Функциональные модели универсального нейрокомпьютера
Развитие информатики и средств вычислительной техники. Развитие систем искусственного интеллекта на базе алгоритмических языков. Искусственные нейронные сети. Нейрокибернетика. Элементарные детали вычислительных устройств. Анализ нейросетевых парадигм.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | диссертация |
| Язык | русский |
| Дата добавления | 12.10.2008 |
| Размер файла | 1,6 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
9 Прадед по материнской линии -неграмотный
10 Прабабка по материнской линии -неграмотная.
12 Прабабка по материнской линии - имела начальное образование.
20 Прабабка по материнской линии - жила на селе.
21 Прадед по материнской линии - переехал в город.
22 Прабабка по материнской линии - переехала в город.
23 Прадед по материнской линии - переехал в село.
29 Прадед по материнской линии - руководитель.
32 Прабабка по материнской линии - была в браке и разводилась.
35 У прадеда и прабабки по материнской линии был 1 ребенок.
36 У прадеда и прабабки по материнской линии было 2 детей.
37 У прадеда и прабабки по материнской линии было более 2 детей.
38 Прадед по отцовской линии - русский.
39 Прабабка по отцовской линии - русская.
41 Прабабка по отцовской линии - вышла из крестьян.
45 Прабабка по отцовской линии - вышла из интеллигенции.
46 Прадед по отцовской линии -неграмотный.
50 Прадед по отцовской линии - имел среднее образование.
53 Прабабка по отцовской линии - имела высшее образование.
58 Прадед по отцовской линии - переехал в город.
60 Прадед по отцовской линии - переехал в село.
62 Прадед по отцовской линии - прожил в одной республике.
64 Прадед по отцовской линии - прожил в одной области.
65 Прабабка по отцовской линии - прожила в одной республике.
67 Прабабка по отцовской линии - руководитель.
72 У прадеда и прабабки по отцовской линии был 1 ребенок.
75 У прадеда и прабабки по отцовской линии было более 2 детей.
77 Дед по материнской линии - выходец из крестьян.
78 Бабка по материнской линии - вышла из крестьян.
84 Бабка по материнской линии - неграмотная.
86 Бабка по материнской линии - имела начальное образование.
88 Бабка по материнской линии - имела среднее образование.
91 Дед по материнской линии - родился в селе.
93 Дед по материнской линии - прожил в селе.
95 Дед по материнской линии - переехал в город.
98 Бабка по материнской линии -переехала в село.
99 Дед по материнской линии - прожил в одной республике.
100 Бабка по материнской линии - прожила в одной республике.
101 Дед по материнской линии - прожил в одной области.
102 Бабка по материнской линии - прожила в одной области.
103 Дед по материнской линии -руководитель.
106 Бабка по материнской линии - состояла в браке и разводилась.
109 У деда и бабки по материнской линии был 1 ребенок.
110 У деда и бабки по материнской линии было 2 детей.
113 Бабка по отцовской линии - русская.
119 Бабка по отцовской линии - вышла из интеллигенции.
123 Бабка по отцовской линии - имела начальное образование.
126 Дед по отцовской линии - имел высшее образование.
127 Бабка по отцовской линии - имела высшее образование.
134 Дед по отцовской линии - переехал в село.
136 Дед по отцовской линии - прожил в одной республике.
137 Бабка по отцовской линии - прожила в одной республике.
142 Дед по отцовской линии - состоял в браке и был разведен.
148 У деда и бабки по отцовской линии было более 2 детей.
165 Отец родился в селе.
170 Мать переехала в город.
171 Отец - перехал в село.
172 Мать переехала в село.
173 Отец - прожил в одной республике.
175 Отец - прожил в одной области.
177 Отец - руководитель.
185 У отца и матери более 2 детей.
После выполнения всех процедур контрастирования получилась следующая сеть, ставящая диагноз здоров (Рис. 1).
Из рис.1. видно, что постановка диагноза «здоров» определяется по совокупности 13 синдромов. Двенадцать синдромов являются масками пар признаков, а один - отдельным признаком. Содержательная психологическая интерпретация выполнена специалистом психологом, и не является заслугой автора или нейронной сети. Поэтому интерпретация данного логического вывода в данной работе не приводится.
Рис. 1. Сеть, ставящая диагноз «Здоров». Знаком «-» отмечены инвертирующие сигнал связи (Not-связи).
На рис. 2 и рис. 3 приведены сети, ставящие диагноз «доброкачественная шизофрения» или «патологическая шизофрения». Особенностью этих сетей является то, что одним из входных признаков является выход сети, приведенной на рис. 1. Содержательная интерпретация этой особенности состоит в том, что прямо с помощью сетей можно определить только соответствие норме (диагноз «здоров»). В случае, если пациенту не поставлен диагноз здоров, сетями 2 и 3 определяется степень патологии.
В сети на рис. 2, ставящей диагноз «доброкачественная шизофрения», используются 4 отдельных параметра (симптома). Тринадцать пар параметров, над каждой из которых выполнена операция логического «И», задают тринадцать синдромов первого уровня. Логическая сумма («ИЛИ») четырех симптомов и тринадцати синдромов задают синдром второго уровня - склонность к шизофрении. Логическое умножение («И») этого синдрома на отрицание диагноза «здоров» дает диагноз «доброкачественная шизофрения».
Рис. 2. Сеть, ставящая диагноз «доброкачественная шизофрения». Знаком «-» отмечены инвертирующие сигнал связи (Not-связи).
Рис. 3. Сеть, ставящая диагноз «патологическая шизофрения». Знаком «-» отмечены инвертирующие сигнал связи (Not-связи).
В сети на рис. 3, ставящей диагноз «патологическая шизофрения», используются четырнадцать пар параметров. Результат выполненной над каждой парой операции логического «И» задает синдром первого уровня. Всего таких синдромов четырнадцать. Логическая сумма («ИЛИ») четырнадцати синдромов первого уровня задают синдром второго уровня - склонность к паталогической шизофрении. Логическое умножение («И») этого синдрома на отрицание диагноза «здоров» дает диагноз «патологическая шизофрения».
Полученные сети позволяют записать явный алгоритм решения задачи. По сути, они сами являются алгоритмом логического вывода. Данные сети получены с помощью программы NeuroPro [237].
Приложение 2. Краткое описание возможностей программы NEUROPRO
В данном приложении приведено кратное описание программы NeuroPro, разработанной В.Г. Царегородцевым под руководством автора [237].
11.1. Общие сведения
Программа NeuroPro 0.25 является свободно распространяемой бета-версией разрабатываемого программного продукта для работы с нейронными сетями и производства знаний из данных с помощью обучаемых искусственных нейронных сетей. Введение в нейроинформатику, основные термины, алгоритмы и технология производства знаний из данных в настоящем документе не воспроизводятся.
