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

Технология нейросетевого решения прикладных классификационных задач в экологии, биологии, медицине

Диссертация: Технология нейросетевого решения прикладных классификационных задач в экологии, биологии, медицине
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Среди указанных выше задач большой интерес представляет задачи определения значимостей параметров и контрастирования. Значимость входного сигнала или параметра — относительная оценка важности данного сигнала или параметра сети для получения заданных выходных сигналов сети в сравнении с аналогичными показателями значимости для других сигналов, полученных одновременно или в сходной серии… Читать ещё >

Содержание

  • 1. ОБЗОР ИССЛЕДОВАНИЙ ПО НЕЙРОННЫМ СЕТЯМ
    • 1. 1. История вопроса
    • 1. 2. Основные элементы нейронных сетей и терминология
    • 1. 3. Классификация нейронных сетей
    • 1. 4. Обзор источников
      • 1. 4. 1. Основные работы по аппроксимации нейронными сетями
      • 1. 4. 2. Технологии решения задач с помощью нейронных сетей
      • 1. 4. 3. Использование нейронных сетей в экологии, биологии, медицине и других гуманитарных науках
    • 1. 5. Выводы
  • 2. СВОЙСТВА МОНОТОННЫХ НЕЙРОННЫХ СЕТЕЙ
    • 2. 1. Введение
    • 2. 2. Свойства классических монотонных нейронных сетей
    • 2. 3. Свойства полутораслойных монотонных нейронных сетей
    • 2. 4. Выводы
  • 3. АЛГОРИТМЫ И ПРОГРАММЫ
    • 3. 1. Введение
    • 3. 2. Имитатор для монотонных нейронных сетей
    • 3. 3. Нейроимитатор МГ) Ы для обучения нейронных сетей без учителя
    • 3. 4. Утилита предобработки баз данных Ргеёшаке
    • 3. 5. Технология проведения исследований с использованием нейронных сетей
    • 3. 6. Методика обучения основам нейроинформатики
    • 3. 7. Выводы
  • 4. ЭКОЛОГИЧЕСКИЕ
  • ПРИЛОЖЕНИЯ
    • 4. 1. Систематика и изучение биоразнообразия
    • 4. 2. Систематика ирисов
    • 4. 3. Таксономия растений разных биологических групп по структурным признакам фотосинтетического аппарата
    • 4. 4. Классификация без учителя
    • 4. 5. Выводы
  • 5. МЕДИЦИНСКИЕ
  • ПРИЛОЖЕНИЯ
    • 5. 1. Введение
    • 5. 2. Изучение состояния секреторной функции желудка у детей с гастродуоденитами и язвенной болезнью в условиях Сибири и Севера
    • 5. 3. Влияние условий работы на функциональное состояние организма доноров в условиях Сибири и Севера
    • 5. 4. Выводы

Технология нейросетевого решения прикладных классификационных задач в экологии, биологии, медицине (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

Интерес к нейронным сетям переживает в настоящее время очередной всплеск. Это объясняется тем, что нейронные сети являются удобным и достаточно простым инструментом для создания различных экспертных систем, решения задачи классификации и извлечения знаний из данных и, помимо того, дают возможность высокопараллельных реализаций.

Рассматривая нейронную сеть как набор элементов, производящих некоторые вычисления над приходящими к ним данными, можно изучать решение главной и вспомогательных задач. В главной задаче выделяют функции или подзадачи: генерации, обучения и тестирования нейронных сетей. Генерация — задание начальных значений всех параметров нейронной сетиобучение — изменение всех или части параметров нейронной сети с учителем так, чтобы нейронная сеть по обучающей выборке давала требуемые ответытестирование — сравнение ответов обученной нейронной сети с известными ответами по тестовой выборке — набору примеров, не использовавшихся для обучения. Вспомогательные задачи: определение значимости входных сигналов, контрастирование нейронных сетей, обучение примера, определение минимального решающего набора входных параметров, получение логически прозрачной нейронной сети и, в конечном счете, знаний из данных. Обучение примера — такое изменение параметров примера, чтобы обученная нейронная сеть при тестировании давала требуемый ответ. Вспомогательные задачи сформулированы в процессе развития и практического использования нейронных сетей, как новые потребности пользователей и направления развития. Именно вспомогательные задачи часто есть основной элемент технологии решения прикладных задач пользователя.

Для решения указанных задач разработан и используется математический аппарат искусственных нейронных сетей, в частности, из сигмоидных 5 нейронов. Архитектуры и алгоритмы позволяют обучать и тестировать нейронные сети, решать различные задачи обработки данных.

Среди указанных выше задач большой интерес представляет задачи определения значимостей параметров и контрастирования. Значимость входного сигнала или параметра — относительная оценка важности данного сигнала или параметра сети для получения заданных выходных сигналов сети в сравнении с аналогичными показателями значимости для других сигналов, полученных одновременно или в сходной серии экспериментов. Контрастирование — процесс минимизации числа связей нейронной сети, удаление избыточных связей, без которых решаемая задача продолжает решаться так же верно (с той же точностью). Частный случай контрастирования — минимизация числа входных сигналов. Минимизация числа входных сигналов это сокращение их числа до минимального набора, по которому можно получить ответ на данной обучающей выборке.

