Політичний простір сучасної України швидко трансформується, що обумовлює необхідність вивчення теоретичних та прикладних засад здійснення та дослідження публічної політики. Аналіз публічної політики є одним з найбільш затребуваних видів політичних досліджень і характеризується інтенсивним характером розвитку протягом останніх років. Особливого значення вивчення публічної політики набуває в сфері сталого економічного розвитку. Це надає можливість спрогнозувати наслідки трансформаційних процесів політичних інститутів та розвиток економічних систем держави. Вироблення публічної політики в сфері сталого економічного розвитку характеризується складним переплетінням політичних та управлінських процесів, в результаті яких відбувається прийняття політичних та управлінських рішень. Окрім того, розвиток практичних аспектів публічного управління в контексті сталого економічного розвитку України, її регіонів, бізнес-структур, освіти, громад свідчить про значну увагу фахівці у дослідженні взаємодії та взаємовідносинам між державою та органами місцевого самоврядування в контексті впливу на соціально-економічний розвиток країни, регіону та суб'єктів господарювання. При цьому особливості системи державного управління та місцевого самоврядування, як інструментів забезпечення сталого розвитку України в умовах глобальних викликів, залишаються недостатньо дослідженими.^UThe political space of modern Ukraine is rapidly transforming, which necessitates the study of theoretical and applied principles of public policy implementation and research. Analysis of public policy is one of the most popular types of political research and is characterized by an intensive nature of development in recent years. The study of public policy acquires special importance in the field of sustainable economic development. This provides an opportunity to predict the consequences of the transformation processes of political institutions and the development of the state's economic systems. The development of public policy in the field of sustainable economic development is characterized by a complex interweaving of political and managerial processes, as a result of which political and managerial decisions are made. In addition, the development of practical aspects of public administration in the context of the sustainable economic development of Ukraine, its regions, business structures, education, and communities shows the significant attention of specialists in the study of interaction and mutual relations between the state and local self-government bodies in the context of the impact on the socio-economic development of the country , region and business entities. At the same time, the peculiarities of the system of state administration and local self-government, as tools for ensuring the sustainable development of Ukraine in the face of global challenges, remain insufficiently researched

Дисертація є комплексним дослідженням з моделювання, розробки та застосування інформаційної технології розпізнавання графічної інформації на основі нейронної мережі. Актуальність теми дослідження обумовлюється факторами важливості розпізнавання графічної інформації, практичного застосування теоретичних основ розпізнавання графічної інформації на основі високоефективних рішень. На даному етапі розвитку практичного застосування теоретичних основ розпізнавання графічної інформації залишаються невирішеними проблеми: якісного виділення контурів; автоматизованого виділення об’єктів; варіабельності просторового розташування об’єктів та їх розпізнавання; практичного застосування методологічних розробок в розпізнаванні графічної інформації; якісної класифікації об’єктів розпізнавання.Розпізнавання візуальних образів є суттєвим компонентом автоматизованих та/або інтелектуальних систем управління та обробки інформації. Задачі, повʼязані з ідентифікацією і класифікацією обʼєктів та сигналів на основі обмеженого набору властивостей, є актуальними в галузях, таких як робототехніка, інформаційний пошук, моніторинг і аналіз візуальних даних, а також у дослідженнях штучного інтелекту. Алгоритмічна обробка та класифікація зображень застосовуються в системах безпеки, контролю доступу, віртуальній реальності та інформаційних пошукових системах. У звʼязку з розширенням використання систем віртуальної реальності та розвитком гейм індустрії, а також у звʼязку з тим, що створення тривимірних моделей передбачає попереднє перетворення двовимірних зображень, виникає питання про необхідність ефективного процесу перетворення 2D зображень у 3D моделі.Чималу роль у вирішенні зазначених проблем набуває створення програмних комплексів і математичного апарату, заснованих на застосуванні нейронних мереж, експертних систем і кібернетики.Особлива увага приділена штучним нейронним мережам (або просто нейронним мережам) – обчислювальним системам, що вчаться на даних спостережень за допомогою процесу оптимізації, коли параметри моделі ітеративно коригуються, щоб мінімізувати різницю між прогнозованим результатом і фактичним результатом. Нейронні мережі, і, зокрема, згорткові нейронні мережі (CNN- convolutional neural network), широко визнані своєю ефективністю в аналізі візуальних зображень. CNN – це клас моделей глибокого навчання, спеціально обладнаних для моделей глибокого навчання, спеціально обладнані для обробки 2D-зображень. Вони складаються з кількох шарів невеликих нейронних колекцій, що обробляють частини вхідного зображення, які називаються рецептивними полями. Результати цих колекцій потім розміщуються так, щоб вони накладалися один на одного для кращого представлення вихідного зображення, що є ключовою особливістю CNN. Крім того, вони інваріантні до перекладу, тобто вони мають здатність ідентифікувати об’єкт як однаковий, коли він з’являється в різних поданнях. Ці функції надають CNN здатність фіксувати складні шаблони в просторовій і часовій областях - аспект, який є ключовим у завданні 3D-реконструкції з 2D-зображень. Штучні нейронні мережі також мають перевагу в обробці зашумлених, неповних або неоднозначних даних - сценарій, який зазвичай зустрічається в задачах обробки зображень. Вони здатні витягувати значущі характеристики навіть із недосконалих даних (зашумлення, пропуски, дублікати, протиріччя), забезпечуючи таким чином надійність роботи моделі. На додаток до цього, нейронні мережі, а точніше CNN, мають здатність розпізнавати ієрархічні шаблони в даних. Наприклад, у завданнях обробки зображень вони можуть ідентифікувати краї та градієнти кольорів на нижчому рівні, а форми чи частини об’єкта – на вищому рівні. Ця функціональність має першочергове значення в таких завданнях, як 3D-реконструкція, які вимагають, щоб модель виявляла високорівневі особливості та зв’язки у 2D-зображеннях.