11.2. Требования к аппаратуре
Процессор Intel Pentium
Монитор SVGA с разрешением 800*600 точек и выше
Операционная система Microsoft Windows 95 или Microsoft Windows NT 4.0
11.3. Основные возможности программы
Создание нейропроекта;
Подключение к нейропроекту файла (базы) данных;
Редактирование файла данных;
Добавление в нейропроект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое - до 100 (число нейронов для каждого слоя сети может задаваться отдельно);
Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка параметров нейронной сети;
Обучение нейронной сети решению задачи предсказания или классификации;
Тестирование нейронной сети на файле данных;
Вычисление показателей значимости каждого из входных сигналов для решения задачи, сохранение вычисленных показателей значимости в файле на диске;
Упрощение нейронной сети;
Генерация и визуализация вербального описания нейронной сети. Редактирование и сохранение вербального описания нейронной сети в файле на диске;
Сохранение нейропроекта на диске.
11.4. Форматы файлов
В качестве файлов данных (содержащих обучающую выборку для нейронных сетей) используются файлы форматов DBF (форматы пакетов Dbase, FoxBase, FoxPro, Clipper) и DB (Paradox). Возможно чтение и редактирование этих файлов и сохранение измененных файлов на диске. Программа не накладывает ограничений на число записей (строк) в файле данных.
Файлы нейропроекта имеют уникальный формат, поддерживаемый только настоящей программой. В следующих версиях возможно изменение этого формата без сохранения совместимости с настоящей версией.
Файлы вербального описания сети, результатов тестирования нейросети, показателей значимости входных сигналов имеют стандартный ASCII-формат текстовых файлов данных и могут читаться всеми программами-редакторами текстов и импортироваться в электронные таблицы.
11.5. Нейросетевая парадигма
На настоящий момент имеется возможность работы только со слоистыми и слоистыми монотонными нейронными сетями с числом слоев нейронов от 1 до 10, числом нейронов в слое - до 100. Число нейронов в слое не зависит от числа входных сигналов и числа выходных сигналов. После последнего слоя нейронов сеть имеет слой адаптивных сумматоров с числом сумматоров, равных числу выходных сигналов, с которых и снимаются выходные сигналы сети.
Число входных и выходных сигналов сети ограничено максимальным числом полей в файле данных и не может в сумме превышать 255 или 511 (в зависимости от файла данных) сигналов. Каждому входному и выходному сигналу соответствует поле в файле данных. Однако, при обработке качественных признаков (см. Раздел 8), каждому входному или выходному полю могут соответствовать несколько входных или выходных сигналов сети.
Веса синапсов при обучении могут изменяться в диапазоне [-1,1], при создании сети инициируются случайными числами.
Нелинейная функция нейрона имеет вид f(A)=A/(c+|A|), где c - параметр крутизны переходного участка сигмоидной функции, который задается при создании сети в диапазоне [0.0001,1] и не изменяется при обучении. Параметр крутизны можно задавать отдельно для каждого слоя сети.
11.6. Подача и снятие сигналов
Нейронная сеть может обрабатывать только поля в файле данных, содержащие числовые значения. Из всего набора полей в файле данны можно выбрать отдельные поля для обработки нейросетью.
Обрабатываемые поля могут быть непрерывными (количественными) и дискретнозначными (качественными).
Каждое количественное поле в файле данных будет соответствовать одному входному или выходному сигналу сети. Перед подачей количественных входных полей нейронной сети происходит их нормировка в диапазон значений [-1,1] по каждому полю. Выходные сигналы сети нормируются в диапазон истинных значений.
Каждому качественному полю может соответствовать от 2 до 20 входных или выходных сигналов сети (зависит от числа дискретных состояний, которых может принимать данное поле). Дискретные состояния могут задаваться не только отдельными значениями, но и интервалами значений. Входные сигналы сети при обработке качественных признаков принимают значения -1 либо 1. Для каждого выходного качественного признака строится правило принадлежности его к тому или иному дискретному состоянию, основываясь на значениях выходных сигналов сети для каждого его дискретного состояния. Правило подачи и интерпретации качественных признаков может меняться в зависимости от того, обладают ли состояния качественного признака отношением упорядоченности и предшествования (например, состояния качественного признака, соответствующие тому или иному направлению ветра ("Север", "Запад", "Юг", "Восток") отношением предшествования не обладают, а состояния при кодировании качественным признаком степени тяжести заболевания - обладают отношением упорядоченности и предшествования (более тяжелой стадии всегда предшествовала более легкая).
11.7. Точность решения задачи
Нейросеть может решать одновременно несколько задач как прогнозирования (предсказания значений нескольких количественных признаков), так и задачи классификации (предсказания состояний нескольких качественных признаков), так и задачи прогнозирования и классификации одновременно.
Для каждой из задач могут быть установлены свои требования к точности.
Для прогнозируемого качественного признака точность означает максимально допустимое отклонение прогноза сети от истинного значения признака. Желательно задавать как можно менее жесткие требования к точности. Это ускорит как процесс обучения, так и процесс упрощения сети. Также задачу можно будет решить на основе нейронной сети с меньшим числом слоев или нейронов, и, обычно, на основании меньшего числа входных сигналов. Требуемая точность ни в коем случае не должна превосходить погрешностей получения сигнала (погрешностей измерительных приборов, погрешностей огрубления значений при вводе их в компьютер). Так, если значение признака изменяется в диапазоне [0,10] и измерительный прибор имеет собственную точность ±0.1, то нельзя требовать от сети предсказания с точностью ±0.01.
Для качественного признака точность (надежность) означает уверенность в принадлежности качественного признака тому или иному дискретному состоянию. Чем больше уровень требуемый уверенности, тем более надежно должна сеть диагностировать отличия каждого дискретного состояния от других.
11.8. Обучение нейронной сети
Обучение нейронной сети на некотором задачнике производится градиентными методами оптимизации, градиент вычисляется по принципу двойственности. В программе реализованы четыре алгоритма оптимизации:
Градиентный спуск.
Модифицированный ParTan.
Метод сопряженных градиентов.
Квазиньютоновский BFGS-метод.
При создании нейропроекта в качестве алгоритма по умолчанию принимается ParTan.
Примеру задачника соответствует запись (строка) файла данных. Для включения записи файла данных в задачник в записи должны присутствовать данные для всех полей, используемых нейронной сетью в качестве входных и выходных.
Обучение прекращается при достижении заданной точности решения задачи либо при невозможности дальнейшей оптимизации.
11.9. Упрощение нейронной сети
Упрощение нейронной сети выполняется на основе вычисленных показателей значимости. Показатели значимости вычисляются в пяти точках в пространстве адаптивных параметров сети и усредняются в одной из норм.
Процедура упрощения строится как последовательное исключение из сети наименее значимого входного сигнала или элемента сети, дальнейшее дообучение сети и исключение другого сигнала или элемента, если удалось дообучить сеть до заданной пользователем точности. В противном случае процедура упрощения останавливается.
