В последнее время появляется всё больше систем «вопрос-ответ», в которых обычные пользователи на разных форумах отвечают на вопросы таких же обычных пользователей. У спрашивающего возникает вопрос времени ожидания ответа на свой вопрос. Система проектирования, которую будет раскрыта в диссертации, позволила бы спрашивающему найти ответы в похожих вопросах других пользователей. Данная разработка помогла бы и тем пользователям, которые не написали свой вопрос, а ищут похожие вопросы на предмет поиска ответов. Целью магистерской диссертации является проектирование удобной и быстрой системы для поиска похожих текстов. Эта система позволит находить документы схожих тематик быстро и прозрачно для конечного пользователя и его интересов. / Recently, more and more question-and-answer systems have appeared, in which ordinary users in different forums answer questions from the same ordinary users. The questioner has a question about the waiting time for an answer to his question. The design system, which will be disclosed in the dissertation, would allow the questioner to find answers in similar questions from other users. This development would also help those users who did not write their own question, but are looking for similar questions in order to find answers. The aim of the master's thesis is to design a convenient and fast system for finding similar texts. This system will allow you to find documents of similar topics quickly and transparently for the end user and his interests.

В первом разделе работы рассмотрены факторы, определяющие климатические условия в помещении и методика расчета теплопотерь. Также приведено описание современных способов регулирования температуры в помещении и рассмотрены два реализованных алгоритма для управления температурным режимом в помещении, основанные на математическом анализе и на базе нечеткой логике. Во втором разделе рассматривается тепловая модель здания для традиционной системы регулирования температуры, реализованная в Matlab-Simulink. По рассмотренной модели проведен сравнительный анализ использования различного вида регуляторов и его выбор для реализации интеллектуальной системы управления температурным режимом. В третьем разделе описана реализация алгоритма для предикции температуры на базе нейронных сетей. А также представлено описание реализации аппаратной и программной части интеллектуальной системы. / In the first section of the dissertation, the factors that determine the climatic conditions in the room and the method for calculating heat loss are considered. It also provides a description of modern methods of room temperature control and considers two implemented algorithms for controlling the temperature regime in a room, based on mathematical analysis and on the basis of fuzzy logic. The second section examines a building thermal model for a traditional temperature control system implemented in Matlab-Simulink. Based on the considered model, a comparative analysis of the use of various types of controllers and its choice for the implementation of an intelligent temperature control system is carried out. The third section describes the implementation of an algorithm for predicting temperature based on neural networks. It also provides a description of the implementation of the hardware and software of the intelligent system.

В работе поднимается проблема прогнозирования энергопотребления крупного промышленного предприятия. В условиях продолжающегося роста глобального энергопотребления важность экономии ресурсов стала как никогда актуальной. В работе описана модель информационной системы, которая включает: получение данных с SQL-сервера в автоматизированном режиме, передачу данных в пакет MATLAB и алгоритмическую часть для расчета анализа прогноза электропотребления. Для анализа данных используется нейронная сеть и программа, которая разработана на языке C#, способна извлекать данные с SQL-сервера предприятия из определенных таблиц и столбцов. Результат работы нейронной сети был сравнен с реальными данными по потреблению электроэнергии. Данные прогноза удовлетворяют поставленным требованиям к погрешности. / The paper raises the problem of forecasting the energy consumption of a large industrial enterprise. With the continued growth of global energy consumption, high resource savings has become more relevant than ever. The paper describes a model of the detection system, which includes: receiving data from the SQL server in automatic mode, transferring data to the MATLAB package and the algorithmic part for calculating the analysis of the power consumption forecast. For data analysis, a neural network and a program developed in C # are used, which allows you to use data from the enterprise SQL server from exceptions and columns. The result of the neural network was compared with real data on electricity consumption. The data is predicted by the installed equipment to the margin of error.

Актуальность и важность исследования автоматизированной системы распознавания эмоций по лицу человека с использованием глубоко разделяемой сверточной нейронной сети во многом определяются использованием преимуществ методов глубокого обучения. Таким образом, для модели с хорошей точностью настройка гиперпараметров является важным аспектом процесса глубокого обучения, а оптимизация поможет в разработке хорошего распознавания эмоций по лицу. Целью диссертации является разработка модели глубокого обучения для распознавания эмоций по лицу с использованием алгоритма сверточной нейронной сети и многоклассовой классификации, а также настройки гиперпараметров с использованием оптимизации ускоренного градиента Нестерова (NAG) для повышения производительности модели глубокого обучения. Целью данной работы является проведение экспериментальных исследований по разработке модели глубокого обучения для определения эмоций человеческого лица на основе черт лица с использованием TensorFlow. Предметом является применение методов машинного обучения для анализа автоматизированной системы распознавания эмоций по лицу человека с использованием DS-CNN. Научная новизна предлагаемой работы заключается в создании нового набора данных по эмоциям лица, который доступен на сайте Kaggle. Во-вторых, для увеличения нелинейности использовались слои глубинной свертки, точечной свертки и глобального среднего пула. И, наконец, алгоритм оптимизации ускоренного градиента Нестерова (NAG) использовался для ускорения обучения и улучшения скорости сходимости. Практическая значимость работы заключается в том, что эта работа позволяет нам разработать модель глубокого обучения с использованием сверточной нейронной сети вместе с многоклассовой классификацией и предлагаемым набором данных, где данные будут предварительно обработаны, а модель DL будет обучена с помощью набора поездов и проверено с помощью тестового набора. Разработанная методология распознает четыре основные эмоции в изображениях людей, такие как счастье, удивление, нейтральность и злость, используя наш предлагаемый набор данных, где эксперимент будет проводиться с предлагаемым набором данных, который доступен на веб-сайте Kaggle. А данные будут оцениваться с помощью статистического анализа с помощью корреляции. Размеченные данные будут предварительно обработаны, а набор данных будет разделен на 3 пары обучающих, проверочных и тестовых наборов различного размера. Модель глубокого обучения будет обучаться с каждым обучающим набором, чтобы найти правильный обучающий размер набора данных, обеспечивающий максимальную точность обучения. Модель глубокого обучения будет проверена с помощью тестового набора для определения наилучшей точности теста, а полученные результаты эксперимента будут проанализированы. / The relevance and importance of the study of automated human facial emotion recognition system using Depthwise Separable Convolutional Neural Network are largely determined by utilizing the benefits of deep learning techniques. So, for a good accuracy model, hyper parameter tuning is an essential aspect of the deep learning process and Optimization will help in developing a good facial emotion recognition. The aim of the thesis is to develop a deep learning model for facial emotion recognition using Convolutional Neural Network algorithm and Multiclass Classification along with Hyper-parameter tuning using Nesterov’s Accelerated Gradient (NAG) Optimization to improve the performance of the deep learning model. The objective of this work is to deal with experimental research to develop a deep learning model to identify the emotion of a human face based on facial features using TensorFlow. The subject is the application of machine learning methods to analyze the automated human facial emotion recognition system using DS-CNN. The scientific novelty of the proposed work is the creation of a new facial emotion dataset which is available on the Kaggle website. Secondly, Depthwise convolutional, pointwise convolutional, and global average pooling layers have been used to increase the nonlinearity. And finally, the Nesterov’s Accelerated Gradient (NAG) optimization algorithm has been used to speed up the training and improve the convergence rate. The practical significance of the work lies in the fact that this work allows us to develop a deep learning model using convolutional neural network along with multiclass classification and proposed dataset where the data will be preprocessed and the DL model will be trained with the train set and validated with the test set. The developed methodology recognizes four basic emotions in images of human beings such as happy, surprise, neutral, and angry using our proposed dataset where experiment will be performed on the proposed dataset which is available on Kaggle website. And the data will be evaluated using statistical analysis with the help of correlation. The labeled data will be pre-processed and the dataset will be split into 3 pairs of training, validation and testing sets of varying sizes. The deep learning model will be trained with each training set to find the proper training size of the dataset which gives highest training accuracy. The deep learning model will be validated with the test set to find the best test accuracy and the obtained results of the experiment will be analyzed.

Object of the study - development and testing of machine learning algorithms for recognizing and classifying control actions in power systems. The subject of the study is the process of developing, testing and implementing a system for identifying the volume of control actions in power systems based on the use of machine learning algorithms. The purpose of the work is to develop an adaptive system that uses machine learning algorithms in the problem of identifying the volume of control actions in the power system. Research methods: theoretical analysis, data analysis, algorithms for selecting significant features, machine learning algorithms, neural networks. As part of this work, a system has been developed that is capable of determining the required volume of control actions that must be transmitted to the power system in response to incoming data to prevent an emergency at a power facility. CatBoost, RandomForest, XGBoost, and neural networks based on the PyTorch and Tensorflow libraries were considered as the studied machine learning algorithms. The most accurate results were obtained using neural networks. The developed method is capable of determining the required volume of hydrocarbons with an average accuracy of 98%. / Объект исследования – разработка и тестирование алгоритмов машинного обучения для распознавания и классификации управляющих воздействий в энергосистемах. Предметом исследования выступает процесс разработки, тестирования и внедрения системы идентификации объема управляющих воздействий в энергосистемах на основе использования алгоритмов машинного обучения. Цель работы – разработка адаптивной системы, использующей алгоритмы машинного обучения в задаче идентификации объема управляющих воздействий в энергосистеме. Методы исследования: теоретический анализ, анализ данных, алгоритмы отбора значимых признаков, алгоритмы машинного обучения, нейронные сети. В рамках данной работы разработана система, способная определять необходимый объем управляющих воздействий, который должен быть передан энергосистеме в ответ на поступившие данные для предотвращения возникновения аварийной ситуации на энергообъекте. В качестве исследуемых алгоритмов машинного обучения были рассмотрены CatBoost, RandomForest, XGBoost, и нейронные сети на основе библиотек PyTorch и Tensorflow. Наиболее точные результаты были получены с помощью нейронных сетей. Разработанный метод способен определят необходимый объем УВ с средней точностью 98%.

The object of the study is the methods of artificial intelligence used to classify blood cells. The subject of the study is the process of classifying blood cells using artificial intelligence and its application in medical practice. The purpose of the work is to create a machine learning model for classifying blood cells. Research methods: theoretical analysis, data analysis, machine learning algorithms, neural networks. The result of the work is a trained neural network that is able to classify images of blood cells. / Объект исследования – методы искусственного интеллекта, применяемые для классификации клеток крови. Предметом исследования является процесс классификации клеток крови с использованием искусственного интеллекта и его применение в медицинской практике. Цель работы – создание модели машинного обучения для классификации клеток крови. Методы исследования: теоретический анализ, анализ данных, алгоритмы машинного обучения, нейронные сети. Результатом работы является обученная нейронная сеть, которая способна классифицировать изображения клеток крови.

В настоящей работе описана разработка системы для распознавания текста, созданного искусственным интеллектом. Основная цель работы — создать систему, способную определять, был ли текст, сгенерированный российскими GPT-сервисами. В работе рассмотрены существующие системы распознавания, а также проанализированы их методы и подходы. Была разработана собственная система, включающая веб-приложение с серверной частью на Python и клиентской на JavaScript, с использованием базы данных PostgreSQL. Результаты работы включают создание модели системы с выбором алгоритмов для обучающей выборки и последующее тестирование системы. Работа имеет значительное прикладное значение для областей, где важно различать искусственно созданный и человеческий тексты, включая области информационной безопасности, авторского права и академической честности. / This paper describes the development of a system for recognizing text generated by artificial intelligence. The main goal of the work is to create a system capable of determining whether the text was generated by Russian GPT services. The work reviews existing recognition systems and analyzes their methods and approaches. A proprietary system was developed, including a web application with a server part in Python and a client part in JavaScript, using a PostgreSQL database. The results include the creation of a system model with a selection of algorithms for the training sample and subsequent testing of the system. The work has significant practical significance for areas where it is important to distinguish between artificially created and human texts, including the areas of information security, copyright, and academic integrity.

Опробовано применение алгоритмов машинного обучения для вычисления расхода жидкости на имеющихся экспериментальных данных о сигналах биения пьезоэлектрических преобразователей ультразвуковых расходомеров. Линейная регрессия и свёрточная нейронная сеть определены, как наиболее точные алгоритмы для поставленной задачи. / Machine-learning algorithms was tested as signal digital processing for ultrasonic flowmeters. Experimental data consists of flow rate and the runout signals of piezoelectric transducers. Linear regression and convolutional neural network are defined as the most accurate algorithms for the task.

В рамках данной работы было проведено исследование существующих типов вопросно-ответных систем и методов анализа текста. Был проведен анализ существующих вопросно-ответных систем. Приведена обобщённая схема работы вопросно-ответных систем и для каждого типа систем приведена детальная схема работы. Описаны и исследованы методы выбора кандидатов ответа и методы их оценки. Также в работе описаны возможные критерии оценки работы таких систем. В ходе исследования был разработан рабочий прототип вопросно-ответной системы, основанный на системе BERT для русского языка. Используемая модель RuBERT была предобучена и протестирована на стандартных задачах SQuAD. В ходе работы модель была протестирована и оценена в разработанном рабочем прототипе и показала высокие результаты по предложенным критериям оценки. / Within the framework of this work, a study was made of the existing types of question-answer systems and text analysis methods. An analysis of the existing question-answer systems was carried out. A generalized scheme of operation of question-answer systems is given, and a detailed scheme of operation is given for each type of system. Methods for selecting response candidates and methods for their evaluation are described and investigated. The paper also describes possible criteria for evaluating the operation of such systems. In the course of the study, a working prototype of a question-answer system based on the BERT system for the Russian language was developed. The RuBERT model used was pre-trained and tested on standard SQuAD problems. During the work, the model was tested and evaluated in the developed working prototype and showed high results according to the proposed evaluation criteria.

Объект исследования – кибер-физические системы, подверженные различным инцидентам, отказам и сбоям в своей работе. Цель работы – разработка модели машинного обучения для определения корневых причин сбоев в производственной системе, а также исследование возможности использования машинного обучения для определения причин будущих сбоев. Методы исследования: сбор, анализ и синтез данных, сравнение, обобщение, классификация, аналогия, эксперимент, измерение, описание. Результаты работы: разработана и обучена модель машинного обучения для анализа корневых причин инцидентов производственной установки методом классификации на выбранном наборе «сырых» данных небольшого объема с последующей проверкой качества ее работы на тестовых данных. Область применения – обучение модели корневым причинам инцидентов (отказов, сбоев) производственных систем на имеющихся данных с последующим оперативным обнаружением причин аномальной работы систем в тандеме с работой алгоритма по автоматическому обнаружению и прогнозированию аномалий. / The object of research is cyber-physical systems that are susceptible to various incidents, failures and malfunctions in their operation. The goal of the work is to develop a machine learning model to determine the root causes of failures in a production system, as well as to explore the possibility of using machine learning to determine the causes of future failures. Research methods: collection, analysis and synthesis of data, comparison, generalization, classification, analogy, experiment, measurement, description. Results of the work: a machine learning model was developed and trained to analyze the root causes of incidents in a production facility using the classification method on a selected set of small-volume “raw” data, followed by checking the quality of its work on test data. Scope of application: training a model for the root causes of incidents (failures, failures) of production systems using available data, followed by prompt detection of the causes of abnormal operation of systems in tandem with the work of the algorithm for automatic detection and prediction of anomalies.