апроксимація, аппроксимация, approximation ; дискретизація, дискретизация ; еквівалентність, эквивалентность ; методи навчання, методы обучения ; фільтрація, фильтрация ; функції багатовимірні, функции многомерные ; штучні нейронні мережі, ШНМ, искусственные нейронные сети, ИНС

У роботі проведено аналіз проблеми адаптивної обробки багатовимірної інформації за допомогою штучних нейронних мереж (ШНМ). Вивчено базові архітектури та методи навчання найчастіше використовуваних статичних та динамічних ШНМ, що застосовуються для розв'язання задач апроксимації, фільтрації, ідентифікації та класифікації. Запропоновано методи модифікації архітектури ШНМ СМАС для зниження вимог до пам'яті та підвищення ефективності обробки багатовимірних даних. Зокрема, розроблено метод автоматичної побудови адаптивної схеми дискретизації вхідних сигналів у ШНМ СМАС. Запропоновано удосконалені процедури навчання динамічних КІХ-мереж матодом часового зворотного поширення з метою зменшення його обчислювальних витрат шляхом зміни порядку входження членів сум навчання. Отримано співвідношення між коефіцієнтом підсилення загальної функції активації нейронів модульних рекурентних ШНМ, ща значно зменшує обчислювальні витрати, необхідні для реалізації процедур навчання цих мереж. Достовірність результатів підтверджується експериментальними дослідженнями та впровадженнями. У середовищі MatLab 7 проведено імітаційне моделювання різних задач апроксимації, фільтрації та ідентифікації багатовимірних нелінійних функцій за допомогою як статичних, так і динамічних ШНМ.

• УДК // Системи керування з детермінованими входами