авторефераты диссертаций БЕСПЛАТНАЯ БИБЛИОТЕКА РОССИИ

КОНФЕРЕНЦИИ, КНИГИ, ПОСОБИЯ, НАУЧНЫЕ ИЗДАНИЯ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 8 | 9 ||

«Федеральное агентство по образованию САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ ПОЛИТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ А.Н.ВАСИЛЬЕВ, Д.А.ТАРХОВ НЕЙРОСЕТЕВОЕ ...»

-- [ Страница 10 ] --

Горбаченко В.И., Москвитин С.А. Нейросетевой подход к решению 103.

коэффициентной обратной задачи математической физики// Сборник научных трудов VII Всероссийской научно-технической конференции «Нейроинформатика-2005». – Москва, МИФИ, 2005. – Часть 1. – С.60-68.

Горбаченко В.И., Яничкина Е.В. Решение дифференциальных уравнений в 104.

частных производных с использованием радиально-базисных нейронных сетей// Труды VI-й международной научно-технической конференции «Компьютерное моделирование 2005», СПб. – СПб.: Изд. СПбГПУ, 2005. – С.101-105.

Горбаченко В.И., Яничкина Е.В. Решение эллиптических 105.

дифференциальных уравнений в частных производных с использованием радиально-базисных нейронных сетей// Сборник научных трудов VIII Всероссийской научно-технической конференции «Нейроинформатика-2006». – Москва, МИФИ, 2006. – Часть 3. – С.15-21.

Гроп Д. Методы идентификации систем. – М.: Мир, 1979. – 302 с.

106.

Гузик В.Ф. и др. Нейрокомпьютеры в системах обработки сигналов. – М.:

107.

Радиотехника, 2003. – 224 с.

Дамбраускас А.П. Симплексный поиск. – М.: Энергия, 1979. – 176 с.

108.

Демиденко Е.З. Оптимизация и регрессия. – М.: Наука, 1989. – 293 с.

109.

Деммель Дж. Вычислительная линейная алгебра. – М.: Мир, 2001. – 110.

с.

Дидэ Э. и др. Методы анализа данных. – М.: Финансы и статистика, 1985.

111.

– 357 с.

Дорогов А.Ю. Быстрые нейронные сети. – СПб.: Изд-во С.-Петерб.

112.

Университета, 2002. – 80 с.

Дорогов А.Ю. Методы настройки быстрых перестраиваемых 113.

преобразований // «Нейрокомпьютеры»: разработка, применение. – 2002. – №9 10. – С.10-25.

Дорогов А.Ю. Порождающие грамматики быстрых нейронных сетей// 114.

«Нейрокомпьютеры»: разработка, применение. – 2004. – №7-8. – С.111-118.

Дорогов А.Ю. Быстрые нейронные сети: Проектирование, настройка, 115.

приложения// В сб.: «Лекции по нейроинформатике». – М.: МИФИ, 2004. – Часть1. – С.69-135.

Дорогов А.Ю., Алексеев А.А., Шестопалов М.Ю. Разделяющая мощность 116.

слабосвязанных нейронных сетей// Известия ТРТУ. – 2004. – №9. – С.100-109.

Дуда Р., Харт П. Распознавание образов и анализ сцен. – М.: Мир, 1976. – 117.

511 с.

Дэннис Дж., Шнабель Р. Численные методы безусловной оптимизации и 118.

решения нелинейных уравнений. – М.: Мир, 1988. – 440 с.

Дюк А., Самойленко А. Data Mining. – СПб.: Питер, 2001. – 366 с.

119.

Емельянов В.В., Курейчик В.М., Курейчик В.В. Теория и практика 120.

эволюционного моделирования. – М.: ФИЗМАТЛИТ, 2003. – 432 с.

Ермаков С.М., Михайлов Г.А. Статистическое моделирование. – М.:

121.

Наука. Главная редакция физико-математической литературы, 1982. – 296 с.

Ефимов В.В. и др. Нейрокомпьютеры в космической технике. – М.:

122.

Радиотехника, 2004. – 320 с.

Жамбю М. Иерархический кластер-анализ и соответствия. – М.: Финансы 123.

и статистика, 1988. – 342 с.

Жиглявский А.А. Математическая теория глобального случайного поиска.

124.

– Л.: издательство Ленинградского университета, 1985. – 296 с.

Жиглявский А.А., Жилинскас А.Г. Методы поиска глобального 125.

экстремума. – М.: Наука, 1991. – 246 с.

Змитрович А.И. Интеллектуальные информационные системы. – Минск:

126.

