Модифицированная нейросеть для обработки информации с селекцией существенных связей тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Энгель, Екатерина Александровна

• Энгель, Екатерина Александровна
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Энгель, Екатерина Александровна

ВВЕДЕНИЕ

1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ РЕШЕНИЯ СЛАБО

ФОРМАЛИЗОВАННЫХ ЗАДАЧ.

1.1. Формальная постановка задачи поиска приемлемого решения СФЗ

1.2. Сравнительный анализ методов автоматизации решения СФЗ

1.3. Возможность применения нейронных сетей для решения СФЗ

1.4. Нейросетевые методы решения СФЗ

1 ^.Стандартизация и унификация описания нейронных сетей

1.6. Системы моделирования нейронных сетей на персональных ЭВМ

Выводы

2. МОДИФИЦИРОВАННАЯ НЕЙРОСЕТЬ ДЛЯ ОБРАБОТКИ ИНФОРМАЦИИ С СЕЛЕКЦИЕЙ СУЩЕСТВЕННЫХ СВЯЗЕЙ

2.1. Применение нейросетевых компонентов в информационных системах на основе унифицированного формата представления нейросетевой модели

2.2. Описание варианта стандарта нейрокомпьютера, адаптированного и дополненного с целью с целью модификации нейросети

2.3. Модифицированная нейросеть с селекцией существенных связей

Выводы

3. АПРОБАЦИЯ МОДИФИЦИРОВАННОЙ НЕЙРОСЕТИ ПРИ РЕШЕНИИ ПРИКЛАДНЫХ ЗАДАЧ

3.1. Особенности практических СФЗ в психологии.

3.2. Решение задачи диагностики уровня социальной адаптации первокурсников вузов

3.3. Решение задачи повышения уровня социальной адаптации студентов первокурсников

3.4. Решение задачи прогноза поквартирного электропотребления многоэтажных застроек г. Абакана.

Выводы

Введение диссертации (часть автореферата) на тему «Модифицированная нейросеть для обработки информации с селекцией существенных связей»

Актуальность темы. Практические слабо формализованные задачи (СФЗ) обладают множеством свойств:

• сложная структура объекта;

• необходимость быстрого принятия решения на основе переработки больших объемов информации в условиях постоянно меняющихся внешних и внутренних характеристик системы;

• стохастический и динамический характер процессов в объекте;

• большая размерность вектора входных факторов (десятки и сотни);

• наличие качественных, порядковых и количественных факторов;

• мультиколлинеарность вектора входных факторов;

• дефицит наблюдений и др.

Вышеперечисленные особенности приводят к повышению сложности алгоритмического описания модели решения СФЗ.

Создание и развитие новых методов решения СФЗ основано на автоматизации некоторых интеллектуальных функций принятия решений. На этом пути в настоящее время общезначимым является использование информационных технологий с элементами искусственного интеллекта на базе нейроинформатики, широко применяемых в различных областях человеческой деятельности [1-23]. Например, в [17,18] приводится информация о более чем ста приложениях нейронных сетей в областях распознавания изображений, анализа сигналов, робототехники, медицины, финансов, планирования и контроля процессов, управления производством, организации интерфейса и т.д. Поэтому востребованными являются задачи автоматизированного построения нейросетевых моделей информационных систем. Решение указанных задач сопряжено с выбором и обоснованием структуры ней-росети, настройкой её параметров для интеграции нейросети в существующие информационные системы.

Основные усилия исследователей и разработчиков сосредоточены на изучении и развитии теоретических и прикладных аспектов нейроинформатики. При этом нейросетевые модели рассматриваются как самостоятельные средства обработки информации, вне связи с существующими информационными системами и технологиями. Разработка методов интегрирования нейросетевых компонентов в информационные системы с применением варианта унифицированного формата представления информации о нейросетевой модели, предложенного Е.М. Мирке-сом, может существенно расширить возможности решения информационных задач в экономических, медицинских, производственных, исследовательских, учебных и других приложениях.

