Розроблено метод адаптивного самонавчання складеної кластеризуючої нейро-фаззі мережі Кохонена, який об'єднує можливісний і ймовірнісний підходи до кластеризації, що дозволило виконувати адекватну кластеризацію за наявності аномальних спостережень у даних. Уперше запропоновано адаптивний варіант методу нечіткої еліпсоїдальної кластеризації на основі алгоритму Густафсона - Кесселя, що дозволило розширити набір форм скупчень, які можна виділити в даних, що надходять послідовно. Набули подальношо розвитку методи адаптивної можливішої та ймовірнісної кластеризації зі змінним фаззіфікатором шляхом виділення параметрів розмиття та придушення результатів нечіткої кластеризації, що дозволило виділити компоненти розділимості та компактності кластерів і завдяки цьому проводити виділення кластерів, які істотно відрізняються щільністю, в зазначених даних. Удосконалено метод адаптивної робастної кластеризації шляхом введення критерію спеціального виду, який відрізняється тим, що є узагальненням правил Кохонена "переможець одержує все" і "переможець одержує більше" та може бути застосований для навчання в on-line режимі.

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.