https://ir.lib.vntu.edu.ua//handle/123456789/42580 2026-04-15T02:43:27Z https://ir.lib.vntu.edu.ua//handle/123456789/42926 Спосіб декореляції сигналів пасивних завад в системі селекції рухомих цілей малої швидкості Чмельов, В. О.; Терещенко, О. В.; Олійник, М. В.; Chmelov, V. O.; Tereshchenko, O. V.; Oliinyk, M. V. Широкий спектр малорозмірних безпілотних літальних апаратів, які мають можливість зависати у просторі, рухатися з малою швидкістю та на малих висотах, викликав появу нового класу складних радіолокаційних об’єктів. Зі свого боку це дало поштовх розробці нових радіолокаційних станцій, а точніше їхніх основних вузлів, таких як система селекції рухомих цілей малої швидкості. ЇЇ основне призначення — виокремлювати рухомі радіолокаційні об’єкти (безпілотні літальні апарати) на фоні пасивних завад, таких як: дерево, стовп, земляна поверхня, гідро- та метеоутворення тощо. У статті проведено аналіз досліджень та публікацій, в яких показані підходи до розв’язання поставленої задачі. Розглянуто класичний підхід до реалізації системи селекції рухомих цілей на основі цифрового режекторного фільтра першого та другого порядку. Зазначено його переваги та недоліки. Запропоновано новий спосіб боротьби з пасивними завадами в радіолокаційній станції за допомгою дискретного перетворення Карунена–Лоева (Karhunen–Loève transform), на якому базується метод головних компонент аналізу даних (principal component analysis), що використовується для зменшення розмірності набору даних, зберігаючи при цьому максимальну енергію (інформацію) сигналу відбитого від рухомої цілі, під час вилучення інформації про нерухомі об’єкти (стиснення даних). Наведено алгоритм побудови системи селекції рухомих цілей малої швидкості. Досліджено та проілюстровано результат роботи такої системи на основі запропонованого способу та класичного підходу. Проведено порівняльний аналіз впливу системи селекції рухомих цілей на потужність ехо-сигналу цілі. Побудовано залежність потужності ехо-сигналу цілі від її швидкості для запропонованого способу селекції рухомих цілей. Проаналізовано ефективність роботи системи селекції рухомих цілей малої швидкості.; The wide range of small unmanned aerial vehicles (UAVs) capable of hovering in space, moving at low speeds and at low altitudes, has led to the emergence of a new class of complex radar objects. This, in turn, has led to the development of new radar stations, specifically their main nodes, such as the system for selecting slow-moving targets. Its main purpose is to distinguish moving radar objects (UAVs) against the background of passive interference, such as trees, poles, the earth's surface, hydro and meteorological formations, and so on. This article analyzes research and publications demonstrating the approaches to solving the stated problem. The classical approach to implementing a moving target selection system based on first and second-order digital rejection filters is considered. Its advantages and disadvantages are outlined. New method for combating passive interference in a radar station using the Karhunen-Loève transform, which forms the basis of the principal component analysis data analysis method, is proposed. This method is used to reduce the dimensionality of the data set while retaining maximum energy (information) from the signal reflected from the moving target, while extracting information about stationary objects (data compression). An algorithm for building a moving target selection system for slow-moving targets is provided. The results of the operation of the moving target selection system based on the proposed method and the classical approach are investigated and illustrated. A comparative analysis of the impact of the moving target selection system on the power of the target echo signal is conducted. The dependence of the power of the target echo signal on its speed for the proposed method of selecting moving targets is plotted. Conclusions are drawn regarding the effectiveness of the system for low speeds. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/42921 Програмне оброблення сигналів з амплітудною модуляцією багатьох складових Горбатий, І. В.; Цимбалюк, І. Р.; Horbatyi, I. V.; Tsymbaliuk, I. R. Програмне оброблення радіосигналів, зокрема технології SDR (Software Deifned Radio), мають великий потенціал досліджень різних підходів до оброблення радіосигналів. Такий потенціал можна об-ґрунтувати великою адаптивністю та гнучкістю платформи SDR, можливістю програмного пере-налаштування різних радіопараметрів (частотного діапазону, схеми модуляції тощо) без безпосереднього втручання в компонентну базу радіосистеми. Такі особливості дають змогу легко експериментально перевіряти різні концепції та ідеї на практиці. Проведено огляд робіт інших авторів, де висвітлено різні способи використання SDR як одного з основних елементів радіокомунікаційного процесу або для розв’язання прикладних задач. Взявши до уваги переваги SDR над суто аналоговими способами передавання та приймання інформації через радіоканали за використання нестандартних видів модуляції, вибрано різновид амплітудно-фазової модуляції, який характеризується більшою завадостійкістю в порівнянні з широко використовуваною квадратурною амплітудною модуляцією, — амплітудну модуляцію багатьох складових (АМБС). Визначено координати сигнального сузір’я 8-АМБС та на їхній основі створено модель модулятора та каналу передавання. Для реалізації моделі приймальної частини телекомунікаційної системи вибрано раніше запропоновану авторами модель одномірної згорткової нейронної мережі. Запропоновану модель адаптовано до середовища GNU Radio та включено в приймальну частину як окремий