Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Гибридные методы прогнозирования сложных процессов в динамических многорежимных системах

Диссертация: Гибридные методы прогнозирования сложных процессов в динамических многорежимных системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Реализация результатов работы. Результаты работы практически использованы в ОАО «Смоленский авиационный завод» и в ООО «Научно-коммерческая фирма «Техноавиа» (Москва) при разработке автоматизированных систем диагностики выносливости частей конструкций самолетов ЯК-42, ЯК-18Т, СМ-2000, что позволило оптимизировать формы технического обслуживания. Разработанные методы использованы также на кафедрах… Читать ещё >

Содержание

  • Глава 1. Проблема прогнозирования в сложных системах
    • 1. 1. Задача прогнозирования. Основные понятия и определения
    • 1. 2. Выбор и обоснование метода обработки информации для прогнозирования сложных процессов без учета многорежимности генерирующей системы
    • 1. 3. Выбор и обоснование общего подхода к обработки информации для определения текущего режима функционирования многорежимной системы
    • 1. 4. Обобщенный алгоритм обработки информации для прогнозирования процесса, генерируемого ДМС
    • 1. 5. Выводы по главе
  • Глава 2. Гибридные методы обработки информации для определения режима функционирования ДМС
    • 2. 1. Описание процедуры построения дискриминатора
    • 2. 2. Анализ погрешности дискриминации
    • 2. 3. Нейросетевой классификатор на базе алгоритма «сетки» с радиально-базисными функциями треугольного вида
    • 2. 4. Выводы по главе
  • Глава 3. Нейросетевые методы обработки информации для прогнозирования выходного процесса ДМС, функционирующей в частных режимах
    • 3. 1. Общая методика построения частной модели для прогнозирования процесса, генерируемого ДМС, находящейся в одном из возможных режимов
    • 3. 2. Частная модель типа нелинейной авторегрессии прогнозирования процесса, генерируемого ДМС, находящейся в одном из возможных режимов
    • 3. 3. Частная модель прогнозирования процесса, генерируемого ДМС, с учетом компонент, отражающих текущий режим функционирования
    • 3. 4. Выводы по главе
  • Глава 4. Технология программной реализации гибридных методов обработки информации для прогнозирования выходных процессов ДМС
    • 4. 1. Общие подходы к созданию программных реализаций гибридных методов обработки информации для прогнозирования выходных процессов ДМС на ПК
    • 4. 2. Универсальные программные средства
    • 4. 3. Специализированные программные средства
    • 4. 4. Пример применения гибридных методов прогнозирования выходного процесса ДМС в виде экспертной системы OnkoEXPERT
    • 4. 5. Выводы по главе
  • Глава 5. Использование гибридных методов прогнозирования сложных процессов в технических системах
    • 5. 1. Автоматизированная система анализа выносливости соединения титановой опоры, шпангоута и панели крыла самолета ЯК
    • 5. 2. Система экспресс-диагностики выносливости части конструкции самолетов ЯК-18Т и СМкронштейн-качалки системы управления)
    • 5. 3. Диагностические модели на базе программно-аппаратного комплекса «МБН-Нейромиограф»
    • 5. 4. Автоматизированная система анализа данных 8-канального компьютерного электроэнцефалографа серии «Нейрон-Спектр-2» и электроэнцефалографа-анализатора ЭЭГА-21/26 «Энцефалан-131−03»
    • 5. 5. Выводы по главе

Гибридные методы прогнозирования сложных процессов в динамических многорежимных системах (реферат, курсовая, диплом, контрольная)

Актуальность проблемы. Потребность в прогнозировании сложных процессов различной природы возникает во многих областях человеческой деятельности: технике, экономике, социальной сфере, медицине и т. д. В ряде случаев процедура прогнозирования сводится к предсказанию стохастического процесса, определенного для дискретных моментов времени (обычно с известной предысторией), порождаемого некоторой динамической системой.

В настоящее время в отечественной и зарубежной литературе имеется значительное число публикаций, в которых рассмотрены различные аспекты проблемы прогнозирования сложных процессов. Классическая теория прогнозирования стационарных случайных процессов разработана отечественными математиками А. Н. Колмогоровым, A.M. Ягломом, Ю. А. Розановым, B.C. Пугачевым, а также зарубежными специалистами Н. Винером, Р. Калманом, Р. Бюси, Т. Андерсоном и другими. Некоторые вопросы прогнозирования нестационарных случайных процессов освещены в работах B.C. Пугачева, Дж. Бокса, Г. Дженкинса, Р. Брауна, А. Г. Ивахненко и В. Г. Лапа, Ю. В. Чуева, Ю. Б. Михайлова, В. И. Кузьмина, P.JI. Раяцкаса и других отечественных и зарубежных ученых. Прогнозирование экономических процессов на основе применения статистических методов обработки информации рассмотрено в работах Е. М. Четыркина, Ю. П. Лукашина, С. А. Айвазяна и B.C. Мхитаряна.

Следует отметить, что большинство известных методов обработки информации применяется для прогнозирования выходных процессов динамических систем, которые могут быть хорошо описаны при помощи системы линейных дифференциальных или разностных стохастических уравнений. Для процессов нелинейного вида (порождаемых нелинейными динамическими системами) в ряде публикаций последних лет предлагается использовать достаточно перспективные для решения указанной задачи нейросетевые или гибридные нейро-нечеткие методы обработки и анализа данных. Однако в данном случае предполагается, что исследуемый случайный процесс генерируется динамической системой, которая может быть адекватно описана одной (возможно нелинейной) моделью.

Между тем, в промышленности на практике достаточно распространены сложные динамические системы, поведение которых значительно меняется во времени в зависимости от внешних воздействий. К таким системам относятся, например, многорежимные системы (с переменной структурой, событийно-управляемые или гибридные). Подобные динамические многорежимные системы (ДМС) отличаются различным поведением в разных областях фазового пространства, т. е. их фазовая траектория в зависимости от внешних воздействий постоянно переходит из одной области в другую. К таким системам относятся стохастические динамические системы, чье фазовое пространство разбивается на ячейки с различным поведением, системы, которые описываются дифференциальными уравнениями с разрывными правыми частями, и системы, у которых меняется размерность в различных областях фазового пространства. Адекватное математическое описание ДМС часто не возможно свести к одной конечной системе дифференциальных или разностных уравнений или к одной непараметрической модели. В связи с этим указанные системы с точки зрения математического описания можно также называть многорежимными.

В большинстве случаев процессы, генерируемые ДМС, представляют собой сложные процессы, прогнозирование которых обычно производится в условиях отсутствия или неполноты информации о структуре генерирующей системы. Существующие методы обработки информации в данной ситуации часто не позволяют получить приемлемые по точности и достоверности результаты. Это связано с тем, что известные методы обработки информации, используемые для прогнозирования случайных процессов, не в полной мере учитывают многорежимность ДМС, что приводит к снижению качества прогнозирования.

В связи с изложенным, актуальной научной проблемой, имеющей важное теоретическое и практическое значение, является проблема повышения эффективности прогнозирования сложных процессов в динамических многорежимных системах.

