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