ТетраСистемс, 1997. – 368 с.

Иваненко В.И., Мельник В.С. Вариационные методы в задачах управления 127.

для систем с распределенными параметрами. – К.: Наукова думка, 1988. – 288 с.

Иванищев В.В., Марлей В.Е. Введение в теорию алгоритмических сетей. – 128.

СПб.: СПбГТУ, 2000. – 180 с.

Иванов А.И. Нейросетевые алгоритмы биометрической идентификации 129.

личности. – М.: Радиотехника, 2004. – 144 с.

Ивахненко А.Г. и др. Перцептрон – система распознавания образов. – К.:

130.

Наукова думка, 1975. – 432 с.

Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных 131.

систем. – К.: Наукова думка, 1982. – 350 с.

Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнозирующих 132.

моделей. – К.: Техника, 1984. – 350 с.

Ивахненко А.Г., Степашко В.С. Помехоустойчивость моделирования. – 133.

К.: Наукова думка, 1985. – 214 с.

Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по 134.

экспериментальным данным. – М.: Радио и связь, 1987. – 120 с.

Калинин А.В., Подвальный С.Л. Технология нейросетевых 135.

распределённых вычислений. – Воронеж: ВГУ, 2004. – 121 с.

Каллан Р. Основные концепции нейронных сетей. – М.: Вильямс, 2001. – 136.

288 с.

Катковник В.Я. Непараметрическая идентификация и сглаживание 137.

данных. – М.: Наука, 1985. – 336 с.

Каханер Д. Численные методы и программное обеспечение. – М.: Мир, 138.

2001. – 575 с.

Киндерманн Л., Процел П. Основы решения функциональных уравнений с 139.

помощью нейронных сетей// «Нейрокомпьютеры»: разработка, применение. – 2005. – №3. – С.12-16.

Кирсанов Э.Ю. Нейрокомпьютеры с параллельной архитектурой. – М.:

140.

ИПРЖ, 2004. – 222 с.

Колмогоров А.Н. О представлении непрерывных функций нескольких 141.

переменных суперпозициями непрерывных функций меньшего числа переменных// Доклады АН СССР. – 1956. – Т.108, №2. – С.179-182.

Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. – М., МГТУ им.

142.

Н.Э.Баумана, 2002. – 320 с.

Корнеев В.В. и др. Базы данных. Интеллектуальная обработка 143.

информации. – М.: Нолидж, 2000. – 352 с.

Кохонен Т. Ассоциативная память. – М.: Мир, 1980. – 238 с.

144.

Кохонен Т. Ассоциативные запоминающие устройства. – М.: Мир, 1982. – 145.

383 с.

Кравченко В.Ф. Лекции по теории атомарных функций и некоторым их 146.

приложениям. – М.: Радиотехника, 2003. – 512 с.

Кравченко В.Ф., Басараб М.А. Булева алгебра и методы аппроксимации в 147.

краевых задачах электродинамики. – М.: Издательство Физико-математической литературы, 2004. – 308 с.

Кричевский М.Л. Применение интеллектуальных технологий в сфере 148.

управленческо-экономических задач// «Нейрокомпьютеры»: разработка, применение. – 2004. – №7-8. – С.97-104.

Круглов В.В., Борисов В.В. Искусственные нейронные сети. – М.: Горячая 149.

линия-Телеком, 2001. – 382 с.

Крыжановский Б.В., Крыжановский В.М. Быстрая система распознавания 150.

и принятия решения на основе векторной нейронной сети// Искусственный интеллект. – Донецк, 2004. – №3. – С.534-541.

Крыжановский Б.В., Литинский Л.Б. Векторные модели ассоциативной 151.

памяти // В сб.: ”Лекции по нейроинформатике”. – М.: МИФИ, 2003. – Часть1. – С.72-85.

Крыжановский В.М., Микаэлян А.Л. Векторная параметрическая 152.

нейросеть для распознавания бинарных текстов// Материалы международной конференции «Интеллектуальные и многопроцессорные системы – 2005». – Таганрог – Донецк – Минск, 2005. – Том 1. – С.47-50.

Крыжановский Б.В., Магомедов Б.М., Микаэлян А.Л. О локальных 153.

минимумах в задачах оптимизации// Материалы Седьмой Международной научно-технической конференции «Искусственный интеллект.

Интеллектуальные и многопроцессорные системы – 2006». – Таганрог:

Издательство ТРТУ, 2006. – Том 2. – С. 156-160.

Лаврентьев М.М. О некоторых некорректных задачах математической 154.

физики. – Новосибирск: Издательство СО АН СССР, 1962. – 92 с.

