Викладено теоретичні засади щодо раннього виявлення змін властивостей (розладнань) об'єктів і систем керування. Висвітлено методи теорії адаптивних систем і штучних нейронних мереж, призначених для роботи у режимі реального часу за умов апріорної та поточної невизначеності. Запропоновано нові архітектури нейронних мереж і алгоритми навчання та ідентифікації, що дозволяють розв'язувати широке коло задач контролю та діагностики, забезпечують компроміс між кількістю хибних тривог і запізненням у визначенні розладнань.

Проаналізовано проблеми розвитку нейро-фаззі моделей динамічних взаємодіючих процесів, які відносяться до гібридних систем і є складовою систем обчислювального інтелекту. Розкрито актуальні питання побудови нечітких мережевих моделей, формальних критеріїв, інтелектуальних обчислювальних механізмів, методів, алгоритмічних і програмних засобів моделювання динамічних взаємодіючих процесів. Увагу приділено аналізу адекватності взаємодії процесів, оптимізації ресурсів і вибору альтернатив на множині критеріїв і обмежень складних систем. Запропоновано та досліджено нові класи нечітких мереж Петрі - інтегровані нейро-фаззі мережі Петрі (ІМП), які базуються на розвитку й інтеграції нечітких мереж Петрі, кольорових нечітких мереж Петрі та нейро-фаззі мереж. Класи ІМП відрізняються мірою інтеграції та базовими структурами, що дозволяє за критеріями обчислювальної складності проводити цілеспрямований вибір моделі для конкретних застосувань.

Проанализированы проблемы развития нейро-фаззи динамических взаимодействующих процессов, которые относятся к гибридным системам и являются слагаемой систем вычислительного интеллекта. Раскрыты актуальные вопросы построения нечетких сетевых моделей, формальных критериев, интеллектуальных вычислительных механизмов, методов, алгоритмических и программных средств моделирования динамических взаимодействующих процессов. Уделено внимание анализу адекватности взаимодействия процессов, оптимизации ресурсов и выбора альтернатив на множестве критериев и ограничений сложных систем. Предложены и исследованы новые классы нечетких сетей Петри - интегрированные нейро-фаззи сети Петри (ИСП), которые базируются на развитии и интеграции нечетких сетей Петри, цветных сетей Петри и нейро-фаззи сетей. Классы ИСП отличаются мерой интеграции и базовыми структурами, что позволяет по критериям вычислительной сложности выполнять целенаправленный выбор модели для конкретных применений.

Запропоновано архітектуру вейвлет-фаззі-нейрона типу-2 та алгоритм навчання усіх його параметрів, а також метод редукції моделі, що надає змогу проводити інтелектуальну обробку даних в on-line режимі за високої швидкості надходження даних. Проведено низку комп'ютерних експериментів на реальних даних, що підтверджують доцільність підходу, що розвивається.

Запропоновано конкурентну ймовірнісну нейронну мережу (НМ), в якій параметр ширини активаційної функції настроюється автоматично. Запропонована штучна НМ використовується для обробки текстової інформації з метою створення семантичних анотацій текстових документів.

Висвітлено сучасний стан розвитку математичних моделей обчислювального інтелекту в системах керування технологічними процесами феросплавного виробництва. Розглянуто актуальні питання побудови, навчання та дослідження орієнтованих на знання фаззі, нейро-фаззі моделей динамічних процесів та об'єктів, що функціонують за умов невизначеності простору станів, їх застосування в складних системах та мультиагентних технологіях інтеграції інформаційного простору обчислювальних систем. Подано детальну характеристику штучних нейронних мереж, гібридних моделей на основі інтеграції Е-мереж і стохастичних потокових мереж, нечітких мережевих моделей, заснованих на інтегрованих мережах Петрі. Наведено рекомендації з практичного використання моделей, методів та технологій обчислювального інтелекту в виробничих системах.

Запропоновано архітектуру еволюційної нейро-фаззі системи, що не схильна до прокльону розмірності, здатна обробляти інформацію в режимі реального часу, адаптуючи у ході цього свої параметри і структуру до умов задачі. Як активаційні функції використано ядерні функції.