Цель работы: разработка методологического принципа и методов обработки информации для краткои среднесрочного прогнозирования выходных процессов сложных динамических систем в промышленности, учитывающих многорежимность их функционирования.

Для реализации указанной цели были поставлены и решены следующие основные задачи:

1. Разработка методологического принципа обработки информации для прогнозирования сложного стохастического процесса, генерируемого ДМС.

2. Разработка и исследование гибридных методов идентификации и прогнозирования режимов функционирования ДМС в условиях неполной информации о состоянии системы.

3. Разработка и исследование гибридных методов обработки информации для прогнозирования выходного процесса ДМС для ее текущего режима.

4. Разработка технологии программной реализации гибридных методов.

Ф обработки информации для краткои среднесрочного прогнозирования выходных процессов ДМС.

5. Выработка практических рекомендаций по применению гибридных методов обработки информации и их программных реализаций для исследования состояния сложных технических систем в промышленности.

Методы исследований. В исследовании использованы методы теорий искусственных нейронных сетей, вероятностей и математической статистики, имитационного моделирования, автоматического управления, системного анализа, нечеткой логики.

0 Достоверность теоретических разработок подтверждена результатами вычислительных экспериментов и экспериментальных исследований реальных промышленных объектов, которые позволяют сделать вывод об эффективности разработанных методов обработки информации.

Обоснованность результатов подтверждается корректным использованием положений теорий системного анализа, вероятностей и математической статистики, искусственных нейронных сетей, автоматического управления.

Основные положения, выносимые на защиту:

1. Методологический принцип обработки информации для прогнозирования сложного стохастического процесса, генерируемого ДМС.

2. Гибридные методы идентификации и прогнозирования режимов функционирования ДМС.

3. Нейросетевые методы обработки информации для прогнозирования.

А* выходного процесса в частных режимах функционирования ДМС.

4. Технология программной реализации гибридных методов обработки информации для прогнозирования выходных процессов ДМС в промышленности.

Научная новизна. К наиболее существенным научным результатам относятся следующие.

1. Предложен методологический принцип прогнозирования сложных процессов, генерируемых ДМС, который позволяет реализовать эффективное, с.

0 точки зрения точности и достоверности, прогнозирование состояния многорежимных систем за счет введения дополнительных этапов прогнозирования режима функционирования ДМС и прогнозирования выходного процесса для частных режимов функционирования ДМС с использованием гибридных нейро-сетевых и нейро-нечетких методов обработки информации.

2. Разработаны и исследованы гибридные нейро-нечеткие методы обработки информации, позволяющие определять текущие режимы функционирования ДМС, которые, в отличие от известных, включают процедуры адаптации базы и параметров решающих нечетких продукционных правил. ц 3. Предложены гибридные методы обработки информации для прогнозирования выходного процесса ДМС, функционирующей в одном из возможных режимов, основанные на применении нейросетевого подхода. Разработаны рекомендации по оптимизации структуры нейронной сети (НС), в том числе, с учетом требований к ее устойчивости, определены условия и процедура обучения нейро-нечеткой модели прогнозируемого процесса, позволяющие гарантировать заданную точность и достоверность прогнозирования.

4. Разработана технология создания и применения программных средств, реализующих гибридные методы прогнозирования выходных процессов ДМС, для решения задач прогноза и управления, на основе которой проведено исследование ряда конкретных систем в промышленности. На реальных данных показано, что точность прогнозирования сложных процессов, генерируемых ДМС, с использованием предложенных методов выше, чем при использовании существующих методов.

Практическая значимость. Предложенные модули программно-информационных комплексов для прогнозирования режимов функционирования сложных управляемых систем в промышленности могут быть использованы в качестве программного обеспечения интеллектуальных информационных систем технической диагностики.

Реализация результатов работы. Результаты работы практически использованы в ОАО «Смоленский авиационный завод» и в ООО «Научно-коммерческая фирма «Техноавиа» (Москва) при разработке автоматизированных систем диагностики выносливости частей конструкций самолетов ЯК-42, ЯК-18Т, СМ-2000, что позволило оптимизировать формы технического обслуживания. Разработанные методы использованы также на кафедрах Смоленской государственной медицинской академии и в Московском областном научно-исследовательском клиническом институте (МОНИКИ) при разработке программного обеспечения систем диагностики на базе серийных программно-аппаратных комплексов: электроэнцефалограф-анализатор ЭЭГА-21/26 «Энце-фалан-131−03», «МБН-Нейромиограф», 8-канальный компьютерный электроэнцефалограф серии «Нейрон-Спектр-2», что позволило повысить точность проведения дифференциальной диагностики при использовании компьютерных диагностических комплексов. Методологические и теоретические результаты работы использованы в учебном процессе в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на Международных научных конференциях «Математические методы в технике и технологиях ММТТ-14, 15, 16" — Международной научной конференции «Математические методы в интеллектуальных информационных системах ММИИС-2002», Всероссийской научной конференции «Современные информационные технологии в медицине и экологии», II, III и IV Международных научных конференциях «Системы компьютерной математики и их приложения», а также на научных семинарах в Тверском государственном техническом университете, филиале Московского энергетического института в г. Смоленске, Смоленском государственном педагогическом университете, Военном университете общевойсковой ПВО МО РФ.

Публикации. Основные результаты диссертации опубликованы в 42 работах, в том числе в двух монографиях. В работах, написанных в соавторстве, И. В. Абраменковой принадлежат результаты, касающиеся методологических и теоретических концепций разработки и использования гибридных методов обработки информации для прогнозирования сложных процессов, генерируемых ДМС, а также результаты, относящиеся к практической реализации указанных методов в промышленности.

8. Результаты работы практически использованы в ОАО «Смоленский авиационный завод» и в ООО «Научно-коммерческая фирма Техноавиа» (Мо.

Ш сква) при разработке автоматизированных систем диагностики выносливости частей конструкций самолетов ЯК-42, ЯК-18Т, СМ-2000, что позволило оптимизировать формы технического обслуживания.

9. Разработанные методы использованы также на кафедрах Смоленской государственной медицинской академии и в Московском областном научно-исследовательском клиническом институте (МОНИКИ) при разработке программного обеспечения систем диагностики на базе серийных программно-аппаратных комплексов: электроэнцефалограф-анализатор ЭЭГА-21/26 «Энце-фалан-131−03», «МБН-Нейромиограф», 8-канальный компьютерный электроэн.

• цефалограф серии «Нейрон-Спектр-2», что позволило повысить точность проведения дифференциальной диагностики при использовании компьютерных диагностических комплексов.

ЗАКЛЮЧЕНИЕ

.

1. Предложен методологический принцип прогнозирования сложных процессов, генерируемых ДМС, который позволяет реализовать эффективное, с точки зрения точности и достоверности, прогнозирование состояния многорежимных систем за счет введения дополнительных этапов определения режима функционирования ДМС и прогнозирования выходного процесса для частных режимов функционирования ДМС с использованием гибридных нейросетевых и нейро-нечетких методов обработки информации.

