Задача кластеризації масивів багатовимірних даних, основною метою якої є знаходження однорідних у сенсі прийнятої метрики класів спостережень, є важливою частиною інтелектуального аналізу даних Data Mining. З обчислювальної точки зору задача кластеризації перетворюється у проблему пошуку локальних екстремумів багатоекстремальної функції, які багатократно запускаються з різних точок вихідного масиву даних. Пришвидшити процеспошуку цих екстремумів можна, скориставшись ідеями еволюційної оптимізації, що включає в себе алгоритми, інспіровані природою, ройові алгоритми, популяційні алгоритми, тощо. Мета роботи - запровадження процедури кластеризації масивів даних на основі покращеного алгоритму сірого вовка. Введено метод кластеризації масивів даних на основі модифікованого алгоритму сірого вовка. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач в умовах коли кластери перетинаються. Особливістю запропонованого методу є обчислювальна простота і висока швидкість, пов'язана з тим, що весь масив обробляється тільки один раз, тобто виключається необхідність в багатоепоховому самонавчанні, що реалізується в традиційних алгоритмах нечіткої кластеризації. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов перетинних кластерів та дозволяють рекомендувати запропонований метод для використання на практиці для вирішення проблем автоматичної кластеризації великих даних. Висновки: введено метод кластеризації масивів даних на основі покращеного алгоритму сірого вовка. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов перетинних кластерів.

Зі зростанням об'ємів даних для обробки та з ускладненням задач з обробки даних науковці та спеціалісти з індустрії поступаються складністю та швидкістю моделей штучних нейронних мереж (ШНМ) на користь покращання їх апроксимуючих здатностей. Підвищення складності моделей, зокрема збільшення глибини та кількості шарів, призводить до небажаних ефектів, наприклад, зникаючого та вибухаючого градієнтів. Комерційні моделі ШНМ часто використовують кусково-лінійні активаційні функції типу ReLU для уникнення обчислювальних складнощів і прискорення навчання. Хоча кусково-лінійні активаційні функції і доказали ефективність у комерційних моделях, на прикладі згорткових моделей (convolutional neural networks - CNN), для класифікації зображень вони, як правило, мають фіксовану форму, що обмежує здатність моделі до оптимізації та адаптування до поточної задачі. Запропоновано адаптивну кусково-лінійну активаційну функцію (Adaptive Piece-Wise Activation - APWA) як адаптивну альтернативу для фіксованих кусково-лінійних активацій. Основою APWA-функції є адаптивне нечітке перетворення вхідного сигналу, реалізоване множиною функцій належності з адаптивними параметрами підсилення вихідного сигналу. Як і кусково-лінійні активаційні функції, APWA позбавлена ефектів вибухаючого та зникаючого градієнтів, а також відносно проста в обчисленні, що зменшує тривалість навчання та сприяє прямому поширенню в мережах із нейронами на основі APWA. Показано ефективність нейронів і моделей на основі APWA на прикладі двох різних наборів даних для класифікації зображень, а також двох моделей різного рівня складності. Моделі з APWA адаптують форму активаційних функцій у процесі навчання, що покращує точність класифікації у порівнянні з базовими моделями, які не є адаптивними.

