https://con.dut.edu.ua/index.php/communication/issue/feedЗв’язок2025-07-23T14:56:44+00:00Open Journal Systems<div><strong>Журнал включено до категорії Б:</strong></div> <div>- по спеціальності 121 - Інженерія програмного забезпечення,</div> <div>- по спеціальності 122 - Комп’ютерні науки, </div> <div>- по спеціальності 123 - Компютерна інженерії,</div> <div>- по спеціальності 126 - Інформаційні системи та технології,</div> <div>- по спеціальності 172 - Електронні комунікації та радіотехніка </div> <p><img src="/public/site/images/coneditor/Обкладинка_Звязок_№_6_(172)2.png"></p> <p><strong>Назва:</strong> «Зв’язок»<br><strong>Тематика:</strong> розвиток науки за напрямком – інформаціні технології, інфокомунікації, компютерні науки. <br><strong>Рік заснування: </strong>1995р.<br><strong>Ліцензія Національної ради України з питань телебачення і радіомовлення:</strong> Державний університет інформаційно-комунікаційних технологій внесено до Реєстру суб’єктів у сфері медіа. Ідентифікатор наукового журналу «Зв’язок»: R30-02949 (рішення №863 від 21.03. 2024 р.).<br><strong>Свідоцтво про державну реєстрацію: </strong><a href="http://www.irbis-nbuv.gov.ua/cgi-bin/irbis_nbuv/cgiirbis_64.exe?C21COM=2&I21DBN=UJRN&P21DBN=UJRN&Z21ID=&Image_file_name=IMG%2Fvduikt_s.jpg&IMAGE_FILE_DOWNLOAD=0">КВ № 20996-10796 ПР від 25.09.2014 р.</a> (перереєстрація)<br><strong>Реєстрація у ВАК України: </strong>Постанова №1528 від 29.12.2014 р. (перереєстрація)<br><strong>Спеціальність ВАК:</strong> технічні науки<br><strong>Адреса: </strong>вул. Солом’янська,7, м. Київ, 03680, Україна<br><strong>Телефони: +</strong>380 (44) 249 25 42;<br><strong>Пошта: <a href="mailto:kpstorchak@ukr.net">kpstorchak@ukr.net</a></strong><a href="mailto:dutzv@ukr.net"><br></a><strong>Web-сайт: </strong><a href="http://www.dut.edu.ua/" target="_blank" rel="noopener">http://www.dut.edu.ua/</a>, <a href="http://con.dut.edu.ua/">http://con.dut.edu.ua/</a></p>https://con.dut.edu.ua/index.php/communication/article/view/2868Титул2025-07-22T20:53:25+00:00<p>Титул</p>2025-07-13T22:13:06+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2869Зміст2025-07-22T20:53:29+00:00<p>Зміст</p>2025-07-13T22:16:10+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2870Моніторинг та використання ІоТ для автоматизації промислових процесів2025-07-23T14:50:07+00:00Заячковський А. В. (Zayachkovskyi A. V.)con@duikt.edu.uaЗавацький В. О. (Zavatsky V. O.)con@duikt.edu.uaСторчак К. П. (Storchak K. P.)con@duikt.edu.uaТкаленко О. М. (Tkalenko O. M.)con@duikt.edu.ua<p>Сучасні технологічні досягнення відкривають нові шляхи для автоматизації про мислових процесів, що має вирішальне значення для підвищення продуктивності та ефективності виробництва. Інтернет речей (IoT) є однією з основних технологій, що сприяють цьому розвитку. Технології IoT дозволяють створювати інтелектуальні системи, які забезпечують збирання, аналіз та обробку даних у реальному часі, що сприяє підвищенню ефективності виробничих процесів, зменшенню витрат і покращенню безпеки. Використання мікропроцесорних систем у поєднанні з IoT забезпечує високу гнучкість та масштабованість у промислових автоматизованих рішеннях.</p> <p><strong>Ключові слова:</strong> Інтернет речей (IoT), мікропроцесорні системи, автоматизація про мислових процесів, промислова автоматизація, інтелектуальні системи, реальний час, технології зв'язку, підвищення ефективності, промислові рішення, цифрова трансформація.