В рамках создания технологии автоматизированного построения нейросетевых моделей решения практических СФЗ в нашей стране были разработаны методы выбора и обоснования структуры нейросети, настройки её параметров. Ведущие роли в этом принадлежат ученым: Красноярской группы «Нейрокомп» во главе с А.Н. Горбанем, лаборатории искусственных нейронных сетей NeurOK Software во главе с С.А. Тереховым; Алтайского Государственного Технического Университета во главе с О.И. Пятковским и др. В рамках существующих тенденций можно считать перспективным разработку и внедрение модифицированной нейросети, построенной с применением метода группового учета аргументов (МГУА). Ее реализация связана с поиском приемлемого решения СФЗ посредством обоснования выбора критерия оценки достижения приемлемого решения СФЗ, модификации алгоритмов предобработки данных и разработки методов достижения конечного результата.

Объект и предмет исследования. В качестве объекта исследования принята нейросетевая система решения слабо формализованных задач. Предмет исследования: структура многослойной нейросети и способы её интеграции в систему решения слабо формализованных задач.

Цель и задачи работы. Получение структуры нейросети, позволяющей эффективно решать слабо формализованные задачи с приемлемой точностью.

Цель достигается решением следующих задач:

1. Дать постановку слабо формализованной задаче, выработать критерий оценки достижения приемлемого решения слабо формализованной задачи;

2. В информационных системах обосновать выбор технологии применения нейросетевых моделей, представленных в унифицированном формате;

3. Адаптировать и дополнить вариант стандарта нейрокомпьютера, с целью модификации нейросети с применением метода группового учета аргументов;

4. Разработать алгоритм построения модифицированной нейросети, допускающей коррекцию части её настроенной структуры для решения слабо формализованных задач с приемлемой точностью;

5. Практически использовать модифицированную нейросеть для решения задач в следующих предметных областях: психология, энергетика.

Основная идея диссертации. Применить МГУА для построения модифицированной нейросети, решающей слабо формализованные задачи с приемлемой точностью.

Методы исследования. Основные теоретические и прикладные результаты работы получены на основе методологии системного анализа, информационного моделирования и использования систем искусственного интеллекта. В процессе конструирования модифицированной нейросети использовались МГУА, теория нейронных сетей, математическое программирование и методы принятия решений.

Основные результаты:

1. Обоснован выбор критерия оценки достижения приемлемого решения слабо формализованной задачи на основе сопоставления предъявленной точности с оценкой максимальной ошибки модели.

2. Модифицированы алгоритмы предобработки числовых признаков (оценки степени корректности задачи; ранжирования выборки; кластеризации данных) для снижения оценки максимальной ошибки нейросетевой модели.

3. Разработан алгоритм построения модифицированной нейросети с применением МГУА, позволяющий получать приемлемое решение слабо формализованной задачи. На базе предложенного алгоритма разработана коррекция выходного слоя модифицированной нейросети, позволяющая находить приемлемое решение в случае, когда настроенная модифицированная нейросеть решает задачу с точностью, ниже предъявленной.

Научная новизна работы:

1. Предложена модифицированная нейросеть, которая, в отличие от обычной слоистой нейросети, содержит блоки селекции и использует для достижения приемлемого решения слабо формализованной задачи меньшее количество настраиваемых параметров.

2. Разработан алгоритм настройки последнего блока селекции с применением МГУА, позволяющий находить приемлемое решение в случае, когда настроенная модифицированная нейросеть не решает задачу с требуемой точностью.

Значение для теории. Предложен метод построения модифицированной нейронной сети на основе простых обученных нейросетей, который имеет существенное значение для развития теории нейронных сетей и разработки методов интеллектуальной поддержки при решении слабо формализованных задач обработки информации.

Значение для практики. Разработанный алгоритм построения модифицированной нейросети позволяет решать слабо формализованные задачи в разных предметных областях.

Практическая значимость модифицированных нейросетей подтверждается решением следующих прикладных задач: диагностики уровня социальной адаптации первокурсников вузов; повышения уровня социальной адаптации студентов-первокурсников; прогноза поквартирного электропотребления многоэтажных застроек.

Коррекция выходного слоя модифицированной нейросети для получения приемлемого решения в случае, когда настроенная модифицированная нейросеть не решает задачу с требуемой точностью, проводится в режиме реального времени.