Розглянуто структуру адаптивного W-нейрона та його метод навчання. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує покращені апроксимуючі властивості за рахунок настроювання всіх параметрів вейвлет-функцій. Введено підсистему виявлення розладнань для W-нейрона, що надає змогу розв'язувати задачі діагностування в on-line режимі стохастичних процесів.

Уведено структуру адаптивного нео-фаззі-предиктора та багатовимірного нео-фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв'язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки.

Розглянуто гібридні нейронні мережі, що засновані на ідеї поєднання спайк-нейронних мереж та принципів нечіткої логіки. Запропоновано архітектуру самонавчанної фаззі-спайк-нейронної мережі на основі дискретних динамічних ланок другого порядку. Запропоновано опис спайк-нейронної мережі в рамках теорії автоматичного керування. Синапси спайк-нейрона надано як ланки другого порядку, а сома як система порогового виявляння. Спайк-нейронна мережа, реалізована таким чином, є аналого-цифровою нелінійною динамічною системою, що передає та обробляє інформацію і в часоімпульсній, і в часонеперервній формах.

Обговорюється проблема оцінювання та пошуку структури полігармонічних стохастичних процесів в умовах невизначеності. Припускається, що процес є сумою гармонічних компонент з різними невідомими частотами та незалежних випадкових змінних. Запропоновано підхід до вирішення цієї проблеми, заснований на багатомодельному адаптивному алгоритмі визначення розладнань та теорії штучних нейронних мереж. Розроблено архітектуру багатошарової нейронної мережі та алгоритми настроювання параметрів нейронів, що забезпечують максимальну швидкість процесу навчання.

Запропоновано й обгрунтовано алгоритми навчання нейронної мережі з максимальною швидкодією.

Сформульовано основні принципи побудови нейро-фаззі-мереж Петрі. Запропоновано комплекс тверджень, які визначають умови дозволеності переходів та умови збудження штучних нейронів у нечітких мережних моделях складних технологічних об'єктів.

Запропоновано модель багатовимірних часових рядів, яка настроюється, на базі модифікації алгоритму експоненційно зваженої стохастичної апроксимації для задачі пошуку змін у відеоданих.

Розглянуто задачу нечіткої кластеризації багатовимірних спостережень та запропоновано групу адаптивних алгоритмів самонавчання нейронної мережі Кохонена для можливістної кластеризації зі змінним параметром нечіткості, які здатні у реальному часі виділяти в даних кластери, що перетинаються. Наведені алгоритми характеризуються числовою простотою та гнучкістю при роботі за умов апріорної невизначеності відносно характеру розподілення даних в кластерах.

Описано вирішення задачі прогнозування сумарного електричного навантаження (СЕН) електроенергетичної системи (EEC) двома способами. Перший (для побудови математичної моделі) використовує параметричний метод аналізу та прогнозування нестаціонарних часових рядів, другий - нейро-фаззі мережі. Наведено адитивну математичну модель СЕН, алгоритми моделювання та прогнозування її складових. Описано архітектуру нейро-фаззі мережі й алгоритм її навчання. Для адекватного порівняння результатів виконано прогнозування СЕН EEC на тижневий інтервал упередження з використанням єдиної вихідної інформації. Показано переваги ієрархічного вирішення задачі короткострокового прогнозування сумарного електричного навантаження EEC із використанням математичних моделей СЕН обласних енергосистем. Сформульовано шляхи подальшого підвищення точності та надійності результатів короткострокового прогнозування СЕН EEC.

