович
Consensus control of multi-agent systems with input delays: a descriptor model approach
(Lviv Polytechnic National University, 2019) Lyubchyk, L. M.; Dorofieiev, Yu. I.
This paper addresses the consensus control design for multi-agent systems with input time delay, which is unknown but bounded. Descriptor transformation is used to obtain a model without delay for closed-loop individual agent. The sufficient conditions for global consensus under directed communication topology are identified using Lyapunov–Krasovskii functional. To analyze the stability of the networked multi-agent system based on the relationship between the agents, the Lyapunov function method using corresponding comparison system is used. The effectiveness of the proposed control design method is demonstrated by a numerical simulation example.
Обзор методов автоматического распознавания эмоционального состояния человека по изображению
(Национальный технический универститет "Харьковский политехнический институт", 2020) Ульянко, Артем Леонидович; Дорофеев, Юрий Иванович
Рассматривается задача распознавания эмоционального состояния человека по изображению. Приведен обзор основных способов описания человеческих эмоций: разделение на конечное число классов и использование векторного описания. Представлены существующие разработки в области распознавания эмоций по изображению, а также приведен общий алгоритм работы подобных систем. Основными этапами решения задачи распознавании эмоций являются поиск лица на изображении и классификация эмоции. Информационная технология распознавания эмоций представлена в графической нотации. Описаны принципы работы алгоритма Виолы -Джонса, который используется для определения лица человека на изображении Представлены подходы, которые применяются для решения задачи классификации: алгоритм Виолы-Джонса, метод опорных точек, различные архитектуры нейронных сетей, которые предназначены для классификации изображений. Проанализированы преимущества и недостатки метода опорных точек, базирующегося на системе кодирования лицевых движений, а также способ применения алгоритма Виолы-Джонса для классификации эмоций. Рассмотрен метод распознавания эмоционального состояния человека на основании визуальной информации с применением сверточных нейронных сетей. Описаны принципы действия сверточных, субдискретизирующих и полносвязных слоев нейронной сети. На основе анализа опубликованных работ приведены результаты точности распознавания в различных условиях. Также представлены работы, в которых для анализа эмоционального состояния применяется комбинация сверточных и рекуррентных нейронных сетей, где кроме визуальной информации используется дополнительный источник – аудиопоток, что позволяет более эффективно классифицировать эмоции в видеопотоке. Представлены наиболее популярные обучающие выборки данных для решения рассмотренной задачи.
Robust model predictive control of constrained supply networks via invariant ellipsoids technique
(2013) Lyubchyk, Leonid; Dorofieiev, Yuri; Nikulchenko, Artem
The problem of robust control strategy synthesis for distributed supply network under demand uncertainty, time delays and state and control constraints is considered. An invariant ellipsoids approach is used for robust control problem solving, since the uncertain demands are regarded as an external disturbance. On the base Model Predictive Control approach, the designed control law implements in the form of linear feedback signal based on mismatch between the current state and safety stock level and provides external disturbances effect suppression with simultaneous robust stabilization of closed-loop system. Via invariant ellipsoids technique the considered problem was presented in the terms of Linear Matrix Inequalities and a solution of corresponding semi-definite optimization problem was also obtained. As an example, the three-tier supply network with ve nodes robust control problem is considered.