В диссертации исследованы гибридные эволюционные нейронные сети,
которые имеют возможность в процессе обучения настраивать не только свои
параметры, но и структуру, для решения таких задач интеллектуального анализа
данных, как прогнозирование, идентификация или классификация в условиях
априорной и текущей структурной и параметрической неопределенности. При этом в роли входных данных рассматривались временные ряды либо массивы числовых данных, представленные в виде таблиц "объект-свойство". Впервые введен ряд нейросетевых элементов и архитектур, использующих системы орто-
гональных полиномов в качестве активационных функций, отличительной особен-
ностью которых является повышенная скорость обучения и численная устойчи-
вость методов настройки синаптических весовых коэффициентов по сравнению
с традиционными нейронными сетями. Благодаря введенной в рамках диссерта-
ционой работы многомерной каскадной нео-фаззи нейронной сети и набора ме-
тодов для настройки ее синаптических весовых коэффици