Помощь в написании студенческих работ
Антистрессовый сервис

Нейросетевой анализ в геоинформационных системах

Диссертация: Нейросетевой анализ в геоинформационных системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Основные положения работы докладывались и обсуждались на: V, VI, VII и VIII Всероссийских семинарах «Нейроинформатика и ее приложения» (Красноярск, 1997, 1998, 1999 и 2000 гг.), конференциях молодых ученых Института вычислительного моделирования СО РАН (Красноярск, 1998, 1999 и 2000 гг.), конференциях молодых ученых Красноярского научного центра СО РАН (Красноярск, 1998, 1999 и 2000 гг… Читать ещё >

Нейросетевой анализ в геоинформационных системах (реферат, курсовая, диплом, контрольная)

Содержание

  • Глава 1. ПРОБЛЕМА АНАЛИЗА ДАННЫХ В ГИС
    • 1. 1. ГИС среди информационных технологий
    • 1. 2. Классификация в ГИС
    • 1. 3. Трудности в классификации географических комплексов
  • Глава 2. ГИС КАК СРЕДСТВО ВИЗУАЛИЗАЦИИ И АНАЛИЗА ДАННЫХ РАЗЛИЧНОЙ ПРИРОДЫ
    • 2. 1. Введение в ГИС
    • 2. 2. Модели ГИС
    • 2. 3. Основные идеи метода анализа данных в ГИС с помощью искусственных нейронных сетей
    • 2. 4. Аналитические задачи в ГИС, решаемые с помощью искусственных нейронных сетей
    • 2. 5. Основные идеи визуализации и анализа данных произвольной природы
  • Глава 3. НЕЙРОСЕТЕВОЙ АНАЛИЗ СВЯЗИ МЕЖДУ СЛОЯМИ
    • 3. 1. Методы нейросетевого анализа связей между слоями
    • 3. 2. Программные средства и примеры использования
  • Глава 4. ТЕХНОЛОГИЯ КАРТИРОВАНИЯ ПРОИЗВОЛЬНЫХ ДАННЫХ
    • 4. 1. Упругие карты
    • 4. 2. Применение методов визуализации произвольных данных к картографированию экономических таблиц
    • 4. 3. Применение технологии для визуализации и анализа таблицы экологических измерений

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Актуальность темы

.

Необходимость проанализировать картографические данные, накопленные в Географических информационных системах (ГИС), возникает у представителей различных профессий. Прежде всего это актуально для управляющих структур, владеющих большими массивами информации, на основе которых принимаются решения. В этом также нуждаются специалисты, оценивающие и прогнозирующие состояние какой-либо области человеческой деятельности, например, рынков сбыта продукции, загрязнения территории и т. п. Нарастающие информационные потоки в современном обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивают нагрузку на пользователя этих технологий и ставят задачу переноса проблемы выбора и принятия решений с человека на ЭВМ. Одним из путей решения этой задачи является применение аналитических систем, которые могут быть составной частью ГИС.

Далеко не все ГИС снабжены возможностями специализированного анализа. Это связано с тем, что четкой схемы проведения таких работ не существует и организации, занимающиеся ими, предпочитают производить анализ по собственным методикам и правилам. Работа со специфическими данными специфическим образом является характерной чертой этого типа анализа. Кроме того, взгляды на приемы его проведения могут меняться с течением времени. Поэтому такие возможности в ГИС представляются средствами создания приложений самими пользователями. Сложность состоит в том, что для каждой специализированной области возникает необходимость создавать отдельное приложение к ГИС и часто даже свою методику обработки. Это не всегда возможно и часто дорого.

Географические комплексы плохо поддаются формализации. Существующий математический аппарат недостаточно приспособлен для решения географических задач. Формулировки географических задач, описания явлений допускают некоторый произвол или двоякое толкование, по крайней мере, на современном этапе исследований. Строгие алгоритмы многомерной классификации могут не соответствовать уровню строгости и точности самих задач. Это иногда приводит к результатам, не отвечающим существу и содержательному смыслу. В плане решения данной проблемы внимание исследователей (географов и не географов) привлекает теория искусственного интеллекта и попытки разработки на ее основе методов решения таких задач.

