Список литературы к курсу

Введение в искусственные нейронные сети и генетические алгоритмы

Общая литература

• Mohamad H.Hassoun. Fundamentals of Artificial Neural Networks. MIT Press, Cambridge, Massachusetts, 1995.
• А.А.Ежов, С.А.Шумский. Нейрокомпьютинг и его применения в экономике и бизнесе. М., МИФИ, 1998. Электронная версия книги находится здесь.
• С.Хайкин. Нейронные сети: полный курс. 2-е изд. М., "Вильямс", 2006.
• Л.Г.Комарцова, А.В.Максимов. Нейрокомпьютеры. М., Изд-во МГТУ им.Баумана, 2002.
• Р.Дуда, П.Харт. Распознавание образов и анализ сцен. М., Мир, 1976, 512 с.
• B.Kosko. Neural Networks and Fuzzy Systems. A Dynamical Systems Approach to Machine Intelligence. Prentice Hall, Englewood Cliffs, 1992.
• В.А.Головко. Нейронные сети: обучение, организация и применение. М., ИПРЖР, 2001.
• Г.Э.Яхъяева. Основы теории нейронных сетей. Интернет-университет информационных технологий, изд-во "Открытые системы".
• Д.А.Тархов. Нейронные сети. Модели и алгоритмы. (Справочник.) М., Радиотехника, 2005.

Лекция 1. Основные понятия. Типология задач, решаемых адаптивными алгоритмами. Многослойный персептрон.

См. общую литературу. См.также:

• Нейронные сети: история развития теории. Под общей ред. А.И.Галушкина, Я.З.Цыпкина. М., ИПРЖР, 2001.
• З.М.Шибзухов. Некоторые вопросы теоретической нейроинформатики. В кн.: XIII Всероссийская научно-техническая конференция "Нейроинформатика-2011". Лекции по нейроинформатике. М., НИЯУ МИФИ, 2010. С.44-72.
• В.Сидоров. Что такое закон Мура?
• А.Скробов. Закон Мура

Лекция 2. Алгоритм обратного распространения ошибки и его модификации. Многослойные персептроны. Рекуррентные сети. Выбор оптимальных параметров сети

См. общую литературу

Лекция 3. Нейронные сети с общей регрессией и вероятностные нейронные сети. Сети Кохонена

• Specht, D. Probabilistic Neural Networks. Neural Networks, 1990, 3, 109-118.
• Specht, D. A General Regression Neural Network. IEEE Trans. on Neural Networks, Nov. 1991, 2, 6, 568-576.
• Burrascano, P. Learning Vector Quantization for the Probabilistic Neural Network. IEEE Trans. on Neural Networks, July 1991, 2, 458-461.
• Schieler, H., Hartmann, U. Mapping neural network derived from the parzen window estimator. Neural Networks, 1992, V.5, pp.903-909.
• Specht, D. The General Regression Neural Network - Rediscovered. Neural Networks, 1993, V.6, pp.1033-1034.
• Caudill, M. The Kohonen Model. Neural Network Primer. AI Expert, 1990, 25-31.
• P.Tavan, H.Grubmuller, H.Kuhnel. Self-organization of associative memory and pattern classification: recurrent signal processing on topological feature maps. Biological Cybernetics, 64 (1990), pp.95-105.
• Т.Кохонен. Самоорганизующиеся карты. М., "Бином", 2008. 656 с.
• Г.Дебок, Т.Кохонен. Анализ финансовых данных с помощью самоорганизующихся карт. М., "Альпина", 2001.

Лекция 4. Кодирование и нормировка данных. Анализ главных компонент

См. общую литературу

Лекция 5. Фрактальная размерность и алгоритмы ее определения

• Ричард М. Кроновер. Фракталы и хаос в динамических системах. Основы теории. М, Техносфера, 2006.
• Edgar E.Peters. Chaos and Order in the Capital Markets: A New View of Cycles, Prices, and Market Volatility. 2nd Edition. Wiley Finance, 1996. Имеется перевод: Э.Петерс. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка. М., "Мир", 2000.
• Edgar E.Peters. Fractal Market Analysis: Applying Chaos Theory to Investment and Economics. Wiley Finance, 1994. Имеется перевод: Э.Петерс. Фрактальный анализ финансовых рынков. Приложение теории хаоса к инвестициям и экономике. "Интернет-трейдинг", 2004.
• М.М.Дубовиков, А.В.Крянев, Н.В.Старченко. Размерность минимального покрытия и локальный анализ фрактальных временных рядов. Вестник РУДН. Серия Прикладная и компьютерная математика. 2004, Т.3, №1, с.30-44.

