Динамическая модель контроля ходкости судна в ледовых условиях на основе концепции мягких вычислений тема диссертации и автореферата по ВАК РФ 05.08.01, кандидат технических наук Жук, Юрий Сергеевич

• Жук, Юрий Сергеевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Жук, Юрий Сергеевич

ВВЕДЕНИЕ.

Глава 1. КОНЦЕПЦИЯ МЯГКИХ ВЫЧИСЛЕНЙ В ЗАДАЧАХ КОНТРОЛЯ ХОДКОСТИ СУДНА В ЛЕДОВЫХ УСЛОВИЯХ.

1.1. Вычислительные технологии реализации концепции мягких вычислений при контроле ходкости судна в ледовых условиях.

1.2. Динамические модели взаимодействия судна с внешней средой в ледовых условиях.

1.3. Аналитический обзор.

1.4. Постановка задачи исследования.

1.5. Общая характеристика диссертационной работы.

1.6. Выводы по первой главе.

Глава 2. РАЗРАБОТКА МОДЕЛЕЙ КОНТРОЛЯ ХОДКОСТИ СУДНА В ЛЕДОВЫХ УСЛОВИЯХ.

2.1. Архитектура и функциональный модуль интерпретации поведения судна как многорежимной динамической системы.

2.2. Концепция мягких вычислений при моделировании ходкости судна в ледовых условиях.

2.3. Особенности реализации стохастической модели взаимодействия при движении судна в ледовых условиях.

2.4. Особенности реализации нейросетевых моделей при контроле ходкости судна в ледовых условиях.

2.5. Функционирование системы контроля динамики судна в ледовых условиях в рамках концепции мягких вычислений.

2.6. Модель оценки риска принимаемых решений при контроле ходкости судна в ледовых условиях.

2.7. Выводы по второй главе.

Глава 3. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ХОДКОСТИ СУДНА В ЛЕДОВЫХ УСЛОВИЯХ НА ОСНОВЕ КОНЦЕПЦИИ МЯГКИХ ВЫЧИСЛЕНИЙ.

3.1. Формулировка задачи моделирования ходкости судна в условиях неопределенности и неполноты исходной информации.

3.2. Формирование векторного поля динамических уравнений в окрестности функционального пространства.

3.3. Реализация стандартной модели взаимодействия судна с ледовыми образованиями в вычислительной среде МАТЬАВ.

3.4. Моделирование динамики взаимодействия судна с ледовыми образованиями на основе стандартного алгоритма.

3.5. Моделирование динамики взаимодействия судна с ледовыми образованиями на основе нейро-нечеткой системы.

3.6. Прогнозирование динамики взаимодействия судна с ледовыми образованиями на основе нейро-нечетких моделей.

3.7. Оценка адекватности исследуемых моделей и риска принимаемых решений.

3.8. Выводы по третьей главе.

Глава 4. РАЗРАБОТКА ПРОГРАММНОГО СРЕДСТВА АНАЛИЗА И ПРОГНОЗА ПОВЕДЕНИЯ СУДНА В ЛЕДОВЫХ УСЛОВИЯХ.

4.1. Общие принципы формирования прикладной программной среды на основе концепции мягких вычислений.

4.2. Модель предметной области и компоненты программного средства.

4.3. Параллельная обработка информации при функционировании программного средства.

4.4. Обмен информацией при взаимодействии оператора с программной системой.

4.5. Тестирование программного средства контроля прочности судна в ледовых условиях.

4.6. Выводы по четвертой главе.

Введение диссертации (часть автореферата) на тему «Динамическая модель контроля ходкости судна в ледовых условиях на основе концепции мягких вычислений»

Разработка методов и моделей, обеспечивающих оценку скорости судна при функционировании бортовой интеллектуальной системы (ИС) контроля динамики судна в условиях Северного шельфа представляет собой сложную научно-техническую проблему. Комплексные исследования этой проблемы позволили сформулировать и обосновать методологию регламентации ледовой прочности корпусов судов, которая сыграла значительную роль в создании российского арктического флота. Методы определения ледовых нагрузок развиты в работах К.Р.Абрамова, А.В.Андрюшина, А.Я.Бузуева, В.А.Зуева, Ю.М.Попова, О.Я.Тимофеева, В.Н.Тряскина и др.В области прочности судов ледового плавания следует выделить работы Е.М.Апполонова, Г.В.Бойцова, В. А. Лихоманова, А.П.Матлаха, Л.М.Ногида, В.И.Полякова, Ю.Н.Попова,

A.А.Родионова, О.В.Фадеева, Д.Е.Хейсина и А.А.Яковлева, а в области нормирования и расчета прочности корпусов судов ледового плавания - работы Л.М.Беленького, А.М.Бененсона, Г.В.Бойцова, В.А.Курдюмова, О.М.Палия, Ю.Г.Рыбалкина, О.Я.Тимофеева, Б.Е.Топчия, В.Н.Тряскина и др.

В особую группу следует выделить работы Б.П.Ионова и Е.М.Грамузова,

B.И.Каштеляна, И.И.Позняка, А.Я.Рывлина, Ю.А.Сандакова, О.Б.Солдаткина по ходкости судов в ледовых условиях, а также А.Я.Рывлина и Д.Е.Хейсина по испытанию судов во льдах, по анализу различных аспектов проблемы ледовой ходкости и прочности «Ледотехнические аспекты освоения морских месторождений нефти и газа».