ГИС являются хорошей средой для внедрения методов искусственного интеллекта и экспертных систем. Это вызвано, с одной стороны, разнообразием и сложностью данных в ГИС, с другой — наличием большого числа аналитических задач при использовании ГИС. Одновременно с этим большинство проблем и задач в ГИС слабо структурировано и слабо формализовано.

Построение традиционных математических моделей для решения таких проблем затруднено или сопряжено со значительными затратами, превышающими ожидаемый от модели эффект. Это связано с невозможностью полного исследования внутренних взаимодействий в системе, большим числом влияющих факторов, неполнотой или неточностью описания объектов, динамикой или малой изученностью предметной области. Традиционно такие задачи решаются на неформальном уровне экспертами — специалистами в предметной области. В современных условиях для решения подобных задач используются искусственные нейронные сети.

Нейросетевые модели претендуют на то, чтобы стать универсальным аппаратом, решающим разные специфические задачи из разных проблемных областей в ГИС. Такая универсальность обуславливается тем, что нейросетевые технологии дают стандартный способ решения многих нестандартных задач.

Интеграция основанных на нейросетевых технологиях средств решения слабоформализованных задач и геоинформационных систем позволит существенно повысить качество и скорость обработки информации, расширить их возможности в прикладных, исследовательских, учебных и других задачах. Цель работы Целью работы является: разработка технологии интеграции искусственных нейронных сетей и геоинформационных систем и ее программная реализацияразработка методов нейросетевого анализа связей между слоями ГИС и соответствующего программного инструментарияразработка технологии упругих карт для картирования и представления в ГИС данных произвольной природы. Задачи исследования: анализ возможностей и сложностей применения нейросетевых моделей в составе геоинформационных системсоздание нейросетевых методов решения аналитических задач в.

ГИСразработка методов и средств построения, применения и взаимодействия нейросетевых моделей совместно с ГИСразработка программной системы, интегрирующей нейросетевые и геоинформационные технологииразработка методов картирования, визуализации и интеграции в ГИС данных произвольной природыэкспериментальное исследование разработанных технологий с использованием модельных и реальных данных. Научная новизна работы.

Научная новизна работы определяется тем, что впервые предложена и реализована технология интеграции искусственных нейронных сетей и геоинформационных систем. Разработаны методы нейросетевого анализа связей между слоями ГИС. Реализованы сети Паде-нейронов. Разработана технология упругих карт для картирования и представления в ГИС данных произвольной природы. Реализована программная система для нейросетевого анализа связей между слоями ГИС.

Практическая значимость.

Разработанная в диссертации технология нейросетевого анализа в ГИС предназначена для решения широкого спектра задач, связанных с анализом и прогнозом явлений и событий окружающего мира, с осмыслением и выделением главных факторов и причин, а также их возможных последствий, с планированием стратегических решений и текущих последствий предпринимаемых действий.

Разработанные в рамках технологии методы ориентированы на следующие применения:

• автоматизированное построение нейросетевых блоков для решения задач оценки, диагностики и прогнозирования на основе эмпирических данных в составе существующих геоинформационных систем;

• построение и исследование нейросетевых моделей решения задач анализа данных в ГИС;

• представление и анализ средствами ГИС многомерных данных произвольной природы.

Апробация работы.

Основные положения работы докладывались и обсуждались на: V, VI, VII и VIII Всероссийских семинарах «Нейроинформатика и ее приложения» (Красноярск, 1997, 1998, 1999 и 2000 гг.), конференциях молодых ученых Института вычислительного моделирования СО РАН (Красноярск, 1998, 1999 и 2000 гг.), конференциях молодых ученых Красноярского научного центра СО РАН (Красноярск, 1998, 1999 и 2000 гг.), Международной НТК «Нейронные, реляторные и непрерывнологические сети и модели» (Ульяновск, 1998 г.), 5-й Международной конференции «Математика. Компьютер. Образование» (Дубна, 1998 г.), Третьем Сибирском конгрессе по прикладной и индустриальной математике «ИНПРИМ-98» (Новосибирск, 1998 г.), Всероссийских научно-технических конференциях «Нейроинформатика» в рамках научных сессий МИФИ (Москва, 1999 и 2000 гг.), международных конференциях «ИНТЕРКАРТО» (Барнаул, 1998 г., и Якутск, 1999 г.), XXXVII и XXXVIII международных научных студенческих конференциях «Студент и научно-технический прогресс» (Новосибирск, 1999 и 2000 гг.).