</p>2025-07-14T20:23:23+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2871Методологія застосування угод про рівень обслуговування (SLA)2025-07-23T14:51:23+00:00Заїка В. Ф. (Zaika V. F.)con@duikt.edu.uaВарфоломеєва О. Г. (Varfolomeeva O. G.)con@duikt.edu.uaКолченко Г. Ф. (Kolchenko G. F.)con@duikt.edu.uaМиронов Д. В. (Mironov D. V.)con@duikt.edu.uaПерепелиця Н. Л. (Perepelitsa N. L.)con@duikt.edu.ua<p>Розглянуто принципи побудови мереж наступного покоління. Проведено аналіз основних технологічних особливостей, що відрізняють інфокомунікаційні послуги від послуг традиційних електронних комунікаційних мереж. Визначено, що мережа наступного покоління повинна забезпечувати передавання всіх видів медіа-трафіка та розподілене надання необмеженого спектру інфокомунікаційних послуг з можливістю їх масштабування. Для деяких інфокомунікаційних послуг є критичним порядок приходу пакетів, затримка пакетів і варіація затримки (джитер). Необхідно гарантувати доставку такої інформації, як мова, відео і мультимедіа у реальному часі з мінімально можливою затримкою. Для цієї мети в мережі повинні бути реалізовані механізми, що гарантують потрібну якість обслуговування (Quality of Service - QoS). Для забезпечення гарантованої якості обслуговування на верхніх рівнях ієрархії згідно моделі взаємодії відкритих систем (OSI) пропонується "угода про рівень обслуговування" (Service Level Agreement - SLA). <br>SLA – це універсальний метод, що дозволяє домовлятися зі споживачем про рівень якості наданих інфокомунікаційних послуг, тобто метод, який би представляв рівень якості надання електронних комунікаційних послуг з погляду споживача.</p> <p><strong>Ключові слова:</strong> електронна комунікаційна мережа, управління, затримка, ймовірність, інфокомунікаційна послуга, угода, QoS, SLA.</p>2025-07-14T21:08:56+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2872Модель керування віртуалізованими мережевими функціями за умов динамічних змін навантаження2025-07-23T14:56:44+00:00Кульчицький Д. О. (Kulchytskyi D. V.)con@duikt.edu.uaЖуков Є. В. (Zhukov Y. V.)con@duikt.edu.ua<p>У статті розглядається проблема підвищення ефективності керування віртуалізованими мережевими функціями (NFV) у середовищі програмно-конфігурованих мереж (SDN) за умов динамічних змін навантаження та вимог до якості обслуговування. Зростання масштабів мереж і ускладнення їхньої структури вимагає впровадження інтелектуальних механізмів автоматизації керування мережевою інфраструктурою. <br>Запропоновано модель інтелектуалізованої NFV, що інтегрує нечітке продукційно логічне виведення (правила типу «якщо-то») у процес оркестрації віртуальних мережевих функцій. Така модель дозволяє на основі моніторингу мережевих метрик та стану ресурсів у режимі реального часу автоматично приймати рішення щодо масштабування, розподілу ресурсів та маршрутизації, адаптуючи роботу мережі до поточних умов. Обґрунтовується, що традиційні підходи з жорсткими пороговими налаштуваннями або статичними політиками не здатні забезпечити належну гнучкість і швидкодію у сучасних мережах. Натомість використання нечіткої логіки дає змогу обробляти неточні вхідні дані, враховувати експертні знання і досягати плавного адаптивного керування без різких стрибків. У межах роботи представлено структуру запропонованої моделі, алгоритм її функціонування та приклади нечітких правил. Показано, що застосування даного підходу забезпечує більш ефективне використання ресурсів центру обробки даних, підтримує стабільні значення затримки та інших QoS-показників навіть при різких змінах трафіку, і знижує ризик перевантаження мережі. Це особливо актуально для критичних сервісів, що потребують безперервної роботи та низьких затримок (реального часу – VoIP, відеострімінг, IoT тощо).</p> <p><strong>Ключові слова:</strong> програмно-конфігуровані мережі; віртуалізація мережевих функцій; нечітке продукційно-логічне виведення; оркестрація; якість обслуговування (QoS); інтелектуальна система керування.