Розроблено методи побудови асоціативної пам'яті на базі неповнозв'язних нейронних мереж Хопфілда. Розглянуто методи навчання, які максимізують асоціативні якості мереж за умови певних архітектурних обмежень. Запропоновано вдосконалення псевдоінверсного методу навчання мереж з заданою архітектурою, що дозволило позбутися нестабільності обчислень і підвищити ємність пам'яті. Одержано теоретичні оцінки атракторних якостей і характеристик вагових матриць для неповнозв'язних мереж. Запропоновано метод побудови мереж з адаптивною архітектурою, що залежить від даних, які зберігаються у мережі. Виявлено та піддано теоретичному й експериментальному аналізу явище фазового переходу в асоціативний стан для мереж з адаптивною архітектурою. Запропоновано новий спосіб побудови асоціативної нейронної мережі з архітектурою "тісного світу", який покращив асоціативні якості мережі за збереження відомих переваг цієї моделі. Створено алгоритмічне та програмне забезпечення, що реалізує розроблені методи побудови неповнозв'язаних асоціативних нейронних мереж. Ефективність розроблених моделей продемонстровано на прикладі задачі розпізнавання хімічних образів.

  Завантажити