Помощь в написании студенческих работ
Антистрессовый сервис

Применение нейросетевого подхода к решению задач обработки гидроакустической информации, получаемой от антенных решеток

Диссертация: Применение нейросетевого подхода к решению задач обработки гидроакустической информации, получаемой от антенных решеток
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Практический интерес также представляет задача пеленгования сигналов, углы прихода волновых фронтов которых медленно меняются. В этом случае для разрешения слабых сигналов с постоянным пеленгом на фоне сильных, пеленг которых изменяется во времени, предлагается использовать короткие выборки измерений с малым отношением сигнал/шум и затем обрабатывать множества полученных оценок способом… Читать ещё >

Применение нейросетевого подхода к решению задач обработки гидроакустической информации, получаемой от антенных решеток (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Анализ модельных представлений и методов обработки сигналов в гидроакустике. Постановка задачи
    • 1. 1. Предмет первичной обработки сигналов
    • 1. 2. Модельные представления первичной обработки гидроакустических сигналов
      • 1. 2. 1. Плосковолновое приближение модели сигналов
      • 1. 2. 2. Модель распределенной помехи
    • 1. 3. Алгоритмы первичной обработки сигналов в типовой гидроакустической ''мо'Двйй
    • 1. 4. Постановка задачи пеленгования
  • 2. Синтез алгоритмов пеленгования сигналов 2 6 2.1.Метод минимизации остаточной мощности. Одночастотная реализация
    • 2. 1. 1. Описание метода минимизации остаточной мощности
    • 2. 1. 2. Исследование метода в случае пеленгования сильно коррелированных сигналов
    • 2. 1. 3. Исследование возможностей функционирования метода в произвольных помехо-сигнальных ситуациях
    • 2. 1. 4. Некоторые проблемы реализации метода MOM
    • 2. 1. 5. Вычислительные преимущества и недостатки
    • 2. 1. 6. Модификация алгоритма метода MOM для пеленгования сигналов, принимаемых неоднородной антенной решеткой
    • 2. 1. 7. Исследование одночастотного алгоритма MOM. Сравнение с алгоритмами непрерывного анализа
    • 2. 2. Метод минимизации остаточной мощности. Многочастотная реализация
    • 2. 2. 1. Описание метода минимизации остаточной мощности
    • 2. 2. 2. Исследование многочастотного алгоритма MOM. Сравнение с традиционными алгоритмами пеленгования
    • 2. 3. Выводы
  • 3. Синтез нейроподобной сети, реализующей алгоритмы пеленгования сигналов
    • 3. 1. Применение искусственных нейронных сетей к решению задач гидроакустики
      • 3. 1. 1. Основные понятия теории искусственных нейронных сетей
      • 3. 1. 2. Классы гидроакустических задач, решаемых с помощью нейронных сетей
    • 3. 2. Принципы построения нейроподобной сети для пеленгования сигналов 8 3 3.3.Организация нейроподобной сети для обработки сигналов на многих частотах
    • 3. 4. Нейронная сеть для обработки коротких последовательностей измерений
      • 3. 4. 1. Описание нейронной сети
      • 3. 4. 2. Исследование алгоритма обработки коротких последовательностей измерений
    • 3. 5. Выводы
  • 4. Программное макетирование алгоритма пеленгования гидроакустических сигналов и исследование вопросов его технической реализации
    • 4. 1. Программное макетирование 116 4.1.1.Описание макета
      • 4. 1. 2. Программа испытаний макета
      • 4. 1. 3. Результаты испытаний макета
      • 4. 1. 4. Выводы по результатам макетирования
    • 4. 2. Исследование возможности технической реализации нейросетевых алгоритмов пеленгования сигналов
      • 4. 2. 1. Аппаратные средства ЦБК
      • 4. 2. 2. Программное обеспечение ЦБК
      • 4. 2. 3. Структура ЦБК
      • 4. 2. 4. Выводы по проработке технической реализации

Диссертационная работа посвящена решению одной из важных задач обработки гидроакустической информации — определению направлений на источники гидроакустических сигналов, принимаемых многоэлементной антенной решеткой заданного вида и определению мощностей этих сигналов. За последние годы по этой теме были опубликованы десятки статей (см., например, [20,29,33,34,48,77,78,81,87,100, 101,110,114]). Наиболее часто используемыми в настоящее время методами пеленгования сигналов, принимаемых антенной решеткой, являются метод Кейпона [34], метод Борджотти-Лагунаса [78,100], которые заключаются в оценивании локальных максимумов различных для каждого метода функций углов прихода сигналов, и алгоритм Шмидта [114], который использует информацию, содержащуюся в системе собственных векторов взаимной ковариационной матрицы сигналов.

