В работе рассматривается ряд моделей, которые могут быть использованы для поддержки принятия решений в динамических ситуациях, характеризующихся слабой структурированностью, основанной на гибридной системе, интегрирующей нечеткую иерархическую модель оценивания и нечеткую когнитивную модель ситуации. Описываются нейронные сети, в основе которых лежат самоорганизующиеся карты Кохонена и которые могут быть успешно применены для решения задач поддержки принятия решений и прогнозирования временных рядов, а также новые, разработанные и успешно примененные для идентификации динамических объектов модульные нейронные сети, их архитектура, алгоритмы обучения и работы. В статье рассмотрены примеры работы полученных нейронных сетей, а также проведен их сравнительный анализ с рядом других нейросетевых алгоритмов идентификации динамических объектов.

В настоящей работе предлагается гибридный подход к разработке систем прогнозирования временных рядов, а также поддержки принятия решений, основанный на модулярной архитектуре построения систем прогнозирования, базирующийся на гибридизации нейро-нечеткой нейронной сети ANFIS и нечетких когнитивных картах. С помощью подобной гибридной архитектуры система прогнозирования способна оперировать как качественными данными (субъективными мнениями экспертов), так и количественными (характеристиками исследуемого процесса). В данной работе подробно описан модуль с нечеткой когнитивной картой. Для облегчения задачи настройки весов когнитивной карты использован генетический алгоритм для обучения когнитивной карты, благодаря чему она способна самостоятельно обучиться и производить настройку.

Работа представляет собой исследование в области прогнозирования временных рядов на основе нейросетевых и когнитивных методов для задачи прогнозирования временных характеристик в управлении жизненным циклом изделия. Детально рассматриваются нейро-нечеткие методы прогнозирования, представлен обзор наиболее успешных работ в данной области. Исследуются проблемы в области прогнозирования временных рядов, которые существенным образом влияют на качество прогнозов.

Результатом работы является созданная гибридная модель прогнозирования, сочетающая в себе нейро-нечеткие нейронные сети и нечеткие когнитивные карты, объединенные в систему прогнозирования. Благодаря сочетанию столь разных методов появляется возможность добиться качественного прогнозирования в условиях явлений, когда происходят сильные скачки во временном ряде и одна нейронная сеть не способна выполнять задачу достойным образом.

Планируется апробирование системы для задачи прогнозирования временных характеристик в управлении жизненным циклом изделия.

Задача оффлайн-распознавания рукописного текста состоит из множества этапов, связанных между собой, так как результаты выполнения каждого этапа являются входными данными для следующего. Один из важных этапов – этап сегментации слова на символы, напрямую влияющий на дальнейший результат классификации. Задача сегментации слова самая сложная в рамках оффлайн-распознавания рукописного текста и на данный момент полностью не решена. Существуют различные подходы для ее решения, однако они довольно сложны в реализации и не обеспечивают качественных результатов.

В данной статье рассматривается относительно простой подход с применением нейронных сетей, позволяющий достичь хороших показателей сегментации. Идея подхода в том, чтобы с помощью гистограммного метода выделить набор потенциальных точек сегментации, а с помощью обученной нейронной сети оставить только нужные точки сегментации. В статье описываются гистограммный метод для выделения точек сегментации, процесс выделения признаков для обучения нейронной сети, а также алгоритм ее обучения. Приводятся результаты применения данного подхода.