Досліджено архітектури гібридних нейро-фаззі мереж, методи їх навчання та самонавчання, адаптивні процедури нечіткої кластиризації для задач класифікації числових даних за умов апріорної та поточної невизначеності відносно характеру розподілу й істотного перетину класів. Запропоновано: рекурентні та робастні методи кластеризації у межах імовірнісного та можливісного підходів, що дозволяють проводити кластеризацію за умов перетину класів; імовірнісну нейронну мережу з нечітким виведенням, методи її побудови та навчання; рекурентний метд навчання радіально-базисної мережі на основі еліпсоїдального оцінювання, що забезпечує ефективне навчання за умови дефіциту інформації про розподіл збурень; гібридну нейро-фаззі мережу зустрічного розповсюдження та метод її навчання. Удосконалено методи самоорганізації модифікованої мережі Кохонена з можливістю нечіткого виведення та наведено метод попередньої обробки даних шляхом підвищення вимірності вихідного простору. Ефективність цих методів експериментально підтверджено на підставі відомих тестових вибірок даних для нечіткої класифікації у порівнянні з класичними нейро- та нейро-фаззі методами обробки даних. Підтверджено ефективність синтезованих методів та запропонованих архітектур гібридних нейро-фаззі мереж за умов створення систем біомедичної діагностики для сегментації послідовностей інтервалів серцебиття біологічного організму у процесі виходу та пробудження зі штучного гіпотаболічного стану, а також системи виявлення зон кровообігу на базі вихідної інформації ультразвукового сканування органів людини, що є важливим для медичного діагностування різноманітних уражень судин і застосовується за умов ранньої діагностики пухлинних захворювань внутрішніх органів з їх диференціюванням за ступенем злоякісності.

  Завантажити