Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений: на примере северо-западного района Вьетнама тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Као Динь Чонг

• Као Динь Чонг
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Као Динь Чонг

Введение.

Глава 1. Технология нейронной сети и её применение.

1.1. Технология нейронной сети.

1.1.1. Биологические нейроны и их математические модели.

1.1.2. Основные характеристики (решенные задачи, передаточные функции, обучение нейронной сети).

1.2. Нейронные сети и задачи прогноза землетрясений.

1.2.1. Нейронные сети в области науки о земле.

1.2.2. Прогноза землетрясений по магнитудам и времени.

1.3. Сейсмическая характеристика Вьетнама и научные результаты по задаче прогноза землетрясений.

1.3.1. Основные характеристики сейсмологии Вьетнама.

1.3.2. Результаты прогноза землетрясений для северо-западного района Вьетнама.

Выводы по главе 1.

Глава 2. Методика выбора нейронных сетей и алгоритм обработки данных в задаче прогноза землетрясений.

2.1. Методология выбора нейронных сетей.

2.1.1. Характеристика выбора нейронных сетей.

2.1.2. Методика выбора нейронных сетей.

2.2. Алгоритм обработки данных (каталога землетрясений).

2.2.1. Алгоритм обработки каталога землетрясений.

2.2.2. Результаты обработки данных по северо-западному району Вьетнама.

Выводы по главе 2.

Глава 3. Прогноз землетрясений по мощности и времени для северо-западного района Вьетнама.

3.1. Прогноз землетрясений по магнитудам.

3.1.1. Входные данные и нейронная сеть.

3.1.2. Результаты прогноза по максимальным магнитудам.

3.2. Прогноз землетрясений по магнитудам и времени.

3.2.1. Нейронная сеть и входные данные.

3.2.2. Результаты прогноза по магнитудам и времени.

Выводы по главе 3.

Глава 4. Вероятность появления сильных землетрясений северо-западного района Вьетнама и разработанная программа прогноза землетрясений методом нейронной сети.

4.1. Вероятность появления землетрясений.

4.1.1. Метод оценки вероятности.

4.1.2. Вероятностьпоявления сильного землетрясения в северо-западном районе Вьетнама.

4.2. Интерфейсы и структура использования разработанной программы.

Л О 1 аг\охгтрчгчлпгплтга rrauui.iv тдг^гтг»птлл/рчч/гг-ту тттта ггаттяитл

1 • .— ■ 1 . х А V- 1V- 1 11 1 \ ч , II1I 1 I 1 ч / 1;ч 1Л ,1 ^ I, /1 .11.1 ч прогноза землетрясений методом нейронной сети.

4.2.2. Интерфейсы программы.

Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Исследование и применение нейросетевых технологий в задаче прогнозирования землетрясений: на примере северо-западного района Вьетнама»

В последние годы увеличивается число катастрофических землетрясений, приводящих к колоссальным жертвам и разрушениям, в том числе землетрясение в Италии (2009 г. с магнитудой 6.7), землетрясение в Гаити (2010 г. с магнитудой 7), и землетрясение в Японии (2011 г. с магнитудой 8.9). Поэтому прогнозирование места, времени и мощности землетрясений ещё остаётся одной из наиболее актуальных проблем. Для решения этой проблемы в индустриально развитых странах проводятся различные исследования для совершенствования методов прогноза сейсмических опасностей. Такие методы можно в принципе разделить на инструментальные и интеллектуальные (или аналитические). В диссертации рассмотрена возможность использования одного из методов второй группы.

В таких странах, как Россия, США, Япония или Китай, где сейсмическая характеристика высока, научным исследованиям по прогнозу землетрясений уделяется большое внимание. Появление новых методов прогноза землетрясений у этих стран, как КОЗ у России, М8; КН в США, научные достижения в изучении сейсмических очагов в Китае, или строительство сейсмоустойчивых зданий в Японии показывают важность этого научного направления.