Предоставляются следующие возможности по упрощению сети:
Сокращение числа входных сигналов.
Сокращение числа нейронов сети.
Сокращение числа синапсов сети.
Сокращение числа неоднородных (пороговых) входов нейронов сети.
Равномерное упрощение сети, чтобы на каждый нейрон сети приходило не более n сигналов.
Бинаризация весов синапсов и неоднородных входов сети. Бинаризованные синапсы и неоднородные входы в дальнейшем не обучаются.
Сокращение входных сигналов и нейронов может достигаться и при выполнении других операций по упрощению сети, а не только при целенаправленном сокращении именно входных сигналов и нейронов.
Нейрон сети считается удаленным, если у него удалены все выходы или его сигнал не используется нейронами следующего слоя.
Входной сигнал считается удаленным, если удалены все синапсы, по которым этот сигнал поступал на нейроны первого слоя сети.
Удаленные при упрощении элементы физически остаются в нейронной сети, но при генерации вербального описания сети не вносятся в вербальное описание.
11.10. Вербализация нейронной сети
При генерации вербального описания в тексте перечисляются используемые поля файла данных, правила их предобработки для подачи сети, описание нелинейных функций нейронов, функционирование нейронной сети послойно и понейронно, правила нормировки выходных сигналов сети в диапазон истинных значений. Сигналам, генерируемым нейронами сети, присваиваются некоторые имена и в дальнейшем пользователь при анализе сети может именовать эти сигналы в терминах проблемной области.
Получив вербализованное описание нейронной сети, пользователь может попытаться восстановить правила, сформированные сетью для решения задачи - записать на естественном языке алгоритм решения неформализованной задачи предсказания или классификации.
12. Приложение 3. Акты о внедрении
В данном приложении приведены акт о внедрении результатов диссертации и разработанного автором пакета программ в учебный процесс. Кроме того, здесь приведены акты о внедрении разработанного под руководством автора программного обеспечения в эксплуатацию.
В 1996-2000 годах по проекту «Разработка и программная реализация технологии производства явных знаний из данных с помощью обучаемых нейронных сетей» № 05.04.1291 подпрограммы «Перспективные информационные технологии» Федеральной целевой программы на 1996-2000 годы «Исследования и разработки по приоритетным направлениям развития науки и техники гражданского назначения» под руководством автора были разработаны три программы FAMaster [186] (А.А.Россиев), NeuroPro [237] (В.Г.Царегородцев) и GISNNA [180] (А.А.Питенко).
ЛИТЕРАТУРА
Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений.- М.: Статистика, 1974.- 240 с.
Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин.- М.: Наука, 1970.- 383 с.
Анастази А. Психологическое тестирование.- М. Педагогика, 1982. Книга 1.- 320 с.; Книга 2.- 360 с.
Андерсон Т. Введение в многомерный статистический анализ.- М.: Физматгиз, 1963.- 500 с.
Андерсон Т. Статистический анализ временных рядов.- М.: Мир, 1976.- 755 с.
Ануфриев А.Ф. Психодиагностика как деятельность и научная дисциплина // Вопросы психологии.- 1994.- № 2.- С.123-130.
Аркадьев А.Г., Браверман Э.М. Обучение машины классификации объектов.- М.: Наука, 1971.- 172 с.
Барцев С.И. Некоторые свойства адаптивных сетей.- Красноярск, 1987.- 17 с. (Препринт / ИФ СО АН СССР; №71Б)
Барцев С.И., Гилев С.Е., Охонин В.А. Принцип двойственности в организации адаптивных систем обработки информации // Динамика химических и биологических систем.- Новосибирск: Наука, 1989.- С.6-55.
Барцев С.И., Ланкин Ю.П. Моделирование аналоговых адаптивных сетей.- Красноярск, 1993.- 36 с. (Препринт / ИБФ СО РАН; № 203Б)
Барцев С.И., Ланкин Ю.П. Сравнительные свойства адаптивных сетей с полярными и неполярными синапсами.- Красноярск, 1993.- 26 с. (Препринт / ИБФ СО РАН; № 196Б)
Барцев С.И., Машихина Н.Ю., Суров С.В. Нейронные сети: подходы к аппаратной реализации.- Красноярск, 1990.- 14 с. (Препринт / ИФ СО АН СССР; № 122Б)
Барцев С.И., Охонин В.А. Адаптивные сети обработки информации.- Красноярск, 1986.- 20 с. (Препринт / ИФ СО АН СССР; №59Б)
Барцев С.И., Охонин В.А. Адаптивные сети, функционирующие в непрерывном времени // Эволюционное моделирование и кинетика.- Новосибирск: Наука, 1992.- С.24-30.
Беркинблит М.Б., Гельфанд И.М., Фельдман А.Г. Двигательные задачи и работа параллельных программ // Интеллектуальные процессы и их моделирование. Организация движения.- М.: Наука, 1991.- С.37-54.
Биотехника - новое направление компьютеризации. Серия «Теоретическая и прикладная биофизика» / Ахапкин Ю.К., Всеволдов Н.И., Барцев С.И. и др.- М: Изд-во ВИНИИТИ, 1990.- 144 с.
Боннер Р.Е. Некоторые методы классификации // Автоматический анализ изображений.- М.: Мир, 1969.- С.205-234.
Борисов А.В., Гилев С.Е., Головенкин С.Е., Горбань А.Н., Догадин С.А., Коченов Д.А., Масленникова Е.В., Матюшин Г.В., Миркес Е.М., Ноздрачев К.Г., Россиев Д.А., Савченко А.А., Шульман В.А. Нейроимитатор «MultiNeuron» и его применения в медицине. // Математическое обеспечение и архитектура ЭВМ: Материалы научно-технической конференции «Проблемы техники и технологий XXI века», 22-25 марта 1994 г.- Красноярск, 1994. С.14-18.
Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирирических данных. - М.: Наука. Главная редакция физико-математической литературы, 1983.- 464 с.
Бурлачук Л.Ф., Коржова Е.Ю. К построению теории «измеренной индивидуальности» в психодиагностике // Вопросы психологии.- 1994.- № 5. С.5-11.
Вавилов Е.И., Егоров Б.М., Ланцев В.С., Тоценко В.Г. Синтез схем на пороговых элементах.- М.: Сов. радио, 1970.- 250 с.
Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов.- М.: Наука, 1974.- 398 с.
Веденов А.А. Моделирование элементов мышления.- М.: Наука, 1988.- 435 с.
Гаврилова Т.А., Червинская К.Р., Яшин А.М. Формирование поля знаний на примере психодиагностики // Изв. АН СССР. Техн. Кибернетика.- 1988.- № 5.- С.72-85.
Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов.- М.: ИПРЖР, 2000.- 528 с.
Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов.- М.: ИПРЖР, 2000.- 416 с.