Перечисленные методы решения данной задачи дают неудовлетворительные результаты в условиях сильной корреляции сигналов, обработки сигналов разной мощности, имеющих близкие пеленги слабых сигналов. Кроме того, все они требуют значительных вычислительных затрат, связанных с необходимостью обращения матриц, размерность которых равна квадрату количества приемников антенной решетки, или вычисления собственных векторов таких матриц.

В [6−11] предложен метод «ожидания-модификации», заключающийся в итерационном уточнении по диаграмме направленности пеленгов каждого из сигналов при фиксации остальных. При этом на каждой итерации вычисляются комплексные амплитуды всех сигналов. Этот метод можно характеризовать как метод покоординатного спуска применительно к выбранному функционалу качества. В [6,10] показано, что этот метод дает хорошие результаты по разрешению близко расположенных значительно отличающихся по мощности сигналов в случае, если их комплексные амплитуды детерминированы и постоянны во времени. Однако при переходе к более реалистичной модели сигналов, для которых средняя комплексная амплитуда равна нулю, данный метод также перестает быть эффективным, т.к. требует непомерно больших объемов памяти и вычислений на каждом шаге итерации.

Поэтому актуальной является разработка метода пеленгования сигналов, экономичного в вычислительном отношении, позволяющего получать приемлемые результаты в сложных помехо-сигнальных ситуациях.

Анализ литературы [76,96,102,106,108,111,112] показал, что перспективным подходом к реализации алгоритма метода минимизации остаточной мощности является применение искусственных нейронных сетей. Выбор этого подхода обусловлен способностью искусственных нейронных сетей к минимизации некоторого функционала качества в процессе обучения. Обычно минимизируется квадрат нормы невязки желаемого и реального выходов, получаемых в результате предъявления сети элементов обучающей выборки. Так работают, например, рекуррентные сети Хопфилда, обучающиеся по правилу обратного распространения ошибки.

В процессе выполнения диссертационной работы синтезирована структура нейроподобной сети, работающей по алгоритму предложенного и описанного в главе 2 данной работы метода пеленгования сигналов, названного методом минимизации остаточной мощности (MOM).

Этот метод основан на минимизации критерия, представляющего мощность, остающуюся после вычитания из сигналов, принимаемых антенной решеткой, гипотетических полезных сигналов с выбранных направлений, оптимальных по комплексным амплитудам. Другими словами, минимизируется остаточная мощность сигналов, что и определило выбор названия метода.

Метод минимизации остаточной мощности представляет собой естественное развитие метода «ожиданиямодификации», но не требует ни больших объемов памяти, ни значительных вычислительных ресурсов. В отличие от упомянутых выше методов, в нем вычисляются локальные минимумы функции нескольких переменных (например, методом сопряженных градиентов), но не требуется обращения матриц высокой размерности или вычисления собственных векторов таких матриц. На разных численных примерах в работе показано его вычислительное преимущество над известными методами и преимущество по качеству пеленгования в разнообразных помехо-сигнальных ситуациях.

Практический интерес также представляет задача пеленгования сигналов, углы прихода волновых фронтов которых медленно меняются. В этом случае для разрешения слабых сигналов с постоянным пеленгом на фоне сильных, пеленг которых изменяется во времени, предлагается использовать короткие выборки измерений с малым отношением сигнал/шум и затем обрабатывать множества полученных оценок способом, характерным для самоорганизующихся нейронных сетей. Для решения задачи пеленгования в этой практически важной ситуации в диссертационной работе предлагается использовать нейроподобную сеть, работающую аналогично алгоритму Кохонена.