2. Разработаны и исследованы гибридные нейро-нечеткие методы обработки информации, позволяющие определять текущие режимы функционирования ДМС, которые включают процедуры адаптации базы и параметров решающих нечетких продукционных правил.

3. Разработаны гибридные методы обработки информации для прогнози-т рования выходного процесса ДМС, функционирующей в одном из возможных режимов, основанные на применении нейросетевого подхода. Разработаны рекомендации по оптимизации структуры НС, получены выражения для определения ее оптимальных, с точки зрения точности, параметров. Проанализирована проблема устойчивости разработанной нейросетевой модели прогнозирования.

4. Определены условия и процедура обучения гибридной нейро-нечеткой прогнозирующей модели, которые позволяют гарантировать заданную точность и достоверность прогнозирования, значительно снизить вероятность зацикли.

• вания НС и ее попадание в локальные минимумы. Проведены вычислительные эксперименты, показавшие эффективность разработанных методов обработки информации.

5. Разработана технология создания и применения программных средств, реализующих гибридные методы прогнозирования выходных процессов ДМС, для решения задач прогноза и управления. Работоспособность программ проверена вычислительными экспериментами и исследованием ряда конкретных систем в промышленности. Показано, что по сравнению с существующими методами предложенный подход может позволить повысить точность прогнозирования сложных процессов, генерируемых ДМС.

6. Предложенные модули программно-информационных комплексов для прогнозирования режимов функционирования сложных управляемых систем в промышленности могут быть использованы в качестве программного обеспе чения интеллектуальных информационных систем технической диагностики.

7. Разработанные в диссертации универсальные и специализированные программные модули, реализующие гибридные методы обработки информации для прогнозирования процессов, генерируемых ДМС, существенно расширяют возможности компьютерных методов для решения задач прогнозирования и управления.

