Хаустова Я. В. Методи нечіткої кластеризації на основі ядерних функцій в задачах інтелектуального аналізу даних

Дисертаційна робота присвячена розв'язанню актуальної наукової задачі розробки нових методів нечіткої кластеризації на основі ядерних нейронних мереж і нейро-фаззі систем, які налаштовують свою архітектуру в процесі навчання-самонавчання в умовах перетинних кластерів довільної форми. Вперше запропоновано ядерні кластерувальні нейронні мережі, які засновані на радіально-базисній нейронній мережі та узагальненії регресійнії мережі, що дозволяють обробляти потоки даних різної фізичної природи в послідовному режимі. Вперше запропоновано багатошарову гібридну нейро-фаззі систему обчислювального інтелекту на основі системи Ванга-Менделя і нечіткої кластерувальної самоорганізовної мережі, що дозволяє в процесі самонавчання налаштовувати не тільки свої параметри, але і архітектуру в on-line режимі і вирішувати задачі кластеризації потоку даних за умов апріорно невідомої форми кластерів і рівнів їх перетинання. Удосконалено метод кластеризації ЕМ (expectation-maximization) шляхом використання ядерних функцій спеціального виду, що дозволяє на відміну від стандартного підходу вирішувати задачу кластеризації в умовах перетинних кластерів з розрахунком оцінки належності кожного спостереження до кожного кластеру. Удосконалено штучну нейронну мережу для аналіза головних компонент шляхом введення додаткових шарів ядерних функцій для підвищення розмірності вхідного простору, що дозволило обробляти інформацію, яка міститься в класах довільної форми.