Neuroniniai tinklai ypatingi tuo, kad juos galima apmokyti. Radialinių bazinių funkcijų neuroniniai tinklai naudojami kaip aproksimavimo funkcijos atpažįstant objektus ir apdorojant signalus. Norint gerai vizualizuoti daugiamačius duomenis radialinių bazinių funkcijų neuroniniais tinklais, daug kas priklauso nuo to, kokie metodai bus parenkami geram rezultatui gauti ir į kokius duomenis atsižvegiant bus vizualizuojami analizuojami įėjimo duomenys (pavyzdžiui, pagal svorius, ar pagal bazinių funkcijų reikšmes). Darbe yra detaliai ištirti radialinių bazinių funkcijų (RBF) neuroniniai tinklai bei šio metodo galimybės duotiems taškams vizualizuoti. Darbo uždavinys — sukurti radialinių bazinių funkcijų neuroninių tinklų algoritmą daugiamačiams duomenims vizualizuoti. Tinklo apmokymui buvo parinkti efektyvūs metodai bazinės funkcijos parametrams rasti. Kompiuteriniams eksperimentams atlikti naudotas MATLAB programinis paketas. Atlikta algoritmo lyginamoji analizė pagal šiuos aspektus:  svorius;  bazinių funkcijų gautas reikšmes;  vizualų duomenų projekcijų įvertinimą. Radialinių bazinių funkcijų neuroninių tinklų efektyvumas labai priklauso nuo bazinių funkcijų centrų parinkimo. Darbe atskleistos naujos galimybės greitam daugiamačių duomenų vizualizavimui plokštumoje ir erdvėje. Tai sudaro pagrindą tolesniems tyrimams šioje duomenų analizės srityje. / Neural networks are special, because they can “learn“. Radial Basic Function Type Neural Networks are used as functions for approximation in object recognition and signal processing. When trying to achieve good visualization of data by using RBFN, a lot depends on the methods used to achieve this result and the data, used to visualize and analyze input data (e.g. by weight or by basic function values). This thesis contains detailed analysis of Radial Basic Function (RBF) neural networks and the possibilities of this method to visualize the given points. The task of this thesis is to explore the possibility of RBF application in visualization of multidimensional data. For network "education", the effective methods for finding basic function parameters were chosen. Computer experiments where conducted with MATLAB software. A comparative analysis of the algorithm was performed according to the following aspects:  weights;  values, obtained by basic functions;  visual evaluation of data projections. Efficiency of RBFN depends greatly on selection of the centers of basic functions. The research showed, that RBNF can be successfully applied in multidimensional data visualization. Thesis gives new possibilities for displaying multidimensional data on a plane and in space. This serves as a background for future researches in this field of data analysis.

Darbe apžvelgtos bazinės neuroninių tinklų savybės, architektūra ir kombinavimo metodikos. Atlikta neuroninių tinklų tiesinių kombinavimo metodų analizė. Palyginti skirtingi neuroninių tinklų diversiškumo matavimai ir pritaikyti eksperimente. Išnagrinėta duomenų balinimo transformacija ir jos taikymo galimybės neuroninių tinklų kontekste. Šio darbo tikslas – ištirti duomenų balinimo operacijos poveikį tiesinių kombinavimo metodų ir skirtingų ekspertų parinkimui, formuojant kokybiškesnį neuroninių tinklų kolektyvą. Pritaikytas naujas metodas blogos kokybės skirtingų ir geros kokybės panašių ekspertų klasifikatoriams sudaryti. Svarbiausios eksperimento išvados: -Balinimo transformacija taikoma pradiniams duomenims klasifikatorius padaro panašesnius. -Duomenų balinimo transformacijos taikymas ekspertų aibės atsakymams blogos kokybės skirtingus klasifikatorius padaro pranašesnius uţ geros kokybės vienodus klasifikatorius net iki 40%. / The purpose of this study was to research the effect of data whitening for different linear combination and diversity measure methods selection in context of building better classifier ensemble. In work main characteristics, architecture and combination methods of neural network were identified. Different linear combination methods and diversity measures were analyzed in context of data whitening. In experiment classifier quality effect of data whitening transformation was researched with different classifiers. The new method for designing bad quality different and good quality similar classifiers was constructed. Most important experiment conclusions: -Data whitening transformation applied for initial data vectors makes classifiers more similar. -Applying data whitening transformation for single classifier set answers makes bad quality different classifiers better than good quality similar classifiers in lower generalization error range up to 40%.

Neural networks are one of the most efficient classifier methods. One of such classifying neural networks we are trying to teach in this work by using genetic algorithms. In this work we test two types of genetic algorithms. One may be called parameterized genetic algorithm. It is built on the basic ideas of genetic algorithms. The other one is called parameter less genetic algorithm. It was presented by F. G. Lobo and D. E. Goldberg. Both genetic algorithms are tested and compared to the other well known optimization methods such as Bayes and Monte Carlo search. Experiments show the relevance of use genetic algorithms in teaching classifying neural network. Also stated that parameter less genetic algorithm works more efficient than parametric genetic algorithm in general cases. Created programs will be used in future studies.

Previous works on classification committees have shown that an efficient committee should consist of networks that are not only very accurate, but also diverse. In this work, aiming to explore trade-off between the diversity and accuracy of committee networks, the steps of neural network training, aggregation of the networks into a committee, and elimination of irrelevant input variables are integrated. To accomplish the elimination, an additional term to the Negative correlation learning error function, which forces input weights connected to the irrelevant input variables to decay, is added.