Дейнеко, А. О.2016-06-162016-06-162014Дейнеко А. О. Адаптивне навчання еволюційних нейро-фаззі систем з ядерними функціями активації в задачах інтелектуального аналізу даних : автореф. дис. ... канд. техн. наук : 05.13.23 "Системи та засоби штучного інтелекту" / А. О. Дейнеко ; М-во науки і освіти України, Харків. нац. ун-т радіоелектроніки. – Харків : ХНУРЕ, 2014. – 20 с.http://openarchive.nure.ua/handle/document/956В дисертації вперше запропоновано адаптивний метод настроювання ансамблів нейронних мереж з ядерними функціями активації, що навчаються на основі як оптимізації, так і пам‘яті, що дозволяє забезпечити оптимальну точність вихідного сигналу ансамблю. Вперше запропоновано метод настроювання ансамблів нейро-фаззі систем з ядерними функціями належності, що навчаються на основі як оптимізації, так і пам‘яті і дозволяють забезпечити високу точність вихідного сигналу ансамблю на основі нечіткого узагальнення. Вперше запропоновані адаптивні методи навчання-самонавчання еволюційних штучних радіально-базисних нейронних мереж і еволюційних нейро-фаззі систем, що дозволяють налаштовувати не тільки всі параметри мережі, але і кількість функцій активації-належності, що дозволило уникнути «прокльону розмірності» і забезпечити необхідну точність при мінімальній кількості параметрів, які налаштовуються. Удосконалено метод навчання радіально-базисних штучних нейронних мереж шляхом використання в якості функцій активації ядерних функцій В. Єпанечнікова, що дозволило спростити і прискорити процес налаштування всіх параметрів мережі. The thesis is devoted to the development of evolving neural networks and neuro-fuzzy systems with kernel activation function that contain fuzzy support vector machine, radial basis function neural network and general regression neuro-fuzzy network as subsystems is proposed. This network is tuned using both optimization and memory based approaches and does not suffer from the “curse of dimensionality”, is able to real time mode information processing by adapting its parameters and structure to problem conditions. The evolving architecture and adaptive method of learning neuro-fuzzy system that adjusts not only their synaptic weights, but also automatically determines the quantity of neurons, the location of centers of membership functions and parameters of the receptive fields in on-line mode with hiukеволюційна нейронна мережарадіально-базисна нейронна мережаузагальнена регресійна нейроннамережа машина опорних векторівядерна функція активаціїevolving neural networkradial-basis neural networkgeneral regression networksupport vector machinekernel activating functionOther