Синтез нейросетевой системы классификации динамических объектов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Бобин, Александр Валерианович

• Бобин, Александр Валерианович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Бобин, Александр Валерианович

ОГЛАВЛЕНИЕ.

СПИСОК ИСПОЛЬЗОВАННЫХ СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР И АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ.

1.1. Постановка задачи исследования.

1.1.1. Принцип получения внешней информации в ЗРК.

1.1.2. Общая постановка задачи.

1.1.3. Летательный аппарат как динамическая система.

1.1.4. Математическая постановка задачи.

1.2. Обзор и анализ основных подходов к решению задачи.

1.2.1. Особенности решаемой задачи.

1.2.2. Общий подход к решению задачи классификации.

1.2.3. Анализ основных математических подходов.

1.3. Анализ основных нейросетевых парадигм.

1.3.1. Классификация основных нейросетевых парадигм.

1.3.2. Структура и принцип действия искусственного нейрона.

1.3.3. Многослойные сети прямого распространения.

1.3.4. Сети прямого распространения с сосредоточенной задержкой по времени.

1.3.5. Сети прямого распространения с распределённой задержкой времени

1.3.6. Сети нелинейной авторегрессии с внешними входами.

1.3.7. Радиально-базисные сети.

1.3.8. Результаты анализа возможности применения рассмотренных нейросетевых архитектур для решения задачи классификации ДО.

Выводы по главе 1.

ГЛАВА 2. ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ПРЯМОГО РАСПРОСТРАНЕНИЯ ДЛЯ КЛАССИФИКАЦИИ ДИНАМИЧЕСКОГО

ОБЪЕКТА.

2.1. Многослойные персептроны.

2.1.1. Структура МЬР-сети.

2.1.2. Алгоритм обратного распространения ошибки.

2.1.3. Режимы обучения МЬР-сети.

2.1.4. Общий подход к использованию градиентных методов оптимизации.

2.1.5. Обучение МЬР-сети по алгоритму наискорейшего спуска.

2.1.6. Обучение по алгоритму переменной метрики.

2.1.7. Использование алгоритма Левенберга-Марквардта.

2.1.8. Обучение больших сетей по алгоритму сопряжённых градиентов.

2.2. Динамические КТБГЧ-сети.

2.3. Динамические NARX-ceти.

2.3.1. Структура КАЮС-сети.

2.3.2. Алгоритм обучения КАЮС-сети.

2.3.3. Вычисление коэффициента скорости обучения.

2.3.4. Использование усилителя сигнала.

Выводы по главе 2.

ГЛАВА 3. СИНТЕЗ СИСТЕМЫ КЛАССИФИКАЦИИ ДИНАМИЧЕСКИХ ОБЪЕКТОВ.

3.1. Генерация исходных данных для построения классификатора.

3.1.1. Входное пространство признаков.

3.1.2. Источники исходных данных.

3.1.3. Ошибки измерения координат.

3.2. Формирование пространства признаков.

3.2.1. Выбор системы координат для описания информативных признаков.

3.2.2. Выбор информативных признаков.

3.2.3. Итоговый вектор признаков.

3.3. Синтез структуры системы классификации.

3.3.1. Процедура принятия решения о типе объекта.

3.3.2. Структура системы классификации.

3.3.3. Блок локальной во времени классификации.

3.3.4. Оценка достоверности локального решения.

3.3.5. Учёт динамики локальных решений.

3.4. Алгоритм обучения системы классификации.

3.5. Выбор показателей качества работы классификатора.

3.5.1. Классификация показателей качества работы системы.

3.5.2. Показатели качества поточечной классификации.

3.5.3. Показатели качества кластеризации входных данных.

3.5.4. Показатели качества потраекторной классификации.

3.6. Применение динамической РТБ1Ч-сети в блоке локальной классификации.

3.7. Учёт динамики входных данных с помощью NARX-ceти.

Выводы по главе 3.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННОЙ СИСТЕМЫ.

4.1. Подготовка системы классификации и модельных данных.

4.1.1. Формирование идеальных модельных данных.

4.1.2. Генерация входных данных для настройки и тестирования системы.

4.1.3. Подготовка классификаторов и методика тестирования.

4.2. Исследование блока локальной классификации.

4.2.1. Исследование динамики доли правильно распознанных примеров для слабого и нормального уровней шума.