Обоснованность и достоверность результатов подтверждается сопоставлением результатов решения практических задач модифицированными нейросетями с фактическими данными. Результаты модифицированной нейросети при решении практических задач показали лучшее качество обработки информации по сравнению с другими методами: сетями Кохонена и МГУА не удалось достичь приемлемого решения практической слабо формализованной задачи; по сравнению с обычными слоистыми нейросетями оценки максимальных ошибок модифицированных нейросетей снизились при сокращении количества настраиваемых параметров и снижении оценок констант Липшица.

Использование результатов диссертации. Результаты исследований:

• внедрены на МП «Абаканские электрические сети» г. Абакана; необходимость использования материалов обусловлена решениями задач оценки тарифов за потребленную электроэнергию, прогнозирования потребностей в электроэнергии;

• внедрены на кафедре психологии медико-психолого-социального института ХГУ; необходимость решения задач диагностики и повышения уровня социальной адаптации первокурсников вузов вызвана сложностью традиционных психодиагностических методик для их решения;

• используются в учебном процессе Хакасского государственного университета при проведении дисциплины «Системы искусственного интеллекта».

Личный вклад автора заключается в следующем:

1. Автором разработана модифицированная нейросеть для решения слабо формализованной задачи с приемлемой точностью, которая в отличие от обычной слоистой нейросети содержит блоки селекции.

2. Модифицированная нейросеть использована автором при решении практических задач: диагностики и повышения уровня социальной адаптации первокурсников вузов, прогнозирования поквартирного электропотребления многоэтажных застроек.

Апробация работы. Результаты работы были представлены на научных семинарах «Катановские чтения» (г. Абакан) 1999-2004 годы, на 8, 11 и 12 семинарах «Нейроинформатика и ее приложения» (г. Красноярск) в 2001, 2003 и 2004 году.

Публикации. По материалам диссертации опубликовано 8 работ, из них: 1 -статья в изданиях по списку ВАК; 3 - статьи в сборниках; 3 — работы, опубликованные в материалах всероссийских конференций;. 1 - программный продукт, зарегистрированный в ОФАП.

Объем и структура работы. Диссертационная работа общим объемом 109 страниц состоит из введения, трех разделов, заключения, библиографического списка из 126 наименований, включает в себя 15 рисунков, 8 таблиц. В четырех

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Энгель, Екатерина Александровна

Основные результаты исследований заключаются в следующем:

1. Обоснован выбор критерия оценки достижения приемлемого решения слабо формализованной задачи на основе сопоставления предъявленной точности с оценкой максимальной ошибки модели.

2. Модифицированы алгоритмы предобработки признаков (оценки степени корректности задачи; ранжирования выборки; кластеризации данных) для снижения оценки максимальной ошибки нейросетевой модели.

3. Предложена модифицированная нейросеть, которая в отличие от обычной слоистой нейросети содержит блоки селекции и использует для достижения приемлемого решения слабо формализованной задачи меньшее количество настраиваемых параметров. На базе разработанного алгоритма построения модифицированной нейросети предложена коррекция ее выходного слоя, позволяющая находить приемлемое решение в случае, когда настроенная модифицированная нейросеть решает задачу с точностью ниже предъявленной.

4. Результаты модифицированной нейросети при решении двух практических задач показали лучшее качество обработки информации по сравнению с другими методами: сети Кохонена и МГУ А не дали приемлемых решений практических слабо формализованных задач; по сравнению с обычными слоистыми нейросетя-ми оценки максимальных ошибок модифицированных нейросетей снизились при сокращении количества настраиваемых параметров и снижении оценок констант Липшица.

5. Практическая значимость модифицированных нейросетей подтверждается решением следующих прикладных задач: диагностики уровня социальной адаптации первокурсников вузов; повышения уровня социальной адаптации студентов-первокурсников; прогноза поквартирного электропотребления многоэтажных застроек.

6. Результаты диссертационной работы отражены в восьми публикациях.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Энгель, Екатерина Александровна, 2004 год

1. Галанский Б.Л., Поляков В.И. Информационные системы Томск: Изд-во Том. ун-та, 1989 .- 154 с.

2. Айзерман М.А., Вольский В.И., Литваков Б.М. Элементы теории выбора. Псевдокритерии и псевдокритериальный выбор. Москва. 1994.

