Стекова гібридна система обчислювального інтелекту на основі ядерної активаційної функції та її онлайн-навчання в задачі розпізнавання образів
DOI:
https://doi.org/10.30837/2522-9818.2026.2.040Ключові слова:
інтелектуальний аналіз потокових даних; машинне навчання; нейро-нео-фаззі система; обчислювальний інтелект; стекова гібридна система; ядерна активаційна функціяАнотація
Предмет дослідження. Предметом дослідження є стекова гібридна система обчислювального інтелекту на основі ядерної активаційної функції, що поєднує переваги нейронних мереж і нечітких моделей для розв’язання задач розпізнавання образів в умовах невизначеності, зашумленості та обмеженої розмірності наборів даних. Мета дослідження. Мета роботи полягає у розробці гібридної стекової системи з ядерною функцією активації та онлайн-навчанням для забезпечення кращої точності, стабільності й швидкості розпізнавання шаблонів у нестаціонарних середовищах у режимі реального часу. Завдання. Розробити архітектуру стекової гібридної системи; запропонувати ядерну активаційну функцію та алгоритм її параметризації; побудувати алгоритм онлайн-навчання з покроковим оновленням параметрів; дослідити властивості збіжності та обчислювальної складності; провести експериментальне порівняння з базовими моделями машинного навчання та класичними нейро-нечіткими підходами. Методи. Застосовано методи машинного навчання, ансамблеві та стекові підходи, ядерні методи, адаптивну оптимізацію в онлайн-режимі, статистичний аналіз якості класифікації, моделювання та обчислювальні експерименти на синтетичних і реальних наборах даних для задач розпізнавання образів. Результати. Запропонована модель забезпечує вищу точність класифікації та кращу узагальнювальну здатність порівняно з окремими базовими моделями, демонструє стійкість до шумів і змін розподілів даних, а також швидку адаптацію в умовах потокових даних завдяки онлайн-навчанню. Показано зменшення похибки та стабільну роботу системи в нестаціонарних середовищах. Висновки. Розроблена стекова гібридна система з ядерною активаційною функцією є ефективним інструментом для задач розпізнавання образів у режимі реального часу. Поєднання стекового підходу та онлайн-навчання підвищує точність, стійкість і адаптивність системи, що робить запропонований підхід перспективним для практичного застосування в інтелектуальних інформаційних системах і кіберфізичних середовищах.Завантаження
Посилання
References
Mumford, C.L. and Jain, L.C. (2009), Computational Intelligence: Collaboration, Fusion and Emergence, Springer, Berlin Heidelberg, 732 p. DOI: https://doi.org/10.1007/978-3-642-01799-5
Kruse, R., Borgelt, C., Braune, C., Mostaghim, S. and Steinbrecher, M. (2016), Computational Intelligence: A Methodological Introduction, Springer, London, 564 p. DOI: https://doi.org/10.1007/978-1-4471-7296-3
Kacprzyk, J. and Pedrycz, W. (eds.) (2015), Springer Handbook of Computational Intelligence, Springer, Berlin Heidelberg, 1634 p. DOI: https://doi.org/10.1007/978-3-662-43505-2
Goodfellow, I., Bengio, Y. and Courville, A. (2016), Deep Learning, MIT Press, Cambridge, MA, 800 p. ISBN 978-0-262-03561-3.