В отличие от выполненных исследований, представленная диссертация посвящена оперативному контролю ходкости судна на основе приложения методов и моделей, сформулированных в работах указанных исследователей, в направлении изучения динамики взаимодействия судна с ледовыми образованиями в рамках многорежимной системы. Повышение надежности и качества принимаемых решений по обеспечению безопасности эксплуатации судна в ледовых условиях достигается на основе использования нового подхода к интерпретации динамики взаимодействия судна с ледовым полем. Суть предложения состоит в привлечении дополнительных данных измерений за счет установки датчика расстояния на верхней палубе судна, сканирующего набегающее волновое поле по направлению движения судна, а также высокопроизводительных средств обработки измерительной информации в рамках концепции мягких вычислений.

Для реализации требований к алгоритмам обработки информации, необходимо выполнить следующие условия:

• обеспечить сохранение целостности измерительной информации при решении задач анализа и интерпретации данных измерений;

• выделить структуры в совокупности данных, обеспечивающие надежный контроль и прогноз ходкости судна в режиме реального времени;

• выявить закономерности между особенностями исследуемых процессов и поведением судна при различной интенсивности ледовых нагрузок.

Анализ и интерпретация измерительной информации в бортовых ИС представляют собой одно из важных направлений формирования среды для реализации механизма логического вывода при контроле ходкости судна в ледовых условиях. Функционирование ИС осуществляется на основе динамической базы знаний, обеспечивающей анализ и прогноз развития ситуаций, возникающих в процессе эксплуатации. Методы и модели, положенные в основу обработки информации, позволяют исследовать динамические процессы в условиях неопределенности и неполноты исходной информации. В этих условиях при построении математической модели реального процесса приходится прибегать к определенным упрощениям. Таким образом, векторное поле, входящее в динамические уравнения, всегда будет известно с определенной степенью точности, т.е. в пределах малой окрестности функционального пространства.

В диссертации рассматривается подход и вычислительная технология, обеспечивающие анализ и прогноз динамики взаимодействия судна с внешней средой при функционировании бортовой ИС. Основное внимание уделяется вопросам контроля ходкости судна в ледовых условиях на базе математического аппарата, разработанного на основе принципов обработки информации в мультипроцессорной вычислительной среде. Динамическая модель преобразования информации основана на конкурирующих вычислительных технологиях, использующих методы теории корабля и строительной механики, теории управления, нечеткой логики и искусственных нейронных сетей (ИНС).

Заключение диссертации по теме «Теория корабля и строительная механика», Жук, Юрий Сергеевич

4.6. Выводы по четвертой главе

Таким образом, предложенный подход к интеграции программного средства позволяет сформулировать следующие результаты:

1. Разработаны общие принципы формирования прикладной программной среды анализа и интерпретации информации при контроле ходкости судна в ледовых условиях на основе концепции мягких вычислений.

2. Сформулирована модель предметной области и общесистемная база данных, обеспечивающие функционирование ИС при различном уровне внешних возмущений.

3. Сформулирован подход к реализации параллельной обработки информации при функционировании программного средства в условиях неопределенности и неполноты исходной информации.

4. Разработана модель обмена информацией при взаимодействии оператора с программным средством при контроле текущих ситуаций в сложной динамической среде.

5. Произведено тестирование программного средства контроля ходкости судна в ледовых условиях при различных параметрах взаимодействия судна с внешней средой.

ЗАКЛЮЧЕНИЕ

На основе проведенного исследования можно сделать следующие выводы:

1. Разработаны стохастические модели, алгоритмы и программное обеспечение задач интерпретации информации при анализе и прогнозе ходкости судна в ледовых условиях. На основе концепции мягких вычислений обоснованы и выделены модели повышения надежности контроля при взаимодействии судна со сложными ледовыми образованиями.

2. Получены результаты математического моделирования при исследовании ходкости судна в ледовых условиях как многорежимной динамической системы. Экспериментальные данные позволяют установить физические закономерности процессов взаимодействия судна при различной конфигурации ледовых образований. Процедуры оценки эффективности методов моделирования и тестирования системы знаний реализованы с использованием механизмов принятия решений в нечеткой среде.

3. Разработаны алгоритмы и программное обеспечение, определяющие генерацию сценариев взаимодействия и анализ альтернатив при оценке эффективности принимаемых решений в рамках нечеткого логического базиса.

Список литературы диссертационного исследования кандидат технических наук Жук, Юрий Сергеевич, 2012 год

1. .Аверкин А.Н., Батыршин А.Н., Блишун А.Ф., Силов В.Б., Тарасов В.Б. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А.Поспелова. - М. : Наука, 1986.

2. Аксак Н.Г., Тыхун А.Ю. Вычислительная модель нейро-алгоритма многослойного персептрона // Высокопроизводительные параллельные вычисления на кластерных системах. Нижний Новгород : изд-во Нижегородского университета, 2006, - с. 10-17.

3. Айзерман М.А., Алексеров Ф.Т. Выбор вариантов. Основы теории. -М. :Наука, 1990.