Во Вьетнаме в силу экономических и ранее военно-политических обстоятельств долгое время прогнозу землетрясений уделялось относительно мало внимания, хотя здесь происходили землетрясения с магнитудой более 6.5. На пример, землетрясение Диен Биен в 1935 г. с 6,8 магнитудой, Туан Зао в 1983 году с магнитудой 6,7 и ряд крупных древних землетрясений. Число землетрясений с магнитудой больше 4 особенно увеличилось в Северо-Западном районе Вьетнама в последние годы. Последнее может являться признаком, возможно, крупных землетрясений в ближайшем будущем, что вызывает особую тревогу в связи со строящимися гидроэлектростанциями и обсуждаемым вопросом о строительстве атомной электростанции.

Ученые Вьетнама стараются разработать и применить новые методы, подходы для решения проблем прогноза землетрясений, получить новые научные знания по землетрясениям во Вьетнаме. Такие современные методы как КН или М8 прогноза землетрясений в мире применены для районов Вьетнама. Получены некоторые новые результаты, но они являются только начальными, поэтому требуется много дополнительных исследований по сравнению с другими странами. Помимо новых методов прогнозирования, разрабатываются направления исследования входных данных (каталога землетрясений), которые являются одной из главных задач по прогнозу землетрясений. На это не обращено достаточного внимания. Новейшие мировые методики прогноза землетрясений применимы для стран с достаточно высокой сейсмической активностью (полных каталогов землетрясений), таких как Россия или США. Для района Вьетнама, где каталог землетрясений является не полным и не достаточным, эти методы могут быть неточные научные знания и прогнозы.

Одним из направлений улучшения результатов прогноза землетрясений является применение нейросетевых технологий. Поэтому в работе ставится задача применения таких подобных технологий при использовании каталожных сейсмологических данных для обучения нейронных сетей и прогноза времени, места и мощности события.

Для устранения таких недостатков в данной работе предлагаются конкретные исследования для решения таких проблем:

1. Анализ состояния проблемы прогноза землетрясений во Вьетнаме;

2. Сравнительный анализ методов прогноза землетрясений и оценка их эффективности;

3. Анализ каталога землетрясений во Вьетнаме, выбор достоверного интервала времени и магнитуды для исползования в задаче прогноза;

4. Разработка и выбор нейронной сети для прогнозирования землетрясений на базе сейсмических данных, полученных из каталога землетрясений для обучения сети;

5. Определение с помощью выбранного метода зависимости силы землетрясений от временных интервалов между их проявлениями;

6. Исползование нейронной сети для прогноза землетрясения и оценка вероятности его появления;

7. Рекомендация по предлагаемому методу.

Методы исследования: используемые в диссертации, основываются на системном анализе исходных данных, математической статистике, компьютерных, и нейросетевых технологиях, методах программирования. Объект исследования: каталог землетрясений и нейронные сети для прогноза времени, места и мощности землетрясений.

Область исследования: системный анализ, обработка информации, нейросетевые технологии и нейронные сети, сейсмология. Положения, выносимые на защиту:

1. Системный анализ многофакторных данных (геологических, сейсмических), позволяющий на основе функции Гуттенберга-Рихтера определить сейсмическую активность района;

2. Алгоритм обработки данных каталога землетрясений, его автоматизация и программная реализация;

3. Выбор и обоснование на основе сравнительного анализа различных типов нейронных сетей наиболее эффективной сети для располагаемого каталога землетрясений;

4. Методика обучения нейронной сети в задаче прогноза землетрясений;

5. Среднесрочный прогноз землетрясений и оценка вероятности происхождения события (на примере северо-западного района Вьетнама).

Новизна научных результатов, полученных в диссертации, заключается в

1) системном анализе многофакторных данных (геологических, сейсмических), позволяющем на основе функции Гуттенберга-Рихтера определить сейсмическую активность района;

2) разработке алгоритма обработки данных каталога землетрясений, автоматизации процесса обработки данных, программной реализации алгоритма;

3) сравнительном анализе различных типов нейронных сетей и обоснованном выборе наиболее эффективной сети для располагаемого каталога землетрясений;

4) обучении нейронной сети;

5) среднесрочном прогнозе землетрясений (на примере северозападного района Вьетнама) и оценке вероятности происхождения событий.

