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.

 Автореферати дисертацій 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Митник Олег Юрійович (технічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"