Запропоновано новий оптимальний за швидкодією алгоритм навчання вейвлет-нейрона, що забезпечує настроювання в реальному часі не тільки синаптичних коефіцієнтів, але й параметрів розтягання та зсувів дочірніх вейвлетів. Алгоритм має як слідкувальні, так і згладжувальні властивості, що дозволяє ефективно використовувати вейвлет-нейрони як самостійно, так і в складі штучних нейронних мереж для розв'язання задач прогнозування нелінійних часових рядів довільної природи.

Розглянуто гетерогенну спайк-нейронну мережу з рецепторними та радіально-базисними нейронами в задачі кластеризації. Запропоновано адаптивний алгоритм навчання на базі правила Гебба. Наведено результати експерименту, що одержано під час обробки супутникового зображення.

Розглянуто нову нетрадиційну нейромережеву архітектуру - подвійний ортонейрон. Запропоновано алгоритм навчання на підставі процедури оптимізації другого порядку. Вказано переваги розглянутої конструкції у порівнянні з класичними нейронними мережами. Надано результати імітаційного моделювання.

In this article an architecture and learning algorithm for the modular neural network, where the hidden layer is formed by a general regression and radial basis function neural networks, have been proposed. These networks are parallel connected to the input layer and trained independently, following which the optimization with respect to the network output accuracy is performed. Formed by neural network models based on memory and optimization, the proposed modular neural network provides a high accuracy both in early learning stages and when data set could grow in real time.

Предложен робастный алгоритм обучения вэйвлет-нейро-фаззи сети c активационными функциями POLYWOG вэйвлет на основании критерия Р. Велша. Предложенный алгоритм обучения позволяет обрабатывать сигналы в условиях выбросов с большой амплитудой.

Analog-digital architecture of self-learning fuzzy spiking neural network is proposed in this paper. Spiking neuron synapse and some are treated in terms of classical automatic control theory. Conventional unsupervised learning algorithm of spiking neural network is improved by applying "Winner-Takes-More" rule.

Розглянуто задачу кластеризації масивів векторних даних, що мають пропущені значення у деяких компонентах. Запропоновано адаптивний підхід до кластеризації таких даних за умов, коли класи перетинаються. В основі підходу є використання модифікованої мапи Кохонена з функцією сусідства спеціального вигляду.

The problem of noisy and linearly distorted images recovery is considered. For the solving the blind deconvolution method is proposed. This method ensures contour preservation and high quality of restoration.

The problem of computational intelligence systems synthesis in on-line mode, capable for processing stochastic signals with missing observations in the data is considered. An adaptive approach based on using of orthogonal polynomials is developed.

Запропоновано нову гнучку модифікацію нео-фаззі нейрону й алгоритм навчання усіх параметрів. Запропонований алгоритм навчання надає змогу налаштувати не тільки синоптичні ваги, але й параметри функцій активації-приналежності та її форми, що надає змогу уникнути виникнення "дірок" у вхідному просторі. Запропонований алгоритм навчання має як фільтруючі, так і властивості слідкування, таким чином гнучкий нео-фаззі нейрон може використовуватися для розв'язання задач прогнозування, фільтрації та згладжування нестаціонарних стохастичних та хаотичних послідовностей. Перевагами запропонованого підходу є простота обчислення у порівнянні з відомими алгоритмами навчання гібридних вейвлет-нейро-фаззі-систем обчислювального інтелекту.

Запропоновано модифікацію нео-фаззі нейрона, що названа "розширений нео-фаззі нейрон" (ENFN) і характеризується поліпшеними апроксимуючими властивостями. Введено адаптивний алгоритм навчання ENFN, що має слідкуючі - згладжувальні властивості і дозволяє вирішувати завдання прогнозування, фільтрації і згладжування нестаціонарних "зашумлених" стохастичних і хаотичних сигналів. Відмінною особливістю ENFN є обчислювальна простота його реалізації у порівнянні з штучними нейронними мережами і нейро-фаззі системами. Ці властивості запропонованого нео-фаззі нейрона роблять його ефективним для пригнічення шумів на зображеннях в ході фільтрації.

Запропоновано комбінований метод самонавчання-навчання самоорганізовної мапи (SOM-LVQ), що надає змогу підвищити якість обробки інформації за умов класів, що перетинаються внаслідок раціонального вибору параметра кроку навчання та введення спеціальної процедури нечіткого виведення в процесі класифікації-кластеризації, який проходить як з зовнішнім навчальним сигналом, так і без нього. Як міру подібності функцій сусідства та належності використовують косинусоїдальні конструкції, що надають змогу забезпечити процесам самонавчання-навчання більшу гнучкість і надати їм низку нових корисних властивостей.