Галушкин А.И. Синтез многослойных схем распознавания образов. - М.: Энергия, 1974.- 376 с.
Галушкин А.И., Фомин Ю.И. Нейронные сети как линейные последовательные машины. - М.: Изд-во МАИ, 1991.-493 с.
Гельфанд И.М., Цетлин М.Л. О математическом моделировании механизмов центральной нервной системы // Модели структурно-функциональной организации некоторых биологических систем.- М.: Наука, 1966.- С.9-26.
Гилев С.Е. Forth-propagation - метод вычисления градиентов оценки // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского рабочего семинара.- Красноярск, 1994.- С.36-37.
Гилев С.Е. Автореф. дисс…. канд.физ.-мат. наук / Красноярск, КГТУ, 1997.- 20 с.
Гилев С.Е. Алгоритм сокращения нейронных сетей, основанный на разностной оценке вторых производных целевой функции // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского рабочего семинара.- Красноярск, 1997.- С.45-46.
Гилев С.Е. Гибрид сети двойственности и линейной сети // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993 г.- Красноярск, 1993.- С.25.
Гилев С.Е. Метод получения градиентов оценки по подстроечным параметрам без использования back propagation // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г. Ч. 1.- Красноярск, 1995. С. 91-100.
Гилев С.Е. Нейросеть с квадратичными сумматорами // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993 г.- Красноярск, 1993.- С.11-12.
Гилев С.Е. Сравнение методов обучения нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского рабочего семинара.- Красноярск, 1995.- С.80-81.
Гилев С.Е. Сравнение характеристических функций нейронов // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского рабочего семинара.- Красноярск, 1995.- С.82
Гилев С.Е., Горбань А.Н. Плотность полугрупп непрерывных функций // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского рабочего семинара.- Красноярск, 1996.- С.7-9.
Гилев С.Е., Горбань А.Н. О полноте класса функций, вычислимых нейронными сетями // Второй Сибирский конгресс по Прикладной и Индустриальной Математике, посвященный памяти А.А.Ляпунова (1911-1973), А.П.Ершова (1931-1988) и И.А.Полетаева (1915-1983): Тез. докл., часть 1.- Новосибирск, 1996.- С.6.
Гилев С.Е., Горбань А.Н., Миркес Е.М. Малые эксперты и внутренние конфликты в обучаемых нейронных сетях // Доклады Академии Наук СССР.- 1991.- Т.320, N.1.- С.220-223.
Гилев С.Е., Горбань А.Н., Миркес Е.М., Коченов Д.А., Россиев Д.А. Определение значимости обучающих параметров для принятия нейронной сетью решения об ответе // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993 г.- Красноярск, 1993.- С.8.
Гилев С.Е., Горбань А.Н., Миркес Е.М., Коченов Д.А., Россиев Д.А. Нейросетевая программа MultiNeuron // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993 г.- Красноярск, 1993.- С.9.
Гилев С.Е., Горбань А.Н., Миркес Е.М., Новоходько А.Ю. Пакет программ имитации различных нейронных сетей // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара 8-11 октября 1993 г.- Красноярск, 1993.- С.7.
Гилев С.Е., Коченов Д.А., Миркес Е.М., Россиев Д.А. Контрастирование, оценка значимости параметров, оптимизация их значений и их интерпретация в нейронных сетях // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г. Ч. 1.- Красноярск: Изд-во КГТУ, 1995.- С. 66-78.
Гилев С.Е., Миркес Е.М. Обучение нейронных сетей // Эволюционное моделирование и кинетика.- Новосибирск: Наука, 1992.- С.9-23.
Гилев С.Е., Миркес Е.М., Новоходько А.Ю., Царегородцев В.Г., Чертыков П.В. Проект языка описания нейросетевых автоматов // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского рабочего семинара.- Красноярск, 1994.- С.35.
Гилева Л.В., Гилев С.Е., Горбань А.Н. Нейросетевой бинарный классификатор «CLAB» (описание пакета программ).- Красноярск, 1992.- 25 с. (Препринт / ИБФ СО РАН; № 194 Б)
Гилл Ф., Мюррей У., Райт М. Практическая оптимизация.- М.: Мир, 1985.- 509 с.
Головенкин С.Е., Горбань А.Н., Шульман В.А., Россиев Д.А., Назаров Б.Н., Мосина В.А., Зинченко О.П., Миркес Е.М., Матюшин Г.В., Бугаенко Н.Н. База данных для апробации систем распознавания и прогноза: осложнения инфаркта миокарда // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского рабочего семинара.- Красноярск, 1997.- С.47.
Головенкин С.Е., Назаров Б.В., Матюшин Г.В., Россиев Д.А., Шевченко В.Ф., Зинченко О.П., Токарева И.М. Прогнозирование возникновения мерцательной аритмии в острый и подострый периоды инфаркта миокарда с помощью компьютерных нейронных сетей // Актуальные проблемы реабилитации больных с сердечно-сосудистыми заболеваниями. Тез. докл. симпозиума 18-20 мая 1994 г.- Красноярск.1994.- С.28.
Головенкин С.Е., Россиев Д.А., Назаров Б.В., Шульман В.А., Матюшин Г.В., Зинченко О.П. Прогнозирование возникновения фибрилляции предсердий как осложнения инфаркта миокарда с помощью нейронных сетей // Диагностика, информатика и метрология - 94: Тез. докл. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург, 1994.- С.349.
Головенкин С.Е., Россиев Д.А., Шульман В.А., Матюшин Г.В., Шевченко В.Ф. Прогнозирование сердечной недостаточности у больных со сложными нарушениями сердечного ритма с помощью нейронных сетей // Диагностика, информатика и метрология - 94.- Тез. докл. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург, 1994.- С.350-351.
Голубь Д.Н., Горбань А.Н. Многочастичные сетчатки для ассоциативной памяти // Второй Сибирский конгресс по Прикладной и Индустриальной Математике, посвященный памяти А.А.Ляпунова (1911-1973), А.П.Ершова (1931-1988) и И.А.Полетаева (1915-1983): Тез. докл., часть 3.- Новосибирск, 1996.- С.271.
Горбань А.Н. Алгоритмы и программы быстрого обучения нейронных сетей. // Эволюционное моделирование и кинетика.- Новосибирск: Наука, 1992.- С.36-39.
Горбань А.Н. Быстрое дифференцирование сложных функций и обратное распространение ошибки // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.54-56.
Горбань А.Н. Быстрое дифференцирование, двойственность и обратное распространение ошибки // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С.73-100.
Горбань А.Н. Возможности нейронных сетей // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С.18-46.
Горбань А.Н. Двойственность в сетях автоматов // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.32-66.
Горбань А.Н. Мы предлагаем для контроля качества использовать нейрокомпьютеры // Стандарты и качество.- 1994.- № 10.- С.52.
