Білак, ЮрійЮрійБілак2026-06-302026-06-302025-07-07Білак, 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/10.17721/1812-5409.2025/1.1410.17721/1812-5409.2025/1.14https://ir.library.knu.ua/handle/15071834/25789The research is devoted to the design and development of an information system based on a complex model using machine learning methods to automate spectral analysis to increase the accuracy and speed of data processing. The history of the research is connected with the development of analytical methods in physics, chemistry and biology, where spectral analysis has traditionally played a key role. However, modern challenges, in particular the growth of data volumes and the need for automation, have stimulated the introduction of innovative methods based on artificial intelligence. The relevance is due to the need to process large volumes of complex spectral data in real time, which is important for medicine, ecology, chemistry and other industries. Traditional analysis methods have limitations, so the use of machine learning is appropriate to increase the efficiency of the process. The research focuses on the following issues: how to automate spectral data processing, how to ensure the integration of classical methods with machine learning, and how to increase the accuracy and scalability of the analysis. For this purpose, signal processing methods were applied, including noise filtering, smoothing, baseline correction, and peak analysis using derivatives and numerical integration. Machine learning was implemented through Random Forest models and neural networks adapted for predicting spectrum parameters. The results showed that the developed system provides high accuracy and speed of spectral data analysis, interactive visualization of spectrum parameters, as well as the ability to integrate with other information platforms. This significantly simplifies analysis processes, reduces dependence on expert intervention, and increases productivity. Research prospects include optimizing mathematical models for even greater accuracy, integration with IoT systems, and expanding the functionality for analyzing complex multidimensional spectra. This opens up opportunities for application in interdisciplinary projects, such as monitoring environmental changes or diagnosing medical conditions. Pages of the article in the issue: 104 - 114 Language of the article: UkrainianПрисвячено 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.eninformation systemartificial intelligencespectral analysismodelingmachine learningintelligent data analysisінформаційна системаштучний інтелектспектральний аналізмоделюваннямашинне навчанняінтелектуальний аналіз данихСтаття