Исследование гибридных и робастных математических методов и алгоритмов машинного обучения многослойных функциональных сетей

Объектом исследования являются методы и алгоритмы машинного обучения, основанные на использовании и применении дифференцируемых оценок среднего значения, нечувствительных к выбросам, логико-алгебраических подходах, структур стохастических автоматов, комбинированных методов выравнивания изображений, а также гибридного алгоритма оптимизации. Цель работы: разработка и исследование новых подходов для построения робастных алгоритмов машинного обучения при решении задач идентификации выбросов, построении интерпретации решений нейронной сети, исследование оптимизации рекуррентной нейронной сети на основе структуры стохастических автоматов, разработка комбинированного подхода к качеству получаемых изображений. Методы основаны на минимизации использовании дифференцируемых оценок среднего значения нечувствительных или мало чувствительных к выбросам в данных. Использовании методов логического анализа и математической кибернетики, Сигма пи нейронных сетей и комбинированных методах машинного обучения. Методы исследований – дискретной математики, математической логики и математической кибернетики, теории искусственных нейронных сетей, теории распознавания образов. В отчете предложен робастный метод, которые позволяют находить несмещенные варианты ГК. Этот метод также позволяет идентифицировать выбросы при помощи анализа эмпирического распределения расстояний до прямых. Предложен метод, позволяющий выявить скрытые логические закономерности в данных, создать модель, которая способна корректировать работу нейросетевого метода при наличии неточных или зашумленных данных. Показано, что что рекуррентная нейронная сеть, соответствующая автомату с переменной структурой будет иметь преимущество перед нейронной сетью с фиксированной структурой. Предложен комбинированный метод позволяет эффективно улучшить контраст изображения, получаемого на матрице оборудования и добиться высокой детализации. Представлен гибридный алгоритм для задач оптимизации на основе двух эвристических алгоритмов PSO и Jaya. Показано, что использование сигма-пи нейронной сети для кластеризации данных существенно повышает гибкость кластеризации.