По теме диссертационной работы опубликовано 16 работ и 9 тезисов докладов.

Структура диссертации.

Диссертация состоит из введения, четырех глав, заключения и списка цитируемой литературы из 138 наименований, содержит 44 рисунка. Общий объем диссертации (с учетом иллюстраций) составляет 137 страниц.

Выводы.

Разработана и опробована на практике технология визуализации или картографирования многомерных данных (в которых могут содержаться пробелы) с помощью вложенных в пространство данных двумерных многообразий, названных упругими картами. И алгоритм построения этих многообразий, и общая идеология визуализации данных с их помощью существенно отличается от общепринятой на сегодняшний день технологии ЭОМ. Особенностью технологии также является возможность непрерывного проектирования данных на карту, что существенно повышает точность представления данных.

Еще раз стоит отметить, что описанная технология открывает перспективы для использования всего арсенала методов и средств, накопленных в ГИС-технологиях для картирования данных самой различной природы, без привязки к географическим координатам. Можно сказать, что вместо географической карты в описанной технологии используется подложка, образованная структурой самих данных.

Заключение

.

В диссертационной работе разработаны и реализованы технология и методы нейросетевого анализа в геоинформационных системах (ГИС) направленные на решение широкого спектра задач, связанных с анализом и прогнозом явлений и событий окружающего мира, с осмыслением и выделением главных факторов и причин, а также их возможных последствий, с планированием стратегических решений и текущих последствий предпринимаемых действий. Основные результаты работы заключаются в следующем:

1. Проведен анализ задач в ГИС и их решения в нейросетевом базисе, возможностей и методов применения нейросетевых моделей в составе прикладных геоинформационных систем.

2. Разработана и реализована технология применения искусственных нейронных сетей в геоинформационных системах. Технология включает в себя методы интеграции ИНС и ГИС и решение задач с помощью нейронных сетей.

3. Разработана технология решения задач в ГИС, включающая технологию получения данных из ГИС, методы создания и обучения ИНС с нелинейными Паде-преобразователями и технологию решения аналитических задач в ГИС. Впервые реализованы сети Паде-нейронов.

4. Разработана технология визуализации, картографирования и анализа многомерных данных (в которых могут содержаться пробелы) с помощью вложенных в пространство данных двумерных многообразий, названных упругими картами. Особенностью технологии также является возможность непрерывного проектирования данных на карту, что существенно повышает точность представления данных.

5. Разработана и реализована программная система для решения задач ГИС с помощью нейросетевых моделей. Система включает: подсистему взаимодействия с ГИС-компонентой, подсистему получения и подготовки данных, подсистему нейросетевой обработки данных. Программа позволяет выполнять как стандартные операции ГИС, так и традиционные операции полнофункционального нейроимитатора общего назначения, а также предобработку и визуализацию результатов.

6. Проведено экспериментальное исследование разработанных технологий с использованием реальных данных, которое подтвердило защищаемые положения. Метод нейросетевого анализа данных в ГИС апробирован на данных электронного экологического атласа города Красноярска.

