Н. Э. Баумана Метод динамической реконфигурации и обучения сети на основе радиально-базисных функций Основным препятствием, возникающим на пути практического внедрения нейросетевых приложений на основе радиально-базисных функций, является требование полноты обрабатываемых выборок данных. <...> Введение И скусственные нейронные сети (ИНС) на основе радиально-базисных функций (РБФ) являются эффективным средством решения широкого спектра задач [1]. <...> Качество работы этих сетей во многом зависит от эффективности кластеризации данных, в результате которой определяются центры базисных функций (БФ) и их дисперсии. <...> Ключевой параметр архитектуры сетей РБФ — количество базисных функций, ограничивающее число узлов аппроксимации. <...> Корректный подбор количества базисных функций позволяет достичь оптимального соотношения между обобщающей способностью сети и точностью ее настройки на конкретные обучающие данные. <...> Первой широко известной моделью сети РБФ с динамической структурой скрытого слоя, позволившей автоматизировать подбор значений параметра K, стала модель Платта [2], усовершенствованная позже в ряде работ, например [3, 4]. <...> Труды отдельных отечественных научных школ, посвященные вопросу автоматизации подбора архитектуры РБФ-сетей, фокусируются как на локальных модификациях алгоритмов обучения [5, 6], так и на применении бионических моделей [7] для оптимизации числа БФ [8, 9]. <...> Последние обладают хорошим 118 Лаборатория Нейросетевое моделирование потенциалом, что обуславливает рост интереса к использованию распределенных интеллектуальных систем для оптимизации нейросетевой архитектуры [10, 11]. <...> Альтернативу описанным решениям составляют методы, основанные на специальных подходах к плотностной кластеризации, в результате проведения которой определяется оптимальное число БФ и устанавливаются их ключевые характеристики [12 – 14]. <...> Общим недостатком большинства предложенных решений является требование <...>