นิวรอลเน็ตเวิร์กเป็นแนวทางหนึ่งที่ถูกพัฒนาขึ้นเพื่อใช้ในการจำแนก ข้อมูล แต่ทั้งนี้สิ่งที่เป็นอุปสรรคต่อการพัฒนาความสามารถในการจำแนกข้อมูลคือ จำนวนข้อมูลปรับสอนที่มีจำกัดทำให้นิวรอลเน็ตเวิร์กไม่สามารถเรียนรู้ลักษณะของ ข้อมูลได้เพียงพอที่จะสามารถจำแนกข้อมูลให้ถูกต้องในระดับที่น่าเชื่อถือได้ โครงการวิจัยนี้เป็นการศึกษาแนวทางในการแก้ปัญหาจำนวนข้อมูลปรับสอนมีจำกัด ข้อมูลที่ใช้เป็นกรณีศึกษาในโครงการวิจัยนี้คือข้อมูล Control Chart Pattern Recognition และข้อมูลผู้ป่วยโรคหัวใจ จากสภาวะที่มีข้อมูลเพียงพอ จากนั้นชุดข้อมูลทั้งสองได้ถูกลดจำนวนลงในสัดส่วนที่ไม่เท่ากันในแต่ละคลาส ความถูกต้องในการจำแนกข้อมูลจากชุดข้อมูลที่จำกัดอยู่ในระดับที่ดีที่สุดคือ 83.33 % และ 83.00 % ตามลำดับ โครงการวิจัยนี้นำเสนอผลจากการประยุกต์แนวทาง Samples Duplication, Cross-validation, Leave-one-out cross validation และ Synergistic Neural Networks เพื่อทำการปรับปรุงประสิทธิภาพการจำแนกข้อมูลที่มีจำนวนจำกัด ดังกล่าว ผลของการวิจัยพบว่าแนวทาง Samples Duplication ที่ใช้ควบคู่ไปกับ แนวทาง Synergistic Neural Netwworks สามารถเพิ่มประสิทธิภาพการจำแนกข้อมูล Control Chart Pattern Recognition ได้ดีที่สุดและการประยุกต์ใช้แนวทาง Samples Duplication กับข้อมูลผู้ป่วยโรคหัวใจสามารถเพิ่มประสิทธิภาพการจำแนก ได้ดีที่สุดโดยให้ระดับค่าความถูกต้องในการจำแนกข้อมูลที่ 93.33 % และ 86.67 % ตามลำดับ