Показать весь текст

Список литературы

  1. Д.М., Лисичкин В. А. Прогностика. М.: Знание, 1968.
  2. В.Г., Флиорент Г. И. Теоретические основы инженерного прогнозирования. М.: Наука, 1973.
  3. С.М., Хилюк Ф. М., Лисичкин В. А. Проблема научно-технического прогнозирования. М: Экономика, 1969.
  4. Янг Э. Прогнозирование научно-технического прогресса. М.: Прогресс, 1974.
  5. А.Н. Интерполирование и экстраполяция стационарных последовательностей. //Изв. АН СССР. Серия матем. 1941. Т.5. № 1.С. 42−81.
  6. A.M. Введение в теорию стационарных случайных функций. // Успехи математических наук. 1952. Т.VII. Вып.5.С.3−165.
  7. Ю.А. Теория обновленных процессов. М.: Наука, 1974.
  8. B.C. Теория случайных функций. М.: Физматгиз. 1962.
  9. Winer N. Extrapolation, interpolation and smoothing of stationary time series. N.Y. Zohn Willey, 1949.
  10. Kaiman R.E., Buey R.S. New results in linear filtering and prediction theory. // Journal of Basic Ing. Trans. ASME. 1960. № 60. P. 51−91.
  11. Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. Вып. 1 и2.М.: Мир, 1974.
  12. Т. Статистический анализ временных рядов. М.: Мир, 1976.
  13. Brown R.G. Smoothing, forecasting and prediction discrete time series. N. Y.: Prentice Hall, 1963.
  14. А.Г., Лапа В. Г. Предсказание случайных процессов. Киев: Нау-кова думка, 1971.
  15. Ю.В., Михайлов Ю. Б., Кузьмин В. И. Прогнозирование количественных характеристик процессов. М.: Сов. радио, 1975.
  16. Е.М. Статистические методы прогнозирования. М.: Статистика, 1975.
  17. Ю.П. Адаптивные методы краткосрочного прогнозирования. М.: Статистика, 1979.
  18. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998.
  19. P.JI. Система моделей планирования и прогнозирования. М.: Экономика, 1976.
  20. Эконометрический анализ динамических рядов основных макроэкономических показателей. /С. Дробышевский, В. Носко, Р. Энтов, А.Юдин. Под ред. Синельникова Мурылева. М.: Ин-т экономики переходного периода, 2001.
  21. Д.- Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. М.: ТВП, 1997.
  22. В.Н. Элементарное введение в качественную теорию бифуркаций динамических систем. // Соросовский образовательный журнал. 1997. № 1. С. 115−121.
  23. B.C. Сложные колебания в простых системах. М.: Наука, 1990.
  24. М.И. Вынужденные колебания систем с разрывными нелинейно-стями. М.: Наука, 1994.
  25. Ю.А. Лекции по нелинейной динамике. Элементарное введение. М.: Постмаркет, 2001.
  26. Zivot Е., Andrews D.W.K. Further Evidence of the Great Crash, the Oil Price Shock and the Unit Root Hypothesis // journal of Business and Economic Statis-tics.1992. № 10. P. 251−270.
  27. A.H., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
  28. В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия Телеком, 2001.
  29. В.В., Дли М.И., Годунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.
  30. Л.Г., Максимов A.B. Нейрокомпьютеры. М.: Изд-во МГТУ им. Н. Э. Баумана, 2002.
  31. Новый иллюстрированный энциклопедический словарь/ Ред. кол.: В.И. Бо-родулин, А. П. Горкин, А. А. Гусев, Н. М. Ланда и др. М.: Большая Российская энциклопедия, 2000.
  32. Советский энциклопедический словарь/ Гл. ред. A.M. Прохоров. М.: Сов. Энциклопедия, 1987.
  33. А.Н. Предсказание случайных процессов. М.: Знание, 1976.
  34. Н. Я математик. М.: Наука, 1964.
  35. JI.A. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.
  36. А.Г., Юрачковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987.
  37. Г. С., Старцева Н. Г. Логические решающие функции и вопросы статистической устойчивости решений. Новосибирск: Изд-во ин-та математики, 1999.
  38. И.В. Методы синтеза и качественного анализа сложных систем: Автореф. дисс.. докт. физ.-мат. наук. Тверь, 2002.
  39. Справочник по теории автоматического управления. /Под ред. A.A. Красов-ского. М.: Наука, 1987.
  40. A.A., Бутковский А. Г. Методы теории автоматического управления. М.: Наука, 1971.
  41. Э., Меле Дж. Теория оценивания и ее применение в связи и управлении. М.: Связь, 1976.
  42. В.И., Харисов В. Н. Статистический анализ и синтез радиотехнических устройств и систем. М.: Радио и связь, 1991.
  43. А. Прикладная кибернетика и ее связь с исследованием операций. М.: Радио и связь, 1982.
  44. А. Г. Зайченко Ю.П., Димитров В. Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.
  45. В.И. Статистическая радиотехника. М.: Радио и связь, 1982.
  46. Е.С., Овчаров Л. А. Теория случайных процессов и ее инженерные приложения. М.: Наука, 1991.
  47. Исследование операций: В 2-х томах. / Под ред. Дж. Моудера, С. Элмагра-би. М.: Мир, 1981.
  48. Математика. Большой Энциклопедический словарь. / Гл.ред. Ю. В. Прохоров. М.: Большая Российская энциклопедия, 2000
  49. Планирование эксперимента в исследовании технологических процессов. / К. Хартман, Э. Лецкий, В. Шефер и др. М.: Мир, 1977.
  50. С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998.
  51. Э.JT. Контроль производства с помощью вычислительных машин. М.: Энергия, 1975.
  52. B.C., Купершмидт Я. А. Телеизмерение (Системы промышленного применения). М.: Энергия, 1975.
  53. С.А. Статистические методы прогнозирования в АСУ. М.: Энер-гоиздат, 1981.
  54. В.Н., Юзбашев М. М. Анализ временных рядов и прогнозироватние. М.: Финансы и статистика, 2001.
  55. К.Х., Игнатенко В. Н., Коц А.П. Компьютерные методы прикладной математики. К.: Дизайн-В, 1999.
  56. В.П., Боровиков И.П. STATISTICA- Статистический анализ и обработка данных в среде Windows. М.: Филинъ, 1997.
  57. Г. Анализ временных рядов. М.: Наука, 1964.
  58. Ю.М., Бобиков А. И. Цифровые слаживающие и преобразовывающие системы. М.: Энергия, 1969.
  59. Brown R.G. Smoothing, Forecasting and Prediction of Discrete Time Series.
  60. N. Y. :Prentice -Hall, 1963.
  61. Статистические методы в инженерных исследованиях (лабораторный практикум): Учеб. пособие / В. П. Бородюк, А. П. Вощинин, А. З. Иванов и др.- Под ред. Т. К. Круга. М.: Высш. школа, 1983.
  62. D’Esopo. A notation on Forecasting by the Exponential Smoothing Operator. // Operation Research. 1964. V.9. № 5. P. 686−687.
  63. Brown R.G. Statistical Forecasting for Inventory Analysis. N.Y.: McGrant Hill, 1969.
  64. Meyer R. Proc. Third International Conference on O.R. London: English Univ. Press, 1967.
  65. Trigg D.W., Leach A.G. Exponential smoothing with adaptive response rate. //Oper. Res. Qtly. l967.№ 18.P.53.
  66. Chandra В., Ghosal A. An adaptive procedure in exponentially weighted prediction. // J. Management Science and Applied Cybernetics. 1973. № 2. P. 63−78.
  67. Bedi L. N., Ghosal A. Adaptive forecasting with non-liner control models. // SCIMA. 1977. № 6. P.47−58.
  68. Ю.Н., Макаров А. А. Анализ данных на компьютере. М.: ИНФРА-М, Финансы и статистика, 1995.
  69. Дюк В. Обработка данных на ПК в примерах. СПб.: Питер, 1997.
  70. М. Временные ряды. М.: Финансы и статистика, 1981.
  71. Справочник по теории вероятностей и математической статистике. / B.C. Королюк, Н. И. Портенко, А. В. Скороход, А. Ф. Турбин. М.: Наука, 1985.
  72. Е.С. Теория вероятностей. М.: Высш. школа, 1999.
  73. В.И. Теория катастроф. М.: Наука, 1990.
  74. Т., Стюарт И. Теория катастроф и ее приложения. М.: Мир, 1980.
