Комп'ютерні науки та інформаційні технології. – 2014. – №800

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/25807

Вісник Національного університету "Львівська політехніка"

Вісник Національного університету “Львівська політехніка” “Комп’ютерні науки та інформаційні технології” входить до переліку видань ВАК, в яких друкуються матеріали дисертаційних робіт у галузі технічних наук У віснику публікуються статті за результатами досліджень з актуальних питань комп’ютерних наук та інформаційних технологій, виконаних професорсько-викладацьким складом Національного університету “Львівська політехніка” та провідними вченими України і зарубіжними вченими в галузі проектування архітектури і компонентів комп’ютерних систем, моделювання складних об’єктів, процесів і систем та розроблення і використання новітніх інформаційних технологій. Для науковців, викладачів вищих закладів освіти, інженерів, що спеціалізуються у сфері новітніх обчислювальних систем, мереж, комп’ютеризованих засобів розв’язання задач цифрового опрацювання сигналів і зображень, автоматизованого проектування та керування, а також докторантів, аспірантів та студентів старших курсів відповідних спеціальностей.

Вісник Національного університету «Львівська політехніка» : [збірник наукових праць] / Міністерство освіти і науки України, Національний університет «Львівська політехніка» – Львів : Видавництво Львівської політехніки, 2014 . – № 800: Комп’ютерні науки та інформаційні технології / відповідальний редактор Ю. М. Рашкевич. – 287 с. : іл.

Browse

Subject: search.filters.subject.прогнозування

Search Results

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Математичні та програмні аспекти моделювання вікової структури розвитку двовидового лісу
    (Видавництво Львівської політехніки, 2014) Лотиш, Л.
    Розглянуто математичне моделювання еволюції двовидового середньоширотного лісу з врахуванням вікової структури та створено програмне забезпечення для моделювання системи. Моделювання здійснюється числовим аналізом динамічної системи рівнянь методом Рунге–Кутта. Послідовно описано побудову моделі, що враховує як міжвидову конкуренцію, так і інші фактори: освітлення, заболочення, вікову структуру, кількість опадів, зовнішні впливи. Наведено результати моделювання, отримані на створеному програмному комплексі. Показано можливості використання створеної моделі локального рівня для інформаційного забезпечення розроблення та підтримки прийняття рішень у лісовому господарстві. Simulation is carried out by numerical analysis of the dynamic system equations by the Runge-Kutta method. Consistently described the construction of a model that takes into account both interspecies competitionand ranks of other factors: light, water-logging, age structure, rainfall, external influences. The results of simulation obtained on the created software. The possibilities of using the created model local level to ensure the development of an information and decision support in forest management.
  • Thumbnail Image
    Item
    Synthesis of rbf-network for prediction of secondary protein structure
    (Видавництво Львівської політехніки, 2014) Lytvynenko, V.
    Запропоновано методологію синтезу радіально-базисних мереж для вирішення проблеми білкового середнього передбачення структури за допомогою алгоритму вибору клонів. Щоб вирішити цю проблему було використано метод “один проти всіх”. Обчислювальні експерименти щодо випробуваного зразка показали, що точність прогнозування сягає до 72%, що вказує на високу точність запропонованого способу. In this paper we propose the methodology of team radial-basis networks synthesis for solving the problem of protein secondary structure prediction using clonal selection algorithm. To solve such problem the method of “one against all” have been used. The carried out computational experiments on test sample have shown that the prediction accuracy allows to achieve up to 72%, indicating a high accuracy of the proposed method.
  • Thumbnail Image
    Item
    Прогнозування ймовірності роботи та відмови за заданої умови готовності симетричних ієрархічних систем, галужених до 4-го рівня, за допомогою штучних нейронних мереж
    (Видавництво Львівської політехніки, 2014) Павлюк, О.
    Запропоновано програмний модуль для розрахунку ймовірності роботи та відмови за заданої умови готовності ізотропних симетричних ієрархічних розгалужених систем (ІРС) з галуженням до n-го рівня, елементи якої підпорядковуються експоненційному закону. Здійснено прогнозування цих характеристик надійності за допомогою неітераційної штучної нейронної мережі (ШНМ). Розраховано середньоквадратичну приведену до діапазону значень похибку навчання і прогнозу, а також оцінено час навчання та прогнозуванняШНМ. The software module is developed. By the specified readiness parameters it calculates probabilities of the proper operation and failure-ability for the isotropic symmetric and hierarchical branched systems (HBS).The module is tested/restricted against the systems of the n-level branching whose elements obey the exponential rules. The non-iterative artificial neural network (ANN) has been deployed to the prediction of those characteristics. The reduced to the mean value range errors of the ANN learning and forecasting are calculated as well as the time estimations for the ANN learning and forecasting.
  • Thumbnail Image
    Item
    An evolving reservoir neo-fuzzy network for time series prediction
    (Видавництво Львівської політехніки, 2014) Tyshchenko, O.; Pliss, I.
    Компютінгове сховище – це парадигма навчання періодичних нейронних мереж на основі використання рекуррентної частина (так званого “резервуара”) інших показників. Еволюція систем визначила новий підхід, який фокусується на навчанні нечітких систем, що і мають своїми параметрами їх структуру адаптації он-лайн. У даній роботі розвивається сховище нео-нечітка мережі, побудованої з використанням елементів затримки і нелінійних нео-нечітких синапсів, що означає еволюціонування систем і м’які обчислення об’єднуються в нову обчислювальну систему. Reservoir Computing is a paradigm of training Recurrent Neural Networks based on treating the recurrent part (the so-called “reservoir”) differently from the readouts. This paradigm has become so popular recently due to its computational efficiency and the fact that it’s enough to train only a supervised readout. Meanwhile Evolving Systems define a new approach which focuses on learning fuzzy systems that have both their parameters and their structure adapting on-line. In this paper an evolving reservoir neo-fuzzy network is built using time delay elements and nonlinear neo-fuzzy synapses which means that Reservoir Computing, Evolving Systems and Soft Computing are combined in a new computational system.