Об'єкт дослідження - динамічні стохастичні процеси, що протікають в умовах повної або часткової апріорної та поточної невизначеності щодо математичної моделі таких процесів та її параметрів. Мета дослідження - розробка гібридних еволюційних штучних нейро-фаззі мереж та методів їх навчання з підвищенною швидкодією та можливостями інтерпретації вихідного сигналу, а також параметричної і структурної адаптації в режимі послідовної обробки інформації. Методи дослідження: теорія штучних нейронних мереж, котра дозволила синтезувати нові архітектури нейронних мереж, що ростуть, нечітка логіка, що дала можливість реалізувати нечіткий висновок на основі розроблених архітектур, теорія оптимізації, що забезпечила розробку методів налаштовування синаптичних ваг з підвищеною швидкодією і стійкістю до зашумлених даних, а також апарат математичної статистики, спираючись на який, була проведена систематизація і використання отриманих в результаті роботи даних для наукових і практичних висновків. Теоретичні і практичні результати роботи в сукупності розв'язують наукову задачу прогнозування чи класифікації за умов апріорної та поточної невизначеності параметричної та структурної невизначеності на основі гібридних еволюційних нейронних мереж. Наукова новизна: 1) вперше запропоновані спеціалізовані архітектури орто-синапса, орто-нейрона та подвійного орто-нейрона, котрі використовують класичні системи ортогональних поліномів у якості активаційних функцій, а також методи, що дозволяють проводити налаштовування їх вагових коефіцієнтів в пакетному режимі і режимі послідовної обробки інформації, що дозволило прискорити час навчання вищезазначених архітектур у порівнянні з класичними; 2) вперше запропонована архітектура багатовимірної каскадної нео-фаззі нейронної мережі, котра являє собою нейро-фаззі систему з багатошаровим нечітким виведенням, здатну обробляти багатовимірні по входу і виходу масиви даних швидше, ніж класичні архітектури, та автоматично синтезувати свою архітектуру, адаптуючись під зміни зовнішніх чинників процесу; 3) вперше запропоновані методи навчання каскадних нейронних мереж, засновані на експоненційно зваженому рекурентному методі найменших квадратів Петерки та теоремі Гревіля і формулі Фробеніуса для обернення великих матриць, що дозволяють вирішувати задачі у режимі послідовної обробки інформації та пришвидшити процес налаштовування вагових коефіцієнтів каскадних нейронних мереж у порівнянні з класичними архітектурами; 4) модифікована каскадно-кореляційна архітектура Фальмана та Лєб'єра, шляхом заміни штучних нейронів у вузлах архітектури на орто-нейрони, квадратичні нейрони та нео-фаззі нейрони, що дозволило значно зменшити час навчання мережі, порівняно з прототипом, отримати лінгвістичну інтерпретацію вихідних сигналів, спростити архітектуру для реалізації на платах, відповідно до обраного типу штучного нейрона у вузлах; 5) набув подальшого розвитку метод самоорганізації архітектури нейронної мережі, заснований на МГУА, шляхом заміни N-адалін, що використовуються традиційно, на нео-фаззі нейрони, що дозволило автоматично отримати нейро-фаззі архітектуру оптимальної складності, яка забезпечує лінгвістичну інтерпретацію вихідного сигналу шляхом багатошарового нечіткого виведення. Ступінь упровадження - результати дослідження впроваджено на Державному науково-виробничому підприємстві "Системні технології", що підтверджується актом від 8.06.2010; наукові положення, висновки і рекомендації, викладені в дисертації, були використані при підготовці курсу "Нейромережеві методи обчислювального інтелекту", що читається студентам-магістрантам спеціальності "Інтелектуальні системи прийняття рішень" Харківського національного університету радіоелектроніки, що підтверджується актом від 15.09.2010, а також у науково-дослідних роботах Харківського національного університету радіоелектроніки, що підтверджено актом від 26.05.2010. Сфера використання - наукові та практичні результати дисертаційної роботи можуть бути використані в організаціях, що займаються проблемами розробки інтелектуальних систем обробки даних; у галузях фінансів, енергетики, нафтохімії, транспорту, медицини, біології та екології; у навчальному процесі при підготовці фахівців у галузях систем інтелектуальної обробки інформації.
