Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
4 results
Search Results
Item Архітектура та реалізація базових компонентів системи нейромережевого захисту і кодування передачі даних(Видавництво Львівської політехніки, 2022-02-28) Цмоць, І. Г.; Опотяк, Ю. В.; Різник, О. Я.; Березький, О. М.; Лукащук, Ю. А.; Tsmots, I. G.; Opotiak, Yu. V.; Riznyk, O. Ya.; Berezsky, O. M.; Lukashchuk, Yu. A.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityОписано розробку базових компонентів системи нейромережевого захисту, кодування передачі даних на основі інтегрованого підходу, який містить удосконалений метод нейромережевого шифрування (дешифрування) даних і метод адаптивного баркероподібного кодування (декодування) даних, які орієнтовані на сучасну елементну базу. Для розробки системи обрано принципи спеціалізації та адаптації апаратно-програмних засобів до структури алгоритмів нейроподібного шифрування (дешифрування) даних, архітектури нейромережі та розрядності баркероподібного коду. Запропоновано архітектуру системи, що враховує змінний склад обладнання та модульність. Вдосконалено метод нейромережевого шифрування (дешифрування) даних, який внаслідок розпаралелення процесу шифрування (дешифрування) та використання таблиць макрочасткових добутків забезпечує зменшення часу шифрування (дешифрування) при програмній реалізації. Розроблено метод адаптивного баркероподібного кодування / декодування, який внаслідок врахування співвідношення сигнал/шум забезпечує високу завадостійкість та зменшує час передачі даних. Описано апаратні засоби системи, яку створено з використанням розроблених базових компонентів нейромережевого захисту та баркероподібного кодування даних. З використанням створеної системи визначено, що виконання операцій нейромережевого криптографічного шифрування (дешифрування) блоків даних на базі мікрокомп'ютера здійснюється у часі, близькому до реального. Час формування і навчання нейромережі становить біля 200 мс, а виконання процедур шифрування та дешифрування становить відповідно біля 35 мс та 30 мс і не залежить істотно від обраної конфігурації нейроподібної мережі.Item Синтез зображень-орнаментів(Видавництво Львівської політехніки, 2021-10-10) Березька, К. М.; Березький, О. М.; Berezka, K. M.; Berezsky, O. M.; Національний університет “Львівська політехніка”; Західноукраїнський національний університет; Lviv Polytechnic National University; West Ukrainian National UniversityРозроблено математичну модель синтезу зображень-орнаментів і програмно реалізовано редактор зображень орнаментів, які ґрунтуються на теорії симетрії. У роботі показано фундаментальну роль симетрії. Проаналізовано, як методи теорії симетрії використовують у фізиці, хімії, біології та в техніці. З’ясовано, що симетрія основана на перетворенні та збереженні. Встановлено, що симетрична система ґрунтується на сукупності інваріантів, побудованих згідно з певними правилами. Показано, що симетрію бордюрів і сітчастих орнаментів використовують в орнаментах. Синтез зображень-орнаментів розглянуто на прикладі української народної вишивки. Проаналізовано внесок закордонних і вітчизняних вчених у розвиток теорії симетрії та синтезу зображень. Українська народна вишивка – цінне надбання культурного і матеріального спадку народу, важливе джерело вивчення його історії. Виявлено понад 100 видів різноманітних технічних прийомів вишивки. Показано роль відомих митців України у популяризації та організації музеїв української народної вишивки. Досліджено, що вишивка складається з окремих мотивів або з орнаментів, а орнаменти з підорнаментів. Підорнамент – це узор, що формується із ритмічно впорядкованих однакових елементів (побудований на одній групі перетворення). Підорнаменти поділяють на рапорти. Рапортом називають мінімальну за площею область, якою можна покрити підорнамент, використовуючи тільки переноси. Рапорт, водночас, поділяють на ще менші частинки: мотив або елементарний рисунок. У вишивальних орнаментах виявлено сім груп на смугах і 12 – на площинах. Розроблено математичні моделі синтезу зображень-орнаментів для груп на смугах та груп на площинах. Математичні моделі наведено для ідеальних орнаментів. У разі зміщень осей чи центрів симетрій необхідно коригувати коефіцієнти зміщень матриць перетворень. Наведено зразки вишиваних орнаментів відповідних груп на площинах та на смугах. Розроблено редактор зображень-орнаментів, який дає змогу синтезувати складні орнаментні зображення на підставі аналітичних формул елементарного рисунка, підорнаменту та орнаменту. Наведено приклади реальних і синтезованих зразків української народної вишивки.Item Застосування методу лінійної регресії для аналізу кількісних характеристик цитологічних зображень(Видавництво Львівської політехніки, 2021-10-10) Березький, О. М.; Піцун, О. Й.; Мельник, Г. М.; Дацко, Т. В.; Berezsky, O. M.; Pitsun, O. Yo.; Melnyk, G. M.; Datsko, T. V.; Національний університет “Львівська політехніка”; Західноукраїнський національний університет; Тернопільський національний медичний університет; Lviv Polytechnic National University; West Ukrainian National University; Ternopil National Medical UniversityПроаналізовано патологічні стани молочної залози на підставі дослідження цитологічних