Лекция 6. Вейвлет-анализ

• Gilbert Strang and Truong Nguyen. Wavelets and filter banks. Wellesley-Cambridge Press, 1996.
• М.Фрейзер. Введение в вэйвлеты в свете линейной алгебры. Бином, Лаборатория знаний, 2008.
• И.М. Дремин, О.В. Иванов, В.А. Нечитайло. Вейвлеты и их использование. Успехи физических наук, Май 2001, т.171, стр.5.
• Р.Поликар. Введение в вейвлет-преобразование. Электронная версия книги находится здесь.
• J.Lewalle. Введение в анализ данных с применением непрерывного вейвлет-преобразования. Электронная версия книги находится здесь.

Лекция 7. Метод группового учета аргументов (МГУА)

• Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев, Наукова думка, 1982.
• Ивахненко А.Г., Мюллер Й.А. Самоорганизация прогнозирующих моделей. Киев, Наукова думка, 1985.
• Farlow, S. J. (ed.). Self-organizing Method in Modeling: GMDH Type Algorithms. Statistics: Textbooks and Monographs, 54, 1984.
• Madala, H.R., and Ivakhnenko, A.G. Inductive Learning Algorithms for Complex Systems Modeling. Boca Raton, CRC Press Inc., 1994.
• Ivakhnenko, A.G. and Muller, J.-A. Present state and new problems of further GMDH development. SAMS, 1995, vol.20, pp.3-16.
• http://www.gmdh.net (сайт разработчиков метода)
• On-line применение программы, реализующей полиномиальные сети

Лекция 8. Генетические алгоритмы

• David E.Goldberg. Genetic algorithms in search, optimization, and machine learning. Addison-Wesley Publishing Co., Inc., 1989.
• Practical Handbook of Genetic Algorithms. (Complex Coding Systems, v.III). Ed.L.D.Chambers. CRC Press, 1998.
• Статьи о генетических алгоритмах на сайте http://algolist.manual.ru/
• Сайт Группы по исследованию и применению генетических алгоритмов (Genetic Algorithms Research and Application Group, GARAGe) в Мичиганском государственном университете
• Интересная демонстрация использования ГА: генетическая оптимизация автомобилей

Лекция 9. Генетическое программирование

• John R.Koza. Genetic programming. On the programming of computers by means of natural selection. MIT Press, 1992.
• http://www.genetic-programming.com/
• Библиография по генетическому программированию от William Langdon, Steven Gustafson, and John Koza

Лекция 10. Нейронные сети Хопфилда

• J.J.Hopfield. Neural networks and physical systems with emergent collective computational abilities. Proceedings of National Academy of Sciences of USA, 1982, V.79, No.8, pp.2554-2558. Электронная версия находится здесь.
• Я.М.Карандашев, Б.В.Крыжановский, Л.Б.Литинский. Обобщённая модель Хопфилда и статфизический подход: общий случай. Нейроинформатика-2011. XIII Всероссийская научно-техническая конференция. Сборник научных трудов, ч.3, с.181-190. М., НИЯУ МИФИ, 2010.

См. также общую литературу

Лекция 11. Конструктивные алгоритмы. Комбинированное использование НС. Оценка значимости входов