Лекции по нейроинформатике. – М.: МИФИ, 2001-2005.

155.

Лионс Ж.-Л., Мадженес Э. Неоднородные граничные задачи и их 156.

приложения. – М.: Мир, 1971. – 372 с.

Литвинов В.Г. Оптимизация в эллиптических граничных задачах с 157.

приложениями в механике. – М.: Наука. Главная редакция физико математической литературы, 1987. – 368 с.

Лурье К.А. Оптимальное управление в задачах математической физики. – 158.

М.: Наука, 1975. – 478 с.

Лоусон Ч., Хенсон Р. Численное решение задач метода наименьших 159.

квадратов. – М.: Наука, 1986. – 230 с.

Лучаков Ю.И., Антонов В.И., Осипенко Г.С., Ястребов А.В.

160.

Математическое моделирование конвективного теплопереноса в коже теплокровных// Тезисы докладов II Международной конференции «Средства математического моделирования», СПб. – СПб., 1999. – С.199-201.

Льюнг Л. Идентификация систем. – М.: Наука, 1991. – 432 с.

161.

Магнус Я.Р., Нейдеккер Х. Матричное дифференциальное исчисление с 162.

приложениями к статистике и эконометрике. Пер. с англ. – М.: ФИЗМАТЛИТ, 2002. – 496 с.

Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной 163.

динамики. – М.: УРСС, 2002. – 360 с.

Малыхина Г.Ф. Измерение характеристик сложных объектов с 164.

использованием динамических нейронных сетей// «Нейрокомпьютеры»:

разработка, применение. – 2004. – №7-8. – С.80-86.

Медведев В.С. Нейронные сети. Matlab 6. – М.: Диалог-Мифи, 2002. – 165.

с.

Меламед И.И. Нейронные сети и комбинаторная оптимизация// 166.

Автоматика и Телемеханика. – 1994. – №11. – С.3-40.

Милов В.Р. Обучение нейронных RBF-сетей на основе процедур 167.

структурно-параметрической оптимизации// «Нейрокомпьютеры»: разработка, применение. – 2003. – №5. – С.29-33.

Минский М., Пейперт С. Перцептроны. – М.: Мир, 1971. – 262 с.

168.

Мину М. Математическое программирование. – М.: Наука, 1990. – 486 с.

169.

Михайлов В.П. Дифференциальные уравнения в частных производных. – 170.

2-е изд. перераб. и дополн. – М.: Наука, 1983. – 424 с.

Михалевич В.С. и др. Методы невыпуклой оптимизации. – М.: Наука, 171.

1987. – 280 с.

Михлин С.Г. Курс математической физики. – 2-е изд. – СПб.: Лань, 2002.

172.

– 576 с.

Мэйндоналд Дж. Вычислительные алгоритмы в прикладной статистике. – 173.

М.: Финансы и статистика, 1988. – 350 с.

Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования 174.

и оптимизации систем. – СПб.: Наука и Техника, 2003. – 384 с.

Научные сессии МИФИ – 2000, 2001. Квантовые нейронные сети:

175.

Материалы рабочего совещания. – М.: МИФИ, 2001. – 104 с.

Нейроматематика. Кн. 6. Общая ред. А.И.Галушкина. – М.: ИПРЖР, 2002.

176.

– 448 с.

Нейронные сети. STATISTICA Neural Networks. – М.: Горячая линия 177.

Телеком, 2000. – 182 с.

Нестеренко Б.Б.. Новотарский М.А. Решение краевых задач на 178.

многослойных клеточных нейронных сетях// Материалы Седьмой Международной научно-технической конференции «Искусственный интеллект.

Интеллектуальные и многопроцессорные системы – 2006». – Таганрог:

Издательство ТРТУ, 2006. – Том 2. – С.229-234.

Нечаев Ю.И. Нейросетевые технологии в бортовых интеллектуальных 179.

системах реального времени// В сб.: ”Лекции по нейроинформатике”. – М.:

МИФИ, 2002. – Часть 1. – С.114-163.

Нечаев Ю.И. Принципы использования нейронных сетей в бортовых 180.

интеллектуальных системах// «Нейрокомпьютеры»: разработка, применение. – 2004. – №7-8. – С.49-56.

Ниренберг Л. Лекции по нелинейному функциональному анализу. – М.:

181.

Мир, 1977. – 232 с.

Ортега Дж. Введение в параллельные и векторные методы решения 182.

линейных систем. – М.: Мир, 1991. – 365 с.

Осовский С. Нейронные сети для обработки информации. – М.: Финансы 183.