Целью диссертационной работы является исследование проблем нейросетевой организации обработки гидроакустической информации в реальном масштабе времени при решении задачи пеленгования сигналов. Поставленная цель достигается решением задач разработки динамических моделей гидроакустических сигналов и помех- ~~ разработки алгоритмов пеленгования сигналов на основе критерия минимизации остаточной мощности в условиях малых различий между направлениями на источники этих сигналов, а также в случае приема нескольких сильно коррелированных между собой сигналов- ~ разработки программных средств для моделирования разработанных алгоритмов и оценки качества их функционирования по сравнению с алгоритмами традиционных методов решения поставленной задачи- ~ создания программного макета системы пеленгования сигналов, принимаемых многоэлементной антенной решеткой, и проверка его работоспособности- - разработки нейросетевой организации предложенных алгоритмов для случая близкорасположенных источников сигналов разной мощности с большой скоростью изменения пеленгаисследования вопросов технической реализации алгоритма с использованием мультипроцессорной ЭВМ.

Диссертационная работа состоит из введения, четырех глав, заключения и приложения. Основной текст работы изложен на 120 страницах машинописного текста. Работа содержит 4 9 рисунков и 18 таблиц.

Список литературы

включает 115 наименований.

4.2.4.Выводы по проработке технической реализации.

В настоящем разделе диссертационной работы рассмотрен вариант реализации разработанных нейросетевых алгоритмов с использованием специализированных ЭВМ «Багет», предназначенных для цифровой обработки радиолокационных, оптических и акустических сигналов, а также решения задач управления в реальном масштабе времени, и приспособленных к жестким условиям эксплуатации перечисленных систем.

Показано, что ЦВК, предназначенный для реализации разработанных алгоритмов, может быть реализован с использованием одной многопроцессорной ЭВМ «Багет-25», содержащей 68 сигнальных процессоров 1В577 и 3 универсальных процессора 1В578, и одной ЭВМ общего назначения «Багет-23». При этом ЦВК функционирует в реальном масштабе времени и имеет достаточный модернизационный запас.

Заключение

.

В процессе выполнения диссертационной работы на основе анализа возможности использования искусственных нейронных сетей для разработки систем обработки гидроакустической информации, существующих в гидроакустике модельных представлений и применяемых методов обработки сигналов предложено новое решение важной задачи гидроакустикипеленгования источников гидроакустических сигналов, принимаемых с помощью линейной антенной решетки, в сложных помехо-сигнальных ситуациях.

К основным результатам работы следует отнести:

1. На основе предложенных математической модели входного сигнала и критерия эффективности, заключающегося в минимизации остаточной мощности сигнала, синтезирован алгоритм решения поставленной задачи, обладающий свойством адаптации к помехо-сигнальным условиям приема входных сигналов. Разработанный алгоритм обладает значительно меньшей вычислительной сложностью по сравнению с традиционными алгоритмами пеленгования сигналов.

2. Разработана методика и проведена оценка эффективности синтезированного алгоритма с использованием метода статистического моделирования. Осуществлено сопоставление этой оценки с оценками эффективности традиционных методов пеленгования сигналов. Установлено, что синтезированный алгоритм обладает существенным преимуществом перед традиционными в ситуациях приема сильно коррелированных, слабых сигналов и сигналов, принимаемых от близко расположенных источников.

3.Предложена структура искусственной нейронной сети, реализующей разработанный алгоритм определения направлений на источники сигналов и допускающей реализацию с использованием мультипроцессорных систем.

4. Разработаны программные средства для проведения макетирования и экспериментального исследования эффективности разработанного алгоритма для набора типовых тактических ситуаций. Установлено соответствие между результатами работы программного макета и результатами статистического моделирования.

5. Исследованы вопросы технической реализации нейросетевого алгоритма с использованием серийно выпускаемых специализированных ЭВМ семейства «Багет».

Полученные в ходе выполнения работы результаты свидетельствуют о высокой эффективности разработанных нейросетевых алгоритмов решения задачи пеленгования сигналов в условиях приема сильно коррелированных сигналов, сигналов с малым отношением сигнал/шум, а также в ситуации приема сигналов от близко расположенных источников.

Результаты, полученные в настоящей работе, могут служить материалом для дальнейших исследований, которые целесообразно проводить в направлении расширения возможностей алгоритмов для различных конфигураций антенных решеток (плоской, цилиндрической, сферической формы).

