Горшков Є. В. Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур

Дисертацію присвячено розробці архітектур гібридних нейро-фаззі мереж, методів їх навчання і самонавчання, адап-тивних процедур нечіткої кластеризації для задач класифіка-ції чисельних даних в умовах апріорної та поточної невизна-ченості відносно характеру розподілу та істотного перетину класів. Уперше запропоновано: рекурентні і робастні методи кластеризації в межах імовірнісного та можливісного підхо-дів, що дозволяють проводити кластеризацію за умов пере-тину класів; імовірнісну нейронну мережу з нечітким виве-денням, методи її побудови і навчання; рекурентний метод навчання радіально-базисної мережі на основі еліпсоїдально-го оцінювання, що забезпечує ефективне навчання за умови дефіциту інформації про розподіл збурень; гібридну нейро-фаззі мережу зустрічного розповсюдження і метод її навчан-ня. Вдосконалено методи самоорганізації модифікованої ме-режі Кохонена з можливістю нечіткого виведення і запропо-новано метод попередньої обробки даних шляхом підвищен-ня вимірності вихідного простору. Ефективність цих методів експериментально підтверджена на ряді відомих тестових та реальних задач нечіткої класифікації даних.