Міжнародна науково-технічна конференція «Інформаційні технології в металургії та машинобудуванні. ІТММ'22»
Permanent URI for this collectionhttp://crust.ust.edu.ua/handle/123456789/15975
ENG: Scientific and Technical International Conference «Information Technology in Metallurgy and Machine Engineering. ITMM'22», May 18, 2022
Browse
Now showing 1 - 2 of 2
- Results Per Page
- Sort Options
Item type:Item, Аналіз обміну даними між підприємствами за допомогою технології блокчейн в інформаційних системах(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Ситник, Роман Сергійович; Гнатушенко, Вікторія ВолодимирівнаUKR: Сьогодні інформаційні системи для управління виробництвом та поставками ускладняються з подальшим розвитком міжнародної та внутрішньої торгівлі, збільшенням складності виробничих та логістичних ланцюгів тощо. Тому актуальним для вирішення стає завдання дослідження та розробки нових підходів для ланцюгів поставок та логістичних інформаційних систем. У цій статті розглядаються можливі переваги та недоліки використання технології блокчейн у логістиці та системах ланцюгів поставок. Блокчейн може допомогти спростити і зробити більш прозорими процеси моніторингу та управління виробництвом і переміщенням товарів між різними суб'єктами. Але також існує ряд проблем, які потребують вирішення, таких як можливості оновлення програмного забезпечення в смарт-контрактах і завдання проектування повної системи на основі блокчейну, яка дійсно дозволить вирішити важливі проблеми в цій сфері найбільш ефективним способом без критичних проблем.Item type:Item, Дослідження впливу обробки первинних даних на результати навчання нейромережі для розпізнання супутникових зображень(Український державний університет науки і технологій, ІВК «Системні технології», 2022) Солдатенко, Дмитро Володимирович; Гнатушенко, Вікторія ВолодимирівнаUKR: Правильна підготовка матеріалів для навчання нейронної мережі є одним з ключових етапів, від якого безпосередньо залежать усі подальші результати. Дослідження передбачає два випробування, перше з необробленими даними, а друге — зі спеціально підготовленими для навчання. Навчання нейронної мережі використовує дані для трьох різних класів, води, дерев і поля, результати тестів та інформацію про потенційні недоліки, надані після кожного тесту, а також рекомендації щодо покращення результатів. Результати проаналізовано та зроблено висновок, що вдосконалення первинних матеріалів для навчання нейронної мережі розпізнаванню супутникових зображень безпосередньо впливає на результат у кращий бік, а саме на 27,6% у разі використання підготовлених даних, у цьому дослідженні вони можуть відрізнятися залежно від умови.