Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Журнали та продовжувані видання (1) | Реферативна база даних (18) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Bodyanskiy Ye$<.>) | ||||
|
Загальна кількість знайдених документів : 22 Представлено документи з 1 до 20 |
||||
| ||||
| 1. | 
Bodyanskiy Ye. Noisy distorted images recovery using blind deconvolution [Електронний ресурс] / Ye. Bodyanskiy, N. Kulishova // Радіоелектроніка, інформатика, управління. - 2013. - № 1. - С. 109-112. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2013_1_19 The problem of noisy and linearly distorted images recovery is considered. For the solving the blind deconvolution method is proposed. This method ensures contour preservation and high quality of restoration. | |||
| 2. |
Shafronenko A. The evolving adaptive neural network for data processing with missing observations [Електронний ресурс] / A. Shafronenko, I. Pliss, Ye. Bodyanskiy // Радіоелектроніка, інформатика, управління. - 2013. - № 2. - С. 119-125. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2013_2_21 The problem of computational intelligence systems synthesis in on-line mode, capable for processing stochastic signals with missing observations in the data is considered. An adaptive approach based on using of orthogonal polynomials is developed. | |||
| 3. | 
Bodyanskiy Ye. Adaptive fuzzy clustering for data with missing values based on the nearest prototype – centroid strategy [Електронний ресурс] / Ye. Bodyanskiy, A. Shafronenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2013. - № 771. - С. 309-315. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2013_771_44 Розглянуто задачу кластеризації масивів векторних даних, що мають пропущені значення у деяких компонентах. Запропоновано адаптивний підхід до кластеризації таких даних за умов, коли класи перетинаються. В основі підходу є використання модифікованої мапи Кохонена з функцією сусідства спеціального вигляду. | |||
| 4. |
Bodyanskiy Ye. V. Extended neo-fuzzy neuron in the task of images filtering [Електронний ресурс] / Ye. V. Bodyanskiy, N. E. Kulishova // Радіоелектроніка, інформатика, управління. - 2014. - № 1. - С. 112-119. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2014_1_18 Запропоновано модифікацію нео-фаззі нейрона, що названа "розширений нео-фаззі нейрон" (ENFN) і характеризується поліпшеними апроксимуючими властивостями. Введено адаптивний алгоритм навчання ENFN, що має слідкуючі - згладжувальні властивості і дозволяє вирішувати завдання прогнозування, фільтрації і згладжування нестаціонарних "зашумлених" стохастичних і хаотичних сигналів. Відмінною особливістю ENFN є обчислювальна простота його реалізації у порівнянні з штучними нейронними мережами і нейро-фаззі системами. Ці властивості запропонованого нео-фаззі нейрона роблять його ефективним для пригнічення шумів на зображеннях в ході фільтрації. | |||
| 5. | 
Bodyanskiy Ye. Flexible wavelet-neuro-fuzzy neuron in dynamic data mining tasks [Електронний ресурс] / Ye. Bodyanskiy, I. Pliss, O. Vynokurova // Нафтогазова енергетика. - 2013. - № 2. - С. 158-162. - Режим доступу: http://nbuv.gov.ua/UJRN/Nge_2013_2_18 Запропоновано нову гнучку модифікацію нео-фаззі нейрону й алгоритм навчання усіх параметрів. Запропонований алгоритм навчання надає змогу налаштувати не тільки синоптичні ваги, але й параметри функцій активації-приналежності та її форми, що надає змогу уникнути виникнення "дірок" у вхідному просторі. Запропонований алгоритм навчання має як фільтруючі, так і властивості слідкування, таким чином гнучкий нео-фаззі нейрон може використовуватися для розв'язання задач прогнозування, фільтрації та згладжування нестаціонарних стохастичних та хаотичних послідовностей. Перевагами запропонованого підходу є простота обчислення у порівнянні з відомими алгоритмами навчання гібридних вейвлет-нейро-фаззі-систем обчислювального інтелекту. | |||
| 6. |
