нейронні мережі

Розпізнавання характеристик включення методами нейронних мереж при моделюванні стаціонарних процесів

Виявлення та ідентифікація включень при моделюванні стаціонарних процесів є важливою задачею в багатьох технічних галузях, зокрема, матеріалознавстві, електроніці та неруйнівному контролі. Наявність включень може впливати на механічні, теплові та електричні властивості матеріалу, а тому точність визначення їхніх геометричних та фізичних характеристик є важливою. Використання сучасних чисельних методів та методів глибинного навчання відкриває нові можливості для покращення ефективності та точності прогнозування результатів.

МОДЕЛІ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ ARIMA ТА LSTM В ЕКОНОМІЦІ ТА ФІНАНСАХ

Прогнозування часових рядів є важливим завданням у економіці, бізнесі та фінансах. Традиційно для прогнозування використовуються такі методи, як авторегресія (AR), рухоме середнє (MA), експоненціальне згладжування (SES) і, найпоширеніше, авторегресійна інтегрована модель ковзного середнього (ARIMA). Модель ARIMA продемонструвала високу точність у прогнозуванні майбутніх значень часових рядів. Завдяки розвитку обчислювальних потужностей та алгоритмів глибокого навчання з’явилися нові підходи до прогнозування.

The role of functional activation in neural networks in the context of financial time series analysis

Nowadays, neural networks are among the most popular analysis tools.  They are effective in solving classification, pattern recognition, and clustering problems.  This paper provides a detailed description and analysis of the operational principles of two neural networks, namely a Siamese network and a multilayer perceptron.  A model for using these neural networks in time series forecasting is proposed.  As an example, a web application was created in which the described neural networks were used to analyze the correlation between pairs of financial assets and assess t

Можливості та обмеження великих мовних моделей

Робота присвячена дослідженню великих мовних моделей (ВММ) та підходів для підвищення ефективності їх використання у новому сервісі. Стрімкий розвиток ВММ, заснованих на архітектурі трансформерів, відкрив нові можливості в галузі обробки природної мови та автоматизації різноманітних завдань. Однак, використання повного потенціалу цих моделей вимагає ретельного підходу та врахування численних факторів.

СИСТЕМИ КОМП’ЮТЕРНОГО ДІАГНОСТУВАННЯ: МЕТОДИ ТА ЗАСОБИ

Досліджено системи комп’ютерного діагностування: архітектури, методи та алгоритми для діагностування онкологічних захворювань, зокрема раку молочної залози, легень, пухлин мозку та інших.

Здійснено аналіз та порівняння традиційних і нейромережевих методів для завдань сегментації та класифікації зображень, проаналізовано засоби діагностування в медицині.

Досліджено основні підходи до опрацювання медичних зображень, зокрема проаналізовано методи сегментації на основі U-Net мереж та класифікації із використанням згорткових нейронних мереж.

ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ ЗА ДОПОМОГОЮ АНСАМБЛЮ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ

Досліджено використання моделей машинного навчання для прогнозування електроспоживання інтелектуальної мережі. З’ясовано, що попереднє оброблення даних збільшує продуктивність моделі прогнозування споживання енергії, а методи машинного навчання підвищують її точність завдяки інтеграції кількох алгоритмів та оптимізації гіперпараметрів. Виявлено, що ансамблева модель, яка поєднує низку моделей із різними структурними характеристиками, забезпечує вищу точність прогнозування, ніж кожна модель зокрема. Запропоновано вибір базових моделей із різною будовою: лінійні, рекурсивні, деревоподібні.

МОДЕЛЬ СУБ'ЄКТИВНОГО СПРИЙНЯТТЯ ОБ'ЄКТА ПІДТРИМКИ ПРОГРАМНИХ КОМПЛЕКСІВ З МОЖЛИВІСТЮ ІНКАПСУЛЯЦІЇ МОДЕЛЕЙ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ, ЗОКРЕМА БАГАТОШАРОВОГО ПЕРЦЕПТРОНА

Об’єктом дослідження в цій роботі є процес суб’єктивного сприйняття підтримуваних програмних комплексів чи процесів їх підтримки відповідними суб’єктами, що прямо чи опосередковано взаємодіють із цими підтримуваними програмними комплексами.

Models and Methods for Speech Separation in Digital Systems

The main purpose of the article is to describe state-of-the-art approaches to speech separation and de- monstrate the structures and challenges of building and training such systems. Designing efficient optimized neural network model for speech recognition requires using encoder-decoder model structure with masks estimation flow. The fully-convolutinoal SuDoRM-Rf model demonst- rates the high efficiency with relatively small number of parameters and can be boosted with accelerators, that supports convolutional operations.

Conception of a new quality control method based on neural networks

The prediction of failures in a factory is now an important area of industry that helps to reduce time and cost of non-quality from the data generated from the sensors installed on production lines, this data is used to detect anomalies and predict defects before they occur.  The purpose of this article is to model an intelligent production line capable of predicting various types of non-conforming products.  For that, we will utilize the neural network methodology within the specific context of a production line specialized in juice manufacturing.  Firstly, we introduc

Огляд методів ідентифікації захворювань за допомогою знімків комп’ютерної томографії

Розглянуто методи та підходи до комп’ютерної діагностики різних захворювань легень на підставі автоматизованого аналізу знімків комп’ютерної томографії. Виконано пошук в базі даних Google Scholar за кількома запитами на тему аналізу знімків комп’ютерної томографії за допомогою глибокого навчання та машинного навчання серед статей, опублікованих протягом або після 2017 р. Після відсіювання результатів пошуку сформовано набір із 39 статей. Набір даних розділено за датою публікації на дві категорії: до та після початку пандемії COVID-19.