  75. Ю.А. Лекции по нелинейной динамике. Элементарное введение. М.: Постмаркет, 2001.
  76. Ф. Распределенные лаги. Проблема выбора и оценивания модели. М.: Финансы и статистика, 1982.
  77. П. Основы идентификации систем управления. Оценивание параметров и состояния. М.: Мир, 1975.
  78. Д. Методы идентификации систем. М.: Мир, 1979.
  79. A.M. Методы идентификации динамических объектов. М.: Энергия, 1979.
  80. Р.Л., Рао А.Р. Построение динамических стохастических моделей по экспериментальным данным. М.: Наука, 1983.
  81. Основы автоматического управления. / Под ред. B.C. Пугачева. М.: Наука, 1968.
  82. В.А., Попов Е. П. Теория систем автоматического регулирования. М.: Наука, 1972.
  83. Р. Цифровые системы управления. М.: Мир, 1984.
  84. X., Сиван Р. линейные оптимальные системы управления.
  85. Wiener N. Extrapolation, interpolation and smoothing of stationary time series. N.Y.: Zohn Willey, 1949.
  86. П.Д. Статистическая динамика импульсных систем. М.: Сов. радио, 1963.
  87. Я.З. Теория линейных импульсных систем. М.: Физматлит, 1963.
  88. В.В. Статистическая динамика линейных систем автоматического управления. М.: Физматлит, 1960.
  89. Дж.Х., Бэттин Р. Г. Случайные процессы в задачах автоматического управления. М.: Изд-во иностр. лит-ры, 1958.
  90. И.Л. Статистический анализ и оптимизация систем автоматического управления. М.: Сов. радио, 1964.
  91. И.Е. Статистическая теория систем управления в пространстве состояний. М.: Наука, 1975.
  92. С.Я. Статистическая обработка результатов исследования случайных функций. М.: Энергия, 1979.
  93. Kaiman R.E., A new approach to linear filtering and prediction problems. // Trans. ASME. J. Basic eng., ser. D. 1960. V.80. P. 34−35.
  94. Kaiman R.E., Buey T.S. New results in linear filtering and prediction theory. //. Trans. ASME.J. Basic eng.ser.D. 1961. V85, P. 95−107.
  95. Э.П., Уайт Ч.С., III. Оптимальное управление системами. М.: Радио и связь, 1982.
  96. С., Рорер Р. Введение в теорию систем. М.: Мир, 1974.
  97. Ф. Современная теория управления. Нелинейные, оптимальные и адаптивные системы. М.: Мир, 1975.
  98. Mehra R.K. A comparison of several nonlinear filters for reentry vehicle tracking. //IEEE Trans. 1971. V AC-16. № 4. P.307−319.
  99. Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1974.
  100. И.Н., Семендяев К. А. Справочник по математике для инженеров и учащихся вузов. М.: Наука, 1980.
  101. Savaragi Y., Katayama. Performance loss and design method of Kalman filters for discrete-time systems with uncertainties. // International Journ. Contr. 1970. V.12.№ 1. P. 163−172.
  102. .Р. Теоретические основы статистической радиотехники. В 2-х кн. М.: Сов. радио, 1968, 1969.
  103. B.C., Казаков И. Е., Евланов Л. Г. Основы статистической теории автоматических систем. М.: Машиностроение, 1974.
  104. Р., Калаба Р. Квазилинеаризация и нелинейные краевые задачи. М.: Мир, 1968.
  105. В.Н., Кириленко Ю. Н. Асимптотически оптимальные алгоритмы нелинейной фильтрации в задачах цифровой обработки сигналов. // Радиотехника и электроника. 1986. № 8.С. 1578−1584.
  106. О.Е. Оптимальное обнаружение сигналов в негауссовых помехах. // Радиотехника и электроника. 1967. № 4. С. 576−587.
  107. В.П., Круглов В.В. MATLAB. Анализ, идентификация и моделирование систем. Специальный справочник. СПб.: Питер, 2002.
  108. Ф. Нейрокомпьютерная техника. М.: Мир, 1992.
  109. А.И. Теория нейронных сетей. М.: ИПРЖР, 2000.
  110. В.А. Нейронные сети: обучение, организация, примечание. М.: ИПРЖР, 2001.
  111. Р. Основные концепции нейронных сетей. М.: «Вильяме», 2001.
  112. И. Анализ и обработка данных: специальный справочник. СПб.: Питер, 2001.
  113. В.В. Системы искусственного интеллекта. М.: МГТУ им. Н. Э. Баумана, 2001.
  114. Сигеру Омату, Марзуки Халид, Рубия Юсоф. Нейроуправление и его приложения. М.: ИПРЖР, 2000.
  115. A.C. Предсказание рисков и рейтингование. .
  116. A.C. Предсказание временных рядов. .
  117. Д.Ж. Нейронные сети переменной структуры для аппроксимации функций одной и нескольких вещественных переменных. // Труды 5-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-1999. М.: 1999. С.240−242.
  118. Д.Ж. Нейронные сети для финансовых приложений. // Труды 5-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-1999. М.:1999. С.288−290.
  119. Анализ временных рядов с помощью иерархических нейросетевых классификаторов. / С. А. Доленко, Ю. В. Орлов, И. Г. Першанцев, Ю. С. Шугай. // Труды 6-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП2000. М.: 2000.
  120. В.В., Яковкин В. А., Томилина Э. И. Прогнозирование динамики цен активов как задача нейросетевого распознавания ситуаций на финансовом рынке. // Труды 6-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2000. М.: 2000.
  121. Использование нейросетевых алгоритмов для анализа динамики рынков в программном комплексе FOREX-94 // Труды 6-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2000. М.: 2000.
  122. Яковлев B. JL, Яковлева Г. Л., Власов А. И. Нейросетевые методы и модели при прогнозировании краткосрочных и долгосрочных тенденций финансовых рынков. // Труды 6-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2000. М.: 2000.
  123. Г. Л., Щербаков М. В. Комплексная модель прогнозирования состояний сложных объектов в медицине. // Труды 8-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2002. М.: 2002. С. 684−687.
  124. Г. Л., Лисицкий Л. А. Нейросетевой подход к созданию автоматизированных систем прогнозирования. // Труды 8-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2002. М., 2002. С.790−794.
  125. Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей. // Труды 8-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2002. М.: 2002. С.745−755.
  126. Cybenko G. Approximation by superposition of a sigmoidal function. // Mathematics of Control, Signals and Systems. 1989. V.2. P. 303−314.
  127. Hornik K., Stinchcomble M., White H. Multilayer Feedforword Networks. 1989.V.2.P.359−366.
  128. Kochenov D.A., Rossiev D.A. Approximations of function of CA, B. class by neural-net predictors (architectures and results). // AMSE Trans. Scientific Siberian, A. 1993. V.6. P. 189−203.
  129. Sandberg I.W. Approximation for Nonlinear Functional. // IEEE Trans. On Circuits and Systems. 1: Fundamental Theory and Applications. 1992. V. 39. № 1. P. 65−67.
  130. Боровиков В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов. СПб.: Питер, 2001.
  131. В.П., Круглов В.В. MatLab. Анализ, идентификация и моделирование систем. Специальный справочник. СПб.: Питер, 2002.
  132. В.П., Круглов В. В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.
  133. B.C., Потемкин В. Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.
  134. А.И. Современные направления развития нейрокомпьютеров. // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 1998.№ 1. С. 3−15.
  135. Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука, 1998.
  136. В.В., Борисов В. В. Гибридные нейронные сети. Смоленск: Русич, 2001.
  137. А.П., Познер М., Ракитянская А. Б. Нейронечеткая модель прогнозирования результатов спортивных игр. // Труды 8-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2002. М.: 2002. С.251−263.