Горбань А.Н. Нейрокомп // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г. Ч. 1.- Красноярск, 1995.- С.3-31.
Горбань А.Н. НейроКомп или 9 лет нейрокомпьютерных исследований в Красноярске // Актуальные проблемы информатики, прикладной математики и механики, ч. 3.- Новосибирск, 1996.- С.13 - 37.
Горбань А.Н. Нейрокомпьютер, или Аналоговый ренессанс // Мир ПК.- 1994.- № 10.- С.126-130.
Горбань А.Н. Обобщение аппроксимационной теоремы Cтоуна // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.59-62.
Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики.- 1998.- Т. 1, № 1. - С.11-24.
Горбань А.Н. Обучение нейронных сетей. М.: Изд-во СССР-США СП «ParaGraph», 1990.- 160 с.
Горбань А.Н. Проблема скрытых параметров и задачи транспонированной регрессии // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.57-58.
Горбань А.Н. Проекционные сетчатки для обработки бинарных изображений. // Математическое обеспечение и архитектура ЭВМ: Материалы научно-технической конференции «Проблемы техники и технологий XXI века», 22-25 марта 1994 г.- Красноярск, 1994.- С.50-54.
Горбань А.Н. Размытые эталоны в обучении нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.6-9.
Горбань А.Н. Решение задач нейронными сетями // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН.- 1998.- С.47-72.
Горбань А.Н. Точное представление многочленов от нескольких переменных с помощью линейных функций, операции суперпозиции и произвольного нелинейного многочлена от одного переменного // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.63-65.
Горбань А.Н. Этот дивный новый компьютерный мир. Заметки о нейрокомпьютерах и новой технической революции // Математическое обеспечение и архитектура ЭВМ: Материалы научно-технической конференции «Проблемы техники и технологий XXI века», 22-25 марта 1994 г.- Красноярск, 1994.- С.42-49.
Горбань А.Н., Вашко Т.А., Миркес Е.М. Алгоритмы поиска дублирующих признаков. / Институт вычислительного моделирования СО РАН в г. Красноярске.- Красноярск, 2000.- 42 с. (Деп. в ВИНИТИ 24.05.00, № 1501-800)
Горбань А.Н., Дружинина Н.В., Россиев Д.А. Нейросетевая интерпретация спектрофотометрического способа исследования содержания меланина в ресницах и подсчет значимости обучающих параметров неросети с целью диагностики увеальных меланом // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского семинара.- Красноярск, 1996.- С.94.
Горбань А.Н., Кошур В.Д. Нейросетевые модели и методы решения задач динамики сплошных сред и физики взаимодействующих частиц // 10 Зимняя школа по механике сплошных сред: Тез. докл.- Екатеринбург, 1995.- С.75-77.
Горбань А.Н., Миркес Е.М. Информационная емкость тензорных сетей // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского семинара.- Красноярск, 1996.- С.22-23.
Горбань А.Н., Миркес Е.М. Кодирование качественных признаков для нейросетей // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.29.
Горбань А.Н., Миркес Е.М. Компоненты нейропрограмм // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.17
Горбань А.Н., Миркес Е.М. Контрастирование нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.78-79
Горбань А.Н., Миркес Е.М. Логически прозрачные нейронные сети // Изв. ВУЗов. Приборостроение.- 1996.- Т. 39, № 1.- С.64-67.
Горбань А.Н., Миркес Е.М. Логически прозрачные нейронные сети для производства знаний из данных / Вычислительный центр СО РАН в г. Красноярске.- Красноярск, 1997.- 12 с.: Библ. 12 назв. (Деп. в ВИНИТИ 17.07.97, № 2434-В97)
Горбань А.Н., Миркес Е.М. Логически прозрачные нейронные сети // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.32
Горбань А.Н., Миркес Е.М. Нейронные сети ассоциативной памяти, функционирующие в дискретном времени. / Вычислительный центр СО РАН в г. Красноярске.- Красноярск, 1997.- 23 с.: Библ. 8 назв. (Деп. в ВИНИТИ 17.07.97, № 2436-В97)
Горбань А.Н., Миркес Е.М. Нейросетевое распознавание визуальных образов «EYE» (описание пакета программ).- Красноярск, 1986.- 20 с. (Препринт / ИБФ СО АН СССР; № 193Б)
Горбань А.Н., Миркес Е.М. Оценки и интерпретаторы ответа для нейронных сетей двойственного функционирования // Изв. ВУЗов. Приборостроение.- 1996.- Т. 39, № 1.- С.5-14.
Горбань А.Н., Миркес Е.М. Оценки и интерпретаторы ответа для сетей двойственного функционирования / Вычислительный центр СО РАН в г. Красноярске.- Красноярск, 1997.- 24 с.: Библ. 8 назв. (Деп. в ВИНИТИ 25.07.97, № 2511-В97)
Горбань А.Н., Миркес Е.М. Помехоустойчивость тензорных сетей // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского семинара.- Красноярск, 1996.- С.24-25.
Горбань А.Н., Миркес Е.М. Тензорные сети ассоциативной памяти // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского семинара.- Красноярск, 1996.- С.20-21.
Горбань А.Н., Миркес Е.М. Функциональные компоненты нейрокомпьютера // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г., часть 1.- Красноярск, 1995.- С.79-90.
Горбань А.Н., Миркес Е.М., Свитин А.П. Метод мультиплетных покрытий и его использование для предсказания свойств атомов и молекул // Журнал физ. Химии.- 1992.- Т. 66, № 6.- С.1503-1510.
Горбань А.Н., Миркес Е.М., Свитин А.П. Полуэмпирический метод классификации атомов и интерполяции их свойств. // Математическое моделирование в химии и биологии. Новые подходы. Новосибирск : Наука, 1992.- С.204-220.
Горбань А.Н., Новоходько А.Ю. Нейронные сети в задаче транспонированной регрессии // Второй Сибирский конгресс по Прикладной и Индустриальной Математике, посвященный памяти А.А.Ляпунова (1911-1973), А.П.Ершова (1931-1988) и И.А.Полетаева (1915-1983): Тез. докл., часть 2.- Новосибирск, 1996.- С.160-161.
Горбань А.Н., Новоходько А.Ю., Царегородцев В.Г. Нейросетевая реализация транспонированной задачи линейной регрессии // Нейроинформатика и ее приложения: Тез. докл. 4 Всероссийского семинара.- Красноярск, 1996.- С.37-39.
Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере // Новосибирск: Наука, 1996.- 276 с.
Горбань А.Н., Россиев Д.А., Бутакова Е.В., Гилев С.Е., Головенкин С.Е., Догадин С.А., Коченов Д.А., Масленикова Е.В., Матюшин Г.В., Миркес Е.М., Назаров Б.В., Ноздрачев К.Г., Савченко А.А., Смирнова С.В., Чертыков П.А., Шульман В.А. Медицинские и физиологические применения нейроимитатора «MultiNeuron» // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г., часть 1.- Красноярск, 1995.- С.101-113.
