Аналіз проблеми інформаційного синтезу систем керування, що навчаються, страница 10

Подальший перспективний розвиток як структурних, так і методів, побудованих на використанні нейронних мереж [137-150], пов’язаний із становленням теорії ефективного машинного навчання СК з метою підвищення їх достовірності та оперативності прийняття рішень на екзамені. Так, за даними праці [145] аналіз результатів використання основних симуляторів багатошарових штучних нейромереж (SNNS.4.1, Trajan Neural Network Simulator 3.0, Matlab 6.1, NeuroPro 0.25), які використовувалися для імітаційного моделювання алгоритмів навчання персептрона, показав, що основними недоліками цих пакетів є їх непристосованість до зміни потужностей як словника ознак, так і алфавіту класів розпізнавання в процесі моделювання, що ускладнює їх застосування в задачах кластер-аналізу, та непридатність для роботи в реальному часі. Використання інтерактивної платформи IntelligentPad для візуалізації додатків розширює можливість адаптації структури нейромережи до зміни параметрів моделі та дозволяє збільшити оперативність навчання нейромережі за рахунок введення потужного програмного забезпечення та діалогового режиму з метою вибору та корекції алгоритмів кластер-аналізу. До цього варто додати, що штучні нейромережі, які використовуються для розв’язання задач ідентифікації об’єктів керування, де вони мають значні переваги перед моделями, що настроюються, все ще поступаються за достовірністю та оперативністю алгоритмам, побудованим за методом групового врахування аргументів [196,197].

Серед нейромереж, що не самоорганізуються, (наприклад, сігмоїдальні [146], радіальні [139], нейромережі Хопфільда [141] та інші) заслуговують на увагу мережі Хеммінга [146,147], які відрізняються відносно високими достовірністю розпізнавання деформованих образів та оперативністю навчання. Перевага мереж Хеммінга обумовлена використанням у них дискретного простору ознак розпізнавання як субпарацептуального. Основна ідея функціонування такої мережі полягає в мінімізації відстані Хеммінга між тестовим вектором-реалізацією (еталоном), що подається на вхід мережі, і двійковими векторами-реалізаціями навчальної матриці, що кодуються в структурі мережі. У праці [147] показано, що алгоритм навчання мережі Хеммінга збігається з а імовірністю. Наведені в праці [146] експериментальні дані реалізації мережі Хеммінга в програмі Маtlab для розпізнавання десяти друкованих арабських цифр показали відносно високу ефективність цього методу як за точнісними характеристиками, так і оперативністю його реалізації. Але при розгляді деформованих цифр спостерігалися помилкові рішення при розпізнаванні цифр “0”, “3” і “6”, еталонні вектори яких мають між собою мінімальні кодові відстані. Це свідчить про відсутність у методі, що розглядається, ефективного механізму статистичної корекції параметрів розбиття простору ознак на класи розпізнавання.

Таким чином, можна констатувати, що подальший розвиток як нейромереж, так і методів автоматичної класифікації в рамках геометричного підходу, в значній мірі, залежить від вирішення проблеми високоефективного навчання інтелектуальних систем, яка має загальнонаукове значення.

В останні роки значного поширення в задачах адаптивного пошуку та багатопараметричної оптимізації набули методи, які базуються на генетичних алгоритмах [112-114]. Ці алгоритми, які є методами випадкового пошуку глобального екстремуму критерію оптимізації, копіюють механізми як генетичної спадковості, так і природного відбору. Але дійсна практична цінність генетичних алгоритмів полягає у поєднанні їх з іншими методами розпізнавання образів, які безпосередньо вирішують проблему побудови оптимального класифікатора.