4.2.2. Исследование динамики доли правильно распознанных примеров для сильного шума.

4.2.3. Исследование динамики доли ошибок классификации первого рода.

4.2.4. Исследование динамики доли ошибок классификации второго рода.

4.3. Исследование блока оценки достоверности локального решения.

4.4. Исследование блока учёта динамики локального решения.

4.4.1. Демонстрация эффекта от использования блока учёта динамики локальных решений.

4.4.2. Анализ качества работы системы на отдельных «временных срезах».

4.5. Исследование возможностей модификации базовой структуры.

4.5.1. Анализ результатов введения в систему FTDN-сетей.

4.5.2. Анализ результатов введения в систему NARX-сети.

4.6. Параметры разработанной системы классификации.

4.7. Выводы по главе 4.

Введение диссертации (часть автореферата) на тему «Синтез нейросетевой системы классификации динамических объектов»

Актуальность темы. Задачи распознавания образов являются одними из наиболее распространённых в современных практических приложениях. Существует множество математических подходов к распознаванию объектов, описываемых вектором характеристик фиксированной размерности [4, 11, 34, 40, 57, 83, 84, 89, 105]. Однако, задача классификации динамического объекта (ДО), вектор характеристик которого меняется во времени, существенно усложняется и в большинстве случаев требует разработки специализированного математического аппарата [38, 29, 41, 44, 45].

В последнее время для решения задач классификации активно применяется аппарат искусственных нейронных сетей [28, 29, 40, 51, 63, 68, 84]. Основным достоинством нейронных сетей является их универсальная способность к обобщению: обученная на ограниченном множестве выборочных данных нейронная сеть способна вырабатывать ожидаемую реакцию применительно к данным, не участвовавшим в процедуре обучения. Другое важное свойство нейронных сетей, свидетельствующее об их огромном потенциале и широких прикладных возможностях, состоит в высокой степени распараллеливания вычислительного процесса. Благодаря этой способности при большом количестве межнейронных связей достигается значительное ускорение процесса обработки информации. Во многих ситуациях становится возможной обработка данных в реальном масштабе времени [63]. Эти характерные свойства нейронных сетей позволяют им решать сложные практические задачи, которые на сегодняшний день считаются трудноразрешимыми.

Использование нейросетевого подхода не требует формального математического описания законов изменения состояния классифицируемого ДО, а предполагает наличие представительного набора образцов экспериментальных данных для обучения системы классификации. Нейросетевая система классификации адаптируется непосредственно к свойствам имеющихся экспериментальных данных и может оперативно корректироваться при предъявлении дополнительной информации.

Как правило, использование нейронных сетей обеспечивает следующие важные свойства и возможности вычислительных систем:

- нелинейность;

- адаптивность;

- универсальность одного решения для целого класса подобных задач;

- эффективность программной и аппаратной реализации.

Для решения практических задач с использованием нейросетевой технологии разработано множество универсальных и специализированных программных средств, позволяющих существенно упростить процедуру построения нейросетевых систем обработки данных. Среди них можно выделить среду инженерных расчётов MATLAB фирмы MathWorks, пакет STATISTICA Neural Networks фирмы StatSoft, более специализированные пакеты и библиотеки: Neuro Modeler, NeuroPro, Neuro Office, FANN и др.

Актуальность применения аппарата искусственных нейронных сетей для решения задач классификации ДО подтверждается работами B.JI. Дунина-Барковского, А.Н. Горбаня, А.И. Галушкина, O.A. Мишулиной, С.А. Терехова и других отечественных и зарубежных исследователей.

Определение типа летательного аппарата (JIA) по ограниченному числу дискретных измерений также относится к задачам классификации ДО. Подобная задача возникает в системе управления зенитными ракетными комплексами (ЗРК) противовоздушной обороны при отражении массированного ракетно-авиационного налёта [9, 34, 40, 57].

Разработка системы распознавания типа JIA в зоне действия ЗРК позволит существенно повысить эффективность работы зенитных систем, что подтверждает важность и актуальность темы исследования.

Объектом исследования являются нелинейные динамические системы, состояние которых описывается вектором характеристик фиксированной размерности, меняющимся во времени. Информация о состоянии динамической системы поступает в дискретные моменты времени и содержит ошибки.

Предметом исследования являются методы классификации ДО по ограниченному набору дискретных наблюдений с помощью аппарата искусственных нейронных сетей (ИНС).

Цель и задачи исследования. Диссертация посвящена разработке нейросетевой системы определения типа (классификации) ДО на основе ограниченного набора дискретных наблюдений, содержащих ошибки измерения параметров ДО, и выработке методических рекомендаций по её практическому применению при решении прикладной задачи распознавания типа ЛА в зоне действия ЗРК по его внешним траекторным измерениям.

Достижение поставленной цели исследования предполагает решение следующих основных задач исследования.

1. Формальное описание класса ДО, для которых решается задача классификации.

2. Синтез структуры системы классификации ДО по ограниченному набору дискретных измерений и разработка соответствующих алгоритмов обучения.

3. Разработка методики оценки степени достоверности принятого системой классификации решения о типе ДО.

4. Разработка методики учёта динамики ранее принятых решений о типе ДО.

5. Применение системы классификации предложенной структуры для решения прикладной задачи распознавания типа ЛА в зоне действия ЗРК.

6. Создание специализированного программного обеспечения для проведения исследований системы классификации и разработанных алгоритмов её обучения.

7. Проведение экспериментальных исследований системы классификации ДО.

Методы исследования. При решении поставленных задач исследования в работе использовались методы системного анализа, теории динамических систем, теории искусственных нейронных сетей, теории оптимизации, теории управления, теории вероятностей, а также методы статистического анализа данных.

Научная новизна. Основные результаты работы являются новыми и заключаются в следующем.

1. Предложена, теоретически обоснована, реализована и проверена на модельных данных структура комплексной нейросетевой системы классификации ДО по ограниченному набору дискретных наблюдений, полученных с ошибкой. Разработана соответствующая процедура обучения и применения системы.

2. Предложено, реализовано и исследовано уникальное нейросетевое решение задачи оценки достоверности результатов классификации путём аппроксимации функции достоверности в локальной окрестности наблюдаемых характеристик ДО, а не интегрально на всём пространстве характеристик.

3. Синтезированная структура нейросетевой системы классификации ДО и соответствующий алгоритм обучения применён для решения прикладной задачи распознавания типа ЛА в зоне действия ЗРК по ограниченному набору внешних траекторных измерений, выполненных с ошибками. Предложенный подход является новым и при решении подобных задач ранее не применялся.

4. Проведено множество экспериментов, подтверждающих состоятельность и адекватность разработанной нейросетевой системы и алгоритма её обучения.

5. Исследованы и проанализированы перспективы расширения предложенной системы за счёт введения нейросетевых блоков с сосредоточенной задержкой сигнала по времени и динамической сети нелинейной авторегрессии с внешними входами.

Практическая значимость работы заключается в следующем.

1. Предложенная в работе нейросетевая система классификации ДО по ограниченному набору зашумлённых наблюдений может быть использована для решения прикладной задачи распознавания типа ЛА по внешним траекторным измерениям в системе управления ЗРК, что повысит эффективность их работы.

2. Разработанное в ходе исследования методическое, алгоритмическое и программное обеспечение может быть использовано в учебных курсах по программированию, математическим методам классификации, нейроинформатике и современным технологическим аспектам теории искусственных нейронных сетей, что позволит повысить уровень подготовки специалистов.

3. Предложенная система классификации ДО может применяться для решения прикладных задач в других предметных областях, например, в задаче идентификации характера неисправности и её локализации в сложной технической системе и т.п.

Реализация результатов работы. Синтезированная в ходе выполнения диссертационной работы нейросетевая система классификации ДО, использовалась для решения прикладных задач, связанных с распознаванием типа ЛА в зоне действия ЗРК во ФГУП «ГосНИИ авиационных систем» (Москва).

Полученные в диссертации результаты используются в учебном процессе кафедры МОСОИиУ МИЭМ (Москва).

Использование результатов диссертационной работы и достигнутый при этом эффект подтверждены соответствующими актами внедрения (см. прил. 1 и 2).

Апробация работы. Основные положения диссертации докладывались на следующих международных конференциях и семинарах:

- VI Международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2008 г.);

- Международная конференция молодых учёных и специалистов Московского отделения Международной общественной организации «Академия навигации и управления движением», 1 место (прил. 3) за лучший доклад, представленный на секции «Обработка информации в навигационных, спутниковых и интегрированных системах» (г. Москва, 2009 г.);

- IX Международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2010 г.);

- XIX Международный научно-технический семинар «Современные технологии в задачах управления, автоматики и обработки информации» (г. Алушта, 2010 г.).

