Помощь в учёбе, очень быстро...
Работаем вместе до победы

Статистическая модель прогнозирования схода снежных лавин с нейросетевым управлением

Диссертация: Статистическая модель прогнозирования схода снежных лавин с нейросетевым управлением
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Для проведения экспериментальных исследований была спроектирована и реализована информационная система. Такие качества системы, как универсальность, масштабируемость, гибкость, произвольное представление данных, многоуровневость, прозрачность, доступность, высокая производительность, распределенность, независимость методов, корректность, поддержка многопользовательского режима, независимость… Читать ещё >

Содержание

  • 1. ПРОГНОЗИРОВАНИЕ СХОДА СНЕЖНОЙ ЛАВИНЫ. И
    • 1. 1. Необходимые сведения о сходе снежной лавины
    • 1. 2. Использующиеся методы прогнозирования схода лавин
    • 1. 3. Использующиеся информационные системы для прогнозирования схода лавин
  • 2. ПОСТРОЕНИЕ МАТЕМАТИЧЕСКОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ВРЕМЕННЫХ РЯДОВ НА ОСНОВЕ АРПСС
    • 2. 1. Операторы прогнозирования и подбора параметров
    • 2. 2. Адекватность
    • 2. 3. Метрическое пространство временных рядов
    • 2. 4. Модель АРПСС
    • 2. 5. Алгоритм Марквардта для нелинейного метода наименьших квадратов, модифицированный Г. Вилсоном
    • 2. 6. Точность прогнозов модели прогнозирования временного ряда на основе модели АРПСС
  • 3. ПОДБОР ПАРАМЕТРОВ АРПСС НЕЙРОННОЙ СЕТЬЮ ДЛЯ ПРОГНОЗИРОВАНИЯ СХОДА СНЕЖНЫХ ЛАВИН
    • 3. 1. Управляющие параметры АРПСС
    • 3. 2. Применение нейронной сети для подбора ф параметров АРПСС
    • 3. 3. Выбор входных параметров нейронной сети
    • 3. 4. Оптимизация нейронной сети, управляемой категориальными параметрами
    • 3. 5. Определение структуры слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС
    • 3. 6. Определение принципа функционирования слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС
    • 3. 7. Определение способа обучения слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС
    • 3. 8. Оценка эффективности алгоритмов автоматизированного подбора параметров нейронной сетью л д ля математической модели прогнозирования
  • 4. СОЗДАНИЕ ИНФОРМАЦИОННОЙ СИСТЕМЫ
    • 4. 1. Проектирование информационной статистической системы AVALANCHE, использующейся для исследования практических результатов
    • 4. 2. Сравнение свойств нейронных сетей с различной структурой и реализацией
    • 4. 3. Информационная статистическая система
  • Avalanche 2003й

Статистическая модель прогнозирования схода снежных лавин с нейросетевым управлением (реферат, курсовая, диплом, контрольная)

Решение многих задач экологии, экономики, медицины, метеорологии, геофизики и других областей связано с составлением прогнозов, точность и своевременность которых всегда являются решающими факторами. Получение прогнозов необходимой точности невозможно без использования эффективных математических методов и алгоритмов, а также высокопроизводительных и надежных средств вычислительной техники. Все это ставит перед исследователями новые проблемы, связанные с поиском новых методов прогнозирования, новых подходов и их модификации для повышения эффективности, ужесточением требований к производительности вычислительных средств.

Некоторые методы прогнозирования основаны на применении нейротехнологий [18, 32, 45, 95, 98, 100, 104, 106]. Также активно используются статистические методы [14, 24, 33, 63, 67, 68, 78, 103]. Общей фундаментальной стратегией теоретических исследований существующих на данный момент, как у нас, так и за рубежом, является доработка методов, базирующихся на использовании нейронных сетей или статистических методов. Существуют подходы, основанные на объединении вышеописанных методологий. Например, Кристофом и Пьером Кувре было показано, что нейросетевые классификаторы оценивают апостериорную Байесовскую вероятность и поэтому аппроксимируют оптимальный статистический классификатор с минимальной ошибкой [95].

Вместе с тем существующие методы и алгоритмы для решения задач прогнозирования часто не удовлетворяют практическим потребностям в точности или быстродействии или вообще не могут быть реализованы. Отмеченное обстоятельство стимулирует поиски перспективных подходов в этой области.

Многочисленные исследования отечественных и зарубежных ученых показали, что при отсутствии априорной информации о данных выгодней использовать нейротехнологии [18, 32, 45, 95, 98, 100, 104, 106]. Использование статистических методов требует тщательного изучения экспериментальных данных [14,24,33,63, 67,78,103]. Таким образом, нейросетевые технологии могут использоваться для подготовки данных, которые затем могли бы быть использованы в статистических методах [32]. К тому же статистические методы отображают изменчивость, характерную для экологических систем [43].

Целью диссертационной работы является создание на основе модели авторегрессии — проинтегрированного скользящего среднего (АРПСС) нового подхода, в котором выбор управляющих параметров, подбор априорной информации и оптимизация генерирования прогнозов ведется с использованием нейросетевых технологий.

Повышение качества прогнозирования стихийных бедствий представляет как самостоятельный научный интерес, так и служит ключом к уменьшению количества бедствий в горной местности, где находится большое число курортных зон, где велика вероятность схода снежных лавин. Их своевременное предупреждение позволит избежать человеческих жертв, уменьшить материальные потери, увеличить приток как российских, так и зарубежных гостей и отдыхающих в эти живописные места, что благоприятно повлияет на общее состояние данных районов.

Научная задача исследований состоит в развитии существующих и создании новых методов и алгоритмов подбора параметров модели АРПСС при помощи нейронной сети, обеспечивающих высокую производительность и точность.

Общая задача может быть разбита на ряд частных задач:

1. Разработка математической модели прогнозирования на основе модели АРПСС и нейронной сети.

2. Выбор управляющих параметров для прогнозирования лавиноопасности на основе разработанной модели.

3. Разработка способа кодирования категориальных параметров.

4. Выбор наиболее подходящей структуры нейронной сети.

5. Исследование алгоритмов функционирования и обучения для выбранного типа нейронной сети.

6. Оценка эффективности математической модели прогнозирования на основе модели АРПСС и сети.

7. Проектирование и программная реализация информационной статистической системы.

Для решения поставленных в работе задач были использованы методы теории вероятностей, статистики, нейронных сетей [1, 5, 15, 23, 27,2S, 30,34−36,46, 52, 59−61, 88,91, 94,101,107].

На защиту выносятся следующие основные положения:

1. Выбор параметров, влияющих на лавиноопасную ситуацию, на основе критерия статистической значимости.

2. Модель прогнозирования вероятности схода лавин, основанной на модели АРПСС, параметры которой подбираются нейронной сетью.

3. Новый способ кодирования категориальных параметров.

4. Новый способ частично управляемого обучения слоисто-полносвязной нейронной сети.

5. Информационная статистическая система «Avalanche 2003» -программная реализации математической модели прогнозирования на основе модели АРПСС и слоисто-полносвязной нейронной сети.

Научная новизна полученных в диссертации результатов состоит в следующем:

1. Реализация и апробирование нового подхода к построению моделей прогнозирования, который основан на модели АРПСС, параметры которой подбираются нейронной сетью.

2. Предложен новый способ кодирования категориальных параметров.

3. Разработан новый способ частично управляемого обучения слоисто-полносвязной нейронной сети.

4. Спроектирована и реализована информационная статистическая система «Avalanche 2003».

Объединение статистических моделей и нейросетевых технологий, эффективный способ кодирования категориальных переменных обрабатываемых нейронной сетью, позволяет строить принципиально новые по структурной организации, производительности, точности и отказоустойчивости методы прогнозирования. Предложенный подход обеспечивает возможность выполнения распределенных вычислений [17, 32]. Указанные преимущества позволяют также использовать разработанные средства и методы в решении других задач экологии, экономики, медицины, метеорологии, геофизики и других областях науки и производства, связанных с составлением прогнозов, точность и своевременность которых являются решающими факторами.

Результаты исследования реализованы в информационной статистической системе «Avalanche 2003» и используются в деятельности главного управления по делам гражданской обороны и чрезвычайных ситуаций по Краснодарскому краю (Приложение 4). Так же эта программа зарегестрирована в Российском агенстве по патентам и товарным знакам (Приложение 5).

Основные результаты работы докладывались на следующих конференциях:

1. Международная научно-практическая конференция «Состояние биосферы и здоровье людей», Пенза, 2001.

2. Международная научно-практическая конференция «Человек и окружающая природная среда — проблема взаимодействия», Пенза, 2001.

3. Ш объединенная научная студенческая конференция факультета прикладной математики «Прикладная математика XXI века», Краснодар, 2003.

