РОЗРОБКА ІНТЕРАКТИВНОГО ІНТЕРФЕЙСУ КОРИСТУВАЧА НА ОСНОВІ ДЕТЕРМІНОВАНИХ КІНЦЕВИХ АВТОМАТІВ МУРА

Антон Костюк; Сергій Зайцев; Владислав Василенко; Лілія Зайцева

doi:10.28925/2663-4023.2026.32.1088

Автор(и)

Антон Костюк Національний університет «Чернігівська політехніка» https://orcid.org/0009-0001-3107-9976
Сергій Зайцев Національний університет «Чернігівська політехніка» https://orcid.org/0000-0002-7751-5956
Владислав Василенко Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України https://orcid.org/0000-0001-8156-1894
Лілія Зайцева Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України https://orcid.org/0000-0002-0668-711X

DOI:

https://doi.org/10.28925/2663-4023.2026.32.1088

Ключові слова:

інтерактивні інтерфейси, кінцевий автомат Мура, графічний інтерфейс користувача, користувацькі інтерфейси до баз даних

Анотація

У цій статті було розглянуто стандарти якості, а також методики оцінки якості інтерфейсів користувача. Розглянуті методики не підходять для вирішення задачі оцінки якості інтерфейсу користувача через те, що застосовувані методи не дозволяють комплексно оцінити якість інтерфейсу та використовують недостатню кількість показників. Тому для вирішення цього завдання було запропоновано розробити методику оцінки якості інтерактивних інтерфейсів позбавлену виділених недоліків. Зважаючи на це обмеження була запропонована автоматна модель, для проектування інтерактивного інтерфесу. Побудована автоматна модель може бути використана для розв'язання задач проектування інтерфейсу користувача, як звичайних додатків з інтерфейсом користувача під управлінням сучасних ОС, так і для web-додатків. В результаті експерименту встановлено, що розроблені методики проектування інтерактивного інтерфейсу користувача та методика оцінки якості працюють коректно.

Завантаження

Дані завантаження ще не доступні.

Посилання

Cliff Kuang. "User Friendly: How the Hidden Rules of Design Are Changing

the WayWe Live, Work, and Play" 2020. MCD. 416 p.

Watan, Steve Shoger. "Refactoring UI" 2018. 218 p.

Russell Unger, Caroline Chandler. "UX design. A practical guide to desiging interaction experience" 2011. 336 p.

Li, S., Xu, LD, & Zhao, S. (2018). 5G Internet of Things: A survey.

Journal of Industrial Information Integration, 10, 1-9. https://doi.org/10.1016/j.jii.2018.01.005

Luke Wroblewski. "Mobile First" 2011. New York. 130 p.

Alan Cooper. "Psychiatric hospital in the hands of patients" 2009. 336 p.

Steve Krug "Don't Make Me Think" 2017. New Riders. 216 p.

Li, Q. (2023). Deep Learning based Pavement Crack Detection System. Journal of Physics Conference Series. https://www.researchgate.net/publication/373417689_Deep_Learning_based_Pavement_Crack_Detection_System

Hussain, M., Khanam, R. A (2024). Comprehensive Review of Convolutional Neural Networks for Defect Detection in Industrial Applications. IEEE. https://ieeexplore.ieee.org/document/10589380

Mueen, M., Abbood, M. (2025). Investigation of IoT and Deep Learning Techniques Integration for Smart City Applications. American journal of computing and engineering. Vol. 8(1). P. 57-68.

Harel, J. Koch, K., Perona, P. Graph-Based Visual Saliency. California Institute of Technology. https://proceedings.neurips.cc/paper_files/paper/2006/file/4db0f8b0fc895da263fd77fc8aecabe4-Paper.pdf

Achanta, R.; Hemami, S.; Estrada, F.; Susstrunk, S. Frequency-tuned salient region detection. In Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, USA, 20–26 June 2009; P. 1597–1604.

Fassold, H., Bailer, W. (2022). Few-shot Object Detection as a Semi-supervised Learning Problem. International Conference on Content-based Multimedia Indexing. https://www.researchgate.net/publication/364245764_Fewshot_Object_Detection_as_a_Semi-supervised_Learning_Problem

Liu, M., Yao, P. (2024). Robust Classification of Incomplete Time Series with Noisy Labels. Conference: 2024 27th International Conference on Computer Supported Cooperative Work in Design (CSCWD). https://www.researchgate.net/publication/382154918_Robust_Classification_of_Incomplete_Time_Series_with_Noisy_Labels

Stephens, B. (2011). Push Recovery Control for Force-Controlled Humanoid Robots. https://www.researchgate.net/publication/266907694_Push_Recovery_Control_for_Force-Controlled_Humanoid_Robots

Pontil, M., Theodoros, E. (2001). Support Vector Machines: Theory and Applications. Lecture Notes in Computer Science. P. 249-257.

Mikolov, T., Chen, K. (2013). Efficient Estimation of Word Representations in Vector Space. https://www.researchgate.net/publication/234131319_Efficient_Estimation_of_Word_Representations_in_Vector_Space

Simonyan, K., Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition. https://arxiv.org/abs/1409.1556

Kaiming, H., Sun, J. Deep Residual Learning for Image Recognition. P. 770778.https://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf

Huang, G. (2018). Densely Connected Convolutional Networks. https://arxiv.org/abs/1608.06993

Hays, J., Maire, M. (2014). Microsoft COCO: Common Objects in Context. Lecture Notes in Computer Science. https://www.researchgate.net/publication/263002356_Microsoft_COCO_Common_Objects_in_Context

Talusani, H. (2020). Detection of Military Targets from Satellite Images using Deep Convolutional Neural Networks. Conference: 2020 IEEE 5th International Conference on Computing Communication and Automation

Zhou, L. (2023). A Multi-Scale Object Detector Based on Coordinate and Global Information Aggregation for UAV Aerial Images. https://www.mdpi.com/2072-4292/15/14/3468

Sabur, Sarah, Nicholas Frost, and Jeffrey . Hinton. Dynamic routing between capsules. Achievements of neural information processing systems. 2017.