05.13.06 "Інформаційні технології"
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/17403
Переглянути
6 результатів
Результати пошуку
Документ Інформаційно-екстремальна інтелектуальна технологія діагностування емоційно-психічного стану людини(Національний технічний університет "Харківський політехнічний інститут", 2023) Прилепа, Дмитро ВікторовичДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології (12 – Інформаційні технології). – Національний технічний університет «Харківський політехнічний інститут», Харків, 2023. Об’єктом дослідження є слабо формалізований процес прийняття рішень при діагностуванні емоційно-психічного стану (ЕПС) людини за довільних початкових умов формування зображення її обличчя. Предмет дослідження складають моделі та методи інформаційно-екстремальної інтелектуальної технології машинного навчання системи підтримки прийняття діагностичних рішень (СППДР) при визначенні ЕПС людини. Дисертаційна робота присвячена підвищення функціональної ефективності здатної до машинного навчання системи підтримки прийняття діагностичних рішень для визначення ЕПС людини за зображенням її обличчям, що дозволить збільшити точність і оперативність оцінювання поточного рівня стійкості та впливу стресу, втоми та різних збурюючих факторів на професійну діяльність людини. У дисертаційній роботі вирішено важливе науково-прикладне завдання підвищення функціональної ефективності СППДР при визначенні ЕПС людини за зображенням її обличчя. Обрані методи дослідження базуються на фундаментальних основах і методах системного аналізу та технологіях інтелектуального аналізу даних для побудови в процесі машинного навчання контейнерів класів розпізнавання, методах функціонального аналізу для побудови категорійних моделей машинного навчання, методах теорії інформації для оцінки інформаційної міри різноманітності системи діагностування ЕПС людини, методах теорії ймовірностей та математичної статистики для оцінки випадкових величин і перевірки статистичних гіпотез та об’єктно-орієнтованій методології проектування складних систем для розробки інформаційного та програмного забезпечення здатної навчатися СППДР при визначенні ЕПС людини. Дисертаційна робота обґрунтовує актуальність теми, зазначає зв’язок роботи з науковими темами, формулює мету та задачі дослідження, визначає об’єкт, предмет та методи дослідження, демонструє наукову новизну та практичне значення отриманих результатів, наводить інформацію про практичне використання, апробацію результатів та їх висвітлення у публікаціях. Показано, що основним шляхом підвищення якості процесу діагностування ЕПС людини за зображенням її обличчя є наявність системи функціонального діагностування, що дозволяє оцінювати нестабільність поточного стану та ефективність психокорегуючих заходів. За результатами аналізу сучасного стану та тенденцій розвитку систем діагностування ЕПС людини її зовнішнього спостереження показано необхідність розробки моделей і методів інформаційних технологій функціонального діагностування на основі машинного навчання і теорії розпізнавання образів. Аналіз результатів, отриманих різними вченими показує, що основним шляхом вирішення проблеми розробки ефективної технології оцінки емоційно-психічного стану людини є поєднання класичних методів психодіагностування з сучасними інтелектуальними інформаційними технологіями аналізу даних. Водночас прослідковується тенденція до заміни класичних активних методів безпосереднього опитування на технології аналізу психофізичних реакцій людини, характеристик зовнішності та поведінки, динаміки її рухів в режимі пасивного дистанційного спостереження; перехід від індивідуального діагностування в контрольованому середовищі до масової оперативної оцінки при довільних оточуючих умовах; застосування сучасних інформаційних технології фото та відеоспостереження для накопичення даних та інтелектуальних методів ідентифікації особи та класифікаційного аналізу динаміки її стану, використання додаткової інформації щодо активності людини в соціальних мережах або інших відкритих Інтернет-джерелах, корпоративних мережах та інших спеціалізованих сховищах даних. Показано перспективність використання інформаційно-екстремальної інтелектуальної технології аналізу даних, яка ґрунтується на максимізації інформаційної спроможності системи в процесі її самонавчання. Вперше розроблено метод інформаційно-екстремального машинного навчання системи підтримки прийняття діагностичних рішень, який дозволяє визначити емоційно-психічних стан людини за зображенням її обличчя шляхом оцінки інформаційної різноманітності ліво- та правопівкульних портретів, сформованих за довільних початкових умов виконання окремих діагностичних дій. Вперше розроблено у рамках інформаційно-екстремальної інтелектуальної технології комплекс функціональних категорійних