http://bionics.nure.ua/issue/feedБіоніка інтелекту2021-04-04T00:23:34+03:00Григорій Григорович Червериковgrigorij.chetverykov@nure.uaOpen Journal Systems<p>Заснований Харківським національним університетом радіоелектроніки у 1967 році .</p> <p>Свідоцтво про держреєстрацію <a href="http://bionics.nure.ua/public/site/images/iryna_kyrychenko/bionics-of-intelligence.jpg">КВ № 12072-943 ПР</a> від 07.12.2006.</p> <p>Журнал включено до Переліку наукових фахових видань України, категорія «Б», технічні науки (затверджено <a href="https://mon.gov.ua/ua/npa/pro-zatverdzhennya-rishen-atestacijnoyi-kolegiyi-ministerstva-vid-2-lipnya-2020-roku">наказом МОНУ</a> від 02.07.2020 № 886).</p> <p>Сфера поширення й категорія читачів: загальнодержавна та зарубіжна.</p> <p>Періодичність: журнал виходить 2 рази на рік в липні і грудні.</p> <p>Мови публікацій: англійська, українська, російська.</p> <p>Мета виходу в світ журналу «Біоніка інтелекту» – популяризація й пропаганда в середовищі студентів, аспірантів, інженерів, науковців нових наукових напрямків, технологій, ідей, зближення теорії з практикою.</p>http://bionics.nure.ua/article/view/228270ТЕХНОЛОГІЧНІ ЗАСАДИ ЛОГІКО-ЛІНГВІСТИЧНИХ ДОСЛІДЖЕНЬ ЗАКОНОДАВСТВА2021-03-31T19:21:03+03:00В.А. Широковvshirokov48@gmail.comМ. В. Надутенкоmaxkrb@gmail.comО. Є. Стрижакsae953@gmail.comС. С. ЮщенкоYuschenko_Svetlana@i.ua<p>У статті обґрунтовано застосування інтелектуальних когнітивних комп’ютерних технологій в логіколінгвістичних дослідженнях законодавства України на прикладі проведеного авторами комплексного логіколінгвістичного дослідження Закону України «Про особливу процедуру усунення Президента України з посту (імпічмент)» №39-IX від 10 вересня 2019 року на авторських програмних інструментах – Системі аналізу текстів та Когнітивній IТ-платформі «ПОЛІЕДР»</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 Біоніка інтелектуhttp://bionics.nure.ua/article/view/228456Дослідження сучасних засобів квантових обчислень2021-04-03T22:24:03+03:00І. К. Божко ivan.bozhko@nure.uaГ.Г. Четвериковgrirorij.chetverykov@nure.uaО.А. Каратаєв oleksandr.karataiev@nure.ua<p>Дана робота являє собою дослідження поточного стану існуючих інструментів квантових обчислень, особливо мови програмування Q# як найбільш розвиненого інструменту для цього в даний час. Оскільки квантові обчислення<br>сьогодні є однією з основних областей досліджень, створюються відповідні інструменти. Вони покликані спростити розробку квантових програм, з одного боку, і надати платформу для тестування і запуску їх, з іншого боку. Тому автори дослідили наявні в даний час інструменти і представили результати в даній статті.</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228457Темпоральні патерни вподобань користувачів в задачах формування пояснень в рекомендаційній системі2021-04-03T22:38:23+03:00С.Ф. Чалий serhii.chalyi@nure.uaВ.О. Лещинський volodymyr.leshchynskyi@nure.ua<p>Розглянуто проблему врахування змін вимог користувача рекомендаційної системи при побудові пояснень<br>щодо рекомендацій. Ця проблема може виникнути в результаті циклічних змін вимог користувача. Її рішення<br>пов’язане з побудовою пояснення, що порівнює альтернативні варіанти вибору такого користувача. Розроблені<br>моделі темпоральних патернів складаються з множини темпоральних відношень між подіями вибору користувачами товарів та послуг. Перший патерн містить альтернативи у вигляді послідовного вибору в часі декількох<br>предметів або вибору тільки пари - першого і останнього предмета. Другий патерн, послідовно-альтернативного<br>вибору, складається з послідовності виборів у часі, яка завершується першим патерном. Запропонований підхід<br>до формування патернів заснований на побудові наборів даних, що містять в собі темпоральні залежності між<br>групою виборів користувача для заданого рівня деталізації часу. Набір даних з темпоральними залежностями<br>використовується для побудови темпорального графу процесу вибору користувача рекомендаційної системи.