Бидний тухай
Багш ажилтан
Программ хангамжид гарч болзошгүй гажиг, согог, саатал, алдааг (цаашид согог гэх) программ хангамж хөгжүүлэлт болон засвар үйлчилгээ хийхэд зарцуулж буй хүч хөдөлмөр, төсвийг харгалзан үзэж аль болох эрт үе шатанд, хялбар илрүүлэх нь чухал юм. Өмнө хийгдсэн судалгаануудаас харахад программ хангамжийн хөгжүүлэлтийн амьдралын мөчлөгийн хэрэгжүүлэлтийн үе шат эсвэл шалгалтын үе шатанд эх кодын өгөгдөлд үндэслэн машин сургалт эсвэл гүн сургалтын арга ашиглан согогийг илрүүлэх шийдэл санал болгосон байдаг. Бидний өмнөх ажил болох зохиомжийн үе шатанд классын диаграммаас гарган авсан объект хандлагат хэмжүүрийн өгөгдлийг үндэслэн согогийг илрүүлэх машин сургалт болон гүн сургалтын загвар нь өмнөх ажлууд болох эх кодын өгөгдөлд суралцсан машин сургалт болон гүн сургалтын аргуудтай ойролцоо үр дүн үзүүлсэн ба энэ нь программ хангамжийн согогийг хөгжүүлэлтийн шатанд бус тэрний өмнөх шат болох зохиомжийн шатанд илрүүлэх боломжтойг баталсан ажил болсон юм. https://doi.org/10.1016/j.array.2025.100438 Бид энэхүү судалгаагаа үргэлжлүүлэн граф нейрон сүлжээг ашиглан согогийг илүү өндөр нарийвчлалтай илрүүлэх судалгаа хийж байна. Тодруулбал, бодит амьдрал дээрх ихэнх өгөгдөл граф бүтэцтэй байдаг. Үүний нэг жишээ нь зохиомжийн үе шатанд загварчилдаг класс диаграмм юм. Граф өгөгдөл нь объектууд тэдгээрийн хоорондын харилцааг дүрсэлсэн өгөгдлийн уян хатан бүтэц юм. Энэхүү граф өгөгдлийг загварчлахад зориулсан тусгай нейрон сүлжээ нь Graph neural network (GNN) юм. Иймээс бид энэхүү төслийн хүрээнд программ хангамжийн согогийг граф нейрон сүлжээ ашиглан зохиомжийн үе шатанд илрүүлж, өмнөх үр дүнг сайжруулах ажил хийх юм. Энэхүү төслийн хүрээнд дараах үндсэн 3 багц ажлыг хийж гүйцэтгэнэ. Үүнд. 1. Программ хангамжийн согогийг урьдчилан таамаглах зорилгоор UML класс диаграммаас граф дээр суурилсан өгөгдлийн багцыг бүтээх 2. Уг өгөгдлийн багц дээр суурилсан GNN загвар боловсруулах 3. Үр дүнг өмнөх ажлуудтай харьцуулах
It is essential to detect possible defects, bugs, delays, and errors (hereinafter referred to as defects) in software at the earliest possible stage and easily, considering the effort and budget spent on software development and maintenance. Previous studies have proposed solutions for detecting defects using machine learning or deep learning methods based on source code data during the implementation or testing stages of the software development life cycle. In our previous work, the machine learning and deep learning model for detecting defects based on object-oriented metrics extracted from class diagrams during the design stage showed similar results to the machine learning and deep learning methods learned on source code data in our previous work, which confirmed that software defects can be detected not during the development stage, but during the previous stage, the design stage. https://doi.org/10.1016/j.array.2025.100438 We are continuing this research and are researching detecting defects with higher accuracy using graph neural networks. Specifically, most real-world data is graph-based. One example of this is a class diagram that is modeled during the design phase. Graph data is a flexible data structure that describes the relationships between objects. A specialized neural network for modeling this graph data is the Graph Neural Network (GNN). Therefore, in this project, we will use graph neural networks to detect software defects during the design phase and improve previous results. The following three main sets of tasks will be performed within this project's scope. These include: 1. Creating a graph-based dataset from UML class diagrams to predict software defects 2. Developing a GNN model based on this dataset 3. Comparing the results with previous works
Түлхүүр үгс:Олимпийн спортуудаас манай улсад эрчимтэй хөгжиж, дэлхийн түвшинд хүрсэн цөөхөн спортын нэг нь Жүдо бөх билээ. Өдгөө Монгол улсын жүдо бөхийн тамирчид Олимпоос нийт 1 алт, 5 мөнгө, 6 хүрэл медаль хүртээд байна. Энэхүү амжилтыг тогтвортой байлгах, нэмэгдүүлэхийн тулд тамирчдын сэтгэл зүйн бэлтгэл шаардлага зайлшгүй бий болдог. Хэрэглээний сэтгэл судлалын хүрээлэн, Монголын жүдо бөхийн холбооны хамтын ажиллагааны гэрээний хүрээнд Хэрэглээний сэтгэл судлалын хүрээлэн нь жүдо бөхийн тамирчдын сэтгэл зүйн бэлтгэлжилтийг хариуцан ажилладаг. Тамирчдын гүйцэтгэлийг бүрэн өгөгдөл дээр зөв аргачлалаар үнэлэх нь тамирчид, дасгалжуулагч, сэтгэл зүйч нарт өөрийн болон өрсөлдөгч тамирчны үр дүнг таамгаар бус бодитоор үнэлэх, харьцуулах, цаашлаад тамирчдын сул болон давуу талыг олж харахад туслах юм. Энэхүү төслөөр тамирчдын гүйцэтгэлийн өгөгдлийг judodata.com сайтаас цуглуулж, цуглуулсан өгөгдлийг боловсруулсан тамирчдын гүйцэтгэлд дүн шинжилгээ хийж, тамирчдын гүйцэтгэлийг тоон үнэлгээгээр гарган, тамирчдын ижил төстэй байдал, сул болон давуу талуудыг олж харах боломжийг олгох тоон өгөгдлүүдийг гаргаж өгнө.
In this study we perform data analysis for judoka performance. Specifically, in this project, we collect athlete performance data from judodata.com, analyze the performance of athletes who have processed the collected data, and provide a quantitative assessment of athlete performance and quantitative data to identify athletes' similarities, weaknesses, and strengths.
Түлхүүр үгс:Ханиалгыг илрүүлэх, үнэлэх нь астма, сүрьеэ, уушгины хатгалгаа зэрэг амьсгалын замын өвчний хувьд шийдвэрлэх ач холбогдолтой юм. Эмнэлгийн хэмжилтэнд эмч, сувилагч эсвэл өвчтөний өөрийгөө тайлагнах субьектив үнэлгээний аргыг өргөн хэрэглэдэг. Үүний оронд ханиалгыг автоматаар илрүүлэх, үнэлэх объектив системийг хэрэгжүүлэх шаардлага гарч ирж байна. Сүүлийн 10 жилд зургаас объект таних, аудио бичлэгээс дууг таних орчин үеийн олон алгоритмууд гүн мэдрэлийн сүлжээ ашиглан мэдэгдэхүйц амжилтанд хүрээд байна. Гэхдээ ихэнх судалгаагаар зөвхөн нэг төрлийн өгөгдлийг ашигладаг. Ялангуяа аудио дохионоос ханиалгыг автоматаар илрүүлэх аргыг машин сургалтын болон яриа таних судалгааны багууд өргөнөөр судалж ирсэн боловч үр дүн хангалттай бус, дуу чимээ, цуурай болон бусад хүчин зүйлийн нөлөөнд амархан автдаг бэрхшээлтэй тулгардаг. Тиймээс олон төрлийн өгөгдөлтэй ажилладаг мултимодел судалгааны салбар нь судлаачдад аливаа зүйлийг (юмс, үзэгдэл гэх мэт) ойлгоход олон төрлийн өгөгдлийг боловсруулж ойлгох сонирхолтой, өвөрмөц сорилтыг авчирдаг. Энэхүү судалгаагаар бид бидний мэдэж буйгаар өнөөг хүртэл цөөхөн хийгдсэн судалгаа болох гүнзгий мэдрэлийн сүлжээг ашиглан видео болон аудио мэдээллийн хослолыг ашиглан ханиалгыг тодорхойлох судалгааг хийх болно. Тодруулбал, видео болон аудио өгөгдлүүдээс гүн суралцсан шинж чанарууд (features)-ыг гаргаж аван, тэдгээрийг мултимодел нэгтгэх арга ашиглан нэгтгэж ханиалгыг илрүүлж буй үр дүнг хангалттай хэмжээнд хүргэх юм. Түүнчлэн, энэхүү ханиалга илрүүлэх арга дээрээ үндэслэн амьсгалын тогтолцооны өвчний тархацыг судалж, цаашид амьсгалын тогтолцооны өвчнийг объектив байдлаар илрүүлэх аргыг санал болгоно.
Cough detection and assessment have crucial value for respiratory diseases such as asthma, tuberculosis, and pneumonia. Subjective evaluations by care providers or patient self-reports are widely adopted in clinical measurement. As an alternative, an automatic and objective system for cough assessment is strongly expected. In the recent decade, many state-of-the-art algorithms on object recognition as well as audio recognition have achieved noticeable successes with the development of deep convolutional neural networks (CNNs). However, most of the studies only exploit a single type of data. Especially, automatic cough detection from an audio signal has been studied widely in the machine learning and speech recognition community. However, they still have some difficulties like unsatisfactory detection accuracy and can be easily overwhelmed by other factors, such as noise, echo, speeches, similar sounds in the audio recording. For that reason, the multimodal research field brings some unique challenges for researchers to make progress in understanding the things (i.e., the world around us) by processing relate information from multiple modalities. In this study, we present a study on identifying cough by exploiting the combination of visual and audio data using deep neural networks, which has been sparsely treated so far. Specifically, we extract deep features from visual and audio data based on the activation values of the inner layer of CNN, and fuse them using multimodal fusion methods. Based on the cough detection, we propose an objective method for identifying respiratory diseases by combining and monitoring cough frequency and breathing frequency in the future.
Түлхүүр үгс:
