Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации: на примере задач экологического мониторинга тема диссертации и автореферата по ВАК РФ 05.13.18, доктор технических наук Новикова, Светлана Владимировна
- Специальность ВАК РФ05.13.18
- Количество страниц 258
Оглавление диссертации доктор технических наук Новикова, Светлана Владимировна
Введение
Глава 1. Анализ моделей, методов и программных средств расчетного мониторинга
1.1 Проблемы и задачи мониторинга
1.2 Задачи экологической безопасности РТ
1.3 Обзор современных информационных систем в сфере экологической безопасности в России и в мире
1.4 Математические модели в экологии
1.4 Методы экологического моделирования
1.4.1 Методы без использования искусственного интеллекта
1.4.2. Методы искусственного интеллекта
1.5 Постановка задачи прогнозирования экологической ситуации
1.6 Постановка задачи поддержки принятия управленческих решений
Выводы
Глава 2. Прогнозирование экологической ситуации в РТ при помощи нейронных сетей
2.1 Методика прогнозирования на основе данных по изменениям
характеристик источников загрязнений
2.1.1. Выделение действующих факторов
2.1.2. Проектирование нейросети
2.1.3. Исключение малозначащих факторов из структуры нейросети
2.2 Методика прогнозирования загрязнений на основе данных по изменениям метеоусловий
2.2.1. Нейросетевое прогнозирование уровня загрязнения конкретным
токсикантом
2.2.1.1 Проектирование единой нейронной сети, прогнозирующей
концентрации загрязнений по метеоданным
2.2.1.2. Пример практического применения прогнозирующей нейросети
2.2.2. Метод редукции многослойного персептрона
2.2.2.1. Проведение численных экспериментов
2.3. Прогнозирование многосетевым экспертом
2.3.1. Многосетевой эксперт I типа
2.3.1.1. Пример практического применения избыточной нейросетевой модели и многосетевого эксперта I типа
2.3.1.2. Сравнительная эффективность прогнозирования при применении избыточного нейросетевого эксперта и многосетевого априорного эксперта
2.3.2. Методика проектирования и использования многосетевого эксперта II типа
2.3.2.1. Пример практического применения многосетевого эксперта II типа
2.3.2.2. Алгоритм определения числа кластеров для многосетевого эксперта II типа
2.3.3. Сравнение эффективности применения многосетевых экспертов I и II типов
Выводы
Глава 3. Прогнозирование неблагоприятных экологических ситуаций на основе временного ряда измерений концентрации токсикантов и метеоданных
3.1 Задача определения зависимости критического временного интервала
от НМУ
3.1.1 Проведение численных экспериментов
3.2 Задача распознавания совокупности значений метеофакторов как
угрожающей по превышению ПДК
Выводы
Глава 4. Модели и методы оценивания состояния окружающей среды для
управления экологической безопасностью территории
4.1. Роль качественных оценок в задачах экологического управления
4.2 Управления экологическим риском с использованием систем нечеткого
вывода
4.2.1.Применение для решения задачи аппарата нечеткой логики
4.2.2.Система расчета экологического вероятностного риска на основе нечеткого логического вывода по принципу Такаги-Сугено
4.2.3.Нейро-нечеткая идентификация
4.3 Формирование модели на основе подхода Такаги-Сугено экспертным путем
4.3.1. Проведение численных экспериментов
4.3.1.1 Проектирование системы
4.3.1.2. Идентификация системы
4.4 Автоматизированное формирование модели по принципу Такаги-Сугено
4.4.1. Автоматизированное формирование нечеткой модели на основе решетчатого разбиения
4.4.1.1 Оценка точности системы нечеткого вывода, сгенерированной по алгоритму решетчатого разбиения
4.4.2. Автоматизированное формирование нечеткой модели на основе горной кластеризации
4.4.2.1 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 24 кластеров
4.4.2.2 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 7 кластеров
4.4.2.3 Автоматизированное формирование нечеткой модели на основе горной кластеризации для 4 кластеров
4.4.3 Метод автоматизированного формирование нечеткой модели на
основе горной кластеризации
4.5.Система анализа вероятностного риска по принципу Мамдани
4.5.1 Преобразование правых частей вывода Такаги-Сугено в функции принадлежностей для вывода Мамдани
4.5.2 Проведение экспериментов
4.6 Методика реализации нейро-нечеткого подхода
4
Выводы
Заключение
Литература
Приложения
Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Нечеткая регрессионная модель и программный комплекс системы нечеткого логического вывода2010 год, кандидат физико-математических наук Зиновьев, Игорь Павлович
Методологические основы построения экспертных автоматизированных систем прогнозирования с применением параллельных технологий для судовых технических систем2003 год, доктор технических наук Гаскаров, Вагиз Диляурович
Программный комплекс синтеза нейро-нечетких моделей технологических процессов2007 год, кандидат технических наук Михайлюк, Павел Петрович
Системный анализ и управление безопасностью химических производств с использованием новых информационных технологий2004 год, доктор технических наук Савицкая, Татьяна Вадимовна
Исследование и разработка нечеткой модели и комплекса программ экологической экспертизы горнодобывающего производства2008 год, кандидат технических наук Ястребова, Наталья Николаевна
Введение диссертации (часть автореферата) на тему «Нейросетевое моделирование для решения задач мониторинга в условиях неполной и нечеткой информации: на примере задач экологического мониторинга»
ВВЕДЕНИЕ.
В современных условиях задача мониторинга представляет собой сложную систему сбора, хранения и обработки информации, а также выработки решений на ее основе. Такие систематические, постоянные наблюдения, сбор и анализ данных о наблюдаемом объекте или явлении, проводятся во всех областях современной жизни.
Так, мониторинг в международных отношениях заключается в контроле международных организаций за исполнением государствами своих обязательств по международным договорам [31].
Мониторинг при проведении выборов обеспечивает легитимность всенародного голосования [132].
Мониторинг веб-сайтов — процесс проверки работоспособности и тестирования параметров доступности сайта или веб-сервиса в сети Интернет. Специальные сервисы мониторинга сайтов имитируют действия тысяч посетителей для того, чтобы посмотреть, как ресурс реагирует на посещаемость и использование различного функционала (провоцируют сбои) [30,140].
Медицинский мониторинг — процесс систематического или непрерывного сбора информации о функционировании различных органов и систем человека с дальнейшей обработкой (анализом) результатов специалистом-медиком, а также с выработкой практических мероприятий по лечению пациента. Медицинскому мониторингу посвящены, например, такие работы, как [40, 56].
Экологический мониторинг - система наблюдения, оценки и прогноза изменений состояния окружающей среды с выработкой рекомендаций по предотвращению вредных воздействий на окружающую среду. Наиболее характерными работами по экологическому мониторингу являются [50, 51].
Также большое количество исследований проводится в области технологического мониторинга [4, 52], мониторинга сельского хозяйства [70, 88] и др.
Так как мониторинг представляет собой сложную систему, позволяющую вырабатывать управленческие решения на основе накопленной информации, его современная реализация невозможна без привлечения вычислительной техники. Поэтому актуальным становится создание автоматизированных информационных систем, включающих в себя системы поддержки принятии решений (СППР) на основе современных математических моделей и методов, позволяющих эффективно использовать данные мониторинга.
В области современных интеллектуальных математических моделей и методов работают такие выдающиеся ученые, как: академик РАН Е.А. Федосов (ФГУП ГосНИИАС), академик К.А. Пупков (МГТУ им. Н.Э. Баумана), профессор Кузнецов О.П. (ИПУ РАН), профессор Лешек Рутковский (член Академии Наук Польши), профессор А.Н. Горбань (Лестерский Университет (Великобритания)) и др. Применение фундаментальных знаний в современных мониторинговых СППР, как правило, направлены на решения частных задач. Например, в работах Д. Ю. Стрункина и Л.Ю. Емалетдиновой рассматриваются модели медицинского мониторинга по прогнозированию выживаемости пациентов на основе нечеткой нейронной сети [127], применение моделей искусственного интеллекта при мониторинге систем информационной безопасности рассмотрено в работах Кочетковой A.C. [60], интеллектуальному мониторингу энергетических систем посвящены работы D.Niebur [172], нечеткие системы мониторинга теплоустановок рассмотрены в работах Михайленко B.C. и Никольского В.В. [89], и т.д. Однако необходимый системный анализ, комплексные подходы к построению интеллектуальных
моделей мониторинга, а также исследование практической применимости моделей и методов отсутствуют.
Целью настоящего исследования является повышение эффективности мониторинга в различных областях человеческой деятельности при наличии неполной и нечеткой информации в качестве мониторинговых параметров путем разработки нейросетевых, нечетких и нейронечетких математических моделей, методов и алгоритмов расчетного мониторинга и их реализации в системе поддержки принятия решений в рамках автоматизированной информационной системы.
Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК
Методы, модели и алгоритмы создания автоматизированных систем контроля и управления для повышения эффективности механической обработки изделий2012 год, доктор технических наук Бобырь, Максим Владимирович
Алгоритмы и системы нечеткого вывода в задачах диагностики городских инженерных коммуникаций2005 год, кандидат технических наук Кираковский, Валерий Владимирович
Автоматизированное проектирование сложных технических систем в условиях неопределенности1998 год, доктор технических наук Ярушкина, Надежда Глебовна
Методы и автоматизированные системы динамической классификации сложных техногенных объектов2004 год, доктор технических наук Гимаров, Владимир Александрович
Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах2004 год, кандидат технических наук Паклин, Николай Борисович
Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Новикова, Светлана Владимировна
Выводы.
1. В процессе исследования методов и средств управления экологической ситуацией показано, что управление осуществляется на основе анализа состояния окружающей среды, либо ее отдельных составных частей, специалистами-экспертами. Отмечено, что подавляющее число экспертных оценок являются качественными, выраженными в лингвистической форме. На основании этого сделан вывод о целесообразности и эффективности применения в экологическом управлении аппарата нечеткой логики.
2. Предложен новый нейро-нечеткий подход к решению задачи оценки вероятностного риска окружающей среды.
3. Проведен анализ, показавший, что система расчета вероятностного риска окружающей среды эффективнее всего может быть реализована как система нечеткого логического вывода Такаги-Сугено. Исходными данными такой системы являются: a. Нечеткое множество состояний входных переменных (РВ(ПД, Рснег, Рпочв, Рбиоср) с заданными функциями принадлежности. b. Линейные зависимости выходной переменной Рос от нечетких значений входных переменных. Разрабатываются на основе экспертных оценок. c. Перечень нечетких логических правил вывода. Задается специалистами предметной области.
В результате своего функционирования система Такаги-Сугено генерирует четкое численное значение вероятностного риска окружающей среды Рос.
4. Разработан метод формирования модели нечеткого вывода типа Такаги-Сугено экспертным путем (Методика 7).
5. Показано, что в случае недостаточной точности системы логического вывода Такаги-Сугено возможно ее повышение за счет идентификации параметров модели при помощи нейро-нечеткой сети.
205
Разработан алгоритм идентификации (Алгоритм 4). После применения алгоритма точность модели увеличилась в 365 раз и составила порядка 0,15%.
6. Исследовано несколько схем автоматизированного формирования нечеткой модели Такаги-Сугено с различными характеристиками: a. Генерирование на основе решетчатого разбиения (не показало увеличения точности); b. Генерирование на основе горной кластеризации (для трех модификаций). Лучшая модификация показала увеличение точности в два раза.
7. Разработан метод автоматизированного формирования модели нечеткого вывода типа Такаги-Сугено на основе горной кластеризации (Методика 8). Система, построенная по методике 8, обладает погрешностью относительно экспертных данных порядка 4%.
8. На основании дальнейших исследований сделан вывод, что анализ и оценку вероятностного риска окружающей среды целесообразно проводить на основе алгоритма нечеткого логического вывода Мамдани. Подавая на входы такой системы те же значения исходных данных Рвозд, Рснег, Рпочв, Рбиоср, что и в систему Сугено, в результате работы алгоритм Мамдани генерирует лингвистический терм -качественную оценку состояния вероятностного риска Рос.
9. Разработан метод формирования модели Мамдани (Методика 9).
10. Проведена оценка анализа управления по алгоритму Мамдани. Показано, что качественная оценка риска оказывается более «настороженной», чем количественная.
11. Разработана обобщенная Методика 10 реализации нейро-нечеткого подхода для оценивания состояния окружающей среды.
ЗАКЛЮЧЕНИЕ.
В диссертационной работе получены следующие результаты:
1. На основе системного анализа существующих автоматизированных информационных систем, а также нормативных актов и документов правительства РФ и РТ в сфере экологии, сформулированы основные задачи математического моделирования процессов прогнозирования и принятия решений с целью повышения эффективности информатизации экологического комплекса региона.
2. Анализ моделей и методов, используемых на сегодняшний день в экологии, показал, что в условиях неполных, неточных, а также качественных исходных данных целесообразно использовать методы, основанные на нечеткой логике, нейронных сетях, генетических алгоритмах, а также их всевозможных сочетаниях.
3. Для случая однородных данных разработан новый математический метод проектирования и оптимизации структуры нейросетевой модели для прогнозирования уровня токсикантов в атмосфере промышленных городов, включающий в себя эффективный численный метод редукции модели с целью повышения её способности к обобщению.
4. Для случая неоднородных данных в условиях ограниченных вычислительных ресурсов разработан новый математический метод проектирования и использования нейросетевой модели для прогнозирования уровня токсикантов на основе разбиения входного множества на кластеры сетью Кохонена.
5. Для случая неоднородных данных при отсутствии ограничений на вычислительные ресурсы разработан новый математический метод проектирования и использования нейросетевой модели для прогнозирования уровня токсикантов на основе разбиения входного множества на кластеры в зависимости от значения ошибки прогнозирования единой нейронной сетью.
6. Разработаны новые математические методы построения нейросетевых моделей прогнозирования момента возникновения неблагоприятных экологических ситуаций в удаленном от промышленной зоны районе на основе временного ряда измерений содержания токсикантов в атмосфере и метеоусловий.
7. Разработан новый нейро-нечеткий подход оценивания состояния окружающей среды на основе построения:
7.1 нечетких моделей расчета количественного значения экологического вероятностного риска окружающей среды и нейронечеткой идентификации в условиях: а) наличия экспертных оценок; б) отсутствия экспертных оценок.
7.2 нечеткой модели качественной оценки экологического вероятностного риска на основе количественных оценок рисков отдельных сред.
8. Разработанные модели, численные методы и алгоритмы реализованы в виде комплексов программных модулей в среде MatLab 7.9.0, Statistica 8.0, Delphi 2010 и С# (Visual Web Developer 2010 Express).
Список литературы диссертационного исследования доктор технических наук Новикова, Светлана Владимировна, 2013 год
ЛИТЕРАТУРА
1. Абросов Н.С., Боголюбов А.Г. Экологические и генетические закономерности сосуществования и коэволюции видов. - Новосибирск: Наука, 1988.-333 е.;
2. Ащепкова Л.Я., А.Е.Кузьмина, Л.М.Мамонтова и др. Прогнозирование экологических процессов. 1986. / Новосибирск: Наука, 1986
3. Бабешенко В.А., Бабешенко О.М., Зарецкая М.В. и др. Создание комплексов программно-алгоритмических средств для анализа и прогноза состояния окружающей среды // Записки Горного института Т. 149.
4. Бабенко В.Н., Кузнецов P.C., Орлов С.И., Чипулис В.П. Функциональные возможности и опыт эксплуатации информационно-аналитической системы оперативного наблюдения и анализа режимов функционирования объектов теплоэнергетики.//Информатика и системы управления, №1, 2005. с. 151-161.
5. Базыкин А.Д. Математическая биофизика взаимодействующих популяций. - М.: Наука, 1985. - 180 е.;
6. Безуглая Э.Ю. Мониторинг состояния загрязнения атмосферы в городах. Результаты экспериментальных исследований. - Д.: Гидрометеоиздат, 1986.
7. Безуглая Э.Ю., Смирнова И.В. Воздух городов и его изменения. СПб: Астерион, 2008. — 254с.
8. Белов И.В., Беспалов М.С., Клочкова Л.В., Кулешов A.A., Сузан Д.В., Тишкин В.Ф. Транспортная модель распространения газообразных примесей в атмосфере города. Математическое моделирование, 2000, т. 12, №11.
9. Белов И.В., Беспалов М.С., Клочкова Л.В., Павлова Н.К, Сузан Д.В., Тишкин В.Ф. Сравнительный анализ некоторых математических моделей для процессов распространения загрязнений в атмосфере. Математическое
4 моделирование, 1999, т. 11, №7.
10. Беляев В.И. Теория сложных геосистем. - Киев: Наук, думка, 1978. -155 с.
11. Беляев В.И., Ивахненко А.Г., Флейшман Б.С. Имитация, самоорганизация и потенциальная эффективность // Автоматика. 1979. № 6. С. 9-17.;
12. Берлянд М.Е. Метеорологические аспекты загрязнения атмосферы. - М: Московское отделение Гидрометеоиздата, 1981
13. Берлянд М.Е. Прогноз и регулирование загрязнений атмосферы. - JL: Гидрометеоиздат, 1985.
14. Боголюбов С.А. Экологическое право. Учебник для вузов. — М.: изд-во Инфра-М Норма, ,2001. 434с.
15. Болодурина И. П., Арапова О.С. Определение оптимальных концентраций микроэлементов в организме человека на основе генетических алгоритмов. // Успехи современного естествознания. №9 2008г
16. Брусиловский П.М. Становление математической биологии. - М.: Знание, 1985.-62 с.
17. Брушлинский Н.Н./Разработка компьютерных проектов//Информационные системы - М.1993.
18. Будилова Е.В., Терехин А.Т., Чепурнов С.А. Генетический алгоритм оптимизации параметров нейронной сети, способной обучаться эффективному поиску пищи в лабиринте. Известия высших учебных заведений. Радиофизика, 1994, т. 37(9)90, 1162-1172.
19. Будилова Е.В., Терехин А.Т., Чепурнов С.А. Эволюционная оптимизация параметров нейронной сети, управляющей поиском пищи в радиальном лабиринте. Нейроинформатика и нейрокомпьютеры. Рабочий семинар. Красноярск: Институт биофизики СО РАН, 1993, 27
20. Буянов В.П. Рискология (Управление рисками) /В.П. Буянов. М.: Экзамен, 2002. 620 е.;
21. Быков A.A., Соленова Л.Г., Земляная Г.М., Фурман В.Д. Методические рекомендации по анализу и управлению риском воздействия на здоровье населения вредных факторов окружающей среды. М.: Издательство "АНКИЛ", 1999 - 72 е..
22. Бююль А., Цефель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. ISBN: 5-93772-032-6 М.: ДиаСофт, 2001г. - 608с.
23. Ваницин К.Л./Экосистемы информации//Экол. аспекты - М, 1991.
24. Вахания Д. В. Алгоритмы классификации и принятия решений в условиях нечеткой информации в системах экологического мониторинга. Диссертация на соискание ученой степени кандидата технических наук. Санкт-Петербургский государственный университет водных коммуникаций - 2004.
25. Вуколов Э.А. Основы статистического анализа. М.: ФОРУМ 2008г. -464с.
26. Вятков Н.И./Автоматика экологии сегодня//Ин-т инф-ки 1995.
27. Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / Под ред. В.М. Курейчика. - 2-е изд., испр. и доп. - М.: ФИЗМАТ ЛИТ, 2006.-320 с.
28. Глухов С. В. Методы, критерии и алгоритмы управления процессом обеспечения промышленной безопасности нефтегазовых предприятий, основанные на теории нечетких множеств. Диссертация на соискание ученой степени кандидата экономических наук. Оренбург - 2006
29. Деменков Н.П., Матвеев В.А. Нечеткие системы экологического мониторинга и управления // Промышленные АСУ и контроллеры, №1, -2004г.
30. Демидов Михаил. Как осуществлять контроль интернет-трафика.// IT-Expert, Изд-во ИТ Медиа, № 4 (169) 2009г., стр. 34-38
31. Джеф Вершуерен. Прагматика и мониторинг международной коммуникации//Критика и семиотика. Бельгия, Вып. 1-2, 2000. С. 81-100.
211
32. Доленко С. А., Орлов Ю. В., Персианцев И. Г., Шугай Ю. С. Нейросетевые алгоритмы прогнозирования событий и поиска предвестников в многомерных временных рядах // Нейрокомпьютеры: разработка, применение. 2005. № 1-2. С. 21-28.
33. Дружинин Н.И. Шишкин А.И.. Математическое моделирование и прогнозирование загрязнения поверхностных вод суши / Соавт.— JL: Гидрометеоиздат, 1989. — 390 с.
34. Дьяченко А.Е., Брысова Л.П., Голубев И.Ф., Чегаев А.Е. Агролесомелиорация. М.: Колос. 1979. 208 с.
35. Евтюгин Г.А., Савельев A.A., Будников Г.К. Применение нейросетевых технологий в экспертной системе оценки загрязнения сточных вод на основе холинэстеразных биосенсоров./ Всерос.конф. с межд. участием "Сенсор 2000" 21-23 июня 2000. С-Пб, 2000. С. 129.,
36. Ежов A.A., Шумский С.А. "Нейрокомпьютинг и его применение в экономике и бизнесе". 1998.
37. Ермолаев О.П., Мухарамова С.С., Савельев A.A., Цишейко Е.Г. Автоматизированное построение ландшафтных карт с использованием нейронных сетей // Современные аспекты экологии и экологического образования. Материалы Всероссийской научной конференции (Казань, 19-23 сентября 2005 г.) - Казань: Изд-во Казанского ун-та, 2005. - С.346-347.
38. Ермолаев О.П., Савельев A.A. Использование нейронных сетей в геоинформационном анализе рельефа как фактора эрозии почв. // 14-е Пленарное межвузовское координационное совещание по проблеме эрозионных, русловых и устьевых процессов (г. Уфа: 14-16.09.99 г.). Материалы и краткие сообщения. Уфа: МГУ, Баш. Гос. Ун-т. 1999.- С. 117-119,
39. Ермолаев, О.П., A.A. Савельев, С.С. Мухарамова, К.А. Мальцев Подходы к районированию рельефа на основе его морфометрических показателей с использованием искусственных нейронных сетей // Труды
212
XII съезда Русского географического общества (Кронштадт, 2005). - 2005. - Т. 4.- С 348-356.,
40. Жернаков С. В., Шулакова М. А.. Система медицинского мониторинга и коррекции функционального состояния организма человека//Вестник УГАТУ, Уфа: УГАТУ, Т. 15, № 2 (42). 2011 с. 196-203
41. Жученко A.A. Адаптивное растениеводство: эколого-генетические основы. Кишинев: Штиинца. 1990. 432 с.
42. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах.: Киев, Слово 2008.- 344с.
43. Застрогин Ю. Ф. Контроль параметров движения с использованием лазеров. Методы и средства. М.: Машиностроение 1981г. - 176с.
44. Захаров М.Ю., Лупян Е.А., Назиров P.P. Создание информационного центра для поддержки пользователей спутниковых данных. // Исследования Земли из космоса. 1994. № 4. С. 88-91.
45. Захаров М.Ю., Лупян Е.А., Назиров P.P.. Организация системы оперативного доступа удаленных пользователей к спутниковым данным. // Исследования Земли из космоса. 1996. № 5. С.67-72.
46. Зилов Е.А. Экологическое моделирование в оценке функционирования водных экосистем с условиях антропогенной нагрузки (на примере озера Байкал). Диссертация на соискание учено степени доктора биологических наук. Иркутск 2004
47. Зотин А.И., Зотин A.A. Направление, скорость и механизмы прогрессивной эволюции: Термодинамические и экспериментальные основы. М.: Наука. 1999. - 320 с.
48. Иванова Е. В. Эколингвистика и роль метафоры при описании экологических проблем. Вестник Челябинского государственного университета №13 (91) 2007г.
49. Иващук O.A. Повышение экологической безопасности автотранспорта региона на основе систем мониторинга // Современные наукоемкие технологии №4, 2008
50. Израэль Ю. А. Экология и контроль состояния природной среды. - Л.: Гидрометеоиздат, 1979, — 376 с.
51. Израэль Ю.А Глобальная система наблюдений. Прогноз и оценка окружающей природной среды. Основы мониторинга. - Метеорология и гидрология. 1974, № 7. — С.3-8
52. Истратов В.А., Колбенков A.B., Лях Е.В., Перекалин С.О.. Радиоволновой метод мониторинга технологических процессов в межскважинном пространстве// Вестник КРАУНЦ. Науки о земле. 2009 № 2. выпуск № 14 - с. 59-68.
53. Калан Р. Основные концепции нейронных сетей. : Пер. с англ. - М. Издательский дом «Вильяме», - 2001, -287с. с ил.
54. Кантаржи И.Г. «Оценка ущерба в системах экологического менеджмента». В сб.: «Менеджмент качества и экологический менеджмент. ИСО 9000. ИСО 14000». М. Изд-во СТАНКИН, 2001. с. 104113
55. Каширина И.Л. Введение в эволюционное моделирование: Учебное пособие. - Воронеж: ИПЦ ВГУ, 2007. - 39 с.
56. Колосовская E.H., Кафтырева Л.А., Светличная Ю.С., Техова И.Г., Даулетбакова A.M.. Микробиологический мониторинг в практике учреждений здравоохранения// Заместитель главного врача, Издательский дом ЗАО "МЦФЭР", № 01 2013
57. Концепция обеспечения агроэкологической безопасности в Республике Татарстан. Казань, Издательский дом «Меддок», 2006г.
58. Корнеев В.В., Васютин C.B. «Самоорганизующийся иерархический коллектив экспертов», Нейрокомпьютеры и их применение, книга 27, М.:Изд-во Радиотехника 2007г. с. 56-59
59. Котлярова О.Г. Надо переходить на агроландшафтное земледелие // Земледелие. 1990. N6. С. 35-38.
60. Кочеткова А. С. Применение нейронных сетей для мониторинга безопасности информационных систем // Вестник ВолГУ. Серия 9: Исследования молодых ученых. 2007. №6.
61. Кроссли Д.А. мл., Хауз Г.Дж., Снайдер Р. и др. Сельско-хозяйственные экосистемы. М.: Агропромиздат. 1987. С. 75-84.
62. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.- М.: Горячая линия - Телеком, 2002. - 382 с.
63. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. - М.: Издательство Физико-математической литературы, 2001. - 224 е.,
64. Кузьков В.В., Киров М.Ю. Инвазивный мониторинг гемодинамики в интенсивной терапии и анестезиологии. Архангельск:Правда Севера, 2008г. - 242с.
65. Кудашев Е.Б., Арманд H.A., Кравцов Ю.А., Мясников В.П., М.Д. Раев, В.П.Саворский, М.Т.Смирнов, Ю.Г.Тищенко Проблемы интеграции информационной системы спутникового экологического мониторинга в мировую систему информационных ресурсов исследования Земли из космоса // Труды 7 Всероссийской научно-методической конференции Телематика 2000. С.79-82. - Университетские Телекоммуникации: СПБ, 2000.
66. Ландсберг Г.Е. Климат города. - Л.: Гидрометеоиздат, 1983.
67. Левич А.П. Структура экологических сообществ. М.: Изд-во Моск. унта. 1980.- 181 с.
68. Леоненков А. Нечеткое моделирование в среде MatLab и Fuzzy Tech. Санкт-Петербург, БХВ Петербург, 2005. 719 стр.
69. Лопырев М.И., Рябов Е.И. Защита земель от эрозии и охрана природы. М.: Агропромиздат. 1989. 240 с.
70. Лупян Е.А., Барталев С.А., Савин И.Ю., Толпин В.А.. Спутниковые технологии мониторинга в сельском хозяйстве: возможности доступа к спутниковым данным и результатам их обработки по территории россии.
215
Материалы международной конференции «Информационный обмен в сельском хозяйстве на русском языке», РГАУ-МСХА имени К.А. Тимирязева, 2010г. с. 167-171
71. Люгер Джордж Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем Издательство: Вильяме, 2005 г.
72. Майкл Н. ДеМерс Географические информационные системы. Основы. Москва. "Дата+"1999
73. Манд ель И. Д. Кластерный анализ. М.: Финансы и статистика, 1988. -176с.
74. Меншуткин В. В., Филатов Н. Н., Потахин М. С. Экспертная система "ОЗЕРА КАРЕЛИИ". 2. Классификация озер. // Водные ресурсы - том 36, №3, Май-Июнь 2009
75. Методика определения выбросов автотранспорта для проведения сводных расчетов загрязнения городов (утверждена приказом Госкомэкологии России № 66 от 16 февраля 1999 г.). - СПб.: НИИ Атмосфера. -16 с.
76. Методика определения массы выбросов загрязняющих веществ автомобильными средствами в атмосферный воздух./Гос.НИИ автомобтрансп. (НИИАТ). - М.,1993. - 22 с.
77. Методика определения предотвращенного экологического ущерба. Государственный комитет РФ по охране окружающей среды. - М., 1999
78. Методика оценки воздействия промышленных предприятий на окружающую среду по техногенным факторам. - М.: ЭкоНИИПроект, 1992.- 115 с.
79. Методика расчета концентрации в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий. ОНД-86.Л.:Гидрометеоиздат, 1987, 94 с.
80. Методика расчетов выбросов в атмосферу загрязняющих веществ автотранспортом на городских магистралях. - М.: Изд-во Минтранспорта РФ. - 1997.-55 с.
81. Методические основы оценки и регламентации антропогенного влияния на качество поверхностных вод. JL: Гидрометеоиздат. 1987.
82. Методические рекомендации по геохимической оценке загрязнения территории городов химическими элементами. - М.: ИМГРЭ, 1982. - 112 с.
83. Методические указания по оценке воздействия на окружающую среду объектов транспортно-дорожного комплекса. - М.: НИИАГ, 1995. - 23 с.
84. Методические указания по прогнозированию загрязнения воздуха в городах с учетом метеорологических условий. РД 52.04.78-86. - М.: Госкомгидромет. СССР, 1986.
85. Методические указания по расчету выброса вредных веществ автомобильным транспортом. М.: Гидрометеоиздат, 1983. - 22 с.
86. Миркин Б.М., Хазиахметов P.M., Соломещ А.И. Оптимизация структуры агроэкосистем: содержание, проблемы и подходы в реализации // Журнал общей биологии. 1992. Т. 53. N1. С. 18-30.
87. Миркин Б.М., Хазиев Ф.Х., Хазиахметов P.M. Сестайнинг агроэкосистем: история, концепция, конструктивный подход. Препринт. Уфа. 1992.36 с.
88. Михайленко И. М., Управление системами точного земледелия. — СПб.: Изд-во С.-Петерб. ун-та, 2005. — 234 с.
89. Михайленко B.C., Никольский В.В. Использование нечеткой адаптивной системы управления для компьютерного мониторинга сетью котельных установок// ААЭКС-Автоматика.Автоматизация. Электротехнические Комплексы и Системы. Изд-во Херсонского Национального Технического Университета, Херсон, №2(20), 2007.
90. Мухин Ю.П., Кузьмина Т.С., Баранов В.А. Устойчивое развитие: экологическая оптимизация arpo- и урболандшафтов. Учебное пособие: / Волгоград, Изд-во ВолГУ, 2002. - 122с.
91. Налимов В.В. Теория эксперимента. - М.: Наука, 1971. - 207 с.
92. Небел Б. Наука об окружающей среде: Как устроен мир: В 2-х т. Т. 2. Пер. с англ. М.: Мир. 1993. 336 е., ил.
93. Николаева Н.Г., Гунаеекера X., Натечатека Ч., Эджаку Э. Биологическое обоснование защиты сои от сорняков // Земледелие. 1995. N2. С. 6-7.
94. Новикова С. В., Емалетдинова Л.Ю., Максютин С.А. Методика анализа функционирования жилишщно-коммунальной отрасли региона на основе банков данных и метода кластеризации. // Вестник Казанского государственного технического университета. - Казань, Изд-во КГТУ им. Туполева, 2008 № 1.- С. 75-79.
95. Новикова C.B. Методика проектирования нейронной сети для прогнозирования концентраций загрязнителей в атмосфере промышленных городов // Москва-Воронеж, изд-во Научная книга, «Системы управления и информационные технологии», №4(38), 2009. - С. 89-93
96. Новикова C.B. Тунакова Ю.А., Валиев B.C., Исмаилова Е.С. Технология расчетного экологического мониторинга (монография). Казань, изд-во ИПК Бриг, ISBN 978-5-98946-040-3. 2010г. Рекомендовано к изданию Ученым советом КГТУ им.А.Н. Туполева
97. Новикова C.B., Тунакова Ю.А. Методические подходы к оценке вклада выбросов автотранспорта в уровень загрязнения приземного слоя атмосферы металлами (на примере г. Казани) // Безопасность жизнедеятельности. - Москва, 2006. - №10.-С.40-45.
98. Новикова C.B., Тунакова Ю.А. Прикладная экология. (Учебное пособие).- Казань: Изд-во КГТУ им. Туполева, 2008. - 153с.
99. Новикова C.B., Тунакова Ю.А., Исмаилова Е.С. Использование нейронных сетей для расчета загрязнения приземного слоя атмосферы в городах // Актуальные экологические проблемы Республики Татарстан/ Тезисы докладов республиканской научной конференции молодых ученых/ Казань, АН РТ, 2008, С. 97-100.
100. Новикова C.B., Тунакова Ю.А., Исмаилова Е.С., Гареев Р.Х. Возможности использования нейронных сетей в расчетном мониторинге
218
загрязнения атмосферы стационарными источниками // Техносферная безопасность: сб. матер. 10 международной науч.-практ. конф./ Изд-во Ростовского гос. строительного ун-та - Ростов-на-Дону- Шепси, 2008.
101. Новикова C.B., Тунакова Ю.А., Методика редукции многослойного персептрона (на примере экологического прогнозирования) // Вестник Ижевского Государственного технического университета, 2010г. стр. 126129.
102. Одум Ю.П. Сельско-хозяйственные экосистемы. М.: Агропромиздат. 1987. С. 12-18.
103. Орлов А.И. Организационно-экономическое моделирова-ние: учебник : в 3 ч. Часть 1: Нечисловая статистика. - М.: Изд-во МГТУ им. Н.Э. Баумана.-2009.-541 с.
104. Орлов А.И. Проблемы управления экологической безопасностью. Учебное пособие. Институт высоких статистических технологий и эконометрики. Второе электронное издание, исправленное и дополненное. Москва, 2002. http://orlovs.pp.ru/ecol.php
105. Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д. Рудинского: М. Финансы и статистика, - 2002, - 344с. с ил.
106. Паулюкявичус Г.Б. Роль леса в экологической стабилизации ландшафтов. М.: Наука. 1989. 214 с.
107. Парк Дж., Маккей С. Сбор данных в системах контроля и управления. М.: Изд-во: Группа ИДТ, 2006г. - 505с.
108. Пермяков P.C. Экономический механизм экологического менеджмента. М.: Изд-во РАГС , 1998.. - М., 1998. 324с.
109. Приходько H.H., Пастернак П.С. Оптимизация агроландшафтов // Вестник с.-х. науки. 1987. N12. С. 128-134.
110. Прогнозирование высоких уровней загрязнения воздуха в городах и промышленных регионах.// Современные исследования ГГО. 1999.Т1.С.127-143.
111. Рассел Стюарт, Норвиг Питер Искусственный интеллект. Современный подход Издательство: Вильяме, 2007 г.
112. Регионы России. Социально-экономические показатели. 2004: Р32 Стат.сб./ Росстат. - М., 2006. - 966 с.
113. Редько В. Эволюционная биокибернетика // Компьютера №11 1999.
114. Ризниченко Г.Ю., Рубин А.Б. Математические модели биологических продукционных процессов. Учебное пособие. М.: Изд-во Моск. ун-та. 1993.-302с.
115. Розенберг Г.С. Математические модели экологического прогнозирования. «Человек и биосфера». Москва. 1983. Вып. 8.
116. Розенберг Г.С. Модели в фитоценологии. - М.: Наука, 1984. - 256 с.
117. Розенберг Г.С., Шитиков В.К., Брусиловский П.М. Экологическое прогнозирование (Функциональные предикторы временных рядов). -Тольятти: ИЭВБ РАН, 1994а. - 182 с.
118. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. М. Горячая линия - Телеком, 2006 -452 е., с ил.
119. Савельев A.A. Биохорологическое разнообразие и моделирование пространственной структуры растительного покрова (геоинформационный подход). Диссертация на соискание ученой степени доктора биологических наук, Казань - 2004,
120. Свирежев Ю.М., Логофет Д.О. Устойчивость биологических сообществ. - М.: Наука, 1978. - 350 с.
121. Смит Дж. М.. Модели в экологии. М.: Мир, 1976.
122. Смородин В.В., Волкова Е.В., Алиев A.A. От хранения данных к управлению информацией. ISBN: 978-5-4237-0008-9 СПБ: Питер, 2010г.-528 страниц
123. Сонькин Л.Р. Синоптико-статистический анализ и краткосрочный прогноз загрязнения атмосферы. - Л.: Гидрометеоиздат, 1991.
124. Софрони В.Е., Молдован А.И., Стоев В.Г. Агроэкологические аспекты склонового земледелия в Молдавии. Кишинев: Штиинца. 1990. 195 с.
125. Страшкраба М., Гнаук А. Пресноводные экосистемы: математическое моделирование. М .: Мир, 1989. - 376 с.
126. Строгонов А. Прогнозирование деградации выходных параметров ТТЛ ИС// Компоненты и технологии №8 - 2005г.
127. Стрункин Д.Ю., Емалетдинова Л.Ю. Моделирование диагностической деятельности врача на основе нечеткой нейронной сети // Искусственный интеллект и принятие решений. 2010. №3. С. 158-162.
128. Суслов А. Г., Корсакова И. М.Назначение, обозначение и контроль параметров шероховатости поверхностей деталей машин. ISBN 978-52760-1784-6 Издательство: МГИУ, 2010 г. - 112с.
129. Сугэно М., Тэрано Т., Асаи К. Прикладные нечеткие системы. Пер. с японского Ю.Н. Чернышова : М. Мир 1993г.
130. Тарков М.С. Нейрокомпьютерные системы. БИНОМ. Лаборатория знаний, Интернет-университет информационных технологий ИНТУИТ.ру, 2006
131. Усов В.Н. Предупреждение неопределенности в управлении риском / В.Н. Усов // Управление риском. 2003. № 4. С.23-26.;
132. Учебное пособие по контролю за соблюдением прав человека. Глава XIV- Наблюдение за ходом выборов. ISSN 1020-1688 Изд-во ООН, Нью-Йорк, Женева, 2002г. 166с.
133. Федоров В.Д., Гильманов Т.Г. Экология. - М.: МГУ, 1980. - 464 с.
134. Фесенко В.В., Видрученко М.В. Экономика природопользования. Учебное пособие, обучающихся по специальности «Геоэкология». -Волгоград, Изд-во ВолГУ, 2004г. - 148с.
135. Флейшман Б.С. Основы системологии. - М.: Радио и связь, 1982. - 368 с.
136. Флейшман Б.С., Брусиловский П.М., Розенберг Г.С. О методах математического моделирования сложных систем // Системные исследования. Ежегодник. -М.: Наука, 1982. С. 65-79.;
137. Фурсова П.В., Левич А.П. Математическое моделирование в экологии сообществ. // Проблемы окружающей среды (обзорная информация ВИНИТИ), № 9, 2002.
138. Цхай. A.A. Пулян М. Л.Н. Бельдеева и др. Введение в экологическое моделирование. Барнаул: "Азбука", 2001.— 315с.
139. Шелестов А.Ю., Скакун C.B., Тищенко Ю.Г. Комплексирование радиолокационных данных для решения задач спутникового мониторинга. Сборник тезисов Пятой Юбилейной Открытой Всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» Москва, ИКИ РАН, 2007 г.
140. Шилдс Грег. Мониторинг серверов с помощью System Center Essentials 2010 //TechNet (электронный журнал http://technet.microsoft.com) 18.02.2011.
141. Шитиков В.К., Розенберг Г.С., Зинченко Т.Д. Количественная гидроэкология: методы системной идентификации. - Тольятти: ИЭВБ РАН, 2003.-463 с.
142. Шкундина P.A. Методика разработки нечеткой базы знаний для системы экомониторинга // Успехи современного естествознания. №11, 2003
143. Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Винница: Издательство винницкого государственного технического университета, 2001.- 198 с.
144. Штовба С.Д. Проектирование нечетких систем средствами MatLab. M.: Горячая линия-Телком 2007, 284с.
145. Щербаков А.Ю. Метеорологический режим и загрязнение атмосферы городов. - Калинин: издательство КГУ, 1987.
146. Яковлев В.В. Критерии риска. Критерии экологической безопасности. Материалы Российской научно-практической конференции 25-27 мая 1994. СПб, 1994, С.17-29.
147. Якшина. Н.В. Нейросетевое моделирование процессов загрязнения окружающей среды. Диссертация на соискание ученой степени кандидата физико-математических наук. Екатеринбург, 2007г.
148. Ярушкина Н.Г. Основы теории нечетких и гибридных систем М.:Финансы и статистика, 2004
149. Ярушкина Н.Г., Ястребова Н.Н., Ястребов И.С. Экспертная система анализа экологической безопасности. Труды одиннадцатой национальной конференции по искусственному интеллекту с международным участием КИИ, Россия, Дубна, - 2008 Т.2
150. Brosse S., Guegan J.-F., Toureng J.N. Lek S., The use of using neural networks to assess fish abundance and spatial occupancy in the littoral zone of a mesotrophic lake. / Ecological modeling 120, 1999 pp.299-311.
151. Castro J. L. Fuzzy logic controllers are universal approximators //
IEEE Trans, on SMC 25, pp. 629-635, 1995.
152. Chen D.G., Ware D.M., A neural network model for forecasting fish stock recruitment. / Canada Journal Fish Aquatic Science 56, 1999. pp. 2385-2396.
153. Cordon O., Herrera F., A General study on genetic fuzzy systems // Genetic Algorithms in engineering and computer science, 1995. - P. 33-57.
154. Ford A. Modeling the Environment. An Introduction to System Dynamics Modeling of Environmental Systems. - Washington: Island Press, 1999
155. Haugen E. The Ecology of Language. In: Fill A., Mbhlhflusler P. The Ecolinguistics Reader. Language, Ecology and Environment. London, New York, 2001.
156. Holland J. H. Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor, 1975
157. Hush D., Home B. Progress in supervised neural networks. // IEEE Signal processing Magazine 1993, January, Pp.8-39
158. International Journal of Digital Earth ISSN: 1753-8955 (electronic) 17538947 Publication Frequency: 4 issues per year
159. John R. Koza Genetic Programming: On the Programming of Computers by Means of Natural Selection (Complex Adaptive Systems), MIT Press. ISBN 0262-11170-5. 1992-819c.
160. Jorgensen S.E. Integration of Ecosystem Theories: a Pattern 2nd.. Dordrecht: Kluwer. 1997. - 400 p.
161. Jorgensen S.E., Bendoricchio G., Fundamentals of Ecological Modelling. 3rd ed. Amsterdam: Elsevier. 2001.544 p.
162. Jorgensen S.E., Fundamentals of Ecological Modelling. V. 9. Developments in Environmental Modelling. Amsterdam: Elsevier. 1986.389 p.
163. Jorgensen S.E., Mejer H. Next generation of ecological models Proceedings of the Work Conf. on Envir. Syst. Anal, and Manag. Rome. 1982. - Pp.485 -493.
164. Karul C., Soypak S., Cilesiz A.F., Germen E. Case studies on the use of neural networks in eutrophication modeling // Ecological modelling. - 2000. 134.-Pp.145 - 152.
165. Kohonen Teuvo Self-Organizing Maps. H3,o,-bo Springer - Verlag, 2001, 3-H3flaHne. 501c.
166. Kosko B. Fuzzy systems as universal approximators // Proc. of the IEEE Int. Conf. on Fuzzy Systems. San Diego, 1992, pp. 1153-1162.
167. Lae R., Lek S., Moreau J., Predicting fish yield of African Lakes/ Ecological modeling 120, 1994. pp. 325-335.
168. Lotka A.J. Contribution to the energetics of evolution // Proc. Natl. Acad. Sci. - 1922. N.8. - Pp.147 - 150.
169. Margalef R. Perspectives in ecological theory. Chicago: Chicago University Press. 1968.- 122 p.
170. Matthew P. Thompson, Jeff D. Hamann, and John Sessions Selection and Penalty Strategies for Genetic Algorithms Designed to Solve Spatial Forest Planning Problems // International Journal of Forestry Research Volume 2009 (2009), Article ID 527392, 14 pages
171. Mauersberger P. From a theory of local processes in aquatic ecosystems to a theory at the ecosystem scale // Sci. Total Environ. - 1996. 183. - Pp.99 - 106.
172. Niebur D. Artificial neural networks for power systems: a literature survey. (Swiss Federal Inst, of Technol., Lausanne, Switzerland). Int. J. Eng. Intell. Syst. Electr. Eng. Commun. (UK), vol.1, no.3, p.133-58 (Dec. 1993),[received: 11 Oct 1994].
173. O'Neill R.V., DeAngelis D.I., Waide J.B., Allen T.F.H. A Hierarchical Concept of Ecosystems. Princeton, NJ: Princeton University Press. 1986.
174. Odum H.T., Pinkerton R.C. Time's speed regulator: the optimum efficiency for maximum power output in physical and biological systems // Am. Sci. -1955. 43.-Pp.331 -343.
175. Owen D.F. (1980). How plants may benefit from the animals that eat them. Oicos 35. P. 230-235.
176. Patón D., Salvado A., Venegas F. Relationships between metabolizable energy and chemical parameters from forest fruits using a parallel genetic algorithm worldwide model. // New research on forest ecology ISBN 160021-434-7 2007 pp. 129-140
177. Patten B.C. Energy cycling, length of food chains, and direct versus indirect effects in ecosystems // Ecosystem Theory for Biological Oceanography. Can. Bull. Fish. Aquat. Sci. - 1986. 213. - Pp.119 - 138.
178. Patten B.C. Network integration of ecological extremal principles: exergy, emergy, power, ascendency and inderect effects // Ecological modelling. -1995. 79.-Pp.75-84.
179. Pérez-España H., Arreguin-Sánchez F. A measure of ecosystem maturity // Ecologocal Modelling. - 1999. 119. - Pp.79 - 85.
180. Ruxton Graeme D; Beauchamp Guy The application of genetic algorithms in behavioural ecology, illustrated with a model of anti-predator vigilance. // Journal of theoretical biology 2008;250(3): pp.435-48.
181. Scardy M. Advances in neural network modeling of phytoplankton primary production. / Ecological modeling 146, 2001. pp. 33-46
182. Scardy M. Artificial neural networks as empirical models for estimating phytoplankton production. / Marine Ecological Problem series 139, 1996. pp. 289-299.
183. Schneider E.D., Kay J.J. Lffe as a manifestation of the second law of thermodynamics // Math. Comput. Model. - 1994. 19. - Pp.25 - 48.;
184. Seginer I., Boulard T., Bailey B.J. Neural network models of the greenhouse climate. // Journal Agriculture Engineering Resourses #59 pp.203-216
185. Shu-Heng Chen, Chih-Chi Ni Simulating the ecology of oligopolistic competition with genetic algorithms // Knowledge and Information Systems archive Volume 2 , Issue 3 (August 2000) pp. 285 - 309
186. Sovan Lek and J.-F. Guegan, Artificial Neuronal Networks, Application to Ecology and Evolution. Springer-Verlag. Heidelberg. - 2000
187. The Eco-indicator 95. Final report 9523. - Utrecht, the Netherlands: Novem (National Agency for Energy and the Environment), 1995.
188. The Eco-indicator 99. Methodology report. - Amersfoort, the Netherlands: Pre Consultants (product ecology consultants), 1999.
189. Tundisi JG, Straskraba M, Theoretical reservoir ecology and its applications. Backhuys Publishers, 1999, The Netherlands, 592p.
190. Ulanowicz R.E. Growth and development: Ecosystems Phenomenology. N.Y.: Springer. 1986. - 203 p.
191. Ulanowicz R.E., Hannon B.M. Life and production of entropy // Proc. R. Soc. Lond. - 1987. 232. - Pp.181 - 192.;
192. Vapnik V.N., Chervonenkis A. On the uniform convergence of relative frequencies of events to their probabilities. //Theory of Probability end its Applications, 1971, Vol.16, Pp. 264-280
193. Verbruggen H.B., Babuska R. Constructing fuzzy models by product space clustering // Fuzzy model identification / Eds. H Helendorn, D. Driankov. Berlin: Springer, 1998 pp 53-90
194. Wang L. X. Fuzzy systems are universal approximators // Proc. of the IEEE Int. Conf. on Fuzzy Systems. San Diego, 1992, pp. 1163-1169.
195. Whittaker R.H., Woodwell G.M. Evolution of natural communities // Ecosystem Structure and Function. Corvallis: Oregon State University Press. 1971.-Pp.137- 159.
196. Xue Q., Hu Y., Tompkins W. Analysis of hidden units of back propagation model by SVD // Proc. IJCNN, 1990, Washington pp. 739-742.)
197. Zadeh L.A. Fuzzy sets. — Information and Control, 1965, vol.8, N 3,pp.338-353.
198. http://eco.tatar.ru/rus/file/pub/pub_21261.doc - Программа экологической безопасности Республики Татарстан на период до 2015 года. Утверждена постановлением Кабинета Министров РТ от 03.09.2007 №438
199. http://eco.tatar.ru/rus/flle/pub/pub_21642.doc Программа оздоровления окружающей среды Нижнекамского муниципального района на 2008-2012 годы. Утверждена Советом Нижнекамского муниципального района от 23.06.2008 №22,
200. http://eco.tatar.ru/rus/info.php?id=52741 Сайт Министерства экологии и природных ресурсов РТ
201. http://eearth.viniti.ru
202. http://kompit.telebit.ru/ Сайт ООО "Компьютерные программы и технологии"
203. http://mert.tatar.ru/rus/file/pub/pub_14099.doc Программа развития и размещения производительных сил Республики Татарстан на основе кластерного подхода до 2020 года и на период до 2030 года. Раздел «Наука и инновации». Утверждена постановлением Кабинета Министров Республики Татарстан от 22.10.2008 № 763.
204. http://minzdrav.tatar.ru Сайт Министерства здравоохранения РТ
205. http://prav.tatar.ru/rus/file/pub/pub_35.pdf Республиканская программа развития инновационной деятельности в Республике Татарстан на 20042010 годы. Утверждена постановлением Кабинета Министров Республики Татарстан от 12 марта 2004г., № 121.
206. http://ru.wikipedia.Org/wiki/3aKOH_Mypa - Материал из Википедии — свободной Интернет-энциклопедии.
207. http://www.BaseGroup.ru/neural/math.htm - Математический аппарат нейросетевых алгоритмов.
208. http://www.ecolog.antat.ru/researches/index.html Сайт Института экологии природных систем при Академии наук РТ
209. http://www.esri.com
210. http://www.geocenter-consulting.ru/?page=company_2 Официальный сайт научно-производственного геоинформационного центра «Геоцентр-консалтинг».
211. http://www.gisa.ru Проект системы медико-экологического мониторинга окружающей среды на базе ГИС. Д.Р. Струков. 10.03 2005
212. http://www.icsti.su/unep/unep-r.htm
213. http://www.ire.rssi.ru/priroda
214. http://www.unep.org/infoterra/
215. http://wwwl .fips.ru/wps/wcm/connect/content_ru/ru/about/strateg/str_rf «Стратегия Российской Федерации в области развития науки и инноваций до 2010 г. и дальнейшую перспективу». Утверждена Президентом Российской Федерации 30.03.2002 № Пр-576
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.