Bodyanskiy Ye. Self-organizing map and its learning in the fuzzy clustering-classification tasks [Електронний ресурс] / Ye. Bodyanskiy, O. Vynokurova, P. Mulesa, O. Slipchenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2014. - № 800. - С. 83-91. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2014_800_15 Запропоновано комбінований метод самонавчання-навчання самоорганізовної мапи (SOM-LVQ), що надає змогу підвищити якість обробки інформації за умов класів, що перетинаються внаслідок раціонального вибору параметра кроку навчання та введення спеціальної процедури нечіткого виведення в процесі класифікації-кластеризації, який проходить як з зовнішнім навчальним сигналом, так і без нього. Як міру подібності функцій сусідства та належності використовують косинусоїдальні конструкції, що надають змогу забезпечити процесам самонавчання-навчання більшу гнучкість і надати їм низку нових корисних властивостей. | |||
| 7. | 
Avdiyenko L. Modular optimization-memory based artificial neural network [Електронний ресурс] / L. Avdiyenko, Ye. Bodyanskiy // Системи обробки інформації. - 2008. - Вип. 5. - С. 19-21. - Режим доступу: http://nbuv.gov.ua/UJRN/soi_2008_5_6 In this article an architecture and learning algorithm for the modular neural network, where the hidden layer is formed by a general regression and radial basis function neural networks, have been proposed. These networks are parallel connected to the input layer and trained independently, following which the optimization with respect to the network output accuracy is performed. Formed by neural network models based on memory and optimization, the proposed modular neural network provides a high accuracy both in early learning stages and when data set could grow in real time. | |||
| 8. | 
Bodyanskiy Ye. Kohonen neural network learning in the clustering-classification tasks [Електронний ресурс] / Ye. Bodyanskiy, P. Mulesa, O. Vynokurova // Системні технології. - 2012. - Вип. 6. - С. 37-43. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2012_6_7 | |||
| 9. |
Bodyanskiy Ye. V. Tables of data with gaps restoration using multivariate fuzzy extrapolation [Електронний ресурс] / Ye. V. Bodyanskiy, A. Yu. Shafronenko // Системні технології. - 2014. - Вип. 6. - С. 11-17. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2014_6_4 | |||
| 10. |
Bodyanskiy Ye. V. Evolving hierarchical neural network for principal component analysis tasks and its adaptive learning [Електронний ресурс] / Ye. V. Bodyanskiy, A. O. Deineko, Sh. V. Deineko, M. O. Shalamov // Системні технології. - 2014. - Вип. 6. - С. 18-26. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2014_6_5 | |||
| 11. | 
Bodyanskiy Ye. V. Nonconventional membership functions for images filtering using fuzzy peer group approach [Електронний ресурс] / Ye. V. Bodyanskiy, N. Ye. Kulishova // Адаптивні системи автоматичного управління. - 2015. - № 1. - С. 3-8. - Режим доступу: http://nbuv.gov.ua/UJRN/asau_2015_1_3 Запропоновано застосовувати для фільтрації кольорових цифрових зображень нечіткі групи рівних в межах ковзного вікна. Результат фільтра визначається ансамблем функцій приналежності, які відрізняються ступенем крутизни й опуклості. Це надає змогу вибирати потрібну функцію залежно від властивостей зображення та виду перешкоди. Проведено порівняння дії фільтра з нечіткими групами рівних із запропонованими функціями належності за умов декількох типів шуму. | |||
| 12. | 
Bodyanskiy Ye. Adaptive multistep self-learning procedure for solving principal component analysis task [Електронний ресурс] / Ye. Bodyanskiy, A. Deineko, M. Shalamov // Електротехнічні та комп’ютерні системи. - 2017. - № 24. - С. 118-123. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2017_24_19 | |||
| 13. |
Perova I. Аdaptive fuzzy clustering based on manhattan metrics in medical and biological applications [Електронний ресурс] / I. Perova, Ye. Bodyanskiy // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2015. - № 826. - С. 8-12. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2015_826_4 | |||
