Мулеса П. П. Інтелектуальний аналіз медичних даних на основі гібридних нейромереж

Метою дисертаційної роботи є розробка нових гібридних нейро-фаззі систем для вирішення задач ефективного аналізу і обробки інформації на основі динамічного інтелектуального аналізу медичних даних у вигляді багатовимірних таблиць і нестаціонарних нелінійних сигналів з локальними особливостями за умов апріорної та поточної невизначеності. Запропоновано метод навчання двошарового нейро-фаззі компресора, що відрізняється використанням активаційних функцій з лінійними похідними, що дозволило підвищити швидкодію процесу оброблення даних та спростити обчислювальну реалізацію методу. Запропоновано метод навчання-самонавчання одношарової класифікуючої-кластеризуючої нейронної мережі, яка відрізняється тим, що може оброблювати інформацію як в режимі навчання з вчителем, так і без, та вирішувати задачі класифікації-кластеризації за умов класів, що перетинаються, що дозволило опрацьовувати дані в on-line режимі. Запропонована багатошарова діагностуюча нейро-фаззі система, що побудована на основі системи Такаґі-Суґено-Канґа з додатковим нелінійним шаром діагностики та модифіковано її метод навчання, що побудовано на основі критерію розпізнавання образів, яка характеризується підвищеною швидкодією та простотою обчислювальної реалізації. Удосконалено метод передобробки медичної інформації для структуризації простору факторів в задачах діагностування захворювань з використанням нечіткого дерева рішень, моделей багатокритеріального вибору та нечіткої логіки, що дало змогу провести ранжування факторів з метою виявлення найвпливовіших та їх подальшого оброблення інтелектуальною діагностуючою системою.