4. II региональная школа семинар «Математическое моделирование, вычислительная механика и геофизика», Краснодар, 2003.

Основные результаты диссертационных исследований опубликованы в следующих работах:

1. Кольцов Ю. В., Гарнага В. В., Разработка распределенной информационной статистической системы Avalanche и определение управляющих параметров. Сборник материалов «Состояние биосферы и здоровье людей. Материалы международной научно-практической конференции.». Стр. 105−107-Пенза 2001.

2. Кольцов Ю. В., Гарнага В. В., Распределенная информационная статистическая система Avalanche. Сборник материалов «Человек и окружающая природная среда — проблема взаимодействия. Материалы IV Международной научно-практической конференции». Приложение. Стр. 106−110. — Пенза 2001.

3. Гарнага В. В., Категориальные параметры. Сборник «Прикладная математика XXI века», Краснодар, 2003.

4. Кольцов Ю. В., Гарнага В. В., Об оптимизации нейронной сети, управляемой категориальными параметрами. «Экологический вестник научных центров Черноморского Экономического Сотрудничества», Стр. 61−63. — Краснодар, 2003.

5. Гарнага В. В., Об агоритме автоматизированного подбора параметров нейронной сетью для математической модели прогнозирования. «Экологический вестник научных центров Черноморского Экономического Сотрудничества». Приложение. Стр. 100−102. — Краснодар, 2004.

6. Кольцов Ю. В., Гарнага В. В., Подбор параметров АРПСС слоисто-полносвязной нейронной сетью. «Известия высших учебных заведений. Северо-Кавказский регион», серия «Естественные науки» Стр. 12−17. — Ростов-на-Дону, 2004.

Результаты исследования использованы при выполнении НИР по гранту РФФИ, проект «р2003юг» 03−01−96 649.

Диссертация состоит из введения, 4 глав, заключения, списка используемой литературы, содержащего 117 наименований и 5 приложений. Содержание работы изложено на 126 страницах. Диссертация содержит 3 таблицы, 2 схемы и 9 рисунков.

Выход.

Рис. 5.

Главное меню программы состоит из пунктов:

— Операции.

— Мастер прогноза.

— Прогноз.

— Закрыть.

— Данные.

— Выбор файла архива.

— Конвертирование.

— Редактирование.

— Результаты.

— Выбор нового файла для генерации результатов.

— Загрузить файл с результатами.

— График ошибок НС при подборе параметров АРПСС.

— График ошибок прогнозирования вероятности схода лавин.

— Помощь.

— О программе.

— Описание функций.

Природные условия.

Рис. 6.

Работа информационной системы проверялась на таких ОС, как Windows ХР, Windows 2000, Windows 2003.

Для проведения экспериментальных исследований была спроектирована и реализована информационная система. Были произведены сравнения свойств нейронных сетей с различной структурой и реализацией, в результате которых выявлена подходящая структура сети, алгоритм обучения и реализация. После завершения этих исследований был доработан интерфейс взаимодействия системы с пользователем. В результате реализован программный продукт информационная статистическая система «Avalanche 2003».

Прогноз див прогноза лавиноопасности.

Рис. 7.

Экспериментальные исследования, описанные в четвертой главе совместно с теоретическими, приведенными в третьей главе, обосновывают целесообразность выбранного подхода к прогнозированию лавиноопасности в горной местности.

Результатом работы информационной статистической системы «Avalanche 2003» является значение вероятности схода лавины в требуемый момент времени. С ее помощью был проведен реальный прогноз лавиноопасности. Замечено, что с увеличением обучающих примеров и последующим дообучением нейронной сети, тренд ошибок обучения нейронной сети устойчиво убывает Рис. 8.

Тренд ряда ошибок нейронной сети.

80 90 100.

Этапы обучения.

Рис. 8.

Соответственно и тренд ряда, состоящего из значений ошибок модели прогнозирования на последовательных этапах обучения, устойчиво убывает. Он изображен на Рис. 9 жирной линией. Выбросы, которые видны на графике, получаются в результате того, что модель пытается исключить ошибки первого рода. Так же следует отметить * сравнительно малое время работы системы для получения результатов по сравнению с работой специалиста, который бы самостоятельно постоянно подбирал параметры АРПСС.

Тренд ряда ошибок модели прогнозирования.

Количество итераций.

— Погрешность прогноза ^—Экспоненциальный тренд.