• S.E.Fahlman, Ch.Lebierre. The Cascade-Correlation Learning Architecture. Research Report CMU-CS-90-100. School of Computer Science, Carnegie Melon University, Pittsburgh, USA. August 29, 1991.
• D.H.Wolpert. Stacked Generalization. Neural Networks, 1992, v.5, pp.241-259.
• С.А.Терехов. Гениальные комитеты умных машин. IX Всероссийская научно-техническая конференция "Нейроинформатика-2007": Лекции по нейроинформатике. Часть 2, с.11-42. М., МИФИ, 2007. Электронная версия находится здесь.
• С.А.Доленко, Ю.В.Орлов, И.Г.Персианцев, Ю.С.Шугай. Адаптивное построение иерархических нейросетевых классификаторов. Нейрокомпьютеры: разработка, применение, 2005, №1-2, с.4-11.
• А.Г.Гужва, С.А.Доленко, И.Г.Персианцев, Ю.С.Шугай. Сравнительный анализ методов определения существенности входных переменных при нейросетевом моделировании: методика сравнения и её применение к известным задачам реального мира. Нейроинформатика-2008. X Всероссийская научно-техническая конференция. Сборник научных трудов, ч.2, с.216-225. М., МИФИ, 2008.
• А.Г.Гужва, С.А.Доленко, И.Г.Персианцев. Методика отбора существенных входных признаков при нейросетевом решении задач регрессии. Нейрокомпьютеры: разработка, применение, 2010, №3, с.20-32.

См. также общую литературу

Лекция 12. Нечёткая логика

• Прикладные нечёткие системы. К.Асаи, Д,Ватада, С.Иваи и др.; под редакцией Т.Тэрано, К.Асаи, М.Сугэно. М., Мир, 1993.
• L.A.Zadeh. Fuzzy sets and their applications to cognitive and decision processes. Academic Press, 1975.
• М.Гарднер. Казнь врасплох и связанный с ней логический парадокс. В кн.: М.Гарднер. Математические досуги. М., "Мир", 1972. Электронная версия находится здесь.
• Лотфи Заде, отец нечёткой логики. http://zadeh.narod.ru/

Лекция 13. Некоторые практические применения ИНС в науке и технике

• R.C.Frye. Adaptive neural network algorithms for computing proximity effect corrections. J.Vac.Sci.Technol. B, V.9, n.6, Nov/Dec 1991, pp.3054-3058
• K.D.Cummings, R.C.Frye, E.A.Rietman. Using a neural network to proximity correct patterns written with a Cambridge electron beam microfabricator 10.5 lithography system. Appl.Phys.Lett. V.57, n.14, 1 Oct 1990, pp.1431-1433
• C.M.Bishop, et al. Real-Time control of a Tokamak plasma using neural networks. Neural Computation, v.7, 1995, pp.206-217
• B.Denby. The Use of Neural Networks in High-Enegry Physics. Neural Computation, v.5, 1993, pp. 505-549
• С.В.Клименко и др. Искусственные нейронные сети в физике высоких энергий. Информационные Технологии, №12, 1998 (ч.1) и №1, 1999 (ч.2). См. также Препринт ИФВЭ 96-75, Протвино, 1996.
• A. Dmitriev, A. Belov, Yu. Orlov, M. Riazantseva, I. Veselovsky, Solar Activity Forecasting on 1999-2000 by Means of Artificial Neural Networks. Abs. of International INTERBALL Zvenigorod Symposium, Zvenigorod, Russia, February 8-13, 1999, p. 86.
• A.A.Deviatov, Yu.V.Orlov, I.G.Persiantsev, S.P.Rebrik, J.S.Shugai.The Diagnostics of Auditory Evoked Potentials. Pattern Recognition and Image Analysis, 1995, Vol.5, No.4, pp.602-612.
• Yu.V.Orlov, S.P.Rebrik, I.G.Persiantsev, S.M.Babichenko. Application of neural networks to fluorescent diagnostics of organic pollution in a water. Proc.SPIE, V.2503, 1995, pp.150-156.
• Le Cun et.al. Backpropagation applied to handwritten ZIP code recognition. Neural Computation, v.1, n.4, 1989, pp.541-551.
• T.J.Seinowski, C.R.Rosenberg. Parallel networks that learn to pronounce English test. Complex Systems, v.1, 1987, pp.145-168.
• Нейроинформатика-2007. IX Всероссийская научно-техническая конференция. Сборник научных трудов в 3-х частях. М., МИФИ, 2007.
• А.А.Лукьяница. Применение адаптивных методов для обработки экспериментальных данных. В сб.: Нейроинформатика-2009. XI Всероссийская научно-техническая конференция. Лекции по нейроинформатике, с.126-162.
• Г.А.Ососков. Практические аспекты нейровычислений в экспериментальной физике. В сб.: Нейроинформатика-2009. XI Всероссийская научно-техническая конференция. Лекции по нейроинформатике, с.163-206.