  138. А.П., Познер М., Ракитянская А. Б. Нейронечеткая модель прогнозирования динамики заболеваний. // Труды 8-й Всероссийской конф. «Нейрокомпьютеры и их применение» НКП-2002. М.: 2002. С.664−667.
  139. А.И. Интеллектуальные информационные системы. Мн.: НТООО «ТетраСистемс», 1997.
  140. Базы данных. Интеллектуальная обработка информации. / В. В. Корнеев, А. Ф. Гареев, С. В. Васютин, В. В. Райх. М.: Нолдж, 2000.
  141. Rotstein А.Р., Loiko Е.Е., Katel’nikov D.I. Prediction of the number of disease on the basic of expert-linguistic in information. // Cybernetics and System Analysis. 1999. V.35. № 2. P. 335−342.
  142. Rotstein A.P. Design and Tuning of Fuzzy Rule-Based Systems for Medical Diagnosis. / Fuzzy and Neuro-Fuzzy Systems in Medicine. Jerusalem: CRC Press, 1998. P.243−289.
  143. Jang R. ANFIS: Adaptive-Network-Based Fuzzy Inference. 1993. V.23. № 3.P.665−685.
  144. А.И. Перспективы развития нейрокомпьютеров //Сб. трудов Международной научной конференции «Математические методы в интеллектуальных системах» ММИИС-2002. Смоленск, 2002. С.5−6
  145. Wang L-Х/ Fuzzy Systems are universal appraximators. // In Proc. of the IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194−207.
  146. Kosko B. Fuzzy Systems as universal appraximators. // In Proc. of the 1 st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. l53−162.
  147. А.Г. Системы эвристической самоорганизации в технической кибернетике. Киев: Техника, 1969.
  148. А.Г., Лапа В. Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.
  149. Holt С.С. Forecasting seasonals and trends by exponentially weighted moving averages. / Carnegie Inst. Tech. Res. 1957. Men.№ 52.
  150. Winters P.R. Forecasting sales by exponentially weighted moving averages. // Mgmt.Sci.l960.№ 6. P. 324−332.
  151. Harrison P.J. Shot-merm sales forecasting. // Applied Statisties. l965.№ 14. P.102−112.
  152. Chan K.H., Hayya J.C., Ord J.K. A Note on Trend Removal Methods: The Case of polynomial versus Variate differencing. // Econometrica. 1977. V.45. P. 737−744.
  153. Nelson C.R., Kang H. Spurious Periodicity in Inappropriately Detrended Time Series. // Journal of Monetary Economics. 1981. № 10.P. 139−162.
  154. Nelson C.R., Plosser C.L. Trends and Random Walks in Macroeconomic Time Series. // Journal of Monetary Economics. 1982. № 10.P.139−162.
  155. Zivot E., Andrews D.W.K. Further Evidence of the Great Crash, the Oil Price Shock and the Unit Root Hypothesis. //Journal of Business and Economic Statistics. 1992. № 10, P. 251−270.
  156. Дж. Линейный регрессионный анализ. М.: Мир, 1980.
  157. М. Моделирование сигналов и систем. М.: Мир, 1981.
  158. Теория систем и методы системного анализа в управлении и связи. / В. В. Волкова, В. А. Воронков, А. А. Денисов и др. М.: Радио и связь, 1983.
  159. Л.А., Эренштейн Р. Х. Коллектив решающих правил как метод классификации. // Тезисы Международного симпозиума «Теоретические проблемы распознавания образов и ситуаций». Варна, 1972. С. 29−30.
  160. Л.А., Эренштейн Р. Х. О принятии решений коллективом решающих правил. //Изв. вузов- Приборостроение. 1973. № 11. С.31−35.
  161. Л.А., Эренштейн Р. Х. Об оптимальном разнообразии коллектива линейных решающих правил. // В кн. «Адаптивные системы» Вып. 3. Рига: Зинатне, 1975. Сю25−34.
  162. Л.А., Эренштейн Р. Х. Метод коллективного распознавания. М.: Энергоиздат, 1981.
  163. И.И., Поляков О. А. Идентификация объекта методом ступенчатой аппроксимации. //Автоматика и телемеханика. 1968. № 10.С.19−24.
  164. В.И. Идентификация статистических объектов кусочно-линейными функциями. //Автоматика и телемеханика. 1970. № 5.С. 10−27.
  165. Основы управления технологическими процессами. / Под.ред. Н.С. Рай-бмана. М.: Наука, 1978.
  166. В.М. Теория динамических систем со случайными изменениями структуры. М.: Высш. школа, 1979.
  167. И.Е. Статистическая динамика систем с переменной структурой. М.: Наука, 1977.
  168. И.Е., Артемьев В. М. Оптимизация динамических систем случайной структурой. М.: Наука, 1980.
  169. C.B. Систем автоматического управления с переменной структурой. М.: Наука, 1967.
  170. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.
  171. Распознавание образов: состояние и перспективы. / К. Верхаген, Р. Дёйн, Ф. Грун и др. М.: Радио и связь, 1985.
  172. К. Введение в статистическую теорию распознавания образов. М.: Наука, 1979.
  173. Э. Основы теории распознавания образов. М.: Сов. радио, 1980.
  174. Кузин J1.T. Основы кибернетики. В 2-х т.т.Т.2. Основы кибернетических моделей. М.: Энергия, 1979.
  175. Н. Нелинейные задачи в теории случайных процессов. М.: ИЛ, 1961.
  176. В.В., Дли М.И., Осокин М. В. Методы идентификации существенно нелинейных динамических объектов (обзор). М.: Деп. в ВИНИТИ. 1988.№ 3726-В98.
  177. Справочник проектировщика АСУТП/Г.Л. Смилянский, Л. З. Амлинский, В. Я. Баранов и др.- Под ред. Г. Л. Смилянского. М.: Машиностроение, 1983.
  178. Статические и динамические экспертные системы. / Э.В. попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. М.: Финансы и статистика, 1996.
  179. Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.
  180. JI.О. Коллокационные модели прогнозирования в финансовой сфере. М.: ЭКЗАМЕН, 2001.
  181. П. Джексон Введение в экспертные системы. М.: «Вильяме», 2001
  182. Abelson H., Sussman G.J. and Sussman J. Structure and interpretation of computer programs. Cambrige MA: MIT Press, 1996
  183. Boose J.H. Expertise transfer for expert system design. New York: Elsevier, 1986
  184. И.В., Комаров A.H. Алгоритмы обработки изображений в ассоциативной среде //Сб. тр. Международной научной конференции «Математические методы в интеллектуальных системах» ММИИС-2002. Смоленск, 2002. С.78−79
  185. Э. Основы теории распознавания образов. М.: Сов. радио, 1980.
  186. Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: Изд-во ин-та математики, 1999.
  187. Л. Понятие лингвистической переменной и ее применение. М.: Мир, 1976.
  188. А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.
  189. Т.К., Кабанов В. А., Фомин Г. А. Планирование эксперимента в задачах нелинейного оценивания и распознавания образов. М.: Наука, 1981.
  190. Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968.
  191. В.М. Распознавание системы. Киев: Наукова думка, 1969.
  192. М.А., Браверман Э. М., Розоноэр Л. И. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы.// Автоматика и телемеханика. 1964.№ 6.С.917−936.
  193. Э.М. О методе потенциальных функций. // Автоматика и телемеханика. 1965.№ 12.С.2205−2213.
  194. М.А., Браверман Э. М., Розоноэр Л. И. Методе потенциальных функций в теории обучающих машин. М.: Наука, 1970.
  195. В.Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука, 1974.
  196. Автоматический анализ сложных изображений. Сб. переводов под.ред. Э. М Бравермана. M.: Мир, 1969.
  197. А.И. Современные направления развития нейрокомпьютеров. // Нейрокомпьютер. 1997.№ 1,2. С.5−22.
  198. А.И. Интеллектуальные информационные системы. Мн.: НТООО «ТетраСистемс», 1997.
  199. В.В., Гареев А. Ф., Васюткин C.B., Райх В. В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000.