моделей, які дозволяють забезпечити перетворення інформації та інформаційних потоків, що відбуваються під час притаманних лікарю-психологу когнітивних процесів формування та прийняття класифікаційних рішень при визначенні емоційно-психічного стану людини за зображенням її обличчя, та здійснювати синтез алгоритмів функціонування інтелектуальних складових комп'ютеризованих систем діагностування. Вперше розроблено комбіновану інформаційну міру різноманітності ліво- та правопівкульного портрету людини, яка формується в процесі визначення ЕПС, що дозволяє усунути недоліки ентропійного критерію та інформаційної критерію Кульбака-Лейблера, які використовувалися як міри оцінювання функціональної ефективності машинного навчання у попередніх дослідженнях у рамках інформаційно-екстремальної інтелектуальної технології аналізу даних. Розроблено інформаційно-екстремальнийметод оптимізації значень генотипних і фенотипних параметрів машинного навчання системипідтримки прийняття діагностичних рішень при визначенні емоційно-психічного стану людини як за повним зображенням її обличчя, так і за окремими фрагментами або їх комбінаціями шляхом оцінки інформативності діагностичних ознак.Отримав подальший розвиток комплексний підхід для вирішення задачі моніторингу ЕПС людини під час виконання психотерапевтичних заходів шляхом формування індивідуальної траєкторії психокорекції на базі функціональних кате-горійних моделей інформаційно-екстремального машинного навчання. Отримали подальший розвиток методи інформаційно-екстремальної оптимізації параметрів вхідного математичного опису системи підтримки прийняття діагностичних рішень з урахуванням особливостей процесу визначення емоційно-психічного стану людини за зображення обличчя та його рецепторного поля, що дозволило без втрати якості і точності діагностування використовувати вхідні дані сформовані без залучення спеціального обладнання та довільних умов. Запропоновано методологію проєктування здатної до машинного навчання системи підтримки прийняття діагностичних рішень, що дає змогу сформувати структуру взаємопов’язаних етапів її аналізу і синтезу, реалізація яких в процесі визначення ЕПС людини здійснюється залежно від результатів попередніх задач.Усі теоретичні розробки дисертації доведено до конкретних інженерних методик та алгоритмів з застосуванням запропонованої інформаційної технології створення та використання здатної навчатися СППДР при визначенні ЕПС людини за її обличчям. Основні наукові результати впроваджено у вигляді інформаційної технології, яка включає функціональні категорійні моделі, методи, критерії оцінки інформаційної міри різноманітності, засобів алгоритмічного і програмного забезпечення системи підтримки прийняття рішень для діагностування емоційно-психічного стану людини на підприємстві КНП СОР “Обласний клінічний медичний центр соціально небезпечних захворювань” (м.Суми) (акт впровадження від 23.05.2023 р.)) і в навчальний процес Сумського державного університету (акт впровадження від 22.05.2023 р.).Документ Інформаційно-екстремальна інтелектуальна технологія діагностування емоційно-психічного стану людини(Національний технічний університет "Харківський політехнічний інститут", 2023) Прилепа, Дмитро ВікторовичДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології (12 – Інформаційні технології). – Національний технічний університет «Харківський політехнічний інсти-тут», Харків, 2023. Дисертаційна робота присвячена підвищення функціональної ефективності здатної до машинного навчання системи підтримки прийняття діагностич-них рішень для визначення ЕПС людини за зображенням її обличчям, що дозволить збільшити точність і оперативність оцінювання поточного рівня стійкості та впливу стресу, втоми та різних збурюючих факторів на професійну діяльність людини. У дисертаційній роботі було поставлено та успішно вирішено важливе науково-прикладне завдання, яке полягає в розробці здатної навчатися інформаційної інтелектуальної технології інформаційного синтезу, з метою діагностування емоційно-психічного стану людини на основі аналізу зображення її обличчя. Водночас дослідження в рамках цієї роботи здійснені в контексті інформаційно-екстремальної інтелектуальної технології аналізу даних. На основі запропонованих та розроблених моделей, методів та алгоритмів створено комплекс інструментальних засобів для інформаційного синтезу системи підтримки прийняття діагностичних рішень при визначенні емоційно-психічного стану людини за зображенням її обличчям, який включає модулі формування вхідного математичного опису системи, алгоритми інформаційно-екстремального машинного навчання і побудовані за результатам машинного навчання контейнери класів розпізнавання, які дозволяють підвищити точність і оперативність машинного оцінювання поточного рівня емоційної стійкості.