Schmidhuber, J. (2015), "Deep Learning in Neural Networks: An Overview", Neural Networks, Vol. 61, pp. 85–117. DOI: https://doi.org/10.1016/j.neunet.2014.09.003
Kung, S.-Y. (2014), Kernel Methods and Machine Learning, Cambridge University Press, Cambridge, 591 p. DOI: https://doi.org/10.1017/CBO9781139176224
Karamichailidou, D., Gerolymatos, G., Patrinos, P., Sarimveis, H. and Alexandridis, A. (2024), "Radial Basis Function Neural Network Training Using Variable Projection and Fuzzy Means", Neural Computing and Applications, Vol. 36, No. 33, pp. 21137–21151. DOI: https://doi.org/10.1007/s00521-024-10274-3
Ismayilova, A. and Ismayilov, V.E. (2024), "On the Universal Approximation Property of Radial Basis Function Neural Networks", Annals of Mathematics and Artificial Intelligence, Vol. 92, No. 3, pp. 174–185. DOI: https://doi.org/10.1007/s10472-023-09901-x
Marrero, I. (2025), "Relaxed Conditions for Universal Approximation by Radial Basis Function Neural Networks of Hankel Translates", AIMS Mathematics, Vol. 10, No. 5, pp. 10852–10865. DOI: https://doi.org/10.3934/math.2025493
Jensen, V., Bianchi, F.M. and Anfinsen, S.N. (2024), "Ensemble Conformalized Quantile Regression for Probabilistic Time Series Forecasting", IEEE Transactions on Neural Networks and Learning Systems, Vol. 35, No. 7, pp. 9014–9025. DOI: https://doi.org/10.1109/TNNLS.2022.3217694
Zolotukhin, O.V., Kudryavtseva, M.S., Bodyanskiy, Y.V., Filatov, V.O., Antilikatorov, A.V. and Kalinin, D.V. (2026), "Physical-Informed Neural Network in Signal Processing and Network Traffic Communications", System Research and Information Technologies, No. 1, pp. 155–169. DOI: https://doi.org/10.20535/SRIT.2308-8893.2026.1.11
Angelov, P., Filev, D. and Kasabov, N. (eds.) (2010), Evolving Intelligent Systems: Methodology and Applications, Wiley/IEEE Press, Hoboken, NJ, 444 p. DOI: https://doi.org/10.1002/9780470569962
Angelov, P., Zhou, X. and Lughofer, E. (2008), "Evolving Fuzzy Classifiers Using Different Model Architectures", Fuzzy Sets and Systems, Vol. 159, No. 23, pp. 3160–3182. DOI: https://doi.org/10.1016/j.fss.2008.06.019
Baruah, R.D., Angelov, P. and Baruah, D. (2020), "Evolving Intelligent Systems", In: Wiley Encyclopedia of Electrical and Electronics Engineering, pp. 1–17. DOI: https://doi.org/10.1002/047134608X.W8405
Filatov, V., Zolotukhin, O. and Kudryavtseva, M. (2025), "Intellectual Data Analysis in Relational Information and Analytical Systems", Innovative Technologies and Scientific Solutions for Industries, Vol. 4, No. 34, pp. 101–111. DOI: https://doi.org/10.30837/2522-9818.2025.4.101
Jiang, W., Chen, Z., Xiang, Y., Shao, D., Ma, L. and Zhang, J. (2019), "SSEM: A Novel Self-Adaptive Stacking Ensemble Model for Classification", IEEE Access, Vol. 7, pp. 120337–120349. DOI: https://doi.org/10.1109/ACCESS.2019.2933262
Uchino, E. and Yamakawa, T. (1994), "Neo-Fuzzy-Neuron Based New Approach to System Modeling, with Application to Actual System", In: Proceedings of the Sixth International Conference on Tools with Artificial Intelligence (TAI'94), pp. 701–706. DOI: https://doi.org/10.1109/TAI.1994.346442
Uchino, E. and Yamakawa, T. (1997), "Soft Computing Based Signal Prediction, Restoration and Filtering", In: Intelligent Hybrid Systems: Fuzzy Logic, Neural Networks and Genetic Algorithms, Vol. 413, pp. 331–351. DOI: https://doi.org/10.1007/978-1-4615-6191-0_14
Brereton, R.G. and Lloyd, G.R. (2010), "Support Vector Machines for Classification and Regression", Analyst, Vol. 135, pp. 230–267. DOI: https://doi.org/10.1039/B918972F
Aggarwal, C.C. (2018), Neural Networks and Deep Learning: A Textbook, Springer, Cham, 520 p. DOI: https://doi.org/10.1007/978-3-319-94463-0
Filatov, V., Semenets, V. and Zolotukhin, O. (2019), "Synthesis of Semantic Model of Subject Area at Integration of Relational Databases", In: Proceedings of the International Conference on Advanced Optoelectronics and Lasers (CAOL), pp. 598–601. DOI: https://doi.org/10.1109/CAOL46282.2019.9019532