Горбань А.Н., Россиев Д.А., Головенкин С.Е., Шульман В.А., Матюшин Г.В. Нейросистема прогнозирования осложнений инфаркта миокарда // Второй Сибирский конгресс по Прикладной и Индустриальной Математике, посвященный памяти А.А.Ляпунова (1911-1973), А.П.Ершова (1931-1988) и И.А.Полетаева (1915-1983): Тез. докл., часть 1.- Новосибирск, 1996.- С.40.
Горбань 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 55.28.00 всех форм обучения.- Красноярск: Изд-во СТИ, 1994.- 24 с.
Горбань А.Н., Сенашова М.Ю. Метод обратного распространения точности.- Красноярск, 1996.- 8 с. (Препринт / ВЦ СО РАН;. № 17)
Горбань А.Н., Сенашова М.Ю. Погрешности в нейронных сетях / Вычислительный центр СО РАН в г. Красноярске.- Красноярск, 1997.- 38 с.: Библ. 8 назв. (Рукопись деп. в ВИНИТИ 25.07.97, № 2509-В97)
Горбань А.Н., Фриденберг В.И. Новая игрушка человечества // МИР ПК.- 1993.- № 9.- С.111-113.
Гордиенко П.В. Стратегии контрастирования // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.69.
Грановская Р.М., Березная И.Я. Интуиция и искусственный интеллект.- Л.: ЛГУ, 1991.- 272 с.
Гутчин И.Б., Кузичев А.С. Бионика и надежность.- М.: Наука, 1967.- 283 с.
Демиденко Е.З. Линейная и нелинейная регрессия.- М.: Финансы и статистика, 1981.- 302 с.
Деннис Дж. мл., Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений.- М.: Мир, 1988.- 440 с.
Дертоузос М. Пороговая логика.- М.: Мир, 1967.- 258 с.
Джордж Ф. Мозг как вычислительная машина.- М.: Изд-во иностр. лит., 1963.- 528 с.
Дианкова Е.В., Квичанский А.В., Мухамадиев Р.Ф., Мухамадиева Т.А., Терехов С.А. Некоторые свойства нелинейных нейронных сетей. Исследование трехнейронной модели // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.86
Дискусия о нейрокомпьютерах / Под ред. В.И.Крюкова.- Пущино: Изд-во ЦБИ, 1988.- 197 с.
Дорофеюк А.А. Алгоритмы автоматической классификации (обзор) // Автоматика и телемеханика.- 1971.- № 12.- С.78-113.
Доррер М.Г., Горбань А.Н., Копытов А.Г., Зенкин В.И. Психологическая интуиция нейронных сетей // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г., часть 1.- Красноярск, 1995.- С.114-127.
Дуда Р., Харт П. Распознавание образов и анализ сцен.- М.: Мир, 1976.- 512 с.
Дунин-Барковский В.Л. Информационные процессы в нейронных структурах.- М.: Наука, 1978.- 254 с.
Дунин-Барковский В.Л. Нейрокибернетика, нейроинформатика, нейрокомпьютеры // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С.5-17.
Дунин-Барковский В.Л. Нейронные схемы ассоциативной памяти // Моделирование возбудимых структур.- Пущино, 1975.- С.90-141.
Дюк В.А. Компьютерная психодиагностика.- Санкт-Петербург: Братство, 1994.- 364 с.
Ермаков С.В., Мышов К.Д., Охонин В.А. К вопросу о математическом моделировании базового принципа мышления человека.- Красноярск, 1992.- 36 с. (Препринт / ИБФ СО РАН; № 173Б)
Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики.- М.: Наука, 1978.- вып. 33.- С.5-68.
Загоруйко Н.Г. Методы распознавания и их применение.- М.: Сов. радио, 1972.- 206 с.
Загоруйко Н.Г., Елкина В.Н., Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей.- Новосибирск: Наука, 1985.- 110 с.
Захарова Л.Б., Полонская М.Г., Савченко А.А. и др. Оценка антропологического напряжения пришлого населения промышленной зоны Заполярья (биологический аспект).- Красноярск, 1989.- 52 с. (Препринт / ИБФ СО РАН; № 110Б)
Захарова Л.М., Киселева Н.Е. Мучник И.Б., Петровский А.М., Сверчинская Р.Б. Анализ развития гипертонической болезни по эмпирическим данным // Автоматика и телемеханика.- 1977.- № 9.- С.114-122.
Ивахненко А.Г. Персептроны. - Киев: Наукова думка, 1974.- 378 с.
Ивахненко А.Г. Самообучающиеся системы распознавания и автоматического регулирования.- Киев: Техника, 1969.- 392 с.
Искусственный интеллект: В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник / под ред. Э.В.Попова.- М.: Радио и связь, 1990.- 464 с.
Искусственный интеллект: В 3-х кн. Кн. 2. Модели и методы: Справочник / под ред. Д.А. Поспелова.- М.: Радио и связь, 1990.- 304 с.
Итоги науки и техники. Сер. «Физ. и Матем. модели нейронных сетей» / Под ред. А.А.Веденова. - М.: Изд-во ВИНИТИ, 1990-92 - Т. 1-5.
Квичанский А.В., Дианкова Е.В., Мухамадиев Р.Ф., Мухамадиева Т.А. Программный продукт NNN для исследования свойств нелинейных сетей в компьютерном эксперименте // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.10
Кендалл М., Стьюарт А. Статистические выводы и связи.- М.: Наука, 1973.- 900 с.
Кирдин А.Н., Новоходько А.Ю., Царегородцев В.Г. Скрытые параметры и транспонированная регрессия // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С.247-263.
Кохонен Т. Ассоциативная память. - М.: Мир, 1980.- 384 с.
Кохонен Т. Ассоциативные запоминающие устройства. - М.: Мир, 1982. 468 с.
Коченов Д.А., Миркес Е.М. Определение чувствительности нейросети к изменению входных сигналов // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.61
Коченов Д.А., Миркес Е.М. Синтез управляющих воздействий // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.31
Коченов Д.А., Миркес Е.М., Россиев Д.А. Автоматическая подстройка входных данных для получения требуемого ответа нейросети // Проблемы информатизации региона: Труды межрегиональной конференции (Красноярск, 27-29 ноября 1995 г.).- Красноярск, 1995.- С.156.
Коченов Д.А., Миркес Е.М., Россиев Д.А. Метод подстройки параметров примера для получения требуемого ответа нейросети // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.39.
Коченов Д.А., Россиев Д.А. Аппроксимация функций класса С[a,b] нейросетевыми предикторами // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара, Красноярск, 8-11 октября 1993 г., Красноярск.- 1993.- С.13.