Показать весь текст

Список литературы

  1. Н.В., Капралов Е. Г. Введение в ГИС. — М. — 1997. — 160с.
  2. В. Введение в городские географические информационные системы. New York: Oxford. -1991.-321 с.
  3. Bouille F. Towards 2000: The actual main trends in future GIS// Eur. Transit.: Context of GIS: Conf. Proc., Brno, Aug. 28th-31st, 1994. Brno. -1994. — P.13−27.
  4. A.B., Тикунов B.C., Геоинформатика. M., Картгеоцентр-Геодезиздат. — 1993. — 348 с.
  5. A.M. Геоэконика. М. — 1996. — 208 с.
  6. А.И. Картографическое моделирование и геоинформационные системы // Геод. и каргогр. -1994. -N 9. -С. 43−45.
  7. B.C. Моделирование в картографии: Учебник. М.: Изд-во МГУ.-1997.-405 с.
  8. A.M. Теоретические проблемы картографии. М.: Изд-во МГУ. -1993.-116 с.
  9. A.A. Новый подход к решению аналитических задач в ГИС // Материалы конференции молодых ученых Института вычислительного моделирования СО РАН, март 1999 г. Красноярск: ИВМ СО РАН.1999. С.89−90.
  10. A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС // Методы нейроинформатики: сборник научных трудов / Под ред. А.Н. Горбаня- Отв. за вып. М. Г. Доррер. -Красноярск: КГТУ. 1998. — С.152−163.
  11. Fischer M.M. From conventional to knowledge-based geographic information systems // Comput., Environ, and Urban Syst. 1994. — 18, N 4. -P. 233−242.
  12. J., Zhang J. 90'S GIS software system desing consideration// Cehui Xuebao Acta geo-daet. et cartogr.sin. 1994. — 23. N2. — P.127−134.
  13. Н.Г., Гаряев Р. И., Захарова A.A., Ковин P.B., Черноусов M.B. Математический аппарат для построения тематических карт при изучении и использовании недр // Трансферные технологии в информатике. Томск: Изд-во ТПУ. — 1999. — Вып 1. — С. 53−61.
  14. A.A. Картографирование всех и всяческих данных // Труды международной конференции «ГИС для оптимизации природопользования в целях устойчивого развития территорий» (ИНТЕРКАРТО 5). — Якутск: Изд-во Якутского ун-та. — 1999. 1ч. — С. 71−79.
  15. Т.Д. Статистические методы изучения природных комплексов. М.: Наука. 1975. — 96 с.
  16. A.A. Географический прогноз и результаты изучения динамики геосистем // Модели и методы оценки антропогенных изменений геосистем. Новосибирск: Наука. — 1986. — С. 12−22.
  17. Гуссейн-Заде С.М., Тикунов B.C. Проблемы использования методов автоматической классификации в географии. Вестн. Моск. ун-та, сер. геогр. 1988. — С.80−86.
  18. Гуссейн-Заде С.М., Тикунов B.C. Состояние, проблемы и перспективы классификации в географии. В кн.: Классификация в современной науке. Новосибирск, Наука, Сибирское отд. — 1989. — С. 119−129.
  19. B.C. Классификации в географии: ренессанс или увядание? (опыт формальных классификаций). Москва-Смоленск: Изд-во СГУ. -1997.-367с.
  20. A.M., Заботин Я. И., Панасюк М. В., Рубцов В. А. Количественные методы районирования и классификации. Казань: изд-во Казанск. ун-та. — 1985. — 120с.
  21. Griffith D. Toward a theory of spatial statistics. Geographical Analysis. -1980. — P.325−339.
  22. Scott L.M. Identification of GIS attribute error using exploratory data analysis// Prof. Geogr. 1994. — 46, N 3. — P. 378- 386.
  23. Shen Q. An application of GIS to the measurement of spatial autocorrelation//Comput., Environ, and Urban Syst. 1994. — 18, N 3. — P. 167−191.
  24. B.C. Математизация тематической картографии. -Владивосток. 1986. — 24с.
  25. B.C. Метод классификации географических комплексов для создания оценочных карт. Вестник Моск. ун-та, сер. геогр. — 1985. -С.28−36.