зображень. Цитологічні зображення – це окремий клас біомедичних зображень і використовуються для діагностування онкологічних захворювань. Для діагностування передракових і ракових станів та тактики лікування лікарі-діагности використовують цитологічні, гістологічні та імуногістохімічні зображення. Для автоматизації процесу діагностування в онкології використовують системи автоматизованої мікроскопії. У системах автоматизованої мікроскопії використовують алгоритми комп’ютерного зору. Останнім часом для класифікації зображень використовують алгоритми машинного навчання Опрацювання мікроскопічних зображень є складним і трудомістким процесом, оскільки зображення характеризуються високим рівнем шуму та відсутністю чітких контурів ядер клітин. Для обчислення кількісних характеристик ядер клітин цитологічних зображень розроблено метод обчислення кількісних характеристик ядер клітин на підставі алгоритмів фільтрації зображень та їх автоматичної сегментації. Для сегментації ядер клітин розроблено архітектуру згорткової нейронної мережі типу U-Net. У цій статті розроблено метод опрацювання цитологічних зображень. Метод складається з шести етапів. На першому етапі відбувається завантаження зображення у пам’ять комп’ютера, на другому – попереднє оброблення зображень. На третьому етапі здійснюється автоматична сегментація зображень на підставі згорткової нейронної мережі типу U-Net. На четвертому етапі виконується обчислення кількісних характеристик ядер клітин. На п’ятому етапі кількісні характеристик ядер клітин зберігаються в базі даних. На шостому етапі застосовують алгоритми лінійної регресії для отримання кількісних характеристик ядер клітин. Сьогодні лінійна регресія є одним із поширених підходів машинного навчання до аналізу даних. Здійснено порівняльний аналіз застосування кількісних характеристик ядер клітин на підставі лінійної регресії. Наукова новизна роботи полягає у розробленні методу обчислення кількісних характеристик ядер клітин, який містить етапи фільтрації зображень та автоматичної сегментації на підставі використання нейронної мережі типу U-Net. Практичне значення роботи – програмна реалізація модулів попереднього оброблення цитологічного зображення та лінійної регресії. Досліджено, що у сукупності параметрів “площа, довжина головної осі” в 1,4 разу менша похибка RMSE порівняно із сукупністю “площа, периметр”.Item Синтез біомедичних зображень на підставі генеративно-змагальних мереж(Видавництво Львівської політехніки, 2019-09-26) Березький, О. М.; Лящинський, П. М.; Лящинський, П. М.; Сухович, А. Р.; Долинюк, Т. М.; Berezsky, O. M.; Liashchynskyi, P. B.; Liashchinskyi, P. B.; Sukhovych, A. R.; Dolynyuk, T. M.; Тернопільський національний університет; Ternopil National UniversityДосліджено сучасні бази даних біомедичних зображень. Показано, що отримання біомедичних зображень є дорогим і тривалим. Розроблено базу даних зображень передракових і ракових станів молочної залози "BPCI2100". База даних складається із 2100 файлів зображень та MySQL бази даних інформації медичних досліджень (інформація про пацієнта та ознаки зображення). З'ясовано, що ефективним засобом генерування зображень є генеративно-змагальні мережі. Розроблено архітектуру генеративно-змагальної мережі, яка складається із генератора та дискримінатора. Дискримінатором є глибока згорткова нейромережа, на вхід якої надходять кольорові зображення розміром 128×128 пікселів. Ця мережа складається з шести згорткових шарів із розміром вікна 5×5 пікселів. Використано функцію активації типу Leaky ReLU для згорткових шарів. Для останнього шару використано сигмоїдну функцію активації. Генератором є нейромережа, яка складається з повнозв'язного шару та семи деконволюційних шарів з розміром вікна 5×5 пікселів. Для всіх шарів використано функцію активації Leaky ReLU. Останній шар використовує функцію активації гіперболічний тангенс. Для навчання генеративно-змагальної мережі використано засоби Google Cloud Compute Instance. Проведено генерування гістологічних і цитологічних зображень на підставі генеративно-змагальної мережі. Внаслідок значно збільшено навчальну вибірку для класифікаторів. Оригінальні гістологічні зображення поділені на 5 класів, цитологічні зображення – на 4 класи. Розмір оригінальної вибірки для гістологічних зображень становить 91 зображення, для цитологічних - 78 зображень. Навчальні вибірки було розширено до 1000 зображень шляхом афінних перетворень (зсув, масштабування, поворот, відображення). Навчання класифікатора на оригінальній вибірці дало точність ≈84 % для гістологічних та ≈75 % для цитологічних зображень. На вибірці зі згенерованих зображень вихідна точність класифікації становить ≈96,5 % для гістологічних та ≈95,5 для цитологічних зображень. Приріст точності становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Проведена класифікація гістологічних і цитологічних зображень показала, що приріст точності класифікації становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Комп'ютерні експерименти показали, що тривалість навчання генеративно-змагальної мережі для гістологічних зображень становить ≈9 год, для цитологічних- ≈8,5 год. Перспективами подальших досліджень є розпаралелення алгоритмів навчання генеративно-змагальних мереж.