Анотація до роботи:

Горшков Є. В. Класифікація даних в умовах невизначеності на основі гібридних нейро-фаззі архітектур. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 – системи та засоби штучного інтелекту. – Харківський національний університет радіоелектроніки, Харків, 2007.

Дисертація присвячена дослідженню архітектур гібридних нейро-фаззі мереж, методів їх навчання і самонавчання, адаптивних процедур нечіткої кластеризації для задач класифікації чисельних даних в умовах апріорної та поточної невизначеності відносно характеру розподілу та істотного перетину класів.

В дисертації запропоновано рекурентні і робастні методи кластеризації в межах імовірнісного та можливісного підходів, що дозволяють проводити кластеризацію за умов перетину класів; імовірнісну нейронну мережу з нечітким виведенням, методи її побудови і навчання; рекурентний метод навчання радіально-базисної мережі на основі еліпсоїдального оцінювання, що забезпечує ефективне навчання за умови дефіциту інформації про розподіл збурень; гібридну нейро-фаззі мережу зустрічного розповсюдження і метод її навчання. Вдосконалено методи самоорганізації модифікованої мережі Кохонена з можливістю нечіткого виведення і запропоновано метод попередньої обробки даних шляхом підвищення вимірності вихідного простору. Ефективність цих методів експериментально підтверджена на ряді відомих тестових вибірок даних для нечіткої класифікації у порівнянні з класичними нейро- та нейро-фаззі методами обробки даних.

Синтезовані методи та запропоновані архітектури гібридних нейро-фаззі мереж підтвердили свою ефективність при створені систем біомедичної діагностики для сегментації послідовностей інтервалів серцебиття біологічного організму в процесі виходу і пробудження зі штучного гипометаболічного стану, а також системи виявлення зон кровообігу на основі вихідної інформації ультразвукового сканування органів людини, що є важливим для медичного діагностування різноманітних уражень судин людини і застосовується в ранній діагностиці пухлинних захворювань внутрішніх органів з їх диференціюванням за ступенем злоякісності.

В дисертаційній роботі представлені результати, що є, у відповідності до поставленої мети, рішенням актуальної наукової задачі синтезу систем класифікації і кластеризації даних, що функціонують в умовах апріорної і поточної невизначеності відносно характеру розподілу і істотного перетину класів, на основі гібридних нейро-фаззі моделей. Проведені дослідження дозволили зробити такі висновки.

1. Вперше запропоновано рекурентні і робастні методи кластеризації даних і сегментації часових послідовностей в межах імовірнісного і можливісного підходів, що здатні обробляти спостереження в послідовному і пакетному режимах, а також нечутливі до викидів, що присутні в реальних даних. Вказано їх переваги перед відомими методами нечіткої кластеризації.

2. Вдосконалено методи самоорганізації для модифікованої мережі Кохонена з нечітким виведенням шляхом використання спеціальної функції сусідства та підвищення вимірності вхідного простору на стадії попередньої обробки даних. Запропоновані методи можуть функціонувати в умовах відсутності апріорної інформації про вибірку даних.

3. Вперше запропоновано методи побудови і навчання імовірнісної нейронної мережі з нечітким виведенням. Синтезовано обчислювально ефективні процедури навчання цієї мережі для задач класифікації даних з використанням різних функції активації нейронів прихованого шару.

4. Вперше запропоновано рекурентний метод навчання радіально-базисної мережі на основі еліпсоїдального оцінювання, що забезпечує збіжність ваг, що настроюються, до еліпсоїдів мінімального об’єму, що містять оптимальні значення параметрів. Запропонований метод не потребує розв’язання допоміжних задач оптимізації або пошуку коренів.

5. Вперше запропоновано архітектуру і метод навчання гібридної нейро-фаззі мережі зустрічного розповсюдження, що поєднує особливості радіально-базисних нейронних мереж і конкурентних мереж шляхом об’єднання двох шарів радіально-базисних функцій і нео-фаззі нейронів.

6. Вирішені актуальні практичні задачі сегментації біологічних послідовностей R-R інтервалів серцебиття тварин в процесі виходу зі штучного гипометаболічного стану та виявлення областей кровообігу в тілі людини за даними, отриманими шляхом ультразвукового сканування тіла, що досліджується. Результати досліджень впроваджено у фірмі “РАДМІР”, дочірньому підприємстві АТ “Науково-дослідний інститут радіо вимірювань”, м. Харків, що підтверджено відповідним актом.

7. Розроблені в дисертаційній роботі методи і архітектури можуть бути застосовані для розв’язання широкого класу задач класифікації даних в умовах апріорної і поточної невизначеності відносно характеру розподілу даних та істотного перетину класів.

Публікації автора:

1. Горшков Е. В., Колодяжный В. В., Плисс И. П. Адаптивный алгоритм обучения нео-фаззи нейрона и нейро-фаззи сети на основе полиномиальных функций принадлежности // Бионика интеллекта. – 2004. – Вып. 61(1). – С. 78–81.

2. Бодянский Е. В., Горшков Е. В., Колодяжный В. В., Плисс И. П. Рекуррентный алгоритм обучения радиально-базисных нейронных сетей, основанный на приблизительных множествах // Радіоелектроніка. Інформатика. Управління. – 2005. – №1(13). – С. 116–122.

3. Бодянский Е. В., Горшков Е. В., Кокшенев И. В., Колодяжный В. В. Об адаптивном алгоритме нечеткой кластеризации данных // Адаптивні системи автоматичного управління: Зб. наук. праць. – Дніпропетровськ: Системні технології, 2002. – №5(25) – С. 108–117.

4. Бодянский Е. В., Горшков Е. В., Колодяжный В. В. Нейро-фаззи-сеть Колмогорова с полиномиальными функциями принадлежности и градиентный алгоритм ее обучения // Адаптивні системи автоматичного управління: Зб. наук. праць. – №7(27) – Дніпропетровськ: Системні технології, 2004. – С. 102–109.

5. Бодянский Е. В., Горшков Е. В., Колодяжный В. В. Обучение нейро-фаззи сети Колмогорова на основе обратного распространения ошибок и алгоритмов оптимизации второго порядка // Адаптивні системи автоматичного управління: Зб. наук. праць. – №8(28) – Дніпропетровськ: Системні технології, 2005. – С. 3–10.

6. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V., Wernstedt J. Probabilistic neuro-fuzzy network with non-conventional activation functions // In: Lecture Notes in Artificial Intelligence. – Berlin-Heidelberg-New York: Springer, 2003. – Vol. 2774 – P. 973–979.

7. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V., Stephan A. Combined learning algorithm for a self-organizing map with fuzzy inference // In: B. Reusch (Ed.), Computational Intelligence, Theory and Applications. Advances in Soft Computing. – Berlin; Heidelberg: Springer-Verlag, 2005. – Vol. 33. – P. 641–650.

8. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V., Poyedyntseva V. Neuro-fuzzy Kolmogorov's network // In: W. Duch et al. (Eds.), Lecture Notes in Computer Science. – Berlin; Heidelberg: Springer-Verlag, 2005. – Vol. 3697. – P. 1–6.

9. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V., Pliss I. Rough sets-based recursive learning algorithm for radial basis function networks // In: W. Duch et al. (Eds.), Lecture Notes in Computer Science. – Berlin; Heidelberg: Springer-Verlag, 2005. – Vol. 3697. – P. 59–65.

10. Bodyanskiy Ye., Gorshkov Ye., Kokshenev I., Kolodyazhniy V. Outlier resistant recursive fuzzy clustering algorithms // In: B. Reusch (Ed.), Computational Intelligence, Theory and Applications. Advances in Soft Computing. – Berlin; Heidelberg: Springer-Verlag, 2006. – Vol. 38. – P. 647–652.

11. Горшков Е. В., Кокшенев И. В., Колодяжный В. В. Быстрый нейро-фаззи классификатор // 6-й Международный молодежный форум “Радиоэлектроника и молодежь в ХХІ веке”: Сб. научных трудов. – Харьков: ХНУРЭ, 2002. – С. 28–29.

12. Бодянский Е. В., Горшков Е. В., Кокшенев И. В., Колодяжный В. В. Адаптивный нечеткий алгоритм кластеризации данных // 1-й Международный радиоэлектронный Форум «Прикладная радиоэлектроника. Состояние и перспективы развития» (МРФ 2002): Сб. научных трудов. – Харьков: ХНУРЭ, 2002. – С. 90–92.

13. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V. Combined neural network for non-linear system modeling // In: M. Mohammadian (ed.), Proc. Int. Conf. Computational Intelligence for Modelling Control and Automation (CIMCA 2003), Vienna, Austria, February 12-14, 2003. – 2003. – P. 692–703.

14. Gorshkov Ye. V., Kokshenev I. V., Rudnyeva O. O. Fast neuro-fuzzy classifier // Proc. 1-st Int. IEEE EMBS Conf., Neural Engineering, 2003, Capri, Italy, March 20-22, 2003. – IEEE Press, 2003. – P. 549–552.

15. Gorshkov Ye. V. Improving the probabilistic neural network // 7-й Международный молодежный форум “Радиоэлектроника и молодежь в ХХІ веке”: Сб. научных трудов. – Харьков: ХНУРЭ, 2003. – С. 457.

16. Горшков Е. В. Категоризация текстовых документов с использованием методов нечеткой кластеризации // Международная научная конференция «Теория и техника передачи, приема и обработки информации»: Сб. тезисов докладов. – Харьков: ХНУРЭ, 2003. – С. 359–360.

17. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V. Resource-allocating probabilistic neuro-fuzzy network // Proc. 3-rd Int. Conf. of the European Society for Fuzzy Logic and Technology, (EUSFLAT 2003), Zittau, Germany, Sept. 10–12, 2003. – Zittau/Goerlitz: University of Applied Sciences (FH), 2003 – P. 392–395.

18. Бодянский Е. В., Горшков Е. В., Колодяжный В. В. Комбинированный алгоритм самоорганизации с нечетким выводом // Автоматика-2004: Материалы 11-й международной конференции по автоматическому управлению, Киев, 27–30 сентября 2004 г. – К.: НУПТ, 2004 – Т. 4. – С. 14.

19. Баринова Е. В., Беловол Ю. С., Бодянский Е. В. Горшков Е. В. Алгоритм обучения искусственной нейронной сети встречного распространения // VII Міжнародна науково-технічна конференція „Системний аналіз та інформаційні технології”, Київ, 28 червня – 2 липня 2005 р. – К.: НТУУ «КПІ», 2005. – С. 96.

20. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V. Neuro-fuzzy Kolmogorov's network with a hybrid learning algorithm // Proc. XI-th Int. Conf. “Knowledge – Dialogue – Solution”, Varna, Bulgaria, June 20–24, 2005. – Sofia, Bulgaria: FOI-Commerce, 2005. – Vol. II. – P. 622–627.

21. Bodyanskiy Ye., Gorshkov Ye., Kokshenev I., Kolodyazhniy V. Robust recursive fuzzy clustering algorithms // Proc. East West Fuzzy Colloquium 2005, 12-th Zittau Fuzzy Colloquium, Zittau, Germany, Sept. 21–23, 2005. – Zittau/Goerlitz: University of Applied Sciences (FH), 2005. – P. 301–308.

22. Gorshkov Ye., Kokshenev I., Bodyanskiy Ye., Kolodyazhniy V., Shylo O. Robust recursive fuzzy clustering-based segmentation of biological time series // Proc. 2006 Int. Symp. on Evolving Fuzzy Systems (EFS’06), Ambleside, Lake District, UK, 7–9 Sep., 2006. – IEEE Press, 2006. – P. 101–105.

23. Bodyanskiy Ye., Gorshkov Ye., Kolodyazhniy V., Rvachova T. Hybrid neuro-fuzzy network with variable shape basis functions // Proc. East West Fuzzy Colloquium 2006, 13-th Zittau Fuzzy Colloquium, Zittau, Germany, Sep. 13–15, 2006, – Zittau/Goerlitz: University of Applied Sciences (FH), 2006. – P. 322–331.

24. Bodyanskiy Ye., Gorshkov Ye., Kokshenev I., Kolodyazhniy V., Shylo O. Recursive fuzzy clustering algorithms for segmentation of biological time series // Proc. East West Fuzzy Colloquium 2006, 13-th Zittau Fuzzy Colloquium, Zittau, Germany, Sep. 13–15, 2006, – Zittau/Goerlitz: University of Applied Sciences (FH), 2006. – P. 130–139.