| 14. |
Bodyanskiy Ye. Evolving multilayer neuro-fuzzy system and its learning [Електронний ресурс] / Ye. Bodyanskiy, O. Boiko // Системні технології. - 2015. - Вип. 5. - С. 161-169. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2015_5_23 Розглянуто еволюційний підхід до обробки даних. Запропоновано нейро-фаззі систему, в якій налаштовуються всі її параметри і яка може бути використана як вузол еволюційної багатошарової системи. Ця система може налаштовувати свою архітектуру, синаптичні ваги і параметри функцій належності нейро-фаззі вузлів, покращуючи тим самим якість апроксимації. | |||
| 15. |
Perova I. Fast evolving diagnostic neuro-fuzzy system and its learning in medical data mining tasks [Електронний ресурс] / I. Perova, Ye. Bodyanskiy // Системні технології. - 2015. - Вип. 6. - С. 109-116. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2015_6_14 | |||
| 16. | 
Perova I. Fast Medical Diagnostics using Autoassociative Neuro-fuzzy Memory [Електронний ресурс] / I. Perova, Ye. Bodyanskiy // Computing. - 2017. - Vol. 16, Issue 1. - С. 34-40. - Режим доступу: http://nbuv.gov.ua/UJRN/Computing_2017_16_1_6 | |||
| 17. |
Bodyanskiy Ye. V. Feature vector generation for the facial expression recognition using neo-fuzzy system [Електронний ресурс] / Ye. V. Bodyanskiy, N. Ye. Kulishova, V. Ph. Tkachenko // Радіоелектроніка, інформатика, управління. - 2018. - № 3. - С. 88-97. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2018_3_12 Вивчено проблему формування набору навчальних даних для системи автоматичного розпізнавання емоцій людини на основі багатовимірного розширеного нео-фаззі нейрона. Розглянуто аспекти вибору розмірності і складу вектору ознак, їх впливу на швидкість навчання системи. Об'єктом дослідження є метод кластеризації багатовимірних даних. Предмет дослідження - систематизація геометричних ознак двовимірних зображень. Мета роботи - розробка підходу до опису виразу обличчя людини за допомогою фіксованого набору геометричних ознак, які можуть бути отримані в ході обробки кадрів відеоряду. Для навчання системи розпізнавання виразів обличчя пропонується утворити вектор ознак, що складається з координат характерних точок. Вибрані такі точки, які пов'язані з розташуванням і формою зіниць очей, контурами губ, повік, брів, крил носа, носогубних складок. Подібні точки досить легко можна виділяти в автоматичному режимі обробки зображень за допомогою відомих контурних детекторів. Також розглянуто можливість використання для опису вираження обличчя не координат характерних точок, а відстаней між ними. З цих відстаней створено інший вектор ознак, властивості якого було порівняно з властивостями вектору з координат точок. Розроблена система розпізнавання на базі багатовимірного розширеного нео-фаззі нейрона була реалізована у програмному забезпеченні та досліджена для вирішення проблеми класифікації виразів обличчя. Зроблено порівняння векторів атрибутів, що відрізняються за складом та розмірами. Обрано таку структуру вектору ознак, що забезпечує високу швидкість навчання системи, та не вимагає введення додаткових структурних елементів. Висновки: експериментальне дослідження повністю підтверджує ефективність розробленого підходу для розпізнавання виразів обличчя людини з використанням багатовимірного нео-фаззі нейрона. | |||
| 18. | 
Bodyanskiy Ye. Online fuzzy clustering of high dimension data streams based on neural network ensembles [Електронний ресурс] / Ye. Bodyanskiy, I. Perova, P. Zhernova // Сучасний стан наукових досліджень та технологій в промисловості. - 2019. - № 1. - С. 16-24. - Режим доступу: http://nbuv.gov.ua/UJRN/dtssi_2019_1_4 У більшості завдань кластеризації (класифікації без вчителя), пов'язаних з обробкою реальних даних, початкова інформація, у тому чи іншому випадку як правило, спотворюється через аномальні викиди (збурення) та пропуски. Зрозуміло, що "класичні" методи інтелектуального аналізу даних (як пакетні, так і онлайн) в цій ситуації неефективні. Мета