Документ Інформаційна технологія класифікації впорядкованих масивів даних із фрактальними властивостями методами машинного навчання(Національний технічний університет "Харківський політехнічний інститут", 2021) Булах, Віталій АнатолійовичДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – "Інформаційні технології". – Міністерство освіти і науки України національний технічний университет "Харківський політехнічний інститут", 2021. Дисертаційна робота присвячена вирішенню задачі класифікації фрактальних упорядкованих масивів даних (УМД) в різноманітних сферах людської діяльності, наприклад в медицині при діагностиці захворювань по енцефалограмам, кардіограмам; при виявленні кризових ситуацій по біржовим індексам; виявлення вторгнень в комп’ютерну мережу та інше. Метою дисертаційної роботи є підвищення точності класифікації упорядкованих масивів даних із фрактальними властивостями шляхом створення інформаційної технології класифікації методами машинного навчання. Об’єкт дослідження – процес класифікації об’єктів методами машинного навчання. Предмет дослідження – методи та моделі класифікації фрактальних упорядкованих масивів даних. Методи дослідження. При вирішенні поставлених задач у роботі використовувався математичний апарат методів машинного навчання; методи математичної статистики – для статистичного аналізу упорядкованих масивів даних, аналізу точності класифікації методами машинного навчання; методи теорії хаоса та фрактального аналізу – для обчислення фрактальних та рекурентних характеристик. Наукова новизна отриманих результатів полягає у тому, що вперше встановлено наступне: – розроблено інформаційну технологію класифікації фрактальних упорядкованих масивів даних, яка заснована на поєднанні методів дерев рішень та нейронних мереж, враховує самоподібні та мультифрактальні властивості упорядкованих даних, що дозволяє збільшити точність класифікації; – запропоновано метод оцінювання показника Херста за значеннями часового ряду, який засновано на застосуванні класифікаційних методів машинного навчання, що дозволяє суттєво зменшити довірчий інтервал оцінки; – застосовані рекурентні характеристики часових рядів, як ознаки для класифікації часових рядів на основі їхніх фрактальних властивостей методами машинного навчання, дозволили збільшити точність класифікації. Подальший розвиток отримали: – метод генерації фрактальних реалізацій на основі стохастичного мультиплікативного біноміального каскаду, який на відміну від існуючих використовує аналітичне визначення параметрів несиметричного бета-розподілу, що дозволяє генерувати упорядковані масиви даних із заданими мультифрактальними властивостями; – методи бінарної класифікації часових рядів з фрактальними властивостями, що засновані на використанні дерев прийняття рішень та нейронних мереж, які на відміну від існуючих використовують як ознаки фрактальні та рекурентні характеристики, що дозволяє збільшити точність класифікації. Практичне значення отриманих результатів полягає у тому, що в результаті виконаного дисертаційного дослідження створено комплекс методів, алгоритмів і програм, які дозволяють вирішити завдання класифікації фрактальних упорядкованих масивів даних. Усі теоретичні розробки дисертації доведені автором до конкретних методів і покладені в основу функціонування інформаційної технології класифікації впорядкованих масивів даних із фрактальними властивостями методами машинного навчання. Запропонований метод оцінювання показника Херста, який програмно реалізований, дозволяє покращити точність його оцінювання за упорядкованими даними, а саме: зменшує довірчий інтервал оцінки в декілька разів. Проведений у роботі аналіз існуючих методів класифікації упорядкованих масивів даних показав: незважаючи на те, що застосування машинного навчання в задачах аналізу фрактальних даних постійно зростає, на сьогоднішній, день не розроблено інформаційної технології, яка призначена для задач класифікації фрактальних масивів даних, зокрема часових рядів. У роботі виконано огляд існуючих методів генерування фрактальних та мультифрактальних упорядкованих масивів даних. Доведена необхідність удосконалення таких методів, та запропоновано підхід до генерації стохастичного мультиплікативного біноміального каскаду на основі вирішення задачі нелінійної оптимізації. Розв’язання цієї задачі дозволяє використовувати несиметричний бета-розподіл для генерації стохастичного мультиплікативного біноміального каскаду, що дозволило охопити широкий спектр мультифрактальних властивостей. Використання удосконаленого методу генерації стохастичного мультиплікативного біноміального каскаду дає змогу генерувати більш складні у фрактальному сенсі реалізації мультифрактального броунівського руху. Проведено чисельні експерименти класифікації різних типів упорядкованих масивів даних, які були