Крайзмер Л.П., Матюхин С.А., Майоркин С.Г. Память кибернетических систем (Основы мнемологии).- М.: Сов. радио, 1971.- 389 с.
Куссуль Э.М., Байдык Т.Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении // Автоматика.- 1990.- № 5.- С. 56-61.
Кушаковский М.С. Аритмии сердца.- Санкт-Петербург: Гиппократ, 1992.- 544 с.
Лбов Г.С. Методы обработки разнотипных экспериментальных данных.- Новосибирск: Наука, 1981.- 157 с.
Логовский А.С., Якушев Д.Ж. Нейропакеты: что, где, зачем // Зарубежная радиоэлектроника.- 1997.- № 2.- С. 35-41.
Логовский А.С. Зарубежные нейропакеты: современное состояние и сравнительные характеристики // Нейрокомпьютер.- 1998.- № 1, 2.- С. 44-53.
Лоули Д., Максвелл А. Факторный анализ как статистический метод.- М.: Мир, 1967.- 144 с.
Мазуров В.Д. Метод комитетов в задачах оптимизации и классификации.- М.: Наука, Гл. ред. физ.-мат. лит., 1990.- 248 с.
МакКаллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // Нейрокомпьютер.- 1992.- № 3, 4.- С. 40-53.
Масалович А.И. От нейрона к нейрокомпьютеру // Журнал доктора Добба.- 1992.- № 1.- С.20-24.
Минский М., Пайперт С. Персептроны. - М.: Мир, 1971.- 208с.
Миркес Е.М. Глобальные и локальные оценки для сетей двойственного функционирования // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.76-77
Миркес Е.М. Использование весов примеров при обучении нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.75
Миркес Е.М. Логически прозрачные нейронные сети и производство явных знаний из данных // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С. 283-292
Миркес Е.М. Нейроинформатика и другие науки // Вестник КГТУ, 1996.- вып. 6.- С.5-33.
Миркес Е.М. Нейрокомпьютер. Проект стандарта.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- 337 с.
Миркес Е.М. Нейронные сети ассоциативной памяти // Нейроинформатика.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- С. 264-282.
Миркес Е.М. Обучение сетей с пороговыми нейронами // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.72
Миркес Е.М. Оценки и интерпретаторы ответа для сетей двойственного функционирования // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.73-74
Миркес Е.М., Свитин А.П. Применение метода ассоциативных сетей для прогнозирования переносов заряда при адсорбции молекул. // Эволюционное моделирование и кинетика.- Новосибирск: Наука, 1992.- С.30-35.
Миркес Е.М., Свитин А.П., Фет А.И. Массовые формулы для атомов. // Математическое моделирование в химии и биологии. Новые подходы.- Новосибирск : Наука, 1992.- С. 199-204.
Миркин Б.Г. Анализ качественных признаков и структур.- М.: Статистика, 1980.- 319 с.
Мкртчян С.О. Проектирование логических устройств ЭВМ на нейронных элементах. - М.: Энергия, 1977.- 482 с.
Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия.- М.: Финансы и статистика, 1982.- 239 с.
Муллат И.Э. Экстремальные подсистемы монотонных систем. I, II, III // Автоматика и телемеханика.- 1976.- № 5.- С. 130-139; 1976.- № 8.- С. 169-178; 1977.- № 1.- С. 143-152.
Мучник И.Б. Анализ структуры экспериментальных графов // Автоматика и телемеханика.- 1974.- № 9.- С. 62-80.
Мызников А.В., Россиев Д.А., Лохман В.Ф. Нейросетевая экспертная система для оптимизации лечения облитерирующего тромбангиита и прогнозирования его непосредственных исходов // Ангиология и сосудистая хирургия.- 1995.- N 2.- С.100.
Мызников А.В., Россиев Д.А., Лохман В.Ф. Прогнозирование непосредственных результатов лечения облитерирующего тромбангиита с помощью нейронных сетей // Молодые ученые - практическому здравоохранению.- Красноярск, 1994.- С.42.
Назаров Б.В. Прогностические аспекты некоторых нарушений ритма и проводимости при остром инфаркте миокарда: Автореф. дис.... канд. мед. наук. / Новосибирск, 1982.- 22 с.
Назимова Д.И., Новоходько А.Ю., Царегородцев В.Г. Нейросетевые методы обработки информации в задаче прогнозирования климатических параметров. // Математические модели и методы их исследования: Тез. докл. Междунар. конференции.- Красноярск, 1994,- С.135.
Назимова Д.И., Новоходько А.Ю., Царегородцев В.Г. Нейросетевые методы обработки информации в задаче восстановления климатических данных // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.124.
Народов А.А., Россиев Д.А., Захматов И.Г. Оценка компенсаторных возможностей головного мозга при его органических поражениях с помощью искусственных нейронных сетей // Молодые ученые - практическому здравоохранению.- Красноярск, 1994.- С.30.
Научное открытие в России... // Красноярский комсомолец (газета).- Красноярск, 1992.- № 86.
Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев.- Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.- 296 С.
Нейропрограммы. Учебное пособие. В 2 ч. / Л.В.Гилева, С.Е.Гилев, А.Н.Горбань, П.В.Гордиенко, Д.И.Еремин, Д.А.Коченов, Е.М.Миркес, Д.А.Россиев, Н.А.Умнов.- Красноярск: Красноярский государственный технический университет, 1994.- 260 с.
Николаев П.П. Методы представления формы объектов в задаче константного зрительного восприятия // Интеллектуальные процессы и их моделирование. Пространственно-временная организация.- М.: Наука, 1991.- С.146-173.
Николаев П.П. Трихроматическая модель констант восприятия окраски объектов // Сенсорные системы. 1990.- Т.4, Вып. 4.- С.421-442.
Нильсен Н. Обучающиеся машины. - М.: Мир, 1967.- 506 с.
Новоходько А.Ю., Царегородцев В.Г. Нейросетевое решение транспонированной задачи линейной регрессии // Математика, компьютер, образование:Тез. докл. четвертой международной конференции.- Москва, 1997. С.175.
Охонин В.А. Вариационный принцип в теории адаптивных сетей.- Красноярск, 1987.- 18 с. (Препринт / ИФ СО АН СССР; № 61Б)
Парин В.В., Баевский Р.М. Медицина и техника.- М.: Знание, 1968.- С.36-49.
Переверзев-Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы.- М.: Наука, 1990.- 133 с.
Петров А.П. Аксиоматика игры «в прятки» и генезис зрительного пространства // Интеллектуальные процессы и их моделирование. Пространственно-временная организация.- М.: Наука, 1991.- С.174-182.
Питенко А.А. Нейросетевой анализ в геоинформационных системах: Автореф. дисс…. канд. тех. наук / Красноярск, КГТУ, 2000.- 20 с.
Питенко А.А. Нейросетевое восполнение пробелов данных в ГИС // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.140.
