Lymariev, I. O.Subbotin, S. A.Oliinyk, A. A.Drokin, I. V.Лимарєв, І. О.Субботін, Сергій ОлександровичОлійник, Андрій ОлександровичДрокін, І. В.2026-04-212026-04-212018https://eir.zp.edu.ua/handle/123456789/28187Lymariev I. O. Methods of large-scale signals transformation for diagnosis in neural network models / I. O. Lymariev, S. A. Subbotin, A. A. Oliinyk, I. V. Drokin // Радіоелектроніка, інформатика, управління. – 2018. – № 4 (47). – C. 113-120.EN: Context. The problem of dimensionality reduction of diagnosis signals for their use in neural network models is considered. The object of the study was the process of transformation of diagnosis input signals for their subsequent use in the synthesis of predictive models. Objective. The goal of the work is the creation of the methods for the conversion of diagnosis signals as a result of the application of which new signals will be obtained, which in turn will be used in the construction of neural network predictive models and will significantly reduce the synthesis time of the model by reducing their dimension and the allocation of the necessary components that characterize the state of the individual elements of the object of diagnosis. Method. The methods of reducing the dimension of the input signals of diagnosis and isolation of their components, which characterize the state of the individual elements of the object of diagnosis on the basis of expert knowledge about the process of diagnosis are proposed. The developed methods are based on the methods of digital signal processing. Based on the expert knowledge of the object and the process of diagnosis, the necessary signal conversion procedures and their parameters are selected. In accordance with the requirements for the desired accuracy and detail of the forecast, the optimal degree of averaging of the signal is selected, which directly affects the speed of constructing the predictive model. The proposed methods can be used in the transformation of diagnosis signals of various diagnostic processes where there is a need to build neural network predictive models based on high-dimensional signals. The developed methods were investigated for the conversion of diagnostic signals obtained on a complex object of technical diagnostics, namely, on the transmission of the helicopter. On the basis of the received signals, a neural network model was synthesized, the training of which requires much less computational resources, while the prediction accuracy remains optimal. Results. The developed methods are implemented programmatically and investigated in solving the problem of predicting the future state of the helicopter transmission during the diagnosis process. Conclusions. The experiments have confirmed the effectiveness of the developed methods and allow us to recommend them for use in practice in solving diagnostic problems. The conducted experiments have confirmed the proposed software operability and allow recommending it for use in practice for solving the problems of diagnosis and automatic classification on the features. The prospects for further research may include the search for the best parameters of the developed methods, optimization of their software implementations, as well as experimental study of the proposed methods on a large set of practical problems of diagnosing complex objects of different nature by their diagnostic signals. UK: Актуальність. Розглянуто задачу зменшення розмірності сигналів діагностування для їх використання у нейромережевих моделях. Об’єктом дослідження є процес перетворення вхідних сигналів діагностування для їх подальшого використання при побудови прогнозуючих моделей. Мета роботи – створення методів для перетворення сигналів діагностування у результаті використання яких будуть отримані нові сигнали, які у свою чергу будуть використані при побудові нейромережевих прогнозуючих моделей та дозволять значно скоротити час синтезу моделі за рахунок скорочення їх розмірності та виділення необхідних компонент, що характеризують стан окремих елементів об’єкту діагностування. Метод. Запропоновано методи, що дозволяють одночасно скоротити розмірність вхідних сигналів діагностування та виділи з них компоненти, що характеризують стан окремих елементів об’єкту діагностування на основі експертних знань про процес діагностування. Розроблені методи базуються на основі методів цифрової обробки сигналів. Відповідно до експертних знань про об’єкт та процес діагностування обираються необхідні процедури перетворення сигналів та їх параметри. Відповідно вимогам до бажаної точності та детальності отримуваного прогнозу обирається оптимальний ступень усереднення сигналу, який напряму впливає на швидкість побудови прогнозуючої моделі. Запропоновані методи можуть бути використані для перетворення сигналів діагностування різноманітних діагностичних процесів де є потреба у побудові нейромережевих прогнозуючих моделей на основі сигналів великої розмірності. Були проведені дослідження розроблених методів для перетворення сигналів діагностування отриманих на складному об’єкті технічної діагностики, а саме на трансмісії гелікоптера. На основі отриманих сигналів було синтезовано нейромережеву модель, навчання якої потребує набагато менших обчислювальних ресурсів, при цьому точність прогнозування залишається оптимальною. Результати. Розроблені методи реалізовані програмно і досліджені при вирішенні задачі прогнозування майбутнього стану трансмісії гелікоптера під час процесу діагностування. Висновки. Проведені експерименти підтвердили ефективність розроблених методів і дозволяють рекомендувати його для використання на практиці при вирішенні задач діагностування. Перспективи подальших досліджень можуть полягати в пошуку кращих параметрів розроблених методів, оптимізації їх програмних реалізацій, а також експериментальному дослідженні запропонованих методів на більшому комплексі практичних задач діагностування складних об’єктів різної природи за їх діагностичними сигналами.ensignal processingneural networkinstancefeaturedata dimensionality reductionцифрова обробка сигналівнейрона мережаекземплярознаказменшення розмірностіArticle