Пропонується двоетапна адаптивна процедура знаходження розладнань в багатовимірних випадкових послідовностях, заснована на багатомодельному підході. На першому етапі розраховується оптимальний відфільтрований сигнал, заснований на повному наборі фільтрів з деякої множини можливих структур, а на другому етапі обчислюються ймовірності гіпотез, відповідних до кожної з моделей.

Розглянуто основні напрямки теорії інтелектуальних систем управління - адаптивні системи управління; системи, які грунтуються на знаннях; фаззі-системи на основі нечітких множин; штучні нейронні мережі. Наведено список літератури з розглянутих питань, а також навчальні дисципліни в підготовці фахівців з комп'ютерної інженерії та управління.

Висвітлено проблеми навчання в реальному часі нейро-фаззі-мережі на базі системи нечіткого виведення типу Сугено. Запропоновано новий алгоритм навчання, що базується на широко відомому алгоритмі Марквардта та апроксимації матриці Гессе. Обчислення градієнтів для настроювання параметрів мережі здійснюється згідно з процедурою зворотного поширення похибки, що використовується для навчання нейронних мереж. Особливістю зазначеного алгоритму є відсутність операцій обернення матриць. Моделювання в системі MATLAB ілюструє його застосування для прогнозування часового ряду, що описується рівнянням хаос-динаміки.

Запропоновано підхід до розв'язання задачі прогнозування і раннього виявлення змін властивостей нестаціонарних стохастичних послідовностей, що описуються нелінійними різницевими рівняннями авторегресії - змінного середнього (NARMA-моделі). Припущено, що прогнозована послідовність є нестаціонарною в широкому розумінні, причому зміни структури, що свідчать про виниклі розлади, відбуваються у заздалегідь невідомі моменти часу. Запропоновано архітектуру штучної нейронної мережі та нові алгоритми її навчання, що дозволяють з високою точністю та швидкодією отримувати прогнози контрольованого сигналу та виявляти моменти зміни його властивостей.

Розглянуто питання створення адаптивних нейронних мереж, які працюють в реальному часі. Для обробки параметрів, значення яких лежать в різних діапазонах, запропоновано кодувальні та декодувальні нейрони. Наведено схему нейроемуляції об'єкта із вживанням мережі, що містить нейрони-кодери та декодери.

Індекс рубрикатора НБУВ: Е70*739.11*01

Рубрики:

Біологія людини

Шифр НБУВ: Ж22412/а Пошук видання у каталогах НБУВ 

Розглянуто представлення активаційної функції нейрона у вигляді степеневого ряду. Запропоновано алгоритм керування кутом нахилу активаційної функції. Наведено результати числового експеримента.

Описано підхід щодо керування мехатронними об'єктами з використанням нечіткої моделі, що самоорганізується на основі системи нечіткого виведення Такагі - Сугено. Запропоновано алгоритми генерування правил, ідентифікації параметрів консеквентів і настроювання центрів функцій належності в реальному часі. Використаний закон керування побудовано на лінеаризації нечіткої моделі. Структура системи керування гарантує відсутність статичної похибки керування. Імітаційне моделювання підтверджує ефективність розроблених алгоритмів під час керування електроприводом з вентильним двигуном.

Розглянуто задачу кластеризації на підставі вірогіднісного та можливісного підходів за відсутності навчального сигналу. Запропоновано рекурентну модифікацію вірогідносного та можливісного алгоритмів кластеризації, які виконуються паралельно. Комп'ютерне моделювання демонструє використання розробленого алгоритму для задач класифікації даних і підтверджує його ефективність.

Рассмотрена задача прогнозирования нелинейных нестационарных временных рядов с помощью ансамбля нейропредикторов. Предлагается алгоритм, позволяющий в реальном времени изменять число нейропредикторов, входящих в ансамбль.

Розглянуто архітектуру нейро-фаззі-мережі Колмогорова, що являє собою гібрид схеми суперпозиції функцій однієї змінної, двошарової нейронної мережі та дворівневої системи нечіткого виведення. Ця мережа базується на використанні дзвонуватих несиметричних поліноміальних функцій належності четвертого порядку. Запропоновано градієнтну процедуру навчання для настроювання вагових коефіцієнтів та активаційних функцій вихідного шару. Запропоновану мережу можна використовувати для вирішення задач класифікації даних, прогнозування часових послідовностей, нейрокерування, емуляції та ін.