Также основные положения диссертации обсуждались на конференциях студентов, аспирантов и молодых специалистов МИЭМ в 2008-2011 гг. и на научном семинаре «Управление и устойчивость» под руководством д.т.н., проф. В.Н. Афанасьева.

Результаты исследований по диссертации вошли в отчёты по НИР:

- «Исследование бинарных моделей знаний для семантических \УЕВ-технологий, мультиагентного и нейромоделирования». - М.: МИЭМ, 2005. -№ гос.рег. 01200502482, инв. № 02200903329;

- «Разработка методов концептуальной спецификации информационно-технологических и нейросетевых систем». — М.: МИЭМ, 2006. — № гос.рег. 01200602101, инв. № 02200805602;

- «Разработка методов и языков концептуальной спецификации для Семантического Веба». - М.: МИЭМ, 2007. - № гос.рег. 01200701846, инв. № 02200805562;

- «Разработка бинарных моделей знаний с нечёткой логикой для Семантического Веба». - М.: МИЭМ, 2008. - № гос.рег. 01200801976, инв. № 02200902792;

- Отчет на спецтему по СЧ НИР «Известняк-КМ». -М.: ГосНИИАС, 2009. -инв.№ 0-45869.

Публикации результатов. Основные результаты диссертационной работы опубликованы в 15 печатных научных работах, среди которых 2 статьи - в периодических научных изданиях, рекомендованных ВАК России, 8 работ - в материалах научных конференций и семинаров.

Основные положения, выносимые на защиту.

1. Структура системы классификации ДО по ограниченному набору зашумлённых дискретных наблюдений, которая представляет собой комплекс взаимодействующих многослойных нейронных сетей прямого распространения, где каждая сеть характеризуется простой функциональной задачей, а также соответствующие алгоритмы обучения.

2. Методика оценки степени достоверности принятого классификатором решения о типе ДО путём нейросетевой аппроксимации функции достоверности в локальной окрестности текущего наблюдения.

3. Методика учёта пространственно-временной динамики траектории движения ЛА в расширенном лаговом пространстве.

4. Результаты экспериментов, демонстрирующих состоятельность и адекватность синтезированных нейросетевых структур при распознавании типа ЛА в зоне действия ЗРК.

5. Варианты модернизации структуры системы путём введения динамических нейросетевых блоков с сосредоточенной задержкой сигнала по времени и нейросетевой модели нелинейной авторегрессии с внешними входами.

Структура и объём диссертации. Диссертация состоит из введения, четырёх глав, заключения, библиографического списка и трёх приложений. Основная часть работы содержит 130 страниц машинописного текста, включая 28 таблиц, 35 рисунков и перечень использованной литературы из 106 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Бобин, Александр Валерианович

4.7. Выводы по главе 4

Подробно описаны процедуры формирования исходных данных для настройки системы классификации и различные варианты системы, использованные для проведения экспериментальных исследований:

- рассмотрен метод формирования идеальных модельных данных;

- приведено описание процедуры добавления ошибок измерений РЛС;

- изложены характеристики вариантов классификатора.

Проведено множество экспериментов, подтверждающих состоятельность разработанной нейросетевой системы классификации ЛА, её высокую обобщающую способность и демонстрирующих адекватность созданной системы поставленной задаче.

Исследованы и проанализированы на примере нескольких вариантов системы классификации как характеристики отдельных её компонентов, так и особенности всей системы в целом. Исследованы характеристики:

- блока локальной классификации

- блока оценки достоверности локального решения

- блока учёта динамики локальных решений ^3.

В частности, исследована устойчивость системы к различным уровням ошибок измерений. Наглядно продемонстрирована необходимость блока а также практический эффект, получаемый при его применении.

Результаты проведённого моделирования, описанные в данной главе, позволяют обоснованно сказать о высоком качестве разработанной системы и об её устойчивости к ошибкам измерения, которые присущи реальному локатору.

ЗАКЛЮЧЕНИЕ

В рамках диссертационной работы получены следующие научные и практические результаты.