<br>Останній включає в себе набір темпоральних патернів із зазначенням часу їх початку і завершення, що дає<br>можливість визначити тривалість реалізації цих шаблонів. На основі патернів формуються підмножини темпоральних відносин для побудови пояснень щодо рекомендованого переліку товарів і послуг. Експериментальна<br>перевірка розробленого підходу з використанням набору даних про продажі «Online Retail» показала можливість<br>виділення темпоральних патернів навіть на коротких вихідних вибірках</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228458Оптимізація та масштабування Node.js додатків2021-04-03T22:49:39+03:00І. В. Кириченкоiryna.kyrychenko@nure.uaА. В. Назаренкоanton.nazarenko@nure.uaР. О. Попов rostyslav.popov@nure.ua<p>Актуальність цієї роботи зумовлена тим, що Node.js швидко стає однією з найпопулярніших платформ для створення швидких, масштабованих веб та мобільних додатків. Опитування користувачів Node.js 2017 року показує, що в даний час в Інтернеті перебуває понад 7 мільйонів екземплярів Node.js, причому кожен четвертий користувач планує збільшити використання Node.js протягом наступних 12 місяців. І легко зрозуміти, чому 68 відсотків цих користувачів кажуть, що Node.js покращує продуктивність розробників, 58 повідомляє, що зменшує витрати на розробку, а 50 відсотків кажуть, що підвищує продуктивність додатків. Оскільки Node.js все частіше стає технологією, що обирається для розробки додатків, попит на досвідчених розробників Node.js також буде продовжувати зростати. У роботі розглянуто проблему масштабування та оптимізації Node.js додатків. Запропоновано декілька підходів розробки Node.js додатків, які допоможуть оптимізувати швидкість виконання програмного коду та розробити рішення, що буде легко масштабуватися.</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228459Метод нейромережевого розпізнавання фальсифікованих зображень2021-04-03T23:07:00+03:00В.В. Білоцерковськийvladyslav.bilotserkovskyi@nure.uaС.Г. Удовенкоserhiy.udovenko@hneu.netЛ.Е. Чалаlarysa.chala@nure.ua<p>Розглянуто методи генерації зображень, фальсифікованих за допомогою технологій Deepfake, і методи їх виявлення. Пропонується метод виявлення фальсифікованих зображень, який оснований на спільному використанні ансамблю згорткових нейронних моделей, механізму Attention та стратегії сіамського навчання мережі. Ансамблі моделей формувалися різними способами (з використанням двох, трьох або більшої кількості складових). Результат обчислювався як середнє значення показників AUC і LogLoss з усіх моделей, що входять в ансамбль. Такий підхід дозволяє покращити точність різних нейромережевих класифікаторів для виявлення статичних та динамічних зображень, створених за технологіями Deepfake</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228460Інтелектуальна обробка просторових даних в ГІС ландшафтно-екологічного моніторингу2021-04-03T23:19:45+03:00О.Б. Дудінова olga.dudinova@nure.uaС.Г. Удовенкоserhiy.udovenko@hneu.netЛ.Е. Чалаlarysa.chala@nure.ua<div>Пропонується підхід до створення модульних підсистем інтелектуальної обробки і стиснення просторових даних в складі ГІС ландшафтно-екологічного моніторингу. Визначено функції та методи реалізації завдань цих підсистем. До основних модулів належать: модуль попередньої обробки просторових даних з формуванням оцифрованих зображень; модуль сегментації зображень та виділення контурів; модуль категорійної класифікації зображень ландшафтних об’єктів; модуль стиснення зображень з використанням фрактальної моделі та генетичного алгоритму; модуль стиснення та відновлення зашумлених оцифрованих зображень з використанням шумопригнічуючого автоенкодера.</div>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228461Концепції організації інформаційно-інтелектуальних технологій та інтелектуальної підтримки суспільно-економічних процесів: k-значні засоби. 2021-04-03T23:30:47+03:00О.І. Повзунpovzun.aleksey@gmail.comН.Б. Козелnatalia.kozel1@nure.uaО.А. Каратаєвoleksandr.karataiev@nure.uaГ.Г. Четвериковchetvergg@gmail.com<p>Стаття присвячена аналізу проблеми створення систем штучного інтелекту, які дозволяють моделювати на логічному та апаратному рівнях економічні рішення описані математичними операціями над природною мовою, і які є елементами k-значної структурної організації інформаційно-інтелектуальних технологій. Показана необхідність і можливість розробки загальної теорії побудови інтелектуального управління і систем штучного інтелекту, яка могла б стати методологічною основою цілеспрямованого створення нових інформаційних технологій</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228462Методи підвищення ефективності ітераційних обчислень у Wolfram Mathematica2021-04-03T23:45:58+03:00Д.