и статистика, 2002. – 344 с.

Пантюхин Д.В. Нейросетевая интерпретация решения систем линейных 184.

алгебраических уравнений// Материалы международной конференции «Интеллектуальные и многопроцессорные системы – 2005». – Таганрог – Донецк – Минск, 2005. – Том 2. – С.216-219.

Пантюхин Д.В. Формирование начальных условий для настройки 185.

нейронной сети при решении систем линейных уравнений// Материалы Седьмой Международной научно-технической конференции «Искусственный интеллект. Интеллектуальные и многопроцессорные системы – 2006». – Таганрог: Издательство ТРТУ, 2006. – Том 2. – С.234-238.

Первозванский А.А., Буцев А.В. Локальная аппроксимация на 186.

искусственных нейросетях// Автоматика и телемеханика. – 1995. – №9. – С.127 136.

Петухов А.П. Введение в теорию базисов всплесков. – СПб.: СПбГПУ, 187.

1999. – 132 с.

Полак Э. Численные методы оптимизации. – М.: Мир, 1974. – 376 с.

188.

Поляк Б.Т. Введение в оптимизацию. – М.: Наука, 1983. – 384 с.

189.

Полянин А.Д. Справочник по линейным уравнениям математической 190.

физики. – М.: Физматлит, 2001. – 576 с.

Пронькин В.С. Применение метода Ньютона к одной задаче с малыми 191.

знаменателями// Дифференц. уравнения. – 1982. – Том 18, № 6. – С.979-986.

Пупков К.А. и др. Методы робастного, нейро-нечёткого и адаптивного 192.

управления. – М.: МГТУ им. Н.Э.Баумана, 2002. – 744 с.

Радченко А.Н. Ассоциативная память. Нейронные сети. Оптимизация 193.

нейропроцессоров. – СПб.: Наука, 1998. – 260 с.

Растригин Л.А., Пономарёв Ю.П. Экстраполяционные методы 194.

проектирования и управления. – М.: Машиностроение, 1986. – 120 с.

Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. – 195.

М.: Энергоиздат, 1981. – 80 с.

Редько В.Г. Эволюционная кибернетика. – М.: Наука, 2003. – 155 с.

196.

Редько В.Г. Эволюционная кибернетика// В сб.: ”Лекции по 197.

нейроинформатике”. – М.: МИФИ, 2002. – Часть 1. – С.29-65.

Рид М., Саймон Б. Методы современной математической физики. Том 1:

198.

Функциональный анализ. – М.: Мир, 1977. – 360 с.

Рихтмайер Р., Мортон К. Разностные методы решения краевых задач. – 199.

М.: Мир, 1972. – 420 с.

Розенблатт Ф. Принципы нейродинамики: Перцептрон и теория 200.

механизмов мозга. – М.: Мир, 1965. – 480 с.

Рудинский А.В., Лавров В.В. Модель использования базы данных для 201.

формирования знания// «Нейрокомпьютеры»: разработка, применение. – 2004. – №7-8. – С.74-80.

Рутковская Д. и др. Нейронные сети, генетические алгоритмы и нечёткие 202.

системы. – М.: Горячая линия-Телеком, 2004. – 452 с.

Самарский А.А., Вабищевич П.Н. Численные методы решения обратных 203.

задач математической физики. – М.: Едиториал УРСС, 2004. – 480 с.

Сараев П.В. Использование псевдообращения в задачах обучения 204.

искусственных нейронных сетей//Электронный журнал «Исследовано в России» http://zhurnal.ape/relarn/ru/articles/2001/029/pdf. – С.308-317.

Сеа Ж. Оптимизация. Теория и алгоритмы. – М.: Мир, 1973. – 244 с.

205.

Себер Дж. Линейный регрессионный анализ. – М.: Мир, 1980. – 456 с.

206.

Сигеру Омату и др. Нейроуправление и его приложения. – М.: ИПРЖ, 207.

2000. – 271 с.

Сидоров Ю.В., Федорюк М.В., Шабунин М.И. Лекции по теории функций 208.

комплексного переменного. – М.: Наука, 1982. – 488 с.

Скурихин А.Н. Генетические алгоритмы// Новости искусственного 209.

интеллекта. – 1995. – №4. – С.6-46.

Соболь И.М. Многомерные квадратурные формулы и функции Хаара. – 210.

М.: Наука, 1969. – 288 с.

Справочник по теории автоматического управления. – М.: Наука, 1987. – 211.

712 с.

Стронгин Р.Г. Численные методы в многоэкстремальных задачах. – М.:

212.

Наука, 1978. – 240 с.