Практическая значимость: работы заключается в

1) применении метода нейронной сети для прогноза сильных землетрясений во Вьетнаме;

2) сейсмическом районировании территории страны на основе полученных результатов;

3) разработке программы обработки входных данных для метода нейронной сети в задаче прогноза землетрясений и результаты прогноза.

Конференции:

XXXIV научно-техническая конференция преподавателей, сотрудников и аспирантов инженерного факультета, РУДН, г. Москва, 2010.

XXXV научно-техническая конференция преподавателей, сотрудников и аспирантов инженерного факультета, РУДН, г. Москва, 2011.

Международная научно-практическая конференция «Инженерные системы-2012» г. Москва.

Международный симпозиум «Интеллектуальные системы» (1ШЕЬ8'2012), г. Вологда.

Международнаяконференция «9th General Assembly of Asian Seismological Commission» г. Улан-Батор, Монголия, 2012.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Као Динь Чонг

Общие выводы и заключение

1. На основе системного анализа многофакторных данных каталога землетрясений Вьетнама, с использованием функции Гуттенберга-Рихтера, определена сейсмическая активность районов страны. Определено, что наибольшей сейсмической активностью обладает северо-западный район;

2. Разработан, исследован и реализован алгоритм обработки данных каталога землетрясений;

3. Обоснован выбор наиболее эффективной нейронной сети (РВР) с обратным распространением ошибки для среднесрочного прогноза землетрясений на основе сравнительного анализа различных типов нейронных сетей;

4. Разработана методика обучения нейронной сети в задаче прогноза землетрясений;

5. Применена нейронная сеть для среднесрочного прогноза землетрясений в северо-западном районе Вьетнама и получены результаты прогноза. Показано, что в северо-западном районе Вьетнама в период с 2010 г. по 2015 г. возможно землетрясения с вероятностью 0.89, магнитудой 6.7;

6. Обоснована достаточность данных каталога землетрясений с магнитудой более 3.5, произошедших в северо-западном районе Вьетнама с 1975 года для определения вероятности землетрясений с магнитудой более 6;

7. Разработана и реализована полная методика прогноза землетрясений с использованием нейросетевых технологий, исходя из системного анализа каталожных данных по землетрясениям, и получение результатов прогноза.

Предложения:

1. Использование возможности применения метода нейронной сети для задачи краткосрочного прогноза землетрясений Вьетнама. По этому научному направлению исследования нет публикаций.

2. В области научных исследовании землетрясений и их прогноза важной задачей является изучение предшоков и афтершоков. При помощи нейронной сети можно исследовать очаги землетрясений и прогноз афтершоков.

3. Оценка риска после землетрясения также требует научных исследований. Целесообразно получить оценку риска после землетрясения с использованием нейросетевых технологий, что позволит сократить количество потери.

Список литературы диссертационного исследования кандидат технических наук Као Динь Чонг, 2013 год

1. Комплекс долгосрочных сейсмологических предвестников. Калифорния и некоторые другие регионы / К. Ален и др. // Математические методы в сейсмологии и геодинамике (Вычислительная сейсмология). Сб. М.: Наука. 1986. Вып. 19. С. 23-37.

2. Кассификация нефтяных залежей на основе искусственных нейронных сетей и кластер анализа / Б.А. Багиров и др. // Нефтегазовое дело. Научно-технический журнал. 2010. Т. 8, № 2. С. 111.

3. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. X.: ТЕЛЕТЕХ, 2004. 362 с.

4. Богославский С.Н. Область применения искуссвенных нейронных сетей и перспективы их развития // Науч. журнал. КубГАУ. 2007. № 27 (3).

5. Васильева И.К., Ельцов П.Е. Методы распознавания образов. X.: Нац. аэрокосм, ун-т "Харьк. авиац. ин-т", 2008. 56 с.

6. Галушкин А.И. Теория нейронных сетей: Учеб. пособие для вузов. М.: ИПРЖР, 2000, Т. 1.416 с.

7. Нейроинформатика и нейрокомпьютеры / С.Е. Гилев и др. // Тез. докл. рабочего семинара «Нейроинформатика и ее приложения». Красноярск. 1993. С. 83-85.

8. Глаз А.Б. Применение принципов самоорганизации для построения решающих правил на недостаточных обучающих выборках // Автоматика (Киев). 1984. №3. С. 3-12.

9. Головко В.А. Нейронные сети: обучение, организация и применение. М.: Радиотехника, 2001. 256 с.

10. Джеффри Е. X. Как обучаются нейронные сети // В мире науки. 1992. № 11 12. С. 103-107.

11. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. 512 с.

12. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. 224 с.

13. Завьялов А. Д. Среднесрочный прогноз землетрясений. Основы, методика, реализация. М.: Наука, 2006. 256 с.

14. Ивахненко А.Г. Перцептроны. Киев: Наукова Думка, 1974. 179 с.

15. Кейлис-Борок В.И., Кособоков В.Г. Периоды повышения вероятности возникновения для сильнейших землетрясений мира. // Математические методы в сейсмологии и геодинамике (Вычислительная сейсмология). М., 1986. Вып. 19. С. 48-58.

16. Комарцова Л.Г., Максимов A.B. Нейрокомпьютеры: Учеб. пособие для вузов. 2-е изд. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 400 с.

17. Лалетин П.А., Ланкина Э.Г., Ланкин Ю.П. Использование сетей с самостоятельной адаптацией для распознавания слов человеческой речи //Нейроинформатика: Сб. науч. труд.: II Всерос. Науч.-тех. конф. М., 2000. С. 88-95.

18. Минский М., Пайперт С. Перцептроны. М.: Мир, 1971. 328 с.

19. Монахова Е. "Нейрохирурги" с Ордынки // PC Week/RE. 1995. № 9. С. 35-43.

20. Теория вероятности / A.B. Печинкин и др. М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. 456 с.

21. Прогноз возможно максимальных землетрясений в северо-западном районе Вьетнама / К.А. Пупков и др. // Вестник Российского университета дружбы народов. Инженерные исследования. 2011. № 3. С. 74-79.

22. Родионов П.Е. Решение проблем поиска информации путем использования самообучающихся адаптирующихся систем на базе нейронных сетей // Интеллектуальные технологии и системы. М., 2001. Вып. 3. С. 60-61.

23. Садовского М.А. Долгосрочный прогноз землетрясений: Методические рекомендации. М.: ИФЗ АН СССР, 1986. 128 с.

24. Серкова В. И. Расчет уровней добычи нефти с помощью нейросетевой модели // Информационные технологии в управлении и экономике. 2012. №1.JA.

25. Скакун C.B. Оценка плотности вероятности наводнений на основе анализа спутниковых и наземных данных // Сер1я 1нформатика, юбернетика та обчислювальна техшка. 2011.Вип. 13(185). С. 115-120.

26. Сотник C.JI. Конспект лекций по курсу "основы проектирования систем искусственного интеллекта". М.: Высшая школа, 1998. 187 с.

27. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. 226 с.

28. Щетинин В.Г. Самоорганизация минимальной нейронной сети // Нейроинформатика и ее приложения: Тез. докл. III Всерос. сем. Красноярск, 1996. С. 103-104.

29. Alves E.Ivo. Earthquake forecasting using neural networks: Results and Future Work // Nonlinear Dynamics. 2006. 44. P. 341-349.

30. Amir A.S. Magnitude of earthquake prediction using neural network // Proceedings of the Fourth International Conference on Natural Computation. Washington DC, 2008. Vol. 02. P. 448-452.

31. Ashif P., Hojjat A. Neural network model for earthquake magnitude prediction using multiple seismicity indicator // International Journal System. 2007. Vol. 17, № 1. P. 13-33.

32. Ashit K.D. Earthquake prediction using artificial neural networks // International Journal of Research and Reviews in Computer Science (IJRRCS). 2011. Vol. 2, № 6. P. 2079-2557.

33. Carpenter G., Grossberg S. A massively parallel architecture for a self-organizing neural pattern recognition machine. Computing vision // Graphics and image processing. 1987. Vol. 37. P. 54-115.

34. Cottrell G.W., Munro P., Zipser D. Image compression by Backpropagation: An example of extensional programming. San Diego.: University of California, 1987. 87 p.