розбиті на класи за їхніми фрактальними властивостями. Були застосовані наступні методи класифікації: дерева прийняття рішень, bagging, випадковий ліс, багатошаровий персептрон, мережі довгої короткострокової пам’яті. Дослідження показали, що діапазон мультифрактальних і самоподібних властивостей відіграє важливу роль для вибору класифікатора, і відповідно на точність класифікації. Було доведено що використання статистичних та фрактальних характеристик мультифрактальних упорядкованих масивів даних дозволяє покращиті точність класифікації УМД порівняно з використанням значень УМД як ознак при класифікації. Розглянуто рекурентні діаграми та запропоновано використання їх характеристик в якості ознак при навчанні моделей класифікації. Дослідження показали що характеристики рекурентних діаграм дають суттєвий внесок в точність класифікації, та дозволяють класифікувати УМД з монофрактальними властивостями. Розроблена інформаційна технологія класифікації УМД, котра дозволяє підібрати оптимальний метод машинного навчання для класифікації досліджуваного упорядкованого масиву даних. Запропоновано використання розробленої інформаційної технології для визначення показника Херста УМД. Експериментально доведено ефективність використання методів машинного навчання для визначення показника Херста та його довірчого інтервалу, та дозволило скоротити довірчий інтервал показника Херста для фрактальних та мультифрактальних УМД більше ніж у 2 рази. Приведено результати застосування запропонованої інформаційної технології для виявлення DDoS-атак в комп’ютерній мережі. ІТ збільшує кількість виявлених атак, що дозволяє використовувати запропоновану ІТ як додатковий фільтр при виявленні DDoS-атак. Запропоновані у роботі моделі, методи та інформаційна технологія класифікації фрактальних даних були впроваджені у діяльність підприємств різних галузей економіки: – для підприємства ПрАт «Фарлеп-Інвест» (м. Харків) впроваджено розроблену інформаційну технологію для зменшення негативного впливу кібер-атак на інформаційні системи підприємства; – для підприємства КБ «ПриватБанк» (м. Харків) впроваджено розроблену інформаційну технологію для виявлення вторгнень в інформаційні системи підприємства. Результати дисертаційного дослідження впроваджені у навчальному процесі Харківському національному університеті радіоелектроніки на кафедрі інфокомунікаційної інженерії при викладанні навчальної дисципліни "Artificial Intelligence (Штучний інтелект)".Документ Інформаційна технологія класифікації впорядкованих масивів даних із фрактальними властивостями методами машинного навчання(Національний технічний університет "Харківський політехнічний інститут", 2021) Булах, Віталій АнатолійовичДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології. – Національний технічний університет "Харківський політехнічний інститут", Харків, 2021 р. Дисертацію присвячено розробці інформаційної технології класифікації упорядкованих масивів даних (УМД), які мають фрактальні властивості, з використанням методів машинного навчання. В роботі програмно реалізовано методи генерації УМД з мультифрактальними властивостями різних типів. Здійснено чисельні експерименти, при виконанні яких проводилася класифікація різних типів упорядкованих даних, множина УМД розбивалась на класи за їхніми фрактальними властивостями. Як класифікатори застосовано ансамблеві методи дерев рішень та нейронні мережі, у якості ознак при класифікації використовувалися статистичні, фрактальні та рекурентні характеристики УМД. Дослідження показали, що діапазон мультифрактальних і самоподібних властивостей масивів даних відіграє важливе значення для вибору класифікатора і набору ознак, та, відповідно, точності класифікації. Якщо впорядковані дані характеризуються сильно вираженими мультифрактальними характеристиками, в більшості випадків достатньо використовувати значення УМД як ознаки при класифікації з використанням ансамблевих методів дерев рішень; також вони ефективно класифікуються за фрактальними характеристиками. Якщо УМД має монофрактальні властивості, то такі дані доцільно класифікувати з використанням рекурентних та фрактальних характеристик за допомогою нейронних мереж. Найбільш складним випадком є класифікація УМД, які мають слабо виражену мультифрактальність та слабку автокореляційну залежність. У цьому випадку пропонується застосувати ансамбль з використанням як окремих класифікаторів нейронних мереж та випадкового лісу, де в якості ознак використовуються фрактальні та рекурентні характеристики УМД. Розроблена технологія дозволяє використовувати її для обчислення показника Херста за часовими рядами та дозволяє зменшити довірчий інтервал оцінки показника Херста в декілька разів. Запропонована інформаційна технологія аналізує вхідний потік інформації та обирає набір характеристик класифікатора для максимізації точності класифікації УМД. Таким чином, інформаційна технологія дозволяє класифікувати дані з різними фрактальними властивостями, що дозволяє використовувати її для класифікації упорядкованих масивів даних різноманітної природи, наприклад, для виявлення DDoS-атак в інфокомунікаційних даних, уточнення діагнозу за записами електроенцефалограми та електрокардіографії, класифікації сейсмічних подій за сейсмограмами тощо.