Запропоновано застосовувати для фільтрації кольорових цифрових зображень нечіткі групи рівних в межах ковзного вікна. Результат фільтра визначається ансамблем функцій приналежності, які відрізняються ступенем крутизни й опуклості. Це надає змогу вибирати потрібну функцію залежно від властивостей зображення та виду перешкоди. Проведено порівняння дії фільтра з нечіткими групами рівних із запропонованими функціями належності за умов декількох типів шуму.

Розглянуто еволюційний підхід до обробки даних. Запропоновано нейро-фаззі систему, в якій налаштовуються всі її параметри і яка може бути використана як вузол еволюційної багатошарової системи. Ця система може налаштовувати свою архітектуру, синаптичні ваги і параметри функцій належності нейро-фаззі вузлів, покращуючи тим самим якість апроксимації.

Розглянуто алгоритм нечіткої кластеризації даних за наявності аномальних спостережень. Запропонований рекурсивний алгоритм нечіткої кластеризації даних базується на використанні манхеттенської метрики, що забезпечує високу швидкість обробки інформації та просту обчислювальну реалізацію. Результат апробації на даних медико-біологічних досліджень підтверджує ефективність запропонованого підходу.

Розглянуто задачу кластерування даних за умов кластерів, що перетинаються. Передбачено, що оброблювану інформацію задано в ранговій (порядковій) шкалі. Для кластерування запропоновано використати архітектуру спеціального вигляду - подвійний нео-фаззі нейрон, який є модифікацією класичного нео-фаззі нейрона зі спеціально сконструйованими несиметричними функціями належності та має поліпшені апроксимуючі властивості. Подвійний нео-фаззі нейрон, як і звичайний нео-фаззі нейрон, призначений для обробки інформації, що її задано у шкалі натуральних чисел. Однак ситуація суттєво ускладниться, якщо вихідні дані будуть задані не в числовий, а в порядкової шкалі, що досить часто зустрічається в різних практичних завданнях. Для навчання подвійного нео-фаззі нейрона використовувалася градієнтна процедура мінімізації зі змінним параметром кроку пошуку. Запропонований підхід до нечіткої класифікації даних у порядковій шкалі на основі подвійного нео-фаззі нейрона, що його навчають за допомогою швидкодіючого алгоритму, має додаткові згладжуючі властивості. Точність кластеризації для навчальної та тестової вибірок, а також швидкість навчання системи було виміряно в ході проведення експериментів. Запропонована архітектура подвійного нео-фаззі нейрона є своєрідним компромісом між традиційним та розширеним нео-фаззі нейронами. Дана архітектура гарно себе проявила у тих випадках, коли точність результатів має більше значення, ніж час, який витрачається на обробку даних. Висновки: експериментальне моделювання (на штучних і реальних наборах даних) довело ефективність запропонованого підходу. У ході експериментів було проведено дослідження властивостей запропонованої системи, що ще раз підтвердило доцільність використання даного підходу для розв'язання широкого кола завдань інтелектуального аналізу даних.

Вивчено проблему формування набору навчальних даних для системи автоматичного розпізнавання емоцій людини на основі багатовимірного розширеного нео-фаззі нейрона. Розглянуто аспекти вибору розмірності і складу вектору ознак, їх впливу на швидкість навчання системи. Об'єктом дослідження є метод кластеризації багатовимірних даних. Предмет дослідження - систематизація геометричних ознак двовимірних зображень. Мета роботи - розробка підходу до опису виразу обличчя людини за допомогою фіксованого набору геометричних ознак, які можуть бути отримані в ході обробки кадрів відеоряду. Для навчання системи розпізнавання виразів обличчя пропонується утворити вектор ознак, що складається з координат характерних точок. Вибрані такі точки, які пов'язані з розташуванням і формою зіниць очей, контурами губ, повік, брів, крил носа, носогубних складок. Подібні точки досить легко можна виділяти в автоматичному режимі обробки зображень за допомогою відомих контурних детекторів. Також розглянуто можливість використання для опису вираження обличчя не координат характерних точок, а відстаней між ними. З цих відстаней створено інший вектор ознак, властивості якого було порівняно з властивостями вектору з координат точок. Розроблена система розпізнавання на базі багатовимірного розширеного нео-фаззі нейрона була реалізована у програмному забезпеченні та досліджена для вирішення проблеми класифікації виразів обличчя. Зроблено порівняння векторів атрибутів, що відрізняються за складом та розмірами. Обрано таку структуру вектору ознак, що забезпечує високу швидкість навчання системи, та не вимагає введення додаткових структурних елементів. Висновки: експериментальне дослідження повністю підтверджує ефективність розробленого підходу для розпізнавання виразів обличчя людини з використанням багатовимірного нео-фаззі нейрона.