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

Особливості обчислювального процесу у матричному класифікаторі об’єктів

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.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&nbsp; 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.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.doihttps://doi.org/10.31649/2307-5376-2025-3-86-90
dc.identifier.issn2307-5376
dc.identifier.udc004.272
dc.identifier.urihttps://ir.lib.vntu.edu.ua/handle/123456789/50920
dc.language.isouk_UAuk_UA
dc.publisherВінницький національний технічний університетuk
dc.relation.ispartofНаукові праці Вінницького національного технічного університету. № 3 : .uk
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.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

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
197484.pdf
Розмір:
857,9 KB
Формат:
Adobe Portable Document Format

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
license.txt
Розмір:
129 B
Формат:
Plain Text
Опис: