1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка
Моля, използвайте този идентификатор за цитиране или линк към този публикация: http://elartu.tntu.edu.ua/handle/lib/47176
Пълен Запис на метаданни
DC ПолеСтойностЕзик
dc.contributor.advisorМитник, Микола Мирославович-
dc.contributor.advisorMytnyk, Mykola-
dc.contributor.authorБлавіцький, Андрій Михайлович-
dc.contributor.authorBlavitskyi, Andrii-
dc.date.accessioned2025-01-04T12:38:01Z-
dc.date.available2025-01-04T12:38:01Z-
dc.date.issued2024-12-24-
dc.identifier.citationБлавіцький А. М. Дослідження інтелектуальних методів вимірювання для потреб смарт-систем : робота на здобуття кваліфікаційного ступеня магістра : спец. 174 - автоматизація, комп’ютерно-інтегровані технології та робототехніка / наук. кер. М. М. Митник. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 98 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47176-
dc.descriptionРоботу виконано на кафедрі комп’ютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться 24 грудня 2024 р. о 09 .00 годині на засіданні екзаменаційної комісії № 22 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул. Руська, 56, навчальний корпус №1, ауд. 403uk_UA
dc.description.abstractКваліфікаційна робота присвячена дослідженню інтелектуальних методів вимірювання для потреб смарт-систем. Метою кваліфікаційної роботи є комплексний аналіз сучасного стану та перспектив розвитку інтелектуальних методів вимірювання для потреб смарт-систем, визначенні ключових тенденцій, проблемних аспектів та перспективних напрямків подальших досліджень. В першому розділі кваліфікаційної роботи проаналізовано тенденції інтелектуальних методів вимірювання на основі ШІ. В другому розділі кваліфікаційної роботи розкрито важливість наборів даних в інтелектуальному вимірюванні. В третьому розділі подано аналітичний огляд алгоритмів навчання, які на даний широко використовуються в багатьох смарт-системах, що функціонують в режимі реального масштабу часу. В четвертому розділі кваліфікаційної роботи проаналізовано використання інтелектуальних методів вимірювання для потреб смарт-систем. Проведений аналіз показав, що інтелектуальні методи вимірювання, особливо засновані на ML, значно розширюють можливості смарт-систем. Перспективи подальшого розвитку цього напрямку пов’язані з розробкою нових алгоритмів, збором великих обсягів даних та розвитком обчислювальних потужностей. В п’ятому розділі кваліфікаційної роботи було проаналізовано перспективні напрямки застосування інтелектуальних методів вимірювання та досліджень у сфері смарт-систем. The qualification work is devoted to the study of intelligent measurement methods for the needs of smart systems. The purpose of the qualification work is a comprehensive analysis of the current state and prospects for the development of intelligent measurement methods for the needs of smart systems, identifying key trends, problematic aspects and promising areas of further research. The first section of the qualification work analyzes the trends of intelligent measurement methods based on AI. The second section of the qualification work reveals the importance of data sets in intelligent measurement. The third section provides an analytical review of learning algorithms, which are currently widely used in many smart systems operating in real-time. The fourth section of the qualification work analyzes the use of intelligent measurement methods for the needs of smart systems. The analysis showed that intelligent measurement methods, especially those based on ML, significantly expand the capabilities of smart systems. The prospects for further development of this direction are associated with the development of new algorithms, collection of large amounts of data and development of computing power. The fifth section of the qualification work analyzed promising areas of application of intelligent measurement methods and research in the field of smart systems.uk_UA
dc.description.tableofcontentsВСТУП 10 1 АНАЛІТИЧНА ЧАСТИНА 14 1.1 Аналіз тенденцій інтелектуальних методів вимірювання на основі ШІ 14 1.2 Аналіз наукових публікацій в галузі інтелектуальних методів вимірювання для потреб смарт-систем 16 1.3 Аналітичний огляд інтелектуальних сенсорних елементів 18 1.4 Аналіз прогресивних проектів на основі інтелектуальних методів вимірювання 19 1.5 Висновок до першого розділу 24 2 ТЕХНОЛОГІЧНА ЧАСТИНА 25 2.1 Набори даних в інтелектуальному вимірюванні 25 2.2 Аналіз чинників, що впливають на продуктивність процесів інтелектуальних методів вимірювання в смарт-системах 26 2.3 Інтелектуальні підходи для аналізу складних характеристик даних давачів 29 2.4 Висновок до другого розділу 32 3 КОНСТРУКТОРСЬКА ЧАСТИНА 33 3.1 Алгоритми та моделі на основі ШІ в інтелектуальному вимірюванні для потреб смарт- систем 33 3.2 Алгоритми та моделі машинного навчання в інтелектуальному вимірюванні 34 3.3 Алгоритми та моделі глибокого навчання в інтелектуальному вимірюванні 40 3.4 Висновок до третього розділу 42 4 НАУКОВО-ДОСЛІДНА ЧАСТИНА 43 4.1 Використання інтелектуальних методів вимірювання для потреб смарт-систем 43 4.1.1 «Розумне» сільське господарство 43 4.1.2 Безпекові смарт-системи 45 4.1.3 Інтелектуальне керування дорожнім рухом. 47 4.1.4 «Розумна» охорона здоров’я 48 4.1.5 «Розумні» допоміжні технології 52 4.1.6 «Розумні» комунікаційні мережі 53 4.2 Перспективи використання машинного навчання для інтелектуального вимірювання в смарт-системах 55 4.3 Висновок до четвертого розділу 57 5 СПЕЦІАЛЬНА ЧАСТИНА 59 5.1 Перспективні проблемні області для застосування інтелектуальних методів вимірювання 59 5.1.1 Безпека та конфіденційність даних 59 5.1.2 Зберігання та керування даними 60 5.1.3 Енергоспоживання 61 5.1.4 Розгортання апаратного забезпечення 61 5.2 Перспективні напрямки досліджень 62 5.2.1 Громадянство майбутнього 63 5.2.2 «Індустрія 4.0» 63 5.2.3 «Індустрія 5.0» 64 5.2.4 Кодування каналів 65 5.2.5 Конвергенція штучного інтелекту та 6G 66 5.2.6 Мінімізація затримки 67 5.2.7 Об’єднання даних 68 5.2.8 Пояснюваний штучний інтелект 68 5.2.9 Програмні платформи в інтелектуальному вимірюванні 69 5.2.10 Розширена реальність і штучний інтелект 69 5.3 Висновок до п’ятого розділу 70 6 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 71 6.1 Умови праці працівників ІТ-галузі 71 6.2 Сучасні інформаційні технології та їх вплив на людину 74 6.3 Висновок до шостого розділу 76 ВИСНОВКИ 77 ПЕРЕЛІК ДЖЕРЕЛ 80 ДОДАТКИuk_UA
dc.language.isoukuk_UA
dc.publisherТНТУ, Тернопільuk_UA
dc.subject174 "Автоматизація, комп’ютерно-інтегровані технології та робототехніка"uk_UA
dc.subjectавтоматизація та комп’ютерно-інтегровані технологіїuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectінтелектуальне вимірюванняuk_UA
dc.subjectIoTuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectалгоритми навчанняuk_UA
dc.subjectнабори данихuk_UA
dc.subjectlearning algorithmsuk_UA
dc.subjectIoTuk_UA
dc.subjectsmart meteringuk_UA
dc.subjectdatasetsuk_UA
dc.subjectmachine learninguk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectneural networksuk_UA
dc.titleДослідження інтелектуальних методів вимірювання для потреб смарт-системuk_UA
dc.title.alternativeResearch on intelligent measurement methods for smart system applicationsuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Блавіцький А.М., 2024uk_UA
dc.contributor.committeeMemberМарущак, Павло Орестович-
dc.contributor.committeeMemberMarushchak, Pavlo-
dc.format.pages98-
dc.subject.udc004.9uk_UA
thesis.degree.grantorЕК №22, 2024 р.-
dc.relation.references1 Corsi, C. Smart sensors: Why and when the origin was and why and where the future will be. Proc. SPIE 2014, 8993, 899302.uk_UA
dc.relation.references2 Von Krogh, G. Artificial intelligence in organizations: New opportunities for phenomenon-based theorizing. Acad. Manag. Discov. 2018.uk_UA
dc.relation.references3 Kobbacy, K.A.H.; Vadera, S.; Rasmy, M.H. AI and OR in management of operations: history and trends. J. Oper. Res. Soc. 2007, 58, 10–28.uk_UA
dc.relation.references4 Shabbir, J.; Anwer, T. Artificial intelligence and its role in near future. arXiv 2018. arXiv:1804.01396.uk_UA
dc.relation.references5 Nichols, J.A.; Chan, H.W.H.; Baker, M.A.B. Machine learning: applications of artificial intelligence to imaging and diagnosis. Biophys. Rev. 2018, 11, 111–118.uk_UA
dc.relation.references6 Abduljabbar, R.; Dia, H.; Liyanage, S.; Bagloee, S.A. Applications of artificial intelligence in transport: An overview. Sustainability 2019, 11, 189.uk_UA
dc.relation.references7 Yasniy, O., Mytnyk, M., Maruschak, P., Mykytyshyn, A., & Didych, I. (2024). Machine learning methods as applied to modelling thermal conductivity of epoxy-based composites with different fillers for aircraft. Aviation, 28(2), 64-71.uk_UA
dc.relation.references8 Al-Sahaf, H.; Bi, Y.; Chen, Q.; Lensen, A.; Mei, Y.; Sun, Y.; Tran, B.; Xue, B.; Zhang, M. A survey on evolutionary machine learning. J. R. Soc. N. Z 2019, 49, 205–228.uk_UA
dc.relation.references9 Avola, D.; Foresti, G.L.; Piciarelli, C.; Vernier, M.; Cinque, L. Mobile applications for automatic object recognition. In Advanced Methodologies and Technologies in Network Architecture, Mobile Computing, and Data Analytics; IGI Global: Hershey, PA, USA, 2019; pp. 1008–1020.uk_UA
dc.relation.references10 Aloufi, S.; Zhu, S.; El Saddik, A. On the Prediction of Flickr Image Popularity by Analyzing Heterogeneous Social Sensory Data. Sensors 2017, 17, 631.uk_UA
dc.relation.references11 Bahri, S.; Zoghlami, N.; Abed, M.; Tavares, J.M.R.S. Big data for healthcare: a survey. IEEE Access 2019, 7, 7397–7408.uk_UA
dc.relation.references101 Ravichandran, G.; Koteeshwari, R.S. Agricultural crop predictor and advisor using ANN for smartphones. In Proceedings of the International Conference on Emerging Trends in Engineering, Technology and Science (ICETETS), Pudukkottai, India, 24–26 February 2016.uk_UA
dc.relation.references102 Nema, M.K.; Khare, D.; Chandniha, S.K. Application of artificial intelligence to estimate the reference evapotranspiration in sub-humid Doon valley. Appl. Water Sci. 2017, 7, 3903–3910.uk_UA
dc.relation.references103 Systique, H. Machine learning based network anomaly detection. Int. J. Recent Technol. Eng. 2019, 8, 542–548.uk_UA
dc.relation.references104 Alkasassbeh, M.; Almseidin, M. Machine learning methods for network intrusion detection. arXiv 2018. arXiv:1809.02610.uk_UA
dc.relation.references105 Pradhan, M.; Pradhan, S.K.; Sahu, S.K. Anomaly detection using artificial neural network. Int. J. Eng. Sci. Emerg. Technol. 2012, 2, 29–36.uk_UA
dc.relation.references106 Elarbi-Boudihir, M.; Al-Shalfan, K.A. Intelligent video surveillance system architecture for abnormal activity detection. In Proceedings of the International Conference on Informatics and Applications (ICIA2012), Terengganu, Malaysia, 3–5 June 2012; pp. 102–111.uk_UA
dc.relation.references107 Sanchez, J.; Galan, M.; Rubio, E. Applying a Traffic Lights Evolutionary Optimization Technique to a Real Case: “Las Ramblas” Area in Santa Cruz de Tenerife. IEEE Trans. Evol. Comput. 2008, 12, 25–40.uk_UA
dc.relation.references108 Jiang, F.; Jiang, Y.; Zhi, H.; Dong, Y.; Li, H.; Ma, S.; Wang, Y.; Dong, Q.; Shen, H.; Wang, Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc. Neurol. 2017, 2, 230–243.uk_UA
dc.relation.references109 Orru, G.; Pettersson-Yeo, W.; Marquand, A.F.; Sartori, G.; Mechelli, A. Using support vector machine to identify imaging biomarkers of neurological and psychiatric disease: a critical review. Neurosci. Biobehav. Rev. 2012, 36, 1140–1152.uk_UA
dc.relation.references110 Long, E.; Lin, H.; Liu, Z.; Wu, X.; Wang, L.; Jiang, J.; An, Y.; Lin, Z.; Li, X.; Chen, J. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nat. Biomed. Eng. 2017, 1, 1–8.uk_UA
dc.relation.references12 Liakos, K.; Busato, P.; Moshou, D.; Pearson, S.; Bochtis, D. Machine learning in agriculture: A review. Sensors 2018, 18, 2674.uk_UA
dc.relation.references111 Sharma, Z.; Chauhan, A.; Ashok, L.; D’Souza, A.; Malarout, N.; Kamath, R. The Impact of Artificial Intelligence on Healthcare. Indian J. Public Health Res. Dev. 2019, 10.uk_UA
dc.relation.references112 Fiszman, M.; Chapman, W.W.; Aronsky, D.; Evans, R.S.; Haug, P.J. Automatic detection of acute bacterial pneumonia from chest X-ray reports. J. Am. Med. Inform. Assoc. 2000, 7, 593–604.uk_UA
dc.relation.references113 Chan, J.F.W.; Yip, C.C.Y.; To, K.K.W.; Tang, T.H.C.; Wong, S.C.Y.; Leung, K.H.; Fung, A.Y.F.; Ng, A.C.K.; Zou, Z.; Tsoi, H.W. Improved molecular diagnosis of COVID-19 by the novel, highly sensitive and specific COVID-19-RdRp/Hel real-time reverse transcription-PCR assay validated in vitro and with clinical specimens. J. Clin. Microbiol. 2020, 58, e00310–20.uk_UA
dc.relation.references114 Abbott, T.R.; Dhamdhere, G.; Liu, Y.; Lin, X.; Goudy, L.; Zeng, L.; Chemparathy, A.; Chmura, S.; Heaton, N.S.; Debs, R. Development of CRISPR as an antiviral strategy to combat SARS-CoV-2 and influenza. Cell 2020, 181, 865–876.uk_UA
dc.relation.references115 Santosh, K.C. AI-driven tools for coronavirus outbreak: need of active learning and cross-population train/test models on multitudinal/multimodal data. J. Med. Syst. 2020, 44, 93.uk_UA
dc.relation.references116 Maghded, H.S.; Ghafoor, K.; Sadiq, A.; Curran, K.; Rawat, D.B.; Rabie, K. A Novel AI-enabled Framework to Diagnose Coronavirus COVID-19 using Smartphone Embedded Sensors: Design Study. In Proceedings of the IEEE 21st International Conference on Information Reuse and Integration for Data Science (IRI), Las Vegas, NV, USA, 11–13 August 2020; pp. 180–187.uk_UA
dc.relation.references117 Zhou, Z.; Rahman Siddiquee, M.M.; Tajbakhsh, N.; Liang, J. Unet++: A nested u-net architecture for medical image segmentation. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical DECISION Support; Springer: Cham, Switzerland, 2018; pp. 3–11.uk_UA
dc.relation.references118 Lee, S.H.; Park, S.; Kim, B.N.; Kwon, O.S.; Rho, W.Y.; Jun, B.H. Emerging ultrafast nucleic acid amplification technologies for next-generation molecular diagnostics. Biosens. Bioelectron. 2019, 141, 8.uk_UA
dc.relation.references119 Yuan, Y.; Shi, Y.; Li, C.; Kim, J.; Cai, W.; Han, Z.; Feng, D.D. DeepGene: an advanced cancer type classifier based on deep learning and somatic point mutations. BMC Bioinform. 2016, 17, 476.uk_UA
dc.relation.references120 Wang, S.; Kang, B.; Ma, J.; Zeng, X.; Xiao, M.; Guo, J.; Cai, M.; Yang, J.; Li, Y.; Meng, X. A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19). Eur. Radiol. 2021, 31, 6096–6104.uk_UA
dc.relation.references13 Woschank, M.; Rauch, E.; Zsifkovits, H. A review of further directions for artificial intelligence, machine learning, and deep learning in smart logistics. Sustainability 2020, 12, 3760.uk_UA
dc.relation.references121 Ray, A. Navigation System for Blind People Using Artificial Intelligence. 2022. Available online: https://amitray.com/artificialintelligence-for-assisting-blind-people.uk_UA
dc.relation.references122 Rimal, K. Cash Recognition for the Visually Impaired: Part 1. Available online: https://software.intel.com/en-us/articles/cashrecognition-for-the-visually-impaired-part-1.uk_UA
dc.relation.references123 Healy, E.W.; Yoho, S.E.; Wang, Y.; Wang, D. An algorithm to improve speech recognition in noise for hearing-impaired listeners. J. Acoust. Soc. Am. 2013, 134, 3029–3038.uk_UA
dc.relation.references124 Sharma, M.; Tiwari, S.; Chakraborty, S.; Banerjee, D.S. Behavior Analysis through Routine Cluster Discovery in Ubiquitous Sensor Data. In Proceedings of the International Conference on COMmunication Systems NETworkS (COMSNETS), Bengaluru, India, 7–11 January 2020; pp. 267–274.uk_UA
dc.relation.references125 Gaussier, E.; Goutte, C. Relation between PLSA and NMF and Implications. In Proceedings of the 28th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Salvador, Brazil, 15–19 August 2005; Association for Computing Machinery: New York, NY, USA, 2005.uk_UA
dc.relation.references126 Dhekane, S.G.; Vajra, K.; Banerjee, D.S. Semi-supervised Subject Recognition through Pseudo Label Generation in Ubiquitous Sensor Data. In Proceedings of the International Conference on COMmunication Systems NETworkS (COMSNETS), Bengaluru, India, 7–11 January 2020; pp. 184–191.uk_UA
dc.relation.references127 Dua, D.; Graff, C. UCI Machine Learning Repository. 2017. Available online: https://archive.ics.uci.edu/ml/datasets/ opportunity+activityrecognition.uk_UA
dc.relation.references128 Блавіцький А. Життєвий цикл платежу / А. Блавіцький, С. Мацюк, С. Криськова // Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології“, 7–8 грудня 2022 року. — Т. : ТНТУ, 2022. — С. 33.uk_UA
dc.relation.references129 Indri, M.; Lachello, L.; Lazzero, I.; Sibona, F.; Trapani, S. Smart sensors applications for a new paradigm of a production line. Sensors 2019, 19, 650.uk_UA
dc.relation.references130 Atlam, H.F.; Walters, R.J.; Wills, G.B. Intelligence of Things: Opportunities & Challenges. In Proceedings of the 3rd Cloudification of the Internet of Things (CIoT), Paris, France, 2–4 July 2018; pp. 1–6.uk_UA
dc.relation.references14 Chang, F.C.; Huang, H.C. A survey on intelligent sensor network and its applications. J. Netw. Intell. 2016, 1, 1–15.uk_UA
dc.relation.references131 Tymoshchuk, D., Yasniy, O., Mytnyk, M., Zagorodna, N., & Tymoshchuk, V. (2024). Detection and classification of DDoS flooding attacks by machine learning method. CEUR Workshop Proceedings, 3842, 184-195.uk_UA
dc.relation.references132 Fasano, G.; Accardo, D.; Tirri, A.E.; Moccia, A.; Lellis, E.D. Radar/electro-optical data fusion for non-cooperative UAS sense and avoid. Aerosp. Sci. Technol. 2015, 46, 436–450.uk_UA
dc.relation.references133 Menouar, H.; Guvenc, I.; Akkaya, K.; Uluagac, A.S.; Kadri, A.; Tuncer, A. UAV-enabled intelligent transportation systems for the smart city: applications and challenges. IEEE Commun. Mag. 2017, 55, 22–28.uk_UA
dc.relation.references134 Блавіцький А. Інтеграція сучасних технологій у військові доктрини: кіберзагрози та адаптація до цифрового виміру конфліктів / Станько Андрій Андрійович, Микитишин Андрій Григорович, Блавіцький А. // Матеріали Ⅳ Міжнародної наукової конференції „Воєнні конфлікти та техногенні катастрофи: історичні та психологічні наслідки“, 18-19 квітня 2024 року. — Т. : ФОП Паляниця В. А., 2024. — С. 75–77.uk_UA
dc.relation.references135 Kang, J.; Yin, S.; Meng, W. An Intelligent Storage Management System Based on Cloud Computing and Internet of Things. In Proceedings of the International Conference on Computer Science and Information Technology, Kunming, China, 21–23 September 2013; Patnaik, S., Li, X., Eds.; Springer: New Delhi, India, 2014; pp. 499–505.uk_UA
dc.relation.references136 Son, D.; Lee, J.; Qiao, S.; Ghaffari, R.; Kim, J.; Lee, J.E.; Song, C.; Kim, S.J.; Lee, D.J.; Jun, S.W.; et al. Multifunctional wearable devices for diagnosis and therapy of movement disorders. Nat. Nanotechnol. 2014, 9, 397–404.uk_UA
dc.relation.references137 Nag, A.; Mukhopadhyay, S.C.; Kosel, J. Wearable Flexible Sensors: A Review. IEEE Sens. J. 2017, 17, 3949–3960.uk_UA
dc.relation.references138 Sze, V.; Chen, Y.H.; Emer, J.; Suleiman, A.; Zhang, Z. Hardware for machine learning: Challenges and opportunities. In Proceedings of the IEEE Custom Integrated Circuits Conference (CICC), Austin, TX, USA, 30 April–3 May 2017.uk_UA
dc.relation.references139 Talib, M.A.; Majzoub, S.; Nasir, Q.; Jamal, D. A systematic literature review on hardware implementation of artificial intelligence algorithms. J. Supercomput. 2021, 77, 1897–1938.uk_UA
dc.relation.references140 O’Grady, M.J.; Muldoon, C.; Carr, D.; Wan, J.; Kroon, B.; O’Hare, G.M.P. Intelligent sensing for citizen science. Mobile Netw. Appl. 2016, 21, 375–385.uk_UA
dc.relation.references15 Li, B.; Hou, B.; Yu, W.; Lu, X.; Yang, C. Applications of artificial intelligence in intelligent manufacturing: A review. Front. Inf. Technol. Electron. Eng. 2017, 18, 86–96.uk_UA
dc.relation.references141 Diez-Olivan, A.; Ser, J.D.; Galar, D.; Sierra, B. Data fusion and machine learning for industrial prognosis: trends and perspectives towards industry 4.0. Inf. Fusion 2019, 50, 92–111.uk_UA
dc.relation.references142 Lee, J.; Davari, H.; Singh, J.; Pandhare, V. Industrial artificial intelligence for industry 4.0-based manufacturing systems. Manuf. Lett. 2018, 18, 20–23.uk_UA
dc.relation.references143 Bartodziej, C.J. The concept industry 4.0. In The concept industry 4.0; Springer: Wiesbaden, Germany, 2017; pp. 27–50.uk_UA
dc.relation.references144 Xu, L.D.; Xu, E.L.; Li, L. Industry 4.0: state of the art and future trends. Int. J. Prod. Res. 2018, 56, 2941–2962.uk_UA
dc.relation.references145 Özdemir, V.; Hekim, N. Birth of Industry 5.0: Making Sense of Big Data with Artificial Intelligence, “The Internet of Things” and Next-Generation Technology Policy. OMICS J. Integr. Biol. 2018, 22, 65–76.uk_UA
dc.relation.references146 Al Faruqi, U. Future Service in Industry 5.0: Survey Paper. J. Sist. Cerdas 2019, 2, 67–79.uk_UA
dc.relation.references147 Massaro, A., Information Technology Infrastructures Supporting Industry 5.0 Facilities. In Electronics in Advanced Research Industries: Industry 4.0 to Industry 5.0 Advances; John Wiley & Sons, Ltd: Hoboken, NJ, USA, 2022; pp. 51–101.uk_UA
dc.relation.references148 Du, A.; Shen, Y.; Zhang, Q.; Tseng, L.; Aloqaily, M. CRACAU: Byzantine Machine Learning Meets Industrial Edge Computing in Industry 5.0. IEEE Trans. Industr. Inform. 2022, 18, 5435–5445.uk_UA
dc.relation.references149 Javaid, M.; Haleem, A.; Singh, R.P.; Haq, M.I.U.; Raina, A.; Suman, R. Industry 5.0: potential applications in COVID-19. J. Ind. Integr. Manag. 2020, 5.uk_UA
dc.relation.references150 Jain, D.K.; Li, Y.; Er, M.J.; Xin, Q.; Gupta, D.; Shankar, K. Enabling Unmanned Aerial Vehicle Borne Secure Communication With Classification Framework for Industry 5.0. IEEE Trans. Industr. Inform. 2022, 18, 5477–5484.uk_UA
dc.relation.references16 Ali, J.M.; Hussain, M.A.; Tade, M.O.; Zhang, J. Artificial intelligence techniques applied as estimator in chemical process systems—A literature survey. Expert Syst. Appl. 2015, 42, 5915–5931.uk_UA
dc.relation.references151 Asano, D.K.; Fujioka, S.; Matsunaga, M.; Kohno, R. Coding Techniques for Intelligent Communication over a Satellite Link. In Proceedings of the 5th COMETS Workshop, Tokyo, Japan, 10 December 1996.uk_UA
dc.relation.references152 Yin, C.; Dong, P.; Du, X.; Zheng, T.; Zhang, H.; Guizani, M. An Adaptive Network Coding Scheme for Multipath Transmission in Cellular-Based Vehicular Networks. Sensors 2020, 20, 5902.uk_UA
dc.relation.references153 Musaddiq, A.; Nain, Z.; Ahmad Qadri, Y.; Ali, R.; Kim, S.W. Reinforcement Learning-Enabled Cross-Layer Optimization for Low-Power and Lossy Networks under Heterogeneous Traffic Patterns. Sensors 2020, 20, 4158.uk_UA
dc.relation.references154 Mahdavinejad, M.S.; Rezvan, M.; Barekatain, M.; Adibi, P.; Barnaghi, P.; Sheth, A.P. Machine learning for internet of things data analysis: a survey. Digit. Commun. Netw. 2018, 4, 161–175.uk_UA
dc.relation.references155 Yang, H.; Alphones, A.; Xiong, Z.; Niyato, D.; Zhao, J.; Wu, K. Artificial-Intelligence-Enabled Intelligent 6G Networks. IEEE Netw. 2020, 34, 272–280.uk_UA
dc.relation.references156 Liu, C.H.; Chen, Z.; Tang, J.; Xu, J.; Piao, C. Energy-efficient uav control for effective and fair communication coverage: a deep reinforcement learning approach. IEEE J. Sel. Areas Commun. 2018, 36, 2059–2070.uk_UA
dc.relation.references157 Yang, H.; Xie, X.; Kadoch, M. Intelligent resource management based on reinforcement learning for ultra-reliable and low-latency IoV communication networks. IEEE Trans. Veh. Technol. 2019, 68, 4157–4169.uk_UA
dc.relation.references158 Haider, N.; Baig, M.Z.; Imran, M. Artificial Intelligence and Machine Learning in 5G Network Security: Opportunities, advantages, and future research trends. arXiv 2020. arXiv:2007.04490.uk_UA
dc.relation.references159 Basnayaka, C.M.W.; Jayakody, D.N.K.; Perera, T.D.P.; Ribeiro, M.V. Age of Information in an URLLC-enabled Decode-andForward Wireless Communication System. In Proceedings of the IEEE 93rd Vehicular Technology Conference (VTC2021-Spring), Helsinki, Finland, 25–28 April 2021; pp. 1–6.uk_UA
dc.relation.references160 Ding, W.; Jing, X.; Yan, Z.; Yang, L.T. A survey on data fusion in internet of things: Towards secure and privacy-preserving fusion. Inf. Fusion 2019, 51, 129.uk_UA
dc.relation.references17 Ramasamy Ramamurthy, S.; Roy, N. Recent trends in machine learning for human activity recognition—A survey. WIREs Data Min. Knowl. Discov. 2018, 8, e1254.uk_UA
dc.relation.references161 Došilovic´, F.K.; Brcˇic´, M.; Hlupic´, N. Explainable artificial intelligence: A survey. In Proceedings of the 41st International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), Opatija, Croatia, 20–24 May 2018; pp. 0210–0215.uk_UA
dc.relation.references162 Aulin, V., Mytnyk, M., Hrynkiv, A., Holovatyi, A., Lysenko, S., & Plekan, U. (2024). Prediction of recognized defect combinations in the parts of automobile units, systems, and assemblies using artificial neural network method. Procedia Structural Integrity, 59, 444-451.uk_UA
dc.relation.references163 Arrieta, A.B.; Díaz-Rodríguez, N.; Ser, J.D.; Bennetot, A.; Tabik, S.; Barbado, A.; Garcia, S.; Gil-Lopez, S.; Molina, D.; Benjamins, R.; et al. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI. Inf. Fusion 2020, 58, 82–115.uk_UA
dc.relation.references164 Åsa Fast-Berglund.; Gong, L.; Li, D. Testing and validating Extended Reality (xR) technologies in manufacturing. Procedia Manuf. 2018, 25, 31–38.uk_UA
dc.relation.references165 Köse, A.; Tepljakov, A.; Petlenkov, E. Real Time Data Communication for Intelligent Extended Reality Applications. In Proceedings of the IEEE International Conference on Computational Intelligence and Virtual Environments for Measurement Systems and Applications (CIVEMSA), Tunis, Tunisia, 22–24 June 2020; pp. 1–6.uk_UA
dc.relation.references166 Ferreira, J.M.M.; Qureshi, Z.I. Use of XR technologies to bridge the gap between Higher Education and Continuing Education. In Proceedings of the IEEE Global Engineering Education Conference (EDUCON), Porto, Portugal, 27–30 April 2020; pp. 913–918.uk_UA
dc.relation.references167 Andrews, C.; Southworth, M.K.; Silva, J.N.A.; Silva, J.R. Extended reality in medical practice. Curr. Treat. Options Cardiovasc. Med. 2019, 21, 1–12.uk_UA
dc.relation.references168 Психологія безпеки праці, В.В. Снігур, В.В. Снігур, 2023.uk_UA
dc.relation.references169 Вовк, Андрій Іванович. Методика організації роботи розподіленої Agile команди у великих ІТ-проектах. MS thesis. 2020.uk_UA
dc.relation.references170 Сьогодні UA. https://www.segodnya.ua/lifestyle/fun/pochti-kak-u-google-chemudivlyayut-ofisy-ukrainskih-it-kompaniy--764025.html.uk_UA
dc.relation.references18 Kumar, A.; Gupta, P.K.; Srivastava, A. A review of modern technologies for tackling COVID-19 pandemic. Diabetes Metab. Syndr. Clin. Res. Rev. 2020, 14, 569.uk_UA
dc.relation.references171 Вдосконалення охорони праці в ІТ-галузі. Наукова робота під шифром «ІТ-індустрія». 2019. https://www.khadi.kharkov.ua/fileadmin/uk_UA
dc.relation.references172 СИДОРЕНКО, ІРИНА ВОЛОДИМИРІВНА. "МОДЕРНІЗАЦІЯ ВИРОБНИЧОЇ ІНФРАСТРУКТУРИ РЕГІОНАЛЬНИХ ГОСПОДАРСЬКИХ КОМПЛЕКСІВ В ІНТЕГРАЦІЙНИХ УМОВАХ."uk_UA
dc.relation.references173 Яблуновська, Катерина Олександрівна. "Безпека життєдіяльності. Ч. 1. Безпека життєдіяльності людини у середовищі існування." (2021).uk_UA
dc.relation.references19 Qadri, Y.A.; Nauman, A.; Zikria, Y.B.; Vasilakos, A.V.; Kim, S.W. The Future of Healthcare Internet of Things: A Survey of Emerging Technologies. IEEE Commun. Surv. Tutor. 2020, 22, 1121–1167.uk_UA
dc.relation.references20 Qiu, J.; Wu, Q.; Ding, G.; Xu, Y.; Feng, S. A survey of machine learning for big data processing. EURASIP J. Adv. Signal Process. 2016, 2016, 1.uk_UA
dc.relation.references21 Kumar, D.P.; Amgoth, T.; Annavarapu, C.S.R. Machine learning algorithms for wireless sensor networks: A survey. Inf. Fusion 2019, 49, 1–25.uk_UA
dc.relation.references22 Ha, N.; Xu, K.; Ren, G.; Mitchell, A.; Ou, J.Z. Machine Learning-Enabled Smart Sensor Systems. Adv. Intell. Syst. 2020, 2, 2000063.uk_UA
dc.relation.references23 Mao, Q.; Hu, F.; Hao, Q. Deep Learning for Intelligent Wireless Networks: A Comprehensive Survey. IEEE Commun. Surv. Tutor. 2018, 20, 2595–2621.uk_UA
dc.relation.references24 Alsheikh, M.A.; Lin, S.; Niyato, D.; Tan, H.P. Machine learning in wireless sensor networks: Algorithms, strategies, and applications. IEEE Commun. Surv. Tutor. 2014, 16, 1996–2018.uk_UA
