Простий
пошук
Розширений
пошук
Покажчики
Професійний
пошук
Рубрикатор
НБУВ
Розподілений
пошук

Бази даних

Наукова періодика України - результати пошуку

Книжкові видання та компакт-диски
Журнали та продовжувані видання
Автореферати дисертацій
Реферативна база даних
Наукова періодика України
Тематичний навігатор
Авторитетний файл імен осіб
Mozilla Firefox Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер
"Mozilla Firefox"
Вид пошуку
у знайденому
Повнотекстовий пошук
 Знайдено в інших БД:Журнали та продовжувані видання (1)Реферативна база даних (18)
Список видань за алфавітом назв:
A  B  C  D  E  F  G  H  I  J  L  M  N  O  P  R  S  T  U  V  W  
А  Б  В  Г  Ґ  Д  Е  Є  Ж  З  И  І  К  Л  М  Н  О  П  Р  С  Т  У  Ф  Х  Ц  Ч  Ш  Щ  Э  Ю  Я  

Авторський покажчик    Покажчик назв публікацій


Пошуковий запит: (<.>A=Lytvynenko V$<.>)
Загальна кількість знайдених документів : 39
Представлено документи з 1 до 20
...
1.

Donets S. E. 
Optimization of Technology for Production of Bimetallic Compounds by High-current Relativistic Electron Beam Hardfacing of Nanostructured Coatings [Електронний ресурс] / S. E. Donets, V. V. Lytvynenko, V. F. Klepikov, M. I. Bazaleev, Yu. F. Lonin, A. G. Ponomarev, V. T. Uvarov, V. V. Uvarov // Proceedings of the International Conference Nanomaterials: Applications and Properties. - 2013. - Vol. 2, no. 3. - С. 03PISERE06-03PISERE06. - Режим доступу: http://nbuv.gov.ua/UJRN/princon_2013_2_3_8
Попередній перегляд:   Завантажити - 164.452 Kb    Зміст випуску     Цитування
2.

Lytvynenko V. 
Synthesis of the wavelet-neural networks for the classification of mass spectra using clonal algorithm [Електронний ресурс] / V. Lytvynenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2013. - № 771. - С. 85-93. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2013_771_15
Мас-спектрометрію спектрів вибрано скринінговим засобом для виявлення дискримінаційних структур білка. Однак мас-спектри представляються даними великої розмірності, які мають значну кількість локальних максимумів (a.k.a. піки), що повинні бути проаналізовані. Для вирішення цієї проблеми розвинено нові триступеневі стратегії. Після попередньої обробки, для класифікації мас-спектрів, використано алгоритм клонової селекції для синтезу колективних бінарних класифікаторів у вигляді вейвлет-нейронних мереж. Результати, одержані шляхом аналізу сукупності даних пухлини/здорові зразки, надали можливість правильно класифікувати більш ніж 99 % проб.
Попередній перегляд:   Завантажити - 925.694 Kb    Зміст випуску    Реферативна БД     Цитування
3.

Lytvynenko V. 
The inductive method for the synthesis of cooperative immune network to meet the challenges forecasting [Електронний ресурс] / V. Lytvynenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2013. - № 771. - С. 268-282. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2013_771_40
Запропоновано та описано GMDH алгоритм синтезу кооперативної імунної мережі у вирішенні задач прогнозування часових рядів. Проведені порівняльні експерименти показали, що використання зовнішніх критеріїв підвищує адаптивність, надійність і точність одержуваних рішень.
Попередній перегляд:   Завантажити - 952.662 Kb    Зміст випуску    Реферативна БД     Цитування
4.

Kobets A. G. 
Modification of Aluminum Alloy 1933 by the High-Current Electron Beam Irradiation [Електронний ресурс] / A. G. Kobets, P. R. Horodek, V. V. Lytvynenko, U. F. Lonin, A. G. Ponomarev, O. A. Startsev, V. T. Uvarov // Proceedings of the International Conference Nanomaterials: Applications and Properties. - 2014. - Vol. 3, no. 2. - С. 02MAN11-02MAN11. - Режим доступу: http://nbuv.gov.ua/UJRN/princon_2014_3_2_21
Попередній перегляд:   Завантажити - 517.68 Kb    Зміст випуску     Цитування
5.

