Технологии интеллектуального анализа данных : учебное пособие

205 Представленные недостатки не могут быть преодолены в рамках каждого из направлений в отдельности, что делает каждое из них пригодным для решения одних классов задач и менее при- годным для других классов. В настоящее время значительную актуальность приобрело создание гибридных технологий, обладающих достоинствами от- дельных методов интеллектуального анализа данных. О необходи- мости комбинирования таких направлений, как нечеткая логика, нейронные сети, генетические алгоритмы для создания самостоя- тельных направлений, взаимно дополняющих достоинства комби- нируемых подходов, начал говорить Л.А. Заде в 1994 году. Комби- нирование данных направлений при решении прикладных задач легло в основу предложенного Л.А. Заде нового направления, по- лучившего название «Мягких вычислений» ( Soft computing ). Примером одной из гибридных технологий, эффективно применяемой в настоящее время на практике, являются нечеткие нейронные сети. Их использование перспективно для решения за- дачи автоматического извлечения знаний из больших объемов соб- ранной информации, хранимой в разнородных базах данных, с це- лью их интерпретации, выявления скрытых закономерностей. Нечеткие нейронные сети способны гранулировать информа- цию в лингвистических категориях, что делает успешным их ис- пользование для обобщения экспериментальных данных путем описания их множеством нечетких гранул. Данные особенности нечетких нейронных сетей легли в основу их использования в тех- нологиях Data Mining. Нечеткие нейронные сети осуществляют выводы на основе аппарата нечеткой логики, но параметры соответствующих функ- ций принадлежности настраиваются с использованием алгоритмов обучения нейронной сети. Такие системы, используя априорную