Методы оптимизации идентификации нестационарных объектов на основе нейро-нечеткой сети с настройкой параметров вычислительных схем.

Сформулирована проблема и разработаны методические основы построения технологии интеллектуального
анализа данных для распознавания, классификации и прогнозирования нестационарных объектов. Предложены
методы использования обобщенных свойств и особенностей моделей нечеткой идентификации, сегментации
случайных временных рядов, модификации вычислительных схем нейро-нечетких сетей (ННС), адаптивного
обучения ННС, настройки параметров структурных компонентов для повышения качества функционирования
систем мониторинга производственно-технологических комплексов. Разработаны алгоритмы выбора
подходящей функции принадлежности (ФП) для входных и выходных лингвистических переменных,
регулирования границ ФП, интервала значений носителя нечетких множеств путем сжатия и расширения.
Разработаны правила определения эффективных режимов обучения ННС с оптимальным числом итераций для
обеспечения идентификации слабо формализуемых процессов в условиях недостаточности априорных
сведений и большой параметрической неопределенности с большой точностью. Результаты исследований
реализованы в виде программного комплекса нечеткой идентификации и обработки данных нестационарных
объектов.

Nostatsionar obyektlarni tanish, sinflashtirish va bashorat qilish uchun ma’lumotlarni tafakkurli tahlil qilish
texnologiyalarini qurish muammosi talqin qilingan hamda uslubiy asoslari yaratilagn. Sanoat-texnologik majmualar
monitoring tizimlari faoliyati sifatini oshirish uchun notiniq identifikatsiyalash, tasodifiy vaqtli qatorlarni
segmentatsiyalash, neyro-notiniq tarmoqlar (NNT) hisoblash sxemalarini modifikatsiya qilish, NNTni adaptiv o’rgatish,
tarkibiy komponentlari parametrlarini sozlash modellarining umumlashtirilgan xossa va xususiyatlaridan foydalanuvchi
usullar taklif etilgan. Kirish va chiqish lingvistik o’zgaruvchilari uchun mos keluvchi tegishlilik funksiyasini (TF)
tanlash, TF chegaralarini hamda notiniq to’plam tashuvchisi qiymatlari intervallarini qisish va kengaytirish yo’li bilan
muvofiqlashtiruvchi algoritmlar ishlab chiqilgan. Dastlabki ma’lumotlar yetarli bo’lmagan va parametrlarida katta
noaniqlik sharoitlarida sust shakllanuvchi jarayonlarni yuqori aniqlikda identifikatsiya qilishni ta’minlash uchun NNTni
maqbul iteratsiya sonida samarali o’rgatish rejimlarini o’rnatish qoidalari ishlab chiqilgan. Tadqiqot natijalari
nostatsionar ob’yektlarni notiniq identifikatsiyalash va ma’lumotlarga ishlov berish dasturiy majmuasi sifatida joriy
qilingan.

The problem is formulated and methodical bases are developed for constructing the technology of data intellectual
analysis for recognition, classification and forecasting of non-stationary objects. Methods of use the generalized
properties and features of fuzzy identification models, segmentation of casual time series, updating of computing
circuits of neurofuzzy networks (NFN), adaptive training of NFN, adjustment of parameters of structural components
are offered to increase the quality of functioning for systems to monitoring industrial-technological complexes.
Algorithms are developed to choice the suitable membership function (MF) for input and output linguistic variable,
regulation of MF borders, interval of values of fuzzy sets carrier by compression and expansion. The rules are
developed to define the effective modes of NFN training with optimum number of iterations to ensure identification of
poorly formalizable processes in conditions of insufficiency of a priory information and large parametrical uncertainty
with large accuracy. Results of researches are realized as a program complex to fuzzy identification and data processing
of non-stationary objects.