Рис. 9.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе описаны основные сведения о сходах снежных лавин. Отображена статистика, собранная из различных источников. Проведен анализ используемых методов прогнозирования схода снежных лавин, а так же информационных систем используемых для сбора информации и построения прогнозов.

Определен способ построения математической модели прогнозирования временного ряда на основе модели АРПСС. Описаны основные принципы построения модели АРПСС, а так же способы ее оптимизации. Так же приведены формулы, определяющие параметры этой модели.

Произведен выбор управляющих параметров АРПСС. Обосновывается целесообразность применения нейронной сети для подбора параметров.

Предложен новый способ оптимизации нейронной сети, управляемой категориальными параметрами. Он позволяет оптимизировать нейронную сеть, так как способствует равномерному представлению значений примерами, при этом, не появляется нежелательная упорядоченность категорий, как в других методах. То есть, функция распределения значений переменной получается близкой к равномерному распределению. Это повышает информативность соответствующих нейронов. Кроме того, метод применим в широком круге решаемых задач в других областях науки и техники.

Определена структура слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС, которая продиктована специфическими условиями ее функционирования.

Описан способ функционирования слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС.

Предложен новый способ обучения слоисто-полносвязной нейронной сети, используемой для подбора параметров АРПСС. Этот способ является частично управляемым.

Так же в диссертации теоретически оценена эффективность созданной модели прогнозирования схода снежных лавин.

Экспериментальные исследования, описанные в четвертой главе совместно с теоретическими, приведенными в третьей главе, обосновывают целесообразность выбранного подхода к прогнозированию лавиноопасности в горной местности.

Для проведения экспериментальных исследований была спроектирована и реализована информационная система. Такие качества системы, как универсальность, масштабируемость, гибкость, произвольное представление данных, многоуровневость, прозрачность, доступность, высокая производительность, распределенность, независимость методов, корректность, поддержка многопользовательского режима, независимость от единиц измерений, удобство для конечного пользователя, неограниченность размерности будут способствовать ее широкому распространению.

На основе анализа нейронных сетей с различной структурой и реализацией выбрана подходящая структура сети, алгоритм обучения и реализация.

В результате, в диссертационной работе, получены следующие научные и практические результаты:

1.Разработана математическая модель прогнозирования на основе объединения модели АРПСС и нейронной сети.

2. Выбраны управляющие параметры для прогнозирования лавиноопасности на основе сезонной модели АРПСС с использованием нейросетевых технологий.

3. Описаны новые алгоритмы функционирования и частично управляемого обучения слоисто-полносвязной нейронной сети.

4. Оценена эффективность прогнозирования при помощи алгоритмов, параметры которых подбираются нейронными сетями.

5. Проведены экспериментальные исследования для оценки эффективности математической модели прогнозирования на основе объединения сезонной модели АРПСС и слоисто-полносвязной нейронной сети.

6. Спроектирована и реализована информационная статистическая система «Avalanche 2003».

Результаты, описанные в диссертационной работе, публиковались в [19,20,39−42].