Предложено новое решение проблемы распознавания типа ЛА, вошедшего в зону действия ЗРК, по ограниченному набору внешних траекторных измерений. Данная проблема формализована и рассмотрена как математическая задача классификации ДО по небольшому набору зашумлённых данных.

По результатам проведённого анализа современных подходов к решению задачи классификации ДО выбран аппарат искусственных нейронных сетей. Проанализированы различные современные нейросетевые модели, используемые при решении подобных задач другими исследователями, на предмет их применимости к данной задаче. В результате анализа обоснованно выбран аппарат многослойных нейронных сетей прямого распространения как средство решения задачи классификации ДО.

Предложена эффективная методика учёта пространственно-временной динамики движения ЛА в лаговом пространстве. Для классификации ЛА использованы признаки двух типов: мгновенные и интегральные. Эти признаки характеризуют как текущие радиолокационные измерения, так и учитывают предысторию движения сопровождаемого ЛА. Информативность использованного вектора признаков подтверждена проведённым математическим моделированием.

Предложена структура системы классификации ДО, которая представляет собой сложный комплекс взаимодействующих между собой отдельных нейронных сетей, а также разработан алгоритм обучения такой системы для настройки её на конкретную предметную область. Важной особенностью разработанной системы является то, что каждая нейронная сеть, входящая в её состав, характеризуется простой функциональной задачей. Разработанная система допускает расширение на новые распознаваемые типы объектов и не требует для этого радикальной перестройки.

Модульная структура нейросетевого классификатора ДО позволила обеспечить интерпретируемость принимаемых решений, простоту обучения и возможность оперативной модификации посредством введения дополнительных функциональных модулей.

Особое значение применительно к решаемой задаче имеет оценка достоверности принимаемых классификатором решений. В работе предложен подход, основанный на нейросетевой аппроксимации функции достоверности в пространстве признаков, который позволяет оценивать принятое классификатором локальное решение не усредненными показателями по всей выборке данных, а с учетом текущих значений вектора признаков.

Построенная система предполагает возможное решение «неопознанный ЛА» в случае, когда не обеспечивается высокая достоверность отнесения ЛА к одному из предопределенных классов.

Продемонстрировано практическое применение разработанной нейросетевой системы для решения прикладной задачи классификации ЛА, вошедшего в зону действия ЗРК. Проведено множество экспериментов, подтверждающих высокую обобщающую способность системы. Исследовано поведение системы в различных условиях, а также её устойчивость к ошибкам измерения разной интенсивности.

Математическое моделирование, проведённое на примере ЛА семи типов, продемонстрировало высокую надёжность и устойчивость принимаемых системой классификации решений. Высокая точность распознавания типа ЛА наблюдается не только на модельных данных без ошибок измерений, но и в условиях реальных ошибок измерений радиолокатора.

В работе показана принципиальная возможность распознавания типа ЛА по траекторным измерениям без применения специальных признаков отраженного радиолокационного сигнала. Предложенное нейросетевое решение задачи не использует детального знания математических моделей движения ЛА и основано исключительно на располагаемых траекторных измерениях сопровождающей их РЛС.

Список литературы диссертационного исследования кандидат технических наук Бобин, Александр Валерианович, 2011 год

1. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей // Автоматика и телемеханика, 1995. №4.

2. Аведьян Э. Д., Коваленко М.Л., Цитоловский Е.Л., Цыпкин Я.З. Автономные алгоритмы настройки нейронных сетей // Математика, компьютер, управление и инвестиции. Труды международной конференции. М., 1993.

3. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений.-М.: Статистика, 1974.

4. Айвазян С.А., Бухштабер В.М., Енюков И.С. и др. Прикладная статистика: классификация и снижение размерности. М. Финансы и статистика, 1989.

5. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970.

6. Аксенов C.B., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии). Томск: Изд-во НТЛ, 2006.

7. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. -М.: Мир, 1982.

8. Байдык Т.Н. Нейронные сети и задачи искусственного интеллекта. Киев: Наукова Думка, 2001.

9. Бакулев П.А. Радиолокационные системы. М.: Радиотехника, 2007.

10. Барабаш Ю.Л., Барский Б.В., Зиновьев В.Т. и др. Вопросы статистической теории распознавания. -М.: Сов. радио, 1967.

11. Беркинблит М.Б. Нейронные сети. М.: МИРОС и ВЗМШ РАО, 1993.