Lytvynenko V. 
Hybrid swarm negative selection algorithm for dna-microarray data classification [Електронний ресурс] / V. Lytvynenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2014. - № 800. - С. 134-148. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2014_800_21
Запропоновано метод класифікації, заснований на комбінованому алгоритмі негативної селекції, який був спочатку розроблено для задач бінарної класифікації. Точність розробленого алгоритму перевірено експериментальним шляхом з використанням наборів даних мікрочіпів. Експерименти підтвердили, що напрямок змін, внесених в розроблений алгоритм підвищує точність у порівнянні з іншими алгоритмами класифікації.
Попередній перегляд:   Завантажити - 800.602 Kb    Зміст випуску    Реферативна БД     Цитування
6.

Lytvynenko V. 
Synthesis of rbf-network for prediction of secondary protein structure [Електронний ресурс] / V. Lytvynenko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2014. - № 800. - С. 251-260. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2014_800_36
Запропоновано методологію синтезу радіально-базисних мереж для вирішення проблеми білкового середнього передбачення структури за допомогою алгоритму вибору клонів. Щоб вирішити цю проблему використано метод "один проти всіх". Обчислювальні експерименти щодо випробуваного зразка показали, що точність прогнозування сягає до 72 %, що вказує на високу точність запропонованого способу.
Попередній перегляд:   Завантажити - 666.415 Kb    Зміст випуску    Реферативна БД     Цитування
7.

Fiser J. 
Representation of System Level Self-Diagnosis in Python Programming Language [Електронний ресурс] / J. Fiser, V. Mashkov, V. Lytvynenko // Электротехнические и компьютерные системы. - 2015. - № 17. - С. 48-54. - Режим доступу: http://nbuv.gov.ua/UJRN/etks_2015_17_9
This paper describes principles of implementation of basic entities on system level of self-diagnosis (especially self-checking) in Python programming languages. The first part discusses usability of Python for representation and simulation of complexsystems (comparing it primarily with the most important competitor in the field of universal programming languages – Java programming language).The second part depicts main principles of implementation of basic entities of system level self-diagnosis by real examples including calculating of basics characteristics of a system. The proposed representation forms the basis of event-based simulation of more complex systems.Описано принципи реалізації базових складових організації вирішення завдання самодіагностики із застосуванням мови програмування Python. Розглянуті переваги застосування мови Python для представлення та моделювання складних систем у порівнянні з мовою програмування Java. Розкритоі основні принципи реалізації базових суб'єктів на системному рівні самодіагностики з використанням реальних прикладів, включаючи розрахунок основних характеристик системи. Запропонований підхід лежить в основі моделювання на основі подій стосовно до більш складних систем.Описаны принципы реализации базовые принципы организации решения задачи самодиагностики с применением языка программирования Python. В первой части рассмотрены преимущества применения языка Python для представления и моделирования сложных систем по сравнении с языком программирования Java. Во второй части статьи рассмотрены основные принципы реализации базовых субъектов на системном уровне самодиагностики с использованием реальных примеров, включая расчет основных характеристик системы. Предложенный подход лежит в основе моделирования на основе событий применительно к более сложным системам.
Попередній перегляд:   Завантажити - 332.961 Kb    Зміст випуску    Реферативна БД     Цитування
8.

Lytvynenko V. 
Optical combustion sensor data interpretation using hybrid negative selection algorithm with artifcial immune networks [Електронний ресурс] / V. Lytvynenko, A. Smolarz, W. Wójcik, J. Ballester, O. Kozhukhovskaya, K. Gromaszek // Mathematical modeling and computing. - 2015. - Vol. 2, Num. 1. - С. 58-70. - Режим доступу: http://nbuv.gov.ua/UJRN/mmc_2015_2_1_8
У найпоширеніших у Польщі промислових котлах кількісна характеристика забруднення під час горіння здійснюється за допомогою "коефіцієнта надлишку повітря". Однак, сьогодні відсутні будь-які методи, які б надали змогу вимірювати вихідні параметри, які безпосередньо давали б можливість визначати якість горіння. З цієї причини, значно цікавить використання акустичних та оптичних методів для оцінювання якості горіння. Зазначені методи належать до класу так званих "неівазивних" методів, які надають змогу, з одного боку, дистанційно та миттєво одержувати великий обсяг інформації про горіння, але, з іншого боку, в разі їх застосування виникають проблеми інтерпретації одержаних даних. Описано застосування нового гібридного імунного алгоритму для виконання завдань діагностики процесу горіння. Запропонований алгоритм надає можливість виявити надлишок повітря в казані з розпорошеним вугіллям на основі оброблення сигналів, одержаних від оптичного датчика.
Попередній перегляд:   Завантажити - 1.146 Mb    Зміст випуску    Реферативна БД     Цитування
9.

