Актуальность. Решена актуальная задача повышения скорости построения нейро-нечетких моделей по прецедентам.
Цель работы – создание метода синтеза нейро-нечетких сетей, обладающего высокой скоростью вычисленией и позволяющего реализовать синтез нейро-нечетких сетей в параллельном режиме.
Метод. Предложен метод построения нейро-нечетких моделей по прецедентам, который осуществляет сокращение размерности входных данных посредством хэширующего отображения на одномерную ось с сохранением локальной топологии кластеров в признаковом пространстве, оценивает значимость признаков и экземпляров на основе выделенных кластеров, а также формирует разбиение исходного признакового пространства в автоматическом режиме, синтезирует структуру и настраивает параметры нейро-нечеткой модели автоматически, исключая из процесса обучения нейро-нечеткой модели малоинформативные данные, упрощая тем самым структуру получаемых моделей, а также позволяет наиболее вычислительно трудоемкие операции выполнять в параллельном режиме, что позволяет автоматизировать процесс синтеза нейро-нечетких моделей по прецедентам, а также повысить скорость построения нейро-нечетких моделей как при последовательной, так и при параллельной реализации вычислений.
Результаты. Разработано программное обеспечение, реализующее предложенный метод, которое использовано при проведении вычислительных экспериментов по исследованию свойств метода.
Выводы. Проведенные эксперименты подтвердили работоспособность предложенного метода и реализующего его программного обеспечения, а также позволяют рекомендовать их для применения на практике для решения задач диагностирования и автоматической классификации по признакам.

нейро-нечеткая сеть, хэш, обучение, синтез, кластер-анализ, диагностика, распознавание