3. Искусственный интеллект; В 3 кн. Кн.2 Модели и методы; Справочник /Под ред. ДА. Поспелова. М.: Радио и связь, 1990. - 304 с.

4. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986.288 с.

5. Попов Э. В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ.-М.: Наука, 1987.-288 с.

6. Сойер В., Фостер Д.Л. Программирование экспертных систем на Паскале; пер. с англ. М.: Финансы и статистика, 1990. - 191 с.

7. Таундсен К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ.- М.: Финансы и статистика, 1990. -320 с.

8. Уотермен Д. Руководство по экспертным системам; пер. с англ. -М.: Мир, 1989. -389 с.

9. Представление и использование знаний: Пер. с япон./ Под ред. X. Уэно, М. Исидзука.-М.: Мир, 1989. -220 с.

10. Ю.Осуга С. Обработка знаний: Пер. с япон. М.: Мир, 1989. -293 с.

11. Приобретение знаний: Пер. с япон./ Под ред. С.Осуги, Ю. Саэки. М.: Мир, 1990.- 304 с.

12. Towell G. G., J. W. Shavlik .Knowledge-Based Artificial Neural Networks. Artificial Intelligence, 70,1994, pp. 119-16513.0rsier В., B.Amy, V.Rialle, A.Giacometti. A study of the hybrid system SYNHESYS. In Proc. of ECAI-94, Amsterdam, 1994, 10 p.

13. Искусственный интеллект; В 3 кн. Кн.1. Системы общения и экспертные системы; Справочник/ Под ред. Э.В. Попова. М.: Радио и связь, 1990. - 464с.

14. Айвазян С .А., Енюков И.С., Мешалкин Л. Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985.

15. Россиев Д.А. Медицинская нейроинформатика / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.

16. Kemsley, D.H., Т. R. Martinez. A Survey of Neural Network Research and Fielded Applications// International Journal of Neural Networks: Research and Applications, vol. 2, No. 2/3/4, 1992, pp.123-133

17. Sarle W. Frequent asked question on neural network. ftp://ftp.sas.com/pub/neural/FAQ.html

18. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. -Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.

19. Афанасьева (Энгель), Е.А. Исследование нейронных сетей для построения графиков электрической нагрузки / Е.А. Афанасьева, А.С. Дулесов // Изв. Вузов. Электромеханика. -1998. -№2-3.-С.Ю7.

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

21. Энгель Е.А. Использование экономической интуиции ИНС для прогноза процентной ставки // Нейроинформатика и ее приложения: материалы VIII Всероссийского семинара / Под ред. А.Н.Горбаня. КГТУ. Красноярск, 2000.

22. Hristev, R.M. The ANN Book. 1998, 395p. FTP://ftp.funet.fi/pub/sci/neural/books.

23. Миркес E.M. Нейрокомпьютер. Проект стандарта. Новосибирск: НАУКА, 1999.

24. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М. Наука. Физматлит.1996.

25. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. -М.:СИНТЕГ,1998.

26. Simonovic A., Slobodan P. Decision support for sustainable water resources development in water resources planning in a changing world. // Proceeding of International UNESCO symposium, Karlsruhe, Germany, p.III.3-13, 1994.

27. Ginsberg M.J., Stohr E.A. A decision support: Issues and Perspectives.// Proceesses and Tools for Decision Support. Amsterdam, North-Holland Publ.Co, 1983.

28. Simon H, Newell A. Heuristic problem solving: the next advance in operations research.// Operations research, v.6,1958.

29. Дородицин А.А. Информатика: предмет и задачи//Кибернетика. Становление информатики. М.: Наука, 1985. - С. 22-28.

30. Иванов Ю.А. Алгоритмы принятия решений и структурный синтез систем в информационных технологиях мониторинга, контроля и управления по энергетическим характеристикам акустических волновых полей. 1999.№ 10

31. Кузин Л.Т. Основы кибернетики: В 2х т. Т.2 Основы кибернетических моделей.-М.: Энергия, 1979.- 584 с.

32. Нильсон Н. Искусственный интеллект. М.: Мир, 1973. -270 с.