Показать весь текст

Список литературы

  1. Э.Д. Алгоритмы настройки многослойных нейронных сетей//Автоматика и телемеханика. 1995. — № 4. — С.106−118 .
  2. Автоматы и разумное поведение/Под общ. ред. Н. М. Амосова.- К.: Наукова думка, 1973. 375 с.
  3. Автоматы: Сб. статей/Под ред. К. Э. Шеннона и Дж. Маккарти- Пер. с англ./Под ред. А. А. Ляпунова. М.: Изд-во иностр. лит., 195б. — 404 с.
  4. Н.М., Куссуль Э. М., Касаткин A.M., Касаткина J1.M. Стохастические нейроподобные сети с ансамблевой организацией. Киев, 1989. — 30 с. -(Препр./АН УССР. Ин-т кибернетики им. В. М. Глушкова. 89−25).
  5. Н.Е., Лисс A.A. Нейросетевые методы обработки гидроакустических сигналов, принимаемых антенными решетками//Изв. ГЭТУ. 1997. — Вып. 515. — С.15−25.
  6. Н.Е., Лисс A.A., Мельканович B.C., Степанов М. В. Модель искусственной нейронной сети обработки пространственно- временных сигналов//Изв. ГЭТУ. 1994.- Вып. 476. С. 88−94.
  7. Н.Е., Лисс A.A., Мельканович B.C., Степанов М. В. Перспективы использования искусственных нейронных сетей в задачах обработки акустических сигналов//Изв. ГЭТУ. 1994. — Вып. 476. — С. 82−88.
  8. С.И. Некоторые свойства адаптивных сетей (программная реализация). Красноярск: Институт физики СО АН СССР, 1987. — 64 с.
  9. С.И., Охонин В. А. Адаптивные сети обработки информации. Красноярск: Институт физики СО АН СССР, 1986. — 64 с.
  10. М.А. Элементная база нейрокомпьютеров// Зарубежная радиоэлектроника. 1991. — № 6. — С.45−49.
  11. В.В. Цифровое моделирование в статистической радиотехнике. М.: Советское радио, 1971. — 328 с.
  12. Е.С. Теория вероятностей. М.:Наука, 1964. -576с.
  13. А.И. Нейрокомпьютеры в разработках военной техники США// Зарубежная радиоэлектроника. 1995. — № 5, 6. — С. 4−21.
  14. А.И. Современные направления развития нейрокомпьютерных технологий в России//Открытые системы. 1997. — № 4(24). — С. 25−28.
  15. У.Ф. Спектральный анализ и методы сверхразрешения с использованием адаптивных решеток //ТИИЭР. 1980.- Т.68. — № 6.- с.19−32.
  16. В.П. Эвристический поиск в сложных средах. -К.: Наукова думка, 1977. 166 с.
  17. В.М. Теория обучения единого класса дискретных перцептронов//Журнал вычислительной математики и физики.- 1962. Т.2. — Вып.2. — С.317−335.
  18. Гольденберг J1.M. и др. Цифровая обработка сигналов// Справочник. М.:Радио и связь, 1985 г.
  19. А.Н. Обучение нейронных сетей. М.: СП «ParaGraph», 1990. — 160 с.
  20. А.Н., Россиев Д. А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. — 276 с.
  21. Е.К., Лукьяница A.A. Искусственные нейронные сети: Основные определения и модели//Изв. РАН. Сер. Техническая кибернетика, 1994. — № 5. — С.79−92.
  22. .П., Марон И. А. Основы вычислительной математики. М.:Наука, 1970. — 664 с.
  23. Е. Хинтон. Как обучаются нейронные сети// В мире науки. 1992 — № 11−12. — С. 103−107.
  24. Д.Х. Применение методов спектрального оценивания к задачам определения угловых координат источников излучения//ТИИЭР. 1982. — Т.70. — № 9. — с.126−139.
  25. А.П., Колесников А. Е., Корепин Е.А.и др.//Справочник по гидроакустике. Л. Судостроение, 1988 г. — 384 с.
  26. А.Г. Персептрон-система распознавания образов.- К.: Наукова думка, 1972. 234 с.
  27. H.H. Численные методы. М.: Наука, 1978. 512с.
  28. Кей С.М., Марпл-мл. С. Л. Современные методы спектрального анализа//ТИИЭР. 1981. — Т.69. — № 11.1. С.5−51.
  29. Дж. Пространственно-временной спектральный анализ с высоким разрешением//ТИИЭР. -1969. Т.57.- № 8.-С.69−79.
