هذه الأيام تتجه التقنيات نحو الأنظمة الهجينة بين التقنيات ,لتعوض النواقص والمشاكل التي قد ترد عند استخدام تقنية واحدة .
محور الحديث في هذا البحث هو استخدام طرق التهجين التي تجمع نظرية المويجة مع الشبكات العصبية والمنطق المضبب ,من خلال اقتراح دالة تنشيط توصف كجمع دالة مويجة و دالة عضوية,وهذه الدوال هي دوال مستمرة.دالة المويجة المختارة هي مويجة(Mexican hat) ,بينما دالة العضوية هي دالة العضوية لكاوس (Gaussian) .
كذلك تقترح هذه الطريقة اتجاه جديد في اتخاذ القرار من خلال حساب المخرجات (outputs) عند فترة مغلقة لقيم المخرجات الفعلية عن الشبكة(actual output values) لمدخلات الشبكة(inputs values) و التي هي ملفات قيم صفات الصور التي استخدمت كمجموعة تدريب ( training set ), والتي توفر قاعدة واسعة للعمل عليها ولينجز تقارب الأنماط خاصة وان الطريقة المقترحة نفذت على مسالة تمييز الأنماط.
نفذت الطريقة المقترحة على مجموعة من الصور لأشكال هندسية مرسومة يدويا لثمان فئات والتي تتدرج في التعقيد,لإثبات أمكانية الشبكة. في كل فئة ستة أشكال (و في بعض التجارب تم استخدام سبعة أشكال),احدها هو الشكل القياسي للفئة و الذي يميز تلك الفئة, و ستة أشكال أخرى هي من نســـــخ مضببة (مشوشـــة ) عنه .
إن فكرة هذه الطريقة المقترحة هي فكرة حديثة لأنها تعتمد على تمييز الأنماط من خلال اعتمادها على قيم المخرجات الفعلية للأنماط المراد تمييزها كونها يجب على الأقل تنتمي إلى الفترة المغلقة لقيم مخرجات الأنماط في تلك الفئة ,و تحدد تلك الفترات من خلال قيم المخرجات الفعلية لأنماط تلك الفئة ,تمتلك كل فئة فترة مغلقة لقيم مخرجات أنماطها تختلف عن جميع فترات الفئات الأخرى,ويجب أن لا تتقاطع هذه الفترات مع الفترات الأخرى مطلقا ,كذلك يمكن اعتبار هذه الفترات المغلقة كمناطق قرار لاختبار التقارب .بينما تعتبر المناطق بين هذه الفترات أو تلك التي تقع خارج فضاء الفترات المغلقة كمناطق خطأ , تحاول الشبكة المفترضة قدر ما تستطيع تضييق المناطق بين الفترات المغلقة لتلك الفئات ,و من ثم تقليل احتمالات الخطأ خلال التدريب .
نفذت العديد من التجارب لتوضيح العمل و كفاءة الطريقة المقترحة .عند تدريب الشبكة بواســطة قيم المعلمات المفروضة خلال التجارب يجب أن تكون ثابتة لجميع الفئات في التجربة الواحدة . عملت التجربة الأولى على الأشكال في مجموعة التدريب وكانت النتائج جيدة عند التعامل مع تلك الأشكال و قابلية التعميم للتمييز خلال الفترات .
قدمت التجربة الثانية كمحاولة لزيادة فاعلية الشبكة و لتقليل مناطق الخطأ بين الفترات المغلقة لمخرجات أنماط الفئات ,من خلال تحوير هيكل الشبكة بزيادة عدد العقد المخبأة ,و أيضا لتوضيح كفء هذا النوع من الزيادة .لاحظنا بأن قيم خطأ التدريب قد تضاءلت و بنســبة ليست بسيئة .
في التجربة الثالثة استمرت المحاولات على زيادة الفاعلية ,و حاولت زيادة سعة الفترات المغلقة لمزيد من الأنماط ,من خلال زيادة عدد النسخ المضببة عن كل شكل قياسي في كل فئة .
جمعت التجربة الرابعة أفكار التجربتين السابقتين بتنفيذ الطريقــة المقترحة بزيادة عدد العقد المخبأة وعدد الأنماط في كل فئة في مجموعة التدريب .وهذا يثبت بأن عمل الشبكة قد تحسن عند أجراء هذا التحوير .
كذلـك نفذت الطريقة المقترحة على الصور الملونة بطرق محتملة ,الرأي المنجز باعتباره تجربة على نفس مجموعة التدريب , و ذلك عند التجربة الخامسة التي أستخدم فيها صور ملونة لنفس الأنماط في مجموعة التدريب ولكنها قد رسمت بخطوط ملونة على خلفيات بيضاء .أظهرت الشبكة قدرة عاليـــــــــــة في التعامل مع هذه الصور .