хуванні, робототехніці, при передачі даних та ін Інше, не менш важливе, властивість нейронної мережі полягає у здатності до навчання та узагальненню отриманих знань. Мережа має риси так званого штучного інтелекту. Натренований на обмеженій множині навчальних вибірок, вона узагальнює накопичену інформацію і виробляє очікувану реакцію стосовно до даних, не обробляється в процесі навчання.
Схематично процес застосування навченої ІНС в медицині зображений на рис. 2
В
Рис. 1. Схема застосування навченої штучної нейронної мережі в медицині
Незважаючи на значну кількість вже відомих практичних додатків штучних нейронних мереж, можливості їх подальшого використання для обробки сигналів остаточно не вичерпані, і можна припустити, що ІНС ще протягом багатьох років будуть одним з основних інструментів підтримки прийняття рішень в умовах відсутності точних моделей реальних процесів і явищ.
Прикладом іншої перспективної технології обробки та узагальнення великих обсягів інформації для вирішення задач класифікації та прогнозування є так звана технологія аналізу і видобутку даних Data Mining. Методи та інструментальні засоби аналізу і видобутку даних являють собою подальший розвиток таких відомих статистичних інструментів розвідувального аналізу, як метод головних і метод незалежних компонент, факторний аналіз, множинна регресія, редукування простору ознак з використанням методу багатовимірного шкалювання, кластерного аналізу та розпізнавання образів і ін Програмно реалізовані і забезпечені зручним для користувача інтерфейсом, а також підтримані гнучкими алгоритмами візуалізації багатовимірних даних, засоби Data Mining дозволяють проводити відповідні дослідження навіть починаючому користувачеві. В арсенал методів кластерного аналізу та розпізнавання образів систем Data Mining зазвичай входять метод опорних векторів (Support Vector Machine, або SVM), метод дерев рішень (decision trees), метод В«найближчого сусіда В»у просторі ознак, байєсівську класифікація та ін
Серед зазначеної групи методів класифікації і розпізнавання найбільш цікавим і гнучким представляється метод опорних векторів (МОВ).
Метод опорних векторів (МОВ) - це метод первісної класифікації, який вирішує дану задачу шляхом побудови гіперплоскостей в багатовимірному просторі, що розділяють групи спостережень, що належать до різних класам. На рис. 3 проілюстрована основна ідея МОВ. У лівій частині схеми представлені вихідні об'єкти, які далі перетворюються (переміщуються, зсуваються) у просторі ознак за допомогою спеціального класу математичних функцій, званих ядрами. Цей процес переміщення називають ще перетворенням, або перегрупуванням об'єктів. Новий набір перетворених об'єктів (у правій частині схеми) вже лінійно розділимо. Таким чином, замість побудови складної кривої (як показано в лівій частині схеми) потрібно лише провести оптимальну пряму, яка розділить об'єкти різних типів. Потім метод відшукує об...