33. Хант Э. Искусственный интеллект. М.: Мир, 1978, -558 с.35.3агоруйко Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972.206 с.

34. Лбов Г.С. Методы обработки разнотипных экспериментальных данных.-Новосибирск: Наука, 1981.- 157 с.

35. Фор А. Восприятие и распознавание образов.- М.: Машиностроение, 1989.272с.

36. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. М.: Наука, 1974.

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

38. Ларичев О.И. Объективные модели и субъективные решения М. Наука.1987.41 .Саати Т. Принятие решений. Метод анализа анархий. М. Радио и связь. 1993.

39. Бурков В.Н., Новиков В.А. Введение в теорию активных систем. М. ИПУ.1996.

40. Бурков В.Н., ЕналеевА.К., Новиков Д. А. Механизмы функционирования социально-экономических систем с сообщением информации // АиТ №3, 1996,с.З-25.

41. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. М. Финансы и статистика. 1996.

42. Макроум Б. Макетирование моделированием. PC Magazine. Russian edition.№9, C.120, 1996.

43. Макаров И.М., Виноградская Т.М., Рубчинский A.B., Соколов В.Б. Теория выбора и принятия решений. М.: Наука, 1982.

44. Трахтенгерц Э.А. Согласование решений в распределенных вычислительных системах поддержки принятия решений. // АиТ №3, с.145-160, 1996.

45. Крабб Д. Мощные рабочие станции // PC Magazine. Russian edition, Спец. выпуск. 1993-1994, с.14-39.

46. Трахтенгерц Э.А. Принятие решений на основе компьютерного анализа. М. Институт проблем управления .1996.

47. Zadeh L.A. Fuzzy sets/flnf. and Control № 8, 1965, p. 338-353.

48. Трахтенгерц Э.А. Генерация, оценка и выбор сценария в системах поддержки принятия решения. // АиТ, №3, 1997, с. 167-178.

49. Кини P.JL, Райфа X. Принятие решений при многих критериях: предпочтения и замещения. М. Радио и связь. 1984.

50. Honavar V., L. Uhr. Integrating Symbol Processing and Connectionist Networks. -Invited chapter. In: Intelligent Hybrid Systems. 1995, pp. 177-208. Goonatilake, S. and Khebbal, S. (Ed.) London: Wiley.

51. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.:Радио и связь, 1992.- 200 с.

52. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989.

53. Мостеллер Ф., Тьюки Дж. Анализ данных и регрессия.- М.: Финансы и статистика, 1982.- 239 с.

54. Боровков А.А. Математическая статистика.- Новосибирск: Наука; Изд-во Ин-та математики, 1997.-772 с.

55. Sarle W. Neural networks and statistical models. In Proc. of 19th Annual SAS users group international conference, 1994, 13 p. ftp://ftp.sas.com/pub/neural/inter95.ps.

56. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ.-М. :Высш.шк., 1989. 376 с.

57. Клир Дж. Системология. Автоматизация решения системных задач: Пер. с англ-М.:Радио и связь, 1990.-544 с.

58. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП «ParaGraph», 1990. -160 с.

59. Горбань А.Н. Быстрое дифференцирование, двойственность и обратное распространение ошибки / Нейроинформатика Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. С. 73-100.

60. Гилева JI.B., Гилев С.Е., Горбань А.Н., Гордиенко П.В., Еремин Д.И., Коченов Д.А., Миркес Е.М., Россиев Д.А., Умнов H.A. Нейропрограммы. Учебное пособие: В 2 ч. // Красноярск, Красноярский государственный технический университет, 1994. 260 с.

61. Методы нейроинформатики. Сб.научн.трудов./ Под ред. А.Н. Горбаня. Красноярск: КГТУ. 1998. -204 с.

62. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова,

63. B.Г.Царегородцев.-Новосибирск: Наука, Сибирская издательская фирма РАН, 1998.-296 с.

64. Горбань А.Н. Нейрокомпьютер, или Аналоговый ренессанс. Мир ПК, 1994. № 10.1. C. 126-130.

65. Маккалок Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности.// Автоматы. М.: ИЛ, 1956.

66. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

67. Минский М., Пайперт С. Персептроны. М.: Мир, 1971.