35. Dieter H.W. Estimation of earthquake reccurrence parameters for unequal observation period for different magnitude // Bulletin of the Seismological Society of America. 1980. Vol. 70, № 4. P. 1337-1346.

36. Frank C.L. Predicting seismic aftershocks using a neural network // The Institute of Electrical and Electronics Engineers (IEEE). 1999. Vol. 2. P. 13661368.

37. Fukushima K.A. Hierarchical Neural Network Model for Associative Memory // Biological Cybernetics. 1984. Vol. 50. P. 105-113.

38. Gabrielov A.M. Algorithms of long-term earthquakes' prediction. Lima: CERESIS, 1986. 61 p.

39. Grossberg S. Adaptive pattern classification and universal recording: Parallel development and coding of neural feature detectors // Biological Cibernatics. 1976. № 23. P. 187-202.

40. Gutenberg B., Richter C.F. Earthquake magnitude, intensity, energy, and acceleration // Bulletin of the Seismological Society of America. 1956. Vol. 46, № 2. P. 105-145.

41. Hagan M.T., Demuth H.B., Beale M. Neural network design. Boston: PWS Publishing Company, 1996. 252 p.

42. Hecht-Nielsen R. Counter propagation networks // Proceedings of the IEEE First International Conference on Neural Networks. Washington DC, 1987. Vol. 2. P. 19-32.

43. Hojjat A., Ashif P. A probalistic neural network for earthquake magnitudet-^Hi^t J rm // M^nrcl XTAtwnrV 9000 Vnl 99 P 1018-1094j^/A VU1VU«J11 / / ± 1 W V*A CVA X 1 VI. » » Ui IV. KJ KJ ^ . T -i— • A . Av/iO 1 \J jLt .

44. Howard D., Mark B., Martin H. Neural Network Toolbox™ 7 User's Guide Matlab. Boston: PWS Publishing Company, 2010. 736 p.

45. Jackson D.D. Hypothesis testing and earthquake prediction // Proc. Natl. Aca. Sci. USA. 1996. Vol. 93. P. 3772-3775.

46. Jeff H. Introduction to Neural Networks for C#. Inc. St. Louis.: Heaton Research, 2010. 428 p.

47. Jeff H. Introduction to Encog 2.5 for C#. Inc. St. Louis.: Heaton Research, 2010. 101 p.

48. Jesse L. Applications with C#. Publisher: O'Reilly Media, 2005. 672 p.

49. Keilis-Borok V.I., Kossobokov V.G. Premonitory activation of seismic flow: algorithm M8 // Phys. Earth and Planet. Inter. 1990. Vol. 61. P. 73-83.

50. Keilis-Borok, V.I., Kossobokov V.G. Times of Increased Probability of Strong Earthquakes (M o 7.5) Diagnosed by Algorithm M8 in Japan and Adjacent Territories //J. Geophys.Res. 1990. Vol. 95, № B8. P. 12413-12422.

51. Keilis-Borok V.I., Soloviev A.A. Nonlinear Dynamics of the Lithosphere and Earthquake Prediction. Heidelberg: Springer, 2003. 338 p.

52. Kossobokov V.G. Algorithm for earthquake statistics and prediction // Seismol. Soc. Am. 1997. Vol. 6. P. 187-196.

53. Kossobokov V.G., Healy J.H., Dewey J.W. Testing an earthquake prediction algorithm // Pure Appl. Geophys. 1997. Vol. 149. P. 219-232.

54. Kossobokov V.G. Stabilizing intermidiate-term medium-rang earthquake prediction // J. Seismology Earthquake Engineering. 2002. Vol. 4, № 2-3. P. 1119.

55. Kiilahci F. Artificial Neural Network model for earthquake prediction with radon monitoring // Applied Radiation and Isotopes. 2009. Vol. 67. P. 212-219.

56. Ling W., Bo L., Rongxia W. Comparative Investigation of BP and RBF Neural Network on Seismic Damage Prediction of Multistory Brick Buildings // Information Engineering and Computer Science (ICIECS). 2010. Vol. 1. P. 1-4.

57. Lippmann R. An Introduction to Computing with Neural Nets // IEEE Acoustics, Speech and Signal Processing Magazine. 1987. Vol. 4. P. 4-22.

