Розроблено нові нейронечіткі інформаційні технології синтезу нечітких баз знань пониженої сладності для прогнозування стохастичних процесів. Введено збалансовані нейронечіткі моделі у формі Бернштейна, які генерують систему спрощених нечітких правил квадратичної складності. Досліджено методи навчання моделей стохастичних процесів як некоректної оберненої задачі відновлення стохастичних залежностей за даними спостережень. Розроблено індуктивний метод побудови збалансованих робастних нейронечітких моделей у формі Бернштейна на основі байєсівської регресії опорних векторів у характеристичному просторі поліноміальних функцій Без'є - Бернштейна (ПРІАМ). Розроблено архітектуру та створено прототип інформаційної онлайн системи обробки статистичних даних, яка реалізує запропонований метод. Проведено порівняльний аналіз ПРІАМ з нечітким методом групового врахування аргументів і рекурентними нейронними мережами з використанням реальних і штучних еталонних моделей, а також економічних, метереологічних, екологічних моделей. На підставі результатів експериментів доведено ефективність розробленого методу.

  Скачати повний текст

Розроблено методи структурної та параметричної адаптації нечітких моделей на основі штучних імунних систем, які дозволяють спрощувати нечіткі моделі та підвищувати їх точність. Розроблено метод адаптації нечіткої нейронної мережі, яка реалізує нечітке логічне виведення за алгоритмом Такагі-Сугено, на основі штучних імунних систем з використанням адаптивного мультиантитіла для одночасного настроювання всіх параметрів і структури нечіткої нейронної мережі. Наведено доказ збіжності запропонованих імунних алгоритмів. Вдосконалено методи клонування та мутації антитіл. Проведено експериментальні дослідження на тестових функціях і порівняльний аналіз запропонованого імунного підходу з існуючими методами, які показують підвищення ефективності адаптивних нечітких моделей з імунною настройкою. Розроблено інструментальне середовище нечіткого моделювання. Наведено розв'язок задач диференціальної діагностики алергодерматозів і моделювання технологічного процесу одержання товстоплівкових резисторів.

  Скачати повний текст

Розроблено новий підхід щодо опису невизначеності у вигляді концепції "множинних моделей невизначеності". Запропоновано методи та засоби опису невизначеності та дослідження властивостей відповідних об'єктів. Здійснено статичну інтерпретацію та модифікацію визначення нечітких підмножин, математичної теорії Гок-перетворення та його використання на базі псевдообернення як засобу кластеризації за гіперплощинами в евклідових і сепарабельних гільбертових просторах. Удосконалено методи градієнтної оптимізації для систем керування з дискретним часом з запізненням. Показано можливості їх використання для створення ефективних методів апроксимації функцій, представлених своїми значеннями.

  Скачати повний текст

Досліджено питання розширення можливостей прийняття рішень за умов невизначеностей, включаючи пропуски у даних, на базі застосування методів моделювання багатовимірних залежностей. Розроблено новий підхід до моделювання даних залежностей на базі експериментальних даних за умов невизначеностей, включаючи пропуски даних. Запропоновано показник якості нечітких моделей з використанням інтервальних функцій належності. Побудовано автоматизовану систему діагностування гіпотиреозу, яка дозволяє завдяки використанню інтервальних функцій належності визначати діагнози для конкретних хворих за неповної вхідної інформації на підставі експериментальних даних, що містять пропуски. Розроблено нові моделі, що описують операції мутації та схрещування в генетичному алгоритмі, які дозволяють розв'язувати задачу настроювання нечітких моделей з великою кількістю вхідних параметрів.

  Скачати повний текст

Досліджено нейро-фазові моделі та системи, а також методи ї навчання та самонавчання для розв'язання задач інтелектуального аналізу даних, а саме: відтворення функціональних залежностей, зниження розмірності простору ознак числових даних і задач автоасоціативної пам'яті у режимі послідовної обробки. Вдосконалено метод самонавчання тришарової автоасоціативної нейронної мережі для зниження розмірності, що дозволяє підвищити швидкодію та точність обробки та запропоновано модель цієї мережі. Вдосконалено методи самонавчання нейромережевих моделей для аналізу головних компонент, що забезпечують можливість обробки нестаціонарних даних у послідовному режимі. Синтезовано моделі нечітких автоасоціативних пам'ятей, що мають півищену ємність і розширені функціональні можливості. Запропоновано модель узагальненої регресійної нейро-фаззі мережі, що характеризується простотою обчислення, дозволяє інтерпретувати результати з високою точністю. Встановлено структурну подібність між дискретним F-перетворенням і узагальненою регресійною нейронною мережею, на підставі якої запропоновано модель адаптивного F-перетворення, що дозволяє послідовно обробляти дані та змінювати кількість функцій належності під час процесу навчання. З урахуванням здійснених тестових вибірок, а також під час розв'язання практичних задач з медико-біологічної та фінансової сфер підтверджено ефективність запропонованих нейро-фаззі методів і моделей.

  Скачати повний текст