68. Дунин-Барковский В.Л. Информационные процессы в нейронных структурах. -М.: Наука, 1978.

69. Соколов E.H., Вайткявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. М.: Наука, 1989. -238 с.

70. Poggio T. and F. Girosi A Theory of Networks for Approximation and Learning. MIT AI memo 1140, 1989, 87 p.

71. Heht-Nielsen R. Theory of the backpropagation neural network. Neural Networks for Human and Mashine Perception. H.Wechsler (Ed.). Vol. 2. Boston, MA: Academic Press, 1992. PP. 65 -93.

72. Olmsted D. D. History and Principles of Neural Networks http://www.neurocomputing.org/history.htm

73. Люблинский P.H., Оскорбин H.M. Методы декомпозиции при оптимальном управлении непрерывными производствами. -Томск: Изд-во ТТУ, 1979.220 с.

74. Bishop С.М. Theoretical foundation of neural networks. Aston Univ., UK Tech.Rep.NCRG-96-024, Neural computing research group, 1996, 8p.

75. Lizhong Wu and John Moody. A Smoothing Regularizer for Feedforward and Recurrent Neural Networks Neural Computation 8:3, 1996.

76. Bishop C.M. Regularization and complexity control in feed-forward networks. Aston University, Tech.Rep.NCRG-95-022, Neural computing research group, 1995, 8p.aL

77. Sarle W. Stopped training and other remedies for overfitting. In Proc. of the 27 Symposium on the Interface, 1995,10 p.

78. Jondarr C.G. Back propagation family album. Technical report C/TR96-05, Macquarie University, 1996, 72 p.

79. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.-302 с.

80. Гилл Ф., Мюррей У., РайтМ. Практическая оптимизация. М.: Мир,1985. -509с.

81. Amari, S., N. Murata, K.-R. Muller, M. Finke, H. Yang. Asymptotic Statistical Theory of Overtraining and Cross-Validation. METR 95-06, Department of Mathematical Engineering and Information Physics, University of Tokyo, 1995

82. Lowe D., C. Zapart. Point-wise confidence interval estimation by neural networks: a comparative study based on automotive engine calibration- Neural Computing and Application. 1999, 8, pp 77-85, Springer-Verlag London.

83. Bishop C.M. Novelty Detection and Neural Network Validation. IEE Proceedings: Vision, Image and Signal Processing. 1995, pp 217—222.

84. Fiesler E. Neural network classification and formalization. Computer Standarts and interfaces, v. 16, Elseiver Science publishers, Amsterdam, 1994. 13p.

85. Neural Bench. Теория по нейронным сетям, http://www.neuralbench.ru/theory/

86. Царегородцев В.Г. Нейроимитатор NEUROPRO // Нейроинформатика и ее приложения: Тез. докл. VI Всероссийского семинара, 2-5 октября 1998 г. / Под ред. А.Н.Горбаня. КГТУ. Красноярск, 1998.

87. Гилева Л.В., Гилев С.Е., Горбань А.Н. Нейросетевой бинарный классификатор "CLAB" (описание пакета программ). Красноярск: Ин-т биофизики СО РАН, 1992. 25 с. Препринт № 194 Б.

88. Компания «Нейропроект». http://www.neuroproiect.ru/

89. Нейроимитатор «Neural bench», http://www.neuralbench.ru/.

90. Пакет программ «NeuroOffice». http://canopus.lpi.msk.su/neurolab/

91. Квичанский А.В., Терехов С.А. Методы нейросетевого информационного моделирования в комплексе NIMFA // Нейроинформатика и ее приложения: Тезисы докладов IV Всероссийского семинара / Под ред. А.Н.Горбаня. Красноярск: КГТУ. 1996 . С. 122

92. California Scientific Software, http://www.calsci.com/

93. Stuttgarter Neural Network Simulator. University of Tuebingen. Germany. http://www-ra.informatik.uni-tuebingen.de/SNNS.

