EIRNUZP – Електронний інституційний репозитарій Національного університету «Запорізька політехніка»
Інституційний репозитарій Національного університету «Запорізька політехніка» – це електронний архів, що накопичує, систематизує, зберігає та забезпечує довготривалий відкритий доступ до електронних публікацій та електронних версій документів наукового та навчально-методичного призначення, авторами яких є співробітники, аспіранти, докторанти та студенти Національного університету «Запорізька політехніка».
Communities in DSpace
Select a community to browse its collections.
Recent Submissions
Parameter-driven generation of evaluation program for a neuroevolution algorithm on a binary multiplexer example
(Національний університет "Запорізька політехніка", 2023) Doroshenko, A. Yu.; Achour, I. Z.; Yatsenko, O. A.; Дорошенко, А. Ю.; Ашур, І. З.; Яценко, О. А.
EN: Context. The problem of automated development of evaluation programs for the neuroevolution of augmenting topologies. Neuroevolution algorithms apply mechanisms of mutation, recombination, and selection to find neural networks with behavior that satisfies the conditions of a certain formally defined problem. An example of such a problem is finding a neural network that implements a certain digital logic.
Objective. The goal of the work is the automated design and generation of an evaluation program for a sample neuroevolution problem (binary multiplexer).
Method. The methods and tools of Glushkov’s algebra of algorithms and hyperscheme algebra are applied for the parameter-driven generation of a neuroevolution evaluation program for a binary multiplexer. Glushkov’s algebra is the basis of the algorithmic language intended for multilevel structural design and documentation of sequential and parallel algorithms and programs in a form close to a natural language. Hyperschemes are high-level parameterized specifications intended for solving a certain class of problems. Setting parameter values and subsequent interpretation of hyperschemes allows obtaining algorithms adapted to specific conditions of their use.
Results. The facilities of hyperschemes were implemented in the developed integrated toolkit for the automated design and synthesis of programs. Based on algorithm schemes, the system generates programs in a target programming language. The advantage of the system is the possibility of describing algorithm schemes in a natural-linguistic form. An experiment was conducted consisting in the execution of the generated program for the problem of evaluating a binary multiplexer on a distributed cloud platform. The multiplexer example is included in SharpNEAT, an open-source framework that implements the genetic neuroevolution algorithm NEAT for the .NET platform. The parallel distributed implementation of the SharpNEAT was proposed in the previous work of the authors.
Conclusions. The conducted experiments demonstrated the possibility of the developed distributed system to perform evaluations on 64 cloud clients-executors and obtain an increase in 60–100% of the maximum capabilities of a single-processor local implementation.
UK: Актуальність. Розглянуто задачу автоматизованої розробки програм оцінки для алгоритмів нейроеволюції наростаючої топології. Еволюційні алгоритми застосовують механізми мутації, рекомбінації та селекції для пошуку нейронних мереж з поведінкою, яка задовольняє умовам певної формально визначеної задачі. Прикладом такої задачі є знаходження нейронної мережі, що реалізує певну цифрову логіку.
Мета роботи – автоматизоване проектування та генерація програми оцінки для задачі нейроеволюції на прикладі двійкового мультиплексора.
Метод. Методи та інструментальні засоби алгебри алгоритмів Глушкова та алгебри гіперсхем застосовано для параметрично-керованої генерації програми оцінки алгроритму нейроеволюції для бінарного мультиплексора. Алгебра Глушкова покладена в основу алгоритмічної мови, призначеної для багаторівневого структурного проектування та документування послідовних і паралельних алгоритмів та програм у формі, наближеній до природної мови. Гіперсхеми є параметризованими високорівневими специфікаціями, призначеними для вирішення певного класу задач. Задавання значень параметрів і подальша інтерпретація гіперсхем дозволяє отримати алгоритми, адаптовані до конкретних умов їх використання.
Результати. Засоби гіперсхем реалізовано в розробленому інтегрованому інструментарії автоматизованого проектування та синтезу програм. На основі схем алгоритмів система генерує програми цільовою мовою програмування. Перевагою інструментарію є можливість опису схем алгоритмів у природно-лінгвістичній формі. Проведено експеримент з виконання згенерованої програми для задачі оцінки двійкового мультиплексора на розподіленій хмарній платформі. Згадана програма входить до складу SharpNEAT – системи з відкритим кодом, що реалізує алгоритм генетичної нейроеволюції NEAT для платформи .NET. Паралельна розподілена реалізація SharpNEAT була запропонована в попередній роботі авторів.
