Results 1 to 10 of about 13 (13)
Прогнозування дефектів програмного забезпечення ансамблем нейронних мереж
Науковий вісник НЛТУ України, 2021 Прогнозування дефектів програмного забезпечення, зокрема крос-проєктне, є актуальною і важливою науково-прикладною задачею, вирішення якої спрямоване на підвищення якості та надійності програмних продуктів та зменшення вартості їх розроблення та ...
В. С. Яковина +1 more
doaj +1 more source
Прогнозування дефектів у програмному забезпеченні алгоритмами глибинного навчання CNN та RNN
Науковий вісник НЛТУ України, 2021 Досліджено процес прогнозування дефектів у програмному забезпеченні (ПЗ) з використанням алгоритмів глибинного навчання. Показано, що цей процес складається з декількох основних етапів: пошук та підготовка даних, побудова абстрактного синтаксичного ...
Т. П. Білецький +1 more
doaj +1 more source
Наука і техніка Повітряних Сил Збройних Сил України, 2022 Для оцінки ризику сумісного прийняття помилкових рішень пілотом та авіадиспетчером в особливих випадках в польоті (ОВП) була розроблена чотиришарова рекурентна нейронна мережа з додатковими входами – зсувами: перший шар (вхід) – збитки при виникненні ОВП
Ю. В. Сікірда +3 more
doaj +1 more source
Радіоелектронні і комп'ютерні системи, 2021 Models and training methods for water-level classification analysis on the footage of sewage pipe inspections have been developed and investigated. The object of the research is the process of water-level recognition, considering the spatial and temporal
В’ячеслав Васильович Москаленко +6 more
doaj +1 more source
Побудова моделей для прогнозування часових рядів застосовуючи мережі довгострокової пам'яті
Науковий вісник Ужгородського університету. Серія: Математика і інформатика, 2022 Дослідження присвячено комплексному вивченню мереж довгої короткочасної пам’яті (ДКЧП). Дана архітектура є видом рекурентних нейронних мереж (РНМ), у яких з’єднання між вузлами утворюють граф, орієнтований у часі.
Н. Бойко, В. Качмарик
doaj +1 more source
ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
Технічна електродинаміка, 2020 Запропоновано комбіновану архітектуру штучної нейронної мережі глибинного навчання для векторного прогнозування вузлових навантажень, в якій використовується рекурентний модуль типу LSTM (Long short-term memory - мережі довгої короткострокової пам’яті ...
П.О. Черненко +2 more
doaj +1 more source
ОБЗОР МЕТОДОВ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ЭМОЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА ПО ИЗОБРАЖЕНИЮ
Вісник Національного технічного університету "ХПÌ": Системний аналіз, управління та інформаційні технології, 2020 Рассматривается задача распознавания эмоционального состояния человека по изображению. Приведен обзор основных способов описания человеческих эмоций: разделение на конечное число классов и использование векторного описания.
Artem Leonidovych Ulianko +1 more
doaj +1 more source
Вибір оптимального типу штучної нейронної мережі для автоматизованих систем "розумного" будинку
Науковий вісник НЛТУ України, 2020 Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати ...
V. M. Teslyuk, A. G. Kazarian
doaj +1 more source
Вісник Національного технічного університету "ХПÌ": Системний аналіз, управління та інформаційні технології, 2020 Робота присвячена вирішенню задачі розпізнавання зображень, що містять інформацію символьного типу, штрих коди, логотипи, або інші знаки. Прикладом таких зображень є цінники в торговельних центрах, флаєра, запрошення, білети на різні заходи.
Andrii Kovtunenko +3 more
doaj +1 more source
Експоненціальна оцінка для рекурентної нейронної мережі з дискретним запізненням
Sistemnì Doslìdženâ ta Informacìjnì Tehnologìï, 2019 Розроблено та застосовано метод розрахунку швидкості експоненціального згасання для моделі рекурентної нейронної мережі на основі диференціальних рівнянь із дискретним запізненням.
V. P. Martsenyuk, A. S. Sverstiuk
doaj +1 more source