dc.relation.references25 Sharma, Abhishek, et al. "Recent trends in AI-based intelligent sensing." Electronics 11.10 (2022): 1661.uk_UA
dc.relation.references26 Apogeeweb. What is Intelligent Sensor and Its Applications. 2018. Available online: http://www.apogeeweb.net/article/75.html.uk_UA
dc.relation.references27 White, N. Intelligent sensors: systems or components? Integr. Vlsi. J. 2005, 3, 471–474.uk_UA
dc.relation.references28 Powner, E.; Yalcinkaya, F. Intelligent sensors: structure and system. Sens. Rev. 1995, 15, 31–35.uk_UA
dc.relation.references29 Meloa Project. 2022. Available online: https://www.ec-meloa.eu/.uk_UA
dc.relation.references30 Upadhyay, V.; Gupta, S.; Dubey, A.; Rao, M.; Siddhartha, P.; Gupta, V.; George, S.; Bobba, R.; Sirikonda, R.; Maloo, A.; et al. Design and motion control of Autonomous Underwater Vehicle, Amogh. In Proceedings of the IEEE Underwater Technology (UT), Chennai, India, 23–25 February 2015; pp. 1–9.uk_UA
dc.relation.references31 Brunel University. Beamforming Using Artificial Intelligence for 6G Networks. Available online: https://www.brunel.ac.uk/ research/projects/beamforming-using-artificial-intelligence-for-6g-networks.uk_UA
dc.relation.references32 Broadband Wireless Networking Lab. Intelligent Environments for Wireless Communication for 6G. Available online: https: //ianakyildiz.com/bwn/projects/6G/index.html.uk_UA
dc.relation.references33 University of Oulu. 6G Flagship. 2022. Available online: https://www.oulu.fi/6gflagship/.uk_UA
dc.relation.references34 SME 4.0 Consortium. Smart Manufacturing and Logistics for SMEs in an X-to-order and Mass Customization Environment. Available online: https://www.sme40.eu/.uk_UA
dc.relation.references35 Industry 4.0. Available online: https://www.gestamp.com/What-we-do/Industry-4-0.uk_UA
dc.relation.references36 IoT-Based Healthcare. Available online: https://cse.iitkgp.ac.in/~smisra/theme_pages/healthcare/hProject.html.uk_UA
dc.relation.references37 MF2C Consortium. Towards an Open, Secure, Decentralized and Coordinated Fog-to-Cloud Management Ecosystem. Available online: https://www.mf2c-project.eu/.uk_UA
dc.relation.references38 Murphy, C. Meet Project N, China’s $60,000 Smart Car. 2015. Available online: https://blogs.wsj.com/chinarealtime/2015/04/ 24/meet-project-n-chinas-60000-smart-car.uk_UA
dc.relation.references39 Parliament of Australia. Smart Cities. Available online: https://https://www.aph.gov.au/Parliamentary_Business/ Committees/House/ITC/DevelopmentofCities/Report/section?id=committees%2Freportrep%2F024151%2F25693.uk_UA
dc.relation.references40 MathNerd. Iris Flower Dataset. Available online: https://www.kaggle.com/arshid/iris-flower-dataset.uk_UA
dc.relation.references41 Kussul, E.; Baidyk, T. Improved method of handwritten digit recognition tested on MNIST database. Image Vis. Comput. 2004, 22, 971–981.uk_UA
dc.relation.references42 Hartmann, A.K.; Marx, E.; Soru, T. Generating a large dataset for neural question answering over the DBpedia knowledge base. In Proceedings of the Workshop on Linked Data Management, co-located with the W3C WEBBR, Vienna, Austria, 17–18 April 2018. Available online: https://www.researchgate.net/publication/324482598_Generating_a_Large_Dataset_for_Neural_ Question_Answering_over_the_DBpedia_Knowledge_Base.uk_UA
dc.relation.references43 Afifi, M. 11K hands: gender recognition and biometric identification using a large dataset of hand images. Multimed. Tools. Appl. 2019, 78, 20835–20854.uk_UA
dc.relation.references44 Блавіцький А. Оцінка розвитку безпеки оплати платіжними картками / А. Блавіцький, С. Мацюк, С. Криськова // Матеріали Ⅹ науково-технічної конференції „Інформаційні моделі, системи та технології“, 7–8 грудня 2022 року. — Т. : ТНТУ, 2022. — С. 17. .uk_UA
dc.relation.references45 Hall, E.; Kruger, R.; Dwyer, S.; Hall, D.; Mclaren, R.; Lodwick, G. A Survey of Preprocessing and Feature Extraction Techniques for Radiographic Images. IEEE Trans. Comput. 1971, C-20, 1032–1044.uk_UA
dc.relation.references46 Koochakzadeh, N.; Garousi, V.; Maurer, F. Test Redundancy Measurement Based on Coverage Information: Evaluations and Lessons Learned. In Proceedings of the International Conference on Software Testing Verification and Validation, Denver, CO, USA, 1–4 April 2009; pp. 220–229.uk_UA
dc.relation.references47 Marques, A.F.F.; Miranda, G.; Silva, L.M.; Ávila, R.S.; Correia, L.H.A. ISCRa - an Intelligent Sensing Protocol for Cognitive Radio. In Proceedings of the IEEE Symposium on Computers and Communication (ISCC), Messina, Italy, 27–30 June 2016; pp. 385–390.uk_UA
dc.relation.references48 Lee, W.; Sharma, A. Smart sensing for IoT applications. In Proceedings of the 13th IEEE International Conference on Solid-State and Integrated Circuit Technology (ICSICT), Hangzhou, China, 25–28 October 2016; pp. 362–364.uk_UA
dc.relation.references49 Sharma, V.; You, I.; Kumar, R. ISMA: Intelligent Sensing Model for Anomalies Detection in Cross Platform OSNs with a Case Study on IoT. IEEE Access 2017, 5, 3284–3301.uk_UA
dc.relation.references50 Ma, M.; Wang, P.; Chu, C.H. Data management for internet of things: Challenges, approaches and opportunities. In Proceedings of the IEEE International Conference on Green Computing and Communications and IEEE Internet of Things and IEEE Cyber, Physical and Social Computing, Beijing, China, 20–23 August 2013; pp. 1144–1151.uk_UA
dc.relation.references51 Rahmani, A.M.; Gia, T.N.; Negash, B.; Anzanpour, A.; Azimi, I.; Jiang, M.; Liljeberg, P. Exploiting smart e-Health gateways at the edge of healthcare Internet-of-Things: A fog computing approach. Future Gener. Comput. Syst. 2018, 78, 641–658.uk_UA
