Тищенко О. К. Інтелектуальний аналіз багатовимірних нелінійних часових рядів на основі гетерогенних нейронних мереж

Дисертацію присвячено розробці методів обробки багатовимірних нелінійних часових рядів за допомогою гетерогенних нейронних мереж, що мають високу швидкість налаштування параметрів, що відзначаються лінійною залежністю сигналу вихідного шару мережі від синаптичних ваг прихованого шару, а також здатних працювати за умов дефіциту апріорної інформації (короткої навчальної вибірки). Уперше запропоновано архітектуру гетерогенної нейронної мережі для прогнозування даних, що складається з шару нечіткої кластеризації та нейро-нео-фаззі мережі зустрічного поширення, яка характеризується підвищеною швидкодією та покращеними апроксимувальними властивостями, що дає можливість обробляти нелінійні часові ряди довільної природи за умов невизначеності, а також запропоновано метод її навчання. Уперше введено багатовимірну модифікацію нео-фаззі-нейрону, що має покращені апроксимувальні властивості, та методи його навчання, які характеризуються простотою реалізації, що дозволяє забезпечити меншу обчислювальну складність за рахунок істотного скорочення кількості функцій належності. Уперше запропоновано архітектуру нейро-фаззі мережі на основі теорії резервуарних обчислень, яка характеризується підвищеною швидкістю налаштування параметрів навчання й точністю прогнозу часового ряду, а також запропоновано метод її навчання, що відзначається простотою реалізації, що дозволяє істотно покращити апроксимувальні та екстраполювальні властивості системи для обробки нелінійних часових рядів за умов невизначеності. Набула подальшого розвитку архітектура нейро-компресора даних на основі багатошарового персептрону "вузьке місце" за рахунок приєднання до мережі-компресору нейро-нео-фаззі мережі зустрічного поширення, що дозволило здійснювати прогнозування часових рядів зниженої розмірності без втрати внутрішніх залежностей даних. Набув подальшого розвитку метод сегментації багатовимірних нелінійних часових рядів на основі методу нечіткої кластеризації шляхом спеціального налаштування цетроїдів, що дозволяє здійснювати сегментацію даних у режимі online, а також дозволяє визначати моменти змін характеристик часового ряду. Проведено імітаційне моделювання запропонованих гетерогенних нейронних мереж та показані їх переваги над існуючими методами у задачах обробки багатовимірних нелінійних часових рядів. Результати дисертаційної роботи можуть бути використані для розв'язання задач інтелектуального аналізу багатовимірних нелінійних часових рядів різної фізичної природи, що характеризуються короткою навчальною вибіркою, в режимі послідовної обробки за умов апріорної та поточної невизначеності.