Розроблено методи виявлення зміни властивостей стохастичних послідовностей у задачах ранньої діагностики нелійнійних стохастичних об'єктів у реальному часі з використанням штучних нейронних мереж (ШНМ). Показано, що якість і складність розв'язання задачі залежать від математичних моделей досліджуваних об'єктів, складність одержання яких обумовлює доцільність використання ШНМ. Розглянуто існуючі статистичні та узагальнені динамічні моделі штучних нейронів та описано загальні принципи побудови багатошарових ШНМ. Удосконалено методи виявлення розладнань, які, завдяки використанню класичних статистичних тестіви, дозволяють враховувати особливості контролю змінних об'єкта управління. Наведено рекурентні алгоритми оцінювання, які мають кінцеву пам'ять у вигляді ковзного вікна та експоненційного зважування інформації, а також дозволяють розв'язати задачу виявлення зміни властивостей об'єктів у реальному часі. З метою покращання властивостей алгоритмів запропоновано правила корекції глибини їх пам'яті та розроблено модифікації алгоритмів, які мають робастні властивості. Доведено, що використання багатошарового персептора у задачах ранньої діагностики є проблематичним. Вперше проаналізовано багатошарові структури спеціалізованих ШНМ з лінійним і нелінійним навчанням і радіально-базисну мережу, орієнтовані на розв'язання задачі ранньої діагностики. Основну увагу приділено пакету програм для моделювання роботи розроблених спеціалізованих ШНМ.

  Завантажити