Развитие новых и более достоверных методов распознавания образов является к настоящему времени актуальной проблемой.
Новые методы базируются на самых последних теоретических разработках. Так, согласно теоретическим положениям [1, c. 351] радиальные функции и машинные векторы [1, c. 423] являются приоритетными методами классификации образов по следующим причинам:
1. Они позволяют избегать сингулярной матрицы решений. При наличии особенных матриц возникает необходимость их регуляризации [1, c. 365], оценки параметра регуляризации. Все это снижает устойчивость классификации. В свою очередь, введение радиальных базисных функций позволяет расширить класс классификационных объектов и повысить их устойчивость.
Радиальная базисная функция (RBF) — это функция, преобразующая сигнал из пространства сигналов в пространство признаков. К настоящему времени в соответствии с теоремой Мичелли (C.A. Michelli) [2] выведены некоторые такие функции. Среди них особое место занимает функция Гаусса в качестве RBF. Получаемая с ее помощью матрица решений несингулярна и даже положительно определена.
2. Функция RBF повышает и точность решений, что также указывается в [1].
3. Машины опорных векторов (МОВ) базируются на обучающих опорных векторах.
Опорные векторы — это небольшое множество обучающих данных, отбираемых алгоритмом. На их основе строятся разделяющие поверхности, т.е. поверхности классификации.
Применяемые совместно с RBF машины опорных векторов позволяют строить также устойчивые алгоритмы [1, c. 418].
4. Развитие машины опорных векторов и метода RBF значительно дополняет общую теорию нейронных сетей [1].
В соответствии с настоящими теоретическими положениями целью настоящей статьи является программная разработка метода RBF распознавания образов, проверка его на практике и сравнение с существующими. Для достижения поставленной цели в работе решаются следующие задачи: