Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3272
Title: Еволюційні нейро-фаззі мережі з каскадною структурою для інтелектуального аналізу даних
Authors: Копаліані, Д. С.
Keywords: інтелектуальний аналіз даних
еволюційні нейро-фаззі системи
штучні нейронні мережі
розширений нео-фаззі нейрон
нечітке кластерування
intelligent data analysis
evolving neuro-fuzzy systems
artificial neural networks
extended neo-fuzzy neurons
fuzzy clustering
Issue Date: 2016
Citation: Копаліані, Д. С. Еволюційні нейро-фаззі мережі з каскадною структурою для інтелектуального аналізу даних : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / Д. С. Копаліані ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2016. – 152 с. – Бібліогр.: с. 141–151.
Abstract: Метою дисертаційної роботи є розробка каскадних еволюційних штучних нейро-фаззі мереж і методів їх навчання з підвищеною швидкодією і можливостями інтерпретовності вихідного сигналу, а також параметричного та структурного налаштування в режимі послідовного опрацювання інформації. Виконано огляд стану проблеми інтелектуального аналізу даних, що послідовно надходять на опрацювання. Запропоновано архітектуру розширеного нео-фаззі нейрону, який дозволяє реалізовувати нечітке висновування за Такаґі-Суґено довільного порядку, що характеризується покращеними апроксимуючими властивостями та підвищеною швидкодією, для опрацювання даних у послідовному режимі. Запропоновано архітектуру та методи навчання каскадної нейро-фаззі мережі, що еволюціонує, з оптимізацією пулу нейронів у кожному каскаді для інтелектуального опрацювання даних, що надходять у послідовному режимі. Запропоновано архітектуру та рекурентний метод навчання багатовимірного узагальнюючого елементу, що в режимі реального часу реалізує оптимальне об’єднання багатовимірних вихідних сигналів нейронів пулу каскаду. Запропоновано архітектуру та методи навчання багатовимірної нейро-фаззі системи, що еволюціонує, з оптимізацією пулу багатовимірних нео-фаззі нейронів у кожному каскаді для послідовного опрацювання. Запропоновані багатовимірна система та методи її навчання показали високу точність та переваги при вирішенні задач прогнозування нелінійних стохастичних і хаотичних багатовимірних сигналів у онлайн режимі порівняно з існуючими системами. Запропоновано архітектуру та методи самонавчання каскадної нейро-фаззі системи, що еволюціонує, для послідовного кластерування даних з автоматичним визначенням локально оптимальної кількості кластерів. Розв’язано практичну задачу нечіткого кластерування світлин для подальшого їх класифікування за умови невизначеності щодо кількості кластерів та рівня їх розмитості за допомогою пропонованої самонавчанної гібридної системи. Розв’язано практичну задачу прогнозування витрат нормогодин для ремонтних робіт візків вагонів 61-425, 61-181, 47Д та 47К у ТОВ «Харківський вагонобудівний завод» за допомогою запропонованої каскадної гібридної нейро-мережі, що ґрунтується на розширених нео-фаззі нейронах.The thesis is devoted to research and development of evolving cascaded neuro-fuzzy systems for intelligent data analysis in an online mode. The extended neo-fuzzy neuron and its adaptive learning algorithm are proposed. The proposed neuron implements arbitrary order Takagi-Sugeno fuzzy inference and is proven to have enhanced approximating capabilities as well as high operating speed and therefore is an eligible base unit for the sought-for evolving systems. The thesis proposes a number of architectures (both single and multiple output) specifically designed to process nonstationary data in an online mode, utilizing proposed “generalizing” units, that produce the optimal output signal based on signals generated by each neuron in a cascade pool. Such technique has demonstrated its effectiveness in growing data samples especially in case of significant properties drift over time. The evolving system for fuzzy data stream clustering is proposed that is unique in its capability of detecting the optimal number of clusters as it operates. An experimental study of the properties and characteristics of the developed methods is carried out and recommendations on their use in solving practical tasks are proposed.
URI: http://openarchive.nure.ua/handle/document/3272
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
KopalianiD.pdf619.43 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.