нейронна мережа

The article is devoted to the theoretical foundations and practical aspects of facial recognition using neural networks. The paper analyzes various approaches to feature extraction from facial images, as well as methods for training neural networks for recognition. Special attention is paid to problems related to variations in lighting, facial expressions, and other factors affecting recog- nition accuracy. The paper describes the creation and optimization of a neural network for real-time human face recognition.

Зростаючий попит на електроенергію та потреба в екологічно чистих джерелах енергії зумовлюють активний розвиток відновлюваних технологій, серед яких сонячна енергетика має провідну роль. Фотоелектричні (ФЕ) системи здатні перетворювати сонячне випромінювання на електричну енергію, однак ефективність їх роботи залежить від здатності їх адаптації до змін зовнішніх умов, таких як інтенсивність інсоляції та температура навколишнього середовища.

У статті представлено метод оптимізації потокового графа алгоритму глибинної нейронної мережі для зменшення кількості процесорних елементів (ПЕ), необхідних для виконання алгоритму на одноплатних комп'ютерах. Запропонований підхід ґрунтується на використанні структурної матриці для оптимізації архітектури нейронної мережі без втрати продуктивності. Дослідження показало, що завдяки зменшенню ширини графа вдалося зменшити кількість процесорних елементів з 3 до 2, зберігаючи при цьому продуктивність мережі на рівні 75% ефективності.

У статті описано дослідження ідентифікації фейкових новин на основі опрацювання природної мови, аналізу великих даних і технології глибокого навчання. Розроблена система автоматично перевіряє новини на наявність ознак фейкових новин, таких як використання маніпулятивної мови, неперевірених джерел і недостовірної інформації. Візуалізація даних реалізована на основі дружнього інтерфейсу користувача, який відображає результати аналізу новин у зручному та зрозумілому форматі.

В роботі розглядається метод генерації фрактальниї камуфляжних структур (сіток) за допомогою рандомізованої системи ітераційних функцій. В даний метод закладена можливість змінювати основу структури (вид сітки), це в свою чергу дасть можливість визначати параметри, за допомогою яких даний об’єкт можна буде індентифікувати, як фрактальну камуфляжну сітку. В математичному описі удосконаленої РСІФ введено параметри діапазон кольорів (набір кольорів), який дозволить підлаштовувати фрактальну структуру до кольорів ланшафту, де буде застосовуватися камуфляжна сітка.

У даній роботі на основі мультишарової нейронної мережі досліджено вплив кількості прихованих шарів, числа нейронів у них та типів активаційних функцій на точність класифікації снарядів шістьох типів (А – (а-боєприпаси); А/М – (а/м-боєприпаси; А/Р – (бронебійні); А/РС – (бронебійно-набивні); М – (m-боєприпаси); Р – (бронебійні боєприпаси)), яка оцінюється матрицею помилок.