  200. A.C. Зарубежные нейропакеты: современное состояние и сравнительные характеристики.// Нейрокомпьютер. 1998.№ 1,2. С.13−26.
  201. А.И. Современные направления развития нейрокомпьютеров. // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 1998.№ 1. С. 12−26.
  202. Zadeh L.A. Fuzzy Sets. // Information and Control. 1965. Vd.8.P.338−353.
  203. Л.А. Размытые множества и их применение в распознавании образов и кластер анализе.//В кн.: Классификация и кластер. М.: Мир, 1980. С.208−247.
  204. Нечеткие множества в моделях управления и искусственного интеллекта. / Под. ред. Д. А. Поспелова. М.: Наука, 1986.
  205. А.Ф., Знатнов Ю. С. Обоснование операций теории нечетких множеств. //Сб. науч. тр. «Нетрадиционные модели и системы с нечеткими знаниями». М.: Энергоиздат, 1991. С.21−23.
  206. А.Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.
  207. Нечеткие множества и теория возможностей. Последние достижения. / Под. ред. P.P. Ягера. М.: Радио и связь, 1986.
  208. Прикладные нечеткие системы. / Под. ред. Т. Терано, К. Асаи, М. Сугэно. М.: Мир, 1993.
  209. В.П., Абраменкова И. В., Круглов B.B. MatLab 5 с пакетами расширений. М.: Нолидж, 2001, 880 с.
  210. А.Г. Самообучающиеся системы распознавания и автоматического управления. Киев: Техника, 1969.
  211. P.O., Фоссум X. Классификация образов посредством последовательно определяемых линейных и кусочно-линейных разделительных функций. // В кн.: Техническая кибернетика за рубежом. М.: Машиностроение, 1968. С. 34−58.
  212. М. Введение в методы оптимизации. М.: Наука, 1977.
  213. Н.С., Чадеев В. М. Построение моделей производства. М.: Энергия, 1975.
  214. Растригин J1.A., Эренштейн Р. Х. Коллектив алгоритмов для обобщения алгоритмов решения задач. // Техническая кибернетика. 1978. № 2. С. 116−126.
  215. Л.А., Эренштейн Р. Х. Принятие решений коллективом решающих правил в задачах распознавания образов. //Автоматика и телемеханика. 1975. № 9. С. 134−144.
  216. В.Г., Философов Л. В. Об оптимальном совместном использовании алгоритмов распознавания. //Радиотехника и электроника. 1969.№ 6.С.73−78.
  217. Дж. О групповом принятии решений.// В. кн.: Социология в математике. Новосибирск: СО АН СССР. 1970.С. 16−28.
  218. .Г. Проблема группового выбора. М.: Наука, 1974.
  219. М.М. Проблема узнавания. М.: Наука, 1967.
  220. Э.М., Аркадьев А. Г. Обучение машины классификации объектов. М.: Наука, 1971.
  221. Я. 3. Основы теории обучающих систем. М.: Наука, 1970.
  222. В.А. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976.
  223. В.И., Коноваленко В. В., Горелов Ю. И. Имитационное управление неопределенными объектами. Киев: Наукова думка, 1989.
  224. A.A., Малышева А. Д. Математическая обработка результатов эксперимента. Днепродзержинск: ДИИ, 1992.
  225. А.Г. Долгосрочное прогнозирование и управление сложными объектами. Киев: Техника, 1975.
  226. .П., Марон И. А. Основы вычислительной математики. М.: Наука, 1970.
  227. Н.С., Жидков Н. П., Кобельников Г. М. Численные методы. М.: Лаборатория Базовых знаний, 2000.
  228. А.Г. Минимизация функций. Харьков: Издательское объединение «Вища школа», 1977.
  229. . Методы оптимизации. Вводный курс. М.: Радио и связь, 1988.
  230. Д., Моулер К., Неш С. Численные методы и математическое обеспечение. М.: Мир, 1998.
  231. A.B. Адаптация в условиях непараметрической неопределенности. // В кн.: Адаптивные системы и их приложения. Новосибирск: Наука, 1978.С.4−34.
  232. Дли М.И., Круглов В. В., Осокин М. В. Локально аппроксимационные модели социально-экономических систем и процессов. М.: Наука. Физматлит, 2000.
  233. .Р. Теоретические основы статистической радиотехники. Книга первая. М.: Сов. радио, 1969.
  234. В.Я. Непараметрическая идентификация и сглаживание данных: метод локальной аппроксимации. М.: Наука, 1985.
  235. A.B. Сходимость непараметрических алгоритмов адаптаций. // В кн.: Автоматизированные системы управления в цементном производстве. Фрунзе: Илим, 1973. С.5−17.
  236. В.А., Дли М.И., Гимаров В. В. Нейро-нечеткий идентификатор // Математические методы в технике и технологиях ММТТ-16: Сб. тр XVI межд. науч. конф. Ростов н/Д.: РГАСХМ ГОУ. 2003. Т.4. С. 181−186
  237. В.А., Дли М.И., Битюцкий С. Я. Методы построения систем нечеткого логического вывода // Математические методы в технике и технологиях ММТТ-16: Сб. тр XVI межд. науч. конф. Ростов н/Д.: РГАСХМ ГОУ. 2003. Т.4. С.186−189
  238. В.П., Дли М.И. Распознавание образов с помощью метода нечеткой логики //Сб. тр. Международной научной конференции «Математические методы в интеллектуальных системах» ММИИС-2002. Смоленск, 2002. С.45−46
  239. В.П., Дли М.И. Эволюционно-аппроксимационные подходы в задачах распознавания //Сб. тр. Международной научной конференции «Математические методы в интеллектуальных системах» ММИИС-2002. Смоленск, 2002. С.49−51
  240. В.А., Дли М.И., Федулов А. С. Способ нечеткого логического вывода //Сб. тр. Международной научной конференции «Математические методы в интеллектуальных системах» ММИИС-2002. Смоленск, 2002. С.33−36
  241. М., Фалб П. Оптимальное управление. М.: Машиностроение, 1968.
  242. Eggleston H.G. Convexity. London: Cambridge University Press, 1958.
  243. M.H. Анализ роста курса акций с применением нейронных сетей // Труды 8-ой Всероссийской конференции «Нейрокомпьютеры и их применение» НКП-2002, М.: 2002. С. 756−772
  244. Р., Рубин Д. Статистический анализ данных с пропусками. М.: Финансы и статистика, 1991
  245. А.В. Прогнозирование временных рядов с помощью нейронных сетей с радиальными базисными функциями. / Труды 8-ой Всероссийской конференции «Нейрокомпьютеры и их применение» НКП-2002, М.: 2002. С. 11 877−1191
  246. Д.А. Разработка нейросетевых методов построения градуированных характеристик сенсоров и сенсорных систем: Автореф. дисс.. канд. техн. наук. М.: 2001.
  247. Куо Б., Теория и проектирование цифровых систем. М.: Машиностроение, 1986.
  248. Теория автоматического управления: Учебн. для вузов по спец. «Автоматика и телемеханика». В 2-х ч. Ч. 1. Теория линейных систем автоматического управления / Н. А. Бабаков, А. А. Воронов, А. А. Воронова и др.- Под ред. А. А. Воронова. М.: Высш. шк., 1986.
  249. A.A., Филькелыптейн Ю. Ю. Дискретное программирование. M.: Наука, 1969.
  250. Ю.М. Математические основы кибернетики. М.: Энергоатом-издат, 1987.
  251. Ю.В., Василькова H.H. Компьютерные технологии вычислений в математическом моделировании. М.: Финансы и статистика, 1999.
  252. А 251. Курейчик В. М. Генетические алгоритмы. Обзор и состояние. // Новости искусственного интеллекта. 1998. № 3.C.26−35.
  253. Базы данных. Интеллектуальная обработка информации./ В. В. Корнеев, А. Ф. Гареев, C.B. Васюткин, В. В. Райх. М.: Нолидж, 2000.
  254. А., Цефель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. Спб: ООО «ДиаСофтЮП», 2002
  255. И.В. Методы исследования процессов сложной структуры // Смол. гос. пед. ун-т. -Смоленск: СГПУ, 2001. 47 с. — Деп. в ВИНИТИ от1112.01., № 2572-В2001.
  256. В.П., Абраменкова И. В., Круглов B.B. MatLab 5 с пакетами расширений. М.: Нолидж. 2001. 880 с.
