Еволюційні штучні нейронні мережі прямого розповсюдження: архітектури, навчання, застосування

Безсонов, О. О.

Публікація:
Еволюційні штучні нейронні мережі прямого розповсюдження: архітектури, навчання, застосування

dc.contributor.author	Безсонов, О. О.
dc.date.accessioned	2017-03-09T10:34:07Z
dc.date.available	2017-03-09T10:34:07Z
dc.date.issued	2017
dc.description.abstract	У роботі проведено аналіз проблеми розвитку теоретичних основ інте-лектуального аналізу даних та створення нових еволюційних ШНМ прямого розповсюдження задля підвищення ефективності обробки інформації в умовах апріорної та поточної невизначеності; розроблено новий метод робастної бага-токритеріальної оптимізації (Парето-оптимізації) на основі робастних фітнес-функцій та інформаційних критеріїв оцінки складності моделі; запропоновано нові методи навчання ШНМ, що забезпечують необхідну точність навчання при наявності обмежених симетричних та асиметричних завад; розроблено нові процедури корекції параметрів функціоналів, що використовуються при на-вчанні, та оцінювання параметрів завади, що описується моделлю Тьюки-Хьюбера; розроблено нові закони адаптивного прогнозуючого нейро-управління нелінійними нестаціонарними динамічними об’єктами, що функціонують в умовах невизначеності. У середовищі NeurophStudio проведено імітаційне моделювання різних процедур навчання ЕШНМ; досліджено процес вирішення задач ідентифікації та прогнозуючого управління нелінійними динамічними об’єктами, розроблено програмні засоби, які реалізують запропоновані методи побудови еволюційних ШНМ прямого розповсюдження. Проведено експериментальні дослідження властивостей і характеристик розроблених методів, які підтвердили основні положення дисертації. Достовірність результатів підтверджується експериментальними дослідженнями та впровадженнями. The thesis analyzes the problems of intellectual data mining theoretical founda-tions and creation of new evolutionary artificial neural networks (EANN) for improv-ing the efficiency of information processing in conditions of priori and current uncer-tainty. A new method of robust multi-objective optimization (Pareto optimization) based on robust fitness functions and information criteria for assessing the complexi-ty of the model, is developed. New methods of training EANN that ensure the re-quired accuracy in the presence of limited symmetric and asymmetric noise are pro-posed. New procedures for the functional parameters correction and evaluating pa-rameters of noise that is described by Tukey-Huber model are developed. New laws of adaptive neuro-predictive control of nonlinear non-stationary dynamic objects that operate under uncertainties are designed. Simulation of different EANN training algorithms was performed in NeurophStudio environment. The process of identifying and solving problems of non-linear dynamic objects predictive control is researched. Software tools that implement the proposed methods for constructing EANN are developed. Experimental research of developed methods properties and characteristics, that confirmed the fundamentals of the thesis, is performed. The validity of the obtained results is confirmed by the experimental studies and real applications.	uk_UA
dc.identifier.citation	Безсонов О. О. Еволюційні штучні нейронні мережі прямого розповсюдження: архітектури, навчання, застосування : автореф. дис. ... д-ра техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / О. О. Безсонов ; М-во освіти і науки України, Харків. нац. ун-т радіоелектроніки. – Харків, 2017. – 40 с.	uk_UA
dc.identifier.uri	http://openarchive.nure.ua/handle/document/3589
dc.language.iso	uk	uk_UA
dc.subject	еволюція	uk_UA
dc.subject	штучна нейронна мережа	uk_UA
dc.subject	базисна функція	uk_UA
dc.subject	генетичний алгоритм	uk_UA
dc.subject	процедура навчання	uk_UA
dc.subject	хромосома	uk_UA
dc.subject	мутація	uk_UA
dc.subject	ідентифікація	uk_UA
dc.subject	нелінійний динамічний об’єкт	uk_UA
dc.subject	evolution	uk_UA
dc.subject	artificial neural network	uk_UA
dc.subject	basis function	uk_UA
dc.subject	genetic algo-rithm	uk_UA
dc.subject	training algorithm	uk_UA
dc.subject	chromosome	uk_UA
dc.subject	mutation	uk_UA
dc.subject	identification	uk_UA
dc.subject	nonlinear dynamical object	uk_UA
dc.title	Еволюційні штучні нейронні мережі прямого розповсюдження: архітектури, навчання, застосування	uk_UA
dc.type	Synopsis	uk_UA
dspace.entity.type	Publication