  30. В.В. Параллельные вычислительные системы.- М.: «Нолидж», 1999.- 320 с.
  31. Т. Ассоциативная память. М:. Мир, 1980. — 240с.
  32. В.М., Байдык Т. Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении//Автоматика. 1990. — № 5. — С. 56−61.
  33. Э.М. Средства и методы построения нейроподобных сетей для управления роботом//Дисс. докт. техн. наук. -Киев, 1981. 366 с.
  34. Э.М., Байдык Т. Н. Разработка архитектуры нейроподобной сети для распознавания формы объектов на изображении//Автоматика. 1990. — № 5. — С. 56−61.
  35. Э.М., Федосеева Т. В. О распознавании звуковых сигналов в нейроподобных ансамблевых структурах. К., 1989. 21с. -(Препр./АН УССР. Ин-т кибернетики им. В.М.Глушкова- 87−28)
  36. Р., Лабаск И. Влияние неоднородностей и нестабильностей среды на пространственную и временную обработку сигналов//Подводная акустика и обработка сигналов. Под ред. Бьёрнё. — М.:Мир, 1985 г. — 560 с.
  37. Р., Лабаск И. Вычисление усредненных потерь при распространении звука и частотно пространственных функций когерентности в мелководных районах//Акустика дна океана. — Под ред. У. Куперман, Енсен. — М. :Мир, 1984 г. — 640 с.
  38. A.A. Анализ качества функционирования нейроподобной системы обработки сигналов в антенных решетках//Изв. ГЭТУ. 1996. — Вып 500. — С. 100−105.
  39. В.Н., Тарасюк Ю. Ф. Дальность действия гидроакустических средств. Л.:Судостроение, 197 6. — 32 0 с.
  40. П. Физиологическая психология. М.:Мир, 1973. -647 с.
  41. Минский М.. Фреймы для представления знаний. М.: Энергия, 1979. — 151 с.
  42. P.A., Миллер Т. У. Адаптивные антенные решетки. Введение в теорию/Пер. с англ. -М.гРадио и связь, 1986. -480 с.
  43. ., Делиль Ж. Пространственный анализ в пассивных локационных системах с помощью адаптивных методов//ТИИЭР. 1987. — Т. 75. — № 11. — С.21−37.
  44. Дж. Теория самовоспроизводящихся автоматов. М.:Мир, 1971. 382 с.
  45. Нейроинформатика и ее приложения: Мат. 3-го Всерос. сем., 6−8 октября, 1995 г.-Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1995. 230 с.
  46. Нейроинформатика и ее приложения: Тез. докл. 5-го Всерос. сем., 3−5 октября, 1997 г.-Под ред. А. Н. Горбаня. Красноярск: КГТУ, 1997. — 190 с.
  47. Д.А. Логико-лингвистические модели в системах управления. М.:Энергоиздат, 1981. — 232 с.
  48. В.Г., Скиданов В. А. Магнитный микроэлектронный нейрокомпьютер//Нейрокомпьютер. 1993. — № 1,2.
  49. Ф. Аналитические методы изучения нейронных сетей//3арубежная радиоэлектроника. 1965 № 51. С.40−50.
  50. Ф. Принципы нейродинамики. М.:Мир, 1965. -480с.
  51. Семейство ЭВМ для специальных применений «Багет»: Каталог продукции конструкторского бюро «Корунд-М». Третье издание. М. :Конструкторское бюро «Корунд-М», 2000.- 45 с.
  52. Смарьппев М.Д., Добровольский Ю.Ю./Гидроакустические антенны: Справочник. Л.:Судостроение, 1984 г. — 375 с.
  53. Е.Н., Вайтнявичус Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру.- М.: Наука, 1989. 283 с.
  54. Стохастические нейроподобные сети/Н.М.Амосов, Э. М. Куссуль и др.- Ин-т кибернетики им. В. М. Глушкова АН УССР. -Киев, 1989.
  55. В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления// Изв. РАН. Сер. Теория и системы управления. 1996. -№ 3. — С.70−79.
  56. В.А., Ефимов Д. В., Тюкин И. Ю. Структурный синтез адаптивных систем управления с многослойными нейронными сетями//Изв. ГЭТУ. 1997. — Вып. 510. -С.3−13.
  57. В.А., Ефимов Д. В., Тюкин И. Ю., Антонов В. Н. Нейросетевые системы управления. СПб: Изд. СПб университета, 1999. — 265 с.