  257. В.В., Абраменкова И. В. Сравнительный анализ некоторых алгоритмов распознавания // Программные продукты и системы. Приложение к журналу «Проблемы теории и практики управления» -2002. № 2. С. 35−38
  258. И.В. Экстраполяция процессов сложной структуры. // Программные продукты и системы. Приложение к журналу «Проблемы теории и практики управления» -2002. № 4. С. 44−46
  259. А.Н., Абраменкова И. В., Неффа В. М. О некоторых общих подходах к решению задачи экстраполяции сложных процессов с применением аппарата нечеткой логики //КомпьюЛог. -2002. № 2(50). С. 37−41
  260. В.И., Шатхин М. Р., Абраменкова И. В., Терентьев Ю. С. Нейро-нечеткие модели прогнозирования эффективности лечения рака желудка // Паллиативная медицина и реабилитация. 2002. — № 3−4. С. 10−11
  261. И.В., Круглов В. В. Программа тестирования методов дискриминации структур ObjectCLASS. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 002 610 451 от 28.03.2002.
  262. И.В. Адаптивный нечеткий классификатор Fuzzy ADAPT. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 002 610 452 от 28.03.2002.
  263. И.В., Шатхин М. Р. Программа нейро-нечеткой классификации объектов в онкологии OnkoEXPERT. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 002 611 670 от 30.09.2002.
  264. В.П., Абраменкова И.В. MatLab. Обработка сигналов и изображений. Специальный справочник. СПб.: Питер. 2002. 608 с.
  265. И.В. Адаптивный нечеткий классификатор / Смол. гос. пед. ун-т. Смоленск: СГПУ, 2002. — 27 с. — Деп. в ВИНИТИ от 11.02.02., № 287-В2002.
  266. В.В., Абраменкова И. В. Компьютерная поддержка систем нечеткой логики // Математические методы в интеллектуальных информационных системах ММИИС-2002: Сб. тр. межд. науч. конф. Смоленск: СФМЭИ. 2002. С. 6−7.
  267. В.В., Абраменкова И. В. Адаптивные системы нечеткого вывода // Математические методы в интеллектуальных информационных системах -ММИИС-2002: Сб. тр. межд. науч. конф. Смоленск: СФМЭИ. 2002. С. 8−10.
  268. В.В., Абраменкова И. В. Метод прогноза процессов сложной структуры // Математические методы в технике и технологиях ММТТ-15: Сб. тр. XV межд. науч. конф. Т.5. Тамбов. 2002. С.104−105
  269. В.В., Абраменкова И. В. Адаптивный нечеткий распознаватель // Математические методы в технике и технологиях -ММТТ-15: Сб. тр. XV межд. науч. конф. Т.5. Тамбов. 2002. С.99−101
  270. В.В., Абраменкова И. В. Элементы нечеткой логики. Учебное пособие. Смоленск: СГПУ. 2002. 52 с.
  271. И.В., Круглов В. В. Применение нейронных сетей в задач прогнозирования векторных случайных процессов // Системы компьютерной математики и их приложения: Сб. тр. межд. конф. Смоленск: СГПУ. 2002. С. 88−91.
  272. И.В., Круглов В. В., Дли М.И. Мультимодельный метод прогнозирования процессов с переменной структурой. М.: Физматлит, 2003. 231 с.
  273. И.В., Дли М.И. Нейросетевой экстраполятор векторных случайных процессов // Нейрокомпьютеры: разработка и применение -2003.-№ 3−4. С. 21−24
  274. И.В. Проблема устойчивости нейронной сети // Нейрокомпьютеры: разработка и применение 2003.-№ 3−4. С. 34−36
  275. И.В. Оптимизация параметров экстраполятора векторного случайного процесса // Программные продукты и системы. Приложение к журналу «Проблемы теории и практики управления» -2003. № 2. С.15−17
  276. И. В. Грибова Н.П. Алгоритм распознавания результатов электронейромиографических исследований при лицевых дискинезиях // Вестник новых медицинских технологий. 2003. — № 1−2. Т. 10. С. 77−79
  277. Н.П., Голубев В. Л., Абраменкова И. В. Программа анализа результатов электронейромиографического обследования КеБЕЫМО-1. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 003 610 649 от 17.03.2003.
  278. И.В. Обобщенная прогнозирующая модель с нейро-нечеткой классификацией Ргес11с1Моёе1-Ех1. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 003 611 200 от 03.06.2003.
  279. Я.Б., Абраменкова И. В., Грибова Н. П. Программа определения прогностических критериев эффективности терапии при лицевых дискинезиях РгесЦс1Еагт-ЕВ. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 003 611 199 от 03.06.2003.
  280. В.И., Абраменкова И. В. Система экспертной оценки эффективности паллиативного лечения в онкологии 8у81ешЕ81-опко. Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 004 610 802 от 31.03.2004.
  281. В.В., Абраменкова И. В. Построение нейронных сетей с радиальными базисными функциями треугольного вида // Математические методы в технике и технологиях ММТТ-16: Сб. тр. XVI межд. науч. конф. Ростов н/Д.: РГАСХМ ГОУ. 2003. Т.4. С. 139−140.
  282. И.В. Алгоритмы оптимизации параметров нейронной сети // Математические методы в технике и технологиях ММТТ-16: Сб. тр. XVI меж. науч. конф. Ростов н/Д.: РГАСХМ ГОУ. 2003. Т.4. С. 140−143.
  283. И.В. Использование нейро-нечетких методов для прогнозирования социально-экономических процессов // Математические методы в технике и технологиях ММТТ-16: Сб. тр XVI межд. науч. конф. Ростов н/Д.: РГАСХМ ГОУ. 2003. Т.4. С.231−234
  284. И.В., Грибова Н. П. Адаптивные системы нечеткого вывода для уточнения патологических вариантов лицевых дистоний // Математические методы в технике и технологиях ММТТ-16: Сб. тр XVI межд. науч. конф. СПб.: СПГТИ. 2003. Т.9. С.47−51
  285. Н.П., Абраменкова И. В. Методологические аспекты использования нечетких моделей в диагностике лицевых дискинезий // Математические методы в технике и технологиях ММТТ-16: Сб. тр XVI межд. науч. конф. СПб.: СПГТИ. 2003. Т.9. С.51−54
  286. И.В., Рачин А. П. Автоматизированная система анализа риска хронизации головной боли у детей // Современные информационные технологии в медицине и экологии ИТМЭ — 2003: Тр. всероссийск. науч. конф. М.: Физматлит. 2003. С. 76−80
  287. И.В. Нейронные сети с радиальными базисными функциями треугольного вида // Современные информационные технологии в медицине и экологии ИТМЭ — 2003: Тр. всероссийск. науч. конф. М.: Физматлит. 2003. С. 248−258
  288. М.Р., Абраменкова И. В., Соловьев В. И. Прогностическая модель оценки эффективности лечения рака желудка // Актуальные вопросы онкологии: Тр. межрег. науч.-практич. конф. Смоленск. 2003. С. 173−180
  289. М.Р., Абраменкова И. В. Прогностически значимые факторы, влияющие на отдаленные результаты лечения больных раком желудка. // Актуальные вопросы онкологии: Тр. межрег. науч.-практич. конф. Смоленск. 2003. С. 89−100
  290. И.В. Программное обеспечение нейро-нечетких моделей прогнозирования. // Системы компьютерной математики и их приложения: Сб. тр. межд. конф. Смоленск: СГПУ. 2003. С. 51−55
  291. Ю.В., Абраменкова И. В. Сравнительный анализ результатов ЭЭГ исследования при симптоматических и криптогенных формах эпилепсии // Вестник Санкт-Петербургской медицинской академии им. И. И. Мечникова. — 2004. — № 1. С. 45−48.
  292. М.Р., Абраменкова И. В. Алгоритм лечения рака желудка в режиме региональной системы прогнозирования отдаленных результатов PRE-DICT-Cancer-CR Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 004 611 639 от 8.07.2004.
  293. В. И. Абраменкова И.В. Система экспертной оценки паллиативного лечения в онкологии SystemEst-onko Свидетельство о регистрации программ для ЭВМ в РОСАПО № 2 004 601 802 от 17.03.2004.
Заполнить форму текущей работой

На отлично!