</p>2025-07-14T21:40:34+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2873Технології BLE та ZigBee в ІоТ-системах керування кліматом: порівняльний огляд і перспективи застосування2025-07-23T14:53:40+00:00Коломієць Н. В. (Kolomiiets N. V.)con@duikt.edu.uaВладарчик Ю. В. (Vladarchyk Y. V.)con@duikt.edu.uaЗайченко С. П. (Zaichenko S. P.)con@duikt.edu.uaУнгурян С. В. (Unhuryan S. V.)con@duikt.edu.ua<p>Вибір мережної технології є ключовим у розробці ІоТ систем. Оскільки в ІоТ та ІІоТ використання “розумних пристроїв” тільки масштабується, вочевидь це відносить дротове з’єднання пристроїв в минуле, надаючи можливість бездротовим мережним технологіям охоплювати все більше і більше сфер для їхнього застосування. Останнє досягається розробниками бездротових технологій, які на основі світових потреб — адаптують бездротові технології і оптимізують їх саме під малоспоживаючі електроенергію пристрої. Варто також відзначити і екологічну складову, оскільки на проведення сотень або тисяч кабелів для ІоТ пристроїв, проводилися б затратніші монтажі і більша шкода екології від більших потужностей виробництва кабелів. <br>У статті розглянуто основні тенденції розвинутих в наш час двох економічних по електроспоживанню пристроїв — бездротових мережних технологій Bluetooth LE та ZigBee. Основна увага при виборі конкретно цих двох бездротових технологій була акцентованою на їхній популярності, схожості однієї до одної щодо принципу роботи, шифрування даних, які передаються у мережі, однаковий частотний діапазон, економічності щодо розряджання пристроїв, а також відносно мала дальність радіусу дії (менше 200 метрів). <br>Було розглянуто порівняння стеків протоколів обох мереж, виокремлено процес роботи мережі та інші різні особливості технологій. Останнє — розгляд основних характеристик надало чіткість погляду на обидві мережні технології, що за ознаками вирізнило Bluetooth Low Energy, як кращу в усіх характеристиках мережу, у порівнянні з ZigBee. Саме тому, стало зрозумілим, що в фото-передаванні та більш масштабних проєктах – Bluetooth LE може забезпечити більші функціональні потреби системи. <br>Але, це не відміняє застосування ZigBee в малих та середніх по масштабованості системах, оскільки для пристроїв, які передають малобітову інформацію або не дуже важливу в режимі реального часу — ZigBee зможе чудово забезпечити їхню функціональність і не мати суттєвої різниці з Bluetooth LE. </p> <p><strong>Ключові слова:</strong> Bluetooth LE, ZigBee, ІоТ, енергоспоживання, стек протоколів, швидкість передавання даних, діапазон, бездротова мережа, схема з’єднань приладів, Mesh.</p>2025-07-15T05:16:35+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2874Аналіз існуючих методів забезпечення функціональної стійкості складних систем для удосконалення комп’ютерних мереж2025-07-22T20:53:38+00:00Кравченко Ю. В. (Kravchenko Y. V.)con@duikt.edu.uaФісун О. С. (Fisun O. S.)con@duikt.edu.ua<p>У статті проводиться дослідження існуючих методів теорії функціональної стійкості для удосконалення комп’ютерних мереж. Робота присвячена аналізу існуючих методів функціональної стійкості, порівнянню їх основних характеристик та виявленню переваг. <br>Проаналізовано сучасні методології забезпечення функціональної стійкості комп'ютерних мереж, що включають оцінку ефективності та переваги різних підходів в умовах експлуатації. Дослідження підкреслює важливість нових підходів до підвищення ефективності технічних систем через впровадження принципів функціональної стійкості. Це досягається через раціональне використання ресурсів і перерозподіл надмірностей для мінімізації наслідків непередбачених ситуацій. Необхідність подальшого розвитку теорії функціональної стійкості для точного опису роботи різних систем підкреслюється, особливо в контексті сучасних інформаційних технологій, що сприяють підвищенню ефективності різноманітних технічних систем. <br>Дослідженні методи забезпечення функціональної стійкості комп’ютерних мереж можна використовувати в навчальному процесі у закладах вищої освіти відповідного профілю та для розроблення і вдосконалення роботи комп’ютерних мереж за умови різної експлуатації та сценаріїв використання.</p> <p><strong>Ключові слова:</strong> функціональна стійкість; комп’ютерні мережі; оптимізація роботи; метод; система; методологія; інформаційна технологія; програмне забезпечення; обробка даних; експлуатація.