Oliinyk, A.Subbotin, S.Leoshchenko, S.Ilyashenko, M.Myronova, N.Mastinovsky, Y.Олійник, Андрій ОлександровичСубботін, Сергій ОлександровичЛеощенко, Сергій ДмитровичИльяшенко, Матвій БорисовичМиронова, Наталя ОлексіївнаМастиновський, Юрій Вікторович2026-04-202026-04-202018https://eir.zp.edu.ua/handle/123456789/28158Oliinyk A. Additional training of neuro-fuzzy diagnostic models / A. Oliinyk, S. Subbotin, S. Leoshchenko, M. Ilyashenko, N. Myronova, Y. Mastinovsky // Радіоелектроніка, інформатика, управління. – 2018. – № 3 (46). – C. 106-119.EN: The task of automation of diagnostic models synthesys in diagnostics and pattern recognition problems is solved. The object of the research are the methods of the neuro-fuzzy diagnostic models synthesys. The subject of the research are the methods of additional training of neuro-fuzzy networks. Objective. The research objective is to create a method for additional training of neuro-fuzzy diagnostic models. Method. The method of additional training of diagnostic neuro-fuzzy models is proposed. It allows to adapt existing models to the change in the functioning environment by modifying them taking into account the information obtained as a result of new observations. This method assumes the stages of extraction and grouping the correcting instances, diagnosing them with the help of the existing model leads to incorrect results, as well as the construction of a correcting block that summarizes the data of the correcting instances and its implementation into an already existing model. Using the proposed method of learning the diagnostic neural-fuzzy models allows not to perform the resource-intensive process of re-constructing the diagnostic model on the basis of a complete set of data, to use the already existing model as the computing unit of the new model. Models synthesized using the proposed method are highly interpretive, since each block generalizes information about its data set and uses neuro-fuzzy models as a basis. Results. The software which implements the proposed method of additional training of neuro-fuzzy networks and allows to reconfigure the existing diagnostic models based on new information about the researched objects or processes based on the new data has been developed. Conclusions. The conducted experiments have confirmed operability of the proposed method of additional training of neurofuzzy networks and allow to recommend it for processing of data sets for diagnosis and pattern recognition in practice. The prospects for further researches may include the development of the new methods for the additional training of deep learning neural networks for the big data processing. UK: Актуальність. Вирішено задачу автоматизації синтезу діагностичних моделей при діагностуванні та розпізнаванні образів. Об’єкт дослідження – методи синтезу нейро-нечітких діагностичних моделей. Предмет дослідження – методи донавчання нейро-нечітких мереж. Мета роботи – створення методу донавчання нейро-нечітких діагностичних моделей. Метод. Запропоновано метод донавчання діагностичних нейро-нечітких моделей, який дозволяє адаптувати до зміни середовища функціонування існуючі моделі шляхом їх модифікації з урахуванням інформації, отриманої в результаті нових спостережень. Даний метод передбачає виконання етапів видобування та угрупування коригувальних екземплярів, діагностування за якими за допомогою існуючої моделі призводить до некоректних результатів, а також побудову коригувального блоку, який узагальнює дані коригувальних екземплярів, і впровадження його у вже існуючу модель. Використання запропонованого методу донавчання діагностичних нейро-нечітких моделей дозволяє не виконувати ресурсномісткий процес повторної побудови діагностичної моделі на основі повного набору даних, використовувати вже наявну модель в якості обчислювального блоку нової моделі. Моделі, синтезовані за допомогою запропонованого методу, характеризуються високою інтерпретовністю, оскільки кожен блок узагальнює інформацію про свій набір даних і в якості базису використовує нейро-нечіткі моделі. Результати. Розроблено програмне забезпечення, яке реалізує запропонований метод донавчання нейро-нечітких мереж і дозволяє виконувати перебудову існуючих діагностичних моделей на основі нової інформації про досліджувані об’єкти або процеси. Висновки. Проведені експерименти підтвердили працездатність запропонованого метод донавчання нейро-нечітких мереж і дозволяють рекомендувати його для використання на практиці при обробці масивів даних для діагностування та розпізнавання образів. Перспективи подальших досліджень можуть полягати в розробці нових методів донавчання глибоких нейромереж для оброблення великих даних.endata samplediagnosisadditional trainingneuro-fuzzy modelparametermembership functionвибірка данихдіагностуваннядонавчаннянейро-нечітка модельпараметрфункція належностіArticle