Решение задачи контрастирование позволяет получить разреженную, логически прозрачную нейронную сеть, с более простой структурой, понятной пользователю. Далее можно перейти к получению знаний из данныхпостроить полуэмпирическую теорию или набор полуэмпирических теорий изучаемого явления. Однако для решения этой задачи с помощью сигмоидных нейронных сетей требуется выполнить дополнительные вычисления, даже более трудоемкие, чем обучение нейронной сети. Для большинства используемых архитектур и методов обучения нейронных сетей определение значимости и контрастирование — специальные операции, которые выполняют после обучения сети, причем контрастирование обычно требует многократного дообучения и определения значимости входных параметров и синаптических связей.

У контрастированных сетей есть и другие преимущества. Контрастирование ускоряет срабатывание обученной нейронной сети в любых нейронных системах. Кроме того, очень важен вопрос технической реализации 6 обученной нейронной сети, т.к. контрастированная система реализуется существенно проще, что связано с меньшим числом синапсов и нейронов, т. е. может быть меньше размером и дешевле.

Существуют алгоритмы и методы обучения, которые выполняют контрастирование в ходе первоначального обучения. Это означает использование двух целевых функций или специальной целевой функции, которая усложнена требованием контрастирования. Однако — трудно соблюсти баланс двух процедур минимизации, поэтому такие алгоритмы и методы существенно более сложны, но менее эффективны.

В работах /41, 47/ предложены архитектуры монотонных нейронных сетей. Для обучения монотонных нейронных сетей требуется использовать методы условной оптимизации, несколько более сложные, чем методы, используемые для обучения сигмоидных нейронных сетей. Монотонные нейронные сети позволяют получить знак значимости каждой синаптической связи по ее положению в структуре сети независимо от обучения. Кроме того, слоистые монотонные нейронные сети после однократного обучения позволяют получить частично контрастированные нейронные сети без дополнительных вычислительных операций. Одновременно может быть получена и минимизация входных сигналов.

Данные с известным ответом можно обрабатывать с помощью нейронных сетей с учителем. Учитель — блок, который обучает нейронную сеть давать правильный ответ по обучающей выборке. Классификация нейронными сетями с учителем обычно выполняется эффективней, т.к. при этом для обучения используется дополнительная информация — номер класса. Однако, если номер класса заранее неизвестен (часто бывает неизвестно и число классов), то такие данные без известного ответа с помощью нейронных сетей с учителем обработать сложно или невозможно. Для обработки таких данных используют нейронные сети без учителя (unsupervised по зарубежной классификации нейронных сетей), также называемые самоорганизующиеся 7 сети, более простой инструмент. Они работают в случае отсутствия классификационной модели, что часто бывает на начальном этапе любого исследования. Нейронные сети без учителя предназначены для построения классификационной модели, а также позволяют определять значимости входных сигналов и минимизировать их количество.

Для практического использования нейронных сетей существует большое число предметных областей. Среди них техника и технические науки характерны наличием большого количества явных расчетных формул, по которым можно получать требуемые результаты, а также большим количеством известных приложений нейронных сетей [Кохонен Т., Хехт-Нильсен Р., Дунин-Барковский B. JL, Фролов A.A., Куссуль Э. М., Оныкий Б. Н., Горбань А. Н., Абовский Н. П. и другие]. Гуманитарные науки, напротив, в настоящее время почти не имеют готовых расчетных формул в явном виде и число приложений нейронных сетей и других математических методов невелико, хотя количество приложений в медицине растет [Россиев Д.А., Baxt W.G., Shufflebarger С.М. и другие]. В силу вышесказанного, в данной работе основными областями приложения выбраны гуманитарные науки — экология, биология, медицина.

В настоящее время экологические проблемы стали предметом большого числа научных исследований. Причины этого: ухудшение экологической ситуации, нерациональное использование природных ресурсов, техногенное воздействие человека на окружающую среду. Экологии стали придавать значение, выходящее далеко за формальные рамки раздела биологии. Экология сегодня связывает между собой различные разделы естественных наук, она также связана с некоторыми точными и гуманитарными отраслями знаний. Поэтому для решения экологических задач требуется использовать математические модели и методы. В настоящее время одна из актуальных эколого-биологических задач — изучение и сохранение биологического разнообразия живых организмов. 8.

В данной работе решались следующие эколого-биологические и медико-экологические задачи:

— систематика растений и животных разных биологических групп по анатомическим и экологическим признакам, в том числе таксономия растений разных биологических групп по структурным признакам фотосинтетического аппарата (изучение биоразнообразия);

— классификация гастроэнтерологических данных в устойчивые группы;

— изучение влияния плазмофереза на функциональное состояние организма донорови другие задачи.

