Browsing by Author "Фененко, Тетяна Михайлівна"

Now showing 1 - 6 of 6

Математичні моделі моніторингу динаміки змін та забруднення водних об’єктів на основі супутникових даних
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2026) Кавац, Юрій Віталійович; Кавац, Олена Олександрівна; Фененко, Тетяна Михайлівна; Рой, Дмитро Миколайович
UKR: У дослідженні запропоновано методологічний підхід до комплексного супутникового моніторингу водних ресурсів на основі інтеграції двох математичних моделей. Особливу увагу приділено застосуванню моделей у межах складних посткатастрофічних ландшафтів, зокрема території колишнього Каховського водосховища. Гетерогенність таких зон, що поєднують оголені мулові поверхні, заболочені масиви та молоду рослинність, зумовлює високу спектральну неоднорідність і ускладнює автоматизоване виділення води. Перша модель базується на синергії оптичних і радарних даних для точного картування меж водойм в умовах різкої варіації характеристик підстилаючої поверхні. Для підвищення точності поєднано адаптивні спектральні індекси з методами машинного навчання. Друга модель орієнтована на оцінку ступеня забруднення поверхневих вод. Використання різночасових супутникових даних дозволяє аналізувати просторово-часову динаміку об’єктів та встановлювати взаємозв’язки між трансформацією ландшафтів і рівнем їх екологічного навантаження, забезпечуючи стійкість моніторингу до впливу зовнішніх чинників.
Оцінка стану забруднення водних об’єктів на основі спектральних індексів
(Український державний університет науки і технологій, ІВК «Системні технології», Дніпро, 2025) Кавац, Юрій Віталійович; Сергєєва, Катерина Леонідівна; Фененко, Тетяна Михайлівна; Дібрій, Данило Андрійович
UKR: У дослідженні описано основні забруднювачі водних ресурсів України та методи оцінки ступеня забруднення за допомогою супутникового моніторингу. Супутникові дані дозволяють швидко отримувати дані з високою просторовою роздільною здатністю і великим просторовим покриттям для важкодоступних ділянок земної поверхні. Суттєвим аспектом супутникового моніторингу є можливість отримання інформації про зміни поверхневих вод на основі аналізу їх забруднення. Різночасові дані, в тому числі архівні, дають змогу оцінити стан водойм за кілька років. В якості основного масиву даних запропоновано мультиспектральні зображення супутника Sentinel-2, спектральні характеристики яких дозволяють отримати широкий спектр інформації. Проаналізовано приклади застосування дистанційного підходу для оцінки ступеня забруднення водойм на великих територіях. Вказано перспективні методи подальших досліджень для вирішення прикладних задач.
Результати налаштування параметрів нейронних глибоких мереж щодо розпізнавання Fashion MNIST DATASET
(Херсонський національний технічний університет, 2022) Гнатушенко, Вікторія Володимирівна; Фененко, Тетяна Михайлівна; Дорош, Ольга Володимирівна
UKR: Проведено дослідження моделей згорткової нейронної мережі (Convolutional neural network – CNN) з метою підвищення точності розпізнавання Fashion MNIST DATASET.З огляду відомо, що розпізнавання елементів одягу набору Fashion MNIST є більш складним ніж розпізнавання набору рукопису цифр MNIST. Набор одягу Fashion-MNIST рекомендовано для досліджень різних архітектур нейронних мереж. Найкращі результати якості розпізнавання Fashion MNIST DATASET отримано за згортковою нейронною мережею. В даній роботі було метою покращити точність розпізнавання Fashion MNIST DATASET за рахунок дослідження різних архітектур CNN та їх параметрів. Обрано дві архітектури послідовної згорткової нейронної мережі з тих, у яких точність розпізнавання Fashion MNIST DATASET більше ніж 93%. Проведено дослідження їх архітектур та параметрів. Моделі відповідають визначенню нейронних глибоких мереж та мають різну кількість шарів. В дослідженнях моделей показано вплив параметрів batch_size, validation_split, validation_data на точність розпізнавання, а також варіанти розташування шару BatchNormalization та шару активації; вплив параметра “filters” для згорткового шару. Крім того, було використано два варіанти вибору валідаційної вибірки: перший – з набору даних для навчання (20%), а другий – набор даних тестування. При розрахунках число епох навчання дорівнювало 20. В процесі навчання вирішувалось питання не допустити перенавчання за допомогою аналізу функції втрат. Використано бібліотеки TensorFlow, Keras, мову програмування Python. Розроблено програмні модулі, які було реалізовано у хмарному сервісі Google Colab. В результаті досліджень підтверджено заявлену у роботах інших авторів точність розпізнавання >93% Fashion MNIST DATASET та отримано покращену точність розпізнавання в 94,16% для однієї з обраних моделей. Обґрунтовано вплив параметру batch_size на точність розпізнавання, обрано значення batch_size відповідно найкращому результату розпізнавання Fashion MNIST DATASET. Продемонстровано, що збільшення кількості даних для навчання покращує точність розпізнавання при використанні параметра valid_data==(X_test, X_test_labels) замість valid_split для даних навчання. Наведені результати чисельного експеримента, які підтверджують важливість та корисність застосування методів регуляризації для вирішення проблеми перенавчання: налаштування шарів Dropout дозволило покращити точність розпізнавання.
Розпізнавання зображень набору Fashion MNIST методами глибокого навчання
(Херсонський національний технічний університет, 2021) Гнатушенко, Вікторія Володимирівна; Дорош, Наталія Леонідівна; Фененко, Тетяна Михайлівна
UKR: Огляд сучасних методів розпізнавання об’єктів-зображень показав, що алгоритми глибокого навчання успішно використовуються і дозволяють отримати високу якість. Прикладом можливо привести якість розпізнавання символів набору MNIST, яка наблизилась до 100%. Для другого набору даних, який теж популярний при тестуванні алгоритмів глибокого навчання, а саме, набору елементів одягу та аксесуарів Fashion MNIST, така висока якість розпізнавання ще не отримана. У роботі представлені результати розпізнавання даних Fashion MNISТ. Розглянуті моделі нейронної мережі прямого поширення і згорткової мережі. Виконано програмну реалізацію алгоритмів глибокого навчання, а саме, розглянуто багатошарову мережу прямого поширення (FNN) та згорткову нейронну мережу (CNN). Використано мову Python, бібліотеки TensorFlow та Keras Бібліотека Keras дозволяє спрощувати виклики функцій з TensorFlow. Типовий процес роботи в Python Keras полягає в наступному: завантаження необхідних модулів, завантаження даних, попередня обробка, розбивка їх на навчальну, тестову і валідаційну частини; створення моделі із зазначенням архітектури, та інше. Розроблено модуль для перегляду зображень набору даних, параметрів мережі та інформації з якості розпізнавання. Виконано чисельний експеримент розпізнавання елементів одягу засобами FNN. Проведено автоматичне налаштування гіперпараметрів мережі. Якість розпізнавання на тестових даних дорівнює 0,89. Налаштування гіперпараметрів покращило якість несуттєво. Невисока якість розпізнавання пояснюється також використанням дуже простої моделі нейронної мережі. Поліпшення результатів було досягнуто з використанням згорткової нейронної мережі. Кращій результат розпізнавання, який отримано у роботі, дорівнює 91.26%, але відомий найкращий результат якості розпізнавання дорівнює 94%. Роботу з вдосконалення результатів розпізнавання зображень даних Fashion MNIST доцільно продовжити, а програмний засіб, який розроблено, можливо використовувати щодо розпізнавання інших даних. При творчому підході розпізнавання об'єктів зображень на Python з застосуванням бібліотек Keras Tensorflow і інших є дуже перспективним напрямком для практичного застосування.
Статистичний аналіз тексту та дослідження динаміки точності класифікації
(Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро, 2022) Островська, Катерина Юріївна; Фененко, Тетяна Михайлівна; Глущенко, Олександр
UKR: Робота присвячена статистичному аналізу тексту та дослідженню динаміки точності класифікації. У роботі проводиться відбір статистичних ознак тексту, класифікація текстів, що належать різним авторам, та дослідження динаміки точності класифікації в залежності від довжини текстових фрагментів. Для вирішення поставленого завдання використовувалися: методи обробки природної мови; статистичні характеристики текстів; методи машинного навчання; методи зниження розмірності для можливості візуалізації. На основі отриманої динаміки зміни точності класифікації в залежності від довжин текстових фрагментів було зроблено відповідні висновки щодо оптимальної довжини текстів, що використовуються для навчання та тестування моделей. Завдання вирішувалося у програмному середовищі Jupyter Notebook дистрибутива Anaconda, який дозволяє одразу встановити Python та необхідні бібліотеки.
Супутниковий моніторинг та оцінка ступеня забрудненості водойм під впливом військових дій
(Український державний університет науки і технологій, ННІ ≪Дніпровський металургійний інститут≫, ІВК ≪Системні технології≫, Дніпро, 2025) Кавац, Олена Олександрівна; Кавац, Юрій Віталійович; Сергєєва, Катерина Леонідівна; Фененко, Тетяна Михайлівна; Дібрій, Данило Андрійович
UKR: В статті розглянуті основні методи моніторингу водних ресурсів України, їх стану забруднення та вплив військових дій на них. Класичні методи моніторингу якості води у водоймах спираються на отримання зразків проб на місці, що вимагає значних ресурсів та є дороговартісними. Через повномаштабне вторгнення та військові дії, окупацію територій цей метод втрачає свою актуальність. В роботі описано основні спектральні водні індекси та набори даних, які можна використовувати для застосування методів супутникового моніторингу та оцінки ступеню забрудненості водойм під впливом військових дій. На прикладі техногенного катастрофи Каховської ГЕС, проаналізовано адаптованість індексів для визначення ділянок із забрудненням поверхневого шару води в акваторії Чорного моря.