Запропоновано архітектуру та методи навчання багатовимірної нейро-фаззі системи, що еволюціонує, з оптимізацією пулу нейронів у кожному каскаді для інтелектуального опрацювання даних, що надходять у послідовному режимі. Визначена багатовимірна система та методи її навчання, які показали високу точність та переваги при вирішенні задач прогнозування нелінійних стохастичних
і хаотичних багатовимірних сигналів в онлайн режимі порівняно з існуючими системами. Розвинено архітектуру та методи самонавчання каскадної нейро-фаззі системи, що еволюціонує, для послідовного кластерування даних
з автоматичним визначенням локально оптимальної кількості кластерів. Розв'язано практичну задачу нечіткого кластерування світлин для подальшого
їх класифікування за умови невизначеності щодо кількості кластерів та рівня їх розмитості за допомогою запропонованої самонавчальної гібридної системи.
Опрацьовано практичну задачу прогнозування витрат нормогодин для ремонтних робіт візків вагонів 61-425, 61-181, 47Д та 47 К у ТОВ «Харківський вагонобудівний завод» за допомогою запропонованої каскадної гібридної нейро-мережі, що ґрунтується на розширених нео-фаззі нейронах.