http://lib.kart.edu.ua/handle/123456789/26954 2026-04-18T06:54:21Z 2026-04-18T06:54:21Z Воротніков, Дмитро Вікторович Vorotnikov, Dmytro http://lib.kart.edu.ua/handle/123456789/29599 2025-09-26T17:28:14Z 2025-01-01T00:00:00Z

Title: Система прогнозування метеоумов за допомогою алгоритму випадкового лісу Authors: Воротніков, Дмитро Вікторович; Vorotnikov, Dmytro Abstract: UA: Об`єктом дослідження в роботі є системи прогнозування метеоумов за допомогою методу машинного навчання. Метою роботи є проектування програмно- апаратно прототипу системи прогнозування метеоумов. В роботі використані такі методи дослідження, як аналіз та синтез моделей прогнозування метеоумов. В роботі засобами UML діаграм описані концептуальна та фізична моделі системи прогнозування. Логічна модель прогнозування температури сформована як нечітка когнітивна карта в Mental Modeler та як нечітка система класифікації в MATLAB. Фізична модель створена в Tinkercad. Пропонується використання ESP8622, DHT11, DHT22, BMP180 та Anemometer Wind Speed Sensor для отримання локальних метеоданих. Динамічна модель системи короткочастного прогнозування метеоумов створена в середовищі Node-RED шляхом інтеграції модулів системи. Історичні метеодані залучені за допомогою інтерфейсу програмних додатків відкритих метеоресурсів. Програмне забезпечення системи реалізовано з використанням Python бібліотек Meteostat, Pandas та Scikit-learn. Метод Random Forest навчено та протестовано на історичних даних.; EN: The object of research in the work is weather forecasting systems using machine learning method. The purpose of the work is to design a software-hardware prototype of a weather forecasting system. The work uses such research methods as analysis and synthesis of weather forecasting models. The work describes the conceptual and physical models of the forecasting system using UML diagrams. The logical model of temperature forecasting is formed as a fuzzy cognitive map in Mental Modeler and as a fuzzy classification system in MATLAB. The physical model is created in Tinkercad. It is proposed to use ESP8622, DHT11, DHT22, BMP180 and Anemometer Wind Speed Sensor to obtain local weather data. The dynamic model of the short-term weather forecasting system is created in the Node-RED environment by integrating the system modules. Historical weather data has been involved using the interface of open weather resource software applications. The system software is implemented using the Python libraries Meteostat, Pandas and Scikit-learn. The Random Forest method was trained and tested on historical data. Testing the system in Node-RED showed satisfactory results.

2025-01-01T00:00:00Z Моньяков, Дмитро Сергійович Moniakov, Dmytro http://lib.kart.edu.ua/handle/123456789/29598 2025-09-26T17:14:50Z 2025-01-01T00:00:00Z

Title: Система розумного поливу для присадибного господарства з використанням регресійного дерева рішень Authors: Моньяков, Дмитро Сергійович; Moniakov, Dmytro Abstract: UA: Об`єктом дослідження є керування системами розумного поливу для присадибних ділянок з використанням методів машинного навчання. Метою кваліфікаційної роботи є створення прототипу апаратно- програмної системи розумного поливу, яка автоматично визначає режим поливу та час, потрібний на полив за алгоритмами дерева рішень класифікації та регресійним деревом рішень. Система дозволяє також віддаленe керування системою поливу за потреби. Методи дослідження в роботі включають аналіз та синтез моделей розумних системи поливу. В роботі використані засоби UML діаграм для побудови концептуальної, та, логічної та фізичної моделей системи. Уточнення моделей реалізовано за допомогою моделювання нечіткої когнітивної карти системи в Mental Modeler та нечіткої системи керування за алгоритмом Сугено в MATLAB. Фізична модель уточнена створенням топології апаратного прототипа системи в середовищі Fritzing. Сформована динамічна модель програмно-апаратної системи розумного поливу в середовищі Node-RED, що дозволило інтегрувати модуль мониторінгу показників середовища, модуль навчання та тестування системи за алгоритмами дерев рішень на основі синтетичних даних та модуль віддаленого керування системою поливу. Подальший розвиток спроектованої системи розумного поливу передбачає подальше тестування системи з використанням реальних даних.; EN: The object of the study is the control of smart irrigation systems for homestead farming using machine learning methods. The purpose of the qualification work is to create a prototype of a hardware- software system of smart irrigation, which automatically determines the irrigation mode, and the time required for irrigation using the algorithms of the classification decision tree and the regression decision tree. The system also allows remote control of the irrigation system if necessary. The research methods in the work include the analysis and synthesis of models of smart irrigation systems. The work uses UML diagram tools to build conceptual, logical and physical models of the system. The refinement of the models is implemented by modelling a fuzzy cognitive map of the system in Mental Modeler and a fuzzy control system using the Sugeno algorithm in MATLAB. The physical model is refined by creating the topology of the hardware prototype of the system in the Fritzing environment. A dynamic model of the software and hardware system of smart irrigation was formed in the Node-RED environment, which allowed integrating the module for monitoring environmental indicators, the module for training and testing the system using decision tree algorithms based on synthetic data, and the module for remote control of the irrigation system. Further development of the designed smart irrigation system involves further testing of the system using real data.

2025-01-01T00:00:00Z Грибачов, Денис Андрійович Hrybachov, Denys http://lib.kart.edu.ua/handle/123456789/29597 2025-09-26T16:53:57Z 2025-01-01T00:00:00Z

Title: Управління рухом складського роботу по маршруту на основі візуальних маркерів Authors: Грибачов, Денис Андрійович; Hrybachov, Denys Abstract: UA: Об'єкт дослідження — системи керування рухом складського робота. Метою роботи є створення прототипу системи управління рухом складського робота, яка використовує візуальні маркери для навігації в складському середовищі. Основна мета роботи – розробити рішення, що забезпечить точне і надійне пересування робота за заданим маршрутом. Методи дослідження включають аналіз вимог до системи, вибір типу візуальних маркерів та їх характеристик, моделювання системи у Mental Modeler і MATLAB, а також створення апаратного прототипу системи в Fritzing. У роботі сформовано логічну та концептуальну моделі системи за допомогою UML діаграм, створено Fuzzy Cognitive Map для моделювання взаємозв’язків між компонентами системи, та змодельовано поведінку системи у MATLAB. Програмну частину реалізовано у Node-RED, де здійснюється обробка даних з камер, прийняття рішень щодо руху робота та виконання команд. Створено прототип системи з використанням Arduino, камер, ультразвукових датчиків та двигунів. Наведено тестування системи.; EN: The object of the study is a warehouse robot motion control system. The purpose of the work is to create a warehouse robot motion control system that uses visual markers to navigate in a warehouse environment. The main goal of the work is to develop a solution that will ensure accurate and reliable movement of the robot along a given route. Research methods include analysis of system requirements, selection of the type of visual markers and their characteristics, system modeling in Mental Modeler and MATLAB, and creation of a hardware prototype of the system in Fritzing. The work forms a logical and conceptual model of the system using UML diagrams, creates a Fuzzy Cognitive Map to model the relationships between system components, and models the behavior of the system in MATLAB. The software part is implemented in Node-RED, where data from cameras is processed, decisions are made regarding robot movement and commands are executed. A physical model of the system is created using Arduino, cameras, ultrasonic sensors and motors. Testing was carried out and the system's efficiency was confirmed.

2025-01-01T00:00:00Z Галюченко, Олександр Вадимович Haliuchenko, Oleksandr http://lib.kart.edu.ua/handle/123456789/29596 2025-09-26T16:44:48Z 2025-01-01T00:00:00Z

Title: Система класифікації даних від датчиків присутності в приміщенні за допомогою графової нейронної мережі Authors: Галюченко, Олександр Вадимович; Haliuchenko, Oleksandr Abstract: UA: Об’єктом дослідження є системи класифікації даних, отриманих від датчиків присутності, що застосовуються у різних сферах, таких як розумні будинки, безпека, та управління просторовою організацією приміщень. Метою роботи є розробка апаратно-програмного прототипу системи, яка здатна не лише виявляти присутність людей, але й аналізувати та класифікувати патерни руху людей в межах певного простору. Методи дослідження включають аналіз і синтез моделей класифікації патернів поведінки на основі даних, отриманих з різних типів датчиків, таких як PIR-сенсори, ультразвукові та міліметрові сенсори. В роботі сформовані концептуальна та фізична моделі системи з використанням засобів UML-діаграм. Моделювання різних сценарієв роботи системи виконано в середовищі Mental Modeler. Навчання та тестування на синтетичних даних графової та рекурентної нейронних мереж, за допомогою яких реалізована класифікація даних від датчиків присутності, забезпечено Jupyter notebook. Інтеграція всіх модулів системи виконано в середовищі Node-RED у вигляді динамічної моделі системи, що здатна в режимі реального часу здійснювати класифікацію патернів руху та поведінки людей на основі даних від датчиків присутності. Створена система забезпечує новий рівень функціональності для систем, орієнтованих на розумні приміщення та забезпечення безпеки.; EN: The object of the study is the classification system of data obtained from presence sensors, which are used in various fields, such as smart homes, security, and spatial organization management of premises. The aim of the work is to develop a software and hardware prototype of a system that is capable not only of detecting the presence of people, but also of analyzing and classifying patterns of people's movement within a certain space. The research methods include the analysis and synthesis of models for classifying behavior patterns based on data obtained from different types of sensors, such as PIR sensors, ultrasonic and millimeter sensors. The work forms conceptual and physical models of the system using UML diagrams. Modeling of various scenarios of the system's operation is performed in the Mental Modeler environment. Training and testing on synthetic data of graph and recurrent neural networks, with the help of which the classification of data from presence sensors is implemented, is provided by Jupyter notebook. The integration of all system modules is performed in the Node-RED environment in the form of a dynamic system model capable of classifying human movement and behavior patterns in real time based on data from presence sensors. The created system provides a new level of functionality for systems focused on smart premises and security.

2025-01-01T00:00:00Z