94. MATLAB Neural Network Toolbox, http: //kalman. iau. dtu. dk/Proj ects/proj/nnsy sid.html

95. Smieja FJ. Multiple Network System (MINOS) modules: task division and moduletV»discrimination. In Proc. of 8 AISB conference on Artificial Intelligence, Leeds, 1991

96. Jabri M. A users guide to the MUME system. Technical report. Systems engineering and design automation laboratory. University of Sydney, 1992, 135 p.

97. M.de Francesco. Functional network. A new computational framework for specification, simulation and algebraic manipulation of modular neural systems. PhD Thesis, University of Geneva. 1994, 128 p.

98. Пятковский О.И., БутаковС.В., Рубцов Д.В. Методы построения интеллектуальных информационных систем анализа экономической деятельности предприятий. Барнаул: Изд-во АлтГТУ, 1999. 168 с.

99. Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей // Методы нейроинформатики. Сб.научн.трудов / Под ред. А.Н. Горбаня. Красноярск: КГТУ. 1998. С. 176-197.

100. MacGarry К., S.Wermter, J.MacIntyre. Hybrid neural system: from simply coupling to fully integrated neural network//Neural computing surveys, 2,1999, pp. 6293.

101. Towell G. G., J. W. Shavlik. The Extraction of Refined Rules from Knowledge-Based Neural Networks. Machine Learning, 13,1993, pp. 71-101

102. Mahoney J. J. Combining Symbolic and Connectionist Learning Methods to Refine Certainty-Factor Rule-Bases. Ph.D. Thesis, Department of Computer Sciences, University of Texas at Austin, 1996.

103. T. Kohonen, "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, pp.59-69, 1982.

104. T. Kohonen, Self-Organizing Maps, Springer, 1995.

105. R. Hecht-Nielsen, "Counterpropagation networks", Applied Optics, Vol. 23, No. 26, pp. 4979-4984, 1987.

106. R. Hecht-Nielsen, "Counterpropagation networks", Proc. First IEEE Int. Conf. on Neural Networks, eds. M.Candill, C.Butler, Vol. 2, pp.19-32, San Diego, CA: SOS Printing. 1987.

107. D. E. Rummelhart, G. E. Hinton, R. J. Williams, "Learning representations by back-propagating errors", Nature, Vol.323, pp.533-536, 1986.

108. Трахтенгерц Э.А. Принятие решений на основе компьютерного анализа. М. Институт проблем управления. 1996.

109. Т.М. Martinetz, S.G. Berkovich, K.J. Schulten. "Neural-gas network for vector quantization and its application to time-series prediction", IEEE Transactions on Neural Networks, Vol. 4, No. 4, p.558-569, 1993.

110. B.Fritzke. "A growing neural gas networks learns topologies", In Advances in Neural Information Processing Systems 7, eds. G.Tesauro, D.S.Touretzky, T.K.Leen, MIT Press, Cambridge MA, pp.625-632, 1995.

111. С. Бир. Мозг фирмы M.: Радио и связь,1993

112. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. 2 изд. М. Наука, 1979.

113. F.Girosi, M.Jones, and T.Poggio. "Regularization Theory and Neural Networks Architectures". Neural Computation, Vol.7, pp.219-269, 1995.

114. Энгель Е.А. Применение нейросетевых алгоритмов для моделирования системы принятия решений // Вестник ХГУ, выпуск 3, серия 1, математика и информатика, Абакан, 1999.

115. Энгель Е.А. Нейрокибернетические модели системы принятия решений// Вестник ХГУ, выпуск 3, серия 1, математика и информатика, Абакан, 1999.

116. Энгель Е.А. Нейросетевая модель системы поддержки принятия решений // Нейроинформатика и ее приложения: материалы XI Всероссийского семинара, Красноярск, 2003.

117. Энгель Е.А. Генерация решений нейрокомпьютером// Вестник ХГУ, выпуск 4, серия 1, информатика, Абакан, 2001.

118. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио. 1976. 280с.

119. Царегородцев В.Г. Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач // Нейроинформатика и ее приложения: материалы XI Всероссийского семинара, Красноярск, 2003.

120. Энгель, Е.А. Программный продукт БМ для диагностики и повышения уровня социальной адаптации первокурсников вузов. Свидетельство об официальной регистрации программы для ЭВМ. Номер регистрации ОФАП 3972. Номер госрегистрации 50200401224.110