  26. Wang F. The use of artificial neural networks in a geographical information system for agricultural tand-suitability assessment// Environ, and Plann. A. -1994. 26, N2. — P.265−284.
  27. В.Я. Геоинформационные системы и технологии. М.: Финансы и статистика. — 1998. — 288 с.
  28. А.А. Нейросетевая парадигма решения аналитических задач в ГИС // «Студент и научно-технический прогресс»: Информационные технологии. Материалы XXXVII международной научной студенческой конференции.-Новосибирск: НГУ- 1999. С. 34.
  29. А.А. Нейросети для геоинформационных систем. // Всероссийская научно-техническая конференция «Нейроинформатика-99». Сборник научных трудов. 4.1. М.: МИФИ.- 1999. С.65−68.
  30. А.Н., РоссиевД.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. — 1996. — 276с.
  31. Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск.: Наука. 1998.- 188с.
  32. Little R.J., Schlushter M.D. Maximum likelihood estimation for mixed continuous and categorical data with missing values. Biometrika. — 1985. -Vol. 72.-P. 497−512.
  33. Beale E.M., Little R.J. Missing values in multivariate analysis. J. Roy. Statist. Soc. В.- 1975.-Vol. 37. -P. 129−145.
  34. Buck S.F. A method of estimation of missing values in multivariate data. J. Roy. Statist. Soc. B. — 1960. — Vol. 22. — P. 202−206.
  35. Afifi A.A., Elashoff R.M. Missing observations in multivariate statistics. J. Amer. Statist. Assoc. — 1966. — Vol. 61. — P. 595−604.
  36. Gilev S.E., Gorban A.N., Mirkes E.M. Several Methods for Accelerating the Training Process of Neural Networks in Pattern Recognition // Adv. Modelling & Analysis, A. AMSE Press. 1992. — Vol. 12, № 4 — P. 29−53.
  37. Gleason T.C., Staelin R. A proposal for handling missing data. -Psychometrika. 1975. — Vol. 40. — P. 229−252.
  38. Hocking R.R., MarxD.L. Estimatiom with incomplete data: an improved computational method and the analysis of nested data. Communs Statist. A.-1979.-Vol. 8.-P. 1151−1181.
  39. Little R.J., Rubin D.B. Statistical analysis with missing data. New York, Wiley.- 1987.-430 p.
  40. Н.Г., ЁлкинаВ.Н., Лбов Г. С. Алгоритмы обнаружения эмпирических закономерностей. — Новосибирск: Наука, 1985. — 110с.
  41. Н.Г., ЁлкинаВ.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм «ZET») //Вычислительные системы. Новосибирск. — 1975. — Вып. 61. Эмпирическое предсказание и распознавание образов. — С. 3−27.
  42. А.Н., Миркес Е. М., Свитин А. П. Полуэмпирический метод классификации атомов и интерполяции их свойств // Математическое моделирование в биологии и химии. Новые подходы. — Новосибирск: Наука. Сиб. отделение. 1992. — С.204−220.
  43. А.Н., Новоходько А. Ю. Нейронные сети в задаче транспонированной регрессии, Второй Сибирский Конгресс по Прикладной и Индустриальной Математике, Тезисы докладов. Новосибирск. 1996. — С.160−161.
  44. В.Н. Восстановление зависимостей по эмпирическом данным. V —М.: Наука.- 1979.-448с.
  45. В.Н., Червоненкис А. Ф. Теория распознавания образов. М.: Наука. -1974.
  46. Исследование зависимостей. -М.: Финансы и статистика. 1985.
  47. М., Стьюарт А. Многомерный статистический анализ и временные ряды. — М.: Наука. 1976. — 736 с.
  48. М., Стьюарт А. Статистические выводы и связи. — М.: Наука. 1973.-900 с.
  49. Н.П. Сплайны в теории приближения, -М: Наука. 1984. -352 с.
  50. В.И., Бабков В. В., Монастырный П. И. Интерполирование и интегрирование Минск: Наука и техника. — 1983. — 287 с.
  51. С.А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика. — 1989.
  52. И. Н., Филиппова A.A. Теория вероятностей и математическая статистика. М.: Высш. школа. 1982. — 256 с.