блок оброблення інформації, зокрема, вдосконалено процедуру введення та виведення інформації в моделі задля кращої взаємодії з іншими блоками GNU Radio. Запропоновано апаратну базу, що підтримує як GNU Radio так і бібліотеку TensorFlow, використану для формування моделі нейронної мережі. Встановлено імовірність правильного прийняття символу в сформованій системі. Запропоновано програмно-апаратну реалізацію моделі приймальної частини телекомунікаційної системи, яка характеризується більшою адаптивністю та гнучкістю порівняно з традиційними приймачами сигналів з АМБС, що забезпечило підвищення достовірності приймання таких сигналів.; Software processing of radio signals, in particular SDR (Software Defined Radio) technology has great potential for research of various approaches to radio signal processing. This potential can be substantiated by the great adaptability and flexibility of SDR platform, the possibility of software reconfiguration of various radio parameters (frequency range, modulation scheme, etc.) without direct intervention into the component base of the radio system. Such features make it possible to experimentally test various concepts and ideas in practice. The article reviews the works of other authors devoted to different ways of using SDR as one of the main elements of the radio communication process or for solving the applied problems. Taking into account the advantages of SDR over purely analog methods of transmitting and receiving information via radio channels when using non-standard types of modulation, a variant of amplitude-phase modulation has been chosen, which is characterized by greater interference resistance in comparison with the widely used quadrature amplitude modulation — amplitude modulation of many components (AMMC). The coordinates of the 8-AMMC signal constellation were calculated and a model of the modulator and transmission channel has been created on their base. To implement the model of the receiving part of the telecommunication system, the one-dimensional convolutional neural network model proposed earlier by the authors was chosen. The proposed model was adapted to the GNU Radio environment and included in the receiving part as a separate information processing block. The procedure for inputting and outputting information in the model was improved for better interaction with other GNU Radio blocks. A hardware base supporting both GNU Radio and the TensorFlow library, which was used to form the neural network model, is proposed. The probability of correct acceptance of the symbol in the formed system is determined. A software-hardware implementation of the model of the receiving part of the telecommunications system is proposed, which is characterized by greater adaptability and flexibility compared to traditional AMMC signal receivers, which ensured an increase in the accuracy of receiving such signals. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/42919 Прогностична модель фотоелектричної станції з урахуванням термічного зниження потужності фотоелектричних модулів Карпенко, О. В.; Заславський, О. М.; Karpenko, O. V.; Zaslavskiy, O. M. Прогнозування виробітку електричної енергії є обов’язковим для мережевих фотоелектричних станцій. Згідно з вимогами енергоринку прогнозуванню підлягає щогодинний виробіток електричної енергії на добу наперед, що обумовлено термінами купівлі/продажу електричної енергії. Це прогнозування виконується за допомогою прогностичних моделей процесів фотогальванічного перетворення сонячної енергії. Така модель зазвичай включає дві складові, перша з яких є суто аналітична, детер-мінована модель, що враховує на момент прогнозу взаємне положення Сонця та точки геолокації фотогальванічної станції, а друга — стохастична модель з машинним навчанням, яка за результатами навчання будує функцію впливу метеорологічних факторів на рівень виробітку електроенергії. Але, як показали результати випробувань, суттєвим недоліком такого підходу, що значно погіршує результати прогнозів, є неврахування ефекту термічного зниження потужності фотоелектричної станції. З метою вдосконалення прогностичної моделі фотоелектричної станції з урахуванням ефекту термічного зниження її потужності у разі надкритичного підвищення температури її панелей побудована та досліджена імітаційна модель ефекту термічного зниження потужності фотогальва-нічних модулів, з яких складаються робочі панелі фотогальванічних станцій. Особливу увагу в стат-ті приділено виявленню та дослідженню найпоширеніших метеорологічних факторів, які впливають на тепловий режим фотогальванічних модулів. За результатами проведених досліджень побудована третя складова прогностичної моделі, яка враховує ефект термічного зниження потужності фото-гальванічних модулів. Результати дослідження вдосконаленої трикомпонентної прогностичної моделі мережевої фотоелектричної станції для прогнозування щогодинного виробітку електричної енергії на добу наперед показали суттєве зниження небалансу між прогнозованою та фактично виробленою електричною енергією.; Forecasting the generation of electrical energy is mandatory for grid photoelectric plants. According to the requirements of the energy market, the hourly production of electricity for a day in advance is subject to forecasting, which is determined by the terms of purchase/sale of electricity. This forecasting is performed using predictive models of photovoltaic solar ener-gy conversion processes. Such a model usually includes two components: the first of which is a purely analytical, determin-istic model that takes into account the relative position of the Sun and the geolocation points of the photovoltaic station at