Abstract
<jats:p>Штучні нейронні мережі, нейро-фаззі-системи, різноманітні гібридні системи обчислювального інтелекту на сьогодні набули дуже широкого поширення для вирішення безлічі задач Data Mining, Data Stream Mining, Big Data Mining, тощо, завдяки, перш за все, здатності до навчання своїх параметрів та архітектури в процесі обробки інформації, яка надходить на їх входи, та високих апроксимуючих властивостей. При цьому для вирішення кожної конкретної задачі, як правило, може бути використана ціла множина таких систем, кожна з яких, як правило, має свої переваги та недоліки, що можуть суттєво облегшити їх використання. На сьогодні в рамках ансамблевого підходу найбільш ефективним вважається, так званий, беггінг, особливо у його адаптивному варіанті, коли вихідні сигнали кожного з членів ансамблю надходять на, так звану, метамодель, яка на основі цих сигналів формує оптимальний результат у сенсі прийнятого критерію якості, в основі якого полягає похибка між опорним сигналом і вхідними сигналами кожного з членів ансамбля. Метою статті є розробка методу правдоподібної робастної онлайн нечіткої кластеризації даних, який об’єднує в собі переваги довірчого та робастного підходів у задачах нечіткої кластеризації та призначеного для опрацювання потоків даних, що надходять послідовно у режимі реального часу.</jats:p>