Дисертаційну роботу присвячено розробці методів та алгоритмів автоматичної генерації бази знань системи логічного виведення для задач класифікації на основі експериментальних даних, вдосконаленню методів логічного виведення, методів налаштування параметрів моделі представлення знань, методів доведення коректності бази знань та дослідженню якості побудованої системи логічного виведення. Наукова новизна одержаних результатів полягає у наступному:– дістав подальшого розвитку метод побудови нечіткої продукційної моделі для представлення знань про об'єкти предметної області на основі навчальної вибірки за допомогою розроблених алгоритмів навчання;– запропоновано вид нечіткого продукційного правила, що поєднує моделі Мамдані та Такагі-Сугено-Канг та містить у консеквенті правила в якості вагового коефіцієнту функцію, що визначає ступінь належності вихідної змінної до результуючої терм-множини; – удосконалено методику побудови сукупності правил бази знань та алгоритм їх автоматичного формування за допомогою попереднього аналізу ознак навчальної вибірки, матричного представлення антецедентів та векторного представлення консеквентів правил;– дістав подальшого розвитку метод логічного виведення з використанням бази знань нечіткої продукційної моделі для розв’язання задачі класифікації в умовах нечіткості та неповноти інформації про об’єкти предметної області; за наявності конфлікту при прийнятті рішення, що полягає у неспроможності системи однозначно визначити належність об’єкта певному класу, запропоновано процедуру порівняння відстані між об'єктами та класами;– дістав подальшого розвитку метод ідентифікації та налаштування значень параметрів нечіткої продукційної моделі, зокрема автоматизовано визначення лінгвістичних змінних, терм-множин, границь термів, параметрів функцій належності, вагових коефіцієнтів правил, кількості правил;– вперше для перевірки коректності автоматично побудованої бази правил за критеріями повноти, мінімальності, зв’язності і несуперечності застосовано логіку Хоара, метод резолюцій та програмне забезпечення Simplify;– вперше запропоновано адаптивний алгоритм редукції бази правил із використанням методу дихотомії з динамічним кроком та інтегральної метрики, що враховує кількість активацій певного правила та ступінь належності об'єктів навчальної вибірки правилу. Множина правил поділяється на підмножину правил, що виконуються, та підмножину правил, що є надмірними для досягнення критерію якості; – досліджено якість побудованої нечіткої продукційної моделі з використанням матриці невідповідностей та метрик, що визначають частину правильних відповідей моделі (accuracy), точність (precision), повноту (recall), f-міру (f1-score);– створено нові ефективні алгоритми розв’язання вищеназваних задач;– створено програмний продукт на об’єктно-орієнтованих мовах програмування C++, JavaScript та Python, що реалізує розроблені алгоритми;– методи і алгоритми застосовано до розв’язання модельних задач класифікації.Практичне значення одержаних результатів полягає у наступному: В дисертаційної роботі досліджено застосування нечітких продукційних моделей для розв’язання задач класифікації в умовах нечіткості та неповноти інформації про об’єкти предметної області.^UThe dissertation is devoted to the development of methods and algorithms for the automatic generation of the knowledge base of a logical inference system for classification tasks based on experimental data, the improvement of logical inference methods, methods for tuning the parameters of the knowledge representation model, methods for proving the correctness of the knowledge base, and the research of the quality of the constructed logical inference system. The scientific novelty of the obtained results is as follows:– the method of constructing a fuzzy production model for representing knowledge about objects of the subject domain based on a training set using developed learning algorithms has been further developed;– a type of fuzzy production rule that combines Mamdani and Takagi-Sugeno-Kang models has been proposed. The rule consequent contains a weighting function that determines the degree of membership of the output variable to the resulting term set;– the methodology for constructing a set of rules in the knowledge base has been improved, as well as the algorithm for their automatic formation using a preliminary analysis of the features of the training set, a matrix representation of antecedents, and a vector representation of the consequents of rules;– the method of logical inference using the knowledge base of a fuzzy production model for solving the classification problem in the presence of fuzziness and incompleteness of information about objects of the subject domain has been further developed. In the presence of a conflict in decision-making, which consists in the inability of the system to unambiguously determine the membership of an object to a certain class, a procedure for comparing the distance between objects and classes is proposed;– the method of identification and setting of the parameters of a fuzzy production model has been further developed, including automated determination of linguistic variables, term sets, term boundaries, parameters of membership functions, rule weights, and the number of rules;– for the first time, Hoare logic, the resolution method, and the Simplify software were used to verify the correctness of an automatically constructed rule base for the criteria of completeness, minimality, connectedness, and consistency;– for the first time, an adaptive rule base reduction algorithm has been proposed using the dichotomy method with a dynamic step and an integral metric that takes into account the number of activations of a certain rule and the degree of membership of the objects of the training set to the rule. The set of rules is divided into a subset of rules that are executed and a subset of rules that are redundant to achieve the quality criterion;– the quality of the constructed fuzzy production model was investigated using the confusion matrix and accuracy, precision, recall, and f1-score metrics;– new efficient algorithms for solving the above-mentioned problems have been created;– a software product has been created by object-oriented programming languages C++, JavaScript, and Python that implements the developed algorithms;– the methods and algorithms were applied to solving model classification tasks.The practical significance of the results obtained is as follows: in the dissertation research, the application of fuzzy production models for solving classification problems in conditions of uncertainty and incompleteness of information about objects of the subject area is researched.