In the paper proposes an approach to the formation of the architecture and training of the evolving radial-basis neural network (RBFN), which processes the data in sequential online mode. It consists of two stages. The first one is based on the use of the T. Kohonen self-organizing map (SOM), which is responsible for managing the number of RBFN neurons and setting the location of the centers of kernel functions in self-learning mode. The second stage is responsible for its training using the method of extreme learning (ELM). This approach allows to avoid the "curse of dimensionality" in the formation of RBFN and significantly increase the speed of its learning.

Предложен подход к формированию архитектуры и обучению эволюционирующей радиально-базисной нейронной сети (RBFN), которая обрабатывает данные, поступающие в режиме online. Он состоит из двух этапов. Первый из них базируется на использовании самоорганизующейся карты Т. Кохонена (SOM), которая отвечает за управление количеством нейронов RBFN и настройку расположения центров ядерных функций в режиме самообучения. Второй этап отвечает за ее обучение с применением метода экстремального обучения (ELM). Данный подход позволяет избежать "проклятия размерности" при формировании RBFN, а также существенно повысить скорость ее обучения.

Запропоновано підхід до формування архітектури і навчання еволюціонуючої радіально-базисної нейронної мережі (RBFN), яка обробляє дані, що надходять в режимі online. Він складається з двох етапів. Перший з них базується на використанні самоорганізаційній карти Т. Кохонена (SOM), яка відповідає за управління кількістю нейронів RBFN і налаштування розташування центрів ядерних функцій в режимі самонавчання. Другий етап відповідає за її навчання із застосуванням методу екстремального навчання (ELM). Даний підхід дозволяє уникнути "прокляття розмірності" при формуванні RBFN, а також істотно підвищити швидкість її навчання.