Об'єкт дослідження - процес навчання та функціонування багатошарової нейронної мережі прямого поширення. Мета дослідження - розробка методів і моделей прискореного навчання та функціонування багатошарової нейронної мережі прямого поширення, які за рахунок диспетчерування та масштабування обчислювальної системи, а також адаптації та підвищення продуктивності під час реалізації багатошарової нейронної мережі забезпечують суттєве скорочення часу вирішення задач великої розмірності. Методи дослідження: для рівномірного розподілу нейромережевої обробки даних використані теорія штучних нейронних систем, лінійна алгебра, методи алгоритмізації задач, обчислювальні методи; для моделі оцінювання застосовані параметричне моделювання, системний аналіз; для адаптації та прискорення нейрообробки даних - теорія графів, теорія матриць, принципи організації комп'ютерних мереж; для масштабування обчислювальної системи - теоретичні основи побудови високопродуктивних систем, теорія паралельних та розподілених обчислень; для підтвердження ефективності отриманих результатів і розроблення рекомендацій щодо їх застосування - імітаційне моделювання з використанням мов високого рівня програмування. Наукова новизна: 1. Вперше запропоновано метод рівномірного розподілу нейромережевої обробки даних, який базується на динамічному перерозподілі наборів нейронів багатошарової нейронної мережі між обчислювачами залежно від обсягу оброблюваних даних, що дозволяє суттєво скоротити час навчання та функціонування багатошарової нейронної мережі, а також зменшити на порядок обчислювальну складність порівняно з існуючими послідовними методами. 2. Вперше запропоновано модель оцінювання прискорення навчання та функціонування багатошарової нейронної мережі, яка характеризується можливістю вибору ефективних значень параметрів, що сукупно враховують обсяг і розподіл вхідної інформації залежно від числа передач даних у віртуальних топологіях ("зірка", "сітка", "повнозв'язний граф") та апаратні характеристики середовища й обчислювачів, що дозволяє підвищити продуктивність нейрообчислень та значно прискорити обробку великого обсягу даних у розподіленому обчислювальному середовищі. 3. Вперше запропоновано метод масштабування обчислювальної системи, який характеризується точним визначенням часу виконання розподілених між обчислювачами наборів даних нейропроцедур, що дозволяє ефективно диспетчерувати навантаження ресурсів та оцінити продуктивність подальшого підвищення потужності гетерогенного або гомогенного обчислювального середовища для прискорення вирішення задач. 4. Набула подальшого розвитку модель прискореної нейрообробки даних шляхом урахування обсягу вхідної інформації, топології передачі даних ("зірка", "повнозв'язний граф", "сітка") для скорочення кількості передач між обчислювачами, що дозволяє адаптувати структуру багатошарової нейронної мережі у розподіленому обчислювальному середовищі для скорішого вирішення задач великої розмірності. Ступінь упровадження - методи та моделі прискореної нейромережевої обробки даних у розподіленому обчислювальному середовищі доведені до рівня програмної реалізації, що дозволило здійснити: розбракування безшовних труб різного призначення за якістю у НПФ ТОВ "Технологія" м. Харкова, Україна (акт впровадження від 18.05.09 р.); прогнозування екологічної обстановки в санітарно-захисній зоні ПАТ "АрселорМіттал Кривий Ріг" для ТОВ "АТОМЕКОСИСТЕМА" м. Харкова, Україна (акт впровадження від 30.05.11 р.), результати роботи були впроваджені в навчальний процес Харківського національного університету радіоелектроніки (акт впровадження від 15.03.10 р.). Сфера використання - для розробки нейромережевих систем прискореної обробки даних з метою розв'язання широкого кола різноманітних за змістом задач; в інтелектуальних системах, що обробляють суттєвий обсяг вхідної інформації у різних галузях; у навчальному процесі під час підготовки фахівців у галузях технологій паралельних та розподілених обчислень, а також нейромережевої обробки даних
