Надано новий метод прогнозування часових рядів, який динамічно знаходить ваги для вхідних факторів залежно від конкретних значень самих факторів. Запропонований метод перевірено на наборі реальних часових рядів і показав кращі результати у порівнянні з методом, що використовувався як базовий.

Розглянуто задачу побудови інтегрованої інтелектуальної діагностичної системи, яка використовується для діагностики ракових пухлин. Як технічні засоби такої системи використовуються апарати комп'ютерної томографії та ультразвукових досліджень. Результати комп'ютерної томографії та ультразвукової діагностики використовуються як входи штучної нейронної мережі.

Розглянуто задачу імітаційного моделювання мультипроцесорних систем на основі використання клітинних нейронних мереж. Кожен процесорний елемент описується деякою підмножиною нейронів штучної нейромережі. Як алгоритмічне забезпечення розглядаються локально-асинхронні методи, спеціально орієнтовані на використання у клітинний нейронних мережах.

Розглянуто задачу імітаційного моделювання для розв'язання задач математичної фізики. Для вирішення задачi запропоновано використовувати клітинні нейромережі, як засіб моделювання. Як алгоритмічне забезпечення та засіб оптимізації нейромережі запропоновано використовувати локально-асинхронні методи, які є спеціально орієнтованими на клітинні нейронні мережі.

Розроблено програмне та алгоритмічне забезпечення системи пожежного спостереження. Представлено результати моделювання процесу евакуації. Розроблено програмні інтерфейси системи.

Рассмотрена система гибридных нейронных сетей. Предложены методы обучения их модулей.

Запропоновано новий клас нечітких класифікаторів. Це класифікатори глибокого навчання на основі нейронної мережі NEFCLASS. Попереднє навчання забезпечується за допомогою обмеженої машини Больцмана.

It is proposed a new class of fuzzy classifiers. It is a deep learning classifier based on NEFPROX neural network. The pre-learning is supplied with help of Restricted Boltzman Machine.

Запропоновано новий алгоритм "м'якої" кластеризації на основі використання штучних нейронних мереж як моделей гіперповерхонь, що розділяють кластери. Алгоритм дозволяє розв'язувати задачу м'якої кластеризації як задачу оптимізації гладкої нелінійної функції, а отже, застосовувати весь математичний апарат нелінійної оптимізації, який суттєво розвинувся за останні роки.

Розглянуто підхід до дизайну ансамблю нейронних мереж як колекції кінцевого числа нейронних мереж для вирішення однієї і тієї ж задачі, а потім об'єднання результатів їх роботи. Запропоновано алгоритм оптимального вибору топологій нейронних мереж і їх кількості для включення в ансамбль. Подальше уточнення складу ансамблю здійснюється за допомогою операції обрізання. Вихід ансамблю є середньозваженим значенням виходів кожної мережі, при цьому сукупні ваги визначаються як функція відносної похибки кожної мережі, визначеної при навчанні. Представлено новий підхід до динамічного визначення ансамблевих ваг в рамках алгоритму навчання. Ваги пропорційні визначеності відповідних виходів.

Показано, що ансамбль, зазвичай, більш точний, ніж одинична мережа, існуючі ансамблеві методи, однак, як правило, створюють невиправдано великі ансамблі, які збільшують використання пам'яті та обчислювальні витрати. Спрощення ансамблю вирішує цю проблему. Проаналізовано компроміс між точністю і різноманітністю і доведено, що класифікатори, які є більш точними і роблять більш точні прогнозів у групі меншості, більш важливі для побудови підансамблю. Запропоновано метрику, яка враховує точність і різноманітність, щоб оцінити вклад окремого класифікатора в ансамбль. Це дозволяє виділити необхідну кількість мереж з найкращими результатами і включити їх в ансамбль.

Розглянуто задачу модифікації нейронної мережі, топологія якої була обрана раніше в результаті вирішення оптимізаційної проблеми. Запропонований алгоритм вирішення базується на двоетапній процедурі, яка складається з генетичного і локального алгоритму оптимізації. Проблему модифікації представлено у вигляді двох задач: пошук оптимальної структури нейронної мережі і налаштування вагових коефіцієнтів. Для вирішення цих двох завдань використано двоетапний алгоритм, у якому на першому етапі застосовується гібридний багатокритеріальний еволюційний алгоритм, а на другому етапі визначаються значення вагових коефіцієнтів за допомогою методу зворотного поширення помилки і методу найшвидшого спуску. Визначення оптимальної кількості прихованих шарів виконується за допомогою адаптивного алгоритму об'єднання і нарощування.