Висновки. Результати проведених експериментів продемонстрували можливість розробленої розподіленої системи виконувати оцінювання на 64 хмарних клієнтах-виконувачах та отримувати приріст у 60–100 % від максимальних можливостей однопроцесорної локальної реалізації.
Кластеризація масивів даних на основі модифікованого алгоритму сірого вовка
(Національний університет "Запорізька політехніка", 2023) Шафроненко, А. Ю.; Бодянський, Є. В.; Головін, О. О.; Shafronenko, A. Yu.; Bodyanskiy, Ye. V.; Holovin, O. O.
UK: Актуальність. Задача кластеризації масивів багатовимірних даних, основною метою якої є знаходження однорідних у сенсі прийнятої метрики класів спостережень, є важливою частиною інтелектуального аналізу даних Data Mining. З обчислювальної точки зору задача кластеризації перетворюється у проблему пошуку локальних екстремумів багатоекстремальної функції, які багатократно запускаються з різних точок вихідного масиву даних. Пришвидшити процес пошуку цих екстремумів можна, скориставшись ідеями еволюційної оптимізації, що включає в себе алгоритми, інспіровані природою, ройові алгоритми, популяційні алгоритми, тощо.
Мета. Мета роботи полягає у запровадженні процедури кластеризації масивів даних на основі покращеного алгоритму сірого вовка.
Метод. Введено метод кластеризації масивів даних на основі модифікованого алгоритму сірого вовка. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач в умовах коли кластери перетинаються. Особливістю запропонованого методу є обчислювальна простота і висока швидкість, пов’язана з тим, що весь масив обробляється тільки один раз, тобто виключається необхідність в багатоепоховому самонавчанні, що реалізується в традиційних алгоритмах нечіткої кластеризації.
Результати. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов перетинних кластерів та дозволяють рекомендувати запропонований метод для використання на практиці для вирішення проблем автоматичної кластеризації великих даних.
Висновки. Введено метод кластеризації масивів даних на основі покращеного алгоритму сірого вовка. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов перетинних кластерів.
EN: Context. The task of clustering arrays of multidimensional data, the main goal of which is to find classes of observations that are homogeneous in the sense of the accepted metric, is an important part of the intelligent data analysis of Data Mining. From a computational point of view, the problem of clustering turns into the problem of finding local extrema of a multiextreme function, which are repeatedly started from different points of the original data array. To speed up the process of finding these extrema using the ideas of evolutionary optimization, which includes algorithms inspired by nature, swarm algorithms, population algorithms, etc.
Objective. The purpose of the work is to introduce a procedure for clustering data arrays based on the improved gray wolf algorithm.
Method. A method of clustering data arrays based on the modified gray wolf algorithm is introduced. The advantage of the proposed approach is a reduction in the time of solving optimization problems in conditions where clusters are overlap. A feature of the proposed method is computational simplicity and high speed, due to the fact that the entire array is processed only once, that is, eliminates the need for multi-era self-learning, implemented in traditional fuzzy clustering algorithms.
Results. The results of the experiments confirm the effectiveness of the proposed approach in clustering problems under the condition of classes that overlap and allow us to recommend the proposed method for use in practice to solve problems of automatic clustering big data.
Conclusions. A method of clustering data arrays based on the modified gray wolf algorithm is introduced. The advantage of the proposed approach is the reduction of time for solving optimization problems. The results of the experiments confirm the effectiveness of the proposed approach in clustering problems under the conditions of overlapping clusters.
Machine learning decision support systems for adaptation of educational content to the labor market requirements
(Національний університет "Запорізька політехніка", 2023) Shelehov, I. V.; Prylepa, D. V.; Khibovska, Yu. O.; Otroshcenko, М. S.; Шелехов, І. В.; Прилепа, Д. В.; Хібовська, Ю. O.; Отрощенко, М. С.
EN: Context. The urgent task of increasing the functional efficiency of machine learning of decision support system (DSS) for assessing compliance with content modern requirements of the educational disciplines of the graduation department based on the results of the employer survey has been solved.
Objective. Increasing the functional efficiency of machine learning of DSS for assessing compliance with modern requirements of the educational disciplines content of the first (bachelor’s) level specialty educational and professional program based on machine learning and pattern recognition.