4. Александров В.Л., Матлах А.П., Нечаев Ю.И., Поляков В.И., Ростовцев Д.М. Интеллектуальные системы в морских исследованиях и технологиях. СПб. : изд-во ГМТУ, 2001.

5. Александров BJL, Матлах А.П., Нечаев Ю.И., Поляков В.И. Интеллектуальные системы новых поколений // Морской вестник. №2. 2002, с.53-57.

6. Александров В.Л., Матлах А.П., Нечаев Ю.И., Поляков В.И., Родионов A.A. Нейросетевые модели в задачах прочности корабля: концепции и приложения. // Морской вестник. №4(8). 2003, с.83-89.

7. Александров В.Л., Матлах А.П., Нечаев Ю.И., Поляков В.И., Родионов A.A. Интеллектуальная система контроля прочности судна при движении во льдах // Труды Международной конференции МОРИНТЕХ-2005.1. СПб. : 2005, с.342-348.

8. Александров B.JL, Матлах А.П., Поляков В.И. Прочность и вибрация морских судов. СПб. : 2005.

9. Александров В.Л., Матлах А.П., Нечаев Ю.И. Поляков В.И., Родионов A.A. Интеллектуальные технологии при контроле динамики взаимодействия судна с внешней средой в ледовых условиях // Морской вестник. №4(7). 2007, с.92-96.

10. Александров В.Л., Матлах А.П., Нечаев Ю.И., Поляков В.И., Родионов A.A. Особенности контроля динамики взаимодействия судна с внешней средой в ледовых условиях на основе принципа конкуренции // Морские интеллектуальные технологии. 1(1), 2009, с.73-75.

11. Алексеев В.М., Тихомиров В.М., Фомин С.В. Оптимальное управление. -М. : Наука, 1979.

12. Алексеев В.В., Михаль П.Н. Анализ эффективности организации интерфейсов при построении измерительных систем // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2006. СПб.: 2006. т.2, с.29-32.

13. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976.

14. Анищенко B.C., Астахов В.В., Вадивасова Т.Е. и др. Нелинейные эффекты в хаотических и стохастических системах. Ижевск : Институт компьютерных исследований, 2003.

15. Анохин П.К. Принципиальные вопросы общей теории функциональных систем // Принципы системной организации функций. М.: Наука, 1973.

16. Баскакова Т.Ф., Ланкин Ю.П. Нейросети, функционирующие на больших интервалах времени // Сб. научных тр. IX Всероссийской научно-техн. конф. «Нейроинформатика». ч. 3, М. : МИФИ. 2007, - с. 175-182.

17. Безручко Б.П., Смирнов Д.А. Построение модельных отображений по хаотическим временным рядам. Саратов : Изд-во ГосУНЦ «Колледж», 2000.

18. Беллман Р., Заде Л. Принятие решений в расплывчатых условиях. -М. : Мир, 1976.

19. Бернштейн Л.С., Боженюк A.B. Принятие решений на основе нечеткого вывода по аналогии // Труды национальной конференции по искусственному интеллекту КИИ-2000. Переславль-Залесский. 2000. т.2, - с.456-463.

20. Бернштейн Л.С., Боженюк A.B. Использование степени истинности нечеткого дедуктивного вывода в системах управления // Сборник докладов международной конференции по мягким вычислениям и измерениям SCM-2001.-СПб.: 2001. т.1, с.111-114.

21. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М. : Мир, 1974.

22. Борисов В.В. Представление структур данных в ассоциативной нейронной среде // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-99. СПб. : 1999. т.1, - с.264-367.

23. Борисов Ю.Ю. Построение прогнозирующих моделей динамических систем на основе исследования окрестностей реконструированных аттракторов / Автоматизация и современные технологии. №2, 2007. - с.32-37.

24. Бортовые интеллектуальные системы. 4.2. Корабельные системы. М. : Радиотехника, 2006.

25. Брусов B.C., Тюменцев Ю.В. Синтез оптимального ансамбля ней-роконтроллеров для многорежимного летательного аппарата // Труды 5-й Всероссийской конференции «Нейроинформатика-1999». М. : МИФИ. 1999. Часть 2,-с. 190-201.

26. Васильев А.Н., Тархов Д.А. RBF-сети и некоторые задачи математической физики // Сб. докл. Международной конф. по мягким вычислениям и измерениям SCM-2004. СПб : 2004. т.1, - с.309-312.

27. Васильев А.Н., Тархов Д.А. Нейросетевое моделирование. СПб. : Изд-во политехнического университета, 2009.

28. Вентцель А.Д., Фрейдлин М.И. Флуктуации в динамических системах под действием малых случайных возмущений М. : Наука, 1979.

29. Веремей Е.И., Еремеев В.В., Сотникова М.В. Пособие "Model Predictive Control Toolbox" на сайте http://matlab.exponenta.ru

30. Волков Е.А. Численные методы. М. : Наука, 1987.

31. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб. : Питер, 2000.

32. Галушкин А.И. Теория нейронных сетей. М. : ИПРЖР, 2000.

33. Герман-Галкин С.Г. Компьютерное моделирование полупроводниковых систем в MATLAB 6.0. Учебное пособие. СПб. : КОРОНА, 2001.

34. Гнусов Ю.В., Ерохин А.Л. Использование нейросетевых методов для прогнозирования временных рядов // ИИ.2002. №4. с.686-691.