58. Ma L., Zhu L., Shi Y. Attempts at using seismicity indicators for the prediction of large arthquakes by Genetic algorithm-neural network method // Asia-Pacific Economic Cooperation for Earthquake Simulation. 1999. Vol. 2. P. 483-489.

59. Maria Moustra, Marios Avraamides, Chris Christodoulou. Artificial neural network for earthquake prediction using time series magnitude data or seismic electric signals // Expert Syst. Appl. 2011. Vol. 38(12). P. 15032-15039.

60. Minsky. M. Logical vs. Analogical or Symbolic vs. Connectionist or Neat vs. Scruffy. San Diego: MIT Press, 1990. 225 p.

61. Mostafa A.Z. Prediction of aftershocks pattern distribution using self-organasing feature maps // 13th World Conference on Earthquake Engineering. California, 2004. № 198. P. 23-28.

62. Papazachos B.C. Long-term Prediction of Intermediate Depth Earthquakes in Southern Aegean Region Based on a Time-predictable Model // Natural Hazards. 1993. Vol. 7. P. 211- 218.

63. Papazachos B.C., Papaioannou CH.A. Long-term Earthquake Prediction in the Aegean Area Based on a Time and Magnitude Predictable Model, Pure and App. // Geophys. 1993. Vol. 140. P. 593-612.

64. Papazachos B.C. Long-term Earthquake Prediction in the Circum-Pacific Convergent Belt // Pure and Applied Geophysicsio 1997. Vol. 149. P. 173-217.

65. Rumelhart B.E., Minton G.E., Williams R.J. Learning representations by back propagating error // Wature. 1986. Vol. 323. P. 1016-1028.

66. Rummelhart D.E., Hinton G.E., Williams R.J. Learning Internal Reprentations by Error Propagation. In Parallel distributed processing.

67. A AV fyTTT Pracc 1 Q8A V^.1 1 P

68. V>/U111U1 lU^V XI %-J , lV AX X 1 IWJJ^ 1 y UU. T v/l. 1 . 1 . w/ 1 U U \J *

69. Senashova M.Yu., Gorban A.N., Wunsch D. Back-Propagation of Accuracy // Proc. IEEE/INNS International Conference of Neural Networks. Santa Barbara, 1997. P. 1998-2001.

70. Spiros Lakkos. A Neural Network Scheme For Earthquake Prediction Based On The Seismic Electric Signals // Proceedings of the 1994 IEEE Workshop. London, 1996. P. 681-689.

71. Wang Y., Chen Y., Zhang J. The Application of RBF Neural Network in Earthquake Prediction // 3 rd International Conference on Genetic and Evolutionary Computing. Guilin, 2009. P. 465-468.

72. Wassermann P.D. Combined Backpropagation // Cauchi machine. Neural Networks: Abstracts of the First INNS Meeting. Boston, 1988. Vol. 1. P. 556-563.

73. Werbos P.J. Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences: Masters thesis. Harvard: University Press, 1974. 129 p.

74. Zurada J.M. Introduction to Artificial Neural Systems. San Diego: PWS Publishing Company, 1992. 785 p.

75. Cao Dinh Trieu, Nguyen Thanh Xuan. Using remote sensing data and GIS to assess seismic hazard in Tay Bac Vietnam // Conference on GIS application on manerging environment in Vietnam. Hanoi, 1999. P. 192-204.

76. Cao Dinh Trieu. The earthquake researching in Vietnam (2004-2006). VLDC. 2006. 169 p.

77. Cao Dinh Trieu. Seismic Hazard of Tay Bac Vietnam territory. Publish house Science and Technology. Hanoi, 2006. 216 p.

78. Cao Dinh Trieu. Prediction of Maximum earthquake occurrence in Vietnamon the basis of crustal characteristics // The report at 5th Vietnam Geophysical hva r^; A/r;»-.v> rst^ onni v> i^oi7i

79. VliiVi V11VV . A XV/ vy 111 irilllil JL irj X X / X .

80. Cao Dinh Trieu, Pham Nam Hung, Cao Dinh Trong. Establishing the earthquake catalogue and intermediate-tern earthquake prediction in Vietrnam on the basis of CN algorithm // Journal of Geology. Series A. 2007. Vol. 300, № 5-6, P. 35-49.

