http://dspace.dgma.donetsk.ua:8080/jspui/handle/DSEA/49 КІТ 2026-06-03T19:15:38Z http://dspace.dgma.donetsk.ua:8080/jspui/handle/DSEA/1164 Title: Оцінка даних в процесі сумісного використання САЕ-системи та штучних нейронних мереж Authors: Васильєва, Л. В.; Тарасов, О. Ф. Abstract: спільне використання чисельних методів розрахунку напружено-деформованого стану заготовок, методів штучного інтелекту та математичних методів для обробки результатів розрахунків дозволяє створювати інструменти для автоматизованого вивчення процесів в різних предметних галузях, у даному випадку, в галузі обробки металів тиском. 2026-04-01T00:00:00Z http://dspace.dgma.donetsk.ua:8080/jspui/handle/DSEA/1137 Title: ДОСЛІДЖЕННЯ НЕЙРОМЕРЕЖЕВИХ ПІДХОДІВ ДО АНАЛІЗУ ВІДЕООБ’ЄКТІВ ІЗ ЗАСТОСУВАННЯМ GOOGLE CORAL Authors: Алтухов, О. В.; Васильєва, Л. В.; Алтухов, В. О.; Богданова, Л. М.; Тарасов, О. Ф. Abstract: Зростання обсягів відеоданих у різних галузях (безпека, медицина, транспорт, технічні науки) актуалізує необхідність ефективної автоматичної обробки цих даних. Особливо важливими завданнями є класифікація та сегментація об’єктів на відео. Висока роздільна здатність сучасного відео створює додаткові виклики, зокрема щодо обробки в реальному часі, що потребує використання як оптимізованих моделей, так і апаратних прискорювачів. Одним із рішень є Google Coral – пристрій, що дозволяє прискорити виконання нейронних мереж без суттєвих втрат у точності. У цьому дослідженні акцент зроблено на підвищенні ефективності моделей глибокого навчання шляхом підбору оптимальних параметрів навчання для забезпечення точного й швидкого розпізнавання об'єктів на відео. У роботі досліджено методи, моделі та інформаційні технології, призначені для класифікації і сегментації об’єктів на відео з використанням нейронних мереж і апаратного прискорювача Google Coral. Основну увагу приділено оптимізації параметрів навчання моделей на основі архітектур SSD/FPN MobileNet V1, MobileNet V2 та SSDLite MobileNet V2. Запропоновано підхід, що дозволяє досягти високої точності при класифікації і сегментації об’єктів у відео за мінімального часу навчання. Розроблено програмний комплекс з графічним інтерфейсом, реалізований із використанням Python, TensorFlow та OpenCV. Проведено порівняльний аналіз ефективності методів класифікації та сегментації, а також розглянуто можливості реалізації систем в середовищі обмежених ресурсів. Наукова новизна полягає в удосконаленні моделей нейронних мереж для класифікації та сегментації об’єктів на відео з застосуванням апаратного прискорювача Google Coral, що дозволило підвищити швидкість навчання та точність класифікації. Практична цінність полягає в реалізації методів та моделей нейронних мереж для класифікації та сегментації об’єктів на відео за допомогою Google Coral, які можна використовувати на різних апаратних платформах. 2025-01-01T00:00:00Z http://dspace.dgma.donetsk.ua:8080/jspui/handle/DSEA/1126 Title: Використання згорткової нейронної мережі для підвищення ефективності моделювання в CAE-системі Authors: Тарасов, О. Ф.; Васильєва, Л. В.; Алтухов, О. В. Abstract: DOI: 10.36059/978-966-397-531-3 2025-09-01T00:00:00Z http://dspace.dgma.donetsk.ua:8080/jspui/handle/DSEA/1089 Title: Алгоритмізація та програмування, оброблення медичних даних : навчальний посібник для здобувачів вищої освіти спеціальності 122 «Комп’ютерні науки» Authors: Васильєва, Л. В.; Малигіна, С. В.; Бережна, О. В. Abstract: Розглянуто різновиди алгоритмів і теоретичні відомості мови програмування C, аспекти застосування програмування для оброблення медичних даних. Містить лекційні матеріали, згідно з програмою курсу, приклади, контрольні питання для самоперевірки знань студентів, перелік літератури 2022-01-01T00:00:00Z