Klepikov V. F. 
Behavior of Zr1 % Nb Alloys Under Swift Kr Ion and Intense Electron Irradiation [Електронний ресурс] / V. F. Klepikov, V. V. Lytvynenko, Yu. F. Lonin, A. G. Ponomarev, O. A. Startsev, V. T. Uvarov // Журнал нано- та електронної фізики. - 2015. - Т. 7, № 4. - С. 04016-1-04016-7. - Режим доступу: http://nbuv.gov.ua/UJRN/jnef_2015_7_4_18
Попередній перегляд:   Завантажити - 514.369 Kb    Зміст випуску     Цитування
10.

Babichev S. 
Estimation of the inductive model of objects clustering stability based on the k-means algorithm for different levels of data noise [Електронний ресурс] / S. Babichev, V. Lytvynenko, M. A. Taif // Радіоелектроніка, інформатика, управління. - 2016. - № 4. - С. 54-60. - Режим доступу: http://nbuv.gov.ua/UJRN/riu_2016_4_9
Запропоновано індуктивну модель об'єктивної кластеризації об'єктів на основі алгоритму кластеризації k-середніх. Запропоновано і практично реалізовано алгоритм розподілу множини вихідних даних на дві рівнопотужних підмножини. Як зовнішній критерій балансу запропоновано використовувати різницю між центрами мас відповідних кластерів у різних кластеризаціях. Апробація роботи запропонованої моделі проводилася з використанням даних "Compound" та "Aggregation" бази даних обчислювальної школи Східно-Фінського університету. Описано дослідження щодо оцінки стійкості моделі до шумової компоненті з використанням даних "Seeds". Для порівняння результатів експерименту використано алгоритми k-середніх, с-середніх, індуктивний алгоритм k-середніх, а також алгоритм агломеративної ієрархічної кластеризації. За результатами моделювання визначено шляхи подальшого вдосконалення запропонованої моделі з метою підвищення об'єктивності кластеризації досліджуваних даних.
Попередній перегляд:   Завантажити - 1.034 Mb    Зміст випуску    Реферативна БД     Цитування
11.

Klepikov V. F. 
Fractality of Fractures of Aluminum and Titanium Alloys Irradiated by Intensive Electron Beam [Електронний ресурс] / V. F. Klepikov, V. V. Lytvynenko, Yu. F. Lonin, A. G. Ponomarev, O. A. Startsev, V. T. Uvarov // Журнал нано- та електронної фізики. - 2016. - Т. 8, № 3. - С. 03009-1-03009-5. - Режим доступу: http://nbuv.gov.ua/UJRN/jnef_2016_8_3_11
Опромінено алюмінієву і титанову пластини сильнострумовим електронним пучком з енергією електронів 0,35 МеВ, тривалістю імпульсу 5 мкс, струмом пучка 2 кА, з густиною енергії до 3,5 МДж/м2. Поперечні злами зроблено в зонах немодифікованого і опроміненого матеріалу, які проаналізовано за домомогою сканувального електронного мікроскопу JEOL JSM-810. Опромінення призвело до суттєвих змін параметрів мікроструктури (i.e. розміру зерна, характеру руйнування). Фрактальну розмірність зображень мікроскопії зламів в сірих відтінках статистично обчислено, використовуючи арифметичний, геометричний, поділу кроку методи з ковзним квадратним вікном змінних розмірів. Одержані розподіли фрактальної розмірності допомогли охарактеризувати скейлінговий характер мікроструктур, що супроводжує зсув механізму зламів у преференційний крихкий режим.
Попередній перегляд:   Завантажити - 318.694 Kb    Зміст випуску    Реферативна БД     Цитування
12.

Babichev S. A. 
Computational analysis of microarray gene expression profiles of lung cancer [Електронний ресурс] / S. A. Babichev, A. I. Kornelyuk, V. I. Lytvynenko, V. V. Osypenko // Biopolymers and cell. - 2016. - Vol. 32, № 1. - С. 70-79. - Режим доступу: http://nbuv.gov.ua/UJRN/BPK_2016_32_1_11
Мета роботи - проведення досліджень щодо оптимізації методів, що використовуються у процесі обробки профілів експресії генів, з метою підвищення якості кластеризації об'єктів. Передобробку даних було виконано у програмному середовищі R з використанням пакету "Біокондуктор". Моделювання процесу кластеризації було зроблено у програмному середовищі KNIME з використанням функцій програми WEKA. Показано, що оптимальним є процес передобробки даних з використанням методів: фонової корекції rma за методом, квантільної нормалізації, mas РМ корекції і сумарізації за mas методом. Результати моделювання показали високу ефективність використання для даного типу даних алгоритму кластеризації Sota. Висновки: проведені дослідження показали, що підвищення якості розподілу об'єктів біологічної природи на кластери можливо за рахунок гібридизації та оптимізації використання методів і алгоритмів на різних етапах обробки даних.
Попередній перегляд:   Завантажити - 1.128 Mb    Зміст випуску    Реферативна БД     Цитування
13.

