Проведено рассмотрение алгоритмов автоматического анализа данных, которое показало, что они имеют сравнительно простую основу. Генетическая оптимизация была сведена к двухшаговой версии случайного поиска экстремума, шагами в которой является предварительное смешивание результатов первичного поиска, аналогичное скрещиванию, и вторичный случайный поиск в выделенной области, соответствующий мутации. Метод потенциальных функций позволил сравнительно просто реализовать автоматическую кластеризацию входной выборки без ограничений на ее характер. В предложенном алгоритме обучения перцептронного классификатора обработка в ассоциативном нейроне была реализована в виде усреднение сигналов от подключенных рецепторов с вычитанием постоянной величины. Дополнительное использование условия нормировки адаптивных коэффициентов делает ее малосущественной при использовании выбора максимума в качестве решающего правила. Методически несложно реализована процедура обучения алгоритма нечеткого управления, базирующаяся на выравнивании частот реализации управляющих воздействий при использовании эквидистантной выборки входных состояний.
Performed some algorithms consideration of data analysis, that’s shown their base simplicity. Genetic optimization were transformed to two – step version of stochastic search, whose steps are preliminary mixing of primary search results (interpreted as crossing) and secondary stochastic search (interpreted as mutation). Potential function method allowed implementing the simple procedure of clasterization without any additional requirements to input sample. Learning algorithm of perceptron’s classifier was used the preliminary averaging in secondary neurons with any constant subtraction. Additional adaptive coefficients normalizing do it insufficient at maximization used as decisive function. Fuzzy control learning were developed that’s based on control transactions frequencies equalization at equidistant sample of input states.
The authors declare that there are no conflicts of interest present.