Документ Моделі, методи та інформаційна технологія функціонального діагностування багатоканатної шахтної підйомної машини(Національний технічний університет "Харківський політехнічний інститут", 2020) Зимовець, Вікторія ІгорівнаДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології (12 – Інформаційні технології). – Національний технічний університет "Харківський політехнічний інститут", Харків, 2021. Об’єктом дослідження є слабоформалізований процес машинного навчання системи функціонального діагностування за умови неповної визначеності даних, обумовленої довільними початковими умовами технологічного циклу і перетином в просторі ознак класів розпізнавання, які характеризують технічний стан вузлів і пристроїв багатоканатної шахтної підйомної машини. Предметом досліджень є моделі і методи інформаційної технології оцінювання функціональної ефективності та оптимізації параметрів здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини. Дисертаційна робота присвячена підвищенню функціональної ефективності системи функціонального діагностування багатоканатної шахтної підйомної машини шляхом створення інформаційної технології машинного навчання. У роботі поставлене та вирішене актуальне науково-прикладне завдання розроблення інформаційної інтелектуальної технології інформаційного синтезу здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини за умови неповної визначеності даних в рамках інформаційно-екстремальної інтелектуальної технології аналізу даних. Обрані методи дослідження базуються на принципах і методах інтелектуального інформаційного аналізу даних та інформаційно-екстремальної інтелектуальної технології машинного навчання для побудови високодостовірних і оперативних вирішальних правил; методах теорії ймовірностей і математичної статистики для оцінки випадкових величин і перевірки статистичних гіпотез; методах та характеристиках теорії інформації для оцінки функціональної ефективності машинного навчання системи функціонального діагностування; об’єктно-орієнтованій методології проектування складних систем для розробки інформаційного та програмного забезпечення системи функціонального діагностування, що навчається. Обґрунтовано актуальність теми дисертації, зазначено зв’язок роботи з науковими темами, сформульовано мету та задачі дослідження, визначено об’єкт, предмет та методи дослідження, показано наукову новизну та практичне значення отриманих результатів, наведено інформацію про практичне використання, апробацію результатів та їх висвітлення у публікаціях. Показано, що основним шляхом підвищення надійності і безпеки роботи багатоканатної шахтної підйомної машини, яка віднесена до об’єктів критичного призначення, є наявність системи функціонального діагностування у складі автоматизованої системи керування, що дозволяє оцінювати поточний технічний стан вузлів і пристроїв машини, виявляти на ранній стадії дефекти та прогнозувати їх розвиток. За результатами аналізу сучасного стану та тенденцій розвитку систем функціонального діагностування складних електромеханічних машин і пристроїв показано необхідність розробки моделей і методів інформаційних технологій функціонального діагностування на основі машинного навчання і теорії розпізнавання образів. За результатами критичного аналізу відомих методів інтелектуального аналізу даних, включаючи нейроподібні структури, вказано, що причиною їх невисокої функціональної ефективності є невирішені питання науково-методологічного характеру, обумовлені такими основними причинами експлуатації СФД в реальних умовах: – довільні початкові умови технологічного циклу; – суттєвий перетин класів розпізнавання, які характеризують можливі технічні стани вузлів і пристроїв машини, в просторі діагностичних ознак; – великий обсяг діагностичних даних і велика потужність алфавіту класів розпізнавання і вплив неконтрольованих збурюючих факторів. При цьому показано перспективність застосування для інформаційного синтезу систем функціонального діагностування ідей і методів інформаційно-екстремальної інтелектуальної технології аналізу даних, яка ґрунтується на максимізації інформаційної спроможності системи в процесі її машинного навчання. Вперше розроблено категорійні моделі і на їх основі методи інформаційно-екстремального машинного навчання системи функціонального діагностування багатоканатної шахтної підйомної машини за ієрархічною