</p>2025-07-15T21:34:08+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2875Багатокритеріальне розпізнавання відповідності текстів темі на основі алгоритму TF-IDF2025-07-22T20:53:41+00:00Данильченко В. М. (Danylchenko V. M.)con@duikt.edu.uaОтрох С. І. (Otrokh S. I.)con@duikt.edu.uaШалигін М. О. (Shaligin M. O.)con@duikt.edu.uaДонець А. Г. (Donets A. G.)con@duikt.edu.ua<p>Досліджено актуальність застосування статистичних методів для оцінки приналежності документів до тематики, обраної користувачем. Проаналізовано можливості та імплементовано використання модифікованого алгоритму на основі метрики TF-IDF для ефективного аналізу та класифікації текстових документів. Описано процес розроблення програми з використанням багатокритеріального підходу до розпізнавання відповідності тексту темі, а також розглянуто методи нормалізації та фільтрації текстових даних для вдосконалення точності класифікації. Запропоновано високоефективне вирішення для виявлення релевантних документів, яке може бути застосовано у різних сферах: від пошукових систем та інформаційних фільтрів до рекомендаційних платформ і аналітичних інструментів. Відображено важливість використання інноваційних методів для автоматизованої фільтрації даних.</p> <p><strong>Ключові слова:</strong> обробка; дані; метод TF-IDF; класифікація документів; багатокритеріальне розпізнавання; стоп-слова; нормалізація тексту; масив даних; глибоке навчання; технологія.</p>2025-07-20T13:30:48+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2876Model of the process for evaluating the level of internationalization of the scientific institution activities2025-07-22T20:53:45+00:00Statyvka Y. I. (Стативка Ю. І.)con@duikt.edu.uaNedashkivskiy O. L. (Недашківський О. Л.)con@duikt.edu.uaMingjun Z. (Мінцзюнь Ч.)con@duikt.edu.ua<p>Стаття підкреслює важливість оцінки рівня інтернаціоналізації наукових інституцій, незважаючи на відмінності у визначенні поняття інтернаціоналізації та складність самого явища. В той же час відсутні програмні засоби для підтримки зусиль з розробки та тестування методологій для оцінки рівня інтернаціоналізації. Також відсутні проєкти оцінки рівня інтернаціоналізації наукових установ, подібні, наприклад, до рейтингу університетів, де їх діяльність оцінюється за різними та часто несумісними методологіями. <br>Автори статті досліджують причини відсутності програмних засобів та аналітичних платформ для оцінки рівня інтернаціоналізації наукових установ та наведено аргументи щодо доцільності їх створення. Для усунення суперечності між загальновизнаною важливістю оцінювання рівня інтернаціоналізації та відсутністю цих інструментів запропоновано модель процесу оцінювання рівня інтернаціоналізації наукових установ. <br>Модель процесу оцінювання рівня інтернаціоналізації науково-дослідних установ побудовано на основі процесного підходу, який полягає у структуруванні об’єкта моделювання за елементами його діяльності. Такі моделі ще називають функціональними. Для представлення моделі оцінки рівня інтернаціоналізації науково-дослідних установ авторами запропоновано використання розширення Ерікссона-Пенкера уніфікованої мови моделювання UML. У результаті аналізу заходів, необхідних для оцінки рівня інтернаціоналізації наукових установ, було побудовано модель ієрархічної структури, що передбачає використання набору стереотипів для представлення процесів, ресурсів, правил і цілей діяльності. Запропонована модель містить опис контексту основного процесу, його дворівневу декомпозицію та перелік і призначення проміжних артефактів. <br>Розроблена модель може бути використана як основа для розробки програмної основи для автоматизації рутинних завдань дослідницького або практично-експериментального характеру при розробці та апробації довільних методологій оцінки рівня інтернаціоналізації науково-дослідних установ.</p> <p><strong>Ключові слова:</strong> інтернаціоналізація діяльності наукових інституцій; оцінювання рівня інтернаціоналізації; модель процесу оцінювання рівня інтернаціоналізації; інженерія програмного забезпечення.