Розглянуто нейро-фаззі мережу Колмогорова, що є гібридом схеми суперпозиції функцій однієї змінної, нейронну мережу прямого розповсюдження та систему нечіткого виводу типу Такагі - Сугено. Запропоновано новий пакетний градієнтний алгоритм навчання на базі зворотного поширення похибок та методів оптимізації другого порядку. Розглянуту мережу та запропонований алгоритм навчання можна використовувати для вирішення задач класифікації даних, прогнозування часових послідовностей, нейрокерування, емуляції та ін.

Рассмотрены основные принципы построения искусственных нейронных сетей (ИНС), которые представляют собой самостоятельное направление в теории интеллектуальных систем, дана характеристика биологического аналога искусственного нейрона. Проанализированы процессы обработки информации в биологических системах. Приведены различные модели искусственных нейронов и определены свойства построенных на их основе сетей, начиная от персептрона и заканчивая самыми последними разработками в этой области. Значительное внимание уделено методам обучения ИНС и вопросам рационального выбора и упрощения их архитектуры. Освещены прикладные аспекты использования нейросетевых технологий (финансовое прогнозирование, адаптивное управление сложными объектами в условиях неопределенности, обработка видео- и речевых сигналов, фильтрация и сжатие информации). Приведены методы упрощения структуры сетей, генетические алгоритмы и примеры применения ИНС.

Рассмотрены вопросы построения нечетких сетевых моделей (НСМ), формальных критериев, интеллектуальных вычислительных механизмов, методов, алгоритмических программных средств моделирования динамических взаимодействующих процессов, анализа адекватного взаимодействия процессов, оптимизации и выбора альтернатив на множестве критериев ограничений сложных систем. Для целей реализации НСМ впервые предложены и исследованы новые классы нечетких сетей Петри - интегрированные нейро-фаззи сети Петри, основанные на развитии их интеграции.

Предложен алгоритм обучения радиально-базисных нейронных сетей, основанный на приблизительных множествах. Алгоритм предназначен для решения задач распознавания образов и классификации, а также может использоваться для управления, идентификации и эмуляции при помощи радиально-базисных нейронных сетей.

Предложены методы прогнозирования и эмуляции на основе гибридных алгоритмов вычислительного интеллекта, а именно гибридных вейвлет-нейронных сетей. Рассмотрена структура вейвлет-нейрона и процедура настройки всех его параметров: синаптических весов и параметров растяжения (ширины) вейвлет-активационной функции - градиентным алгоритмом со сглаживанием, а параметров смещения (центры) вейвлет-активационной функции - алгоритмом обучения на точках поворота. Алгоритм обучения на точках поворота позволяет минимизировать эффект сдвига сигнала прогноза по отношению к фактическому сигналу.

Запропоновано архітектуру подвійного вейвлет-нейрона (ВН) на базі трикутних вейвлетів змінної форми та його алгоритм навчання. Ця архітектура дозволяє покращити апроксимуючі властивості ВН. Архітектура подвійного ВН може бути будівельним блоком ВН мереж. Проведено імітаційне моделювання на підставі прогнозування нестаціонарного часового ряду.

Предложена архитектура двойного вэйвлет-нейрона, который является модификацией стандартного вэйвлет-нейрона, и алгоритм обучения его параметров. Предложенная архитектура позволяет улучшить аппроксимирующие свойства вэйвлет-нейрона. Проведено имитационное моделирование предложенного двойного вэйвлет-нейрона и алгоритма его обучения с использованием нестационарного хаотического временного ряда.

Розглянуто спеціальний клас нейромережевої автоасоціативної пам'яті - нечіткі BSB- та GBSB-моделі та алгоритми їх навчання. Ці моделі, що задані на гіперкубі, вирішують задачі нечіткої кластеризації заданого масиву даних за рахунок того, що вершини гіперкуба діють як точкові атрактори. Введено функцію приналежності, що дозволяє здійснювати класифікацію даних, які належать кластерам, що перетинаються.

Рассмотрен синтез алгоритма обучения радиально-базисной нейронной сети с полиномиальными функциями активации 4-й степени для задачи прогнозирования временных рядов.