Сьярле Ф. Метод конечных элементов для эллиптических задач. – М.:

213.

Мир, 1980. – 512 с.

Тархов Д.А. О почти периодическом возмущении на бесконечномерном 214.

торе // Изв. АН СССР, сер. матем. – 1986. – Том 50, №3. – С.617-632.

Тархов Д.А. Некоторые подходы к построению распределённых 215.

нейросетевых моделей// Труды 5-й международной научно-технической конференции «Компьютерное моделирование 2004», СПб. – СПб., 2004. – С.170-171.

Тархов Д.А. Распределенные вычисления и нейронные сети// Сборник 216.

докладов Международной конференции по мягким вычислениям и измерениям – SCM’2004. – СПб., 2004. – Том 1. – С.295-298.

Тархов Д.А. Нейронные сети: модели и алгоритмы. – М.: Радиотехника, 217.

2005. – 256 с.

Тархов Д.А. Нейронные сети как средство математического 218.

моделирования. – М.: Радиотехника, 2006. – 48 c.

Тархов Д.А. Нетрадиционные генетические алгоритмы декомпозиции и 219.

распределения при решении задач математической физики с помощью нейронных сетей // «Нейрокомпьютеры»: разработка, применение. – 2006. – №7. – С.40-47.

Терехов В.А. и др. Нейросетевые системы управления. – СПб. Ун-т, 1999.

220.

– 264 с.

Терехов В.А. и др. Нейросетевые системы управления. – М.: ИПРЖР, 221.

2002. – 480 с.

Терехов С.А. Вейвлеты и нейронные сети// В сб.: ”Лекции по 222.

нейроинформатике”. – М.: МИФИ, 2001. – С.142-181.

Терехов С.А. Нейродинамическое программирование автономных агентов 223.

// В сб.: ”Лекции по нейроинформатике”. – М.: МИФИ, 2004. – Часть 2. – С.111 139.

Терехов С.А. Адаптивные нейросетевые методы в многошаговых играх с 224.

неполной информацией// В сб.: ”Лекции по нейроинформатике”. – М.: МИФИ, 2005. – С.92-135.

Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. – М.:

225.

Наука, 1986. – 288 с.

Тихонов А.Н., Самарский А.А. Уравнения математической физики. – М.:

226.

Наука, 1977. – 735 с.

Троицкий В.А., Петухов Л.В. Оптимизация формы упругих тел. – М.:

227.

Наука, 1982. – 432 с.

Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. – М.:

228.

Мир, 1992. – 240 с.

Фаддеев Д.К., Фаддеева В.Н. Вычислительные методы линейной алгебры.

229.

– СПб.: Лань, 2002. – 733 с.

Физические и математические модели нейронных сетей. – М.: ВИНИТИ, 230.

1990-1992. – Тома 1-5.

Флетчер К. Численные методы на основе метода Галеркина. – М.: Мир, 231.

1988. – 352 с.

Хайкин С. Нейронные сети: полный курс, 2-е издание. Пер. с англ. – М.:

232.

Изд. дом «Вильямс», 2006. – 1104 с.

Хакен Г. Синергетика. Иерархия неустойчивостей в самоорганизующихся 233.

системах и устройствах. – М.: Мир, 1985. – 412 с.

Харари Ф. Теория графов. – М.: Мир, 1973. – 300 с.

234.

Хаслингер Я., Нейтаанмяки П. Конечно-элементная аппроксимация для 235.

оптимального проектирования форм: теория и приложения. – М.: Мир, 1992. – 368 с.

Хелгасон С. Преобразование Радона. – М.: Мир, 1983. – 152 с.

236.

Хермандер Л. К теории общих дифференциальных операторов в частных 237.

производных. – М.: ИЛ. – 1959. – 131 с.

Хомич А.В., Жуков Л.А. Метод эволюционной оптимизации и его 238.

приложение к задаче синтеза искусственных нейронных сетей// «Нейрокомпьютеры»: разработка, применение. – 2004. – №12. – С.3-15.

Хомич А.В., Жуков Л.А. Оптимизация топологии рекуррентных и 239.

многослойных нейронных сетей с применением генетических алгоритмов// Сборник научных трудов VI Всероссийской научно-технической конференции «Нейроинформатика-2005». – М.: МИФИ, 2004. – Часть 2. – С.68-74.

Цыпкин Я.З. Информационная теория идентификации. – М.: Наука, 1995.

240.

– 336 с.

Черноруцкий И.Г. Методы оптимизации и принятия решений. – СПб.:

241.

Лань, 2001. – 382 с.