Показать весь текст

Список литературы

  1. ., Исследование психологии процесса изобретения в области математики, МЦНМО, 2002,128 стр.
  2. С.И., Некоторые свойства адаптивных сетей (Программная реализация). Красноярск: Ин-т физики СО АН СССР, 1987. Препринт No.71R, 17 стр.
  3. С.И., Охонин В. А., Адаптивные сети обработки информации., Красноярск: Ин-т физики СО АН СССР, 1986. Препринт N 59Б., 20 стр.
  4. А.В., Дударь З. В., Стороженко А. В., Шабанов-Кушнаренко Ю.П., О лингвистической алгебре. // Радиоэлектроника и информатика. X.: Изд-во ХТУРЭ, 1998. Вып.4., 101−109 cip. '
  5. Дж., Пирсол А., Прикладной анализ случайных данных. М.: Мир, 1989, 540 стр.
  6. В.П., Определение лавинных нагрузок, Алма-Ата, Гылым, 1991,116 стр.
  7. Е.В., Кучеренко Е. И., Чапланов А. П., Диагностика и прогнозирование временных рядов с помощью многослойной радиально-базисной нейронной сети. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение», Москва, 2002, стр. 209−213.
  8. А.Н., Лосев К. С., Основы лавиноведения, Гидрометеоиздат, 1987,280 стр.
  9. Дж., Дженкинс Г., Анализ временных рядов прогноз и управление, Издательство «МИР», Москва, 1974,407 стр.
  10. В.Р. Формирование, прогноз и искусственное обрушение лавин, обусловленных снегопадами, метелями и сублимационной перекристаллизацией снега. Автореф. дисс. на соиск. уч. степ. канд. геогр. наук. Нальчик, 1981,26 стр.
  11. М.Ф., Осыка А. Ф., Автоматическая обработка информации на естественном языке. К.: УМК ВО, 1991,140 стр.
  12. В. П., Statistica. Искусство анализа данных на компьютере. Для профессионалов, Издательство «Питер», 2002, 656 стр.
  13. Д., Временные ряды: Обработка данных и теория, М.: Мир, 1980, 536 стр.
  14. А.Ф., Шугрин С. М., Численные методы расчета одномерных систем /Новосибирск, Наука, 1981, 208 стр.
  15. Войнич-Сяноженский Т.Г., Созанов В. Г., Лавинообразные потоки. Возникновение, динамика и воздействие на окружающую среду, Владикавказ, 1997,221 стр.
  16. К.Ф., Лавиноведение-М.: Изд-во Московского университета, 1989, 156 стр.
  17. А., Нейроматематика. Книга 6. Учебное пособие для ВУЗов, Радиотехника, 2002,448 стр.
  18. В.В., Категориальные параметры. Сборник «Прикладная математика XXI века», Краснодар, 2003, стр. 10−11.
  19. В.В., Об агоритме автоматизированного подбора параметров нейронной сетью для математической модели прогнозирования. «Экологический вестник научных центров Черноморского Экономического Сотрудничества» Приложение, Краснодар, 2004, стр. 100−102.
  20. География лавин. Под ред. Мягкова С. М., Канаева JI.A. Изд-во МГУ, 1992,331 стр.
  21. Гляциологический словарь. Л.: Гидрометеоиздат, 1984, 526 стр.
  22. Л. М., Цифровая обработка сигналов. Справочник.-М.: Радио и связь.-1985,312 стр.
  23. В. Б., Павлов И. В., Цветкова Г. М., Тескин О. И., Математическая статистика, Учеб. для втузов / В. Б. Горяинов]- Под ред. В. С. Зарубина, А. П. Крищенко. М.: Изд-во МГТУ, 2001,423 сгр.
  24. В.Ф., Информационная система для организации службы предупреждения снежных лавин, Дис. канд. геогр. наук, Хабаровск, 1975, 137 стр.
  25. В.Ф., Информационная система 'Снег'-М.: Гидрометеоиздат, Московское отделение, 1978,103 стр.
  26. В., Шум как источник информации. М.: Мир, 1993, 192 стр.
  27. Е. Т., О логическом обосновании методов максимальной энтропии // ТИИЭР. 1982. — Т. 70. — N 9, стр. 33−51.
  28. А.К., Бялобжеский Г. В., Чесноков А. Г., Защита автомобильных дорог от лавин, 1987,61 стр.
  29. Н.Г., Сенин А. И., Ортогональные и квазиортогональные сигналы. М.: Связь, 1977,233 стр.
  30. Н.Н., Оныкий Б. Н., Перепелица В. В., Щербаков И. Б., Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей. М.: Препринт/МИФИ, 004−94,1994, 32 стр.
  31. А., Шумский С., Нейрокомпьютинг и его применение в экономике и бизнесе, 1998, 222 стр.
  32. И.Г. Спектральный анализ временных рядов. М.: МГУ. -1982,168 сгр.
