Досліджено нейро-фазові моделі та системи, а також методи ї навчання та самонавчання для розв'язання задач інтелектуального аналізу даних, а саме: відтворення функціональних залежностей, зниження розмірності простору ознак числових даних і задач автоасоціативної пам'яті у режимі послідовної обробки. Вдосконалено метод самонавчання тришарової автоасоціативної нейронної мережі для зниження розмірності, що дозволяє підвищити швидкодію та точність обробки та запропоновано модель цієї мережі. Вдосконалено методи самонавчання нейромережевих моделей для аналізу головних компонент, що забезпечують можливість обробки нестаціонарних даних у послідовному режимі. Синтезовано моделі нечітких автоасоціативних пам'ятей, що мають півищену ємність і розширені функціональні можливості. Запропоновано модель узагальненої регресійної нейро-фаззі мережі, що характеризується простотою обчислення, дозволяє інтерпретувати результати з високою точністю. Встановлено структурну подібність між дискретним F-перетворенням і узагальненою регресійною нейронною мережею, на підставі якої запропоновано модель адаптивного F-перетворення, що дозволяє послідовно обробляти дані та змінювати кількість функцій належності під час процесу навчання. З урахуванням здійснених тестових вибірок, а також під час розв'язання практичних задач з медико-біологічної та фінансової сфер підтверджено ефективність запропонованих нейро-фаззі методів і моделей.

  Скачати повний текст