Практична значимість наукових результатів. Спроєктована в роботі засобами CASE-технології ERwin інформаційна технологія розпізнавання графічної інформації на основі нейронної мережі, розпізнавання креслень та трансформації з визначеними зовнішніми впливами на неї та взаємодії процесів всередині системи дає можливість програмно реалізувати програмні застосунки для розв’язання завдань розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний. Розроблені алгоритми та архітектура програмного додатку, які базуються на створеній моделі класифікатора графічних зображень на основі покриттів класів та ЕК примітивів для підвищення ефективності навчання CNN, дозволяють в 1,5-2 рази зменшити обчислювальні витрати на навчання CNN та до 2 разів зменшити сумарну похибку навчання CNN, що забезпечує зменшення ресурсоємності та похибки розпізнавання графічної інформації на основі нейронної мережі та перетворення інформаційних масивів із двовекторного простору у тривекторний.^UThe thesis is a comprehensive study on the modeling, development, and application of information technology for graphic information recognition based on neural networks.The relevance of the research topic is determined by the importance of recognizing graphical information and the practical application of the theoretical foundations for recognizing graphical information based on highly effective solutions. At this stage of practical application development, several unresolved issues remain in the theoretical foundations of graphical information recognition: quality contour extraction; automated object extraction; variability in spatial placement and recognition of objects; practical application of methodological developments in recognizing graphical information; and high-quality classification of recognition objects.Visual image recognition is a crucial component of management and information processing systems, automated systems, and decision-making systems. Tasks associated with classifying and identifying objects, phenomena, and signals, characterized by a finite set of certain properties and features, arise in fields such as robotics, information retrieval, monitoring and analysis of visual data, and artificial intelligence research. Algorithmic processing and classification of images are applied in security systems, access control and management, virtual reality systems, and information search systems. Moreover, with the broad implementation of virtual reality systems and the development of the gaming industry, and considering that a 3D model is initially created as its 2D version, an acute need arises for the rapid conversion of two-dimensional images into three-dimensional models.A significant role in solving the mentioned problems is played by the creation of software complexes and mathematical tools based on the application of neural networks, expert systems, and cybernetics. Particular attention is given to artificial neural networks (or simply neural networks) - computing systems that learn from observational data through an optimization process, wherein model parameters are iteratively adjusted to minimize the difference between the predicted outcome and the actual result. Neural networks, especially convolutional neural networks (CNN), are widely recognized for their effectiveness in analyzing visual images. CNNs are a class of deep learning models specifically designed for processing 2D images. They consist of multiple layers of small neuron collections that process parts of the input image called receptive fields. The outputs from these collections are arranged so they overlap for a better representation of the output image, a key feature of CNNs. Moreover, they are translation-invariant, meaning they can identify an object as the same when it appears in different representations. These functions allow CNNs to capture intricate patterns in spatial and temporal domains – a critical aspect in the task of 3D reconstruction from 2D images. Artificial neural networks also excel in processing noisy, incomplete, or ambiguous data – a scenario commonly encountered in image processing tasks. They can extract significant features even from flawed data (noise, missing values, duplicates, contradictions), ensuring the model's reliability. Additionally, neural networks, specifically CNNs, can recognize hierarchical patterns in the data. For instance, in image processing tasks, they might identify edges and color gradients at a lower level and shapes or parts of an object at a higher level. This functionality is paramount in tasks like 3D reconstruction, which require the model to detect high-level features and relationships in 2D images.Practical significance of the scientific results. The information technology for recognizing graphical information based on neural networks, drawing recognition, and transformation, designed in the study using CASE technology ERwin, considering external influences on it and the interaction of processes within the system, provides the opportunity to implement software applications to solve tasks of graphical information recognition based on neural networks and converting data from bi-vector space to tri-vector space. The developed algorithms and software application architecture, grounded on the created model of graphical image classifiers based on class coverages and elementary classifiers (EC) of primitives to enhance CNN training efficiency, allow a 1.5-2 times reduction in computational costs for CNN training and up to a 2-fold decrease in the overall training error of CNN. This ensures a reduction in resource intensity and error in recognizing graphical information based on neural networks and transforming data from a bi-vector space to a tri-vector one.

Дисертація є комплексним дослідженням з проблематики управління цифровими активами шляхом удосконалення кібернетичних систем в завданнях прогнозної оцінки успішності процедури інвестування з боку інвесторів; оцінки ризиків та складання прогнозу курсів цифрових активів на основі інтелектуального підходу шляхом синергетичного поєднання теорії ігор, нечіткої логіки, а також нейронних мереж, що дозволяє аналізувати тренди на торгових майданчиках цифрових активів та є корисним для запобігання ситуацій курсової нестабільності на ринку інвестицій у цифрові активи в умовах нечіткої інформації.Інформаційною базою дослідження стали нормативна документація, наукові праці провідних науковців і практиків, як вітчизняних, так і зарубіжних, а також емпіричні результати власних досліджень.Практичне значення контекстної моделі багатоконтурної інформаційної системи управління цифровими активами з інтелектальною підтримкою полягає у визначенні структорованих поцесів забезпечення функціонування, стійкості та цілісності системи.Знайдене рішення може бути використано при реалізації програмного забезпечення для аналізу трендів на торгових платформах цифрових активів.Результати дослідження можуть бути корисними для запобігання ситуацій нестабільності обмінного курсу та прогнозування ситуації на торгових майданчиках, які торгують цифровими активами.Розроблена стратегія управління багатоконтурною інформаційною системою управління цифровими активами з інтелектальною підтримкою може бути застосована для аналізу інформації про різні аспекти торгівлі цифровими активами та для подальшого прогнозування коливання їх курсів та формування рекомендацій з управління цифровими активами.Запропонований комбінований метод оцінки ризиків втрати фінансових ресурсів гравцями та прогнозування курсів цифрових активів на основі застосування теорії ігор, нечіткої логіки та апарату нейронних мереж, на 7-12% поліпшує якість прогнозної оцінки успішності процедури інвестування в цифрові активи, що дозволяє оптимізувати процеси прийняття рішень щодо оцінки ринку цифрових активів.^UDoctoral thesis is a comprehensive study of the issue of managing digital assets by improving cybernetic systems in tasks related to the predictive assessment of the success of investment procedures by investors; risk assessment and forecasting of digital asset rates based on an intellectual approach by synergistically combining game theory, fuzzy logic, and neural networks. This approach allows for analyzing trends in digital asset trading platforms and is useful for preventing situations of exchange rate instability in the digital asset investment market under conditions of vague information.The information base of the study was made up of regulatory documentation, scientific works of leading scientists and practitioners, both domestic and foreign, as well as empirical results of own research.Practical significance of the scientific results. The practical importance of the contextual model of a multi-loop information system for managing digital assets with intellectual support lies in identifying structured processes to ensure its functionality, resilience, and integrity. The discovered solution can be employed in the implementation of software for trend analysis on digital asset trading platforms.Research results can be beneficial in preventing situations of exchange rate instability and forecasting situations on trading venues that trade digital assets. The devised multi-loop digital asset management strategy with intellectual support can be applied for analyzing information on various trading aspects of digital assets and for subsequent prediction of their price fluctuations, as well as forming management recommendations for digital assets.The proposed combined method for risk assessment of financial resource losses by players and forecasting digital asset rates, which employs game theory, fuzzy logic, and neural network mechanisms, improves the quality of predictive evaluation of digital asset investment success by 7-12%. This enhancement allows for the optimization of decision-making processes concerning the digital asset market assessment.Practical significance of the scientific results. The practical importance of the contextual model of a multi-loop information system for managing digital assets with intellectual support lies in identifying structured processes to ensure its functionality, resilience, and integrity. The discovered solution can be employed in the implementation of software for trend analysis on digital asset trading platforms.Research results can be beneficial in preventing situations of exchange rate instability and forecasting situations on trading venues that trade digital assets. The devised multi-loop digital asset management strategy with intellectual support can be applied for analyzing information on various trading aspects of digital assets and for subsequent prediction of their price fluctuations, as well as forming management recommendations for digital assets.The proposed combined method for risk assessment of financial resource losses by players and forecasting digital asset rates, which employs game theory, fuzzy logic, and neural network mechanisms, improves the quality of predictive evaluation of digital asset investment success by 7-12%. This enhancement allows for the optimization of decision-making processes concerning the digital asset market assessment.