35. Горбань А.И., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск : Наука, 1996.

36. Горбань А.Н., Дунин-Барковский BJL, Кирдин А.Н. и др. / Нейро-информатика. Новосибирск : Наука, Сибирская издательская фирма РАН, 1998.

37. Горн JI.C., Климашов A.A., Хазанов Б.И. и др. Выбор интерфейса для распределенной информационно-измерительной системы радиационного контроля // Приложение к журналу «Ядерные информационно-измерительные технологии». 2002. №3, с.3-28.

38. Гультяев А.К. Визуальное моделирование в среде MATLAB. -СПб. : Питер, 2000.

39. Гультяев А.К. MATLAB 5.2. Имитационное моделирование в среде Windows: Практическое пособие. СПб. : КОРОНА принт, 1999.

40. Гэри М. Джонсон Д. Вычислительные сложности и труднорешаемые задачи. М. : Мир, 1982.

41. Данилов Ю.А. Лекции по нелинейной динамике: элементарное введение. М. : КомКнига. 2006.

42. Демидович Б.П., Марон И.А., Шувалова Э.З. Численные методы анализа. М. : Наука, 1967.

43. Дорогов А.Ю. Быстрые нейронные сети. СПб.: Изд-во СПбГУ, 2001.

44. Дубовик С.А. Композиционный синтез линейно-квадратических регуляторов // Проблемы управления и информатики. 1999. №2. - с. 50-62.

45. Дубовик С.А. Аналитическое конструирование регуляторов для сингулярно возмущённых систем // Проблемы управления и информатики. 1999. №5. - с. 54-68.

46. Дубовик С.А. Синтез линейных сингулярно возмущённых систем // Динамические системы, 1999. Вып. 15. с.45-49.

47. Дубровин В.И., Субботин С.А. Алгоритм синтеза и настройки весов многослойной нейронной сети // Сб. науч. тр. V Всероссийской научно-технической конференции «Нейроинформатика». -М: МИФИ. ч.1, с.68-76.

48. Дьяконов В.П. MATLAB 6.5 SP1/7 + Simulink 5/6 в математике и моделировании. М. : COJIOH-Пресс, 2005.

49. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике. М. : Радио и связь. 1990.

50. Евгеньев Г.Б. Интеграция прикладных систем на основе баз знаний // Программные продукты и системы. №3. 2005, с.42^46.

51. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе. М. : МИФИ, 1998.

52. Елисеев A.B. Идентификация нечеткой модели в задаче синтеза регулятора // Автоматизация и современные технологии. 2005. №11,- с.3-12.

53. Жук Ю.С., Нечаев Ю.И. Нейропрогноз в сложных динамических средах // Нейрокомпьютеры: разработка, применение. №9. 2009, с.3-11.

54. Жук Ю.С., Нечаев Ю.И. Анализ и прогноз динамики судна в бортовых интеллектуальных системах // Информационно-измерительные и управляющие системы. №2. т.7. 2009, — с. 12-22.

55. Жук Ю.С., Нечаев Ю.И. Повышение надежности принятия решений при контроле динамики судна в ледовых условиях // Искусственный интеллект. №3. 2008, с. 159-169.

56. Жук Ю.С., Нечаев Ю.И. Контроль динамики судна в ледовых условиях // Доклады 2-й российской мультиконференции по проблемам управления и 5-й научной конференции «Управление и информационные технологии УИТ-2008» Т.2. СПб. : 2008. - с.69-74.

57. Жук Ю.С., Нечаев Ю.И. Прогнозирование динамических ситуаций в бортовых интеллектуальных системах // Труды XV всероссийской научно-методической конференции ТЕЛЕМАТИКА-2008. т.1, с.92-93.

58. Жук Ю.С., Нечаев Ю.И. Нейросетевое моделирование динамики и судна в ледовых условиях // Искусственный интеллект. №3. 2009. с.384-391.

59. Жук Ю.С., Нечаев Ю.И. Анализ и прогноз динамики судна в бортовых интеллектуальных системах // Морские интеллектуальные технологии. №2(4). 2009.-с. 11-19.

60. Жук Ю.С. Нейропрогноз динамики сложного объекта // Материалы пятой общероссийской конференции молодых ученых и специалистов по морским интеллектуальным технологиями МОРИНТЕХ-ЮНИОР, СПб.: 2009. - с.58-60.

61. Жуковская JI.B., Миркин Е.А. Новый подход к оценке эффективности управленческих решений в условиях риска в АСУ // Автоматика и телемеханика. №4. 2004. с. 166-172.

62. Забелинский А.И. Нелинейная самоорганизация как подход к построению прогнозирующих моделей // Автоматизация и информационные технологии. 2001. №9,-с. 17-19.

63. Заботнев М.С. Динамика инвестиционного процесса: анализ и прогноз. М. : ИПМ им. М.В.Келдыша РАН, 2001.

64. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М. : Мир, 1976.

65. Зенкин A.A. Когнитивная компьютерная графика. М. : Наука, 1991.

66. Золотовский В.Е. Система структурного моделирования // Искусственный интеллект. №3, 2003. с.227-238.

67. Зуев В.А., Грамузов Е.М., Двойченко Ю.А., Князьков В.В. Модели разрушения ледяного покрова // Сборник докладов международной конференции «МОРИНТЕХ-1999». СПб. : 1999. т.1, - с.209-212.

