передбачення

MACHINE LEARNING METHODS IN THERMOMETERS’ DATA EXTRACTION AND PROCESSING

Research focuses on developing an all-encompassing algorithm for efficiently extracting, processing, and analyz- ing data about thermometers. The examination involves the application of a branch of artificial intelligence, in particular machine learning (ML) methods, as a means of automating processes. Such methods facilitate the identification and aggregation of pertinent data, the detection of gaps, and the conversion of unstructured text into an easily analyzable structured format.

Прогнозування багатовимірних нестаціонарних часових рядів на основі адаптивної нео-фаззі-моделі

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.

Адаптивний w-нейрон та його навчання в задачах прогнозування і виявлення розладнань

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.

Адаптивний вейвлет-фаззі-нейрон типу-2

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.

Побудова швидкісної моделі поперечної хвилі для складноструктурного геологічного середовища з використанням нейронної мережі (на прикладі даних Південно-Каспійського басейну

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.