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.

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 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.

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.

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 проблемы построения и применения гибридных моделей и мультиагентных технологий в сложных распределенных системах, функционирующих в нечетком пространстве состояний и в условиях неопределенности. Приведены результаты исследований, имеющих научное и прикладное значение в системах вычислительного интеллекта, информационных и геоинформационных технологиях. Показано, что разработка и исследование эффективных законов обучения гибридных нейро-фаззи моделей позволяет принимать обоснованные решения во взаимодействующих развивающихся динамических системах и процессах. Теоретические обоснованы и даны рекомендации по практическому использованию гибридных нейро-фаззи моделей, мультиагентных технологий, формальных критериев, методов, алгоритмических и программных средств.

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.

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

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.

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

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.

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.

Рассмотрены методы нечеткой (фаззи) кластеризации данных в условиях перекрывающихся классов на основании вероятностного и возможностного подходов. Предложены адаптивные алгоритмы, реализующие эти подходы и позволяющие обрабатывать данные по мере их поступления в реальном времени. Введены робастные процедуры кластеризации, основанные на целевых функциях, устойчивых к аномальным выбросам.

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.

Предложены архитектура и алгоритм обучения нейро-фаззи системы, предназначенной для решения задачи интерполяции двухмерных функций, заданных на произвольно расположенных на плоскости узлах.

Розглянуто проблему інтерполяції двовимірної функції, яку задано на прямокутній сітці, нерівномірній вздовж однієї з осей. Для вирішення запропоновано нейро-фаззі систему, що базується на пам'яті. Така система характеризується обчислювальною простотою та забезпечує високу якість інтерполяції.

Рассмотрена новая нетрадиционная нейросетевая архитектура - каскадная ортогональная нейронная сеть, алгоритм ее обучения в пакетном режиме и в режиме реального времени, а также применение этой архитектуры для решения задач прогнозирования и аппроксимации.

Рассмотрена модель спайк-нейрона, предложена архитектура гетерогенной спайк-нейронной сети для решения задачи кластеризации. В качестве алгоритма обучения выбрано модифицированное правило Хэбба. Для преобразования входного сигнала в кортежи спайков использованы рецепторные поля. Показана эффективность решения задачи кластеризации на основе сети спайк-нейронов.

Розглянуто задачу прогнозування взаємозалежних часових рядів, що описують процеси споживання електроенергії. Увагу приділено обробці сигналів, заданих у різних шкалах виміру (якісній, порядковій, номінальній), що дозволяє включати в модель додаткову інформацію. Запропоновано нову архітектуру гібридної нейро-фаззі мережі та її алгоритм навчання, що забезпечує високу швидкість збіжності й можливість обробки інформації в реальному часі. Результати експерименту показали, що запропонований метод має більш високу точність прогнозування й менші витрати пам'яті та часу на обробку інформації.

Предложена адаптивная нечеткая самоорганизующаяся нейронная сеть, настраиваемая с помощью рекуррентного алгоритма самообучения, являющегося обобщением правила обучения Кохонена, и позволяющая находить в реальном времени не только прототипы (центроиды) формируемых кластеров, но и оценивать уровни принадлежности каждого вновь поступившего образа к конкретному кластеру, что позволяет использовать данную архитектуру для кластеризации текстовых документов в условиях взаимно перекрывающихся классов.