Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
2 results
Search Results
Item Методи та засоби визначення об'єктів радіотехнічної розвідки з використанням технологій машинного навчання та онтологічного підходу(Видавництво Львівської політехніки, 2023-02-28) Данилик, В. М.; Литвин, В. В.; Рибчак, З. Л.; Danylyk, V. M.; Lytvyn, Vasyl; Rybchak, Z. L.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityДосліджено методи та засоби визначення об’єктів радіотехнічної розвідки з використанням технологій машинного навчання та онтологічного підходу. Для визначення об’єктів радіотехнічної розвідки використано наївний байесівський класифікатор. Наївний Байесівський класифікатор є алгоритмом машинного навчання, який використовується для класифікації об’єктів на підставі ймовірностей. Встановлено, що наївний Байесівський класифікатор використовується для визначення класів, до яких належать об’єкти радіотехнічної розвідки. Класифікатор використовує історичні дані про властивості об’єктів, щоб визначити ймовірності належності кожного об’єкта до певного класу. Наприклад, на підставі властивостей діапазону робочих частот, тривалості імпульсу, періоду повторення імпульсів та кількості джерел радіовипромінювань можна визначити ймовірність того, що об’єкт належить до певного класу засобів радіотехнічної розвідки. Для задання класів, до яких належать об’єкти радіотехнічної розвідки використано онтологічний підхід. Онтологічний підхід використовують для задання класів об’єктів радіотехнічної розвідки з метою створення ясної та однозначної моделі предметної області. Це дає змогу структурувати знання про об’єкти, їх властивості та взаємозв’язки, що спрощує подальший аналіз даних і дає змогу більш точно класифікувати нові об’єкти. Удосконалено процес класифікації об’єктів у військовій галузі, а саме засобів радіотехнічної розвідки шляхом поєднання методів k-найближчих сусідів, наївного байєсівського класифікатора та онтологічного підходу, що, на відміну від наявних методів, перед застосуванням класифікатора здійснюється кластеризація об’єктів із метою врахування діапазонів, у межах яких визначені ознаки об’єктів. Аналіз вхідних ознак показав, що основними ознаками для визначення засобів радіотехнічної розвідки є: “діапазон робочих частот”; “тривалість імпульсу”; “період повторення імпульсів”; “кількість джерел радіовипромінювань”. Розроблено інформаційну систему класифікації засобів радіотехнічної розвідки, центральною компонентою якої є онтологія засобів радіотехнічної розвідки. Проведено імітаційне моделювання роботи розроблених методів та алгоритмів. Обґрунтовано вибір програмних засобів для реалізації розроблених методів із метою подальшого впровадження на різних платформах. Для реалізації функціонального наповнення системи використано мову програмування JavaScript з використанням бібліотеки JQuery. Проведене моделювання показує задовільний результат розроблених методів та алгоритмів.Item Стекінг нейроподібної структури МПГП з RBF шаром на підставі генерування випадкового кортежу її гіперпараметрів для завдань прогнозування(Видавництво Львівської політехніки, 2021-10-10) Ткаченко, Р. О.; Ізонін, І. В.; Данилик, В. М.; Михалевич, В. Ю.; Tkachenko, R. O.; Izonin, I. V.; Danylyk, V. M.; Mykhalevych, V. Yu.; Національний університет “Львівська політехніка”; Lviv Polytechnic National UniversityПідвищення точності прогнозування засобами штучного інтелекту є важливим завданням у різних галузях промисловості, економіки, медицини. Ансамблеве навчання – один із можливих варіантів досягнення цього. Зокрема, побудова стекінгових моделей на підставі різних методів машинного навчання чи з використанням різних частин наявного набору даних демонструє високу точність прогнозу. Проте потреба правильного підбору членів ансамблю, їх оптимальних параметрів тощо зумовлює необхідність великих часових витрат на підготовку та навчання таких моделей. В роботі запропоновано дещо інший підхід до побудови простого, проте ефективного ансамблевого методу. Розроблено нову модель стекінгу нелінійних нейроподібних структур МПГП, основану на використанні тільки одного типу ШНМ як елементної бази ансамблю та застосуванні однакової для усіх членів ансамблю навчальної вибірки. Такий підхід забезпечує певні переваги порівняно з процедурами побудови ансамблів на підставі різних методів машинного навчання, як мінімум у напрямі підбору оптимальних параметрів для кожного з них. Як основу ансамлювання в нашому випадку використано кортеж випадкових гіперпараметрів для кожного окремого члена ансамблю, тобто навчання кожної комбінованої нейроподібної структури МПГП з додатковим RBF шаром як окремого члена ансамблю здійснюється із використанням різних, випадково вибраних значень центрів RBF та центрів мас. Це забезпечує необхідне різноманіття елементів ансамблю. Експериментальні дослідження щодо ефективності роботи запропонованого ансамблю проведено із використанням реального набору даних. Завдання полягає у прогнозуванні величини медичних страхових виплат на підставі низки незалежних атрибутів. Експериментально визначено оптимальну кількість членів ансамблю, яка забезпечує найвищу точність розв’язання поставленої задачі. Здійснено порівняння результатів роботи запропонованого ансамблю з наявними методами цього класу. Встановлено найвищу точність розробленого ансамблю за задовільної тривалості процедури його навчання.