Запропоновано модифікований нерекурентний метод потенціальних функцій та алгоритм багатовимірної класифікації. Наведено нейромережеву інтерпретацію алгоритму багатовимірної класифікації. Подано рекомендації щодо практичного застосування запропонованих методів.

Запропоновано класифікатор спостережень із суміші зі змінними концентраціями, побудований на основі нейронної сітки, що навчається за алгоритмом "weighted back propagation".

Символьные преобразования громоздких формульных выражений являются одним из наиболее сложных аспектов аналитического моделирования инженерных задач. Предложен компьютерный метод решения одного класса систем дифференциальных уравнений. Приведены результаты решения задач.

Показано, що байєсівська процедура розпізнавання є субоптимальною для незалежних ознак і розподілу ланцюга Маркова. Отримано оцінку похибки процедури розпізнавання залежно від кількості ознак і розмірів навчальної вибірки.

Рассмотрены и проанализированы два индуктивных метода восстановления функции: метод группового учета аргументов (МГУА) и метод предельных упрощений (МПУ). Указаны их преимущества перед другими методами и показана возможность совмещения с целью улучшения их экстраполяционных свойств.

Рассмотрен ограниченный класс закономерностей, хотя и небольшой, но покрывающий достаточно обширную область часто встречающихся связей: закономерности равенства, сходства и порядка. Закономерности сходства указывают правила, по которым отдельные объекты могут быть отнесены к определенному классу, объединяющему в своих пределах сходные или похожие объекты. Закономерности равенства устанавливают функциональную зависимость некоторого целевого параметра от одного или многих измеряемых величин. Закономерности порядка указывают, в каком порядке объекты следуют один за другим по какому-то плохо определяемому (нечеткому) свойству, например свойству "красивый".

Рассмотрены феномен, теория и применение естественной (сущностной) классификации как основы любой фундаментальной науки, а также концептуального моделирования в интеллектуальных автоматизированных информационных системах. Разработана и применена для исследования картины мира системология систем-классов (внешних систем). Впервые рассмотрены операционные и математические критерии естественной классификации произвольной проблемной области. Построена категорно-функторная модель естественной классификации как концептуальной модели универсума на основе синтеза системологических и математических методов. Предложен новый метод системологического классификационного анализа на основе естественной классификации, который позволяет отразить в классификации глубинные знания о проблемной области, существенные свойства моделируемых объектов, а также наделить классификацию объяснительной и предсказательной силой. Показано, что применение естественных классификаций схем обеспечивает поддержку принятия оптимальных решений, получение выводов и рекомендаций, повышающих эффективность, а также адаптивность систем и технологий, основанных на знаниях.

Розглянуто теорію редукції стосовно задач навчання розпізнаванню образів, виявлення закономірностей, відновлення функціональних залежностей та функцій належності у розмитих множинах та кластеризації. Запропоновано ітеративний підхід до розв'язання задач розпізнавання образів із застосуванням методів, що базуються на теорії редукції. Розглянуті методи базуються на індуктивному підході.

Рассматривается алгоритм идентификации объектов на основе метода лучевых сумм. Представляются его рабочие характеристики в пространстве обобщенной фазы по Фуко-Гильберту. Исследуются возможности алгоритма для идентификации объектов по их отдельным фрагментам.

Вводиться означення передфрактального та фрактального графів, на основі яких формулюються математичні моделі з різних галузей знань. Відзначається актуальність розпізнавання передфрактальних графів, насамперед, з точки зору принципового покращання ефективності розв'язання алгоритмічних проблем. Запропоновано і строго обгрунтовано клас поліноміальних алгоритмів розпізнавання властивостей передфрактальності для цих графів.

Запропоновано метод прогнозування параметрів на основі використання інформації про аналогічні рішення-прецеденти та експертної інформації щодо властивостей часткових прогнозуючих функцій. Метод є узагальненням методу багатовимірної лінійної екстраполяції. Викладено алгоритм визначення параметрів оптимальних часткових прогнозуючих функцій і використання їх для прогнозування параметрів рішень.

Рассмотрен метод, осуществляющий распознавание образов, минуя стадии выделения словаря признаков и алфавита образов. Идея метода - сравнение входного потока изображений через палитру - специальный объект, созданный по наборам фрагментов исходных изображений. Для оценки близости между изображениями вводятся специальные меры "похожести".

Побудовано математичну модель похибки оцінки міри близкості між об'єктами при розпізнаванні електроенергетичних образів і на її основі виведено умови їх мінімізації. Реалізація цих умов дозволяє зменшити похибки оцінки міри близкості між об'єктами у 2-4 рази.

Узагальнено оцінки довірчих інтервалів емпіричного ризику для задач класифікації та відновлення регресії в статистичній теорії навчання, коли навчальною множиною є великий набір даних, якому притаманна локальна стабільність сумісного розподілу значень невідомої функції та параметрів елементів даних.

Рассмотрены логические системы распознавания образов на основе представления описаний их классов в пространстве логических признаков (на единичном гиперкубе). Показаны возможности обнаружения имеющихся ограничений и достоинств. Сформулированы практические рекомендации на базе обособленности соответствующих образов.

Розглянуто розв'язок задачі класифікації на основі нейронних мереж із латеральним гальмуванням. Висвітлено методи навчання карт ознак самоорганізації Кохонена. Розглянуто питання використання апріорної інформації про значущість ознак. Зроблено аналіз можливості застосування розглянутих моделей. Результати роботи можна використати для будування адаптивних систем діагностики.

Розглянуто питання синтезу методів виявлення та розпізнавання образів за наявності перешкод високого рівня на основі застосування ідей системного аналізу та цілеспрямованої обробки інформації. Наведено опис структури дослідницької пошукової системи для синтезу методів виявлення та розпізнавання, побудованої на основі вказаної методології, та її основних блоків. Використаний підхід дозволяє досягти задовільних результатів розв'язання задач розпізнавання за рівнів перешкод, коли існуючі методи, побудовані на основі класичного підходу, не працездатні. Наведено приклад розв'язання подібної задачі виявлення образів.

Предложена система многоальтернативного распознавания образов, которая основана на принципах Метода группового учета аргументов (МГУА). Разработана процедура голосования совокупности двухальтернативных решений, получаемых по программе дискриминантного анализа МГУА. Сформированы признаки для задачи распознавания.

Обсуждены возможности логичной, наиболее точной и последовательной науки - математики. Рассмотрена сущность образного восприятия, принципов теории редукции и основанных на ней методов. Проанализированы вопросы практического применения алгоритмов, разработанных на теории редукции. С помощью системного подхода охарактеризовано понятие "человек". Представлены результаты исследований головного мозга человека, находящегося в терминальном состоянии, морфологических исследований после смерти нарушений функциональной активности мозга. Раскрыта сущность понятий "сознание", "духовность", "нравственность", "совесть". Предложено определение терминов "искусственный интеллект", "искусственное сознание". Определены место и роль искусственного сознания в формировании интеллектуальной машины.

Рeaлізовано евристичний алгоритм багатомірної класифікації за ознаками, що базується на поєднанні результатів одномірної класифікації з урахуванням значимості ознак, а також подано його нейромережеву інтерпретацію. Проведено експерименти з порівняння різноманітних модифікацій даного алгоритму на прикладі розв'язання практичних задач.