імітаційне моделювання, имитационное моделирование ; каскадно-кореляційні нейронні мережі, каскадно-корреляционные нейронные сети ; метод групового обліку аргументів, МГОА, метод группового учета аргументов, МГУА ; орто-нейрони, орто-нейроны ; ортогональні поліноми, ортогональные полиномы ; штучні нейронні мережі, ШНМ, искусственные нейронные сети, ИНС

В диссертации исследованы гибридные эволюционные нейронные сети, которые имеют возможность в процессе обучения настраивать не только свои параметры, но и структуру, для решения таких задач интеллектуального анализа данных, как прогнозирование, идентификация или классификация в условиях априорной и текущей структурной и параметрической неопределенности. При этом в роли входных данных рассматривались временные ряды либо массивы числовых данных, представленные в виде таблиц "объект-свойство". Впервые введен ряд нейросетевых элементов и архитектур, использующих системы орто- гональных полиномов в качестве активационных функций, отличительной особен- ностью которых является повышенная скорость обучения и численная устойчи- вость методов настройки синаптических весовых коэффициентов по сравнению с традиционными нейронными сетями. Благодаря введенной в рамках диссерта- ционой работы многомерной каскадной нео-фаззи нейронной сети и набора ме- тодов для настройки ее синаптических весовых коэффици

• УДК // Нейронні мережі
• УДК // Штучний інтелект