the time of the forecast, and the second is a stochastic model with machine learning, which, based on the results of the training, builds a function of the influence of meteorological factors on level of electricity generation. But, as the results of the tests showed, a significant drawback of this approach, which significantly worsens the forecast results, is the failure to take into account the effect of thermal reduction of the power of the photovoltaic plant. In order to improve the prediction model of a photovoltaic plant, taking into account the effect of thermal reduction of its power at a supercritical increase in the tem-perature of its panels, a simulation model of the effect of thermal reduction of the power of photovoltaic modules, which make up the working panels of photovoltaic plants, was built and studied. Special attention is paid in this paper to the identi-fication and study of the dominant meteorological factors, influencing the thermal mode of photovoltaic modules. According to the results of the research, the third component of the prediction model was built, which takes into consideration the effect of thermal reduction of photovoltaic modules power. The results of the study of the revised three-component prediction model of the grid photoelectric station for the forecasting the hourly production of electric energy a day in advance showed a significant decrease in the imbalance between the predicted and actually produced energy. 2024-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/42918 Порівняння ефективності методів напівкерованого навчання на основі автоенкодерів для задач класифікації фотографій ракових захворювань шкіри Зарицький, О. О.; Данилов, В. Я.; Zarytskyi, O. O.; Danylov, V. Ya. Розглянуто та порівняно ефективність методів напівкерованого навчання на базі автоенкодерів для задачі класифікації фотографій ракових захворювань шкіри. У статті запропоновано систему оцінки методів напівкерованого навчання і запропоновано модифікації архітектур, описаних в літературних джерелах. Актуальність роботи полягає у дослідженні ефективності застосування різних методів напівкерованого навчання на прикладних задачах класифікації. Ефективне використання методів напівкерованого навчання для роботи з медичними даними може потенційно суттєво підвищити якість використання штучного інтелекту у медицині, оскільки нерозмічені медичні дані легше отримати і вони не потребують залучення дорогих спеціалістів. Як показали експерименти, проведені в рамках цього дослідження, методи напівкерованого навчання на базі автоенкодерів суттєво покращують метричні показники моделі для задачі класифікації фотографій ракових захворювань шкіри. В рамках дослідження розглянуто звичайний згортковий автоенкодер, варіаційний автоенкодер і сходову нейронну мережу, адаптовані для задач напівкерованого навчання. Як дані для експериментів використано датасет HAM10000. Для кожної моделі проведено 3 експерименти з різною кіль-кістю розмічених даних у навчальній вибірці (5, 10, 30 % маркованих даних). Дослідження показали, що варіаційний автоенкодер демонструє виняткові результати на великій кількості розмічених даних, проте погано адаптується до малої кількості. Згортковий автоенкодер є ефективним тільки для великої кількості розмічених даних і дуже поступається складнішим методам НН у всіх експериментах. Дослідження показало, що сходова нейронна мережа є дуже ефективною для малої кількості маркованих даних порівняно з іншими розглянутими архітектурами. Отже, враховуючи специфіку задач класифікації медичних даних, можна зробити висновок, що сходова нейронна мережа є найефективнішою для такого типу задач.; In this paper, we reviewed and compared the effectiveness of semi-supervised learning methods based on autoencoders for the task of classifying photos of skin cancers. The paper proposes a system for evaluating semi-supervised learning methods and suggests modifications to the architectures described in the literature. The relevance of this work is to study the effectiveness of using various semi-supervised learning methods on applied classification tasks, The effective use of semi-supervised learning methods for working with medical data can potentially significantly increase the quality of artificial intelligence in medicine, since unlabeled medical data is easier to obtain and does not require the involvement of expensive specialists. As the experiments conducted in this study have shown, semi-supervised learning methods based on autoencoders significantly improve the performance metrics of the model for the task of classifying photos of skin cancers. In our study, we considered a conventional convolutional autoencoder, a variational autoencoder, and a ladder neural network, all adapted for semi-supervised learning tasks. The HAM10000 dataset was used as the data for the experiments. For each model, 3 experiments were conducted with different amounts of labeled data in the training set (5, 10, 30 % of labeled data). The studies showed that the variational autoencoder demonstrates exceptional results on a large amount of labeled data, but does not adapt well to a small amount. The convolutional autoencoder is effective only for a large amount of labeled data and is significantly inferior to more complex architectures in all experi-ments. The study has shown that the ladder neural network is very effective for a small amount of labeled data compared to the other architectures considered. Thus, taking into account the specifics of medical data classification tasks, we can conclude that the ladder neural network is the most effective for this type of task. 2024-01-01T00:00:00Z