Математическое и программное обеспечение обработки многомерных данных нейронными сетями тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат технических наук Прасолова, Ангелина Евгеньевна

• Прасолова, Ангелина Евгеньевна
• кандидат технических наук
• 2007

Оглавление диссертации кандидат технических наук Прасолова, Ангелина Евгеньевна

ВВЕДЕНИЕ

Глава 1. НЕЙРОННЫЕЕ СЕТИ ДЛЯ ОБРАБОТКИ ИНФОРМАЦИИ

1.1 История развития нейронных сетей.

1.2. Биологический нейрон.

1.3. Классификация искусственных нейронных сетей. \

1.4. Применение искусственных нейронных сетей в задачах обработки информации.

ГЛАВА 2. РАСПОЗНАВАНИЕ ОБРАЗОВ И РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ

2.1. Общая характеристика задач распознавания образов. з

2.2. Распознавание изображений.

2.3. Статистические и нейросетевые методы распознавания изображений.

2.4. Детерминированные и нейросетевые методы распознавания изображений.

Выводы по главе 2.

ГЛАВА 3. СТАТИСТИЧЕСКИЕ И НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ ОБНАРУЖЕНИЯ СИГНАЛОВ

3.1 Основные теоретические предпосылки для построения статистических алгоритмов обнаружения сигналов.

3.2 Оптимальные статистические и нейросетевые обнаружители.

3.3 Непараметрические и нейросетевые обнаружители сигналов. 105 Выводы по главе 3.

ГЛАВА 4. ДИАГНОСТИКА ИНФАРКТА МИОКАРДА НЕЙРОННОЙ СЕТЬЮ ХЕММИНГА

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение обработки многомерных данных нейронными сетями»

Актуальность темы. Изучение структуры головного мозга и механизмов его работы привело к развитию новых вычислительных моделей, пригодных для решения сложных неформализуемых задач, таких как распознавание образов, обработка многомерных данных, идентификация, управление. Этими новыми вычислительными моделями стали нейронные сети. Искусственные нейронные сети обладают рядом особенностей: параллельность обработки информации, ассоциативность, способность к автоматической классификации, способность к обучению, обобщение, абстрагирование. Благодаря этим особенностям они используются для решения тех задач, для которых в силу неопределенности, например из-за недостатка информации, традиционные решения не эффективны, а обычные вычисления трудоемки. В то же время большинство существующих технических систем, в том числе систем распознавания изображений и обнаружения сигналов, используют статистические и детерминированные методы обработки многомерных данных. В настоящее время исследованию и использованию нейронных сетей посвящено большое количество работ, как в нашей стране (Галушкин А.И., Головко В.А., Горбань А.Н. и др.), так и за рубежом (W.McCulloch, W.Pitts, F.Rosenblatt, D.Hebb, J.Hopfield, T.Kohonen и др.). Однако, несмотря на это, не было проведено сравнения показателей качества нейросетевых и общепринятых методов обработки данных. Таким образом, возникает задача проведения исследований о соотношении статистических, детерминированных и нейросетевых методов обработки многомерных данных в технических и медицинских системах. Это обуславливает актуальность диссертационного исследования и полученных результатов.

Диссертационная работа выполнена в рамках научного направления Курского государственного университета «Программное обеспечение вычислительных машин, комплексов и сетей».

Цель работы и задачи исследования. Целью диссертационной работы является разработка математического и программного обеспечения обработки многомерных данных нейросетевыми методами и осуществить их сравнение с другими методами.

Для достижения поставленной цели необходимо решить следующие задачи.

1. Исследовать возможности и особенности применения нейронных сетей для обработки многомерных данных.

2. Рассмотреть детерминированные, статистические и нейросетевые методы распознавания образов и распознавания изображений.

3. Рассмотреть статистические и нейросетевые алгоритмы обнаружения сигналов.

4. Разработать программное обеспечение на основе рассмотренных алгоритмов для решения задач распознавания зашумленных изображений и обнаружения сигнала.

