Адаптивні методи нечіткої кластеризації потоків даних з використанням еволюційного самонавчання

Abstract

У дисертаційній роботі вирішено важливу теоретичну проблему створення нових ефективних нечітких методів обчислювального інтелекту, а саме, нечіткої кластеризації даних за умов апріорної невизначеності на основі еволюційного самонавчання та надання їм адаптивних властивостей, що забезпечує можливість опрацьовування потоків нестаціонарних даних, викривлених завадами та пропусками, що послідовно надходять на обробку в онлайн режимі. Метою дисертаційної роботи є проведення комплексу досліджень, спрямованих на створення нових підходів та методів еволюційного самонавчання для адаптивної нечіткої кластеризації потоків викривлених даних в онлайн режимі за умов апріорної та поточної невизначеності з використанням найсучасніших досягнень у цій галузі: Computer Science, Computational Intelligence, Data Science, Data Streams, Big Data, Evolving Systems.