  53. А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир. — 1982. — 488с.
  54. Ahmad S., Tresp V. Classification with missing and uncertain inputs, Proc. of the 1993 IEEE ICNN. P. 1949−1954.
  55. Pao C.P. Линейные статистические методы.— M.: Наука. 1968. -548 с.
  56. Юл Дж. Э., Кендэл М. Дж. Теория статистики. М.: Госстатиздат. -1960.-376 с.
  57. В.А. О картографо-статистическом методе // Математические методы в географии. М.: Изд-во МГУ. 1968. — С. 140−142.
  58. Р., Харт П. Распознавание образов и анализ сцен. М.: Мир. -1976.-512с.
  59. Н.Г. Методы распознавания и их применение. М.: Сов. радио. 1972.-206 с.
  60. Фор А. Восприятие и распознавание образов.- М.: Машиностроение. -1989.-272с.
  61. В.Г., Яковлев А. Ф. О некоторых математических задачах, возникающих при реализации на ЭВМ географических информационных систем // Кибернетика и вычислительная техника. Вып. 3. М.: Наука. — 1987. — С. 277−296.
  62. A.A. Визуализация и моделирование различных данных. // Нейроинформатика и ее приложения. Тезисы докладов VII Всеросс. семинара.- Красноярск: КГТУ. 1999. — С. 114−115.
  63. А.Ю., Питенко A.A. Визуализация произвольных данных. // I Всесибирский конгресс женщин математиков. Тезисы докладов. ИВМ СО РАН: Красноярск. 2000. — С.76.
  64. А.Ю., Питенко A.A. Визуализация произвольных данных методом упругих карт // Материалы конференции молодых ученых Красноярского научного центра СО РАН, апрель 2000 г. Красноярск: КНЦ СО РАН. — 2000. — С. 18−20.
  65. А.Ю., Питенко A.A., Россиев A.A. Проектирование многомерных данных на двумерную сетку. // 2-я Всероссийская научно-техническая конференция «Нейроинформатика-2000». Сборник научных трудов. 4.1. М.: МИФИ. 2000. — С.80−88.
  66. А.Ю., Питенко A.A. Картографирование произвольных данных. // «Студент и научно-технический прогресс»: Информационные технологии. Материалы XXXVIII международной научной студенческой конференции.-Новосибирск: НГУ.- 2000. -С.38.
  67. Нейроинформатика / А. Н. Горбань, B.JI. Дунин-Барковский, А. НКирдин, 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.
  68. Gorban A.N., Novokhodko A.Yu. Neural Networks In Transposed Regression Problem, Proc. INNS WCNN '96.
  69. Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика. — 1981. — 302 с.
  70. А.А. Моделирование данных при помощи кривых для восстановления пробелов в таблицах. // Методы нейроинформатики: Сб. Научных трудов. Красноярск: Изд-во КГТУ. 1998. — 204 с.
  71. А.Н., Новоходько А. Ю., Царегородцев В. Г. Нейросетевая реализация транспонированной задачи линейной регрессии, Нейроинформатика и ее приложения: Тезисы докладов IV Всероссийского семинара. Красноярск. 1996. — С.37−39.
  72. Kohonen Т. Self-Organizing Maps. Springer: Berlin Heidelberg, 1997.
  73. 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.
  74. Bishop С.М. Theoretical foundation of neural networks. Aston Univ., UK Tech.Rep.NCRG-96−024, Neural computing research group. 1996. — 8p.
  75. Методы нейроинформатики. Сб.научн.трудов. / Под ред. А. Н. Горбаня. Красноярск: КГТУ. 1998. — 204 с.
  76. Fiesler Е. Neural network classification and formalization. Computer Standarts and interfaces. V. I 6, Elseiver Science publishers, Amsterdam. -1994. — 13p.
  77. Kernsley, D.H., T. R. Martinez. A Survey of Neural Network Research and Fielded Applications // International Journal of Neural Networks: Research and Applications. Vol. 2, No. 2 / 3 / 4. — 1992. — P. 123−133
  78. Л.В., Гилев С. Е., Горбань А. Н. Нейросетевой бинарный классификатор «CLAB» (описание пакета программ). Красноярск: Ин-т биофизики СО РАН. 1992. — 25 с. Препринт № 194 Б.
