Пошук академічних текстів

Інформація × Реєстраційний номер 0525U000052, Докторська дисертація На здобуття Доктор технічних наук Дата захисту 14-03-2025 Статус Підтверджена МОН Назва роботи Адаптивні методи нечіткої кластеризації потоків даних з використанням еволюційного самонавчання Здобувач Шафроненко Аліна Юріївна, к.т.н. Опонент Субботін Сергій Олександрович Опонент Антощук Світлана Григорівна Опонент Удовенко Сергій Григорович Рецензент Гороховатський Володимир Олексійович Рецензент Корабльов Микола Михайлович Рецензент Машталір Володимир Петрович Опис 1. Шафроненко А. Ю. Адаптивні методи нечіткої кластеризації потоків даних з використанням еволюційного самонавчання. – Кваліфікаційна наукова робота на правах рукопису. Дисертаційна робота на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.23 – системи та засоби штучного інтелекту. – Харківський національний університет радіоелектроніки Міністерства освіти і науки України, Харків, 2024. У дисертаційній роботі вирішено важливу теоретичну проблему створення нових ефективних нечітких методів обчислювального інтелекту, а саме, нечіткої кластеризації даних за умов апріорної невизначеності на основі еволюційного самонавчання та надання їм адаптивних властивостей, що забезпечує можливість опрацьовування потоків нестаціонарних даних, викривлених завадами та пропусками, що послідовно надходять на обробку в онлайн режимі. Проведено аналіз методів обробки потоків даних в умовах апріорної невизначеності та викривленості, обґрунтовано необхідність вирішення задач кластеризації та аналізу даних за умов змінних характеристик потоку, що включає зміну кількості класів, їхньої структури та непередбачуваних дрейфів. Розроблено адаптивні методи нечіткої кластеризації, які здатні працювати як в пакетному, так і в онлайн режимах, а також на вибірках, що змінюють розмірність та форму кластерів; дозволяють обробляти великі обсяги даних, що можуть подаватись на обробку послідовно у формі потоків даних, ефективно працювати за умов поточної та апріорної невизначеності, стохастичності, нелінійності, нестаціонарності та є найбільш пристосованими для вирішення задач Data Mining та Data Stream Mining, завдяки своїм універсальним апроксимуючим властивостям, здатності до самонавчання. Достовірність наукових та практичних результатів підтверджується відповідними матеріалами про впровадження дисертаційних досліджень на реальних об’єктах. Ключові слова: інтелектуальний аналіз даних, нечітка кластеризація, еволюційні методи та алгоритми, адаптація, фаззі, потоки даних, машинне навчання, самонавчання, гібридні системи, методи оптимізації, онлайн. Дата реєстрації 2025-02-11 Додано в НРАТ 2025-02-11 Закрити