</p>2025-07-20T13:52:35+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2877Інтеграція штучного інтелекту в системи управління вентиляцією конфайнменту: розробка спеціалізованого програмного забезпечення на основі алгоритму Мамдані2025-07-22T20:53:49+00:00Гаврилко Є. В. (Havrylko )con@duikt.edu.uaСавко В. Я. (Savko V. Y.)con@duikt.edu.ua<p>У статті запропоновано інноваційний підхід до управління вентиляційними системами Нового Безпечного Конфайнменту (НБК) Чорнобильської АЕС на основі нечіткої логіки з використанням алгоритму Мамдані. Метою дослідження є оптимізація роботи систем вентиляції з урахуванням інерційності повітряних потоків, динамічних зовнішніх умов (швидкість вітру, тиск, вологість) та мінімізації радіоактивних викидів. <br>Розроблена система базується на моделі нечіткого виведення, де вхідними параметрами виступають: різниця тисків (∆P), швидкість вітру (V) та інерційність повітряних мас (I). <br>Для фаззіфікації змінних використано трикутні функції приналежності, а база нечітких правил сформована на основі експертних знань про фізичні процеси в НБК. <br>Реалізація алгоритму Мамдані дозволила адаптивно керувати потужністю вентиляторів, забезпечуючи стабільність тиску та енергоефективність. <br>Експерименти, проведені на реальних даних НБК, показали зниження енергоспоживання на 18% порівняно з попередніми методами (генетичні алгоритми), скорочення коливань тиску на 25% та час реакції системи до 5 хвилин. Система інтегрована з SCADA-платформою для онлайн-моніторингу та корекції роботи вентиляції. <br>Результати доводять ефективність нечіткого підходу для управління складними інженерними об’єктами в умовах невизначеності. Подальші дослідження спрямовані на впровадження гібридних моделей (нейронні мережі + нечітка логіка) для автоформалізації правил. </p> <p><strong>Ключові слова:</strong> інженерія програмного забезпечення; штучний інтелект; нейро-нечіткі системи; нечітке управління; алгоритм Мамдані; Новий Безпечний Конфайнмент; інерційність повітряних потоків; енергоефективність; радіаційна безпека.</p>2025-07-20T14:13:06+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2878Аналіз застосування штучного інтелекту для обробки даних 3D-сканування2025-07-22T20:53:54+00:00Черевик О. В. (Cherevyk O. V.)con@duikt.edu.uaЛащевська Н. О. (Lashchevska N. O.)con@duikt.edu.ua<p>У статті розглядається застосування штучного інтелекту (ШІ) для обробки даних 3D-сканування як перспективного напряму у галузі цифрових технологій. Основну увагу приділено глибокому аналізу сучасних методів обробки, таких як усунення шуму, сегментація та реконструкція 3D-об’єктів за допомогою моделей глибокого навчання. Виявлено ключові переваги інтеграції ШІ у 3D-робочі процеси, включаючи підвищення точності, автоматизацію аналізу та зменшення потреби у ручному втручанні. Проаналізовано обмеження існуючих моделей, зокрема залежність від великих обсягів анотованих даних, проблеми узагальнення на реальні сценарії та високу обчислювальну складність. Запропоновано низку практичних рекомендацій щодо ефективного впровадження ШІ в проєкти 3D-сканування: від вибору моделей до побудови гібридних робочих процесів. Результати роботи становлять цінність для фахівців, що працюють у сферах промислової візуалізації, охорони здоров’я, архітектурної реконструкції та збереження культурної спадщини. Зроблено висновки щодо напрямів подальших досліджень, які можуть сприяти розробці масштабованих, стійких та універсальних моделей для практичного застосування в умовах реального світу.</p> <p><strong>Ключові слова:</strong> штучний інтелект; 3D-сканування; аналіз 3D-даних; комп’ютерні технології; глибоке навчання; машинне навчання; нейронні мережі; обробка даних.