Итоговый отчет по теме "Развитие теории обобщенных нейронных сетей, с применением агрегирующих функций среднего над алгоритмами, построение переменнозначных мультипликативных баз знаний, разработка методов интеллектуального анализа методами квантовых вычислений" (2013-2015 гг)

Объект исследования: некоторые классы искусственных сигма-пи-нейронных сетей (НС) (алгебраические ΣΠ-нейроны и ΣΠ-нейромодули с обратными связями и без них, каскадные сети из ΣΠ-нейронов и ΣΠ-нейромодулей, многослойные сети ΣΠ-нейронов) и их обобщения, аппроксимирующие модели агрегирующих нейронов, методы и алгоритмы их обучения; базы знаний, полученные в результате комплексной обработки данных при помощи переменно-значных логических функций; логические модели формирования знаний в слабоструктурированных предметных областях. Цель: разработка метода построения агрегированно-корректных операций над алгоритмами распознавания и прогнозирования; исследование моделей агрегирующих нейронов, методов и алгоритмов их обучения; разработка и применение логических методов для выявления скрытых закономерностей и формирования эффективных алгоритмов обучения и принятия решений. Разработан метод построения агрегированно-корректных операций над алгоритмами распознавания и прогнозирования. Агрегированно-корректные операции преобразуют произвольный конечный набор агрегированно-корректных алгоритмов в агрегированно-корректный алгоритм, который имеет оптимальное значение функционала качества на обучающем множестве. Полученные результаты позволяют строить совершенно новые типы корректирующих и корректных операций над алгоритмами распознавания и прогнозирования. Разработанный метод можно использовать для создания интеллектуальных и нейроподобных систем, которые способны эволюционировать, сохраняя уже приобретенные навыки и приобретая новые. Получены теоретические обоснования и доказательства предложенного логического нейросетевого подхода к моделированию интеллектуальной системы для эффективной обработки данных. Предлагаемый метод позволяет проанализировать известные закономерности в массиве обрабатываемых данный и обнаружить новые скрытые закономерности. Исследован метод доопределения частично заданных k-значных алгоритмов распознавания на основе дискретных аналогов функции среднего. Для расширения области получаемых решений в задачах распознавания образов и повышения эффективности работы алгоритмов предложена общая модель агрегирующего нейрона, являющаяся корректным обобщением сигма-пи-нейрона для построения искусственных нейронных сетей. Разработан метод построения корректного алгоритма, являющегося логической комбинацией уже работающих не всегда корректных алгоритмов и решающих правил, составленных на основе применения агрегирующих функций k-значной логики и ее декомпозиции на простые операции.