Показати скорочену інформацію

dc.contributor.authorМартинюк, Т. Б.uk
dc.contributor.authorКожем’яко, А. В.uk
dc.contributor.authorКаташинський, Д. О.uk
dc.contributor.authorБулига, І. В.uk
dc.contributor.authorMartyniuk, T.en
dc.contributor.authorKozhem'yako, A.en
dc.contributor.authorKatashynskyi, D.en
dc.contributor.authorBulyha, I.en
dc.date.accessioned2026-03-20T13:33:01Z
dc.date.available2026-03-20T13:33:01Z
dc.date.issued2025
dc.identifier.citationМартинюк Т. Б., Кожем’яко А. В., Каташинський Д. О., Булига І. В. Особливості обчислювального процесу у матричному класифікаторі об’єктів // Наукові праці Вінницького національного технічного університету. (Електрон. текст. дані: 858 КБ). 2025. № 3. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/850.uk
dc.identifier.issn2307-5376
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/50920
dc.description.abstractСистолічний підхід є перспективним напрямком удосконалення обчислювальних засобів через вдале поєднання високого рівня паралелізму оброблення даних та регулярності систолічної структури. Зокрема, двовимірна систолічна структура потребує специфічного оброблення даних у вигляді матриці. У роботі розглядається варіант реалізації систолічного процесу класифікації об'єктів за лінійними дискримінантними функціями із застосуванням методу різницевих зрізів. Для цього n елементів кожної m з лінійних дискримінантних функцій представлено у вигляді матриці розміром m×n елементів. В процесі застосування різницево-зрізового методу систолічне оброблення виконується у кожному циклі спочатку паралельно по стовпцях матриці із застосуванням швидкісної операції декремента, а потім паралельно порядках матриці виконується транспозиція (зсув) нульових елементів відповідно або праворуч, або ліворуч у межах кожного рядка. Таким чином визначається максимальна лінійна дискримінантна функція. У роботі пропонується удосконалення матричного методу оброблення елементів лінійних дискримінантних функцій з урахуванням від'ємних коефіцієнтів зміщення, які представлено у матричному вигляді. Це дозволяє нормалізувати елементи лінійних дискримінантних функцій, а отже, підвищити достовірність отриманих результатів. Наведено удосконалену структуру класифікатора об’єктів, у блок класифікації якого введено разом з вузлом матричного оброблення вузол нормалізації. Крім того, для формування матриці ваг W задіяно навчальний блок на входи якого подається навчальна вибірка для вирішення конкретної  задачі класифікації. Реалізацію запропонованої систолічної структури класифікатора об'єктів можна застосувати апаратно як прискорювач у підсистемах підтримки прийняття рішень в експертних системах різного призначення. Особливий інтерес при цьому представляє використання такого класифікатора під час медичного діагностування, що прискорить процес прийняття рішень медичним спеціалістом.uk
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofНаукові праці Вінницького національного технічного університету. № 3 : .uk
dc.relation.urihttps://praci.vntu.edu.ua/index.php/praci/article/view/850
dc.subjectкласифікатор об’єктівuk
dc.subjectдискримінантний аналізuk
dc.subjectматрична структураuk
dc.subjectсистолічний процесuk
dc.titleОсобливості обчислювального процесу у матричному класифікаторі об’єктівuk
dc.typeArticle, professional native edition
dc.typeArticle
dc.identifier.udc004.272
dc.relation.referencesДовбуш А. С. Основи проектування інтелектуальних систем : навч. посібник. Суми, Україна: Видавництво СумДУ, 2009. 171 с.uk
dc.relation.referencesШаховська Н. Б., Камінський Р. М., Вовк О. Б. Системи штучного інтелекту. Львів, Україна: Видавництво Львівської політехніки, 2018. 392 с.uk
dc.relation.referencesКуссуль Н. М., Шеметов А. Ю., Лавренюк А. М. Інтелектуальні обчислення : навч. посібник. Київ, Україна: Наукова думка, 2006. 186 с.uk