Черноруцкий И.Г. Методы оптимизации в теории управления. – СПб.:

242.

Питер, 2004. – 256 с.

Чуи К. Введение в вэйвлеты. – М.: Мир, 2001. – 412 с.

243.

Шилов Г.Е., Фан Дык Тинь. Интеграл, мера и производная на линейных 244.

пространствах. – М.: Наука, 1967. – 192 с.

Шилов Г.Е. Математический анализ. Второй специальный курс. – М.:

245.

Наука, 1965. – 328 с.

Эволюционные вычисления и генетические алгоритмы. Обозрение 246.


прикладной и промышленной математики. – 1996. – Том 3, вып.5. – 176 с.

Эфрон Б. Нетрадиционные методы многомерного статистического 247.

анализа. – М.: Финансы и статистика, 1988. – 263 с.

Яковлев А.Н. Основы вейвлет-преобразования. – М.: САЙНС-ПРЕСС, 248.

2003. – 80 с.

Янг Л. Лекции по вариационному исчислению и теория оптимального 249.

управления. – М.: Мир, 1974. – 488 с.

Ярушкина Н.Г. Нечёткие нейронные сети с генетической настройкой// В 250.

сб.: ”Лекции по нейроинформатике”. – М.: МИФИ, 2004. – Часть 1. – С.151-197.

Attali J.-G., Pages G. Approximations of Functions by a Multilayer 251.

Perceptron: a New Approach// Neural Networks. – 1997. – Vol. 10, No. 6. – pp.

1069-1081.

Azencott R. Simulated annealing. – Sem. Bourbaki, 1987-1988, № 697, 252.

Asterrisque 161 – 162. – 1988. – pp. 223-237.

Brudnyi Yu., Krugljak N. Interpolation functors and interpolation spaces.

253.

Vol.1, North-Holland Math. Library, vol.47, North-Holland, Amsterdam, 1991.

Burger M., Neubauer A. Analysis of Tikhonov Regularization for Function 254.

Approximation by Neural Networks// Neural Networks. – 2003. – Vol. 16, No. 1. – pp. 79-90.

Castro J.L., Mantas C.J., Benitez J.M. Neural Networks with a Continuous 255.

Squashing Function in the Output are Universal Approximators// Neural Networks. – 2000. – Vol. 13, No. 6. – pp. 561-563.

Chew S.H. and Zheng Q. Integral global optimization, Lecture Notes in 256.

Economics and Mathematical Systems, Vol.298, Springer-Verlag, (1988).

Cybenko G. Approximation by superposition of a sigmoidal function// 257.

Mathematics of Control, Signals, and Systems. – 1989. – Vol. 2. – pp. 303-314.

DeVore R.A. Nonlinear approximation// Acta Numer., Cambridge University 258.

press, Cambridge. – 1998. – Vol. 7. – pp. 51-150.

Dissanayake M.W.M.G., Phan-Thien N. Neural-network-based approximations 259.

for solving partial differential equations// Communications in Numerical Methods in Engineering. – March 1994. – Volume 10, Issue 3. – pp. 195-201.

Ermolaev A.M., Puzynin I.V., Selin A.V. Integral boundary conditions for the 260.

time-dependent Schrdinger equation: Atom in a laser field// Physical Review. – 1999. – Vol. 60, No.6. – pp. 4831-4845.

Esposito A., Marinaro M., Oricchio D., Scarpetta S. Approximation of 261.

Continuous and Discontinuous Mappings by a Growing Neural RBF-based Algorithm// Neural Networks. – 2000. – Vol. 13, No. 6. – pp. 651-665.

Fasshauer G. E. Solving differential equations with radial basis functions:

262.

multilevel methods and smoothing// Adv. in Comp. Math. – 1999. – 11. – pp. 139 159.

Fornberg B., Driscoll T.A., Wright G. and Charles R. Observations on the 263.

Behavior of Radial Basis Function Approximations Near Boundaries// Comput.

Math. Appl. – 2002. – 43. – pp. 473-490.

Fornberg B., Flyer N. Accuracy of Radial Basis Function Interpolation and 264.

Derivative Approximations on 1-D Infinite Grids. – Preprint, University of Colorado.

– 2003.

Fornberg B., Larsson E. A Numerical Study of some Radial Basis Function 265.

based Solution Methods for Elliptic PDEs// Computers and Mathematics with Applications. – 2003. – 46. – pp. 891-902.

Fornberg B., Wright G. Stable Computation of Multiquadric Interpolants for 266.

All Values of the Shape Parameter. – Preprint, University of Colorado. – 2003.