  33. Ю.С., Квасов Б. И., Мирошниченко B.JL, Методы Сплайн-функций. М.: Наука, 1980,352 стр.
  34. Ю.С., Леус В. А., Скороспелое В. А., Сплайны в инженерной геометрии. М.: Машиностроение, 1985,224 стр.
  35. Л.А., Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976, 165 стр.
  36. М.Ч., Снежно-лавинный режим и перспектива освоения гор Кабардино-Балкарии, Нальчик, 1971, 105 стр.
  37. Кей С. М., Марпл СЛ., Современные методы спектрального анализа: Обзор // ТИИЭР. 1981. — Т. 69. — N 11, стр. 5 -51.
  38. Ю.В., Гарнага В. В., Об оптимизации нейронной сети, управляемой категориальными параметрами, «Экологический вестник научных центров Черноморского Экономического Сотрудничества», Краснодар, 2003, стр. 61−63.
  39. Ю.В., Гарнага В. В., Подбор параметров АРПСС слоисто-полносвязной нейронной сетью. «Известия высших учебных заведений. Северо-Кавказский регион», серия «Естественные науки» Стр. 12−17. -Ростов-на-Дону, 2004.
  40. Ю.В., Коршиков А. Ф., Матвиенко В. Ю., О классификации методов моделирования в экологических исследованиях, «Известия вузов. Северо-кавказский регион. Естественные науки.», Краснодар, 2003, стр. 100−104.
  41. И.В., Прогноз лавин и некоторых характеристик снежности в горах Казахстана, под ред. Е.И. Колесникова-Л.: Гидрометеоиздат, 1991,73 стр.
  42. В.В., Борисов В. В., Искусственные нейронные сети. Теория и практика., 2-е изд., стереотип. М.: Горячая линия — Телеком, 2002,382 стр.
  43. О., Основы теории шансов и вероятностей М., «Наука», 1970,384 cip.
  44. Лавиноопасные районы Советского Союза. Изд. МГУ, 1970. 200 стр.
  45. ., Гатег Дж., Использование абстракций и спецификаций при разработке программ, М.:Мир, 1989,127 стр.
  46. Локальные вычислительные сети Справочник. В 3-х кн. Кн. З: Организация функционирования, эффективность, оптимизация/С.В. Назаров, Н. В. Ашимихин, А. В. Луговец и др.- Под ред. С. В. Назарова. -М.: Финансы и статистика, 1995,248 стр.
  47. К.С., Абожинский А. Н., Гракович В. Ф., Прикладное лавиноведение,-М. 1991,172 стр.
  48. К.С., По следам лавин, изд. Гидрометеоиздат, 1983,136 стр.
  49. Л., Идентификация систем. Теория для пользователей. М.: Наука, 1991, 432 стр.
  50. А.Н., Бернпггейн Л. С., Коровин С. Я., Ситуационные советующие системы с нечеткой логикой. М.: Наука. Гл. ред. физ.-мат. лит., 1990,272 стр.
  51. Методические рекомендации по прогнозу снежных лавин в СССР Среднеазиатский регион Н.-И. Гидрометеорол. ин-т им. В. А. Бугаева -М.: Гидрометеоиздат. Моск. Отд-ние, 1990,129 стр.
  52. Методы генерации алгоритмов прогнозирования при помощи операций над базовыми алгоритмами (Сообщения по прикладной математике)-М. :ВЦ АН СССР, 1988,25 стр.
  53. Мозг / перевод Алексеенко Н.Ю.- под ред. и с предисл. П. В. Симонова.-М.:Мир, 1982,280стр.
  54. Ю. Д., Практическое пособие по прогнозированию лавинной опастности Л.: Гидрометеоиздат, 1979, 150 стр.
  55. Ю.Д., Лавины и лавинные нагрузки. Тр. САНИИ, вып.109 (190). 1986,156 спр.
  56. В.В., Теория эксперимента М.- «Наука», 1971,207 стр.
  57. Г., Быстрое преобразование Фурье и алгоритмы вычисления сверток. М.: Радио и связь, 1985, 248 стр.
  58. А., Шафер Р., Цифровая обработка сигналов. М.: Связь, 1979, 416 стр.
  59. С.А., Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981,208 стр.
  60. Р., Эноксон Л., Прикладной анализ временных рядов. М.: Мир, 1982, 428 стр.
  61. Отуотер, Мантгомери, Охотники за лавинами, изд. Мир, 1980, 254 стр.
  62. У., Уэлдон Э., Коды, исправляющие ошибки. М.: Мир, 1976,594 стр.
  63. М.Ф., Карпа В. М., Циделко В. Д., Информационное спектральное оценивание. // Измерения, Контроль, Автоматизация. -1987. Т. 63. — N 3, стр. 55 — 69.
  64. Привальский В. Е, Панченко В. А., Асарина Е. Ю., Модели временных рядов с приложениями в гидрометеорологии, 1992,226 стр.
  65. Применение теории послевыборочной устойчивости к прогнозированию временных рядов. Пер. ст. Andersen A. «Operational Reasearch Quarterly», 1977, v.28, № 1, p. 93−98.
