УДК 519.1: 621 ЭКСПЕРИМЕНТАЛЬНОЕ СРАВНЕНИЕ МЕТОДОВ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ ПО ДАННЫМ ЭКСПЛУАТАЦИИ ОБОГАТИТЕЛЬНОЙ ЦЕНТРИФУГИ 2012 г. Д.М. Шпрехер Новомосковский институт Российского химико-технологического университета им. <...> Д.И. Менделеева Novomoskovsk Institute of Russian Chemical Engineering University, named after D. <...> Mendeleyev Показано преимущество обработки большого числа примеров в нейросетевом базисе, заключающееся в более высокой достоверности решения задач автоматической классификации слоем (картой) Кохонена по сравнению с традиционными методами динамических сгущений и кластер-анализа и обеспечивающее большую оперативность функционирования классификационных моделей в контуре управления и диагностики данного типа электромеханических систем. <...> It is shown advantage of the processing the large number example in neuro- network base, concluding in more high validity of the decision of the problems to automatic categorization layer (the card) Kohonena in contrast with traditional methods of the dynamic thickenings and claster-analysis and providing greater speed operating the taxonomic models in sidebar of management and diagnosticses given type of the electromechanic systems. <...> Keywords: electromechanic system; card Kohonena; the centres of the thickenings; claster. <...> Автором ранее был предложен способ прогнозирования технического состояния электромеханических систем (ЭМС), предусматривающий использование классифицирующей нейросетевой модели для обработки массивов измеряемых параметров ЭМС. <...> Модель позволяет осуществить классификацию технических состояний на группы в зависимости от степени работоспособности ЭМС. <...> На основании проведенных аналитических исследований предложена структура гибридной нейросетевой схемы, отвечающая поставленной задаче [1]. <...> Основная идея прогнозной классификации состояний ЭМС на основе нейросетевого классификатора заключается в отыскании такого нелинейного нейросетевого преобразования массива измеряемых сигналов, при котором увеличивается компактность массивов данных одного класса (сближает более близкие в одном классе массивы) и относит к другим классам – более далекие. <...> Затем, на заключительном этапе работы <...>