Funahashi K. On the approximate realization of continuous mappings by 267.

neural networks// Neural Networks. – 1989. – Vol. 2. – pp. 183-192.

Galperin E., Pan Z., Zheng Q. Application of global optimization to implicit 268.

solution of Partial Differential Equations// Computers & Mathematics with Applications. – Pergamon Press Ltd. – 1993. – Vol. 25, No. 10/11. – pp. 119-124.

Galperin E., Zheng Q. Solution and control of PDE via global optimization 269.

methods// Computers & Mathematics with Applications. – Pergamon Press Ltd. – 1993. – Vol. 25, No. 10/11. – pp. 103-118.


Galperin E.A., Kansa E.J. Application of global optimization and radial basis 270.

functions to numerical solutions of weakly singular Volterra integral equations// Computers & Mathematics with Applications. – Pergamon Press Ltd. – 2002. – Vol.

43. – pp. 491-499.

Gorban' A.N. Approximation of continuous functions of several variables by 271.

an arbitrary nonlinear continuous function of one variable, linear functions, and their superpositions// Appl. Math. Lett. – 1998. – Vol. 11, No. 3. – pp. 45-49.

Hansen E.R., Walster G.W. Nonlinear equations and optimization// Computers 272.

& Mathematics with Applications. – Pergamon Press Ltd. – 1993. – Vol. 25, No.

10/11. – pp. 125-145.

Hardy R.L. Theory and Applications of the multiquadric-biharmonic method// 273.

Computers and Mathematics with Applications. – 1990. – 19(8/9). – pp. 163-208.

Haykin S. Neural Networks: A Comprehensive Foundation. – Macmillan, New 274.

York, 1994. – 696 p.

Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are 275.

universal approximators// Neural Networks. – 1989. – Vol. 2. – pp. 359- 366.

Hristev R.M. The ANN Book. – GNU, 1998. – 392 p.

276.

Iannella N., Back A.D. A Spiking Neural Network Architecture for Nonlinear 277.

Function Approximation// Neural Networks. – 2001. – Vol. 14, No. 6-7. – pp. 933 939.

Ivakhnenko A.G., Ivakhnenko G.A., Muller J.A. Self-organization of neural 278.

networks with active neurons // Pattern Recognition and Image analysis 2:185 196(1994).

Jianyu L., Siwei L., Yingjian Q., Yaping H. Numerical solution of elliptic 279.

partial differential equation using radial basis function neural networks// Neural Networks. – June-July 2003. – Volume 16, Issues 5-6. – pp. 729-734.

John F. The ultrahyperbolic differential equation with four independent 280.

variables// Duke Math. J. – 1938. – 4. – pp. 300-322.

Kansa E. Multiquadrics – a scattered data approximation scheme with 281.

applications to computational fluid dynamics I: Surface approximations and partial derivative estimates// Computers and Mathematics with Applications. – 1990. – 19(8/9). – pp. 127-145.

Kansa E. Multiquadrics – a scattered data approximation scheme with 282.

applications to computational fluid dynamics II: Solutions to parabolic, hyperbolic and elliptic partial differential equations// Computers and Mathematics with Applications. – 1990. – 19(8/9). – pp. 147-161.

Kansa E. J. Motivation for using radial basis functions to solve PDEs // 283.

Lawrence Livermore National Laboratory and Embry-Riddle Aeronatical University.

– 1999. – http://www.rbf-pde.uah.edu/kansaweb.ps.

Kubota T. Massively Parallel Networks for Edge Localization and Contour 284.

Integration – Adaptable Relaxation Approach// Neural Networks. – 2004. – Vol. 17, No. 3. – pp. 411-425.

Kurkova V. Approximation of Functions by Perceptron Networks with 285.

Bounded Number of Hidden Units// Neural Networks. – 1995. – Vol. 8, No. 5. – pp.

745-750.

Lagaris I.E., Likas A., Fotiadis D.I. Artificial Neural Networks for Solving 286.

Ordinary and Partial Differential Equations// IEEE Transactions on Neural Networks.

– 1998. – Vol.9, No. 5. – pp. 987-1000.

Liao Y., Fang S.-C., Nuttle H.L.W. Relaxed Conditions for Radial-basis 287.

Function Networks to be Universal Approximators// Neural Networks. – 2003. – Vol.

16, No. 7. – pp. 1019-1028.

Madych W.R., Nelson S.A. Multivariate interpolation and conditionally positive 288.

definite functions II// Math.Comput. – 1990. – 54. – pp. 211-230.

Mai-Duy N., Tran-Cong T. Numerical solution of differential equations using 289.

multiquadric radial basis function networks// Neural Networks. – 2001. – 14. – pp.

