МОДЕЛЬ АДАПТИВНОГО ВИЯВЛЕННЯ ВИДІВ У ЗМІШАНИХ ЕКОСИСТЕМАХ НА ОСНОВІ ДИНАМІЧНИХ ВАГОВИХ КОЕФІЦІЄНТІВ

Анотація

Проблема. Моніторинг рідкісних видів у заповіднику Розточчя ускладнений низькою якістю зображень із фотопасток, обумовленою різними факторами (туман, нічний час, часткове перекриття, схожість видів). Традиційні моделі на основі згорткових нейронних мереж (CNN) демонструють точність 80–85%, а статичні підходи – 70-75%. Ці значення є недостатніми для ефективного прийняття рішень. Гібридні моделі з нечіткою логікою досягають показників 85-90%, однак їх адаптивність до локальних умов є обмеженою через відсутність регіональних наборів даних та механізмів безперервного навчання. 
Метою роботи є розробка адаптивної гібридної архітектури на основі попередньо навченої CNN (ResNet-50/YOLOv5) з легким логістичним шаром та нечіткою корекцією ваг, здатної забезпечити онлайн-оновлення параметрів і стійкість до невизначеностей у реальних умовах заповідника Розточчя. 
Методи дослідження. Запропоновано математичну модель оновлення вагових коефіцієнтів з урахуванням нечіткого коефіцієнта, який обчислюється за евристиками розмиття, контрасту та схожості ознак. Експерименти проведено на симуляційному наборі даних (1000 знімків), згенерованому на основі нормального розподілу з параметрами, отриманими з попередньо навченої моделі ResNet-50 на наборі iWildCam. Мітки відповідали 15% виявлення цільового виду, нечіткий коефіцієнт дорівнював приблизно 1,0 у 82% випадків та перебував у діапазоні від 0,75 до 0,85 – у 18%. Оцінювалися динаміка ймовірності класифікації, норма вагового вектора, значення нечіткого коефіцієнта та порівняння зі статичною моделлю. 
Результати. Адаптивна модель досягла точності 90 % після 800 ітерацій (приріст +18% порівняно зі статичною ResNet-50). Ймовірність класифікації зростала нелінійно від 0,55 до 0,90, норма ваг стабілізувалася на рівні 2,2. Нечітка корекція активувалася у 18% випадків, запобігаючи нестабільності. Розподіл нечіткого коефіцієнта підтвердив бімодальний характер. Результати візуалізовано за допомогою блок-схеми архітектури та графіків динаміки адаптації. 
Висновки. Запропонована гібридна архітектура з адаптивним логістичним шаром і нечіткою корекцією забезпечує стійке безперервне навчання в умовах невизначеності, типових для змішаних екосистем. Модель перевищує статичні CNN за точністю та швидкістю адаптації і може бути використана як підґрунтя для розробки систем автономного моніторингу рідкісних видів. Подальший розвиток передбачає інтеграцію з ГІС та валідацію на реальних даних.