68. Ивакин Я.А. Введение в проблему компьютерной интерпретации прикладных формализуемых теорий // Информационно-управляющие системы. №1. 2003. с.26-31.

69. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев : Техника, 1975.

70. Ионов Б.П., Грамузов Е.М. Ледовая ходкость судов. СПб. : Судостроение, 2001.

71. Каляев A.B. Универсальный подход к моделированию информационных процессов в нейропроцессорных системах // Искусственный интеллект. №3. 2003, с.239-262.

72. Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика ипрогнозы будущего. -М. : Наука. 1997.

73. Карпов A.B. Информационные конфликты в автоматизированных системах // Программные продукты и системы. №3. 2004. с.22-26.

74. Каштелян В.И., Позняк И.И., Рывлин А.Я. Сопротивление льда движению судна. JL: Судостроение, 1968.

75. Кендалл М. Дж., Стюарт А. Многомерный статистический анализ и временные ряды. М. : Мир, 1976.

76. Кини P.JL, Райфа X. Принятие решений при многих критериях. Предпочтения и замещения. М. : Радио и связь, 1981.

77. Колесников A.A. Проблемы системного синтеза: тенденции развития и синергетический подход // Сборник докладов Всероссийской научной конференции «Управление и информационные технологии». СПб. : 2003. т.1, - с.5-12.

78. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры. Уч. пособие для вузов. М. : Изд-во МГТУ им. Н.Э.Баумана, 2002.

79. Костерев В.В., Аверкин А.Н. Формальное описание риска в нечетких системах // Труды международной конференции по мягким вычислениям и измерениям SCM-2001. т.1. СПб. : 2001.,-с. 170-173.

80. Котенко И.В. Модели вывода по прецедентам для реализации интеллектуальных систем // Труды 5-й национальной конференции по искусственному интеллекту с международным участием. -Пущино, 1998. т.1, с.270-277.

81. Красовский A.A. Проблемы физической теории управления //Автоматика и телемеханика. 1990. №11.

82. Красовский A.A., Наумов А.И. Аналитическая теория самоорганизующихся систем управления с высоким уровнем искусственного интеллекта // Изв. РАН. Теория и системы управления. 2001. №1, с.69-75.

83. Круглов В. В., Голунов Р.Ю. Нечеткая логика и нейронные сети -М. : Наука, 2002.

84. Кузичева З.А. Эйлер и Ламберг трактовка логики // Материалы международной конференции «Эйлер и наука». Российская Академия Наук.1. СПб. : 2007.-с. 147-151.

85. Куприянов A.A., Емельянов A.A. Механизмы и средства поддержки человеко-компьютерного взаимодействия в среде интегрированных комплексов средств автоматизации // Морская радиоэлектроника. №2(8). 2004. с.30-34.

86. Курдюмов В.К. Использование метода предельных нагрузок при проектировании ледовых усилений // Сборник докладов советско-финского семинара по ледовой прочности судов. Л. : Судостроение. 1988. - с.41-50.

87. Ларько A.A. Критерий качества обучения // Сб. науч. тр. X Всероссийской научно-техн. конф. «Нейроинформатика-2008». ч.2. М. : МИФИ 2008. - с.24-30.

88. Ледотехнические аспекты освоения морских месторождений нефти и газа. Под ред. Литонова O.E. и Панова В.В. СПб. : Гидрометеоиздат, 2001.

89. Лесных В.Ю. Динамическая реконструкция временных рядов // Сборник докладов X Международной конференции по мягким вычислениям и измерениям SCM-2007. СПб. : 2007. т.1, - с. 199-202.

90. Липаев В.В. Верификация и тестирование сложных программных средств // Информационные технологии. №7. 2004. с.42-47.

91. Липцер Р.Ш., Ширяев А.Н. Статистика случайных процессов. -М: Наука, 1974.

92. Лихогруд Г.М. Неполная семиотическая система в интеллектуальном управлении квазистационарными объектами // Труды 5-й национальнойконференции по искусственному интеллекту с международным участием КИИ-96.-Казань: 1996. т.З., -с.471^74.

93. Логовский A.C., Якушин Д.Ж. Нейропакеты: что, где, зачем // Зарубежная радиоэлектроника. №2. 1977. с. 11-18.

94. Лоскутов А.Ю., Михайлов A.C. Введение в синергетику. М. : Наука. 1990.

95. Лохин В.М., Макаров И.М., Манько C.B., Романов М.П. Методические основы аналитического конструирования регуляторов нечеткого управления // Известия РАН. Теория и системы управления. 2000. №1, с.56-69.

96. Макаров И.М. Теория принятия решений. М. : Наука, 1986.

97. Максимаджи А.И. Капитану о прочности судна. Л.: Судостроение, 1988.

98. Макаренко Н.Г. Эмбедология и нейропрогноз // Нейроинформати-ка-2003. М: МИФИ. 2003, - с.86-148.

99. Макаренко Н.Г. Реконструкция динамических систем по хаотическим временным рядам // Нелинейные волны. Нижний Новгород : 2005. -с.398-410.