</p>2025-07-20T14:43:47+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2879Сучасні підходи до автоматизації управління завданнями для малих команд з використанням методів машинного навчання2025-07-22T20:53:57+00:00Коломієць І. Ю. (Kolomiiets I. Y.)con@duikt.edu.uaЗамрій І. В. (Zamrii I. V.)con@duikt.edu.uaКалинюк Б. С. (Kalyniuk B. S.)con@duikt.edu.uaБажан Ю. П. (Bazhan Y. P.)con@duikt.edu.uaДовженко Т. П. (Dovzhenko T. P.)con@duikt.edu.ua<p>Сучасні технології управління проєктами та завданнями пропонують численні інструменти, які забезпечують базові функції для організації роботи команд. Однак, більшість із цих рішень орієнтовані на великі компанії, що часто робить їх надто складними для малих команд. Відсутність інструментів для автоматизованого прогнозування часу виконання завдань і визначення їхніх пріоритетів обмежує ефективність таких систем. Малі команди потребують гнучких рішень, які зменшують навантаження на організацію роботи, автоматизують рутинні завдання та сприяють раціональному розподілу ресурсів. Тому, проблемою є відсутність автоматизованих засобів для точного прогнозування часу виконання завдань і визначення їх пріоритетності, що призводить до неефективного розподілу ресурсів та затримок у роботі. <br>Проаналізовано основні підходи до автоматизації управління завданнями, зокрема, методи, які можуть бути застосовані для прогнозування часу виконання завдань і визначення пріоритетів за допомогою машинного навчання. Особливу увагу приділено алгоритмам TF-IDF, Random Forest Regressor і K-means. TF-IDF дозволяє ефективно обробляти текстові описи завдань, перетворюючи їх у числові ознаки, що забезпечує аналітичну базу для роботи моделей машинного навчання. Random Forest Regressor використовується для точного прогнозування часу виконання завдань, що допомагає командам планувати робочий процес. Алгоритм K-means застосовується для кластеризації завдань за рівнем їхньої важливості та складності, забезпечуючи автоматичне визначення пріоритетів. <br>Впровадження штучного інтелекту (AI) у системи керування завданнями стало руйнівною силою у сучасному стрімкому робочому середовищі, змінивши те, як команди планують, розставляють пріоритети та виконують завдання. Цю тенденцію найкраще ілюструють такі платформи, як Trello, Monday.com і Asana, які використовують технологію штучного інтелекту для оптимізації робочих процесів проєктів, автоматизації стомлюючої роботи та пропонують рекомендації. <br>Популярні інструменти, такі як Trello, Asana, Jira, Wrike забезпечують базовий функціонал для управління завданнями, але не використовують методи машинного навчання для автоматизації. Розглянуті підходи можуть бути інтегровані в існуючі системи або реалізо вані як окреме рішення для малих команд, що прагнуть підвищити продуктивність без значних витрат на складні платформи. <br>Результати дослідження підкреслюють важливість використання машинного навчання для автоматизації управління завданнями. Такий підхід дозволяє зменшити залежність від людського фактору, знизити час на організацію завдань та оптимізувати процес планування. Крім того, це сприяє підвищенню ефективності командної роботи, що особливо актуально для малих колективів, які працюють в умовах обмежених ресурсів. </p> <p><strong>Ключові слова:</strong> автоматизація управління завданнями; машинне навчання; прогнозування часу; кластеризація; TF-IDF; Random Forest Regressor; K-means.</p>2025-07-21T20:59:33+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2880Визначення детермінантів туберкульозу: аналіз методів машинного навчання та нейронних мереж2025-07-22T20:54:04+00:00Невінський Д. В. (Nevinskyi D. V.)con@duikt.edu.uaМартьянов Д. І. (Martjanov D. I.)con@duikt.edu.uaГосподарський О. А. (Hospodarskyy O. A.)con@duikt.edu.uaВиклюк Я. І. (Vyklyuk Y. I.)con@duikt.edu.uaСем’янів І. О. (Semianiv I. O.)con@duikt.edu.ua<p>Туберкульоз (ТБ) залишається однією з найсерйозніших інфекційних хвороб у світі, зокрема в Індії, де високий рівень захворюваності створює значні виклики для системи охорони здоров’я. Дослідження присвячене аналізу детермінантів поширення туберкульозу в Індії за допомогою методів машинного навчання (ML) та нейронних мереж (NN). Метою роботи є виявлення ключових факторів, що впливають на рівень захворюваності, та розробка точних прогнозних моделей