<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Метод когнітивної обробки результатів інтелектуальних вимірювань у сенсорних мережах лабораторних випробувань

Вантажиться...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

Назва журналу

Номер ISSN

Назва тому

Альтернативна назва

Анотація

Робота спрямована на вирішення задачі забезпечення когнітивної обробки результатів інтелектуальних вимірювань та націлена на врахування метрологічних вимог й інтеграцію в повний когнітивний цикл вимірювань. У роботі вперше представлено метод когнітивної обробки результатів інтелектуальних вимірювань, який інтегрує когнітивне агрегування з онтологічною інтерпретацією. Метод складається з етапів формування повного вектора спостережень, дворівневого зважування та онтологічного формування пріоритетів конфігурації сенсорної мережі. Об’єднує три рівні когнітивності сенсорних мереж: отримує дані вимірювання, інтерпретує їх та передає для прийняття управлінського рішення. Метод дозволяє інтегрувати когнітивний процес у замкнутий цикл вимірювань під час лабораторних випробувань та підвищити достовірність результатів вимірювань. Попередня валідація методу шляхом виконання симуляційного експерименту доводить підвищення інтегрального показника достовірності результатів вимірювань на 35,5 % порівняно із середнім показником достовірності трьох розглянутих у роботі аналогів. Розроблений метод має вагоме практичне значення для лабораторних випробувань із використанням інформаційно-вимірювальних систем на основі сенсорних мереж завдяки можливості впровадження як апаратно-програмний засіб управління вимірювальними процесами. Отримані результати можуть бути використані в процесі цифровізації метрологічних процедур, оснащенні науково-дослідних лабораторій новітніми інформаційно-вимірювальними системами та для розвитку стандартизації у сфері лабораторних випробувань. Перспективним напрямком подальших досліджень є вирішення протиріччя між точністю та коригуванням аномалій в умовах взаємодії трьох рівнів когінтивності сенсорних мереж та розгляду питань взаємо

Опис

Мова

Посилання на публікацію

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Червотока О. В., Тарасенко Я. В. Метод когнітивної обробки результатів інтелектуальних вимірювань у сенсорних мережах лабораторних випробувань // Наукові праці Вінницького національного технічного університету. Елект. текст. дані (PDF: 487 КБ). 2025. № 4. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/885.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (12)

  1. EURAMET e.V. Metrology for a stronger Europe: A European Metrology Agenda for the next decade (2030–2040). Strategy Paper. Version 1.0 (11/2024). Braunschweig : EURAMETe.V., 2024. 14 p. URL: https://www.poweredbymetrology.org/securedl/sdl-eyJ0eXAiOiJKV1QiLCJhbGciOiJIUzI1NiJ9.eyJpYXQiOjE3NTExNjMwMzUsImV4cCI6MTc4Mjc4NTQzNSwidXNlciI6MCwiZ3JvdXBzIjpbMCwtMV0sImZpbGUiOiJNZWRpYS9kb2NzL1B1YmxpY2F0aW9ucy9zdHJhdGVneS9NZXRyb2xvZ3lfZm9yX2Ffc3Ryb25nZXJfRXVyb3BlX3dlYi5wZGYiLCJwYWdlIjozNDI1fQ.fscuev8VpolXsduOYgwKT-q3VVANb_3vcxNRSpKONsE/Metrology_for_a_stronger_Europe_web.pdf.
  2. Integrating AI Cognition Networks with Real-Time Sensor Data / V. Ortiz et al. 2025. URL: https://dx.doi.org/10.2139/ssrn.5524138.
  3. Khalek N. A., Tashman D. H., Hamouda W. Advances in machine learning-driven cognitive radio for wireless networks: a survey. IEEE communications surveys & tutorials. 2023. P. 1201–1237. URL: https://doi.org/10.1109/comst.2023.3345796.
  4. Introductionto cognitive sensing technologies and applications / G.R.Sinha et al. Cognitive sensing technologies and applications. S. l. 2023. P. 1–26. URL: https://doi.org/10.1049/pbce135e_ch1.
  5. A model of a secure information system for cognitive data processing in IoT sensor networks for laboratory climatic testing / Ya.Tarasenko et al. CEUR WS. 2025. Vol. 4042. P. 90–104.URL: https://doi.org/10.5281/zenodo.17501340.
  6. Duro N. Sensor data fusion analysis for broad applications. Sensors. 2024. Vol. 24, No12. URL: https://doi.org/10.3390/s24123725.
  7. Semantic description of quality of data in sensor networks / A. P. Vedurmudi et al. Sensors.2021. Vol. 21, No19. URL: https://doi.org/10.3390/s21196462.
  8. A survey of multimodal event detection based on data fusion / M. Mondal et al. The VLDB Journal. 2024. Vol. 34, No1. URL: https://doi.org/10.1007/s00778-024-00878-5.
  9. Towards semantic sensor data: an ontology approach / J.Liu et al. Sensors. 2019. Vol. 9, No5. URL: https://doi.org/10.3390/s19051193.
  10. A comprehensive survey on deep learning multi-modal fusion: methods, technologies and applications / T.Jiao et al. Computers, materials & continua. 2024. Vol. 80, No1. P. 1–35. URL: https://doi.org/10.32604/cmc.2024.053204.