Для отримання знань про респондентів соціальних досліджень при розробці інформаційної технології (ІТ) інтелектуального аналізу автоматизовано етап підготовки слабко структурованих багатовимірних даних (ССБВД) соціологічних опитувань. Для автоматизації підготовки даних розроблено ІТ яка базується на наступних методиках: машинного представлення, очищення та фільтрації даних; трансформації очищених даних у простір первинних ознак з урахуванням формалізованої мети дослідження; нелінійного зниження розмірності багатовимірного простору первинних ознак для побудови двовимірного простору вторинних ознак та їх подальшої візуалізації. Апробація ІТ підготовки ССБВД спільно з системою Data Mining за даними соціологічних опитувань надала можливість підвищити достовірність прийняття рішень за стилем життя респондентів у порівнянні з соціологом кваліфікаційного рівня магістр і з власним визначенням респондентів. Як показали дослідження розробленої ІТ підготовки даних соціологічних опитувань, найбільш впливовими на результат аналізу є процедури, що пов'язані з побудовою просторів первинних і вторинних ознак для подальшого проведення кластеризації та класифікації. Наведені в зручному для експертів візуальному вигляді, отримані знання про досліджувану цільову аудиторію надають можливість легко враховувати їх при прийнятті обгрунтованих рішень фахівцями в предметній області.

Запропоновано методику розпізнання архітектурних об'єктів при створенні мобільних додатків доповненої реальності на основі побудови бази спеціалізованих маркерів. На підставі аналізу методів технології доповненої реальності для розпізнавання архітектурних об'єктів обрано метод, заснований на спеціальних маркерах. Виділено ряд алгоритмів розпізнавання образів, що підходять для даного завдання. Це алгоритми, засновані на виборі ключових точок зображень і їх дескрипторів. Мета роботи - створення методики, яка забезпечує стабільне розпізнавання архітектурних об'єктів в мобільних додатках для створення цифрового гіда доповненої реальності на основі спеціалізованих маркерів. Науковою основою дослідження є системний підхід при аналізі розглянутих алгоритмів розпізнавання маркерів, використовуються машинне навчання для розробки бази даних зображень маркерів і розпізнавання АТ. Методика складається з наступних етапів: обробка зображень архітектурних об'єктів із метою виділення опорних точок, отримання опису виділених опорних точок у вигляді дескрипторів, створення AR-метаданих, які відповідають архітектурним об'єктам, організація спільного зберігання в локальній базі дескрипторів і відповідних їм метаданих, візуалізація архітектурного об'єкта і AR-метаданих. Для реалізації етапів обробки зображень архітектурних об'єктів і отримання дескрипторів опорних точок, проаналізовано алгоритми виділення опорних точок на зображеннях, такі як SIFT, MSER, SURF, RIFF, RF. Показано, що дані алгоритми є інваріантними до масштабування, обертання, а також стійкими до змін освітленості, шуму та кута перегляду. Запропоновано комплексне їх використання для обробки архітектурних об'єктів із метою отримання дескрипторів опорних точок. Для забезпечення стабільного розпізнавання АТ відповідно до розробленої методики, заснованої на машинному навчанні для обробки архітектурних об'єктів із метою отримання дескрипторів ключових точок, запропоновано створити додатковий модуль із використанням упорядкованого стека алгоритмів, в якому послідовність запуску та кількість алгоритмів можуть бути змінені.

