Search academic texts

Information × Registration Number 2123U002534, Article popup.category Бакалаврська робота Title popup.author Кириленко Павло Олександрович popup.publication 01-01-2023 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/60150 popup.publisher Київ Description Квалiфiкацiйна робота мiстить: 57 стор., 24 рисунки, 4 таблиць, 16 джерел. Через значний рiст даних, якi отримуються з датчикiв як за обсягами (кiлькiсь записiв), так i за розмiрнiстю (кiлькiсть ознак) традицiйнi статистичнi методи аналiзу простору станiв або контрольованi iнструменти навчання вже не є ефективними. Тому постає проблема розробки нових методiв. Мета роботи полягає в розробцi системи виявлення аномалiй в багатовимiрних даних з використанням глибинного навчання. Ця система включає предобробку даних, побудову моделей, теоретична та практична оцiнка моделей, порiвняння моделей на рiзних датасетах. У ходi виконання роботи було проведенi експерименти над моделями, якi належать рiзним пiдходам вирiшення цiєї задачi. В цiй роботi розглядаються RNN LSTM медель на основi прогнозування часових рядiв та модель RANCoders на основi реконструкцiї, а також їхнi модифiкацiї SynLSTM, RANSynCoders (що використовують iнформацiю про те, що ряди є асинхронними). В цiй роботi було доведена ефективнiсть запропонованих моделей для застосування в серверних системах. Що може свiдчити про те, що моделi глибинного навчання є спроможними розв’язувати такi задачi на високому рiвнi. popup.nrat_date 2025-01-29 Close