Method. The method of machine learning of DSS is proposed for adapting the educational content of the graduation department to the labor market requirements. The idea of the method is to maximize the information capacity of the DSS in the machine learning process, which allows in the monitoring mode to guarantee a high full probability of making the correct classification decisions. The method was developed as part of a functional approach to modeling cognitive processes of natural intelligence, which makes it possible to provide DSS with flexibility when retraining the system due to increasing the power of the recognition classes alphabet. The method is based on the principle of maximizing the amount of information in the machine learning process. The modified Kullback information measure, which is a functional of the accuracy characteristics of classification solutions, is considered as a criterion for optimizing machine learning parameters. According to the proposed functional category model, an information-extreme machine learning algorithm was developed based on the hierarchical data structure in the form of a binary decursive tree. The use of such a data structure allows you to automatically divide a large number of recognition classes into pairs of nearest neighbors, for which optimization of machine learning parameters is carried out according to a linear algorithm of the required depth. The geometric parameters of hyperspherical containers of recognition classes were considered as optimization parameters, which were restored in the radial basis of the binary space of Hamming features in the machine learning process. At the same time, the input traning matrix was transformed into a working binary training matrix, which was changed in the machine learning process through admissible transformations in order to adapt the input information description of the DSS to the maximum reliability of classification decisions.
Results. The informational, algorithmic, and software of the DSS was developed to assess the educational content quality based on the machine analysis results of respondents’ answers. Within the framework of the geometric approach, based on the information-extreme machine learning results, highly reliable decisive rules, practically invariant to the multidimensionality of the recognition features space, were constructed based on the hierarchical data structure in the form of a binary decursive tree. The influence of machine learning parameters on the functional effectiveness of machine learning of the DSS was studied on the evaluation example of the educational content of the educational and professional bachelor’s program of the specialty 122 Computer Science.
Conclusions. The computer modeling results confirm the high functional efficiency of the proposed method of information-extreme hierarchical machine learning and can be recommended for practical use in institutions of higher education to assess compliance with modern requirements of the educational content of graduation departments.
UK: Актуальність. Розв’язана актуальна задача підвищення функціональної ефективності машинного навчання системи підтримки прийняття рішень (СППР) для оцінки відповідності сучасним вимогам контенту навчальних дисциплін випускової кафедри за результатами опитування роботодавців.
Мета. Підвищення функціональної ефективності машинного навчання СППР для оцінки відповідності сучасним вимогам контенту навчальних дисциплін освітньо-професійної програми спеціальності першого (бакалаврського) рівня на основі машинного навчання та розпізнавання образів.
Метод. Запропоновано метод інформаційно-екстремального машинного навчання СППР для адаптації навчального контенту випускової кафедри до вимог ринку праці. Ідея методу полягає у максимізації інформаційної спроможності СППР в процесі машинного навчання, що дозволяє в режимі моніторингу гарантувати високу повну ймовірність прийняття правильних класифікаційних рішень. Метод розроблено в рамках функціонального підходу до моделювання когнітивних процесів природнього інтелекту, що дозволяє надати СППР гнучкість при перенавчанні системи через збільшення потужності алфавіту класів розпізнавання. В основу методу покладено принцип максимізації кількості інформації в процесі машинного навчання. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик класифікаційних рішень. Згідно із запропонованою функціональною категорійною моделлю розроблено алгоритм інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева. Застосування такої структури даних дозволяє автоматично розбивати велику кількість класів розпізнавання на пари найближчих сусідів, для яких оптимізація параметрів машинного навчання здійснюється за лінійним алгоритмом необхідної глибини. Як параметри оптимізації розглядалися геометричні параметри гіперсферичних контейнерів класів розпізнавання, які в процесі машинного навчання відновлювалися в радіальному базисі бінарного простору ознак Геммінга. При цьому вхідна навчальна матриця трансформувалася в робочу бінарну навчальну матрицю, яка змінювалася в процесі машинного навчання шляхом допустимих перетворень з метою адаптації вхідного інформаційного опису СППР до максимальної достовірності класифікаційних рішень.
