Центральноукраїнський науковий вісник. Технічні науки. Випуск_11. Частина 2. - 2025

Permanent URI for this collectionhttps://dspace.kntu.kr.ua/handle/123456789/16558

Browse

Filters

20252

Settings

Subject: search.filters.subject.machine learning

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item type:Item,
    Методи електромагнітного тестування та діагностики радіоантен покоління 5G
    (ЦНТУ, 2025) Бондарчук, В. К.; Мацуй, А. М.; Каліч, В. М.; Bondarchuk, V.; Matsui, A.; Kalich, V.
    Виконано огляд ключових технологій телекомунікаційних бездротових систем п’ятого покоління, особливості яких вимагають зміни в підходах до тестування радіо компонентів. Зроблено порівняльний огляд сучасних підходів до після виробничого неінвазійного тестування активних антенних систем та можливостей використання елементів машинного навчання для підвищення ефективності виявлення дефектів. The purpose of this article is to review the key elements of fifth-generation (5G) wireless systems and the methods used for electromagnetic testing and defect detection of active antenna systems. Due to the introduction of massive MIMO technologies and millimeter-wave (mmWave) communication in 5G networks, traditional testing approaches are no longer effective, prompting the need for new non-invasive methods. The article aims to analyze current approaches to post-production non-invasive testing of active antenna systems and explore the potential of machine learning elements to enhance the efficiency of defect detection.
  • Thumbnail Image
    Item type:Item,
    Method and Technological Solution of an AI-Based Adaptive Investor Survey Service for Determining an Individual Risk Profile
    (ЦНТУ, 2025) Korniienko, O.; Kozub, N.; Dorenskyi, О.; Корнієнко, О. С.; Козуб, Н. О.; Доренський, O. П.
    An adaptive investor survey model employing advanced machine learning is presented to generate a continuous risk profile. Using conditional logic, weighting coefficients, and a continuous risk scale, it overcomes traditional questionnaire limitations to enhance accuracy and personalization. The system built on React, Node.js/NestJS, and Python/FastAPI efficiently processes responses and delivers tailored investment recommendations. The research also includes the results of a comparative analysis, a description of the data transformation methodology, and a secure data transfer scheme, confirming the practical effectiveness of the proposed solutions. The developed method, model, and technological solution of the AI-driven adaptive survey service enhance the accuracy and personalization of risk profiling. Праця присвячена розробці адаптивної моделі опитування інвесторів, яка використовує сучасні методи машинного навчання для формування детального континуального ризикового профілю. Традиційні анкети з оцінки ризику, які гуртуються на статичних і дискретних шкалах, часто не враховують багатовимірність індивідуальної толерантності до ризику, особливо в умовах низького рівня фінансової грамотності. Це дослідження має на меті подолати зазначені обмеження, підвищити точність і рівень персоналізації інвестиційних рекомендацій.