5. Изучить задачи диагностики с использованием нейронных сетей на примере диагностики инфаркта миокарда и разработать математическое и программное обеспечение процедуры диагностики.

Методы исследования. При решении поставленных задач использовались методы системного анализа, теории обнаружения сигналов, теории распознавания образов, теории нейронных сетей, методы математической статистики, объектно-ориентированного программирования и разработки интеллектуальных систем.

Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной:

- методы распознавания изображений на базе нейронной сети Хемминга, сети на основе радиально-базисных функций активации (РБФ сети) и самоорганизующихся карт Кохонена, отличающиеся возможностью классифицировать многомерные данные на основе результатов работы нейронных сетей с учетом показателей качества, полученных экспериментально.

- алгоритм обнаружения сигнала на фоне аддитивного шума на базе нейронной сети Хемминга, отличающийся дополнительным фильтрующим слоем нейронов.

- процедура постановки или исключения диагноза инфаркта миокарда левого желудочка на базе нейронной сети Хемминга, РБФ сети и самоорганизующихся карт Кохонена, отличающаяся принятием решения о постановке диагноза на основе результатов диагностики реализованных алгоритмов с учетом коэффициентов достоверности каждого.

- специальное математическое и программное обеспечение методов обработки многомерных данных, отличающееся возможностью применения, как в технических, так и в медицинских целях.

Практическая значимость работы заключается в возможности использования разработанного математического, информационного и программного обеспечения обработки многомерных данных в качестве основы для принятия решений в задачах распознавания изображений, обнаружения сигналов и медицинской диагностики.

Практические результаты диссертационной работы положены в основу прикладных программ, зарегистрированных в Федеральной службе по интеллектуальной собственности, патентам и товарным знакам (ФГУ ФИПС): "Четырехальтернативное распознавание изображений нейронной сетью Хемминга и методом наименьших расстояний" Per. № 2007614588 от 31.10.2007; "Обнаружение сигнала на фоне аддитивного шума нейросетевым и статистическими методами" Per. № 2007614586 от 31.10.2007; "Система диагностики инфаркта миокарда на базе нейронной сети Хемминга" Per. № 2007614587 от 31.10.2007.

Реализация и внедрение результатов работы. Разработанное программное обеспечение для распознавания зашумленных черно-белых изображений и обнаружения сигнала на фоне аддитивного шума на базе предложенных алгоритмов, может быть использовано в системах радиолокации и радиосвязи для принятия оптимальных решений.

Разработанная система диагностики инфаркта миокарда внедрена в клиническую практику кардиологических отделений Муниципального Учреждения Здравоохранения городской больницы скорой медицинской помощи города Курска, Курской областной клинической больницы, городской поликлиники №2 г. Старый Оскол.

Научные результаты диссертационной работы используются в учебном процессе Курского государственного университета по специальности «Математическое обеспечение и администрирование информационных систем».

Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях: VII международной научно-технической конференции «Радиолокация, навигация, связь» (Воронеж, 2001); II международной научно-технической конференции «Кибернетика и технологии XXI века» (Воронеж, 2001); научная конференция посвященная 85-тилетию Воронежского Государственного университета (Воронеж, 2003), 8 World Multi-Conference on Systemic, Cybernetics and Informatics (SCI-2004) USA, международная школа-семинар «Современные проблемы механики и прикладной математики» (Воронеж, 2007), научные семинары Курского государственного университета (2004 - 2007), научные семинары Воронежского государственного университета (2004 - 2007), научные семинары Воронежского государственного технического университета (2004 - 2007).

Публикации. По материалам диссертации опубликовано 12 научных работ. В изданиях, рекомендованных ВАК РФ, опубликовано 3 работы. Личный вклад автора: в [1] - синтезирован нейросетевой алгоритм распознавания сложных изображений, проведена оценка различий результатов вычислительных экспериментов для нейросетевого и статистического алгоритмов; в [3] - построена система диагностики 8 инфаркта миокарда левого желудочка на основе обучаемой нейронной сети Хемминга, проведена оценка качества диагностики; в [4] - синтезирован нейросетевой алгоритм Хемминга распознавания. изображений, получены экспериментальные данные, позволяющие оценить его эффективность; в [5] -синтезирован нейросетевой алгоритм распознавания изображений, проведен сравнительный анализ результатов распознавания нейросетевым и статистическим алгоритмом; в [7] - построена система диагностики инфаркта миокарда на основе обучаемой нейронной сети, проведена оценка качества диагностики; в [ 10-12] - выполнена программная реализация алгоритмов.

Структура и объем работы. Диссертация состоит из введения, четырех глав, выводов, списка используемой литературы из 94 наименований. Основная часть работы изложена на 140 страницах,, содержит 13 таблиц и 22 рисунка.

Заключение диссертации по теме «Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей», Прасолова, Ангелина Евгеньевна

ОСНОВНЫЕ ВЫВОДЫ ПО ДИССЕРТАЦИИ

1. Проанализированы проблемы распознавания изображений и обнаружения сигналов, определены основные показатели качества работы алгоритмов обработки многомерных данных. Обосновано применение нейросетевых методик в поставленных задачах.

2. Проведен сравнительный анализ показателей качества обработки многомерных данных в задаче распознавания при помощи нейросетевых, статистических и детерминированных методов. Нейросетевые методы оказались предпочтительнее по сравнению со статистическими и детерминированными методами.

3. Исследована возможность использования нейронных сетей в задаче обнаружения сигналов. Показано, что сеть Хемминга по своим показателям качества сравнима с ранговым обнаружителем, но не является более предпочтительной из-за затрат на ее обучение.

4. На основе проведенного анализа решения задач распознавания, обнаружения и диагностики нейросетевыми алгоритмами определены коэффициенты качества работы каждого во всех рассмотренных задачах

5. Разработаны коллективные алгоритмы обработки многомерных данных на основе нейронной сети Хемминга, РБФ сети и самоорганизующихся карт Кохонена, принимающие решение на основе работы нейронных сетей с учетом коэффициентов качества их работы.

6. На базе рассмотренных алгоритмов и методов разработано программное обеспечение процессов распознавания изображений и обнаружения сигналов. Разработана структура пользовательского интерфейса, который реализован с помощью интегрированной среды программирования Delphi 7, обеспечивая полную интерактивную и диалоговую поддержку программных средств.

7. Автоматизированная система диагностики инфаркта миокарда, построенная на основе нейросетевых алгоритмов обеспечивает высокие

127 показатели качества диагностики и снижает вероятность гипердиагностики.

Список литературы диссертационного исследования кандидат технических наук Прасолова, Ангелина Евгеньевна, 2007 год

1. Акимов П.С. Знаковое и ранговое последовательное обнаружение сигнала на фоне марковской помехи /П.С. Акимов, В.Я. Литновский // Изв. вузов. Радиоэлектроника. 1984. - Т. 27. - № 4. - С. 14-20.

2. Алешкин А. П. Применение вероятностной нейронной сети для идентификации участка звездного неба по' измерениям бортового оптико-электронного пеленгатора / А. П. Алешкин, И. Н. Куприянов // Нейрокомпьютеры: разработка, применение. 2004. - №5-6. - С. 2329.

3. Аляутдинов М.А. Методы распараллелирования и программно-аппаратной реализации нейросетевых алгоритмов обработки изображений / М.А. Аляутдинов, А.И. Галушкин, Л.Е. Назаров // Нейрокомпьютеры: разработка, применение. 2003. - №2. - С. 32-37.

4. Анисимов Б. В. Распознавание и цифровая обработка изображений / Б. В. Анисимов, В. Ф. Курганов, В. К. Злобин. М. : Высш. шк., 1983. -295 с.

5. Беркович Г.М. Двухэтапная процедура моделирования алгоритмов обнаружения с постоянной частотой ложных тревог / Г.М. Беркович // Тез. докл. 6-ой межд. науч.-техн. конф. «Радиолокация, навигация, связь» Воронеж, 25 27 апр. 2000 г. - Т. 1. - С. 73-79.

6. Васильев В.И. Распознающие системы. Справочник / В.И. Васильев -Киев : Наукова думка, 1983. 424 с.

7. Введение в контурный анализ и его приложения к обработке изображений и сигналов / под ред. Я. А. Фурмана. М. : Физматлит, 2002 - 592 с.

8. Галуев Г. А. Автоматическая идентификация номерных знаков автотранспортных средств: методы и перспективы решения. / Г. А.

9. Геппенер В. В. Разработка систем автоматической верификации дикторов с использованием нейронных сетей / В. В. Геппенер, К. К. Симончик // Нейрокомпьютеры: разработка, применение. 2006. - №7. -С. 24-31.

10. Гладков С.А. Программирование в Microsoft Windows: в 2-х кн. / С.А. Гладков, Г.В. Фролов М. : ДИАЛОГ-МИФИ, 1992. - Кн. 2. - 288 с.

11. Головко В.А. Нейроинтеллект: Теория и применения. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями / В.А. Головко Брест : БПИ, 1999. - 260с.

12. Головко В.А. Нейроинтеллект: Теория и применения. Книга 2. Самоорганизация, отказоустойчивость и применение нейронных сетей / В.А. Головко Брест : БПИ, 1999. - 228с.

13. Ежов А.А. Нейронные сети в медицине / А.А. Ежов, В.Р. Чечёткин // Открытые системы. 1997. -№4. - С. 34-37.

14. Ермаков С.М. Статистическое моделирование / С.М. Ермаков, Г.А. Михайлов М. : Наука, 1982. - 296 с.

15. Истратов А.Ю. Нейросетевая система анализа данных бортового радиолокатора / А.Ю. Истратов, А.В. Мельник, Ю.М. Глебачев, В.Ф. Грибков // Изв. вузов. Приборостр. 1997. - № 6. - С. 32-38.

16. Истратов А.Ю. Эмпирический нейроалгоритм обработки радиолокационной информации / А.Ю. Истратов, А.В. Мельник, В.Ф. Грибков // V Всерос. конф. «Нейрокомпьютеры и их применение»: сб. докладов. М. : Радио и связь., 1999.

17. Кантор И. Л. Гиперкомплексные числа / И. Л. Кантор, А. С. Солодовников М. : Наука, 1973. - 144 с.

18. Комплекснозначные и гиперкомплексные системы в задачах обработки многомерных сигналов / под ред. Я. А. Фурмана. М. : Физматлит, 2004 - 452 с.

19. Короткий С. Нейронные сети Хопфилда и Хэмминга / С. Короткий // http://lii.newmail.ru/NN/KOROTKY/N4/kornn4.htm.

20. Костюк А. И. Изоморфная идентификация изображений / А. И. Костюк, В. А. Каляев // Нейрокомпьютеры: разработка, применение. 2004. -№10.-С. 21-28.

21. Кузьмина М. Г. Осцилляторная сеть с самоорганизованными динамическими связями для сегментации изображений / М. Г. Кузьмина, Э. А. Маныкин, И. И. Сурина // Нейрокомпьютеры: разработка, применение. 2004. - №4. - С. 31-36.

22. Ларин A.M. Исследование эффективности нейросетевых алгоритмов Хопфилда при распознавании изображений / A.M. Ларин, С.Л. Мазилов, С.М. Огреб, П.М. Юхно // Информационный конфликт в спектре электромагнитных волн. 1999. - № 6. - С. 14-18.

23. Лучин А. А. Оптимизация нейросетевых автоматов при классификации рассеивающих объектов по измерениям двумерных изображений / А.

24. A. Лучин, Е. Ю. Труфанов, Д. С. Чиров // Нейрокомпьютеры: разработка, применение. 2006. - №3. - С. 23-28.

25. Мазаков Е. Б. Применение нейросетей в системах распознавания речи / Е. Б. Мазаков , С.Г. Чекинов // Информационные технологии. 2005. -№3.-С. 21-26.

26. Мак-Каллок У. Логическое исчисление идей, относящихся к нервной активности / У. Мак-Каллок, У. Пите // Автоматы. М.: ИЛ. - 1956. -С.362-3 84.

27. Минский М. Перцептроны / М. Минский, С. Пейперт М. : Мир, 1971 -261 с.

28. Меркушева А. В. Нейросетевые методы обработки сигналов в информационных системах. Элементы структуры, принципы обучения и мера многообразия отображений, реализуемых нейронной сетью / А.

29. B. Меркушева // Информационные технологии 2005. - №3. - С. 9-20.

30. Назаров Л.Е. Применение нейронных сетей Хопфилда для атмосферной коррекции космических изображений Земли в оптическом диапазоне / Л.Е. Назаров // Нейрокомпьютеры: разработка, применение. 2003. - №3-4. - С. 34-39.

31. Назаров Л.Е. Сравнительный анализ нейросетевого и фрактального алгоритмов сжатия изображений Земли из космоса Л.Е. Назаров // Нейрокомпьютеры: разработка, применение. 2003. - №7. - С. 19-24.

32. Обнаружение радиосигналов/ Акимов П.С., Евстратов Ф.Ф., Захаров

33. C.И. и др.; под ред. А.А. Колосова. -М. : Радио и связь. 1989. - 288 с. 35.Павлидис Т. Алгоритмы машинной графики и обработки изображений /

34. Т. Павлидис. М. : Радио и связь, 1986. - 398 с.

35. Патрик Э. Основы теории распознавания образов / Э. Патрик М. : Сов. Радио, 1980.-408 с.

36. Перов А.И. Сравнительный анализ нейросетевых и статистических алгоритмов в задачах обнаружения сигналов / А.И. Перов, Г.Г. Соколов // Цифровая обработка сигналов и ее применение: Докл. III Междунар. конф. 2000. - Т. 3. - С. 28-33.

37. Розенблатт Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга / Ф. Розенблаттт М.: Мир. - 1965. - 480 с.

38. Рыбкин М. Б. Распознавание печатного текста при помощи однородной структуры / М.Б. Рыбкин // Нейрокомпьютеры: разработка и применение. 2005. - №1-2. - С. 29-35.

39. Садыхов Р.Х. Система распознавания рукописных символов на базе нейронных сетей и структурных методов / Р.Х. Садыхов, О.Г. Маленко, M.JI. Селингер // Нейрокомпьютеры: разработка и применение. 2004. - №1. - С. 32-39.

40. Серебряков В. П. Нейросетевая коррекция измерительных сигналов фотоэлектрического растрового преобразователя / В. П. Серебряков, О. Г. Драгина // Нейрокомпьютеры: разработка и применение. 2004. -№5-6. - С. 34-40.

41. Соболь И.М. Численные методы Монте-Карло / И.М. Соболь М.: Наука, 1973.-312 с.

42. Сосулин Ю.Г. Инвариантное распознавание изображений комбинированной нейронной сетью / Ю.Г. Сосулин, Фам Чунг Зунг // Нейрокомпьютеры: разработка и применение. 2003. - №8-9. - С. 2937.

43. Станкевич JI. А. Распознавание трехмерных объектов с использованием их структурного описания / Л. А. Станкевич, В. В.

44. Тихомиров, Д. В. Троцкий // Нейрокомпьютеры: разработка и применение. 2006. - №6. - С. 70-79.

45. Татузов A. JI. Эффективная организация нейросетевых вычислений.при поиске объектов на изображениях / A.JI. Татузов // Нейрокомпьютеры: разработка и применение. 2004. - №5-6. - С. 22-27.

46. Татузов A.JI. Методы обучения нейронных сетей для решения задач обнаружения целей / A.JI. Татузов // Нейрокомпьютеры: разработка и применение. 2004. - №4. - С. 12-18.

47. Теория обнаружения сигналов / под ред. П.А. Бакута М.: Радио и связь, 1984.-440 с.

48. Тихонов В.И. Статистический анализ и синтез радиотехнических устройств и систем / В.И. Тихонов, В.Н. Харисов -М.: Радио и связь,1991.-608 с.

49. Томашевич Н.С. Система распознавания микробиологических объектов на изображении с помощью нейронных сетей / Н.С. Томашевич, С.В. Коробкова // Нейрокомпьютеры: разработка и применение. 2005. -№1. - С. 56-61.

50. Ту Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес М.: Мир, 1978.-411 с.

51. Уоссермен Ф. Нейрокомпьютерная техника / Ф. Уоссермен М.: Мир,1992.- 184 с.

52. Фомин Я.А. Статистическая теория распознавания образов / Я.А. Фомин, Г.Р. Тарловский М.: Радио и связь, 1986. - 264 с.

53. Фу К. Структурные методы в распознавании образов / К. Фу М.: Мир, 1977.-319 с.

54. Фурман Я. А. Распознавание групповых точечных объектов в трехмерном пространстве / Я. А. Фурман, Д. Г. Хафизов // Автометрия. -2003.-Т. 39.-№ 1.-С. 3-18.

55. Фукунага К. Введение в статистическую теорию распознавания образов / К. Фукунага М.: Наука, 1979. - 368 с.

56. Andina D. Application of a Neural Network to Radar Detection / D. Andina, J.L. Sanz-Gonzalez // Proc. Of European Conf. on Circuit Theory and Design, ECCTD'95, Istanbul, Turkey, 1995 (August), pp. 573 - 576.

57. Andina D. Comparison of a Neural Network Detector vs Neyman-Pearson Optimal Detector / / D. Andina, J.L. Sanz-Gonzalez // Proc. Of IEEE Int. Conf. on Acustics, Speech & Signal Processing, ICASSP'96, 1996 (May), — Atlanta, USA. pp. 3574 - 3577.

58. Andina D. A Comparison of Criterion Functions for a Neural Network Applied to Binary Detection / D. Andina, J.L. Sanz-Gonzalez, A. Jimenez-Pajares // Proc. of IEEE Int. Conf. On Neural Networks, ICNN'95, Perth, -Australia, 1995 (November). pp. 329-333.

59. Bas C.F. The Layered Perceptron Versus Neyman-Pearson Optimal Detection / C.F. Bas, R.J. Marks II // Proceedings of the International Joint Conference on Neural Networks, Songapore, 1991 (18-20 Nov), IEE Press, -pp. 1486-1489.

60. Bhattacarya Т.К. Modular Learning Strategy for Signal Detection in a Nonstationary Environment / Т.К. Bhattacarya // IEEE Trans. Signal Process. (USA), 1997 (June), vol. 45. - no 6. -pp. 1619-1637.

61. Bucciarelli T. Neural Networks Based Signal Detection / T. Bucciarelli, G. Fedele, R. Parisi // NAECON 93, Daytona, 1993. pp. 1243-1246.

62. Chang E.I. Figure of Merit Training for Detection and Spotting / // NIPS'1993. vol. 6. - pp. 1019-1027.

63. Chilingarian A. Detection of Weak Signals against Background (Noise) Using Network Classifiers / Chilingarian A. // Pattern Recognition Leters. 1995.-v. 16.-no 4.-pp. 241-250

64. El-Jaroudi. A new error criterion for posteriror probability estimation with neural networks / El-Jaroudi, Amro, J. Makhoul // Proc. of the 1990 Int. J. Conf. on Neural Networks, 1990. pp. 185-192.

65. Fu K. S. Sequential Methods in Pattern Recognition and Machine Learnings / K. S. Fu // New York : Academic Press, 1968. 227 p.

66. Furman Ya. A. Processing of quaternion signals specifying spatially located group point objects / Ya. A. Furman // Pattern Recogn. and Image Analysis. 2002.-12.-N2.-P. 175.

67. Guo C. Temporal Difference Learning Applied to Sequential Detection / C. Guo, A. Kuh // IEEE Trans. Neural Netw. (USA),' 1997 (March). v. 8. - no 2-pp. 278-287.

68. Hampshire II J.B. A Novel Objective Function for Improved Phoneme Recognition Using Time-Delay Neural Networks / J.B. Hampshire, A.H. Waibel // IEEE Trans. Neural Networks, 1990 (June). v. 1. - no 2. - pp. 216-228.

69. Haykin S. Signal Detection in a Nonstationary Environment Reformulated as an Adaptive Pattern Classification Problem / S. Haykin, D.J. Thomson // Proc. IEEE, 1998.-v. 86.-pp. 2325-2344.

70. Jacobsen X. A Comparison between Neural Networks and Decision Trees / X. Jacobsen, U. Zscherpel, P. Perner // Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999.-pp. 144-158.

71. Karakoulas G. Optimizing Classifiers for Imbalansed Training Sets / G. Karakoulas, J.S. Taylor // NIPS'1998. v. 11. - pp. 253-259.

72. Khafizov D. G. Model of a noised quaternion signals / D. G. Khafizov // Pattern Recogn. and Image Analysis. 2003. - NT. - pp. 110-113.

73. Kohonen T. 1988. Self-organization and associative memory / T. Kohonen // Berlin; Heidelberg; New York; Tokyo: Springer Verlag, 1984. -255 p.

74. Kuck M. Constant False Alarm Rate Detection of Radar Signals with Artificial Neural Networks / M. Kuck // MSc Thesis, Dept. of Computer Science, University of Skode, — Sweeden, 1996. pp. 324-330.

75. LeCun Y. A Theoretical Framework for Back Propagation Proc. Of the Connectionist Models Summer Scholl / Y. LeCun, D. Touretzky, G. Hinton, and T. Sejnowsky, eds. // CMU. - Pittsburgh, Pa, 1988. - pp. 21 - 28.

76. Lippmann R.P. Adaptive neural Net Preprocessing For Signal Detection in Non-Gaussian Noise / R.P. Lippmann, P. Beckman // NIPS'1988. v. 1. -pp. 124-132.

77. Paris B.P. Neural Net Receivers in Multiple-Access Communications / B.P. Paris, G. Orsak, M. Varanasi, B. Aazhang // NIPS'1988. v. 1. - pp. 272280.

78. Petrou M. Learning in Pattern Recognition / M. Petrou // Lecture Notes in Artificial Intelligence Machine Learning and Data Mining in Pattern Recognition, 1999.-pp. 1-12.

79. Principe J.C. Target Discrimination in Synthetic Aperture Radar (SAR) Using Artificial Neural Networks / J.C. Principe, M. Kim, J.W. Fisher // IEEE Transactions on Image Processing, August 1998. -No. 8. pp. 11361149.

80. Principe J.C. Transient Signal Detection with Neural Networks. The Search fo the Desired Signal / J.C. Principe, A. Zahalka // NIPS'1992, November 30-December 03 1992. v. 5, pp. 688 - 695.

81. Ranganath S. Face recognition using transform features and neural networks / S. Ranganath, K. Arun // Pattern Recognition 1997. v. 30. - pp. 16151622.

82. Ripley B.D. Pattern Recognition and Neural Networks / B.D. Ripley // Cambridge: Cambridge University Press, 1996. 416 p.

83. Rowley H. A. Neural Network-Based Face Detection / H. A. Rowley, S. Baluja, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence 1998. v. 20. - pp. 23-37.

84. Rumelhart D. E. Learning internal reprentations by error propagation / D. E. Rumelhart, G. E. Hinton, R. J. Williams // In Parallel distributed processing, Cambridge, MA: MIT Press, 1986. v. 1. - pp. 318-62.

85. Scherf A.V. Target Detection Using Multilayer Feedforward Neural Networks / A.V. Scherf, P.A. Scott // SPIE Proc. Orlando, FL, USA. 1991 (April).-vol. 1469.-pp. 13-19.

86. Tefler B.A. Energy Functions for Minimizing Misclassifications Error with Minimum-Complexity Networks / B.A. Tefler, H.H. Szu // Neural Networks. 1994.-v. 7.-no 5.-pp. 809-817.

