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.

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