12. Бобин A.B. Распознавание начальных форм слов на основе двухслойного персептрона // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. -М.: МИЭМ, 2008.

13. Бобин A.B. Разработка модели РЛС в составе автоматизированной системы анализа эффективности функционирования системы ПВО // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. -М.: МИЭМ, 2009.

14. Бобин A.B. Исследование возможности применения нейронных сетей для распознавания типа воздушной цели // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. -М.: МИЭМ, 2010.

15. Бобин A.B. Применение динамических нейронных сетей для определения типа летательного аппарата // Научно-техническая конференция студентов, аспирантов и молодых специалистов МИЭМ. Тезисы докладов. М.: МИЭМ, 2011.

16. Бобин A.B., Мишулина O.A., Слатин A.B. Нейросетевой классификатор модульной архитектуры для распознавания типа воздушной цели // Нейрокомпьютеры: разработка и применение. М.: Радиотехника, 2010.-№ 11 - С. 53 - 62.

17. Бобин A.B. Применение многослойной нейронной сети с линией задержки для классификации воздушного объекта // Вопросы оборонной техники. Серия 9. -М.: НТЦ «Информтехника», 2010. -№ 3 4 - С. 39 - 44.

18. Бобин A.B. и др. Отчет на спецтему по СЧ НИР «Известняк-КМ». -М.: ГосНИИАС, 2009. инв.№ 0-45869.

19. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. Харьков: ТЕЛЕТЕХ, 2004.

20. Бонгард М.М. Проблема узнавания. М.: Наука, 1967.

21. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983.

22. ВапникВ. Н. Восстановление зависимостей по эмпирическим данным. -М.: Наука, 1979.

23. Васильев В.И. Распознающие системы. Киев: Наукова Думка, 1969.

24. Галушкин А.И. Теория нейронных сетей. Кн.1. М.: ИПРЖР, 2000.

25. Галушкин А.И. Многослойные системы распознавания образов. М.: МИЭМ, 1970.

26. Галушкин А.И. Единый подход к решению задач обучения и самообучения систем распознавания образов. Труды МИЭМ, 1970. -Вып.6.

27. Галушкин А.И. Синтез многослойных систем распознавания образов. -М.: Энергия, 1974.

28. Галушкин А.И., Судариков В.А. Шабанов Е.В. Нейроматематика: методы решения задач на нейрокомпьютерах // Математическое моделирование, 1991. -Т.З. -№8.

29. Галушкин А.И., Судариков В.А. Шабанов Е.В. Методика решения задач на нейрокомпьютерах // Нейрокомпьютер, 1992. — №1.

30. Галушкин А.И. Нейрокомпьютеры в разработках военной техники США. -М.: НЦН, 1995.

31. Гитис Л.Х. Кластерный анализ в задачах классификации, оптимизации и прогнозирования. -М.: Изд. МГГУ, 2001.

32. Гмурман В.Е. Теория вероятностей и математическая статистика. -М.: Высшая школа, 2003.

33. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. -Новосибирск: Наука, 1998.

34. Горбань А.Н. Обучение нейронных сетей. М.: Параграф, 1992.

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

36. Грибков В.Ф., Бериев И.Г., Буков В.Н., Логовский A.C. Нейрокомпьютеры в авиации // Доклад на пленарном заседании конференции «Нейрокомпьютеры и их применение» (НКП-98). Москва, 1998.

37. ДидэЕ. Методы анализа данных. Подход, основанный на методе динамических сгущений. -М.: Финансы и статистика, 1985.

38. Дорофеюк A.A. Алгоритмы автоматической классификации (обзор) // Автоматика и телемеханика. 1971. -№12. - С.78- 113.

39. Дубров A.M., Мхитарян B.C., Трошин Л.И. Многомерные статистические методы для экономистов и менеджеров. М.: Финансы и статистика, 2003.

40. Дубровский С.А. Прикладной многомерный статистический анализ. М.: Финансы и статистика, 1982.

41. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

42. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. -М.: МИФИ, 1998.

43. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов. радио, 1972.

44. Заде Л., Дезоер Ч. Теория линейных систем. Метод пространства состояний. — М.: Наука, 1970.

45. Зотов М.Г. Многокритериальное конструирование систем автоматического управления. -М.: БИНОМ. Лаборатория знаний, 2009.