У системах медико-соціологічного моніторингу (МСМ) для збільшення оперативності прийняття класифікаційних рішень використовують можливості навчання глибинних нейронних із вчителем. Але дані, що накопичуються в процесі моніторингу є слабко структурованими та маркованими. Це значно знижує швидкість і підвищує помилку машинного навчання із вчителем. Запропоновано евристичні моделі та методи застосування мережі Кохонена (МК) для збільшення швидкості навчання з частковим залученням вчителя без втрати рівня достовірності класифікації даних в інтелектуальних системах МСМ. А саме вдосконалено моделі представлення слабко структурованих і маркованих даних МСМ у просторах властивостей та ознак за рахунок формалізації процедури агрегації деталізованих даних, а також метод навчання МК із частковим залученням вчителя з використанням методу узгодження наявних попередньо маркованих даних із отриманими маркерами кластерів ознак. Крім того отримав подальший розвиток метод корегування вагових коефіцієнтів у процесі навчання нейронної МК за рахунок використання модифікованого генетичного алгоритму для класифікації даних МСМ. Запропонована модифікація генетичного алгоритму полягає у використанні методу узгодження маркерів класів і кластерів при розрахуванні оцінки пристосованості хромосом у популяції, яка генерується для кожного прикладу з навчальної вибірки даних МСМ. Для оцінки пристосованості хромосом запропоновано розраховувати повноту класифікації, як відношення кількості представників позитивного класу, яких знайдено до всіх представників позитивного класу. При виконанні процедури селекції на основі отриманої оцінки пристосованості обирається по дві найбільш ("переможець" і "віце-переможець") пристосовані хромосоми, які схрещуються та найменш ("лузер" і "віце-лузер") пристосовані хромосоми які видаляються. Схрещування реалізовано як обмін генами між хромосомами "переможець" і "віце-переможець" з урахуванням випадково обраної точки кросинговеру. При мутації до кожного гену хромосоми додається випадкове число, розподілене за рівномірним законом, що є допоміжним методом для створення нової хромосоми для запобігання виродження популяції. Запропоновані евристичні моделі та методи є основою для реалізації окремого модуля у складі інтелектуальної системи МСМ. Апробація модифікованої інтелектуальної системи на відомих тестових прикладах із бази даних машинного навчання та реальних медико-соціологічних даних показала підвищення швидкості навчання МК із забезпеченням заданого рівня достовірності класифікації.

На підставі аналізу реалізованих функцій існуючих роботів-маніпуляторів (РМ) показано, що задача автоматизації безпечного захвату предметів роботом у процесі збірки є недостатньо проробленою. У процесі аналізу встановлено, що для побудови підсистеми захвату предметів (ПС ЗП) РМ існують технологічні рішення трьох основних завдань: визначення габаритів і форми предмета захвату; визначення відстані від РМ до всіх точок предмета захвату, визначення точки ЗП та уточнення відстані до РМ. Показано, що всі перераховані завдання є недостатньо проробленими. Тому запропоновано розробити методику створення інтелектуальної програмно-апаратної (ІПА) ПС ЗП роботом-маніпулятором. Розроблена методика складається з 6-ти кроків: отримання стереозображення та побудова глибинної карти; визначення відстані від РМ до всіх точок предмета; визначення контуру предмета; визначення точки ЗП та уточнення відстані до РМ; визначення ступеня захвату РМ предмета; визначення руху РМ по захопленню предмета в потрібній точці. Для знаходження точки захвату запропоновано використовувати метод контурного пошуку на глибинній карті предмета, а на знайденому контурі шукати найбільш тонку частину, обмежувати її відрізком і знаходити його середину. Для реалізації алгоритму визначення відстані до предмета, ступеня його захвату та руху до потрібної точки формалізовано залежності обчислень на глибинній карті та фізичні характеристики маніпулятора. Проаналізовано можливості мікропроцесора StereoPi і запропоновано його використання для апаратного рішення функції захвату РМ. Проведено моделювання ІПА ПС на захвату предмета складної форми. Зроблено висновки про незалежність розробленої ПС від типу предмета та кута перегляду РМ. Крім того, показано підвищення точності ЗП РМ, оснащеним інтелектуальної підсистемою в порівнянні з існуючим його аналогом. Виділено потенційні проблеми при реалізації запропонованої методики.

Мета роботи - вирішення задачі об'єднання реляційних гетерогенних баз даних на базі інтеграційних моделей (ІМ) окремих предметних областей (ПО). Запропоновано методи аналізу об'єктів та їх властивостей у разі об'єднання моделей ПО, метод об'єднання ІМ окремих ПО на підставі узгоджених рангових оцінок об'єктів і значень їх типізованих суттєвих властивостей. Удосконалено модель об'єкта ПО, яка на відміну від класичної враховує важливі при об'єднанні інтеграційні складові: множини значень узгоджених рангів властивостей і визначено на їх основі множини типізованих суттєвих і несуттєвих властивостей об'єкта та їх значень. Удосконалено модель ПО, яка на відміну від існуючої враховує визначені сценарій об'єднання та узгоджені рангові оцінки об'єктів. На основі запропонованих моделей і методів розроблено інформаційну технологію об'єднання реляційних гетерогенних баз даних, що надала можливість збільшити достовірність визначення об'єктів ПО та їх властивостей, що підлягають об'єднанню, з одночасним зменшенням кількості операцій їх зіставлення при автоматизованому створенні об'єднаної ІМ ПО.

