Object of research is self-organizing artificial neural networks with predefined number of neurons (SOM) and incremental ones are investigated, different goals of competitive learning are described. A novel incremental self-organizing ANN Cooling Growing Grid is proposed, which combines advantages of SOM and incremental approaches and overcomes their main drawbacks. The estimation of growth direction is made less haphazard, weights adaptation rule is modified in order to achieve better performance for highly nonuniform real-world data. Main performance measures for evaluation of both topological structure and receptive-field centers distribution are investigated in order to compare CGG with existing models. Methods of research is self-organizing ANN neural network. The results of evaluation justify the appropriateness of CGG model. For real-world data sets it exceeds both incremental models and SOM according to chosen criterion. CGG MODEL, SELF-ORGANIZING ANN NEURAL NETWORK, ANN COOLING GROWING GRID. Об'єктом дослідження є штучні нейронні мережі, що самоорганізуються з наперед визначеним числом нейронів (SOM) і інкрементние мережі. Нова інкрементальна штучна нейронна мережа, що самоорганізується запропонована, яка поєднує в собі переваги SOM і поетапні підходи, долає їх основні недоліки. Оцінка зростання напрямку здійснюється менш випадково, правило ваги адаптації змінюється для досягнення більш високої продуктивності для сильно неоднорідних реальних даних. Досліджені головні показники ефективності для оцінки топологічної структури і сприйнятливих центрів розподілу помилок, для порівняння CGG з існуючими моделями. Методи дослідження це нейронні мережі, що самоорганізуються. Результати точності обгрунтовують правильність моделі CGG. CGG МОДЕЛЬ, ANN НЕЙРОННА МЕРЕЖА, ЩО САМООРГАНІЗУЄТЬСЯ, ANN ЗРОСТАЮЧА СІТКА.
