Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3462
Title: Гібридні еволюційні адаптивні вейвлет-нейро-фаззі-системи для динамічного аналізу даних
Authors: Винокурова, О. А.
Keywords: динамічний інтелектуальний аналіз даних
гібридна нейронна мережа
вейвлет-функції активації-належності
гібридна вейвлет-нейро-фаззі-система
індуктивне моделювання
W-нейрон
dynamic data mining
hybrid neural network
wavelet-activation-membership function
hybrid wavelet-neuro-fuzzy systems
inductive modeling
W-neuron
Issue Date: 2012
Publisher: Харк. нац. ун-т радіоелектроніки
Citation: Винокурова, О. А. Гібридні еволюційні адаптивні вейвлет-нейро-фаззі-системи для динамічного аналізу даних : автореф. дис. ... д-ра техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / О. А. Винокурова ; МОНМС України, Харків. нац. ун-т радіоелектроніки. – Харків, 2012. – 40 с
Abstract: Дисертаційна робота присвячена вирішенню актуальної науково-технічної проблеми розробки методів динамічного інтелектуального аналізу для послідовної обробки нестаціонарних нелінійних сигналів на основі гібридних еволюційних адаптивних вейвлет-нейро-фаззі-систем, здатних функціонувати за умов дефіциту апріорної та поточної інформації щодо структури та параметрів, що мають можливість обробки часових радів з короткою і довгою вибіркою з локальними особливостями, а також забруднених викидами з невідомим розподілом і характеризуються підвищеною швидкістю навчання. Вперше запропоновано низку вейвлет-нейронних мереж, гібридних адаптивних вейвлет-нейро-фаззі-систем, гібридних вейвлет-нейро-фаззі-систем типа-2, законів інтелектуального адаптивного керування на основі запропонованих вейвлет-нейрофаззі-модмей, а також гібридні еволюційні багаторядні та каскадні МГУА-вейвлетнейронні мережі для розв’язання задач динамічного інтелектуального аналізу даних. Дія розроблених архітектур гібридних еволюційних адаптивних вейвлет-нейро-фаззі-систем запропоновано низку методів навчання, на основі квазі-н’ютоновських та робастних процедур, які характеризуються підвищеною швидкодією, слідкуючими та фільтруючими властивостями. Диссертационная работа посвящена решению актуальной научно-технической проблемы разработки методов динамического интеллектуального анализа для последовательной обработки нестационарных нелинейных сигналов на основе гибридных эволюционных адаптивных вейвлет-нейро-фаззи-систем, способных функционировать в условиях дефицита априорной и текущей информации о структуре и параметрах, имеющих возможность обработки временных рядов с короткой и длинной выборкой с локальными особенностями, а также загрязненных выбросами с неизвестным распределением и характеризуются повышенной скоростью обучения. The thesis is dedicated to solving a topical problem of dynamic data mining methods design for on-line non-stationary nonlinear signal processing based on hybrid evolving adaptive wavelet-neuro-fuzzy systems, which can operate under priori and current lack of information conditions. Such methods are characterized by improving learning rate and have possibility of processing the time series with short and long data sampling, as well as with local features and abnormal outliers with unknown distribution. For the first time a number of wavelet-neural networks, hybrid evolving adaptive wavelet-neuro-fuzzy systems, type-2 hybrid wavelet-neurofuzzy systems, intelligent adaptive control laws based on proposed wavelet-neuro-fuzzy models, and hybrid evolving multirowed and cascaded GMDH-wavelet-neural network for the dynamic data mining tasks solving are proposed. For the suggested architectures of hybrid evolving adaptive wavelet-neuro-fuzzy-systems a number of learning methods based on quasi-Newtonian and robust procedures are proposed. These learning methods are characterized by increased learning rate, following and filtering properties.
URI: http://openarchive.nure.ua/handle/document/3462
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
VinokurovaOA.pdf1.49 MBAdobe PDFView/Open


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