Проаналізовано методи побудови нейронечітких мереж (ННМ). Запропоновано метод синтезу ННМ, який на базі побудованого дерева розв'язків визначає структуру мережі та обчислює параметри нейроелементів. Проведено експерименти щодо розв'язання практичних задач.

Досліджено застосування дерев розв'язків для розв'язання завдання кластерного аналізу. Розроблено метод кластерного аналізу, що дозволяє виконувати розбиття простору екземплярів на кластери, під час використання якого відсутня необхідність задання інформації про кількість кластерів та їх форму, що суттєво розширює можливість його застосування на практиці. Проведено експерименти з розв'язання завдань кластер-аналізу з використанням запропонованого методу.

Розглянуто завдання індукції лінгвістичних правил. Розроблено метод ідентифікації дерев розв'язків для індукції лінгвістичних правил. Створено програмне забезпечення на основі запропонованого методу. Проведено експерименти з розв'язання практичних задач, що дозволило дослідити ефективність запропонованого методу.

Проаналізовано процес побудови та методи синтезу дерев розв'язків в інтелектуальних системах. Розроблено еволюційний метод синтезу дерев розв'язків, який базується на стохастичному підході та не використовує жадібну стратегію пошуку, що дозволяє будувати дерева розв'язків з достатніми узагальнюючими й апроксимаційними властивостями з незначною кількістю вузлів. Запропоновано модифікацію методу синтезу дерев розв'язків ID3, у якій розраховуються пігністичні ймовірності віднесення екземплярів до класів на основі теорії функцій довіри, що дозволяє виконувати класифікацію екземплярів за умов невизначеності або неповноти даних. Розроблено метод побудови дерев розв'язків, що дозволяє виконувати індукцію лінгвістичних правил і забезпечує можливість розробки експертних систем на основі більш інтерпретабельних баз лінгвістичних правил. Запропоновано метод синтезу нейро-нечітких мереж на основі дерев розв'язків, який не вимагає вирішення задач оптимізації для настроювання значень параметрів моделі. Створено автоматизовану систему синтезу дерев розв'язків, що дозволяє виконувати побудову простих і зручних для подальшого аналізу моделей у вигляді дерев розв'язків.

Вирішено завдання планування ресурсів паралельних комп'ютерних систем за синтезу нейро-нечітких мереж. Об'єкт дослідження - процес синтезу нейро-нечітких моделей. Предмет дослідження - методи планування ресурсів паралельних комп'ютерних систем. Мета роботи - побудова моделі планування ресурсів паралельних комп'ютерних систем, що здійснюють вирішення прикладних завдань на основі паралельного методу синтезу нейро-нечітких мереж. Запропоновано модель планування ресурсів паралельних комп'ютерних систем за синтезу нейро-нечітких мереж. Синтезована модель враховує тип комп'ютерної системи, кількість процесів, на яких виконується завдання, пропускну здатність мережі передачі даних, параметри використовуваного математичного забезпечення (кількість можливих рішень, що обробляються в процесі роботи методу, частки рішень, що генеруються на кожній ітерації стохастичного пошуку за допомогою застосування операторів схрещування і мутації), а також параметри розв'язуваної прикладної задачі (кількість спостережень і кількість ознак в заданій множині даних, що описує результати спостережень за досліджуваним об'єктом або процесом). Розроблено програмне забезпечення, що реалізує синтезовану модель планування ресурсів. Виконано експерименти, що підтверджують адекватність запропонованої моделі. Результати експериментів дозволяють рекомендувати застосування розробленої моделі на практиці.

Розглянуто задачу кодування інформації моделей на базі штучних нейронних мереж для подальшого пересилання та використання таких моделей. Об'єкт дослідження - процес кодування штучних нейронних мереж з використанням ймовірнісних структур даних. Мета роботи - розробка методу кодування нейронних мереж для зменшенні ресурсоємності процесу нейроеволюційного синтезу моделей. Запропоновано метод кодування нейронних мереж на основі ймовірнісних структур даних. На початку метод використовує основні принципи підходу прямого кодування інформації про мережу та базуючись на секвенуванні кодує матрицю міжнейронних зв'язків у вигляді біополімерів. Потім використовуються ймовірнісні структури даних для більш компактного представлення початкової матриці. Для цього використовуються хеш-функції, початкова матриця проходить через процес хешування, що дозволяє значно знизити вимоги до ресурсів пам'яті. Метод дозволяє скоротити витрати пам'яті при пересилці штучних нейронних мереж, що значно розширює практичне використання таких моделей, запобігаючи різкому зменшенню точності їх роботи. Розроблений метод реалізовано та досліджено при вирішенні задачі класифікації стану південнонімецьких кредиторів. Використання розробленого методу дозволило збільшити швидкість синтезу нейромоделі на 15 - 17,6 %, в залежності від використовуваних обчислювальних ресурсів. Також метод дозволив скоротити долю пересилок інформації на 8 %, що також свідчить про прискорення та більш раціональне використання ресурсів. Висновки: проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при кодуванні моделей на основі штучних нейронних мереж для подальшого вирішення задач діагностування, прогнозування, оцінювання та розпізнавання образів. Перспективи подальших досліджень можуть полягати в попередній обробці даних для більш жорсткого контролю процесу кодування з метою мінімізації втрат якості роботи моделей на основі нейронних мереж.