dc.relation.references52 Hassanalieragh, M.; Page, A.; Soyata, T.; Sharma, G.; Aktas, M.; Mateos, G.; Kantarci, B.; Andreescu, S. Health Monitoring and Management Using Internet-of-Things (IoT) Sensing with Cloud-Based Processing: Opportunities and Challenges. In Proceedings of the IEEE International Conference on Services Computing, New York, NY, USA, 27 June–2 July 2015; pp. 285–292.uk_UA
dc.relation.references53 Gershgorn, D. The Data That Transformed AI Research—And Possibly the World. Available online: https://qz.com/1034972/ the-data-that-changed-the-direction-of-ai-research-and-possibly-the-world.uk_UA
dc.relation.references54 Linjordet, T.; Balog, K. Impact of Training Dataset Size on Neural Answer Selection Models. In Proceedings of the Advances in Information Retrieval: 41st European Conference on IR Research, ECIR 2019, Cologne, Germany, 14–18 April 2019; Azzopardi, L., Stein, B., Fuhr, N., Mayr, P., Hauff, C., Hiemstra, D., Eds.; Springer International Publishing: Cham, Switzerland, 2019; pp. 828–835.uk_UA
dc.relation.references55 Rao, M.R.; Prasad, V.; Teja, P.; Zindavali, M.; Reddy, O.P. A survey on prevention of overfitting in convolution neural networks using machine learning techniques. Int. J. Eng. Technol. (UAE) 2018, 7, 177–180.uk_UA
dc.relation.references56 Ghasemian, A.; Hosseinmardi, H.; Clauset, A. Evaluating overfit and underfit in models of network community structure. IEEE Trans. Knowl. Data Eng. 2020, 32, 1722–1735.uk_UA
dc.relation.references57 Mikołajczyk, A.; Grochowski, M. Data augmentation for improving deep learning in image classification problem. In Proceedings of the International Interdisciplinary PhD Workshop (IIPhDW), Swinoujscie, Poland, 9–12 May 2018; pp. 117–122.uk_UA
dc.relation.references58 Lu, H.; Li, Y.; Chen, M.; Kim, H.; Serikawa, S. Brain intelligence: go beyond artificial intelligence. Mob. Netw. Appl. 2018, 23, 368–375.uk_UA
dc.relation.references59 Scirè, A.; Tropeano, F.; Anagnostopoulos, A.; Chatzigiannakis, I. Fog-Computing-Based Heartbeat Detection and Arrhythmia Classification Using Machine Learning. Algorithms 2019, 12, 32.uk_UA
dc.relation.references60 Zhang, C.; Ye, W.B.; Zhou, K.; Chen, H.Y.; Yang, J.Q.; Ding, G.; Chen, X.; Zhou, Y.; Zhou, L.; Li, F.; et al. Bioinspired Artificial Sensory Nerve Based on Nafion Memristor. Adv. Funct. Mater. 2019, 29, 1808783.uk_UA
dc.relation.references61 Evans, L.; Owda, M.; Crockett, K.; Vilas, A.F. A methodology for the resolution of cashtag collisions on Twitter—A natural language processing & data fusion approach. Expert Syst. Appl. 2019, 127, 353–369.uk_UA
dc.relation.references62 Wang, X.; Li, J.; Wang, L.; Yang, C.; Han, Z. Intelligent user-centric network selection: a model-driven reinforcement learning framework. IEEE Access 2019, 7, 21645–21661.uk_UA
dc.relation.references63 Duda, O., Mykytyshyn, A., Mytnyk, M., & Stanko, A. (2023). Information technology sets formation and" TNTU Smart Campus" services network support. In ITTAP (pp. 93-105).uk_UA
dc.relation.references64 Harrington, P. Machine Learning in Action; Manning: Shelter Island, NY, USA, 2012.uk_UA
dc.relation.references65 Soe, W.T.; Belleudy, C. Load Recognition from Smart Plug Sensor for Energy Management in a Smart Home. In Proceedings of the IEEE Sensors Applications Symposium (SAS), Sophia Antipolis, France, 11–13 March 2019.uk_UA
dc.relation.references66 Cristianini, N.; Shawe-Taylor, J. An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods; Cambridge University Press: Cambridge, UK, 2000.uk_UA
dc.relation.references67 Zhang, S. An overview of network slicing for 5G. IEEE Wirel. Commun. 2019, 26, 111–117.uk_UA
dc.relation.references68 Hlynsson, H. Transfer Learning Using the Minimum Description Length Principle with a Decision Tree Application. Master’s Thesis, University of Amsterdam, Amsterdam, The Netherlands, 2007.uk_UA
dc.relation.references69 Zheng, J.; Yang, S.; Wang, X.; Xia, X.; Xiao, Y.; Li, T. A decision tree based road recognition approach using roadside fixed 3d lidar sensors. IEEE Access 2019, 7, 53878–53890.uk_UA
dc.relation.references70 Zhou, Z.H. Ensemble Learning. In Encyclopedia of Biometrics; Li, S.Z., Jain, A., Eds.; Springer: Boston, MA, 2009; pp. 270–273.uk_UA
dc.relation.references71 Ahmad, I.; Ayub, A.; Ibrahim, U.; Khattak, M.K.; Kano, M. Data-Based Sensing and Stochastic Analysis of Biodiesel Production Process. Energies 2019, 12.uk_UA
dc.relation.references72 Tan, K.; Ma, W.; Wu, F.; Du, Q. Random forest–based estimation of heavy metal concentration in agricultural soils with hyperspectral sensor data. Environ. Monit. Assess. 2019, 191, 446.uk_UA
dc.relation.references73 Janjua, Z.H.; Vecchio, M.; Antonini, M.; Antonelli, F. IRESE: an intelligent rare-event detection system using unsupervised learning on the IoT edge. Eng. Appl. Artif. Intell. 2019, 84, 41–50.uk_UA
dc.relation.references74 Fiorini, L.; Cavallo, F.; Dario, P.; Eavis, A.; Caleb-Solly, P. Unsupervised machine learning for developing personalised behaviour models using activity data. Sensors 2017, 17, 1034.uk_UA
dc.relation.references75 Kusetogullari, H.; Yavariabdi, A. Unsupervised change detection in landsat images with atmospheric artifacts: A fuzzy multiobjective approach. Math. Probl. Eng. 2018, 2018, 7274141.uk_UA
dc.relation.references76 Wang, N.; Xu, Z.S.; Sun, S.W.; Liu, Y. Pattern recognition of UAV flight data based on semi-supervised clustering. J. Phys. Conf. Ser. 2019. 1195, 012001.uk_UA
dc.relation.references77 Okaro, I.A.; Jayasinghe, S.; Sutcliffe, C.; Black, K.; Paoletti, P.; Green, P.L. Automatic fault detection for laser powder-bed fusion using semi-supervised machine learning. Addit. Manuf. 2019, 27, 42–53.uk_UA
dc.relation.references78 Fang, Y.; Zhao, H.; Zha, H.; Zhao, X.; Yao, W. Camera and LiDAR Fusion for On-road Vehicle Tracking with Reinforcement Learning. In Proceedings of the IEEE Intelligent Vehicles Symposium (IV), Paris, France, 9–12 June 2019; pp. 1723.uk_UA
