ПРОБЛЕМЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ БИНАРНОЙ КЛАССИФИКАЦИИ

Статья направлена на выявление проблем использования искусственных нейронных сетей для решения задач бинарной классификации. Для решения задач бинарной классификации предполагается отнесение образцов, которые уже имеются, к определенным классам. Ведущим подходом к исследованию данной проблемы является алгоритм Левенберга-Марквардта, позволяющий проводить оптимизацию параметров нелинейных регрессионных моделей. В качестве критерия оптимизации принимается среднеквадратичная ошибка модели на обучающей выборке. Предлагается для ускорения вычислений в несколько раз применять метод эластичного распространения, в работе указаны основные шаги алгоритма, построенные на основе этого метода. Материалы статьи представляют практическую ценность для специалистов, использующих искусственные нейронные сети для задач классификации

1. Чопоров О.Н. Методы анализа значимости показателей при классификационном и прогностическом моделировании / О.Н.Чопоров, А.Н.Чупеев, С.Ю.Брегеда // Вестник Воронежского государственного технического университета. 2008. Т. 4. № 9. С. 92-94.

2. Преображенский Ю.П. Оценка эффективности применения системы интеллектуальной поддержки принятия решений / Ю.П. Преображенский // Вестник Воронежского института высоких технологий. 2009. № 5. С. 116-119.

3. Чопоров О.Н. Методика преобразования качественных характеристик в численные оценки при обработке результатов медико-социального исследования / О.Н.Чопоров, А.И.Агарков, Л.А.Куташова, Е.Ю. Коновалова // Вестник Воронежского института высоких технологий. 2012. № 9. С. 96-98.

4. Круглов В. В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип / В. В. Круглов, В. В. Борисов. - М. : Горячая линияТелеком, 2002. - 382 с.

5. Бодянский Е. В. Искусственные нейронные сети: архитектуры, обучение, применения: монография / Е. В. Бодянский, О.Г. Руденко. - Харьков: Телетех,2004.-369 с

6. Gavin, H. P. The Levenberg-Marquardt method for nonlinear least squares curve-fitting problems : : [electronic resource] / H. P. Gavin // Department of Civil and Environmental Engineering Duke University. - Access mode: http://people.duke.edu/~hpgavin/lm.pdf (date of request: 20.05.2017)

7. . Riedmiller M. A Direct Adaptive Method for Faster Backpropagation Learning: The RPROP Algorithm : [electronic resource] / M. Riedmiller, H. Braun // University of Karlsruhe. - Access mode: http://deeplearning.cs.cmu.edu/pdfs/Rprop.pdf (Дата доступа: 20.05.2017).

8. Чопоров О.Н. Методика формирования информационной базы данных для проведения многоуровневого мониторинга и классификационнопрогностического моделирования / О.Н. Чопоров, О.В. Золотухин, И.И. Манакин, С.В. Болгов // Вестник Воронежского института высоких технологий. - 2015. - № 14. - С. 19-24.

9. Чернов А.В. Разработка классификационно-прогностических моделей развития гнойно-септических осложнений у родильниц / А.В. Чернов, В.Ю. Бригадирова, О.Н. Чопоров, В.И. Чернов // Системный анализ и управление в биомедицинских системах. - 2012. - Т. 11. - № 1. - С. 261- 266.

10. Бабкин А.П. Разработка процедур оценки выраженности диабетической ретинопатии у больных сахарным диабетом на основе дискриминантного анализа / А.П. Бабкин, В.Г. Мединцев, А.Г. Черноусенко, О.Н. Чопоров // Вестник Воронежского государственного технического университета. - 2005. - Т. 1. - № 7. - С. 97-99.

11. Choporov O. Technique of information database formation for carrying out multilevel monitoring and classificatory-and-forecasting modeling /O. Choporov, A. Kurotova, I. Manakin // Information Тechnology Аpplications. - 2015. - № 1. - С. 111-123.