передбачення

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.

Розглянуто структуру адаптивного W-нейрона та його метод навчання. Запропо- нований алгоритм навчання має підвищену швидкість збіжності та забезпечує покра- щені 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.

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.

Object. Development of a method for predicting a two-three dimensional velocity model of a medium by using a shear wave. Complexly structured geological medium is studied on the basis of geophysical and geological data using an artificial neural network. Method.  It provides the construction and use of medium models according to geophysical well logging data and other terrestrial geophysical methods. In contrast to existing methods, the proposed method also uses additional data on the medium.