Результати. Розроблено інформаційне, алгоритмічне і програмне забезпечення СППР для оцінки якості навчального контенту за результатами машинного аналізу відповідей респондентів. В рамках геометричного підходу за результатами інформаційно-екстремального машинного навчання за ієрархічною структурою даних у вигляді бінарного декурсивного дерева побудовано високо достовірні вирішальні правила, практично інваріантні до багато вимірності простору ознак розпізнавання. Досліджено вплив параметрів машинного навчання на функціональну ефективність машинного навчання СППР на прикладі оцінки навчального контенту освітньо-професійної програми бакалаврського рівня спеціальності «Комп’ютерні науки».
Висновки. Результати комп’ютерного моделювання підтверджують високу функціональну ефективність запропонованого методу інформаційно-екстремального ієрархічного машинного навчання і можуть бути рекомендовані до практичного використання у закладах вищої освіти для оцінки відповідності сучасним вимогам навчального контенту випускових кафедр
Image segmentation with a convolutional neural network without pooling layers in dermatological disease diagnostics systems
(Національний університет "Запорізька політехніка", 2023) Polyakova, M. V.; Полякова, М. В.
EN: Context. The problem of automating of the segmentation of spectral-statistical texture images is considered. The object of research is image processing in dermatological disease diagnostic systems.
Objective. The aim of the research is to improve the segmentation performance of color images of psoriasis lesions by elaboration of a deep learning convolutional neural network without pooling layers.
Method. The convolutional neural network is proposed to process a three-channel psoriasis image with a specified size. The initial color images were scaled to the specified size and then inputed on the neural network. The architecture of the proposed neural network consists of four convolutional layers with batch normalization layers and ReLU activation function. Feature maps from the output of these layers were inputted to the 11 convolutional layer with the Softmax activation function. The resulting feature maps were inputted to the image pixel classification layer. When segmenting images, convolutional and pooling layers extract the features of image fragments, and fully connected layers classify the resulting feature vectors, forming a partition of the image into homogeneous segments. The segmentation features are evaluated as a result of network training using ground-truth images which segmented by an expert. Such features are robust to noise and distortion in images. The combination of segmentation results at different scales is determined by the network architecture. Pooling layers were not included in the architecture of the proposed convolutional neural network since they reduce the size of feature maps compared to the size of the original image and can decrease the segmentation performance of small psoriasis lesions and psoriasis lesions of complex shape.
Results. The proposed convolutional neural network has been implemented in software and researched for solving the problem of psoriasis images segmentation.
Conclusions. The use of the proposed convolutional neural network made it possible to enhance the segmentation performance of plaque and guttate psoriasis images, especially at the edges of the lesions. Prospects for further research are to study the performance of the proposed CNN then abrupt changes in color and illumination, blurring, as well as the complex background areas are present on dermatological images, for example, containing clothes or fragments of the interior. It is advisable to use the proposed CNN in other problems of color image processing to segment statistical or spectral-statistical texture regions on a uniform or textured background.
UK: Актуальність. Розглянуто задачу автоматизації процесу сегментації спектрально-статистичних текстурних зображень. Об’єктом дослідження є обробка зображень у системах діагностики дерматологічних захворювань. Метою дослідження є покращення якості сегментації кольорових псоріазних зображень шляхом розробки згорткової нейронної мережі глибокого навчання без пулінгових шарів.
Метод. Запропоновано згорткову нейронну мережу для обробки трьохканального псоріазного зображення заданого розміру. Початкові кольорові зображення було масштабовано до заданого розміру, а потім подано на вхідний шар нейронної мережі. Архітектура запропонованої нейронної мережі складається з чотирьох згорткових шарів з пакетною нормалізацією та функцією активації ReLU. Карти ознак із виходу цих шарів передавалися до згорткового шару 11 з функцією активації Softmax. Отримані карти ознак подавалися до шару класифікації пікселів зображення. При сегментуванні зображень згорткові та пулінгові шари оцінюють ознаки фрагментів зображення, а повністю зв’язані шари класифікують отримані вектори ознак, виконуючи розбиття зображення на однорідні сегменти. Ознаки сегментації оцінювалися в результаті навчання мережі а допомогою зображень, сегментованих експертом. Отримані ознаки стійкі до завад та спотворень зображень. Об’єднання результатів сегментації в різних масштабах визначається архітектурою мережі. Пулінгові шари включалися в архітектуру запропонованої згорткової нейронної мережі, оскільки вони зменшують розмір карт ознак порівняно з розміром початкового зображення та можуть знизити якість сегментації невеликих псоріазних плям та псоріазних плям складної форми.