роботи - запропонувати процедуру нечіткої кластеризації викривлених даних з використанням достовірного підходу та міри подібності спеціального типу, а також розробка метода достовірної нечіткої кластеризації спотворених даних із використанням теорії довіри, яка була би позбавлена недоліків імовірнісних і можливісних підходів кластеризації викривлених даних. Процедура нечіткої кластеризації неповних даних із використанням достовірного підходу та міри схожості спеціального типу, заснована на використанні робастних цільових функцій спеціального типу, а також мір подібності, нечутливих до викидів та призначених для роботи як у пакетній, так і в онлайн версії для вирішення проблем Data Stream Mining, коли дані надходять на обробку послідовно в режимі реального часу. Запропоновані методи є простими в чисельній реалізації та позбавлені недоліків, властивих традиційним методам імовірнісної та можливістної нечіткої кластеризації. Висновки: проведені експериментальні дослідження підтвердили результативність та якість роботи запропонованих методів достовірної нечіткої кластеризації спотворених даних і дозволяють рекомендувати їх для використання на практиці для вирішення проблем автоматичної кластеризації викривлених даних. Запропонований метод призначений для використання в гібридних системах обчислювального інтелекту і, перш за все, у проблемах навчання штучних нейронних мереж, нейро-фаззі систем, а також у завданнях кластеризації та класифікації. | |||
| 19. | 
Perova I. G. Online Medical Data Stream Mining Based on Adaptive Neuro-Fuzzy Approaches [Електронний ресурс] / I. G. Perova, Ye. V. Bodyanskiy // Cybernetics and computer engineering. - 2019. - № 4. - С. 3-25. - Режим доступу: http://nbuv.gov.ua/UJRN/Kivt_2019_4_3 | |||
| 20. |
Bodyanskiy Ye. V. Online fuzzy clustering of incomplete data using credibilistic approach and similarity measure of special type [Електронний ресурс] / Ye. V. Bodyanskiy, A. Yu. Shafronenko, I. N. Klymova // Радіоелектроніка, інформатика, управління. - 2021. - № 1. - С. 97-104. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2021_1_12 У більшості завдань кластеризації (класифікації без вчителя), пов'язаних з обробкою реальних даних, початкова інформація, у тому чи іншому випадку як правило, спотворюється через аномальні викиди (збурення) та пропуски. Зрозуміло, що "класичні" методи інтелектуального аналізу даних (як пакетні, так і онлайн) в цій ситуації неефективні. Мета роботи - запропонувати процедуру нечіткої кластеризації викривлених даних з використанням достовірного підходу та міри подібності спеціального типу, а також розробка метода достовірної нечіткої кластеризації спотворених даних із використанням теорії довіри, яка була би позбавлена недоліків імовірнісних і можливісних підходів кластеризації викривлених даних. Процедура нечіткої кластеризації неповних даних із використанням достовірного підходу та міри схожості спеціального типу, заснована на використанні робастних цільових функцій спеціального типу, а також мір подібності, нечутливих до викидів та призначених для роботи як у пакетній, так і в онлайн версії для вирішення проблем Data Stream Mining, коли дані надходять на обробку послідовно в режимі реального часу. Запропоновані методи є простими в чисельній реалізації та позбавлені недоліків, властивих традиційним методам імовірнісної та можливістної нечіткої кластеризації. Висновки: проведені експериментальні дослідження підтвердили результативність та якість роботи запропонованих методів достовірної нечіткої кластеризації спотворених даних і дозволяють рекомендувати їх для використання на практиці для вирішення проблем автоматичної кластеризації викривлених даних. Запропонований метод призначений для використання в гібридних системах обчислювального інтелекту і, перш за все, у проблемах навчання штучних нейронних мереж, нейро-фаззі систем, а також у завданнях кластеризації та класифікації. | |||
| ||||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |