Запропоновано структурно-функціональну модель цифрового автомату (ЦА) управління виконавчими механізмами (ВМ) фасувально-пакувальних машин (ФПМ), яка дозволяє знизити трудомісткість розробки проектів засобів управління завдяки перетворенню інформації, що міститься на циклограмах, в проміжну форму, зручну для синтезу ЦА за допомогою сучасних інструментальних засобів. Розроблено функціональну модель адаптації процесу управління до можливих відмов ВМ, що дозволяє підвищити продуктивність системи за рахунок вибору оптимального алгоритму роботи. Наведено метод запобіжного багатоверсійного діагностування оперативної пам'яті (ОП), який забезпечує досягнення заданого рівня імовірності безвідмовної роботи (ІБР) ОП за рахунок виконання декількох версій діагностичних тестів на різних стадіях експлуатації пристрою з урахуванням напівперіодів деградації та запобіжної заміни модулів пам'яті. Удосконалено інформаційну модель систем управління автоматизованими процесами (СУАП) ФПМ, що дозволяє виявляти, змінювати або усувати неефективну або надмірну діяльність з управління складними процесами, оцінювати вплив на них різних факторів, відповідно до загальної мети. Удосконалено метод моделювання алгоритмів автоматизованого управління ФПМ, який забезпечує прогнозування наслідків несправностей технологічного обладнання (ТОБ) на етапі відлагодження алгоритмів, а також знижує трудомісткість пошуку й усунення несправностей.

Проведено системний аналіз методів добування квадратного кореня. Запропоновано апаратурну реалізацію функції корінь квадратний, відмінними особливостями якої є зменшення апаратурних затрат, забезпечення високої надійності, високої швидкодії, адекватної класичному табличному методу, та високого відсотка придатних кристалів з пластини, що сприяє зменшенню вартості пристрою.

Моніторинг розвитку курячих ембріонів є важливою частиною процесу вилуплення, який дозволяє визначити, коли яйце не розвивається, а також коли яйце близьке до вилуплення. Можливість уважніше стежити за розвитком ембріона дозволяє визначати оптимальні моменти часу для зміни параметрів інкубації, таких як вологість, для створення найкращих умов для вилуплення пташенят. Для моніторингу розвитку курячих яєць під час інкубації запропоновано автоматизувати процес овоскопування завдяки визначенню стану ембріонів пташенят завдяки застосуванню системи технічного зору NI EVS-1464R компанії National Instruments, де для отримання зображень доступна низка апаратних засобів (плати відеозахоплення для цифрових камер з різним інтерфейсом, системи реального часу і смарт-камери), та штучної нейронної мережі Хопфілда. Це дозволяє реалізувати асоціативну пам'ять. Головне завдання асоціативної пам'яті зводиться до запам'ятовування вхідних (навчальних) вибірок таким чином, щоби при представленні нової вибірки система змогла згенерувати відповідь - яка із запам'ятованих раніше вибірок найближча до образу, що надійшов. Така нейронна мережа змінює свій внутрішній стан за кожну ітерацію і зупиняється, коли поточний стан збігається з попереднім. У такому разі стверджують, що нейронна мережа зійшлася до одного зі станів, збережених у її пам'яті. Якщо ж у пам'яті не виявлено схожий образ, мережа може видати неіснуючий атрактор. Виконано моделювання розпізнавання різних станів ембріонів пташенят курей. У разі виконання овоскопування світлий сектор площі яйця відповідає сигналу, що дорівнює 0, а темний сектор - сигналу 1. Всього в моделюванні аналізувалися стани двадцяти трьох секторів площі яйця птиці. На мові С++ розроблено програмний засіб на базі нейронної мережі Хопфілда й виконано перевірку його здатності ідентифікувати живі та неживі ембріони пташенят курей. Правильна ідентифікація спотворених векторів дозволяє застосовувати мережу Хопфілда у птахівництві, що зменшить надмірну стомлюваність операторів й унеможливить помилкове вибраковування нормальних яєць.

Представлено монографію, в якій розглянуто: методи цифрової обробки сигналу (часова і частотна фільтрація, перетворення Фур'є, перетворення Хартлі, косинусне перетворення, вейвлет-перетворення), методи попередньої обробки зображень (підвищення контрасту зображень, шумозниження й згладжування зображень, визначення перепадів яскравості зображень, порогова обробка зображень, обробка зв'язних компонент бінарних зображень, геометричні перетворення зображень, стиснення зображень), методи виділення інформативних ознак зображень, методи кластеризації (на основі центрів, на основі розподілу, на основі щільності, ієрархічні, конекціонистські), підходи до розпізнавання зорових образів (логічний, метричний, асоціативний, байесовский, структурний, конекціонистський та гібридний).