Результати. Запропоновану згорткову нейронну мережу реалізовано програмно і досліджено при вирішенні задачі сегментації псоріазних зображень.
Висновки. Використання запропонованої згорткової нейронної мережі дозволило підвищити якість сегментації зображень бляшкового та крапельного псоріазу, особливо на границях плям. Перспективи подальших досліджень можуть полягати у дослідженні якості сегментації зображень запропонованою згортковою нейронною мережею, якщо на дерматологічних зображеннях присутні різкі зміни кольору та освітленості, розмиття, а також фрагменти складного фону, наприклад, що містять одяг або фрагменти інтер’єру. Доцільно. використовувати запропоновану згорткову нейронну мережу в інших задачах обробки кольорових зображень для сегментації статистичних або спектрально-статистичних текстурних областей на однорідному або текстурованому фоні.
Method and software component model for skin disease diagnosis
(Національний університет "Запорізька політехніка", 2023) Lovkin, V. M.; Subbotin, S. A.; Oliinyk, A. O.; Myronenko, N. V.; Льовкін, Валерій Миколайович; Субботін, Сергій Олександрович; Олійник, Андрій Олександрович; Мироненко, Н. В.
EN: Context. The problem of skin disease diagnosis was investigated in the paper. Its actuality is caused by the necessity of automation of at least advisory medical decision making. Such decisions are made in telemedicine, for instance, when skin disease diagnostics is performed under specific conditions. These conditions are specified by situations when data for analysis are collected but a qualified doctor has no possibility to process the data and to make a diagnosis decision based on it. The object of the study is a process of skin disease diagnosis.
Objective. The objective of the study is to develop a skin disease diagnosis method to automate making of advisory medical diagnosis decisions and to increase efficiency of such decisions.
Method. The skin disease diagnosis method was proposed in the work. This method applies the modified ResNet50 model. It was proposed to add layers to the ResNet50 model and to train it using transfer learning and fine-tuning techniques. The method also defines image processing in particular through the change of its resolution and uses oversampling technique to prepare a dataset for model training.
Results. Experimental investigation of the proposed method was performed using the HAM10000 dataset which contains images of skin diseases. The images were collected using dermatoscopy method. The dataset contains observations for 7 different skin diseases. The proposed method is characterized by the accuracy of 96.31% on this dataset. It is improved accuracy in comparison with the existing neural network models. Software component model was created to give a possibility to integrate the proposed method into a medical diagnosis system.
Conclusions. The obtained results of the investigation suggest application of the proposed skin disease method in medical diagnostic system to make advisory decisions by the system and to support making final decisions by a doctor.
UK: Актуальність. У даній статті розглянуто проблему діагностування шкірних захворювань. Актуальність проблеми пояснюється необхідністю автоматизації щонайменше дорадчих рішень в медицині, зокрема при підтримці телемедицини під час діагностування шкірних захворювань, коли можливо отримати придатні для аналізу дані, але лікар, здатний прийняти рішення, не може з тих чи інших причин обробити ці дані власноруч. Об’єктом роботи є процес діагностування шкірних захворювань.
Мета робот – розробити метод діагностування шкірних захворювань для автоматизації дорадчих діагностуючих рішень в медицині і підвищення ефективності таких рішень.
Метод. У статті запропоновано метод діагностування шкірних захворювань на основі побудови і навчання моделі ResNet50, модифікованої шляхом додавання нових шарів і використання технік трансферного навчання та fine-tuning. Метод виконує попередню обробку зображень зокрема шляхом зміни їх розміру та використання техніки oversampling для підготовки вибірки даних для навчання моделі.
Результати. Експериментальне дослідження проводилося на наборі даних про шкірні захворювання HAM10000, який складається з 10015 зображень захворювань шкіри, отриманих методом дерматоскопії, для 7 різних діагнозів. У результаті застосування модифікованої моделі на основі запропонованого методу точність розпізнавання склала 96.31%, що перевищує точність розглянутих подібних моделей нейронних мереж. Програмна компонента модель була створена для надання можливості інтегрувати запропонований метод до складу системи медичного діагностування.
Висновки. Отримані в результаті проведеного дослідження результати дозволяють рекомендувати запропонований метод діагностування шкірних захворювань для впровадження у складі системи медичного діагностування задля забезпечення підтримки винесення дорадчих рішень системою з подальшим винесенням остаточних рішень лікарем.