Проблема кластеризації (класифікації без вчителя), що часто зустрічається при обробці масивів даних різної природи, є досить цікавою і невід'ємною частиною штучного інтелекту. Для вирішення цього завдання існує безліч відомих методів та алгоритмів, які базуються на принципах щільності розподілу спостережень в даних, що аналізуються. Однак ці методи досить складні в програмній реалізації та не позбавлені недоліків, а саме: проблеми визначення значущих кластерів в наборах даних різної щільності, багатоепохове самонавчання, застрягання в локальних екстремумах цільових функцій, тощо. Слід зазначити, що методи, засновані на аналізі піків щільності розподілу даних, є за своєю природою чіткими, тому для розширення можливостей цих методів доцільно ввести їх нечітку модифікацію. Мета. Мета роботи полягає у запровадженні швидкої нечіткої кластеризації даних з використанням піків щільності розподілу даних, яка може знаходити екстемуми (центоїди) кластерів, що перетинаються незалежно від кількості даних, що надходять. Метод. Розглянуто задачу нечіткої кластеризації масивів даних на основі гібридного методу, заснованого на одночасному використанні правдоподібного підходу до нечіткої кластеризації і алгоритму знаходження типів щільності розподілу вихідних даних. Особливістю запропонованого методу є обчислювальна простота і висока швидкість, пов'язана з тим, що весь масив обробляється тільки один раз, тобто виключається необхідність в багатоепоховому самонавчанні, що реалізується в традиційних алгоритмах нечіткої кластеризації. Результати. Особливістю запропонованого методу швидкої нечіткої правдоподібної кластеризації на основі аналізу піків щільності розподілу даних є обчислювальна простота і висока швидкість, пов'язана з тим, що весь масив обробляється тільки один раз, тобто виключається необхідність у багатоепоховому самонавчанні, що реалізується в традиційних алгоритмах нечіткої кластеризації. Результати обчислювального експерименту підтверджують ефективність запропонованого підходу в задачах кластерзаціі в умовах, коли кластери перетинаються. Висновки: результати експерименту дозволяють рекомендувати розроблений метод для вирішення проблем автоматичної кластеризації та класифікації даних та максимально швидко знаходити центри кластерів. Запропонований метод швидкої нечіткої правдоподібної кластеризації на основі аналізу піків щільності розподілу даних призначений для використання в системах обчислювального інтелекту, нейро-фаззі системах,в навчанні штучних нейронних мереж та у завданнях кластеризації.

Задача кластеризації - класифікації без вчителя масивів даних займає важливе місце в інтелектуальному аналізі даних. Для вирішення цієї задачі на цей час запропоновано безліч підходів, що відрізняються між собою як апріорними припущеннями що до характеру даних у масивах, що досліджуються та аналізуються, так і математичним апаратом, що полягає в основі тих або інших методів, однак вирішення задач кластеризації ускладнюють велика розмірність векторів спостережень, що аналізуються, їх збуреність та забрудненість різного типу завадами та пропусками, можливою складною формою кластерів, тощо. Мета роботи полягає у запровадженні процедури нечіткої кластеризації, що об'єднує в собі переваги методів, заснованих на аналізі щільностей розподілу даних та їх піків, характеризуються високою швидкодією та може ефективно працювати за умов перетинних класів. Введено метод нечіткої кластеризації масивів даних, що базується на ідеях аналізу щільностей розподілу цих даних, їх піків та довірчого нечіткого підходу. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач, пов'язаних з відшуканням атракторів функцій щільностей, оскільки кількість звернень до блоку оптимізації визначається не обсягом аналізованого масиву, а кількістю піків щільностей цього ж масиву. Метод є досить простим у чисельній реалізації і не критичним до вибору оптимізаційної процедури. Результати експериментів підтверджують ефективність пропонованого підходу в задачах кластеризації за умов перетинних кластерів та дозволяють рекомендувати запропонований метод для використання на практиці для вирішення проблем автоматичної кластеризації великих даних. Висновки: введено метод нечіткої кластеризації масивів даних, що базується на ідеях аналізу щільностей розподілу цих даних, їх піків та довірчого нечіткого підходу. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач, пов'язаних з відшуканням атракторів функцій щільностей, оскільки кількість звернень до блоку оптимізації визначається не обсягом аналізованого масива, а кількістю піків щільностей цього ж масиву. Метод є досить простим у чисельній реалізації і не критичним до вибору оптимізаційної процедури. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов перетинних кластерів.