185-199.

Masuoka R. Neural Networks Learning Differential Data// IEICE Trans.

290.

Inf.&Syst. – 2000. – Vol. E83-D, No. 8. – pp. 1291-1299.

Mhaskar H.N. Neural Networks and Approximation Theory (letters to the 291.

editor)// Neural Networks. – 1996. – Vol. 9, No. 4. – pp. 721-722.

Mhaskar H.N., Micchelli C.A. Degree of Approximation by Neural and 292.

Translation Networks with a Single Hidden Layer// Advances in Applied Mathematics. – 1995. – 16. – pp. 151-183.

Park J., Sandberg I.W. Universal approximation using radial-basis-function 293.

networks// Neural Computation. – 1991. – Vol. 3. – pp. 246-257.

Petrushev P., Popov V. Rational approximations of real functions, 294.

Encyclopedia Math, Appl., Vol. 28. – Cambridge University press, Cambridge. – 1987.

Scarselli F., Tsoi A.C. Universal Approximation Using Feedforward Neural 295.

Networks: A Survey of Some Existing Methods, and Some New Results// Neural Networks, Elsevier Science Ltd. – 1998. – Vol. 11, No. 1. – pp. 15-37.

Shamardan A.B. The numerical treatment of the nonlinear Schrdinger 296.

equation// Computers and Mathematics with Applications. – 1990. – 19(7). – pp. 67 73.

Sharan M., Kansa E.J., Gupta S. Application of the Multiquadric method to the 297.

numerical solution of elliptic partial differential equations// Applied Mathematics and Computation. – 1997. – 84. – pp. 275-302.

Solazzi M., Uncini A. Regularising Neural Networks Using Flexible 298.

Multivariate Activation Function// Neural Networks. – 2004. – Vol. 17, No. 2. – pp.

247-260.

Temlyakov V.N. Nonlinear methods of approximation// IMI-Preprint Ser., 299.

University of South Caroline. – 2001. – pp. 1-57.

Terekhoff S.A., Fedorova N.N. Cascade Neural Networks in Variational 300.

Methods For Boundary Value Problems // Russian Federal Nuclear Center – VNIITF.

Troitskii V.A. Optimization Approaches to Some Observation Problems for 301.

PDE, www.inftech.webservis.ru.

Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical 302.

solution of mathematical physics problems. I: Simple problems// Optical Memory and Neural Networks (Information Optics), Allerton Press, Inc. – 2005. – Vol. 14, No. 1. – pp. 59-72.

Tarkhov D.A., Vasilyev A.N. New neural network technique to the numerical 303.

solution of mathematical physics problems. II: Complicated and nonstandard problems// Optical Memory and Neural Networks (Information Optics), Allerton Press, Inc. – 2005. – Vol. 14, No. 2. – pp. 97-122.

Vasilyev A.N., Tarkhov D.A. HUMAN MOTION SIMULATION// Труды 5-й 304.

международной научно-технической конференции «Компьютерное моделирование 2004», СПб. – СПб.: Изд. «Нестор», 2004. – Часть 1. – С.174 175.

Vasilyev A., Tarkhov D., Guschin G. Neural Networks Method in Pressure 305.

Gauge Modeling// Proceedings of the 10th IMEKO TC7 International Symposium on Advances of Measurement Science, Saint-Petersburg, Russia. – 2004. – Vol. 2. – pp.

275-279.

Vinod V.V., Ghose S. Growing Nonuniform Feedforward Networks for 306.

Continuous Mappings// Neurocomputing. – 1996. – 10. – pp. 55-69.

Voss H. Numerical calculation of the electronic structure for three-dimensional 307.

quantum dots// Computer Physics Communications. – 2006. – 174. – pp. 441-446.

Wang W., Hwang T.-M., Jang J.-C. A second-order finite volume scheme for 308.

three dimensional truncated pyramidal quantum dot// Computer Physics Communications. – 2006. – 174. – pp. 371-385.

Wang Y.J., Lin C.T. A second-order learning algorithm for multilayer networks 309.

based on block Hessian matrix // Neural Networks. – 1998. – Vol. 11, No. 9. – pp.

1607-1622.

Wright G.B. Radial Basis Function interpolation: Numerical and Analytical 310.

Developments. – A Thesis for the PhD Degree, Department of Applied Mathematics, University of Colorado. – 2003. – 155 p.



Pages:     | 1 |   ...   | 8 | 9 ||
 





 
© 2013 www.libed.ru - «Бесплатная библиотека научно-практических конференций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.