Цель работы.

Целью работы является исследование, разработка и практическое использование в экологии и биологии моделей монотонных нейронных сетей и нейронных сетей без учителя, обучаемых по методу динамических ядер. Для этого в работе решаются следующие задачи:

— анализ реализуемости и аппроксимационных возможностей монотонных сетей разных типов;

— разработка комплекса программ, реализующего функции обработки данных и состоящего из имитатора монотонных нейронных сетей, имитатора для нейронных сетей без учителя, а также предобработчика данных;

— разработка технологии применения нейронных сетей для решения экологических, биологических, медицинских и гуманитарных задач;

— выполнение с помощью нейроимитаторов исследований в различных предметных областях, в том числе в экологии, биологии и медицине;

— разработка методики обучения основам нейроинформатики и использованию нейроимитаторов для проведения исследований и проведение учебно-исследовательских работ в экологии, биологии и медицине. 9.

Научная новизна.

Результаты диссертации являются новыми, в частности:

— исследованы основные свойства монотонных нейронных сетей;

— реализован алгоритм обучения монотонных нейронных сетей;

— предложены и реализованы новые алгоритмы определения значимости входных параметров, определения устойчивости классификации и минимизации числа входных параметров для нейронных сетей без учителя;

— с помощью разработанных методов, инструментов и технологий решены следующие задачи — таксономия растений разных биологических групп по структурным признакам фотосинтетического аппарата, классификация гастроэнтерологических больных.

Практическая значимость.

Выполненная работа позволяет:

— использовать новые подходы для определения экологической приуроченности видов;

— более эффективно использовать результаты желудочного зондирования для диагностики гастроэнтерологических заболеваний, особенно в условиях Сибири и Севера;

— определять влияние на здоровье доноров различных факторов, в том числе интервала сдачи крови, подтвердить и выработать рекомендации о минимальном интервале между сдачами крови.

Создан комплекс программ, состоящий из программы предобработки и двух программ — имитаторов нейронных сетей — для монотонных нейронных сетей и нейронных сетей без учителя. Программы внедрены и используются: для управления работой факультетской отборочной комиссии, в учебном процессе и для обработки данных, а также на 1−4 Зимних Политехнических Школах по Нейроинформатике (Красноярск, СибГТУ, 1997, 1998, 1999 и 2000). Ведется.

10 обучение нейроинформатике начинающих пользователей. Разработана технология использования нейроимитаторов для проведения исследований, и методика обучения использованию нейроимитаторов для проведения исследований. Выполнена серия работ на экологические темы. Работа поддержана грантом Федеральной Целевой Программы «Интеграция» .

Апробация работы.

Основные результаты работы докладывались и обсуждались на IV, V, VI и VII Всероссийских семинарах «Нейроинформатика и ее приложения» проходивших в г. Красноярске в 1996, 1997, 1998 и 1999 годах, на Третьем Сибирском конгрессе по прикладной и индустриальной математике, посвященном памяти C.JI. Соболева (INPRIM-98), на 2 межрегиональной и 3, 4 и 5 Всероссийских конференциях «Проблемы информатизации региона» проходивших в Красноярске в 1996, 1997, 1998 и 1999 годах, на 36 Международной научной студенческой конференции «Студент и научно-технический прогресс» проходившей в Новосибирске в 1998 году, на 1 и 2 Всероссийских семинарах «Моделирование неравновесных систем» (Красноярск, 1998 и 1999), на 2-й Всероссийской конференции «Решетневские чтения» проходившей в Красноярске в 1998 году, на 6-й Международной конференции «Математика, Компьютер, Образование» проходившей в Москве в 1998 году, на Всероссийских конференциях «Нейроинформатика и ее приложения» проходивших в Москве в 1999 и 2000 году (МИФИ), на 2-м межрегиональном семинаре «Новые информационные технологии», проходившем в Москве в 1999 году, на секции «Информационные технологии» Всероссийской конференции ЛКПР, проходившей в СибГТУ в 1999 году, на XII Международной конференции по нейрокибернетике, проходившей в Ростове-на-Дону в 1999 году, на Международном Симпозиуме «Information retrieval systems in biodiversity researches», проходившем в Санкт-Петербурге в 1999 году, на семинарах в ИВМ СОАН, в СибГТУ и в Осенней экологической.

11 школы (Новосибирск, 1998 год). Структура диссертации.

Диссертация состоит из введения, пяти разделов, заключения, списка цитируемой литературы из 292 наименований, содержит 20 рисунков и 17 таблиц. Общий объем диссертации (с учетом иллюстраций) составляет 150 страниц.

Основные результаты работы:

1. В работе построена классификация типов монотонных нейронных сетей, с целью выявления свойств и различий аппроксимационных возможностей.

2. В работе построена формальная модель монотонных нейронных сетей и полутораслойных монотонных нейронных сетей, реализован алгоритм обучения монотонных нейронных сетей.