Задача кластеризації масивів спостережень довільної природи є невід'ємною частиною Data Mining, а у більш загальному випадку Data Science, для її вирішення запропонована дуже велика кількість підходів, що відрізняються між собою як апріорними припущеннями щодо фізичної природи даних та задачі, так і математичним апаратом. З обчислювальної точки зору задача кластеризації перетворюється у проблему пошуку локальних екстремумів багатоекстремальної функції векторного аргументу щільності за допомогою градієнтних процедур, які багатократно запускаються з різних точок вихідного масиву даних. Пришвидшити процес пошуку цих екстремумів можна, скориставшись ідеями еволюційної оптимізації, що включає в себе алгоритми, інспіровані природою, ройові алгоритми, популяційні алгоритми, тощо. Мета роботи - запровадження процедури кластеризації даних на основі піків щільності розподілу даних та еволюційного методу котячих зграй, що об'єднує в собі основні переваги методів роботи з даними за умов, якщо класи перетинаються, характеризується якісною кластеризацією, високою швидкодією та точністю отриманих результатів. Метод. Введено метод кластеризації масивів даних на основі комбінованої оптимізації функцій щільності розподілу та еволюційного методу котячих зграй. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач в умовах коли кластери перетинаються. Результати. Результати експериментів підтверджують ефективність пропонованого підходу в задачах кластеризації за умов перетинних кластерів та дозволяють рекомендувати запропонований метод для використання на практиці для вирішення проблем автоматичної кластеризації великих даних. Висновок: введено метод кластеризації масивів даних на основі комбінованої оптимізації функцій щільності розподілу та еволюційного методу котячих зграй. Перевагою запропонованого підходу є скорочення часу вирішення оптимізаційних задач в умовах коли кластери перетинаються. Метод є досить простим з точки зору чисельної реалізації і не є критичним до вибору оптимізаційної процедури. Результати експериментів підтверджують ефективність запропонованого підходу в задачах кластеризації за умов кластерів, що перетинаються.

Методи обчислювального інтелекту широко використовуються для вирішення багатьох складних проблем, включаючи, звичайно, традиційні: видобуток даних та такі нові напрямки, як динамічний видобуток даних, видобуток потоків даних, видобуток великих даних, вебвидобуток, видобуток тексту, тощо. Одна з основних областей обчислювального інтелекту - це еволюційні алгоритми, які по суті представляють певні математичні моделі еволюції біологічних організмів. Запропоновано адаптивний метод нечіткої кластеризації з використанням оптимізації еволюційних котячих зграй. Використовуючи запропонований підхід, можна вирішити завдання кластеризації в режимі онлайн.

Проблема кластеризації великих даних сьогодні є дуже цікавою сферою штучного інтелекту. Це завдання часто зустрічається у багатьох додатках, пов'язаних з інтелектуальним аналізом даних, глибоким навчанням, веб-майнінгом тощо. Для вирішення цих проблем традиційні підходи та методи вимагають, щоб уся вибірка даних подавалася у пакетній формі. Мета роботи - запропонувати метод нечіткої можливісної кластеризації даних з використанням еволюційної оптимізації котячих зграй, який був би позбавлений недоліків традиційних підходів до кластеризації даних. Процедура нечіткої можливісної кластеризації даних із використанням еволюціних алгоритмів, для більш швидкого визначення екстремумів вибірки, центроїдів кластерів та адаптивних функцій, що дозволяють не витрачати ресурси машини для зберігання проміжних розрахунків та не потребують додаткового часу для вирішення поставленої задачі кластеризації даних незалежно від розмірності та способу подачі на обробку. Запропонований алгоритм кластеризації даних на основі еволюційної оптимізації є достатньо простим у чисельній реалізації, позбавлений недоліків, властивих традиційним методам нечіткої кластеризації та може працювати з великим розміром вихідної інформації, що обробляється, в режимі онлайн у реальному часі. Висновки: результати експерименту дозволяють рекомендувати розроблений метод для вирішення проблем автоматичної кластеризації та класифікації великих даних, максимально швидко знаходити екстремуми цільової функції, незалежно від способу подачі даних на обробку. Запропонований метод онлайн можливісної нечіткої кластеризації даних на основі еволюційної оптимізації котячих зграй призначений для використання у гібридних системах обчислювального інтелекту, нейро-фаззі системах,в навчанні штучних нейронних мереж, у завданнях кластеризації та класифікації.

Узагальнено результати з питань розроблення теоретичних основ та створення інтелектуальних технологій для медичної діагностики, лікування та реабілітації. На основі теоретичних досліджень і експериментів визначено нові підходи щодо розробки біомедичних систем на основі методів моделювання біофізичних процесів та інтелектуального аналізу діагностичних даних. Створено наукові основи теорії побудови й організації інтелектуальних біотехнічних систем для діагностики, лікування та реабілітації, які полягають у формуванні основних модельних уявлень, створенні методів, інформаційно-логічної структури й алгоритмічних моделей роботи цих систем для різних галузей медицини.

