Рассмотрены параметры профильного изображения лица человека, определяемые через соотношения расстояний между характерными точками. Предложены методы автоматической локализации характерных точек на профильном изображении лица человека. Отдельно рассмотрены точки, лежащие на линии профиля, и точки, находящиеся внутри контура головы.

Рассмотрена задача структурной классификации нечетких образов. Построение классификатора рассматривается как задача обучения без учителя, которая решается при помощи сети ART с нечеткими весами связей. Обоснована неэффективность существующих модификаций сетей ART при работе с нечеткими входными данными. Рассмотрены основные отличия усовершенствованной модели, которые повышают ее эффективность.

Использование прототипов для представления ситуации позволяет решить проблему интерпретации ситуаций, возникающую в современных системах ситуационного и когнитивного управления. Решена задача представления сложных ситуаций, характеризуемых множеством неполных дополнительных описаний с помощью нечетких прототипов. Рассмотрен случай, когда исходной информацией о ситуации является конечное множество нечетких либо лингвистических оценок значений числовых признаков. Предложено представить прототип в виде нечеткого вектора, компоненты которого заданы параметрически. Предложен способ формирования иерархии прототипов по принципу конкретизации, требующий хранения лишь ограниченного множества простых, наиболее общих прототипов. Хранение простых прототипов организовано в виде памяти, адресуемой по содержимому. Для увеличения скорости обращения к памяти решена проблема эффективной оценки расстояния в пространстве прототипов. Сложные составные прототипы формируются динамически на основе вектора активности простых прототипов. Временная сложность соответствующего алгоритма линейно зависит от объема памяти.

Модели класса темпоральных автоматов представляют удобную абстракцию для решения задач диагностики и управления в системах промышленного Интернета вещей (IIoT). Для их применения требуется выполнять идентификацию автомата путем пассивного обучения онлайн, используя лишь положительные образцы. Такой тип обучения поддерживается гибридными темпоральными автоматами (HTA) посредством алгоритма OTALA. Однако для обучения HTA требуется последовательность дискретных событий вместо непрерывных аналоговых временных рядов, которые обычно встречаются в IIoT. Некоторые ученые пытались восполнить этот пробел за счет предобработки наблюдений самоорганизующимися картами (SOM) с преобразованием водораздела, но полученные модели часто оказывались неэффективными в реальных условиях. Задача идентификации темпорального автомата на аналоговых данных IIoT решена с применением инкрементного алгоритма, кластеризация - на основе моделей (IMCF). IMCF - это потоковый алгоритм, который обрабатывает временные ряды в режиме онлайн и преобразует их в последовательность дискретных состояний с четкими либо нечеткими переходами между ними. Такие переходы затем используются в качестве событий, необходимых для идентификации HTA с помощью OTALA. Полученные модели экспериментально исследованы в случае системы IIoT, которая ранее представляла сложность для моделирования. Достигнутое повышение эффективности на 24,9 - 76,8 % демонстрирует, что дискретизация с помощью IMCF более информативна для идентификации HTA. Обсуждены более широкие перспективы применения HTA в системах IIoT и определены оставшиеся ограничения для их практического применения: дискретность переходов между состояниями HTA и отсутствие долговременной памяти переходов.