3. Разработаны метод определения значимости входных сигналов для нейронных сетей без учителя, алгоритм контрастирования таких сетей, методы определения устойчивости классификации примеров.

4. Разработан комплекс программ, состоящий из двух нейроимитаторов и предобработчика данных.

5. Решен ряд прикладных задач в экологии, биологии, медицине, в том числе:

— классификация растений разных экологических групп по структурным признакам фотосинтетического аппарата;

— классификация данных анализов желудочного зондирования, получена устойчивая классификация на две группы.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. Алгоритмы и программы восстановления зависимостей / Под редакцией В. Н. Вапника.- М.: Наука, 1984, — 816с.
  2. С.А., Бежаева З. И., Староверов О. В. Классификация многомерных наблюдений.- М.: Статистика, 1974, — 240 с.
  3. С.А. и др. Прикладная статистика,— М.: Финансы и статистика, 1989.- 607с.
  4. P.A., Мирзаханян Э. А. Общая топология.- М.: Выш.шк., 1979.-336с.
  5. Н.И. Лекции по теории аппроксимации. М.: Наука, 1965.- 408с.
  6. С. Дифференциальное и интегральное исчисление. М. 1958.- 404с.
  7. С.И. Некоторые свойства адаптивных сетей. Препринт ИФ СО АН СССР, Красноярск, 1986, № 71 Б, — 18 с.
  8. С.И., Гилев С. Е., Охонин В. А. Принцип двойственности в организации адаптивных сетей обработки информации // Динамика химических и биологических систем. Новосибирск: Наука, 1989. С.6−55.
  9. С.И., Машихина Н. Ю., Суров C.B. Нейронные сети: подходы к аппаратной реализации. Препринт ИФ СО АН СССР, Красноярск, 1990, № 122Б- 14 с.
  10. Ю.Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. Препринт ИФ СО АН СССР, Красноярск, 1986, № 59Б 20 с. 11 .Белоусова P.A. Особенности гастродуоденальной патологии у детей в условиях Сибири: Автореферат дисс. докт.мед.наук. М., 1991, 42с.
  11. Д.Н., Емельянова И. В., Комаров И. И. Нейронные сети, аттракторы и динамика Каспия // Нейроинформатика и ее приложения: Тезисы докладов 5 Всеросс. семинара, Красноярск: КГТУ, 1997, С. 16
  12. Д.Н., Емельянова И. В., Тищенко A.B., Макаренко Н. Г., Каримова Л. М. Опыт применения нейросетевого имитатора MultiNeuron в reo- и гелиофизике // Всероссийская конференция «Нейроинформатика-99».
  13. Сборник научных трудов. В 3 частях. Ч.З. М.: МИФИ, 1999, — 300с. С.31−38
  14. М.Биркгоф Г., Барти Т. Современная прикладная алгебра. М.: Мир, 1976.- 400с.
  15. Ботаника. Анатомия и физиология растений / А. Е. Василевский и др. М.: Просвещение, 1978.- 478с.
  16. Е.В., Дрогалина Ж. А., Терехин А. Т. Основные направления современной экологии и ее математический аппарат: анализ публикаций // Журнал общей биологии, — 1995, — Т.56.- N2. С. 179−189
  17. Н. Общая топология. Основные структуры. М.: Наука, 1968, — 272с.
  18. Е.И. и др. Синтез схем на пороговых элементах. М.: Сов. радио, 1970.
  19. М.М. Функциональный анализ. М.: Просвещение, 1979.- 128с.
  20. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979,-447с.
  21. A.A. Моделирование элементов мышления. М.: Наука, 1988.
  22. Векторные решетки и интегральные операторы / А. В. Бухвалов и др. Новосибирск: Наука, 1992, — 215с.
  23. Всероссийская конференция «Нейроинформатика-99». Сборник научных трудов. В 3 частях. М.: МИФИ, 1999
  24. .З. Введение в функциональный анализ. М.: Наука, 1967.- 416с.
  25. Гравитационная хирургия крови // Под ред. O.K. Гаврилова- АМН СССР. -М.: Медицина, 1984, — 304 с.
  26. А.И. Синтез многослойных схем распознавания образов. М.: Энергия, 1974.
  27. А.И., Фомин Ю. И. Нейронные сети как линейные последовательные машины. М.: Изд-во МАИ, 1991 — 254 с.
  28. С.Е. Нейросеть с квадратичными сумматорами // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, Красноярск: КГТУ, 1993. С.11
  29. С.Е. Обучение нейронных сетей: Методы, алгоритмы, тестовые испытания, примеры приложения: Дисс.канд.физ.-мат.наук. Красноярск, 1 531 997, — 187с.
  30. С.Е., Горбань А. Н. Плотность полугрупп непрерывных функций // 4 Всероссийский семинар «Нейроинформатика и ее приложения», 5−7 октября 1996 г., Тезисы докладов / Красноярск: изд. КГТУ, 1996, С.7−9
  31. С.Е., Горбань П. Н., Миркес Е. М., Коченов Д. А., Россиев Д. А. Нейросетевая программа МиШпеигоп // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, Красноярск: КГТУ, 1993. С.9