Zakharchenko I. 
Biological characteristics of silver bream (Blicca bjoerkna) in commercial fishery in the Kyiv reservoir [Електронний ресурс] / I. Zakharchenko, V. Lytvynenko, S. Kurganskiy // Рибогосподарська наука України. - 2016. - № 4. - С. 7-15. - Режим доступу: http://nbuv.gov.ua/UJRN/rnu_2016_4_3
Попередній перегляд:   Завантажити - 471.515 Kb    Зміст випуску     Цитування
14.

Lytvynenko V. I. 
Application of clonal negative algorithm to cancer classification with DNA-microarray data [Електронний ресурс] / V. I. Lytvynenko // Системні технології. - 2012. - Вип. 6. - С. 72-90. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2012_6_11
Попередній перегляд:   Завантажити - 7.725 Mb    Зміст випуску     Цитування
15.

Lytvynenko V. I. 
Application of clonal selection algorithm for solving the problem of image segmentation cells [Електронний ресурс] / V. I. Lytvynenko // Системні технології. - 2013. - Вип. 6. - С. 47-60. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2013_6_8
Попередній перегляд:   Завантажити - 6.106 Mb    Зміст випуску     Цитування
16.

Lytvynenko V. I. 
Clustering algorithm clonal selection [Електронний ресурс] / V. I. Lytvynenko // Системні технології. - 2013. - Вип. 6. - С. 61-74. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2013_6_9
Попередній перегляд:   Завантажити - 6.497 Mb    Зміст випуску     Цитування
17.

Babichev S. 
Hybrid model of inductive clustering system of high-dimensional data based on the sota algorithm [Електронний ресурс] / S. Babichev, V. Lytvynenko, M. А. Taif, А. Sharko // Вісник Національного університету "Львівська політехніка". Комп’ютерні науки та інформаційні технології. - 2016. - № 843. - С. 173-179. - Режим доступу: http://nbuv.gov.ua/UJRN/VNULPKNIT_2016_843_24
Запропоновано модель системи кластеризації високорозмірних даних на основі комплексного використання самоорганізуючого алгоритму СОТА і методів індуктивного моделювання складних систем. Якість кластеризації оцінюється на двох рівнопотужних підмножинах із використанням комплексного критерію балансу, у якому враховані як зміщення центрів мас відповідних кластерів різних підмножин, так і розподіл об'єктів у відповідних кластерах відносно центра мас. Для кластеризації об'єктів на кожній з підмножин запропоновано використовувати алгоритм СОТА, який є типом самоорганізуючих нейронних мереж на базі карт Кохонена та алгоритму вирощування просторової клітинної структури Fritzke.
Попередній перегляд:   Завантажити - 198.268 Kb    Зміст випуску    Реферативна БД     Цитування
18.

Lytvynenko V. I. 
A Multi-Objective Immune Approach To Reconstruct Gene Regulatory Network Using Algorithm Clonal Selection [Електронний ресурс] / V. I. Lytvynenko, A. A. Fefelov, M. A. Taif, I. A. Lur`ie // Системні технології. - 2015. - Вип. 6. - С. 67-84. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2015_6_10
Попередній перегляд:   Завантажити - 8.021 Mb    Зміст випуску     Цитування
19.

Mashkov V. А. 
Problem with developing algorithms for system level self-diagnosis [Електронний ресурс] / V. А. Mashkov, V. I. Lytvynenko // Системні технології. - 2015. - Вип. 6. - С. 92-101. - Режим доступу: http://nbuv.gov.ua/UJRN/st_2015_6_12
Попередній перегляд:   Завантажити - 4.013 Mb    Зміст випуску     Цитування
20.

Smolarz A. 
Artificial intelligence methods in diagnostics of coal-biomass blends co-combustion in pulverised coal burners [Електронний ресурс] / A. Smolarz, V. I. Lytvynenko, W. Wójcik, K. Gromaszek // Штучний інтелект. - 2017. - № 3-4. - С. 190-197. - Режим доступу: http://nbuv.gov.ua/UJRN/II_2017_3-4_23
Попередній перегляд:   Завантажити - 1.118 Mb    Зміст випуску     Цитування
...
 
Відділ наукової організації електронних інформаційних ресурсів
Пам`ятка користувача

Всі права захищені © Національна бібліотека України імені В. І. Вернадського