Інституційний репозитарій Вінницького національного технічного університету

Ласкаво просимо в інституційний репозитарій Вінницького національного технічного університету, який накопичує, зберігає, розповсюджує та забезпечує довготривалий, постійний та надійний доступ до наукових робіт професорсько-викладацького складу, співробітників, студентів, аспірантів і докторантів ВНТУ.

ISSN 2413-6360

Авторам

Фонди

Виберіть фонд, щоб переглянути його зібрання.

Нові надходження

Метод автоматичного виділення прямокутної зони об'єктів зображення
Рейда, О. М.
;
Поплавський, О. А.
;
Рейда, М. О.
;
Reyda, O. M.
;
Poplavskyi, O. A.
;
Reyda, M. O.
(Вінницький національний технічний університет, 2024)
В роботі розглянуто метод автоматичного виділення прямокутної зони об&039;єктів зображення, що сформовані в результаті зондування земної поверхні, для оптимізації розмірів зображення і підвищення ефективності дешифрування. Розроблено алгоритм обробки елементів зображення для підвищення ефективності групування окремих елементів у єдину структуру. Проведено моделювання для доведення ефективності запропонованого методу автоматичного виділення ефективної зони зображення. Основним інструментом який використано при розробці програмного застосунку є бібліотека з відкритим кодом OpenCV функцій та алгоритмів комп&039;ютерного зору, обробки зображень і чисельних алгоритмів загального призначення.
Balancing efficiency and accuracy: incremental learning as a key to big data processing
Talakh, M. V.
;
Ushenko, Yu. O.
;
Kaduk, O. V.
;
Maksymovych, M. Yu.
;
Талах, М. В.
;
Ушенко, Ю. О.
;
Кадук, О. В.
;
Максимович, М. Ю.
(Вінницький національний технічний університет, 2024)
У статті представлено комплексний огляд інкрементального навчання в контексті обробки великих даних. Розглянуто основні концепції, сучасні підходи та ключові аспекти інкрементального навчання. Проаналізовано переваги цього підходу для обробки великих обсягів даних, включаючи ефективне використання обчислювальних ресурсів, можливість обробки потокових даних у реальному часі та адаптивність до змін у даних. Досліджено основні обмеження та виклики, такі як проблема "катастрофічного забування", складність балансування нових та старих знань, залежність від порядку надходження даних та потенційна втрата точності. Представлено аналіз специфічних проблем, включаючи обробку концептуального дрейфу, незбалансованих класів та відсутніх ознак. Розглянуто застосування інкрементального навчання в різних галузях, включаючи аналітику даних, робототехніку, автономне водіння та розпізнавання активності. Запропоновано напрямки майбутніх досліджень для вирішення виявлених проблем та покращення ефективності інкрементального навчання у контексті великих даних.
Метод класифікації аритмій на ЕКГ-сигналі
Kovalchuk, O. V.
;
Barmak, O. V.
(Вінницький національний технічний університет, 2024)
This paper proposes an improved arrhythmia classification method based on a convolutional neural network (CNN) applied to ECG signals. To improve the quality of classification, ECG signals were split into fragments containing three cardiac cycles with the current cardiac cycle in the center. The improved CNN architecture includes the addition of batch normalization layers, an additional convolutional layer, and a dropout layer, which improvs the model&039;s accuracy. In addition, hyperparameters were optimized for new CNN architecture. The model was trained data of the MIT-BIH Arrhythmia Database to classify nine classes of ECG. The achieved average accuracy of 99.26% confirms the effectiveness of the proposed method in diagnosing various types of arrhythmias.
Optimizing big data processing through lazy computations: a systematic review of techniques and applications
Talakh, M. V.
;
Ushenko, Yu. O.
;
Vatamanitsa, E. V.
;
Halin, Yu. O.
(Вінницький національний технічний університет, 2024)
The article examines the concept of lazy operations and its application for efficient processing of large volumes of data. The main principles of lazy computations, their implementation in various programming languages, and strategies for effective use in Big Data processing are analyzed. The advantages and limitations of the lazy approach are investigated, particularly regarding memory savings, performance improvement, and the ability to work with infinite data streams. A concept for ing computation strategies based on data size and computational complexity is proposed
Інтелектуальні системи прогнозування демографічних змін та їх вплив на маркетингові стратегії в ІТ-індустрії
Uhryn, D. I.
;
Ushenko, Yu. O.
;
Yatsko, O. M.
;
Dovhun, A. Ya.
;
Dobrovolsky, Yu. G.
(Вінницький національний технічний університет, 2024)
The article is devoted to the development of an intelligent system for forecasting demographic changes, which is an important task in the modern world. Traditional analysis of demographic data faces difficulties such as limited access to up-to-date information and a significant amount of unstructured data. The system automates the processing of demographic indicators (fertility, mortality, migration) and their structuring for further analysis and forecasting. The authors have implemented ARIMA and Exponential Smoothing models that allow forecasting population size based on trends and seasonality. Testing of the models for Ukraine, Brazil, and other countries showed that the accuracy of the forecasts depends on the socioeconomic characteristics of each country. ARIMA has proven to be highly accurate in forecasting for stable regions, while Exponential Smoothing adapts to changes in trends. This system provides analysts and governments with an important tool for making informed strategic decisions in the field of population policy, allowing them to take into account complex interrelationships and dynamic trends.