апоптоз ; апроксимація, аппроксимация, approximation ; векторне квантування, векторное квантование ; генетичні алгоритми, ГА, генетические алгоритмы ; класифікація, классификация, classification ; кластеризація, кластеризация ; методи навчання, методы обучения ; нейронні мережі Кохонена, нейронные сети Кохонена ; радіально-базисні функції, РБФ, радиально-базисные функции ; стискання зображень, сжатие изображений ; штучні нейронні мережі, ШНМ, искусственные нейронные сети, ИНС

У роботі проведено аналіз проблеми стискання статичних зображень за допомогою штучних нейронних мереж (ШНМ). Запропоновано метод модифікації архітектури ШНМ Кохонена для усунення вимог до нормалізації вхідних даних, що дозволяє відкинути шар Гросберга у вирішенні задачі стискання зображень ШНМ зустрічного розповсюдження. Запропоновано модифікацію генетичного алгоритму (ГА) на основі біологічного процесу апоптозу, що дозволяє уникнути проблеми попадання алгоритму у локальний екстремум у процесі багатокритеріальної оптимізації. Проведено аналіз можливих методів початковоії ініціалізації базисних функцій (БФ) ШНМ радіально-базисних функцій (РБФ) за допомогою ШНМ Кохонена та Нейро-Газ а також алгоритмів "k-середніх" та «k-найближчих сусідів» для підвищення якості та швидкості навчання ШНМ РБФ. У середовищі Microsoft Visual Studio 2010 Express Edition проведено імітаційне моделювання різних задач апроксимації, класифікації, кластеризації та стискання зображень за допомогою статичних ШНМ.

• УДК // Аналіз зображень
• УДК // Розпізнавання образів. Підбір образів