Bodyanskiy, Y., Zolotukhin, O., Yerokhin, A., Kudryavtseva, M. and Yerokhin, M. (2025), "Fast Stacking Neuro-Neo-Fuzzy System for Inverse Modeling in Online Mode", International Journal of Computing, Vol. 24, No. 4, pp. 661–667. DOI: https://doi.org/10.47839/ijc.24.4.4330
Lemos, A., Caminhas, W.M. and Gomide, F. (2014), "A Fast Learning Algorithm for Evolving Neo-Fuzzy Neuron", Applied Soft Computing, Vol. 14, Part B, pp. 194–209. DOI: https://doi.org/10.1016/j.asoc.2013.03.022
Zurita, D., Delgado, M., Carino, J.A., Ortega, J.A. and Clerc, G. (2016), "Industrial Time Series Modelling by Means of the Neo-Fuzzy Neuron", IEEE Access, Vol. 4, pp. 6151–6160. DOI: https://doi.org/10.1109/ACCESS.2016.2611649
Chang, W.J., Chang, C.-H. and Ku, C.C. (2010), "Fuzzy Controller Design for Takagi–Sugeno Fuzzy Models with Multiplicative Noises via Relaxed Non-Quadratic Stability Analysis", Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, Vol. 224, No. 8, pp. 918–931. DOI: https://doi.org/10.1243/09596518JSCE1035
Mokodompit, M., Nasib, S.K., Djakaria, I., Yahya, N.I. and Hasan, I.K. (2025), "Implementation of Fuzzy Time Series Markov Chain Method Using Kernel Smoothing in Forecasting the Stock Price of PT. Elnusa Tbk.", Indonesian Journal of Computational and Applied Mathematics, Vol. 1, No. 1, pp. 18–28. DOI: https://doi.org/10.64182/indocam.v1i1.9
Chen, Y.-C., Genovese, C.R. and Wasserman, L. (2016), "A Comprehensive Approach to Mode Clustering", Electronic Journal of Statistics, Vol. 10, No. 1, pp. 210–241. https://doi.org/10.1214/16-EJS1115
Needell, D. and Tropp, J.A. (2014), "Paved with Good Intentions: Analysis of a Randomized Block Kaczmarz Method", Linear Algebra and its Applications, Vol. 441, pp. 199–221. DOI: https://doi.org/10.1016/j.laa.2013.01.022
Sayed, A.H. (2014), "Adaptive Networks", Proceedings of the IEEE, Vol. 102, No. 4, pp. 460–497. DOI: https://doi.org/10.1109/JPROC.2014.2306253
Buhmann, M.D. (2003), Radial Basis Functions: Theory and Implementations, Cambridge University Press, Cambridge, 272 p. DOI: https://doi.org/10.1017/CBO9780511543241
Kohonen, T. (1995), Self-Organizing Maps, Springer, Berlin Heidelberg, 362 p. DOI: https://doi.org/10.1007/978-3-642-97610-0
Zolotukhin, O., Filatov, V., Yerokhin, A., Kudryavtseva, M. and Semenets, V. (2021), "An Approach to the Selection of Behavior Patterns of Autonomous Intelligent Mobile Systems", In: Proceedings of the IEEE 8th International Conference on Problems of Infocommunications, Science and Technology (PIC S&T), pp. 349–352. DOI: https://doi.org/10.1109/PICST54195.2021.9772110
Zolotukhin, O., Filatov, V., Yerokhin, A., Kudryavtseva, M. and Semenets, V. (2021), "The Methods for the Prediction of Climate Control Indicators in the Internet of Things Systems", CEUR Workshop Proceedings, Vol. 3013, pp. 391–400. DOI: https://doi.org/10.5281/zenodo.14526027
Dashenkov, D. and Smelyakov, K. (2025), "Extending the ImageNET Dataset for Multimodal Text and Image Learning", Innovative Technologies and Scientific Solutions for Industries, Vol. 1, No. 31, pp. 20–31. DOI: https://doi.org/10.30837/2522-9818.2025.1.020
Danylenko, S. and Smelyakov, K. (2025), "Content-Based Image Retrieval Method in a Multidimensional Data Model at Big Data Scale", Innovative Technologies and Scientific Solutions for Industries, Vol. 4, No. 34, pp. 18–31. DOI: https://doi.org/10.30837/2522-9818.2025.4.018
Amirian, M. and Schwenker, F. (2020), "Radial Basis Function Networks for Convolutional Neural Networks to Learn Similarity Distance Metric and Improve Interpretability", IEEE Access, Vol. 8, pp. 123087–123097. DOI: https://doi.org/10.1109/ACCESS.2020.3007337
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
-
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
-
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
-
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