структурою даних, яка функціонує в режимах кластер-аналізу, що дозволяє автоматично формувати вхідну класифіковану нечітку навчальну матрицю, і факторного кластер-аналізу, що дозволяє автоматично перенавчати систему функціонального діагностування при розширенні алфавіту класів розпізнавання. Вперше розроблено метод оцінювання функціональної ефективності інформаційно-екстремального машинного навчання системи функціонального діагностування багатоканатної шахтної підйомної машини з ієрархічною структурою даних на основі запропонованої модифікації інформаційного критерію Кульбака оптимізації параметрів машинного навчання. Крім того, на базі запропонованого інформаційного критерію оптимізації параметрів машинного навчання розроблено метод оптимізації заданої ієрархічної структури даних, що дозволяє підвищити достовірність вирішальних правил Удосконалено модель і метод інформаційно-екстремального машинного навчання з оптимізацією багатоінтервальної системи контрольних допусків на значення діагностичних ознак, які на відміну від двобічних симетричних допусків враховують багатомодальність щільності розподілу ймовірності вхідних даних. При цьому розв’язується практична задача для функціонального діагностування, яка полягає в розширенні простору діагностичних ознак через відносно малу середню міжцентрову відстань класів розпізнавання, які характеризують можливі технічні стани вузлів і пристроїв шахтної підйомної машини. Розроблено засоби технології інформаційного синтезу здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини за умови неповної визначеності даних та нечіткої компактності векторів діагностичних ознак класів розпізнавання, що дозволило за результатами ієрархічного машинного навчання побудувати безпомилкові за навчальною матрицею вирішальні правила, які дозволяють в робочому режимі приймати високо достовірні діагностичні рішення в реальному темпі часу. Усі теоретичні розробки дисертації доведено до конкретних інженерних методик та алгоритмів з застосуванням запропонованої інформаційної технології створення та використання здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини. На основі запропонованих та розроблених моделей, методів та алгоритмів створено комплекс інструментальних засобів для інформаційного синтезу системи функціонального діагностування багатоканатної шахтної підйомної машини, який включає модулі формування вхідного математичного опису системи, бази даних і знань, алгоритми інформаційно-екстремального машинного навчання і побудовані за результатам машинного навчання вирішальні правила, які дозволяють при функціонуванні системи в робочому режимі приймати високодостовірні оперативні діагностичні рішення. Основні наукові результати впроваджено у вигляді інформаційної технології, яка включає категорійні моделі, методи, критерії оцінки функціональної ефективності, алгоритми оптимізації і програмне забезпечення при модернізації системи функціонального діагностування багатоканатної шахтної підйомної машини на підприємстві ТОВ «ULYS Systems» (м.Київ) (акт впровадження від 15.01.2020 р.)) і в навчальний процес Сумського державного університету (акт впровадження від 18.02.2020 р.).Документ Моделі, методи та інформаційна технологія функціонального діагностування багатоканатної шахтної підйомної машини(Національний технічний університет "Харківський політехнічний інститут", 2021) Зимовець, Вікторія ІгорівнаДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології. Національний технічний університет "Харківський політехнічний інститут", Харків, 2020. Дисертаційна робота присвячена підвищенню функціональної ефективності системи функціонального діагностування багатоканатної шахтної підйомної машини шляхом створення інформаційної технології машинного навчання. У роботі поставлене та вирішене актуальне науково-прикладне завдання розроблення інформаційної інтелектуальної технології інформаційного синтезу здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини за умови неповної визначеності даних в рамках інформацій-но-екстремальної інтелектуальної технології аналізу даних. Як критерій оптимізації параметрів машинного навчання запропоновано модифіковану міру Куль-бака у вигляді функціоналу від точнісних характеристик класифікаційних рішень. На основі запропонованих та розроблених категорійних моделей, методів та алгоритмів створено комплекс інструментальних засобів для інформаційного синтезу системи функціонального діагностування багатоканатної шахтної підйомної машини, який включає модулі формування вхідного математичного опису системи, бази даних і знань, алгоритми інформаційно-екстремального машинного навчання і побудовані за результатам машинного навчання вирішальні правила, які дозволяють при функціонуванні системи в робочому режимі приймати високодостовірні оперативні діагностичні рішення.