  79. JI.B., Гилев С. Е., Горбань А. Н., Гордиенко П. В., Еремин Д. И., Коченов Д. А., Мирнее Е. М., Россиев Д. А., Умнов H.A. Нейропрограммы. Учебное пособие: В 2 ч. // Красноярск, Красноярский государственный технический университет-1994.-260 с.
  80. А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП «ParaGraph». 1990. — 160 с.
  81. А.Н. Нейрокомпьютер, или Аналоговый ренессанс. Мир ПК. -1994. -№ 10.-С. 126−130.
  82. Armitage W.D., Lo J.-C. Enhancing the robustness of a feedforward neural network in the presence of missing data, Proc. of the IEEE ICNN, Orlando, FL, USA. 1994 June. — Vol.2. — P.836−839.
  83. Искусственный интеллект- В 3 кн. Кн.2 Модели и методы- Справочник / Под ред. Д. А. Поспелова. М.: Радио и связь. — 1990. — 304 с.
  84. Искусственный интеллект- В 3 кн. Кн. 1. Системы общения и экспертные системы- Справочник / Под ред. Э. В. Попова. М.: Радио и связь. — 1990.-464с.
  85. Н. Искусственный интеллект. М.: Мир. — 1973. — 270 с.
  86. Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности. // Автоматы. М.: ИЛ. 1956.
  87. М., Пайперт С. Персептроны. М.: Мир. 1971.
  88. РозенблаттФ. Принципы нейродинамики. М.: Мир. 1965.
  89. A.A., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ. — 1998. — 224 с.
  90. А.Н. Быстрое дифференцирование, двойственность и обратное распространение ошибки / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН. 1998. — С. 73−100.
  91. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М.: Наука. — 1978.
  92. Е.Н., Вайткявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука. 1989. — 238 с.
  93. Poggio T. and F. Girosi A Theory of Networks for Approximation and Learning. MIT A1 memo 1140. 1989. — 87 p.
  94. Heht-Nielsen R. Theory of the backpropagation neural network. Neural Networks for Human and Mashine Perception. H. Wechsler (Ed.). Vol. 2. Boston, MA: Academic Press. — 1992. — P. 65 — 93.
  95. Olmsted D. D. History and Principles of Neural Networks http:// www.neurocomputing.org / history. htm
  96. Bishop C.M. Regularization and complexity control in feed-forward networks. Aston University, Tech.Rep.NCRG-95−022, Neural computing research group. 1995. — 8p.
  97. Sarle W. Stopped training and other remedies for overfitting. In Proc. of the 27th Symposium on the Interface. — 1995. 10 p.
  98. Э. Численные методы оптимизации. Единый подход. М., Мир. -1974.-376 с.
  99. А.А., Гулин А. В. Численные методы: Учеб. пособие для вузов. М.: Наука. 1989. — 432 с.
  100. Р.В. Численные методы. М.: Наука. 1972. — 400 с.
  101. Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир. -1985.-509 с.
  102. ГеоГраф, GeoDraw профессиональные отечественные ГИС для широкого круга пользователей И ГИС — обозрение. Зима. — 1994. -С.24−25.
  103. В.А., Черванев И. Г., Кренке А. И. и др. Модели полей в географии. Новосибирск: Наука. — 1989. — 143 с.
  104. В.И., Витязь О. В., Дьякова Ю. Д., Дыхно Л. И., Дыхно Ю. А., Пузанов A.A., Хлебопрос Р. Г. Экологические структуры Красноярска. Препринт 119Б, Красноярск. — 1990. — 68с.
  105. Ю.Д., Питенко A.A. Электронный экологический атлас города Красноярска. Препринт — «Информационный материал и руководство пользователя», Красноярск: ИВМ СО РАН. — 1999. — 16с.
  106. Ю.Д., Питенко A.A.-Электронный экологический атлас города Красноярска // Материалы конференции молодых ученых Института вычислительного моделирования СО РАН, март 1999 г. -Красноярск: ИВМ СО РАН. 1999. — С. 38−42.
