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.

Мета. Розробка методу прогнозування двох-трьох мірної швидкісної моделі середовища поперечної хвилі. Досліджується складноструктурне геологічне середовище на базі геофізичних і геологічних даних із застосуванням штучної нейронної мережі. Метод. передбачає побудову та використання моделей середовища за даними геофізичних досліджень свердловин, сейсморозвідки та інших наземних геофізичних методів.