46. Журавлёв О.Г., Торговицкий И.Ш. Оптимальный метод объективной классификации в задачах распознавания образов // Автоматика и телемеханика. 1965. - № 11. - С.2062 - 2063.

47. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2002.

48. Калман Р., Фалб П., Арбиб М. Очерки по математической теории систем. -М.: Едиториал УРСС, 2004.

49. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. и др. Факторный, дискриминантный и кластерный анализ. -М. Финансы и статистика, 1989.

50. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. -М.: ФИЗМАТЛИТ, 2006.

51. Колере П., Мюррей Д. Распознавание образов. Исследование живых и автоматических распознающих систем. М.: Мир, 1970.

52. Кормацова Л.Г., Максимов A.B. Нейрокомпьютеры. М.: МГТУ им. Н.Э. Баумана, 2004.

53. Кохонен Т. Самоорганизующиеся карты. М.: БИНОМ. Лаборатория знаний, 2008.

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

55. Миркес Е.М. Обучение сетей с пороговыми нейронами // Нейроинформатика и её приложения. Тезисы докладов III Всероссийского семинара. КГТУ, Красноярск, 1995.

56. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука. Сибирское предприятие РАН, 1999.

57. Митрофанов Д.Г., Сафонов A.B. Применение нейросетевой технологии для распознавания целей по радиолокационным изображениям // Нейрокомпьютеры: разработка и применение. М.: Радиотехника, 2006. - №3. - С.60 - 68.

58. Окунь Я. Факторный анализ. М.: Статистика, 1974.

59. Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004.

60. Потапов A.C. Распознавание образов и машинное восприятие. -М.: Политехника, 2007.

61. Пупков К.Д., Егупова Н.Д. Нестационарные системы автоматического управления: анализ, синтез и оптимизация. -М.: МГТУ им. Н.Э. Баумана, 2007.

62. Райзин Дж. Классификация и кластер. М.: Мир, 1980.

63. Рао С.Р. Линейные статистические методы и их применения. -М.: Наука, 1976.

64. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1964.

65. Сафонов A.B., Митрофанов Д.Г., Прохоркин А.Г. Нейросетевое распознавание летательных аппаратов по экспериментально сформированным доплеровским спектрам // Нейрокомпьютеры: разработка и применение. -М.: Радиотехника, 2009. -№ 10. С.57 - 62.

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

67. СосулинЮ.Г. Теоретические основы радиолокации и радионавигации. -М.: Радио и связь, 1992.

68. Тархов Д.А. Нейронные сети: модели и алгоритмы М.: Радиотехника, 2005.

69. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978.

70. Турбович И.Т., Гиттис В.Г., Маслов В.К., Опознавание образов. Детерминировано-статистический подход. -М.: Наука, 1971.

71. Тюхов Б.П., Истратов А.Ю., Бобин A.B. и др. Разработка методов концептуальной спецификации информационно-технологических и нейросетевых систем: отчёт о НИР. -М.: МИЭМ, 2006. -№ гос.рег. 01200602101, инв. № 02200805602.

72. Тюхов Б.П., Истратов А.Ю., Бобин A.B. и др. Разработка методов и языков концептуальной спецификации для Семантического Веба: отчёт о НИР. М.: МИЭМ, 2007. -№ гос.рег. 01200701846, инв. № 02200805562.

73. Тюхов Б.П., Истратов А.Ю., Бобин A.B. и др. Разработка бинарных моделей знаний с нечёткой логикой для Семантического Веба: отчёт о НИР. -М.: МИЭМ, 2008. № гос.рег. 01200801976, инв. № 02200902792.

74. Тюхов Б.П., Истратов А.Ю., Бобин A.B. и др. Исследование бинарных моделей знаний для семантических WEB-технологий, мультиагентного и нейромоделирования: отчёт о НИР. М.: МИЭМ, 2005. - № гос.рег. 01200502482, инв. №02200903329.

75. Уилкс С. Математическая статистика. М.: Наука, 1967.

76. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир, 1992.

77. Финкельштейн М.И. Основы радиолокации. М.: Радио и связь, 1984.

78. Фукунага К. Введение в статистическую теорию распознавания образов. -М.: Наука, 1979.

79. Хайкин С. Нейронные сети: полный курс. М.: Вильяме, 2006.