О. Золотарьовdenis@zolotariov.org.ua<p>Розглянуті та досліджені методи скорочення обчислювальних ресурсних витрат ітераційних алгоритмів у математичному процесорі Wolfram Mathematica на основі попередньої підготовки вхідних даних, управління<br />проміжними даними у процесі виконання, використанню та специфічному налаштуванню вбудованих функцій: експорту у платформо незалежні формати та у файли дампу, компілювання у код Wolfram Virtual Machine та машинний код за допомогою C-компілятора, операторів циклу. Показані їх неочевидні можливості та особливості. Доведено, що кожний з них навіть окремо здатен істотно впливати на скорочення використання таких обмежених ресурсів комп’ютера, як об’єм оперативної пам’яті та час центрального процесора при розрахунках</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228463Розробка та дослідження енергозберігаючої системи очищення технологічних вод від феромагнітних домішок та її автоматизація2021-04-03T23:54:23+03:00А.П. Сафоникa.p.safonyk@nuwm.edu.uaП. О. Лакусlakus_ak15@nuwm.edu.uaІ.М. Грицюкi.m.hrytsiuk@nuwm.edu.ua<p>Побудовано математичну модель процесу очищення технологічних вод. Розроблено структурну схему<br>зв’язків параметрів процесу вилучення феромагнітних домішок, що дало змогу знайти перехідні характеристики,<br>провести комп’ютерний експеримент та в подальшому визначити основні конструктивні параметри процесу.<br>Проведено дослідження відповідного процесу з використанням знайдених передаточних функцій об’єкта по<br>каналах керування. Розроблено П-регулятор для енергоефективного керування концентрацією забруднення на<br>виході з системи очищення. На основі експериментальних даних та розроблених перехідних характеристиках<br>показано, що економія електроенергії з використанням запропонованого регулятора становить як мінімум 15%</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228464Рекурентна достовірна нечітка кластеризація великих даних з використанням функції належності спеціального типу2021-04-04T00:10:17+03:00Є.В. Бодянськийyevgeniy.bodyanskiy@nure.uaА.Ю. Шафроненкоalina.shafronenko@nure.uaІ. М. Климоваiryna.klymova@nure.ua<p>Запропоновано метод достовірної нечіткої кластеризації для задач, коли дані надходять на обробку або у послідовному онлайн режимі, або формують надвеликі масиви (Big Data). Введені процедури є за суттю градієнтними алгоритмами оптимізації цільової функції спеціального виду, та мають низку переваг перед відомими ймовірнісними та можливісними підходами і, перш за все, робастність до аномальних спостережень. В основі підходу лежить використання міри подібності, параметри якої візначаються автоматічно у процесі самонавчання. Запропоновані процедури є узагальненням відомих методів, характеризуються високою швидкодією та є досить простими у чисельній реалізації.</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021 http://bionics.nure.ua/article/view/228465Адаптивне тестування знань методами логічних мереж2021-04-04T00:23:34+03:00І.Ю. Шубінigor.shubin@nure.uaГ.Г. Четвериковchetvergg@gmail.comВ.А Ляшикvolodymyr.liashyk@nure.uaН.О. Шанідзеnashanidze@ukr.net<p>Під адаптивним тестовим контролем розуміють комп’ютеризовану систему науково обґрунтованої перевірки й оцінювання результатів навчання, що має високу ефективність за рахунок оптимізації процедур генерації, пред’явлення й оцінки результатів виконання адаптивних тестів, що заснована на методах побудови та оптимізації логічних мереж. Алгоритми підбору й пред’явлення завдань будуються за принципом зворотного зв’язку, коли при правильній відповіді суб’єкта навчання чергове завдання вибирається більш важким, а невірна відповідь спричиняє пред’явлення наступного більш легкого завдання, ніж те, на яке суб’єктом навчання була дана невірна відповідь. Також є можливість завдання додаткових питань по темах, які суб’єкт навчання знає не дуже добре для більш точного з’ясування рівня знань у даних областях. Вибір алгоритмів тестування наразі фактично обмежений формами представлення тестових завдань і алгоритмами оцінювання результатів тестування. Досягнення більш високих результатів і підвищення мотивації навчання в остаточному підсумку є основною метою тестування знань. Для визначення базового алгоритму, необхідно навести сценарій роботи системи. У його основі лежить модель приймання іспиту викладачем у студента, як модель адаптивного тестування. Такий вибір сценарію роботи системи обумовлений тим, що, по-перше, дана процедура історично добре формалізована, по-друге, при проектуванні тестів, їх розробнику необхідно спиратися на загальноприйняті, відомі й використовувані їм методи з мінімальною модифікацією.</p>2020-12-02T00:00:00+02:00Авторське право (c) 2021