  32. Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985.-509с.
  33. И.М., Любич Ю. И. Конечномерный линейный анализ. М.: Наука, 1969, — 476с.
  34. С.Е. Прогнозирование некоторых осложнений и исхода инфаркта миокарда с использованием компьютерных нейронных сетей: Автореферат дисс. канд.мед.наук. Красноярск, 1997.- 24с.
  35. .А. Параллельные вычислительные системы. М.: Наука, 1980.154 520с.
  36. А.Н. Обобщение аппроксимационной теоремы Стоуна // Нейроинформатика и ее приложения: Тезисы докладов 5 Всеросс. семинара, Красноярск: КГТУ, 1997, С.59−62
  37. А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сиб. журн. вычисл. математики / РАН. Сиб. отд-ние. Новосибирск, 1998. — Т.1, № 1. — С. 11−24.
  38. А.Н. Обучение нейронных сетей. М.: ПараГраф, 1990.- 159 с.
  39. А.Н. Решение задач нейронными сетями // Нейроинформатика. Красноярск, 1998.
  40. А.Н., Миркес Е. М. Кодирование качественных признаков для нейросетей // Нейроинформатика и ее приложения: Программа и тезисы докладов Всероссийского семинара, Красноярск: КГТУ, 1994, — 55с. С.29
  41. А.Н., Миркес Е. М. Логически прозрачные нейронные сети // Нейроинформатика и ее приложения: Тезисы докладов 3 Всероссийского семинара, Красноярск: КГТУ, 1995.- 93с. С.32
  42. А.Н., Миркес Е. М. Логически прозрачные нейронные сети для производства знаний из данных. Вычислительный центр СО РАН в г. Красноярске. Красноярск, 1997.- 12с. (Рукопись депонирована в ВИНИТИ 17.07.97, № 2434-В97)
  43. А.Н., Россиев A.A. Самоорганизующиеся кривые и нейросетевой итерационный метод главных кривых для данных с пробелами // Нейроинформатика и ее приложения: Тезисы докладов 7 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1999. С.32−33
  44. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. -Новосибирск: Наука, 1996.- 276с.
  45. А.Н., Россиев Д. А., Коченов Д. А. Применение самообучающихся нейросетевых программ. Раздел 1. Введение в нейропрограммы. Учебно-методическое пособие для студентов специальностей 22.04 и 5528.00 всех форм обучения. Красноярск: СТИ, 1994. 24с.155
  46. А.Н., Царегородцев В. Г. Производство явных знаний из таблиц данных с помощью обучаемых разреживаемых нейронных сетей // Всероссийская конференция «Нейроинформатика-99». Сборник научных трудов. В 3 частях. 4.1. М.: МИФИ, 1999, — 276с. С.32−39
  47. Грейг-Смит П. Количественная экология растений. М.: Мир, 1967.- 358с.
  48. П.Я., Яковенко А. В. Справочное руководство по гастроэнтерологии. М.: МИА, 1997
  49. И.Б., Кузичев А. С. Бионика и надежность. М.: Наука, 1967.
  50. М. Пороговая логика. М.: Мир, 1967.- 344с.
  51. Дж., Фортюнер Р., Мильтон Дж. Концепции и подход к общей идентификационной системе // International Congress «Information retrieval systems in biodiversity researches», Санкт-Петербург, 1999
  52. Дискусия о нейрокомпьютерах /Под ред. В. И. Крюкова. Пущино, 1988.
  53. П.М., Ланкин Ю. П. Применение нейронных сетей для исследования и прогнозирования динамики численности промысловых видов рыб // Нейроинформатика и ее приложения: Тезисы докладов 7 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1999, С.43
  54. М.Г. Психологическая интуиция искусственных нейронных сетей: Автореферат дисс. канд.техн.наук. Красноярск, 1998.- 19с.
  55. Р., Харт П. Распознавание образов и анализ сцен.- М.: Мир, 1976.- 512с.
  56. Дунин-Барковский В. Л. Информационные процессы в нейронных структурах. М.: Наука, 1978.- 167с.
  57. . Основы современного анализа. М.: Мир, 1964.- 431с.
  58. А.А., Шумский С. А. Нейрокомпьютинг и его применения в экономикеи бизнесе. M.: МИФИ, 1998, — 224 с.
  59. В.В. К развитию теоретической таксонологии // Успехи современной биологии, 1998, Том 118, Вып.2, С.133−147
  60. Иванова J1.A. Количественная характеристика структуры фотосинтетического аппарата растений с разными типами строения мезофилла // Вертикаль: вестник молодой науки Урала. T. II, N 1Оренбург, АМУиС, 1997.- 145с. С.78−85
  61. А.Г. Персептроны. Киев: Наукова думка, 1974.- 246 с.
  62. C.B. Инструментальные средства проектирования интегрированных систем поддержки принятия решений по ликвидации химических аварий: Автореферат дисс. канд.техн.наук. Красноярск, 1999.- 19с.
  63. JI.A. Детские болезни. М.: Медицина, 1994
