Дисертацію присвячено розробці інтелектуальних методів прогнозування емуляції нестаціонарних послідовностей за умов апріорної та поточної невизначенності в реальному часі за допамогою штучних вейвлет нейронних мереж. Модифіковано архітектуру гібридної вейвлет-нейронної мережі для вирішення задач прогнозування та емуляції. Запропоновано новий оптимальний за швидкодією метод навчання вейвлет-нейрона на основі градієнтних методів зі згладжуванням. Запропоновано метод навчання на точках повороту вейвлет-нейрона на основі оптимізації гібридного критерію якості, що дозволяє не тільки мінімізувати квадратичну похибку прогнозу, а й ефект зсуву, що є істотним у вирішенні задач прогнозування нестаціонарних сигналів. Запропоновано метод навчання на основі алгоритмів еволюційного планування, що відрізняється швидкодією й обчислювальною простотою та має захист від "застрягання" у локальних мінімумах за рахунок введення випадкового блукання в сполученні із самонавчанням.

Табл. 7, рис. 53, прил. 2