Розроблено підходи, методи та алгоритми обчислювального інтелекту на основі гібридизації відомих напрямів та надання їм адаптивних властивостей, що надає можливість обробляти послідовності даних у формі багатовимірних часових рядів великої розмірності або потоків відео, що надходять на опрацювання або з зовнішнього середовища, або з надвеликих баз даних (VLDB) (концепція Big Data) у режимі реального часу. Розглянуто математичні моделі представлення відеопослідовностей за допомогою апарату теорії множин. Для розв'язання задачі сегментації відеопотоків запропоновано підхід просторово-часової сегментації. Як часову складову використано теорію часових послідовностей, для чого введено матричні аналоги наявних підходів. Як варіанти розв'язання охарактеризовано методи експоненційного згладжування, VAR-моделі, нейромережеві підходи з використанням методу головних компонент та методи прогнозування. Проаналізовано сучасні автоматичні методи сегментації кадрів відопотоку для розв'язання сучасних прикладних задач, які грунтуються на концепції Computer Vision. Введено нові адаптивні on-line методи нечіткої робастної кластеризації-сегментації потоків даних на основі імовірнісних та можливісних підходів та методи ідентифікації руху та відслідковування рухомих об'єктів у відеопотоках реального часу.

Запропоновано еволюційну каскадну систему обчислювального інтелекту на основі нейро-фаззі вузлів, а також алгоритми її навчання. Запропонована система в процесі навчання налаштовує не тільки свої параметри, але й архітектуру в online режимі. Як вузли еволюційної каскадної системи запропоновано використовувати нейро-фаззі системи. Для налаштування параметрів функцій належності нейро-фаззі вузлів запропоновано алгоритм, що грунтується на використанні градієнтної процедури мінімізації критерію навчання. У процесі навчання нейро-фаззі вузлів налаштовуються синаптичні ваги, центри і параметри ширини функцій належності нейро-фаззі вузлів. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру еволюційної каскадної нейро-фаззі системи. Проведено ряд експериментів з дослідження властивостей запропонованої системи. Результати експериментів підтвердили те, що запропоновану систему можна використовувати для розв'язання широкого кола задач інтелектуального аналізу даних, при цьому обробка даних відбувається в online режимі. Система характеризується простотою числової реалізації, а процес обробки даних можна прискорити завдяки можливості паралельного налаштування вузлів еволюційної каскадної системи. Характерною особливістю запропонованої системи є те, що для її налаштування не потрібний великий об'єм навчальної вибірки.

Запропоновано гібридну узагальнену адитивну нейро-фаззі систему, що об'єднує переваги нейро-фаззі системи Ванга - Менделя і узагальнених адитивних моделей Хасті - Тібшірані. Ця система характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання та призначена для розв'язання широкого класу задач динамічного інтелектуального аналізу даних, що пов'язані з прогнозуванням нестаціонарних стохастичних і хаотичних сигналів, що забруднені завадами та надходять до системи послідовно в режимі реального часу.

Запропоновано on-line нейро-фаззі систему для вирішення завдань послідовного нечіткого кластерування даних, що дозволяє опрацьовувати вектори спостережень за умов обмеженого числа даних в оброблюваній вибірці, а також алгоритм її самоначання на основі самоорганізовної мапи Т. Когонена. Архітектура системи містить сім шарів обробки інформації і є за своєю суттю гібридом системи Ванга - Менделя та нечіткої кластерувальної самоорганізовної мережі. Запропонована система в процесі самонавчання налаштовує не лише свої параметри, але й архітектуру в on-line режимі. Для налаштування параметрів функцій належності гібридної нейро-фаззі системи введено алгоритм, що грунтується на використанні конкуренткого навчання. У процесі навчання гібридна нейро-фаззі система налаштовує синаптичні ваги, центри і параметри ширини функцій належності. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру гібридної нейро-фаззі системи. Проведено низку експериментів з дослідження властивостей запропонованої системи. Результати експериментів підтвердили те, що запропоновану систему можна використовувати для розв'язання задачі кластерування, при цьому обробляння даних відбувається в on-line режимі. Система характеризується простотою числової реалізації. Характерною особливістю запропонованої системи є те, що вона поєднує як навчання з учителем, так і самонавчання.

Запропоновано адаптивну матричну нейро-фаззі самооргазізовну мережу для кластеризації багатовимірних потоків даних (біомедичні масиви спостережень, сигнали цифрового відео, що формують дискретні двовимірні поля тощо). Ця мережа характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв'язання широкого класу задач інтелектуального аналізу потоків даних. Результати низки експериментів як на тестових, так і на реальних даних підтверджують ефективність запропонованого підходу.