  64. Искусственный интеллект: Справ.: В 3-х кн. М.: Радио и связь. — Кн.2: Модели и методы / Под ред. Д. А. Поспелова.-1990.- 304с. у
  65. Итоги науки и техники. Сер. «Физические и математические модели нейронных сетей» /Под ред. А. А. Веденова. Т. 1−5. М.: ВНИИТИ, 1990−92
  66. Канторович J1.B., Акилов Г. П. Функциональный анализ. М.: Наука, 1977,157 744с.
  67. M. Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-900с.
  68. М. Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976, — 736с.
  69. П.Н. Функциональный анализ. Мн.: Выш.шк., 1985.- 206с.
  70. А.Н., Фомин C.B. Элементы теории функций и функционального анализа. М. 1981.- 544с.
  71. Компьютерная биометрика / Под ред. В. Н. Носова.- М.: МГУ, 1990.- 232с.
  72. Т. Ассоциативная память. М.: Мир, 1980.
  73. Т. Ассоциативные запоминающие устройства. М.: Мир, 1982.
  74. Д.А., Миркес Е. М., Россиев Д. А. Метод подстройки параметров примера для получения требуемого ответа нейросети // Нейроинформатика и ее приложения: Программа и тезисы докладов Всероссийского рабочего семинара, Красноярск: КГТУД994. С.39
  75. Д.А., Миркес Е. М. Синтез управляющих воздействий // Нейроинформатика и ее приложения: Тезисы докладов 3 Всероссийского семинара, Красноярск: КГТУД995.- 93с. С.31
  76. Д.А., Россиев Д. А. Аппроксимация функций класса Са, Ь. нейросетевыми предикторами // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, Красноярск: КГТУ, 1993. С.10
  77. Л.П. и др. Память кибернетических систем. М.: Сов. радио, 1971.
  78. А.Г. Общая алгебра (лекции 1969−1970 учебного года). М.: Наука, 1974, — 160с.
  79. Э.М. Ассоциативные нейроподобные структуры. Киев: Наукова думка, 1990
  80. С., Николе Д. От нейрона к мозгу. М.: Мир, 1979.- 439 с.
  81. Г. Ф. Биометрия. М.1990.- 351с.91 .Ланкин Ю. П. Реализация нейросетей с фиксированной структурой на аналоговой элементной базе: Дисс.канд.техн.наук, — Красноярск, 1994.- 128с.158
  82. E.H. Статистические методы построения эмпирических формул. -М.: Высш.шк., 1988, — 239с.
  83. Л.А., Соболев В. И. Элементы функционального анализа. М.: Наука, 1965, — 520с.
  84. Математические методы в биологии. М.: МГУ, 1972.- 136 с.
  85. Мезоструктура и функциональная активность фотосинтетического аппарата // Под ред. А. Т. Мокроносова. Свердловск: Уральский универститет, 1978
  86. Методы нейроинформатики: Сб.научн. трудов / Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1998, — 204с.
  87. М., ПайпертС. Персептроны. М.: Мир, 1971.-269 с.
  88. Е.М. Логически прозрачные нейронные сети и производство явных знаний из данных // Нейроинформатика / А. Н. Горбань, В.Л. Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Наука, 1998.- 296с. С.283−292
  89. Е.М. Нейроинформатика и другие науки // Красноярск: Вестник КГТУ, вып. 6. 1996. — С.5−33.
  90. ЮО.Миркес Е. М. Нейрокомпьютер. Проект стандарта. Н.: Наука, 1999.- 337с.
  91. С.О. Проектирование логических устройств ЭВМ на нейронных элементах. М.: Энергия, 1977.
  92. Моделирование неравновесных систем: 2 Всероссийский семинар, Красноярск: КГТУ, 1999, — 207с.
  93. Моделирование неравновесных систем: Всероссийский семинар, Красноярск: КГТУ, 1998, — 200с.
  94. А.Т. Онтогенетический аспект фотосинтеза. М.: Наука, 1981.-196с.
  95. А.Т., Борзенкова P.A. Методика количественной оценки структуры и функциональной активности фотосинтезирующих тканей и органов // Труды по прикладной ботанике, генетике и селекции, 1978, т.61, вып. З, С.119−133.
  96. Юб.Мэйндоналд Дж. Вычислительные алгоритмы в прикладной статистике. -М.: Финансы и статискика, 1988.- 350с.
  97. Д.И., Новоходько А. Ю., Царегородцев В. Г. Нейросетевые методы обработки информации в задачах восстановления климатических данных // Нейроинформатика и ее приложения: Тезисы докладов 5 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1997, С. 124
  98. Д.И., Ноженкова Л. Ф., Погребная H.A. Классификация ландшафтных зон Сибири по признакам климата // Нейроинформатика и ее приложения: Тезисы докладов 5 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1997, С.125
  99. Ю9.Назимова Д. И., Ноженкова Л. Ф., Погребная H.A. Опыт прогнозирования зональных классов растительности с использованием нейросетей // Нейроинформатика и ее приложения: Тезисы докладов 5 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1997, С. 126