80. Цыпкин ЯЗ. Адаптация и обучение в автоматических системах. -М.: Наука, 1968.

81. Цыпкин ЯЗ. Основы теории обучающихся систем. М.: Наука, 1970.

82. Aleksander I, Morton Н. An introduction to neural computing. London: Chapman and Hall, 1990.

83. Bailer-Jones C., MacKay D. A Recurrent Neural Network for Modelling Dynamical Systems. Network // Computation in Neural Systems. 1998. - № 9. - Pp. 531-547.

84. Bishop, Chris. M. Neural networks for pattern recognition. Oxford University Press, 2005.

85. Bolshev L.N. Cluster analysis // Bull. Int. Stat. Inst. 1969. - N43. - P.425-441.

86. Chen F.C., Lui C.C. Adaptively Controlling Nonlinear Continuous-Time Systems Using Multilayer Neural Networks // IEEE Trans. On Automatic Control. -1994. -Vol.39, No.6.

87. Duda R., Hart P., Strok D. Pattern classification. John Willey & sons, 2001.

88. Fausett, L. V. Fundamentals of neural networks: architectures, algorithms and applications. Prentice Hall, 1993.

89. Fernandez В., Parlos A.G., Tsai W.K. Nonlinear Dynamic System Identification using Artificial Neural Networks // IJCNN-90, San Diego, Calif., 1990. Vol.2. -Pp.133-141.

90. Freeman, J.A., Skapura, D.M. Neural Networks: algorithms, applications and programming techniques. Addison-Wesley Publishing Company Inc, 1991.

91. Gupta, M.M., Jin, L., Homma, N. Static and dynamic neural networks: from fundamentals to advances theory. John Wiley & Sons Inc, 2003.

92. Krose В., Smagt P. An introduction to neural networks. The University of Amsterdam, 1996.

93. Marques de Sa J.P. Pattern recognition. Concepts, methods and applications. -Springer, 2001.

94. Morrison D.G. Multivariate statistical methods. N.Y.: McGrow Hill Book Company, 1967.

95. Muller R., Reinhaldt H. Neural Networks. Springer-Verlag, 1990.

96. Narendra K., Parthasarathy K. Identification and control of dynamical systems using neural networks // IEEE Transactions on Neural Networks. 1990. - Vol. 1, № l.-Pp. 4-27.

97. Rabunal J., Dorado J. Artificial neural networks in real-life applications. Idea Group Publishing, 2006.

98. Simpon P. Artificial Neural Networks. Springer-Verlag, 1996.

99. Theodoridis, S., Koutroumbas, K. An introduction to pattern recognition: a MATLAB approach. Academic Press Inc., 2010.

100. Theodoridis, S., Koutroumbas, K. Pattern recognition, Third Edition. Academic Press Inc., 2006.

101. Willmott A. J., Grimshaw P. N. Cluster analysis in social geography: Numerical taxonomy. -N.Y.: Academic Press., 1969.

102. Практическое применение подобной системы классификации позволит повысить эффективность работы зенитной системы ПВО при отражении массированного ракетно-авиационного налёта.0513.01 «Системный анализ, управление и обработка информации»

103. Начальник подразделения 0800 д.т.н., проф.

104. Начальник лаборатории 0810 к.т.н.

105. УТВЕРЖДАЮ ЩЭМ по научной работе1. В.Н. Азаров2011 г.1. Акт внедрениярезультатов диссертационной работы Бобина Александра Валериановича

106. Синтез нейросетевой системы классификации динамических объектов» на соискание ученой степени кандидата технических наук по специальности 05.13.01 «Системный анализ, управление и обработка информации»

107. Практическое применение созданного комплекса лабораторных работ позволило повысить качество подготовки студентов по указанным дисциплинам.

108. Заведующий кафедрой МОСОИиУ МИЭМ д.т.н., проф.

109. КОНФЕРЕНЦИЯ МОЛОДЫХ УЧЕНЫХ И СПЕЦИАЛИСТОВ

110. МОСКОВСКОГО ОТДЕЛЕНИЯ АКАДЕМИИ НАВИГАЦИИ И УПРАВЛЕНИЯ ДВИЖЕНИЕМ1. ФГУП «ЦНИИАГ»диплом1. С«.1.МЕСТО)

111. Председатель Московского отделения Академии навигации и управления движением3009.2009 СОЛУНИН В.Л.