Уперше запропоновано архітектуру вейвлет-нейрона й оптимальний за швидкодією градієнтний метод навчання, який забезпечує настроювання в реальному часі синаптичних ваг, а також параметрів розтягнення та зсуву, дочірніх вейвлетів. Відзначено, що даний метод має слідкувальні та згладжувальні властивості, що дозволяє ефективно використовувати вейвлет-нейрони самостійно та у складі штучних нейронних мереж для розв'язання задач емуляції та прогнозування нестаціонарних послідовностей довільної природи, що збурені завадами, за умов апріорної та поточної невизначеності. Уперше запропоновано метод навчання на точках повороту вейвлет-нейрона на базі оптимізації гібридного критерію якості, який дає змогу не тільки мінімізувати квадратичну похибку прогнозу, а і ефект зсуву, що є істотним у розв'язанні задач прогнозування нестаціонарних послідовностей. Запропоновано генератори аналітичних вейвлетів, що передбачає здійснення аналізу відомих вейвлет-функцій за допомогою адаптичної нейронної мережі Фур'є, що дозволяє генерувати широкий клас активаційних функцій та настроювати їх параметри у процесі навчання нейронних мереж. Удосконалено архітектуру гібридної вейвлет-радіально-базисної нейронної мережі та рекурентні методи начання, призначені для роботи у реальному часі з метою розв'язання задачі емуляції та прогнозування нестаціонарних послідовностей за умов апріорної та поточної невизначеності, які відрізняються високою швидкістю збіжності й обчислювальною простотою. Удосконалено метод навчання вейвлет-нейрона, що базується на еволюційних процедурах оптимізації, орієнтованих на вирішення задач мінімізації багатоекстремальних функцій, які виникають у багатошарових нейронних мережах, а також мають високу швидкість збіжності та обчислювальну простоту, що дозволяє розширити область задач, що розв'язуються.

  Завантажити