Самообучающаяся каскадная спайк-нейронная сеть для нечеткой кластеризации на основе метода группового учета аргументов

Abstract

Розглянуто задачу нечіткого кластерування даних за умов наявності класів, що перетинаються. Для розв’язання задачі введено архітектуру та алгоритм навчання нечіткої спайк-нейронної мережі, що узагальнює нейронні мережі третього покоління, які нині інтенсивно розвиваються і мають низку переваг над традиційними системами обчислювального інтелекту. Спайк-нейрон описано як нелінійну динамічну систему, що спрощує його апаратну реалізацію. Для задач з високою вимірністю вхідних векторів-образів запропоновано використовувати гібридну архітектуру, яка ґрунтується на поєднанні каскадної та МГУА-нейронних мереж із самонавчальними спайк-нейронними мережами як вузлами та забезпечує підвищену швидкість оброблення інформації.

Fuzzy clustering task under condition of overlapping classes is considered. To solve the task, the paper introduces architecture and learning algorithm of fuzzy spiking neural network generalizing neural networks of the third generation that are intensively developing recently and have some advantages as compared to conventional computational intelligence systems. The spiking neuron is described as a nonlinear dynamic system that simplifies its hardware implementation. Hybrid architecture is proposed that is based on combining cascade and GMDH neural networks with self-learning spiking neural networks utilized as nodes and ensures rapid information processing.