  66. Ф., Аналитические методы изучения нейронных сетей -Зарубежная радиоэлектроника, 1965, № 8, стр. 43−57.
  67. Ф., Принципы нейродинамики М., «Мир», 1965, 480 стр.
  68. Руководство по предупредительному спуску снежных лавин с применением артиллерийских систем КС-19. М.: Гидрометеоиздат, 1984, 108 cip.
  69. Д.В., Персли М. Б., Взаимно-корреляционные свойства псевдослучайных и родственных последовательностей // ТИИЭР. -1980. Т. 68. — N 5, стр. 59−90.
  70. И.В., Благовещенский В. П., Оценка лавинной опасности горной территории., Алма-Ата. 1983,220 стр.
  71. А.В., Цомай В. Ш., Вопросы гидрологических прогнозов, расчетов речного стока, снеголавинных работ-М.: Гидрометеоиздат,
  72. Московское отделение, 1990,165 стр.
  73. Сигеру Омату, Марзуки Халид, Рубия Юсоф, Нейроуправление и его приложения. Кн. 2. (Нейрокомпьютеры и их применение), пер. с англ. Н.В. Батина- под ред. А.И., В. А. Птичкина. М.: ИПРЖР, 2000, 272 стр.
  74. JI.P. Синоптико-статистический анализ и краткосрочный прогноз, Гидрометеоиздат, Ленинград 1991, 223 стр.
  75. Спектральный анализ временных рядов.-М.: Изд-во Московского университета, 1982,168 стр.
  76. Сравнение стандартных моделей прогнозирования с подходом Бокса-Дженкинса. Пер. ст. Kenril Е. из журн. «Statistician», 1974, v. 23, №" 2, р.107−116.
  77. Статистический анализ метеорологической информации, СбУ Под ред.Р.Г.РейтенбахаЗ.Т.Радюхина. -СПб.: Гидрометеоиздат, 1996, 80 стр.
  78. В.А., Демьянов В. В., Каневский М. Ф., Обзор и применение методов нелинейной оптимизации для обучения ИНС многослойный перцептрон, -М., 1999,29 стр.
  79. Г. К., Ледники, снежники, лавины Советского Союза. М., 1963,312 стр.
  80. П., Искусственный интеллект М. «Мир», 1980,520 стр.
  81. Усовершенствования моделирования Бокса-Дженкинса. Построение модели. Пер. ст. Hipel K.W. е.а. «Water Resources Research», 1977, v.13, № 3, p.567−575.
  82. Физика снега, лавины, сели, сб. ст. под ред. В.Р. Болова-М.: Гидрометеоиздат, Московское отделение, 1987,142 стр.
  83. Физика снега, лавины, сели, сб. ст. под ред. В.Р. Болова-М.: Гидрометеоиздат, Московское отделение, 1988, 165 стр.
  84. Физика снега, лавины, сели, сб. ст. под ред. В.Р. Болова-М.: Гидрометеоиздат, Московское отделение, 1989,152 стр.
  85. Физика снега, лавины, сели, сб. ст. под ред. В.Р. Болова-М.: Гидрометеоиздат, Московское отделение, 1990, 150 стр.
  86. С., Карри Б. У., Кеслер С. Б., Спектральный анализ радиолокационных мешающих отражений методом максимальной энтропии // ТИИЭР. 1982. — Т. 70. — N 9, стр. 51 — 63.
  87. Шабанов-Кушнаренко Ю.П., Теория интеллекта. Математические средства. X.: Вища школа, 1984,143 стр.
  88. Д.И., Принятие решений в системах организационного управления: использование расплывчатых категорий. М.: Энергоатомиздат, 1983, 184 стр.
  89. Шумоподобные сигналы в системах передачи информации./ Под ред. В. Б. Пестрякова. М.: Сов. Радио, 1973,424 стр.
  90. L. В., A learning rule for asynchronous perceptrons with feedback in a combinatorial environment. Proc. 1st IEEE Intl. Conf. on Neural Networks, vol. 2, San Diego, CA, June 1987, p. 609−618.
  91. Burg J. P., A new analysis technique for time series data // Modern Spectrum Analysis / D.G. Childers, ed. N. Y.: IEEE Press, 1978, p. 42 — 49.
  92. Burg J. P., Maximum entropy spectral analysis // Modern Spectrum Analysis / D.G. Childers, ed. N. Y.: IEEE Press, 1978, p. 34 — 42.
  93. Couvrer C., Couvrer P., Neural Networks and Statistics: A Naive Comparison. Belgian Journal of Operations Research, Statistics and Computer Sciences, 36, No 4,1997, p.8.
  94. Craven M.W., Shavlik J.W., Extracting tree-structured representations of trained networks. In: Touretzky, D., Mozer, M., Hasselmo, M., eds. Advances in Neural Information Processing Systems, Vol 8. Cambridge, MA: MIT Press, 1996. p.24−30.
