У дисертаційній роботі розв'язана нова актуальна задача нечіткої кластеризації часових рядів в інтелектуальному аналізі потоків даних. Об'єкт дослідження – процес інтелектуального аналізу потоку даних у формі часових рядів. Запропоновано метод нечіткої кластеризації, який ефективно працює за умов перетину класів, не схильний до ефекту концентрації норм та працює в онлайн режимі з асинхронними нерівномірно квантованими часовими рядами за рахунок використання спеціальної цільової функції. Запропоновано послідовний онлайн метод кластеризації багатовимірних часових рядів, що базується на апараті гібридних систем обчислювального інтелекту, який дозволив вирішувати задачу кластеризації даних, які послідовно надходять на обробку з нерівномірними тактами квантування. Розроблено метод адаптивної імовірнісної та можливісної кластеризації, що базується на метриці спеціального вигляду, в основі якої лежить аналіз тангенсів кутів нахилу часового ряду, що дозволило спростити чисельну реалізацію методу та вирішувати задачу кластеризації нерівномірно квантованих часових рядів. Запропоновано модель робастної адаптивної ідентифікації нестаціонарних часових рядів у онлайн режимі надходження потоку даних, яка характеризуються простотою обчислювальної реалізації і стійкістю до аномальних викидів. Розроблені методи було програмно реалізовано та використано для ряду практичних впроваджень – зокрема у задачах моніторингу медичних даних в онлайн режимі.^UIn dissertation work the new actual task of unclear clusterization of sentinel rows is untied in the intellectual analysis of streams given. The object of study is the process of intelligently analyzing the flow of data in the form of time series. A fuzzy clustering method is proposed that works effectively under conditions of intersection of classes that are not subject to the effect of concentration of norms and works online with asynchronous non-uniformly quantized time series through the use of a special objective function. A sequential online clustering method for multidimensional time series is proposed, based on the apparatus of hybrid systems of computational intelligence, which made it possible to solve the problem of clustering data that are sequentially received for processing with non-uniform quantization cycles. An adaptive probabilistic and probabilistic clustering method was developed based on a special type metric based on the analysis of the tangents of the slopes of the time series, which made it possible to simplify the numerical implementation of the procedure and solve the clustering problem for unevenly quantized time series. Model of robust adaptive identification of non-stationary time series in online flow of data flow шіare presented, which are characterized by simplicity of computational implementation and resistance to anomalous emissions. The worked out methods were programmatic realized and used for the row of practical introductions – in particular in the tasks of monitoring of medical data in on-line mode.

У дисертаційній роботі запропоновано ансамбль самоорганізовних карт Т. Кохонена, який базується на використанні онлайн методу К-середніх. Такий підхід дозволяє обробляти інформацію, яка надходить на вхід системи спостереження за спостереженням. На відміну від існуючих методів кластеризації використання ансамблевого підходу дозволяє обійти проблему, коли кількість класів заздалегідь невідома, оскільки кожна з мереж Кохонена налаштована на свою кількість кластерів. Вдосконалено метод, заснований на ансамблевому підході, з використанням ядерних самоорганізовних карт Т. Кохонена, що дозволило завдяки додатковому прихованому ядерному шару нейромережі підвищити розмірність вхідного простору, що дає змогу кластеризувати дані, які є лінійно нероздільними. Розроблено ансамбль нейро-фаззі самоорганізовних карт Т. Кохонена для кластеризації потоків даних, який за допомогою використання вдосконаленого методу С-середніх та додаткового ядерного шару здатний обробляти інформацію, що є лінійно нероздільною, а також обробляти кластери довільної форми. Саме це дозволяє обробляти дані високої розмірності та уникнути ефекту концентрації норм. Вдосконалено ансамбль самоорганізовних карт Т. Кохонена для кластеризації потоків даних високої розмірності, який обробляє інформацію, що надходить на вхід системи з використанням двох підходів: імовірнісного та можливісного.^UIn the thesis proposed the ensemble of T. Kohonen's self-organizing maps, which is based on using the online method of K-means. This approach allows processing the information in online mode that is fed to the input of the system. Unlike existing clustering methods, the use of the ensemble approach allows to bypass the problem when the number of classes is unknown in advance because each of the Kohonen's networks is configured for its own number of clusters. The method based on the ensemble approach, using the neural self- organizing T. Kohonen's maps, has been improved, which allowed using additional hidden layer of the neural network to increase the dimension of the input space. A neuro-fuzzy ensemble of T. Kohonen's self-organizing maps has been developed for data stream clustering, when the use of the improved C-means and additional neural layer method is able to process information that is linear inseparable, as well as to process clusters of arbitrary form. This allows processing data of high dimensionality and avoiding the concentration of norms effect. The ensemble of self-organizing maps has been improved for the clustering of high- dimensional data streams, which processes information entering the system using several approaches: probabilistic and possibilistic.

