Кваліфікаційні роботи магістрів
Постійне посилання зібранняhttps://repository.lntu.edu.ua/handle/123456789/184
Переглянути
2 результатів
Результати пошуку
Item type:Кваліфікаційна робота магістра, Розробка адаптивного алгоритму управління БПЛА на основі підкріплювального навчання(Луцьк: ЛНТУ, 2025-12-30) Закревський, Віталій ЛеонідовичКваліфікаційна робота магістра складається з вступу, чотирьох розділів, висновків і пропозицій, списку використаних джерел. У роботі досліджено проблему створення автономних систем управління безпілотними літальними апаратами, здатних ефективно функціонувати в умовах невизначеності. Обґрунтовано використання методів глибокого підкріплювального навчання для задач безперервного керування. Розроблено та програмно реалізовано адаптивний алгоритм на основі методу Proximal Policy Optimization (PPO) із застосуванням стратегії доменної рандомізації, що забезпечує робастність системи до змін динаміки та зовнішніх збурень. Створено програмний комплекс мовою Python у середовищі PyBullet для навчання та тестування агента. Експериментальна перевірка підтвердила перевагу розробленого алгоритму над класичним ПІД-регулятором у сценаріях зі змінним корисним навантаженням та вітровим впливом.Item type:Кваліфікаційна робота магістра, Аналіз та розробка алгоритмів для інтерпретованих нейронних мереж із використанням методів теорії інформації(Луцьк: ЛНТУ, 2025-12-30) Вавринюк, Володимир ВасильовичКваліфікаційна робота магістра складається з вступу, трьох розділів, висновків і пропозицій, списку використаних джерел, додатків. У роботі досліджено проблему інтерпретованості моделей глибокого навчання та застосування методів теорії інформації для аналізу їхньої внутрішньої динаміки. Обґрунтовано використання принципу information bottleneck для відстеження еволюції стиснення та передачі інформації між шарами. Розроблено та програмно реалізовано алгоритм оцінки взаємної інформації з використанням функції активації tanh для дискретизації, що забезпечує лінійну обчислювальну складність та чисельну стабільність. Створено програмний модуль мовою Python, який візуалізує траєкторії навчання на «інформаційній площині». Експериментальна перевірка проведена на наборах даних MNIST та CIFAR-10.