  95. Gorman R.P., Sejnowski T. J" Analysis of Hidden Units in a Layered Network Trained to Classify Sonar Targets. Neural Networks, 1, p.75−89.
  96. Hecht-Nielsen R., Theory of the backpropagation neural network // International joint conference on neural networks, Sheraton Washington Hotel, Washington D.C., June 18−22, vol. 1, 1989, p. 593−606.
  97. IEEE Transactions on Automatic Control, Vol.19, No 9, 1974, p. 153.
  98. Lippman R.P., An introduction to computing with neural nets // IEEE ASSP Magazine, Apr. 1987, p.4−22.
  99. Malvar H.S., Maximum-length shift register generates white noise. // Electronics, 1979, V.18, p. 141.
  100. Marquardt D.W., An Algorithm for Least-Squares Estimation of Nonlinear Parameters, Journal for the Society of Industrial and Applied Mathematics, 11,1963,p.431 -441.
  101. Moustakides G.V., Benveniste A., Detecting changes in the A.R. parameters of a nonstationary A.R.M.A. process, Rennes, 1985,22 p.
  102. Muller В., Reinhardt J., Neural networks. Springer- -Verlag. 1990,267 P
  103. Narendra K.S., Parthasarathy K., Identification and control of dynamical systems using neural networks. IEEE Trans. Neural Networks, vol.1, Mar. 1990, p.4−27.
  104. Neural Computing: NeuralWorks Professional П/Plus and NeuralWorks Explorer. NeuralWare, Inc., 1991,355 p.
  105. Papoulis A., Maximum entropy and spectral estimation. A Review // IEEE Trans. ASSP. 1981. — V. 29. -N 1, p. 1176 — 1186.
  106. Pineda F.J., Generalization of backpropagation to reccurent neural networks. In Phys. Rev. Lett., vol. 18,1987, p. 2229−2232.
  107. Pitas I., Venetsanooulos A.N. Nonlinear order statistic filters for img filtering and edge detection. // North Holland. Signal Processing. -1986. -N 10, p. 395−413.
  108. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. In Parallel Distributed Processing, vol. 1, Cambridge, MA, MIT Press. 1986, p. 318−362.
  109. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Representations by Back-propagating Errors, Nature vol. 323, 1986, 533 p.
  110. Sejnowski T. J, Rosenberg C.R., Parallel Networks that Learn to Pronounce English Text. Complex Systems, 1, 1987, p.145−168.
  111. Theodoridis S., Cooper D.C., Application of maximum entropy spevtrum analysis technique to signals with spectral peaks of finite width // Signal Processing, 1981, V. 3, N 2, p. 109 122.
  112. Ulrych T.J., Smyle D.E., Jensen O.G., Clarke G.K., Predictive filtering and smoothing of short records by using maximum entropy // J. Geophys. Res, 1973, V. 78, N 23, p. 4959 -4964.
  113. Werbos P.J., Backpropagation through time: what it does and how to do it // Proceedings of the IEEE, vol. 78, No. 10, October, 1990, p. 15 501 560.
  114. В., Lehr M.A. 30 years of adaptive neural networks: perceptron, madaline, and backpropagation // Proceedings of the IEEE, vol. 78, No. 9, September, 1990, p. 1415−1442.1. Статистика и история
  115. Первый этап изучения лавин характеризовался отрывочными наблюдениями, частными обобщениями результатов наблюдений и опробованием различных практических способов защиты от лавин.
  116. Начиная с 30-х годов XX в. проводятся планомерные исследования лавин, изучаются закономерности их зарождения и движения, совершенствуются способы прогнозирования лавинной опасности и вырабатываются научно обоснованные способы их прогнозирования.
  117. Классификация лавинных условий Войтковский К. Ф. «Лавиноведение» (М.: Изд-во Московского университета, 1989, 156 стр.)
  118. Условие Влияние на лавинную деятельность
  119. Постоянные факторы 1. Условия рельефа 1.1. Относительная высота
  120. Снегопад Возрастание нагрузки. Увеличение массы неустойчивого материала. Наиболее важный фактор. тип нового снега Пушистый снег рыхлые лавины. Связный снег — пластовые лавины.
Заполнить форму текущей работой

Пора сдавать?