Предметом дослідження є методи та моделі інтелектуального аналізу даних на базі м'яких обчислень у задачах оперативного аналізу ризиків. Розглянуто існуючі методи та підходи в задачах прогнозування, ідентифікації та аналізу, їх недоліки та можливості для покращення. Запропоновано п'ятишарову гібридну нейро-фаззі модель з багатовимірними гаусіанами у консеквентному шарі та швидкий метод її навчання з варіантами на базі квадратичної похибки та спеціалізованого критерію, що характеризується високою точністю, швидкістю обробки та обчислювальною швидкодією у процесі навчання за рахунок зменшення налаштованих параметрів моделі. Запропоновано ансамбль гібридних нейро-фаззі моделей з багатовимірними гаусіанами у консеквентному шарі та метод його синтезу, що характеризується зменшеною похибкою навчання, покращеними узагальнюючими можливостями та спрощеною процедурою селекції гіперпараметрів. Удосконалено метод навчання нейро-фаззі моделей та їх ансамблів застосуванням емпіричної модової декомпозиції, що відрізняється від аналогів можливістю зниження рівня шуму у даних. Набув подальшого розвитку метод побудови ієрархічних знання-орієнтованих нечітких систем, що на відміну від існуючих методів дозволяє опрацьовувати малоймовірні критичні значення у задачах оперативного аналізу ризиків. Проведено низку імітаційних експериментів на основі тестових та реальних даних, результати яких підтверджують доцільність застосування запропонованого підходу для вирішення задач інтелектуалізації процесів оперативного аналізу ризиків. Розв'язано практичну задачу на базі розроблених методів і моделей для вирішення задачі оперативного керування фінансовим портфоліо.^UThis research is devoted to the soft computing methods and models of data mining applications in the tasks of operational risk analysis. The existing methods and approaches in the tasks of forecasting, identification and analysis applied to operational risk analysis were analyzed in order to identify their weaknesses and points for improvement through the use of soft computing. A novel five-layer hybrid neuro-fuzzy model with multidimensional Gaussians in the consequent layer and a fast learning method with variants based on standard quadratic error and a specialized criterion are proposed. It is distinguished by high accuracy, processing speed and computational effectiveness. An ensemble of hybrid neuro-fuzzy models with multidimensional Gaussians in a consequent layer and a method of its synthesis are proposed, characterized by reduced learning error, improved generalization capabilities and a simplified procedure for selecting hyperparameters. The neuro-fuzzy models learning methods are improved by using empirical mode decomposition as a tool for preliminary data decomposition and noise reduction, which differs from competitors by the advanced noise reduction in the case of highly dynamic data. Were improved the method of constructing hierarchical knowledge-oriented fuzzy systems by incorporating probability estimates into the process of logical inference and using neuro-fuzzy models as components of a hierarchical structure have been further developed, which, unlike existing methods, allows to handle critical values in operational risk analysis. A number of simulation experiments based on synthetic and real data were performed, the results of which confirm the feasibility of applying the proposed techniques to solve the operational risk analysis processes intellectualization problem. The practical task of financial portfolio operative risk management is solved on the basis of the developed methods and models.