Базові архітектури та методи навчання статичних та динамічних штучних нейронних мереж для розв’язання задач апроксимації, фільтрації, ідентифікації та класифікації. Метод автоматичної побудови адаптивної схеми дискретизації вхідних сигналів у ШНМ СМАС.

Огляд методів прискорення процесу сортування числової інформації при реалізації на сортувальній нейромережі для обробки інформації в системах реального часу. Оцінка обчислювальної ефективності сортувальної нейромережі для паралельного сортування.

Визначення відповідності результатів тестування програмного забезпечення критичного застосування функційним та нефункційним вимогам за рахунок аналізу результатів тестування нечіткою нейронною мережею. Характеристика процесу й необхідності тестування.

Оценка аппроксимирующей способности нейронечеткой модели. Возможность построения систем поддержки принятия решений по оценке состояния объектов в различных предметных областях. Оценка классифицирующей способности формируемых нечетко-продукционных правил.

Исследование архитектуры систем поддержки принятия решений (СППР). Обзор алгоритмов и методов поддержки принятия решений в современных СППР. Анализ существующих гибридных нейронечетких сетей и разработка сети для управления гостиничным комплексом.

Структура хромосоми задачі оптимізації розкладу клініки. Згортання векторного критерію обмежень та перехід від багатокритеріальної оцінки до однокритеріальної як результат використання алгоритму нечіткої логіки підвищеної точності. Переваги підходу.

Розробка ефективного методу кодування інформації та вибору виду базисних функцій у штучній нейронній мережі церебральної моделі артикуляційного контролера. Дослідження методу гешування інформації для покращення апроксимуючих мережевих властивостей.

Разработка архитектуры и алгоритмов функционирования стабильно-пластичной дискретной нейронной сети адаптивной резонансной теории, которая может распознавать объекты, изменяющиеся в дискретные моменты времени. Использование зашумленных исходных данных.

Понятие искусственных нейронных сетей, способы обработки информации человеческим мозгом. Разработка концепции гомеостатической искусственной нейронной сети на основе представлений о гомеостатических механизмах обработки информации в естественных системах.

Нейронные сети как распределенные и параллельные системы, способные к адаптивному обучению путем анализа положительных и отрицательных воздействий. Общая характеристика нейронной сети прогнозирования курса рубля, знакомство с основными особенностями.

Застосування штучного інтелекту в області класифікації зображень. Переваги, недоліки та потенційні ризики використання штучного інтелекту. Розробка програмного продукту для тестування та запуску нейромережевої моделі, яка використовує певний набір даних.

Дослідження побудови, налаштування, розрахунок параметрів та застосування штучних нейронних мереж прямого поширення з неітераційним навчанням. Розробка інформаційних нейромережевих технологій підвищеної точності функціонування та швидкодії навчання.

Нейронні мережі – технології на основі штучного інтелекту, які зустрічаються в різноманітних галузях і з кожним роком стають все доступнішими для звичайних користувачів. Початок починається ще з 1944 року, коли були запропоновані нові функції розвитку.

Характеристика, структура и задачи нейронных сетей. Направления и разработки нейрокомпьютинга. Искусственные нейронные сети, их черты и задачи. Алгоритм обучения перцептрона и его недостатки. Перечень возможных промышленных применений нейронных сетей.

Нейронные сети: особенности, варианты использования и преимущества. Диагностика и прогнозирование экономических объектов. Применение нейронных сетей в рыночной экономике. Варианты применения искусственных нейронных сетей в задачах бизнес-прогнозирования.

Модель нелокального нейрона, являющаяся обобщением классической модели Дж. Маккалоки и У. Питтса. Когнитивная аналитическая система "Эйдос". Искусственные нейронные сети, проблемы и перспективы. Моделирование иерархических структур обработки информации.

Нейронные сети - одно из приоритетных направлений исследований в области искусственного интеллекта. Модель нейрона и его элементы. Классификация и свойства нейронных сетей, концептуальные подходы к их обучению. Представление знаний в нейронной сети.

Рассмотрение нейрокомпьютера как вычислительной системы с архитектурой MSIMD. Базовые архитектуры нейронных сетей. Правило коррекции по ошибке, обучение Больцмана и правило Хебба. Особенности программирования средств аппаратной поддержки нейровычислений.

История искусственных нейронных сетей. Модель формального нейрона Питтса и персептрон Розенблатта. Синапс как элементарная структура и функциональный узел между двумя нейронами. Примеры наиболее часто используемых преобразовательных функций Хопфилда.

Сеть встречного распространения. Первый слой Кохонена. Выход слоя Гроссберга. Обучение сети встречного распространения. Осуществление интерполяции кодов. Послойность сети и матричное умножение. Градиент квадратичной формы, начальная точка и длина шага.

Особенности программирования модели формального нейрона и персептрона Розенблатта, алгоритм и правило Хебба. Искусственный нейрон с активационной сигмоидальной логистической функцией. Персептронная система распознания изображений и сетевой поверхности.

Понятие нейронных сетей, которые вошли в практику везде, где нужно решать задачи прогнозирования, классификации или автоматизации. Применение и возможности нейронных сетей. Аппроксимация функций по набору точек. Сжатие информации. Ассоциативная память.

История появления и развития нейронных сетей. Проведение их аналогии с мозгом человека. Сущность искусственной нейронной сети, ее программное или аппаратное воплощение. Особенности обучения нейронных сетей, их применение в современных развитых странах.

Примеры определения масштаба функций в нейронных сетях. Математическое описание цифровых моделей в нейронных сетях. Выбор интервала дискретизации, описание процесса квантования по времени. Оптимальная коррекция динамических погрешностей измерений.

История развития нейронных сетей. Строение биологической нейронной сети. Искусственный нейрон. Общие положения и виды обучения нейронных сетей. Архитектура. Сети прямого распространения сигнала. Рекуррентные сети. Области практического применения.

Пример работы алгоритма обратного распространения ошибки. Функция активации сигмоидного типа. Геометрическая интерпретация алгоритма обратного распространения. Анализ условий и предпосылок для успешного обобщения. Механизм контрольной кросс-проверки.

Функционирование нейронных сетей. Функции активации. Топология элементарного однонаправленного персептрона. Трехслойный персептрон. Процедура построения персептрона. Алгоритм обратного распространения ошибки. Топология элементарной ВР-нейронной сети.

Понятие и сущность искусственных нейронных сетей. Обучающий алгоритм Видрова-Хоффа. Образование основного стандарта нейроинформатики. Применение кодирования, декодирования и фильтрации. Активация эквивалента однослойной линейной сети, их мощность.

Применение модуля программы, спроектированного на основе сверточной нейронной сети. Исследование способности нейронной сети к обучению на небольшом наборе данных в задаче классификации оружия на изображениях. Анализ результатов тестирования программы.

Определение нейронных сетей методом Давидона-Флетчера-Пауэлла. Расчет с индивидуальными данными начальной точки для негладких функций. Кластеризация данных на основе графовых моделей и статистических методов с индивидуальным заданием точек наблюдения.