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

Застосування методів машинного навчання для визначення пріоритетності заміни засобів вимірювальної техніки на зразках озброєння та військової техніки

Завантаження...
Ескіз

Дата

Науковий керівник

Редактор

Інші учасники

Відповідальний

ORCID

Назва журналу

Номер ISSN

Назва тому

DOI

Альтернативна назва

Анотація

Запропоновано підхід до визначення пріоритетності заміни засобів вимірювальної техніки обмінним фондом в умовах обмежених ресурсів. Підхід враховує технічний стан ЗВТ, терміновість заміни, критичність об’єкта, інтенсивність експлуатації та інші фактори, що дає змогу сформувати обґрунтовану черговість заміни та підвищити ефективність використання обмінного фонду.
An approach to determining the priority of replacing measuring instruments from the exchange fund under limited-resource conditions is proposed. The approach takes into account the technical condition of measuring instruments, replacement urgency, the criticality of the operational asset, intensity of use, and other factors, enabling the establishment of a justified replacement sequence and improving the efficiency of exchange fund utilization.

Опис

Тип документа

Мова

ISSN

Серія, номер

ISBN

ББК

Інші ідентифікатори

Пов’язані матеріали

Спонсорська підтримка

Правовласник

Бібліографічний опис

Мошаренков В. В., Коваленко І. О., Нечипорчук С. С. Застосування методів машинного навчання для визначення пріоритетності заміни засобів вимірювальної техніки на зразках озброєння та військової техніки // VІ Міжнародна науково-технічна інтернет-конференція «Актуальні проблеми бойового застосування та експлуатації і ремонту зразків озброєння та військової техніки», Вінниця, 10-11 листопада 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/apozbt/apozbt2026/paper/view/30410.

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (5)

  1. ВСТ 01.210.009 – 2022 (03). Порядок формування обмінних фондів засобів вимірювальної техніки. Методика розрахунку номенклатури та обсягу.[Чинний від 2022-02-11]. Вид. офіц. Київ, 2022. 16с.
  2. Wang Z., Lim T., Bayda M., Stevi ., Yu Y., Liu V. A Machine Learning Approach to MultiCriteria Decision-Making via Peer-Prediction Trees and Excess Performance Evaluation. Algorithms. 2026. Vol. 19, No. 9. Art. 762. DOI: 10.3390/a19090762
  3. Salman H. A., Kalachek A., Steiti A. Random Forest Algorithm Overview. Babylonian Journal of Machine Learning. 2024. P. 69–79. DOI: 10.58496/BJML/2024/007.
  4. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. P. 785–794. DOI: 10.1145/2939672.2939785
  5. Salih A. M., Raisi-Estabragh Z., Galazzo I. B., Radeva P., Petersen S. E., Lekadir K., Menegaz G. A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME. Advanced Intelligent Systems. 2025. Vol. 7, No. 1. Article 2400304. DOI: 10.1002/aisy.202400304.