87. Tefler B.A. Implementing the Minimum- Misclassification-Error Energy Function for Target Recognition / B.A. Tefler, H.H. Szu // Int. J. Conf. Neural Networks. Baltimore, June 1992. - v. IV. - pp. 214-219.

88. Valentin D. Connectionist models of face processing: a survey / D. Valentin, H. Abdi, A. J. O'Toole, G. W. Cottrell // IN: Pattern Recognition. 1994. -v. 27.-pp. 1209-1230.

89. Wang Chia-Jiu. Neural network for target detection / Wang Chia-Jiu, Wu Chwan-Hwa // IEE Int. Symp. Circuits and Syst, New Orleans, LA, 1990 (may 1-3). -v. З.-рр. 1863 1866.

90. Yoon K. S. Hybrid approaches to frontal view face recognition using the Hidden Markov Model and Neural Network / K. S. Yoon, Y. K. Ham, R.H. Park // Pattern Recognition. 1998. - v. 31. - pp. 283-293.

91. ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В1. СЛЕДУЮЩИХ РАБОТАХ:

92. Публикации в изданиях, рекомендованных ВАК РФ

93. Новикова Н.М., Прасолова А.Е. Распознавание сложных изображений нейросетевыми и статистически оптимальными алгоритмами, Нейрокомпьютеры: разработка, применение, 2004 г., №4 С.28 - 33.

94. Прасолова А.Е. Нейросетевые и параметрические статистические алгоритмы в задаче обнаружения сигналов, Нейрокомпьютеры: разработка, применение, 2005 г., №5 С. 53 - 57.,

95. Прасолова А.Е., Прасолов А.В. Искусственная нейронная сеть Хэмминга в приложении к диагностике инфаркта миокарда, Нейрокомпьютеры: разработка, применение, 2005 г., №7 С. 41 - 45.

96. Статьи и материалы конференций

97. Новикова Н.М., Карпова А.Е. Сравнительная оценка нейросетевого и статистического алгоритмов распознавания изображений, Сборник материалов II международной научно-технической конференции «Кибернетика и технологии XXI века», Воронеж, 2001 г. С. 474 - 481.

98. Прасолова А.Е. Нейросетевые и непараметрические статистические алгоритмы в задаче обнаружения сигналов, УЧЕНЫЕ ЗАПИСКИ. Электронный научный журнал Курского государственного университета. http://scientiflcal-notes.ru

99. Прасолова А.Е., Новикова Н.М. Use Of Artificial Hamming Neural Network140

100. For Myocardial Infarction Diagnostics, Proceedings of HIS (SCI-2004) -Orlando, Florida, USA. P. 115 - 120.

101. Прасолова A.E. Нейросетевой алгоритм Хемминга в задаче обнаружения сигнала. Сборник трудов международной школы-семинара «Современные проблемы механики и прикладной математики», Воронеж, 2007 г. С. 290 -294.

102. Прасолова А.Е. Распознавание сложных изображений нейросетевым и детерминированным алгоритмами, Сборник трудов международной школы-семинара «Современные проблемы механики и прикладной математики», Воронеж, 2007 г. С. 295 - 297.

103. Программа "Четырехальтернативное распознавание изображений нейронной сетью Хемминга и методом наименьших расстояний"/ А.Е. Прасолова, Н.М. Новикова. М.: ФГУ ФИПС, 2007. Per. № 2007614588 от 31.10.2007.

104. Программа "Обнаружение сигнала на фоне аддитивного шума нейросетевым и статистическими методами" / А.Е. Прасолова, Н.М. Новикова. -М.: ФГУ ФИПС, 2007. Per. № 2007614586 от 31.10.2007.

105. Программа "Система диагностики инфаркта миокарда на базе нейронной сети Хемминга"/ А.Е. Прасолова, Н.М. Новикова. М.: ФГУ ФИПС, 2007. Per. № 2007614587 от 31.10.2007.