  100. Ю.Недорезов JI.B. Лекции по математической экологии. Н.: Сибирский хронограф, 1997.- 161с.
  101. Л.В., Семенов Д. А. Использование нейросети для проверки классификации насекомых по типам динамики численности // Нейроинформатика и ее приложения: Тезисы докладов 7 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1999, С. 104
  102. Нейроинформатика / А. Н. Горбань, В.Л. Дунин-Барковский, А. Н. Кирдин и др. Новосибирск: Наука, 1998, — 296с.
  103. Нейроинформатика и ее приложения: Материалы 3 Всероссийского семинара, 6−8 октября 1995 г./Под ред. А. Н. Горбаня. КГТУ. Красноярск, 1995.-229с.
  104. М.Нейроинформатика и ее приложения: Программа и тезисы докладов Всероссийского рабочего семинара, 7−10 октября 1994 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1994, — 55с.
  105. Нейроинформатика и ее приложения: Тезисы докладов 3 Всероссийского семинара, 6−8 октября 1995 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1995.-93с.
  106. Нейроинформатика и ее приложения: Тезисы докладов 4 Всероссийского160семинара, 5−7 октября 1996 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1996, — 122с.
  107. Нейроинформатика и ее приложения: Тезисы докладов 5 Всероссийского семинара, 3−5 октября 1997 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1997, — 139с.
  108. Нейроинформатика и ее приложения: Тезисы докладов 6 Всероссийского семинара, 2−5 октября 1998 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1998, — 207с.
  109. Нейроинформатика и ее приложения: Тезисы докладов 7 Всероссийского семинара, 1−3 октября 1999 г./Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1999, — 167с.,
  110. Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, 8−11 октября 1993 г. Красноярск: КГТУ, 1993.- 45с.
  111. Нейрокомпьютеры и интеллектуальные роботы. Под ред. академика Н. М. Амосова, К.: Наукова Думка, 1991.
  112. Нейрокомпьютеры и их применение: 5 Всеросс. конф. М.1999.- 484с.
  113. Нейропрограммы. Учебное пособие: В двух частях / Под. ред. А. Н. Горбаня. Красноярск: изд. КГТУ, 1994. Часть 1, — 137 с. Часть 2.- 123с.
  114. Г. Ф., Ронжина Д. А., Коробицына Е. Б. Формирование фотосинтетического аппарата в период роста погруженного, плавающего и надводного листа гидрофитов // Физиология растений, 1998, т.45, № 4, С.539−548
  115. Н. Обучающиеся машины. М.: Мир, 1967.
  116. Л.А., Иванов Л. А. Использование метода мезоструктуры для анализа экобиологических групп растений Среднего Урала // Проблемы общей и прикладной экологии: Материалы конференции. Екатеринбург: «Екатеринбург», 1996, — С.158−168
  117. Л.Ф., Родионова О. С. Построение нечеткой модели для прогнозирования пожарной опасности лесов // Нейроинформатика и ее приложения: Тезисы докладов 6 Всеросс. семинара, Красноярск: Изд-во, 1611. КГТУ, 1998, С.130−131
  118. Общая алгебра. В 2-х тт: Т.2 / Под общ.ред. J1.A. Скорнякова. М.: Наука, 1 991 129.0хонин В. А. Вариационный принцип в теории адаптивных сетей. Препринт ИФ СО АН СССР, Красноярск, 1987, № 61 Б, — 18 с.
  119. Т.В. Некоторые особенности клинического течения гастродуоденитов и язвенной болезни у детей Крайнего Севера и Сибири // Проблемы здоровья населения региона Крайнего Севера, Сибири и Дальнего Востока. Красноярск, 1986
  120. Т.В., Белоусова P.A. Влияние экстремальных факторов Крайнего Севера и Сибири на клинику гастродуоденитов и язвенной болезни у детей // Проблемы здоровья населения региона Крайнего Севера, Сибири и Дальнего Востока. Красноярск, 1985
  121. A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС // Методы нейроинформатики. Красноярск: КГТУ, 1998, — 204с. С. 152−163
  122. ИЗ.Питенко A.A. Нейросети для геоинформационных систем // Всероссийская конференция «Нейроинформатика-99». Сборник научных трудов. В 3 частях. Ч.З. М.: МИФИ, 1999.- 300с. С.65−68
  123. A.A., Иванова Ю. Д. Электронный экологический атлас города Красноярска. Красноярск: ИВМ СО РАН, 1998.- 16с.
  124. И.В. Моделирование нейронных структур. М.: Наука, 1970.- 264с.
  125. Т.В. Клинико-функциональная характеристика хронического гастрита у детей в экологических условиях Севера и центральной Сибири: Автореферат дисс. канд.мед.наук. М., 1990, 23с.
