Інформаційна система на основі комплексної моделі з використанням машинного навчаннядля спектрального аналізу
Тип публікації :
Стаття
Дата випуску :
7 липня 2025 р.
Автор(и) :
Білак, Юрій
Мова основного тексту :
Англійська
eKNUTSHIR URL :
Том :
80
Випуск :
1
ISSN :
1812-5409
Початкова сторінка :
104
Кінцева сторінка :
114
Цитування :
[APA 7] Білак, Ю. (2025). Information system based on a complex model using machine learning for spectral analysis. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics, 80(1), 104–114. https://doi.org/10.17721/1812-5409.2025/1.14
[ДСТУ] Білак Ю. Information system based on a complex model using machine learning for spectral analysis. Bulletin of Taras Shevchenko National University of Kyiv. Physics and Mathematics. 2025. Vol. 80, no. 1. P. 104—114. DOI: 10.17721/1812-5409.2025/1.14 (date of access: 25.07.2026).
Присвячено проєктуванню та розробленню інформаційної системи на основі комплексної моделі з використанням методів машинного навчання для автоматизації спектрального аналізу з метою підвищення точності та швидкості оброблення даних. Історія дослідження пов'язана з розвитком аналітичних методів у фізиці, хімії та біології, де спектральний аналіз традиційно відігравав ключову роль. Проте сучасні виклики, зокрема зростання обсягів даних і потреба в автоматизації, стимулювали впровадження інноваційних методів на основі штучного інтелекту.
Актуальність пропонованої роботи зумовлена необхідністю оброблення великих обсягів складних спектральних даних у реальному часі, що важливо для медицини, екології, хімії та інших галузей. Традиційні методи аналізу мають обмеження, тому використання машинного навчання є доцільним для підвищення ефективності процесу. Дослідження сфокусовано на таких питаннях: як автоматизувати оброблення спектральних даних, у який спосіб забезпечити інтеграцію класичних методів з машинним навчанням і як підвищити точність і масштабованість аналізу. Для цього були застосовані методи оброблення сигналів, включно із фільтрацією шуму, згладжуванням, корекцією базової лінії та аналізом піків із використанням похідних і чисельного інтегрування. Машинне навчання реалізоване через моделі Random Forest і нейронні мережі, адаптовані для прогнозування параметрів спектра.
Результати показали, що розроблена система забезпечує високу точність і швидкість аналізу спектральних даних, інтерактивну візуалізацію параметрів спектра, а також можливість інтеграції з іншими інформаційними платформами. Це значно спрощує процеси аналізу, знижує залежність від експертного втручання та підвищує продуктивність.
Перспективи досліджень передбачають оптимізацію математичних моделей для ще більшої точності, інтеграцію з IoT-системами та розширення функціоналу для аналізу складних багатовимірних спектрів. Це відкриває можливості для застосування розробок у міждисциплінарних проєктах, таких як моніторинг екологічних змін або діагностика медичних станів.
Актуальність пропонованої роботи зумовлена необхідністю оброблення великих обсягів складних спектральних даних у реальному часі, що важливо для медицини, екології, хімії та інших галузей. Традиційні методи аналізу мають обмеження, тому використання машинного навчання є доцільним для підвищення ефективності процесу. Дослідження сфокусовано на таких питаннях: як автоматизувати оброблення спектральних даних, у який спосіб забезпечити інтеграцію класичних методів з машинним навчанням і як підвищити точність і масштабованість аналізу. Для цього були застосовані методи оброблення сигналів, включно із фільтрацією шуму, згладжуванням, корекцією базової лінії та аналізом піків із використанням похідних і чисельного інтегрування. Машинне навчання реалізоване через моделі Random Forest і нейронні мережі, адаптовані для прогнозування параметрів спектра.
Результати показали, що розроблена система забезпечує високу точність і швидкість аналізу спектральних даних, інтерактивну візуалізацію параметрів спектра, а також можливість інтеграції з іншими інформаційними платформами. Це значно спрощує процеси аналізу, знижує залежність від експертного втручання та підвищує продуктивність.
Перспективи досліджень передбачають оптимізацію математичних моделей для ще більшої точності, інтеграцію з IoT-системами та розширення функціоналу для аналізу складних багатовимірних спектрів. Це відкриває можливості для застосування розробок у міждисциплінарних проєктах, таких як моніторинг екологічних змін або діагностика медичних станів.
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
1.09 MB
Контрольна сума :
(MD5):4a76aa3c0c222672eeaf45cb16740ada
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution 4.0 International