Для автоматизації процесу отримання знань (метаданих) про стан громадського здоров'я цільової аудиторії запропоновано використовувати систему інтелектуального аналізу даних медико-соціологічного моніторингу (МСМ) із використанням нейронної мережі (НМ) із конкуруючим шаром Кохонена (ШК). Для реалізації системи розроблено наступні спеціалізовані засоби: моделі та метод представлення деталізованих і агрегованих медико-соціологічних даних у просторах первинних і вторинних ознак; метод нейромережевої класифікації респондентів на основі машинного навчання НМ із конкуруючим шаром; процедура маркування нейронів ШК з урахуванням класифікаційних рішень отриманих від соціолога-аналітика (первинних маркерів). При виконанні процедури маркування на першому кроці будується двовимірна гістограма попарних збігів номерів нейронів та існуючих первинних маркерів класів, далі виконується її коригування по рядках і стовбцях відповідно до розробленого правилом. Результатом виконання коригування є матриця відповідностей номерів нейронів ШК та існуючих маркерів класифікаційних рішень. Апробацію розроблених моделей і методів проведено на базі системи інтелектуального аналізу з використанням реальних даних МСМ. Показано, що вдалося підвищити відносну частку правильних класифікаційних рішень у середньому на 20 % і знизити на 50 % частку помилкових рішень у порівнянні з соціологом-аналітиком для ряду задач інтелектуального аналізу даних МСМ пов'язаних із визначенням умов праці респондентів.

Показано, що продуктивність систем дистанційного навчання (СДН) істотно залежить від, обраного при її проектуванні, архітектурного рішення по зберіганню та обробці даних. На підставі аналізу еволюції серверних архітектурних рішень, при проектуванні інформаційних систем, починаючи з побудови монолітної платформи до розподілених мікросервісів встановлено, що використання архітектури мікросервісів для серверної частини з ізоляцією компонентів на рівні коду та розподілу на рівні баз даних (БД), є хорошим рішенням при проектуванні високопродуктивних комплексних СДН. Однак, для реалізації багатоваріантного зберігання даних у СДН на основі декількох БД із різними логічними моделями на стороні сервера необхідно розробити інформаційну технологію підтримки таких архітектурних рішень. Показано, що розробка БД для таких систем як СДН, що оперують великим обсягом різноманітної інформації, складається з етапів концептуального логічного та фізичного моделювання і саме при створенні логічних моделей визначаються вимоги до зберігання та обробки даних, якими оперують виділені сутності для реалізації бізнес функцій. Проаналізовано особливості використання реляційних і нереляційних систем управління БД таких як: документні, ключ-значення, графові і колонкові сховища. Розроблено методику автоматизованого підбору логічних моделей даних на основі вихідної інформації про обмежений контекст, на основі якої в подальшому було розроблено класифікатор. Працездатність класифікатора перевірено на наборі даних для 230 сутностей. В результаті проведення експерименту достовірність класифікації склала 93 %. Переваги розробленої інформаційної технології підтримки архітектурних рішень по організації багатоваріантного зберігання різноманітних даних показано на прикладі проектування СДН JustStart. Аналіз результатів навантажувального тестування розробленої системи показує, що завдяки розподілу навантаження між трьома базами даних, її середній час відгуку за одночасної роботи 150 користувачів становить близько 1,2 с. У той час як, при моделюванні роботи цієї кількості користувачів тільки з однією системою управління БД час відгуку збільшився та становив в середньому близько 2,6 с. Таким чином, використання розробленої інформаційної технології підтримки архітектурних рішень по організації багатоваріантного зберігання великих обсягів різноманітних даних, надало можливість спроектувати та реалізувати СДН, швидкодія якої в разі її одночасного використання численною аудиторією в середньому в 2 рази більше, ніж у середньостатистичного освітнього ресурсу, представленого на ринку.