Лекция 14. Решение обратных задач в физике

• А.Н. Тихонов, В.Я. Арсенин. Методы решения некорректных задач. М., Наука, 1979.
• S.A.Dolenko, T.A.Dolenko, O.V.Kozyreva, I.G.Persiantsev, V.V.Fadeev, and E.M.Filippova. Solution of Inverse Problem in Nonlinear Laser Fluorimetry of Organic Compounds with the Use of Artificial Neural Networks. Pattern Recognition and Image Analysis, 1999, v.9, No.3, pp.510-515.
• T.A.Dolenko, I.V.Churina, V.V.Fadeev, and S.M.Glushkov. Valence band of liquid water Raman scattering: some peculiarities and applications in the diagnostics of water media. J. Raman Spectroscopy, 2000, v.31, p. 863-870.
• И.В. Бойчук, Т.А. Доленко, А.Р. Сабиров, В.В. Фадеев, Е.М. Филиппова. Исследование единственности и устойчивости решения обратной задачи флуориметрии насыщения. Квантовая электроника, 2000, т.30, N7, с 611-616.
• С.А.Доленко, И.В.Гердова, Т.А.Доленко, В.В.Фадеев. Лазерная флуориметрия смесей сложных органических соединений с использованием искусственных нейронных сетей. Квантовая электроника, 2001, т.31, N 9, стр.834-838.
• T.A.Dolenko, V.V.Fadeev, I.V.Gerdova, S.A.Dolenko, and R.Reuter. Fluorescence Diagnostics of Oil Pollution in Coastal Marine Waters by Use of Artificial Neural Networks. Applied Optics, 2002, v.41, No.24, pp.5155-5166.
• В.В.Апанасович, А.Ю.Балахонцев, В.М.Лутковский, П.Я.Мисаков, П.В.Назаров. Нейросетевой метод выделения пиков при анализе атомно-эмиссионных спектров. Цифровая обработка информации и управление в чрезвычайных ситуациях. Материалы Второй международной конференции (28-30 ноября 2000 г., Минск). Минск, Институт технической кибернетики НАН Беларуси, 2000. Том 1, стр.36-40.
• A.Tanaka, M.Kishino, T.Oishi, R.Doerffer, H.Schiller. Application of neural network method to case II water. In: Proc. SPIE, Remote Sensing of the Ocean and Sea Ice 2000 (Ed. C.R.Bostater, R.Santoleri), 2000, v.4172, pp. 144-152.
• K.Hennig, T. de Vries, R.Paetzold, K.Jantos, E.Voss, A.Anders. Multi Sensor System for Fast Analyses in Environmental Monitoring with an Application in Waste Water Treatment. European Association of Remote Sensing Laboratories (EARSeL) eProceedings (Workshop on LIDAR on Land and Sea) Editor: R.Reuter. 2001, v. 1, pp.61-67.
• С.А.Доленко, Е.А.Оборнев, И.Г.Персианцев, А.К.Столповский, М.И.Шимелевич, Ю.С.Шугай. Сравнение методов адаптивной нейросетевой классификации данных при решении обратной задачи электроразведки. Нейроинформатика-2008. X Всероссийская научно-техническая конференция. Сборник научных трудов, ч.1, с.70-79. М., МИФИ, 2008.
• S.Dolenko, A.Guzhva, E.Obornev, I.Persiantsev, M.Shimelevich. Comparison of Adaptive Algorithms for Significant Feature Selection in Neural Network Based Solution of the Inverse Problem of Electrical Prospecting. In: C.Alippi et al (Eds.): ICANN 2009, Part II. (Lecture Notes in Computer Science, 2009, V.5769, pp.397-405.) Springer-Verlag Berlin Heidelberg 2009.
• S.A.Burikov, S.A.Dolenko, T.A.Dolenko, I.G.Persiantsev. Application of Artificial Neural Networks to Solve Problems of Identification and Determination of Concentration of Salts in Multi-Component Water Solutions by Raman spectra. Optical Memory and Neural Networks (Information Optics), 2010, V.19, No.2, pp.140-148.

На начальную страницу

Страница изменена 17.05.11