Browsing by Author "Бодянський, Є."

Now showing 1 - 6 of 6

Адаптивна матрична нейро-фаззі самоорганізовна мережа для кластеризації багатовимірних потоків даних
(Видавництво Львівської політехніки, 2017-03-28) Бодянський, Є.; Винокурова, О.; Кобилін, І.; Мулеса, П.; Харківський національний університет радіоелектроніки
Запропоновано адаптивну матричну нейро-фаззі самооргазізовну мережу для кластеризації багатовимірних потоків даних (біомедичні масиви спостережень, сигнали цифрового відео, що формують дискретні двовимірні поля тощо). Ця мережа характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв’язання широкого класу задач інтелектуального аналізу потоків даних. Результати низки експериментів як на тестових, так і на реальних даних підтверджують ефективність запропонованого підходу.
Адаптивний w-нейрон та його навчання в задачах прогнозування і виявлення розладнань
(Видавництво Львівської політехніки, 2012) Бодянський, Є.; Винокурова, О.
Розглянуто структуру адаптивного W-нейрона та його метод навчання. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує покращені апроксимуючі властивості за рахунок настроювання усіх параметрів вейвлет- функцій. Введена підсистема виявлення розладнань для W-нейрона, що дає змогу розв’язувати задачі діагностування в on-line режимі стохастичних процесів. Adaptive W-neuron and its learning algorithm are considered. Proposed learning algorithm has increased convergence rate and provides improved approximative properties because of the all wavelet parameters tuning. The fault detection subsystem for W-neuron that allows to solve a stochastic process diagnosing problems in on-line mode. Key words: W-neuron, learning algorithm, prediction, fault detection.
Адаптивний вейвлет-фаззі-нейрон типу-2
(Видавництво Львівської політехніки, 2011) Бодянський, Є.; Винокурова, О.; Харченко, О.
Запропоновано архітектуру вейвлет-фаззі-нейрона типу-2 та алгоритм навчання усіх його параметрів. Також запропоновано метод редукції моделі, що дає змогу проводити інтелектуальну обробку даних в on-line режимі при високій швидкості надходження даних. Проведено низку комп’ютерних експериментів на реальних даних, що підтверджують доцільність підходу, що розвивається. In the paper the architecture of type-2 wavelet-fuzzy neuron and learning algorithm its of all-parameters are proposed. The type-reduction model method which allows data mining in on-line mode under high speed feeding of data is proposed too. The computational experiments confirm to effectiveness of developed approach.
Використання конкурентної ймовірнісної мережі у задачах обробки текстової інформації
(Видавництво Львівської політехніки, 2011) Шубкіна, О.; Плісс, І.; Бодянський, Є.
Запропоновано конкурентну ймовірнісну нейронну мережу, в якій параметр ширини активаційної функції настроюється автоматично. Запропонована штучна нейронна мережа використовується для обробки текстової інформації з метою створення семантичних анотацій текстових документів. The competitive probabilistic neural network with activation function width automatic tuning is proposed. This neural network is used for text processing notably for semantic annotations of text documents creating.
Гібридна узагальнена адитивна нейро-фаззі система в задачах прогнозування часових рядів за умов невизначеності
(Видавництво Львівської політехніки, 2015) Бодянський, Є.; Винокурова, O.; Шкуро, K.; Татарінова, Ю.
Запропоновано гібридну узагальнену адитивна нейро-фаззі систему, що об’єднує переваги нейро-фаззі системи Ванга–Менделя і узагальнених адитивних моделей Хасті– Тібшірані. Ця система характеризується простотою обчислювальної реалізації, високими апроксимувальними властивостями, швидкодією процесу навчання і призначена для розв’язання широкого класу задач динамічного інтелектуального аналізу даних, що пов’язані з прогнозуванням нестаціонарних стохастичних і хаотичних сигналів, що забруднені завадами та надходять до системи послідовно в режимі реального часу. Nowadays the computational intelligence methods and systems are widespread for solving of different Data Mining tasks, intelligent control, prediction, identification, pattern recognition ets [1–4] under conditions of uncertainty, nonlinearity, stochasticity, chaotic states, different kinds of disturbances and noises due to their universal approximation properties and learning possibility based on data that describe the operation of investigated signal, process or plant. Now the most known and popular approaches are connected with the artificial neural networks such as multilayer perceptrons that are learned using backpropagation learning algorithm. Nevertheless, the training set must be defined a priori, and the training process is implemented using many epochs of the synaptic weights training. In this case, we cannot use such systems for solving tasks in on-line mode, when the data are fed to the inputs in a sequential order in real time. Implementing of on-line learning process is possible for neural networks, whose output signal depends linearly from tuned synaptic weights, for example, Radial Basis Function Networks (RBFN) [1, 4] and Normalized Radial Basis Function Networks (NRBFN) [5, 6], however their using is often complicated by, so called, the curse of dimensionality. In addition, problem here is not connected with computational complexity, but the problem is obtaining of data sets from the real plant that can be too small for estimating of large synaptic weights number. Neuro-fuzzy systems that combine the learning ability of neural networks and transparency and interpretability of the soft computing results, have a range of advantages ahead of the conventional neural network. Here, first of all, it should be noticed TSK-system [7–9] and ANFIS [10, 11], whose output signal also depends linearly from the synaptic weights and has less number of synaptic weights than RBFN or NRBFN. The more complex hybrid systems of computational intelligence are well-known and have increasing approximation properties, for example, the hybrid fuzzy wavelet neural networks [12, 13], whose learning algorithms complexity limits their using in on-line mode. The hybrid generalized additive neuro-fuzzy system that connects advantages of the neuro-fuzzy system by Wang-Mendel and the generalized additive models by Hastie-Tibshirani, is proposed. Such system is characterized by the simplicity of computational implementation, improving approximation properties, high-speed of learning process and is intended to solve wide range tasks of dynamic data mining, which are connected with the prediction of nonstationary noised stochastic and chaotic processes in on-line mode (i.e. the observations are fed to the system sequentially in real time).
Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі
(Видавництво Львівської політехніки, 2012) Бодянський, Є.; Тищенко, О.; Копаліані, Д.
Введено структуру адаптивного нео-фаззі предиктора та багатовимірного нео-фаззі-нейрона, а також метод навчання останнього. Запропонований алгоритм навчання має підвищену швидкість збіжності та забезпечує фільтруючі властивості. Завдяки введеній нейромережевій архітектурі, вузлами якої є нео-фаззі-нейрони, можна розв’язувати задачі короткострокового прогнозування у реальному часі за умов короткої навчальної вибірки. The architectures of the adaptive neo-fuzzy predictor and a multidimensional neo-fuzzyneuron are introduced. The proposed learning algorithm increases convergence rate and provides improved filter properties. The short-term prediction tasks may be fulfilled in an online mode with the help of proposed neuro-fuzzy architectures when a data set is short.