dc.relation.referencesРуденко О. Г., Бодянський Є. В. Штучні нейронні мережі : навч. посібник. Харків, Україна: ТОВ «Компанія СМІТ»; 2006. 404 с.uk
dc.relation.referencesHaykin S. Neural Networks, A Comprehensive Foundation, 2d ed. N. J.: Prentice Hall, Upper Saddle River, 1999. 842 p.en
dc.relation.referencesCallan R. The Essence of Neural networks. Prentice Hall Europe, 1999. 232 p.en
dc.relation.referencesRangayan R. M. Biomedical Signal Analysis, 2d ed. Wiley-IEEE Press, 2015. 720 p.en
dc.relation.referencesМартинюк Т. Б., Кожем’яко А. В., Каташинський Д. О., Булига І. В. Особливості процесу класифікації у контексті медичного діагностування. Наукові праці ВНТУ. 2025. №1. URL: https://doi.org/10.31649/2307- 5376-2025-1-80-85.uk
dc.relation.referencesNeural network approach in the stroke diagnosis / L. Kupershtein et al. Proc. of the 2016 IEEE 1 st International Conference on Data Mining and Processing, DSMP 2016. P. 138–141. DOI: 101109/DSMP.2016.7583525.en
dc.relation.referencesСверстюк А. С., Горкуленко А. Б. Неромережеві експертні системи для діагностування прогнозування стану серцево-судинної системи. Вісник Хмельницького національного університету. Технічні науки. 2014. №4. С. 102–108.uk
dc.relation.referencesМартинюк Т. Б., Запетрук Я. В. Нейромережевий підхід до медичної експрес-діагностики. Вісник Вінницького політехнічного інституту. 2019. №6. С. 37–44.uk
dc.relation.referencesAwad S. R., Alghared F. G. Encoding-Based Machine Lening Approch For Health Classafication and Remote Monitoring of Cardiac Patients. Algoritms. 2025. №18 (2). P. 94. https://doi.org/10.3390/a 18020094.en
dc.relation.referencesВуйцік І., Готра О. З., Григор’єв В. В. Експертні системи : навч. посібник. Львів, Україна: Ліга Прес, 2006. 290 с.uk
dc.relation.referencesГнатієнко Г. М., Снитюк В. Є. Експертні технології прийняття рішень. Київ, Україна: ТОВ «Маклаут», 2008. 444 с.uk
dc.relation.referencesHayes T. L., Kanan C. Lifelong Machine Learning with Deep Streaming Linear Discriminant Analysis. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Seattle, WA, USA, 2020. P. 887–896. DOI: 10.1109/CVPRW50498.2020.00118.en
dc.relation.referencesYang X. Linear Discriminant Analysis, Explained. URL: https://towardsdatascience.com/linear-discriminantanalysis-explained-f88be6c1e00b.en
dc.relation.referencesApplications of Discriminant Analysis Methods in Medical Diagnistics / T. B. Martyniuk et. al. Proc. Of SPIE-Optical Fibers and Their Applications. 2012. Vol. 8698, Article №86980G.en
dc.relation.referencesСистолічна архітектура матричного обчислювача для класифікатора об’єктів / Т. Б. Мартинюк та ін. Electronic Modeling. 2021. V. 43, № 3. C. 36–46. DOI: https://doi.org/10.15407/emodel.4303.036.uk
dc.relation.referencesMeribont M., Firands A. A new systolic multiprocessor architecture for realtime soft tomography algoritms. Parallel Computing. 2016. Vol. 52. P. 144–155. https://doi.org/10.1016/j.parco.2016.01.002.en
dc.relation.referencesBagavath C., Saraniya O. Evolutionary Mapping Techniques for Systolic Computing System. Deep Learning and Parallel Computing Environment for Bioengineering Systems, Academic Press. 2019. P. 207–223. https://doi.org/10.1016/B978-0-12-816718-2.00020-8.en
dc.relation.referencesDesign of Digital Advanced System Dased on Programmable System on Chip / N. Aranzabal et al. FieldProgrammable Gate Array”, InTech. 2017. URL: https://www.researchgate.net/publication/317311938 _Design_of_Digital_Advanced_Systems_Based_on_Programmable_System_on_Chip.en
dc.relation.referencesКравчук С. О., Шонін В. О. Основи комп’ютерної техніки : навч. посібник. Київ, Україна: ІВЦ «Видавництво Політехніка», 2002. 344 с.uk
dc.identifier.doihttps://doi.org/10.31649/2307-5376-2025-3-86-90


Файли в цьому документі

Thumbnail

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію