нейронні мережі

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.

Розглядаються питання, пов’язані з розпізнаванням скінченних множин за допомогою двопорогових нейронних елементів. Показано, що задача навчання ДНЕ є NP-повною. Також наведено умови, виконання яких забезпечує двопороговість булевих функцій, які задаються за допомогою списків рішень.

We study finite set dichotomies on bithreshold neurons. We prove that training a BN is NP-complete task. We also give sufficient conditions ensuring that decision list represents a bithreshold function.

У статті наведено сучасну систему виявлення літальних апаратів на основі аналізу звукових сигналів, розроблену з використанням технологій нейромереж та алгоритмів звукового аналізу. Під час розроблення системи були використані новітні технології, як-от акустичні датчики, одноплатні мікрокомп'ютери та зовнішні пристрої для оброблення і зберігання інформації, одержуваної з довкілля, що забезпечує швидке і точне виявлення літальних апаратів у повітрі.

Останнім часом технології глибокого навчання, а саме нейронні мережі [1], привертають все більше уваги з боку бізнесу та наукової спільноти, оскільки вони допомагають оптимізувати процеси та знаходити реальні рішення проблем набагато ефективніше та економніше, ніж багато інших підходів. Зокрема, нейронні мережі добре підходять для ситуацій, коли потрібно виявляти об’єкти або шукати подібні шаблони у відео та зображеннях, що робить їх актуальними в галузі інформаційних та вимірювальних технологій у мехатроніці та робототехніці.

У зв'язку зі швидким зростанням виробництва вітрової енергії в усьому світі, прогнозування вітроенергетики відіграватиме важливу роль у роботі електроенергетичних систем та ринків електроенергії. У статті наведено огляд сучасних методів та інструментів прогнозування вироблення електроенергії вітровими електростанціями. Особлива увага приділяється інтелектуальним підходам. Розглянуто питання підготовки та використання даних для таких прогнозів. Подано розробку системи прогнозування на основі нейронних мереж, виконану авторами статті.

The article is devoted to the problem of excessive traffic of base station cells. In order to reduce the
impact of this problem on the quality of services of mobile network operators, it is proposed to use
artificial intelligence (AI) technology to analyze and predict the load on the network. AI is great for
wireless environments, as it has a lot of data available for analysis and obtaining certain patterns.
The article proposes a model of machine learning and neural network architecture for forecasting
the load on 5G cells.

The problem of finding objects in images using modern computer vision algorithms has been considered. The description of the main types of algorithms and methods for finding objects based on the use of convolutional neural networks has been given. A comparative analysis and modeling of neural network algorithms to solve the problem of finding objects in images has been conducted. The results of testing neural network models with different architectures on data sets VOC2012 and COCO have been presented.

Data acquisition and processing in cyber-physical system for remote monitoring of the human functional state have been considered in the paper. The data processing steps, strategies for multi-step forecasting evaluation metrics and machine learning algorithms to be implemented have been analysed and described. What is important, this way it will be possible to track the condition of the sick and response to the health changes in advance.

Сфор­мо­ва­но опе­ра­ційний ба­зис нейрон­них ме­реж і виб­ра­но для апа­рат­ної ре­алі­за­ції та­кі опе­ра­ції: по­шу­ку мак­си­маль­но­го і мі­ні­маль­но­го зна­чень, об­числен­ням су­ми квад­ра­тів різ­ниць і ска­ляр­но­го до­бут­ку.