  58. Д.У., Хопфилд Д. Д. Коллективные вычисления в нейроподобных электронных схемах//В мире науки. 1988.- № 2. С.44−53.
  59. Ю.Н., Макаров А. А. Статистический анализ данных на компьютере/Под ред. В. Э. Фигурнова М.:ИНФРА-М, 1998. — 528 с.
  60. Урик Р. Д. Основы гидроакустики. J1.:Судостроение, 1978 г.- 597 с.
  61. Уидроу Б. Обзор адаптивных антенн//Подводная акустика и обработка сигналов- Под ред. Бьёрнё. М.: Мир, 1985 г.
  62. ., Стирнз С. Адаптивная обработка сигналов/Пер. с англ.-М.:Радио и связь, 1989.
  63. Ф. Нейрокомпьютерная техника. М.:Мир, 1992.- 240 с.
  64. А. А. Муравьев И.П. Нейронные модели ассоциативной памяти. М.: Наука, 1987.
  65. Д. Нейронные сети на пути к широкому внедрению//Электроника. — 1993. — № 15(888). — С.23−30.
  66. Ackley D.H., Hinton G.E., Sejnowski T.J. A learning algorithm for Bolzmann machines//Cognit. Sci. 1985. vol. 9. № 1. pp.147−169.
  67. Amari S. Field theory of self-organizing neural networks//IEEE Trans. Syst., Man, Cybern. 1983. vol. 13. pp. 741.
  68. Anil K. Jain, Jianchang Mao, Mohiuddin K.M. Artificial neural networks: A tutorial//Computer. 1996.Vol.29, № 3. P. 31−34.
  69. Athale R., Stirk C.W. Compact architectures for adaptive neural nets//Ibid. 1989. vol. 28. № 4.
  70. Bardcev S.I., Okhonin V.A. The algorithm of dual functioning (back-propagation): general approach, vesions and applications. Krasnojarsk: Inst. of biophysics 1989.
  71. Beck S., Deuser L., Still R.. A hybrid neural network classifier of short duration acoustic signals, Int. Joint Conf. Neur. Networks Seattle, wash., July 8−12, 1991, vol.1- New York, 1991, p 119−121.
  72. Bienvenu G., Kopp L. Adaptive high-resolution passive methods // in Signal Processing: Theory and Applications, Amsterdam, the Netherlands: North-Holland, EURASIP, ppp.715−721, 1980.
  73. Borgiotti G.V., Kaplan L.J. Superresolution of uncorrelated interference sources by using adaptive array technique // IEEE Trans. Antennas Propagation, AP-27, pp.842−845, Nov. 1979.
  74. Breitenberg V. Cell assemblies in the cerebral cortex // Sect. Netes Biomath. 1978. -21. pp. 171−188.
  75. Carpenter G.A., Grossberg S. A massively parallel architecture for a selforganizing neural pattern recognition machine // Comput. Vision, Graphics and Image Process. 1987. -37, № 1. P.54−115.
  76. Childers D.G. Modern Spectrum Analysis. New York, NY: IEEE PRESS, 1978.
  77. Cohen M.A., Grossberg S. Absolute stability of global pattern formation and parallel memory storage by competitive neural networks//IEEE Trans. Syst., Man, Cybern. 1983. vol. 13. № 5.P. 815−826.
  78. Dayhoff J. Neural network architectures//New-York:Van Nostrand reinhold, 1991.
  79. Fox G.C., Roller J.G. Code generation by a generalizedneural networks: general principles and elementary examples//J.Parallel Distributed Comput. 1989. vol. 6. № 2. P. 388−410.
  80. Fradkov A.L., Pogromsky A.Yu. Introduction to control of oscillations and haos// World scientific series on nonlinear science / Ed. Leon 0. Chua. Ser. A. 1998. Vol. 35. P.391.
  81. Fukushima K. Neural network model for selective attention in visual pattern recognition and associative recall. /Applied optics/ vol.26, № 23, 1987, pp.49 854 992.
  82. Haykin S. Array Signal Processing. Englwood Cliffs, N J: Prentice Hall, 1985.
  83. Hebb D.O. The Organization of Behavior. N. Y, Wiley, 1949
  84. Hecht-Nielsen R. Counter-propagation networks. Applied