81. Cao Dinh Trieu, Le Van Dung, Cao Dinh Trong. Initial results of seismic hazard essessments in Vietnam on the basic of neo-determinictic algorithm // Journal of Sciences of the Earth. 2007. Vol. 29, № 4. P. 333-341.

82. Cao Dinh Trieu, Le Van Dung, Cao Dinh Trong. Seismic hazard essessment in Vietnam on the basic of neodeterministic algorithm // Proceeding of National Symposium on Geohazards and Mitigation. Hanoi, 2008. P. 31-43.

83. Cao Dinh Trieu, Thai Anh Tuan, Cao Dinh Trong. Some seismotectonic features of Southeast Asia // Journal of Geology. Series A. 2008. Vol. 306. № 56. P. 3-13.

84. Cao Dinh Trieu. Some new outcomes of the intermediate term earthquake prediction in Vietnam // Journal of Geology. Series B. 2009. №. 31. P. 231- 240.

85. Cao Dinh Trieu. Seismic Hazards in Vietnam, Science and Technics. Hanoi: Publishing House. 2010. 182 p.

86. Cao Dinh Trieu. Research on middle-earthquake predictions in Vietnam // Journal of Geology. Series A. 2009. №. 32. P. 47-55.

87. Cao Dinh Trieu, Le Van Dung, Thai Anh Tuan. Seismic danger in West Вас Bo and adjacent areas // Journal of Geology. Series A. 2010. №. 320. P. 253-262.

88. Nguyen Ngoc Thuy. Adjacent areas in West-North of Vietnam (with time of 2001 2005) // Journal of Geology. Series A. 2003. №. 7. P. 13-16.

89. Tran Thi My Thanh. The seismic hazard in Vietnam and local region //Journal of Geology. Series A. 1999. №. 12. P. 143-149.

90. Ангелина В.Я. Ответы на экзаменационные билеты по эконометрике. Режим доступа: http://lib.rus.ec/b/257268/read

91. Анил К. Джейн Введение в искусственные нейронные сети. Режим доступа: htip://vv"vVVv'.scorcher.ru/neuro/science/neurocomp/mem52.htm.

92. Брилюк Д.В., В.В. Старовойтов Нейросетевые методы распознавания изображений. Режим доступа: http://msnauka.narod.rU/lib/author/brilukdb/l/.

93. Ирина Чучуева Модели прогнозирования: нейронные сети. Режим доступа: http://www.mbureau.ru/blog/modeli-prognozirovaniya-neyronnye-seti.

94. Прогнозирование с помощью нейронных сетей. Режим доступа: http://apsheronsk.bozo.ru/Neural/Lec9.htm.

95. Садовой А.В., Сотник С.Л. Алгоритмы обучения нейронных сетей будущего.

96. Режим доступа: http://www.alicetele.com/~sergei/articles/algo/algo.htm.

97. Фролов А., Фролов Г. (2003), Синтез и распознавание речи. Современные решения. Режим доступа: http://www.frolov-lib.ru.

98. Stergiou С., Siganos D. Nueral Networks. Режим доступа: http://www.sdute.edu/~swing/fprediction.html

99. Tveter D. Donald Treveter's Backpropagator Review. Режим доступа: http://www.msc.com/~drt/bprefs.html.

100. Нейронные сети. Типы НС. Обучение НС. Применение НС. Режим доступа: http://do.gendocs.ru/docs/index-238119.html?page=7.

101. Нейросетевые методы распознования изображений. Режим доступа: http ://rusnauka.narod. ru/1 ib/author/bri lukdb/1 /.

102. Основы искусственных нейронных сетей. Режим доступа: http://neuronets.chat.ru/foundations.html.

103. Применение нейронных сетей для задач классификации. Режим доступа: http://www.basegroup.ru/library/analysis/neural/classification/.

104. Introduction to Visual Studio 2010. Режимдоступа: http://www.pluralsight.com/training/Courses/TableOfContents/vs2010-gettingstarted.