Объектом исследования является нелинейный временной ряд, характеристики которого могут изменяться непредсказуемым образом, а также адаптивное прогнозирование значений на короткосрочный период. Предложены архитектура и метод обучения искусственной эволюционной радиально-базисной нейронной сети, которая настраивает не только свои веса, но и автоматически определяет количество нейронов, расположение центров радиально-базисных функций и параметров рецепторного поля в on-line режиме с высокой скоростью поступления и обработки данных. ИССКУСТВЕННЫЕ НЕЙРОННЫЕ СЕТИ, ГИБРИДНОЕ ОБУЧЕНИЕ, АЛГОРИТМ ОБУЧЕНИЯ, РАДИАЛЬНО-БАЗИСНАЯ СЕТЬ, ОБОБЩЕННАЯ РЕГРЕССИОННАЯ НЕЙРОСЕТЬ, АДАПТИВНОЕ ПРОГНОЗИРОВАНИЕ, НЕСТАЦИОНАРНЫЕ ВРЕМЕНННЫЕ РЯДЫ Об'єктом дослідження є нелінійний часовий ряд, характеристики якого можуть змінюватися непередбачуваним чином, а також адаптивне прогнозування значень на короткочасний період . Запропоновано архітектура і метод навчання штучної еволюційної радіально-базисної нейронної мережі , яка налаштовує не лише свої ваги , але й автоматично визначає кількість нейронів, розташування центрів радіально- базисних функцій і параметрів рецепторного поля в on-line режимі з високою швидкістю надходження і обробки даних. ШТУЧНІ НЕЙРОННІ МЕРЕЖІ, ГІБРИДНЕ НАВЧАННЯ, АЛГОРИТМ НАВЧАННЯ, РАДІАЛЬНО-БАЗИСНА МЕРЕЖА, УЗАГАЛЬНЕНА РЕГРЕСІЙНА НЕЙРОННА МЕРЕЖА, АДАПТИВНЕ ПРОГНОЗУВАННЯ, НЕСТАЦІОНАРНІ ЧАСОВІ РЯДИ