  85. Optics, 26, 1987, pp.4979−4984.
  86. Hecht-Nielsen R. Neurocomputing. Addison-Wesley Publishing Company, 1990.
  87. Hecht-Nielsen R. Neurocomputing: picking the human brain// IEEE SPECTRUM 1988 vol. 25. № 3 -pp. 36−41.
  88. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities//Proc. Natl. Acad.Sci. 1984. vol. 9. pp. 147−169.
  89. Hopfield J.J., Feinstein D.I., Palmer F.G. Unlearninghas a stabilizing effect in collective memories//Nature. 1983. vol.304. P. 141−152.
  90. Hopfield J.J., Tank D.W. Neural Computation of Decisions in Optimization Problems. Biological Cybernetics, vol.52,pp.141−152, 1985.
  91. Hopfield J.J.Neural networks and physical systems, with emergent collective computational abilities // Proc. Nat. Acad. Sci.USA. 1982. -79. pp.2554−2558.
  92. Khotanzad A., Lu J.H., Srinath M.D. Target detection using a neural network based passive sonar systems. Int. Joint Conf. Neural Networks, Washington, D.C., 1989, vol.1-New York, 1989- pp.335−340.
  93. Kirkpatrik S., Gelaft C.D., Vecchi M.P. Optimization by Simulated Annealing, IBM Thomas J. Watson Res. Center, Yorktown Heights, NY, 1982.
  94. Kohonen T. Self-Organization and Associative memory, Springer, 1989.
  95. Kussul E.M., Rachkovskij D.A. Multilevel assembly neural network for sequences recognition and synthesis // Neurocomputers and Attention. Proc. of Intern. Workshop, Pushchino, 1989. pp.178−179.
  96. Lagunas M.A., Gasull A. An improved maximum likelihood method for power spectral density estimation // IEEE Trans. Acoustic, Speech and Signal Processing, ASSP-32, pp.170−173, Feb. 1984.
  97. Lansner A. Investigation into the pattern processing capabilities of associative nets. Ph. D. Thesis/The Royal Institute of Technology, Department of Numerical Analysis and Computing Science. -Stockholm, Sweden, 1986.
  98. Lefebvre T., Dispot F., Ardouin C., Lemer A., Pignon J.P. Analyse et reconnaissance acoustique par systeme hybride. Revue technique Thomson- CSF.-1991, vol.23, № 1, pp.185−198.
  99. Lindsey C., Lindbad. Survay of neural network hardware. SPIE. Vol. 2492. pp. 1194−1205.
  100. Liss A.A.The Application of Neural Network for Antenna Signal Processing//The 42 International Scientific Colloquium (IWK).-Ilmenau, 1997.
  101. Marguerat C. Artificial neural network algorithms on a parallel DSP system. In Transputers' 94 Advanced research and industrial applications. Proc. Of the International conf. 21−23 Sept. 1994. IOS Press 1994, pp.278−287.
  102. Martin P., Lobert B. Optimization par resaux de neurones: application au traitemeut d’antennes. Revue technique THOMSON- CSF- vol. 23- № 1- mars 1991, pp.243 263.
  103. Masters T. Practical neural network recipes in C++. New York.: Academic Press, 1993.
  104. Miller W., Mc Kenna T., Lau C. Office of Naval Research Contribution to neural networks and signal processing in oceanic engineering. IEEE Ocean Eng., 1992, vol.17, № 4, pp.299−307.
  105. Palm J. On associative memory //Biol.Cybern. 1980. -36.pp. 19−31.
  106. Pisarenko V.F. The retrieval of harmonics from a covariance function // Geophys. J. R. Astronom. Soc., vol.33, pp.347−366, 1973.
  107. Po-Rong Chang, Wen-Hao Yang, K.K. Chan. A neural network Approach to MVDR beamforming Problem, IEEE Trans. on antennas and propagation, vol. 40, № 3, 1992.
  108. Rastogi R., Gupta K., Kumaresan R., Array Signal Processing with Interconnected Neuron-Like Elements,
Заполнить форму текущей работой

Сессия? Спокойно!