  107. A.A. Медико географический подход к изучению здоровья населения регионов // Медико-географические аспекты оценки уровня здоровья населения и состояния окружающей среды. Санкт-Петербург: Изд-во НИИ ГПМ РФ. — 1992. — С.37−45.
  108. В.Н. // Методологические проблемы экологии человека. Новосибирск: Наука, сиб. отд. 1988. — С. 85−94.
  109. С.В. Медико-географический прогноз в территориальных комплексных системах охраны природы // Модели и методы оценки антропогенных изменений геосистем. Новосибирск: Наука. — 1986. -С. 22 — 32.
  110. И.А., Ротанова И. Н. Комплексное картографирование проблемных медико экологических ситуаций. — География и природные ресурсы. — 1997. — № 4. — С. 43−49.
  111. В.В., Дятченко О. Т., Мерабишвили В. М., Шабашова Н. Я. Экологическая обстановка, демография и злокачественные новообразования в Санкт-Петербурге // Вопросы онкологии. 1998. -№ 3. -С. 270−282.
  112. Воздействие на организм человека опасных и вредных экологических факторов. Метрологические аспекты. Под ред. Исаева JI. К. Том 1. -М.: ПАИМС. 1997. — 512 с.
  113. Г. В., Татарский В. П., Задолинная С. Д., Рязанова Е. В. Зависимость онкологической заболеваемости от загрязнения атмосферного воздуха // Гигиена и санитария. М.: Медицина. 1997. -№ 2.-С 38−45.
  114. В.В., Мизгирёв И. В., Экологически опасные факторы, Санкт Петербург, Изд-во «Банк Петровский». — 1996. — 186с.
  115. В.М. Проблемы экологической иммунологии. JL: Лениздат. -1976.-215 с.
  116. Н.П., Чеботарев А. Н. Наследственность человека и мутагены внешней среды. М.: Медицина. — 1989. — 272 с.
  117. А. Н., Рубенчик Б. Л., Слепнян Э. И. Экология и рак. Киев: Наукова думка. 1985. — 180 с.
  118. Н.Я. Экспериментально-гигиенические основы установления предельно допустимых концентраций бенз(а)пирена в атмосферном воздухе // Эпидемиология рака легкого. Ростов-на-Дону: Изд-во Ростовского университета. 1990. — С. 198−208.
  119. Л.М., О циркуляции канцерогенов в окружающей среде, Москва, Медицина. 1973 .-367с.
  120. С.А., Бежаева З. И., Староверов О. В. Классификация многомерных наблюдений. М.: Статистика. — 1974. — 240 с.
  121. A.A. Алгоритмы автоматической классификации: Обзор // Автоматика и телемеханика. 1971. — № 12. — С. 78−113.
  122. А.Н., Россиев A.A. Итерационный метод главных кривых для данных с пробелами // Проблемы нейрокибернетики: Труды 12 Международной конференции по нейрокибернетике. Ростов-на-Дону: Издательство СКНЦВШ. 1999. — С. 198−201.
  123. A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики / Под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ. 1998. — С. 6−22.
  124. Gorban A.N., Rossiev A.A. Wunch II D.C. Neural Network Modelling of Data with Gaps: Method of Principal Curves, Carleman’s Formula and Other// Радюелектрошка. 1нформатика. Управлшня, Запорожье. -2000. -№ l.-C. 47−55
  125. А.Ю., Питенко A.A. Система визуализации произвольных данных. // 2-я Всероссийская научно-техническая конференция «Нейроинформатика-2000». 4.1. М.: МИФИ.- 2000. С.75−80.
  126. А.Ю., Питенко A.A. Визуализация данных методом упругих карт //Радюелектрошка. 1нформатика. Управлшня, Запорожье. 2000. -№ 1. — С.76−85.136. «Expert» magazine. № 36. — 1999.
  127. Shumsky S.A., Kochkin A.N. Self-Organizing maps of financial indicators of the 200 biggest Russian companies. Proc. All-Russia science conference «NeuroInformatics-99». Moscow. 1999. — Part 3. — P. 122−127.
  128. JI.А. Формулы Карлемана в комплексном анализе. Первые приложения. Новосибирск: Наука. — 1990.
Заполнить форму текущей работой

Сессия? Спокойно!