Розглянуто питання щодо створення сучасних інтелектуальних технологій під час аналізу медичних діагностичних даних на прикладі оцінки результатів функціональної діагностики порушень носового дихання. Наведено основи інструментальних методів функціональних досліджень верхніх дихальних шляхів людини. Особливу увагу приділено сучасним методам обробки й інтелектуального аналізу результатів дослідження функції носового дихання. Запропоновано метод задньої активної риноманометрії за форсованого дихання, який дозволяє знизити ймовірність помилки під час прийняття діагностичного рішення в 1,5 разу порівняно з традиційним методом передньої активної риноманометрії. Обгрунтовано принципи побудови апаратури й інформаційних систем функціональної діагностики порушень носового дихання. Розглянуто проблеми підвищення достовірності даних функціональної діагностики з урахуванням індивідуальної фізіологічної та анатомічної варіабельності.

Запропоновано адаптивну матричну нейро-фаззі самооргазізовну мережу для кластеризації багатовимірних потоків даних (біомедичні масиви спостережень, сигнали цифрового відео, що формують дискретні двовимірні поля тощо). Ця мережа характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв'язання широкого класу задач інтелектуального аналізу потоків даних. Результати низки експериментів як на тестових, так і на реальних даних підтверджують ефективність запропонованого підходу.

Запропоновано архітектуру та методи самонавчання гібридної нейрофаззі системи обчислювального інтелекту для кластерування даних за умов, коли кластери, що формуються, можуть мати довільну форму і взаємно перетинатися. В основу запропонованої системи покладено нечітку узагальнену регресійну нейронну мережу та нейро-фаззі кластерувальну мережу Т. Когонена, налаштування яких засновано як на лінивому навчанні, так і на навчанні, що базується на оптимізації.

Запропоновано еволюційну каскадну систему обчислювального інтелекту на основі нейро-фаззі вузлів, а також алгоритми її навчання. Запропонована система в процесі навчання налаштовує не тільки свої параметри, але й архітектуру в online режимі. Як вузли еволюційної каскадної системи запропоновано використовувати нейро-фаззі системи. Для налаштування параметрів функцій належності нейро-фаззі вузлів запропоновано алгоритм, що грунтується на використанні градієнтної процедури мінімізації критерію навчання. У процесі навчання нейро-фаззі вузлів налаштовуються синаптичні ваги, центри і параметри ширини функцій належності нейро-фаззі вузлів. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру еволюційної каскадної нейро-фаззі системи. Проведено ряд експериментів з дослідження властивостей запропонованої системи. Результати експериментів підтвердили те, що запропоновану систему можна використовувати для розв'язання широкого кола задач інтелектуального аналізу даних, при цьому обробка даних відбувається в online режимі. Система характеризується простотою числової реалізації, а процес обробки даних можна прискорити завдяки можливості паралельного налаштування вузлів еволюційної каскадної системи. Характерною особливістю запропонованої системи є те, що для її налаштування не потрібний великий об'єм навчальної вибірки.

Розроблено підходи, методи та алгоритми обчислювального інтелекту на основі гібридизації відомих напрямів та надання їм адаптивних властивостей, що надає можливість обробляти послідовності даних у формі багатовимірних часових рядів великої розмірності або потоків відео, що надходять на опрацювання або з зовнішнього середовища, або з надвеликих баз даних (VLDB) (концепція Big Data) у режимі реального часу. Розглянуто математичні моделі представлення відеопослідовностей за допомогою апарату теорії множин. Для розв'язання задачі сегментації відеопотоків запропоновано підхід просторово-часової сегментації. Як часову складову використано теорію часових послідовностей, для чого введено матричні аналоги наявних підходів. Як варіанти розв'язання охарактеризовано методи експоненційного згладжування, VAR-моделі, нейромережеві підходи з використанням методу головних компонент та методи прогнозування. Проаналізовано сучасні автоматичні методи сегментації кадрів відопотоку для розв'язання сучасних прикладних задач, які грунтуються на концепції Computer Vision. Введено нові адаптивні on-line методи нечіткої робастної кластеризації-сегментації потоків даних на основі імовірнісних та можливісних підходів та методи ідентифікації руху та відслідковування рухомих об'єктів у відеопотоках реального часу.