100. Макаренко Н.Г., Нечаев Ю.И., Жук Ю.С. и др. Нейро-сетевые модели при прогнозировании скорости судна в ледовых условиях // Нейрокомпьютеры в интеллектуальных технологиях XXI века. Коллективная монография. М. : Радиотехника, 2012.

101. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики. М. : Эдиториал УРСС, 2000.

102. Малышев Н.Г., Берштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. -М. : Энергоатомиздат, 1991.

103. Матлах А.П., Нечаев Ю.И. Основные принципы создания бортовых интеллектуальных систем для судов Арктического шельфа // Морской вестник. №4(8). 2003. с.75-81.

104. Медведев B.C., Потемкин В.Г. Control System Toolbox. MATLAB 5 для студентов. M. : ДИАЛОГ-МИФИ, 1999.

105. Неделько В.Н. Прогнозирование информационных потребностей операторов особо сложных систем управления // Искусственный интеллект. №3. 2002. с.420-427.

106. Нечаев Ю.И. Искусственный интеллект: концепции и приложения. СПб. : ГМТУ, 2002.

107. Нечаев Ю.И. Математическое моделирование в бортовых интеллектуальных системах реального времени // Труды 5-й всероссийской научно-технической конференции «Нейроинформатика 2003». Лекции по нейроин-форматике. - М. : МИФИ. 2008. Часть 2, - с. 119-179.

108. Нечаев Ю.И. Нейроконтроль динамики судна при движении в ледовых условиях // Нейрокомпьютеры: разработка, применение. №6. 2007. с. 16-24.

109. Нечаев Ю.И. Нейро-нечеткая система поддержки принятия решений при оценке поведения сложного динамического объекта // Тр. Х-й Всероссийской конференции «Нейроинформатика-2008». Лекции по нейроинформати-ке. М. : МИФИ. 2008. Часть 2, - с.97-164.

110. Нечаев Ю.И., Жук Ю.С. Оценка и прогноз динамики судна при взаимодействии с ледовым полем // Сборник докладов XI Международной конференции по мягким вычислениям и измерениям SCM-2008. СПб. : 2008. т.2, - с.49-53.

111. Нечаев Ю.И., Жук Ю.С. Реализация принципа конкуренции при анализе динамики судна в ледовых условиях // Сборник докладов ХП Международной конференции по мягким вычислениям и измерениям SCM-2009. -СПб. : 2009. т.2, с.73-76.

112. Нечаев Ю.И. Нейросетевые ансамбли при контроле динамики судна с торосистых льдах // Нейрокомпьютеры: разработка, применение. №3. 2009.-c.3-13.

113. Нечаев Ю.И. Концепция мягких вычислений в бортовых интеллектуальных системах // Информационно-измерительные и управляющие системы. №2. т.7. 2009.-c.3-ll.

114. Нечаев Ю.И. Нелинейные эффекты в системах управления сложными динамическими объектами // Приборостроение. 2009. №10. т.59, с.58-66.

115. Нечаев Ю.И. Проблемы моделирования динамики сложных систем при реализации нейросетевых технологий // Труды XII-й Всероссийской конференции «Нейроинформатика-2010». Лекции по нейроинформатике. М. : МИФИ, 2010.-с. 271-325.

116. Новые концепции общей теории управления // Сб. научных тр. / Под ред. А.А.Красовского. М. : Таганрог, 1995.

117. Обработка нечеткой информации в системах принятия решений. М. : Радио и связь, 1989.

118. Олешко Д.Н. Крисилов В.А., Блажко A.A. Построение качественной обучающей выборки для прогнозирующих нейросетевых моделей // Искусственный интеллект. №3. 2004. с.567-573.

119. Орловский С. А. Проблемы принятия решений при нечеткой исходной информации. -М. : Наука, 1981.

120. Осовский С. Нейронные сети для обработки информации. М. : Финансы и статистика, 2002.

121. Парфенова М.Я., Колганов С.К., Парфенов И.И., Иванов В.И. Человеческий фактор в интеллектуальных информационных технологиях для профилактики, предупреждения и устранения аварийных ситуаций // Информационные технологии. 2005. №5, с.21-29.

122. Первозванский A.A. Курс теории автоматического управления. -М. : Наука, 1986.

123. Пойа Дж. Математика и правдоподобные рассуждения. Наука, 1975.

124. Поляков A.C. Нахождение параллельных фрагментов в программах без циклов // Автоматика и вычислительная техника. 1996. №6, с.68-76.

125. Попов Ю.Н., Фаддеев О.В., Хейсин Л.Е., Яковлев A.A. Прочность судов, плавающих во льдах. Л. : Судостроение, 1967.

126. Поспелов Д.А., Эрлих А.И. Прикладная семиотика новый подход к построению систем управления и моделирования // Динамические интеллектуальные системы в управлении и моделировании. - М. : ЦРДЗ. 1996, - с.30-33.

127. Постон Т., Стюарт И. Теория катастроф и ее приложения. М. : Мир. 1980.

128. Раскин Д. Интерфейс: новые направления в проектировании компьютерных систем. М. : Символ-Плюс, 2003.

129. Рыжов А.П. Элементы нечетких множеств и измерения нечеткости. М. : Диалог МГУ, 1998.

130. Рывлин А.Я., Хейсин Д.Е. Испытания судов во льдах. Л. : Судостроение, 1980.