Розглянуто задачу структурного доналаштування попередньо синтезованих моделей на базі штучних нейронних мереж для забезпечення властивості інтерпретабельності при роботі із великими об'ємами даних. Об'єкт дослідження - процес структурного доналаштування штучних нейронних мереж з використанням адаптивних механізмів. Мета роботи - розробка методу структурного доналаштування нейронних мереж для підвищення швидкості їх роботи та зменшення ресурсоємності при обробці великих даних. Запропоновано метод структурного доналаштування нейронних мереж на основі адаптивних механізмів запозичених із нейроеволюційних методів синтезу. На початку метод використовує систему індикаторів для оцінки існуючої структури штучної нейронної мережі. Оцінка грунтується на структурних особливостях нейромоделі. Потім отримані індикаторні оцінки порівнюються із критеріальними значеннями для вибору типу структурного доналаштування. У якості варіантів структурного доналаштування використовується варіанти мутаційних змін із групи методів нейроеволюціонної модифікації топології і ваг нейромережі. Метод дозволяє знизити ресурсоємність під час роботи нейромоделі, за рахунок пришвидшення обробки великих даних, що розширює поле практичного застосування штучних нейронних мереж. Розроблений метод реалізовано та досліджено на прикладі використання рекурентної штучної мережі типу Довга короткочасна пам'ять при вирішенні задачі класифікації. Використання розробленого методу дозволило збільшити швидкість роботи нейромоделі з тестовою вибіркою на 25,05 %, в залежності від використовуваних обчислювальних ресурсів. Висновки: проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при структурному доналаштуванні попередньо синтезованих нейромоделей для подальшого вирішення задач діагностування, прогнозування, оцінювання та розпізнавання образів з використанням великих даних. Перспективи подальших досліджень можуть полягати в більш тонкому налаштуванні системи індикаторів для визначення зв'язків, що кодують зачумлені дані з метою додаткового підвищення точності роботи моделей на основі нейронних мереж.

Розглянуто задачу синтезу імпульсних нейронних мереж на основі еволюційного підходу до синтезу штучних нейронних мереж з використанням нейропатерного механізму для побудови діагностичних моделей з високим рівнем точності роботи. Об'єкт дослідження - процес синтезу імпульсних нейронних мереж з використанням еволюційного підходу та нейропатерного механізму. Мета роботи - розробка методу синтезу імпульсних нейронних мереж на основі еволюційного підходу з використанням нейропатерного механізму для побудови діагностичних моделей з високим рівнем точності роботи. Запропоновано метод синтезу імпульсних нейронних мереж на основі еволюційного підходу. На початку генерується популяція імпульсних нейронних мереж, для їх кодування та подальшого розвитку використовується нейропатерний механізм, що полягає в окремому кодуванні нейронів із різними функціями активації, що визначаються попередньо. Так кожен патерн з декількома точками входу може визначати взаємозв'язок між парою точок. В подальшому, це спрощує еволюційний розвиток мереж. Щоб розшифрувати імпульсну нейронну мережу з патерну координати для пари нейронів передаються в мережу, що створює патерн. Вихідний сигнал мережі визначає вагу і затримку з'єднання між двома нейронами в імпульсній нейронній мережі. Після цього можна оцінити кожну нейромодель після еволюційних змін та перевірити критерії зупинки синтезу. Метод дозволяє знизити ресурсоємність під час синтезу мережі, за рахунок абстрагування еволюційних змін патерну мережі від неї самої. Розроблений метод реалізовано та досліджено на прикладі синтезу імпульсної нейронної мережі для використання у якості моделі для технічного діагностування. Використання розробленого методу підвищити точність нейромоделі з тестовою вибіркою на 20 %, в залежності від використовуваних обчислювальних ресурсів. Висновки: проведені експерименти підтвердили працездатність запропонованого математичного забезпечення і дозволяють рекомендувати його для використання на практиці при синтезі імпульсних нейронних мереж у якості основи діагностичних моделей для подальшої автоматизації задач діагностування, прогнозування, оцінювання та розпізнавання образів з використанням великих даних. Перспективи подальших досліджень можуть полягати у використання нейропатерного механізму для непрямого кодування імпульсних нейронних мереж, що буде забезпечувати, ще більш компактне зберігання даних та пришвидшить процес синтезу.