2023 № 1-2 Інформатика i моделювання
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/69858
Переглянути
2 результатів
Результати пошуку
Документ Нові комп'ютерні компоненти для оцінки близькості та розпізнавання двійкових об'єктів, що кодуються символами бінарного алфавіту(Національний технічний університет "Харківський політехнічний інститут", 2023) Дмитрієнко, Валерій Дмитрович; Леонов, Сергій Юрійович; Мезенцев, Микола ВікторовичЧисленні двійкові міри схожості та відстані дозволяють ефективно вирішувати різноманітні завдання розпізнавання, класифікації, оцінки близькості двійкових послідовностей тощо. Оскільки продуктивність запропонованих систем багато в чому залежить від вибору відповідних заходів та відстаней, багато дослідників витратили чимало зусиль, щоб знайти більш ефективні двійкові співвідношення для вирішення зазначених завдань. Численні двійкові співвідношення, особливо бінарні, були запропоновані та досліджені у різних галузях науки. Однак визначити одну або групу відстаней або подібних заходів ефективних при вирішенні будь-яких завдань не вдавалося. У зв'язку з цим було запропоновано низку нових методів, заснованих на використанні для навчання алгоритмів, і на зовнішній схожості співвідношень, що мають різних назв методів і запропонованих різними фахівцями, та введення попередньої обробки вихідних даних з метою визначення вагових коефіцієнтів при їх використанні.Публікація Нейромережеве моделювання в реалізації системи визначення ураження сітківки ока діабетичного походження(Національний технічний університет "Харківський політехнічний інститут", 2023) Прочухан, Дмитро ВолодимировичЗ метою визначення стадії ураження сітківки ока діабетичного походження застосовано механізми машинного навчання. Обґрунтовано використання згорткової нейронної мережі DenseNet для якісного розпізнавання і сегментації зображень. Проведено модифікацію мереж DenseNet-121, DenseNet-169 і DenseNet-201 шляхом додавання додаткових шарів. Розроблено програмні механізми обробки зображень за допомогою розмиття Гауса, видалення чорних рамок і мінімізації впливу зміни положення зображень на якість розпізнавання. Здійснено побудування і навчання моделі. Отримано високі показники точності розпізнавання. Для мережі DenseNet-201 отримано показник 97.9%, що переважає показники мереж DenseNet-121 і DenseNet-169.