131. Рябинин И.А. Надежность и безопасность структурно-сложных систем. СПб. : Политехника, 2000.

132. Саати Т. Принятие решений. Метод анализа иерархий. М. : Радио и связь, 1993.

133. Самарин А.И. Нейронные сети с преднастройкой // Сб. науч. тр. VII Всероссийской научно-техн. конф.«Нейроинформатика-2005». Лекции по нейроинформатике. М. : МИФИ. 2004. - с. 13-42.

134. Сандаков Ю.А. Об определении полного ледового сопротивления речных судов в битых льдах // Тр. ГИИВТА. Судовождение на внутренних водных путях. Горький : 1971. Вып. 116. ч.2, - с.85-89.

135. Свешников А.А.Прикладные методы теории случайных функций. -М. : Наука, 1968.

136. Секерин А.Б. Метод оценки устойчивости нейросетевых моделей. 2005. http://zhurnal.ape.relarn.ru/articles/2006/031 .pdf.

137. Сизиков B.C. Математические методы обработки результатов измерений. СПб. : Политехника, 2003.

138. Сизимов Д.Н., Якимов С.П. Задача самоорганизации распределенного нейроимитатора // Сб. науч. тр. VIII всероссийской научно-техн. конф. «Нейроинформатика». М. : МИФИ. 2006. ч.1, - с. 104-110.

139. Синергетическая парадигма. Многообразие поисков и подходов. М. : Прогресс-Традиция, 2000.

140. Скурихин А.Н. Генетические алгоритмы // Новости искусственного интеллекта. 1995. №4, с.6-46.

141. Смирнов Е.Я. Некоторые задачи математической теории управления. Л. : Изд-во ЛГУ, 1981.

142. Смоляр А.Э. Критерии безопасного функционирования транспортных систем // Труды международной конференции по мягким вычислениям и измерениям SCM-2002. Т. 1. СПб. : 2001, - с. 114-117.

143. Соболь И.М. Численные методы Монте-Карло. М. : Наука, 1985.

144. Советов Б.Я., Яковлев С.А. Моделирование систем. М. : Высшая школа, 2003.

145. Солдаткин О.Б. Влияние ширины ледового канала на сопротивление движению транспортного судна / Сб. научн. тр. ГИВТ. Горький : 1988. Вып. 234,-с. 108-114.

146. Тархов Д.А. Нейронные сети. Модели и алгоритмы. М. : Радиотехника. 2005.

147. Терано Т., Асаи К, Сугено М. Прикладные нечеткие системы. -М. : Мир. 1993.

148. Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антонов В.Н. Нейросе-тевые системы управления. СПб. : Изд-во СПбГУ, 1999.

149. Терехов С.А. Технологические аспекты обучения нейросетевых машин // Сб. научных тр. VIII Всероссийской научно-техн. конф. «Нейроинформатика». Лекции по нейроинформатике. М. : МИФИ. 2006. - с. 13-73.

150. Тимофеев A.B., Дерин O.A. Анализ сложных мультиизображений врежиме реального времени. // Приборостроение. №10. СПб. : 2008. - с.25-30.

151. Тихомиров В.А., Тихомиров В.Т., Макушкин A.B. Принцип конструирования информационно-вероятностного метода осуществления долгосрочного прогноза // Программные продукты и системы. 2004. №2, с. 10-15.

152. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. -М. : Наука, 1986.

153. Томпсон Дж. Неустойчивости и катастрофы в науке и технике. -М.: Мир, 1985.

154. Тютерев В.В. Алгоритм эволюционного наращивания нейронной сети // Сб. науч. тр. III Всероссийской научно-техн. конф. «Нейроинформати-ка». ч. 1. М. : МИФИ, 2001. - с. 174-179.

155. Уидроу Б., Стириз С. Адаптивная обработка сигналов. М. : Радио и связь, 1989.

156. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. -М.: Мир. 1992.

157. Управление рисками. М. : Наука, 2000.

158. Хайкин С. Нейронные сети: полный курс. М. : Изд. дом «Вильяме», 2006.

159. Хартман К., Лецкий Э., Шеффер В и др. Планирование эксперимента в исследовании технологических процессов. М.- Мир, 1977.

160. Христиановский Л.Г., Эрлих А.И. Проблемы моделирования в прикладных интеллектуальных системах // Труды 3-й национальной конференции по искусственному интеллекту. Тверь : 1992. т.2, - с.78-81.

161. Чал ей И.В., Лисицын Н.В., Рябцев М.В. Формальное описание риска при принятии технических решений // Сборник докладов Международной конференции по мягким вычислениям и измерениям SCM-2005. СПб. : 2005. т.2,-с.70-73.

162. Чун К. Введение в вейвлеты. М. : Мир, 2001.

163. Эйкхофф П. Основы идентификации систем управления. М. : Мир, 1975.

164. Яхно В.Г. Нейроподобные модели описания динамических процессов преобразования информации // Сб. науч. тр. VI Всероссийской научно-технической конференции «Нейроинформатика-2004». Лекции по нейроинфор-матике. М: МИФИ. 2004. ч. 1, - с. 136-150.

165. Akaike Н. Information theory and an extension of the maximum likelihood principle in Petrov B.N. and Csaki F. eds.// Proceedings 2nd International Symposium on information theory. Budapest: Akademia Kiado, - pp.267-281.