  126. С.Ю. Некоторые вопросы математического моделирования общественных процессов // Мат. структуры и моделирование: Сб. трудов, Омск, 1998, Вып. 1, С.86−97
  127. Проблемы нейрокибернетики: Материалы XII Международной конференции по нейрокибернетике: Ростов-на-Дону, 1999.- 323с.162
  128. В.И., Кондрачук A.B. Мезоструктура фотосинтетического аппарата древесных растений Восточного Памира различных экологических и высотных групп // Физиология растений, 1998, т.45, № 4, С.567−577
  129. Ф., Сёкефальви-Надь Б. Лекции по функциональному анализу. М.: Мир, 1979.- 587с,
  130. МЗ.Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга. М.: Мир, 1965 — 480 с.
  131. Россиев A.A. FAMaster // Нейроинформатика и ее приложения: Тезисы докладов 6 Всеросс. семинара, Красноярск: Изд-во КГТУ, 1998. С. 155
  132. Д.А. Медицинская нейроинформатика // Нейроинформатика. Новосибирск: Наука, 1998.- 296с. С. 137−211
  133. Д.А. Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий внедрение: Дисс.докт.мед.наук.- Красноярск, 1995.- 379с.
  134. Д.А., Савченко A.A., Гилев С. Е., Коченов Д. А. Применение нейросетей для изучения и диагностики иммунодефицитных состояний // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, Красноярск: КГТУ, 1993. С.32
  135. Д.А., Догадин С. А., Масленников Е. В. и др. Обучение нейросетей выявлению накопленной дозы радиоактивного облучения // Нейроинформатика и нейрокомпьютеры: Тезисы докладов рабочего семинара, Красноярск: КГТУ, 1993. С.34
  136. М.Ю. Погрешности в нейронных сетях: Автореферат дисс. канд.физ.-мат.наук. Красноярск, 1998.- 22с.
  137. А.Г. и др. Прогнозирование экологических и чрезвычайных ситуаций // Экол. и пром-сть России. 1997. — март. — С. 26−29.151 .Скорняков JI.A. Элементы алгебры. М.: Наука, 1980.- 240с.
  138. Л.Г. Нейросетевое управление напряженно-деформированным состоянием конструкций: Автореферат дисс. канд.техн.наук. Красноярск, 1999
  139. E.H., Вайткявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989 — 237с.
  140. A.A., Архангельский C.B. Построение логических схем на пороговых элементах. Куйбышевское книжное изд-во, 1967.
  141. СуперЭВМ. Аппаратная и программная организация./ Под ред. С.Фернбаха. Пер. с англ. М.: Радио и связь, 1991.
  142. Теория и приложения искусственных нейронных сетей: Тезисы докладов 3 ежегодного рабочего семинара, Снежинск, РФЯЦ-ВНИИТФ, 1−3 апреля 1998 г.- 47с.
  143. А.Т., Будилова Е. В. Нейросетевые схемы эволюционно оптимального управления суточной вертикальной миграцией зоопланктона // Нейроинформатика и ее приложения: Программа и тезисы докладов Всероссийского семинара, Красноярск: КГТУД994.- 55с. С. 12
  144. С.А. Нейросетевые информационные модели сложных инженерных систем // Нейроинформатика. Новосибирск: Наука, 1998.- 296с. С.101−136
  145. Транспьютерные и нейронные ЭВМ. /Под ред. В. К. Левина и А. И. Галушкина М.: Российский Дом знаний, 1992.
  146. Транспьютеры. Архитектура и ПО. Пер. с англ./ Под ред. Г. Харпа.- М.: Радио и связь, 1993.- 304с.
  147. Третий Сибирский конгресс по прикладной и индустриальной математике. Новосибирск, 1998
  148. ., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь, 1989,-440с.1 бЗ. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992,-237с.
  149. В.Ю. Биометрические методы. М., 1964, — 415с.
  150. Фор А. Восприятие и распознавание образов. М., 1989.- 272с.
  151. Э. Элементарное введение в абстрактную алгебру. М.: Мир, 1979.-260с.
  152. A.A., Муравьев И. П. Нейронные модели ассоциативной памяти. -М.: Наука, 1987, — 160 с.
  153. A.A., Муравьев И. П. Информационные характеристики нейронных сетей. М.: Наука, 1988.-273 с.
  154. К., Судзуки Н. Языки программирования и схемотехника СБИС: Пер. сяпон. М.: Мир, 1988, — 224с.
  155. В.Г. Нейроимитатор NeuroPro // Нейроинформатика и ее приложения: Тезисы докладов 6 Всероссийского семинара. Красноярск: КГТУ, 1998, — 207с. С. 189
  156. В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей // Методы нейроинформатики: Сб.научн. трудов / Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1998, — 204с. С.176−198
  157. В.Г. Технология производства явных знаний из таблиц данных при помощи нейронных сетей // Нейроинформатика и ее
Заполнить форму текущей работой

Пора сдавать?