для підтримки стратегій профілактики та лікування. На основі статистичних даних за 2019–2022 роки, що охоплюють демографічні характеристики, соціальні фактори та медичні показники, було проведено комплексний аналіз. Застосовано методи обробки даних, включаючи кореляційний аналіз, oversampling (SMOGN) для балансування вибірки, а також моделювання з використанням лінійних регресій (LM, Ridge, Lasso), алгоритмів ML (Decision Tree, K-Nearest Neighbors, Random Forest) та глибокої нейронної мережі. Результати показали, що лінійні моделі мають обмежену точність (R² Test до 0.600), тоді як Random Forest (R² Test = 0.832) та K-Nearest Neighbors (R² Test = 0.865) значно перевершують їх завдяки здатності враховувати нелінійні залежності. Найвищу точність продемонструвала нейронна мережа (R² Test = 0.822, RMSE Test = 0.433), що підкреслює її ефективність у виявленні складних взаємозв’язків. Ключовими факторами, що впливають на захворюваність, визначено чисельність населення (Population), гендерне співвідношення (Gender Ratio), кількість спеціалізованих центрів (Nodal_DR_TB_Centres_Per_Population) та міські характеристики (City_Encoded). Отримані результати підтверджують перспективність інтеграції ML та NN у медичні дослідження для прогнозування та контролю туберкульозу, що може сприяти розробці персоналізованих підходів до терапії та покращенню громадського здоров’я.</p> <p><strong>Ключові слова:</strong> машинне навчання; нейронні мережі; прогнозування захворюваності; oversampling; SMOGN; лінійна регресія; Random Forest; K-Nearest Neighbors; детермінанти; інтеграція.</p>2025-07-21T21:44:01+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2881Вдосконалення механістичного підходу з використанням даних ринкових обсягів біткоїна2025-07-22T20:54:08+00:00Цапро І. В. (Tsapro I. V.)con@duikt.edu.uaЗолотухіна О. А. (Zolotukhina O. A.)con@duikt.edu.ua<p>Предметом цього дослідження є вдосконалення механістичного підходу до аналізу ринкових обсягів криптовалют, зокрема Bitcoin, із використанням показників ринкових покупок, продажів та їх різниці. Мета роботи полягає у визначенні ефективності вдосконаленого механістичного підходу за рахунок використання ринкових обсягів покупок, продажів та їх різниці в прогнозуванні ринкових тенденцій та його впливу на прибутковість торгових стратегій біткоїна. Завдання дослідження включають: розширити механістичний підхід, застосовуючи ринкові обсяги (покупки, продажі, різниця між ними); протестувати вдосконалений підхід на історичних даних торгівлі BTC/USDT з використанням стратегії ковзних середніх; порівняти ефективність нового підходу з традиційним механістичним аналізом загального обсягу; оцінити залежність прибутковості та коефіцієнта виграшу від обраного методу та часових інтервалів (1 день, 4 години, 30 хвилин). Отримані результати свідчать про те, що імпульс ринкових покупок (GMI Volume Buy) демонструє найвищу прибутковість і точність серед усіх аналізованих показників, тоді як імпульс різниці обсягів (GMI Volume Delta) має найнижчу ефективність та вищу волатильність. Встановлено, що скорочення часового інтервалу знижує прибутковість та стабільність усіх методів, а також підвищує їхню чутливість до вибору параметрів. Отже, дослідження підтверджує перспективність механістичного підходу, особливо з урахуванням ринкових обсягів покупок і продажів. Результати можуть бути використані для покращення алгоритмічних торгових стратегій, а також у подальших дослідженнях, пов’язаних із застосуванням алгоритмів машинного навчання та оптимізацією параметрів механістичного аналізу. </p> <p><strong>Ключові слова:</strong> механістичний підхід; криптовалюта; ковзна середня; торгові обсяги; ретроспективні тестування; біткоїн, торгівельна стратегія; прогнозування; залежність; дані.</p>2025-07-21T21:50:03+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2882Аналіз сучасних систем придиктовної аналітики2025-07-22T20:54:12+00:00Яценко Я. Д. (Yatsenko Y. D.)con@duikt.edu.uaЖидка О. В. (Zhydka O. V.)con@duikt.edu.uaКіс О. Я. (Kis O. Y.)con@duikt.edu.ua<p>У статті проведено порівняльний аналіз сучасних систем предиктивної аналітики (СПА), що використовують методи машинного навчання. Розглянуто ключові функціональні можливості, архітектурні особливості, рівень автоматизації та сферу застосування найпопулярніших платформ, зокрема IBM Watson Studio, Google Vertex AI, Microsoft Azure ML, Amazon SageMaker, RapidMiner, DataRobot, H2O.ai та SAS Predictive Analytics. Особливу увагу приділено класифікації СПА за типом задач, підходами до розгортання, а також інтеграційними можливостями з джерелами даних. Визначено сильні та слабкі сторони кожної системи, їхню продуктивність, зручність використання, відповідність стандартам безпеки та можливість масштабування. На основі проведеного аналізу запропоновано рекомендації щодо вибору СПА залежно від типу організації, рівня технічної підготовки користувачів та специфіки прикладних задач. </p> <p><strong>Ключові слова:</strong> предиктивна аналітика, машинне навчання, хмарні платформи, системи підтримки прийняття рішень, AutoML.</p>2025-07-22T20:36:25+00:00##submission.copyrightStatement##https://con.dut.edu.ua/index.php/communication/article/view/2883Моделювання згортання білків з використанням методів машинного навчання2025-07-22T20:54:16+00:00Дзюба В. В. (Dziuba V. V.)con@duikt.edu.uaКолодюк А. В. (Kolodiuk A. V.)con@duikt.edu.uaОлейніков І. А. (Oleinikov I. A.)con@duikt.edu.uaБугайов Д. М. (Bugayev D. M.)con@duikt.edu.ua<p>У статті висвітлено сучасні підходи до моделювання згортання білків із використанням методів машинного навчання — напряму, який стрімко розвивається на стику біоінформатики, фізики та штучного інтелекту. Метою статті є систематизація існуючих підходів до моделювання згортання білків із використанням машинного навчання, визначення переваг і обмежень сучасних методик, а також виявлення напрямів для подальших досліджень у цій галузі. <br>Прогнозування тривимірної структури білків на основі амінокислотної послідовності залишається складним завданням, оскільки структура білка визначає його функцію в клітині, а її неправильне згортання часто призводить до важких захворювань. У роботі розглянуто найуспішніші моделі глибинного навчання, зокрема AlphaFold, MSA Transformer та ультраглибинні нейронні мережі, які продемонстрували здатність до високоточного передбачення білкових структур на основі аналізу еволюційних залежностей та контактних карт. <br>Окрему увагу приділено обмеженням таких методів, зокрема їхній складності в обробці динамічних процесів та неврахуванню стохастичної природи білкових взаємо дій. У цьому контексті автором запропоновано інноваційний підхід, що полягає в інтеграції квантово-механічних моделей, зокрема механізму колапсу хвильової функції, у класичні алгоритми машинного навчання. Такий підхід дозволяє врахувати ймовірнісні переходи між конформаційними станами білка та мінімізувати вільну енергію системи. Подано математичні формалізації та приклади реалізації на основі методу Монте-Карло. <br>Запропонована інтегрована модель демонструє підвищену точність прогнозування (до 95%) порівняно з існуючими рішеннями. Її застосування є перспективним у персоналізованій медицині (аналіз впливу мутацій на білкову структуру), фармакології (вдосконалення дизайну ліків), промисловій біотехнології (оптимізація ферментів), а також у дослідженнях складних білкових комплексів. Робота формує наукове підґрунтя для створення нових інтелектуальних інструментів, які поєднують структурне передбачення з аналізом функціональної активності, що відкриває нові горизонти для розвитку біоінформатики та суміжних галузей. </p> <p><strong>Ключові слова:</strong> білки; згортання білків; машинне навчання; квантова механіка; глибинні нейронні мережі; колапс хвильової функції; біоінформатика; прогнозування структури білків; рекурентні нейронні мережі; конволюційні нейронні мережі.</p>2025-07-22T20:52:52+00:00##submission.copyrightStatement##