dc.relation.references79 Putra, S.A.; Trilaksono, B.R.; Riyansyah, M.; Laila, D.S.; Harsoyo, A.; Kistijantoro, A.I. Intelligent Sensing in Multiagent-Based Wireless Sensor Network for Bridge Condition Monitoring System. IEEE Internet Things J. 2019, 6, 5397–5410.uk_UA
dc.relation.references80 Jiang, M.; Hai, T.; Pan, Z.; Wang, H.; Jia, Y.; Deng, C. Multi-agent deep reinforcement learning for multi-object tracker. IEEE Access 2019, 7, 32400–32407.uk_UA
dc.relation.references81 Guo, W.; Yan, C.; Lu, T. Optimizing the lifetime of wireless sensor networks via reinforcement-learning-based routing. Int. J. Distrib. Sens. Netw. 2019, 15, 1–20.uk_UA
dc.relation.references82 Palamar, A., Karpinski, M. P., Palamar, M., Osukhivska, H., & Mytnyk, M. (2022, November). Remote Air Pollution Monitoring System Based on Internet of Things. In ITTAP (pp. 194-204).uk_UA
dc.relation.references83 Li, M.; Xie, L.; Wang, Z. A transductive model-based stress recognition method using peripheral physiological signals. Sensors 2019, 19, 429.uk_UA
dc.relation.references84 Abdelaziz, A.; Salama, A.S.; Riad, A.M.; Mahmoud, A.N. A Machine Learning Model for Predicting of Chronic Kidney Disease Based Internet of Things and Cloud Computing in Smart Cities. In Security in Smart Cities: Models, Applications, and Challenges; Hassanien, A.E., Elhoseny, M., Ahmed, S.H., Singh, A.K., Eds.; Springer International Publishing: Cham, Switzerland, 2019; pp. 93–114.uk_UA
dc.relation.references85 Thakur, S.S.; Abdul, S.S.; Chiu, H.Y.S.; Roy, R.B.; Huang, P.Y.; Malwade, S.; Nursetyo, A.A.; Li, Y.C.J. Artificial-Intelligence-Based Prediction of Clinical Events among Hemodialysis Patients Using Non-Contact Sensor Data. Sensors 2018.uk_UA
dc.relation.references86 Yamada, Y.; Kobayashi, M. Detecting mental fatigue from eye-tracking data gathered while watching video: evaluation in younger and older adults. Artif. Intell. Med. 2018, 91, 39–48.uk_UA
dc.relation.references87 Kotlar, M.; Bojic, D.; Punt, M.; Milutinovic, V. A survey of deep neural networks deployment location and underlying hardware. In Proceedings of the 14th Symposium on Neural Networks and Applications (NEUREL), Belgrade, Serbia, 20–21 November 2018.uk_UA
dc.relation.references88 Al Machot, F.; Elmachot, A.; Ali, M.; Al Machot, E.; Kyamakya, K. A Deep-Learning Model for Subject-Independent Human Emotion Recognition Using Electrodermal Activity Sensors. Sensors 2019, 19, 1659.uk_UA
dc.relation.references89 Papagiannaki, A.; Zacharaki, E.I.; Kalouris, G.; Kalogiannis, S.; Deltouzos, K.; Ellul, J.; Megalooikonomou, V. Recognizing Physical Activity of Older People from Wearable Sensors and Inconsistent Data. Sensors 2019, 19, 880.uk_UA
dc.relation.references90 Shiva Prakash, B.; Sanjeev, K.V.; Prakash, R.; Chandrasekaran, K. A Survey on Recurrent Neural Network Architectures for Sequential Learning. In Soft Computing for Problem Solving; Bansal, J.C., Das, K.N., Nagar, A., Deep, K., Ojha, A.K., Eds.; Springer: Singapore, 2019; pp. 57–66.uk_UA
dc.relation.references91 Liu, H.; Liu, Z.; Dong, H.; Ge, J.; Yuan, Z.; Zhu, J.; Zhang, H.; Zeng, X. Recurrent Neural Network-Based Approach for Sparse Geomagnetic Data Interpolation and Reconstruction. IEEE Access 2019, 7, 33173–33179.uk_UA
dc.relation.references92 Wu, L.; Chen, C.H.; Zhang, Q. A Mobile Positioning Method Based on Deep Learning Techniques. Electronics 2019, 8, 59.uk_UA
dc.relation.references93 Wei, X.; Liu, Y.; Gao, S.; Wang, X.; Yue, H. An RNN-based delay-guaranteed monitoring framework in underwater wireless sensor networks. IEEE Access 2019, 7, 25959–25971.uk_UA
dc.relation.references94 Ferdowsi, A.; Saad, W. Generative adversarial networks for distributed intrusion detection in the internet of things. In Proceedings of the IEEE Global Communications Conference (GLOBECOM), Waikoloa, HI, USA, 9–13 December 2019; pp. 1–6.uk_UA
dc.relation.references95 Yang, G.; Yu, S.; Dong, H.; Slabaugh, G.; Dragotti, P.L.; Ye, X.; Liu, F.; Arridge, S.; Keegan, J.; Guo, Y.; et al. DAGAN: Deep De-Aliasing Generative Adversarial Networks for Fast Compressed Sensing MRI Reconstruction. IEEE Trans. Med. Imaging 2018, 37, 1310–1321.uk_UA
dc.relation.references96 Yang, J.; Zhao, Z.; Zhang, H.; Shi, Y. Data Augmentation for X-Ray Prohibited Item Images Using Generative Adversarial Networks. IEEE Access 2019, 7, 28894–28902.uk_UA
dc.relation.references97 Sherstinsky, A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Phys. D Nonlinear Phenom. 2020.uk_UA
dc.relation.references98 Kanjo, E.; Younis, E.M.; Ang, C.S. Deep learning analysis of mobile physiological, environmental and location sensor data for emotion detection. Inf. Fusion 2019, 49, 46–56.uk_UA
dc.relation.references99 Jha, K.; Doshi, A.; Patel, P.; Shah, M. A comprehensive review on automation in agriculture using artificial intelligence. Artif. Intell. Agric. 2019.uk_UA
dc.relation.references100 Banerjee, G.; Sarkar, U.; Ghosh, I. A radial basis function network based classifier for detection of selected tea pests. Int. J. Adv. Res. Comput. Sci. Softw. Eng. 2017, 7, 665–669.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
Показва се в Колекции:151 — автоматизація та комп’ютерно-інтегровані технології, 174 Автоматизація, комп’ютерно-інтегровані технології та робототехніка

Файлове в Този Публикация:
Файл Описание РазмерФормат 
KRM_Blavitskyi_A_2024.pdfКваліфікаційна робота магістра1,98 MBAdobe PDFИзглед/Отваряне
Показване на запис на публикация Разлистване на Статистики


Публикацияте в DSpace са защитени с авторско право, с всички права запазени, освен ако не е указно друго.

Админ Инструменти