166. Alexandrov V.L., Matlakh A.P., Nechaev Yu.I., Polyakov V.I. Intelligence system for ship Dynamics monitioring in extreme situations // Proc. of International conference on marine research and transportation ICMRT-05. Naples, Italy : 2005. - pp.55-63.

167. Anderson J.A., Rosenfeld E. Neurocomputing: foundation of research. Cambridge : MIT Press, 1988.

168. Anderson D R., Kenneth PB., Thompson W.R. Null Hypothesis testing problems, prevalence, and alternative // Journal of wildlife management. 2000. Vol.64(4),-pp.912-923.

169. Artificial neural networks: Concepts and theory. IEEE Computer Society Press. 1992.

170. Asai K., Sugeno M., Terano T. Applied fuzzy system. New York : Academic Press, 1994.

171. Bogdanov A., Degtiarev A.,Nechaev Yu. Fuzzy logic basis in high performance decision support systems // Proceedings of International conference «Computational Science-ICCS 2001». San Francisco, CA, USA : Part.l. Springer. 2001, - pp.965-975.

172. Brunak S., Lautrup B. Neural networks, computers with intuition. -Singapore : World Scientific , 1990.

173. Buckley J., Hayashi Y. Fuzzy neural networks // L.A.Zadeh and R.R.Yager eds. Fuzzy sets, Neural networks and soft computing. New York : Van Nostrand Reinhold, 1994. - pp.233-249.

174. Chen C.H. ed. Fuzzy logic and neural network handbook. New York : McGraw-Hill, 1996.

175. De Keyser R.M.C., Van De Velde Ph.G.A., Dumartier F.A.O. A Comparative study of self-adaptive long range predictive control methods // Automática. 1988. Vol. 24, - p.p.49-163.

176. Dubois D., Prade H., Grabish M. Gradual rules and the approximation of control laws // Theoretical Aspects of Fuzzy Conrol / Eds. H.T. Nguyen, John wiley & Sons, Inc., 1995.

177. Egorov G.V. Risk theory based minimization of transport fleet influence on the environment // Proceedings of Second International conference of navy and shipbuilding Nowadays NSN-2001. Saint-Petersburg : KSRI, 2001. - pp. 190-197.

178. Faltinsen O.M. Sea loads on ships and offshore structures Cambridge, UK : University Press, 1998.

179. Fuller R. Neural fuzzy systems. Abo, 1995.

180. Haykin S. Neural networks, a comprehensive foundation. NY : Mac-millan, 1994.

181. Holland J.H. Genetic algorithms. Scientific American, 1982. - pp.66-72.

182. Kohonen T. Self-organizing formation of topologically correct feature maps. Biological Cybarnetics. Vol.43. 1982 -pp.59-69.

183. Kohonen T. Self-organizing maps. Berlin : Springer-Verlag, 1995.

184. Kosko B. Fuzzy cognitive maps // International Journal of Man-Machine Studies. 1986. Vol.24, - pp.65-75.

185. Kosko B., Dickerson J.A. Function Approximation with additive fuzzy systems // Theoretical Aspects of fuzzy control / Eds. N.T.Nguyen. John wiley & Sons, Inc., 1995.

186. Mitra S., Pal S.K. Neuro-Fuzzy expert systems: overview with a case study // Fuzzy Reasoning in information, design and control systems / Eds. S.G. Tsa-festas, A.N. Venetsanopolos. Kluwer Academic Publishers, 1994.

187. Nechaev Yu.I., Dubovik S.A. Probability-asymptotic methods in ships dynamic problem // 15 int. conf. on hydrodynamics in ship design: safety and operation, HYDRONAV'2003. Gdansk, Poland : 2003. - pp. 187-199.

188. Neural network for control // Ed. W.Thomas Miller, Rigard S. Sut ton and Paul J.Werbos. Cambridge, MA: Bradfort Books / MIT Press, 1990.

189. Pedrycz W.,Rocha A.F. Fuzzy-set based model of net and knowledge-based networks // IEEE Trans. Fuzzy Syst. Vol.1. 1993. pp.254-266.

190. Rumelhart D.E. at all. Parallel Distributad Processing: Explorations in the micro structure of Condition. Vol. 1. Foundations. Vit. Press. Cambridge, MA : 1986.

191. Rutkowski L. Neuro-fuzzy inference systems // Proceedings of VIth national conference Neuroinformatic-2005. Lecture on neuroinformatic. Moscow : MIFI, 2005. - pp. 136-166.

192. Saaty T. Mathematical models of control and disarmament. J.Willey & Sons., Inc, 1968.

193. Stateflow and Stateflow Coder. For Use with Simulink. User's Guide, Version 5. The Math Works, Inc., 2002.

194. Takens F. Lectures notes in mathematics. Vol. 898. New York: Springer, 1981. - pp.366-381.

195. Thoukalas L.N., Ikonomopoulos A., Uhrig R.E. Fuzzy neuro control systems. University of Tennesy. ET 37996-2300.

196. Winston P.N. Artificial intelligence. USA : Addison Wesley Publishing Company, 1993.

197. Zadeh L. Fuzzy logic, neural networks and soft computing // Commutation on the ASM-1994. Vol.37. №3, Addison Wesley Publishing Company. pp.77-84.