Розглянуто базовий підхід для побудови гібридної нейронної мережі. Як приклад, проаналізовано нейронну мережу зустрічного поширення. Розглянуто два режими функціонування цієї нейронної мережі. Це режими акредитації та інтерполяції. Режим інтерполяції дозволяє виявляти більш складні особливості і дає більш точні результати. На основі цього аналізу розроблена нова гібридна структура, що включає нейронну мережу Кохонена і персептрон. Запропоновано алгоритм навчання цієї гібридної нейронної мережі.

Розглянуто принцип побудови інтелектуальної системи діагностики патології щитовидної залози. Визначено основні особливості ультразвукових зображень для пацієнтів з раком щитовидної залози. Запропоновано структурну схему інтелектуальної діагностики, яка включає дві основні підсистеми: підтримки прийняття рішень і обробки зображень. В якості класифікатора використовується нечітка нейронна мережа (NEFCLLASS) через її синергетичні можливості: представлення результату на основі правил і можливості узагальнення. Як функції активації нейрона (для розрахунку активації правил на основі функцій приналежності) використовується Т-норма. Для обробки ультразвукових зображень використовується згорткова нейронна мережа.

Розглянуто структурний синтез ансамблів гібридних нейронних мереж. У якості топології ансамблю вибрана паралельна структура з шаром об'єднання. Розроблений гібридний алгоритм розв'язання задачі включає алгоритми попереднього вибору класифікаторів (модулів нейронних мереж - гібридні нейронні мережі, які складаються з нейронних мереж Кохонена, базової і двонаправленої асоціативної пам'яті), створення бутстреп навчальних вибірок для кожного класифікатора, навчання цих класифікаторів, оптимальний вибір необхідних класифікаторів, визначення вагових коефіцієнтів шару об'єднання, спрощення ансамблю. Для вирішення завдання оптимального вибору класифікаторів використовуються два критерії: точність і різноманітність.

Розглянуто метод структурного та параметричного синтезу нейронних мереж прямого поширення, до складу яких входять нейрони типу Sigmoid Piecewise, котрі використовувалися при побудові прогнозуючої моделі. Описано принцип побудови нового розробленого нейрону типу Sigmoid Piecewise. Наведено результати дослідження ефективності нейронів типу Sigmoid Piecewise на реальних вибірках.

Представлено структурно-параметричний синтез ансамблю нейронних мереж різних архітектур на основі їх індивідуального вкладу. Розглянуто топології та алгоритми навчання для кожного класифікатора. Описано алгоритм розрахунку індивідуального внеску кожної мережі та алгоритм вибору мереж в ансамбль відповідно до критеріїв точності та різноманітності. Для спрощення структури ансамблю був застосований метод complementary measure. Наведено результати вивчення класифікаторів на навчальних бутстреп-вибірках. Отримані результати ансамблю порівняні з відповідними результатами кожної нейронної мережі, включеної в ансамбль окремо.

Розглянуто задачу структурно-параметричного синтезу гібридної нейронної мережі на основі використання топології багатошарового персцептрону. Гібридизація досягається за рахунок використання штучних нейронів різних типів, а саме Q-нейрону, W-нейрону і класичного нейрону. Розв'язано задачу оптимального вибору кількості шарів, нейронів в шарах, а також типів нейронів у кожному шарі та принципи їх чергування за допомогою генетичного алгоритму SPEA2. Наведено приклади побудови гібридної нейронної мережі за даною методологією та заданим критерієм оптимізації для розв'язання задач класифікації та прогнозування.

Розглянуто задачу структурно-параметричного синтезу гібридної нейронної мережі на основі використання топології багатошарового персцептрону. Гібридизація досягається за рахунок використання штучних нейронів різних типів, а саме Q-нейрону, W-нейрону і класичного нейрону. Розв'язано задачу оптимального вибору кількості шарів, нейронів в шарах, а також типів нейронів у кожному шарі та принципи їх чергування за допомогою генетичного алгоритму SPEA2. Наведено приклади побудови гібридної нейронної мережі за даною методологією та заданим критерієм оптимізації для розв'язання задач класифікації та прогнозування.

Розглянуто проблему структурно-параметричного синтезу гібридних нейронних мереж на основі використання радіальних базисних мереж. Гібридизація досягається за рахунок використання різних радіальних базисних функцій: гауссових, багатовимірних, зворотних квадратичних, зворотних багатовимірних, сплайна тонких пластин, лінійних, кубічних, вейвлет-функцій. Завдання структурно-параметричного синтезу гібридної нейронної мережі полягає в оптимальному виборі кількості шарів, кількості нейронів в шарах, порядку чергування шарів з різними нейронами. Розв'язано задачу оптимального вибору кількості мережевих каскадів І типу радіальної базисної функції в кожному каскаді з числа шарів. Наведено приклади синтезу гібридної нейронної мережі з використанням цієї методології для вирішення завдань класифікації та прогнозування.