Разработаны методы и упрощенные вычислительные схемы оптимизации обработки данных для систем, функционирующих в условиях ограниченной априорной информации, изменения характеристик внешних воздействий, неопределенности параметров. Для описания нестационарного объекта рассмотрены модели нелинейной идентификации, определены ограничения, входные условия для получения возможных значений выходных переменных. Предложен подход, направленный на использование технологий идентификации на основе обобщения возможностей динамических моделей, нейронных сетей (НС), механизмов регулирования переменных вычислительных схем структурных компонентов сети, а также алгоритмов обучения НС. Разработан обобщенный алгоритм обучения НС на основе синтеза механизмов вероятностного, эвристического и стохастического поиска, формирования набора обучающих данных, регулирования значений переменных линейной и нелинейных зависимостей входов и выходов. Эффективность реализованного программного комплекса обработки данных проанализирована по различным методам, алгоритмам, графикам и требованиям, а также получены оценки устойчивости обобщенного алгоритма обучения НС и минимальной среднеквадратической погрешности.

Дастлабки маълумотлар чекланган, ташқи таъсир тавсифлари ўзгарувчи бўлган, параметрли ноаниқлик шароитларда фаолият юритувчи тизимда маълумотларга оптимал ишлов беришнинг услуб ва содда бўлган ҳисоб схемалари ишлаб чиқилган. Барқарор бўлмаган объектларни ночизиқли тавсифлаш учун турли хил идентификациялаш моделлари ўрганилган, чиқиш ўзгарувчисининг қийматли имконияти ҳисобига йўналтирилган чегара ва кириш шартлари аниқланган. Динамик моделлар ва нейрон тармоқлари (НТ) умумлашуви, таркибий компонентларни ҳисоблаш схемаларини мослаштириш механизмлари ҳамда НТни ўргатувчи алгоритмларини синтезлаш асосида идентификациялаш технологияларини қўллаш ѐндашуви таклиф этилган. Эҳтимолли, эвристик ва стохастик қидириш, ўргатувчи маълумот танланмасини шакллантириш, кириш ва чиқиш боғлиқлиги чизиқли ва ночизиқли моделлар ўзгарувчиларнинг қийматларини ростлаш механизмлари асосида НТни ўргатувчи умумлашган алгоритм ишлаб чиқилган. Яратилган маълумотларга ишлов берувчи дастурий мажмуа жорийлаштириш самарадорлиги турли услуб, алгоритм, тезлик, графиклар, талаблар бўйича таҳлил қилинган ва НТ алгоритмлари турғунлиги даражаси ва маълумотларга ишлов беришнинг минимал ўртача квадратик хатоликлари баҳолари аниқланган.

Methods and simplified computational schemes for optimizing data processing for systems operating in conditions of limited a priori information, changes in the characteristics of external influences, uncertainty of parameters have been developed. To describe a non-stationary object, non-linear identification models are considered, constraints, input conditions for obtaining possible values of output variables are defined. An approach aimed at using identification technologies based on generalization of capabilities of dynamic models, neural networks (NN), mechanisms for regulating variable computing schemes of structural network components, as well as learning algorithms of the NN is proposed. A generalized algorithm for learning NN based on the synthesis of the mechanisms of probabilistic, heuristic and stochastic search, the formation of a set of training data, regulation of the values of variables of linear and nonlinear dependences of inputs and outputs is developed. The efficiency of the implemented data processing software complex is analyzed by various methods, algorithms, speed, graphs and requirements, and also estimates of the stability of the generalized learning algorithm of NN and the minimum mean-square error are obtained.