Позин И.В. Моделирование нейронных структур. - М.: Наука, 1970.- 368с.
Пшеничный Б.Н., Данилин Ю.М. Численные методы в экстремальных задачах.- М.: Наука, 1975.- 319 с.
Распознавание образов и медицинская диагностика / под ред. Ю.М. Неймарка.- М.: Наука, 1972.- 328 с.
Розенблатт Ф. Принципы нейродинамики. Перцептрон и теория механизмов мозга.- М.: Мир, 1965.- 480 с.
Россиев А.А. Итерационное моделирование данных с помощью многообразий малой размерности: Автореф. дисс…. канд. физ.-мат. наук / Красноярск, КГТУ, 2000.- 20 с.
Россиев А.А. Генератор 0-таблиц в среде WINDOWS-95 // Нейроинформатика и ее приложения: Тез. докл. 5 Всероссийского семинара.- Красноярск, 1997.- С.151.
Россиев Д.А. Медицинская нейроинформатика // Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.
Россиев Д.А. Нейросетевые самообучающиеся экспертные системы в медицине // Молодые ученые - практическому здравоохранению.- Красноярск, 1994.- С.17.
Россиев Д.А., Бутакова Е.В. Нейросетевая диагностика и дифференциальная диагностика злокачественных опухолей сосудистой оболочки глаза // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г., часть 1.- Красноярск, 1995.- С.167-194.
Россиев Д.А., Бутакова Е.В. Ранняя диагностика злокачественных опухолей сосудистой оболочки глаза с использованием нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.44.
Россиев Д.А., Винник Н.Г. Предсказание «удачности» предстоящего брака нейросетевыми экспертами // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.45.
Россиев Д.А., Гилев С.Е., Коченов Д.А. MultiNeuron, Версии 2.0 и 3.0 // Нейроинформатика и ее приложения: Тез. докл. 3 Всероссийского семинара.- Красноярск, 1995.- С.14
Россиев Д.А., Гилев С.Е., Коченов Д.А.. Нейроэмулятор «MultiNeuron» // Второй Сибирский конгресс по Прикладной и Индустриальной Математике, посвященный памяти А.А.Ляпунова (1911-1973), А.П.Ершова (1931-1988) и И.А.Полетаева (1915-1983): Тез. докл., часть 1.- Новосибирск, 1996.- С.45.
Россиев Д.А., Головенкин С.Е. Прогнозирование осложнений инфаркта миокарда с помощью нейронных сетей // Нейроинформатика и ее приложения: Тез. докл. 2 Всероссийского семинара.- Красноярск, 1994.- С.40.
Россиев Д.А., Головенкин С.Е., Назаров Б.В., Шульман В.А., Матюшин Г.В. Определение информативности медицинских параметров с помощью нейронной сети // Диагностика, информатика и метрология - 94:- Тез. научно-технической конференции (г. Санкт-Петербург, 28-30 июня 1994 г.).- С.-Петербург.- 1994.- С.348.
Россиев Д.А., Головенкин С.Е., Шульман В.А., Матюшин Г.В. Использование нейронных сетей для прогнозирования возникновения или усугубления застойной сердечной недостаточности у больных с нарушениями ритма сердца // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара, Красноярск, 8-11 октября 1993 г., Красноярск.- 1993.- С.16.
Россиев Д.А., Головенкин С.Е., Шульман В.А., Матюшин Г.В. Прогнозирование осложнений инфаркта миокарда нейронными сетями // Нейроинформатика и ее приложения: Материалы III Всероссийского семинара, 6-8 октября 1995 г., часть 1.- Красноярск, 1995.- С.128-166.
Россиев Д.А., Догадин С.А., Масленникова Е.В., Ноздрачев К.Г., Борисов А.Г. Выявление накопленной дозы радиоактивного облучения с помощью нейросетевого классификатора // Современные проблемы и методологические подходы к изучению влияния факторов производственной и окружающей среды на здоровье человека: Тез. докл. республиканской конф.- Ангарск-Иркутск, 1993.- С.111-112.
Россиев Д.А., Догадин С.А., Масленникова Е.В., Ноздрачев К.Г., Борисов А.Г. Обучение нейросетей выявлению накопленной дозы радиоактивного облучения // Нейроинформатика и нейрокомпьютеры: Тез. докл. рабочего семинара, Красноярск, 8-11 октября 1993 г., Красноярск.- 1993.- С.15.
Подобные документы
Определение перспектив, направлений и тенденций развития вычислительных систем как совокупности техники и программных средств обработки информации. Развитие специализации вычислительных систем и проблема сфер применения. Тенденции развития информатики.
реферат [19,5 K], добавлен 17.03.2011Нейрокибернетика как направление изучения "искусственного интеллекта". Программный, аппаратный и гибридный подход к созданию нейросетей. Развитие института нейрокибернетики в России. Направления внедрение нейрокибернетики и интеллектуальных систем.
контрольная работа [31,4 K], добавлен 26.02.2012Историческое развитие средств вычислений. Структурные схемы вычислительных систем. Развитие элементной базы и развитие архитектуры самих систем. Основные классы вычислительных машин. Каналы передачи данных. Требования к составу периферийных устройств.
реферат [48,7 K], добавлен 09.01.2011Искусственные нейронные сети, строящиеся по принципам организации и функционирования их биологических аналогов. Элементарный преобразователь в сетях. Экспериментальный автопилотируемый гиперзвуковой самолет-разведчик LoFLYTE, использующий нейронные сети.
презентация [1,3 M], добавлен 23.09.2015Примеры счетно-решающих устройств до появления ЭВМ. Суммирующая машина Паскаля. Счетная машина Готфрида Лейбница. "Аналитическая машина" Чарльза Бэббиджа, развитие вычислительной техники после ее создания. Поколения электронно-вычислительных машин.
презентация [1,2 M], добавлен 10.02.2015Характеристика моделей обучения. Общие сведения о нейроне. Искусственные нейронные сети, персептрон. Проблема XOR и пути ее решения. Нейронные сети обратного распространения. Подготовка входных и выходных данных. Нейронные сети Хопфилда и Хэмминга.
контрольная работа [1,4 M], добавлен 28.01.2011Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.
презентация [3,0 M], добавлен 28.05.2015Основы нейрокомпьютерных систем. Искусственные нейронные сети, их применение в системах управления. Алгоритм обратного распространения. Нейронные сети Хопфилда, Хэмминга. Современные направления развития нейрокомпьютерных технологий в России и за рубежом.
дипломная работа [962,4 K], добавлен 23.06.2012Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.
реферат [1,2 M], добавлен 24.05.2015Рождение искусственного интеллекта. История развития нейронных сетей, эволюционного программирования, нечеткой логики. Генетические алгоритмы, их применение. Искусственный интеллект, нейронные сети, эволюционное программирование и нечеткая логика сейчас.
реферат [78,9 K], добавлен 22.01.2015