Запропоновано on-line нейро-фаззі систему для вирішення завдань послідовного нечіткого кластерування даних, що дозволяє опрацьовувати вектори спостережень за умов обмеженого числа даних в оброблюваній вибірці, а також алгоритм її самоначання на основі самоорганізовної мапи Т. Когонена. Архітектура системи містить сім шарів обробки інформації і є за своєю суттю гібридом системи Ванга - Менделя та нечіткої кластерувальної самоорганізовної мережі. Запропонована система в процесі самонавчання налаштовує не лише свої параметри, але й архітектуру в on-line режимі. Для налаштування параметрів функцій належності гібридної нейро-фаззі системи введено алгоритм, що грунтується на використанні конкуренткого навчання. У процесі навчання гібридна нейро-фаззі система налаштовує синаптичні ваги, центри і параметри ширини функцій належності. Розроблено програмне забезпечення, що реалізує запропоновану архітектуру гібридної нейро-фаззі системи. Проведено низку експериментів з дослідження властивостей запропонованої системи. Результати експериментів підтвердили те, що запропоновану систему можна використовувати для розв'язання задачі кластерування, при цьому обробляння даних відбувається в on-line режимі. Система характеризується простотою числової реалізації. Характерною особливістю запропонованої системи є те, що вона поєднує як навчання з учителем, так і самонавчання.

Запропоновано гібридну узагальнену адитивну нейро-фаззі систему, що об'єднує переваги нейро-фаззі системи Ванга - Менделя і узагальнених адитивних моделей Хасті - Тібшірані. Ця система характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання та призначена для розв'язання широкого класу задач динамічного інтелектуального аналізу даних, що пов'язані з прогнозуванням нестаціонарних стохастичних і хаотичних сигналів, що забруднені завадами та надходять до системи послідовно в режимі реального часу.

Розглянуто задачу нечіткої кластеризації багатовимірних спостережень та запропоновано групу адаптивних алгоритмів самонавчання нейронної мережі Кохонена для можливістної кластеризації зі змінним параметром нечіткості, які здатні у реальному часі виділяти в даних кластери, що перетинаються. Наведені алгоритми характеризуються числовою простотою та гнучкістю при роботі за умов апріорної невизначеності відносно характеру розподілення даних в кластерах.

Описано вирішення задачі прогнозування сумарного електричного навантаження (СЕН) електроенергетичної системи (EEC) двома способами. Перший (для побудови математичної моделі) використовує параметричний метод аналізу та прогнозування нестаціонарних часових рядів, другий - нейро-фаззі мережі. Наведено адитивну математичну модель СЕН, алгоритми моделювання та прогнозування її складових. Описано архітектуру нейро-фаззі мережі й алгоритм її навчання. Для адекватного порівняння результатів виконано прогнозування СЕН EEC на тижневий інтервал упередження з використанням єдиної вихідної інформації. Показано переваги ієрархічного вирішення задачі короткострокового прогнозування сумарного електричного навантаження EEC із використанням математичних моделей СЕН обласних енергосистем. Сформульовано шляхи подальшого підвищення точності та надійності результатів короткострокового прогнозування СЕН EEC.

Уведено структуру адаптивного нео-фаззі-предиктора та багатовимірного нео-фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв'язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки.

Розглянуто гібридні нейронні мережі, що засновані на ідеї поєднання спайк-нейронних мереж та принципів нечіткої логіки. Запропоновано архітектуру самонавчанної фаззі-спайк-нейронної мережі на основі дискретних динамічних ланок другого порядку. Запропоновано опис спайк-нейронної мережі в рамках теорії автоматичного керування. Синапси спайк-нейрона надано як ланки другого порядку, а сома як система порогового виявляння. Спайк-нейронна мережа, реалізована таким чином, є аналого-цифровою нелінійною динамічною системою, що передає та обробляє інформацію і в часоімпульсній, і в часонеперервній формах.

Запропоновано архітектуру еволюційної нейро-фаззі системи, що не схильна до прокльону розмірності, здатна обробляти інформацію в режимі реального часу, адаптуючи у ході цього свої параметри і структуру до умов задачі. Як активаційні функції використано ядерні функції.