МЕТОД ВИЗНАЧЕННЯ ЕФЕКТИВНОСТІ ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ МУЛЬТИМОДАЛЬНИХ ІНФОРМАЦІЙНИХ СИСТЕМ РОЗПІЗНАВАННЯ ОБРАЗІВ НА ОСНОВІ ЕКСПЕРТНОГО ОЦІНЮВАННЯ

DOI: 10.31673/2412-4338.2026.019015

Анотація

У статті запропоновано метод визначення ефективності забезпечення функціональної стійкості мультимодальних інформаційних систем розпізнавання образів, які функціонують в умовах невизначеності, завад та часткової деградації сенсорних даних. Актуальність дослідження зумовлена необхідністю комплексного оцінювання ефективності таких систем, що працюють у динамічних середовищах із обмеженими ресурсами та нестабільними каналами передачі інформації. Запропонований підхід базується на формуванні профілю часткових показників, які характеризують ключові аспекти функціональної стійкості, зокрема точність розпізнавання, латентність прийняття рішень, робастність до шумів, стійкість до втрати сенсорних модальностей, енергетичну ефективність та адаптивність алгоритмів машинного навчання. Метод передбачає використання інтервального експертного оцінювання, що дозволяє врахувати нечіткість та варіативність суджень фахівців без жорсткої нормалізації вихідних даних. Для агрегування результатів застосовано метод нашарування, який забезпечує коректне поєднання різнорідних показників та мінімізацію втрат інформації. Апроксимація результатів здійснюється за допомогою трапецієподібних функцій належності, що дозволяє формалізувати нечіткі оцінки та перейти до інтегрального показника ефективності. Проведений обчислювальний експеримент підтвердив можливість отримання узагальненого кількісного критерію оцінювання функціональної стійкості системи. Практичне значення результатів полягає у можливості використання розробленого методу для порівняльного аналізу альтернативних архітектурних і алгоритмічних рішень у мультимодальних системах розпізнавання образів та бездротових сенсорних мережах.

Ключові слова: функціональна стійкість, мультимодальна інформаційна система розпізнавання образів, бездротова сенсорна мережа, експертне оцінювання, нечіткі множини, інтегральний показник.

Список використаної літератури

1. Бойко, Ю. М., Дружинін, В. А., & Толюпа, С. В. (2018). Теоретичні аспекти підвищення завадостійкості й ефективності обробки сигналів в радіотехнічних пристроях та засобах телекомунікаційних систем за наявності завад. Київ: Логос.
2. Бойко, Ю. М., Полікаровських, О. І., Ткачук, В. П., & Карпова, Л. В. (2023). Програмно-конфігуровані системи передавання, приймання та обробки інформації. Хмельницький: ХНУ.
3. Толюпа, С. В. (2012). Метод багатокритеріального аналізу ефективності функціонування та забезпечення інформаційної безпеки інфокомунікаційних систем. Захист інформації, 14(3), 81–86. https://doi.org/10.18372/2410-7840.14.3371
4. Гнатієнко, О. (2025). Схема визначення ефективності забезпечення функціональної стійкості організаційних систем. У В. Є. Снитюк (Ред.), Інтелектуальні рішення-S: Матеріали міжнародного симпозіуму (с. 80–82). Київ: Каравела.
5. Гнатієнко, Г. М., & Гнатієнко, О. Г. (2024). Метод визначення нечітких значень відносної важливості характеристик альтернатив з використанням способу нашарування. Науковий вісник Ужгородського університету. Серія: Математика і інформатика, 45(2), 172–187. https://doi.org/10.24144/2616-7700.2024.45(2).172-187
6. Pan, B., Hirota, K., Jia, Z., & Dai, Y. (2023). A review of multimodal emotion recognition from datasets, preprocessing, features, and fusion methods. Neurocomputing, 561, 126866. https://doi.org/10.1016/j.neucom.2023.126866
7. Zhang, S., Yang, Y., Chen, C., Zhang, X., Leng, Q., & Zhao, X. (2024). Deep learning-based multimodal emotion recognition from audio, visual, and text modalities: A systematic review. Expert Systems with Applications, 237, 121692. https://doi.org/10.1016/j.eswa.2023.121692
8. Chen, X., et al. (2022). Analysis of multimodal data fusion from an information theory perspective. Information Sciences, 608, 1030–1045.
9. Abdullah, M., et al. (2023). Enhanced multimodal biometric recognition systems based on deep learning techniques. Sensors, 23.
10. Liu, W., Qiu, J., Zheng, W., & Lu, B. (2021). Comparing recognition performance and robustness of multimodal deep learning models for emotion recognition. IEEE Transactions on Cognitive and Developmental Systems, 14, 715–729.